关联规则挖掘算法在汽轮机监测中的应用

介绍了关联规则挖掘算法模型建立及算法流程,将关联规则挖掘技术应用到汽轮机的运行数据中,并在黄埔发电厂3号机组得到应用,振动模型是在机组冲转结束后,带负荷运行时,在不同负荷下对13个振动参数进行挖掘,挖掘结果显示这13个参数具有关联性。     

基于云模型的短期电价预测

现有的电价预测方法有时间序列、神经网络、小波变换等,都是对点进行预测。该文提出一种基于云模型的短期电价预测新方法。首先,介绍了云模型的概念和特点,给出基于云模型的电价和负荷数据的离散化和概念跃升过程,得到了电价和负荷的概念模型。通过极大判定法对数据集进行软划分,建立电价与负荷的布尔型数据库,然后根据给定的支持度和置信度软域值,采用基于云的关联知识挖掘算法,得到时间、负荷和电价之间的关联规则。最后,以时间、负荷的合取作为规则前件,以电价作为规则后件,建立规则发生器,根据挖掘出的规则进行预测。该文所提方法得到的预测结果是一系列不确定的离散点的集合,集合中的每一个点都可作为预测结果提供给用户,用户可以根据经验和其它信息来适当选择结果,也可以将所有点的期望值作为结果提供给用户。     

基于粗糙集理论和动态时序模型的日负荷曲线预测新方法

作者提出了一种短期日负荷曲线预测新方法.该方法首先采用日最小负荷对日负荷曲线进行规范化,再将日负荷曲线预测转化为对日最小负荷的预测和对日规范化负荷曲线的预测.对日最小负荷预测应用动态时序模型;对日规范负荷曲线应用专家系统进行推理预测,专家系统中的推理规则应用粗糙集理论从历史数据中获取.采用上海电网数据对该预测方法进行了测试,结果表明该方法便于对各种影响因素进行分析处理,能够更有效地利用历史数据所包含的信息.     

基于关联模糊神经网络和改进型蜂群算法的负荷预测方法

为提高负荷预测精度,考虑历史负荷数据之间相关联的特性,利用关联模糊神经网络建立了负荷预测模型。与其他负荷预测方法相比,基于关联模糊神经网络和改进型蜂群算法的负荷预测方法,减少了模型所需要的模糊规则的数量,降低了模型的复杂度。将该方法应用于某地实际负荷预测,数值结果表明,该方法具有较高的预测精度。     

基于关联规则分析的用能系统控制优化研究

负荷侧暖通能耗占建筑总用能比值较大,采用合适的调控方案可有效减少用能系统能耗。目前负荷侧暖通节能调控的方法多集中于负荷预测控制,需结合多个模型预测结果且对其精度要求较高,而关联规则分析方法可直接学习历史运行数据的规律,更易得到更节能的调控策略。以武汉某商场用能系统为研究对象,采集系统负荷侧六月份运行数据进行研究。对数据进行清洗和离散化,利用Apriori算法计算功率与设备启停及频率间的关联规则,并依据此给出节能调控方案。研究结果表明,Apriori算法能够很好地学习用能系统历史运行数据的规律,分析系统功率与设备频率、启停等可调参数的关系,能够在实际使用时,更快速、便捷、直接地得到可供参考的系统节能调控策略。     

基于数据挖掘技术的中长期负荷预测方法

电力负荷预测能对电网的合理规划起到指导和决策作用.本文使用数据挖掘技术对南通地区进行中长期负荷预测,首先通过聚类分析对南通地区所有馈线数据进行分类,并运用相关性分析和灰色关联分析定量地分析外界因素对负荷变化的影响程度;其次使用影响性强的因素作为神经网络的输入,建立基于聚类的径向基(RBF)神经网络模型,得到负荷预测结果;最后与不考虑聚类仅使用RBF神经网络的预测模型进行对比,实验结果表明,基于聚类的RBF神经网络模型更先进,显著提高了负荷预测精度,达到了保障供电可靠性的目的.     

