張 馳，王 棟，趙書(shū)函

（國(guó)網(wǎng)甘肅省電力公司信息通信公司，蘭州 730000）

電網(wǎng)當(dāng)中電能計(jì)量裝置作為進(jìn)行電量結(jié)算的重要電力設(shè)備，對(duì)其運(yùn)行狀態(tài)以及故障監(jiān)測(cè)是保障電網(wǎng)系統(tǒng)穩(wěn)定運(yùn)行的關(guān)鍵一步[1]。目前對(duì)電能計(jì)量裝置的故障監(jiān)測(cè)主要通過(guò)人工巡檢的方式實(shí)現(xiàn)，存在不能及時(shí)發(fā)現(xiàn)故障、存在較長(zhǎng)巡檢周期等問(wèn)題[2-5]。本文通過(guò)結(jié)合改進(jìn)決策樹(shù)算法的電能計(jì)量裝置故障自動(dòng)化診斷系統(tǒng)設(shè)計(jì)，實(shí)現(xiàn)信息化、精細(xì)化、自動(dòng)化的電能計(jì)量裝置故障監(jiān)測(cè)，以實(shí)現(xiàn)降本增效、提高故障檢測(cè)精確度的目的。

1 電能計(jì)量裝置故障監(jiān)測(cè)

1.1 電能計(jì)量裝置在線監(jiān)測(cè)

電能計(jì)量裝置的主要構(gòu)成包括電流互感器（CT）、電壓互感器（PT）以及電能表等[6]。電能計(jì)量裝置在線監(jiān)測(cè)的整體系統(tǒng)流程如圖1 所示。

圖1 電能計(jì)量裝置在線監(jiān)測(cè)整體流程Fig.1 Overall process of online monitoring of the electric energy metering device

1.2 電能計(jì)量裝置的數(shù)據(jù)挖掘

數(shù)據(jù)挖掘過(guò)程對(duì)大量數(shù)據(jù)進(jìn)行收集分析[7]，首先提取數(shù)據(jù)特征，建立工程模型，而后對(duì)采集信息比對(duì)，從而判斷電能計(jì)量裝置是否存在故障。數(shù)據(jù)挖掘的整體流程如圖2 所示。

圖2 數(shù)據(jù)挖掘整體流程示意圖Fig.2 Schematic diagram of the overall data mining process

1.3 決策樹(shù)算法

在數(shù)據(jù)挖掘算法中，決策樹(shù)算法屬于監(jiān)督學(xué)習(xí)算法的一種[8]，其結(jié)構(gòu)如圖3 所示。

圖3 決策樹(shù)結(jié)構(gòu)示意圖Fig.3 Decision tree structure

圖3 中，不同節(jié)點(diǎn)表示不同對(duì)象，分叉路徑表示相應(yīng)可能出現(xiàn)的特征值。

2 決策樹(shù)算法

2.1 決策樹(shù)算法簡(jiǎn)述

決策樹(shù)算法通常分為CART、C4.5 以及ID3。CART 決策樹(shù)以二叉樹(shù)結(jié)構(gòu)為基礎(chǔ)，C4.5 決策樹(shù)以多叉樹(shù)結(jié)構(gòu)為基礎(chǔ)，ID3 決策樹(shù)無(wú)法進(jìn)行剪枝以及缺失值的處理。在電能計(jì)量裝置系統(tǒng)運(yùn)行中，數(shù)據(jù)包括相應(yīng)的缺失值，因此通過(guò)C4.5 決策樹(shù)進(jìn)行具體系統(tǒng)研究。

2.2 選擇數(shù)據(jù)特征

設(shè)集合D 為對(duì)應(yīng)的樣本數(shù)據(jù)集合，樣本數(shù)據(jù)的容量用∣D∣表示，樣本數(shù)據(jù)中包含的類(lèi)Ck的個(gè)數(shù)為K，k=1，2，…，K，類(lèi)Ck中的樣本數(shù)量為∣Ck∣。對(duì)于某一個(gè)數(shù)據(jù)特征A，其中包含的取值個(gè)數(shù)為n，也即｛a1，a2，…，an｝，依據(jù)數(shù)據(jù)特征取值對(duì)數(shù)據(jù)樣本集合進(jìn)行劃分，得到的子集D1，D2，…，Dn的個(gè)數(shù)為n。對(duì)于某個(gè)子集Di，其中包含的樣本數(shù)量為∣Di∣，對(duì)于某個(gè)子集中屬于某個(gè)類(lèi)的樣本集合表示Dik，其對(duì)應(yīng)的樣本數(shù)量表示為∣Dik∣。

