电力网络DCS数据库中的过负荷数据挖掘方法研究

发布时间：2018-01-19 13:10

  本文关键词： 电力网络 分散控制系统 数据库 数据挖掘　出处：《电网与清洁能源》2015年11期 　论文类型：期刊论文

【摘要】：电力网络中的分散控制系统(distributed control systems,DCS)数据库中寄存有海量的电力数据,进行电力系统智能调度和控制。对电力网络DCS数据库中的过负荷数据的有效挖掘是实现电力网络系统过载保护的关键环节。当前对DCS数据库的过负荷数据挖掘采用基于决策树特征分类方法进行特征提取和挖掘实现,在过负荷数据序列的广域子空间中产生大量干扰噪声,挖掘算法的置信度较低。提出一种基于经验模态分解和决策树分类结合的电力网络DCS数据库中的过负荷数据挖掘方法。构建了电力网络的DCS数据库结构模型,在DCS数据库中进行数据流信号模型构建,采用经验模态分解算法对数据信号流进行固有模态时频特征提取,以此特征为基础,采用决策树分类算法实现过负荷数据的准确检测和挖掘。仿真结果表明,采用该算法能有效实现对电力网络DCS数据库中的过负荷数据的特征提取和分类挖掘,误码率较低,性能优越于传统算法。
[Abstract]:The distributed control systems (distributed control systems) database in power network hosts a large amount of power data. The effective mining of overload data in DCS database of power network is the key link to realize overload protection of power network system. The overload number of DCS database at present. According to mining, feature extraction and mining are implemented based on decision tree feature classification method. A large amount of interference noise is produced in the wide area subspace of overload data sequence. The confidence of mining algorithm is low. An overload data mining method in power network DCS database based on empirical mode decomposition and decision tree classification is proposed. The DCS database structure of power network is constructed. Model. The data stream signal model is constructed in the DCS database, and the inherent modal time-frequency feature is extracted by the empirical mode decomposition algorithm, which is based on this feature. The decision tree classification algorithm is used to accurately detect and mine the overload data. The simulation results show that. The algorithm can effectively extract and classify the overload data in the DCS database of power network. The BER is lower and the performance is superior to the traditional algorithm.
【作者单位】： 贵州省兴义民族师范学院;
【基金】：《贵阳交通智能控制与诱导技术研究》(黔科合J字[2013]2456)~~
【分类号】：TM921.5;TP311.13
【正文快照】： 度和控制。对电力网络DCS数据库中的过负荷数据的有效挖掘是实现电力网络系统过载保护的关键环节。当前对DCS数据库的过负荷数据挖掘采用基于决策树特征分类方法进行特征提取和挖掘实现,在过负荷数据序列的广域子空间中产生大量干扰噪声,挖掘算法的置信度较低。提出一种基于经

【参考文献】

相关期刊论文 前1条

1 孔英会;车辚辚;苑津莎;安静;刘云峰;;基于小波分解和数据挖掘中决策树算法的电能质量扰动识别方法[J];电网技术;2007年23期

【共引文献】

相关期刊论文 前10条

1 陈红坤;黄娟;;数据挖掘及其在电能质量分析中的应用[J];电力系统及其自动化学报;2009年05期

2 易吉良;彭建春;;基于广义S变换的短时电能质量扰动信号分类[J];电网技术;2009年05期

3 周胜军;于坤山;冯满盈;孙生鸿;贺春;;电气化铁路供电电能质量测试主要结果分析[J];电网技术;2009年13期

4 曹健;林涛;刘林;张蔓;崔一铂;;基于最小二乘法和复连续小波变换的电力系统间谐波测量方法[J];电网技术;2009年17期

5 何伟;蔡维;王建伟;锁娟;;基于虚拟仪器技术的电能质量分析仪校准检测系统设计与应用[J];电网技术;2010年01期

6 陈珍萍;欧阳名三;刘淮霞;;基于ZigBee的电能质量检测节点设计[J];低压电器;2011年09期

7 丁建光;张沛超;;基于Hoeffding Tree的电能质量在线扰动分类[J];电力自动化设备;2014年09期

8 吴杰;吕春媚;崔彪;;基于小波轮廓描述符和动态时间扭曲的电压扰动分类[J];电工电能新技术;2015年04期

9 孔英会;吕云洁;吕云清;;改进的基于移动小波树的数据流异常检测方法[J];华北电力大学学报(自然科学版);2009年04期

10 车辚辚;;基于小波变换和SVM算法的电能质量扰动识别[J];黑龙江科技信息;2010年23期

相关博士学位论文 前1条

1 易吉良;基于S变换的电能质量扰动分析[D];湖南大学;2010年

相关硕士学位论文 前8条

1 荆辉;电能质量扰动分类算法研究[D];山东大学;2011年

2 罗国敏;小波能量谱在超高压输电线暂态识别中的应用[D];西南交通大学;2008年

3 吕云洁;基于数据流的异常检测技术及应用的研究[D];华北电力大学（河北）;2008年

4 潘冬寅;电能质量扰动信号降维及分类研究[D];南京林业大学;2012年

5 陈华丰;电能质量扰动信号识别方法研究[D];西南交通大学;2013年

6 苏卫卫;基于数据挖掘技术的稳态电能质量数据预测预警研究[D];华北电力大学;2014年

7 吴兆刚;基于小波变换的电能质量检测与仿真分析[D];湖南大学;2014年

8 丁建光;智能电网海量信息处理关键问题的研究[D];上海交通大学;2014年

【二级参考文献】

相关期刊论文 前10条

1 林海雪;现代电能质量的基本问题[J];电网技术;2001年10期

2 严居斌,刘晓川,杨洪耕,张斌;基于小波变换模极大值原理和能量分布曲线的电力系统短期扰动分析[J];电网技术;2002年04期

3 魏磊,张伏生,耿中行,张柏林,李宁,刘沛津;基于瞬时无功功率理论的电能质量扰动检测、定位与分类方法[J];电网技术;2004年06期

4 王成山,王继东;基于小波包分解的电能质量扰动分类方法[J];电网技术;2004年15期

5 刘安定,肖先勇,邓武军;基于离散余弦变换和小波变换的电能质量扰动信号检测方法[J];电网技术;2005年10期

6 凌玲;徐政;;基于数学形态学的动态电能质量扰动的检测与分类方法[J];电网技术;2006年05期

7 赵凤展;杨仁刚;;基于S变换和时域分析的电能质量扰动识别[J];电网技术;2006年15期

8 张耀天;何正友;赵静;张鹏;李明;桂建廷;;基于粗糙集理论和朴素贝叶斯网络的电网故障诊断方法[J];电网技术;2007年01期

9 刘奕群,张敏,马少平;基于改进决策树算法的网络关键资源页面判定[J];软件学报;2005年11期

10 王晶,束洪春,陈学允;动态电能质量的分形指数小波分析方法[J];中国电机工程学报;2004年05期

相关硕士学位论文 前1条

1 谭国贞;基于小波变换的电能质量分析方法的研究[D];重庆大学;2006年

【相似文献】

相关期刊论文 前10条

1 曹一家;王光增;包哲静;郭创新;;一种复杂电力网络的时空演化模型[J];电力自动化设备;2009年01期

2 杨蕾;黄小庆;曹丽华;谭玉东;刘s，

本文编号：1444301