CN112035552B - 一种基于关联规则的电压暂降严重程度预测方法及装置 - Google Patents
一种基于关联规则的电压暂降严重程度预测方法及装置 Download PDFInfo
- Publication number
- CN112035552B CN112035552B CN202010910340.3A CN202010910340A CN112035552B CN 112035552 B CN112035552 B CN 112035552B CN 202010910340 A CN202010910340 A CN 202010910340A CN 112035552 B CN112035552 B CN 112035552B
- Authority
- CN
- China
- Prior art keywords
- voltage sag
- lightning
- frequent
- severity
- association rule
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 21
- 208000025274 Lightning injury Diseases 0.000 claims abstract description 48
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 31
- 238000005065 mining Methods 0.000 claims description 23
- 238000012545 processing Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000001174 ascending effect Effects 0.000 claims description 5
- 230000009466 transformation Effects 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 description 14
- 238000004590 computer program Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 4
- 238000003860 storage Methods 0.000 description 3
- 238000009412 basement excavation Methods 0.000 description 2
- 238000007418 data mining Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 235000000396 iron Nutrition 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000013138 pruning Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2455—Query execution
- G06F16/24564—Applying rules; Deductive queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Primary Health Care (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及一种基于关联规则的电压暂降严重程度预测方法及装置,本发明选取了5个维度,采用多最小支持度的AprioriTid算法挖掘雷电与电压暂降之间的强关联规则,得到强关联规则库;将实际场景中的雷击参数数据与所述强关联规则库中的雷击参数数据逐条匹配,计算最邻近距离值,取所述最邻近距离值的最小值作为输出结果,实现电压暂降严重程度的预测。本发明可以准确评估雷电引起的电压暂降严重程度。
Description
技术领域
本申请属于电网安全技术领域,尤其是涉及一种基于关联规则的电压暂降严重程度预测方法及装置。
背景技术
自上世纪70年代开始,随着新兴技术的发展,电网中投入了诸如变压器、电铁之类的非线性负荷和像计算器等敏感负荷,这些设备给电能质量的稳定性和可靠性带来了更大的挑战,以电压暂降、闪变和三相不平衡等为代表的暂态或稳态电能质量问题成为了人们关注的重点。其中,电压暂降已被认为是最为主要影响电力设备正常运行的电能质量问题。研究表明,电网中大约60%的电压暂降是由雷击引起的,雷击严重威胁了电网的安全性和稳定性。因此,评估雷电造成的电网电压暂降水平具有实际意义和价值。
