CN113313304A - 一种基于大数据决策树的电网事故异常分析方法及系统 - Google Patents

Abstract

本发明公开了一种基于大数据决策树的电网事故异常分析方法及系统，通过获取电网历史事故异常信号数据和电网历史监控数据，并进行清洗、划归等规范化处理后，建立测试样本集，然后设置电网事故异常信号的所有相关属性，并分别计算在测试样本集中各个相关属性的信息增益，根据信息增益的大小构建决策树，最终将待分析的电网监控数据输入到决策树中，得到电网事故异常分析结果，由此通过决策树实现电网事故异常分析结果与电网监控数据的因果联系，与现有技术相比，能够基于大数据决策树对电网事故异常进行智能分析，从而向监控人员展示可信度高的事故异常分析结果和可行性好的事故处理建议。

Description

一种基于大数据决策树的电网事故异常分析方法及系统

技术领域

本发明涉及电力系统技术领域，尤其涉及一种基于大数据决策树的电网事故异常分析方法及系统。

背景技术

随着国家电网管理模式的逐步优化，电网调控人员是否能及时准确的判断事故信号的正确性并预测电力需求是一项必要的需求。但由于每个调控人员本身的工作经验和业务能力各不相同，对于相同的信号数据会得出不同的处置结果，会对电网的安全稳定运行产生很大问题。另一方面，事故判断、处理的时间越长，电网在非正常运行方式下运行的时间就越长，电能损耗就越大，事故进一步扩大的可能性也就越大。事故判断、处理的准确性和实效性的双重压力，给调控人员的工作带来很大的压力。

因此，如何提供一种能够智能分析电网事故异常的方法及系统，是本领域技术人员需要解决的技术问题。

公开于该背景技术部分的信息仅仅旨在加深对本发明总体背景技术的理解，而不应当被视为承认或以任何形式暗示该信息构成本领域技术人员所公知的现有技术。

发明内容

本发明的目的是：提供一种基于大数据决策树的电网事故异常分析方法及系统，能够基于大数据决策树对电网事故异常进行智能分析，从而向监控人员展示可信度高的事故异常分析结果和可行性好的事故处理建议。

为了达到上述目的，本发明一方面提供一种基于大数据决策树的电网事故异常分析方法，包括：

获取电网历史事故异常信号数据和电网历史监控数据，并进行规范化处理，建立测试样本集；

设置电网事故异常信号的所有相关属性；

计算所述测试样本集中各个所述相关属性的信息增益；

将信息增益最大的所述相关属性作为根节点，其他所述相关属性按照信息增益的大小依次作为决策分支，构建决策树；

输入待分析的电网监控数据到所述决策树中，得到电网事故异常分析结果。

优选地，所述信息增益的计算方法，包括：

Gain(A)＝I(S₁,S₂)-E(A)；

式中，I(S₁,S₂)代表所述测试样本集中相关属性A的信息熵，E(A)代表所述测试样本集中相关属性A在不同情况下的信息熵期望，Gain(A)代表所述测试样本集中相关属性 A的信息增益，S代表所述测试样本集中的样本数量，S₁代表在相关属性A的影响下所述测试样本集中电网事故异常信号为正确信号的样本数量，S₂代表在相关属性A的影响下所述测试样本集中电网事故异常信号为错误信号的样本数量，S₁₁代表在相关属性A 为A₁情况的影响下所述测试样本集中电网事故异常信号为正确信号的样本数量，S₂₁代表在相关属性A为A₁情况的影响下所述测试样本集中电网事故异常信号为错误信号的样本数量，S₁₂代表在相关属性A为A₂情况的影响下所述测试样本集中电网事故异常信号为正确信号的样本数量，S₂₂代表在相关属性A为A₂情况的影响下所述测试样本集中电网事故异常信号为错误信号的样本数量。

