劉 鑫

(湖南鐵道職業(yè)技術(shù)學(xué)院，湖南 株洲 412001)

?

電力大系統(tǒng)振蕩數(shù)據(jù)的可靠性挖掘算法

劉 鑫

(湖南鐵道職業(yè)技術(shù)學(xué)院，湖南 株洲 412001)

提出一種基于頻譜包絡(luò)特征提取和時(shí)頻分析的電力大系統(tǒng)振蕩數(shù)據(jù)的可靠性挖掘算法。構(gòu)建了電力大系統(tǒng)數(shù)據(jù)傳輸和存儲(chǔ)模型，對(duì)電力大系統(tǒng)中的數(shù)據(jù)進(jìn)行頻譜包絡(luò)特征提取，以此為數(shù)據(jù)基礎(chǔ)，對(duì)電力大系統(tǒng)數(shù)據(jù)信息庫振蕩數(shù)據(jù)的包絡(luò)矢量實(shí)行高斯離散采樣，采用決策樹分類方法對(duì)時(shí)頻分析后的振蕩數(shù)據(jù)進(jìn)行初步的數(shù)據(jù)篩選，采用時(shí)頻分析和決策樹分類方法實(shí)現(xiàn)對(duì)振蕩的可靠性分類挖掘。仿真結(jié)果表明，采用該算法進(jìn)行電力大系統(tǒng)中的振蕩數(shù)據(jù)頻譜包絡(luò)特征提取，能有效挖掘出電力大系統(tǒng)中的振蕩數(shù)據(jù)的分層結(jié)構(gòu)特征和細(xì)節(jié)，數(shù)據(jù)挖掘精度較高，抗干擾性能較強(qiáng)。

電力大系統(tǒng)；振蕩數(shù)據(jù)；數(shù)據(jù)挖掘

電力大系統(tǒng)作為國民經(jīng)濟(jì)的基礎(chǔ)設(shè)施，為經(jīng)濟(jì)社會(huì)發(fā)展和人民生產(chǎn)生活提供可靠的電力能源支持，電力大系統(tǒng)是實(shí)現(xiàn)電力發(fā)電、輸電、配電和電力信息管理的綜合系統(tǒng)，電力大系統(tǒng)是由大量的敏感電子元件組成。電力大系統(tǒng)設(shè)備包含變電設(shè)備、輸電設(shè)備、配電設(shè)備三個(gè)單元的電子器件設(shè)備。在電力大系統(tǒng)運(yùn)行中，電力大系統(tǒng)設(shè)備規(guī)模復(fù)雜，工作環(huán)境惡劣，存在來自于發(fā)電系統(tǒng)、輸電系統(tǒng)和配電系統(tǒng)的干擾和電磁干擾會(huì)產(chǎn)生大量的振蕩數(shù)據(jù)，影響了電力系統(tǒng)在信息傳輸和配電過程中的穩(wěn)定性和可靠性。電力大系統(tǒng)中的振蕩數(shù)據(jù)將對(duì)電力大系統(tǒng)的電機(jī)和穩(wěn)壓設(shè)備的電壓輸出造成影響，導(dǎo)致電力大系統(tǒng)的供電輸出功率不穩(wěn)定，配電系統(tǒng)紊亂，需要對(duì)電力大系統(tǒng)的振蕩數(shù)據(jù)進(jìn)行有效挖掘，提高系統(tǒng)的穩(wěn)定性和可靠性[1]。

