基于数据挖掘的智能电能表在线监测方法

应用数据挖掘技术提取采集数据中的有用信息,提出一种基于关联规则挖掘的智能电能表在线监测方法,根据采集系统的结构设计了在线监测的实现方式。智能电能表在线监测结构分为传输层和应用层,传输层实时监测电能表的异常运行情况,对数据进行分析后形成故障信息;应用层采用离线运行方式从历史数据库中抽取关联规则,并以在线方式将故障信息转换后进行匹配,实现故障诊断。算例结果表明该方法能够快速、准确的诊断故障结果,实用性强。     

基于数据挖掘技术的台区线损 智能诊断研究及应用

本文围绕台区线损异常治理效率低、降损成效弱、异常监测难等问题,依托营销SG186系统、用电信息采集系统等海量数据,运用聚类算法和关联分析法,进行静态与动态数据的集成整合与优化,实现对台区数据信息的深度挖掘;通过搭建阶梯化线损管控模型、线损评估与智能诊析模型和线损治理配型库,开发台区线损"慧诊"助手开发应用,可实现"一台一策"台区线损管理的快速诊断决策与智能管控。     

基于贝叶斯模型的输电线路运行参量关联规则挖掘及预测方法EI北大核心CSCD

对输电线路运行状态的准确评价、诊断和预测可以为电力系统安全、经济和高效的运行提供技术支持。传统输电线路分析预测模型多使用单一参量,而输电线路运行状态还受到气象条件、运行条件等诸多因素影响。因此受测量数据质量低、环境条件随机性大等限制,传统方法在预测准确性和时效性上具有较大的局限性。该文提出了基于贝叶斯网络的关联规则挖掘方法,用于挖掘输变电线路运行参量之间的关联规则,可更加直观反映出数据间的关联性,并有效提升了计算效率;将挖掘得到的关联规则应用于预测线路的状态参量,可提高预测结果的准确性。最后以某500kV输电线路为例,提取关联规则,并用于预测线路负荷与线路温度,结果表明该方法可提高预测精度,从而验证了该关联规则挖掘方法的有效性和可行性。     

基于数据挖掘的智能电网安全漏洞挖掘模型

结合数据对智能电网安全漏洞进行准确识别,可以有针对性的进行防御,提高智能电网的安全性。当前的漏洞检测方法存在误差大、效率低、误报率和漏报率大、容易受到外界环境干扰等问题。提出了一种基于数据挖掘技术的智能电网安全漏洞挖掘模型,定义了漏洞数据特征的相关参数,对智能电网运行数据和历史数据进行属性划分,依据上述相关参数构建一定的关联规则,将漏洞辨识矩阵和数据关联规则进行结合,建立智能电网安全漏洞挖掘模型,完成智能电网安全漏洞挖掘。实验结果表明,与传统的权限行为分析方法相比,该方法进行安全漏洞挖掘准确、误报率和漏报率较小、实用性强。     

基于贝叶斯模型的输电线路运行参量关联规则挖掘及预测方法

对输电线路运行状态的准确评价、诊断和预测可以为电力系统安全、经济和高效的运行提供技术支持。传统输电线路分析预测模型多使用单一参量,而输电线路运行状态还受到气象条件、运行条件等诸多因素影响。因此受测量数据质量低、环境条件随机性大等限制,传统方法在预测准确性和时效性上具有较大的局限性。该文提出了基于贝叶斯网络的关联规则挖掘方法,用于挖掘输变电线路运行参量之间的关联规则,可更加直观反映出数据间的关联性,并有效提升了计算效率;将挖掘得到的关联规则应用于预测线路的状态参量,可提高预测结果的准确性。最后以某500kV输电线路为例,提取关联规则,并用于预测线路负荷与线路温度,结果表明该方法可提高预测精度,从而验证了该关联规则挖掘方法的有效性和可行性。     

面向智能电网大数据关联规则挖掘的频繁模式网络模型

针对目前关联规则挖掘频繁树(FP-Tree)算法实现较困难以及难以处理数据库更新的缺点,提出了频繁模式网络(FP-network)模型,将关联规则挖掘所需要的信息压缩到一个无向网络图上,并建立事务项目关联矩阵,从而进行数据存储和数据挖掘。FP-network模型适用于智能电网大数据的关联规则挖掘。以关联规则挖掘在输电线路故障分析领域的应用为例进行算例分析,结果表明所提出的FP-network关联规则挖掘算法不仅继承了FP-Tree算法的优点,而且只需扫描一次数据库,也便于数据库的维护和更新,从而提高了智能电网大数据关联规则挖掘的效率。     