优选地，所述输入待分析的电网监控数据到所述决策树中，得到电网事故异常分析结果，包括：

获取待分析的电网实时数据，通过数据预测算法对所述待分析的电网实时数据进行数据预测，得到待分析的电网预测数据；

输入所述待分析的电网实时数据和所述待分析的电网预测数据到所述决策树中，得到电网事故异常分析结果。

优选地，所述方法还包括：

对所述电网事故异常分析结果进行审核，得到审核结果；

更新所述电网历史事故异常信号数据和电网历史监控数据，并对所述测试样本集进行更新处理，得到更新后的测试样本集；

根据所述审核结果和所述更新后的测试样本集，对所述决策树进行优化。

优选地，所述电网历史监控数据包括电网历史设备台账数据、电网历史遥测数据、电网历史遥信数据和电网历史环境数据。

本发明另一方面提供一种基于大数据决策树的电网事故异常分析系统，包括：

测试样本集建立单元，用于获取电网历史事故异常信号数据和电网历史监控数据，并进行规范化处理，建立测试样本集；

相关属性设置单元，用于设置电网事故异常信号的所有相关属性；

信息增益计算单元，用于计算所述测试样本集中各个所述相关属性的信息增益；

决策树构建单元，将信息增益最大的所述相关属性作为根节点，其他所述相关属性按照信息增益的大小依次作为决策分支，构建决策树；

电网事故异常分析单元，用于输入待分析的电网监控数据到所述决策树中，得到电网事故异常分析结果。

优选地，所述信息增益的计算方法，包括：

Gain(A)＝I(S₁,S₂)-E(A)；

式中，I(S₁,S₂)代表所述测试样本集中相关属性A的信息熵，E(A)代表所述测试样本集中相关属性A在不同情况下的信息熵期望，Gain(A)代表所述测试样本集中相关属性 A的信息增益，S代表所述测试样本集中的样本数量，S₁代表在相关属性A的影响下所述测试样本集中电网事故异常信号为正确信号的样本数量，S₂代表在相关属性A的影响下所述测试样本集中电网事故异常信号为错误信号的样本数量，S₁₁代表在相关属性A 为A₁情况的影响下所述测试样本集中电网事故异常信号为正确信号的样本数量，S₂₁代表在相关属性A为A₁情况的影响下所述测试样本集中电网事故异常信号为错误信号的样本数量，S₁₂代表在相关属性A为A₂情况的影响下所述测试样本集中电网事故异常信号为正确信号的样本数量，S₂₂代表在相关属性A为A₂情况的影响下所述测试样本集中电网事故异常信号为错误信号的样本数量。

优选地，所述电网事故异常分析单元包括：

数据预测子单元，用于获取待分析的电网实时数据，通过数据预测算法对所述待分析的电网实时数据进行数据预测，得到待分析的电网预测数据；

电网事故异常分析子单元，用于输入所述待分析的电网实时数据和所述待分析的电网预测数据到所述决策树中，得到电网事故异常分析结果。

优选地，所述系统还包括：

结果审核单元，用于对所述电网事故异常分析结果进行审核，得到审核结果；

数据更新单元，用于更新所述电网历史事故异常信号数据和电网历史监控数据，并对所述测试样本集进行更新处理，得到更新后的测试样本集；

决策树优化单元，用于根据所述审核结果和所述更新后的测试样本集，对所述决策树进行优化。

优选地，所述电网历史监控数据包括电网历史设备台账数据、电网历史遥测数据、电网历史遥信数据和电网历史环境数据。

本发明至少具有以下有益效果：

本发明通过获取电网历史事故异常信号数据和电网历史监控数据，并进行清洗、划归等规范化处理后，建立测试样本集，然后设置电网事故异常信号的所有相关属性，并分别计算在测试样本集中各个相关属性的信息增益，根据信息增益的大小构建决策树，最终将待分析的电网监控数据输入到决策树中，得到电网事故异常分析结果，由此通过决策树实现电网事故异常分析结果与电网监控数据的因果联系，与现有技术相比，能够基于大数据决策树对电网事故异常进行智能分析，从而向监控人员展示可信度高的事故异常分析结果和可行性好的事故处理建议。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例中基于大数据决策树的电网事故异常分析方法的流程示意图；

图2为本发明实施例中决策树算法的流程示意图；

图3为本发明实施例中基于大数据决策树的电网事故异常分析系统的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。

