CN104239437A

CN104239437A - 一种面向电网调度的智能告警分析方法

Info

Publication number: CN104239437A
Application number: CN201410433102.2A
Authority: CN
Inventors: 尚学伟; 李冶天; 陈昕; 王赞; 田石刚; 翟勇; 李世纶; 张亮; 李兵; 崔旭; 马忠佳; 付黎苏
Original assignee: State Grid Corp of China SGCC; Beijing Kedong Electric Power Control System Co Ltd; State Grid Heilongjiang Electric Power Co Ltd
Current assignee: State Grid Corp of China SGCC; State Grid Zhejiang Electric Power Co Ltd; Beijing Kedong Electric Power Control System Co Ltd; State Grid Heilongjiang Electric Power Co Ltd
Priority date: 2014-08-28
Filing date: 2014-08-28
Publication date: 2014-12-24
Anticipated expiration: 2034-08-28
Also published as: CN104239437B; WO2016029570A1

Abstract

本发明公开了一种面向电网调度的智能告警分析方法，包括如下步骤：提取电网的告警信息，对其进行预处理；对经过预处理的告警信息进行去噪，并得到去噪分类规则；对去噪后的告警信息进行归纳、去重，生成告警组合，对于每一个告警组合判断其所属的告警类型；对告警组合与其对应的告警类型进行关联规则的挖掘，得到电网告警推理规则。利用本发明，提高了告警信息中噪声数据的滤除率以及告警类型的全面性。

Description

一种面向电网调度的智能告警分析方法

技术领域

本发明涉及一种告警分析方法，尤其涉及一种面向电网调度的智能告警分析方法，属于电力***调度技术领域。

背景技术

随着电网规模的不断扩大，产生的告警信息也日益增长，每天有几千甚至上万条告警信息涌入控制中心。由于测量设备在运行中发生异常以及必要的设备检修将产生噪声数据，导致告警信息的准确率不够。同时，当前告警信息以极快的速度直接呈现给调度人员，并未形成具有关联关系的电网推理规则，导致调度人员无法快速地判断出告警类型。

为了保证告警信息准确，并能快速判断出告警类型，需要结合电网自身的特点和数据挖掘技术在电网中的发展情况，使用数据挖掘算法对海量告警信息进行挖掘，提高告警信息的噪声滤除率，挖掘出电网告警推理规则。

目前，国内外在告警信息去除噪声和提炼推理规则方面采用多种方法进行研究，取得了一定的成果。具体如下：

1)提出基于规则式的智能告警处理器。

2)将人工神经网络的方法应用于智能告警***中，用来分析复合告警。

3)将序列模式挖掘用于告警信息处理中，挖掘出告警信息在时间上先后报发的关联关系。

4)将决策树用于告警信息去噪中。

5)利用粗糙集获得告警信息之间的关联关系，得到电网告警规则。

在潘莉发表的硕士论文《数据挖掘技术在SCADA告警信息分析中的应用研究》(华北电力大学，2006年)中，提出了利用决策树算法对SCADA中的告警信息进行去噪，可以有效地去除告警信息中的噪声数据。在晁进、刘文颖、刘勇智和赵连斌共同发表的论文《基于粗糙集理论的电网告警规则自动提取与应用》(刊载于《电力***保护与控制》，2011年08期)中，提出利用粗糙集理论对告警信息进行分析，自动提取电网告警规则。

