吳 迪 劉國(guó)輝 劉 泉 王 麗

（國(guó)網(wǎng)黑龍江省電力有限公司信息通信公司，黑龍江 哈爾濱 150001）

目前，在我國(guó)政府“雙碳”目標(biāo)的戰(zhàn)略部署下[1]，中國(guó)電力系統(tǒng)的“雙高”（即對(duì)風(fēng)電和光伏發(fā)電依賴程度高）、“雙峰”（即峰值分別出現(xiàn)在早/晚2 個(gè)高峰期）特征也越來越明顯。關(guān)聯(lián)規(guī)則挖掘在數(shù)理信息學(xué)、圖片分類和電力大數(shù)據(jù)應(yīng)用等領(lǐng)域都具有重要意義。關(guān)聯(lián)規(guī)則挖掘是挖掘事務(wù)數(shù)據(jù)集中相關(guān)的關(guān)聯(lián)關(guān)系，包括數(shù)據(jù)集間肯定的關(guān)系即正關(guān)聯(lián)規(guī)則和否定的關(guān)系即負(fù)關(guān)聯(lián)規(guī)則。

相關(guān)學(xué)者在最小支持度的基礎(chǔ)上提出了正負(fù)關(guān)聯(lián)規(guī)則挖掘，并在相關(guān)性和對(duì)偶置信度的基礎(chǔ)上提出了負(fù)關(guān)聯(lián)規(guī)則挖掘方法。一些學(xué)者將算法在并行模型MapReduce 框架下實(shí)現(xiàn)，并成功地應(yīng)用在負(fù)關(guān)聯(lián)規(guī)則挖掘中，但仍需要多次掃描數(shù)據(jù)庫[2]。該文提出了一種新的基于MapReduce 框架的負(fù)關(guān)聯(lián)規(guī)則挖掘算法，并在電力大數(shù)據(jù)集及公共試驗(yàn)數(shù)據(jù)集上進(jìn)行了相關(guān)試驗(yàn)，得出了令人滿意的結(jié)果。

1 相關(guān)理論

1.1 正負(fù)關(guān)聯(lián)規(guī)則描述

定義1（支持度）：存在項(xiàng)集X，該項(xiàng)集在事務(wù)數(shù)據(jù)庫中出現(xiàn)的概率定義為支持度，記為Sup（X）。

負(fù)關(guān)聯(lián)規(guī)則表示的是關(guān)聯(lián)規(guī)則的否定集合[3]。如果存在正關(guān)聯(lián)規(guī)則X→Y，其負(fù)關(guān)聯(lián)規(guī)則包括以下X→?Y、?X→Y和?X→?Y共3 種。

Sup（?X）為項(xiàng)集X 的否定規(guī)則支持度，計(jì)算如公式（1）所示。

式中：Sup（?X）表示在事務(wù)數(shù)據(jù)庫中項(xiàng)集X未出現(xiàn)的概率，使用已知項(xiàng)集X出現(xiàn)的概率Sup（X） 計(jì)算得到。

1.2 正負(fù)關(guān)聯(lián)規(guī)則的評(píng)判標(biāo)準(zhǔn)

定義2（置信度）：項(xiàng)集X與項(xiàng)集Y的執(zhí)行度記為Conf（X→Y）。計(jì)算方式如公式（2）所示。

式中：Conf（X→Y）代表當(dāng)項(xiàng)集X出現(xiàn)時(shí)，項(xiàng)集Y同時(shí)出現(xiàn)的概率；Sup（X→Y）代表項(xiàng)集X和項(xiàng)集Y在事務(wù)數(shù)據(jù)庫中同時(shí)出現(xiàn)的概率。

將項(xiàng)集X與項(xiàng)集Y的否定置信度記為Conf（X→?Y），其計(jì)算如公式（3）所示。

式中：Conf（X→?Y）代表在事物數(shù)據(jù)庫中項(xiàng)集X出現(xiàn)時(shí)項(xiàng)集Y不出現(xiàn)的概率[4]，使用Sup（X→Y）和Sup（X）完成計(jì)算。

X與否定Y和否定X與Y規(guī)則的置信度的計(jì)算如公式（4）所示。

式中：Conf（?X→Y）代表在事務(wù)數(shù)據(jù)庫中項(xiàng)集X不出現(xiàn)時(shí)項(xiàng)集Y出現(xiàn)的概率[5]，利用項(xiàng)集X與項(xiàng)集Y的支持度、項(xiàng)集Y的支持度和項(xiàng)集X支持度完成計(jì)算。

