一种变电站设备异常及事故处理方法
技术领域
本发明涉及机器学习的技术领域，尤其涉及一种变电站设备异常及事故处理方法。
背景技术
随着用电需求不断增加，变电站的数量也在不断地增加，且变电巡维中心管辖的变电站较多，有的多达十几座，各变电站的一、二次设备有多种不同的型号，有常规综合自动化变电站、数字化变电站设备的不同，有常规敞开式设备、金属铠装密封开关柜设备、GIS设备、HGIS设备的不同等等。巡维中心的运维人员很难对所有的变电站一、二次设备均做到完全熟悉和掌握，当变电站现场设备出现异常或告警时，现场处理人员如果技能水平不够或对现场设备不熟悉，不能及时正确的处理异常及事故，可能造成设备缺陷扩大、或造成对用户延迟送电、甚至造成安全事故。
目前很多电力企业在建设集中式远程图像监控系统，但还没有一个基于变电站现场设备的异常及事故处理流程数据库，从而无法指引现场运维人员正确完成设备异常及事故的分析检查处理。
发明内容
本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。
鉴于上述现有存在的问题，提出了本发明。
因此，本发明解决的技术问题是：提出一种变电站设备异常及事故处理方法，使运维人员能够及时的发现设备问题并解决。
为解决上述技术问题，本发明提供如下技术方案：包括，
基于变电站现场设备的异常及事故信息和处理规范构建数据库；基于机器学习构建信息处理模型，利用所述模型将所述数据库的设备故障信息和处理规范进行关联和分类；结合蓝牙协议转换器将关联分类后的所述信息和处理规范传送至所述数据库中；当变电站设备异常时，运维人员利用移动终端检索所述数据库，获得匹配对应的所述处理规范，完成设备异常及事故的分析检查处理。
作为本发明所述的一种变电站设备异常及事故处理方法的一种优选方案，其中：所述异常及事故信息包括，巡维中心所辖变电站典型的、重要的、多发的设备异常及事故报警监控信息；变电站一、二次设备现场告警、故障信息；现场一、二次设备所对应的异常及故障原因、检查方法。
作为本发明所述的一种变电站设备异常及事故处理方法的一种优选方案，其中：所述检查方法包括，当空气断路器、设备保险丝及开关把手发生故障时，所述运维人员能够直观看到、听到、或通过万用表测量电源是否正常；检修人员通过查看设备历史故障信息及设备故障处理流程，检测回路通断，利用参数判断一、二次元件是否运行正常。
作为本发明所述的一种变电站设备异常及事故处理方法的一种优选方案，其中：所述构建信息处理模型包括，将所述设备故障信息和处理规范作为训练集，并将所述训练集分为训练集X和训练集Y；以所述训练集X作为树的根节点，找出变异量最大的属性变量作为高层分割标准；通过对所述训练集X的学习训练构建一颗初始决策树；通过所述训练集Y对所述初始决策树进行剪枝操作；通过递归来构建一棵稳定的决策树，根据预测结果的正确率及满足条件，若符合要求，则完成分类操作，若不符合要求，则对决策树进行分支或剪枝。
作为本发明所述的一种变电站设备异常及事故处理方法的一种优选方案，其中：还包括，当分类操作完成后构建FP树：第一遍扫描分类后的数据，对所有元素1项集出现的次数进行计数，记录所有的1项频繁集出现的次数，并按照次数降序排列；第二遍扫描所述分类后的数据，利用所述FP树挖掘频繁项集。
作为本发明所述的一种变电站设备异常及事故处理方法的一种优选方案，其中：所述递归包括，当程序遍历所有划分所述训练集的属性，或者每个分支下的所有实例都具有相同的分类时，若所述所有实例具有所述相同的分类，则得到一个叶子节点或者终止块，任何到达所述叶子节点的数据必然属于所述叶子节点的分类。
作为本发明所述的一种变电站设备异常及事故处理方法的一种优选方案，其中：所述剪枝包括，通过极小化决策树整体的损失函数来实现，从已经生成的树上裁掉一些子树或叶子节点，并将其根节点或父节点作为新的叶子节点。
作为本发明所述的一种变电站设备异常及事故处理方法的一种优选方案，其中：所述损失函数包括，决策树学习的损失函数定义为：
其中，T表示所述子树的叶子节点，Ht(T)表示第t个叶子的熵，Rt表示该叶子所含的训练样例的个数，β为惩罚系数。
作为本发明所述的一种变电站设备异常及事故处理方法的一种优选方案，其中：所述叶子的熵包括，
其中，Rtk为类Rt的样本个数；所述叶子的熵越大，随机变量的不确定性就越大。
作为本发明所述的一种变电站设备异常及事故处理方法的一种优选方案，其中：所述蓝牙协议转换器包括，提前编写蓝牙运行体并安装至所述蓝牙协议转换器内；所述蓝牙协议转换器接收待处理的数据并通知所述蓝牙运行体向所述数据库发送传输数据请求；所述蓝牙运行体将接收的所述数据上传到所述数据库中，发送心跳包，判断网络通信是否正常并接收所述关联分类后的信息和处理规范。
本发明的有益效果：通过对信息检索和确认，快速找到设备异常及事故的来源、原因、处理方法的流程指引，指引现场人员正确判断信息的性质，提供现场异常及事故正确处理的方法和流程。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：