但是，现有技术中采用决策树算法进行去噪，采用粗糙集方法进行电网规则推理，仍然存在以下不足：

1)去噪时仅利用历史事项表，没有结合其他相关信息，导致去噪时间长。

2)去噪时没有对决策树算法进行改进，导致分类准确率下降。

3)利用粗糙集算法进行规则推理时，告警类型仅设定为常见告警类型，导致电网告警推理规则不够全面。

在对海量告警信息进行挖掘时，不能有效提高告警信息的噪声滤除率，挖掘出全面的电网告警推理规则，不能有效的满足电力***的需求。

发明内容

本发明所要解决的技术问题在于提供一种面向电网调度的智能告警分析方法。

为实现上述的发明目的，本发明采用下述的技术方案：

一种面向电网调度的智能告警分析方法，包括如下步骤：

提取电网的告警信息，对其进行预处理；

对经过预处理的告警信息进行去噪，并得到去噪分类规则；

对去噪后的告警信息进行归纳、去重，生成告警组合，对于每一个告警组合判断其所属的告警类型；

对告警组合与其对应的告警类型进行关联规则的挖掘，得到电网告警推理规则。

其中较优地，在对告警信息进行预处理时，先对告警信息进行抽取、转换、装载处理，去除不相关的告警信息，然后将告警信息与调度管理***中的检修记录相关联，根据设定的门槛值去掉明显的噪声数据，将告警信息与SCADA中的遥测值进行关联，根据遥测值的变化信息，判断电网告警信息是否错误，去掉错误的告警信息。

其中较优地，在对告警信息进行去噪时，对经过预处理的告警信息进行分析、处理，形成符合采用带贝叶斯节点的决策树算法进行分类的数据处理表，从中随机提取一部分数据进行分类形成去噪决策树，判断告警信息是否为噪声数据，并将去噪决策树转化成去噪分类规则。

其中较优地，当去噪决策树生成以后，使用剩余的数据作为测试数据进行推测，判断其属于正常数据还是噪声数据，并将其与原来所属的类别进行比较，评估其检测的准确率。

其中较优地，在对告警组合与其对应的告警分类进行关联规则的挖掘时，先将告警组合与告警信息对应的属性相结合，生成新的告警组合，再将新的告警组合与对应告警类型结合，构成告警事务，对多个告警事务构成的告警信息事务表进行频繁项集的挖掘，对满足最小支持度阀值的频繁项集进行关联规则挖掘，得到电网告警推理规则。

其中较优地，使用改进FP增长算法对多个告警事务构成的告警信息事务表进行频繁项集的挖掘，包括如下步骤：

步骤21，扫描数据库中的告警信息事务表，找出候选项集的集合，并得到它们的支持度计数；按照支持度计数递减排列候选项集的各项，得到集合F，将集合F中支持度小于最小支持度阀值的项删除，得到频繁项集的集合L；

步骤22，再次扫描数据库中的告警信息事务表，将支持度小于最小支持度阀值的项从各事务中删除，按照各项的支持度计数递减将各事务中的项进行重新排列，得到处理后的告警信息事务表；

步骤23，根据集合L中各项的支持度计数，由小到大依次构造各项的数据库子集，并利用FP增长算法对其进行约束频繁项挖掘；

步骤24，当集合L中所有的项的约束频繁项集依次挖掘出来后，合并这些约束频繁项集，得到告警信息事务表的所有频繁项集。

其中较优地，由小到大依次构造各项的数据库子集的步骤如下：

步骤231，扫描数据库中处理后的告警信息事务表，从中提取所有含项I_i的事务，删除这些事务中支持度小于该项的支持度的项，得到项I_i的数据库子集；

步骤232，对数据库子集，利用FP增长算法进行包含项I_i的约束频繁项集挖掘。

其中较优地，利用FP增长算法进行包含项的约束频繁项集挖掘包括如下步骤：

步骤2321，利用数据库子集，构造FP树，并创建项头表，项头表中的最后一项所标示的是项I_i的支持度计数及其节点链信息；

步骤2322，用项头表中的最后一项所标示的信息，构造该项的条件模式基，构造其条件FP树，在该条件FP树上挖掘出包含该项的约束频繁项集，完成在数据库子集上的约束频繁项集挖掘。

其中较优地，对满足最小支持度阀值的频繁项集进行关联规则挖掘，得到电网告警推理规则包括如下步骤：

根据置信度的计算公式：

confidence (A &DoubleRightArrow; B) = P (B | A) = \frac{\sup_cnt (A \cup B)}{\sup_cnt (A)}

得到关联规则：

(1)对于每个频繁项集l，产生l的所有非空子集；

(2)对于l的每个非空子集s，如果则输出规则

s &DoubleRightArrow; (l - s);

将频繁项集中的告警组合设置为A，告警类别设置为B，min_conf设置为100％，由上述关联规则导出电网告警推理规则为：

本发明所提供的智能告警分析方法，通过将告警信息与OMS中的检修记录，以及SCADA中的遥测值相结合，归纳出新的决策属性，缩减了去噪时间，并提高了去噪准确率，使用带贝叶斯节点的决策树算法对告警信息进行去噪，既能解决朴素贝叶斯算法无法提取出规则的缺陷，又能改进决策树算法，提高了告警信息进行分类的准确率。此外，本发明通过使用改进FP增长算法产生频繁项集，再利用关联规则产生电网告警推理规则，提高了电网告警推理规则产生的效率和告警类型的全面性。

