-52-基于結(jié)構(gòu)化告警文本的變電站跳閘事件診斷方法分析案例目錄TOC\o"1-3"\h\u806基于結(jié)構(gòu)化告警文本的變電站跳閘事件診斷方法分析案例 1240451.1數(shù)據(jù)歸一化 161121.2基于結(jié)構(gòu)化告警文本的跳閘事件診斷方法架構(gòu)分析 2210871.3基于支持向量機(jī)的跳閘事件判定模型 4215801.3.1監(jiān)督學(xué)習(xí)與支持向量機(jī) 4151001.3.2算法設(shè)置 6326311.4基于k-means聚類算法的跳閘事件類型判定模型 8201141.4.1非監(jiān)督學(xué)習(xí)與k-means聚類算法 8146031.4.2余弦相似度 9107391.4.3算法設(shè)置 10243751.5算例驗(yàn)證 101.1數(shù)據(jù)歸一化數(shù)據(jù)標(biāo)準(zhǔn)化（歸一化）方法是大數(shù)據(jù)技術(shù)中的基礎(chǔ)，是整個(gè)數(shù)據(jù)挖掘方法的開(kāi)端，屬于數(shù)據(jù)預(yù)處理的方法。不同類型的數(shù)據(jù)可能具有不同的衡量標(biāo)準(zhǔn)，在這樣的情況下，若無(wú)法對(duì)不同的數(shù)據(jù)統(tǒng)一量綱，可能會(huì)影響最終的分析結(jié)果。為了避免量綱不統(tǒng)一造成的負(fù)面影響，需要在數(shù)據(jù)挖掘前，對(duì)數(shù)據(jù)進(jìn)行歸一化處理。在本文中，對(duì)于一個(gè)告警信息集，依據(jù)其對(duì)應(yīng)的告警類型，不同關(guān)鍵詞的出現(xiàn)次數(shù)差別很大，有的可能有上百次，而有的僅有零次或一次。其向量化后的數(shù)據(jù)，不同維的參數(shù)值可能相差很大，不在同一數(shù)量級(jí)，因此需要進(jìn)行歸一化處理以便于后期的處理分析。由于要做歸一化處理的向量的維數(shù)是確定的，即領(lǐng)域本體詞典的本體數(shù)，因此本文采用“min-max標(biāo)準(zhǔn)化”方法對(duì)其進(jìn)行歸一化，使其各維的參數(shù)都趨于[0-1]之間，避免影響后期對(duì)跳閘事件診斷的準(zhǔn)確性。min-max標(biāo)準(zhǔn)化（Min-MaxNormalization）方法是一種線性標(biāo)準(zhǔn)化方法，通過(guò)對(duì)原始數(shù)據(jù)進(jìn)行線性變換，使待處理的數(shù)據(jù)都被縮減到[0-1]區(qū)間內(nèi)[58]。在本文中，對(duì)應(yīng)的就是將各個(gè)向量的每一維的參數(shù)都縮放至[0-1]區(qū)間內(nèi)。該方法的標(biāo)準(zhǔn)化函數(shù)如下式（5-1）所示： (5-1)其中max代表一個(gè)告警信息樣本對(duì)應(yīng)的向量中，各維度參數(shù)的最大值；而min代表的便是該向量各維度參數(shù)中的最小值。1.2基于結(jié)構(gòu)化告警文本的跳閘事件診斷方法架構(gòu)分析在對(duì)結(jié)構(gòu)化后的告警信息完成了預(yù)處理后，告警信息已經(jīng)轉(zhuǎn)變?yōu)榱藗鹘y(tǒng)意義上的向量形式，是可以被機(jī)器識(shí)別的語(yǔ)言。因此，可以通過(guò)機(jī)器學(xué)習(xí)的方式對(duì)其進(jìn)行分析處理。對(duì)于變電站跳閘事件的診斷，和機(jī)器學(xué)習(xí)傳統(tǒng)的多分類問(wèn)題相似，輸入多種類的數(shù)據(jù)，得到不同的事件類型。在傳統(tǒng)的多分類問(wèn)題中，需要對(duì)相似度設(shè)定一個(gè)閾值，以此來(lái)判斷數(shù)據(jù)對(duì)應(yīng)的類型。