（电力系统及其自动化专业论文）电网智能报警系统的研究与应用.pdf

关键词：智能报警，决策树，产生式规则，推理机 a b s t r a c t a st h ep o w e rg r i di sm o r ea n dm o r ec o m p l e x ，t h ei n f o r m a t i o nt r a n s f o r m e df r o m t h es c a d at ot h ed r i dd i s p a t c h i n gc e n t e ri n c r e a s e sr a p i d l yw h i c hm a k e st h e d i s p a t c h e rd on o tk n o wh o w t od e a lw i t hs om a n y r a d i p l yc h a n g e dw a r n i n g s ，a n d t h er e a l l yi m p o r t a n tw a r n i n g sm a yb ei g n o r e d i nv i e wo ft h i sp r o b l e m ，t h i sp a p e r r e s e a r c h e da n dd e s i g n e dt h ei n t e l l i g e n ta l a r ms y s t e m f i r s tt h en o i s ew a sf l i t e db y t h et e c h n o l o g yo fd a t em i n i n gb a s e do nd e c i s i o nt r e e ，t h e ni n t e l l e c t u a l l yr e a s o n a n da n a l y z eo np r o d u c t i o nr u l e so nt h eb a s i so fr e a e a r c h i n gi n t e r n a lr e l a t i o no f w a r n i n g s t o p r o v i d ec o m p r e h e n s i v ew a r n i n g s t o d i s p a t h e r st i m e l y a n d c o r r e c t l y i tr e a l i z ep r e l i m i n a r yi n t e l l i g e n c eo fa l a r mi n f o r m a t i o np r o c e s s i n g t h i s s y s t e mh a s b e e nu s e di nd i n gx ig r i di ng a n s up r o v i n c ea n dh a sm a d er e m a r k a b l e e f f e c t y a nn i ( e l e c t r i cp o w e rs y s t e ma n da u t o m a t i o n ) d i r e c t e db yp r o f l i uw e n y i n g k e yw o r d s ：i n t e l l i g e n ta l a r m ，d e c i s i o nt r e e ，p r o d u c t i o nr u l e ，i n t e l l i g e n t r e a s o n i n g l l 2 3 3 4 4 4 2 1 2 基于决策树的分类器的设计5 2 2 推理机制的理论分析1 0 2 2 1 推理概念10 2 2 2 推理方式1 l 2 3 本章小结1 2 第三章智能报警系统的设计1 3 3 1 报警信息概述1 3 3 1 1 远动系统的特点1 3 3 1 2 报警信息的分类1 4 3 1 3 报警信息的特点1 4 3 1 4 需要实现的功能1 5 3 2 智能报警的噪声处理1 5 3 2 1 数据预处理1 5 3 2 2 主要归纳关系的形成1 8 3 2 3 决策树规则的形成2 0 3 2 4 树枝修剪2 3 3 3 智能报警的推理机2 4 3 3 1 知识库的设计2 4 3 3 2 推理原理2 6 3 4 分级音像显示3 0 3 5 本章小结3 0 第四章智能报警系统的应用3 1 4 1 硬件结构31 4 2 软件结构3 2 华北电力人学硕士学位论文 4 3 实例分析3 3 4 4 项目的实用价值3 7 4 5 本章小结3 7 第五章结论与展望3 8 5 1 结论3 8 5 2 展望。3 8 参考文献3 9 弱c 谢4 2 在学期间发表的学术论文和参加科研情况4 3 华北电力大学硕士学位论文 1 1 选题背景及其意义 第一章绪论 随着我国国民经济的持续发展，电网装机容量迅速增长，电网规模随之扩大， 结构上也变得越来越复杂，运行方式多变，呈现给调度员的报警信息越来越多。