附图说明

图1为本发明的一个实施例中，对告警信息进行智能告警分析的流程图；

图2为本发明的一个实施例中，对告警信息进行ETL处理过程示意图；

图3为本发明的一个实施例中，告警信息记录的星型模型示意图；

图4为本发明的一个实施例中，对告警信息进行去噪的流程图；

图5为使用贝叶斯原理构造决策树的流程图；

图6为本发明的一个实施例中，生成的去噪决策树模型示意图；

图7为本发明的一个实施例中，告警推理规则获取的流程图。

具体实施方式

下面结合附图和具体实施例对本发明的技术内容作进一步的详细说明。

如图1所示，本发明提供的面向电网调度的智能告警分析方法，包括如下步骤：提取电网的告警信息，对电网的告警信息进行预处理，统计告警信息每天及每月的报发次数跟噪声数据的关系，根据电网的运行情况以及告警精确度的需求设定合适的门槛值，当告警信息每天及每月的报发次数超过设定的门槛值时，该告警信息明显为噪声数据，去掉明显的噪声数据；将告警信息与遥测值进行关联，去掉错误的告警信息；然后采用带贝叶斯节点的决策树算法对告警信息进行分类，判断告警信息是否为噪声数据，并得到去噪分类规则；对去噪后的告警信息，采用改进FP增长算法进行关联规则的挖掘，得到告警信息与告警类型之间的关联关系，得到全面的电网告警推理规则。下面对这一过程做详细具体的说明。

如图1所示，对电网告警信息进行预处理时，先对告警信息进行ETL处理(Extract-Transform-Load，即对告警信息进行数据抽取、转换、装载的过程)。电网综合信息数据多，且包含噪声数据、不完整数据，甚至有不一致的数据，对这些数据进行转换可以提高数据挖掘对象的质量，提高电网告警推理规则的准确性。

在本发明的一个实施例中，将事项历史表中的告警信息与OMS(调度管理***)中的检修记录以及SCADA(数据采集与监视控制***)中的遥测值相关联，对噪声数据、不完整数据以及不一致的数据进行初步剔除，如图2所示，从历史事项表、SCADA以及OMS中抽取所需的数据，对噪声数据、不完整数据以及不一致的数据进行初步剔除后形成告警信息记录表，作为数据源存放在历史数据库中。告警信息进行ETL处理时，从历史数据库中提取相关数据即可。在本发明的一个实施例中，将进行处理后的历史数据以星型模型存放在历史数据库中，建立告警信息的星型模型，如图3所示，根据告警信息的星型结构可以快速的找到进行分析处理需要相关的信息。

在对告警信息进行ETL处理以后，去除明显的噪声数据，主要是删去告警信息记录表中调度员不关注的属性所对应的告警信息(即不相关的告警信息)。在本发明的一个实施例中，根据智能电网调度技术支持***的需求设定调度员应该关注的属性形成所需属性。除此之外，根据统计得到的DAY_CNT(告警信息每天的报发次数)和MONTH_CNT(告警信息每月的报发次数)与噪声数据的关系，根据电网的运行情况以及告警精确度的需求设定合适的门槛值，当告警信息每天及每月的报发次数超过设定的门槛值时，该告警信息明显为噪声数据，去掉明显的噪声数据。

当电网事故发生的时候，一个直观的现象就是在调度画面上看到与跳闸断路器相关的电气设备上的电压、电流、功率等遥测值归零。因此，在告警信息的预处理阶段，把遥测值的变化信息，用作对电网告警信息是否错误的辅助判别手段，以此来实现对电网告警信息的辅助判别，去掉错误的告警信息。

如图4所示，当历史数据库中的告警信息记录表进行信息预处理，去除明显的噪声数据以后，抽取所需属性形成数据预处理表。数据预处理表中的属性包括：ID、MSG_TYPE、ALMMSG、FAULT_INFO、SOUID、TIME和检修记录。如表1所示。

