基于AHP和分類加權(quán)關(guān)聯(lián)規(guī)則的變電站二次設(shè)備缺陷分析

周 凱，喻 鑫，嚴(yán)利雄，畢如玉，鄧 科，李煜磊

（1.國網(wǎng)湖北省電力有限公司檢修公司，湖北 武漢430072；2.武漢大學(xué)電氣與自動化學(xué)院，湖北 武漢430072）

0 引言

二次設(shè)備的穩(wěn)定可靠運(yùn)行對整個電力系統(tǒng)而言至關(guān)重要［1］。近年來，電力系統(tǒng)中二次設(shè)備的數(shù)量在經(jīng)濟(jì)高速高質(zhì)量發(fā)展、電網(wǎng)規(guī)模擴(kuò)大的背景下迅速增長，變電站運(yùn)維檢修人員面臨著二次設(shè)備數(shù)量激增的現(xiàn)狀，同時由于二次設(shè)備種類的多樣性、結(jié)構(gòu)的復(fù)雜性，使得二次檢修的工作量大大提高［2-3］，故有必要提高二次設(shè)備的運(yùn)維和管控水平以降低運(yùn)檢人員的工作負(fù)擔(dān)，保證系統(tǒng)的正常穩(wěn)定運(yùn)行。設(shè)備缺陷可通過運(yùn)檢人員現(xiàn)場發(fā)現(xiàn)手工錄入，也可通過調(diào)控員在OMS（Operations Management System，調(diào)度管理系統(tǒng)）調(diào)度日志中記錄，同時IEC61850主動上送服務(wù)的應(yīng)用信息和光纖傳輸通信的發(fā)展為變電站二次設(shè)備缺陷數(shù)據(jù)的傳輸提供了良好的途徑［4］，將這些缺陷數(shù)據(jù)匯總整理后進(jìn)行挖掘分析有助于提升二次設(shè)備的運(yùn)維和管控水平［5］。但目前僅使用簡單的分類統(tǒng)計(jì)分析二次缺陷設(shè)備，一方面缺乏理論性和系統(tǒng)性，方法過于簡單導(dǎo)致無法充分挖掘出缺陷數(shù)據(jù)的價值，另一方面缺乏整體綜合分析和數(shù)據(jù)的關(guān)聯(lián)性分析，而數(shù)據(jù)之間的關(guān)聯(lián)性可得出有助于提升二次設(shè)備運(yùn)維和管控水平的結(jié)論［6］。

目前，針對電力領(lǐng)域中的一些問題，已有研究人員使用數(shù)據(jù)挖掘技術(shù)來解決［7-9］。文獻(xiàn)［7］建立了基于云-Petri網(wǎng)的變壓器狀態(tài)分析模型，使用Apriori算法挖掘變壓器狀態(tài)參量和狀態(tài)之間的關(guān)聯(lián)規(guī)則以及各狀態(tài)之間的關(guān)聯(lián)規(guī)則。然而，當(dāng)前在二次設(shè)備領(lǐng)域，使用數(shù)據(jù)挖掘?qū)Χ卧O(shè)備進(jìn)行故障診斷或狀態(tài)評估的較多。在二次設(shè)備缺陷分析方面，所使用的技術(shù)方法比較簡單且文獻(xiàn)較少，難以充分發(fā)揮缺陷數(shù)據(jù)的價值，深度挖掘出缺陷數(shù)據(jù)所蘊(yùn)含的信息。文獻(xiàn)［8］通過Apriori算法尋找到二次設(shè)備的薄弱環(huán)節(jié)和缺陷原因，并對二次設(shè)備缺陷數(shù)據(jù)進(jìn)行關(guān)聯(lián)性分析；文獻(xiàn)［9］使用改進(jìn)Apriori算法，通過添加項(xiàng)目識別碼，減少不必要的頻繁項(xiàng)集篩選，對二次設(shè)備缺陷數(shù)據(jù)進(jìn)行關(guān)聯(lián)性分析，起到了降低算法時間復(fù)雜度的效果，但該方法對于運(yùn)維檢修人員更加關(guān)心但出現(xiàn)頻次低的缺陷難以得到良好的挖掘結(jié)果，挖掘出的關(guān)聯(lián)性仍有限?？傮w而言，現(xiàn)有變電站二次設(shè)備缺陷分析方法缺少理論性和系統(tǒng)性，導(dǎo)致監(jiān)控和調(diào)度人員對缺陷信息缺乏研判能力，難以有效提取缺陷數(shù)據(jù)的價值。

