馈线自动化是配网自动化的一项重要功能。馈线自动化是指配电线路的自动化。由于变电所自动化是相对独立的一项内容，实际上在配网自动化实现以前，馈线自动化就已经发展并完善，因此在一定意义上可以说配网自动化指的就是馈线自动化。不管是国内还是国外，在实施配网自动化时，也确实都是从馈线自动化开始的。

配电网自动化系统远方终端中的馈线远方终端包括FTU和DTU，DTU一般安装在常规的开闭所(站)、户外小型开闭所、环网柜、小型变电站、箱式变电站等处，完成对开关设备的位置信号、电压、电流、有功功率、无功功率、功率因数、电能量等数据的采集与计算，对开关进行分合闸操作，实现对馈线开关的故障识别、隔离和对非故障区间的恢复供电。部分DTU还具备保护和备用电源自动投入的功能。

针对配电自动化站所终端单元DTU的状态量分析，国内外学者进行了深入的研究。其中较为常见的方法有神经网络法、支持向量机、决策树等，这些方法对状态分析各有特点。神经网络法复杂度较高、计算量大、耗时长。支持向量机算法中相关知识表达较复杂。决策树算法由Breiman等于20世纪80年代提出，具有算法简单、易于理解、可解释性强等特点，在医学、金融及电力系统决策分析等领域均有大量的应用。决策树训练完成后，仅需根据各路径节点依序判断即可获取预测结果，常被用于电力系统稳定评估等在线应用。

目前电力系统所应用的决策树一般是单属性决策树，即每个判断节点依靠单个变量将样本进行分类。但实际电网中，某些物理属性间的联系是非常紧密的，而单属性决策树无法体现这一规律；并且，现有决策树只判断系统是否稳定，缺乏对稳定性的量化指标描述，普遍存在因失稳样本过少而导致的过拟合现象。基于二维组合属性的决策树算法，每个节点的判断条件是两个属性的线性组合，但属性组合方式的获取需经过大量测试和筛选，算法复杂度较高。基于线性分类器的决策树算法，理论上可以发现任意属性间的组合关系，但进行数据预处理时属性组合种类过多，需要根据以往的运行经验进行人为干预，耗时将大大增加，且无法保证获取最有效的属性组合。理论上可以发现任意属性间的组合关系，但进行数据预处理时属性组合种类过多，需要根据以往的运行经验进行人为干预，耗时将大大增加，且无法保证获取最有效的属性组合。本设计基于上述研究与理论，将具体研究基于决策树的配电自动化站所终端DTU的状态分析方法。

2. 研究的基本内容与方案

2.1 研究内容

1. 配电自动化站所终端单元DTU状态量分析

调研分析配电自动化站所终端单元DTU状态量。

2. 决策树算法分析

调研分析人工智能算法，重点对决策树算法进行分析。

3. 基于决策树的配电自动化站所终端单元DTU的状态评价方法研究

根据配电自动化站所终端单元DTU状态量，利用决策树算法对配电自动化站所终端单元DTU进行状态评价。

2.2 研究目标

本设计旨在研究基于决策树的配电自动化站所终端DTU的状态分析方法，重点对决策树算法进行分析，根据配电自动化站所终端单元DTU状态量，利用决策树算法对配电自动化站所终端单元DTU进行状态评价。

2.3 拟采用的技术方案及措施

本设计需解决的关键问题有：分析配电自动化站所终端单元DTU状态量；掌握人工智能算法中的决策树算法。针对上述问题，将从两个方面阐述拟采用的技术方案及措施。

2.3.1 配电自动化站所终端单元DTU状态量分析

（1）额定数据

工作电压：AC220V；遥信电压：DC24V；交流电压： 220V；频率：50Hz ；误差：土20%。

（2）功率消耗

交流电压：lt;0.5VA/相；交流电流：lt;0.5VA/相；整机功耗：非通信状态下≤18VA； 通信状态下≤40VA。

（3）过载能力

交流电压：2倍额定电压：连续工作。交流电流：2倍额定电流：连续工作；10倍额定电流：10秒；20倍额定电流：1秒。

（4）交流采样

电压输入标称值：220V/100V。电流输入标称值：5A/1A。交流电压电流采样精度：0.5级。有功功率、无功功率、功率因数采样精度：0.5级/1.0。

在标称输入值时，每一回路的功率消耗小于0.25VA。在所规定的标称值范围内，线性误差不超过土0.5%。短期过量交流输入电流施加标称值的2000% (标称值为5A)，持续时间小于1s，系统工作正常。短期过量交流输入电压施加标称值的200% (标称值为100V)，持续时间小于1s，系统工作正常。

（5）电源状态

配电自动化终端主电源：交流220V，允许偏差-20%~ 20%；具备双路交流电源自动切换功能；终端备用电源；锂电池(DC48V,电池容量之14Ah)；交流失电后维持正常工作14小时以上；开关操作电源输出电压/功率： 48V,短时450W(负载接开关3~5s内)；终端整机功耗lt;10w。

2.3.2 决策树算法分析

人工智能的三大基石——算法、数据和计算能力，算法作为其中之一，是非常重要的。按照模型训练方式不同可以分为监督学习，无监督学习、半监督学习和强化学习四大类。其中常见的监督学习中又分为人工神经网络类、贝叶斯类、决策树类、线性分类器类。其中决策树类包括分类和回归树、迭代Dichotomiser3、C4.5算法、C5.0算法、卡方自动交互检测、决策残端、ID3算法、随机森林、SLIQ等。

决策树算法是一种逼近离散函数值的方法。它是一种典型的分类方法，首先对数据进行处理，利用归纳算法生成可读的规则和决策树，然后使用决策对新数据进行分析。本质上决策树是通过一系列规则对数据进行分类的过程。

决策树算法构造决策树来发现数据中蕴涵的分类规则．如何构造精度高、规模小的决策树是决策树算法的核心内容。决策树构造可以分两步进行：

第一步，决策树的生成：由训练样本集生成决策树的过程。一般情况下，训练样本数据集是根据实际需要有历史的、有一定综合程度的，用于数据分析处理的数据集。

第二步，决策树的剪枝：决策树的剪枝是对上一阶段生成的决策树进行检验、校正和修下的过程，主要是用新的样本数据集（称为测试数据集）中的数据校验决策树生成过程中产生的初步规则，将那些影响预衡准确性的分枝剪除。

[1] 石访，张林林，胡熊伟，等．基于多属性决策树的电网暂态稳定规则提取方法[J]．电工技术学报，2018，提前出版．

[2] 黄晓明，凌万水，吴栋萁，等．基于故障树分析法的配电自动化实用化运维指标研究[J]．电力系统保护与控制，2017，45(24)：92-98．