«上一篇
文章快速检索     高级检索
下一篇»
  应用科技  2020, Vol. 47 Issue (6): 42-46  DOI: 10.11991/yykj.202007005
0

引用本文  

张保平, 曾军, 刘景立, 等. 电网二次设备消缺处理中的自学习方法[J]. 应用科技, 2020, 47(6): 42-46. DOI: 10.11991/yykj.202007005.
ZHANG Baoping, ZENG Jun, LIU Jingli, et al. Self-learning methods in eliminating and handling defects of secondary equipment in power grid[J]. Applied Science and Technology, 2020, 47(6): 42-46. DOI: 10.11991/yykj.202007005.

基金项目

国网河北省电力有限公司科技项目(kj2019-023)

通信作者

赵子根,E-mail:zhaozg@sznari.com

作者简介

张保平,男,工程师;
赵子根,男,工程师

文章历史

收稿日期:2020-07-08
网络出版日期:2020-11-23
电网二次设备消缺处理中的自学习方法
张保平1, 曾军1, 刘景立1, 马宜军2, 曹磊1, 丛雷3, 杨剑3, 赵子根3, 黎强3    
1. 国网河北省电力有限公司 保定供电分公司,河北 保定 071000;
2. 国网河北省电力有限公司 检修分公司,河北 石家庄 050070;
3. 长园深瑞继保自动化有限公司,广东 深圳 518057
摘要:针对电力系统结构复杂、数据量大,层次分析法(AHP)在缺陷处理中不能为决策提供新方案和权重难以确定等问题,本文利用k最邻近(kNN)算法能够处理电网设备中多分类问题和预测新类别的优点,同时利用差分模型能够避免经过权重比较后,直接判断测试文本所属类别的优势,将差分模型和k最邻近算法应用到层次分析方法中,降低了时间复杂度。结合专家库进行自学习,推理出缺陷处理的方案。经过某省电力公司的检修辅助决策系统的运行测试,证明该方法具有实用价值,有效地解决了上述问题,提高了缺陷处理的准确性,为电网检修提供了保障。
关键词电网检修    缺陷处置    差分模型    层次分析    k最邻近算法    自学习    
Self-learning methods in eliminating and handling defects of secondary equipment in power grid
ZHANG Baoping1, ZENG Jun1, LIU Jingli1, MA Yijun2, CAO Lei1, CONG Lei3, YANG Jian3, ZHAO Zigen3, LI Qiang3    
1. Baoding Power Supply Company, State Grid Hebei Electric Power Co., Ltd, Baoding 071000, China;
2. Maintenance Branch, State Grid Hebei Electric Power Co., Ltd, Shijiazhuang 050070, China;
3. CYG SUNRI Co., Ltd., Shenzhen 518057, China
Abstract: Due to complex structure of the power system and the excessive amount of data, analytic hierarchy process (AHP) cannot provide new solutions for decision-making and it is difficult to determine weight in handling defects. This paper uses the k-nearest neighbor (kNN) algorithm to deal with the multi-classification problems in power grid equipment and predict the new category. At the same time, the difference model can avoid the problem of directly determining the category of the test text after the weight comparison. A method of combining the difference model and kNN into AHP is proposed, it can reduce time complexity, and the method inferred the scheme of defects handling through self-learning of the expert database. Through the operation test of the maintenance and decision support system of a provincial power company, it proves that the method has practical effect and has effectively solved the problems of the power system and the excessive amount of data. The proposed method improves the accuracy of handling defects and provides protection for power grid maintenance.
Keywords: power grid maintenance    defects handling    difference model    analytic hierarchy process    k-nearest neighbor algorithm    self-learning    

随着科学技术的的发展,电力系统结构愈发复杂,规模愈发庞大,在日常维护过程中,难免出现缺陷和问题。供电企业对电力设备进行缺陷处理,能够有效提高电力系统的安全、稳定运行[1-4]

针对电力系统维护过程中遇到的问题,国内外学者进行了大量的研究工作。吴丹等[5]采用三角模糊和层次分析相结合的方法,解决了多种不确定因素影响电力负荷预测的问题,能够有效地提高电力负荷的预测精度。王文琦[6]针对传统的人工方式消缺效率低的问题,提出将层次分析法(AHP)应用在智能缺陷识别系统中,提高了消缺效率,验证了方法的可行性。刘大伟等[7]将云策略和微软媒体服务器协议(Microsoft media server protocol,MMS)相结合,设计自动测试系统,降低了成本,提高了调试效率。Luis Hernández-Callejo[8]利用决策支持模型对电力设备进行检修和维护,提高了电网运行的效率。

