基于Apriori算法的电网故障确定方法及存储介质与流程

基于apriori算法的电网故障确定方法及存储介质
技术领域
1.本发明涉及基于apriori算法的电网故障确定方法及存储介质，属于电网故障确定技术领域。


背景技术：

2.随着目前电力公司对管理和运维水平的提高，单一类型数据分析的运行方式，已不能很好的满足目前的电力系统生产要求，鉴于故障信息系统种类越来越多、精度要求越来越高，电力公司更希望能够采取一种基于大数据模式的运行管理模式。在电网长期运行过程中积累了大量故障数据，这些故障数据有故障相关的电压状态、电流状态、继电保护装置动作及运行信息等，当故障发生时，会产生一系列的电气反应，继而引发保护装置动作，故障处理过程启动。这一系列继发过程之间有着某种强相关联性，单一类型数据分析的运行方式不能很好的满足目前的电力系统生产要求。常规的数据分析方法在数据层面缺乏一个准确描述这种强相关联性规则的故障诊断模型，所以导致现有的信息系统只能从单一类型证据来判定故障类型，抗扰度较差，对复杂故障的分析，对多源数据的整理和校对只能依赖人工，工作效率低。目前电网故障诊断过程中，电网调度人员需要综合多套信息系统的数据进行研判并完成调度决策，存在以下问题：
3.1)信息系统数据量大且格式不统一，数据内在联系不紧密，未能实现融合分析；
4.2)信息系统数量增多，出错概率增大，缺乏数据校验手段，故障诊断可靠性降低；
5.3)信息系统原理各不相同，依靠人工分析难度大、效率低、准确性低。


技术实现要素：

6.本发明所要解决的技术问题是克服现有技术的缺陷，提供基于apriori算法的电网故障确定方法及存储介质，扫描历史故障数据并进行容错处理及概化，建立故障诊断模型，结合当前故障的电流、电压、开关变量等故障因素的变化特性，从宏观角度对故障类型进行探索，实现线路故障后的故障因素的综合分析，使得故障分析结果有更好的针对性和选择性。
7.第一方面，本发明提供基于apriori算法的电网故障确定方法，包括：
8.预处理预先获取的故障数据，获得标准化的故障数据；
9.将标准化的故障数据输入预先构建的故障诊断模型中，获得故障类型；
10.其中，将标准化的故障数据输入预先构建的故障诊断模型中，获得故障类型，包括：
11.利用故障诊断模型中的apriori算法和预设支持度，迭代筛选获得标准化的故障数据中的故障因素频繁项集；
12.计算故障诊断模型中的预设置信度；
13.利用预先建立故障因素频繁项集和故障类型之间的逻辑关系数据库，以及故障诊断模型中的预设置信度对故障因素频繁项集排序，获得故障类型。
14.结合第一方面，预处理预先获取的故障数据，获得标准化的故障数据，包括：
15.对预先获取的故障数据进行数据容错处理，获得数据容错处理后的故障数据；
16.对数据容错处理后的故障数据进行数据标准化转换，获得标准化的故障数据。
17.结合第一方面，对预先获取的故障数据进行数据容错处理，获得数据容错处理后的故障数据，包括：
18.若预先获取的故障数据的属性缺失，则查询属性库，其中属性库包含属性、属性类型和补偿信息，利用补偿信息对缺失的属性进行补充；
19.对不存在属性缺失的预先获取的故障数据或补充后的故障数据进行模糊测度和定序分类，获得数据容错处理后的故障数据。
20.结合第一方面，对预先获取的故障数据进行数据容错处理，获得数据容错处理后的故障数据，包括：
21.若预先获取的故障数据中故障因素数据的缺失数量高于设定的故障因素数据上限阈值，则利用拉格朗日插值补齐缺失的故障因素数据；
22.若预先获取的故障数据中故障因素数据的缺失数量低于设定的故障因素数据下限阈值，则利用线性求取平均值补齐缺失的故障因素数据；
23.若存在冗余的预先获取的故障数据，则删除冗余的预先获取的故障数据；
24.对不存在故障因素数据缺失的故障数据、不存在冗余的预先获取的故障数据、补齐缺失故障因素数据的故障数据或删除冗余的预先获取的故障数据，进行相似测度转换和粒度转换，获得第一预处理故障数据；
25.对第一预处理故障数据进行定距分类或定比分类，获得数据容错处理后的故障数据。
26.结合第一方面，对预先获取的故障数据进行数据容错处理，获得数据容错处理后的故障数据，包括：
27.若预先获取的故障数据中故障因素数据的缺失数量高于设定的故障因素数据上限阈值，则利用拉格朗日插值补齐缺失的故障因素数据；
28.若预先获取的故障数据中故障因素数据的缺失数量低于设定的故障因素数据下限阈值，则利用线性求取平均值补齐缺失的故障因素数据；
29.若存在冗余的预先获取的故障数据，则删除冗余的预先获取的故障数据，获得数据容错处理后的故障数据。
30.结合第一方面，对数据容错处理后的故障数据进行数据标准化转换，获得标准化的故障数据，包括：
31.对非数值的数据容错处理后的故障数据进行数值化处理，获得枚举型数据；
32.若枚举型数据存在属性异构，则利用模糊测度检测枚举型数据；
33.若利用模糊测度检测枚举型数据的结果为合格，则对枚举型数据进行粒度转换，获得标准化的故障数据。
34.结合第一方面，若枚举型数据存在属性异构，则利用模糊测度检测枚举型数据，包括：
35.定义属性组合空间ω＝{c1，c2，
…
，ck}，每个属性ci的所属部门和定义记载在预先构建的属性库中，i∈[1,k]；
[0036]
获取枚举型数据的属性集合f＝{f1，f2，
…
，fk}，fk为第k个枚举型数据的属性；
[0037]
若任意i(1≤i≤k)，有fi∈ci，则判定枚举型数据为合格。
[0038]
结合第一方面，若利用模糊测度检测枚举型数据的结果为合格，则对枚举型数据进行粒度转换，获得标准化的故障数据，包括：
[0039]
若利用模糊测度检测枚举型数据的结果为合格，则对枚举型数据进行定距分类或者定比分类，获得标准化的故障数据。
[0040]
结合第一方面，预先构建故障诊断模型，包括：
[0041]
在历史故障数据中进行随机抽样，获得历史样本数据；
[0042]
利用apriori算法和预设支持度迭代筛选获得历史样本数据中的历史故障因素频繁项集；
[0043]
利用预设置信度计算历史故障因素频繁项集中故障因素之间关联度值；
[0044]
利用关联度值对故障因素频繁项集排序，获得故障诊断模型。
[0045]
第二方面，本发明提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现第一方面任一项所述方法的步骤。
[0046]
第三方面，本发明提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现第一方面任一项所述方法的步骤。
[0047]
本发明所达到的有益效果：
[0048]
本发明提供基于apriori算法的电网故障确定方法及存储介质，扫描历史故障数据并进行容错处理及概化，建立故障诊断模型，结合当前故障的电流、电压、开关变量等故障因素的变化特性，从宏观角度对故障类型进行探索，实现线路故障后的故障因素的综合分析，使得故障分析结果有更好的针对性和选择性。以后的操作只针对新故障数据进行处理,避免重复操作历史故障数据,扩充了故障诊断模型的体量，并提高了挖掘效率。
附图说明
[0049]
为了更清楚地说明本技术的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0050]
图1是本技术一些实施例中的事件树示意图；
[0051]
图2是本技术一些实施例中的数据概化过程的流程图；
[0052]
图3是本技术一些实施例中的原理框图。
具体实施方式
[0053]
为便于对申请的技术方案进行，以下首先在对本技术所涉及到的一些概念进行说明。
[0054]
在电网长期运行过程中积累了大量故障数据，故障数据包括故障相关的电压状态、电流状态、继电保护装置动作及运行信息，它们之间存在着反映电网故障机理的逻辑关系(强相关联性规则)，但是在数据层面缺乏一个准确描述这种强相关联性规则的故障诊断模型，所以导致现有的信息系统只能从单一类型证据来判定故障类型，抗扰度较差，对复杂