電力大系統(tǒng)的振蕩數(shù)據(jù)具有非線性、自耦合性等特點(diǎn)，傳統(tǒng)方法中重要采用的是功率譜特征提取、時(shí)頻特征提取和小波包分解等方法實(shí)現(xiàn)對(duì)電力大系統(tǒng)的振蕩數(shù)據(jù)挖掘，隨著電力大系統(tǒng)的振蕩數(shù)據(jù)出現(xiàn)非線性逆變和自耦合[2]，傳統(tǒng)方法難以實(shí)現(xiàn)對(duì)振蕩數(shù)據(jù)的有效挖掘，對(duì)此，相關(guān)文獻(xiàn)進(jìn)行了算法的改進(jìn)設(shè)計(jì)，其中，文獻(xiàn)[3]提出一種基于非線性時(shí)間序列分析和自相關(guān)特征提取的電力大系統(tǒng)的振蕩數(shù)據(jù)特征檢測和數(shù)據(jù)挖掘算法，提取電力大系統(tǒng)數(shù)據(jù)信息流的自相關(guān)特征，通過神經(jīng)網(wǎng)絡(luò)分類器實(shí)現(xiàn)數(shù)據(jù)挖掘，挖掘的準(zhǔn)確度較高，但是算法的計(jì)算量大，計(jì)算開銷對(duì)系統(tǒng)的實(shí)時(shí)性造成了限制。文獻(xiàn)[4]提出一中基于PID控制和模糊神經(jīng)網(wǎng)絡(luò)分類的電力大系統(tǒng)的振蕩數(shù)據(jù)挖掘算法，通過對(duì)振蕩數(shù)據(jù)的自適應(yīng)控制調(diào)節(jié)，實(shí)現(xiàn)數(shù)據(jù)挖掘，但是該算法的時(shí)效性差、控制精度不好；文獻(xiàn)[5]采用決策樹特征分類方法進(jìn)行電力大系統(tǒng)振蕩數(shù)據(jù)的可靠性挖掘算法，在振蕩數(shù)據(jù)序列的廣域子空間中產(chǎn)生大量干擾噪聲，數(shù)據(jù)挖掘的精確度不高。針對(duì)上述問題，本文提出一種基于頻譜包絡(luò)特征提取和時(shí)頻分析的電力大系統(tǒng)振蕩數(shù)據(jù)的可靠性挖掘算法。首先構(gòu)建了電力大系統(tǒng)數(shù)據(jù)傳輸和存儲(chǔ)模型，實(shí)現(xiàn)數(shù)據(jù)的信號(hào)模型構(gòu)建，在此基礎(chǔ)上對(duì)電力大系統(tǒng)中的數(shù)據(jù)進(jìn)行頻譜包絡(luò)特征提取，以此為數(shù)據(jù)基礎(chǔ)，進(jìn)行振蕩數(shù)據(jù)挖掘，采用時(shí)頻分析和決策樹分類方法實(shí)現(xiàn)對(duì)振蕩的可靠性分類挖掘，最后通過仿真實(shí)驗(yàn)進(jìn)行了性能驗(yàn)證，展示了本文方法在提高數(shù)據(jù)挖掘精度，降低數(shù)據(jù)挖掘的誤差方面的優(yōu)越性能，得出有效性結(jié)論。

1 電力大系統(tǒng)結(jié)構(gòu)及數(shù)據(jù)信息流分析

1.1 電力大系統(tǒng)的數(shù)據(jù)信息存儲(chǔ)結(jié)構(gòu)分析

為了實(shí)現(xiàn)對(duì)電力大系統(tǒng)的振蕩數(shù)據(jù)挖掘，首先需要分析電力大系統(tǒng)的數(shù)據(jù)信息存儲(chǔ)結(jié)構(gòu)，并分析電力大系統(tǒng)振蕩數(shù)據(jù)的產(chǎn)生機(jī)理，首先構(gòu)建電力大系統(tǒng)結(jié)構(gòu)模型，電力大系統(tǒng)是一個(gè)由發(fā)電、輸電、配電和電力信息管理系統(tǒng)構(gòu)成的數(shù)據(jù)信息存儲(chǔ)和通信的綜合系統(tǒng)，電力大系統(tǒng)數(shù)據(jù)庫主要由數(shù)據(jù)通訊系統(tǒng)、人機(jī)接口單元和程序控制單元以及電力數(shù)據(jù)調(diào)度單元組成[6-8]。電力大系統(tǒng)數(shù)據(jù)存儲(chǔ)和信息通信結(jié)構(gòu)模型示意圖如圖1所示。