ID

MSG_TYPE

ALMMSG

FAULT_INFO

SOUID

TIME

检修记录

表1数据预处理表

其中，数据预处理表中包含的属性的含义如下：

(1)ALMMSG：表示对告警事件的具体文字描述。

(2)SOUID：表示发生告警事件的设备编号，每个设备都有其相对应的唯一的设备编号。

(3)MSG_TYPE：表示告警事件的类型。

(4)FAULT_INFO：表示告警事件当前的故障信息，如：对于开关，分为分、合两种；对于告警，分为告警、复归两种。

(5)TIME：表示告警事件的报发时刻。

(6)检修记录：表示告警事件发生时刻，该设备是否处于检修中。

数据预处理表生成后，根据预先保存在数据库中的处理规则对告警信息进行分析，归纳出对告警信息进行分析所涉及的基本属性，计算基本属性值，形成的基本属性表，基本属性表中的属性包括：ID、MSG_TYPE、DURATION、INTERVAL、RECORD、OCCURRENCE。如表2所示。

ID

MSG_TYPE

DURATION

INTERVAL

RECORD

OCCURRENCE

表2基本属性表

其中，基本属性表中包含的属性的含义如下：

(1)MSG_TYPE：直接取自数据预处理表，与原属性定义相同。

(2)INTERVAL(报发间隔)：用来表示某异常告警信息本次报发距上次报发的时间间隔。它为范围广泛的离散值。报发间隔过短，说明遥信测量的数据不稳定，可以判断告警信息为噪声数据。

(3)DURATION(持续时间)：用来表示告警信息的持续时间，即告警恢复与告警报发的时间间隔，当告警发生时，会采取相应的保护动作，用于告警的复归，DURATION是从告警报发到复归的时间间隔告警。它为范围广泛的离散值。持续时间过短，说明遥信测量的数据不稳定，，可以判断告警信息为噪声数据。

(4)OCCURRENCE(前一天是否报发)：用来表示告警信息前一天是否报发过。在电网中，开关事故跳闸、保护动作这类的告警信息很少会连续两天同时报发，当这些类型的告警连续报发时，可以快速地判断此告警信息为噪声数据

(5)RECORD(检修记录)：用来表示当前告警事件是否由正常检修引起。

对基本属性的属性值进行分析，归纳到新的值域，并且结合数据预处理表确定对告警信息进行分析所需的最终属性，提取相应属性的属性值形成数据处理表。数据处理表中的域包括：ID、MSG_TYPE、DURATION、INTERVAL、OCCURRENCE、RECORD、DECISION。如表3所示。

ID

MSG_TYPE

DURATION

INTERVAL

OCCURRENCE

RECORD

DECISION

表3数据处理表

其中，数据处理表中包含的字段的含义如下：

(1)MSG_TYPE(告警类型)：用来表示当前告警信息的类型，在本发明的一个实施例中，分为保护信号、预告信号、开关信号和告警信号。

(2)RECORD(检修记录)：用来表示当前告警事件是否由正常检修引起。在本发明的一个实施例中，为了进行有效地分类，设定有、无两个属性。若属性值为有，直接判定为噪声数据。

(3)INTERVAL(报发间隔)：用来表示告警信息报发的时间间隔，对应于基本属性的报发间隔，为了进行有效的分类，将它提升到更高的概念层次，在本发明的一个实施例中，设定了长、中、短三个属性值。报发间隔小于1小时对应属性值短，大于等于1小时且小于等于6小时对应属性值中，大于6小时对应属性值长。

(4)DURATION(持续时间)：本次异常的持续时间，对应于基本属性的持续时间，其属性值也为范围广泛的离散值，为了进行有效的分类，将它提升到更高的概念层次，在本发明的一个实施例中，设定了长、中、短三个属性值、。持续时间小于等于500毫秒对应属性值短，大于500毫秒且小于1秒对应属性值中，大于等于1秒对应属性值长。