远程的变电站自动化智能数据挖掘系统

以地区电网的变电站自动化系统为研究对象,提出基于远程的变电站自动化智能数据挖掘体系。应用数据挖掘技术对原始告警数据进行分类、标准化处理,并与设备台账系统关联,得到设备参数、状态信息以及相关历史故障信息的数据仓库;在此基础上,采用改进Apriori算法从数据仓库中提取出满足最小信任度阈值的强关联规则,为变电站设备运行维护管理提供决策依据;通过现场案例验证了所提出的数据挖掘方法的有效性。     

SDH系统网络故障的告警关联分析

在SDH网络运行过程中,每天都会产生大量的告警,运用数据挖掘中的关联规则分析处理网管数据库中保留的历史告警数据,可得到用来辅助告警过滤和故障定位的关联规则,从而减轻网管人员的工作强度,有效提高工作效率.文章对原始告警数据进行了压缩和数据转换,利用SQL Server 2005中的关联规则挖掘工具分析得到其关联规则,初步的实验表明该分析模型具有实用价值.     

基于聚类分析的粒子滤波负荷预测技术及应用

将数据挖掘的思想应用到对配变历史负荷数据的分析中,通过聚类分析将预处理过的负荷数据进行相关性分类。在分析负荷特性的基础上,提出了基于粒子滤波的负荷预测方法。应用该方法并结合负荷相关性分类对每类负荷分别进行预测,加权处理后得到配变的负荷预测数据。经算例验证该方法有较高的负荷预测准确率。     

电力变压器故障类型与关键状态量关联规则分析

传统电力变压器设备运维大多采用状态检修技术,但积累的状态监测和检测数据没有得到充分挖掘利用,造成信息资源的浪费。以故障特征量为前项,以故障类型为后项,设置最小支持度和最小置信度,运用Apriori数据挖掘经典算法挖掘出变压器故障和关键状态量之间的关联规则。基于关联规则挖掘原理,利用SPSS Modeler软件平台建立电力变压器故障关联规则挖掘模型进行分析,得出了故障诊断的具体流程,旨在采取关联规则挖掘的方法发现状态特征量和故障类别之间的内在联系,对故障进行判定。     

基于模糊多目标遗传优化算法的节假日电力负荷预测

多目标遗传优化算法的一个优点就是可在一次迭代计算中寻找到问题的多个非劣最优解。该文应用多目标遗传算法和关联规则算法提出一个基于模糊规则的电力负荷模式分类系统。在此分类系统中采用多目标遗传优化算法从众多模糊分类规则中自动挑选出具有较好识别性能和可解释性的模糊规则，并利用模糊关联规则挖掘通过启发式规则选择改善遗传算法的搜索性能。经仿真试验表明此分类系统具有较好的分类性能，可为节假日负荷预测提供更为充分的历史数据，从而改善其负荷预测性能。     

基于联合数据挖掘技术的神经网络负荷预测模型研究

认为提高日负荷预测精点,即基于联合数据挖掘技术的电力负荷神经网络预测新方法.也就是通过多种挖掘技术寻找与预测日同等气象类型的多个历史日负荷,由此进一步提取数据,组成规律强化、干扰弱化、具有高度相似气象特征的数据序列,对此,再构建人工神经网络预测模型,从而有效地提高了预测的精度,简化了模型的输入和计算,更加便于应用.     

基于电力负荷模式分类的短期电力负荷预测

根据历史数据集的基本知识建立一个基于模糊规则的电力负荷模式分类系统,在考虑规则的分类准确性和可解释性的情况下,利用遗传优化算法挑选出Pareto最优模式分类规则集用于电力负荷模式分类.并在仿真试验中,将此分类系统用于电力负荷预测,结果表明此分类系统具有较好的分类性能,可为电力负荷预测提供更为充分有效的历史数据,从而改善其负荷预测性能.     