需要说明的是，当元件被称为“固定于”另一个元件，它可以直接在另一个元件上或者也可以存在居中的元件。当一个元件被认为是“连接”另一个元件，它可以是直接连接到另一个元件或者可能同时存在居中元件。本文所使用的术语“垂直的”、“水平的”、“左”、“右”以及类似的表述只是为了说明的目的，并不表示是唯一的实施方式。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。

请参阅图1，本发明实施例一方面提供一种基于大数据决策树的电网事故异常分析方法，包括：

S110、获取电网历史事故异常信号数据和电网历史监控数据，并进行规范化处理，建立测试样本集。

本发明实施例中，获取电网历史事故异常信号数据和电网历史监控数据后，需要对获取的数据进行清洗、划归等规范化处理，得到能够使用的数据，并建立测试样本集。

具体实施时，电网历史监控数据包括电网历史设备台账数据、电网历史遥测数据、电网历史遥信数据和电网历史环境数据等。

S120、设置电网事故异常信号的所有相关属性。

本发明实施例中，某类电网事故异常信号的发生是否正确或某种电网事故异常信号是否可能发生，取决于很多因素，如电网设备整体更新、制定新的规则等，监控人员可以列出对各种类型电网事故异常信号起判定作用的所有相关属性。

S130、计算测试样本集中各个相关属性的信息增益。

本发明实施例中，对各种类型电网事故异常信号起判定作用的所有相关属性之间存在关联性，同时这些相关属性所占权重也各不相同，有些相关属性是某种类型事故异常信号得以发生的决定性条件，有些相关属性则是多个相关属性以特定优先级组合后决定某种类型事故异常信号是否有可能发生。由于对各种类型电网事故异常信号起判定作用的相关属性很多，我们需要在测试样本集中分别计算各个相关属性的信息增益(Gain)。

S140、将信息增益最大的相关属性作为根节点，其他相关属性按照信息增益的大小依次作为决策分支，构建决策树。

本发明实施例中，计算出测试样本集中各个相关属性的信息增益后，比较各个相关属性的信息增量，选取信息增量最大的相关属性为基础判断条件，作为决策树的根节点，其他相关属性按照信息增量的大小依次作为决策分支，从而构建出决策树。

S150、输入待分析的电网监控数据到决策树中，得到电网事故异常分析结果。

本发明实施例中，将待分析的电网监控数据输入到决策树中，即可得到电网事故异常分析结果，从而通过决策树实现电网事故异常分析结果与电网监控数据的因果联系，同时自动判断电网事故异常信号是否正确，进而推算出电网可能存在的隐患，并给出可行性好的事故处理建议。

以上可知，本发明实施例提供的基于大数据决策树的电网事故异常分析方法，通过获取电网历史事故异常信号数据和电网历史监控数据，并进行清洗、划归等规范化处理后，建立测试样本集，然后设置电网事故异常信号的所有相关属性，并分别计算在测试样本集中各个相关属性的信息增益，根据信息增益的大小构建决策树，最终将待分析的电网监控数据输入到决策树中，得到电网事故异常分析结果，由此通过决策树实现电网事故异常分析结果与电网监控数据的因果联系，与现有技术相比，能够基于大数据决策树对电网事故异常进行智能分析，从而向监控人员展示可信度高的事故异常分析结果和可行性好的事故处理建议。

作为本发明优选的实施例，在步骤S130中，信息增益的计算方法，包括：

Gain(A)＝I(S₁,S₂)-E(A)；

式中，I(S₁,S₂)代表测试样本集中相关属性A的信息熵，E(A)代表测试样本集中相关属性A在不同情况下的信息熵期望，Gain(A)代表测试样本集中相关属性A的信息增益，S代表测试样本集中的样本数量，S₁代表在相关属性A的影响下测试样本集中电网事故异常信号为正确信号的样本数量，S₂代表在相关属性A的影响下测试样本集中电网事故异常信号为错误信号的样本数量，S₁₁代表在相关属性A为A₁情况的影响下测试样本集中电网事故异常信号为正确信号的样本数量，S₂₁代表在相关属性A为A₁情况的影响下测试样本集中电网事故异常信号为错误信号的样本数量，S₁₂代表在相关属性A为 A₂情况的影响下测试样本集中电网事故异常信号为正确信号的样本数量，S₂₂代表在相关属性A为A₂情况的影响下测试样本集中电网事故异常信号为错误信号的样本数量。