基于曲线相似度和关联分析的窃电智能识别与预警

针对近年来传统生产加工类实体企业愈加突出的窃电问题,应用用电信息采集系统、营配贯通平台及营销业务应用系统数据,以配电房线损异常波动为主线,利用关联分析算法、结果判定区间和主题权值等建立智能诊断关联分析模型,分析表计开盖、表计装拆、用户电量波动和终端异常告警事件数据,实现对窃电及违约用电异常用户的精确定位。结合实例验证了该方法的有效性,并对后续研究进行了展望。     

一种智能电能表自动化检定流水线表位在线异常检测方法

自动化检定流水线为智能电能表的正常运行提供保障,然而流水线在长期运行中会发生性能退化甚至故障,尤其是表位机械环节的形变与锈蚀,会导致误差试验结果出现偏差。目前的人工定期检测方法无法及时响应流水线运维间隔中出现的异常工况,因此,实现自动化检定流水线表位异常的在线检测,具有重要意义。文章提出了一种智能电能表自动化检定流水线表位在线异常检测方法,通过对表位检定数据分布进行特征提取,将表位异常状态转换为数据分布的异常;并借助局部异常因子算法量化分布的异常程度,标记产生异常分布的表位;应用文章提出的方法对山东省电力公司计量中心智能电能表检定数据进行了分析,对比人工检查结果,验证了方法的有效性。     

基于配用电数据关联的中压配电网断线故障诊断方法

基于配用电信息系统数据和关联规则算法,提出一种诊断中压配电网分支线断线不接地故障的方法。通过分析相互关联的配用电信息系统数据,提出基于数据特征选择的关联规则挖掘方法,并通过卡方分裂算法将连续型特征量转换为布尔型特征量,同时采用MSApriori算法解决故障信息中的稀有项问题,然后在此基础上应用kulc准则消除冗余规则以形成约简的代表规则家族。以华东某地区配用电信息系统中的历史数据为依据进行实际算例分析,结果说明所提出的方法能够大量减少无效挖掘,显著提高效率和准确度,适用于中压配电网断线故障的在线诊断。     

基于配电数据的关联规则挖掘方法

针对配电数据的时序特性和现有关联规则算法的缺陷,提出了一种考虑配电数据时序变化并通过支持度与置信度进行关联规则挖掘的方法.首先,在数据预处理基础上,构建配电指标网络,依据网络的演化情况挖掘配电数据对应的关联规则,并建立规则–挖掘矩阵存储挖掘的信息;然后,引入Kulc度和不平衡度对关联规则进行过滤,不断更新规则–挖掘矩阵,完成配电数据之间高价值规则的挖掘;最后,通过算例分析验证了所提挖掘方法的有效性和实用性.结果表明,该方法为配电数据间隐含关联规则的挖掘提供了新方法和思路.     

智能电能表故障预警系统的设计与开发

智能电能表因其信息采集的便利性以及功能的完善性而广泛普及,如何高效且有针对性地对数量如此庞大的智能电能表进行维护是电力运营企业面临的挑战.针对此问题,文中提出了基于数据挖掘技术的智能电能表故障预警方法,即利用C 5.0算法构建智能电能表的故障预警模型,通过大量训练集对模型进行训练,再利用测试集计算模型的预警准确度.通过VS 2016平台搭建了故障预警系统,仿真结果表明,此系统能够对智能电能表的运行状态进行准确预警,电力运营企业可根据预警结果对异常的电能表进行重点检查,由此节省由于逐户排查所浪费的人力物力.     

智能电能表综合性能评级方法研究*

针对目前国内智能电能表综合性能评价缺失的情况,提出一种基于数据挖掘方法的智能电能表综合性能评级方法。基于大量智能电能表样本的全性能试验数据,选取代表性试验项目数据作为性能评级指标,利用主成分法分析某一评级指标下不同试验点的影响程度,给出不同试验点的权重值,通过加权处理获得各评级指标数据,得到评级指标矩阵。采用k均值聚类分析法构建智能电能表综合性能评级模型,对所选各样表性能给出评级结果。最后随机选取三个不同电能表厂家的样表,结合电能表现场故障率统计情况等分析其评级结果分布,验证了该评级方法对电能表综合性能评级的合理性及可靠性。     

变压器故障特征量可信度的关联规则分析

变压器在线监测得到的多个特征量对于不同故障类别的潜在信息量不一样,量化各特征量与特定故障类型之间的关联度将对变压器的潜在故障诊断和预测都有着很重要的作用。为此,利用布尔型离散化方法和基于ChiMerge算法的多值离散化方法分别对变压器在线监测的连续数据进行离散化,再利用改进的Apriori关联规则数据挖掘算法计算多个变压器在线监测特征量与各个故障类型之间的可信度。最后在实例中进行了多个特征量与多个故障类型的可信度的计算,结果表明特定特征量与故障类型之间确实存在不同的关联程度,量化关联程度能有效提高故障诊断算法的效率;另外还在实例中进行了多值的关联规则挖掘,结果表明关联规则可以应用在对故障类型划分较细的变压器故障诊断。     