但是在跳閘事件診斷的過(guò)程中，不同告警信息集之間的差異性很大，如果采用多分類方法直接對(duì)跳閘事件及跳閘事件類型進(jìn)行診斷，對(duì)于參數(shù)的調(diào)節(jié)和閾值的設(shè)定會(huì)使診斷方法過(guò)于復(fù)雜，而且這種參數(shù)調(diào)節(jié)或閾值設(shè)定很容易造成診斷的不準(zhǔn)確。為應(yīng)對(duì)此種情況，本文提出基于分類和聚類的兩層架構(gòu)，來(lái)對(duì)跳閘事件進(jìn)行診斷。這樣既可以避免閾值設(shè)定不準(zhǔn)確而造成的種種問(wèn)題。圖5-1智能診斷算法架構(gòu)圖在上述的兩層診斷框架中，第一層首先對(duì)跳閘事件是否發(fā)生進(jìn)行診斷。對(duì)于某一設(shè)備來(lái)說(shuō)，這一診斷的結(jié)果只有兩種，跳閘或非跳閘。此時(shí)，這一層就相當(dāng)于是一個(gè)二分類器，因?yàn)橐卸ǖ闹皇莾煞N結(jié)果之一。第一層診斷之后需要輸出一個(gè)跳閘與否的診斷結(jié)果，跳閘事件發(fā)生，則繼續(xù)進(jìn)行第二層診斷，判斷跳閘事件類型。若第一層診斷跳閘事件未發(fā)生，則診斷結(jié)束。本文采用支持向量機(jī)模型（SVM）進(jìn)行第一層診斷，因?yàn)閷?duì)比其他傳統(tǒng)分類模型，該模型在處理高維非線性的分類問(wèn)題上表現(xiàn)較好。在第二層中，對(duì)已判定為發(fā)生跳閘的事件的類型進(jìn)行判斷。此時(shí)所要判定的類型有很多種，因此采用聚類模型對(duì)其進(jìn)行判斷。這一層采用k-means聚類算法，通過(guò)計(jì)算告警信息集之間的余弦相似度，來(lái)判定該跳閘事件的事件類型，因?yàn)閗-means算法相較于其他聚類算法來(lái)說(shuō)，實(shí)現(xiàn)更加簡(jiǎn)單，需要調(diào)節(jié)的參數(shù)少，且收斂速度快。總體算法架構(gòu)如圖5-1所示。相較于第三章中基于改進(jìn)前綴樹(shù)思想的跳閘事件診斷模型，該模型同樣具有不依賴時(shí)間和空間序列的優(yōu)點(diǎn)以及便于更新的優(yōu)點(diǎn)。在該診斷模型的架構(gòu)中，挖掘的數(shù)據(jù)是結(jié)構(gòu)化后的告警信息，特征代表的是相關(guān)本體詞的出現(xiàn)次數(shù)，對(duì)于信號(hào)發(fā)出的前后順序并沒(méi)有嚴(yán)格的時(shí)間序列要求。此外，如果出現(xiàn)未知的跳閘事件類型或告警信息的格式規(guī)范進(jìn)行了更新，只需要對(duì)本體詞典進(jìn)行更新即可。因?yàn)樵撃Ｐ偷脑\斷過(guò)程是基于向量化后的結(jié)構(gòu)化向量數(shù)據(jù)，而向量化過(guò)程的決定因素只在于本體詞典的完整性。1.3基于支持向量機(jī)的跳閘事件判定模型1.3.1監(jiān)督學(xué)習(xí)與支持向量機(jī)監(jiān)督學(xué)習(xí)（Supervisedlearning），是機(jī)器學(xué)習(xí)中的一個(gè)概念，是其中某些具備相同特征的方法的統(tǒng)稱。給定一個(gè)已知的用來(lái)訓(xùn)練的數(shù)據(jù)集（訓(xùn)練集），用來(lái)找到一個(gè)函數(shù)描述這些數(shù)據(jù)直接的關(guān)聯(lián)，這就是監(jiān)督學(xué)習(xí)[59]。監(jiān)督學(xué)習(xí)最重要的特征是不同的數(shù)據(jù)已經(jīng)有了標(biāo)記，在模型學(xué)習(xí)的過(guò)程中可以通過(guò)標(biāo)記去判斷不同類型的數(shù)據(jù)和不同的標(biāo)記有何關(guān)聯(lián)。