基于MapReduce的电力大数据增量式属性约简方法

针对电力大数据具有的体量大、生成快、实时更新等特点,提出了一种基于MapReduce框架的电力大数据增量式属性约简方法。该方法深入分析了决策表的特性,完成了对不相容决策表的转化和化简,求出了简化决策表正域的势。利用差别元素概念以及MapReduce的并行化特性,设计了一种能应用于大数据环境的增量式属性约简算法。最后,以Hadoop平台为基础,设计实验完成了某地区历史负荷数据的增量式属性约简计算,验证了算法的可行性和处理电力大数据的能力。     

基于偏序约简的智能电网大数据预处理方法

针对电力一次系统和电力信息系统的数据所具有的多维度、时空混杂等特征,建立了一种基于偏序约简的大数据属性约简预处理方法。该方法综合利用了MapReduce的可并行化优点,着眼于并发事件间的独立性,可以满足电力大数据属性维度与约简方面的覆盖要求。最后,分别以某光伏发电系统监测数据、变压器故障诊断数据和智能变电站通信系统实时性与可靠性预测数据为例,对属性约简进行模拟计算,并通过Hadoop平台进行测试,表明所提出的电力大数据属性约简方法性能优良。     

历史数据驱动下基于粗糙集的AVC系统关键参数挖掘方法

自动电压控制(AVC)系统中的参数设置过程繁琐且设置结果无依据,以历史大数据为基础,通过对历史数据的挖掘指导系统关键参数的设置。首先,给出一种基于强化正域的属性综合约简策略对关联属性进行约简;然后,采用基于最优分类的属性变换策略将连续属性离散化,并给出一种基于数据预处理的集合近似匹配策略,用于计算不同曲线间的相似度;最后,提出一种基于粗糙集的AVC系统关键参数辨识框架,对历史大数据进行挖掘。基于真实电网数据进行算例分析,挖掘结果表明所提辨识框架能自动给出合理的参数设置结果;实际应用结果表明,相比于传统方法,基于历史大数据的挖掘结果取得了更好的控制效果。     

基于邻域关系矩阵的电力大数据增量式属性约简研究

电力大数据具有规模大、生成速度快和动态性等特点,数据之间的邻域关系难以界定,导致运算量增加,因此提出基于邻域关系矩阵的电力大数据增量式属性约简方法。将邻域关系集合转换为邻域关系矩阵,结合排序思想和邻域关系矩阵自身的特性优化单属性邻域关系矩阵,在此基础上设置矩阵启发信息。计算各属性邻域关系矩阵,逐次添加条件属性并对属性相关程度进行计算,结合属性重要程度选择属性放至约简子集合,迭代整个过程,一直到重要程度不再发生变化,实现电力大数据增量式属性约简。实验结果显示,研究方法的约简运算时间短,约简效果更好,更具可靠性。     

基于粗糙集属性重要性的数据约简

为了提高数据处理的效率,本文以等价关系、划分、上下近似、正域等粗糙集理论基本概念为基础,提出基于属性重要性的属性约简方法。该方法从条件属性集整体出发,分别计算去除每个条件属性后对决策属性重要性的变化,利用属性重要性区分不同属性对于决策属性的依赖程度,优选重要程度较高的属性。该方法以工业现场交流调速系统数据为对象进行有效性验证,结果表明,该方法具有良好的性能,能够大量减少冗余的属性和数据,提高数据处理的效率。     

一种基于Hadoop的电力大数据属性实体识别算法

随着大数据时代的来临,传统的实体识别技术由于电网数据体积大以及类型复杂等特性已经无法有效地进行数据预处理。近年来兴起的Hadoop技术能够对大数据进行较好的处理。因此提出一种基于Hadoop的电力大数据属性实体识别算法。该算法利用改进离散化算法选取出信息准确率较高的离散点,并提出了一种离散化评价指标。最后,在Hadoop平台上对某风电机组的监测数据进行了属性实体识别。实验证明,该算法在实验正确性和断点数目方面表现良好,并且具有较好的加速比,适用于电力大数据的属性实体识别处理。     