故障的分析，对多源数据的整理和校对只能依赖人工，工作效率低。
[0055]
apriori算法是一种经典的关联算法，可以从大量的数据中挖掘出隐含的、未知的、用户可能感兴趣的和对决策有潜在价值和故障诊断模型，然后采用逐层迭代的方法通过低维频繁项集得到高维频繁项集。
[0056]
因此本发明在电网故障的多源数据综合诊断中引入apriori算法，将数据挖掘中的故障诊断模型应用到电网故障的关联性分析中,发现大量故障数据中项与项之间有价值的故障诊断模型，从大量故障数据中发现知识，利用各类频繁项集挖掘算法来计算故障频繁项集,最后进行合并,挖掘其实际应用的价值。
[0057]
如图3所示，本技术提供基于apriori算法的电网故障确定方法，包括：预处理预先获取的故障数据，获得标准化的故障数据；将标准化的故障数据输入预先构建的故障诊断模型中，获得故障类型。
[0058]
在本实施例中，将标准化的故障数据输入预先构建的故障诊断模型中，获得故障类型，包括：利用故障诊断模型中的apriori算法和预设支持度，迭代筛选获得标准化的故障数据中的故障因素频繁项集；利用故障诊断模型中的预设置信度，计算故障因素频繁项集中故障因素之间关联度值；利用故障诊断模型中的关联度值对故障因素频繁项集排序，获得故障类型。
[0059]
在本实施例中，标准化的故障数据可以包括故障因素a、故障因素b、故障因素c、故障因素d和故障因素e，故障因素a、故障因素b、故障因素c、故障因素d和故障因素e可以是电压相别、电压相位、电压值、电流相别、电流相位、电流值、故障器件、故障原因、距离、电流、电压、开关变位、重合闸、保护动作和波形曲线等故障因素数据中随机选出的5个的组合。
[0060]
在本实施例中，如图1所示，利用故障诊断模型中的apriori算法和预设支持度，迭代筛选获得标准化的故障数据中的故障因素频繁项集，包括：参见图1给出的故障因素a、故障因素b、故障因素c、故障因素d和故障因素e之间的自连接关系，采用迭代的方法，先搜索出故障因素候选1项集{a，b，c，d，e}及对应的预设支持度，剪枝去掉低于预设支持度的故障因素1项集，得到大于或等于预设支持度的故障因素频繁1项集。然后对大于或等于预设支持度的故障因素频繁1项集进行自连接，得到候选的故障因素频繁2项集，筛选去掉低于预设支持度的故障因素候选频繁2项集，得到真正的大于或等于预设支持度的故障因素频繁2项集{ac，ad，ae，bc，bd，be，cd，ce，de}，以此类推，迭代下去，直到无法找到故障因素频繁项集为止，对应的故障因素频繁3项集的集合即为标准化的故障数据中的故障因素频繁项集。
[0061]
电网故障综合诊断的可靠性的故障诊断模型主要体现在多源故障数据所包含的故障因素关联的预设支持度和预设置信度：
[0062]
1)支持度：强相关联性规则a-》b的预设支持度support＝p(ab)，指故障因素a和故障因素b同时在总项集里出现的概率。该指标可作为建立强关联规则的第一个门槛，通过设定最小支持度阈值s
min
，剔除那些出现概率较低的无意义的故障诊断模型，而保留下出现较为频繁的项集所隐含的故障诊断模型。
[0063]
2)置信度：预设置信度confidence＝p(b|a)＝p(ab)/p(a),即在含有故障因素a的项集中，含有故障因素b的概率，置信度可以表明故障因素之间关联度的大小。
[0064]
对于事故处理过程中包含有大量的非数字语言的文件，故障数据来自于多个专业和多个系统，存在大量分散、异构、冗余以及需要推理和关联的故障数据，这些原始概念的
故障数据不能都被计算机识别出来，且不易于被算法使用，故障数据可以分为两类：一类是枚举型数据，用文字表示，如相别、故障器件和故障原因；另一类是量化型数据，如距离、电流和电压。首先基于输电线路故障信息，匹配对应的故障文件，找出故障窗口，对故障窗口中故障数据进行概化，采用以下步骤，如图2所示。在本实施例中，预处理预先获取的故障数据，获得标准化的故障数据，包括：
