基于粗糙集聯(lián)合決策樹法的智能變電站遠程調(diào)度管理優(yōu)化

摘

要：針對變電站遠程調(diào)度管理的問題，提出一種基于粗糙集聯(lián)合決策樹的優(yōu)化方法。首先收集變電站的運行功率、溫度、濕度、電流、電壓等數(shù)據(jù)；然后利用粗糙集聯(lián)合決策樹方法分析已收集的信息數(shù)據(jù)，并進行綜合性分析；最后依據(jù)分析結果，對變電站感知節(jié)點進行遠程調(diào)度。研究結果顯示，基于粗糙集聯(lián)合決策樹的變電站調(diào)度方法，能全面掌握變電站的運行狀態(tài)，減少數(shù)據(jù)的處理量，更加精準地對變電站進行調(diào)度，而且響應時間較短。關鍵詞：粗糙集；決策樹；變電站；遠程調(diào)度0

引言變電站的遠程控制涉及感知節(jié)點、能量控制、實施控制模塊等多項內(nèi)容，主要用于監(jiān)測變電站功率、溫度、濕度等指標，并及時進行設備的開關調(diào)節(jié)，需要進行頻繁的啟停。因此，全面掌握變電站運行狀態(tài)，及時對變電站進行遠程調(diào)度，成為目前要解決的關鍵問題之一。本文提出一種基于粗糙集聯(lián)合決策樹的方法，旨在實現(xiàn)對變電站的遠程精準調(diào)度。1

粗糙集聯(lián)合決策樹法粗糙集能對變電站中的不確定性數(shù)據(jù)、非規(guī)則性數(shù)據(jù)進行分析，求得數(shù)據(jù)的最小知識表達，并依據(jù)預設規(guī)則來提高結果的精準度。決策樹對粗糙集處理后的數(shù)據(jù)進行遞歸分析，尋找到最終的結果。粗糙集聯(lián)合決策樹方法具有幾方面優(yōu)勢：（1）能夠處理變電站中感知節(jié)點的海量數(shù)據(jù)，并減少冗余數(shù)據(jù)所占比例；（2）通過遞歸分析，得到較為準確的計算結果；（3）彌補決策樹無法處理海量數(shù)據(jù)的不足以及粗糙集無法實現(xiàn)精準遞歸的缺陷。2

變電站遠程調(diào)度的數(shù)學描述假設1：第i個感知節(jié)點傳輸?shù)墓β蕿镼i，濕度為Wi，溫度為Zi，電壓為Ui，粗糙集合為set，那么，集合數(shù)據(jù)的收集過程如下：其中，k為粗糙集篩選數(shù)據(jù)的規(guī)則，濕度的篩選條件為Wi＜45%%，溫度為

Zi＜50℃，電壓為Ui＜230V。如果k∧1不成立，說明收集的數(shù)據(jù)為不確定性數(shù)據(jù)，需要進行標準化處理，否則數(shù)據(jù)可以直接被納入到集合set中。為了更好地對變電站進行遠程控制，要對set集合進行縮減，減少數(shù)據(jù)總量，所以提出假設2。假設2：變電站的粗糙集規(guī)則調(diào)節(jié)函數(shù)為Roug[A，B，k]，A為不確定性程度，B為非規(guī)則數(shù)據(jù)比例，k為篩選規(guī)則，數(shù)據(jù)調(diào)節(jié)系數(shù)為α，粗糙集處理后的集合為RGset，那么RGset的數(shù)據(jù)收集過程如下：RGset為映射后的函數(shù)，所含數(shù)據(jù)是標準化處理后的函數(shù)。假設3：變電站運行狀態(tài)的數(shù)據(jù)集合為RGset，變電站整體運行狀態(tài)函數(shù)為Ji（RGset），該函數(shù)的計算如下：式中：αi為不同規(guī)則下的調(diào)節(jié)系數(shù)；ki為不同狀態(tài)下的篩選規(guī)則。如果J函數(shù)的結果處于[0，1]，說明變電站運行正常，只需進行監(jiān)測；如果大于1說明變電站運行異常，需要確定感知節(jié)點的位置，并對相應設備進行開關調(diào)整。3

基于粗糙集聯(lián)合決策樹法的變電站遠程調(diào)度在實際運行過程中，要依據(jù)粗糙集聯(lián)合決策樹中的參數(shù)調(diào)節(jié)，找出異常的變電站運行數(shù)據(jù)，并確定故障變電站的位置。3.1

