一种基于改进关联规则的直流换流站SER事件集诊断方法与流程

一种基于改进关联规则的直流换流站ser事件集诊断方法
技术领域
1.本发明一种基于改进关联规则的直流换流站ser事件集诊断方法属于电力工程技术的技术领域。


背景技术：

2.随着世界首个特高压多端直流示范工程
‑
乌东德电站送电广东广西特高压多端直流示范工程全面投运，直流换流站智能化水平大幅提升，同时智能化运维能力面临严峻的挑战。
3.当前直流换流站的运维数据主要依靠事件顺序记录系统(ser，sequence events recorder)记录当前换流站设备运行状态，ser事件特征类型主要包含：事件发生的时间、产生事件的控制保护主机及其编号、事件等级以及对该事件的内容描述。因此，ser是运维人员评估换流站设备重要的手段之一。
4.换流站作为特高压交直流电网的重要枢纽之一，拥有复杂、智能的高集成度自动化设备，其众多一、二次设备会产生海量异构、多态的ser事件，尤其在直流输电系统发生状态转换或出现故障时，短时间内会生成近万条事件，特别是直流工程调试、定检期间，单日最大ser事件条数超过50万条。而ser事件日志高度依赖人工监盘，运维人员难以在短时间内通过盘查及时分析出海量ser事件中的关联性ser事件缺失，进而可能导致电力安全事件发生。
5.已有文献利用改进频繁模式算法挖掘电力系统故障信息特征并诊断电网故障。已有文献考虑电压暂降评估问题，采用互信息与改进灰靶理论建立严重度评估框架并评估电压暂降严重度。已有文献采用fp
‑
growth算法挖掘数据间关联规则，诊断与定位断线故障。已有文献利用基于主元分析的关联规则挖掘火电厂厂级监控信息系统并针对某具体机组运行状况，准确快速地寻找具有较高相似关联规则的参数。已有文献采用apriori算法挖掘电气设备缺陷特征。但上述文献针对设备缺陷或线路故障的单一事件进行关联规则挖掘，无法针对直流换流站海量ser事件建模与典型事件关联数据挖掘。
6.且在换流站发生状态转换与故障时，ser系统会保存所有生成的ser事件集，无法聚焦特征ser事件。


技术实现要素：

7.本发明克服现有技术存在的不足，所要解决的技术问题为：提供一种基于改进关联规则的直流换流站ser事件集诊断方法，利用改进关联规则算法对换流站中ser日志故障数据进行分析，同时定义了换流站紧急ser事件关联伴生事件、换流站相似故障与状态转换的ser强关联事件组与ser关联事件，通过分类换流站试验故障及状态转换，建立换流站ser事件三维模型，并通过改进规则关联算法对直流换流站关联规则进行挖掘，基于改进关联规则挖掘结果的ser事件集诊断，便于定性辅助诊断ser事件集合理性，判别直流保护动作结果正确性，为运维人员及时发现保护动作过程中存在缺失ser事件提供参考。
8.为了解决上述技术问题，本发明采用的技术方案为：一种基于改进关联规则的直流换流站ser事件集诊断方法，包括以下步骤：
9.s1)ser事件特征分析与类型筛选；
10.s2)换流站ser事件数据建模；
11.s3)改进关联规则算法；
12.s4)挖掘换流站紧急ser事件关联伴生事件；
13.s5)挖掘换流站相似故障与状态转换的ser强关联事件组与ser关联事件；
14.s6)基于改进关联规则挖掘结果的ser事件集诊断。
15.所述的步骤s1)ser事件特征分析与类型筛选具体包括以下步骤：
16.s11)分析ser事件特征；
17.s12)筛选ser事件特征。
18.所述的步骤s12)筛选ser事件特征，具体包括以下步骤：
19.s121)考虑换流站发生保护动作时等级较高ser事件，故仅选取等级为“轻微”、“报警”和“紧急”的等级特征类型；
20.s122)直流输电系统发生状态转换操作或故障保护动作后一定时间段，相关一、二次设备动作基本完成，故设置关联事件最大时间差为该时间段；
21.s123)由于ser冗余系统分为a/b两套，当换流站发生故障与状态转换时，a/b两套冗余系统会同时产生相同的ser事件集，挖掘事件仅选用一套冗余系统结果即可。