由于雷电与电压暂降数据存在着强关联性,但是又不是一一映射或者简单的因果关系,因此,迫切需要对电网中的多元监测平台数据进行分析挖掘。随着电网中的各类监测装置的投入使用,可获取的数据量急剧增加,以国网公司的电能质量监测系统为例,每日数据量超过60T。雷电定位系统能够提供实时数据和存档的雷电信息。而对于每一次电压暂降事件,每次的监测数据都存储在电网中的各类电能质量监测系统中。尽管这些数据存储在不同的监测平台,但是随着智能电网的大力推进和建设,电网中各种业务可以打破壁垒,使得多元平台的监测数据融合成为了可能。大量的数据不断积累,传统方法不再适用于海量数据的分析,数据挖掘(Data Mining,DM)这种新型的数据分析技术便应运而生。Apriori算法为其中较为经典的算法,很多其他的算法都是以此为框架进行改进,如AprioriTid算法等,发展到现在已经从多维度、多角度实现了对算法的扩充。
目前的电压暂降事件关联规则挖掘通常只关注电能质量监测平台数据,没有考虑其它与暂降相关的监测数据,而且传统的Apriori算法不适用于不均匀的数据。
发明内容
本发明要解决的技术问题是:为解决现有技术中电压暂降事件关联规则挖掘通常只关注电能质量监测平台数据,没有考虑其它与暂降相关的监测数据,而且传统的Apriori算法不适用于不均匀的数据的问题,从而提供一种基于关联规则的电压暂降严重程度预测方法。
本发明解决其技术问题所采用的技术方案是:
本发明第一方面提供一种基于关联规则的电压暂降严重程度预测方法,包括:
提取雷电引起的电压暂降历史事件信息,并提取历史雷击参数,建立雷电引起的电压暂降事件历史数据库;
根据所述电压暂降事件历史数据库,选取电压暂降关联规则挖掘的维度参数,包括电压暂降严重程度、雷击位置、雷击日期、雷击时间和雷电流峰值;
对选取的所述维度参数进行特征离散化,得到各维度参数的离散化结果;
根据各维度的所述离散化结果,采用多最小支持度的AprioriTid算法挖掘雷电与电压暂降之间的强关联规则,建立强关联规则库;
将实际场景中的雷击参数数据与所述强关联规则库中的雷击参数数据逐条匹配,计算最邻近距离值,取所述最邻近距离值的最小值作为匹配输出结果,实现电压暂降严重程度的预测。
本发明第二方面提供一种基于关联规则的电压暂降严重程度预测装置,包括:
历史数据获取模块,用于提取雷电引起的电压暂降历史事件信息,并提取雷击参数,建立雷电引起的电压暂降事件历史数据库;
维度参数选取模块,用于根据所述电压暂降事件历史数据库,选取电压暂降关联规则挖掘的维度参数,包括电压暂降严重程度、雷击位置、雷击日期、雷击时间和雷电流峰值;
离散处理模块,用于对选取的所述维度参数进行特征离散化,得到各维度参数的离散化结果;
强关联规则挖掘模块,用于根据各维度的所述离散化结果,采用多最小支持度的AprioriTid算法挖掘雷电与电压暂降之间的强关联规则,建立强关联规则库;
预测模块,用于将实际场景中的雷击参数数据与所述强关联规则库中的雷击参数数据逐条匹配,计算最邻近距离值,取所述最邻近距离值的最小值作为匹配输出结果,实现电压暂降严重程度的预测。
本发明的有益效果是:本发明可以准确评估雷电引起的电压暂降严重程度,指导电力部门防雷措施的制定,可根据气象数据进行暂降风险的预警。
另外,本发明改进的关联规则挖掘算法考虑了数据分布不均匀的影响,不同测试场景下数据的匹配结果表明本发明算法的精度更高,提高了电力部门制定决策的准确性。
附图说明
下面结合附图和实施例对本申请的技术方案进一步说明。
图1是本申请实施例的方法流程图;
图2是本申请实施例的关联规则挖掘算法流程图;
图3是本申请实施例的各个维度的离散结果图;
图4为关联规则挖掘数量结果和传统模型对比图。
具体实施方式
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
下面将参考附图并结合实施例来详细说明本申请的技术方案。
在本申请的描述中,需要理解的是,术语“西南”、“中南”、“东南”、“中西”、“中部”、“东北”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本申请和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本申请保护范围的限制。
本实施例提供一种基于关联规则的电压暂降严重程度预测方法,如图1所示,包括:
步骤1,提取雷电引起的电压暂降历史事件信息,并提取雷击参数,建立雷电引起的电压暂降事件历史数据库。
获取雷电定位系统和电能质量监测系统中的历史数据,通过雷电定位系统提取历史雷击参数,通过电能质量监测系统提取雷电引起的电压暂降历史事件信息。
由于雷电与电压暂降发生的时刻和位置有一定差异,首先查找雷电定位系统和电能质量监测系统中相同日期的数据,然后提取在每次暂降发生前30秒内、经纬度差异在0.1%的雷电数据与电压暂降数据进行匹配,建立雷电引起的电压暂降事件历史数据库。
步骤2,根据所述电压暂降事件历史数据库,选取电压暂降关联规则挖掘的维度参数,包括电压暂降严重程度、雷击位置、雷击日期、雷击时间和雷电流峰值。
在电能质量监测系统中得到电网敏感设备发生电压暂降的持续时间和幅值,通过电网敏感设备的电压耐受曲线计算得到电压暂降严重程度,作为结果属性,具体计算方法为:
其中,Se表示电压暂降的严重程度;