1.3 新能源電力大數(shù)據(jù)挖掘分析

目前，電力行業(yè)在不斷推進(jìn)智能電網(wǎng)業(yè)務(wù)，并利用多數(shù)據(jù)挖掘等形式來提高發(fā)電廠發(fā)電效率及新能源發(fā)電設(shè)備的建設(shè)效率。電力企業(yè)也在通過挖掘電力大數(shù)據(jù)的來改進(jìn)和完善各項(xiàng)決策方案，提高核心競(jìng)爭(zhēng)力，實(shí)行企業(yè)精細(xì)化管理，支撐配用電業(yè)務(wù)。對(duì)新能源電力大數(shù)據(jù)的正負(fù)關(guān)聯(lián)規(guī)則挖掘可挖掘出電廠運(yùn)作過程中及其他外界因素與電力設(shè)備產(chǎn)電量之間的關(guān)聯(lián)規(guī)則，并通過關(guān)聯(lián)關(guān)系的相關(guān)程度為后期決策提供一定的信息。通過分布式計(jì)算框架，可對(duì)規(guī)模龐大的電力大數(shù)據(jù)進(jìn)行高效挖掘。

2 MR-CEPNR 算法

2.1 概述

MR-CEPNR（MapReduce-based Closed set Eclat Positive and Negative Rules）算法是一個(gè)采用MapReduce 計(jì)算框架實(shí)現(xiàn)的算法，主要由預(yù)處理和計(jì)算頻繁K（K≥2）-項(xiàng)集2 部分組成。預(yù)處理階段將不同類型的數(shù)據(jù)庫轉(zhuǎn)換為算法所需的垂直數(shù)據(jù)庫形式{itemID：TID}，預(yù)處理完成后將處理得到的滿足算法過程需要的數(shù)據(jù)儲(chǔ)存在HDFS 上。在計(jì)算頻繁K-項(xiàng)集的過程中主要進(jìn)行2 步操作。首先，計(jì)算頻繁2-項(xiàng)集，只計(jì)算正項(xiàng)集；利用求交集的方式進(jìn)行項(xiàng)集的事務(wù)序號(hào)的求交，將求交得到的項(xiàng)集的事務(wù)序號(hào)集合進(jìn)行保存，利用保存的事務(wù)序號(hào)集合完成支持度的計(jì)算，將滿足條件的項(xiàng)集進(jìn)行保存，得到頻繁2-項(xiàng)集。尋找K（K>2）-項(xiàng)集，包括計(jì)算正項(xiàng)集和負(fù)項(xiàng)集，項(xiàng)集需要同時(shí)滿足用戶設(shè)定的支持度、置信度和興趣度3個(gè)條件，才能被認(rèn)為是頻繁項(xiàng)集。

2.2 預(yù)處理

預(yù)處理過程包括3 個(gè)部分，即轉(zhuǎn)換數(shù)據(jù)庫格式、過濾非頻繁項(xiàng)集及使用位圖保存TID。

轉(zhuǎn)換數(shù)據(jù)庫格式時(shí)，算法選擇垂直數(shù)據(jù)庫形式以減少掃描數(shù)據(jù)庫次數(shù)[6]。垂直數(shù)據(jù)庫是指數(shù)據(jù)庫中的每條記錄由一個(gè)項(xiàng)目及該項(xiàng)目出現(xiàn)過的所有事務(wù)記錄的列表構(gòu)成，在垂直數(shù)據(jù)庫下進(jìn)行計(jì)算可以取得簡(jiǎn)化計(jì)算過程的效果。在垂直數(shù)據(jù)庫中，主要是從水平數(shù)據(jù)庫轉(zhuǎn)為垂直數(shù)據(jù)庫。在水平數(shù)據(jù)庫中，事務(wù)與項(xiàng)的對(duì)應(yīng)關(guān)系為{TID：items}，在該類型的數(shù)據(jù)庫中不出現(xiàn)TID，即數(shù)據(jù)項(xiàng)在水平數(shù)據(jù)庫中按行出現(xiàn)，每行包括多個(gè)數(shù)據(jù)項(xiàng)的數(shù)據(jù)庫不便于后續(xù)計(jì)算。轉(zhuǎn)換為垂直數(shù)據(jù)庫后，項(xiàng)與事務(wù)的對(duì)應(yīng)關(guān)系變?yōu)閧itemID：TID}，對(duì)每個(gè)項(xiàng)所在的事務(wù)進(jìn)行統(tǒng)計(jì)，項(xiàng)對(duì)應(yīng)該項(xiàng)本身所在的所有事務(wù)。垂直數(shù)據(jù)庫中同時(shí)存儲(chǔ)項(xiàng)和對(duì)應(yīng)的事務(wù)，轉(zhuǎn)換為該種形式更便于后續(xù)計(jì)算。

