See discussions, stats, and author profiles for this publication at: https://www.researchgate.net/publication/299348545
Application of Cluster Analysis and Association Analysis Model: Based Power System Fault Identification
Article in European Journal of Scientific Research · February 2016
CITATIONS READS
12 205
4 authors, including:
K. Nithiyananthan Raman Raguraman
CMR Institute of Technology Asian Institute of Medicine, Science and Technology
79 PUBLICATIONS 671 CITATIONS 8 PUBLICATIONS 51 CITATIONS
Asian Institute of Medicine, Science and Technology
4 PUBLICATIONS 26 CITATIONS
Some of the authors of this publication are also working on these related projects:
Data Mining on Power System Analysis View project
Swiched Relutance Motor Analysis View project
All content following this page was uploaded by K. Nithiyananthan on 11 April 2016.
The user has requested enhancement of the downloaded file.
European Journal of Scientific Research
ISSN 1450-216X / 1450-202X Vol. 138 No 1 February, 2016, pp.16-28
http://www.europeanjournalofscientificresearch.com
Application of Cluster Analysis and Association Analysis Model based Power System Fault Identification
Syahrel Emran Bin Siraj
Faculty of Engineering and Computer Technology
AIMST U
剩余内容已隐藏，支付完成后下载完整资料
有关本出版物的讨论、统计和作者配置文件，请访问：https://www.researchgate.net/publication/299348545。
聚类分析与关联分析模型在电力系统故障识别中的应用
文章在里面欧洲科学研究杂志2016年2月
引文如下
12 205
4作者，包括：
K.Nithiyananthan
Raman Raguraman
本出版物的一些作者还致力于这些相关项目：
电力系统分析视图项目的数据挖掘
开关磁阻电机分析视图项目
本页面后的所有内容由K.Nithiyananthan于2016年4月11日上传。
用户已请求增强下载的文件。
欧洲科学研究杂志
ISSN 1450-216X/1450-202X第138卷第1期2016年2月，第16-28页
http://www.europeanjournalofscientificalresearch.com
基于聚类分析和关联分析模型的电力系统故障识别应用
西亚雷尔·埃姆兰·本·西拉吉
工程与计算机技术学院
马来西亚凯达贝东艾姆斯特大学
电子邮件：skater_ mas@yahoo.com
谭永新
工程与计算机技术学院
马来西亚凯达贝东艾姆斯特大学
电子邮箱：einstein.tanyongsing@gmail.com
拉古拉曼
工程与计算机技术学院
马来西亚凯达贝东艾姆斯特大学
电子邮箱：imklim@gmail.com
普拉塔普·奈尔·马里穆图
工程与计算机技术学院
马来西亚凯达贝东艾姆斯特大学
电子邮箱：pratasamrat@gmail.com
K.尼提亚纳坦
电子电气工程系
卡帕甘工程学院
印度泰米尔纳德邦哥印拜陀
电子邮箱：nithiieee@yahoo.com
摘要
本研究的目的是为电力系统开发基于聚类与关联分析相结合的故障识别模型。采用聚类分析法对故障总线进行定位，并通过关联分析法对电力系统发生的故障类型进行检测。利用PowerWorld软件模拟了IEEE9总线电源系统的测试案例和不同类型的故障。收集故障母线电压，导入社会科学统计软件包（SPSS），以确定故障母线。本文将说明该模型的步骤，以检测总线8AT 3相故障，这些故障的发生主要是由于外部环境因素，其中电力系统的地理位置在导致其暴露的故障中起着重要作用。该模型分为两部分，第一部分通过聚类分析确定故障总线。第二部分利用关联分析产生的强规则，确定由于各种外部环境因素引起的不同类型的断层。提出的创新模型成功地确定了IEEE9总线电源系统中3相故障的总线8。
关键词： 集群分析、关联分析、电力系统输电线路结果
引言
由于数据挖掘技术在解决复杂问题特别是涉及海量数据的问题上的实用性和鲁棒性，近年来得到了人们的重新认识。应用数据挖掘技术，即知识发现技术（kdd），可以通过数据库观察和学习简单的分析过程。数据挖掘技术已成功应用于商业、安全、银行、反恐、社会网络、医疗领域和信息技术等领域。数据挖掘技术涉及到大量的数据挖掘和分析，如分类、演化分析、归纳、聚类分析、关联分析和离群值分析。尽管如此，数据挖掘技术在各个领域的应用非常广泛，但在电力系统领域应用数据挖掘技术的研究却很少。随着电力需求的增加，电力系统网络的复杂度和容量也随之增加，这导致了大量的数据被及时收集。