本发明实施例中，选取某种类型电网事故异常信号的相关属性A为基础判决条件，测试样本集中该电网事故异常信号的样本数量记为S。

首先，计算测试样本集中该电网事故异常信号在相关属性A的影响下的信息熵，其中，在相关属性A的影响下，测试样本集中电网事故异常信号为正确信号的样本数量记为S₁，错误信号的样本数量记为S₂，信息熵计算公式为：

其次，计算测试样本集中相关属性A在不同情况下该电网事故异常信号发生的信息熵期望，设相关属性A分别有A₁和A₂两种情况，在相关属性A为A₁情况的影响下测试样本集中电网事故异常信号为正确信号的样本数量记为S₁₁，错误信号的样本数量记为S₂₁；在相关属性A为A₂情况的影响下测试样本集中电网事故异常信号为正确信号的样本数量记为S₁₂，错误信号的样本数量记为S₂₂，信息熵期望的计算公式为：

其中，I(S₁₁,S₂₁)和I(S₁₂,S₂₂)分别根据上述信息熵计算公式计算。

最后，计算测试样本集中相关属性A的信息增量，信息增量的计算公式为：

Gain(A)＝I(S₁,S₂)-E(A)。

作为本发明优选的实施例，步骤S150具体包括：

获取待分析的电网实时数据，通过数据预测算法对待分析的电网实时数据进行数据预测，得到待分析的电网预测数据；

输入待分析的电网实时数据和待分析的电网预测数据到决策树中，得到电网事故异常分析结果。

本发明实施例中，对未来的电网事故异常进行预警，不仅需要分析电网的各种实时数据，还需要对电网的各种数据进行预测。获取电网实时遥测数据和电网实时遥信数据后，通过数据预测算法，预测电网遥测数据和电网遥信数据在未来一段时间段内的数据，同时由于电网实时环境数据的精度往往不高，也需要利用现有数据对气象、雷电等数据进行预测，得到电网预测数据。最终将待分析的电网实时数据和待分析的电网预测数据输入到决策树中，以得到电网事故异常分析结果。

作为本发明优选的实施例，该方法还包括：

对电网事故异常分析结果进行审核，得到审核结果；

更新电网历史事故异常信号数据和电网历史监控数据，并对测试样本集进行更新处理，得到更新后的测试样本集；

根据审核结果和更新后的测试样本集，对决策树进行优化。

请参阅图2，本发明实施例中，由于电网在不断运行，通过电网历史事故异常信号数据和电网历史监控数据对决策树的建模也需要进行不断的优化更新。一方面，电网在运行时不断产生新的监控数据，可以将新的监控数据和对应的事故异常信号在现有决策树模型下进行匹配，同时监控人员对电网事故异常分析结果进行审核，找出电网事故异常分析结果存在的错误之处，为后续的事故异常分析奠定基础。

另外，对于每条电网事故异常信号，可以计算出该条电网事故异常信号是正确信号的几率。当该几率不是100％时(与历史出现的电网事故异常信号可以完全匹配时记做100％)，在系统中展示该条电网事故异常信号，并分别列出可以和电网历史事故异常信号匹配的相关属性和其他未匹配的相关属性。监控人员验证后，如果该条电网事故异常信号属于误发，监控人员需要在列出的相关属性中圈选可以证明该电网事故异常信号为误发的决定性相关属性，自学习算法会在该类型电网事故异常信号再次出现时，将圈选的相关属性进行高优先度处理。当某类型电网事故异常信号不再依赖于某些条件时(例如电网设备整体更新，指定新的规则)，监控人员可以针对某一特定类型的电网事故异常信号进行规则修改，删除某些起判定作用的相关属性，同时决策树模型会根据现有电网历史监控数据进行重新构建，计算出最优决策树后，将产生变化的信号在系统中进行展示。通过监控人员再次审核，最终确定一套新的决策树模型。