過濾非頻繁項(xiàng)集時(shí)，因?yàn)轭l繁1-項(xiàng)集僅取正項(xiàng)集，只需項(xiàng)集滿足支持度這一個(gè)約束條件即可。在計(jì)算正頻繁K（K>2）-項(xiàng)集時(shí)使用位圖對(duì)項(xiàng)集的TID 進(jìn)行求交操作，加快算法過程中求交集操作的速度。在計(jì)算負(fù)頻繁K（K>2）-項(xiàng)集時(shí)，采用的方式是將正項(xiàng)集對(duì)應(yīng)的位圖的每位取反，得到滿足條件的負(fù)項(xiàng)集。

2.3 計(jì)算頻繁2-項(xiàng)集

在頻繁2-項(xiàng)集的計(jì)算過程中，運(yùn)用算法Eclat 中求取交集的方式完成頻繁2-項(xiàng)集的計(jì)算[7]。面對(duì)數(shù)據(jù)量龐大的數(shù)據(jù)集時(shí)，使用Eclat 進(jìn)行頻計(jì)算會(huì)消耗更多時(shí)間，因此計(jì)算頻繁2-項(xiàng)集時(shí)，MR-CEPNR 算法使用對(duì)位圖保存的TID 進(jìn)行與計(jì)算，不使用交集運(yùn)算。利用頻繁1-項(xiàng)集計(jì)算頻繁2-項(xiàng)集時(shí)，使用位圖計(jì)算交集[8]。得到的所有項(xiàng)集支持度中，大于等于最小支持度的項(xiàng)集都保留，將支持度不滿足條件的刪除。

進(jìn)行頻繁2-項(xiàng)計(jì)算時(shí)，直接對(duì)所得的頻繁1-項(xiàng)集進(jìn)行操作。假設(shè)存在頻繁1-項(xiàng)集A、B、C和D，這4 個(gè)頻繁項(xiàng)集對(duì)應(yīng)的存儲(chǔ)在位圖中的TID 分別為{1，2，3，4，5，6}、{1，2，3，4，5}、{1，2，3，4，5}和{4，5，6}。對(duì)這4 個(gè)頻繁項(xiàng)集兩兩組合并利用位圖中的TID 進(jìn)行求交，得到的候選項(xiàng)集分別是{AB}、{AC}、{AD}、{BC}、{BD}和{CD}，這6 個(gè)候選項(xiàng)集對(duì)應(yīng)的TID 分別是{1，2，3，4，5}、{1，2，3，4，5}、{5，6}、{1，2，3，4，5}、{4，5}和{4，5}。如果將支持度設(shè)定為2，則以上項(xiàng)集均滿足條件。這些項(xiàng)集在事務(wù)數(shù)據(jù)庫中的出現(xiàn)次數(shù)均大于等于2，得到的頻繁項(xiàng)集即可表示為{AB：1，2，3，4，5}、{AC：1，2，3，4，5}、{AD：5，6}、{BC：1，2，3，4，5}、{BD：4，5}和{CD：4，5}。

2.4 分發(fā)表制作

定義3（分發(fā)表）：分發(fā)表是根據(jù)頻繁2-項(xiàng)集制作的帶有頭項(xiàng)和尾項(xiàng)的表。其中頭項(xiàng)是所有頻繁2-項(xiàng)集中都包括的第一個(gè)項(xiàng)，又稱為父項(xiàng)；尾項(xiàng)是頻繁2-項(xiàng)集中除頭結(jié)點(diǎn)外的所有項(xiàng)，又稱為子項(xiàng)。

根據(jù)頻繁2-項(xiàng)集的信息制作分發(fā)表是挖掘頻繁K（K>2）-項(xiàng)集的主要步驟。在關(guān)聯(lián)規(guī)則中，根據(jù)Apriori 的性質(zhì)可以得到如下推論：某項(xiàng)集作為首項(xiàng)集推導(dǎo)得到的所有頻繁項(xiàng)集中，必會(huì)在以其作為父項(xiàng)集的全部頻繁2-項(xiàng)集中出現(xiàn)。