為此，本文提出了基于層次分析法（AHP）和分類加權(quán)關(guān)聯(lián)規(guī)則的分析方法。在闡述關(guān)聯(lián)規(guī)則的基礎(chǔ)上引入分類加權(quán)關(guān)聯(lián)規(guī)則及其Apriori算法實(shí)現(xiàn)，考慮二次設(shè)備的生產(chǎn)廠家、設(shè)備類型、缺陷發(fā)現(xiàn)時間、缺陷部位、缺陷原因、缺陷等級6個重要屬性，建立了基于加權(quán)關(guān)聯(lián)規(guī)則的二次設(shè)備缺陷數(shù)據(jù)模型。并以某市變電站的二次設(shè)備缺陷數(shù)據(jù)構(gòu)造缺陷樣本，利用AHP計(jì)算缺陷項(xiàng)目的初始權(quán)重，使用加權(quán)的Apriori算法挖掘二次設(shè)備缺陷數(shù)據(jù)各屬性的加權(quán)關(guān)聯(lián)規(guī)則，并對挖掘結(jié)果進(jìn)行了分析。

1 分類加權(quán)關(guān)聯(lián)規(guī)則與Apriori算法

1.1 關(guān)聯(lián)規(guī)則

在關(guān)聯(lián)規(guī)則［10］中，其包含的單個事物被稱為項(xiàng)目（Item），k個項(xiàng)目構(gòu)成的集合稱為k-項(xiàng)集（k-Itemset），k為項(xiàng)集的長度。假設(shè)I={I1，I2，…Im}是項(xiàng)的集合。給定一個事務(wù)數(shù)據(jù)集D={t1，t2，…tn}，其中每個事務(wù)與唯一標(biāo)識符TID（Transaction ID）相對應(yīng)，每個事務(wù)t是I的非空子集，滿足t?I。

形如X?Y的蘊(yùn)含式被稱為關(guān)聯(lián)規(guī)則，其中X，Y?I且X∩Y=Φ，關(guān)聯(lián)規(guī)則R可以表示為：

式（1）中，X為關(guān)聯(lián)規(guī)則的先導(dǎo)（Left-Hand-Side，LHS），Y為后繼（Right-Hand-Side，RHS）。

支持度（Support）表示某關(guān)聯(lián)規(guī)則發(fā)生的可能性，支持度越高則可能性越大，而置信度（Confidence）則表示該關(guān)聯(lián)規(guī)則的可靠程度，置信度越高，則該關(guān)聯(lián)規(guī)則越可靠，兩者是關(guān)聯(lián)規(guī)則的評價指標(biāo)。

項(xiàng)集X在D中的支持度為：

式（2）中，count(X)表示數(shù)據(jù)集D中包含X的事務(wù)數(shù)量。項(xiàng)集X在D中的支持度即為概率P(X)，同理可得項(xiàng)集Y的支持度。

關(guān)聯(lián)規(guī)則R的支持度為：

式（3）中，count(X∪Y)表示數(shù)據(jù)集D中同時包含X、Y的事務(wù)數(shù)量。該支持度表示X、Y兩個項(xiàng)集同時發(fā)生在一個事務(wù)中的可能性。關(guān)聯(lián)規(guī)則需要滿足的支持度的最小閾值記為Smin，稱作最小支持度，滿足Smin的項(xiàng)集稱為頻繁項(xiàng)集。

關(guān)聯(lián)規(guī)則R的置信度為：

置信度表示項(xiàng)集X發(fā)生的事務(wù)中項(xiàng)集Y同時發(fā)生的條件概率。最小置信度記為Cmin，是關(guān)聯(lián)規(guī)則需要滿足的置信度的最小閾值。

強(qiáng)關(guān)聯(lián)規(guī)則滿足Smin和Cmin的要求，對于指導(dǎo)實(shí)際決策具有建設(shè)性意義［11］。最小支持度Smin是關(guān)聯(lián)規(guī)則需要滿足的最低要求，而最小置信度Cmin是關(guān)聯(lián)規(guī)則所需滿足的最低可靠性。