目前,层次分析法被广泛应用在缺陷处理中。但是针对电力系统结构复杂、数据量大的问题,层次分析法也受到局限。本文将差分模型[9]和k最邻近(k-nearest neighbor, kNN)[10-12]算法应用到层次分析方法中,结合专家库[13-14]进行自学习,推理出缺陷处理[15-18]的方案,提高了缺陷处理的准确性。

1 消缺处理中的自学习方法 1.1 kNN文本分类算法

kNN是一种常用的分类算法,其核心内容为:文本信息以加权特征向量的方式作为测试文本,计算与各个训练文本的相似度,找到k个最相似的文本,根据加权距离的计算结果得到该文本所在的分类。具体步骤如下:

1)将测试文本转化成测试文本向量;

2)计算测试文本和各个训练文本的相似度,根据距离的大小顺序从小到大进行排序,找到距离最小的k个文本;

3)确定k个文本所在类的权重;

4)返回k个文本权重最大的类即为预测分类。

1.2 层次分析法

层次分析法是一种能够将复杂的决策信息按照一定的准则逐级分层,并进行定性和定量分析的决策方法。该方法无需大量的信息,即可有效地进行决策,在决策方面得到大量应用。分层模型如图1所示。

Download:
图 1 分层模型

图1可以看出,测试文本所在类别有AB两类。当测试文本属于A类时,那么排除B类的影响,从第2层的A1A2A3中寻找;进一步测试文本为A1时,则排除A2A3的影响,最后在第3层的A11A12类中,找到测试文本所属的类别。传统方法需要逐一比较,耗费了大量的计算时间,而本文方法有效地提高计算效率。

1.3 差分模型

假设有ABC3个已知类别,测试文本m到3个类别的距离分别为abc,当a=max{a,b,c},b=max{b,c},根据kNN方法,测试文本m则属于a类;根据分层思想,测试文本m再到a的子类中寻找,最后再按照kNN方法进行判断,得到所属类别;当采用差分模型的方法时,当且仅当|a|-|b|>n时,才能将测试文本m判别到a类中,否则在ab的子类中再进行kNN算法,得到测试文本m最后的类别。

1.4 差分层次kNN算法

本文将kNN算法、层次分析法以及差分模型结合起来,得到差分层次kNN算法。改进后的算法能够综合各个算法的优点,并且能降低各个算法的缺点对缺陷处理的影响,算法的优势从以下几个方面进行阐述:

1)利用层次分析法构建层次结构。层次分析法无需大量的数据即可完成决策,解决了kNN算法因在计算过程中需要对所有文本进行计算的问题,降低了计算量,提高了计算效率。

2)差分比较。由于电力系统结构复杂,在缺陷处理方面存在类别交叉的问题,该算法能够避免经过权重比较后,直接判断测试文本所属类别的问题,能够正确判别最近邻和次近邻,提高了缺陷处理的可靠性。

3)自动添加新类别。由于电力系统数据信息较为复杂,信息量较为庞大,针对缺陷处置过程中无法给出具体的消缺方法,在算法结束的位置自动添加新类别。

2 差分层次kNN算法计算过程 2.1 算法流程

差分层次kNN算法的基本过程为:首先,文本信息以加权特征向量的方式作为测试文本;然后,利用层次分析法构建层次结构,计算每层测试文本与各个训练文本的相似度;接着,找到k个最相似的文本;最后,根据加权距离的计算结果进行差分比较,得到该文本所在的分类,算法过程结束。具体流程如下:

1)将测试文本转化成测试文本向量;

2)利用层次分析法,将训练文本集合进行分层,形成n层层次结构;

3)计算测试文本和1~n层各个训练文本的相似度,通过相似度计算公式计算相似度,第1层的计算方法如下

${\rm{si}}{{\rm{m}}_1}\left( {{{{d}}_i},{{{d}}_{1j}}} \right) = \frac{{\displaystyle\sum \limits_{k = 1}^M {W_{ik}} \times {W_{1jk}}}}{{\sqrt {\displaystyle \sum \limits_{k = 1}^M W_{ik}^2} \sqrt {\displaystyle \sum \limits_{k = 1}^M W_{1jk}^2} }}$