故障分析是电力系统规划、保护设备选择和总体系统可靠性评估的重要内容。图1所示的电力系统示例可分为三部分：发电、输电和配电。配电系统M向终端用户提供电力。大多数系统采用三相（A、B和C），使用THR EE导线来传输正弦电压，其时间偏差等于120度。虽然客户需要低电压值，但传输系统通常使用更高的效率值。变压器对电压值的上下控制版本负责，位于系统杆的不同位置[1]。
电力系统是现代社会的重要基础设施[2]。它们跨越了巨大的地理区域，组成了数千个测量和监测系统，不断收集各种数据，如电压和电流、功率损耗、线路温度以及与设备状态相关的数据。
图1：一个典型的电力系统
电力系统在发电、输电、配电和负荷系统等各个领域的规模和复杂性都在不断增加。电力系统网络工作中的短路等故障类型会导致严重的经济损失，并降低电气系统的可靠性[3]。
电压和电流与额定值的偏差称为电气故障。在非正常运行情况下，输电线路承载有规律的电流。但是，当故障 发生时，有巨大的电流流过输电线路。这些瞬变电流会损坏电气装置和设备。因此，输电线路故障检测非常重要。输电线路故障可分为对称故障和不对称故障两类，如图2所示。三相故障是一种对称性故障，三相均发生平衡故障。单线对地（SLG）故障、线对线（LL）故障和双线对地（DLG）故障是不对称故障。不对称故障是指三相不平衡故障。
图2： （a）单线对地故障（b）线对线故障（c）双线对地故障（d）三相故障图示
（a） （b） （c） （d）
故障的主要原因是天气状况、设备故障、人为失误、火灾烟雾和空中飘带。输电线路上的雷击、暴雨和强风等天气条件。这些环境条件会中断电源并损坏电气装置。
几十年来，电力系统中有许多可用的技术，架空线路的故障分析。常规技术如下。1951年[4]根据行波的工作方式提出了四种不同类型的行波分类方案，分别是A型、B型、C型和D型。A型是单端的，不需要外部脉冲发生器电路，B型是双端的，需要外部脉冲发生器电路，C型与B型除单端外，D型除双端外与A型相同。在1993年的晚些时候，引入了E型方案，它是一种单端测量，当线路由断路器重新通电时，利用产生瞬变。据报告，在定位故障[5]时，此类型的错误小于2.7%。
行波技术产生了非常精确的结果，误差为300米。然而，该技术存在一些缺点，如波的传播非常敏感，反射波很容易受到电缆截面和分支的影响，由于其复杂性，很难模拟，而且由于产生波、捕捉波、同步信号需要额外的硬件组件，因此成本很高。E测量双端和更多。由于行波是一种很难与干扰噪声分离的高频信号，因此需要信号处理技术来分析产生精确故障定位的行波。
人工神经网络主要用于模式识别。通过一组训练案例，利用合适的系统模型对神经网络进行训练，以确定优化方案。神经网络的主要特点是它们一般都是非线性函数逼近器。神经网络具有非线性映射、并行处理和学习的能力，只要神经网络输入正确，训练一致，就可以辅助故障定位。[6]提出了一种检测400kV输电线路单端故障位置的算法。[7]提出用神经网络检测双回输电线路LG故障，结果表明，最大绝对误差较小。 超过1%，这意味着它能产生准确的结果。如果没有明确的求解方法，如有分支的多端输电和配电系统，则神经网络算法尤其是辅助算法。神经网络模型的准确性完全取决于一个范围内给定的训练模式的数量。关键是要选择合适的学习数据集。效率低下的数据创建了不适当的模型，而过多的数据需要更多的计算时间[8]。模糊逻辑是一种不清晰的逻辑类型，它通过软条件来确定对象之间的关系。
[9]和[10]提出了使用模糊逻辑的电力系统定位输电线路的故障，该系统使用数据库作为培训师。这种逻辑可用于处理可用于故障定位算法的模棱两可、模糊、不精确、有噪声或丢失的输入信息。然而，模糊逻辑方法需要特定系统的专家知识，而没有详细的知识[11]；它将限制其功能和实现。该模型通过聚类分析和关联分析，可以较好地解决输电线路故障识别问题。
基于聚类分析的数据挖掘
聚类分析是分析每个数据点之间异同的方法。最相似的数据点将聚集在一起。聚类分析的结果将包含多组对象，其中同一组中的每个对象将近似同源或同构，不同于其他对象的对象将不会聚集到同一组中。当群体差异大、同质性大时，可产生明显的群体聚类。为了更好地理解集群分析，请考虑图3（a）和（b）。
图3：（a）数据图解集（b）一组数据中4种类型的簇的图解
- （b）
如图3（a）所示，原始数据在其他数据中没有博学或没有明显的关系。将聚类分析应用到数据集中后，如图3（b）所示，聚类或组有四种变体，因此可以从中提取关键信息，而简单的观察无法提取。聚类分析一直被广泛应用于模式识别、信息检索、心理学、生物学、统计学、机器学习和数据挖掘等领域。
3.基于关联分析的数据挖掘
关联分析在很大程度上被用作许多应用程序空间的一部分。最著名的一个领域是商业领域，在该领域中，寻找采购实例或项目之间的关系对于做出选择和有效的广告或营销极为重要。在最近几年，应用区域有一个增强的定义，最近应用的一些例子实在生物数据库中发现错误的例子，从编程中提取知识，设计度量或获取客户的web框架个性化配置文件。
令人信服的是，联合分析被认为是一种无监督的技术，因此目前的研究已经在信息披露算法中进行了演示，例如，关联挖掘，作为分类问题的一部分，可以有效地利用数据进行预测。
许多社会化规则的研究成果都有目的地缩短规则集，优化算法的性能。为了实现这些目标，应考虑最合适的模型和数据类型[12]。
专家和研究者们研究了Agrawal和Col.Later R首次提出的项目之间的概念关联和先验算法，为从事务数据库中获取关联规则提供了一种更好的解决方案。
as-sociation规则是x y形式的一个隐含表达式，其中x和y是联合项集，即x y=Phi;。关联规则的强度可以通过支持和 信心。支持决定规则应用于给定数据集的频率，而置信度 确定y中y项在包含x的事务上出现的频率。这些度量的正式定义是
支持是一项重要的措施，因为支持率很低的规则可能只是偶然发生的。支持通常用于通过预设最小支持来消除无趣的规则。而置信度则是衡量一条规则所作推论的可靠性。对于给定的规则x y，置信度越高，y在包含x的avtransaction中出现的可能性越大。这也提供了y给定x的条件概率的估计值。规则定义为x→y形式的扩展关联规则，其中x和d y是表示先行
剩余内容已隐藏，支付完成后下载完整资料
资料编号：[426726]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