1.2 分類加權(quán)關(guān)聯(lián)規(guī)則

傳統(tǒng)的關(guān)聯(lián)規(guī)則挖掘算法通常認(rèn)為數(shù)據(jù)集中每個項(xiàng)目有著相同的重要性，但在實(shí)際情況中用戶對每個項(xiàng)目的關(guān)心程度不一樣，這導(dǎo)致傳統(tǒng)挖掘算法難以得出符合用戶實(shí)際關(guān)切的結(jié)論，用戶更關(guān)心的項(xiàng)目可能因?yàn)槟承┰蜓蜎]在數(shù)據(jù)集中無法被挖掘到，采用分類加權(quán)關(guān)聯(lián)規(guī)則挖掘算法可以有效解決該問題［12］。通過對項(xiàng)集中不同項(xiàng)目進(jìn)行分類，不同的項(xiàng)目根據(jù)用戶的實(shí)際關(guān)心和重要程度等賦予不同的權(quán)值，在此基礎(chǔ)上定義項(xiàng)集和關(guān)聯(lián)規(guī)則的加權(quán)支持度，置信度仍沿用公式（4）。

由1.1節(jié)可知假設(shè)數(shù)據(jù)集D中有n個事務(wù)，m個項(xiàng)目，這些項(xiàng)目分為p類，設(shè)為項(xiàng)目全集，其中項(xiàng)目上標(biāo)為類別，每個項(xiàng)目都有一個權(quán)值與之對應(yīng)，設(shè)為{h1，h2，…h(huán)m}（hi∈[0，1]），對權(quán)值進(jìn)行歸一化得：式（5）中，maxj(I)為第j個類的最大權(quán)值。則對于項(xiàng)集X，假設(shè)其有r個類，則X的權(quán)值h(X)應(yīng)當(dāng)為其所包含的r個類對應(yīng)的h'i之和。

對權(quán)值進(jìn)行歸一化后，可定義加權(quán)支持度為：

結(jié)合最小支持度定義，令最小加權(quán)支持度為Swmin，若Sw(X)＞Swmin，則稱X是加權(quán)頻繁的，從加權(quán)頻繁項(xiàng)集中挖掘出的關(guān)聯(lián)規(guī)則稱為加權(quán)關(guān)聯(lián)規(guī)則。

1.3 Apriori算法

本文采用Apriori算法［10］進(jìn)行加權(quán)頻繁項(xiàng)集的挖掘，由支持度滿足閾值的k-項(xiàng)集組成k頻繁項(xiàng)集Lk，其中，每個k-項(xiàng)集為k頻繁項(xiàng)集的元素，連接Lk-1形成k候選集，檢測候選集尋找頻繁項(xiàng)集Lk，逐層搜索迭代，由k-1項(xiàng)集搜索k項(xiàng)集。連接指當(dāng)k-1頻繁項(xiàng)集Lk-1的 兩 個 元 素Lk-1，1={I1，I2，…，Ik-2，Ik-1}和Lk-1，2={I1，I2，…，Ik-2，Ik}（Ik-1≠Ik）只 有 一 項(xiàng) 不 同時，能夠?qū)k-1，1和Lk-1，2連接形成k候選集的一個元素Ck，1={I1，I2，…，Ik-2，Ik-1，Ik}，若Ck，1滿 足Smin和Cmin，則Ck，1成為k頻繁項(xiàng)集Lk中一個元素。

Apriori算法流程如圖1所示。Apriori算法流程的基本步驟如下：

圖1 Apriori算法流程圖Fig.1 Apriori algorithm flow diagram

1）輸入最小加權(quán)支持度Swmin和最小置信度Cmin；

2）第一次掃描數(shù)據(jù)庫，搜索出所有1頻繁項(xiàng)集，記為L1；

3）通過Lk-1“連接”形成候選k項(xiàng)集Ck，遍歷計(jì)算Ck中每個元素的支持度，刪除Ck中支持度小于Swmin的元素得到k頻繁項(xiàng)集Lk；

4）若Lk非空，則令K=K+1并跳轉(zhuǎn)步驟3），若Lk為空則跳轉(zhuǎn)步驟5）；

5）計(jì)算所有頻繁項(xiàng)集的加權(quán)支持度，刪除Lk中加權(quán)支持度小于Swmin的頻繁項(xiàng)集，剩余的即為加權(quán)頻繁項(xiàng)集，計(jì)算置信度；

6）刪除Lk中置信度小于Cmin的加權(quán)關(guān)聯(lián)規(guī)則，剩余的加權(quán)關(guān)聯(lián)規(guī)則即為強(qiáng)加權(quán)關(guān)聯(lián)規(guī)則。

