一种基于调控云的电网运行数据关联分析方法及系统

技术领域

本发明属于电力自动化技术领域，涉及计算机算法在电气自动化领域应用的方法，特别涉及一种基于调控云的电网运行数据关联分析方法及系统。

背景技术

随着我国特高压互联电网建设的不断深入，电网规模迅速发展，电网结构日益复杂，全国联网基本形成，对大电网一体化运行水平提出了更高要求，需要进一步强化调度控制系统的支撑能力，持续提升调控信息即时共享水平，提升数据处理、应用计算和服务能力，实现应用服务广域化的按需访问。

为适应电网一体化运行特征，以天津电网运行和调度管理业务为需求导向，依托云计算、大数据和移动互联网等IT技术，构建天津调控云，逐步形成“资源虚拟化、数据标准化、应用服务化”的调控技术支撑体系，提升调控系统面向在线分析计算的一体化协调控制能力、信息化支撑能力及全局资源共享能力，实现离线在线应用，深入挖掘电网调控数据价值，实现电网精益化安全分析，推动电网运行智能决策，推动调控业务管理模式转型，全面保障电网安全优质运行和调度管理精益高效运转。

电网调度监控系统每天产生海量的运行数据，但这些数据结构与编码不统一，数据量庞大，缺乏统一的运行数据处理中心，导致各系统间接口繁多，甚至出现了信息孤岛，众多颇有价值的电网运行和管理数据未得到有效整合和充分利用，数据共享和集成应用等问题日益突出。同时，调度中心信息系统仅能支持对保存的海量历史电网运行数据、量测数据、故障告警、调度计划、调度管理、在线分析结果数据进行查询汇总等简单操作，并没有专业系统针对大量历史信息进行有效的分类管理和关联分析，有效地利用这些宝贵的数据资源，挖掘其中的价值。在电网仿真计算和在线分析方面，对跨专业计算结果的联合分析目前主要靠人工进行，分析人员虽然可以凭借知识和经验得到部分重要信息，但不可避免因数据简化而丢失信息。通过数据关联分析技术对各种调度运行数据和在线分析结果进行自动融合与再分析，不仅能促进对电网复杂问题的深入研究，而且最终目标是基于所有可能的情况进行全面分析或结论验证。

发明内容

基于上述目的，本发明提供了一种基于调控云的电网运行数据关联分析方法及系统。

为实现本发明的目的，本发明提供了一种基于调控云的电网运行数据关联分析方法，

(1)所述方法采用关联规则分类和挖掘算法，针对电网海量运行数据进行数据关联分析；

(2)建立数据与设备状态的关联性模型，为调控云电网运行风险预判和评估分析提供技术支撑。

其中，

所述关联规则分类包括如下几种：

(1)基于规则中处理的变量的类别，关联规则能够分为种类型和数值型；

(2)基于规则中数据的抽象层次，关联规则能够分为单层关联规则和多层关联规则；

(3)基于规则中涉及到的数据的维数，关联规则能够分为单维的和多维的。

其中，

关联规则挖掘就是通过用户指定最小支持度和最小置信度在给定一个事务数据库中来寻找合适关联规则的过程。

其中，

根据电网运行的设备模型、量测数据、告警信息、保护信息、故障及事件数据，对电网级、设备级特性进行提取，实现电网级和设备级模型特性融合，采用频繁项集挖掘算法，建立数据与设备运行状态的关联性模型。

相应地，还提供了一种基于调控云的电网运行数据关联分析系统，

包括关联规则分类和挖掘算法单元和关联性模型单元，

所述关联规则分类和挖掘算法单元用于针对电网海量运行数据进行数据关联分析；

所述关联性模型单元用于调控云电网运行风险预判和评估分析提供技术支撑。

其中，

所述关联规则分类包括如下几种：

(1)基于规则中处理的变量的类别，关联规则能够分为种类型和数值型；

(2)基于规则中数据的抽象层次，关联规则能够分为单层关联规则和多层关联规则；

(3)基于规则中涉及到的数据的维数，关联规则能够分为单维的和多维的。

其中，

关联规则挖掘就是通过用户指定最小支持度和最小置信度在给定一个事务数据库中来寻找合适关联规则的过程。

其中，

根据电网运行的设备模型、量测数据、告警信息、保护信息、故障及事件数据，对电网级、设备级特性进行提取，实现电网级和设备级模型特性融合，采用频繁项集挖掘算法，建立数据与设备运行状态的关联性模型。

与现有技术相比，本发明的有益效果为，采用关联分析算法进行频繁项集挖掘，基于调控云通用数据对象结构化设计中的电网运行事件数据和历史数据进行关联分析，建立设备缺陷与故障概率评估模型；基于电网运行数据平台的海量运行数据提供变电站设备运行状态趋势量化分析，结合告警信息、在线监测数据及设备家族信息，建立典型故障设备的行为识别模型，实现电网调控设备的运行状态和故障关联挖掘与预测分析。

