基于粗糙集约简技术的输电线路运行风险评估

知识约简是粗糙集理论中获取决策规则的重要方式。结合知识约简的概念和定义,介绍了Semi- Naive-Scaler属性离散化算法,给出了基于可辨识矩阵的属性约简算法,并采用了基于可辨识矩阵的二值化数据过滤和贪心算法相结合的规则约简算法。通过属性约简和规则约简,得出决策规则。最后在输电线路运行风险评估方面给出了应用算例。     

融合粗糙集和模糊聚类的连续数据知识发现

知识自动获取是困扰基于知识的系统普遍推广应用的瓶颈，粗糙集理论是一种从历史数据中发现规则知识的数学工具。该文针对粗糙集方法应用于电厂与电力系统数据挖掘中存在的连续属性离散化问题，提出了基于模糊聚类的离散化方法。采用模糊C平均(FCM)算法离散连续属性，获得各类的聚类中心以及属性值隶属于各聚类中心的隶属度矩阵，得到离散化的数据。将粗糙集方法应用于离散化后的数据挖掘隐含在历史数据中的知识。最后进一步讨论了置信度、支持度等指标对规则的评价方法。给出的汽轮机轴系振动故障诊断规则获取算例验证了整个知识发现方案的可行性。     

基于粗糙集约简技术的输电线路运行风险评估

知识约简是粗糙集理论中获取决策规则的重要方式.结合知识约简的概念和定义,介绍了Semi- Naive-Scaler属性离散化算法,给出了基于可辨识矩阵的属性约简算法,并采用了基于可辨识矩阵的二值化数据过滤和贪心算法相结合的规则约简算法.通过属性约简和规则约简,得出决策规则.最后在输电线路运行风险评估方面给出了应用算例.     

基于数据挖掘的电站运行参数目标值优化

为提高电站经济性和机组运行效率,降低机组发电煤耗,求取电站机组运行参数最优值是关键技术。以往通过理论计算得到最优运行参数值是在设定的理想环境下得到的,在实际的电站运行过程中难以实现。而数据挖掘算法是从电站自身的历史数据中得到的最优运行参数值,电站机组能够很容易在实际运行中实现该值。通过对比近年来电站常用数据挖掘算法,总结出基于数据挖掘的电站优化运行的主要步骤为关联规则、数据离散化、运行工况划分、粗糙集知识约减。得出以下结论:模糊关联规则挖掘算法是电站数据挖掘中的最主要方法,能够适用于大多数的电站优化目标值挖掘;模糊聚类离散化能够克服边界划分过硬的问题,将电站中的连接参数离散化;粗糙集属性约减能够有效降低数据挖掘的参数维度,提高挖掘效率。同时指出基于数据挖掘的电站优化运行算法将成为电站运行参数优化的主要研究方向。     

用于暂态稳定评估的人工神经网络输入特征离散化方法

针对基于人工神经网络的暂态稳定评估数据预处理中的数据离散化进行了深入的研究，提出了一种基于信息熵和粗糙集理论的输入特征离散化新方法：通过对样本空间的聚类分析筛选出各条件属性在离散化过程中的可用断点；利用信息熵的相关概念，构建各条件属性的候选断点集；采用粗糙集理论中决策表不相容度的概念，检测出各条件属性间的最优断点组合。算例表明：该方法在保证暂态稳定评估精度的前提下，能有效地压缩训练样本集，减轻神经网络的训练负担，为基于神经网络的大系统暂态稳定评估提供了新思路。     

仿人智能控制器设计方法

本文应用粗糙集理论,从原始数据中提取有用的知识或规则,从而建立一个仿人控制器的粗糙集模型。在建模过程中,首先用系统输人输出的采样数据构成原始信息表,然后离散化,再利用粗糙集算法得到系统粗糙集模型的不完备规则集,通过实验和线性插补法实现规则集完备化,最后完成仿人控制器的设计。     

基于PCA和粗糙集构建决策树的变电站故障诊断

提出一种基于主元分析（PCA）和粗糙集理论结合继而构建决策树的故障诊断方法。该方法利用PCA对原始故障决策表的条件属性集进行降维处理,得到由主元变量构成的故障决策表,采用等频分割方法对这一决策表的数据离散化,进而采用基于主元属性重要度的粗糙集属性约简算法得到离散后的决策表的最小约简,以约简数据集为样本基于核属性采用一种改进的决策树算法训练学习,构建故障决策树进行诊断决策。测试实例证明了该方法能简化故障诊断系统,提取容错性较强的诊断规则,提高了故障的识别率。     

