Bayesian Network representation of meaningful patterns in electricity distribution grids

Abstract

Abstract-The diversity of components in electricity distribution grids makes it impossible, or at least very expensive, to deploy monitoring and fault diagnostics to every individual element. Therefore, power distribution companies are looking for cheap and reliable approaches that can help them to estimate the condition of their assets and to predict the when and where the faults may occur.In this paper we propose a simplified representation of failure patterns within historical faults database, which facilitates visualization of association rules using Bayesian Networks. Our approach is based on exploring the failure history and detecting correlations between different features available in those records. We show that a small subset of the most interesting rules is enough to obtain a good and sufficiently accurate approximation of the original dataset. A Bayesian Network created from those rules can serve as an easy to understand visualization of the most relevant failure patterns. In addition, by varying the threshold values of support and confidence that we consider interesting, we are able to control the tradeoff between accuracy of the model and its complexity in an intuitive way.

A Novel Fault Early Warning Model Based on Fault Gene Table for Smart Distribution Grids

“…In [14], it is pointed out that the weather factor is one of the main reasons for the outage of distribution grids, and a fuzzy logic system to alleviate the impact of weather factors on distribution grids is put forward, which make relevant operators obtain more accurate fault prediction. In [15], the Bayesian network is adopted to mine the real historical faults of an electricity distribution company from the south of Sweden to obtain the relationship between the fault of the distribution grid and the affected components. In [16], it is pointed out that the short circuit current has become the most common and most destructive power system fault.…”

Redes de regras de associação filtradas e multialvo

“…Outra estrutura de destaque nesse mapeamento são as Redes Bayesianas, que possuem uma abordagem estatística em sua formação. As Redes Bayesianas foram aplicadas nas fases de extração e pós-processamento (DELGADO et al, 2018;CAI et al, 2017;SHENG et al, 2016;NEMATI;SANT'ANNA;NOWACZYK, 2016;HERNANDEZ-LEAL et al, 2013;ODEH;AL-NAJDAWI, 2013;VEDULA;THATAVARTI, 2011;ZHANG, 2011).…”

“…Para as tarefas de classificação, os trabalhos apresentaram uma maior variedade de tipos de Rede (HONG et al, 2018;CHERN-TONG;AZIZ, 2018;SHEU, 2018;DELGADO et al, 2018;CHEN et al, 2018;TURGEMAN;SCIULLI, 2017;MINELGA et al, 2017;OLIINYK et al, 2017;GAO et al, 2017a;THONGKAM;SUKMAK, 2017;LI et al, 2017;MAKINO;KATO;TANIMOTO, 2017;CARVALHO;REZENDE, 2016;NEMATI;SANT'ANNA;NOWACZYK, 2016;SIMARD;ST-PIERRE;BISKRI, 2016;MEI;SHENG et al, 2016;USMAN;USMAN, 2016;SHEU et al, 2016;ACHARYA;MAHALI;MOHAPATRA, 2015;CARVALHO, 2014;KE et al, 2014;ZHANG, 2011), dando destaques ao uso de Regras de Associação em classe, bem como Regras de Associação temporais e contínuas.…”

“…Para análise de vários fatores simultaneamente, pesquisas são elaboradas com o uso de Redes Bayesianas por serem formuladas tendo como base o raciocínio probabilístico (DELGADO et al, 2018;NEMATI;SANT'ANNA;NOWACZYK, 2016). A principal vantagem de raciocínio probabilístico sobre raciocínio lógico é o fato de que agentes podem tomar decisões racionais mesmo quando não existe informação suficiente para se provar que uma ação funcionará.…”

“…Para dados relacionados à saúde(DELGADO et al, 2018;MINELGA et al, 2017;INDHUMATHY;NABHAN;ARUMUGAM, 2017;TSAI et al, 2017;KIM et al, 2017;TURGEMAN;SCIULLI, 2017;MARTÍNEZ-BALLESTEROS et al, 2017;BELYI et al, 2016;HERNANDEZ-LEAL et al, 2013), a validação estatística transcreve os índices de acurácia dos métodos, além de possibilitar um comparativo com outras abordagens já existentes na literatura. Outros trabalhos que utilizam Redes Bayesianas(DELGADO et al, 2018;CAI et al, 2017;NEMATI;SANT'ANNA;NOWACZYK, 2016;IQBAL et al, 2014;ODEH;AL-NAJDAWI, 2013;ZHANG, 2011;VEDULA;THATAVARTI, 2011) também executam o estudo estatísticos, pois são a base para a construção desse tipo de Rede.A utilização de uma validação estatística foi possível em pesquisas relacionadas a Grafos e Redes (FAN;NAMAKI et al, 2017;ADARICHEVA;NATION, 2017;CAI et al, 2017;XU, 2016;SHEN, 2016; HENDRICKX et al, 2015) por fazerem uso de Medidas de Rede que podem auxiliar no processo de mineração de dados e geração de conhecimento.Estruturas de árvores de decisão foram utilizadas nas pesquisasde Li et al (2017) e Sheu et al (2016, além do trabalhode Wang et al (2018) que utiliza árvores na validação estatística dos itemsets frequentes.Outros trabalhos também realizaram a validação estatística com o uso de métricas específicasSHENG et al, 2016;LI-XIONG et al, 2015) e em etapas de pós-processamento de Regras de Associação (PADUA; CARVALHO; REZENDE, 2016; PADUA; REZENDE; CARVALHO, 2014).…”