[发明专利]电网故障原因与状态量的关联分析方法，设备和存储介质

说明书

本发明公开了电网故障原因与状态量的关联分析方法，设备和存储介质。包括：采集电网发生故障时的包含保护动作信息的系统故障状态记录数据T，并将系统故障状态记录数据T划分为离散型数据R和连续型数据S；对连续型数据S进行凝聚型的层次聚类分析，确定聚类结果S′；构建故障样本数据集T′，故障样本数据集T′包括离散型数据R和聚类结果S′；利用改进的关联规则Apriori算法，将故障样本数据集T′转换为布尔矩阵M；根据布尔矩阵M，通过计算支持度和压缩矩阵来确定频繁项集L，并从频繁项集L中挖掘出电网故障原因与状态量的关联规则。能够从电网故障数据中快速准确地挖掘出电网故障原因与状态量的关联规则，辅助电力工作人员对故障原因进行分析和诊断。

技术领域

本发明实施例涉及电网安全技术领域，尤其涉及电网故障原因与状态量的关联分析方法，设备和存储介质。

背景技术

随着电网规模的不断扩大，电网结构也日益复杂，当电网发生故障时，调度中心在短时间内会接收到大量故障信息，容易给运维人员的故障处理工作带来不少困难。因此，如何从海量故障数据中提取有效信息，辅助运维人员快速分析、处理故障，成为当前电网故障在线诊断亟需解决的难题。

发明内容

本发明实施例提供一种电网故障原因与状态量的关联分析方法，设备和存储介质，能够从电网故障数据中快速准确地挖掘出电网故障原因与状态量间的关联规则，辅助电力工作人员对故障原因进行分析和诊断。

第一方面，本发明实施例提供了一种电网故障原因与状态量的关联分析方法，包括：

采集电网发生故障时的包含保护动作信息的系统故障状态记录数据T，并将系统故障状态记录数据T划分为离散型数据R和连续型数据S；

对连续型数据S进行凝聚型的层次聚类分析，确定聚类结果S′；

构建故障样本数据集T′，其中，故障样本数据集T′包括离散型数据R和聚类结果S′；

利用改进的关联规则Apriori算法，将故障样本数据集T′转换为布尔矩阵M；

根据布尔矩阵M，通过计算支持度和压缩矩阵来确定频繁项集L，并从频繁项集L中挖掘出电网故障原因与状态量的关联规则。

可选的，在对连续型数据S进行凝聚型的层次聚类分析前，还包括：

对连续型数据S进行归一化处理，得到归一化后的连续型数据归一化处理采用的公式为：

其中，为进行归一化处理后的数据值，s(i)为进行归一化处理前的数据值，s_min和s_max分别为连续型数据S中最小值和最大值。

可选的，对连续型数据S进行凝聚型的层次聚类分析，确定聚类结果S′包括：

将预设聚类数的取值设为最小聚类数，并对连续型数据S进行凝聚型的层次聚类分析，获取聚类簇；

对聚类簇进行聚类算法评价，计算聚类簇的戴维斯-博尔丁指数DBI值；

将预设聚类数的取值加一，并返回执行对连续型数据S进行凝聚型的层次聚类分析，获取聚类簇，对聚类簇进行聚类算法评价，计算聚类簇的DBI值的步骤，直至预设聚类数的取值为最大聚类数为止，选择DBI值最小的聚类簇的聚类数作为最佳聚类数，确定聚类结果S′。

可选的，对连续型数据S进行凝聚型的层次聚类分析，获取聚类簇包括：

步骤a)对于归一化后的连续型数据中的将中的任意一个数据设置为的聚类中心，形成的聚类集合C＝(c₁,c₂,…,c_j,…,c_n)，其中，i＝(1,2,…,p)；