基于PCA和粗糙集构建决策树的变电站故障诊断

提出一种基于主元分析(PCA)和粗糙集理论结合继而构建决策树的故障诊断方法.该方法利用PCA对原始故障决策表的条件属性集进行降维处理,得到由主元变量构成的故障决策表,采用等频分割方法对这一决策表的数据离散化,进而采用基于主元属性重要度的粗糙集属性约简算法得到离散后的决策表的最小约简,以约简数据集为样本基于核属性采用一种改进的决策树算法训练学习,构建故障决策树进行诊断决策.测试实例证明了该方法能简化故障诊断系统,提取容错性较强的诊断规则,提高了故障的识别率.     

基于粗糙集的默认规则挖掘算法在电力系统短期负荷预测中的应用

将基于粗糙集的默认规则挖掘算法(Mining Default Rules Based on Rough Set,MDRBR)用于电力系统短期负荷预测,首先采用基于Gini指标的粗糙集离散化算法对气温、湿度等影响负荷的条件属性进行离散化,同时兼顾了条件属性和决策属性。在此基础上,通过计算规则的信赖度和支持度形成不同层次上符合初定阈值的带粗糙集算子的网络规则集,能减少因噪音的影响而产生的多余规则,提高规则产生和实际分类的效率,使所产生的分类规则集大大缩小,提高在使用规则时检索规则的效率。在负荷预测时自上而下逐层搜索规则网直至找出与所给信息相匹配的规则。粗糙集算子反映了规则的重要程度,同时作为选择规则的标准。实际应用表明,该方法能有效去除噪音,提高默认规则的挖掘效率,从而提高负荷预测的精度,具有一定的实用性。     

融合粗糙集和神经网络的变压器故障诊断

为提高变压器故障诊断的准确性,进行了利用粗糙集和神经网络来诊断变压器故障的研究。首先将连续属性的决策表离散化,部分属性采用基于油中溶解气体分析知识的方法离散化,部分属性采用自然算法和等频划分算法离散化;然后用粗糙集属性约简方法对离散后的决策表进行属性约简以获取最小决策表,约简后的最小决策表反映了变压器油中溶解气体的5种比值与故障的关系,是对IEC三比值法的扩展;最后用最小决策表训练BP神经网络,并用测试数据对训练后的BP神经网络进行检验。结果表明该方法比IEC三比值法有更高的故障判断准确率,结合粗糙集和神经网络诊断变压器故障可约简变压器故障诊断决策表,简化神经网络的结构,提高故障诊断的准确率。     

采用改进人工鱼群优化粗糙集算法的变压器故障诊断

传统的人工智能方法对变压器大量的不完备故障信息不能有效地分析,或在故障数据的离散化过程中由于区间分割不当而无法正确诊断故障甚至误诊。为此,提出了一种基于改进人工鱼群优化粗糙集的变压器故障诊断方法。该方法首先将变压器溶解气体分析(DGA)的值作为条件属性,将故障类型作为决策属性,建立故障决策表,利用鱼群的聚群寻优行为对决策表中的连续属性数据进行离散化;然后采用粗糙集理论对离散化后的决策表进行约简,建立故障诊断规则决策表,大大简化了决策表属性约简的难度,使诊断变得更加简便。最后通过实例验证表明:该方法能够有效地对样本进行离散和约简,与传统方法相比,提高了故障诊断的正确率。     

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     

基于云理论的配电网空间负荷预测方法研究

提出了一种新颖的配电网空间负荷预测模型，该模型采用了基于云模型的知识表示，将定性概念所具有的模糊性、随机性有机地结合在一起，构成了定性和定量相互间的映射，克服了传统模糊理论的不彻底性。该文将云理论、面向对象的归纳方法以及粗糙集相结合，进行土地使用决策中空间属性信息定量定性转换、空间数据的离散化、决策规则的挖掘，克服了传统基于模糊集的空间负荷预测模型中模糊集参数及模糊系统规则选择的主观性，同时也利用云理论与粗糙集理论相互间的互补性,增强了知识发现的能力。运用基于云理论的不确定性推理计算小区对各用地类型适应性的评分，使推理结果更加合理而且贴近实际。给出了基于该模型的小区改造判据，改进了计及小区改造及经济性的用地分配的多目标规划模型，计算小区负荷。最后用实例说明了该方法的有效性。     

