一种基于数据挖掘的电压越限诊断方法技术

本发明专利技术提供了一种基于数据挖掘的电压越限诊断方法，通过对历史数据进行数据挖掘，并对这些数据进行预处理，得到基本的数据驱动模型，将得到的基本的数据驱动模型作为K

【技术实现步骤摘要】
一种基于数据挖掘的电压越限诊断方法


[0001]本专利技术涉及电压越限诊断领域，具体而言，涉及一种基于数据挖掘的电压越限诊断方法。

技术介绍

[0002]随着电力信息物理融合的深入，电力系统呈现出结构复杂化。目前已有的电网调控系统如SCADA、DMS以及D5000等以采集、监控和分析为主，积累了大量多源异构文本数据，而配电网规划调度主要依赖于调控人员现场整合大量的数据信息。当需要使用数据时，调控人员需要查询各类电网数据、拓扑结构、配网缺陷库等文本数据，这种处置方式时间成本高、执行效率低且准确性无法保证。故电力系统亟需借助智能化技术将多源异构的配网故障数据抽取提炼，并将这些数据组织成结构化、可视化的表示形式。

技术实现思路

[0003]本专利技术正是基于上述技术问题至少之一，提出了一种基于数据挖掘的电压越限诊断方法。
[0004]一种基于数据挖掘的电压越限诊断方法，其步骤包括：
[0005]S1.对于历史数据进行数据挖掘，采集多源异构的配电网故障数据，对采集的所述配电网数据进行抽取提炼，通过主体及静态关键信息信息识别、不同方式运行下动态数据计算、数据层构建这三个方面对数据进行挖掘，识别数据主体，利用关联规则数据算法，得到数据主体相关联的数据信息；
[0006]S2.根据抽取识别的主体及其相关联的数据信息，建立基础数据库；
[0007]S3.对所述基础数据库中的数据进行数据分类和数据清洗并对其进行归一化处理，得到基本的数据驱动模型，将所述数据驱动模型作为K
‑/>means改进算法的输入，获得电压越限成因的聚类和标识结果；
[0008]S4.利用所述标识结果对基于粒子群算法的支持向量机模型进行自适应训练，从而实现电压越限的在线诊断分析。
[0009]进一步，所述配电网故障数据包括台账数据、PSASP软件数据、电压异常情况统计数据、电网运行方式、设备容量数据。
[0010]进一步，在步骤S1中，所述关联规则数据算法如下：
[0011]设I＝{i1,i2,i3,
…
,i
m
}是由m个不同的数据项目组成的集合，其中：元素称为项，项的集合称为项集，给定一个事务数据库D＝{T1,T2,T3,
…
,T
n
}，其中：每一个事务T是项集I的一个子集，即|D|为D中的总事务数。X、Y都是T中的项或项集，X∩Y＝Φ。如果事务T同时包含X和Y，那么就可以得到关联规则：
[0012][0013]式中：
[0014]S％为满足条件的事务T在事务数据库D中所占比例，即支持度(Support)，
[0015][0016]C％为D中包含X的事务中又包含Y的比例，即可信度(Confidence)，
[0017][0018]I％为X和Y的相关程度，即兴趣度(Interest)；
[0019]同时大于可信度阈值C
min
和支持度阈值S
min
的关联规则称为强关联规则，兴趣度大于1的强关联规则是有意义的可信规则，是挖掘的目标，即与数据主体相关联的数据信息。
[0020]进一步，在步骤S3中，对所述基础数据库中的数据进行数据清理，采用极值序列法对数据进行归一化处理的算法如下：
[0021][0022]式中：x
ij
为第i种数据向量中第j个元素，
[0023]将基础的所述数据驱动模型作为K
‑
means改进算法的输入得到聚类结果，聚类数的确定：
[0024][0025]式中：k为聚类个数；S
i
为第i个聚类中心的离散度；d
i,j
为第i和第j聚类中心之间的距离，聚类中心离散度越高，中心点之间距离越大，则DBI指标越小，分类效果也越好，即DBI最小的k即为最优聚类个数。
[0026]进一步，在步骤S4中，利用K
‑
means聚类结果对基于粒子群算法的支持向量机模型进行自适应训练，其步骤如下：
[0027]a1：初始化支持向量机模型；
[0028]a2：设置粒子群算法参数；
[0029]a3：求取每个粒子适应度值；
[0030]a4：按适应值大小，更新粒子个体最优位置和全局最优位置；
[0031]a5：若粒子适应值满足要求，则终止迭代，输出最优解，否则返回步骤a3，继续下一次迭代，直至获得最优解或达到最大迭代次数为止；