22.所述的步骤s2)换流站ser事件数据建模具体包括以下步骤：
23.s21)鉴于数据原始ser事件数据特征类型维数较高，不利于关联规则挖掘，通过s1结果进行降低模型维度；
24.s22)以减维后的事件、主机和数据特征挖掘，建立换流站ser事件三维模型m：
25.m＝(t,h,p(p1 p2))
ꢀꢀ
式(1)
26.式中：t、h、p分别为换流站ser事件的时间索引维度、空间索引维度和挖掘特征维度；挖掘特征维度p中，p1、p2分别为换流站ser事件的报警组特征类型和事件特征类型。
27.所述的步骤s3)改进关联规则算法具体包括以下步骤：
28.s31)分析关联规则与关联规则算法
29.s311)定义用于关联规则挖掘的样本集x是项目集i的子集，所有样本构成样本数据库d；
30.s312)项目集a与项目集b的关联规则：
31.association rule：a＝＞b
ꢀꢀ
式(2)
32.s313)项目集a的支持度表示项目集a占数据库d中样本集x的总数的百分比。计算项目集a的支持度:
[0033][0034]
式中：count(a)为样本集合x中包含a的样本数，n数据库d中样本集x的总数。
[0035]
s314)项目集a与项目集b的关联规则支持度：
[0036][0037]
式中：count(a∪b)为样本集x中包含a和b的样本数；
[0038]
s315)项目集a与项目集b的关联规则的置信度：
[0039][0040]
s32)基于事务压缩的改进关联规则算法
[0041]
s321)fp
‑
growth算法仅需对数据集扫描两次，且不生产候选集，有效地解决了apriori算法的问题；
[0042]
s322)fp
‑
growth算法建立频繁模式树和挖掘频繁项集；
[0043]
s323)采用事务压缩技术(dataset compress,dc)改进关联规则算法，可以动态的删减事件集中与挖掘无关事件，在生成候选项目集时，事务压缩技术动态剔除数据库中不满足支持度的项目。
[0044]
所述的步骤s4)挖掘换流站紧急ser事件关联伴生事件具体包括以下步骤：
[0045]
s41)分类换流站试验故障及状态转换；
[0046]
s42)设置dc
‑
fp
‑
growth算法的最小支持度阈值和最小置信度阈值；
[0047]
s43)挖掘ser事件集中出现某个等级为“紧急”事件时，其他ser紧急事件同时出现的可能性，依据频繁项集的支持度分析该“紧急”事件的换流站紧急ser事件关联伴生事件；
[0048]
s44)通过改进关联规则挖掘结果，系统发现目标紧急事件，依靠该目标紧急事件的事件伴生事件判断目标紧急ser事件前后事件是否满足，从而辅助运维诊断紧急ser事件集的合理性。
[0049]
所述的步骤s5)挖掘换流站相似故障与状态转换的ser强关联事件组与ser关联事件具体包括以下步骤：
[0050]
s51)定义支持度最大的事件集为ser强关联事件组，其他关联规则置信度大于预定值的事件作为ser关联事件；
[0051]
s52)设置最小支持度与设置最小置信度；
[0052]
s53)通过分析原始数据集关联规则，挖掘ser强关联事件组与ser关联事件。
[0053]
所述的步骤s6)基于改进关联规则挖掘结果的ser事件集诊断具体包括以下步骤：
[0054]
s61)当控制设备执行直流输电系统状态转换指令或保护设备检测到直流输电系统故障时，诊断系统将立即把发生故障后一定时间段内的所有ser事件形成判断事件集；
[0055]
s62)通过筛选判断事件集中所有等级为“紧急”事件，并诊断每个“紧急”事件对应的ser事件关联伴生事件是否存在，如果某个“紧急”事件对应的ser事件关联伴生事件不存在，则及时通知运维人员不存在此紧急事件的关联伴生事件及其支持度；
[0056]
s63)利用换流站类似故障ser强关联事件组与ser关联事件，判断该故障或状态转换下换流站是否存在不合理ser事件出现以及高支持度ser事件缺失的情况；
[0057]
