基于弱關(guān)聯(lián)挖掘技術(shù)的電網(wǎng)故障自動(dòng)診斷研究.doc

基于弱關(guān)聯(lián)挖掘技術(shù)的電網(wǎng)故障自動(dòng)診斷研究 摘要：針對(duì)電網(wǎng)故障進(jìn)行診斷的過(guò)程中，故障信息存在不完整或不確定性，甚至存在關(guān)鍵信息丟失的情況，造成故障診斷難以得出正確結(jié)論的問(wèn)題，提出一種基于弱關(guān)聯(lián)挖掘技術(shù)的電網(wǎng)故障自動(dòng)診斷方法。首先進(jìn)行支持度計(jì)算，得到電網(wǎng)故障的表述參數(shù)，并將電網(wǎng)故障類(lèi)別看作是貝葉斯網(wǎng)絡(luò)的父節(jié)點(diǎn)，將挖掘的弱關(guān)聯(lián)規(guī)則作為子節(jié)點(diǎn)，構(gòu)建基于弱關(guān)聯(lián)挖掘的貝葉斯網(wǎng)絡(luò)模型，對(duì)各父節(jié)點(diǎn)的先驗(yàn)概率及各子節(jié)點(diǎn)的條件概率進(jìn)行計(jì)算，完成對(duì)電網(wǎng)故障的自動(dòng)診斷。仿真實(shí)驗(yàn)結(jié)果表明，采用所提方法對(duì)電網(wǎng)故障進(jìn)行自動(dòng)診斷，正確性高，容錯(cuò)性好，實(shí)用性強(qiáng)，具有很高的診斷精度。關(guān)鍵詞：弱關(guān)聯(lián)挖掘；電網(wǎng)；故障診斷；支持度計(jì)算：TN926?34；TM711：A：1004?373X（xx）10?0152?04ResearchonpowergridfaultautomaticdiagnosisbasedonweakassociationminingtechnologyMALiqiang，WANGTianzheng，YANGDongdong，WANGZhipeng（ElectricPowerResearchInstitute，ShanxiElectricPowerCompanyofStateGrid，Taiyuan030001，China）Abstract：Intheprocessoffaultdiagnosisofpowergrids，itisdifficulttoobtainthecorrectconclusionofthefaultdiagnosisduetotheimperfectionoruncertaintyoffaultinformation，eventhekeyinformationloss.Apowergridfaultautomaticdiagnosismethodbasedonweakassociationminingtechnologyisputforward.Thesupportdegreecalculationisexecutedfirsttoobtaintheexpressionparametersofpowergridfault.ThepowergridfaultcategoryisregardedasthefathernodeofBayesianwork，andweakassociationminingruleasthechildnodetoconstructtheBayesianworkmodelbasedonweakassociationmining.Afterthatthepriorprobabilityofeachfathernodeandconditionalprobabilityofeachchildnodearecalculatedtopletetheautomaticdiagnosisofpowergridfailure.Thesimulationresultsshowthattheproposedmethodcanautomaticallydiagnosethepowergridfault，andhashighauracy，goodfault?tolerance，strongpracticability，andhighdiagnosticauracy.Keywords：weakassociationmining；powergrid；faultdiagnosis；supportdegreecalculation0引言近年來(lái)，隨著我國(guó)電網(wǎng)規(guī)模的逐漸擴(kuò)大，電網(wǎng)出現(xiàn)故障的情況也逐漸增多，給人們的生活帶來(lái)了很大的影響1?2。因此，研究一種電網(wǎng)故障自動(dòng)診斷方法對(duì)電力系統(tǒng)的快速恢復(fù)具有重要意義，已經(jīng)成為相關(guān)學(xué)者研究的重點(diǎn)課題，受到越來(lái)越廣泛的關(guān)注3?5。目前，常用的電網(wǎng)故障自動(dòng)診斷方法主要包括模糊理論方法、人工神經(jīng)網(wǎng)絡(luò)方法和信息理論方法等，相關(guān)研究也取得了一定的成果。其中，文獻(xiàn)6提出一種基于粗糙集理論的電網(wǎng)故障自動(dòng)診斷方法，通過(guò)粗糙集理論對(duì)電網(wǎng)故障進(jìn)行診斷，該方法在丟失的故障信息并非關(guān)鍵信息的情況下不會(huì)對(duì)診斷結(jié)果產(chǎn)生影響，但在丟失的故障信息是關(guān)鍵信息的情況下會(huì)造成診斷錯(cuò)誤；文獻(xiàn)7提出一種基于特征挖掘的電網(wǎng)故障自動(dòng)診斷方法，結(jié)合電網(wǎng)故障信息特征對(duì)電網(wǎng)故障進(jìn)行判斷，該方法在某種程度上提高了系統(tǒng)在缺失關(guān)鍵信息情況下的容錯(cuò)性，但當(dāng)電網(wǎng)故障較多時(shí)，該方法的診斷速度會(huì)受到影響；文獻(xiàn)8提出一種基于貝葉斯網(wǎng)絡(luò)的電網(wǎng)故障自動(dòng)診斷方法，對(duì)節(jié)點(diǎn)概率進(jìn)行訓(xùn)練，從而實(shí)現(xiàn)電網(wǎng)故障的自動(dòng)診斷，但該方法在電網(wǎng)規(guī)模較大時(shí)無(wú)法實(shí)現(xiàn)自動(dòng)建模；文獻(xiàn)9提出一種基于人工智能網(wǎng)絡(luò)的電網(wǎng)故障自動(dòng)診斷方法，通過(guò)人工智能網(wǎng)絡(luò)對(duì)電網(wǎng)故障信息進(jìn)行訓(xùn)練，根據(jù)訓(xùn)練的結(jié)果實(shí)現(xiàn)電網(wǎng)故障的自動(dòng)診斷，但該方法會(huì)造成診斷所依據(jù)的信息不確定與不完整，導(dǎo)致診斷結(jié)果不準(zhǔn)確；文獻(xiàn)10提出一種基于遺傳算法的電網(wǎng)故障自動(dòng)診斷方法，依據(jù)內(nèi)斷路器跳閘的分段時(shí)序信息識(shí)別電網(wǎng)故障，但該方法很難構(gòu)建合理的電網(wǎng)故障診斷模型，導(dǎo)致診斷結(jié)果不準(zhǔn)確。1電網(wǎng)故障檢測(cè)參數(shù)的選擇1.1電網(wǎng)故障數(shù)據(jù)的支持度支持度就是給定模式在給定故障數(shù)據(jù)庫(kù)中出現(xiàn)的頻率。對(duì)弱關(guān)聯(lián)規(guī)則故障進(jìn)行挖掘時(shí)，模式不是電網(wǎng)故障屬性的集合，而是和故障屬性對(duì)應(yīng)的弱關(guān)聯(lián)值的集合，也就是弱關(guān)聯(lián)模利用式（4）計(jì)算得到的電網(wǎng)故障置信度參數(shù)為第一置信度，其主要用于對(duì)弱關(guān)聯(lián)規(guī)則下的電網(wǎng)故障有效性進(jìn)行判斷，若某弱關(guān)聯(lián)規(guī)則的故障第一置信度大于其值，則認(rèn)為該規(guī)則是有效的；反之，認(rèn)為該故障是無(wú)效的。