Vcurve(d)表示所述电压耐受曲线上在电压暂降持续时间为d时,设备能容忍的电压暂降幅值标么值;
V是设备实际暂降幅值的标么值。
为了避免挖掘效率过低,除了电压暂降严重程度之外,本实施例还选取了雷击位置、雷击日期、雷击时间和雷电流峰值这四种与电压暂降最为相关的电压暂降关联规则挖掘的维度参数。
步骤3,对选取的所述维度参数进行特征离散化,得到各维度参数的离散化结果。
对于上述选取的维度参数,其中雷击位置、日期、时间属于语言描述类数据,需要将其化为数字量再进行离散,而雷电流峰值和电压暂降严重程度指标是连续型数据,可直接进行K-means变换,将其化为定性的几个区间。
对“雷击日期”和“时间”进行离散化时,首先将“雷击日期”化为以“年”为周期,以“天”为单位,值在“1-365”之间变化的数字量,其次对“时间”进行离散化时,为了避免离散的结果过于粗糙,将“时间”化为以“日”为周期,以“每5min”为单位,值在“1-288”之间的数字量,最后分别采用K-means算法得到表示不同区间的离散簇。
对于“雷击位置”这一属性,需要将经纬度结合起来进行二维离散化处理,得到离散簇。
如,3所示,图3(a)是雷电地理位置离散结果图;图3(b)为雷电日期离散结果图;图3(c)是雷电时间离散结果图;图3(d)是雷电流峰值离散结果图;图3(e)是节点电压暂降严重程度离散结果图。
K-means算法步骤如下:
S31:对于原始数据集,随机的选择k个初始点,作为聚类中心:
式中Ci为第i个簇,ni为Ci中含的样本个数,x为Ci中的样本。
S32:计算剩余数据到聚类中心的距离,如若满足距离公式要求的标准,则将该数据归于此聚类簇中。求解距离公式如下:
式中,|p-mi|2采用欧式距离,p为簇Ci的平均值,E表示数据集中所有距离平方差的总和。
S33:划分数据后,根据结果重新算出聚类中心。
S34:判断新的聚类中心和原来的聚类中心是否相同,如有相同,输出聚类划分结果;反之,则继续步骤S32、S33。
步骤4,得到各个维度离散化结果后,采用多最小支持度的AprioriTid算法挖掘雷电与电压暂降之间的强关联规则,建立强关联规则库。
如图2,本实施例采用多最小支持度的AprioriTid算法挖掘雷电与电压暂降之间的强关联规则,得到强关联规则库的步骤包括:
S41:扫描事务数据库,计算事务数据库中各个维度参数下的所有项目的最小支持度,按照项目的最小支持度进行升序排序,生成候选频繁1项集,在候选频繁1项集中删除小于用户预先设定的最小支持度的项,得到频繁1项集X1;
S42:扫描预先建立的决策表J1,在决策表J1中删除不包括X1中任意一项项集的行,得到决策表J2,依次类推,得到决策表Jk和频繁k-1项集Xk-1;
S43:对Xk-1按照各离散量的升序顺序进行自连接和剪枝操作,生成候选频繁k项集;
S44:删除候选频繁k项集中不含节点电压暂降严重程度的项集Ik,得到Ik中每条事务的最小支持度,在Ik中删除小于用户预先设定的最小支持度的项集,生成频繁k项集Xk;
S45:在Jk中删除不包括Xk中任意一项项集的行,得到决策表Jk+1;
S46:重复步骤S43~S45,直至不再产生频繁项集;
S47:计算每一个频繁项集的置信度,若所述频繁项集置信度大于设置的最小置信度,则得到强关联规则,直到所有的频繁项集均完成置信度的计算,最终从而得到电压暂降强关联规则库。
步骤5,将实际场景中的雷击参数数据与所述强关联规则库中的雷击参数数据逐条匹配,计算最邻近距离值,取所述最邻近距离值的最小值作为匹配输出结果,实现电压暂降严重程度的预测。
为了评估实际场景中雷击引起的暂降严重程度,将描述该场景的雷击参数数据与规则的雷击参数数据逐条计算距离,取距离最小的作为输出结果,实现电压暂降严重性预测。
本实施例在设置最小支持度为0.01,最小置信度为0.5的情况下,挖掘出强关联规则,在与测试场景匹配过程中,准确度高达88.9%。
通过与传统AprioriTid算法进行比对,采用本实施例多最小支持度的AprioriTid算法,准确度能够达到88.9%,而传统AprioriTid算法的准确度只有33.3%,如图4所示为本实施例算法与传统算法的对比图。
实施例2:
本实施例提供一种基于关联规则的电压暂降严重程度预测装置,包括:
历史数据获取模块,用于提取雷电引起的电压暂降历史事件信息,并提取历史雷击参数,建立雷电引起的电压暂降事件历史数据库;
维度参数选取模块,用于根据所述电压暂降事件历史数据库,选取电压暂降关联规则挖掘的维度参数,包括电压暂降严重程度、雷击位置、雷击日期、雷击时间和雷电流峰值;
离散处理模块,用于对选取的所述维度参数进行特征离散化,得到各维度参数的离散化结果;
强关联规则挖掘模块,用于根据各维度的所述离散化结果,采用多最小支持度的AprioriTid算法挖掘雷电与电压暂降之间的强关联规则,建立强关联规则库;
预测模块,用于将实际场景中的雷击参数数据与所述强关联规则库中的雷击参数数据逐条匹配,计算最邻近距离值,取所述最邻近距离值的最小值作为匹配输出结果,实现电压暂降严重程度的预测。
可选的是,所述强关联规则挖掘模块包括:
频繁1项集生成单元,用于扫描事务数据库,计算事务数据库中各个维度参数下的所有项目的最小支持度,按照项目的最小支持度进行升序排序,生成候选频繁1项集,在候选频繁1项集中删除小于用户预先设定的最小支持度的项,得到频繁1项集X1;
候选频繁k项集生成单元,用于扫描预先建立的决策表J1,在决策表J1中删除不包括X1中任意一项项集的行,得到决策表J2,依次类推,得到决策表Jk和候选频繁k项集;
频繁k项集生成单元,用于删除候选频繁k项集中不含节点电压暂降严重程度的项集Ik,得到Ik中每条事务的最小支持度,在Ik中删除小于用户预先设定的最小支持度的项集,生成频繁k项集Xk;
决策表生成单元,用于在Jk中删除不包括Xk中任意一项项集的行,得到决策表Jk+1;
判断单元,用于若频繁k项集Xk不为空,则重复执行频繁k项集生成单元和决策表生成单元,直至频繁k项集Xk为空;
关联规则生成单元,用于计算每一个频繁k项集的置信度,若所述频繁k项集置信度大于设置的最小置信度,则得到强关联规则,直到所有的频繁k项集均完成置信度的计算,最终得到电压暂降强关联规则库。
上述各个模块的具体实现,请参阅实施例1。
以上述依据本申请的理想实施例为启示,通过上述的说明内容,相关工作人员完全可以在不偏离本项申请技术思想的范围内,进行多样的变更以及修改。本项申请的技术性范围并不局限于说明书上的内容,必须要根据权利要求范围来确定其技术性范围。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
Claims (6)
1.一种基于关联规则的电压暂降严重程度预测方法,其特征在于,包括:
提取雷电引起的电压暂降历史事件信息,并提取历史雷击参数,建立雷电引起的电压暂降事件历史数据库;
根据所述电压暂降事件历史数据库,选取电压暂降关联规则挖掘的维度参数,包括电压暂降严重程度、雷击位置、雷击日期、雷击时间和雷电流峰值;
对选取的所述维度参数进行特征离散化,得到各维度参数的离散化结果;
根据各维度的所述离散化结果,采用多最小支持度的AprioriTid算法挖掘雷电与电压暂降之间的强关联规则,建立强关联规则库;
将实际场景中的雷击参数数据与所述强关联规则库中的雷击参数数据逐条匹配,计算最邻近距离值,取所述最邻近距离值的最小值作为匹配输出结果,实现电压暂降严重程度的预测;
对选取的所述维度参数进行特征离散化的方法为:
将雷击日期化为以年为周期,以天为单位,且数值在1-365之间变化的数字量;将雷击时间化为以日为周期,以每5min为单位,数值在1-288之间的数字量;然后分别采用K-means算法进行特征离散化;
对于雷击位置,则将经纬度结合起来,采用K-means进行二维离散化处理;
对于电压暂降严重程度和雷电流峰值,则直接进行K-means变换,采用K-means算法进行特征离散化。
3.根据权利要求1所述的基于关联规则的电压暂降严重程度预测方法,其特征在于,在挖掘雷电与电压暂降之间的强关联规则的步骤中,还包括设置不同的最小置信度与最小支持度,将不同的最小支持度和最小置信度的强关联规则入库,构造电压暂降强关联规则库。
4.根据权利要求3所述的基于关联规则的电压暂降严重程度预测方法,其特征在于,采用多最小支持度的AprioriTid算法挖掘雷电与电压暂降之间的强关联规则的步骤包括:
S1:扫描事务数据库,计算事务数据库中各个维度参数下的所有项目的最小支持度,按照项目的最小支持度进行升序排序,生成候选频繁1项集,在候选频繁1项集中删除小于用户预先设定的最小支持度的项,得到频繁1项集X1;
S2:扫描预先建立的决策表J1,在决策表J1中删除不包括X1中任意一项项集的行,得到决策表J2,依次类推,得到决策表Jk和候选频繁k项集;
S3:删除候选频繁k项集中不含节点电压暂降严重程度的项集Ik,得到Ik中每条事务的最小支持度,在Ik中删除小于用户预先设定的最小支持度的项集,生成频繁k项集Xk;
S4:在Jk中删除不包括Xk中任意一项项集的行,得到决策表Jk+1;
S5:重复步骤S3和S4,直至频繁k项集Xk为空;
S6:计算每一个频繁k项集的置信度,若所述频繁k项集置信度大于设置的最小置信度,则得到强关联规则,直到所有的频繁k项集均完成置信度的计算,最终从而得到电压暂降强关联规则库。
5.一种基于关联规则的电压暂降严重程度预测装置,包括:
历史数据获取模块,用于提取雷电引起的电压暂降历史事件信息,并提取历史雷击参数,建立雷电引起的电压暂降事件历史数据库;
维度参数选取模块,用于根据所述电压暂降事件历史数据库,选取电压暂降关联规则挖掘的维度参数,包括电压暂降严重程度、雷击位置、雷击日期、雷击时间和雷电流峰值;
离散处理模块,用于对选取的所述维度参数进行特征离散化,得到各维度参数的离散化结果;对选取的所述维度参数进行特征离散化的方法为:
将雷击日期化为以年为周期,以天为单位,且数值在1-365之间变化的数字量;将雷击时间化为以日为周期,以每5min为单位,数值在1-288之间的数字量;然后分别采用K-means算法进行特征离散化;
对于雷击位置,则将经纬度结合起来,采用K-means进行二维离散化处理;