之后再通過(guò)這個(gè)訓(xùn)練好的模型，去對(duì)未知的、但與訓(xùn)練數(shù)據(jù)同類型的數(shù)據(jù)進(jìn)行判定，判定輸入的數(shù)據(jù)是屬于哪一類標(biāo)記。這種方法統(tǒng)稱分類，最典型的算法有支持向量機(jī)(supportvectormachine,SVM)、BP神經(jīng)網(wǎng)絡(luò)等。支持向量機(jī)的原理是將要處理的數(shù)據(jù)映射到高維特征空間進(jìn)行分類[60]。在SVM中，即使數(shù)據(jù)不是線性可分的，也可以通過(guò)決策手段實(shí)現(xiàn)分類。首先，確定各類別之間的分隔標(biāo)志，接著將分隔標(biāo)志轉(zhuǎn)換為超平面，并以此來(lái)進(jìn)行數(shù)據(jù)轉(zhuǎn)換。最后，當(dāng)有新的數(shù)據(jù)輸入時(shí)（即測(cè)試數(shù)據(jù)），可通過(guò)該分隔標(biāo)志判斷其對(duì)應(yīng)類別。除了類別之間的分隔線，支持向量機(jī)還會(huì)確定兩個(gè)類別的邊界線，這些落在邊界線上的數(shù)據(jù)點(diǎn)，就是支持向量。分隔線與邊界線之間的空擋，被稱為邊距。不同類別間的邊距越寬，支持向量機(jī)模型在對(duì)測(cè)試數(shù)據(jù)分類時(shí)的表現(xiàn)就會(huì)越好。如圖5-2中，虛線就是支持向量，實(shí)線就是分割線。SVM是依據(jù)數(shù)學(xué)統(tǒng)計(jì)學(xué)習(xí)相關(guān)知識(shí)的一種通用性很強(qiáng)的監(jiān)督學(xué)習(xí)分類算法，其分類決策依據(jù)結(jié)構(gòu)風(fēng)險(xiǎn)最小化(StructualRiskMinimization,SRM)原則如圖5-3所示。圖5-2支持向量機(jī)分類示意圖在本文中，采用SVM算法來(lái)對(duì)跳閘事件進(jìn)行判定。對(duì)于一個(gè)已經(jīng)轉(zhuǎn)換為向量形式的告警信息集，要判定其是否對(duì)應(yīng)了跳閘事件，其實(shí)就是一個(gè)二分類問(wèn)題。結(jié)果只有兩種，跳閘或無(wú)跳閘。由于向量化后的告警信息維數(shù)很高，且并不是線性關(guān)系，因此采用支持向量機(jī)進(jìn)行跳閘事件判斷，因?yàn)橄啾扔谄渌姆诸愃惴?，支持向量機(jī)可以通過(guò)核函數(shù)將非線性問(wèn)題轉(zhuǎn)化為線性問(wèn)題，它在處理非線性高維問(wèn)題時(shí)的表現(xiàn)更佳，且可以有效避免維數(shù)災(zāi)難的難題[61-62]。圖5-3支持向量結(jié)構(gòu)風(fēng)險(xiǎn)最小化現(xiàn)如今在使用SVM進(jìn)行分類時(shí)，最常用的核函數(shù)有四種，分別是線性核（LinearKernel）如式（5-2），Sigmoid核（SigmoidKernel）如式（5-3），多項(xiàng)式核（PolynomialKernel）如式（5-4）以及徑向基核函數(shù)（RadialBasisFunction,RBF）如式（5-5）。其中徑向基核函數(shù)又被稱為高斯核，其在解決特征較多且樣本數(shù)量較大的非線性問(wèn)題時(shí)，表現(xiàn)更佳。 (5-2) (5-3) (5-4) (5-5)1.3.2算法設(shè)置本文中采用SVM算法對(duì)跳閘事件進(jìn)行判定，采用某省2019年全年告警數(shù)據(jù)進(jìn)行數(shù)據(jù)提取。