2 基于加權(quán)關(guān)聯(lián)規(guī)則的二次設(shè)備缺陷建模

2.1 構(gòu)建二次設(shè)備缺陷數(shù)據(jù)集

變電站生產(chǎn)管理系統(tǒng)存儲著大量二次設(shè)備的歷史缺陷數(shù)據(jù)，為變電站二次設(shè)備缺陷的關(guān)聯(lián)性分析提供了數(shù)據(jù)基礎(chǔ)［13-14］。目前大部分的缺陷記錄都包含著多個類別的信息，這些信息主要可以分為以下3類。

1）出現(xiàn)缺陷的二次設(shè)備本身相關(guān)的信息，如設(shè)備名稱、編號、類別、所屬變電站、投運(yùn)時間、生產(chǎn)廠家等。

2）二次設(shè)備出現(xiàn)的缺陷相關(guān)信息，如缺陷類別、缺陷等級、缺陷部位、缺陷原因、缺陷責(zé)任等。

3）針對缺陷事件本身的發(fā)現(xiàn)、處理等流程性的信息，如缺陷發(fā)現(xiàn)時間、消缺狀態(tài)等。

其中，第3）類信息常用作缺陷的管理，對缺陷分析用處不大，從第1）類信息中提取出二次設(shè)備的生產(chǎn)廠家、設(shè)備類型，從第2）類信息中提取出缺陷發(fā)現(xiàn)時間、缺陷部位、缺陷原因、缺陷等級共6個屬性的信息作為關(guān)聯(lián)性挖掘和分析的對象［15］。

考慮二次設(shè)備的生產(chǎn)廠家和設(shè)備類型，通過分類加權(quán)對不同廠家和不同設(shè)備類型賦予權(quán)值，將有助于分析運(yùn)維檢修人員更加關(guān)注的設(shè)備類型和廠家的缺陷設(shè)備?？紤]缺陷發(fā)現(xiàn)時間將有助于從時間維度分析缺陷的重要性，時間久遠(yuǎn)的缺陷已被消缺，故參考價值降低，而近期發(fā)現(xiàn)的缺陷可能并非個例，對之后的運(yùn)維檢修仍具有積極的參考意義?？紤]二次設(shè)備的缺陷部位和缺陷原因并賦予不同的權(quán)值，將有助于分析運(yùn)維檢修人員更加關(guān)注的缺陷部位，發(fā)現(xiàn)設(shè)備的薄弱環(huán)節(jié)及其原因?？紤]缺陷等級并對其賦予權(quán)值，有助于分析運(yùn)維檢修人員更加關(guān)注的部分重要或緊急缺陷。

二次設(shè)備的缺陷部位包括CPU板、電源板、測控裝置、液晶顯示屏等［16］。二次設(shè)備的缺陷原因包括制造不良、程序異常、接觸不良、施工不合理、產(chǎn)品設(shè)計(jì)不合理、超期服役等。二次設(shè)備的缺陷等級包括一般、重大和緊急［17］。

根據(jù)選擇的6種屬性的信息構(gòu)建項(xiàng)集H，用于表示二次設(shè)備的缺陷集，如式（7）所示。

式（7）中，F(xiàn)表示生產(chǎn)廠家，N表示設(shè)備類型，T表示缺陷發(fā)現(xiàn)時間，P表示缺陷部位，R表示缺陷原因，L表示缺陷等級。易知通過分類加權(quán)關(guān)聯(lián)規(guī)則挖掘最多可能獲得頻繁6項(xiàng)集。缺陷等級有3個，并統(tǒng)計(jì)剩余5個屬性在二次設(shè)備中的個數(shù)取和用a表示，則初始候選1項(xiàng)集共包含a項(xiàng)，以此為基礎(chǔ)通過考慮加權(quán)的Apriori算法篩選加權(quán)頻繁項(xiàng)集并進(jìn)行加權(quán)關(guān)聯(lián)規(guī)則的挖掘。

2.2 基于AHP法的缺陷項(xiàng)目初始權(quán)重確定

層次分析法（AHP）［18］將問題根據(jù)性質(zhì)和目標(biāo)按層次分成各組成因素，再按支配關(guān)系分組成有序的遞階層次結(jié)構(gòu)。對于同一層次內(nèi)的因素，兩兩比較確定諸因素之間的相對重要性權(quán)重。AHP法的主要步驟為：1）建立層次結(jié)構(gòu)；2）構(gòu)造判斷矩陣；3）權(quán)重計(jì)算；4）進(jìn)行一致性檢驗(yàn)；5）確定權(quán)重。