本发明实施例另一方面提供一种基于大数据决策树的电网事故异常分析系统，下文描述的该系统可以与上文描述的方法相互对应参照

请参阅图3，该系统包括：

测试样本集建立单元110，用于获取电网历史事故异常信号数据和电网历史监控数据，并进行规范化处理，建立测试样本集；

相关属性设置单元120，用于设置电网事故异常信号的所有相关属性；

信息增益计算单元130，用于计算测试样本集中各个相关属性的信息增益；

决策树构建单元140，将信息增益最大的相关属性作为根节点，其他相关属性按照信息增益的大小依次作为决策分支，构建决策树；

电网事故异常分析单元150，用于输入待分析的电网监控数据到决策树中，得到电网事故异常分析结果。

作为本发明优选的实施例，信息增益的计算方法，包括：

Gain(A)＝I(S₁,S₂)-E(A)；

式中，I(S₁,S₂)代表测试样本集中相关属性A的信息熵，E(A)代表测试样本集中相关属性A在不同情况下的信息熵期望，Gain(A)代表测试样本集中相关属性A的信息增益，S代表测试样本集中的样本数量，S₁代表在相关属性A的影响下测试样本集中电网事故异常信号为正确信号的样本数量，S₂代表在相关属性A的影响下测试样本集中电网事故异常信号为错误信号的样本数量，S₁₁代表在相关属性A为A₁情况的影响下测试样本集中电网事故异常信号为正确信号的样本数量，S₂₁代表在相关属性A为A₁情况的影响下测试样本集中电网事故异常信号为错误信号的样本数量，S₁₂代表在相关属性A为 A₂情况的影响下测试样本集中电网事故异常信号为正确信号的样本数量，S₂₂代表在相关属性A为A₂情况的影响下测试样本集中电网事故异常信号为错误信号的样本数量。

作为本发明优选的实施例，电网事故异常分析单元150包括：

数据预测子单元，用于获取待分析的电网实时数据，通过数据预测算法对待分析的电网实时数据进行数据预测，得到待分析的电网预测数据；

电网事故异常分析子单元，用于输入待分析的电网实时数据和待分析的电网预测数据到决策树中，得到电网事故异常分析结果。

作为本发明优选的实施例，该系统还包括：

结果审核单元，用于对电网事故异常分析结果进行审核，得到审核结果；

数据更新单元，用于更新电网历史事故异常信号数据和电网历史监控数据，并对测试样本集进行更新处理，得到更新后的测试样本集；

决策树优化单元，用于根据审核结果和更新后的测试样本集，对决策树进行优化。

作为本发明优选的实施例，电网历史监控数据包括电网历史设备台账数据、电网历史遥测数据、电网历史遥信数据和电网历史环境数据。

以上可知，本发明实施例提供的基于大数据决策树的电网事故异常分析系统，通过获取电网历史事故异常信号数据和电网历史监控数据，并进行清洗、划归等规范化处理后，建立测试样本集，然后设置电网事故异常信号的所有相关属性，并分别计算在测试样本集中各个相关属性的信息增益，根据信息增益的大小构建决策树，最终将待分析的电网监控数据输入到决策树中，得到电网事故异常分析结果，由此通过决策树实现电网事故异常分析结果与电网监控数据的因果联系，与现有技术相比，能够基于大数据决策树对电网事故异常进行智能分析，从而向监控人员展示可信度高的事故异常分析结果和可行性好的事故处理建议。

本发明实施例提供的一种基于大数据决策树的电网事故异常分析系统中相关部分的说明请参见本发明实施例提供的一种基于大数据决策树的电网事故异常分析方法中对应部分的详细说明，且均具有本发明实施例提供的一种基于大数据决策树的电网事故异常分析方法具有的对应效果，在此不再赘述。