基于加权粗糙集的代价敏感故障诊断方法

在故障诊断领域，粗糙集已成为一种有效的不一致信息处理工具，然而当故障诊断存在明显的诊断代价差异时，经典粗糙集方法由于无法考虑先验知识而不能取得满意的效果。通过引入样本对象的主观加权，该文提出加权粗糙集的学习方法，设计了加权属性约简和加权规则提取算法，为粗糙集学习提供一种引入先验知识的途径。基于提出的加权粗糙集学习方法，开展了代价敏感故障诊断的研究，并进行了汽轮机振动的代价敏感故障诊断实验。实验表明，基于加权粗糙集方法的代价敏感故障诊断能优先选取高代价故障的关键征兆，并且使提取的规则集中高代价故障的规则具有更高的规则支持度和可信度，当诊断存在不一致的情况下，该方法倾向于将故障诊断为高代价故障，从而降低诊断代价。     

基于粗糙集的配电系统连续信号故障诊断方法

提出了一种基于断点重要性的配电网连续属性离散化方法,证明了该方法的有效性。综合考虑了线路的选择系数、灵敏系数和支持权值,应用属性离散指标作为离散化的评价标准,证明该指标可以作为离散化彻底的充分条件。与同类算法的比较可以发现算法在基本不损失分类信息的基础上有效降低了时间复杂度和空间复杂度。首次在配电系统故障诊断中将连续和离散信号统一的应用粗糙集进行约简, 使电压、电流等配电系统的重要模拟量可以参与到故障诊断系统中,提高了故障辨识的精度。同时,也使对于配电系统的临界稳态运行情况的判定提供了一个可能的解决办法。     

基于粗糙集的关联规则挖掘方法的研究与应用

基于粗糙集理论知识,对关联规则挖掘算法作出一定的改进。该算法的主要思想是把集合的近似质量作为迭代准则,初始约简集是所有的条件属性集合,在保证近似质量不变的前提下通过逐步缩减的方式来求取约简集,保证了所求的约简不会减弱对问题的分类决策能力。约简后得到新的决策表,在此基础上应用基于贪心思想的Apriori算法挖掘关联规则。算法的主要优势是在不影响对问题分类决策能力的前提下,以较小的属性和候选项集数目以及有限的扫描次数生成决策规则。通过应用实例和实验分析验证了算法的有效性。     

基于粗糙集的变压器故障诊断方法研究综述

介绍了粗糙集理论的基本概念、约简计算方法和约简过程,并对近年来基于单一粗糙集理论及其与其他智能方法组合的变压器故障诊断方法的主要研究成果进行了分析和评述,指出基于粗糙集理论的属性约简能够保证在变压器故障诊断结果一致的情况下选择最少的特征集,是变压器故障诊断的一个较好的途径。     

Using the rough set theory to detect fraud committed by electricity customers

High values of total percentage losses of electricity in Serbia’s distribution network and a very small percentage of success in detecting electricity fraud indicate a need for a sophisticated means of detecting fraud perpetrators. In order for this task to be performed efficiently, the authors of the paper emphasize the need for a suitable and comprehensive use of the billing system or the database of the amounts of invoiced spent electricity in accounting periods and other relevant data regarding registered customers. For that purpose, they suggest using the rough set theory and give a general approach to its use. The point of the paper is forming a criterion for the estimation of accurate (suitable) discretization of original data. The criterion is based on the amount of lost not invoiced electricity due to electricity fraud. Based on consumption characteristics of detected fraud of customers whose measurement points were regularly (monthly) read, a list of the suspicious customers will be formed which will serve as the basis for sending expert teams to specified locations with the task to confirm or dismiss the fraud suspicion.     

基于最小二乘支持向量机的短期负荷预测

提出了结合粗糙集(rough sets,RS)理论和遗传算法(genetic algorithm,GA)的最小二乘支持向量机(least squares support vector machines,LS-SVM)短期负荷预测模型和算法。由于影响负荷预测精度的因素众多, 该模型采用RS理论进行历史数据的预处理,对各条件属性进行约简分析。属性约简采用GA进行寻优,以确定与负荷密切相关的因素,作为LS-SVM的有效输入变量。在预测过程中,通过GA对LS-SVM的模型参数进行自适应寻优,从而提高负荷预测精度,避免LS-SVM对经验的依赖以及预测过程中对模型参数的盲目选择。采用上述方法对山东电网负荷进行了预测分析,结果证明了该方法的有效性。