變電站運行參數(shù)初始化將獲得的變電站運行數(shù)據(jù)進行粗糙集規(guī)則處理，并映射到?jīng)Q策樹的根節(jié)點中，完成參數(shù)的初始化，數(shù)據(jù)映射過程為：變電站運行參數(shù)的初始化是對不規(guī)則數(shù)據(jù)、不確定性數(shù)據(jù)進行分析，能夠有效降低數(shù)據(jù)誤差，提高數(shù)據(jù)的標準化程度。3.2

變電站遠程調(diào)度的實施步驟粗糙集聯(lián)合決策樹法對變電站的遠程調(diào)度屬于持續(xù)性控制，是一個循環(huán)往復過程，具體計算步驟如圖1所示。由圖1可知，變電站遠程調(diào)度需要4個步驟。步驟1：獲得變電站運行狀態(tài)數(shù)據(jù)，將電壓、濕度、溫度以及功率等數(shù)據(jù)進行預處理。步驟2：利用粗糙集規(guī)則剔除冗余數(shù)據(jù)，并進行決策樹分析，輸出變電站運行結果。步驟3：依據(jù)變電站的數(shù)據(jù)來源，確定異常信號的來源。步驟4：依據(jù)異常信號確定故障位置。4

變電站遠程調(diào)度的實際案例為了驗證調(diào)度效果，用粗糙集聯(lián)合決策樹法對32kV變電站進行遠程調(diào)度，以調(diào)度準確率、異常感知節(jié)點位置判斷以及響應時間為評價指標。4.1

變電站簡介32kV變電站內(nèi)部有3臺服務器、2臺交換機、12個感知節(jié)點（溫度、濕度、風力、日照、功率等），其一般信息如表1所示。由表1中的數(shù)據(jù)可知，變電站中所有設備、控制開關之間均為獨立數(shù)據(jù)，無相關性，可以進行后期的監(jiān)測判斷。4.2

變電站運行預測準確性與位置判斷準確性對于變電站運行狀態(tài)的數(shù)據(jù)分析，要多次取樣，并比較預測數(shù)據(jù)與實際數(shù)據(jù)的差異。同時，利用決策樹方法確定異常數(shù)據(jù)的來源，確定故障的位置，具體結果如表2所示。由表2可知，在06：00—12：00階段，狀態(tài)預測、位置預測準確性較低，主要是由于該階段處于生產(chǎn)、工作的高峰階段，處理的數(shù)據(jù)量較大。但是，該階段的預測偏差仍然小于3%，說明粗糙集聯(lián)合決策樹法能更好地進行數(shù)據(jù)分析，提高變電站遠程調(diào)控的準確性。對變電站進行30日的數(shù)據(jù)收集，判斷數(shù)據(jù)的穩(wěn)定性，結果如圖2所示。由圖2可知，狀態(tài)預測、故障預測的數(shù)據(jù)處理量在49.5兆～51.5兆之間，變化幅度為2兆，整體比較穩(wěn)定。究其原因，粗糙集采用粗糙集規(guī)則進行數(shù)據(jù)標準化處理，并將數(shù)據(jù)映射到?jīng)Q策樹的根節(jié)點，實現(xiàn)數(shù)據(jù)的簡化處理，大幅壓縮了數(shù)據(jù)量。4.3

變電站遠程調(diào)度的響應時間響應時間是變電站遠程調(diào)度的重要指標，是驗證粗糙集聯(lián)合決策樹方法的重要內(nèi)容。響應時間包括三個方面：狀態(tài)發(fā)生時間、預警響應時間以及命令執(zhí)行時間，具體結果如表3所示。由表3可知，粗糙集聯(lián)合決策樹在狀態(tài)發(fā)生時間、預警響應時間、命令執(zhí)行時間方面均短于實時監(jiān)控方法，整體上要短2s左右，而且兩種方法在響應時間方面存在顯著差異，方差為13.526。究其原因，粗糙集規(guī)則剔除了冗余數(shù)據(jù)，并對不確定性信息、非規(guī)則信息進行標準化處理，提高了數(shù)據(jù)的處理效率，大幅縮短了變電站調(diào)度的響應時間。其中，響應時間之間的處理關系如圖3所示。由圖3可知，狀態(tài)、預警和執(zhí)行之間的處理關系較為密切，說明響應時間的處理結合較好，最終結果的處理關系較佳，可以為變電站遠程調(diào)度提供數(shù)據(jù)支持。5

結語針對變電站遠程調(diào)度問題，本文提出了一種基于粗糙集聯(lián)合決策樹的方法，通過粗糙集規(guī)則的約束，將變電站功率、濕度、溫度和