[0032]a6：利用步骤a5的结果对基于粒子群算法的支持向量机模型进行自适应训练，从而实现电压越限的在线诊断分析。
[0033]有益效果：本专利技术的诊断效率、准确性都更高，根据配网设备台账数据、PSASP软件数据、电压异常情况统计数据和电网运行方式报告为研究对象，完成对配电网数据的汇总与整合，将整理后的数据内容根据智能算法进行清洗整理，结合仿真软件以及现场实际情况，分析不同运行情况下电网的电压水平完成对电网薄弱点识别以及成因分析。
附图说明
[0034]图1示出了根据本专利技术的步骤图；
具体实施方式
[0035]为了能够更清楚地理解本专利技术的上述目的、特征和优点，下面结合附图和具体实施方式对本专利技术进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
[0036]一种基于数据挖掘的电压越限诊断方法，其步骤包括：
[0037]S1.对于历史数据进行数据挖掘，采集多源异构的配电网故障数据，对采集的所述配电网数据进行抽取提炼，通过主体及静态关键信息信息识别、不同方式运行下动态数据计算、数据层构建这三个方面对数据进行挖掘，识别数据主体，利用关联规则数据算法，得到数据主体相关联的数据信息；
[0038]S2.根据抽取识别的主体及其相关联的数据信息，建立基础数据库；
[0039]S3.对所述基础数据库中的数据进行数据分类和数据清洗并对其进行归一化处理，得到基本的数据驱动模型，将所述数据驱动模型作为K
‑
means改进算法的输入，获得电压越限成因的聚类和标识结果；
[0040]S4.利用所述标识结果对基于粒子群算法的支持向量机模型进行自适应训练，从而实现电压越限的在线诊断分析。
[0041]下面结合附图对本专利技术作进一步详细描述：
[0042]图1为本专利技术的一个实例，其步骤如下：
[0043]步骤S1：数据挖掘；
[0044]步骤s11：收集整合配电网现有的台账数据、运行数据、设备容量等多源异构冗杂的数据；
[0045]步骤s12：根据收集的数据进行数据挖掘，挖掘识别数据主体，利用人工智能采用关联规则数据算法，寻找主体相关联的数据信息；
[0046]步骤s13：根据抽取识别的主体及其相关联的数据信息，建立基础数据库。
[0047]步骤S2：数据处理；
[0048]步骤s21：对步骤S1建立的基础数本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于数据挖掘的电压越限诊断方法，其特征在于，其步骤包括：S1.对于历史数据进行数据挖掘，采集多源异构的配电网故障数据，对采集的所述配电网数据进行抽取提炼，通过主体及静态关键信息信息识别、不同方式运行下动态数据计算、数据层构建这三个方面对数据进行挖掘，识别数据主体，利用关联规则数据算法，得到数据主体相关联的数据信息；S2.根据抽取识别的主体及其相关联的数据信息，建立基础数据库；S3.对所述基础数据库中的数据进行数据分类和数据清洗并对其进行归一化处理，得到基本的数据驱动模型，将所述数据驱动模型作为K
‑
means改进算法的输入，获得电压越限成因的聚类和标识结果；S4.利用所述标识结果对基于粒子群算法的支持向量机模型进行自适应训练，从而实现电压越限的在线诊断分析。2.根据权利要求1所述的基于数据挖掘的电压越限诊断方法，其特征在于，所述配电网故障数据包括台账数据、PSASP软件数据、电压异常情况统计数据、电网运行方式、设备容量数据。3.根据权利要求2所述的基于数据挖掘的电压越限诊断方法，其特征在于，在步骤S1中，所述关联规则数据算法如下：设I＝{i1,i2,i3,
…
,i
m
}是由m个不同的数据项目组成的集合，其中：元素称为项，项的集合称为项集，给定一个事务数据库D＝{T1,T2,T3,
…
,T
n
}，其中：每一个事务T是项集I的一个子集，即|D|为D中的总事务数。X、Y都是T中的项或项集，X∩Y＝Φ。如果事务T同时包含X和Y，那么就可以得到关联规则：X＝＞Y(S％,C％,I％)式中：S％为满足条件的事务T在事务数据库D中所占比例，即支持度(Support)，C％为D中包...

【专利技术属性】
技术研发人员：李向群，张玮，丁超明，罗仁军，马登高，李婷婷，李斌斌，李鹏飞，曹立山，安腾跃，郭旭春，文国璐，
申请(专利权)人：国网甘肃省电力公司甘南供电公司，
类型：发明
国别省市：