2.2.1 建立層次結(jié)構(gòu)

根據(jù)缺陷項(xiàng)目的屬性特點(diǎn)建立缺陷項(xiàng)目層次結(jié)構(gòu)模型，目標(biāo)層即為缺陷項(xiàng)目權(quán)重，準(zhǔn)則層即為2.1節(jié)建立的二次設(shè)備缺陷數(shù)據(jù)集的6個屬性維度，指標(biāo)層即為各屬性維度對應(yīng)的各缺陷項(xiàng)目，本文主要應(yīng)用AHP法計(jì)算初始權(quán)重，因此無需考慮方案層。

2.2.2 構(gòu)造判斷矩陣

通過標(biāo)度來表示兩個因素間的重要性程度，從而構(gòu)造出判斷矩陣，已知的標(biāo)度法有1-9標(biāo)度、9/9-9/1標(biāo)度等，1-9標(biāo)度在均勻性、可記憶性、可感知性上都表現(xiàn)良好，故本文采用1-9標(biāo)度法。

針對二次設(shè)備缺陷項(xiàng)目，構(gòu)造準(zhǔn)則層各因素的比較判斷矩陣A，其元素aij表示第i個因素相對于第j個因素的比較結(jié)果，1-9標(biāo)度法和aij的含義及取值如表1所示。

表1 判斷矩陣的1-9標(biāo)度法Table 1 1-9 scale method of judgment matrix

2.2.3 權(quán)重計(jì)算

判斷矩陣A的特征向量W即為權(quán)重向量。計(jì)算步驟如下：

1）計(jì)算判斷矩陣A的每一行元素的積Mi

式（8）中，n為矩陣階數(shù)。

式（10）中，Wi即為所求的各指標(biāo)的權(quán)重。

2.2.4 一致性檢驗(yàn)

一致性通過如下步驟檢驗(yàn)：

1）計(jì)算判斷矩陣A的最大特征根λmax

式（11）中，(AW)i表示向量AW的第i個分量。

2）計(jì)算一致性指標(biāo)CI（Consistency Index）

3)計(jì)算一致性比率CR(Consistency Ratio)

對于多階判斷矩陣，引入平均隨機(jī)一致性指標(biāo)RI（Random Index），RI是同階隨機(jī)判斷矩陣的一致性指標(biāo)的平均值，如表2所示。

表2 平均隨機(jī)一致性指標(biāo)RITable 2 Average random consistency index RI

一致性比率CR定義如下：

當(dāng)CR＜0.10時，判斷矩陣具有可接受一致性，且一般來說，在構(gòu)造判斷矩陣時若未出現(xiàn)較大矛盾，最后的權(quán)重計(jì)算結(jié)果基本上能夠滿足一致性要求。

3 算例分析

3.1 樣本基本信息

以某市的275條變電站二次設(shè)備缺陷數(shù)據(jù)構(gòu)造缺陷數(shù)據(jù)庫樣本，基于第2.1節(jié)中設(shè)計(jì)的二次設(shè)備缺陷模型，使用Apriori算法進(jìn)行加權(quán)頻繁項(xiàng)集發(fā)現(xiàn)以及加權(quán)關(guān)聯(lián)規(guī)則挖掘，并針對所獲得的加權(quán)關(guān)聯(lián)規(guī)則進(jìn)一步分析，以得出對實(shí)際生產(chǎn)有指導(dǎo)意義的結(jié)果。

經(jīng)統(tǒng)計(jì)，在該缺陷數(shù)據(jù)庫樣本中，設(shè)備的生產(chǎn)廠家共有15家，設(shè)備類型有“母線保護(hù)”、“線路保護(hù)”、“故障錄波裝置”等共6種［19］，設(shè)備的缺陷時間有“2016年”、“2017年”、“2018年”等共5年份，設(shè)備的缺陷部位有“CPU板”、“二次回路”、“充電模塊”、“電源板”、“蓄電池組”、“監(jiān)控器”等共13個，設(shè)備的缺陷原因有“插件損壞”、“接觸不良”、“施工不達(dá)標(biāo)”、“軟故障”、“自然老化”等共12種［20-22］，設(shè)備的缺陷等級有一般、重大、緊急3種。

