基于关联规则的配电网风险态势预测方法
时间：2023-04-15 21:00:02 来源：柠檬阅读网 本文已影响 人 
张诗琪，何立新，陈子敬，钟文强，王庭刚
(贵州电网有限责任公司 贵阳供电局，贵州 贵阳 550000))
为了满足电力能源可持续发展要求，光伏、水电等新能源开始接入配电网，达到了节能环保的目的[1]。新能源发电具有间歇性，造成配电网运行不稳定的因素越来越多，各种配电风险问题也接踵而来[2]。提升配电网运行的稳定性，必须开展配电网风险态势预测。提前了解即将发生的风险事故，制定最优应对方案，最大程度降低配电网风险造成的负面影响。近年来，随着人们对配电网运行风险预测越来越重视，各种预测方法也得以推广应用。
文献[3]通过极限学习机对历史数据进行学习，进行风险态势预测。在自适应学习过程中，应用改进粒子群优化算法，对不同迭代次数下的惯性权重和学习因子进行调整，确保输出的预测结果更加准确。但该方法计算复杂度较高。文献[4]从配电网云翔风险影响因素入手，建立安全态势评价体系。在层次分析法和熵权法的共同作用下，为评价体系中每项指标进行赋权。通过加权计算，得出配电网安全态势评价值，并将其输入深度神经网络模型进行计算，得到风险态势预测结果。但该预测方法稳定性较差。文献[5]依托信息熵为核心的大数据挖掘技术，检测历史数据中存在的异常数据。再通过蚁群优化支持向量机算法进行自适应学习，输出风险态势预测结果。但是，该方法预测结果误差较大。
考虑到常规的预测方法存在较多不足之处，文中针对配电网风险态势预测问题，提出一种以关联规则为核心的预测方法。通过建立评估指标体系、态势数据处理、挖掘关联规则、预测风险态势四个环节，快速得到贴合实际情况的风险态势预测结果。
1.1 建立配电网风险评估指标体系
深入分析每种配电故障发生的概率，以及故障造成的经济损失，定义配电网风险评估指标体系[6]，作为配电网风险态势预测的基础环节。根据配电网运行特点可知，过电压、低电压、线路过载、失负荷，是配电网出现的主要风险形式，文章针对这四种情况，定义四项主要风险评估指标。其中，配电网过电压运行风险计算公式为：
(1)
式中：t——目标时刻；
S——配电网运行总时间；
ϑ1——过电压风险；
ϑ1,t——目标时刻过电压风险。
与过电压相对应的，配电网运行过程中还存在低电压运行风险，其计算公式可以表示为：
(2)
式中：ϑ2——低电压风险；
ϑ2,t——目标时刻t的低电压运行风险。
除此之外，线路过载情况和失负荷情况，是评估配电网风险状态的另外两项关键指标，二者计算公式分别为：
(3)
(4)
式中：ϑ3——线路过载风险；
ϑ4——失负荷风险；
ϑ3,t、ϑ4,t——目标时刻的线路过载风险和失负荷风险。
综合分析上述提出的风险评估指标，可以将综合风险指标表示为：
(5)
式中：w1、w2、w3、w4表示权重系数，可以根据配电网实际运行要求来取值，但需要保证四项权重系数之和为1。通过上述运算，可以结合配电网历史运行数据，得出风险态势数据。
1.2 配电网态势数据预处理
采用层次化安全威胁模型[7]，可以描述配电网风险的层次关系，见图1。
图1 配电网层次化安全威胁模型Fig.1 Hierarchical security threat model for distribution network
根据图1可知，原始态势数据中除了风险评估数据外，还存在网络攻击数据、流量监测数据等。考虑配电网面对一次严重的网络攻击，可能会产生大量重复报警，导致配电网态势数据中存在大量冗余信息[8]，直接进行定量计算会降低预测效率，同时影响风险态势预测结果的准确性。为此，文中提出在配电网风险态势预测过程中，设置一个态势预处理模块，建立一个数据库保存聚类处理后的数据，作为关联规则挖掘的基础。为了便于分析，将每个风险报警数据表示为以下数学公式：
E={Q，B，F，G，T，H}
(6)
式中：E——配电网运行风险报警数据，Q——源地址，B——源端口，F——目的地址，G——目的端口，T——报警时间，H——报警类型。
设置一个相异度矩阵，用来计算两个报警数据之间的相似程度，得到量化结果。通常情况下，相异度计算需要先计算报警数据各个属性的相异度。
(7)
式中：a,b——两个风险报警数据；
d——相异度；