圖1 電力大系統(tǒng)數(shù)據(jù)存儲(chǔ)和信息通信結(jié)構(gòu)模型

(1)

其中，amn為單位區(qū)域內(nèi)的電力大系統(tǒng)信息相對(duì)偏差，gmn(t)為振蕩數(shù)據(jù)的振幅，電力大系統(tǒng)的信息節(jié)點(diǎn)和數(shù)據(jù)負(fù)載之間有如下映射關(guān)系：

(2)

(3)

式中 CSC，CSS——-電力大系統(tǒng)的節(jié)點(diǎn)信息分布的可靠度和安全承載強(qiáng)度。

電力大系統(tǒng)的振蕩數(shù)據(jù)分析和檢測機(jī)制主要是面向電力大系統(tǒng)的數(shù)據(jù)特征完整性保護(hù)、電力大系統(tǒng)的用戶節(jié)點(diǎn)信息保護(hù)和訪問控制保護(hù)(AccessControl，簡稱AC)展開，采用數(shù)據(jù)向量集分析電力大系統(tǒng)的振蕩數(shù)據(jù)模型，定義為：

CSS={Co，In，Nr，Ac，Aa}

(4)

采用決策樹分析方法，對(duì)電力大系統(tǒng)中的數(shù)據(jù)信息存儲(chǔ)結(jié)構(gòu)進(jìn)行相空間重構(gòu)，采用以下的相空間重構(gòu)矩陣表示，電力大系統(tǒng)的數(shù)據(jù)信息存儲(chǔ)結(jié)構(gòu)矩陣為：

(5)

其中，m為電力大系統(tǒng)振蕩數(shù)據(jù)的特征嵌入維數(shù)，為數(shù)據(jù)時(shí)間序列的長度，矩陣表示N條記錄的電力大系統(tǒng)振蕩數(shù)據(jù)信息的特征數(shù)據(jù)集，通過上述分析，實(shí)現(xiàn)了對(duì)電力大系統(tǒng)的數(shù)據(jù)信息存儲(chǔ)結(jié)構(gòu)分析和振蕩數(shù)據(jù)產(chǎn)生機(jī)理分析，為進(jìn)行振蕩數(shù)據(jù)挖掘提供準(zhǔn)確的數(shù)據(jù)基礎(chǔ)。

1.2 電力大系統(tǒng)振蕩數(shù)據(jù)的信息模型構(gòu)建

在上述進(jìn)行電力大系統(tǒng)的數(shù)據(jù)信息存儲(chǔ)結(jié)構(gòu)分析的基礎(chǔ)上，進(jìn)行數(shù)據(jù)信息流的信號(hào)模型構(gòu)建。設(shè)電力大系統(tǒng)振蕩數(shù)據(jù)的自特征序列P={p1，p2，…，pn}和分解序列Q={q1，q2，…，qm}，在電磁干擾下，振蕩數(shù)據(jù)的特征狀態(tài)子空間模態(tài)函數(shù)為：

(6)

式中P——數(shù)據(jù)時(shí)間序列的時(shí)間標(biāo)量序列主頻特征；x(t)——系統(tǒng)振蕩數(shù)據(jù)的標(biāo)量長度；τ——時(shí)間尺度。

數(shù)據(jù)的統(tǒng)計(jì)信息特征表示為：

U={U1，U2，…，UN}

(7)

式中Ui——維數(shù)為d維的狀態(tài)矢量。

假設(shè)一個(gè)電力大系統(tǒng)振蕩數(shù)據(jù)時(shí)間序列由一非線性差分方程表示，振蕩數(shù)據(jù)的多元特征線性方程為：

xn=x(t0+nΔt)=h[z(t0+nΔt)]+ωn

(8)