s64)如果发现紧急ser事件关联伴生事件缺失，或者该故障或状态转换下换流站存在不合理ser事件出现以及高支持度ser事件缺失，则需及时通过主机定位故障发生位置，通过报警组排查异常设备；
[0058]
s65)新事件集满足故障支持项，但不满足所有故障支撑事件，则发送不满足情况至控制中心，人工判断无误则将此项集更新至原始数据库，反之则排查非合理因素；
[0059]
s66)新事件集满足故障支持项且满足所有故障支撑事件，则直接将此新事件集更新至历史ser事件集。
[0060]
所述步骤s66)完成后，如果本次事件集出现关联伴生事件缺失的情况或出现紧急事件无匹配的情况，需及时通过通知运维人员，并通过空间索引维度h寻找相关缺失事件所对应的设备，便于检查原因，如果部分事件不满足换流站相似故障与状态转换的ser强关联事件组，也需执行上述操作，但运维人员可以根据置信度的大小判断故障支撑事件是否有误。
[0061]
所述步骤s6)完成后，实施步骤s7)改进关联规则算法性能分析，主要包括以下步骤：
[0062]
s71)在不同样本数下，利用改进算法与apriori算法、dc
‑
apriori算法、fp
‑
growth算法在挖掘时间进行对比分析；
[0063]
s72)针对提及的换流站故障对比了在数据处理时序下ser事件条数。
[0064]
本发明与现有技术相比具有以下有益效果：
[0065]
1、本发明采用了改进关联规则算法dc
‑
fp
‑
growth算法，其算法准确、挖掘时间少、可有效精简ser事件条数；
[0066]
2、本发明分类换流站试验故障及状态转换并建换流站ser事件三维模型，同时通过事务压缩技术改进关联规则算法，以方便进行换流站ser关联规则挖掘；
[0067]
3、本发明首次dc
‑
fp
‑
growth算法的换流站ser日志分析，实现了将dc
‑
fp
‑
growth算法应用于ser多态数据的规则关联分析与诊断。
附图说明
[0068]
下面结合附图对本发明做进一步详细的说明；
[0069]
图1为本发明的步骤流程示意图；
[0070]
图2为数据库、样本集和项目集的关系；
[0071]
图3为fp
‑
growth算法挖掘频繁项集流程图；
[0072]
图4为换流站紧急ser事件关联伴生事件挖掘流程图；
[0073]
图5为ser强关联事件组与ser关联事件挖掘流程图；
[0074]
图6为ser事件集诊断合理性判断流程图；
[0075]
图7为ser事件模型图；
[0076]
图8为基本算法与改进算法计算耗时；
[0077]
图9为数据处理时序下ser事件集条数。
具体实施方式
[0078]
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明中的实施例，对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例；基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0079]
本发明采用事务压缩技术(dataset compress,dc)改进关联规则算法，可以动态的删减事件集中与挖掘无关事件，由先验原理(priori principle,pp)可知，如果一个项集是频繁的，则其所有子集一定也是频繁的；再依据反单调性，如果一个项集是非频繁的，则其所有超集也一定是非频繁的。所以在生成候选项目集时，事务压缩技术动态剔除数据库中不满足支持度的项目。换流站ser时间具有海量、多模态的性质，因此，本发明一种基于改进关联规则的直流换流站ser事件集诊断方法更有意义。
[0080]
本发明提出的方法是以昆柳龙直流换流站真实数据为例，采用操作系统为windows 10 8gb ram，cpu为intel(r)core(tm)i3
‑
9100f cpu@3.60ghz，gpu为nvidia geforce gtx 1650的实验环境，使用python3.8语言开发。
[0081]
如图1所示，一种基于改进关联规则的直流换流站ser事件集诊断方法，包括以下步骤：