λ——数据中属性数量，l——属性。对比公式(7)计算结果和给定的相异度水平值，当其小于相异度水平，此时两个报警数据可以归纳为一类数据，按这种计算方式，完成对所有风险态势数据的聚类处理。
1.3 设计关联规则挖掘算法
考虑到配电网内包含较多电力节点，为了进行更加全面的风险预测，文中将整个配电网划分为多个子区域，分别针对每个区域的子网采集风险态势数据，并利用图2所示的并行挖掘原理，对多个子网同步挖掘关联规则。
图2 关联规则并行挖掘的工作模式Fig.2 Working mode of parallel mining association rules
关联规则的挖掘本质上是从海量风险态势数据中提取频繁项集[9]，挖掘存在潜在关联的信息，即可得到关联规则。将风险态势数据描述为包含多个项的项集，每个项存在对应的事务，在此基础上可以将项集的支持度计数表示为：
ω(X)=|{f1|X≤fi,fi⊂G}|
(8)
式中：ω——支持度计数；
X——项集；
fi——项i对应的事务；
G——事务二元组，也是特定项集所有事务的集合。
根据频繁项集提取结果，得到关联规则。之后，计算支持度和置信度，用来描述关联规则的强度，两种度量形式计算公式为：
(9)
(10)
式中：A、B——两个项集；
χ——支持度；
C——置信度；
p——条件概率；
I——包含多个事务的配电网风险态势数据集。
在事务集内寻找满足最小支持度、最小置信度要求的规则，作为关联规则挖掘结果。通常情况下，挖掘关联规则需要经历两个环节，其一是总结所有满足最小支持度阈值的项集，得到频繁项集。再根据置信度要求，得到强关联规则挖掘结果。
1.4 基于关联规则获取态势预测结果
根据挖掘的关联规则，可以描述不同电力节点之间的依赖关系，以此为基础，在配电网风险态势预测时，只要确定某一节点的运行状态，就可以根据关联规则判断下一时刻其他节点的运行状态，从而明确配电网风险态势。基于关联规则进行风险态势预测，模糊推理是预测过程中的关键环节，文中采用可加性标准模型[10]，对输入数据和关联规则库进行运算，预测未来配电网风险态势，见图3。
图3 配电网风险态势预测流程图Fig.3 Flow chart of distribution network risk situation prediction
图3中输入原始数据与挖掘出的所有关联规则进行并联匹配，根据输入数据与关联规则的匹配程度，输出对应的项集，作为关联规则后件。汇总所有输出项集进行加权融合运算，得到最终的配电网风险态势预测结果。其中，通过模糊推理得到的输出项集可以表示为：
(11)
式中：r——关联规则；
R——关联规则集；
u——输入数据；
υ——权重;α——模糊项集，αr(u)——输入数据在模糊项集上的隶属程度;β——关联规则的规则后件。通过上述运算，得出配电网风险态势预测结果，作为提升配电网运行稳定性的依据。
2.1 配电网模型
为了提升实验的真实性，实验参考IEEE33节点电力系统，建立一个配电网模型，在实验室内展开风险态势预测。配电网模型包括四条馈线，具体结构见图4。实际运行时，设置功率基准值为12 000 kVA，电压为15 kV。
从图4可以明显看出，四条馈线的首节点分别为1、19、23、26，尾节点分别为18、22、25和33。正常运行过程中，四条馈线的部分运行参数见表1。
图4 IEEE33节点配电网模型Fig.4 IEE33 node distribution network model
表1 配电网模型主要参数统计表Tab.1 Statistical table main parameters of distribution network model
按照上述设置运行配电网模型，再应用文中所提方法，针对配电网模型进行风险态势预测。
2.2 参数设置
依托于关联规则的态势预测方法应用时，最小支持度、最小置信度的取值，直接影响了最终预测结果的准确率。为了保证预测结果误差更小，在实验开始之初，运行配电网模型获取风险态势数据，得到三个实验数据集。探索不同参数条件下，每一个数据集的风险态势预测准确率变化情况，得到图5。
根据图5(a)可知，配电网风险态势预测准确率会随着最小支持度的增加，呈现出先上升后下降的变化趋势。实际变化过程中，当最小支持度参数设置为0.6时，在三个数据集的预测准确率均处于最高值，随后准确率开始逐步下降。因此实验过程中设置最小支持度取值为0.6。