利用式（5）計(jì)算得到的規(guī)則后件的置信度為第二置信度，其主要用于弱關(guān)聯(lián)規(guī)則電網(wǎng)設(shè)備的完備性判斷，若某規(guī)則的第二置信度大于其值，則認(rèn)為該設(shè)備是完備的；反之，認(rèn)為該設(shè)備是不完備的。2電網(wǎng)故障自動(dòng)診斷實(shí)現(xiàn)本文在第1節(jié)故障參數(shù)選擇的前提下，構(gòu)建電網(wǎng)故障診斷結(jié)構(gòu)流程圖，以此為模板建立基于弱關(guān)聯(lián)挖掘樸素貝葉斯網(wǎng)絡(luò)的電網(wǎng)故障自主診斷模型，流程圖見(jiàn)圖1。圖1電網(wǎng)故障診斷結(jié)構(gòu)流程圖模型的詳細(xì)構(gòu)建過(guò)程如下：（1）假設(shè)存在電網(wǎng)故障樣本；（2）假設(shè)選擇的故障參數(shù)都是有效的；（3）完成對(duì)電網(wǎng)故障類(lèi)別的判斷；（4）取出電網(wǎng)故障數(shù)據(jù)的置信度，同時(shí)將電網(wǎng)故障類(lèi)別看作是基于弱關(guān)聯(lián)挖掘的貝葉斯網(wǎng)絡(luò)的父節(jié)點(diǎn)，將挖掘的弱關(guān)聯(lián)規(guī)則作為子節(jié)點(diǎn)，構(gòu)建基于弱關(guān)聯(lián)挖掘的貝葉斯網(wǎng)絡(luò)模型，如圖2所示。圖2電網(wǎng)故障自動(dòng)診斷模型采用基于弱關(guān)聯(lián)挖掘的貝葉斯網(wǎng)絡(luò)模型對(duì)電網(wǎng)故障進(jìn)行自動(dòng)診斷的詳細(xì)過(guò)程為：（1）假設(shè)電網(wǎng)故障樣本各個(gè)屬性值確定，該電網(wǎng)故障樣本屬于某故障類(lèi)Ci的概率是可以求出的，如果該電網(wǎng)故障樣本屬于某故障類(lèi)別的上述概率值最大，則該電網(wǎng)故障樣本即屬于該故障類(lèi)。因?yàn)獒槍?duì)全部電網(wǎng)故障類(lèi)別而言，故障的數(shù)據(jù)類(lèi)型均為常數(shù)，所以，僅需使屬于某個(gè)故障類(lèi)型的概率達(dá)到最大即可完成判斷。通過(guò)上述過(guò)程，對(duì)各電網(wǎng)設(shè)備的先驗(yàn)概率及各子設(shè)備的條件概率進(jìn)行計(jì)算，則與最大概率相應(yīng)的Ck就是與電網(wǎng)故障樣本相應(yīng)的故障類(lèi)別。3方法的應(yīng)用試驗(yàn)分析為了驗(yàn)證本文提出的電網(wǎng)故障自動(dòng)診斷方法的有效性，需要進(jìn)行相關(guān)的實(shí)驗(yàn)分析。實(shí)驗(yàn)將傳統(tǒng)基于粗糙集的電網(wǎng)故障自動(dòng)診斷方法作為對(duì)比，在Matlab環(huán)境下進(jìn)行仿真。本文首先將某局部電力系統(tǒng)繼電保護(hù)系統(tǒng)作為研究對(duì)象，該系統(tǒng)共28個(gè)元件、84個(gè)保護(hù)以及40個(gè)斷路器。28個(gè)元件依次為A1，A4，T1，T8，B1，B8，L1，L8。40個(gè)斷路器依次為K1，K40。84個(gè)保護(hù)中分別為A1m，A4m，T1m，T8m，B1m，B8m，L1Sm，L8Sm，L1Rm，L8Rm，T1p，T8p，T1s，T8s，L1Sp，L8Sp，L1Rp，L8Rp，L1Ss，L8Ss，L1Rs，L8Rs。