空间数据挖掘算法在煤矿能源保护监管中的应用

为降低煤矿能源开采风险,实现规范化管理,提出空间数据挖掘算法在煤矿能源保护监管中的应用研究。由信息层、控制层和设备层构成监管系统,明确系统职责,结合监管系统特征,设计空间数据挖掘模型整体结构。将粗糙集和神经网络方法相结合,去除冗余数据,采用误差函数和代价函数,确定神经网络训练样本数量。探究数据挖掘模型在煤矿保护监管中的应用过程,设计神经网络结构,计算神经元数量,反复训练网络生成关联规则。经过实例应用分析,从关联规则中可得出:煤矿能源安全和瓦斯浓度、日开采量之间支持度较高,必须将二者指标控制在合理范围内。由此证明了挖掘算法不但可以获取煤矿能源现状,还能通过历史数据得出预见性结论。     

基于隶属度转换新算法的煤气站安全性模糊评价

基于熵的数据挖掘方法,通过定义指标区分权,清除指标隶属度中对目标分类的冗余值,提取有效值计算目标隶属度,由此构建隶属度转换新算法用于煤气站安全性模糊评价中。通过与现有隶属度转换方法计算结果对比,验证了新算法具有更高的精度,从而能更准确地对煤气站安全性做出评价     

基于改进Apriori算法的煤矿物态隐患系统设计与应用

为了更深入地研究和利用激增的煤炭隐患数据,对某煤矿的隐患及其属性进行了研究、分析与分层,构建了属性的星形全连接模型;并通过数据清洗、概化及连续属性离散化等数据挖掘技术,将大量原始隐患数据转化为适用挖掘的数据。应用经剪枝和连接步的优化改进的Apriori算法,对该煤矿近两年的物态隐患数据记录进行挖掘,得到频繁项集,导出关联规则;最后利用SQL Server 2008数据库和VS2010平台,构建并实现了煤矿物态隐患信息挖掘系统。     

基于大数据分析的双进双出钢球磨煤机建模研究

利用现场海量的实际运行数据进行数据挖掘建模,针对大规模数据建模过程中处理困难的情况,首先利用K-Means聚类提取建模数据,利用主成分分析法降维完成属性约简,然后在Hadoop平台的Map Reduce架构上采用分布式支持向量机模型,实现计算并行化,通过以上过程可以高效的完成建模任务。     

数据挖掘算法在瓦斯安全预测中的应用

基于数据挖掘和数据库技术,通过关联规则算法对系统瓦斯数据进行研究,建立了瓦斯浓度数据挖掘模型,对瓦斯浓度数据挖掘结果进行分析,进而对瓦斯安全进行预测。计算结果表明:瓦斯浓度是影响煤矿安全隐患的最主要因素。最小支持度阀值为0.50时,挖掘效率最佳。     

煤矿隐患数据挖掘模型及适用挖掘算法

为研究煤矿隐患数据的挖掘以实现海量隐患数据的有效利用,在分析矿山数据挖掘技术和煤矿隐患数据特点的基础上,提出煤矿隐患数据挖掘是矿山数字化的重要组成部分,给出煤矿隐患数据挖掘的概念,设计了煤矿隐患数据挖掘模型,并进一步分析了适用于煤矿隐患数据的挖掘算法。以关联算法为例,对隐患数据进行多维关联规则挖掘,分析挖掘结果表明隐患多维数据之间存在紧密关联性,能够为煤矿安全决策提供支持。     

基于大数据的配电设备运行状态监控与故障预警系统设计

以大数据为基础,从数据采集层、集成计算层、数据分析层以及应用层4个方面设计与研究配电设备运行状态监控与故障预警系统,在实时流处理技术与自行编写业务模块的支持下,该系统能够执行数据挖掘分析、预警通知与可视化处理等任务,并实现对配电设备相关数据的采集监控、预警分析、故障闭环管理以及辅助决策等功能,有效地弥补传统配电设备运行与维护管控方式中存在的不足。     