式中: ${{{d}}_i}$ 是测试文本向量; ${{{d}}_{1j}}$ 是第1层第 $j$ 类的中心向量; $M$ 是特征向量的维数; ${W_k}$ 则是特征向量的第 $k$ 维,一般采用一个初始值作为 $k$ 值,最后还是需要根据实验的结果来确定最终 $k$ 值的大小。

根据距离的大小顺序从小到大进行排序,找到距离最小的 $k$ 个文本。在距离最小的 $k$ 个文本中,计算各类别的权重:

${P_{1j}} = \displaystyle \sum \limits_{{d_i} \in {{L}}} {\rm{sim}}\left( {{{m}},{{{d}}_i}} \right)y\left( {{{{d}}_i},{C_j}} \right)$

式中:L代表所有测试文本向量的集合; ${{m}}$ 是测试文本的特征向量, ${\rm{sim}}\left( {{{m}},{{{d}}_i}} \right)$ 是相似度计算公式, $y\left( {{{{d}}_i},{{{C}}_j}} \right)$ 的值为0或1,当 ${{{d}}_i} \in {{{C}}_j}$ 时, $y\left( {{{{d}}_i},{{{C}}_j}} \right) = 1$ ,当 ${{{d}}_i} \notin {{{C}}_j}$ 时, $y\left( {{{{d}}_i},{{{C}}_j}} \right) = 0$

对计算的权重进行排序:

${P_{11}} \geqslant {P_{12}} \geqslant {P_{13}} \geqslant \cdots \geqslant {P_{1j}} \geqslant \cdots $

利用差分模型对排序后的权重进行比较,具体方法如下。

①第1层差分公式:

${D_{12}} = {P_{11}} - {P_{12}}$

${D_{12}} \geqslant {D_0}$ 时,此时的 ${D_0}$ 为阈值,则测试文本属于第1类,那么在第2层对相似度进行比较时,可排除其他类别的影响,只对第2层的第1类的子类进行比较;当 ${D_{12}} \leqslant {D_0}$ 时,则继续按照第2类、第3类等进行判断。

②第 $k$ 层差分公式:

${D_{k\left( {k + 1} \right)}} = {P_{1k}} - {P_{1\left( {k + 1} \right)}}$

${D_{k\left( {k + 1} \right)}} \geqslant {D_0}$ 时,则测试文本属于第 $k$ 类,那么在第2层对相似度进行比较时,则可排除其他类别的影响,只对第2层的第 $k$ 类的子类进行比较;当 ${D_{k\left( {k + 1} \right)}} \leqslant {D_0}$ 时,则继续按照第 $k + 1$ 类、第 $k + 2$ 类等进行判断。

4)对第n层进行权重的差分比较后,如果比较的结果不唯一,还存在个别干扰性,则在第n层自动添加新类别;如果比较的结果唯一,则权重最大的类即为预测分类。

2.2 时间复杂度计算

根据差分层次kNN算法可知,计算过程中无需要将所有文本进行计算,只要对分层后该层次的子类进行计算,得到的算法复杂度[19-20] $O\left( {n{\rm{log}}n} \right)$ ,而传统的kNN算法复杂度为 $O\left( {{n^2}} \right)$ ,本文方法大大降低了计算量,提高了运行效率。

3 应用实例

为了进一步验证本文方法在检修[21-24]辅助决策系统的实用性和有效性,本文以某省电力公司的检修辅助决策系统为研究对象,将差分层次kNN算法应用到该系统中,通过系统的处理结果验证本文方法的实用价值。

3.1 专家系统简介

在对缺陷数据进行处理和优化的基础上,构成能显示缺陷数据并且提供相应的缺陷处理方法的系统。该系统主要是知识工程师和领域专家通过获取器形成知识库,同时采用数据挖掘将信息存储到数据库中,用于匹配知识库中的条件,数据库内信息通过推理机到解释器,从而反馈到人机界面中。专家系统结构如图2所示。