式中h(.)——電力大系振蕩數(shù)據(jù)的多元數(shù)量值函數(shù)；ωn——觀測或測量誤差。

采用相空間重構(gòu)方法對(duì)振蕩數(shù)據(jù)進(jìn)行預(yù)測，在m維相空間中，M是d維的緊流形，通過特征參量重構(gòu)，電力大系統(tǒng)振蕩數(shù)據(jù)在m維相空間中形成一種規(guī)則的、有形的維矢量場為：

X(n)={x(n)，x(n+τ)，…，x(n+(m-1)τ)}
n=1，2，…，N

(9)

其中，電力大系統(tǒng)振蕩數(shù)據(jù)時(shí)間序列的時(shí)間標(biāo)量序列為{x(t0+iΔt)}，i=0，1，N-1計(jì)算電力大系統(tǒng)振蕩數(shù)據(jù)時(shí)間序列的幾何不變量，得到其相空間重構(gòu)的矢量場軌跡為：

X=[s1，s2，…sK]n=(xn，xn-τ，…，xn-(m-1)τ)

(10)

其中，K=N-(m-1)τ表示振蕩數(shù)據(jù)信息模型在相空間中的嵌入維數(shù)，τ為時(shí)間延遲，sK為單個(gè)監(jiān)測節(jié)點(diǎn)的振蕩數(shù)據(jù)振幅，綜上描述，實(shí)現(xiàn)對(duì)電力系統(tǒng)振蕩數(shù)據(jù)的信號(hào)模型構(gòu)建，在此基礎(chǔ)上進(jìn)行特征提取和數(shù)據(jù)分類，進(jìn)行振蕩數(shù)據(jù)可靠性挖掘。

2 電力大系統(tǒng)振蕩數(shù)據(jù)挖掘算法改進(jìn)實(shí)現(xiàn)

在上述進(jìn)行了電力大系統(tǒng)振蕩數(shù)據(jù)的信息模型構(gòu)建的基礎(chǔ)上，進(jìn)行電力大系統(tǒng)振蕩數(shù)據(jù)挖掘算法設(shè)計(jì)，傳統(tǒng)方法采用的是決策樹特征分類方法進(jìn)行電力大系統(tǒng)振蕩數(shù)據(jù)的可靠性挖掘算，在振蕩數(shù)據(jù)序列的廣域子空間中產(chǎn)生大量干擾噪聲，數(shù)據(jù)挖掘的精確度不高。為了克服傳統(tǒng)方法的弊端，本文提出一種基于頻譜包絡(luò)特征提取和時(shí)頻分析的電力大系統(tǒng)振蕩數(shù)據(jù)的可靠性挖掘算法。算法改進(jìn)設(shè)計(jì)的關(guān)鍵技術(shù)描述如下：

電力大系統(tǒng)的分布模型中，節(jié)點(diǎn)的位置為y=[y1，y2,…,yN]T，ηn∈Ωη，n=1，2，…，N每一個(gè)節(jié)點(diǎn)需要進(jìn)行電力數(shù)據(jù)傳輸和同行的頻譜為：

(11)

(12)

其中ρ∈(0，1)，假設(shè)電力大系統(tǒng)振蕩數(shù)據(jù)信息流是一組LMF信號(hào)，振蕩數(shù)據(jù)的時(shí)頻特征函數(shù)為：

(13)

其中，t為電力大系統(tǒng)振蕩數(shù)據(jù)采樣時(shí)間點(diǎn)，x(t)為相位差異信息，τ為時(shí)延參數(shù)，P為振蕩數(shù)據(jù)的能量密度譜。對(duì)振蕩數(shù)據(jù)的數(shù)據(jù)信息流x(t)的進(jìn)行時(shí)頻變換，定義為：

(14)

其中，h*(τ-t)表示時(shí)頻變換的傳遞函數(shù)，它的實(shí)質(zhì)是加了窗的傅立葉變換。計(jì)算電力大系統(tǒng)數(shù)據(jù)庫信號(hào)模型的能量密度譜：

(15)

(16)