(5)OCCURRENCE(前一天是否报发)：用来表示该告警信息前一天是否报发过。在本发明的一个实施例中，为了进行有效地分类，设定是、否两个属性。

(6)DECISION(是否为噪声数据)：用来表示告警信息是否为噪声数据。在本发明的一个实施例中，设定了是、否两个属性值。

如图4所示，对形成的数据处理表，采用带贝叶斯节点的决策树分类算法进行分类，形成去噪决策树。其中，采用带贝叶斯节点的决策树分类算法构造去噪决策树的过程中，首先从数据处理表中随机提取一部分数据作为一个训练数据集合samples，表示为{x₁,x₂,…,x_n}，在本发明的一个实施例中，随机提取2/3的数据作为一个训练数据集合samples。其中，每个数据具有5个属性，即MSG_TYPE、DURATION、INTERVAL、OCCURRENCE、RECORD，表示为集合attriubute_set。每个属性具有其对应的属性值。在本发明的一个实施例中，MSG_TYPE的属性值attribute1＝{a₁,a₂,a₃,a₄}＝{保护信号，开关信号，预告信号，告警信号}；DURATION的属性值attribute2＝{a₁,a₂,a₃}＝{长，中，短}；INTERVAL的属性值attribute3＝{a₁,a₂,a₃}＝{长，中，短}；OCCURRENCE的属性值attribute4＝{a₁,a₂}＝{是，否}；RECORD的属性值attribute5＝{a₁,a₂}＝{有，无}，在此基础上采用带贝叶斯节点的决策树分类算法进行分类，形成去噪决策树，生成的类别为正常数据、噪声数据两类，如图5所示，具体处理步骤如下：

步骤11，从集合attribute_set中提取各个属性的属性值，利用信息增益率的方法，计算集合attribute_set中的各个属性的信息增益率；

步骤12，选择信息增益率取值为最大的属性root_attribute，标记为树的中间节点N，并从集合attribute_set删除属性root_attribute；

步骤13，提取属性root_attribute中每个已知属性值a_i，如果属性值a_i分类无二义性，那么贝叶斯节点取值为0，并由节点N长出一个条件为属性root_attribute＝a_i的分枝，设定S_i为训练数据集合samples中属性root_attribute＝a_i的一个划分；如果S_i不为空，那么在现有决策树上加上一个树叶，标记为训练数据集合samples中的一个类别；如果属性值a_i分类有二义性，则转向步骤14；

步骤14，按某种原则对x_i进行分类，若x_i确定对应某一类别c_j，则划分到此类；否则，若x_i不能确定分到某个类别，而是与某些类别相关，则根据先验信息P(c_j)先把它置于某一类，然后计算出P(x_i|c_j)和P(x_i)，并根据这两个值计算出后验概率。若是根据x_i的m(m<＝5)个属性进行分类，而且属性之间相互独立，则将x_i划分为x_i1,x_i2,…,x_im，那么P(x_i|c_j)可表示为：P(x_i1|c_j)×P(x_i2|c_j)×…×P(x_im|c_j)，从而可得后验概率：根据得到的后验概率，将x_i划分到最大的后验概率所属的类中；

步骤15，选取贝叶斯节点的f值，且f＝P(c_j|x_i)；

步骤16，依次计算，直至集合attriubute_set中没有数据信息，最终的去噪决策树生成。

如图6所示，为最终的去噪决策树模型，其中，n_i(i＝0、1、2、3……)为属性节点，a_i(i＝0、1、2、3……)为条件节点，c_i(i＝0、1、2、3……)为类别节点，0/f为贝叶斯节点。其中，0值表示此节点不进行任何计算，直接根据条件a_i转向下一属性节点f值表示需要计算函数f。

当去噪决策树生成以后，对其进行评估，使用剩余的1/3数据作为测试数据进行推测，判断其属于正常数据还是噪声数据，并将其与原来所属的类别进行比较，计算其检测的准确率，提高了去噪决策树的准确性，进而提高了去噪分类规则的准确性。

为了便于理解，以表格的形式表示由去噪决策树导出的告警信息的去噪分类规则。如表4所示，展示了部分去噪决策树导出的告警信息的去噪分类规则。

MSG_TYPE	RECORD	OCCURRENCE	DURATION	INTERVAL	DECISION
						保护信号	无	是	短	*	噪声数据
*	有	*	*	*	噪声数据
						……	……	……	……	……	……