對(duì)于SVM分類模型來(lái)說(shuō)，最重要的參數(shù)設(shè)定便是核函數(shù)的選取。線性核（LinearKernel）具有一定的限制條件，其只能解決線性可分的問(wèn)題，因此在本文的SVM參數(shù)選擇中不考慮線性核。而多項(xiàng)式核、Sigmoid核以及徑向基核函數(shù)都可以解決非線性問(wèn)題，因此在訓(xùn)練過(guò)程中對(duì)這三種核函數(shù)進(jìn)行性能評(píng)估對(duì)比，選出效果最佳的核函數(shù)。在模型訓(xùn)練過(guò)程中，對(duì)于跳閘樣本數(shù)據(jù)，本文選取了某省2019年100起跳閘事件對(duì)應(yīng)的告警數(shù)據(jù)集，作為100個(gè)正樣本。對(duì)于無(wú)跳閘樣本數(shù)據(jù)，本文對(duì)某省2019年全年數(shù)據(jù)進(jìn)行時(shí)間區(qū)間為1分鐘的隨機(jī)分割，即在某一數(shù)據(jù)庫(kù)中隨機(jī)選取起始時(shí)間，并將起始時(shí)間一分鐘后的時(shí)間節(jié)點(diǎn)作為終止時(shí)間，由在該時(shí)間區(qū)間內(nèi)的告警信息組成告警信息集，作為100個(gè)負(fù)樣本。同時(shí)，為了評(píng)估訓(xùn)練效果，本文采用留一法（Leave-One-OutCrossValidation）進(jìn)行交叉驗(yàn)證：在訓(xùn)練階段，對(duì)于整體的200個(gè)訓(xùn)練樣本，每次選取199個(gè)樣本作為訓(xùn)練集進(jìn)行訓(xùn)練，剩余的1個(gè)樣本作為測(cè)試集用來(lái)測(cè)試。這樣訓(xùn)練過(guò)程就會(huì)反復(fù)進(jìn)行200次，相當(dāng)于將一個(gè)擁有200個(gè)樣本的訓(xùn)練集當(dāng)作200個(gè)擁有199個(gè)樣本的不同訓(xùn)練集使用。與此同時(shí)，在每一次訓(xùn)練結(jié)束后，都相當(dāng)于輸入了一個(gè)測(cè)試樣本對(duì)其分類效果進(jìn)行了測(cè)試。迭代完成后，輸出結(jié)果對(duì)應(yīng)混淆矩陣，進(jìn)行模型性能評(píng)估。本章中依據(jù)現(xiàn)階段業(yè)內(nèi)常采用的對(duì)分類器和分類方法性能評(píng)估指標(biāo)，對(duì)該模型的性能進(jìn)行評(píng)估。在機(jī)器學(xué)習(xí)的分類模型中，常用準(zhǔn)確率ACC、靈敏度SP與特異性SN來(lái)評(píng)價(jià)分類效果。對(duì)于跳閘事件診斷模型來(lái)說(shuō)，其中準(zhǔn)確率表示被正確分類的樣本與樣本總數(shù)的比例，靈敏度表示存在事故跳閘事件的樣本被正確判斷的比例，特異性則表示不存在事故跳閘事件的樣本被正確判斷的比例。準(zhǔn)確率、靈敏度特異性的計(jì)算方式分別如下式（5-6）、（5-7）及（5-8）所示。 （5-6） （5-7） （5-8）確定了數(shù)據(jù)提取規(guī)則、訓(xùn)練方式及性能評(píng)估方法后，對(duì)SVM跳閘事件診斷模型不同核函數(shù)性能效果進(jìn)行評(píng)估。分別采用徑向基核函數(shù)（RBF）、多項(xiàng)式核以及Sigmoid核進(jìn)行測(cè)試，不同核函數(shù)對(duì)應(yīng)測(cè)試結(jié)果混淆矩陣如下表5-1、表5-2以及表5-3所示。