基于SQL的电网海量数据属性约简方法

针对电网数据量激增造成的数据冗余,提出一种基于SQL(结构化查询语言)的电网海量数据属性约简方法。该法将粗糙集理论与数据库技术相结合,使用经典的粗糙集理论确定待处理的电网数据的粗糙集集合,利用SQL中的GUOUPBY子句和COUNT(*)函数将粗糙集集合操作转化为SQL的统计操作,通过基于SQL的求属性核方法得到电网信息数据表的最小属性约简。实验结果表     

模拟植物生长的电网调度数据约简算法研究

对电网调度数据进行数据挖掘是进行深入关联分析和处理的有效手段,采用粗糙集对数据进行建模并采用属性约简算法简化处理难度,是目前可行的一种方法.随着电网调度数据中对象数量的不断膨胀,相关属性组合也呈爆炸式增长,寻找最小属性约简集合已经被证明是个NP难的问题.目前已有的算法受属性约简问题中参数难以定义、优化目标函数不确定等因素的影响,容易在搜索结果时陷入局部最优而无法获得理想的结果.提出一种模拟植物生长寻找最小属性约简的新算法,通过植物的向光性来搜索属性集合的可行解.理论分析和实验表明,该算法不仅复杂度较低,而且能获得更小的属性约简集.     

电网故障诊断的决策表约简新算法

采用粗糙集理论的决策表方法对电网进行故障诊断,其关键过程就是决策表的简化过程(即约简)。为此,提出了基于粗糙集理论与二元逻辑运算相结合的属性约简算法以及改进的值约简算法,并将其应用于由断路器和保护作为条件属性、故障区域作为决策属性的诊断决策表的约简过程中,利用决策表的约简形成综合混合知识模型。整个算法简单、快速,可有效应用于电网的故障诊断中。运用Visual C 编程实现了对故障算例决策表的约简过程,结果证明了该约简算法的正确性。     

基于关联规则数据挖掘技术的电网故障诊断

在实际的电网故障诊断中，面临如何从海量数据找到真正对于诊断结果有帮助的关键数据以及当故障信息存在不完整或不确定性，甚至关键信息丢失时，会导致故障诊断难以得出正确结论的问题。针对此问题,将关联规则数据挖掘DLG(Direct Large temsests Generation）算法引入到电网故障诊断中。首先以保护、断路器作为条件属性，故障区域作为决策属性，考察各种故障情况并建立原始决策表，然后利用关联规则挖掘进行属性约简，通过修改阈值进行交互式挖掘,直接提取最佳属性约简组合，然后利用最佳属性约简组合形成的约简决策表和关联规则交互式挖掘,针对各种情况的故障信息进行诊断推理。运用C编写了基于该方法的故障诊断软件, 采用四母线配电网系统作为仿真对象,算例结果表明该算法在一定电网规模和保护动作信息不完备的情况下，故障诊断正确性高、容错性好，实用性强。     

大数据时代下数据挖掘技术在电力企业中的应用

首先对大数据进行了阐述,进而讨论了大数据时代下电力企业面临的巨大挑战;在此基础上指出在电力大数据时代下利用数据挖掘技术对电力企业产生的巨大影响;然后通过描述数据挖掘技术的一系列步骤,指出了电力大数据时代下,数据挖掘技术在电力企业的实现途径;最后,从智能电网、电力客户关系管理、信息系统的发展以及能耗问题等四方面论述了大数据时代下数据挖掘技术在电力企业中的应用前景。     

广东电网电力大数据现状及主要发展思路

对大数据的概念进行了阐述,结合广东电网有限责任公司（以下简称广东电网）在大数据方面的已开展的研究,从数据基础、资源基础和已应用领域三方面,对大数据在电力系统中的应用现状进行分析。基于大数据在电力系统应用存在的问题,总结并分析了电力大数据处理技术的三个层面：关键支撑技术、电力应用技术、标准和数据模型,在此基础上探讨了广东电网大数据的发展思路。     

