关联规则挖掘算法的研究与应用

关联规则进行挖掘被发现具有独特的应用价值，尤其是在海量数据的存储和应用中，可以建立某些联系，更加合理更加高效的进行数据管理。所以关注的目光已经停留在它的身上。本文从关联规则和挖掘算法进行简要介绍，同时就原理和应用与发展进行了阐述。     

关联规则的ECLAT算法

关联规则挖掘是数据挖掘的一个重要应用,而频繁项集挖掘对关联规则挖掘的效果起了决定性的作用。经典的频繁项集挖掘主要有Apriori算法和FP-Growth算法,它们都是基于水平数据表示的算法,本文分析基于垂直数据表示的ECLAT算法。     

面向智能电网大数据关联规则挖掘的频繁模式网络模型

针对目前关联规则挖掘频繁树(FP-Tree)算法实现较困难以及难以处理数据库更新的缺点,提出了频繁模式网络(FP-network)模型,将关联规则挖掘所需要的信息压缩到一个无向网络图上,并建立事务项目关联矩阵,从而进行数据存储和数据挖掘。FP-network模型适用于智能电网大数据的关联规则挖掘。以关联规则挖掘在输电线路故障分析领域的应用为例进行算例分析,结果表明所提出的FP-network关联规则挖掘算法不仅继承了FP-Tree算法的优点,而且只需扫描一次数据库,也便于数据库的维护和更新,从而提高了智能电网大数据关联规则挖掘的效率。     

挖掘多值属性关联规则的一种模糊方法

多值属性关联规则是关联规则挖掘的重要内容之一。论文提出了解决此类问题的一种模糊方法,给出了模糊关联规则的一种形式化定义和挖掘算法,最后,给出了一个实例计算。     

基于多最小支持度的增量式关联规则挖掘算法研究

在传统的Apriori关联规则挖掘算法分析基础上，针对目前多最小支持度和增量式关联规则挖掘的局限性，提出基于多最小支持度的增量式关联规则挖掘算法。该算法适用于事务出现频率一致及不一致的情况，利用多最小支持度能挖掘出更有意义的结果；同时，该算法还能实现事务数据不断增加时的数据挖掘，提高了挖掘的效率。应用电力客户信用数据库进行实验的结果表明，改进算法能有效挖掘出稀有项，分析出潜在的信用风险客户，对电力客户信用评价具有辅助决策作用。     

基于OLAP的多维数据挖掘在汽轮机监测中的应用

应用基于OLAP技术的多维关联规则挖掘技术，以充分发挥存储在汽轮机历史数据库中数据对电力生产的指导作用。研讨了多维关联规则挖掘算法，并成功地将基于OLAP技术多维关联规则挖掘技术应用于汽轮机运行模型的建立。实验证明，利用这种挖掘技术有利于开展汽轮机的状态检修。     

基于FP-network关联规则挖掘算法的配电网薄弱点分析研究

针对配电网运行时经常发生故障的情况,如何快速高效地寻找出配电网中的薄弱点成为了当下配电网安全运行的一大难题。文中采用频繁模式网络(FP-network)模型,建立事务-项目的关联矩阵,并且将所需要进行关联规则挖掘的数据储存在关联矩阵中,从而进行关联规则的数据挖掘。通过算例分析证实了FP-network关联规则挖掘算法可用于配电网薄弱点分析中,并通过配电网实际运行情况验证了该算法的可行性。该算法对配电网数据库中的故障数据仅仅需要进行一次扫描,从而提高了配电网故障数据关联规则挖掘的效率,更有利于配电网实时更新数据库,为分析检测配电网运行中的薄弱点提供了技术支持。     

电力通信网监控系统告警关联分析

告警关联分析是网络故障诊断中的重要任务，对通信网络的管理和维护具有十分重要的意义。文章介绍了告警关联方法的相关研究，分析了电力通信监控系统告警的特点，指出了适合对其进行关联规则挖掘的算法，并提出了基于关联规则算法的实现告警关联的方法。实验表明，该方法可以准确、快速地从告警数据中挖掘出大量有意义的关联规则。这些规则可协助进行故障定位、诊断和预测，提高了故障处理的效率。     

关联规则挖掘算法在汽轮机监测中的应用

介绍了数据挖掘技术中的关联规则挖掘算法的基本概念,以及运用该算法建立汽轮机运行模型的方法,以某汽轮机轴系振动的数据挖掘为算例,详细说明了通过关联规则挖掘算法,从大量汽轮机振动监测数据中确定轴系振动范围的过程。最后指出,支持度、置信度阈值的设置对挖掘结果有很大的影响。     

电力信息网络入侵检测研究

分析了电力信息网络安全结构及存在的入侵问题,提出将数据挖掘算法应用于电力信息网络的入侵检测。在入侵检测中使用关联规则分析算法,挖掘网络数据流中特征之间的关联关系。提出了一种针对网络入侵检测规则生成方法的AR_Tree算法,该算法解决了传统关联规则算法存在的多次扫描和无效规则问题。实验证明,此算法在规则生成和对网络入侵检测方面应用效果比传统算法优越,可以有效检测电力信息网络中的入侵行为。     