[0065]
故障数据(未经容错处理或标准化转换的故障数据)的概化过程可分为以下两部分：
[0066]
对预先获取的故障数据进行数据容错处理，获得数据容错处理后的故障数据；对数据容错处理后的故障数据进行数据标准化转换，获得标准化的故障数据。
[0067]
在本实施例中，对预先获取的故障数据进行数据容错处理，获得数据容错处理后的故障数据，包括：在本实施例中，若故障数据中存在缺失或冗余的情况，导致故障数据重复处理或无法正确解读，则首先扫描故障文件，以进行初始判断；若预先获取的故障数据中故障因素数据的缺失数量高于设定的故障因素数据上限阈值，则利用拉格朗日插值补齐缺失的故障因素数据；若预先获取的故障数据中故障因素数据的缺失数量低于设定的故障因素数据下限阈值，则利用线性求取平均值补齐缺失的故障因素数据；若存在冗余的预先获取的故障数据，则删除冗余的预先获取的故障数据，获得数据容错处理后的故障数据。然后对不存在故障因素数据缺失的故障数据、不存在冗余的预先获取的故障数据、补齐缺失故障因素数据的故障数据或删除冗余的预先获取的故障数据，进行相似测度转换和粒度转换，获得第一预处理故障数据。对第一预处理故障数据进行定距分类或定比分类，获得概化后数据(即数据容错处理后的故障数据)。
[0068]
获取故障文件，扫描故障文件，获得预先获取的故障数据；若预先获取的故障数据的属性缺失，则查询预先构建的属性库，属性库中包含有属性类型及对应的补偿信息，利用补偿信息对缺失的属性进行补充；对不存在属性缺失的预先获取的故障数据或补充后的故障数据进行模糊测度和定类分类，并利用补偿信息对缺失的属性进行补充；若预先获取的故障数据没有属性缺失，则对预先获取的故障数据进行模糊测度和定类分类，获得概化后数据(即数据容错处理后的故障数据)。
[0069]
在本实施例中，由于记录故障的设备来自于多个厂家，故障文件规格不一，标准量不同，多样性带来了数据的不一致性，例如，即使相同的电流或电压，ct/pt变比的不同会来带电流或电压很大的偏差，或者具有不同的量纲和数量级。需要对数据容错处理后的故障数据进行标准化转换，包括：对存在数据属性语义不标准的枚举型数据进行模糊测度和定序分类；对存在不同量纲和数量级差异的量化型数据进行相似测度转换、定距或定比分类。
[0070]
在本实施例中，若故障数据中的枚举型数据属性存在不标准的语义，则利用模糊测度检测枚举型数据，包括：定义所有属性组合空间设为ω，其中有k个属性，属性组合空间ω＝{c1，c2，
…
，ck}，每个属性ci的所属部门和定义记载在预先构建的属性库中，i∈[1,k]，其目的是将各异构的属性转换成标准语义；获取枚举型数据的属性集合f{f1，f2，
…
，fk}，fk为第k个枚举型数据的属性；若任意i(1≤i≤k)，有fi∈ci，则判定枚举型数据为合格。
[0071]
在本实施例中，在匹配过程中难免存在数据无法识别的情况，可进行人工干预，随着属性库的积累，转换率也将会提高。而后对故障数据中的枚举型数据属性进行定序分类,例如故障分类包括电源故障、电路故障、设备故障和元件故障。
[0072]
在本实施例中，若故障数据中的量化型数据存在不同量纲和数量级差异，则对量化型数据进行相似测度转换，将不同量纲和数量级差异的量化型数据转换为无量纲的纯数值。
[0073]
在本实施例中，对于不同量纲的情况：例如某组故障数据的电压幅值采用的是电力系统一次值量纲，而大多故障数据采用是电力系统二次值量纲，或者电力系统中根据负载不同，各厂站二次额定电流存在1a或5a的不同选择，此时不采用幅值大小而采用幅值比值作为故障因素，例如故障时刻前/后一周波电流比值、最大故障电流/额定值、重合闸后电流/额定值等，其相似度计算采用常用的欧式距离计算方法。
[0074]
在本实施例中，对于不同数量级的情况：例如同周波间隔时间内采样点数量级差异，此时不采用采样点数量或逐采样点幅值作为故障因素，而采用周波曲线变化率作为故障因素，其相似度计算采用常用的余弦距离计算方法。