[0082]
s1)ser事件特征分析与类型筛选；
[0083]
s2)换流站ser事件数据建模；
[0084]
s3)改进关联规则算法；
[0085]
s4)挖掘换流站紧急ser事件关联伴生事件；
[0086]
s5)挖掘换流站相似故障与状态转换的ser强关联事件组与ser关联事件；
[0087]
s6)基于改进关联规则挖掘结果的ser事件集诊断。
[0088]
所述的步骤s1)ser事件特征分析与类型筛选具体包括以下步骤：
[0089]
s11)分析ser事件特征，如表1、表2所示；
[0090]
表1原始ser事件数据特征项
[0091][0092]
表2 ser等级特征类型划分原则
[0093][0094]
s12)筛选ser事件特征，具体包括以下步骤：
[0095]
s121)考虑换流站发生保护动作时等级较高ser事件，故仅选取等级为“轻微”、“报
警”和“紧急”的等级特征类型；
[0096]
s122)直流输电系统发生状态转换操作或故障保护动作后120秒，相关一、二次设备动作基本完成，故设置关联事件最大时间差为120秒；
[0097]
s123)由于ser冗余系统分为a/b两套，当换流站发生故障与状态转换时，a/b两套冗余系统会同时产生相同的ser事件集，挖掘事件仅选用一套冗余系统结果即可。
[0098]
所述的步骤s2)换流站ser事件数据建模，算例来源于昆柳龙直流换流站scada系统处理与保存的测试期间ser事件集，具体包括以下步骤：
[0099]
s21)算例来源于昆柳龙直流换流站scada系统处理与保存的测试期间ser事件集，鉴于数据原始ser事件数据特征类型维数较高，不利于关联规则挖掘，通过s1)结果进行降低模型维度；
[0100]
s22)以减维后的事件、主机和数据特征挖掘，建立换流站ser事件三维模型m：
[0101]
m＝(t,h,p(p1 p2))
ꢀꢀ
式(1)
[0102]
式中：t、h、p分别为换流站ser事件的时间索引维度、空间索引维度和挖掘特征维度；挖掘特征维度p中，p1、p2分别为换流站ser事件的报警组特征类型和事件特征类型。
[0103]
所述的步骤s3)改进关联规则算法具体包括以下步骤：
[0104]
s31)分析关联规则与关联规则算法
[0105]
s311)定义用于关联规则挖掘的样本集x是项目集i的子集，所有样本构成样本数据库d，数据库、样本集和项目集的关系如图2；
[0106]
s312)项目集a与项目集b的关联规则：
[0107]
association rule：a＝＞b
ꢀꢀ
式(2)
[0108]
s313)项目集a的支持度表示项目集a占数据库d中样本集x的总数的百分比。计算项目集a的支持度:
[0109][0110]
式中：count(a)为样本集合x中包含a的样本数，n数据库d中样本集x的总数。
[0111]
s314)项目集a与项目集b的关联规则支持度：
[0112][0113]
式中：count(a∪b)为样本集x中包含a和b的样本数；
[0114]
s315)项目集a与项目集b的关联规则的置信度：
[0115][0116]
s32)基于事务压缩的改进关联规则算法
[0117]
s321)fp
‑
growth算法仅需对数据集扫描两次，且不生产候选集，有效地解决了apriori算法的问题；
[0118]
s322)fp
‑
growth算法建立频繁模式树和挖掘频繁项集，，fp
‑
growth算法挖掘频繁项集具体步骤如图3所示；
[0119]
s323)采用事务压缩技术(dataset compress，dc)改进关联规则算法，可以动态的
删减事件集中与挖掘无关事件，在生成候选项目集时，事务压缩技术动态剔除数据库中不满足支持度的项目。
[0120]
所述的步骤s4)挖掘换流站紧急ser事件关联伴生事件具体包括以下步骤：
[0121]
s41)分类换流站试验故障及状态转换，试验日志记录了换流站试验故障及状态转换，对ser事件集中所有ser事件按挖掘特征维度p进行编号，建立的ser事件模型如图7；
