電力系統(tǒng)暫態(tài)穩(wěn)定評估的關(guān)聯(lián)規(guī)則挖掘.pdf

1、數(shù)據(jù)挖掘技術(shù)是近年來人工智能領(lǐng)域研究的熱門課題，它可以從大量的、不完全的、有噪聲的數(shù)據(jù)中提取隱含其中的有用信息。與面向經(jīng)典理論的暫態(tài)穩(wěn)定評估方法相比，數(shù)據(jù)挖掘在對潛在問題的發(fā)現(xiàn)和規(guī)律的預(yù)見性以及計算效率等方面能體現(xiàn)出優(yōu)越性。首先“對數(shù)據(jù)整體特征的描述及對其發(fā)展趨勢的預(yù)測”正是數(shù)據(jù)挖據(jù)的特點所在。其次，數(shù)據(jù)挖掘只需要輸入一定的參數(shù)，不需要對模型的完整描述就可以挖掘出綜合的“知識”，而不是抽象的數(shù)據(jù)結(jié)果，可提高實時決策的效率。關(guān)聯(lián)規(guī)則挖掘是

2、數(shù)據(jù)挖掘的最重要技術(shù)之一，可找出滿足給定支持度閥值和置信度閥值下數(shù)據(jù)集中不同數(shù)據(jù)屬性之間所存在的潛在關(guān)系規(guī)則。本文嘗試將數(shù)據(jù)挖掘關(guān)聯(lián)規(guī)則技術(shù)應(yīng)用于電力系統(tǒng)暫態(tài)穩(wěn)定評估中。 本文根據(jù)IEEE16機系統(tǒng)進行暫態(tài)穩(wěn)定仿真，由于數(shù)據(jù)為量化多維數(shù)據(jù)，對其進行關(guān)聯(lián)規(guī)則挖掘的主要難點之一就是將連續(xù)數(shù)值屬性離散化。本文首先對經(jīng)典k—means算法和模糊聚類FCM算法比較分析，確定聚類個數(shù)并選擇采用效果較好的FCM算法進行聚類找出候選離散斷點，再

3、結(jié)合信息熵理論確定最終離散斷點，將連續(xù)數(shù)據(jù)離散化到各個離散區(qū)間中，然后把離散化區(qū)間映射為連續(xù)的數(shù)字標(biāo)識。其次，關(guān)聯(lián)規(guī)則挖掘通常都是針對單維數(shù)據(jù)庫，即經(jīng)典的購物籃分析，用于單維關(guān)聯(lián)規(guī)則的算法Apriori是一種找頻繁項集的基本算法，本文在對Apriori算法包括它的一些變形算法進行了深入研究的基礎(chǔ)上，對其進行改進使之適用于多維關(guān)聯(lián)規(guī)則挖掘，并編程實現(xiàn)多維關(guān)聯(lián)規(guī)則的挖掘，找出暫態(tài)穩(wěn)定特征屬性之間以及特征屬性與暫態(tài)穩(wěn)定屬性類別之間的關(guān)聯(lián)關(guān)系，