表5-1RBF核函數(shù)測(cè)試結(jié)果混淆矩陣實(shí)際類別判定類別YESNO總計(jì)YES98(TP)2(FN)100NO1(FP)99(TN)100總計(jì)99101200表5-2多項(xiàng)式核函數(shù)測(cè)試結(jié)果混淆矩陣實(shí)際類別判定類別YESNO總計(jì)YES89(TP)11(FN)100NO1(FP)99(TN)100總計(jì)90110200表5-3Sigmoid核函數(shù)測(cè)試結(jié)果混淆矩陣實(shí)際類別判定類別YESNO總計(jì)YES91(TP)9(FN)100NO14(FP)86(TN)100總計(jì)10595200得到交叉驗(yàn)證結(jié)果混淆矩陣后，結(jié)合式（5-6）、（5-7）及（5-8）計(jì)算不同核函數(shù)情況下對(duì)應(yīng)的分類模型準(zhǔn)確率、靈敏度特異性，以此來(lái)分析不同核函數(shù)對(duì)跳閘事件診斷模型的性能效果的影響，選取各項(xiàng)指標(biāo)最佳的核函數(shù)作為跳閘事件診斷模型第一層架構(gòu)SVM模型的核函數(shù)。經(jīng)過(guò)計(jì)算，得到不同核函數(shù)對(duì)應(yīng)SVM模型性能效果指標(biāo)如下表5-4所示。表5-4不同核函數(shù)對(duì)應(yīng)SVM模型性能指標(biāo)核函數(shù)性能指標(biāo)RBF核多項(xiàng)式核Sigmoid核ACC0.9850.9400.885SP0.9800.8900.910SN0.9900.9900.860由表5-4得知，RBF核函數(shù)在對(duì)跳閘事件進(jìn)行跳閘與否診斷時(shí)表現(xiàn)最佳，無(wú)論是準(zhǔn)確率、靈敏度還是特異性都高于多項(xiàng)式核函數(shù)與Sigmoid核函數(shù)，因此本章在基于結(jié)構(gòu)化數(shù)據(jù)的跳閘事件診斷模型第一層SVM分類模型中，采用RBF核函數(shù)。1.4基于k-means聚類算法的跳閘事件類型判定模型1.4.1非監(jiān)督學(xué)習(xí)與k-means聚類算法非監(jiān)督學(xué)習(xí)不同于監(jiān)督學(xué)習(xí)，它使用的是沒(méi)有標(biāo)記的數(shù)據(jù)作訓(xùn)練，通過(guò)模型的學(xué)習(xí)，發(fā)現(xiàn)數(shù)據(jù)中某些隱含的性質(zhì)和規(guī)律，以此實(shí)現(xiàn)對(duì)不同數(shù)據(jù)的分類[59]。圖5-4聚類示意圖在非監(jiān)督學(xué)習(xí)中，典型的代表便是聚類算法。聚類算法對(duì)輸入的數(shù)據(jù)集進(jìn)行劃分，力圖將其分割為幾個(gè)不相交的子集，這些子集代表著不同的種類，又被稱作“簇”(cluster)。這樣分割后，每一個(gè)“簇”可能都代表著一種隱含的種類，簇中的數(shù)據(jù)都有一些共性，如圖5-4所示。k-means算法是聚類算法中最典型的一種，它又被稱作k均值算法。該算法將距離度量作為權(quán)重，將輸入的數(shù)據(jù)劃分為若干種類，并通過(guò)計(jì)算每一個(gè)種類中數(shù)據(jù)的均值，形成一個(gè)“類中心”，又被稱為質(zhì)心，這個(gè)中心點(diǎn)就是用于表征一類數(shù)據(jù)特征的標(biāo)記[63]。圖5-5k-means算法流程k-means算法的基本流程如圖5-5所示。首先設(shè)定一個(gè)想要的k值，即所需的類中心個(gè)數(shù)。之后從用于訓(xùn)練的樣本集中隨機(jī)抽取k個(gè)訓(xùn)練數(shù)據(jù)作為這些類的中心點(diǎn)，并計(jì)算訓(xùn)練樣本數(shù)據(jù)集中所有數(shù)據(jù)樣本與這些類中心點(diǎn)的距離度量。接著，將訓(xùn)練數(shù)據(jù)集中的所有樣本按照距離度量歸類至距離最小的類，并重新計(jì)算每一個(gè)類中的均值，即中心點(diǎn)。