一種基于數(shù)據(jù)挖掘的電網(wǎng)故障診斷方法
【專利摘要】本發(fā)明提供一種基于數(shù)據(jù)挖掘的電網(wǎng)故障診斷方法，該方法包括如下步驟：建立多維數(shù)據(jù)模型和故障的事實(shí)表；對(duì)故障數(shù)據(jù)進(jìn)行聚類分析；對(duì)故障數(shù)據(jù)進(jìn)行關(guān)聯(lián)規(guī)則分析；對(duì)故障數(shù)據(jù)進(jìn)行貝葉斯網(wǎng)絡(luò)的建立和訓(xùn)練；得出結(jié)果。通過本發(fā)明提供的方法，解決了電網(wǎng)故障數(shù)據(jù)來(lái)源的廣泛?jiǎn)栴}，同時(shí)根據(jù)不同的需求建立了相應(yīng)主題的數(shù)據(jù)集市，使數(shù)據(jù)檢索更加方便。其次利用數(shù)據(jù)挖掘中的三種典型算法分別是聚類分析、關(guān)聯(lián)規(guī)則、貝葉斯網(wǎng)絡(luò)對(duì)數(shù)據(jù)進(jìn)行分析，最后對(duì)三種算法的結(jié)果進(jìn)行綜合分析發(fā)現(xiàn)未知知識(shí)，對(duì)電網(wǎng)故障處理給出輔助建議。
【專利說(shuō)明】一種基于數(shù)據(jù)挖掘的電網(wǎng)故障診斷方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及一種電網(wǎng)故障診斷方法，具體講涉及一種基于數(shù)據(jù)挖掘的電網(wǎng)故障診斷方法。
【背景技術(shù)】
[0002]隨著電網(wǎng)規(guī)模的不斷擴(kuò)大，發(fā)生故障時(shí)電網(wǎng)會(huì)有大量的故障信息，調(diào)度中心收到這些信息后，調(diào)度人員一般會(huì)快速分析故障特征，判斷故障設(shè)備并盡快恢復(fù)供電。而在電網(wǎng)故障實(shí)際診斷中，面臨如何從海量歷史故障數(shù)據(jù)中找出所發(fā)生的連鎖故障之間的相互影響的關(guān)聯(lián)性、所發(fā)生此故障對(duì)于引發(fā)起其他故障的概率問題。
[0003]目前電力系統(tǒng)對(duì)數(shù)據(jù)挖掘方面的研究尚不能滿足實(shí)際需要，對(duì)于數(shù)據(jù)挖掘中也存在著挖掘方法綜合應(yīng)用尚不完全的缺陷。

【發(fā)明內(nèi)容】

[0004]為了克服上述現(xiàn)有技術(shù)的不足，本發(fā)明提供一種基于數(shù)據(jù)挖掘的電網(wǎng)故障診斷方法。
[0005]為了實(shí)現(xiàn)上述發(fā)明目的，本發(fā)明采取如下技術(shù)方案:
[0006]一種基于數(shù)據(jù)挖掘的電網(wǎng)故障診斷方法，其特征在于，所述方法包括如下步驟:
[0007]A.建立多維數(shù)據(jù)模型和故障的事實(shí)表；
[0008]B.對(duì)故障數(shù)據(jù)進(jìn)行聚類分析；
[0009]C.對(duì)故障數(shù)據(jù)進(jìn)行關(guān)聯(lián)規(guī)則分析；
[0010]D.對(duì)故障數(shù)據(jù)進(jìn)行貝葉斯網(wǎng)絡(luò)的建立和訓(xùn)練；
[0011]E.得出結(jié)果。
[0012]優(yōu)選地，步驟A包括:抽取故障數(shù)據(jù)，對(duì)數(shù)據(jù)進(jìn)行轉(zhuǎn)換，并加載到數(shù)據(jù)倉(cāng)庫(kù)，以建立所述多維數(shù)據(jù)模型和故障的事實(shí)表。
[0013]優(yōu)選地，步驟B包括:
[0014]B-1.利用歐氏距離作為故障數(shù)據(jù)樣本間的相似性度量；
[0015]B-2.選擇評(píng)價(jià)聚類性能的準(zhǔn)則函數(shù)；
[0016]B-3.選擇初始分類，并用迭代方法得到聚類結(jié)果。
[0017]優(yōu)選地，步驟C包括:
[0018]C-1.確定關(guān)聯(lián)規(guī)則的用下式表達(dá)的項(xiàng)集支持度；
【權(quán)利要求】
1.一種基于數(shù)據(jù)挖掘的電網(wǎng)故障診斷方法，其特征在于，所述方法包括如下步驟: A.建立多維數(shù)據(jù)模型和故障的事實(shí)表； B.對(duì)故障數(shù)據(jù)進(jìn)行聚類分析； C.對(duì)故障數(shù)據(jù)進(jìn)行關(guān)聯(lián)規(guī)則分析； D.對(duì)故障數(shù)據(jù)進(jìn)行貝葉斯網(wǎng)絡(luò)的建立和訓(xùn)練； E.得出結(jié)果。
2.如權(quán)利要求1所述的方法，其特征在于，步驟A包括:抽取故障數(shù)據(jù)，對(duì)數(shù)據(jù)進(jìn)行轉(zhuǎn)換，并加載到數(shù)據(jù)倉(cāng)庫(kù)，以建立所述多維數(shù)據(jù)模型和故障的事實(shí)表。
3.如權(quán)利要求1所述的方法，其特征在于，步驟B包括: B-1.利用歐氏距離作為故障數(shù)據(jù)樣本間的相似性度量； B-2.選擇評(píng)價(jià)聚類性能的準(zhǔn)則函數(shù)； B-3.選擇初始分類，并用迭代方法得到聚類結(jié)果。
4.如權(quán)利要求1所述的方法，其特征在于，步驟C包括: C-1.確定關(guān)聯(lián)規(guī)則的 用下式表達(dá)的項(xiàng)集支持度；

countfX ?ΞΤ) support(X)=~^ (I 式中，support (X)描述項(xiàng)集X出現(xiàn)的概率,D為全體交易集合,count (X < T)為交易集D中包含X的交易數(shù)量，T為單筆交易，|D|為交易集D中包含的所有交易數(shù)量；C-2.確定關(guān)聯(lián)規(guī)則的用下式表達(dá)的可信度；
confidence(X 4 Y) = supp°rt(XuY) Z )

support(X) 式中，confidence(X => Y)為包含X和Y的交易數(shù)與包含X的交易數(shù)之比。
5.如權(quán)利要求1所述的方法，其特征在于，步驟D包括:把實(shí)際問題的事件抽象為節(jié)點(diǎn)，并建立兩個(gè)或者多個(gè)結(jié)節(jié)之間的連接關(guān)系；從歷史數(shù)據(jù)中計(jì)算出節(jié)點(diǎn)之間的條件概率和聯(lián)合條件概率，并判斷故障發(fā)生相互影響的可能性概率。
6.如權(quán)利要求1所述的方法，其特征在于，步驟E包括:對(duì)步驟B、C、D中三種算法的結(jié)果進(jìn)行綜合分析發(fā)現(xiàn)未知信息，對(duì)電網(wǎng)故障處理給出輔助建議。
7.如權(quán)利要求3所述的方法，其特征在于，步驟B-1中，所述相似性度量如下式表達(dá): Ci(XhXj) = jEk=i(xik — Xjk)2 (3) 其中X= {Xjm= 1,2,…，total}為數(shù)據(jù)集；X中的樣本用數(shù)目為d的描述屬性A1,A2,..., Ad來(lái)表示,且d個(gè)描述屬性都是連續(xù)型屬性；數(shù)據(jù)樣本Xi = (xn,xi2, ---,Xid) ,Xj =(XjliXj2,..., Xjd);其中，xn, xi2,..., Xid 和 Xj1, χ」2,..., Xjd 分別是樣本 Xi 和 χ」對(duì)應(yīng) d 個(gè)描述屬性A1, A2,..., Ad的具體取值；樣本Xi和Xj之間的相似度用它們之間的距離(Kxi, Xj)來(lái)表示，距離越小，樣本Xi和\越相似，差異度越?。痪嚯x越大，樣本Xi和\越不相似，差異度越大。
8.如權(quán)利要求3所述的方法，其特征在于，步驟B-2中，所述準(zhǔn)則函數(shù)如下式表達(dá): E 二 Σ?=ιΣΡ6χ,； Wp-Tni H2 (4)式中，P為樣本特征向量；X包含數(shù)目為k的聚類子集X1,X2,…，Xk;各個(gè)聚類子集中的樣本數(shù)量分別為η ι，η2，…，nk;各個(gè)聚類子集的均值代表點(diǎn)分別為HI1, m2，…，mk。
【文檔編號(hào)】G01R31/08GK104020396SQ201410262294
【公開日】2014年9月3日 申請(qǐng)日期:2014年6月12日 優(yōu)先權(quán)日:2014年6月12日
【發(fā)明者】康建東, 張龍欽, 魯廣明, 孫誼媊, 李偉, 于永軍, 劉釗呈, 孫樹明, 謝昶, 于之虹, 嚴(yán)劍峰, 秦艷輝 申請(qǐng)人:國(guó)家電網(wǎng)公司, 中國(guó)電力科學(xué)研究院, 國(guó)網(wǎng)新疆電力公司電力科學(xué)研究院