[发明专利]基于数据挖掘和支持向量机的配网历史量测数据校正方法

说明书

本发明涉及一种基于数据挖掘和支持向量机的配网历史量测数据校正方法，其技术特点在于：包括以下步骤：步骤1、读取配网主站历史数据库中一段时间内的量测数据记录，将历史数据库中电压、电流、有功功率、无功功率等量测数据进行离散化处理；步骤2、通过Apriori算法，挖掘历史量测数据中频繁项集的强关联规则并辨识出可疑的不良数据；步骤3、构建剔除了可疑的不良量测数据的数据集合，并训练支持向量机的回归模型，将可疑不良数据对应的时刻代入回归模型，计算出拟合值，代替可疑的不良数据，完成数据校正。本发明有利于配网调度控制决策，减少不良数据对配网运行的影响，进而有助于配电自动化系统高效、稳定、安全、智能地运行。

技术领域

本发明属于数据挖掘技术领域，涉及配网历史量测数据校正方法，尤其是基于数据挖掘和支持向量机的配网历史量测数据校正方法。

背景技术

目前，配网主站保存的历史数据可能因为各种原因存在不良数据，不良数据会影响配网调度控制的准确性，不利于配电自动化系统安全稳定的运行。

现有的最小二乘法和神经网络也常用于数据拟合，但是最小二乘法拟合的偏差有时会过大，泛化能力不强；神经网络在数据不多的情况下，拟合效果很差，数据过多的时候可能存在“过学习”的问题。

因此，迫切需要适当的数据校正方法对历史数据库中的不良数据进行辨识并校正，以便能够为配网的控制决策提供更好的支持。

发明内容

本发明的目的在于克服现有技术的不足，提出一种设计合理、准确性高、工作效率高、改进方便且成本低廉的基于数据挖掘和支持向量机的配网历史量测数据校正方法。

本发明解决其现实问题是采取以下技术方案实现的：

一种基于数据挖掘和支持向量机的配网历史量测数据校正方法，包括以下步骤：

步骤1、读取配网主站历史数据库中一段时间内的量测数据记录，并对量测数据基于时间序列进行分类，设置采样周期，将历史数据库中电压、电流、有功功率、无功功率等量测数据进行离散化处理，以便后续进行数据挖掘。

步骤2、基于步骤1的预处理的数据，通过Apriori算法，挖掘历史量测数据中频繁项集的强关联规则，在强关联规则的基础上，重新扫描数据库的量测记录，辨识出可疑的不良数据；

步骤3、构建剔除了可疑的不良量测数据的数据集合，基于处理后的数据集合，训练支持向量机的回归模型，将可疑不良数据对应的时刻代入回归模型，计算出拟合值，代替可疑的不良数据，完成数据校正。

而且，所述步骤2的具体步骤包括：

(1)基于预处理的数据，采用Apriori算法进行数据挖掘；

(2)设定初始的支持度support阈值，扫描数据，由计算每条记录的支持度；

其中，I表示总的事务集，如果支持度低于支持度阈值，则排除该事务项，保留的项集作为频繁项集；

(3)由Confidence(X→Y)＝P(Y|X)＝P(X∪Y)/P(X)计算出频繁项集的置信度，并结合提升度Lift(X→Y)＝P(Y|X)/P(Y)判断频繁项集的关联规则是否具有正相关性，如果提升度大于1，则保留正相关性的关联规则，否则，将关联规则丢弃；

(4)结合配网运行的实际原理和组织结构，将不符合实际逻辑的强关联规则剔除，保留合理的强关联规则；

(5)扫描历史数据库，结合强关联规则进行判断，找出不符合强关联规则的数据项，列为可疑的不良数据。

而且，所述步骤3的具体步骤包括：

(1)构建一个剔除了可疑不良数据集的历史量测数据集；