根 据对某地区电网s c a d a 系统调查显示，正常情况下在一分钟之内s c a d a 上传的 报警信息少则几十条多则上百条，这些报警信息中包括遥测越限事项，设备异常事 项，开关事项、刀闸事项、保护事项、变压器事项等多项内容。如果电网发生故障， 上传的事项就更多，1 秒之内有可能达到上百条报警信息。若故障复杂或自动装置 不正常，1 秒之内将有几百甚至上千条报警信息涌入控制中心。大量的相关报警信息 迅速发送到电网调度中心自动化系统主站，并以“海量且快速变化的形式提供给 调度运行人员，真正而重要的报警信息被大量的噪声和无用信息所淹没，使调度运 行人员无所适从，不能起到报警应有的作用。 国内外目前对于报警信息都是采用屏幕滚动显示和光字牌的显示形式【1 3 1 。它主 要存在以下五方面不足【4 垲j ： 1 报警信息主次不分。无论是开关、刀闸变位等一般遥信，还是装置异常、 保护动作等重要信息都在报警窗口显示，运行人员即使逐条阅读分析也不容易马上 判断出发生了什么问题。 2 报警窗口显示的信息量太多，同一信息重复发出报警条文，阅读信息量大。 3 监控系统发出某一报警信息后，若运行人员没有及时处理，即使这个报警 信息一直存在，一旦被大量新产生的信息“挤”出报警窗口以后，就很难再被人发 现，使缺陷不能得到及时处理，容易由小问题酿成大事故。 4 “光字牌 数量过多，不按报警等级跳出光字牌，需要运行人员手动逐个间 隔点击查阅，工作量大且耗费时间较多，尤其不适用于事故处理情况，因此运行人 员一般只查阅报警窗口的报警条文，而较少逐个间隔点击“光字牌”报警画面。 5 由于现有远动系统的不足，报警系统存在误报漏报的情况。 可以看出现有的报警系统远远不能满足调度人员的需求，为了确保调度自动化 系统正常运行，及时发现系统的故障和潜在危险情况并尽快处理，这就要求有一种 对策能够对大量复杂冗余的报警进行分层次智能化地处理，突出故障信息，减少干 扰信息，提示潜在危险信息和系统的故障点，使得工作人员能清晰的察觉出电网中 所有重要且存在一定风险的问题，而对一些影响不重要的报警信息，简单观察或者 直接滤除便可，从而减少调度人员的工作量，提高调度人员的工作效率。电网智能 华北电力大学硕士学位论文 报警系统的研究领域正是在这种环境下得到关注，并且开始走入研发和实际应用的 阶段。 1 2 国内外研究现状 国外对智能报警系统研究的高潮出现在上世纪8 0 年代未到9 0 年代中期，应用 的领域包括交通系统、化工生产、医学、电力系统等3 1 。其中，美国在这方面研 究水平比较高，已经有几个系统投入使用，如美国的c o n s o l i d a t ee d i s i o n 公司和 n o r t h e r ns t a t e sp o w e r 公司研发的两套系统【1 4 。15 1 。此外欧洲和日本也有相关系统的 报道，但近几年关于此类系统报道较少。 国内对智能报警在电力系统中的应用的研究报道很少，没有引起足够的重视。 从w o l l e n b e r g 于1 9 8 5 年第一次提出基于规则式的智能报警处理器【1 6 】，相应的 模型也于不久后研制出，并有两个系统已经安装在电力设备控制中心，用来支持电 力网络的每天的操作( 即美国的c o n s o l i d a t ee d i s i o n 公司和n o r t h e ms t a t e sp o w e r 公 司所研发的两套系统) ，这两套系统在运行中也获得了调度人员的好评。在加拿大， 欧洲和同本，其它系统也正在发展或已经投入运行。 在九十年代后期，香港的中国光电公司进行了p l c 在智能预警系统中与e m s 结合的初次尝试，这套系统采用了一个具有商业利用价值的基于知识产生规则的软 件包，它可以用于单机平台。该系统的特点是方便执行，最小化实时系统的干扰和 低成本。在电力系统受到干扰时，该系统采用基于假设的方法形成对调度员解释的 过程模型，并在最初的试验取得了不错的结果【1 7 】。 文献 1 8 】提出一种基于人工神经网络的方法，并把该方法应用于一个正在测试 的智能报警系统，这个系统是用来分析复合报警，并验证引起这些报警的特殊问题。 人工神经网络法是模拟人类神经系统传输、处理信息过程的一种人工智能技术，它 具有学习和自我学习的能力，并具有一定的容错能力。该系统在一小系统经过大量 训练后，经初步测试已具有定位拓扑的能力，但是人工神经需要有大量的样本进行 学习，而且给出的结果缺乏解释能力【1 9 】。 文献 2 0 2 1 介绍了p e t r i 网络在报警信息处理中的应用。p e t r i 网络( p e t r in e t ) 是 由德国数学家c a p e t r i 于1 9 6 0 - - 一1 9 6 5 年提出的一种通用的数学模型，是在构造 有向图的组合模型的基础上，形成可用矩形运算所描述的严格定义的数学对象。