本文將該電力網(wǎng)劃分成4個(gè)子網(wǎng)絡(luò)，劃分結(jié)果見(jiàn)圖3。圖3示例電力網(wǎng)在上述分析的基礎(chǔ)上，采用本文方法對(duì)電網(wǎng)故障診斷規(guī)則庫(kù)進(jìn)行提取，得到的電網(wǎng)聯(lián)合故障診斷規(guī)則庫(kù)如表1所示，限于篇幅，只給出前10個(gè)規(guī)則。表1電網(wǎng)故障診斷規(guī)則庫(kù)依據(jù)表1給出的規(guī)則庫(kù)，分別采用本文方法和粗糙集方法對(duì)電網(wǎng)故障進(jìn)行自動(dòng)診斷，得到的結(jié)果如表2所示。表2示例電網(wǎng)故障診斷結(jié)果分析表2可以看出，針對(duì)每個(gè)樣本，本文方法的診斷結(jié)果均優(yōu)于粗糙集方法。尤其是當(dāng)出現(xiàn)如第5個(gè)樣本的聯(lián)絡(luò)線故障時(shí)，甚至出現(xiàn)如第6和第7個(gè)樣本的帶有聯(lián)絡(luò)線的復(fù)雜故障時(shí)，本文方法均可有效準(zhǔn)確地診斷出故障元件，說(shuō)明本文方法具有很高的診斷準(zhǔn)確性，驗(yàn)證了本文方法的有效性。從某省電力公司采集了238條故障記錄，構(gòu)建含200條記錄的挖掘庫(kù)以及含38條記錄的測(cè)試庫(kù)，在CPU為3.06GHz，內(nèi)存為1GB的WindowsXP系統(tǒng)計(jì)算機(jī)上進(jìn)行實(shí)驗(yàn)。將這200條故障記錄擴(kuò)展至400條和800條故障記錄，測(cè)試大樣本狀態(tài)下兩種方法的效率，得到的結(jié)果如表3所示。表3兩種方法效率比較結(jié)果分析表3可以看出，采用本文方法進(jìn)行電網(wǎng)故障挖掘所需的時(shí)間遠(yuǎn)遠(yuǎn)少于粗糙集方法，在規(guī)則覆蓋率相同的情況下，本文方法產(chǎn)生的規(guī)則數(shù)明顯低于粗糙集方法，因此，電網(wǎng)故障診斷效率很高。在挖掘庫(kù)中添加不良記錄時(shí)，對(duì)故障診斷中的丟失信息、錯(cuò)誤信息和冗余信息進(jìn)行模擬，再采用本文方法和粗糙集方法進(jìn)行電網(wǎng)故障診斷，得到的結(jié)果如表4所示。表4中的樣本1是對(duì)200條正常故障進(jìn)行診斷的結(jié)果，樣本2，樣本3，樣本4是在樣本1的基礎(chǔ)上添加50條不良記錄的診斷結(jié)果，分析表4可以看出，粗糙集方法會(huì)產(chǎn)生更多的規(guī)則，但其并未分析電網(wǎng)自身的特點(diǎn)，很多規(guī)則不符合實(shí)際，降低診斷效率。不僅如此，本文方法診斷的可信度更高，進(jìn)一步驗(yàn)證了本文方法的有效性。表4含有不良數(shù)據(jù)記錄的診斷結(jié)果4結(jié)論本文提出一種基于弱關(guān)聯(lián)挖掘技術(shù)的電網(wǎng)故障自動(dòng)診斷方法，對(duì)支持度進(jìn)行計(jì)算，得到頻繁弱關(guān)聯(lián)模式集，求出頻繁弱關(guān)聯(lián)模式集的置信度，獲取弱關(guān)聯(lián)規(guī)則。在弱關(guān)聯(lián)挖掘的基礎(chǔ)上，將電網(wǎng)故障類(lèi)別看作是基于弱關(guān)聯(lián)挖掘的貝葉斯網(wǎng)絡(luò)的父節(jié)點(diǎn)，將挖掘的弱關(guān)聯(lián)規(guī)則作為子節(jié)點(diǎn)，構(gòu)建基于弱關(guān)聯(lián)挖掘的貝葉斯網(wǎng)絡(luò)模型，對(duì)各父節(jié)點(diǎn)的先驗(yàn)概率及各子節(jié)點(diǎn)的條件概率進(jìn)行計(jì)算，最大概率相應(yīng)的就是電網(wǎng)故障樣本相應(yīng)的故障類(lèi)別。