Download:
图 2 专家系统结构

系统具备常规的用户登录功能,管理员、执行员属于高级用户,administrator属于一般用户。高级用户权限较多,可对数据进行增、删、改、查等操作;一般用户只能进行基本操作。

3.2 差分层次kNN算法应用

根据差分层次kNN算法的缺陷处理模型,将每次分类的结果自动生成到知识库中,原有的知识库模板得到有效扩充,形成更新、更全面的知识库。自学习使通过差分层次kNN方法得到的分类结果自动扩充到知识库这一过程得以体现。

在检修辅助决策系统的专家库基础上,根据缺陷信息,提供详细分析结果和处理方法,提高了缺陷处理的准确性和智能性。

4 实验及结果分析

实验1 将缺陷信息形成数据集,分成6组进行测试,实验对比模型采用传统的动态时间归整(dynamic time warping,DTW)算法、最小方差匹配(minimal variance matching, MVM)算法和层次分析算法,通过对准确率进行对比,验证本文方法的有效性。其中,准确率为分类的正确文本数与实际分类文本数的比值。实验结果如表1所示。

表 1 准确率对比结果

表1的6组实验结果可以看出,DTW算法的准确率在0.65~0.72,MVM算法的准确率在0.64~0.77,AHP算法的准确率在0.64~0.66,而本文提出的差分层次kNN算法的准确率在0.76~0.93,并且每组实验中,本文提出的方法的准确率都比DTW、MVM和AHP算法的准确率有显著提高,证明本文方法能够有效提高缺陷处理的准确性。

实验2 将数据集分成3组,采用本文提出的方法和kNN方法进行对比,计算分类所用时间,实验结果如表2所示。

表 2 分类时间对比结果

表2可以看出,第1组实验中,本文提出的查分层次kNN算法所用时间缩短了990 s;第2组实验中,本文提出算法所用时间缩短了1 230 s,接近kNN算法时间的一半;第3组实验中,本文所提算法所用时间缩短了822 s。可以看出本文算法所用时间明显缩短,能够快速对缺陷进行分类。

以220 kV母联智能终端与220 kV主变保护装置支架goose断链为例,系统给出相应的定位、建议以及影响范围,验证了方法的可行性。该系统缺陷处理的结果如图3所示。

Download:
图 3 缺陷处理结果
5 结论

为了解决电力系统结构复杂、数据量过多问题,本文提出一种基于差分层次kNN算法。为了验证本文算法的有效性,开展准确率实验和分类所需时间实验,得到以下结论:

1)与层次分析算法相比,本文方法避免了缺陷处理中不能为决策提供新方案和权重难以确定等问题;通过与DTW算法、MVM算法和AHP算法的准确率进行对比,本文方法能够有效提高缺陷处理的准确性。