p e t r i 网可以图形的方式描述系统功能和处理流程，是复杂的逻辑关系形象化。 文献 2 2 1 提出了一种新的理论方法，就是把数据挖掘技术应用于电力系统报警 信息处理中。数据库中的知识发现的核心技术数据挖掘( d a t am i n i n g - - d m ) 是近 年来国际上较为活跃的研究领域，是人工智能与数据库技术相结合的产物。它应用 一些专门算法从数据中抽取出有效的模式，从大量数据中发现潜在规律，提取有用 2 华北电力大学硕+ 学位论文 知识。面对现在越来越庞大的电力系统所产生的海量报警信息，数据挖掘技术可以 挖掘出其背后隐藏着的许多重要信息，大大降低电力系统报警数据库的搜索时间。 工程实现中，电力系统报警信息的序列模式挖掘可以和系统故障诊断专家系统结 合，为其提供报警时间的时序规则知识，有效提高电力系统故障诊断的效率和精度。 另外，文献 2 3 给出的是一种新的基于逻辑的方法用于分析在线操作环境的报 警信息；文献【2 4 】介绍的是基于t a b u 搜索的报警处理系统；文献 2 5 介绍的是一种 实时专家系统等。相应的方法在应用中大部分取得了一定的效果，但单一的方法也 有其自身的缺陷，所以综合已有的技术解决报警信息处理问题，扬长避短，研究开发 出更加完善的智能报警系统是摆在研究工作者面f i 的重要课题。 1 3 系统的主要技术难点及关键技术 1 报警信息的过滤及报警显示方案 按时序采集上来的实时报警信息，哪些需要过滤掉，哪些不需要过滤，以何种 方式过滤。为实现信息过滤，首先必须对全部的报警信息查找其内在规律，并标注 重要程度。 2 报警信息的逻辑关联( 知识库) 哪些报警信息是相互关联的，比如1 1 6 断路器与1 1 6 速断保护关联，关联信息 要放在一起显示，便于综合判断，这要求对现场设备、回路非常熟悉，并要总结归 类，编制逻辑关系。 3 推理技术( 推理机) 要根据发出的报警信息推理出报警信息的重要级别，并推理出其对系统的影 响。 4 报警信息的显示方式。 1 4 本文的主要工作内容 在认真了解国内外现有报警系统的研究成果及所存在问题的基础上，研究基于 决策树噪声处理和基于产生式规则推理的电网智能报警系统的设计和实现方法。本 文的主要研究工作分为以下几个部分： 1 采用基于决策树的数据挖掘技术进行噪声处理，过滤噪声信息。 2 根据电网结构知识的特点，表示设备属性知识和网络拓扑知识。 3 采用基于产生式规则的推理方法，将噪声处理后的报警信息与s c a d a 采集 监控的其它数据相结合，按照提取的相应规则知识和一定的推理机制进行推理，得 出能反映电网特征且被调度员接受的报警信息，提高报警系统的智能性。 4 根据推理结果，将报警信息依照等级推出光字牌，播放特定音响。 3 华北电力人学硕十学位论文 第二章噪声处理和推理机制的理论分析 2 1 噪声处理的理论分析 2 1 1 基于决策树的数据挖掘定义 2 1 1 1 数据挖掘的定义 数据挖掘，( d a t am i n i n g ) ，就是指从数据中提取隐含在其中人们事先未知的、 但又是潜在有用的信息和知识，并将其表示成最终能被人理解的模式的高级过程。 数据挖掘不但能够从大量不完全、有噪声、模糊、随机的数据中学习已有的知识， 而且能够发现未知的新知识。得到的知识是“显式 的，既能为人所理解，又便于 存储和应用，因此从一开始就得到广泛的重视。也有学者称之为数据库知识发现 ( k d d ) ，因为它是从数据库中发现有用知识的过程，它更强调d m 是与数据库密切 相关。数据挖掘的对象定义为数据库，而更广义的说法是不仅是数据库，也可以是 文件系统，或其他任何组织在一起的数据集合，最新的挖掘对象则是数据仓库。 2 1 1 2 决策树的定义 决策树算法是数据挖掘中的一种重要而有效的分类方法【2 6 1 ，其核心问题是选取 树的每个结点要测试的属性，争取能够选择出最有助于分类实例的属性【2 7 1 。它着眼 于从一组无次序、无规则的事例中推理出决策树表示形式的分类规则，通常用来形 成分类器和预测模型，可以对未知数据进行分类或预测、数据挖掘等。它包括两个 步骤：第一步是利用训练样本集来构建出一棵决策树，建立决策树模型。训练集由 一组数据库记录或元组构成，每个元组是一个由有关字段( 又称属性或特征) 值组成 的特征向量，此外，训练样本还有一个类别标记。一个具体样本的形式可为：( v 1 ， v 2 ，v n ；c ) ；其中v i 表示字段值，c 表示类别。这个过程实际上是一个从数据中 获取知识，进行机器学习的过程。通常分为两个阶段：建树和剪枝。第二步是利用 建好的决策树对新的数据进行分类。 4 华北电力火学硕十学位论文 2 1 2 基于决策树的分类器的设计【2 8 。