[0075]
在本实施例中，对于不标准的故障数据，需要进行粒度转换，使之落入一个小的特定区间，虽会产生一些细节的丢弃，但粒度化后的故障数据更有意义，更容易获得有效的特征。对电流幅值、电压幅值和周波时间间隔等属性利用定距分类或者定比分类的分类方法完成粒度转换，例如，故障相关的电流幅值依据定距分类方法划分为超低、低、中、中高、高和超高，同样的对其他连续的电压幅值和周波时间间隔等故障数据转换并映射到相应的特定区间。
[0076]
在本实施例中，预先构建故障诊断模型，包括：在历史故障数据中进行随机抽样，获得历史样本数据；利用apriori算法和预设支持度迭代筛选获得历史样本数据中的历史故障因素频繁项集；利用预设置信度计算历史故障因素频繁项集中故障因素之间关联度值；利用关联度值对故障因素频繁项集排序，获得故障诊断模型。历史故障数据可以是历史记录的电压相别、电压相位、电压值、电流相别、电流相位、电流值、故障器件、故障原因、距离、电流、电压、开关变位、重合闸、保护动作和波形曲线。
[0077]
在本实施例中，对于故障诊断模型的建立，需要从历史故障数据中随机抽取部分历史故障数据，将部分历史故障数据作为样本，将样本组成的数据集作为故障诊断模型的训练集。每个样本可以表示为一个属性元组，表征故障状态特征属性。利用apriori算法对概化后的原始故障数据进行挖掘，对比历史事件过程的数据曲线、开关变位和持续时间等特征量，查找相似案例，参考历史故障记录的事件原因、处理方法，建立故障诊断模型，步骤如下：
[0078]
1)故障诊断模型m＝《dia，state(value)》，dia为事件原因d及对应的故障处理方法，d＝{d1，d2，
…
，dn}为故障类型的组合，故障类型的总数为n，di为第i个故障类型，state(value)为概化后的故障类型对应的故障状态信息，每种故障类型都有对应的诊断结果及故障处理方法。定义c＝{c1，c2，
…
，cm}为数据库中的故障状态信息，故障因素频繁项集ck＝{c1，c2，
…
，c
p
}为数据库中的故障状态信息c中一条故障因素频繁项集，k∈[1,m]，故障因素频繁项集ck支持度为依据运行情况设定最小支持度阈值s
min
，故障因素频繁项集ck支持度为的计算公式为：其中，num(ck)为故障因素频繁项集ck发生的次数，w为所有故障发生的次数。
[0079]
2)依次对故障因素频繁项集ck进行支持度计算，并对故障因素频繁项集ck进行支
持度过滤，如果故障因素频繁项集故障因素频繁项集ck将会被过滤，s
min
值并不是一成不变的，取决于数据库中的故障状态的数量及质量。对于故障因素频繁项集的情况可能是存在的极少数的保护设备故障或开关拒动，以s
min
为标准进行支持度过滤，利用故障诊断模型中的apriori算法和预设支持度，迭代筛选获得符合要求的故障因素频繁项集。
[0080]
3)计算故障类型di的置信度，即利用式(2)计算故障因素频繁项集ck对故障类型di的置信度confidence(ck＝＞d)：
[0081][0082]
置信度体现了在故障因素频繁项集ck下被诊断为故障类型di的概率，预先建立故障因素频繁项集ck和故障类型之间的逻辑关系数据库，通过查询逻辑关系数据库，可以获得故障因素频繁项集对应的故障类型。
[0083]
4)以上工作完成后即建立了故障诊断模型m，根据历史数据建立故障诊断模型m，对故障进行科学分类，并根据数据量的增加进行新的故障诊断模型创建，故障判断的准确率将会随着故障诊断模型的丰富而提高。比对最新的故障现场采集的信息，根据故障典型状态分析，获得故障类型的置信度，实现确认故障类型的功能，进而提升复杂故障判定的准确性和效率，提高对调度决策支持的智能化水平。
[0084]
根据实验数据概化成果，利用apriori算法进行强相关联性规则挖掘，鉴于故障的多样性及复杂性，设置最小支持度s