可以將經(jīng)驗(yàn)熵表示為

式中：H（D）為相應(yīng)的經(jīng)驗(yàn)熵。某一數(shù)據(jù)特征在特定條件下的經(jīng)驗(yàn)熵表示為

式中：A 為對(duì)應(yīng)的數(shù)據(jù)特征；D 為特定條件。數(shù)據(jù)特征對(duì)于特定條件下訓(xùn)練集產(chǎn)生的信息增益表示為

式中：g（D，A）為相應(yīng)的信息增益。由此得到對(duì)應(yīng)信息增益比表示為

式中：gR（D，A）為對(duì)應(yīng)信息增益比?；嵯禂?shù)表示為

數(shù)據(jù)特征針對(duì)訓(xùn)練集對(duì)應(yīng)基尼系數(shù)表示為

式中：Gini（D，A）為數(shù)據(jù)特征針對(duì)訓(xùn)練集對(duì)應(yīng)基尼系數(shù)。D1=｛（x，y）∈D∣A（x）=a｝，D2=D-D1。

2.3 決策樹(shù)算法及剪枝

CART 決策樹(shù)算法中，將停止對(duì)節(jié)點(diǎn)樣本個(gè)數(shù)進(jìn)行計(jì)算法的閾值、特征集A 以及數(shù)據(jù)的訓(xùn)練集合D 作為對(duì)應(yīng)的輸入，將決策樹(shù)T 作為輸出。CART決策樹(shù)算法通過(guò)由根節(jié)點(diǎn)不斷遞歸進(jìn)行二叉樹(shù)的構(gòu)建。

為避免決策樹(shù)過(guò)于復(fù)雜可能導(dǎo)致對(duì)應(yīng)的過(guò)擬合情況，需要對(duì)決策樹(shù)進(jìn)行剪枝，從而簡(jiǎn)化復(fù)雜決策樹(shù)，避免過(guò)擬合情況出現(xiàn)。

3 算例仿真及分析

算例仿真采用某電網(wǎng)在線監(jiān)控系統(tǒng)當(dāng)中的電能計(jì)量裝置數(shù)據(jù)作為實(shí)驗(yàn)數(shù)據(jù)，結(jié)合C4.5 具體的模型構(gòu)建流程如圖4 所示。

圖4 結(jié)合C4.5 系統(tǒng)模型構(gòu)建流程示意圖Fig.4 Schematic diagram of the construction process based on the C4.5 system model

圖4 中對(duì)應(yīng)的電能計(jì)量裝置運(yùn)行狀態(tài)的參數(shù)如表1 所示。

表1 電能計(jì)量裝置運(yùn)行狀態(tài)參數(shù)設(shè)計(jì)Tab.1 Design of parameters of operating status of electric energy metering device

3.1 數(shù)據(jù)預(yù)處理

3.1.1 運(yùn)行數(shù)據(jù)融合

在電能計(jì)量裝置當(dāng)中，對(duì)二次回路當(dāng)中三相壓降相關(guān)的特征參數(shù)δ（′）以及f（%）進(jìn)行融合，融合后得到合成誤差。

系統(tǒng)運(yùn)行的三相電壓以及電流對(duì)應(yīng)的測(cè)量值變差可以通過(guò)式（7）以及式（8）進(jìn)行求取：

3.1.2 分析特征相關(guān)性

運(yùn)行數(shù)據(jù)融合之后得到新的特征數(shù)據(jù)，對(duì)系統(tǒng)中包含的里變量做出獨(dú)熱編碼，而后對(duì)數(shù)據(jù)特征屬性進(jìn)行相關(guān)性分析，依據(jù)相關(guān)性大小進(jìn)行決策樹(shù)當(dāng)中特征屬性的選擇。

3.2 算例仿真

3.2.1 運(yùn)行狀態(tài)

電能計(jì)量裝置在正常運(yùn)行狀態(tài)下，其各項(xiàng)運(yùn)行參數(shù)指標(biāo)如下：電能表的有功變差在0.1%以內(nèi)，有功誤差在0.16%以內(nèi)，等級(jí)為0.2S；電能表的無(wú)功變差在1%以內(nèi)，無(wú)功誤差在1.6%以內(nèi)，等級(jí)為2；二次壓降的合成變差在0.06%以內(nèi)，合成誤差在0.16以內(nèi)；二次回路中電壓互感器的負(fù)荷為2.5 VA～80%，電流互感器的負(fù)荷為3.75 VA～80%，三相電流對(duì)應(yīng)監(jiān)測(cè)的變差在10%以內(nèi)，電壓對(duì)應(yīng)監(jiān)測(cè)的變差在2%以內(nèi)。

3.2.2 算例設(shè)計(jì)

算例在Anaconda 環(huán)境中實(shí)現(xiàn)，使用python 語(yǔ)言，機(jī)器學(xué)習(xí)數(shù)據(jù)庫(kù)采用sklearn。通過(guò)CART 算法與C4.5 算法做出對(duì)比，驗(yàn)證設(shè)計(jì)系統(tǒng)的可行性，數(shù)據(jù)集所得結(jié)果如表2 所示。