图1为本发明第一个实施例所述的一种变电站设备异常及事故处理方法的流程示意图；
图2为本发明第一个实施例所述的一种变电站设备异常及事故处理方法的信息处理模型；
图3为本发明第二个实施例所述的对比测试的决策树训练的测试结果；
图4为本发明第二个实施例所述的对比测试的一个条件模式基的频繁项集；
图5为本发明第二个实施例所述的对比测试的多个条件模式基的频繁项集；
图6为本发明第一个实施例所述的对比测试的FP树第二次扫描结果。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明的保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。
本发明结合示意图进行详细描述，在详述本发明实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。
同时在本发明的描述中，需要说明的是，术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一、第二或第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
本发明中除非另有明确的规定和限定，术语“安装、相连、连接”应做广义理解，例如：可以是固定连接、可拆卸连接或一体式连接；同样可以是机械连接、电连接或直接连接，也可以通过中间媒介间接相连，也可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
实施例1
参照图1～图2，为本发明的第一个实施例，本发明的第一个实施例提供了一种变电站设备异常及事故处理方法，包括：
S1：基于变电站现场设备的异常及事故信息和处理规范构建数据库。其中需要说明的是，设备的异常及事故信息包括：
(1)巡维中心所辖变电站典型的、重要的、多发的设备异常及事故报警监控信息；
(2)变电站一、二次设备现场告警、故障信息；
(3)现场一、二次设备所对应的异常及故障原因、检查方法。
具体的，检查方法如下：
(1)当空气断路器、设备保险丝及开关把手发生故障时，运维人员能够直观看到、听到、或通过万用表测量电源是否正常；
(2)检修人员通过查看设备历史故障信息及设备故障处理流程，检测回路通断，利用参数判断一、二次元件是否运行正常。
S2：基于机器学习构建信息处理模型，利用模型将数据库的设备故障信息和处理规范进行关联和分类。本步骤需要说明的是：
(1)将设备的故障信息和处理规范作为训练集，并将训练集分为训练集X和训练集Y；
(2)以训练集X作为树的根节点，找出变异量最大的属性变量作为高层分割标准；
(3)通过对训练集X的学习训练构建一颗初始决策树；
(4)通过训练集Y对初始决策树进行剪枝操作；
(5)通过递归来构建一棵稳定的决策树，根据预测结果的正确率及满足条件，若符合要求，则完成分类操作，若不符合要求，则对决策树进行分支或剪枝；
递归的步骤如下：
基于最好的属性值划分原始训练集，由于特征值可能多于两个，因此可能存在大于两个分支的训练集划分，第一次划分之后，数据将被向下传递到树分支的下一个节点，在此节点在此划分数据。
递归结束的条件是：
当程序遍历所有划分所述训练集的属性，或者每个分支下的所有实例都具有相同的分类时，若所述所有实例具有所述相同的分类，则得到一个叶子节点或者终止块，任何到达所述叶子节点的数据必然属于所述叶子节点的分类。
剪枝的步骤如下：
通过极小化决策树整体的损失函数来实现，从已经生成的树上裁掉一些子树或叶子节点，并将其根节点或父节点作为新的叶子节点。
需要说明的是，决策树学习的损失函数定义为：
其中，T表示所述子树的叶子节点，Ht(T)表示第t个叶子的熵，Rt表示该叶子所含的训练样例的个数，β为惩罚系数。
叶子的熵定义为：
其中，Rtk为类Rt的样本个数；熵越大，随机变量的不确定性就越大。
具体的，剪枝就是当β确定时，选择损失函数最小的模型，即损失函数最小的子树。
损失函数认为对于每个分类终点(叶子节点)的不确定性程度就是分类的损失因子，而叶子节点的个数是模型的复杂程度，作为惩罚项，损失函数的第一项是样本的训练误差，第二项是分类模型的复杂度。如果一棵子树的损失函数值越大，说明这棵子树越差，损失函数最小化就是用正则化的极大似然估计进行分类模型选择的过程。
决策树的剪枝过程(泛化过程)是从叶子节点开始递归，记其父节点将所有子节点回缩后的子树为Tb(分类值取类别比例最大的特征值)，未回缩的子树为Ta。如果Cα(Ta)≥Cα(Tb)，则说明回缩后使得损失函数减小了，那么应该使这棵子树回缩，递归直到无法回缩为止，这样多次进行剪枝可以降低损失函数值，也使决策树得到泛化。
较佳的是，决策树的生成只是考虑通过提高信息增益对训练数据进行更好的拟合，而决策树剪枝通过优化损失函数还考虑了减小模型复杂度。