基于电力负荷历史数据挖掘的负荷预测算法研究

针对电力负荷历史数据中异常数据点影响电力负荷预测精度的缺陷,研究基于电力负荷历史数据挖掘的负荷预测算法。选取K means聚类算法挖掘电力负荷历史数据的属性特征量,检测其中所包含的异常数据点,选取灰色系统理论中的GM（1,1）模型修正电力负荷历史数据中的异常数据,利用完成修正的电力负荷历史数据建立训练集以及预测集,将训练集样本输入支持向量机中,利用支持向量机所具有的非线性映射能力映射样本至高维空间内,获取支持向量机最优阈值,将预测集输入具有最优阈值的支持向量机中,获取精准的电力负荷预测结果。所研究算法可实现长期、短期、超短期电力负荷的预测,且预测的精准性及速度较为优越。     

监控系统瓦斯浓度数据预处理方法的探讨

从监控系统数据的二次研发和数据挖掘对瓦斯浓度序列数据的需求入手,分别分析了数据缺失或者瓦斯浓度数据突然从正常变为零值,传输过程中电磁干扰造成的"冒大数"等现象和传感器做标校试验期间瓦斯浓度数据异常等3种常见的浓度数据失真现象。针对3种失真现象,分别提出了移动平均线处理方法、AR模型处理法和时间序列平滑移动法3种瓦斯浓度数据异常处理和补偿的方法,并对3种补偿方法所针对的不同异常情况进行了区别和分析。最后将时间序列平滑移动法的有效性和可行性就现场瓦斯浓度数据做了相应的验证,得出该方法处理结果误差较小、有效性高的结论。     

基于BP-LSTM的旋转机械振动信号异常检测模型

旋转机械运行环境恶劣,振动信号易受外界干扰,因此实现振动状态的异常检测较为困难。神经网络技术能够从大量的振动数据中自动提取故障特征,相对于人工提取故障特征,工作量大为减少。结合长短时记忆(LSTM)网络对时间序列数据具有的超强感知与处理能力,提出一种用BP神经网络压缩输入数据维度从而提取故障特征、用LSTM网络进行异常检测的新方法。首先将实验台获取的振动数据划分为相同序列长度的数据样本并划分为不同的数据集,然后将数据样本进行预处理并搭建BP-LSTM网络,将建立的模型用于旋转机械振动信号异常检测。模拟仿真和实验结果表明:BP-LSTM网络模型对旋转机械运行状态的检测具有较高的精度和稳定性,该方法优于基于时域特征参数进行异常检测的支持向量机(SVM)、K近邻和LSTM等传统学习方法。     

基于FDTD建模的采矿大数据应用研究

大数据技术的发展为工业生产提供丰富的信息数据,可帮助煤矿企业生产、运营提供决策支持数据。提出一种基于基于有限差分时域方法,采用时间相关的波动方程,对采矿过程中电力使用进行动态模拟,核心在于对电力消耗和电力费用监测,基于大数据计算平台中通过初始随机波函数对TDSE进行数值求解,收敛于基态波函数。给出了不同约束电位参数的的能量和波函数的数值结果,并与其他数值方法的结果进行比较,结果表明,基于FDTD的方法可提供精确的能量和波函数,可在采矿工艺电力使用预测提供精确的数据支持。     

基于EMMD-RVM的煤矿采矿机械设备异常检测系统

针对煤矿采矿机械设备异常特征信号是非均匀变化的,容易出现机械设备异常检测结果不精准的问题,提出了基于EMMD-RVM的煤矿采矿机械设备异常检测系统。采用4通道AD转换芯片,采集煤矿采矿机械设备异常数据。使用ZigBee传感器作为终端设备,传输电压、电流、转速红外成像和温度信号。利用传感器网络协议适配器,将不同传输信号统一传输到服务器,消除传感器网络异构性。采用EMMD极值域均值模式分解方法,引入加权平均法获取信号局部均值,分析煤矿采矿机械设备异常特征。构建RVM支持向量机模型,设计基于RVM的煤矿采矿机械设备异常检测流程。由系统应用结果可知,该系统通过采集高频分量信息,可获取精准异常检测结果,为机械设备异常检测提供一种新思路。     

能源大数据中心数据模型研究

能源大数据模型用于指导各级能源大数据中心规划、设计、开发、建设及运营等环节，支撑能源数据融合共享和价值挖掘。各级能源大数据中心能源大数据的共享开放实现的关键在于能源数据公共信息模型的构建。从能源行业数据出发，提出以国家电网公司SG-CIM模型为基础，构建能源大数据中心煤炭、石油、天然气等能源领域统一数据模型。阐述了基于统一数据模型的数据的特征提取算法、模型训练的具体实现路径，基于能源大数据中心实际数据应用需求，提出了能源大数据典型价值挖掘应用场景。     