3.2 缺陷項(xiàng)目權(quán)值的確定

運(yùn)維檢修人員對不同類型的設(shè)備、缺陷部位等關(guān)注的程度不一樣，若對所有二次設(shè)備不區(qū)分類別和重要程度進(jìn)行維護(hù)和檢修，則會由于二次設(shè)備的復(fù)雜性帶來工作量龐大、運(yùn)檢效率低等問題，采用分類加權(quán)關(guān)聯(lián)規(guī)則挖掘可提高對與一次設(shè)備穩(wěn)定運(yùn)行息息相關(guān)的二次保護(hù)設(shè)備的關(guān)注，有助于制訂出更精確高效的運(yùn)維檢修計(jì)劃。

由2.1節(jié)所述缺陷數(shù)據(jù)樣本集包含6個屬性，每個屬性下包含有不同的缺陷項(xiàng)目，根據(jù)實(shí)際運(yùn)維檢修中的關(guān)注程度和二次設(shè)備性能評估指標(biāo)所得重要性［23-24］，將各屬性下的缺陷項(xiàng)目分為3、5、6類，分別構(gòu)造判斷矩陣A，計(jì)算初始權(quán)重并進(jìn)行一致性檢驗(yàn)。

若將某屬性（如缺陷等級）下缺陷項(xiàng)目分為3類，可構(gòu)造判斷矩陣A為

經(jīng)計(jì)算和一致性檢驗(yàn)可得權(quán)重值依次為0.50、0.34、0.16，結(jié)合實(shí)際運(yùn)維檢修中的關(guān)注程度和二次設(shè)備性能狀態(tài)評估指標(biāo)對該屬性下的缺陷項(xiàng)目進(jìn)行計(jì)算賦權(quán)。

經(jīng)計(jì)算，部分缺陷項(xiàng)目的權(quán)值h如表3所示。

表3 部分缺陷項(xiàng)目權(quán)值表Table 3 Weight table of some defective items

各缺陷項(xiàng)目的權(quán)值h按照1.2節(jié)公式（5）進(jìn)行歸一化后用于計(jì)算經(jīng)Apriori算法挖掘出的頻繁項(xiàng)集的加權(quán)支持度Sw，進(jìn)而篩選出滿足Swmin的加權(quán)頻繁項(xiàng)集并尋找加權(quán)關(guān)聯(lián)規(guī)則。

3.3 加權(quán)頻繁項(xiàng)集與關(guān)聯(lián)規(guī)則的挖掘

在缺陷數(shù)據(jù)樣本集中，各類缺陷所占比例較小，某一種缺陷可能只有3～5條記錄，若最小支持度Smin設(shè)置過高，將導(dǎo)致丟失部分頻繁項(xiàng)集，同時若最小置信度Cmin設(shè)置過高，容易失去部分強(qiáng)關(guān)聯(lián)規(guī)則。因此，本文設(shè)置Apriori算法計(jì)算的最小支持度Smin=3.2%，Cmin=60%?？紤]到權(quán)值歸一化并累加后小于1，即Swmin＜Smin。一般來說，Swmin太小可能導(dǎo)致加權(quán)頻繁項(xiàng)集過多，提高挖掘的復(fù)雜度，若Swmin太大則過于接近Smin，可能導(dǎo)致丟失用戶真正關(guān)心的部分加權(quán)頻繁項(xiàng)集。當(dāng)Swmin介于(0.4～0.6)Smin之間時，分析效果較好［12］。本文設(shè)置最小加權(quán)支持度Swmin=1.7%，樣本經(jīng)過Apriori算法挖掘后得到的頻繁1項(xiàng)集為54項(xiàng)，頻繁2項(xiàng)集為482項(xiàng)，頻繁3項(xiàng)的為571項(xiàng)，頻繁4項(xiàng)集為289項(xiàng)，頻繁5項(xiàng)集為31項(xiàng)，頻繁6項(xiàng)集為2項(xiàng)，共挖掘出980條滿足最小置信度的強(qiáng)關(guān)聯(lián)規(guī)則。經(jīng)篩選，部分對分析二次設(shè)備缺陷比較有參考意義的加權(quán)頻繁項(xiàng)集和強(qiáng)關(guān)聯(lián)規(guī)則如表4所示。

表4 部分加權(quán)關(guān)聯(lián)規(guī)則及其加權(quán)支持度、置信度Table 4 Partially weighted association rules and their weighted support and confidence