基于关联规则挖掘的电力生产安全事故事件关键诱因筛选

随着智能电网、通信网络及电力生产安全事故事件分析水平的提高和发展,电力生产安全事故事件数据量快速增长、复杂性不断增大,逐步构成了电力生产安全事故事件大数据。为在先验事故事件大数据的基础上高效、可靠地对事故诱因进行分类和识别,基于关联规则挖掘进行电力生产安全事故事件关键诱因筛选。根据事故事件的特点,建立电力生产安全事故诱因分析体系,对不同类型的事故进行布尔离散化,并基于关联规则挖掘提出事故诱因的诱发度计算方法,运用Apriori算法进行深度关联规则挖掘,并根据强关联规则对关键诱因进行筛选和分析。以某区域近5年的事故实例分析验证了该方法的有效性。     

MFM与 MAS协作的热电机组故障诊断方法

针对汽轮发电机组故障诊断问题的复杂性、实时性要求,提出了主要由监测与诊断Agent、诊断方法Agent、管理Agent、黑板Agent等组成的分布式多智能体系统(MAS)。利用功能分解方法,实现了多级流模型(MFM)和分布式MAS协作的故障诊断方法,其基本思想是:当现场发生异常时,监测与诊断Agent之间协同,依靠汽轮发电机组MFM模型,通过系统中能量、物质或信息流关系建立故障搜索路径,实现故障的快速定位;根据已定位的故障节点(设备)特征,在管理Agent的协调下,诊断方法Agent和监测与诊断Agent协同组成针对性很强的MAS,完成故障的进一步精确诊断。     

基于正态云模型&改进贝叶斯分类器的变压器故障诊断

在基于油色谱数据的变压器故障诊断中,一般数据挖掘方法存在数值区域划分过硬,且未考虑边界元素隶属的随机性和模糊性的问题。针对该问题,文章应用正态云模型对油色谱数据集进行预处理,同时云模型对数据集的精简也提高了关联规则挖掘的效率。为了解决朴素贝叶斯分类器中对各属性独立的假设不符合实际情况这一问题,文章引入关联规则森林表示法和属性联合概率算法,改进了朴素贝叶斯分类器,建立了基于正态云模型与改进贝叶斯分类器的变压器故障诊断模型,通过与其他模型的对比及实例验证,证明了该方法的有效性。     

基于混合采样和支持向量机的变压器故障诊断

针对变压器不平衡数据集对变压器故障诊断模型产生的影响,提出了基于混合采样和支持向量机（support vector machines, SVM）的变压器故障诊断方法,利用合成少数类过采样技术（synthetic minority oversampling technique, SMOTE）和基于最近邻规则的欠采样方法,分别对变压器故障数据和正常数据进行采样,再利用混合采样得到的平衡数据训练基于支持向量机变压器故障诊断模型。通过测试集对比不平衡数据和平衡数据下基于SVM的变压器故障诊断模型的性能。最后分析了采样率对于变压器故障诊断模型诊断准确率的影响。实验结果表明,该方法可以有效降低不平衡数据对诊断模型的影响,提高变压器故障诊断模型的准确率。     

基于粗糙集的关联规则挖掘方法的研究与应用

基于粗糙集理论知识,对关联规则挖掘算法作出一定的改进。该算法的主要思想是把集合的近似质量作为迭代准则,初始约简集是所有的条件属性集合,在保证近似质量不变的前提下通过逐步缩减的方式来求取约简集,保证了所求的约简不会减弱对问题的分类决策能力。约简后得到新的决策表,在此基础上应用基于贪心思想的Apriori算法挖掘关联规则。算法的主要优势是在不影响对问题分类决策能力的前提下,以较小的属性和候选项集数目以及有限的扫描次数生成决策规则。通过应用实例和实验分析验证了算法的有效性。     

基于多维特征分析的月用电量精准预测研究

用户用电量的精准预测是智能配用电大数据应用和发展的关键之一。区别于传统的基于行业分类的预测办法,提出基于大数据挖掘技术的用户用电多维度特征识别,以及在此基础上的精准用电量预测方法。基于海量多用户用电特性,建立多维度用电特征评价指标体系。对用户用电特性空间进行聚类和分析,挖掘和识别用电模式。在不同的用电模式下,分别建立用电量时间序列预测模型,避免用电模式差异对预测算法准确性造成的不利影响。该方法适用于大数据平台的分析与处理,算例分析结果表明其相比以往方法能显著提高预测精度和稳定性。