大數(shù)據(jù)挖掘理論下的電氣工程應(yīng)用
前言：想要寫出一篇引人入勝的文章？我們特意為您整理了大數(shù)據(jù)挖掘理論下的電氣工程應(yīng)用范文，希望能給你帶來靈感和參考，敬請閱讀。
摘要：論文提出了一種基于大數(shù)據(jù)挖掘理論的電氣工程故障分析方法。在該研究中，將全局信息引入電力系統(tǒng)中，主要采用大數(shù)據(jù)挖掘理論中的聚類分析技術(shù)，快速準(zhǔn)確地檢測出故障分量和故障區(qū)段，最終完成故障分析。將全局信息引入電氣工程中，為電氣工程故障分析開辟了新的應(yīng)用領(lǐng)域。運用大數(shù)據(jù)挖掘從大型數(shù)據(jù)庫信息中自動提取有效的、新穎的、潛在有用的信息，且大數(shù)據(jù)挖掘理論可為電機工程的研究做出重要貢獻。
關(guān)鍵詞：故障分析；大數(shù)據(jù)挖掘；數(shù)據(jù)分類；電氣工程；聚類分析
1引言
大數(shù)據(jù)挖掘是從大量數(shù)據(jù)中有效地發(fā)現(xiàn)有價值的、不明顯的信息，這種涉及從數(shù)據(jù)中提取信息的過程也是一種探索性數(shù)據(jù)分析［1］。大數(shù)據(jù)挖掘是從存儲在數(shù)據(jù)庫、數(shù)據(jù)倉庫或其他信息庫中的大量數(shù)據(jù)中發(fā)現(xiàn)有趣的信息，如模式、關(guān)聯(lián)、變化、異常和重要結(jié)構(gòu)的過程［2］。大數(shù)據(jù)挖掘通常用于非常大的數(shù)據(jù)庫，由于數(shù)據(jù)庫的復(fù)雜性和容量龐大，使得它通常是不能被解讀或分析。大數(shù)據(jù)挖掘的目的是從這些大型數(shù)據(jù)庫中發(fā)現(xiàn)有用的信息，這種過程被稱為數(shù)據(jù)庫知識發(fā)現(xiàn)（KnowledgeDiscoveryinDatabases，KDD）［3］。大數(shù)據(jù)挖掘涉及數(shù)據(jù)庫技術(shù)、統(tǒng)計學(xué)、機器學(xué)習(xí)、高性能計算、模式識別、神經(jīng)網(wǎng)絡(luò)、數(shù)據(jù)可視化、信息檢索等多學(xué)科的技術(shù)集成［4~5］。大數(shù)據(jù)挖掘中的一個常見問題是查找數(shù)據(jù)屬性之間的關(guān)聯(lián)。大數(shù)據(jù)挖掘任務(wù)有以下類別［6~8］：分類描述；關(guān)聯(lián)分析；聚類分析；孤立點分析；進化分析。故障是指與觀察到的變量或與設(shè)備相關(guān)聯(lián)的計算參數(shù)在可接受范圍內(nèi)發(fā)生了偏離，即故障是一個過程異常或癥狀?？偟膩碚f，故障與設(shè)備或儀表的正常行為相背離。它們可能出現(xiàn)在基本設(shè)備或其控制儀器中，并代表著性能惡化、部分故障或全部故障。故障分析的目的是通過行為異常識別系統(tǒng)來保證操作成功。由于適當(dāng)?shù)倪^程監(jiān)控，使停機時間最小化，改善了操作的安全性，降低了制造成本。一般來說，故障分析的過程可分為三個主要步驟［9］：報警、識別、評估。電力系統(tǒng)是一個最復(fù)雜的人工系統(tǒng)，其安全、穩(wěn)定、經(jīng)濟可靠運行，在社會經(jīng)濟的發(fā)展中起著非常重要的作用。為了解決電力系統(tǒng)故障分析這一難題，必須對電力系統(tǒng)本身及其復(fù)雜性不斷提高分析、運行和控制水平。當(dāng)電力系統(tǒng)從正常運行狀態(tài)到異常運行故障時，其電量可能發(fā)生顯著變化。繼電保護器就是利用電力的突然變化來判別電力系統(tǒng)是否發(fā)生故障或運行異常。通過對電力測量與正常系統(tǒng)參數(shù)的對比，可以檢測出故障類型和故障位置。此外，還可以實現(xiàn)選擇性故障排除。在本研究中，全局信息將被引入后備保護系統(tǒng)中。在某些故障后，利用電源管理單元（PhasorMeasurementUnit，PMU）進行實時測量，并對電量變化的特征進行查找。然后對故障分量和故障區(qū)段進行快速準(zhǔn)確的分析，最終完成故障隔離?；诮y(tǒng)計理論，還將對非線性復(fù)雜系統(tǒng)進行大量的基礎(chǔ)研究，采用大數(shù)據(jù)挖掘中的聚類分析技術(shù)解決電氣工程中的故障檢測問題。