[0122]
s42)设置dc
‑
fp
‑
growth算法最小支持度阈值为0.5，最小置信度阈值为0.7。
[0123]
s43)挖掘ser事件集中出现某个等级为“紧急”事件时，其他ser紧急事件同时出现的可能性，依据频繁项集的支持度分析该“紧急”事件的换流站紧急ser事件关联伴生事件，过程如图4所示，部分紧急事件挖掘结果如表3；
[0124]
表3部分紧急ser事件挖掘结果
[0125][0126][0127]
s44)通过改进关联规则挖掘结果，系统发现目标紧急事件，依靠该目标紧急事件的事件伴生事件判断目标紧急ser事件前后事件是否满足，从而辅助运维诊断紧急ser事件集的合理性。
[0128]
所述的步骤s5)挖掘换流站相似故障与状态转换的ser强关联事件组与ser关联事
件具体包括以下步骤：
[0129]
s51)定义支持度最大的事件集为ser强关联事件组，其他关联规则置信度大于0.5的事件作为ser关联事件，由分类结果可得，170次事件集中，有16个换流站发生逆变侧阀区出口短路故障相似故障，选取对应的16个事件集；
[0130]
s52)在预处理后采用dc
‑
fp
‑
growth算法，设置最小支持度为0.5，设置最小置信度为0.5，挖掘逆变侧阀区出口短路换流站ser强关联事件组与ser关联事件如表4，挖掘逆变侧阀区出口短路换流站ser强关联事件组与ser关联事件如表5；
[0131]
表4逆变侧阀区出口短路故障相似故障挖掘结果
[0132][0133]
表5整流侧直流线路出线接地故障的ser强关联事件组与ser关联事件
[0134][0135]
s53)通过分析原始数据集关联规则，挖掘ser强关联事件组与ser关联事件。挖掘换流站ser强关联事件组与ser关联事件流程如图5。
[0136]
如图6所示，所述的步骤s6)基于改进关联规则挖掘结果的ser事件集诊断具体包括以下步骤：
[0137]
s61)当控制设备执行直流输电系统状态转换指令或保护设备检测到直流输电系统故障时，诊断系统将立即把发生故障后120s内的所有ser事件形成判断事件集，以某次整流侧线路极1出线金属性接地为例，其保护发现故障后120秒内ser事件集，同时去除非正常事件；
[0138]
s62)由于该故障分类至整流侧直流线路出线(金属性、高阻)接地故障，调出其ser强关联事件组与ser关联事件，；
[0139]
s63)利发现事件序号4为紧急事件，故调用附录中该事件的相关关联伴生事件，发现事件序号2、3、5、9均满足事件序号4的关联伴生事件，满足诊断依据一；
[0140]
s64)对比换流站相似故障与状态转换的ser强关联事件组，可见事件1、2、3、4、6满足整流侧线路出线接地的ser强关联事件组；
[0141]
s65)对比换流站相似故障与状态转换的ser关联事件，发现事件7、9、11满足整流侧线路出线接地的ser关联事件，说明发生本次发生整流侧线路极1出线金属性接地故障，ser事件集未见不合理ser事件，满足诊断依据二；
[0142]
s66)满足诊断依据一与诊断依据二，可以将此次事件集加入历史ser事件集。
[0143]
所述步骤s66)完成后，如果本次事件集出现关联伴生事件缺失的情况或出现紧急事件无匹配的情况，需及时通过通知运维人员，并通过空间索引维度h寻找相关缺失事件所对应的设备，便于检查原因。如果部分事件不满足换流站相似故障与状态转换的ser强关联事件组，也需执行上述操作，但运维人员可以根据置信度的大小判断故障支撑事件是否有误。
[0144]
所述步骤s6)完成后，实施步骤s7)改进关联规则算法性能分析，主要包括以下步骤：
[0145]
在不同样本数下，利用改进算法与apriori算法、dc
‑
apriori算法、fp
‑
growth算法在挖掘时间进行对比分析如图8；
[0146]
针对本发明提及的换流站故障对比了在数据处理时序下ser事件条数如图9。
[0147]
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。