CN105427043A - 一种基于改进的最近邻算法的电网告警分析方法 - Google Patents

Abstract

一种基于改进的最近邻算法的电网告警分析方法。本发明通过对电网调度自动化***事故跳闸、告警信号以及量测不平衡等数据进行归类和统计，得到***对地区监控的告警主要可以分为事故、异常、越限、变位和告知；然后结合历史告警信息，确定各告警指标的权值，并采用改进的最近邻算法判别当前告警属于的类别，进行相应处理。本发明提高了分析的可靠性，提高了工作效率。

Description

一种基于改进的最近邻算法的电网告警分析方法

技术领域

本发明涉及电网调度自动化安全领域，具体涉及一个基于改进的最近邻算法的电网告警分析方法。

背景技术

随着电网规模的不断扩大，电网结构日趋复杂,***运行方式快速多变,运行管理面临着更大的挑战。而电网监控信息种类繁多、数据量庞大，通过科学的方法监测电网监控信息，归类分析发现电网运行规律以快速做出决策则显得十分必要。

监控业务是在“三集五大”调整之后并入调控中心业务中的，之前各地区关于监控信号数据的处理与分析还处于探索阶段。对监控数据的处理分析也主要基于对收集上来的信息进行汇总统计，缺乏全面、***的分析手段对信息进行归类整理，降低了工作效率。

发明内容

本发明针对以上问题，提供了一种能够将数据信息归类和统计，进而分析，便于判别告警类别，提高判别可靠性，提高工作效率的基于改进的近邻算法的电网告警分析方法。

本发明的技术方案为：包括以下步骤：

S1、通过对电网调度自动化***的数据进行归类和统计，将得到的告警数据进行分类，其类别为事故、异常、越限、变位和告知；

S2、结合历史告警信息，确定各告警指标的权值；采用改进的最近邻算法判别当前告警属于的类别，进行相应的处理。

步骤S2包括以下步骤：

(1)数据结构设计：设每个地区的告警信息集合抽象为一个元组，表示为x_i＝(x_i1,x_i2,…,x_im)，m为样本对象的维数，那么历史告警信息表示为X＝{x₁,x₂,…,x_n}，n为样本对象的个数；x_i对应电网调度自动化***收集上来的某一地区已知类别的告警信息；

(2)改进的最近邻算法对告警信息进行分析，步骤如下：

步骤1：构建训练样本集合，将历史告警信息X＝{x₁,x₂,…,x_n}作为训练样本集；

步骤2：设定K值，K为在训练样本集中选取待测样本“近邻”的个数；

步骤3：在训练样本集中选出与待测样本最近的K个样本，样本之间的“近邻”由欧式距离来度量；假设待测样本为x_c＝(x_c1,x_c2,…,x_cm)，此时待测样本与训练样本x_i之间的距离为：

$d^{\′}(x_i,x_c)=\sqrt[2]{w_1{(x_{i1}-x_{c1})}^2+w_2{(x_{i2}-x_{c2})}^2+\mathrm{...}+w_m{(x_{im}-x_{cm})}^2},$

其中w₁,w₂,…,w_m分别为相应属性指标对应的权重，权值集合定义为W＝{w₁,w₂,…,w_m}；其中，权值的确定如下:

步骤3.1：取w₁,w₂,…,w_m的值都为1，对若干个已知分类的样本作为测试集进行测试，统计它与样本的实际分类值之间差异个数p；

步骤3.2：依次去除样本中的第j个属性，然后求出样本的估计分类值，统计它与样本的实际分类值之间差异个数p_j(j＝1,2,…,m)；

步骤3.3：计算g_j表示当缺少第j个属性值指标时对分类的影响程度，那么权值集合W各元素的值为j＝1,2,…,m，特别地，如果p_j＝0或p＝0，置g_j＝1；

步骤4：假设根据对历史告警信息不同的处理，分为q类告警，表示为S＝{s₁,s₂,…,s_q}；对于待测样本x_c，x₁,x₂,…,x_K表示与x_c距离最近的K个样本，设离散的目标函数为f：x→s_i，其中x表示某个告警样本，s_i表示第i个类别；表示对f(x_c)的估计，计算为该函数表示为使得取值最大时的s，s∈S＝{s₁,s₂,…,s_q}，对于若s＝f(x_i)，否则那么上式就可以输出待测样本的K个近邻中对应最多的告警类别s；

步骤5：即是待测样本x_c对应的类别，并根据类别对x_c进行相应处理。

步骤S1中的告警数据包括事故跳闸统计、告警信号统计以及量测不平衡统计。

本发明通过对事故、异常、越限、变位和告知五类告警信息的收集，并对各告警类别赋以不同的权值，然后结合历史告警信息，确定各告警指标的权值，并采用改进的最近邻算法判别当前告警属于的类别，进行相应处理。