根據(jù)該推論和定義3，利用表格的形式對(duì)所有相同負(fù)項(xiàng)集的分發(fā)表進(jìn)行記錄。分發(fā)表是一個(gè)映射結(jié)構(gòu)，從映射中可以清楚地知道原數(shù)據(jù)表中具有相同父項(xiàng)的2-項(xiàng)集的子項(xiàng)。以A為父項(xiàng)集的Reduce 計(jì)算過程，其中最小支持度為2，最小置信度為0.2。A的子項(xiàng)為B、C、D，分別在子項(xiàng)中求頻繁2-項(xiàng)集，得到{{B，C}：{1，2，3，4，5}}，{{B，D}：{4，5}}，{{C，D}：{4，5}}。將2-項(xiàng)集{{B，C}：{1，2，3，4，5}}和父項(xiàng)合并，項(xiàng)集{A，B，C}的支持度為5 和置信度為1 都滿足條件，計(jì)算得出興趣度大于1，因此輸出正頻繁3-項(xiàng)集{A，B，C}；將2-項(xiàng)集{{B，D}：{4，5}}和父項(xiàng)合并，項(xiàng)集{A，B，D}的支持度為2，置信度為0.4 都滿足條件，然而興趣度小于1，因此要計(jì)算負(fù)項(xiàng)集。先將項(xiàng){D}取反得到負(fù)項(xiàng)集{-D}，然后得到負(fù)2-項(xiàng)集{B，-D}，和父項(xiàng)合并得到負(fù)項(xiàng)集{A，B，-D}。負(fù)項(xiàng)集{A，B，-D}的支持度為3，置信度為0.6，都滿足條件，因此得到負(fù)頻繁3-項(xiàng)集{A，B，-D}。同樣可以得到負(fù)頻繁3-項(xiàng)集{A，C，-D}。上述過程是計(jì)算正負(fù)頻繁3-項(xiàng)集的過程。子項(xiàng)得到的頻繁2-項(xiàng)集{B，C}和{B，D}會(huì)繼續(xù)執(zhí)行分發(fā)過程，繼續(xù)得到正負(fù)頻繁K（K>3）-項(xiàng)集。

2.5 計(jì)算頻繁K（K>2）-項(xiàng)集

計(jì)算頻繁K（K>2）-項(xiàng)集時(shí)，需要計(jì)算正頻繁K（K>2）-項(xiàng)集和負(fù)頻繁K（K>2）-項(xiàng)集。無論當(dāng)前子項(xiàng)集是正項(xiàng)集還是負(fù)項(xiàng)集，都先計(jì)算正K（K>2）-項(xiàng)集。如果是正頻繁K（K>2）-項(xiàng)集，則保存；如果不是正頻繁K（K>2）-項(xiàng)集，則對(duì)該項(xiàng)集中最后一個(gè)項(xiàng)取反，然后計(jì)算負(fù)K（K>2）-項(xiàng)集，如果是負(fù)頻繁K（K>2）-項(xiàng)集，則保存。

讀取預(yù)處理得到的存放在分發(fā)表的父（father）節(jié)點(diǎn)信息和頻繁1-項(xiàng)集。計(jì)算頻繁3-項(xiàng)集時(shí)，直接遍歷頻繁1-項(xiàng)集得到key1、val1、key2、val2，從而計(jì)算得到頻繁2-項(xiàng)集。然后計(jì)算father節(jié)點(diǎn)的key和頻繁2-項(xiàng)集合并后的支持度和置信度。如果支持度大于等于最小支持度、置信度大于等于最小置信度，則計(jì)算興趣度corr。如果corr>1，則得到正頻繁3-項(xiàng)集；如果corr<1，則計(jì)算負(fù)項(xiàng)集，即將key2和val2取反。對(duì)key取反就是在項(xiàng)集前加一個(gè)符號(hào)“-”，以和正項(xiàng)集作區(qū)分。這里val是用位圖存放的，取反即將位圖中0 的位置變成1，1的位置變成0。取反后再次計(jì)算支持度和置信度，來確定是否可以加入負(fù)頻繁3-項(xiàng)集，如果可以則得到負(fù)頻繁3-項(xiàng)集。