其中，x(t)是振蕩數(shù)據(jù)進(jìn)行信息傳輸?shù)淖疃搪窂缴系钠椒娇煞e函數(shù)，ψ(t)是包絡(luò)特征基函數(shù)，同參數(shù)a和τ有關(guān)。對(duì)振蕩數(shù)據(jù)的包絡(luò)特征計(jì)算瞬時(shí)頻率時(shí)間平均即=，計(jì)算結(jié)果為：

(17)

r1=x(t)-c1

(18)

wij=β×w(epkq) (β>1)

(19)

在振蕩數(shù)據(jù)挖掘過程中，來自多分量電力大系統(tǒng)振蕩數(shù)據(jù)挖掘信息特征中出現(xiàn)不同時(shí)頻強(qiáng)度的交叉作用，產(chǎn)生干擾，其中干擾項(xiàng)為：

n(t)=Fα·x(t)

(20)

X=[Xα(0)，Xα(1)，…，Xα(N-1)]T

(21)

其中，F(xiàn)α是N×N維的頻譜包絡(luò)特征矩陣，設(shè)計(jì)一個(gè)原始實(shí)值時(shí)間函數(shù)h(t)，對(duì)電力大系統(tǒng)數(shù)據(jù)信息庫振蕩數(shù)據(jù)的包絡(luò)矢量z(t)實(shí)行高斯離散采樣，經(jīng)過篩分過程，數(shù)據(jù)結(jié)果滿足：

(22)

通過上述分析，采用決策樹分類方法對(duì)時(shí)頻分析后的振蕩數(shù)據(jù)x(t)進(jìn)行初步的數(shù)據(jù)篩選，得到數(shù)據(jù)篩選后的第個(gè)電力大系統(tǒng)數(shù)據(jù)信息庫振蕩數(shù)據(jù)的挖掘的判別函數(shù)為：

(23)

其中，α為決策樹類別調(diào)節(jié)系數(shù)，W為電力大系統(tǒng)的頻譜包絡(luò)特征，取值范圍為0≤α≤1。通過上述算法設(shè)計(jì)，由此實(shí)現(xiàn)數(shù)據(jù)挖掘算法改進(jìn)。

3 仿真實(shí)驗(yàn)與結(jié)果分析

為了測試本文算法在實(shí)現(xiàn)對(duì)電力大系統(tǒng)振蕩數(shù)據(jù)可靠性挖掘中的性能，進(jìn)行仿真實(shí)驗(yàn)。真實(shí)驗(yàn)的軟件環(huán)境建立在Matlab仿真軟件基礎(chǔ)上，硬件環(huán)境為：Inter Pentium 4 3000MHz內(nèi)存，操作系統(tǒng)為Windows 7。構(gòu)建電力大系統(tǒng)模型，電力大系統(tǒng)振蕩數(shù)據(jù)的信號(hào)模型表型為一組頻帶為3～17 KHz、時(shí)寬為10 ms的窄帶調(diào)頻信號(hào)，電力大系統(tǒng)振蕩數(shù)據(jù)序列采集中，采集的頻率測試為f0=1 000 Hz，數(shù)據(jù)的隨機(jī)采樣率為fs=10×f0Hz=10 KHz，電力大系統(tǒng)振蕩數(shù)據(jù)的初始校驗(yàn)頻率B=1 000 Hz，采樣點(diǎn)N=201，適應(yīng)度值為v=1 000，調(diào)控因子λ=0.25，電磁環(huán)境交叉項(xiàng)干擾強(qiáng)度n=5 dB，在上述參數(shù)設(shè)計(jì)和仿真環(huán)境描述的基礎(chǔ)上，采用本文算法進(jìn)行算法編程設(shè)計(jì)與實(shí)現(xiàn)。進(jìn)行電力大系統(tǒng)振蕩數(shù)據(jù)挖掘仿真和性能分析，在電力大系統(tǒng)數(shù)據(jù)信息流中選擇一個(gè)小樣本，對(duì)樣本進(jìn)行分析采集，得到原始采樣的電力大系統(tǒng)中的數(shù)據(jù)信息分布仿真結(jié)果如圖2所示。