min
为0.05，最小置信度confidence(ck＝＞di)为0.5，对具有多源属性的故障数据进行挖掘，建立故障诊断模型。取50次典型故障案例，利用故障诊断模型判别故障类型，并获得相应状态下的置信度，其中43次判断结果准确，可见利用强相关联性规则来分析电网故障取得了较好的效果,具有较高的实用性和可靠性。
[0085]
部分结果见表1，限于表格大小，仅展示局部状态量。
[0086]
表1故障案例关联性故障因素分析表
[0087][0088]
对表1中的故障案例进行分析：案例1的断路器分闸时间超时现象，相较于以前类似事故，判定故障类型为断路器二次控制回路故障；案例2的热稳定持续时间较长，且具有短路电流过高、冲击频次较大、数值相当等相似性，因往年为短路冲击导致变压器绕组变形令绝缘强度降低，系统据此判断故障类型为变压器短路故障；案例3、案例4、案例5依据相电
流电压发生改变及变化量的关联性，分别判定故障类型为单相接地短路、两相短路、单相断相。
[0089]
实施例二
[0090]
在本实施例中，本发明提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述任一项所述方法的步骤。
[0091]
在本实施例中，本发明提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述任一项所述方法的步骤。
[0092]
本发明通过挖掘在电网发生故障的情况下功能、设备和类型的故障信息的强相关联性规则，并基于强相关联性规则实现电网故障包括保护信息、录波文件等信息处理过程建模，开展设备运行信息分析和诊断，并结合该特点提出基于apriori算法建立故障诊断模型。
[0093]
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。
[0094]
本领域技术人员在考虑说明书及实践这里发明的发明后，将容易想到本发明的其它实施方案。本技术旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未发明的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本发明的真正范围和精神由下面的权利要求指出。
[0095]
以上的具体实施方式，对本技术的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上仅为本技术的具体实施方式而已，并不用于限定本技术的保护范围，凡在本技术的技术方案的基础之上，所做的任何修改、等同替换、改进等，均应包括在本技术的保护范围之内。

技术特征：
1.基于apriori算法的电网故障确定方法，其特征在于，包括：预处理预先获取的故障数据，获得标准化的故障数据；将标准化的故障数据输入预先构建的故障诊断模型中，获得故障类型；其中，将标准化的故障数据输入预先构建的故障诊断模型中，获得故障类型，包括：利用故障诊断模型中的apriori算法和预设支持度，迭代筛选获得标准化的故障数据中的故障因素频繁项集；计算故障诊断模型中的预设置信度；利用预先建立故障因素频繁项集和故障类型之间的逻辑关系数据库，以及故障诊断模型中的预设置信度对故障因素频繁项集排序，获得故障类型。2.根据权利要求1所述的基于apriori算法的电网故障确定方法，其特征在于，预处理预先获取的故障数据，获得标准化的故障数据，包括：对预先获取的故障数据进行数据容错处理，获得数据容错处理后的故障数据；对数据容错处理后的故障数据进行数据标准化转换，获得标准化的故障数据。3.根据权利要求2所述的基于apriori算法的电网故障确定方法，其特征在于，对预先获取的故障数据进行数据容错处理，获得数据容错处理后的故障数据，包括：若预先获取的故障数据的属性缺失，则查询属性库，其中属性库包含属性、属性类型和补偿信息，利用补偿信息对缺失的属性进行补充；对不存在属性缺失的预先获取的故障数据或补充后的故障数据进行模糊测度和定序分类，获得数据容错处理后的故障数据。