表2 電能計(jì)量裝置數(shù)據(jù)集Tab.2 Data set of energy metering devices

表2 中通過(guò)K 折交叉驗(yàn)證的方式，將數(shù)據(jù)隨機(jī)分配為10 組，其中1 組為驗(yàn)證集，9 組為訓(xùn)練集，之后進(jìn)行重新隨機(jī)選取，一次進(jìn)行交叉驗(yàn)證。

3.3 仿真結(jié)果分析

3.3.1 C4.5 仿真結(jié)果

結(jié)合C4.5 算法進(jìn)行故障自動(dòng)化診斷系統(tǒng)仿真后得到的可視化結(jié)果，從根節(jié)點(diǎn)的分割方式來(lái)看，先通過(guò)二次壓降的C 相進(jìn)行劃分，其對(duì)應(yīng)的變差為X9，對(duì)應(yīng)的信息增益比為1.5。其中1 組104，對(duì)應(yīng)的value=［28，33，43］，即正常值為28，預(yù)警值為33，故障值為43；另一組103，對(duì)應(yīng)value=［28，70，5］，即正常值為28，預(yù)警值為70，故障值為5。1 組104 中，依據(jù)二次壓降A(chǔ) 相的變差繼續(xù)進(jìn)行劃分，2 組103中，依據(jù)電能表對(duì)應(yīng)的無(wú)功誤差繼續(xù)進(jìn)行劃分，其他層次依次類(lèi)推劃分。

3.3.2 CART 仿真結(jié)果

結(jié)合CART 算法進(jìn)行故障自動(dòng)化診斷系統(tǒng)仿真后得到的可視化結(jié)果。根節(jié)點(diǎn)以X19 即三相電壓監(jiān)測(cè)的一致性進(jìn)行分割，對(duì)應(yīng)基尼系數(shù)為0.625，一組16，對(duì)應(yīng)value=［16，0，0］，即正常值為16，預(yù)警值為0，故障值為0；另一組191，對(duì)應(yīng)value=［40，103，48］，即正常值為40，預(yù)警值為103，故障值為48。而后一次進(jìn)行向下分割。

3.4 工程調(diào)參及結(jié)果對(duì)比

在不同決策樹(shù)對(duì)應(yīng)的深度中，通過(guò)對(duì)參數(shù)進(jìn)行調(diào)整，比較2 種算法的準(zhǔn)確率。其中決策樹(shù)深度與準(zhǔn)確率的關(guān)系如表3 所示。

表3 決策樹(shù)深度對(duì)準(zhǔn)確率影響Tab.3 Influence of decision tree depth on accuracy

決策樹(shù)深度與預(yù)測(cè)準(zhǔn)確率的關(guān)系如圖5 所示。

圖5 決策樹(shù)深度與準(zhǔn)確率關(guān)系Fig.5 Relationship between decision tree depth and accuracy

結(jié)合圖5 與表3，CART 算法與C4.5 算法均能保證決策樹(shù)的預(yù)測(cè)準(zhǔn)確率，且深度越深，能夠得到越高的準(zhǔn)確率。但是決策樹(shù)的同等深度下，CART 算法的準(zhǔn)確率相對(duì)更高，因此系統(tǒng)設(shè)計(jì)中采用CART算法。

結(jié)合CART 算法的故障監(jiān)測(cè)系統(tǒng)與人工判讀的方式進(jìn)行對(duì)比，其比較結(jié)果如表4 所示。由表4可知，決策樹(shù)算法在快速高效的同時(shí)，能夠更大程度地提高對(duì)故障判斷的準(zhǔn)確率。

表4 人工判讀與CART 算法檢測(cè)系統(tǒng)對(duì)比Tab.4 Comparison between manual interpretation and CART algorithm detection system

4 結(jié)語(yǔ)

在電能計(jì)量裝置的在線監(jiān)測(cè)系統(tǒng)中，引入了改進(jìn)的決策樹(shù)算法，以期提高電能計(jì)量裝置的故障診斷效率以及精確度。通過(guò)算例驗(yàn)證，基于改進(jìn)決策樹(shù)算法的電能計(jì)量裝置故障自動(dòng)化診斷系統(tǒng)能夠?qū)﹄娔苡?jì)量裝置進(jìn)行實(shí)時(shí)分類(lèi)預(yù)測(cè)，通過(guò)算例模型進(jìn)行數(shù)據(jù)比對(duì)，精確識(shí)別運(yùn)行狀態(tài)，及時(shí)提供預(yù)警和故障信息。算例結(jié)果表明，該辦法能夠?qū)崿F(xiàn)比人工判定更高的精確度，同時(shí)效率更高。