對表4所示的部分加權(quán)關(guān)聯(lián)規(guī)則的分析如下：

1）加權(quán)關(guān)聯(lián)規(guī)則可挖掘出運(yùn)維檢修人員更加關(guān)注的設(shè)備類型、缺陷部位、缺陷原因等。由加權(quán)關(guān)聯(lián)規(guī)則1可得，當(dāng)條件為廠家A，設(shè)備類型為變壓器保護(hù)時，結(jié)論為缺陷原因是接觸不良的置信度為75%，其加權(quán)支持度略小于支持度為7.82%，而在加權(quán)關(guān)聯(lián)規(guī)則5中，當(dāng)條件為廠家C，設(shè)備類型為直流設(shè)備時，結(jié)論為缺陷原因是自然老化的置信度為66.67%，其加權(quán)支持度3.51%顯著低于支持度9.32%。原因是在實(shí)際運(yùn)維與檢修中，變壓器保護(hù)相關(guān)的二次設(shè)備更可能出現(xiàn)重大缺陷，甚至引發(fā)事故，而直流設(shè)備在變電站中常用作后備電源、照明電源、蓄電池組等，故運(yùn)維和檢修人員更關(guān)注的應(yīng)當(dāng)是跟一次設(shè)備直接相關(guān)的二次設(shè)備。通過采用加權(quán)關(guān)聯(lián)規(guī)則，在不明顯減小前者加權(quán)支持度的前提下有效縮減了后者的加權(quán)支持度，使得挖掘結(jié)果更多地呈現(xiàn)出運(yùn)維檢修人員更加關(guān)注并且對運(yùn)維檢修計(jì)劃制訂更有參考價值的部分。

2）加權(quán)關(guān)聯(lián)規(guī)則可挖掘出傳統(tǒng)關(guān)聯(lián)規(guī)則算法易忽略但對二次檢修有著重要參考意義的缺陷信息。由加權(quán)關(guān)聯(lián)規(guī)則6可得，當(dāng)條件為廠家B，缺陷部位為CPU板，缺陷等級為重大，結(jié)論為缺陷原因是插件損壞的置信度為61.54%，其支持度為3.16%。在傳統(tǒng)關(guān)聯(lián)規(guī)則挖掘中，由于支持度小于最小支持度Smin，該項(xiàng)集會被篩選掉，然而關(guān)聯(lián)規(guī)則6提供了一種重大缺陷及其缺陷部位、缺陷原因、生產(chǎn)廠家等信息，對于檢修計(jì)劃的制訂有著相當(dāng)高的參考價值。通過采用加權(quán)關(guān)聯(lián)規(guī)則，其加權(quán)支持度為2.78%，滿足最小加權(quán)支持度要求成為加權(quán)頻繁項(xiàng)集；同理在加權(quán)關(guān)聯(lián)規(guī)則8中，當(dāng)條件為線路保護(hù)，通信設(shè)備，缺陷等級為重大時，結(jié)論為缺陷原因是通道異常的置信度高達(dá)100%，而其支持度為2.55%明顯小于最小支持度，在傳統(tǒng)關(guān)聯(lián)規(guī)則挖掘中會被篩選掉，而考慮加權(quán)關(guān)聯(lián)規(guī)則挖掘后其加權(quán)支持度為1.92%，該項(xiàng)集成為加權(quán)頻繁項(xiàng)集得到保留。加權(quán)關(guān)聯(lián)規(guī)則6、8表明加權(quán)關(guān)聯(lián)規(guī)則可挖掘出傳統(tǒng)關(guān)聯(lián)規(guī)則易忽略但是運(yùn)維檢修人員卻相當(dāng)關(guān)心的缺陷信息，這類重大缺陷的信息由于其出現(xiàn)的次數(shù)少易被大量缺陷數(shù)據(jù)淹沒，但其對運(yùn)維和檢修有著極高的參考價值。

3）加權(quán)關(guān)聯(lián)規(guī)則可考慮時間維度對二次設(shè)備缺陷的影響。由加權(quán)關(guān)聯(lián)規(guī)則4可知，當(dāng)條件為缺陷部位是二次回路，缺陷原因是軟故障時，結(jié)論為缺陷發(fā)現(xiàn)的時間是2020年的置信度85.71%，支持度為4.36%，加權(quán)支持度是3.82%。由加權(quán)關(guān)聯(lián)規(guī)則7可知，當(dāng)條件為缺陷部位是二次回路，缺陷原因是軟故障時，結(jié)論為缺陷發(fā)現(xiàn)時間為2016年的置信度是80%，支持度為6.84%，加權(quán)支持度為2.20%。兩者對比可知，盡管2016年二次回路由軟故障引發(fā)的缺陷支持度比2020年更高，但是由于發(fā)現(xiàn)的時間較早，運(yùn)維和檢修人員很可能已經(jīng)做出了反應(yīng)，而2020年發(fā)現(xiàn)的缺陷雖然支持度低于2016年，但是其加權(quán)支持度明顯更高。這表明采用加權(quán)關(guān)聯(lián)規(guī)則挖掘，考慮時間維度的影響，通過對較近的缺陷發(fā)現(xiàn)時間賦予較高的權(quán)值，更容易挖掘出近期發(fā)現(xiàn)的缺陷，相對來說對將來的運(yùn)維和檢修任務(wù)參考價值更大。