(6)当分类操作完成后构建FP树：第一遍扫描分类后的数据，对所有元素1项集出现的次数进行计数，记录所有的1项频繁集出现的次数，并按照次数降序排列；
具体的，第一次扫描，过滤掉所有不满足最小支持度的项，对于满足最小支持度的项，按照全局最小支持度排序，在此基础上，为了处理方便，也可以按照项的关键字再次排序。
(7)第二遍扫描所述分类后的数据，利用FP树挖掘频繁项集。
具体的，参与扫描的是过滤后的数据，如果某个数据项是第一次遇到，则创建该节点，并在headTable中添加一个指向该节点的指针；否则按路径找到该项对应的节点，修改节点信息。
S3：结合蓝牙协议转换器将关联分类后的信息和处理规范传送至数据库中。本步骤需要说明的是：
(1)提前编写蓝牙运行体并安装至蓝牙协议转换器内；
(2)蓝牙协议转换器接收待处理的数据并通知蓝牙运行体向数据库发送传输数据请求；
(3)蓝牙运行体将接收的所述数据上传到数据库中，发送心跳包，判断网络通信是否正常并接收关联分类后的信息和处理规范。
S4：当变电站设备异常时，运维人员利用移动终端检索所述数据库，获得匹配对应的所述处理规范，完成设备异常及事故的分析检查处理。
当现场网络不佳时，运维人员也可通过蓝牙连接移动终端查看异常设备的处理规范。
具体的，蓝牙连接移动终端需建立GATT，GATT连接的顺序是：
(1)首先通过BluetoothAdapter的getRemoteDevice(address)方法获取大相应BLE从设备的BluetoothDevice，其中的address为目标蓝牙设备MAC地址；
(2)然后通过此BluetoothDevice的connectGatt(this,false,mGattCallback)方法获取设备连接。
优选的是，本发明通过机器学习构建的模型能更快速地将复杂繁多的设备问题和处理规范进行关联分类，采用低功耗蓝牙在保持同等通信范围的同时显著降低了功耗和成本，同时为变电运维人员、监控人员、调度人员提供了一个学习平台，特别是可作为运维人员现场实操培训平台，现场实训人员通过查看移动终端在现场可模拟基于变电站现场设备实际的典型事故及异常处理，能快速提高受训人员的事故及异常处理技能，并有效提高受训人员对现场设备的熟悉掌握水平。
实施例2
对本方法中采用的技术效果加以验证说明，本实施例选择人工关联分类和采用本方法进行对比测试，以科学论证的手段对比试验结果，以验证本方法所具有的真实效果。
根据下面的仿真实例对本发明所设计的方法进行验证。
本发明在Python平台上搭建了决策树，按照如下步骤进行测试，部分测试结果如图3所示：
(1)对文本中的数据进行预处理，解析数据行；
(2)快速检查数据，并使用createPlot()函数绘制最终的树形图；
(3)使用createTree()函数训练决策树；
(4)编写简单的测试函数验证决策树的输出结果和绘图结果；
(5)可选择将训练好的决策树进行存储，以便随时使用。
根据设定的支持度阈值筛选频繁1项集，构建项头表，然后对原始数据集去除非频繁1项集，并按照项头表顺序排列各项，步骤如下：
(1)只有一个条件模式基的情况，可以根据条件模式基较容易的构建频繁k项集，如图4先构建F的频繁2项集{A:2,F:2},{C:2,F:2},{E:2,F:2},{B:2,F:2}；然后构建频繁三项集{A:2,C:2,F:2}，{A:2,E:2,F:2}等，直到构建最大的频繁5项集{A:2,C:2,E:2,B:2,F:2}。
(2)不止一个条件模式基的情况，如图5，D有两个条件模式基{A:1,C:1,E:1,G:1}与{A:1,C:1}，通过构建条件FP树剔除非频繁项集，最终构建的条件模式基为{A:2,C:2}，再利用挖掘的条件模式基构建频繁项集。
将分类完成后的数据进行FP数的构建，步骤如下：
经过分类后的部分数据如表1所示。
表1：分类结果数据表。
(1)第一次扫描，过滤掉所有不满足最小支持度的项；对于满足最小支持度的项，按照全局最小支持度排序，在此基础上，为了处理方便，也可以按照项的关键字再次排序。
表2：第一次扫描后的结果数据表。
(2)第二次扫描，构造FP树。
扫描结果如图6所示，由图可知，headTable并不是随着FPTree一起创建，而是在第一次扫描时就已经创建完毕，在创建FPTree时只需要将指针指向相应节点即可。
表3：信息处理模型的训练结果数据表。
用了300条数据进行分类关联，正确率为99.2％。表2为人工分类关联与本方法的实验结果的对比数据，使用等量的样本数据进行实验。
表4：耗时与准确度对比表。
基于设备信息及规范复杂繁多的问题，本文基于机器学习进行数据训练。分别用决策树和FP数构建模型进行求解，测试结果表明，在引进决策树和FP树后对变电站设备的异常信息和处理规范的分类及关联效率得到了较大的提升，分类和关联的速度显著加快，准确度也有比较大的提升。
应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。