圖2 原始采樣的電力大系統(tǒng)中的數(shù)據(jù)信息分布

以上述的數(shù)據(jù)采樣為樣本測試集，假設(shè)電力大系統(tǒng)數(shù)據(jù)信息庫信息流矢量長度為N，N=2 048，對(duì)電力大系統(tǒng)信息流序列進(jìn)行相空間重構(gòu)和隨機(jī)相位離散化處理，采用本文方法進(jìn)行頻譜包絡(luò)特征提取和時(shí)頻分析，得到電力大系統(tǒng)中的振蕩數(shù)據(jù)頻譜包絡(luò)特征提取結(jié)果如圖3所示。

圖3 電力大系統(tǒng)中的振蕩數(shù)據(jù)頻譜包絡(luò)特征提取結(jié)果

從圖3可見，采用本文算法進(jìn)行電力大系統(tǒng)中的振蕩數(shù)據(jù)頻譜包絡(luò)特征提取，能有效反應(yīng)出電力大系統(tǒng)中的振蕩數(shù)據(jù)的分層結(jié)構(gòu)特征和細(xì)節(jié)，能有效實(shí)現(xiàn)對(duì)電力大系統(tǒng)數(shù)據(jù)信息庫振蕩數(shù)據(jù)挖掘，為了定量分析本文算法的挖掘性能，采用本文算法和傳統(tǒng)算法，采用10 000次蒙特卡洛實(shí)時(shí)，在SNR=-10 dB～0 dB范圍內(nèi)，以數(shù)據(jù)挖掘精度為測試指標(biāo)，得到仿真對(duì)比結(jié)果如圖4所示。從圖4可見，采用本文算法，對(duì)振蕩數(shù)據(jù)的挖掘精度較高。

圖4 振蕩數(shù)據(jù)挖掘精度對(duì)比

4 結(jié)語

在電力大系統(tǒng)運(yùn)行中，電力大系統(tǒng)設(shè)備規(guī)模復(fù)雜，工作環(huán)境惡劣，存在來自于發(fā)電系統(tǒng)、輸電系統(tǒng)和配電系統(tǒng)的干擾和電磁干擾會(huì)產(chǎn)生大量的振蕩數(shù)據(jù)，影響了電力系統(tǒng)在信息傳輸和配電過程中的穩(wěn)定性和可靠性。

需要對(duì)電力大系統(tǒng)的振蕩數(shù)據(jù)進(jìn)行挖掘，提高系統(tǒng)的穩(wěn)定性和可靠性，本文提出一種基于頻譜包絡(luò)特征提取和時(shí)頻分析的電力大系統(tǒng)振蕩數(shù)據(jù)的可靠性挖掘算法。首先構(gòu)建了電力大系統(tǒng)數(shù)據(jù)傳輸和存儲(chǔ)模型，實(shí)現(xiàn)數(shù)據(jù)的信號(hào)模型構(gòu)建，在此基礎(chǔ)上對(duì)電力大系統(tǒng)中的數(shù)據(jù)進(jìn)行頻譜包絡(luò)特征提取，以此為數(shù)據(jù)基礎(chǔ)，進(jìn)行振蕩數(shù)據(jù)挖掘，采用時(shí)頻分析和決策樹分類方法實(shí)現(xiàn)對(duì)振蕩的可靠性分類挖掘，實(shí)驗(yàn)結(jié)果表明，采用本文算法進(jìn)行振蕩數(shù)據(jù)挖掘的精度較高，性能優(yōu)越。

[1]孔英會(huì)，車轔轔，苑津莎，等. 基于小波分解和數(shù)據(jù)挖掘中決策樹算法的電能質(zhì)量擾動(dòng)識(shí)別方法[J]. 電網(wǎng)技術(shù), 2007, 31(23): 78-82.

KONG Ying-hui, CHE Lin-lin, YUAN Jin-sha, et al. A power quality disturbance identification method based on wavelet decomposition and decision tree algorithm in data mining[J]. Power System Technology, 2007,31(23):78-82.