2電路原理
考慮一個帶有電阻器（R）、電感器（L）和電容器(C)的電路。每一個元件在回路中連接電路，包含一個元件的電路部分稱為支路。支路連接的點稱為節(jié)點。在這個最簡單的測試中，有三個分支和節(jié)點.令iR，iL和iC分別代表經(jīng)過對應(yīng)電阻R，電感器L和電容器C的電流，同樣地，vR，vL和vC分別代表電路的三個支路上的電壓。如果認(rèn)為水是通過管道流動的，那么電流就像水的流量一樣，電壓就像水的壓力一樣?；鶢柣舴螂娏鞫芍赋?，流入一個節(jié)點的總電流必須等于從該節(jié)點流出的電流。這意味著在討論的電路中電流關(guān)系為|iR|=|iL|=|iC|。按圖1所示的方向定位分支，則i=iR=iL=iC（1）基爾霍夫電壓定律指出，所有回路電壓降之和為零。則vR+vL+vC=0（2）對于電路元件的性質(zhì)和決定變量的規(guī)律研究中，電阻器是由電流iR和電壓vR之間的關(guān)系確定。因此只考慮一個線性電阻，根據(jù)歐姆定律，可得vR=R×iR（3）其中，R>0為常數(shù)，vR和iR互為非線性函數(shù)關(guān)系。電感器的特點是電流對時間的導(dǎo)數(shù)diL/dt，對于電感器的電壓vL，根據(jù)法拉第定律，可得LdiRdt=vL（4）其中，常數(shù)L>0被稱為電感。電感器是通過一個線圈制作構(gòu)成，線圈中電流變化引起的磁場在線圈上產(chǎn)生電壓降。電容器的特點是電壓對時間的導(dǎo)數(shù)dvC/dt，對于電容器的電流iC為CdvCdt=iC（5）其中，常數(shù)C>0被稱為電容。
3數(shù)據(jù)挖掘中的分類
分類是大數(shù)據(jù)挖掘領(lǐng)域的經(jīng)典課題之一［10］。聚類是將數(shù)據(jù)對象分類成一組不相交類的過程，稱為簇，因此類中的對象之間具有高度的相似性［11］。聚類是無監(jiān)督分類的一個分支。“分類”是指將數(shù)據(jù)對象分配給一組類的過程?！盁o監(jiān)督”意味著集群不依賴于預(yù)定義的類，而對數(shù)據(jù)對象進行分類［12］。聚類分析的應(yīng)用包括以下三個方面［13］：1）識別原始數(shù)據(jù)中的簇；2）確定原始數(shù)據(jù)中簇的個數(shù)；3）驗證原始數(shù)據(jù)中發(fā)現(xiàn)的簇。聚類分析具有很強的數(shù)據(jù)分析能力，已成功應(yīng)用于各個領(lǐng)域的研究。假設(shè)有n個樣本，每個樣本有m個指標(biāo)，觀測數(shù)據(jù)可以表示為αij(i=1nj=1m)。最常用的描述關(guān)系程度的測量是距離dij通常表示樣本ξ(i)和η(j)之間的距離。常用的距離定義包括：1）Minkovski距離：dij(q)=éëêùûåút=1mα||it-αjtq1q（6）2）Lance距離［14］：dij(L)=1måt=1mα||it-αjt(αit+αjt)（7）3）馬氏距離：dij(M)=(ξ(i)-η(j))'S-1(ξ(i)-η(j))（8）其中，S-1是樣本協(xié)方差矩陣的逆矩陣。4）斜空間距離［15］：為了克服相對論的影響，我們可以定義斜空間的距離：dij=éëêùûú1måk=1mål=1m(αik-αjk)(αil-αjl)ρkl12（9）其中，ρkl是ξ(k)與η(l)的相關(guān)系數(shù)。
4基于數(shù)據(jù)挖掘的故障分析
考慮IEEE-9總線系統(tǒng)，在電力網(wǎng)的結(jié)構(gòu)中，總線1出現(xiàn)單相接地故障。通過BPA程序，相應(yīng)變量的向量值只在每個周期中輸出一次。相應(yīng)變量使用實際測量的數(shù)據(jù)，可以進行故障和非故障的元件分析（故障和非故障段）。4.1基于節(jié)點相電壓的故障診斷在計算IEEE-9總線系統(tǒng)后，可以得到五個時刻T-1、T0（故障）、T1、T2和T3的節(jié)點相電壓.整個聚類分析過程遵循從高到低（從近到遠）的相似性原則，順序是：步驟1：總線C與總線B結(jié)合并形成新的總線B；步驟2：總線3與總線2結(jié)合并形成新的總線2；步驟3：總線A與總線2結(jié)合并形成新的總線2；步驟4：總線2與支路1結(jié)合并形成新的支路1；步驟5：支路3與支路2結(jié)合并形成新的支路2；步驟6：支路2與支路1結(jié)合并形成新的支路1；步驟7：總線B與總線1結(jié)合并形成新的總線1；步驟8：總線1與支路1結(jié)合并形成新的支路1?？偩€1與其他總線有著顯著的不同，其故障特征是明顯的。這些結(jié)果與預(yù)先設(shè)定的故障位置完全相同，因此我們可以通過基于節(jié)點相電壓的聚類分析來確定故障位置。4.2基于節(jié)點負(fù)序電壓的故障診斷通過BPA程序，可以得到五個時刻T-1、T0（故障）、T1、T2和T3的節(jié)點負(fù)序電壓.整個聚類分析過程仍然按照相似性原則進行，從高到低（從近到遠）的相似原則，順序是：步驟1：總線A與總線2結(jié)合并形成新的總線2；步驟2：總線3與總線2結(jié)合并形成新的總線2；步驟3：總線C與總線B結(jié)合并形成新的總線B；步驟4：總線2與支路1結(jié)合并形成新的支路1；步驟5：支路3與支路2結(jié)合并形成新的支路2；步驟6：支路2與支路1結(jié)合并形成新的支路1；步驟7：總線B與總線1結(jié)合并形成新的總線1；步驟8：總線1與支路1結(jié)合并形成新的支路1。從整個聚類過程分析中，總線1與其他節(jié)點的相似性最低（與其他節(jié)點的距離最遠）?？偩€1和其他總線的差異更明顯。因此，利用基于節(jié)點負(fù)序電壓的聚類分析也能有效地識別出故障點。這些實例充分證明了大數(shù)據(jù)挖掘理論可以對故障部分進行分析。
5結(jié)語
在電力系統(tǒng)的控制中，特別是在電力系統(tǒng)的廣域后備保護中，保護裝置的準(zhǔn)確、快速、可靠性能的前提是相應(yīng)的故障類型和故障位置可以快速識別并準(zhǔn)確定義。在本研究中，全局信息已經(jīng)被引入到后備保護系統(tǒng)中。基于大數(shù)據(jù)挖掘理論，主要利用聚類分析技術(shù)來尋找電量的顯著變化特征。然后，對故障部件和故障部分進行快速準(zhǔn)確的識別，最后完成故障分析。本文的主要技術(shù)貢獻和創(chuàng)新在于將全局信息引入到電氣工程中，為電氣工程的故障分析開發(fā)新的應(yīng)用。大數(shù)據(jù)挖掘被定義為從大型數(shù)據(jù)庫中自動提取有效、新穎、潛在有用且全面的信息挖掘過程。它在學(xué)術(shù)和應(yīng)用科學(xué)研究中得到了廣泛的應(yīng)用，在這些研究中，數(shù)據(jù)集是通過實驗產(chǎn)生的。大數(shù)據(jù)挖掘理論的最重要特征是其跨學(xué)科性和普遍性。大數(shù)據(jù)挖掘在很大程度上與機器學(xué)習(xí)有關(guān)，在機器學(xué)習(xí)中，科學(xué)家開發(fā)算法和技術(shù)來發(fā)現(xiàn)和描述數(shù)據(jù)中的潛在規(guī)律。因此，大數(shù)據(jù)挖掘為信息處理、模式識別和人工智能等許多領(lǐng)域提供了有用的技術(shù)。
參考文獻
［1］王元卓，賈巖濤，劉大偉，等.基于開放網(wǎng)絡(luò)知識的信息檢索與數(shù)據(jù)挖掘［J］.計算機研究與發(fā)展，2015，52（02）：456-474.
［2］李濤，曾春秋，周武柏，等.大數(shù)據(jù)時代的數(shù)據(jù)挖掘——從應(yīng)用的角度看大數(shù)據(jù)挖掘［J］.大數(shù)據(jù)，2015，1（04）：57-80.
［3］趙建華.半監(jiān)督學(xué)習(xí)在網(wǎng)絡(luò)入侵分類中的應(yīng)用研究［J］.計算機應(yīng)用研究，2014，31（06）：1874-1876.
［4］馬昱欣，曹震東，陳為.可視化驅(qū)動的交互式數(shù)據(jù)挖掘方法綜述［J］.計算機輔助設(shè)計與圖形學(xué)學(xué)報，2016，28（01）：1-8.
［5］梁吉業(yè)，錢宇華，李德玉，等.大數(shù)據(jù)挖掘的粒計算理論與方法［J］.中國科學(xué)：信息科學(xué)，2015，45（11）：1355-1369.
［6］吉根林，趙斌.面向大數(shù)據(jù)的時空數(shù)據(jù)挖掘綜述［J］.南京師大學(xué)報（自然科學(xué)版），2014，37（01）：1-7.
［7］何清，莊福振，曾立，等，譚慶.PDMiner：基于云計算的并行分布式數(shù)據(jù)挖掘工具平臺［J］.中國科學(xué)：信息科學(xué)，2014，44（07）：871-885.
［8］賀瑤，王文慶，薛飛.基于云計算的海量數(shù)據(jù)挖掘研究［J］.計算機技術(shù)與發(fā)展，2013，23（02）：69-72.
［9］許侃，范春菊.不同電壓等級部分耦合線路的單回線故障分析［J］.電力系統(tǒng)自動化，2015，39（12）：81-87.
［10］陳新.數(shù)據(jù)挖掘分類方法中的決策樹算法探究［J］.電腦知識與技術(shù)，2013，9（35）：7904-7905，7910.
［11］鄧曦輝.軟件工程領(lǐng)域中的異常數(shù)據(jù)挖掘算法［J］.電子技術(shù)與軟件工程，2016（24）：188.
［12］王競哲.基于聚類分析的數(shù)據(jù)挖掘算法研究［J］.信息化建設(shè)，2016（06）：36.
［13］李昀昊，王建學(xué)，王秀麗.基于混合聚類分析的電力系統(tǒng)網(wǎng)損評估方法［J］.電力系統(tǒng)自動化，2016，40（01）：60-65.
［14］LiJunguo，ZengYanan，Wang，Jianqiang.SimulationofFlowFieldofOxygenLanceGasJetUtilizedfor50tCon⁃verter［J］.JournalofIronandSteelResearch（Interna⁃tional），2011，18（04）：11-18.
［15］GenChao，LiuJie，XiKai，etal.MonteCarloevaluationofspatialmultiple-bitupsetsensitivitytoobliqueinci⁃dence［J］.ChinesePhysicsB，2013，22（05）：661-668.
作者:吳嶸 單位:南京理工大學(xué)