基于FP-growth的数据关联改进算法

随着现如今数据收集能力和存储能力的大大增强,大规模数据挖掘分析的重要性越来越显得重要.然而,对大规模数据的分析挖掘并不是一件容易的事情.因此,为了可以更高效的分析这些数据,很多新的算法和数据结构逐渐被引入到了数据挖掘分析中去.针对关联分析,提出了一种名为高效频繁模式挖掘(advanced frequent pattern mining,AFPM)算法.基于前置频繁模式树(pre-frequent pattern tree,PFP-tree)来提升关联分析的性能,并提供了相应的算法来实现基于这种数据结构的关联分析.通过大量的实验数据验证了这种新型的数据结构在关联分析问题上是优于频繁模式增长(FP-growth)算法.     

基于特征挖掘的电网故障诊断方法

专家系统在应用方面的主要瓶颈是:规则库的维护;推理的速度和准确度的协调。分析了故障信息序列中必有或特有的信息,提出了基于特征挖掘的关联规则挖掘方法。结合电网故障信息的特征,改进了频繁模式(frequent pattern,FP)–算法:考虑了故障信息的特征,如时序和因果关联关系、故障性质、严重故障、稀有故障等因素;增加了规则的或逻辑;改进了FP-树的修剪技术。算例表明该算法能够大量减少无效挖掘,推理速度和准确度显著提高,适用于在线诊断。     

Parallel mining and application of fuzzy association rules

Quantitative attributes are partitioned into several fuzzy sets by using fuzzy c-means algorithm. Fuzzy c-means algorithm can embody the actual distribution of the data, and fuzzy sets can soften the partition boundary. Then, we improve the search technology of apriori algorithm and present the algorithm for mining fuzzy association rules. As the database size becomes larger and larger, a better way is to mine fuzzy association rules in parallel. In the parallel mining algorithm, quantitative attributes are partitioned into several fuzzy sets by using parallel fuzzy c-means algorithm. Boolean parallel algorithm is improved to discover frequent fuzzy attribute set, and the fuzzy association rules with at least a minimum confidence are generated on all processors. The experiment results implemented on the distributed linked PC/workstation show that the parallel mining algorithm has fine scaleup, sizeup and speedup. Last, we discuss the application of fuzzy association rules in the classification. The example shows that the accuracy of classification systems of the fuzzy association rules is better than that of the two popular classification methods: C4.5 and CBA. __________ Translated from Journal of Southeast University (Natural Science Edition), 2005, 35(2): 165–170 (in Chinese)     

基于关联规则的火电厂传感器故障检测

为了克服建模误差对诊断结果的影响，充分利用火电厂的运行数据，提出一种基于关联规则的传感器故障检测的新方法。针对火电厂多传感器系统的特点和火电厂不同的运行工况，充分利用火电厂运行过程中存在的大量的冗余信息，对数据挖掘中的关联规则算法进行了改进。通过对生成的关联规则的评估和仿真，表明此关联规则能够很好地用于传感器故障检测，而且提高了计算速度。     

关联规则挖掘在电厂设备故障监测中应用

关联规则挖掘是数据挖掘的重要分支,其通过描述数据库中不同数据属性之间所存在的潜在关系规则,找出满足给定支持度阀值和置信度阀值多个域之间的依赖关系。随着电厂设备运行期间各种故障的发生,各状态监测点参数也会发生相应变化,利用关联规则挖掘算法,找出故障发生时故障现象与故障类别之间的关联关系,更好地对设备进行故障监测与诊断。阐述了关联规则挖掘的主要概念,对挖掘时最常用的Apriori算法进行探讨,并以汽轮机凝汽器的一种典型故障为例说明了算法的执行情况,对挖掘结果进行了解释。结果验证了所用方法的可行性与正确性。     

330 MW 机组湿法烟气脱硫控制系统目标值优化

基于火电机组脱硫系统在实际运行过程中积累的历史数据,采用数据挖掘的方法对系统的重要运行参数进行优化,挖掘出在满足脱硫效率要求时经济效益最大的最佳运行参数值。提出了一种模糊关联规则挖掘算法,对某330 MW机组石灰石-石膏湿法烟气脱硫系统运行优化目标值进行确定。针对历史运行数据利用竞争凝聚算法决定分类数、软化划分边界并构造优化的模糊数据集,以满足脱硫效率为前提,以经济效益作为优化目标,利用模糊Apriori关联规则挖掘算法得到的频繁项集进行关联规则挖掘,最终得到运行参数最优目标值,实验结果和理论分析表明挖掘结果能为电厂脱硫系统的经济运行作出贡献,可以作为指导机组优化运行的重要依据。