計(jì)算頻繁i（i>3）-項(xiàng)集和計(jì)算頻繁3-項(xiàng)集不同的是，需要將計(jì)算頻繁（i-1）-項(xiàng)集中得到的頻繁（i-2）-項(xiàng)集遍歷，將頻繁（i-2）-項(xiàng)集中的相同項(xiàng)單獨(dú)拿出，作為又一父節(jié)點(diǎn)father1（同樣是分發(fā)表信息），剩余部分和father1、father計(jì)算支持度和接受度，判斷規(guī)則同計(jì)算頻繁3-項(xiàng)集時(shí)相同，即可得到包括正項(xiàng)集和負(fù)項(xiàng)集的全部頻繁項(xiàng)集。

3 試驗(yàn)結(jié)果與分析

3.1 數(shù)據(jù)集與試驗(yàn)環(huán)境

該文選用來自fimi[9]的chess 數(shù)據(jù)集、webdocs 數(shù)據(jù)集和黑龍江省某新能源發(fā)電機(jī)組監(jiān)測(cè)數(shù)據(jù)集（New_energy 數(shù)據(jù)集）。New_energy 數(shù)據(jù)集為某新能源發(fā)電設(shè)備群的電力檢測(cè)設(shè)備數(shù)據(jù)及設(shè)備群的天氣監(jiān)測(cè)數(shù)據(jù)，反映了發(fā)電設(shè)備群的真實(shí)發(fā)電情況及影響發(fā)電量的很多天氣因素。在Hadoop 具體環(huán)境中采用Hadoop-2.5.1 版本，并將Hadoop 的堆大小設(shè)置為25G。JDK 采用jdk1.7.0_71[10]。開發(fā)工具選擇Eclipse，版本為Mars.2 Release（4.5.2）。

3.2 試驗(yàn)結(jié)果

在試驗(yàn)過程中，頻繁2-項(xiàng)集只計(jì)算了正項(xiàng)集部分，頻繁K（K>2）-項(xiàng)集部分計(jì)算正項(xiàng)集和負(fù)項(xiàng)集，其中負(fù)項(xiàng)集的計(jì)算為X→┐Y形式，即當(dāng)項(xiàng)集{A，B}不滿足頻繁項(xiàng)集時(shí)，計(jì)算{A，-B}是否滿足頻繁項(xiàng)集條件；項(xiàng)集{A，-B，C}不滿足頻繁項(xiàng)集時(shí)，計(jì)算{A，-B，-C}是否滿足頻繁項(xiàng)集條件。同時(shí)，將頻繁關(guān)聯(lián)規(guī)則的最大長(zhǎng)度設(shè)置為5。

首先，對(duì)正負(fù)關(guān)聯(lián)規(guī)則數(shù)進(jìn)行比較。該文使用chess 數(shù)據(jù)集進(jìn)行試驗(yàn)。當(dāng)最小置信度設(shè)置為0.1 時(shí)，支持度分別設(shè)置為800、1000、1200。試驗(yàn)結(jié)果表明：算法中設(shè)定的接受度一定時(shí)，支持度的數(shù)值越小，算法就會(huì)得到更多的正關(guān)聯(lián)規(guī)則數(shù)和負(fù)關(guān)聯(lián)規(guī)則數(shù)。當(dāng)最小支持度設(shè)置為800 時(shí)，置信度分別設(shè)置為0.1、0.2、0.3、0.4。試驗(yàn)結(jié)果表明：當(dāng)支持度一定時(shí)，置信度越小，算法運(yùn)行會(huì)得到更多的正關(guān)聯(lián)規(guī)則數(shù)與負(fù)關(guān)聯(lián)規(guī)則數(shù)。

其次，對(duì)算法的時(shí)間效率進(jìn)行比較。該文使用webdocs 數(shù)據(jù)集進(jìn)行試驗(yàn)。對(duì)該文提出的MR-CEPNR 算法和將Eclat 算法應(yīng)用到挖掘負(fù)關(guān)聯(lián)規(guī)則的nEclat 算法進(jìn)行比較。1）將置信度設(shè)置為0.1 不變，支持度設(shè)置為1000、1200、1500。結(jié)果表明MR-CEPNR 算法的運(yùn)行效率遠(yuǎn)高于nEclat 算法。2）支持度設(shè)置為300 不變，置信度設(shè)置為0.1、0.5、0.9。同時(shí)，隨著置信度的減少，挖掘得到的關(guān)聯(lián)規(guī)則數(shù)量越多，并且MR-CEPNR算法的運(yùn)行效率遠(yuǎn)高于nEclat 算法。