表4告警信息的去噪分类规则表

由于与OMS中检修记录、SCADA中的遥测值相结合，并且归纳了新的决策属性：OCCURRENCE，提高了去噪的速度和准确率；使用了带贝叶斯节点的决策树算法，，即能解决朴素贝叶斯算法无法提取出规则的缺陷，又能改进决策树算法提高了分类的准确率。

除此之外，告警信息在经过去噪处理之后，滤除了告警噪声信息，如果仅仅直接显示这些告警信息，不对其进行逻辑推理，无法正确反映电网出现的问题，因此需要运用知识规则对告警信息进行推理。

智能电网调度技术支持***上传的告警信息间存在着内在逻辑关系，利用这些逻辑关系对相关联的告警信息进行推理，能够得出结论性的综合告警信息，清晰明了的告诉调度运行人员电网出现的问题，便于调度运行人员及时、准确的作出处理。于是需要对得到的告警信息进行分析处理，得到电网告警推理规则。下面对这一过程进行详细的描述。

在去噪后的告警信息表中，存在着很多由同一个事件导致的多个告警信息。这些告警信息在时间上具有一致性，即各信息同时间报发或者在规定时间间隔内相继报发。在本发明的一个实施例中，根据电网的特点，将告警信息分为保护、开关变位、电压越限、电流越限、有功越限、开关跳闸，刀闸分合，告警8种，对于每一条告警信息搜索同时报发或在规定时间内(根据现场运行规则而定)相继报发，并且具有相同厂站(GROUPN)标记的告警信息，形成一个告警组合，并对其进行去重处理。去重后将各个告警组合存放于告警信息组合表中，如表5所示，展示了告警信息组合表的部分信息。

ID	告警组合
		1	{保护动作，开关跳闸，告警}
2	{开关变位分，电压越限，电压越限复归}
		3	{告警，开关变位，刀闸分合，有功越限}
……	……

表5告警信息组合表

根据上述告警信息组合表中的告警信息以及电力***知识，对于每一个告警组合判断其所属的告警类型。根据告警组合判断告警类型，可以找到更多的告警类型，不仅仅是常见的几种告警类型，便于提取更加全面的电网告警信息推理规则。

在本发明的一个实施例中，告警信息分别设置不同的属性，如保护有报发与未报发两种属性，具体如表6所示。

1.保护＝报发	9.电压越限＝报发
		2.保护＝未报发	10.电压越限＝未报发
3.开关跳闸＝报发	11.电流越限＝报发
		4.开关跳闸＝未报发	12.电流越限＝未报发
5.开关变位＝报发	13.有功越限＝报发
		6.开关变位＝未报发	14.有功越限＝未报发
7.刀闸分合＝报发	15.告警＝报发
		8.刀闸分合＝未报发	16.告警＝未报发

表6告警信息对应的属性列表

根据上述属性列表中告警信息对应的属性将告警组合进行相应改变，如{告警，开关变位，刀闸分合，有功越限}变为{保护＝未报发，开关跳闸＝未报发，开关变位＝报发，刀闸分合＝报发，电压越限＝未报发，电流越限＝未报发，有功越限＝报发，告警＝报发}，再将改变形式后新的告警组合与对应告警类型结合，构成一条告警事务。每个告警事务包含一个告警组合，以及该告警组合相对应的告警类型。多个告警事务构成告警信息事务表，如表7所示，展示了告警信息事务表的部分信息。

TID	告警事务项({告警组合，对应的告警类型})

表7告警信息事务表

对告警信息事务表进行进一步的分析处理，可以挖掘出电网告警推理规则。FP增长算法是当前挖掘频繁项集算法中应用最广，并且不需要候选集的一种关联规则挖掘算法。但是，该算法也有一些不足。它的主要缺点有：

1、建树和挖掘过程都需要占用大量的内存。当数据库很大，或者数据库中的频繁1-项集的数目很大时，运行速度将大为降低；更有甚者，可能由于无法构造基于内存的FP树，该算法将不能有效地工作。

2、挖掘大型数据库时，运算速度慢。

为了克服这些不足，在本发明的一个实施例中，使用改进FP增长算法，在继承FP增长算法不需要产生侯选项集的优点的基础上，将数据库进行频繁1-项集的项总数次扫描，每次扫描分别得到各个频繁1-项集的项的数据库子集。然后分别对各项数据库子集使用FP增长算法进行约束频繁项挖掘，得到含有各个频繁1-项集的项的频繁项集，最后将这些频繁项集合并起来便得到整个数据库的所有频繁项集。具体处理步骤如下：