2)与kNN方法进行对比,本文方法能够有效缩短分类所需时间,降低了时间复杂度,提高了缺陷处理的效率。

参考文献
[1] 张文亮, 刘壮志, 王明俊, 等. 智能电网的研究进展及发展趋势[J]. 电网技术, 2009, 33(13): 1-11. (0)
[2] 赵峰, 孙宏斌, 谭嫣, 等. 综合考虑多种电网安全主题的关键断面自动发现方法[J]. 电网技术, 2014, 38(5): 1169-1174. (0)
[3] SHAN X G, ZHUANG Jun. A game-theoretic approach to modeling attacks and defenses of smart grids at three levels[J]. Reliability engineering & system safety, 2020, 195: 106683. (0)
[4] SHU Yinbiao, TANG Yong. Analysis and recommendations for the adaptability of China's power system security and stability relevant standards[J]. CSEE journal of power and energy systems, 2017, 3(4): 334-339. DOI:10.17775/CSEEJPES.2017.00650 (0)
[5] 吴丹, 程浩忠, 奚珣, 等. 基于模糊层次分析法的年最大电力负荷预测[J]. 电力系统及其自动化学报, 2007, 19(1): 55-58, 67. DOI:10.3969/j.issn.1003-8930.2007.01.010 (0)
[6] 王文琦. 层次分析法在继电保护消缺专家系统中的应用研究[D]. 北京: 华北电力大学, 2016. (0)
[7] 刘大伟, 宋爽, 马泉. 基于云策略和MMS协议的智能变电站继电保护设备自动测试系统[J]. 电力系统保护与控制, 2019, 47(12): 159-164. DOI:10.7667/PSPC20191220 (0)
[8] HERNÁNDEZ-CALLEJO L. A comprehensive review of operation and control, maintenance and lifespan management, grid planning and design, and metering in smart grids[J]. Energies, 2019, 12(9): 1630. DOI:10.3390/en12091630 (0)
[9] KHAN R, NG K T. Model order reduction for finite difference modeling of cardiac propagation using DMD modes[C]//2018 International Applied Computational Electromagnetics Society Symposium. Denver, USA, 2018: 1−2. (0)
[10] TANEJA S, GUPTA C, AGGARWAL S, et al. MFZ-KNN—A modified fuzzy based K nearest neighbor algorithm[C]//2015 International Conference on Cognitive Computing and Information Processing. Noida, India, 2015: 1−5. (0)
[11] LI Gang, ZHANG Jingjing. Music personalized recommendation system based on improved KNN algorithm[C]//2018 IEEE 3rd Advanced Information Technology, Electronic and Automation Control Conference. Chongqing, China, 2018: 777−781. (0)
[12] MA Zongfang, TIAN Hongpeng, LIU Zechao, et al. A new incomplete pattern belief classification method with multiple estimations based on kNN[J]. Applied soft computing, 2020, 90: 106175. DOI:10.1016/j.asoc.2020.106175 (0)
[13] 张海波, 贾凯, 施蔚锦, 等. 信息论与专家系统相结合的电网故障诊断[J]. 电力系统及其自动化学报, 2017, 29(8): 111-118. DOI:10.3969/j.issn.1003-8930.2017.08.017 (0)
[14] 赵振涛, 张大海, 李永生. 基于专家规则和信息论的电网警报处理方法[J]. 电力系统及其自动化学报, 2014, 26(12): 69-73, 90. DOI:10.3969/j.issn.1003-8930.2014.12.011 (0)
[15] 王江, 邬大为, 王盛辉. 智能变电站继电保护典型缺陷的处理及分析[J]. 电力系统及其自动化学报, 2016, 28(S1): 179-185. (0)
[16] 倪小华, 王永清, 杨明皓. 配电设备缺陷管理数据结构[J]. 电力系统及其自动化学报, 2007, 19(3): 104-108. DOI:10.3969/j.issn.1003-8930.2007.03.020 (0)
[17] LI Xin, CHENG Yong, ZHAO Longze, et al. Structural and electrical properties tailoring of carbon nanotubes via a reversible defect handling technique[J]. Carbon, 2018, 133: 186-192. DOI:10.1016/j.carbon.2018.03.029 (0)
[18] ZHANG Li, SU Wei, QIAN Yihua, et al. Analysis and treatment of a type of 110-kv transformer with insulation resistance decline defect[J]. IEEJ transactions on electrical and electronic engineering, 2019, 14(11): 1602-1608. DOI:10.1002/tee.22981 (0)
[19] 杨大伟, 马军, 李凯, 等. 基于时间复杂度的无线网络编码数据包传输次数优化分析[J]. 电子测量技术, 2020, 43(1): 32-35. (0)
[20] 谢小军, 苏涛. 基于时间复杂度的无线网络编码数据包平均传输次数优化分析[J]. 计算技术与自动化, 2020, 39(3): 1-6. (0)
[21] WANG Weifeng, LOU Bing, LI Xiong, et al. Intelligent maintenance frameworks of large-scale grid using genetic algorithm and K-Mediods clustering methods[J]. World wide web, 2020, 23(3): 1177-1195. (0)
[22] 徐波, 韩学山, 刘长银, 等. 牛志强. 基于关联集分解的系统状态检修决策模型[J]. 电力系统自动化, 2015, 39(2): 46-52, 86. (0)
[23] SHIOMI R, SHIMASAKI H, TAKANO H, et al. A study on operating lifetime estimation for electrical components in power grids on the basis of analysis of maintenance records[J]. Journal of international council on electrical engineering, 2019, 9(1): 45-52. DOI:10.1080/22348972.2019.1612975 (0)
[24] 朱太云, 陈忠, 杨为, 等. 电网设备差异化状态检修新模式研究[J]. 高压电器, 2020, 56(1): 236-240. (0)