3 0 】 2 1 2 1 数据预处理 在数据库中存在大量的数据，对于分类任务而言并不都是有用的，有些是与任 务有关的，有些是与任务无关的，对于数据库中与任务有关的数据可能很多，如果 对所有的数据进行处理，耗费的时间可能令人难以忍受，为进行快速的数据分类可 以从与分类有关的数据中抽出一个子集来进行分类。这些问题将是本节要讨论的。 1 与分类任务有关的数据属性的选择 在现实应用中，数据记录中含有许多属性，并不是每个属性都和分类任务有关， 它们对分类结果的影响也不同。在这种情况下，如果把原始数据全部输入给分类器， 可能会产生不必要的，甚至复杂的分类规则。因此分类过程中数据只需保留与分类 有关的属性，其余属性删除。这可以由用户指导来选择与分类有关的属性。 实现这个目的可以利用数据库中的检索技术来实现，如数据库中运用选择操作 来从库中选择相关性的属性数据。 s e l e c ta i ，a 2 ，a nf r o m 库文件i n t o 临时文件 对于分类任务关系涉及到一个以上的表文件，也可以利用连接操作来实现选 择。产生的选择集合可以先存在临时文件中，以备分类过程使用。 总之，在进行分类时，仅选择与分类任务有关的属性提供给分类过程，这样可 以大大地提高分类的效率，获得比较简洁的分类规则。 2 处理属性值不完全的元组 通常在数据挖掘之前要进行数据整理，其中一个重要方面就是妥善解决遗失数 据问题。即某些元组的某些属性由于这样或那样的原因没有具体的值，这样的元组 会影响归纳过程执行，对这样的元组要在数据的预处理阶段进行整理。主要有以下 几种解决方案： ( 1 ) 忽略该条记录，即删除属性值不完全的元组； ( 2 ) 手工填补遗漏值。一般讲这种方法比较耗时，而且对于存在许多遗漏情况的 大规模数据集而言，显然可行性较差； ( 3 ) 禾l j 用缺省值填补遗漏值。对一个属性的所有遗漏值均利用一个事先确定好的 值来填补。这种方法虽然简单，但容易对最终结果产生较大误差。 2 1 2 2 主要归纳关系形成 在关系数据库中，关系表中的每一属性可能有很大的值域，如果不能把值域中 的不同数据值归纳为更高层次的概念，那么分类模式就不可能用简洁明了的规则表 华北电力大学硕十学位论文 达出来。为此要对数据属性的值域中的不同的值提升更高的概念层次，在对数据进 行分类时就可以通过提升概念层次，以提升后的概念层次为新属性值，产生一个用 于分类的二维表( 称为主要归纳关系) ，由主要归纳关系提取出的分类规则也可以 简洁明了的表示出来。 所谓属性的概念层次，就是指一个属性值由一般到特殊的偏序集，概念层次中 最一般的节点就是一个空描述，也就是覆盖了属性值域中所有可能的值；而最特殊 的节点就是数据库中对应的属性值域中一个特定的值。数据的概念层次是初始数据 的概念抽象，它含有丰富的语义，目前大多数情况下由知识工程师、域知识专家来 提取数据的概念层次，人工输入提供给分类过程。实际上，也就是一个数据向更高 层次泛化的过程。对于连续型数据犹为有效。例如：属性“收入的数值可以被泛 化为若干离散区间，诸如：低、中和高。 在关系型数据库中主要存在如下数据类型：数值、字符、日期、布尔等类型， 各种数据类型具有各自的特点，构造它们的概念层次有不同的办法。 无论数值类型是连续的还是离散的事件，均可以根据事件( 属性在值域中的取值) 的分布来分段，而后进行概念抽象提升和模糊化，加入特定的语义。 与数值类型相比较，字符类型完全是离散的量并含有丰富的语义，这种类型不 可能自动的提取它的概念层次。这种类型的概念层次可以依据用户的偏好或结合具 体的任务来构造。如p l a c e 概念层次，而有的用户可以依据行政区域来抽象p l a c e 的概念层次。所以，字符类型的概念层次必须由域知识专家来依据特定的任务给定。 为了得到简洁明了的分类模式，把原始数据归纳到更高的概念层次，然后用形 成的新属性构成面向分类的主要归纳关系。 2 1 2 3 测试属性的提取 在决策树归纳方法中，以q u i l a n 于1 9 8 6 年提出的i d 3 ( i t e r a t i v ed i c h o t o m i z e r3 ) 算法【3 l 】影响最大。i d 3 ( i t e r a t i v ed i c h o t o m i z e r3 ) 算法引入了信息增益的概念，并 使用信息增益的多少来决定树的不同结点需要测试的属性。在树的每一个节点使用 信息增益( i n f o r m a t i o ng a i n ) 度量选择属性时，选择具有最高信息增益的属性，即为具 有信息熵的属性。构造判定树时，将具有信息熵的属性作为当前属性的测试属性， 这种方法使得对一个对象分类所需的期望的测试属性最小。 i d 3 算法的优点是：算法的理论清晰，方法简单，学习能力较强，分类速度快， 适合于大规模数据的处理。主要缺点有：i d 3 算法只能处理离散性的属性；信息增 益度量存在一个内在偏置，计算偏袒具有较多取值的属性，但有时属性取值较多的 属性不一定最优；i d 3 算法是非递增学习算法；抗噪性能差，训练例子中正例和反 例较难控制。