对于电压暂降严重程度和雷电流峰值,则直接进行K-means变换,采用K-means算法进行特征离散化;
强关联规则挖掘模块,用于根据各维度的所述离散化结果,采用多最小支持度的AprioriTid算法挖掘雷电与电压暂降之间的强关联规则,建立强关联规则库;
预测模块,用于将实际场景中的雷击参数数据与所述强关联规则库中的雷击参数数据逐条匹配,计算最邻近距离值,取所述最邻近距离值的最小值作为匹配输出结果,实现电压暂降严重程度的预测。
6.根据权利要求5所述的基于关联规则的电压暂降严重程度预测装置,其特征在于,所述强关联规则挖掘模块包括:
频繁1项集生成单元,用于扫描事务数据库,计算事务数据库中各个维度参数下的所有项目的最小支持度,按照项目的最小支持度进行升序排序,生成候选频繁1项集,在候选频繁1项集中删除小于用户预先设定的最小支持度的项,得到频繁1项集X1;
候选频繁k项集生成单元,用于扫描预先建立的决策表J1,在决策表J1中删除不包括X1中任意一项项集的行,得到决策表J2,依次类推,得到决策表Jk和候选频繁k项集;
频繁k项集生成单元,用于删除候选频繁k项集中不含节点电压暂降严重程度的项集Ik,得到Ik中每条事务的最小支持度,在Ik中删除小于用户预先设定的最小支持度的项集,生成频繁k项集Xk;
决策表生成单元,用于在Jk中删除不包括Xk中任意一项项集的行,得到决策表Jk+1;
判断单元,用于若频繁k项集Xk不为空,则重复执行频繁k项集生成单元和决策表生成单元,直至频繁k项集Xk为空;
关联规则生成单元,用于计算每一个频繁k项集的置信度,若所述频繁k项集置信度大于设置的最小置信度,则得到强关联规则,直到所有的频繁k项集均完成置信度的计算,最终得到电压暂降强关联规则库。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010910340.3A CN112035552B (zh) | 2020-09-02 | 2020-09-02 | 一种基于关联规则的电压暂降严重程度预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010910340.3A CN112035552B (zh) | 2020-09-02 | 2020-09-02 | 一种基于关联规则的电压暂降严重程度预测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112035552A CN112035552A (zh) | 2020-12-04 |
CN112035552B true CN112035552B (zh) | 2023-05-09 |
Family
ID=73591231
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010910340.3A Active CN112035552B (zh) | 2020-09-02 | 2020-09-02 | 一种基于关联规则的电压暂降严重程度预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112035552B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113535796A (zh) * | 2021-05-31 | 2021-10-22 | 国家电网有限公司大数据中心 | 一种电能表高龄库存原因的确定方法及系统 |
CN114707239B (zh) * | 2022-03-24 | 2024-06-21 | 江西电力职业技术学院 | 电能资源分配规划方法、装置和电子设备 |
CN118068074B (zh) * | 2024-02-21 | 2024-10-18 | 深圳市欧谱雷科技有限公司 | 一种雷击浪涌电压监测方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109872001A (zh) * | 2019-02-28 | 2019-06-11 | 南京邮电大学 | 基于K-means和离散粒子群算法的无人车任务分配方法 |
CN110705824A (zh) * | 2019-08-30 | 2020-01-17 | 广东电网有限责任公司 | 一种基于聚类分析和关联分析的电压暂降分析方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6118676A (en) * | 1998-11-06 | 2000-09-12 | Soft Switching Technologies Corp. | Dynamic voltage sag correction |
CN103400214B (zh) * | 2013-08-22 | 2016-01-20 | 华北电力大学 | 基于多维多层关联规则的电压暂降预测分析方法 |