4）加權(quán)關(guān)聯(lián)規(guī)則可根據(jù)已知條件推測出缺陷所在部位、設(shè)備發(fā)生缺陷的原因以及發(fā)現(xiàn)二次設(shè)備的家族性缺陷等。由加權(quán)關(guān)聯(lián)規(guī)則3可得，當(dāng)條件為廠家D，設(shè)備類型是故障錄波器，缺陷等級為緊急時，結(jié)論為缺陷部位是管理板的置信度高達(dá)87.50%，支持度為7.62%，加權(quán)支持度為4.04%，說明廠家D生產(chǎn)的故障錄波器的管理板易出現(xiàn)缺陷。由加權(quán)關(guān)聯(lián)規(guī)則9可得，當(dāng)條件為廠家E，設(shè)備類型為直流設(shè)備，缺陷部位是充電模塊時，結(jié)論為缺陷原因是超期服役的置信度72.49%，支持度為5.80%，加權(quán)支持度為1.78%，說明廠家E生產(chǎn)的直流設(shè)備的充電模塊已過服役年限，應(yīng)當(dāng)及時完成該類設(shè)備的更新。由加權(quán)關(guān)聯(lián)規(guī)則2可得，當(dāng)條件為廠家A，缺陷部位為電源板時，結(jié)論為缺陷原因是制造不良的置信度高達(dá)92.18%，說明廠家A生產(chǎn)的二次設(shè)備的電源板存在家族性缺陷，原因是制造不良，應(yīng)當(dāng)告知廠家A提高其電源板的生產(chǎn)工藝。

本文所提方法與傳統(tǒng)關(guān)聯(lián)規(guī)則挖掘?qū)Ρ热绫?所示。

表5 與傳統(tǒng)關(guān)聯(lián)規(guī)則挖掘的比較Table 5 Comparison with traditional association rule mining

4 結(jié)語

本文使用基于AHP的分類加權(quán)關(guān)聯(lián)規(guī)則對二次設(shè)備的缺陷進(jìn)行數(shù)據(jù)挖掘與分析，以某市的二次設(shè)備缺陷數(shù)據(jù)為樣本，將該方法應(yīng)用到缺陷數(shù)據(jù)挖掘和分析中，通過算例分析得到如下結(jié)論：

1）分類加權(quán)關(guān)聯(lián)規(guī)則可從缺陷數(shù)據(jù)中挖掘出運(yùn)維檢修人員更加關(guān)注的設(shè)備類型、缺陷部位、缺陷原因等信息。

2）分類加權(quán)關(guān)聯(lián)規(guī)則可從缺陷數(shù)據(jù)中挖掘出傳統(tǒng)關(guān)聯(lián)規(guī)則算法易忽略但對二次檢修有重要參考意義的缺陷信息。

3）分類加權(quán)關(guān)聯(lián)規(guī)則可考慮時間維度對二次設(shè)備缺陷的影響，幫助工作人員制訂更加精確和高效的運(yùn)維和檢修計(jì)劃。

4）分類加權(quán)關(guān)聯(lián)規(guī)則可根據(jù)已知條件推測出二次設(shè)備缺陷所在的部位、設(shè)備發(fā)生缺陷的原因以及發(fā)現(xiàn)二次設(shè)備的家族性缺陷等。

盡管在權(quán)重計(jì)算中考慮到了二次設(shè)備的性能和狀態(tài)評估等指標(biāo)，仍然無法避免AHP法在主客觀結(jié)合時產(chǎn)生誤差的可能，后續(xù)研究重點(diǎn)將放在對缺陷項(xiàng)目權(quán)重的計(jì)算上，以期能夠挖掘出更加精確的對提高二次設(shè)備運(yùn)維和管控水平更具參考價值的結(jié)論。