仿真實(shí)驗(yàn)結(jié)果表明，采用所提方法對(duì)電網(wǎng)故障進(jìn)行自動(dòng)診斷，正確性高、容錯(cuò)性好，實(shí)用性強(qiáng)，具有很高的診斷精度。參考文獻(xiàn)1張?chǎng)?基于數(shù)據(jù)挖掘技術(shù)的SF_6氣體分析和故障診斷研究J.電氣開(kāi)關(guān)，xx，51（5）：37?40.2袁文鐸.基于數(shù)據(jù)挖掘的故障診斷專(zhuān)家系統(tǒng)推理機(jī)設(shè)計(jì)J.航空維修與工程，xx（1）：67?69.3謝曉燕.基于數(shù)據(jù)挖掘技術(shù)的網(wǎng)絡(luò)故障診斷分析J.計(jì)算機(jī)光盤(pán)軟件與應(yīng)用，xx（15）：125?126.4薛毓強(qiáng)，李宗輝.基于因果時(shí)序網(wǎng)絡(luò)的FOA?GRNN電網(wǎng)故障診斷方法J.電力系統(tǒng)及其自動(dòng)化學(xué)報(bào)，xx，26（11）：72?77.5熊?chē)?guó)江，石東源，朱林，等.基于徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的電網(wǎng)模糊元胞故障診斷J.電力系統(tǒng)自動(dòng)化，xx，38（5）：59?65.6胡非，劉志剛，何士玉，等.一種基于模型的配電網(wǎng)故障診斷搜索算法J.電力自動(dòng)化設(shè)備，xx，33（1）：81?84.7周麗麗，孫晶，王濤.面向設(shè)備故障診斷的數(shù)據(jù)挖掘技術(shù)方法的研究J.自動(dòng)化技術(shù)與應(yīng)用，xx，34（2）：18?22.8陳鐵軍，寧美鳳.電網(wǎng)自愈控制中故障實(shí)時(shí)監(jiān)測(cè)及診斷研究J.自動(dòng)化儀表，xx，34（1）：14?17. 摘要：針對(duì)電網(wǎng)故障進(jìn)行診斷的過(guò)程中，故障信息存在不完整或不確定性，甚至存在關(guān)鍵信息丟失的情況，造成故障診斷難以得出正確結(jié)論的問(wèn)題，提出一種基于弱關(guān)聯(lián)挖掘技術(shù)的電網(wǎng)故障自動(dòng)診斷方法。首先進(jìn)行支持度計(jì)算，得到電網(wǎng)故障的表述參數(shù)，并將電網(wǎng)故障類(lèi)別看作是貝葉斯網(wǎng)絡(luò)的父節(jié)點(diǎn)，將挖掘的弱關(guān)聯(lián)規(guī)則作為子節(jié)點(diǎn)，構(gòu)建基于弱關(guān)聯(lián)挖掘的貝葉斯網(wǎng)絡(luò)模型，對(duì)各父節(jié)點(diǎn)的先驗(yàn)概率及各子節(jié)點(diǎn)的條件概率進(jìn)行計(jì)算，完成對(duì)電網(wǎng)故障的自動(dòng)診斷。仿真實(shí)驗(yàn)結(jié)果表明，采用所提方法對(duì)電網(wǎng)故障進(jìn)行自動(dòng)診斷，正確性高，容錯(cuò)性好，實(shí)用性強(qiáng)，具有很高的診斷精度。關(guān)鍵詞：弱關(guān)聯(lián)挖掘；電網(wǎng)；故障診斷；支持度計(jì)算：TN926?34；TM711：A：1004?373X（xx）10?0152?04ResearchonpowergridfaultautomaticdiagnosisbasedonweakassociationminingtechnologyMALiqiang，WANGTianzheng，YANGDongdong，WANGZhipeng（ElectricPowerResearchInstitute，ShanxiElectricPowerCompanyofStateGrid，Taiyuan030001，China）Abstract：Intheprocessoffaultdiagnosisofpowergrids，itisdifficulttoobtainthecorrectconclusionofthefaultdiagnosisduetotheimperfectionoruncertaintyoffaultinformation，eventhekeyinformationloss.Apowergridfaultautomaticdiagnosismethodbasedonweakassociationminingtechnologyisputforward.Thesupportdegreecalculationisexecutedfirsttoobtaintheexpressionparametersofpowergridfault.ThepowergridfaultcategoryisregardedasthefathernodeofBayesianwork，andweakassociationminingruleasthechildnodetoconstructtheBayesianworkmodelbasedonweakassociationmining.Afterthatthepriorprobabilityofeachfathernodeandconditionalprobabilityofeachchildnodearecalculatedtopletetheautomaticdiagnosisofpowergridfailure.Thesimulationresultsshowthattheproposedmethodcanautomaticallydiagnosethepowergridfault，andhashighauracy，goodfault?tolerance，strongpracticability，andhighdiagnosticauracy.Keywords：weakassociationmining；powergrid；faultdiagnosis；supportdegreecalculation0引言近年來(lái)，隨著我國(guó)電網(wǎng)規(guī)模的逐漸擴(kuò)大，電網(wǎng)出現(xiàn)故障的情況也逐漸增多，給人們的生活帶來(lái)了很大的影響1?2。因此，研究一種電網(wǎng)故障自動(dòng)診斷方法對(duì)電力系統(tǒng)的快速恢復(fù)具有重要意義，已經(jīng)成為相關(guān)學(xué)者研究的重點(diǎn)課題，受到越來(lái)越廣泛的關(guān)注3?5。目前，常用的電網(wǎng)故障自動(dòng)診斷方法主要包括模糊理論方法、人工神經(jīng)網(wǎng)絡(luò)方法和信息理論方法等，相關(guān)研究也取得了一定的成果。其中，文獻(xiàn)6提出一種基于粗糙集理論的電網(wǎng)故障自動(dòng)診斷方法，通過(guò)粗糙集理論對(duì)電網(wǎng)故障進(jìn)行診斷，該方法在丟失的故障信息并非關(guān)鍵信息的情況下不會(huì)對(duì)診斷結(jié)果產(chǎn)生影響，但在丟失的故障信息是關(guān)鍵信息的情況下會(huì)造成診斷錯(cuò)誤；文獻(xiàn)7提出一種基于特征挖掘的電網(wǎng)故障自動(dòng)診斷方法，結(jié)合電網(wǎng)故障信息特征對(duì)電網(wǎng)故障進(jìn)行判斷，該方法在某種程度上提高了系統(tǒng)在缺失關(guān)鍵信息情況下的容錯(cuò)性，但當(dāng)電網(wǎng)故障較多時(shí)，該方法的診斷速度會(huì)受到影響；文獻(xiàn)8提出一種基于貝葉斯網(wǎng)絡(luò)的電網(wǎng)故障自動(dòng)診斷方法，對(duì)節(jié)點(diǎn)概率進(jìn)行訓(xùn)練，從而實(shí)現(xiàn)電網(wǎng)故障的自動(dòng)診斷，但該方法在電網(wǎng)規(guī)模較大時(shí)無(wú)法實(shí)現(xiàn)自動(dòng)建模；文獻(xiàn)9提出一種基于人工智能網(wǎng)絡(luò)的電網(wǎng)故障自動(dòng)診斷方法，通過(guò)人工智能網(wǎng)絡(luò)對(duì)電網(wǎng)故障信息進(jìn)行訓(xùn)練，根據(jù)訓(xùn)練的結(jié)果實(shí)現(xiàn)電網(wǎng)故障的自動(dòng)診斷，但該方法會(huì)造成診斷所依據(jù)的信息不確定與不完整，導(dǎo)致診斷結(jié)果不準(zhǔn)確；文獻(xiàn)10提出一種基于遺傳算法的電網(wǎng)故障自動(dòng)診斷方法，依據(jù)內(nèi)斷路器跳閘的分段時(shí)序信息識(shí)別電網(wǎng)故障，但該方法很難構(gòu)建合理的電網(wǎng)故障診斷模型，導(dǎo)致診斷結(jié)果不準(zhǔn)確。1電網(wǎng)故障檢測(cè)參數(shù)的選擇1.1電網(wǎng)故障數(shù)據(jù)的支持度支持度就是給定模式在給定故障數(shù)據(jù)庫(kù)中出現(xiàn)的頻率。對(duì)弱關(guān)聯(lián)規(guī)則故障進(jìn)行挖掘時(shí)，模式不是電網(wǎng)故障屬性的集合，而是和故障屬性對(duì)應(yīng)的弱關(guān)聯(lián)值的集合，也就是弱關(guān)聯(lián)模利用式（4）計(jì)算得到的電網(wǎng)故障置信度參數(shù)為第一置信度，其主要用于對(duì)弱關(guān)聯(lián)規(guī)則下的電網(wǎng)故障有效性進(jìn)行判斷，若某弱關(guān)聯(lián)規(guī)則的故障第一置信度大于其值，則認(rèn)為該規(guī)則是有效的；反之，認(rèn)為該故障是無(wú)效的。利用式（5）計(jì)算得到的規(guī)則后件的置信度為第二置信度，其主要用于弱關(guān)聯(lián)規(guī)則電網(wǎng)設(shè)備的完備性判斷，若某規(guī)則的第二置信度大于其值，則認(rèn)為該設(shè)備是完備的；反之，認(rèn)為該設(shè)備是不完備的。2電網(wǎng)故障自動(dòng)診斷實(shí)現(xiàn)本文在第1節(jié)故障參數(shù)選擇的前提下，構(gòu)建電網(wǎng)故障診斷結(jié)構(gòu)流程圖，以此為模板建立基于弱關(guān)聯(lián)挖掘樸素貝葉斯網(wǎng)絡(luò)的電網(wǎng)故障自主診斷模型，流程圖見(jiàn)圖1。圖1電網(wǎng)故障診斷結(jié)構(gòu)流程圖模型的詳細(xì)構(gòu)建過(guò)程如下：（1）假設(shè)存在電網(wǎng)故障樣本；（2）假設(shè)選擇的故障參數(shù)都是有效的；（3）完成對(duì)電網(wǎng)故障類(lèi)別的判斷；（4）取出電網(wǎng)故障數(shù)據(jù)的置信度，同時(shí)將電網(wǎng)故障類(lèi)別看作是基于弱關(guān)聯(lián)挖掘的貝葉斯網(wǎng)絡(luò)的父節(jié)點(diǎn)，將挖掘的弱關(guān)聯(lián)規(guī)則作為子節(jié)點(diǎn)，構(gòu)建基于弱關(guān)聯(lián)挖掘的貝葉斯網(wǎng)絡(luò)模型，如圖2所示。圖2電網(wǎng)故障自動(dòng)診斷模型采用基于弱關(guān)聯(lián)挖掘的貝葉斯網(wǎng)絡(luò)模型對(duì)電網(wǎng)故障進(jìn)行自動(dòng)診斷的詳細(xì)過(guò)程為：（1）假設(shè)電網(wǎng)故障樣本各個(gè)屬性值確定，該電網(wǎng)故障樣本屬于某故障類(lèi)Ci的概率是可以求出的，如果該電網(wǎng)故障樣本屬于某故障類(lèi)別的上述概率值最大，則該電網(wǎng)故障樣本即屬于該故障類(lèi)。