针对这个问题，q u i n l a n 在i d 3 算法的基础上又提出了c 4 5 算法，c 4 5 6 华北电力人学硕十学位论文 算法是q u i n l a n j r 在1 9 9 3 年提出的，它是从i d 3 算法演变而来，继承了i d 3 算法 的优点，c 4 5 算法引入了新的方法和功能【3 2 】： ( 1 ) 用信息增益率的概念，克服了用信息增益选择属性时偏向多值属性的不足； ( 2 ) 在树构造过程中进行剪枝，以避免树的过度拟合； ( 3 ) 能够对连续属性的离散化处理； ( 4 ) 可以处理具有缺少属性值的训练样本集； ( 5 ) 能够对不完整数据进行处理； ( 6 ) k 交叉验证； ( 7 ) 规则产生式。 c 4 5 算法降低了计算复杂度，增强了计算的效率。它对于i d 3 算法的重要改进 是使用信息增益率来选择属性。理论和实验表明，采用信息增益率比采用信息增益 更好，主要是克服了i d 3 方法选择偏向取值多的属性。c 4 5 算法还针对连续值属性 的数据进行了处理，弥补了i d 3 算法只能处理离散值属性数据的缺陷。 设s 是s 个数据的样本的集合；类标号属性具有m 个不同的值，设s ，是类g 中 的样本数。样本分类所需的期望信息由式2 1 给出： i ( s l ，j 2 ，s 。) = 一只1 0 9 2 只 ( 2 - 1 ) 式中：只是任意样本属于g 的概率，由墨艿估算；信息编码采用二进制。 由a 划分成子集的熵或期望信息由式2 2 给出： e ( 彳) = 一喜墨半，( s - ，j ：，s 耐)( 2 - 2 ) 。 式中：a 为测试属性；v 为a 具有的不l 司值的个数。 属性a 具有v 个不同的值 a i , 口：，a ， ，可以用属性a 将s 划分为v 个子集 墨，是，鼠) ；s 包含s 中的样本，它们在a 上具有值a j ；$ t j 是子集s 中类c ：的样 本数。 对于给定子集s ，有： ，( s i ，j 2 ，) = 一乃l 0 9 2 既 ( 2 - 3 ) 式2 3 中：既= 勖7 ，是乃中的样本属于类的概率。 在ae 分枝获得的编码信息是： g ( a ) = i ( s l ，s 2 ，s 。) 一e ( a ) g ( a ) 即为属性a 的值导致的熵的期望压缩，为属性a 的信息增益。 属性x 的信息增益率为 蝉) = 器 7 ( 2 4 ) ( 2 5 ) 华北电力人学硕七学位论文 式中s c x ，= 一善罱。g ：( 禺 是利用属性x 的值对数据进行分枝而得到的。 计算每个属性的信息增益率，具有最高信息增益率( 即信息熵) 的属性选为给定 集合s 的测试属性。创建一个节点，并以该属性标记，对属性的每一个值创建分枝， 将样本继续划分下去。 2 1 2 4 形成分类决策树 所谓决策树就是一个类似流程图的树型结构，其中树的每个内部结点代表对一 个属性( 取值) 的测试，其分支就代表测试的每个结果；而树的每个叶结点就代表 一个类别。树的最高层结点就是根结点。 为了对未知数据对象进行分类识别，可以根据决策树的结构对数据集中的属性 值进行测试，从决策树的根结点到叶结点的一条路径就形成了对相应对象的类别预 测。决策树可以很容易转换为分类规则。 决策树形成的算法描述如下： 算法：( g e n e r a t ed e c i s i o nt r e e ) 根据给定数据集产生一个决策树。 输入：i ) i i 练样本，各属性均取离散数值，可供归纳的候选属性集为：a t t r i b u t el i s t 。 输出：决策树。 处理流程： ( 1 ) 创建一个结点n ； ( 2 ) 若该结点中的所有样本均为同一类别c ，则返回n 作为一个叶结点并标记为 类别c ； ( 3 ) 若a t t r i b u t e l i s t 为空，则返回n 作为一个叶结点并标记为该结点所含样本中 类别个数最多的类别； ( 4 ) 从a t t r i b u t el i s t 选择一个信息增益率最大的属性t e s ta t t r i b u t e ； ( 5 ) 并将结点n 标记为t e s ta t t r i b u t e ； ( 6 ) 对于t e s t a t t r i b u t e 中的每一个已知取值a i ，准备划分结点n 所包含的样本集： ( 7 ) 根据t e s t _ a t t r i b u t e = a ，条件，从结点n 产生相应的一个分支，以表示该测试条 件； ( 8 ) 设置为t e s ta t t r i b u t e = a , 条件所获得的样本集合； ( 9 ) 若s ，为空，则将相应叶结点标记为该结点所含样本中类别个数最多的类别； ( 10 ) 否则将相应叶结点标志为g e n e r a t e _ d e c i s i o n _ t r e e ( s f ，a t t r i b u t e _ l i s t t e s ta t t r i b u t e ) 返回值； 算法的基本学习策略说明如下： ( 1 ) 决策树开始时，作为一个单个结点( 根结点) 包含所有的训练样本集； r 华北电力人学硕十学位论文 ( 2 ) 若一个结点的样本均为同一类别，则该结点就成为叶结点并标记为该类别； ( 3 ) 否则该算法将采用信息增益率方法作为启发知识来帮助选择合适的( 分支) 属性，以便将样本集划分为若干子集。