The invention discloses an association analysis method of tripping detail data and meteorological data based on FP growth, obtains tripping detail data of power system and unifies the format, reads fault geographic coordinates and fault occurrence time of tripping detail data, obtains historical meteorological data, and obtains each weather data of historical meteorological data. Clustering is used to establish the connection between tripping detail data and historical meteorological data. According to the tripping detail data and historical meteorological data, a sample database is established. FP growth algorithm is used to mine strong association rules between items or itemsets in the sample database. Strong association rules are used as the gateway between tripping detail data and meteorological data. Association rules are used to complete the correlation analysis between trip detail data and meteorological data. The invention can quickly and multi-dimensionally and multi-hierarchically mine the association rules between meteorological data and detailed data of power system tripping. The invention also discloses a method for early warning of tripping fault by using association rules.
【技术实现步骤摘要】
基于FP-growth的跳闸明细数据与气象数据关联分析及预警方法
本专利技术涉及电力系统运维
,具体涉及一种分析气象数据与电力系统跳闸明显数据的关联规则的方法,还涉及一种利用关联规则进行跳闸故障预警的预警方法。
技术介绍
电力输电线路暴露在自然环境中,实际运行环境对线路的运行状态具有不可避免的重要影响,通过多种物理化学变化加速输电设备电气、机械及其他性能的劣化,严重时会引发突然性的设备失效,因此深入研究气象环境与线路故障跳闸之间的密切联系具有重要的实用价值。目前随着气象科学技术的迅速发展进步,气象部门可提供更为丰富、高质量的气象数据产品,再加以电力部门多年架设的大量微气象监测装置,反映输电线路实际运行环境的气象数据在急剧增加;另外经过电网运营部门多年管理实践,积累了丰富的线路故障跳闸明细数据,具有信息量大、格式规范的特点,可为线路故障跳闸研究提供丰富数据。但是,目前关于线路跳闸与气象数据之间的关系还未被挖掘揭示出来,还不能利用气象数据对跳闸事故进行预测。面对日益丰富的大量数据,已有的挖掘数据之间关联规则的方法主要采用Apriori算法,该算法作为关联规则挖掘的经典算法,基于其核心理论:“频繁项集的子集是频繁项集;非频繁项集的超集是非频繁项集”,显示出良好的性能,但随着数据库的增大,同时也存在两个致命的性能瓶颈:1.产生大量的候选集;2.多次扫描数据库,需要相当大的I/O负载。随着电力系统运行记录数据及相关气象数据的数据量增长,势必需要更为高效可靠的数据挖掘算法。Han等人提出了一种不产生候选集的发现频繁项集的挖掘方法FP-growth,它使用一种FP ...
【技术保护点】
1.一种基于FP‑growth的跳闸明细数据与气象数据关联分析方法,其特征在于:包括以下步骤:步骤1:获取电力系统的跳闸明细数据,跳闸明细数据包含n种类型的跳闸数据,并统一跳闸明细数据的格式,从而使同一类型并具有相同含义的跳闸数据具有统一的格式;步骤2:读取跳闸明细数据的故障线路名称、故障地理坐标以及故障发生时间;步骤3:获取历史气象数据,每条历史气象数据包含有m种不同类型的天气数据,并分别对每种类型的天气数据进行聚类化;步骤4:根据历史气象数据的监测时间与故障发生时间的对应关系,以及历史气象数据的监测点地理坐标与故障地理坐标的对应关系,建立跳闸明细数据与历史气象数据的连接,从而使得每条跳闸明细数据都有对应的历史气象数据;步骤5:以每次跳闸事件作为一个事务,每个事务中包含跳闸明细数据以及该跳闸明细数据对应连接的历史气象数据;以事务中跳闸明细数据中的n种类型的跳闸数据对应作为事务中的n个项目,以事务中历史气象数据中的m项天气数据对应作为事务中的m个项目,从而使得每个事务包含m+n个项目;采集若干事务建立样本数据库;步骤6:采用FP‑growth算法挖掘样本数据库中各项目或项集之间的强关联 ...
【技术特征摘要】
1.一种基于FP-growth的跳闸明细数据与气象数据关联分析方法,其特征在于:包括以下步骤:步骤1:获取电力系统的跳闸明细数据,跳闸明细数据包含n种类型的跳闸数据,并统一跳闸明细数据的格式,从而使同一类型并具有相同含义的跳闸数据具有统一的格式;步骤2:读取跳闸明细数据的故障线路名称、故障地理坐标以及故障发生时间;步骤3:获取历史气象数据,每条历史气象数据包含有m种不同类型的天气数据,并分别对每种类型的天气数据进行聚类化;步骤4:根据历史气象数据的监测时间与故障发生时间的对应关系,以及历史气象数据的监测点地理坐标与故障地理坐标的对应关系,建立跳闸明细数据与历史气象数据的连接,从而使得每条跳闸明细数据都有对应的历史气象数据;步骤5:以每次跳闸事件作为一个事务,每个事务中包含跳闸明细数据以及该跳闸明细数据对应连接的历史气象数据;以事务中跳闸明细数据中的n种类型的跳闸数据对应作为事务中的n个项目,以事务中历史气象数据中的m项天气数据对应作为事务中的m个项目,从而使得每个事务包含m+n个项目;采集若干事务建立样本数据库;步骤6:采用FP-growth算法挖掘样本数据库中各项目或项集之间的强关联规则,所述项集为包含项目的集合:设置支持度阈值以及置信度阈值,以样本数据库作为输入,通过频繁模式树FP-tree挖掘频繁项集,所述频繁项集是指满足支持度阈值的项集;从频繁项集中筛选出同时满足支持度阈值与置信度阈值的频繁项集作为强关联规则;步骤7:以强关联规则作为跳闸明细数据与气象数据的关联规则,从而完成跳闸明细数据与气象数据关联分析。2.根据权利要求1所述的基于FP-growth的跳闸明细数据与气象数据关联分析方法,其特征在于:历...
【专利技术属性】
技术研发人员:庄文兵,熊小伏,李勇杰,钟劲松,马勤勇,王建,张小军,魏伟,李晓光,朱章甫,郑子梁,刘刚,依力扎提·吐尔汗,祁创,
申请(专利权)人:国网新疆电力公司电力科学研究院,重庆大学,
类型:发明
国别省市:新疆,65
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。