基于分层控制的区域能源系统协调运行及经济效益评价

针对区域综合能源系统分层控制的协调运行以及经济效益评价进行建模，分析了源网荷储区域能源互联系统的构成。该系统根据调度方式可分为上层和下层，给出了相应的目标函数；针对区域能源互联协调控制技术进行的分析，从时间尺度和空间尺度上对态势感知、优化决策、评估进行了分析。从协调优化、安全稳定、经济效益、社会效益4个维度，提出了源网荷储区域能源互联系统的评价指标，利用层次分析熵权法进行评价。案例分析表明，所提系统的多能源综合协调系数为0.684 5，说明了系统的分层控制协调运行有效性和评价方法的准确性。     

电力系统二次设备缺陷数据挖掘与分析方法研究

为了准确挖掘与分析电力系统二次设备缺陷数据,判断电网二次设备运行状态,提出基于缺陷数据挖掘的电力系统二次设备缺陷分析方法。基于层次聚类算法,获取电力系统二次设备缺陷数据挖掘,以原子聚类、原子簇合并、基于层次聚类算法的缺陷数据识别三步骤,将缺陷数据设成基于XGBoost的二次设备缺陷分类模型的输入数据,设置缺陷特征指标集、缺陷级别标签后,有效挖掘电力系统二次设备缺陷数据,然后通过XGBoost模型,实现二次设备缺陷级别识别。研究结果表明,所提方法对二次设备缺陷数据的挖掘结果和实际缺陷数据样本数一致,对二次设备缺陷级别识别后,识别结果的准确率、召回率、F₁值均高达0.99,且识别耗时低于400 ms,具备使用价值。     

基于云平台的分布式新能源监控数据分析方法研究

为了及时并准确地对新能源监控数据进行采集、存储以及分析,研究了基于云平台的分布式新能源监控数据分析设计,设计了一种基于云平台的Hadoop的新能源系统监控数据并行采集和分布式存储的计算构架,分析了云平台的体系构成,完成了基于HBase数据库的并行数据采集系统的模块设计、基于SCAD系统的结构化数据存储模块设计、基于MapReduce方法的分布式数据处理方案设计,解决了数据量剧增导致的存储空间不足问题以及各级单位数据交互难的问题,实现了电网检测数据的并行写入,提高了数据采集效率以及异构数据的统一存储,研究为实现高效、统一、安全的新能源监控数据的处理系统提供一定借鉴意义。     

基于边缘计算的电力系统稳态数据压缩方法

为有效压缩电力系统数据，缩减储存空间与数据传输量，面向电力系统工作过程中生成的大规模稳态数据，以边缘计算为技术支撑，提出一种数据压缩方法实现有效解决。通过建立联合稀疏模型、建立稀疏冗余字典、明确测量矩阵、建立联合重构算法等阶段，结合压缩感知与分布式信源编码，完成边缘计算下电力系统稳态数据融合。利用小波变换算法，按分辨率将得到的数据融合结果分解至各个尺度水平上，得到高频系数与低频系数，经阈值处理高频系数后，采用无损编码技术输出压缩结果。试验阶段中，针对某电网公司的试运行电力系统静态数据展开压缩试验，依据数据压缩空间占比、赋范均方误差以及数据压缩比率3个指标的定量评估结果，检验出所提方法具有较为明显的压缩优势，压缩信号与实际采样信号波形拟合程度较高。     

基于降维聚类技术的电力负荷数据挖掘研究

随着电力网络的高速发展,电力负荷数据的规模与维数急速增长。为了分析数据背后的有效信息,可以采用聚类分析的手段对电力负荷数据进行挖掘分析,为异常用户检测、能效管理提供有效的应用价值。根据美国能源信息网获得的实验数据集,利用降维算法对预处理后的数据进行降维分析,分析出不同维度下5种降维算法的降维效果,然后选择KPCA和ISOMAP降维技术与K-means聚类分析算法进行结合,比较组合算法与单独K-means算法的聚类精度与聚类效率,得出结合降维技术,可以有效提高聚类分析算法的聚类能力。