附图说明

图1所示为本申请关联分析挖掘模型；

图2所示为本申请多因素伴生故障分析流程；

图3所示为本申请多因素伴生故障分析结果；

图4所示为本申请故障类型原因占比分析流程；

图5所示为本申请故障类型原因占比分析结果。

具体实施方式

以下结合附图和具体实施例对本发明作进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用属于“包含”和/或“包括”时，其指明存在特征、步骤、操作、部件或者模块、组件和/或它们的组合。

需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施方式例如能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。

本专利基于调控云系统，采用关联规则分类和挖掘算法，针对电网海量运行数据进行数据关联分析。根据从调度监控系统获得的多源历史数据，包括设备模型、量测数据、告警信息、保护信息、故障及事件等相关数据，对多源数据进行整合、分类和聚合，建立数据与设备状态的关联性模型，为调控云电网运行风险预判和评估分析提供技术支撑。

关联规则

设I＝{i_1,i_2,i_3,…,i_m}是项(item)的集合，D是事务集合，T是每个事务，也是项的集合，

关联规则表述的是一种关联关系，这种关联关系在一定概率约束下才有意义。对于

对关联

项的集合称为项集，满足最小支持度的项集称为频繁项集，包含K个项的频繁项集称为频繁K-项集。关联规则挖掘就是要产生支持度和置信度大于最小支持度和最小置信度的关联规则，也称为强规则。

关联规则分类

根据不同的情况可以将关联规则进行如下分类:

(1)基于规则中处理的变量的类别，关联规则可以分为种类型和数值型。种类型关联规则处理的值都是离散的、种类化的；而数值型关联规则可以和多维关联或多层关联规则结合起来，对数值型字段进行处理，当然数值型关联规则中也可以包含种类变量。

(2)基于规则中数据的抽象层次，可以分为单层关联规则和多层关联规则。在单层的关联规则中，所有的变量都没有考虑到现实的数据是具有多个不同的层次的；而在多层的关联规则中，对数据的多层性已经进行了充分的考虑。

(3)基于规则中涉及到的数据的维数，关联规则可以分为单维的和多维的。在单维的关联规则中，我们只涉及到数据的一个维；而在多维的关联规则中，要处理的数据将会涉及多个维。

根据上述关联规则分类，在进行多级电网调控的数据分析过程中，可根据数据类型选取组合规则的方法进行数据的预处理和挖掘。

关联规则挖掘

关联规则挖掘问题就是通过用户指定最小支持度和最小置信度在给定一个事务数据库中来寻找合适关联规则的过程。一般地，关联规则挖掘问题可以划分成两个子问题：

(1)发现频繁项目集

通过用户给定的min_S，寻找所有频繁项目集，即满足支持度不小于min_S的项目集。事实上，这些频繁项目集可能具有包含关系。一般地，只关心那些不被其它频繁项目集所包含的所谓频繁大项集(Frequent Large Itemset)的集合，这些频繁大项集是形成关联规则的基础。

(2)生成关联规则

通过用户给定的min_C，在每个最大频繁项目集中寻找置信度不小于min_C的关联规则。

子问题1是关联规则挖掘算法研究的重点，其核心的原理：频繁项目集的子集是频繁项目集，非频繁项目集的超集是非频繁项目集。

对于子问题2而言，在每个频繁大项集中逐一匹配规则并进行

关联分析挖掘模型

如图1，根据电网运行的设备模型、量测数据、告警信息、保护信息、故障及事件等相关数据，对设备告警等调控相关数据的电网级、设备级特性进行提取，实现电网级和设备级模型特性融合。采用频繁项集挖掘算法，建立数据与设备运行状态的关联性模型，挖掘反复发生类似缺陷的同一设备，进一步根据挖掘结果，采用深度关联分析方法，对设备运行状态进行故障研判，给出设备告警信息与运行设备故障停运的关联度和影响程度分析结果。

上述模型主要描述了调控运行数据信息与设备健康状态的关系，根据历史数据针对某设备回归计算获得的综合评分超过一定阈值，说明电网运行数据反映出该设备反复出现类似缺陷，则该设备可诊断为有缺陷，需关注；进而，若该设备又发出告警数据，且与设备健康状态相关性较大，则采用对该设备故障预判，判断是否会出现故障停运，并将预判结果告知调度员。

采用分类规则算法进行频繁项集挖掘，基于调控云通用数据对象结构化设计中的电网运行事件数据和历史数据进行关联分析，建立设备缺陷与故障概率评估模型；基于电网运行数据平台的海量运行数据提供变电站设备运行状态趋势量化分析，结合告警信息、在线监测数据及设备家族信息，建立典型故障设备的行为识别模型，实现电网调控设备的运行状态和故障关联挖掘与预测分析。

多因素伴生故障关联分析

通过不同因素与故障类型综合分析，找到哪些因素跟设备故障具有较高的共性发生关系。为了找到更多规则，需调低阀值。主要分析因素包括天气、原因类型和设备类别对故障类型的关联关系。算法验证的配置界面如图2所示。分析结果如图3所示。

故障类型原因占比分析

事故类型的原因分析，可用来找到不同事故原因对于事故类型的细分，并直观了解不同事故原因对于不同事故的占比和相似(协同)影响程度。算法验证的配置界面如图4所示。分析结果如图5所示。

以上所述仅是本发明的优选实施方式，应当指出的是，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。