CN106056222B (zh) * | 2016-05-27 | 2020-03-24 | 大连楼兰科技股份有限公司 | 基于FP-Tree序列模式挖掘的故障诊断与估价的方法 |
CN106991141B (zh) * | 2017-03-21 | 2020-12-11 | 北京邮电大学 | 一种基于深度剪枝策略的关联规则挖掘方法 |
-
2020
- 2020-09-02 CN CN202010910340.3A patent/CN112035552B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109872001A (zh) * | 2019-02-28 | 2019-06-11 | 南京邮电大学 | 基于K-means和离散粒子群算法的无人车任务分配方法 |
CN110705824A (zh) * | 2019-08-30 | 2020-01-17 | 广东电网有限责任公司 | 一种基于聚类分析和关联分析的电压暂降分析方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112035552A (zh) | 2020-12-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112035552B (zh) | 一种基于关联规则的电压暂降严重程度预测方法及装置 | |
Bialek et al. | Benchmarking and validation of cascading failure analysis tools | |
Krishnan et al. | Efficient database generation for decision tree based power system security assessment | |
CN114285728B (zh) | 一种预测模型训练方法、流量预测方法、装置及存储介质 | |
CN112633316B (zh) | 一种基于边界估值理论的负荷预测方法和装置 | |
Porteiro et al. | Electricity demand forecasting in industrial and residential facilities using ensemble machine learning | |
CN116245033B (zh) | 人工智能驱动的电力系统分析方法及智能软件平台 | |
CN106096810A (zh) | 基于配电网运行数据与地理拓扑信息的规划方法及系统 | |
JP2017108475A (ja) | 発電量予測装置、発電量予測方法、系統安定化装置、並びに系統安定化方法 | |
CN113723810A (zh) | 基于图数据库的电网建模方法 | |
CN110264032A (zh) | 一种直流配网规划方案评价结果的获取方法 | |
CN115795329B (zh) | 一种基于大数据网格下的用电异常行为分析方法和装置 | |
CN111737249A (zh) | 基于Lasso算法的异常数据检测方法及装置 | |
CN116231871A (zh) | 一种基于数字孪生的电网态势监管方法、系统及存储介质 | |
CN113779892B (zh) | 一种风速和风向的预测方法 | |
CN116384548A (zh) | 一种基于环境反馈的电网短期电力负荷预测方法 | |
CN116014709A (zh) | 一种台区线损分析方法、系统、电子设备及存储介质 | |
JP6562491B1 (ja) | 期待値計算による発電量精密予測法、期待値計算による発電量精密予測システムおよび期待値計算による発電量精密予測プログラム | |
CN108256693A (zh) | 一种光伏发电功率预测方法、装置及系统 | |
Shen et al. | Admissible region of renewable generation ensuring power flow solvability in distribution networks | |
Fawzy et al. | Trio-V wind analyzer: a generic integral system for wind farm suitability design and power prediction using big data analytics | |
CN112926863A (zh) | 基于六大预警中心的电网灾害综合监测系统 | |
JP2019201505A (ja) | 電力系統監視システム、電力系統監視方法、およびプログラム | |
CN115935284A (zh) | 电网异常电压检测方法、装置、设备及存储介质 | |
JP6818658B2 (ja) | 電力系統監視システム、電力系統監視方法、及びプログラム |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |