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(zhǔn)程度低。文章為此研究了灰色關(guān)聯(lián)分析下數(shù)字化電力網(wǎng)絡(luò)過負(fù)荷數(shù)據(jù)挖掘，運(yùn)用灰色關(guān)聯(lián)分析法進(jìn)行數(shù)據(jù)處理，挖掘出各因素之間的關(guān)聯(lián)程度；對數(shù)據(jù)進(jìn)行聚類分析，獲得不同樣本類型；運(yùn)用訓(xùn)練集建立決策樹模型，對產(chǎn)生數(shù)據(jù)進(jìn)行差異度計算；運(yùn)用數(shù)字化電力網(wǎng)絡(luò)過負(fù)荷數(shù)據(jù)的挖掘判別函數(shù)進(jìn)行數(shù)據(jù)挖掘。試驗結(jié)果表明，在不同時間點(diǎn)中的數(shù)據(jù)序列幅值相同；10個小組過負(fù)荷數(shù)據(jù)的挖掘誤碼率為0～0.2 BER，能夠?qū)^負(fù)荷數(shù)據(jù)較為精準(zhǔn)地挖掘，達(dá)到良好的挖掘效果。

關(guān)鍵詞：灰色關(guān)聯(lián)分析；數(shù)字化；電力網(wǎng)絡(luò)；過負(fù)荷

中圖分類號：TP23 文獻(xiàn)標(biāo)志碼：A

0 引言

為了解決電力網(wǎng)絡(luò)過負(fù)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(shù)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(fù)荷現(xiàn)象的內(nèi)在規(guī)律，從而預(yù)防并解決電力網(wǎng)絡(luò)過負(fù)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(fù)荷的非線性變化，對于復(fù)雜的電力網(wǎng)絡(luò)，預(yù)測精度不足，導(dǎo)致過負(fù)荷問題的預(yù)警和應(yīng)對不及時。同時，電力負(fù)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(guān)聯(lián)分析下數(shù)字化電力網(wǎng)絡(luò)過負(fù)荷數(shù)據(jù)挖掘作為研究對象，通過關(guān)聯(lián)分析數(shù)據(jù)之間的關(guān)聯(lián)程度和趨勢，挖掘影響電力網(wǎng)絡(luò)過負(fù)荷的關(guān)鍵因素，本文結(jié)合實(shí)際情況展開了相關(guān)試驗和分析。

1 電力網(wǎng)絡(luò)過負(fù)荷數(shù)據(jù)挖掘

1.1 灰色關(guān)聯(lián)分析法過負(fù)荷數(shù)據(jù)關(guān)聯(lián)性分析

在數(shù)字化電力網(wǎng)絡(luò)下，運(yùn)用灰色關(guān)聯(lián)分析法進(jìn)行數(shù)據(jù)處理，挖掘出各因素之間的關(guān)聯(lián)程度，為電力網(wǎng)絡(luò)的調(diào)度提供科學(xué)依據(jù)［2］。本文選擇過負(fù)荷數(shù)據(jù)作為參考數(shù)據(jù)列，設(shè)定電力網(wǎng)絡(luò)過負(fù)荷數(shù)據(jù)為h0，相關(guān)因素數(shù)據(jù)為hi（i=1，2，...，n）。通過計算數(shù)據(jù)之間的關(guān)聯(lián)度，獲得過負(fù)荷數(shù)據(jù)之間的關(guān)系，從而找出與過負(fù)荷問題最為相關(guān)的因素，其計算關(guān)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(dāng)關(guān)聯(lián)系數(shù)δ越接近1，說明該因素與過負(fù)荷數(shù)據(jù)的關(guān)聯(lián)性越強(qiáng)。比較關(guān)聯(lián)系數(shù)的大小，判斷出不同因素對電力網(wǎng)絡(luò)過負(fù)荷的影響程度。對電力系統(tǒng)各個部分的電力網(wǎng)絡(luò)過負(fù)荷相關(guān)數(shù)據(jù)進(jìn)行收集，計算各因素與過負(fù)荷之間的灰色關(guān)聯(lián)度，確定關(guān)聯(lián)程度，從而定位影響過負(fù)荷的關(guān)鍵因素。

1.2 電力網(wǎng)絡(luò)過負(fù)荷數(shù)據(jù)分類

在進(jìn)行過負(fù)荷數(shù)據(jù)挖掘前，需進(jìn)行數(shù)據(jù)的預(yù)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(luò)的負(fù)載狀況，找出負(fù)載過高的區(qū)域和節(jié)點(diǎn)，分別得到過負(fù)荷數(shù)據(jù)樣本關(guān)系后，計算出過負(fù)荷數(shù)據(jù)經(jīng)篩選后的聚類分析數(shù)值進(jìn)行建模［3］。然后進(jìn)行數(shù)據(jù)聚類分析，求得數(shù)據(jù)之間的距離。假設(shè)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(jī)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(diǎn)，比較其他剩余數(shù)據(jù)對象與初始聚類中點(diǎn)的距離，距離最近的數(shù)據(jù)對象將被劃分到聚類中點(diǎn)所在類別中。根據(jù)數(shù)據(jù)構(gòu)建矩陣，對數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)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(biāo)準(zhǔn)化處理后，可以根據(jù)其處理結(jié)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(jié)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(jié)果非負(fù)。運(yùn)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(fù)荷特性，并制定更精細(xì)的電力調(diào)度。

1.3 構(gòu)建決策樹過負(fù)荷數(shù)據(jù)挖掘

在對過負(fù)荷數(shù)據(jù)特征進(jìn)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(jìn)行聚類分析，并將分類后的數(shù)據(jù)進(jìn)行訓(xùn)練［4］，根據(jù)訓(xùn)練集建立決策樹模型，然后將過負(fù)荷測試數(shù)據(jù)集進(jìn)行決策樹數(shù)據(jù)測試，得到過負(fù)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(jìn)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(jié)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(jìn)行數(shù)據(jù)挖掘［5］。當(dāng)從單個節(jié)點(diǎn)開始構(gòu)建決策樹模型時，選擇樣本節(jié)點(diǎn)需確保選中的節(jié)點(diǎn)屬于同一類型，而未被選中的節(jié)點(diǎn)屬于不同類型。如果某個樣本節(jié)點(diǎn)的屬性出現(xiàn)在其他節(jié)點(diǎn)上，則無須考慮該節(jié)點(diǎn)后代的其他屬性。設(shè)定給定的節(jié)點(diǎn)類型為A，其余類型為B。在分類過程中，需要計算過負(fù)荷數(shù)據(jù)出現(xiàn)的概率權(quán)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(jié)果并以此為過負(fù)荷數(shù)據(jù)的固有模態(tài)時頻特征，根據(jù)類別設(shè)定進(jìn)行數(shù)據(jù)挖掘［6］，建立數(shù)字化電力網(wǎng)絡(luò)過負(fù)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(diào)節(jié)系數(shù)；Ts為決策時間；w為具有過負(fù)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(yùn)用判別函數(shù)判別A和B，將特征結(jié)果進(jìn)行輸出，實(shí)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(luò)數(shù)據(jù)庫過負(fù)荷數(shù)據(jù)挖掘中的性能，對其進(jìn)行仿真實(shí)驗。參數(shù)配置如表1所示。

構(gòu)建一個數(shù)字化電力網(wǎng)絡(luò)數(shù)據(jù)模型，其中過負(fù)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(diào)頻信號。數(shù)據(jù)庫體系結(jié)構(gòu)采用動態(tài)散列的混合型級聯(lián)方式進(jìn)行數(shù)據(jù)控制。設(shè)定數(shù)據(jù)信息流矢量長度為1024。對數(shù)字化電力網(wǎng)絡(luò)數(shù)據(jù)信息流序列的連續(xù)數(shù)據(jù)集屬性進(jìn)行離散化處理，以此為基礎(chǔ)構(gòu)建網(wǎng)絡(luò)高維數(shù)據(jù)結(jié)構(gòu)空間。在相空間重構(gòu)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(jié)果與分析