基于移相电抗器的电力推进船舶电网谐波抑制

电力推进船舶电网是一个典型的独立供电系统,由于发电容量有限,对非线性负荷的抗干扰能力比较差,尤其是随着电力电子技术在船舶上的广泛应用,电能变换过程中的非线性现象加重,由此带来的谐波等电能质量问题不容忽视.相对于采用组网方式形成的大电网而言,独立小电网的系统短路容量较小,而谐波源相对容量较大,因此,谐波造成的影响就会更大.本文提出了一种采用移相电抗器的方法来抑制这种独立电网的谐波,并对移相绕组的配置和移相角的选择进行了分析,基于EMTDC/PSCAD的仿真结果验证了所提方案的正确性和有效性.     

基于随机矩阵理论和聚类算法的电能表运行状态评估方法

随着智能配电网络规模的扩大以及电网结构的复杂化,电力大数据呈指数级增长,电力设备的检、监测评估面临新的挑战。在大数据原理和数据挖掘分析的基础上,提出一种基于随机矩阵理论和聚类算法的电能表运行状态评估方法。首先,对电力大数据统一预处理,完成时间序列数据表征;然后,采用实时分离窗技术整合时序数据;其次,基于随机矩阵理论,对多维度电能表时间序列数据实时计算、分析统计量时序特征;进一步,采用改进的时间规整聚类算法计算时序数据相似度,从而对随机矩阵统计量聚类分级;最后,分析聚类结果,得到电能表运行状态评估等级和范围,完成电能表实时运行状态评估。实例分析和对比研究结果表明,与传统的主元分析评估方法相比,所提出的新型电能表运行状态评估方法具有良好的鲁棒性、可靠性和时效性,为电力电网检测技术应用研究提供了新思路。     

智能电网监控运行大数据应用模型构建方法

由于电网数据具有多源、高维、先验、异构的特点,并且蕴含大量因果关系,如何从电网历史大数据中挖掘出不同应用场景的因果关系,从而构建监控运行业务应用是电网监控专业实际生产及管理的热点问题。文中根据电网大数据的因果关系特征,提出了一种新颖的基于因果关联分析和概率图模型建模的智能挖掘算法框架。结合相关性分析和格兰杰因果分析方法,该框架能够从海量多源多维生数据中提炼出因果关系变量集,进而生成监控大数据因果概率图模型。基于上述理论,提出一种两阶段的电网监控运行大数据应用模型的工程构建方法,第1阶段采用大数据分析方法从海量多源多维生数据中挖掘出存在强因果关系的变量集合,第2阶段通过人工经验与算法推荐的因果概率图模型相结合,构造出监控业务模型。基于上述模型构建的智能电网监控运行大数据分析系统,已在多个省级调控中心上线运行,其运行结果验证了所提方法的有效性。     

基于随机矩阵理论和聚类算法的电能表运行状态评估方法

随着智能配电网络规模的扩大以及电网结构的复杂化,电力大数据呈指数级增长,电力设备的检、监测评估面临新的挑战。在大数据原理和数据挖掘分析的基础上,提出一种基于随机矩阵理论和聚类算法的电能表运行状态评估方法。首先,对电力大数据统一预处理,完成时间序列数据表征;然后,采用实时分离窗技术整合时序数据;其次,基于随机矩阵理论,对多维度电能表时间序列数据实时计算、分析统计量时序特征;进一步,采用改进的时间规整聚类算法计算时序数据相似度,从而对随机矩阵统计量聚类分级;最后,分析聚类结果,得到电能表运行状态评估等级和范围,完成电能表实时运行状态评估。实例分析和对比研究结果表明,与传统的主元分析评估方法相比,所提出的新型电能表运行状态评估方法具有良好的鲁棒性、可靠性和时效性,为电力电网检测技术应用研究提供了新思路。     

区间数理论对西宁配电网可靠性的应用分析

由于统计数据存在不同程度的误差,可能导致配电系统可靠性分析结果与实际情况有较大差异,将区间数理论引入西宁电网配网可靠性分析中,对西宁配电系统进行可靠性评估。算例表明,该方法对提高西宁电网的配电系统可靠性水平有一定合理性与有效性。