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。     

关联规则挖掘在学生成绩分析中的应用

针对课程设置与课程成绩之间的关系,将关联规则挖掘技术应用到高校学生成绩分析中,发现隐藏在课程之间的有意义的信息,从而对得出的有价值的知识进行分析,找出教学中各方面的成效得失以及影响学生成绩的内在因素,从而为学生选课和教师教学以及教学管理工作等提供决策支持。     

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。     

市场环境下发电机组竞争能力的关联规则挖掘方法

针对常规的模糊综合评判中各因素的模糊化区间以及各因素之间的关联性对选择权重的影响,提出了应用关联规则的数据挖掘算法修正权重的新方法。首先对电力市场中发电商的竞争数据库进行挖掘并寻找发电商竞争能力评估体系中各因素之间的关联关系;然后根据关联关系的强弱分析了各因素权重设置的合理性并重新修正了权重因子;最后建立了合理的模糊综合评判模型并将其应用于电力市场中发电商竞争能力的评判决策。数字仿真结果表明了该方法的有效性。     

基于关联规则挖掘的电力生产安全事故事件关键诱因筛选

随着智能电网、通信网络及电力生产安全事故事件分析水平的提高和发展,电力生产安全事故事件数据量快速增长、复杂性不断增大,逐步构成了电力生产安全事故事件大数据。为在先验事故事件大数据的基础上高效、可靠地对事故诱因进行分类和识别,基于关联规则挖掘进行电力生产安全事故事件关键诱因筛选。根据事故事件的特点,建立电力生产安全事故诱因分析体系,对不同类型的事故进行布尔离散化,并基于关联规则挖掘提出事故诱因的诱发度计算方法,运用Apriori算法进行深度关联规则挖掘,并根据强关联规则对关键诱因进行筛选和分析。以某区域近5年的事故实例分析验证了该方法的有效性。     

关联规则在输电网安全性评价中的应用

一种新的查找方法:数据挖掘方法,用来查找输电网存在的危险点。建立了一个智能化的数据挖掘工具,从输电网安全性评价数据库的大量历史数据中获取输电网中存在的危险点从而指导管理者进行决策。数据挖掘工具的核心是:采用Apriori算法找关联规则从而判断影响输电网安全性的危险点。通过危险点查找,确认发生事故的可能性及其严重程度,提出相应的整改和控制措施,达到预防、控制隐患和事故。     

依托关联规则挖掘的电力生产安全事故致因攫取

电力大数据的蓬勃发展给电力生产安全态势的可靠感知提供了新的机遇和平台.首先,建立多层级、全方位的电力生产安全事故致因体系;其次,依托关联规则挖掘,建立事故致因对事故诱发程度的计算模型,包括关联规则的相关定义、不同类型事故的布尔离散化、关联规则的置信度、支持度、相关度的计算等;再次,借助Apriori算法进行事故关键性致...     

基于关联算法的输变电设备缺陷预警研究

针对当前输变电设备运行可靠的重要性,加强对输变电设备的缺陷诊断与预警,是当前思考的重点。结合传统Apriori算法在数据预处理和面对海量数据方面存在的弊端,对传统的Apriori算法进行改进,即结合FP-growth算法和DHP算法的核心思想,构建TD-Tree,进而减少I/O操作;同时引入粗糙集理论对数据进行预处理,以提高基础数据的准确度。最后通过实验验证的方式对上述方法进行验证,得出本文构建的方法在准确率等方面,都要优于BP网络,具有一定的可行性。     

基于关联规则及知识网络的专业课程关联分析

以北京联合大学商务学院信息管理与信息系统专业课程为研究对象,通过提取课程大纲内容关键词,应用Apriori算法对课程内容进行关联分析,得出课程关联规则,并建立专业课程知识网络。通过课程关联分析及知识网络分析研究课程之间的相关关系和紧密程度,区分核心课程,划分课程结构,并在此基础上对专业课程设置及改革提出意见与建议。对于专业课程研究及探索具有较强的理论和实践意义。     

断路器故障诊断系统中关联规则的提取

关联规则应用于电力设备故障时,能很好的找出设备故障现象和故障类别之间的关联关系.本文利用FP增长算法求得频繁项集,以断路器故障为例,很好的说明了算法的执行情况,所得结果验证了方法的有效性.     

粗糙集理论在电力系统燃料管理中的应用

粗糙集理论作为一种新的软计算方法已经在许多领域得到了广泛的应用。文章主要介绍粗糙集的一些基本概念、基本特征 ,讨论了如何根据粗糙集理论分析处理海量信息中的有用特征 ,通过分析、推理产生决策规则 ,从而形成知识。最后以电力系统燃料管理为例 ,介绍如何利用粗糙集理论在不改变区分度的情况下 ,用最少的属性去描述每一种矿别 ,使知识为决策层提供服务。     

从不完备数据中获取诊断规则的粗糙集方法

在故障诊断中,从不完备数据中获取规则要比从完备数据中获取规则困难。利用给出的分辨矩阵基元的定义,提出了一种直接从不完备数据中获取最优广义诊断决策规则的粗糙集方法。该方法以极大相容块为单位构造了不完备故障决策表的分辨矩阵中的列元素,实现了不完备故障诊断决策表中面向对象的约简计算和最优广义故障诊断规则的获取。该方法不需要改变原始不完备故障诊断决策表的规模,且具有更高的约简计算效率。结合电力系统操作点的安全状态诊断实例给出了所提出的方法在工程实践中的应用步骤,并证明了该方法的有效性。     