整體試驗(yàn)結(jié)果表明，無論是支持度變化還是置信度變化，MR-CEPNR算法在大數(shù)據(jù)集webdocs下的效率都遠(yuǎn)高于nEclat算法。當(dāng)支持度越小時(shí)，挖掘出的頻繁項(xiàng)集越多，MR-CEPNR的時(shí)間效率越比nEclat 算法的時(shí)間效率高。因?yàn)镸R-CEPNR算法使用基于位圖的計(jì)算策略，即使數(shù)據(jù)量巨大，效率仍然較高，并使用頻繁2-項(xiàng)集來生成分發(fā)表[11]，提高了集群利用率，從而提高了時(shí)間效率。

3.3 應(yīng)用案例

為驗(yàn)證算法的實(shí)用性，在采集的新能源數(shù)據(jù)集New_energy中使用該文算法進(jìn)行正負(fù)關(guān)聯(lián)規(guī)則挖掘。數(shù)據(jù)來源于某風(fēng)電廠運(yùn)行調(diào)度日志和氣象臺(tái)的觀測(cè)數(shù)據(jù)。氣象數(shù)據(jù)包括陰晴狀況、溫度、濕度、風(fēng)力以及風(fēng)向等，各項(xiàng)數(shù)據(jù)采集的時(shí)間跨度為一年。試驗(yàn)的參數(shù)如下：最小支持度閾值為20，New_energy 事務(wù)總數(shù)為2260。最終挖掘所得的頻繁3-項(xiàng)集結(jié)果實(shí)例見表1。

表1 在New_energy 中挖掘的頻繁3-項(xiàng)集實(shí)例

從表1 中可以看出MR-CEPNR 算法在數(shù)據(jù)集New_energy中進(jìn)行正負(fù)頻繁3-項(xiàng)集挖掘的結(jié)果。負(fù)頻繁項(xiàng)集{-4 級(jí)，50000，多云}表示當(dāng)新能源發(fā)電機(jī)組在風(fēng)力為4 級(jí)以下并且天氣為多云情況下的發(fā)電量可達(dá)50000kW·h。該規(guī)則表明，風(fēng)力較小且天氣狀況相對(duì)較差與新能源發(fā)電機(jī)組的發(fā)電量呈負(fù)相關(guān)關(guān)系。該規(guī)則的發(fā)現(xiàn)=可以幫助新能源機(jī)組工作人員對(duì)風(fēng)電機(jī)組進(jìn)行有效調(diào)整，使新能源機(jī)組在天氣和風(fēng)力相對(duì)較差的情況下不會(huì)發(fā)生機(jī)組電力消耗量大于機(jī)組電力生產(chǎn)量的問題。

該文算法能夠?qū)﹄娏Υ髷?shù)據(jù)集進(jìn)行高效的正負(fù)關(guān)聯(lián)規(guī)則挖掘的原因如下：在候選項(xiàng)集的生成過程中，通過項(xiàng)集相關(guān)性判斷加入了負(fù)候選項(xiàng)集的生成及篩選，使算法可以同時(shí)挖掘電力大數(shù)據(jù)集中的正相關(guān)規(guī)則和負(fù)相關(guān)規(guī)則，并使該數(shù)據(jù)集中正相關(guān)和負(fù)相關(guān)的隱藏信息能夠得到更全面、真實(shí)的體現(xiàn)，最大程度地發(fā)揮關(guān)聯(lián)規(guī)則在電力大數(shù)據(jù)分析與應(yīng)用領(lǐng)域中的指導(dǎo)意義。

4 結(jié)論

該文提出了一種并行正負(fù)關(guān)聯(lián)規(guī)則挖掘算法-MRCEPNR，以滿足對(duì)電力大數(shù)據(jù)進(jìn)行高效挖掘的要求。挖掘某新能源發(fā)電機(jī)組監(jiān)測(cè)真實(shí)數(shù)據(jù)集時(shí)，可以有效挖掘出隱藏在數(shù)據(jù)量龐大的電力大數(shù)據(jù)集中的隱藏規(guī)則，得出各天氣指標(biāo)對(duì)機(jī)組發(fā)電量的正相關(guān)關(guān)系和負(fù)相關(guān)關(guān)系。