灰色關聯(lián)分析下數(shù)字化電力網(wǎng)絡過負荷數(shù)據(jù)挖掘

摘要：由于現(xiàn)有的挖掘方法挖掘誤碼率大于0.2 BER，挖掘精準程度低。文章為此研究了灰色關聯(lián)分析下數(shù)字化電力網(wǎng)絡過負荷數(shù)據(jù)挖掘，運用灰色關聯(lián)分析法進行數(shù)據(jù)處理，挖掘出各因素之間的關聯(lián)程度；對數(shù)據(jù)進行聚類分析，獲得不同樣本類型；運用訓練集建立決策樹模型，對產(chǎn)生數(shù)據(jù)進行差異度計算；運用數(shù)字化電力網(wǎng)絡過負荷數(shù)據(jù)的挖掘判別函數(shù)進行數(shù)據(jù)挖掘。試驗結果表明，在不同時間點中的數(shù)據(jù)序列幅值相同；10個小組過負荷數(shù)據(jù)的挖掘誤碼率為0～0.2 BER，能夠對過負荷數(shù)據(jù)較為精準地挖掘，達到良好的挖掘效果。

關鍵詞：灰色關聯(lián)分析；數(shù)字化；電力網(wǎng)絡；過負荷

中圖分類號：TP23 文獻標志碼：A

0 引言

為了解決電力網(wǎng)絡過負荷問題，數(shù)據(jù)挖掘成為一個重要的研究方向。通過數(shù)字化技術從大量的數(shù)據(jù)中提取有用的信息，發(fā)現(xiàn)數(shù)據(jù)中的模式和趨勢，獲得過負荷現(xiàn)象的內(nèi)在規(guī)律，從而預防并解決電力網(wǎng)絡過負荷問題。然而，傳統(tǒng)數(shù)據(jù)挖掘方法，如易庚等［1］提出的方法，難以捕捉電力負荷的非線性變化，對于復雜的電力網(wǎng)絡，預測精度不足，導致過負荷問題的預警和應對不及時。同時，電力負荷受到多種因素的影響，不確定性較高。因此，現(xiàn)階段以灰色關聯(lián)分析下數(shù)字化電力網(wǎng)絡過負荷數(shù)據(jù)挖掘作為研究對象，通過關聯(lián)分析數(shù)據(jù)之間的關聯(lián)程度和趨勢，挖掘影響電力網(wǎng)絡過負荷的關鍵因素，本文結合實際情況展開了相關試驗和分析。

1 電力網(wǎng)絡過負荷數(shù)據(jù)挖掘

1.1 灰色關聯(lián)分析法過負荷數(shù)據(jù)關聯(lián)性分析

在數(shù)字化電力網(wǎng)絡下，運用灰色關聯(lián)分析法進行數(shù)據(jù)處理，挖掘出各因素之間的關聯(lián)程度，為電力網(wǎng)絡的調度提供科學依據(jù)［2］。本文選擇過負荷數(shù)據(jù)作為參考數(shù)據(jù)列，設定電力網(wǎng)絡過負荷數(shù)據(jù)為h0，相關因素數(shù)據(jù)為hi（i=1，2，...，n）。通過計算數(shù)據(jù)之間的關聯(lián)度，獲得過負荷數(shù)據(jù)之間的關系，從而找出與過負荷問題最為相關的因素，其計算關聯(lián)度系數(shù)的公式為：

公式中，h0（z）為參考數(shù)據(jù)列；hi（z）為第i個因素在第z個時刻的數(shù)值；xi（z）為比較數(shù)據(jù)列。當關聯(lián)系數(shù)δ越接近1，說明該因素與過負荷數(shù)據(jù)的關聯(lián)性越強。比較關聯(lián)系數(shù)的大小，判斷出不同因素對電力網(wǎng)絡過負荷的影響程度。對電力系統(tǒng)各個部分的電力網(wǎng)絡過負荷相關數(shù)據(jù)進行收集，計算各因素與過負荷之間的灰色關聯(lián)度，確定關聯(lián)程度，從而定位影響過負荷的關鍵因素。

1.2 電力網(wǎng)絡過負荷數(shù)據(jù)分類

在進行過負荷數(shù)據(jù)挖掘前，需進行數(shù)據(jù)的預處理。通過對空間分布數(shù)據(jù)的分類，分析不同地區(qū)電力網(wǎng)絡的負載狀況，找出負載過高的區(qū)域和節(jié)點，分別得到過負荷數(shù)據(jù)樣本關系后，計算出過負荷數(shù)據(jù)經(jīng)篩選后的聚類分析數(shù)值進行建模［3］。然后進行數(shù)據(jù)聚類分析，求得數(shù)據(jù)之間的距離。假設某一個數(shù)據(jù)集合里面具有n個數(shù)據(jù)對象，聚類數(shù)目為K個。根據(jù)隨機分配方式，從n個數(shù)據(jù)對象中抽取出K個聚類數(shù)目作為初始的聚類中點，比較其他剩余數(shù)據(jù)對象與初始聚類中點的距離，距離最近的數(shù)據(jù)對象將被劃分到聚類中點所在類別中。根據(jù)數(shù)據(jù)構建矩陣，對數(shù)據(jù)進行標準化處理，其公式為：