最后，循環(huán)往復(fù)k值設(shè)定后的其余步驟，直到類的中心不在變化時(shí)，結(jié)束整個(gè)算法。此時(shí)，最后得到的類中心對(duì)應(yīng)的類，就是聚類的最優(yōu)結(jié)果[64-65]。1.4.2余弦相似度在上一小節(jié)中提到，將樣本數(shù)據(jù)分到距離類中心最近的那個(gè)類中時(shí)，需要有一種合理的策略來(lái)計(jì)算這一距離。在歐式空間中采用的是歐式距離，在處理文檔中采用的是余弦相似度函數(shù)，有時(shí)候也采用曼哈頓距離作為度量，不同情況使用的度量方式是不同的[66]。在本文中，需要進(jìn)行聚類的數(shù)據(jù)，是由告警信息文本轉(zhuǎn)化而來(lái)的高維向量，因此余弦相似度是最為合理的度量標(biāo)準(zhǔn)。余弦相似度描述的是兩個(gè)向量之間夾角的余弦值，如式（5-9）： （5-9）式中，和分別代表兩向量的第i維坐標(biāo)。1.4.3算法設(shè)置本文中采用k-means聚類算法對(duì)已被診斷為跳閘事件的樣本數(shù)據(jù)進(jìn)行二次診斷，在二次診斷中判斷跳閘事件的具體類型。依據(jù)第二章中對(duì)于跳閘事件類型的劃分將跳閘事件按設(shè)備類型及電壓等級(jí)劃分為27種。由于在實(shí)際情況中，跳閘設(shè)備類型是事故跳閘類型的主要分類方式，且對(duì)于聚類算法來(lái)說(shuō)，中心點(diǎn)過(guò)多很容易導(dǎo)致聚類不準(zhǔn)確，因此在本節(jié)中對(duì)于事件類型的劃分進(jìn)行簡(jiǎn)化，僅按照設(shè)備類型的不同，將事故跳閘類型分為四種。向量化后的告警信息維數(shù)太大，且在其中數(shù)詞和地點(diǎn)詞部分對(duì)應(yīng)的維度數(shù)值較高，很容易對(duì)聚類的準(zhǔn)確性造成干擾。為了避免這種干擾的情況，首先需要對(duì)數(shù)據(jù)進(jìn)行切割，即將數(shù)詞和地點(diǎn)詞部分對(duì)應(yīng)的維度切割出去，僅留名詞及動(dòng)詞部分。對(duì)處理后的數(shù)據(jù)進(jìn)行聚類，具體算法步驟如下：第一步：對(duì)數(shù)據(jù)進(jìn)行切割處理，切掉向量前幾維中代表地點(diǎn)詞和數(shù)詞的維度，得到聚類所需數(shù)據(jù)；第二步：規(guī)定聚類中心數(shù)k=4，并初始化這四個(gè)中心點(diǎn)C1,C2,C3,C4；第三步：對(duì)于所有的樣本數(shù)據(jù)，計(jì)算各樣本與中心點(diǎn)的余弦相似度，將樣本對(duì)象分到與對(duì)應(yīng)中心點(diǎn)最相似的那個(gè)類中；第四步：對(duì)于經(jīng)過(guò)上一步劃分后產(chǎn)生的4個(gè)類，分別計(jì)算到類內(nèi)其他點(diǎn)余弦相似度均值最小的點(diǎn)，并將該點(diǎn)定義為新的類中心；第五步：循環(huán)執(zhí)行第二三四步，直到聚類中心點(diǎn)固定不再改變，結(jié)束循環(huán)，完成聚類。1.5算例驗(yàn)證本文中使用Python語(yǔ)言對(duì)上述功能實(shí)現(xiàn)驗(yàn)證。驗(yàn)證環(huán)境為處理器為Intel(R)Core(TM)i3-6320CPU@3.90GHz3.91GHz，內(nèi)存為8GB的PC機(jī)，數(shù)據(jù)庫(kù)使用達(dá)夢(mèng)數(shù)據(jù)庫(kù)。（1）診斷效果驗(yàn)證為驗(yàn)證本章中基于結(jié)構(gòu)化告警信息的跳閘事件診斷方法，采用某省電力調(diào)控中心2020年1月至2020年6月全省500kV變電站的告警數(shù)據(jù)對(duì)模型進(jìn)行算例驗(yàn)證。