从图5(b)中可以看出，前期最小支持度的取值变化，对预测准确率的影响不大，因此直接从最小置信度取值为0.5开始研究。仔细观察可以看出，最小置信度取值为0.85之前，预测准确率虽然变化幅度较小，但总体表现为增长趋势。而在0.85以后，预测准确率开始出现明显下滑。故实验中设置最小置信度为0.85。
图5 不同参数条件下风险态势预测准确率变化Fig.5 Change of risk situation prediction accuracy under different parameters
虽然支持度和置信度取值较大时，关联规则才能拥有较高的可信度，但可信度提升的同时规则数目也会急剧减少，导致基于关联规则进行风险态势预测时，会遗漏部分信息，导致预测出现误差。因此，支持度和置信度的取值，不能直接选择最大值，而需要根据实际预测情况，选取最合适的数值。
2.3 风险态势预测结果
参数设置结束后，应用文中提出的预测方法，与配电网模型1 d内的运行风险态势进行预测，得到图6所示的预测结果。
图6 配电网风险态势预测结果Fig.6 Prediction results of distribution network risk situation
根据图6可知，配电网模型存在的主要风险是电压越线风险和失负荷风险。其中，电压越线风险主要发生在17 h～24 h内，在同一时间段，还存在严重的失负荷风险。而低电压风险、线路过载风险的计算值较小，可直接忽略。总体来看，配电网风险在17 h～24 h较高，该时段需要提出针对性运维措施，其他时间风险值较为稳定，风险问题出现概率极低。
根据上述预测结果可以看出，文中设计方法应用后，可以得到未来时刻配电网风险态势，并准确描述风险出现的大概时间区段，便于提出应用措施。
2.4 方法性能分析
进一步分析文中设计态势预测方法的计算复杂度可知，文中采用了关联规则算法，直接对海量数据进行处理，不需要复杂的非线性运算，使得该方法在实际应用中必然会有较好的时间性能。因此，运行配电网模型获取不同规模的数据，分别应用文中设计方法、基于深度神经网络方法、基于大数据挖掘的方法进行预测，获取不同方法的面对不同数据规模时的预测时间，对比不同方法的时间性能，见图7。
图7 不同风险态势预测方法的时间性能对比Fig.7 Time performance comparison of different risk situation prediction methods
根据图7可知，随着数据规模的增长，三种方法的预测时间均表现出增长趋势，但是所提方法的预测时间明显更短。以样本规模为8×106为例，此时文中设计方法的预测时间为24 s，而其他两种方法的预测时间分别为54 s、77 s。综上所述，应用关联规则后，配电网风险态势预测时间缩短了55.56%、68.83%。
随着配电网运行数据的大量增长，现有的风险态势预测方法难以快速得出预测结果。为了充分利用大数据的优势，提出应用关联规则算法设计一种具有优越时间性能的态势预测方法。该方法不需要进行复杂的非线性计算，而是依靠基于数据之间的关联，预测未来时刻风险态势。从实验验证结果可以看出，所提方法更符合大数据环境，面对大规模数据时风险态势预测时间依旧较短。
猜你喜欢项集置信度态势硼铝复合材料硼含量置信度临界安全分析研究核科学与工程(2021年4期)2022-01-122019年12月与11月相比汽车产销延续了增长态势汽车与安全(2020年1期)2020-05-14汇市延续小幅震荡态势中国外汇(2019年19期)2019-11-26我国天然气供需呈现紧平衡态势中国化肥信息(2019年5期)2019-06-25不确定数据的约束频繁闭项集挖掘算法天津科技大学学报(2018年4期)2018-08-22正负关联规则两级置信度阈值设置方法计算机应用(2018年5期)2018-07-25县乡一体化探索呈加速态势中国卫生(2015年2期)2015-11-12置信度条件下轴承寿命的可靠度分析轴承(2015年2期)2015-07-25多假设用于同一结论时综合置信度计算的新方法✴电讯技术(2011年11期)2011-04-02一种新的改进Apriori算法*网络安全与数据管理(2010年1期)2010-05-18