[2]李紅升. 基于粒子群算法改進(jìn)電力信息系統(tǒng)的安全研究[J]. 科技通報(bào), 2013, 29(4): 158-161.

LI Hong-sheng. Study on safety evaluation and application of electrical enterprise information system safe model based on improved particle swarm algorithm[J]．Bulletin of Science and Technology，2013，29(4)：158-161．

[3]郭 麗. 面向PID電力系統(tǒng)信息安全自動(dòng)控制研究[J]. 科技通報(bào), 2013, 29(2): 39-41.

Guo Li. PID oriented information security in power system automatic control research[J]. Bulletin of Science and Technology,2013,29(2):39-41.

[4]楊 來，史忠植，梁 帆，等. 基于 Hadoop 云平臺(tái)的并行數(shù)據(jù)挖掘方法[J]. 系統(tǒng)仿真學(xué)報(bào), 2013, 25(5): 936-944.

YANG Lai, SHI Zhong-zhi, LIANG Fan, et al. Parallel approach in data mining based on Hadoop cloud platform[J]．Journal of System Simulation，2013，25(5)：936-1111.

[5]張國良，姚二亮，湯文俊，等. 一種自適應(yīng)的GraphSLAM魯棒閉環(huán)算法[J]. 信息與控制, 2015,44(3): 316-320,327.

ZHANG Guo-liang, YAO Er-liang, TANG Wen-jun, et al. An adaptive robust loop closure algorithm for graph SLAM[J]．Information and Control，2015，44(3)：316-320，327．

[6]王 進(jìn)，陽小龍，隆克平. 基于大偏差統(tǒng)計(jì)模型的 Http-Flood DDoS檢測機(jī)制及性能分析[J]. 軟件學(xué)報(bào), 2013, 23(5):1272-1280.

WANG Jin, YANG Xiao-Long, LONG Ke-Ping. Http-Flood DDoS detection scheme based on large deviation and performance analysis[J]. Journal of Software,2013，23(5)：1272-1280.

[7]鄭海雁，王遠(yuǎn)方，等. 標(biāo)簽集約束近似頻繁模式的并行挖掘[J]. 計(jì)算機(jī)工程與應(yīng)用, 2015, 51(9): 135-141.

ZHENG Hai-yan, WANG Yuan-fang, XIONG Zheng, et al. Parallel mining on label-constraint proximity pattern[J]. Computer Engineering and Applications, 2015，51(9): 135-141.

[8]邢長征，劉 劍. 基于近鄰傳播與密度相融合的進(jìn)化數(shù)據(jù)流聚類算法[J]. 計(jì)算機(jī)應(yīng)用, 2015, 35(7): 1927-1932.

XING Chang-zheng, LIU Jian. Evolutionary data stream clustering algorithm based on integration of affinity propagation and density[J]．Journal of Computer Applications，2015，35(7)：1927-1932.

(本文編輯：楊林青)

Reliability Mining Algorithm for Power System Oscillation Data

LIU Xin

(Hunan Railway Professional Technology College, Zhuzhou 412001, China)

This paper presents a reliability mining algorithm for power system oscillation data based on spectral envelope feature extraction and time frequency analysis. Construct the power system data transmission and storage model, conduct the spectral envelope features extraction for power system data, based on this basic data, implement discrete Gaussian sampling on power system data repository oscillation data envelope vector, do the preliminary vibration data screening after time-frequency analysis by using decision tree classification method, then achieve the reliability classification mining of oscillation data by using frequency analysis and decision tree classification method. Simulation results show that the algorithm can effectively extract the hierarchical structural features and details of the vibration data in power system with a strong anti-interference performance.

power system; oscillation data; data mining

10.11973/dlyny201506020

劉 鑫(1982)，男，碩士，講師，主要研究信息系統(tǒng)項(xiàng)目管理、軟件工程和大數(shù)據(jù)分析等。

TP391.9

A

2095-1256(2015)06-0831-05

2015-10-28