基于粗糙集理论的配电网故障诊断规则提取方法

As the first step of service restoration of distribution system,rapid fault diagnosis is a significant task for reducing power outage time,decreasing outage loss,and subsequently improving service reliability and safety.This paper analyzes a fault diagnosis approach by using rough set theory in which how to reduce decision table of data set is a main calculation intensive task.Aiming at this reduction problem,a heuristic reduction algorithm based on attribution length and frequency is proposed.At the same time,the corresponding value reduction method is proposed in order to fulfill the reduction and diagnosis rules extraction.Meanwhile,a Euclid matching method is introduced to solve confliction problems among the extracted rules when some information is lacking.Principal of the whole algorithm is clear and diagnostic rules distilled from the reduction are concise.Moreover,it needs less calculation towards specific discernibility matrix,and thus avoids the corresponding NP hard problem.The whole process is realized by MATLAB programming.A simulation example shows that the method has a fast calculation speed,and the extracted rules can reflect the characteristic of fault with a concise form.The rule database,formed by different reduction of decision table,can diagnose single fault and multi-faults efficiently,and give satisfied results even when the existed information is incomplete.The proposed method has good error-tolerate capability and the potential for on-line fault diagnosis.     

一种基于粗糙集的决策规则综合方法

提出了一种基于粗糙集的决策规则综合的新方法——归类优选方法。该方法避开了求取最小规则集的NP-hard问题。同时,通过定义一个规则命中函数,以及根据条件属性的重要性,对决策规则进行归类优选,较好地解决了新数据事例的规则匹配问题和训练数据集中的噪声抑制问题。算例表明该方法是有效的。     

基于粗糙集理论的电网报警规则自动提取与应用

针对目前国内外在电网报警信息处理中忽视各个报警信息内在逻辑关系的问题,在研究历史报警记录基础上,抽取报警记录,利用粗糙集理论形成电网报警决策表,并对决策表进行属性约减和值约减,自动提取电网智能报警规则.利用提取的规则和电网拓扑结果对上传的报警信息进行逻辑推理,将综合报警信息及时准确地提供给调度运行人员,实现了报警信息处...     

粗糙集理论提取配电网故障诊断规则的方法

针对决策表约简这一NP(NondeterministicPolynomial)难问题采用粗糙集理论进行配电网故障诊断,提出了一种以属性长度和频率作为启发式信息的约简算法和相应的属性值约简方法,实现了决策表的快速简化及故障诊断规则提取,同时针对故障诊断中存在信息残缺的情况,给出了基于欧氏距离的规则匹配方法。整个算法思路清晰,抽取的诊断规则形式简洁,不需要对区分矩阵进行大量计算就能有效地获取决策表的最佳约简。仿真实例表明该方法计算速度快,获取的规则不仅形式简单且能反映出故障的特点;形成的故障诊断规则库能给出一个满意的诊断结果,方法具有良好的容错性能和在线故障诊断的潜力。     

基于模糊粗糙集数据挖掘的汽轮机组故障诊断研究

针对当前专家系统知识获取瓶颈的难题,提出了基于模糊粗糙集数据挖掘的汽轮机组故障诊断方法。模糊粗糙集理论把知识直接与真实或抽象世界有关的不同模式联系在一起,能有效分析处理不精确、不完整等各种不完备信息,并从中发现隐含的知识,揭示潜在的规律。将汽轮机组故障历史数据进行模糊化及离散化处理,构建故障诊断决策表,以决策表作为主要工具,即\"知识库\",采用模糊粗糙集数据挖掘方法直接从决策表中提取出潜在的诊断规则,为汽轮机组提供有效的故障诊断。提出了基于模糊粗糙集的分类规则学习和约简算法,实现了基于模糊粗糙集数据挖掘的汽轮机组故障诊断系统,其诊断正确率达到了88%。实验表明该方法可行,对汽轮机组故障诊断系统的设计具有借鉴意义和深入研究的价值     

基于粗糙集理论的配网度夏项目决策方法

供电企业实施配网度夏项目是满足客户用电需求、缓解夏季区域供电压力的重要手段,但由于当前度夏项目基数大、决策无规则可循,使得运营监管效率偏低、决策难度较大。针对上述问题,文中提出一种基于粗糙集理论的配网度夏项目决策方法。首先以度夏项目明细数据构成论域,采用箱型图法去除数据异常值并对条件属性集进行粗糙划分;其次与决策属性集构建信息系统,并对该信息系统进行知识约简得到核;然后根据核提取决策规则,并对所提取规则的精度及粗糙度进行计算分析;最后通过实例对决策规则进行了验证,证明所提方法的有效性。     

基于粗糙集理论的电子镇流器故障诊断方法

将粗糙集理论引入电子镇流器的故障诊断,提出了一种基于粗糙集理论的电子镇流器故障诊断方法.通过对论域进行降维,大大降低了计算复杂性.在此基础上通过属性约简和值约简,导出了有用的诊断决策规则.实例分析表明,将粗糙集理论应用于镇流器故障诊断,可得到清晰、简明的诊断规则,提高了故障诊断的能力,对进行在线质量控制具有实际应用价值.