这个属性就成为相应结点的“测试属性。 在算法中，所有属性均为符号值，即离散值。因此若有取连续值得属性，就必须首 先将其离散化； ( 4 ) 一个测试属性的每一个值均对应一个将要被创建的分支，同时也对应着一个 被划分的子集； ( 5 ) 算法递归使用上述各处理过程；针对所获得的每个划分均又获得一个决策 ( 子) 树。一个属性一旦在某个结点出现，那么它就不能再出现在该结点之后所产 生的子树结点中； ( 6 ) 算法递归操作的停止条件就是：一个结点的所有样本均为同一类别； 若无属性可用于划分当前样本集，则利用投票原则( 少数服从多数) 将当前结 点强制为叶结点，并标记为当前结点所含样本集中类别个数最多的类别； 没有样本满足t e s ta t t r i b u t e = a ! ，则创建一个叶结点并将其标记为当前结点所含 样本集中类别个数最多的类别。 2 1 2 5 树枝修剪 在一个决策树刚刚建立起来的时候，它其中的许多分支都是根据训练样本集合 中的异常数据( 由于噪声等原因) 构造出来的。树枝修剪正是针对这类数据过分近 似( o v e rf i t t i n g ) 问题而提出来的。树枝修剪方法通常利用统计方法删去最不可靠 的分支( 树枝) ，以提高今后分类识别的速度和分类识别新数据的能力。 通常采用两种方法进行树枝的修剪，它们分别是： ( 1 ) 事前修剪( p r e p r u n i n g ) 方法。该方法通过提前停止分支生成过程，即通过在当 前结点上就判断是否需要继续划分该结点所含训练样本集来实现。一旦停止分支， 当前结点就成为一个叶结点。该叶结点中可能包含多个不同类别的训练样本。 在建造一个决策树时，可以利用统计上的重要性检测z 或信息增益等来对分支 生成情况( 优劣) 进行评估。如果在一个结点上划分样本集时，会导致( 所产生的) 结点中样本数少于指定的阈值，则就要停止继续分解样本集合。但确定这样一个合 理的阈值常常也比较困难。阈值过大会导致决策树过于简单化，而阈值过小时又会 导致多余树枝无法修剪。 ( 2 ) 事后修剪( p o s t p r u n i n g ) 方法。该方法从一个“充分生长 树中，修剪掉多 余的树枝( 分支) 。 基于代价成本的修剪算法就是一个事后修剪方法。被修剪( 分支) 的结点就成 为一个叶结点，并将其标记为它所包含样本中类别个数最多的类别。而对于树中每 9 华北电力人学硕+ 学位论文 个非叶结点，计算出若该结点( 分支) 被修剪后所发生的预期分类错误率；同时根 据每个分支的分类错误率，以及每个分支的权重( 样本分布) ，计算若该结点不被 修剪时的预期分类错误率；如果修剪导致预期分类错误率变大，则放弃修剪，保留 相应结点的各个分支，否则就将相应结点分支修剪删去。在产生一系列经过修剪的 决策树候选之后，利用一个独立的测试数据集，对这些经过修剪的决策树的分类准 确性进行评价，保留预期分类错误率最小的( 修剪后) 决策树。 除了利用预期分类错误率进行决策树修剪之外，还可以利用决策树的编码长度 来进行决策树的修剪。所谓最佳修剪树就是编码长度最短的决策树。这种修剪方法 利用最短描述长度( m i n i m u md e s c r i p t i o nl e n g t h ，简称m d l ) 原则来进行决策树的修 剪。该原则的基本思想就是：最简单的就是最好的。与基于代价成本方法相比，利 用m d l 进行决策树修剪时无需额外的独立测试数据集。 当然事前修剪可以与事后修剪相结合，从而构成一个混合的修剪方法。事后修 剪比事前修剪需要更多的计算时间，从而可以获得一个更可靠的决策树。 2 1 2 6 分类规则的提取 决策树所表示的分类知识可以被抽取出来并可用i f t h e n 分类规则形式加以 表示。从决策树的根结点到任一个叶结点所形成的一条路径就构成了一条分类规 则。沿着决策树的一条路径所形成的属性值对就构成了分类规则条件部分( i f 部分) 中的一个合取项，叶结点所标记的类别就构成了规则的结论内容( t h e n 部分) 。 i f t h e n 分类规则表达方式易于被人理解，且当决策树较大时，i f t h e n 规则表示 形式的优势就更加突出。 2 2 推理机制的理论分析 2 2 1 推理概念【3 3 3 4 】 报警的规则库是整个系统的核心的话，报警处理机和推理机则决定了这个系统 的最终能表现出来的性能。没有一个良好的规则库，报警的推理机制就会面临重重 的困难，而一个设计糟糕的报警处理程序也会使整个系统的性能大打折扣。 