[发明专利]一种基于模糊关联规则的电力系统设备故障预警方法

说明书

本发明公开了一种基于模糊关联规则的电力系统设备故障预警方法，涉及故障预警方法，包括以下步骤：由K均值和信息熵混合迭代确定电力设备数据的最佳分区数，以实现动态自适应边界划分；引入模糊集以软化属性边界划分，使用模糊C均值进行模糊区间划分；使用Apriori算法，选取一组最佳的最小支持度和信任度作为挖掘算法的主参数，以此参数挖掘出关联规则构建规则库，以分析预测电力设备的故障状态。本发明的方法能够定量地得到属性离散化时的最佳分区数，实现动态自适应属性边界划分；相较传统的关联规则方法能够快速准确地检测到设备的故障状态。

技术领域

本发明涉及故障预警方法，具体涉及一种基于模糊关联规则的电力系统设备故障预警方法。

背景技术

目前，随着智能电网的不断发展，电网规模的不断扩大，对电力系统运行安全的要求也越来越高。为了保证电力系统设备的安全运行，降低其故障突发率，减少设备的检修成本，对电力系统设备的状态检测和安全维护是至关重要的。

国内外对于电力系统故障预警方面的研究有的采用了基于密度的DBSCAN聚类算法计算采样数据和历史故障数据簇的相对邻近度，完成对数据的类别划分；有的采用了三种不同的归一化方法处理数据样本，将其作为模糊C均值算法的输入，通过求隶属度确定样本的故障类型；有的对变压器的不同短路匝数、轴向位移和径向变形进行聚类，聚类结果用于解释频率响应分析来诊断设备的故障；有的采用了模糊c均值的隶属度函数的指数形式来获取距离的判断指标，得到的隶属度矩阵实现对变压器故障数据的划分。目前电力设备的故障预警方法大多是通过简单的聚类算法实现，无法挖掘分析出数据间的隐含的相关关系，且无法尽快地检测到故障趋势，不能为运维人员争取更多的维修时间，从而造成严重的损失。

若要对电力系统设备的故障状态做出及时有效的预警，必须深度挖掘数据间隐含的关联关系。由于电力系统在线监测数据每天都是呈现指数增长趋势，而关联规则算法正好具备能从大量的数据集中挖掘出无法直观感受的规则的优势，往往能给出意想不到的规则组合，因此被广泛应用在电力系统故障诊断、火电厂优化、网络安全等诸多领域。

发明内容

本发明的主要目的在于提供一种基于模糊关联规则的电力系统设备故障预警方法。

本发明采用的技术方案是：一种基于模糊关联规则的电力系统设备故障预警方法，包括以下步骤：

由K均值和信息熵混合迭代确定电力设备数据的最佳分区数，以实现动态自适应边界划分；

引入模糊集以软化属性边界划分，使用模糊C均值进行模糊区间划分；

使用Apriori算法，选取一组最佳的最小支持度和信任度作为挖掘算法的主参数，以此参数挖掘出关联规则构建规则库，以分析预测电力设备的故障状态。

进一步地，包括以下步骤：

由改进的K均值和信息熵混合迭代求出初始类个数以及初始类中心，由FCM聚类求出最终聚类结果；

设待聚类的样本集为，基于模糊关联规则的电力系统设备故障预警方法的具体步骤为：

S1：确定初始聚类个数的范围；

S2：在聚类个数逐渐增加的过程中，每对应一个聚类数j，利用改进的K-means算法求出聚类中心，再在计算数据偏离度的基础上求出信息熵的跃迁差值；

S3：在已求得的序列中，得到的达到最小值时的聚类个数k及此时的聚类中心；

S4：将最佳聚类个数k及类中心作为初始化参数，对FCM算法进行初始化；

S5：更新模糊聚类的隶属度矩阵；

S6：如果，则聚类算法停止并输出隶属度矩阵和类中心，否则转向S5继续迭代；