步骤21，扫描数据库中的告警信息事务表D，找出候选1-项集的集合，并得到它们的支持度计数(频繁性)。然后，按照支持度计数递减排列候选1-项集的各项，得到支持度计数递减的候选1-项集的集合F。将F中支持度小于最小支持度阀值min_sup的项删除，得到频繁1-项集的集合L，L＝{I₁,I₂,…,I_m}，其中，I₁的支持度最高，I_m的支持度最小。在本发明的一个实施例中，最小支持度阀值min_sup设为1％，尽可能不漏掉特殊的告警事务，提高了告警的准确性以及电网告警推理规则的全面性。

步骤22，再次扫描数据库中的告警信息事务表D，将支持度小于最小支持度阀值min_sup的项从各事务中删除，按照各项的支持度计数递减地将各事务中的项进行重新排列，得到处理后的告警信息事务表D'。

步骤23，根据频繁1-项集L中的各项的支持度计数，由小到大依次构造各项的数据库子集，并利用FP增长算法对其进行约束频繁项挖掘。其中，由小到大依次构造各项的数据库子集包括对于L中的每个项I_i(i＝m,m-1,…,1)进行如下步骤的处理：

步骤231，扫描数据库中处理后的告警信息事务表D'，从中提取所有含项I_i的事务，删除这些事务中支持度小于该项的支持度的项，得到项I_i的数据库子集D_i。

步骤232，对数据库子集D_i，利用FP增长算法进行包含项I_i的约束频繁项集挖掘，其挖掘过程包括如下步骤：

步骤2321，利用数据库子集D_i，构造FP树，并创建项头表HT。其中，FP树是将事务数据表中的各个事务数据项按照支持度排序后，把每个事务中的数据项按降序依次***到一棵以空为根结点的树中，同时在每个结点处记录该结点出现的支持度。在本发明的一个实施例中，构造FP树时，该数据库子集D_i中各事务的项按照频繁1-项集L中的次序处理。因此，项头表HT中的最后一项所标示的就是项I_i的支持度计数及其节点链信息。

步骤2322，用项头表HT中的最后一项所标示的信息，构造该项的条件模式基，构造其条件FP树，在该条件FP树上挖掘出包含该项的约束频繁项集CL_i，完成在数据库子集D_i上的约束频繁项集挖掘。其中，条件模式基是包含FP树中与后缀模式一起出现的前缀路径的集合。

步骤24，当L中所有的项的约束频繁项集CL_i被依次挖掘出来后，合并这些约束频繁项集，即取这些约束频繁项集CL_i的并集，得到数据库中的告警信息事务表D的所有频繁项集，结束挖掘过程。

经过FP增长算法后，产生告警事务表中的频繁项集，即满足最小支持度阀值min_sup的所有告警事务项。对满足最小支持度阀值min_sup的告警事务项(频繁项集)进行关联规则挖掘，便可以得到电网告警推理规则。

当从数据库中的告警信息事务表中找出频繁项集，由其产生强关联规则，需要强关联规则满足最小支持度和最小置信度。其中，对于置信度，可以用以下公式得到：

confidence (A &DoubleRightArrow; B) = P (B | A) = \frac{\sup_cnt (A \cup B)}{\sup_cnt (A)}

其中，条件概率用项集支持度计数表示，sup_cnt(A∪B)是包含项集A∪B的事务数，sup_cnt(A)是包含项集A的事务数，根据公式，关联规则可以产生如下：

(1)对于每个频繁项集l，产生l的所有非空子集。

(2)对于l的每个非空子集s，如果则输出规则其中，min_conf是最小置信度阀值。

在本发明的一个实施例中，A为频繁项集中的告警组合，B为频繁项集中的告警类别，min_conf设置为100％，由上述关联规则可以导出如即得到电网告警推理规则。

综上所述，本发明所提供的面向电网调度的智能告警分析方法，通过将告警信息与OMS中的检修记录，以及SCADA中的遥测值相结合，归纳出新的决策属性，缩减了去噪时间，并提高了去噪准确率，使用带贝叶斯节点的决策树算法对告警信息进行去噪，既能解决朴素贝叶斯算法无法提取出规则的缺陷，又能改进决策树算法提高了分类的准确率。除此之外，通过使用改进FP增长算法产生频繁项集，再利用关联规则产生电网告警推理规则，提高了效率和告警类型的全面性，提高了对告警信息中噪声数据的滤除率，挖掘出了告警信息间的关联关系，得到全面的电网告警推理规则。