对电网调度自动化***的事故跳闸、告警信号以及量测不平衡数据进行归类和统计，为改进的最近邻算法提供有效的数据支持。

本发明从繁杂的监控跳闸、告警以及不平衡性等数据中归纳、抽取关键监测指标数据，并进行分析、归类、总结，以帮助监控人员总结发现历史规律，辅助决策，从而减轻其繁重的统计分析工作，有效提高电网监控部门的监测分析能力，进而提高工作效率。

附图说明

图1是本发明的流程图；

具体实施方式

本发明如图1所示，包括以下步骤：

S1、通过对电网调度自动化***的数据进行归类和统计，将得到的告警数据进行分类，其类别为事故、异常、越限、变位和告知；

S2、结合历史告警信息，确定各告警指标的权值；采用改进的最近邻算法判别当前告警属于的类别，进行相应的处理。

步骤S2包括以下步骤：

(1)数据结构设计：设每个地区的告警信息集合抽象为一个元组，表示为x_i＝(x_i1,x_i2,…,x_im)，m为样本对象的维数，那么历史告警信息表示为X＝{x₁,x₂,…,x_n}，n为样本对象的个数。本例中m＝5，分别代表告警类别为事故、异常、越限、变位和告知5个属性指标；x_i对应电网调度自动化***收集上来的某一地区已知类别的告警信息，x_i即对应第i个地区的告警信息；n则为收集告警信息的总数；

(2)改进的最近邻算法对告警信息进行分析，步骤如下：

步骤1：构建训练样本集合，将历史告警信息X＝{x₁,x₂,…,x_n}作为训练样本集；

步骤2：设定K值，K为在训练样本集中选取待测样本“近邻”的个数。工作中，先确定一个初始值，然后根据分类的准确度不断调整，最终达到最优；当分类结果的准确度低于预先设置的阈值时，就增大K的值，直到使分类结果的准确度达到要求。

步骤3：在训练样本集中选出与待测样本最近的K个样本，样本之间的“近邻”由欧式距离来度量，距离越小则表示与待测样本的距离越近。假设待测样本为x_c＝(x_c1,x_c2,…,x_cm)，此时待测样本与训练样本x_i之间的距离为：

$d^{\′}(x_i,x_c)=\sqrt[2]{w_1{(x_{i1}-x_{c1})}^2+w_2{(x_{i2}-x_{c2})}^2+\mathrm{...}+w_m{(x_{im}-x_{cm})}^2},$

其中w₁,w₂,…,w_m分别为相应属性指标对应的权重，权值集合定义为W＝{w₁,w₂,…,w_m}；其中，权值的确定如下:

步骤3.1：取w₁,w₂,…,w_m的值都为1，对若干个已知分类的样本作为测试集进行测试，统计它与样本的实际分类值之间差异个数p；

步骤3.2：依次去除样本中的第j个属性，然后求出样本的估计分类值，统计它与样本的实际分类值之间差异个数p_j(j＝1,2,…,m)；

步骤3.3：计算g_j表示当缺少第j个属性值指标时对分类的影响程度，那么权值集合W各元素的值为j＝1,2,…,m，特别地，如果p_j＝0或p＝0，置g_j＝1；

本发明中确定各告警指标的权值，提高分析的可靠性以及确定后续告警类别的可靠性，进而采取相应的处理，节省时间，提高了工作效率。

步骤4：假设根据对历史告警信息不同的处理，分为q类告警，表示为S＝{s₁,s₂,…,s_q}；对于待测样本x_c，x₁,x₂,…,x_K表示与x_c距离最近的K个样本，设离散的目标函数为f：x→s_i，其中x表示某个告警样本，s_i表示第i个类别；表示对f(x_c)的估计，计算为该函数表示为使得取值最大时的s，s∈S＝{s₁,s₂,…,s_q}，对于若s＝f(x_i)，否则那么上式就可以输出待测样本的K个近邻中对应最多的告警类别s；

步骤5：即是待测样本x_c对应的类别，并根据类别对x_c进行相应处理。

步骤S1中的告警数据包括事故跳闸统计、告警信号统计以及量测不平衡统计。其中，事故跳闸统计,例如按地区、电压等级统计线路跳闸次数；告警信号统计，例如按维护责任区统计告警信息情况；量测不平衡性统计，例如按厂站统计，点击可查看某厂站每天的不平衡情况。