公式中，mg為樣本平均值；S為樣本度量值；n為樣本數(shù)量。經(jīng)過標準化處理后，可以根據(jù)其處理結果，計算得到數(shù)據(jù)樣本之間的EUnjN47QjMe/XD3BfXVnKA==距離，其計算公式為：

公式中，d（i，j）為樣本之間的間距。根據(jù)計算的結果，分析d（i，j）的數(shù)值，如果d（i，j）>0，表示2個樣本之間的聚類結果非負。運用聚類分析用戶類型數(shù)據(jù)的分類，獲得不同用戶的用電規(guī)律和負荷特性，并制定更精細的電力調度。

1.3 構建決策樹過負荷數(shù)據(jù)挖掘

在對過負荷數(shù)據(jù)特征進行提取后，由于在高維相空間中產(chǎn)生的干擾噪聲較多，因此需要對其進行聚類分析，并將分類后的數(shù)據(jù)進行訓練［4］，根據(jù)訓練集建立決策樹模型，然后將過負荷測試數(shù)據(jù)集進行決策樹數(shù)據(jù)測試，得到過負荷數(shù)據(jù)固有模態(tài)時頻特征的主特征，據(jù)此繪制成決策樹分叉圖。將屬性取值{0，1}映射到?jīng)Q策樹中，對產(chǎn)生數(shù)據(jù)進行差異度計算，其計算公式為：

e=d（i，j）×k（4）

公式中，k為聚類分析數(shù)量；e為差異度結果。通過計算差異度得到數(shù)據(jù)集樣本中最為接近的距離。然后進行數(shù)據(jù)挖掘［5］。當從單個節(jié)點開始構建決策樹模型時，選擇樣本節(jié)點需確保選中的節(jié)點屬于同一類型，而未被選中的節(jié)點屬于不同類型。如果某個樣本節(jié)點的屬性出現(xiàn)在其他節(jié)點上，則無須考慮該節(jié)點后代的其他屬性。設定給定的節(jié)點類型為A，其余類型為B。在分類過程中，需要計算過負荷數(shù)據(jù)出現(xiàn)的概率權重，其計算公式為：

wij=βw（ab）（5）

公式中，β為數(shù)據(jù)干擾頻率；w（ab）為數(shù)據(jù)分類后的特征。經(jīng)過概率排序，選擇出最優(yōu)概率結果并以此為過負荷數(shù)據(jù)的固有模態(tài)時頻特征，根據(jù)類別設定進行數(shù)據(jù)挖掘［6］，建立數(shù)字化電力網(wǎng)絡過負荷數(shù)據(jù)的挖掘判別函數(shù)，表示為：

公式中，α為決策樹類別調節(jié)系數(shù)；Ts為決策時間；w為具有過負荷數(shù)據(jù)固有模態(tài)特征的二叉樹分裂數(shù)據(jù)之間的距離。運用判別函數(shù)判別A和B，將特征結果進行輸出，實現(xiàn)了數(shù)據(jù)挖掘。

2 試驗測試與分析

2.1 搭建試驗環(huán)境

為了驗證本文提出的算法在數(shù)字化電力網(wǎng)絡數(shù)據(jù)庫過負荷數(shù)據(jù)挖掘中的性能，對其進行仿真實驗。參數(shù)配置如表1所示。

構建一個數(shù)字化電力網(wǎng)絡數(shù)據(jù)模型，其中過負荷數(shù)據(jù)的信號模型表現(xiàn)為一組頻帶在10 kHz、時寬為5 ms的線性調頻信號。數(shù)據(jù)庫體系結構采用動態(tài)散列的混合型級聯(lián)方式進行數(shù)據(jù)控制。設定數(shù)據(jù)信息流矢量長度為1024。對數(shù)字化電力網(wǎng)絡數(shù)據(jù)信息流序列的連續(xù)數(shù)據(jù)集屬性進行離散化處理，以此為基礎構建網(wǎng)絡高維數(shù)據(jù)結構空間。在相空間重構中，時間窗函為12 s，嵌入維數(shù)為5，時間窗帶寬為2.3 ms。