以上对本发明所提供的面向电网调度的智能告警分析方法进行了详细的说明。对本领域的技术人员而言，在不背离本发明实质精神的前提下对它所做的任何显而易见的改动，都将构成对本发明专利权的侵犯，将承担相应的法律责任。

Claims

1.一种面向电网调度的智能告警分析方法，其特征在于包括如下步骤：

提取电网中的告警信息，对所述告警信息进行预处理；

对经过预处理的告警信息进行去噪，并得到去噪分类规则；

2.如权利要求1所述的智能告警分析方法，其特征在于：

在对告警信息进行预处理时，先对告警信息进行抽取、转换、装载处理，去除不相关的告警信息，然后将告警信息与检修记录相关联，根据设定的门槛值去掉噪声数据，将告警信息与SCADA中的遥测值进行关联，根据遥测值的变化信息，判断电网告警信息是否错误，去掉错误的告警信息。

3.如权利要求1所述的智能告警分析方法，其特征在于：

在对告警信息进行去噪时，对经过预处理的告警信息进行分析、处理，形成符合采用带贝叶斯节点的决策树算法进行分类的数据处理表，从中随机提取一部分数据进行分类形成去噪决策树，判断告警信息是否为噪声数据，并将去噪决策树转化成去噪分类规则。

4.如权利要求3所述的智能告警分析方法，其特征在于：

在去噪决策树生成后，使用剩余的数据作为测试数据进行推测，判断其属于正常数据还是噪声数据，并将其与原来所属的类别进行比较，评估检测的准确率。

5.如权利要求1所述的智能告警分析方法，其特征在于：

在对告警组合与其对应的告警分类进行关联规则的挖掘时，先将告警组合与告警信息对应的属性相结合，生成新的告警组合；再将新的告警组合与对应告警类型结合，构成告警事务；对多个告警事务构成的告警信息事务表进行频繁项集的挖掘，对满足最小支持度阀值的频繁项集进行关联规则挖掘，得到电网告警推理规则。

6.如权利要求5所述的智能告警分析方法，其特征在于对多个告警事务构成的告警信息事务表进行频繁项集的挖掘时，包括如下步骤：

步骤24，当集合L中所有的项的约束频繁项集依次挖掘出来后，合并所有约束频繁项集，得到告警信息事务表的所有频繁项集。

7.如权利要求6所述的智能告警分析方法，其特征在于由小到大依次构造各项的数据库子集的步骤进一步包括：

步骤231，扫描数据库中处理后的告警信息事务表，从中提取所有含项I_i的事务，删除支持度小于该项的支持度的项，得到项I_i的数据库子集；

8.如权利要求7所述的智能告警分析方法，其特征在于利用FP增长算法进行包含项I_i的约束频繁项集挖掘包括如下步骤：

步骤2321，利用数据库子集，构造FP树，并创建项头表，其中所述项头表的最后一项所标示的是项I_i的支持度计数及其节点链信息；

步骤2322，用所述项头表的最后一项所标示的信息，构造该项的条件模式基，构造其条件FP树，在该条件FP树上挖掘出包含该项的约束频繁项集，完成在数据库子集上的约束频繁项集挖掘。

9.如权利要求5所述的智能告警分析方法，其特征在于对满足最小支持度阀值的频繁项集进行关联规则挖掘，得到电网告警推理规则包括如下步骤：

根据置信度的计算公式：

confidence (A &DoubleRightArrow; B) = P (B | A) = \frac{\sup_cnt (A \cup B)}{\sup_cnt (A)}

得到关联规则：

(1)对于每个频繁项集l，产生l的所有非空子集；

(2)对于l的每个非空子集s，如果则输出规则

s &DoubleRightArrow; (l - s);

将频繁项集中的告警组合设置为A，告警类别设置为B，min_conf设置为100％，由所述关联规则导出电网告警推理规则为：