上文中提到的基于大数据决策树的电网事故异常分析系统是从功能模块的角度描述，进一步的，本发明实施例又一方面提供一种基于大数据决策树的电网事故异常分析设备，是从硬件角度描述。

该设备包括：

存储器，用于存储计算机程序；

处理器，用于执行计算机程序时实现如上述任意实施例提供的基于大数据决策树的电网事故异常分析方法的步骤。

其中，处理器可以包括一个或多个处理核心，比如4核心处理器、8核心处理器等。处理器可以采用DSP(Digital Signal Processing，数字信号处理)、FPGA(Field－Programmable Gate Array，现场可编程门阵列)、PLA(Programmable Logic Array，可编程逻辑阵列)中的至少一种硬件形式来实现。处理器也可以包括主处理器和协处理器，主处理器是用于对在唤醒状态下的数据进行处理的处理器，也称CPU(Central ProcessingUnit，中央处理器)；协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中，处理器可以集成有GPU(Graphics Processing Unit，图像处理器)，GPU用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中，处理器还可以包括AI(ArtificialIntelligence，人工智能)处理器，该AI处理器用于处理有关机器学习的计算操作。

存储器可以包括一个或多个计算机可读存储介质，该计算机可读存储介质可以是非暂态的。存储器还可包括高速随机存取存储器，以及非易失性存储器，比如一个或多个磁盘存储设备、闪存存储设备。本实施例中，存储器至少用于存储以下计算机程序，其中，该计算机程序被处理器加载并执行之后，能够实现前述任一实施例公开的基于大数据决策树的电网事故异常分析方法的相关步骤。另外，存储器所存储的资源还可以包括操作系统和数据等，存储方式可以是短暂存储或者永久存储。其中，操作系统可以包括 Windows、Unix、Linux等，数据可以包括但不限于测试结果对应的数据等。

可以理解的是，如果上述任意实施例提供的基于大数据决策树的电网事故异常分析方法以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，执行本申请各个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、磁碟或者光盘等各种可以存储程序代码的介质。

有鉴于此，本发明实施例又一方面提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现如上述任意实施例提供的基于大数据决策树的电网事故异常分析方法的步骤。

本发明实施例提供的计算机可读存储介质的各功能模块的功能可根据上述任意方法实施例中的方法具体实现，其具体实现过程可以参照上述任意方法实施例的相关描述，此处不再赘述。

本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (10)

1.一种基于大数据决策树的电网事故异常分析方法，其特征在于，包括：

获取电网历史事故异常信号数据和电网历史监控数据，并进行规范化处理，建立测试样本集；

设置电网事故异常信号的所有相关属性；

计算所述测试样本集中各个所述相关属性的信息增益；

将信息增益最大的所述相关属性作为根节点，其他所述相关属性按照信息增益的大小依次作为决策分支，构建决策树；

输入待分析的电网监控数据到所述决策树中，得到电网事故异常分析结果。

2.根据权利要求1所述的基于大数据决策树的电网事故异常分析方法，其特征在于，所述信息增益的计算方法，包括：

Gain(A)＝I(S₁,S₂)-E(A)；

式中，I(S₁,S₂)代表所述测试样本集中相关属性A的信息熵，E(A)代表所述测试样本集中相关属性A在不同情况下的信息熵期望，Gain(A)代表所述测试样本集中相关属性A的信息增益，S代表所述测试样本集中的样本数量，S₁代表在相关属性A的影响下所述测试样本集中电网事故异常信号为正确信号的样本数量，S₂代表在相关属性A的影响下所述测试样本集中电网事故异常信号为错误信号的样本数量，S₁₁代表在相关属性A为A₁情况的影响下所述测试样本集中电网事故异常信号为正确信号的样本数量，S₂₁代表在相关属性A为A₁情况的影响下所述测试样本集中电网事故异常信号为错误信号的样本数量，S₁₂代表在相关属性A为A₂情况的影响下所述测试样本集中电网事故异常信号为正确信号的样本数量，S₂₂代表在相关属性A为A₂情况的影响下所述测试样本集中电网事故异常信号为错误信号的样本数量。

