基于粗糙集联合决策树法的智能变电站远程调度管理优化

摘 要：

针对变电站远程调度管理的问题，提出一种基于粗糙集联合决策树的优化方法。首先收集变电站的运行功率、温度、湿度、电流、电压等数据；然后利用粗糙集联合决策树方法分析已收集的信息数据，并进行综合性分析；最后依据分析结果，对变电站感知节点进行远程调度。研究结果显示，基于粗糙集联合决策树的变电站调度方法，能全面掌握变电站的运行状态，减少数据的处理量，更加精准地对变电站进行调度，而且响应时间较短。

0 引言

变电站的远程控制涉及感知节点、能量控制、实施控制模块等多项内容，主要用于监测变电站功率、温度、湿度等指标，并及时进行设备的开关调节，需要进行频繁的启停。因此，全面掌握变电站运行状态[1]，及时对变电站进行远程调度，成为目前要解决的关键问题之一[2]。本文提出一种基于粗糙集联合决策树的方法，旨在实现对变电站的远程精准调度。

1粗糙集联合决策树法

粗糙集能对变电站中的不确定性数据、非规则性数据进行分析，求得数据的最小知识表达，并依据预设规则来提高结果的精准度[3]。决策树对粗糙集处理后的数据进行递归分析，寻找到最终的结果。粗糙集联合决策树方法具有几方面优势：（1）能够处理变电站中感知节点的海量数据，并减少冗余数据所占比例；（2）通过递归分析，得到较为准确的计算结果；（3）弥补决策树无法处理海量数据的不足以及粗糙集无法实现精准递归的缺陷。

2变电站远程调度的数学描述

假设1：第i个感知节点传输的功率为Qi，湿度为Wi，温度为Zi，电压为Ui，粗糙集合为set，那么，集合数据的收集过程如下：

其中，k为粗糙集筛选数据的规则，湿度的筛选条件为Wi＜45%%，温度为Zi＜50℃，电压为Ui＜230 V。如果k∧1不成立，说明收集的数据为不确定性数据，需要进行标准化处理，否则数据可以直接被纳入到集合set中。

为了更好地对变电站进行远程控制，要对set集合进行缩减，减少数据总量，所以提出假设2。

假设2：变电站的粗糙集规则调节函数为Roug[A，B，k]，A为不确定性程度，B为非规则数据比例，k为筛选规则，数据调节系数为α，粗糙集处理后的集合为RGset，那么RGset的数据收集过程如下：

RGset为映射后的函数，所含数据是标准化处理后的函数。

假设3：变电站运行状态的数据集合为RGset，变电站整体运行状态函数为Ji（RGset），该函数的计算如下：

式中：αi为不同规则下的调节系数；ki为不同状态下的筛选规则。

如果J函数的结果处于[0，1]，说明变电站运行正常，只需进行监测；如果大于1说明变电站运行异常，需要确定感知节点的位置，并对相应设备进行开关调整。

3基于粗糙集联合决策树法的变电站远程调度

在实际运行过程中，要依据粗糙集联合决策树中的参数调节，找出异常的变电站运行数据，并确定故障变电站的位置。

3.1变电站运行参数初始化

将获得的变电站运行数据进行粗糙集规则处理，并映射到决策树的根节点中，完成参数的初始化[4]，数据映射过程为：

变电站运行参数的初始化是对不规则数据、不确定性数据进行分析，能够有效降低数据误差，提高数据的标准化程度。

3.2变电站远程调度的实施步骤

粗糙集联合决策树法对变电站的远程调度属于持续性控制，是一个循环往复过程，具体计算步骤如图1所示。

由图1可知，变电站远程调度需要4个步骤。

步骤1：获得变电站运行状态数据，将电压、湿度、温度以及功率等数据进行预处理。

步骤2：利用粗糙集规则剔除冗余数据，并进行决策树分析，输出变电站运行结果。

步骤3：依据变电站的数据来源，确定异常信号的来源。

步骤4：依据异常信号确定故障位置。

4变电站远程调度的实际案例

为了验证调度效果，用粗糙集联合决策树法对32 kV变电站进行远程调度，以调度准确率、异常感知节点位置判断以及响应时间为评价指标。

4.1 变电站简介

32 kV变电站内部有3台服务器、2台交换机、12个感知节点（温度、湿度、风力、日照、功率等），其一般信息如表1所示。

由表1中的数据可知，变电站中所有设备、控制开关之间均为独立数据，无相关性，可以进行后期的监测判断。

4.2变电站运行预测准确性与位置判断准确性

对于变电站运行状态的数据分析，要多次取样，并比较预测数据与实际数据的差异。同时，利用决策树方法确定异常数据的来源，确定故障的位置，具体结果如表2所示。

由表2可知，在06：00—12：00阶段，状态预测、位置预测准确性较低，主要是由于该阶段处于生产、工作的高峰阶段，处理的数据量较大。但是，该阶段的预测偏差仍然小于3%，说明粗糙集联合决策树法能更好地进行数据分析，提高变电站远程调控的准确性。

对变电站进行30日的数据收集，判断数据的稳定性，结果如图2所示。

由图2可知，状态预测、故障预测的数据处理量在49.5兆～51.5兆之间，变化幅度为2兆，整体比较稳定。究其原因，粗糙集采用粗糙集规则进行数据标准化处理，并将数据映射到决策树的根节点，实现数据的简化处理，大幅压缩了数据量。

4.3 变电站远程调度的响应时间

响应时间是变电站远程调度的重要指标，是验证粗糙集联合决策树方法的重要内容。响应时间包括三个方面：状态发生时间、预警响应时间以及命令执行时间，具体结果如表3所示。

由表3可知，粗糙集联合决策树在状态发生时间、预警响应时间、命令执行时间方面均短于实时监控方法，整体上要短2 s左右，而且两种方法在响应时间方面存在显著差异，方差为13.526。究其原因，粗糙集规则剔除了冗余数据，并对不确定性信息、非规则信息进行标准化处理，提高了数据的处理效率，大幅缩短了变电站调度的响应时间。其中，响应时间之间的处理关系如图3所示。

由图3可知，状态、预警和执行之间的处理关系较为密切，说明响应时间的处理结合较好，最终结果的处理关系较佳，可以为变电站远程调度提供数据支持。

5 结语

针对变电站远程调度问题，本文提出了一种基于粗糙集联合决策树的方法，通过粗糙集规则的约束，将变电站功率、湿度、温度和电压进行标准化处理，简化决策树分析的数据量。实践结果显示，变电站状态预测、故障预测的准确率在85%以上，数据变化幅度在0～2兆内，而且粗糙集联合决策树方法对变电站调度的响应时间较短，优于在线监测法。所以，本文提出的粗糙集联合决策树方法适合于变电站远程调度。