推理机负责产生式规则的前提条件匹配、规则的搜索与选取、规则体的解释和 执行，主要包括搜索、匹配、冲突消解和触发几个部分。 搜索是访问知识的一种提法，它是一种知识的定位行为。在人工智能中搜索是 不可避免的。搜索之所以重要，是因为人工智能的研究对象主要是那些没有成熟方 法可依的问题领域，即没有具体的解答公式和步骤。它的问题求解，需要利用知识 库中现有的知识进行试探。这种逐步搜索求解的过程就是搜索过程。 1 0 华北电力人学硕士学何论文 既然搜索是对知识的访问，那么访问是有先后顺序的。计算机不可能同时对所 有的知识进行访问，在某时某刻，计算机只能访问某一条知识( 即规则) 。也就是说， 专家系统搜索知识是一个一个地来完成的，这个先后顺序就是一个搜索方法问题， 称为搜索策略。 匹配是判断知识的一种提法，是智能报警系统判断一条规则是否成立的过程。 可以这么比喻：搜索是对知识的定位，匹配是对知识的交谈，即所谓的判断。匹配 需要事实，事实可以来自于应用对象的知识模型中，可以来自于知识库，还可以来 自于与用户的交流。无论匹配成功与否，匹配的结果都将引起搜索中的回溯或由一 个分支向另一个分支的转移。可见搜索过程和匹配过程是紧密相连的，一般是边搜 索边匹配。 推理机在匹配的过程中，若某规则匹配成功，则此条规则就可被利用。但事实 是：对于应用对象当前的某一个特定的状态而言，很可能有多条规则同时匹配成功， 在这种情况下，就需要利用冲突消解策略来确定应该选用哪些规则，那些同时匹配 成功的规则称为规则冲突集，从这个规则冲突集中选出规则的算法为冲突消解。被 冲突消解所选出的规则称为规则触发。 2 2 2 推理方式3 5 3 6 】 在智能报警系统中，推理机制的主要任务是根据现有的已知条件，在一定的控 制策略下，反复匹配知识库中的规则，获得新的结论，以得到问题求解结果。推理 的过程就是问题的求解过程。根据求解过程所用知识因果关系的确定程度不同，推 理分精确推理和不精确推理两类。当领域知识能用必然的因果关系表示，则推理的 结论要么是肯定得，要么是否定的，这种推理属精确推理。若领域知识或用户给出 的原始证据是不确定性的，推理的结论也只能用一种不确定性来度量，这种推理属 不确定推理。 产生式系统常用的推理方式分为正向推理、反向推理及正反向混合推理3 种方 式。 1 正向推理 其基本思想是：从用户给出的问题事实开始，扫描系统知识库，得到适用于当 前事实的所有知识的集合；运用某种冲突消解策略，从得到的知识集合中选择一条 知识；将这条知识与当前事实结合进行推理，推导出新的事实或判断：将推导的结 论加入原有的事实集合。重复上述过程，直至达到目标或知识库中再没有知识可用 为止。 2 反向推理 其基本思想是：先根据问题提出一个假设目标，然后逐一匹配知识库中的规则， 华北电力人学硕十学位论文 当某条规则的结论部分被匹配成功之后，将此规则的前半部分取出来加入数据库 中，并逐一检验这些前提部分是否存在，如果这些前提事实被当前数据库所匹配， 则表明源假设目标成立，问题得到求解。否则，把这条规则的前提部分作为子目标， 递归执行上述过程，直到假设目标被证实或被否定时为止。 3 混合推理 此种推理方式综合正向推理和反向推理的优点，先通过数据驱动选择目标，然 后通过目标驱动进一步求证目标，或者正向推理和反向推理同时进行，直到在某个 中间状态相交，满足一致性条件时为止。正反向混合推理，既可以避免数据驱动推 理的盲目性，又可以避免目标驱动中选择目标的盲目性，使得这两种推理方式互为 补充。 2 3 本章小结 本章主要对智能报警系统的噪声处理和推理机制进行了理论分析。分为2 个部 分： ( 1 ) 对基于决策树的数据挖掘概念、原理、模型方法进行了分析研究，重点研究 了i d 4 算法形成决策树的方法。 ( 2 ) 对推理的概念和三种推理方式进行了分析，为后面的工作奠定了基础。 1 2 华北电力人学硕士学位论文 3 1 报警信息概述 3 1 1 远动系统的特点 第三章智能报警系统的设计 本文的智能报警系统的报警信息来源于s c a d a 采集的实时信息，s c a d a 上传 的信息基本来源于远动系统，因此首先有必要了解远动系统的原理，了解报警信息 的上传过程，找出误报原因，现场的误报依据，将现场中运行人员判定遥测遥信误 报漏报的判断方法和规律应用到智能报警系统的噪声处理和推理模块中。 ( 1 ) 远动系统原理简介【3 7 】 远动系统的工作原理是利用设置在各变电站的远动终端采集电网运行的实时 信息，这些信息通过信道( 光通信、载波通信等) 传输到设置在调度的主站，主站根 据这些信息对电网的运行状态进行监控。其基本功能有四个，即遥测、遥信、遥控 和遥调。除了上述“四遥”功能外，还有其他如事件顺序记录( s o e ) ，遥脉等功能。 事件顺序记录，就是当远动终端检测到遥信状态变位时，记录遥信变位的时刻、变 位状态和设备序号，组成事件记录信息向主站传送。 ( 2 ) 造成误报，漏报报警信息的原因 a 、遥信误报。