2.2 結果與分析

根據(jù)數(shù)字化電力網(wǎng)絡過負荷數(shù)據(jù)的信號模型偏移程度分析，得到經(jīng)驗模態(tài)分解（EMD）結果；根據(jù)分解結果對數(shù)據(jù)信號流進行時頻特征提取，獲得過負荷數(shù)據(jù)。通過運用挖掘方法進行過負荷數(shù)據(jù)挖掘，得到的具體結果如圖1所示。

由圖1可知，殘余分量數(shù)據(jù)與主分量數(shù)據(jù)的曲線較為一致，在不同時間點中的數(shù)據(jù)序列幅值也較為相同，能做到對過負荷數(shù)據(jù)較為精準的挖掘。從仿真結果來看，運用本文方法可以有效地挖掘數(shù)字化電力網(wǎng)絡過負荷數(shù)據(jù)，挖掘效果良好。

同時，為了能更定量地評估本文挖掘方法的挖掘性能，設置了10組測試。對電力網(wǎng)絡過負荷數(shù)據(jù)進行固有模態(tài)時頻特征提取，并對挖掘的數(shù)據(jù)進行分類處理。在對挖掘的數(shù)據(jù)進行分類后，計算得到過負荷數(shù)據(jù)挖掘誤碼結果，當誤碼率預期結果小于0.5 BER時，能夠展現(xiàn)出較為精準的挖掘效果。對10個小組進行挖掘誤碼計算的具體結果如表2所示。

對表2中數(shù)據(jù)分析可知，10個小組進行數(shù)據(jù)挖掘后，過負荷數(shù)據(jù)的挖掘誤碼率為0～0.2 BER，結果符合預期。說明運用本文數(shù)據(jù)挖掘方法能夠達到較高的挖掘精度，在應用過程中的誤碼率較低。

綜上所述，運用本文方法進行數(shù)據(jù)挖掘，能夠精準地實現(xiàn)電力網(wǎng)絡系統(tǒng)的過載保護，消除過負荷數(shù)據(jù)序列的廣域子空間中的干擾噪聲，展示了本文算法的優(yōu)越性能。

3 結語

本次研究從過負荷數(shù)據(jù)挖掘入手，探究了灰色關聯(lián)分析下數(shù)字化電力網(wǎng)絡過負荷數(shù)據(jù)挖掘。利用灰色關聯(lián)分析方法，系統(tǒng)地梳理了電力網(wǎng)絡中各個因素之間的內(nèi)在聯(lián)系，揭示了過負荷現(xiàn)象的主要影響因素。但是本文方法中還存在著不足，比如構建的模型如何做到個性化等。今后應更加完善計算，積極探索數(shù)字化技術在電力行業(yè)的應用和發(fā)展。

參考文獻

［1］易庚，何琳，劉錦明，等.基于遷移學習算法的電力數(shù)據(jù)挖掘模型［J］.沈陽工業(yè)大學學報，2023（5）：510-515.

［2］靳松華，張華錚，馮恒.基于數(shù)據(jù)挖掘的配電網(wǎng)能量分散協(xié)調調度方法［J］.工業(yè)建筑，2023（2）：233-234.

［3］李躍輝，方愉冬，徐峰，等.基于關聯(lián)數(shù)據(jù)挖掘的繼電保護定值風險評估方法研究［J］.科學技術與工程，2023（24）：10355-10361.

［4］謝瀚陽，彭澤武，唐重陽，等.基于數(shù)據(jù)挖掘技術的電網(wǎng)時序數(shù)據(jù)質量維護研究［J］.電測與儀表，2022（2）：38-44.

［5］黃蔓云，衛(wèi)志農(nóng)，孫國強，等.數(shù)據(jù)挖掘在配電網(wǎng)態(tài)勢感知中的應用：模型、算法和挑戰(zhàn)［J］.中國電機工程學報，2022（18）：6588-6599.

［6］張悅，任春雷.基于數(shù)據(jù)挖掘及聚類分析的主動配電網(wǎng)簡化等值［J］.中國測試，2022（3）：163-168.

Data mining of digital power network overload data under gray correlation analysis

Abstract： Because the existing bit error rate of mining methods is greater than 0.2 BER and the mining accuracy is low， we study the overload data mining of digital power network under gray correlation analysis. The gray correlation analysis method is used to process the data and dig out the degree of correlation between various factors. The data were subjected to the clustering analysis to obtain the different sample types. The training set is used to build a decision tree model and calculate the difference degree of the generated data. Using the mining discrimination function of digital power network overload data for data mining. The experimental results show that the data sequence in different time points; the mining error rate of overload data in 10 groups is 0～0.2 BER， which can mine overload data accurately and achieve good mining effect.

Key words： grey correlation analysis; digitization; power network; overload