電力系統(tǒng)暫態(tài)穩(wěn)定評(píng)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(lái)人工智能領(lǐng)域研究的熱門(mén)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(píng)估方法相比，數(shù)據(jù)挖掘在對(duì)潛在問(wèn)題的發(fā)現(xiàn)和規(guī)律的預(yù)見(jiàn)性以及計(jì)算效率等方面能體現(xiàn)出優(yōu)越性。首先“對(duì)數(shù)據(jù)整體特征的描述及對(duì)其發(fā)展趨勢(shì)的預(yù)測(cè)”正是數(shù)據(jù)挖據(jù)的特點(diǎn)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(duì)模型的完整描述就可以挖掘出綜合的“知識(shí)”，而不是抽象的數(shù)據(jù)結(jié)果，可提高實(shí)時(shí)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(píng)估中。 本文根據(jù)IEEE16機(jī)系統(tǒng)進(jìn)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(duì)其進(jìn)行關(guān)聯(lián)規(guī)則挖掘的主要難點(diǎn)之一就是將連續(xù)數(shù)值屬性離散化。本文首先對(duì)經(jīng)典k—means算法和模糊聚類FCM算法比較分析，確定聚類個(gè)數(shù)并選擇采用效果較好的FCM算法進(jìn)行聚類找出候選離散斷點(diǎn)，再

3、結(jié)合信息熵理論確定最終離散斷點(diǎn)，將連續(xù)數(shù)據(jù)離散化到各個(gè)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(shí)。其次，關(guān)聯(lián)規(guī)則挖掘通常都是針對(duì)單維數(shù)據(jù)庫(kù)，即經(jīng)典的購(gòu)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(xiàng)集的基本算法，本文在對(duì)Apriori算法包括它的一些變形算法進(jìn)行了深入研究的基礎(chǔ)上，對(duì)其進(jìn)行改進(jìn)使之適用于多維關(guān)聯(lián)規(guī)則挖掘，并編程實(shí)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，