基于粗糙集的默认规则挖掘算法在电力系统短期负荷预测中的应用

将基于粗糙集的默认规则挖掘算法(Mining Default Rules Based on Rough Set,MDRBR)用于电力系统短期负荷预测,首先采用基于Gini指标的粗糙集离散化算法对气温、湿度等影响负荷的条件属性进行离散化,同时兼顾了条件属性和决策属性。在此基础上,通过计算规则的信赖度和支持度形成不同层次上符合初定阈值的带粗糙集算子的网络规则集,能减少因噪音的影响而产生的多余规则,提高规则产生和实际分类的效率,使所产生的分类规则集大大缩小,提高在使用规则时检索规则的效率。在负荷预测时自上而下逐层搜索规则网直至找出与所给信息相匹配的规则。粗糙集算子反映了规则的重要程度,同时作为选择规则的标准。实际应用表明,该方法能有效去除噪音,提高默认规则的挖掘效率,从而提高负荷预测的精度,具有一定的实用性。     

基于多目标粒子群优化算法的短期电力负荷预测法

针对短期负荷预测的特点,提出一种基于多目标粒子群优化算法的短期电力负荷预测法。该算法充分利用了历史数据集的基本知识,利用多目标粒子群优化算法挑选出Pareto最优模式分类规则集,在考虑规则的分类准确性和可解释性的情况下,建立一个基于模糊规则的电力负荷模式分类系统。在仿真试验表明此分类系统具有较好的分类性能,可为电力负荷预测提供更为充分有效的历史数据,从而改善其负荷预测性能。     

网格化的电力系统短期负荷预测的MDRBR模型

针对大电网的短期负荷预测,建立了按地域划分的网格化电力系统短期负荷预测模型.各子网格根据自身的历史负荷和气象条件建立对网格更为有效的负荷预测模型,并采用了面向粗糙集的默认规则挖掘算法(MDRBR--mining default rules based on rough set)构造各单一预测模型,从而获得更加准确的预测结果.文中首先描述了MDRBR算法,然后分析研究了网格化的日负荷多层规则网络构造过程,并给出了基于MDRBR算法的日负荷预测过程以及对某地历史数据的负荷预测结果.分析结果表明,该网格化负荷预测模型能更加准确地得出预测结果,有效地减少噪声,计算简单,且规则搜索效率高.     

用自适应模糊推理系统预测电力短期负荷

为寻求有效的电力系统负荷预测方法以提高预测结果的准确度,提出了基于Takagi-Sugeno(T-S)模型的自适应神经模糊推理系统(ANFIS)。该系统采用减法聚类初始化模糊推理,把神经网络学习机制引入到逻辑推理中,并用混合学习算法调整前件参数和结论参数,自动产生模糊规则。考虑气象、日期类型等因素后将学习样本分为3组进行训练和检测。该方法对于受天气影响较明显的电网,能有效防止不合理预测结果的出现。对于武汉地区实际负荷的预测结果的分析表明该方法有较高的预测准确度,取得了令人满意的结果。     

负荷预测线性回归分析法的模糊改进

针对中长期电力负荷预测中观测数据及负荷变化规律的模糊性 ,采用模糊集合论中三角模糊数的概念 ,对传统的负荷线性回归预测模型作了改进。此方法通过建立具有模糊回归参数和模糊相关变量的回归模型 ,由模糊观测数据预测出未来负荷值。通过算例 ,验证了改进的负荷预测模型更加适用于中长期电力负荷预测     

一种简单易行的短期负荷预测系统

文章研究一种简单易行的自适应模糊预测系统,系统的规则集经过历史数据样本的自适应学习获得,学习算法每天启动运行一次,文中首先阐述从数据信息中获得模糊规则的一般性方法,然后给具体,易懂的预测模型设计。     

EvoCMAR: A New Evolutionary Method to Directly Mine Association Rules for Classification

In this paper, we propose an evolutionary method with a three‐layer structure to directly mine association rules for classification. The association rules have been demonstrated to be useful for classification, such as classification based on association rule (CBA) and classification method based on multiple association rule (CMAR), and they are found to be more accurate than some traditional methods, such as C4.5. Generally speaking, there are two phases in an associative classification method: (i) association rules mining; (ii) classification by association rules. However, the two phases are almost separated, viz, during the first phase, the mining of association rules does not focus on classification. Moreover, when building the classifier in the second phase, most of the association rues will be pruned. As a result, if we are able to directly mine the classification association rules, we can save time. Meanwhile, we can expect even better accuracy because the mining procedure itself considers the classification. In this paper, we build a novel evolutionary method, named evolutionary classification method based on multiple association rule (EvoCMAR), to tackle these problems, and the simulation results show that it performs well in both accuracy and speed. © 2010 Institute of Electrical Engineers of Japan. Published by John Wiley & Sons, Inc.