3.3 应用过程
利用关联规则对火电厂传感器进行故障检测，其过程可以描述为：先根据历史数据建立传感器之间的正常关联模式，然后根据这个正常关联模式同测量数据比较，达到对传感器故障检测的效果。
4 算例分析
根据改进的关联规则算法，利用火电厂运行的实际测量结果来生成这些测点的关联规则。本文针对某火电厂的一台20万机组某一天的测量数据的六个测点进行了算例分析，它们包括左主汽流量、右主汽流量、炉主汽压力1、炉主汽压力2、机前压力1、调速级压力。
经过相似搜索此6个传感器测量数据被分为两组，一组为：左主汽流量、右主汽流量和调速级压力；另一组为：炉主汽压力1、炉主汽压力2、机前压力1。
为了更明确地描述关联规则的生成过程，不失一般性，这里只给出第一组传感器测量输出做具体分析。通过对调速级压力、左主汽流量和右主汽流量的聚类分析，将这一组传感器输出时间序列划分为4类。通过分析各类结果对应的负荷，可以解释为火电厂的不同运行状态，分别为低负荷运行、半负荷运行，中间负荷运行和满负荷运行。
然后对3个传感器输出形成频繁项集L1、L2、L3。最后得到传感器在不同运行状态下的关联规则R1 、R2 、R3 和R4，不失一般性，本文只给出传感器在低负荷运行时的关联规则R1，其关联规则及其置信度结果如表1所示。I(x1,1)、I(x2,1)、I(x3,1)分别表示左主汽流量、右主汽流量、调节级压力在低负荷运行；I(x2,1)ÙI(x3,1)ÞI(x1,1)表示右主汽流量和调节级压力同时在低负荷下运行时，左主汽流量也应该在低负荷下运行。置信度表示这项规则的可信度，用户可以根据置信度对关联规则的精度进行调节。如果置信度大于用户给定的最小置信度，这时形成的关联规则即为所需要的正常模式。
下面对生成的正常模式进行评估。根据相同的火电厂相同的机组同样的传感器在不同时间段的传感器测点输出数据，对上面利用改进后的关联规则算法建立的正常模式进行检验评估。检验数据作为关联规则的输入，输入数据如图2所示。输出结果如图3所示，规则判断输出如果是T，表明生成的关联规则模式可行；如果输出为F，表明生成的关联规则模式不可行，此时或增加判断规则，或修改置信度。
从图中可看出，检验数据是一段低负荷运行数据，负荷在15万kW左右，实际数据中存在部分波动，因此部分数据仅仅利用生成的低负荷状态的关联规则R1会存在误判（见图3）；利用半负荷运行的关联规则R2误判就更多（见图3），因为实际数据在低负荷运行而用半负荷的运行规则去判断是不符合实际的。但是综合利用生成的所有负荷状态的关联规则来判断，就会根据不同的运行状态来自动选取相应的规则，检验数据段的传感器是运行正常的，从图3中关联规则R3的输出可以看出根据关联规则对传感器进行故障检测没有产生误判，这种方法是可行的。
根据上面的方式得到各传感器的关联规则，即可对传感器进行故障检测。由于在电厂运行现场做实验的风险和代价，很难在电厂正常运行期间，对传感器做人为的传感器故障检测试验，因此将各类型传感器的正常输出信号中人为地加入故障信号，利用上面生成的关联规则来对故障检测过程进行仿真。仿真过程分别加入一些常见的传感器故障于左主蒸汽流量信号中间，检验关联规则的可行性。
开路故障是指输出信号接近于最大值；短路故障是指输出信号接近于零； 由于这两种故障的信号输出结果都具有不变性，很易于检测，仿真结果也表明如此，这里就不做图示说明，只给出对输出信号同样不断变化的传感器故障情况的仿真结果。规则判断输出图中输出如果是T，表明这组传感器的输出信号符合正常的关联规则模式，也就是说这段时间的传感器输出为正常数据；如果输出为F，表明传感器输出信号不符合正常的关联规则模式，这段时间的传感器输出为故障输出，即存在传感器故障。具体哪个传感器出现了故障，根据所使用的关联规则判断。
（1）偏置故障的检测
偏置故障是指输出信号与真实信号相差一恒定的小信号；其图形表示及规则判断如图4、图5。
（2）增益故障的检测
增益故障，或称为漂移故障。是指输出信号以某一速率偏移真实信号。其图形表示及规则判断如图6、图7。
（3）周期性干扰故障的检测
周期性干扰故障是指输出信号比真实信号多了某一频率的干扰信号。其图形表示及规则判断如图8、图9。
仿真结果表明，在任一传感器出现故障时，规则判断结果输出图会发生变化，即输出不会停留在T位置。具体哪一个传感器出现了故障，根据所使用的规则来判断，不同的规则会出现不同的规则输出图。改进的关联规则算法适用于传感器数量N≥3情况，本研究虽然只给出当N=3时的情况，当N>3时，计算过程和判断方法相同。因此可以根据给定规则的输出图来对多传感器进行故障检测。
上一篇：拟全局最优的配电网实时网络重构法