4.根据权利要求3所述的基于apriori算法的电网故障确定方法，其特征在于，对预先获取的故障数据进行数据容错处理，获得数据容错处理后的故障数据，包括：若预先获取的故障数据中故障因素数据的缺失数量高于设定的故障因素数据上限阈值，则利用拉格朗日插值补齐缺失的故障因素数据；若预先获取的故障数据中故障因素数据的缺失数量低于设定的故障因素数据下限阈值，则利用线性求取平均值补齐缺失的故障因素数据；若存在冗余的预先获取的故障数据，则删除冗余的预先获取的故障数据；对不存在故障因素数据缺失的故障数据、不存在冗余的预先获取的故障数据、补齐缺失故障因素数据的故障数据或删除冗余的预先获取的故障数据，进行相似测度转换和粒度转换，获得第一预处理故障数据；对第一预处理故障数据进行定距分类或定比分类，获得数据容错处理后的故障数据。5.根据权利要求2所述的基于apriori算法的电网故障确定方法，其特征在于，对数据容错处理后的故障数据进行数据标准化转换，获得标准化的故障数据，包括：对非数值的数据容错处理后的故障数据进行数值化处理，获得枚举型数据；若枚举型数据存在属性异构，则利用模糊测度检测枚举型数据；若利用模糊测度检测枚举型数据的结果为合格，则对枚举型数据进行粒度转换，获得标准化的故障数据。6.根据权利要求5所述的基于apriori算法的电网故障确定方法，其特征在于，若枚举型数据存在属性异构，则利用模糊测度检测枚举型数据，包括：定义属性组合空间ω＝{c1，c2，
…
，c
k
}，每个属性c
i
的所属部门和定义记载在预先构建
的属性库中，i∈[1,k]；获取枚举型数据的属性集合f＝{f1，f2，
…
，f
k
}，f
k
为第k个枚举型数据的属性；若任意i(1≤i≤k)，有f
i
∈c
i
，则判定枚举型数据为合格。7.根据权利要求5所述的基于apriori算法的电网故障确定方法，其特征在于，若利用模糊测度检测枚举型数据的结果为合格，则对枚举型数据进行粒度转换，获得标准化的故障数据，包括：若利用模糊测度检测枚举型数据的结果为合格，则对枚举型数据进行定距分类或者定比分类，获得标准化的故障数据。8.根据权利要求1所述的基于apriori算法的电网故障确定方法，其特征在于，预先构建故障诊断模型，包括：在历史故障数据中进行随机抽样，获得历史样本数据；利用apriori算法和预设支持度迭代筛选获得历史样本数据中的历史故障因素频繁项集；利用预设置信度计算历史故障因素频繁项集中故障因素之间关联度值；利用关联度值对故障因素频繁项集排序，获得故障诊断模型。9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1至8中任一项所述方法的步骤。10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至8中任一项所述方法的步骤。

技术总结
本发明公开基于Apriori算法的电网故障确定方法及存储介质，将标准化的故障数据输入预先构建的故障诊断模型中，获得故障类型，包括：利用故障诊断模型中的Apriori算法和预设支持度，迭代筛选获得标准化的故障数据中的故障因素频繁项集；计算故障诊断模型中的预设置信度；利用预先建立故障因素频繁项集和故障类型之间的逻辑关系数据库，以及故障诊断模型中的预设置信度对故障因素频繁项集排序，获得故障类型。本发明扫描历史故障数据并进行容错处理及概化，建立故障诊断模型，从宏观角度对故障类型进行探索，实现线路故障后的故障因素的综合分析。合分析。合分析。


技术研发人员：周海成 张明祥 尹昭舜 魏乔所 李学妨 尹丕祥 王飞 钱秋明 李理 郑托 杨鹏辉 徐学帅 熊晓川 李洪伟 黄博 张西 陈秋涛 孙绍臣 丁世琼 宋银松 王怀策 马加亮
受保护的技术使用者：云南电网有限责任公司普洱供电局
技术研发日：2023.04.28
技术公布日：2023/7/25