根據(jù)數(shù)字化電力網(wǎng)絡(luò)過負(fù)荷數(shù)據(jù)的信號模型偏移程度分析，得到經(jīng)驗?zāi)B(tài)分解（EMD）結(jié)果；根據(jù)分解結(jié)果對數(shù)據(jù)信號流進(jìn)行時頻特征提取，獲得過負(fù)荷數(shù)據(jù)。通過運(yùn)用挖掘方法進(jìn)行過負(fù)荷數(shù)據(jù)挖掘，得到的具體結(jié)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(diǎn)中的數(shù)據(jù)序列幅值也較為相同，能做到對過負(fù)荷數(shù)據(jù)較為精準(zhǔn)的挖掘。從仿真結(jié)果來看，運(yùn)用本文方法可以有效地挖掘數(shù)字化電力網(wǎng)絡(luò)過負(fù)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(shè)置了10組測試。對電力網(wǎng)絡(luò)過負(fù)荷數(shù)據(jù)進(jìn)行固有模態(tài)時頻特征提取，并對挖掘的數(shù)據(jù)進(jìn)行分類處理。在對挖掘的數(shù)據(jù)進(jìn)行分類后，計算得到過負(fù)荷數(shù)據(jù)挖掘誤碼結(jié)果，當(dāng)誤碼率預(yù)期結(jié)果小于0.5 BER時，能夠展現(xiàn)出較為精準(zhǔn)的挖掘效果。對10個小組進(jìn)行挖掘誤碼計算的具體結(jié)果如表2所示。

對表2中數(shù)據(jù)分析可知，10個小組進(jìn)行數(shù)據(jù)挖掘后，過負(fù)荷數(shù)據(jù)的挖掘誤碼率為0～0.2 BER，結(jié)果符合預(yù)期。說明運(yùn)用本文數(shù)據(jù)挖掘方法能夠達(dá)到較高的挖掘精度，在應(yīng)用過程中的誤碼率較低。

綜上所述，運(yùn)用本文方法進(jìn)行數(shù)據(jù)挖掘，能夠精準(zhǔn)地實(shí)現(xiàn)電力網(wǎng)絡(luò)系統(tǒng)的過載保護(hù)，消除過負(fù)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(jié)語

本次研究從過負(fù)荷數(shù)據(jù)挖掘入手，探究了灰色關(guān)聯(lián)分析下數(shù)字化電力網(wǎng)絡(luò)過負(fù)荷數(shù)據(jù)挖掘。利用灰色關(guān)聯(lián)分析方法，系統(tǒng)地梳理了電力網(wǎng)絡(luò)中各個因素之間的內(nèi)在聯(lián)系，揭示了過負(fù)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(gòu)建的模型如何做到個性化等。今后應(yīng)更加完善計算，積極探索數(shù)字化技術(shù)在電力行業(yè)的應(yīng)用和發(fā)展。

參考文獻(xiàn)

［1］易庚，何琳，劉錦明，等.基于遷移學(xué)習(xí)算法的電力數(shù)據(jù)挖掘模型［J］.沈陽工業(yè)大學(xué)學(xué)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(diào)調(diào)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(guān)聯(lián)數(shù)據(jù)挖掘的繼電保護(hù)定值風(fēng)險評估方法研究［J］.科學(xué)技術(shù)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(shù)的電網(wǎng)時序數(shù)據(jù)質(zhì)量維護(hù)研究［J］.電測與儀表，2022（2）：38-44.

［5］黃蔓云，衛(wèi)志農(nóng)，孫國強(qiáng)，等.數(shù)據(jù)挖掘在配電網(wǎng)態(tài)勢感知中的應(yīng)用：模型、算法和挑戰(zhàn)［J］.中國電機(jī)工程學(xué)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