具体实施如下：

取K＝5，告警的类别为S＝{s₁,s₂,s₃,s₄}四类，即把告警分成四类，进行分类处理。

(1)计算事故、异常、越限、变位和告知5个属性指标所对应的权值：

步骤1：选取12个已知告警类别的测试样本，分别对12个测试样本进行测试。对于一个属于s₂类的测试样本为x，当w₁,w₂,…,w₅＝1时，利用欧式距离选取训练样本中距离测试样本x最近的5个样本即最“近邻”，然后利用5个最“近邻”得到测试样本x的估计分类。按照同样的方法可以得到12个样本的估计分类。最后统计估计分类与实际分类的差异数，假设差异数为2。

步骤2：分别去除样本中的一个属性指标，然后求出样本的估计分类值，统计它与样本的实际分类值之间差异个数。假设5个属性指标对应的差异数依次为2，2，1，3，4，那么五个属性指标对应的权值为 $w_1=\frac{\frac{2}{2}}{\frac{2}{2}+\frac{2}{2}+\frac{1}{2}+\frac{3}{2}+\frac{4}{2}}=\frac{1}{6},$ 依次 $w_2=\frac{1}{6},w_3=\frac{1}{12},w_4=\frac{1}{4},w_5=\frac{1}{3}.$

(2)利用上述得到的权值，得到待测样本的所属于的类别：

对于一个待测样本x_c＝(1,3,1,2,1)，得到其5个近邻为x₁＝(2,1,0,2,1)，x₂＝(1,2,1,1,1)，x₃＝(1,3,1,0,1)，x₄＝(0,4,1,2,1)，x₅＝(1,2,0,3,1)，其中x₁属于s₁，x₂,x₃,x₄,x₅属于s₂，则可以得到x_c的5个近邻中属于s₂类别的样本最多，则x_c属于s₂。

Claims (3)

1.一种基于改进的最近邻算法的电网告警分析方法，其特征在于，包括以下步骤：

S1、通过对电网调度自动化***的数据进行归类和统计，将得到的告警数据进行分类，其类别为事故、异常、越限、变位和告知；

S2、结合历史告警信息，确定各告警指标的权值；采用改进的最近邻算法判别当前告警属于的类别，进行相应的处理。

2.根据权利要求1所述的一种基于改进的最近邻算法的电网告警分析方法，其特征在于，步骤S2包括以下步骤：

(1)数据结构设计：设每个地区的告警信息集合抽象为一个元组，表示为x_i＝(x_i1,x_i2,…,x_im)，m为样本对象的维数，那么历史告警信息表示为X＝{x₁,x₂,…,x_n}，n为样本对象的个数；x_i对应电网调度自动化***收集上来的某一地区已知类别的告警信息；

(2)改进的最近邻算法对告警信息进行分析，步骤如下：

步骤1：构建训练样本集合，将历史告警信息X＝{x₁,x₂,…,x_n}作为训练样本集；

步骤2：设定K值，K为在训练样本集中选取待测样本“近邻”的个数；

步骤3：在训练样本集中选出与待测样本最近的K个样本，样本之间的“近邻”由欧式距离来度量；假设待测样本为x_c＝(x_c1,x_c2,…,x_cm)，此时待测样本与训练样本x_i之间的距离为：

$d^{\′}(x_i,x_c)=\sqrt[2]{w_1{(x_{i1}-x_{c1})}^2+w_2{(x_{i2}-x_{c2})}^2+...+w_m{(x_{im}-x_{cm})}^2},$ 其中w₁,w₂,…,w_m分别为相应属性指标对应的权重，权值集合定义为W＝{w₁,w₂,…,w_m}；其中，权值的确定如下:

步骤3.1：取w₁,w₂,…,w_m的值都为1，对若干个已知分类的样本作为测试集进行测试，统计它与样本的实际分类值之间差异个数p；

步骤3.2：依次去除样本中的第j个属性，然后求出样本的估计分类值，统计它与样本的实际分类值之间差异个数p_j(j＝1,2,…,m)；

步骤3.3：计算g_j表示当缺少第j个属性值指标时对分类的影响程度，那么权值集合W各元素的值为 特别地，如果p_j＝0或p＝0，置g_j＝1；

步骤4：假设根据对历史告警信息不同的处理，分为q类告警，表示为S＝{s₁,s₂,…,s_q}；对于待测样本x_c，x₁,x₂,…,x_K表示与x_c距离最近的K个样本，设离散的目标函数为f：x→s_i，其中x表示某个告警样本，s_i表示第i个类别；表示对f(x_c)的估计，计算为该函数表示为使得取值最大时的s，s∈S＝{s₁,s₂,…,s_q}，对于若s＝f(x_i)，否则那么上式就可以输出待测样本的K个近邻中对应最多的告警类别s；

步骤5：即是待测样本x_c对应的类别，并根据类别对x_c进行相应处理。

3.根据权利要求1所述的一种基于改进的最近邻算法的电网告警分析方法，其特征在于，步骤S1中的告警数据包括事故跳闸统计、告警信号统计以及量测不平衡统计。