遥信误报的原因有接线错误，遥信参数不正确，通道误码和站内 的电磁干扰，保护装置误发，触点( 包括继电器和接线端子) 抖动等均可造成遥信 误报。 b 、遥信漏报。造成遥信漏报的原因主要有以下几种：继电器触点或辅助触点 性能不好，保护装置未报，继电器动作后未及时复归，遥信输入触点损坏，通道误 码率较高等。 c 、遥测显示异常。遥测显示不准确的主要原因有变送器、交流采样单元或测量 回路故障等。 ( 3 ) 判断方法和规律 a 、在实际电网运行中，遥信与遥测总是相关的，正常遥信( 断路器、保护设备 等) 变位总是伴随着遥测量的变化。 b 、典型、完整的保护动作，应同时具备保护信号、重合闸动作、断路器变位 等信息，并带s o e 。 c 、小电流接地选线装置发出的接地信号，可以结合1 0 k v 母线相电压变化情况 来判断。 1 3 华北电力人学硕+ 学位论文 3 1 2 报警信息的分类 智能报警系统的报警信息分为开关正常遥信变位报警、设备运行异常报警、设 备故障报警三类。 ( 1 ) 开关j 下常遥信变位报警是由检修操作引起的开关遥信变位，反映了电网设备 运行状态的变化，包括以下两种： a 、由闭合状态转为打开状态的开关正常遥信变位报警； b 、由打开状态转为闭合状态的开关正常遥信变位报警。 ( 2 ) 设备运行异常报警是电网设备运行异常时发出的报警，具体分为以下几种类 型： a 、线路潮流越限报警； b 、变压器越限报警：包括主变功率越限报警和油温越限报警； c 、母线电压越限报警； d 、设备重载报警：包括线路重载报警和变压器重载报警： e 、开关运行异常报警：包括s f 6 气压报警、弹簧未储能报警、液压机构报警 和空压机构报警； f 、通讯系统异常报警。 ( 3 ) 设备故障报警是电网设备发生故障时发出的报警。 3 1 3 报警信息的特点 根据某电网s c a d a 上传的报警信息，归纳总结得出： ( 1 ) 时序性：每条报警信息都有时标，记录报警上传的时间，它不一定按事件真 正发生的顺序记录，这样，基于上述的原因，我们接收到的报警信息中的时间标志 存在着一定的误差。这种误差会为我们的报警系统带来隐患：时间上的误差可能颠 倒了事件发生的顺序，有些推理规则不涉及事件的时间顺序，或者不依赖于事件的 时间顺序，可以不受此影响，但是那些依赖于时间顺序的推理规则就有可能因此出 错。比如，操作人员执行倒闸操作，断开某个高压开关。由于某种原因，报警系统 接到的操作的记录时间比开关动作时间要晚，报警系统如果不能推断出时间顺序被 颠倒了，就会得出这个开关的动作是误动的错误结论。例如1 1 1 张李线故障，它可 能先上传1 1 1 张李线跳闸，再上传1 1 l 张李线速断保护动作，实际上应为保护先动 作，然后开关跳闸。因此需要系统有一套机制判断事件的实际顺序。 ( 2 ) 不确定性：报警消息可能会遗漏，也可能重复，也有可能是虚假的。考虑一 次不成功的开关重合闸的情况，开关会经历跳闸，重合闸，再次跳闸的过程。如果 1 4 华北电力人学硕十学位论文 报警信息漏掉了再次跳闸这一步的信息，报警系统就有可能以为这次重合闸是成 功。类似的，当一次成功的开关重合闸的跳闸信息重复了一遍，报警系统也有可能 认为是开关的再次跳闸，误认为这次重合闸没有成功。我们在制定推理算法，编制 推理程序时，也必须考虑到这种误差的干扰。 ( 3 ) 离散性：当系统运行发生异常或故障时，会引起各种特征信息的变化，如各 类遥测越限：电压、电流的异常波动，各类遥信信息的动作，开关和保护装置的动 作，自动装置的动作等。因为反映同一事件的不同特征信息是通过不同的数据采集 装置采集的，因此反映到调度中心的是一条条离散的报警信息。 ( 4 ) 相关性：虽然各条报警信息之间是离散的，但信息之间具有相关性，即将某 几条信息组合起来可以说明系统当前发生了某个事件。 ( 5 ) 混杂性：报警信息均上传到同一界面，优先级相同，无法辨别信息的重要性。 3 1 4 需要实现的功能 根据对以上报警信息特点的分析，电网智能报警系统对信息的处理功能应具有 以下几点： ( 1 ) 干扰信息的过滤：过滤噪声信息。 ( 2 ) 报警信息的优先级：将有用的报警信息赋予不同的优先级，对于优先级高的 信息立即报告。例如线路故障，遥测严重越限信息，这些报警信息为一级报警，其 余的均为二级报警。 ( 3 ) 延时报警：对于具有自恢复功能的设备产生的报警信息，延时等待一段时间 看是否可以恢复。如保护通讯通道中断后，等待一段时间看通道是否可以恢复。 ( 4 ) 组合报警：将报警信息与历史信息组合，推理出故障对系统的影响，如是否 解裂，解环，静稳等是否受到影响。通过逻辑推理，判断其组合后是否可反映重要 事件及其影响。某些报警信息需要与其它信息组合在一起才能决定其重要性。如开 关保护组合后可反映线路故障。 ( 5 ) 报警显示：报警信息根据等级不同采用不同的声像显示。 其中功能l 由噪声处理模块实现，功能2 ，3 ，4 由推理