因?yàn)獒槍?duì)全部電網(wǎng)故障類(lèi)別而言，故障的數(shù)據(jù)類(lèi)型均為常數(shù)，所以，僅需使屬于某個(gè)故障類(lèi)型的概率達(dá)到最大即可完成判斷。通過(guò)上述過(guò)程，對(duì)各電網(wǎng)設(shè)備的先驗(yàn)概率及各子設(shè)備的條件概率進(jìn)行計(jì)算，則與最大概率相應(yīng)的Ck就是與電網(wǎng)故障樣本相應(yīng)的故障類(lèi)別。3方法的應(yīng)用試驗(yàn)分析為了驗(yàn)證本文提出的電網(wǎng)故障自動(dòng)診斷方法的有效性，需要進(jìn)行相關(guān)的實(shí)驗(yàn)分析。實(shí)驗(yàn)將傳統(tǒng)基于粗糙集的電網(wǎng)故障自動(dòng)診斷方法作為對(duì)比，在Matlab環(huán)境下進(jìn)行仿真。本文首先將某局部電力系統(tǒng)繼電保護(hù)系統(tǒng)作為研究對(duì)象，該系統(tǒng)共28個(gè)元件、84個(gè)保護(hù)以及40個(gè)斷路器。28個(gè)元件依次為A1，A4，T1，T8，B1，B8，L1，L8。40個(gè)斷路器依次為K1，K40。84個(gè)保護(hù)中分別為A1m，A4m，T1m，T8m，B1m，B8m，L1Sm，L8Sm，L1Rm，L8Rm，T1p，T8p，T1s，T8s，L1Sp，L8Sp，L1Rp，L8Rp，L1Ss，L8Ss，L1Rs，L8Rs。本文將該電力網(wǎng)劃分成4個(gè)子網(wǎng)絡(luò)，劃分結(jié)果見(jiàn)圖3。圖3示例電力網(wǎng)在上述分析的基礎(chǔ)上，采用本文方法對(duì)電網(wǎng)故障診斷規(guī)則庫(kù)進(jìn)行提取，得到的電網(wǎng)聯(lián)合故障診斷規(guī)則庫(kù)如表1所示，限于篇幅，只給出前10個(gè)規(guī)則。表1電網(wǎng)故障診斷規(guī)則庫(kù)依據(jù)表1給出的規(guī)則庫(kù)，分別采用本文方法和粗糙集方法對(duì)電網(wǎng)故障進(jìn)行自動(dòng)診斷，得到的結(jié)果如表2所示。表2示例電網(wǎng)故障診斷結(jié)果分析表2可以看出，針對(duì)每個(gè)樣本，本文方法的診斷結(jié)果均優(yōu)于粗糙集方法。尤其是當(dāng)出現(xiàn)如第5個(gè)樣本的聯(lián)絡(luò)線故障時(shí)，甚至出現(xiàn)如第6和第7個(gè)樣本的帶有聯(lián)絡(luò)線的復(fù)雜故障時(shí)，本文方法均可有效準(zhǔn)確地診斷出故障元件，說(shuō)明本文方法具有很高的診斷準(zhǔn)確性，驗(yàn)證了本文方法的有效性。從某省電力公司采集了238條故障記錄，構(gòu)建含200條記錄的挖掘庫(kù)以及含38條記錄的測(cè)試庫(kù)，在CPU為3.06GHz，內(nèi)存為1GB的WindowsXP系統(tǒng)計(jì)算機(jī)上進(jìn)行實(shí)驗(yàn)。將這200條故障記錄擴(kuò)展至400條和800條故障記錄，測(cè)試大樣本狀態(tài)下兩種方法的效率，得到的結(jié)果如表3所示。表3兩種方法效率比較結(jié)果分析表3可以看出，采用本文方法進(jìn)行電網(wǎng)故障挖掘所需的時(shí)間遠(yuǎn)遠(yuǎn)少于粗糙集方法，在規(guī)則覆蓋率相同的情況下，本文方法產(chǎn)生的規(guī)則數(shù)明顯低于粗糙集方法，因此，電網(wǎng)故障診斷效