經(jīng)過(guò)驗(yàn)證，對(duì)于某省500kV變電站2020年1月至2020年6月跳閘事件的判定結(jié)果如下表5-5所示：表5-5跳閘事件判定結(jié)果診斷結(jié)果實(shí)際發(fā)生次數(shù)漏診次數(shù)誤診次數(shù)828200如表可見(jiàn)，模型對(duì)某省2020年1月至2020年6月跳閘事件的判定完全正確，準(zhǔn)確率為100%。之后在第二層中對(duì)判定為跳閘事件的測(cè)試樣本進(jìn)行聚類，判斷其跳閘類型。經(jīng)過(guò)檢測(cè)，對(duì)于某省2020年1月至2020年6月跳閘事件類型的診斷結(jié)果如下表5-6所示：表5-6跳閘事件類型診斷結(jié)果跳閘事件類型實(shí)際發(fā)生次數(shù)診斷結(jié)果漏診次數(shù)誤診次數(shù)線路故障跳閘717100電容器故障跳閘6600電抗器故障跳閘3300主變故障跳閘2200總計(jì)828200聚類結(jié)果如圖5-6所示。其中左上角圖代表電抗器故障跳閘的類，右上角圖代表線路故障跳閘的類，左下角圖代表電容器故障跳閘的類，右下角圖代表主變故障跳閘的類。圖中橫坐標(biāo)表示向量中的維度，縱坐標(biāo)代表歸一化后對(duì)應(yīng)維度的特征值。紅色曲線代表一類中的聚類中心點(diǎn)，藍(lán)色曲線代表各類中樣本點(diǎn)。通過(guò)曲線可以看出，各類的聚類效果良好，中心點(diǎn)與所有樣本整體趨勢(shì)十分接近。綜合表5-6結(jié)果與圖5-6展示，模型對(duì)于判定為跳閘的82起事件的類型劃分完全正確，模型整體表現(xiàn)優(yōu)異。對(duì)比第三章中基于改進(jìn)前綴樹(shù)思想的跳閘事件診斷方法的算例驗(yàn)證結(jié)果，該方法正確診斷了第三章中漏診段及誤診斷的所有跳閘事件，成功規(guī)避了告警信息誤發(fā)及漏發(fā)引起的誤診段及漏診斷的問(wèn)題。圖5-6聚類結(jié)果圖（2）關(guān)鍵信息誤發(fā)實(shí)例針對(duì)第三章中因信息誤發(fā)導(dǎo)致誤診段的某一事件進(jìn)行具體單例分析。依據(jù)第三章診斷結(jié)果，2020年5月10日04時(shí)52分17秒，500kVXF變電站發(fā)生500kV線路故障跳閘事件，相關(guān)告警信息如下表5-7所示（已經(jīng)過(guò)去重處理）：表5-7某誤診跳閘事件原始告警SC.XF站/公用信號(hào)/500kV2號(hào)故障錄波裝置錄波啟動(dòng)動(dòng)作SC.XF站/公用信號(hào)/500kV2號(hào)故障錄波裝置錄波啟動(dòng)復(fù)歸SC.XF站/第一組控制電源消失告警SC.XF站/500kVBX二線/第一套保護(hù)PSL-603通信中斷告警SC.XF站/500kVBX二線/第一套保護(hù)PSL-603通信中斷復(fù)歸SC.XF站/500kV.5023開(kāi)關(guān)/油壓低重合閘閉鎖告警SC.XF站/500kV.5023開(kāi)關(guān)/油壓低重合閘閉鎖復(fù)歸SC.XF站/500kV.Ⅱ母線線電壓正常534.55SC.XF站/XF5023開(kāi)關(guān)事故分閘對(duì)于表5-7中的告警信息，本章診斷結(jié)果為無(wú)跳閘事件發(fā)生。盡管對(duì)應(yīng)的告警信息集中誤發(fā)了事故分閘信號(hào)，但因?yàn)楦婢畔⒓瘜?duì)應(yīng)的特征向量中，其余事故跳閘相關(guān)的特征維度偏向正常，單一維度特征變化對(duì)整體診斷影響不大，因此成功診斷為無(wú)跳閘。（3）關(guān)鍵信息漏發(fā)實(shí)例針對(duì)第三章中因信息漏發(fā)導(dǎo)致漏診段