3.根据权利要求1所述的基于大数据决策树的电网事故异常分析方法，其特征在于，所述输入待分析的电网监控数据到所述决策树中，得到电网事故异常分析结果，包括：

获取待分析的电网实时数据，通过数据预测算法对所述待分析的电网实时数据进行数据预测，得到待分析的电网预测数据；

输入所述待分析的电网实时数据和所述待分析的电网预测数据到所述决策树中，得到电网事故异常分析结果。

4.根据权利要求1所述的基于大数据决策树的电网事故异常分析方法，其特征在于，所述方法还包括：

对所述电网事故异常分析结果进行审核，得到审核结果；

更新所述电网历史事故异常信号数据和电网历史监控数据，并对所述测试样本集进行更新处理，得到更新后的测试样本集；

根据所述审核结果和所述更新后的测试样本集，对所述决策树进行优化。

5.根据权利要求1所述的基于大数据决策树的电网事故异常分析方法，其特征在于，所述电网历史监控数据包括电网历史设备台账数据、电网历史遥测数据、电网历史遥信数据和电网历史环境数据。

6.一种基于大数据决策树的电网事故异常分析系统，其特征在于，包括：

测试样本集建立单元，用于获取电网历史事故异常信号数据和电网历史监控数据，并进行规范化处理，建立测试样本集；

相关属性设置单元，用于设置电网事故异常信号的所有相关属性；

信息增益计算单元，用于计算所述测试样本集中各个所述相关属性的信息增益；

决策树构建单元，将信息增益最大的所述相关属性作为根节点，其他所述相关属性按照信息增益的大小依次作为决策分支，构建决策树；

电网事故异常分析单元，用于输入待分析的电网监控数据到所述决策树中，得到电网事故异常分析结果。

7.根据权利要求6所述的基于大数据决策树的电网事故异常分析系统，其特征在于，所述信息增益的计算方法，包括：

Gain(A)＝I(S₁,S₂)-E(A)；

式中，I(S₁,S₂)代表所述测试样本集中相关属性A的信息熵，E(A)代表所述测试样本集中相关属性A在不同情况下的信息熵期望，Gain(A)代表所述测试样本集中相关属性A的信息增益，S代表所述测试样本集中的样本数量，S₁代表在相关属性A的影响下所述测试样本集中电网事故异常信号为正确信号的样本数量，S₂代表在相关属性A的影响下所述测试样本集中电网事故异常信号为错误信号的样本数量，S₁₁代表在相关属性A为A₁情况的影响下所述测试样本集中电网事故异常信号为正确信号的样本数量，S₂₁代表在相关属性A为A₁情况的影响下所述测试样本集中电网事故异常信号为错误信号的样本数量，S₁₂代表在相关属性A为A₂情况的影响下所述测试样本集中电网事故异常信号为正确信号的样本数量，S₂₂代表在相关属性A为A₂情况的影响下所述测试样本集中电网事故异常信号为错误信号的样本数量。

8.根据权利要求6所述的基于大数据决策树的电网事故异常分析系统，其特征在于，所述电网事故异常分析单元包括：

数据预测子单元，用于获取待分析的电网实时数据，通过数据预测算法对所述待分析的电网实时数据进行数据预测，得到待分析的电网预测数据；

电网事故异常分析子单元，用于输入所述待分析的电网实时数据和所述待分析的电网预测数据到所述决策树中，得到电网事故异常分析结果。

9.根据权利要求6所述的基于大数据决策树的电网事故异常分析系统，其特征在于，所述系统还包括：

结果审核单元，用于对所述电网事故异常分析结果进行审核，得到审核结果；

数据更新单元，用于更新所述电网历史事故异常信号数据和电网历史监控数据，并对所述测试样本集进行更新处理，得到更新后的测试样本集；

决策树优化单元，用于根据所述审核结果和所述更新后的测试样本集，对所述决策树进行优化。

10.根据权利要求6所述的基于大数据决策树的电网事故异常分析系统，其特征在于，所述电网历史监控数据包括电网历史设备台账数据、电网历史遥测数据、电网历史遥信数据和电网历史环境数据。

Images