[计算机]人工智能技术在配电自动化中的应用.docVIP

人工智能技术在配电自动化中的应用 彭景芹1 刘振明2 赵可新3 （河北工程技术高等专科学校计算机系 河北 沧州 061001） 摘要：本文介绍了知识发现（KDD）的相关理论，从配电自动化系统智能化的观点分析了将知识发现技术用于配电自动化系统中，以挖掘在故障处理决策过程中具有重要参考价值的知识。 关键词：配电自动化，知识发现，数据挖掘 1 引言 随着我国经济的高速发展，对于电力的需求不断增加，对于供电质量也不断提高要求，这就要求我们的配电自动化系统具有智能化，对于越来越复杂的配电网结构也能够迅速地判断故障并且处理故障，这样地要求再采用原先的由调度员根据报上来的现场情况人工做出判断并发出命令的方式肯定是不行的，这就要求配电自动化系统具有智能化，能够根据各种很复杂的情况自动做出判断，这时就要将人工智能技术应用于配电自动化系统。从反映配电自动化系统状态的海量历史数据库中挖掘出新知识――知识发现（KDD）是人工智能技术的基础工作。 2 知识发现（KDD－Knowledge Discovery in Database） KDD是随着数据库技术和人工智能技术的发展而出现并发展起来的，是近几年兴起的一个极有发展前途并得到广泛应用的新领域，目前KDD的定义有很多种，其中一个普遍接受的定义是：知识发现（KDD）是从海量数据库中提取真实的、新颖的、潜在有用的和完全可以理解的模式的一个非平凡过程。数据挖掘（DM-Data Mining）是这个过程中的一个关键步骤，一般将KDD中进行知识学习的阶段称为数据挖掘，它是整个数据库中知识发现过程中一个非常重要的处理环节。 数据是有关事实的集合，记录和事务有关的原始信息。模式是一个用语言来表示的表达式，它可用来描述数据集的某个子集。我们所说的知识，是对数据包含的信息更抽象的描述。对大量数据进行分析的过程，包括数据准备、模式搜索、知识评价，以及反复的修改求精。该过程要求是非平凡（nontrivial）的，意思是要有一定程度的智能性、自动性（仅仅给出所有数据的总和不能算作是一个发现过程）。有效性（valid）是指发现的模式对于新的数据仍保持有一定的可信度。新颖性(novel)要求发现的模式应该是新的。潜在有用性(potentially useful)是指发现的知识将来有实际效用，如用在决策支持系统中可提高经济效益。最终可理解性（ultimately understandable）要求发现的模式能被用户理解，目前它主要体现在简洁性上。 复杂数据挖掘的类型有以下几大类： 空间数据挖掘 多媒体数据挖掘 时序数据和序列数据的挖掘 文本数据库挖掘 Web挖掘 在配电自动化系统中我们主要应用时序数据和序列数据的挖掘。 3 KDD的工作过程 KDD整个过程可以分成三个阶段来完成，数据准备阶段，数据挖掘阶段，知识评价及结果的显示阶段。具体工作流程包括以下9个步骤： 了解所应用的领域，有相关领域的预备知识，并确定使用者的目标。 创建一个目标数据形式：选择一种数据设置，着眼于变量或数据样本的子集，从中做出某种发现。 数据清除和预处理：基本操作如噪音以及无关项的清除，收集、模拟和计算噪音的必要数据，决定丢失的数据部分的处理策略，考虑信息的时间序列和已知变化。 数据约简和选择挖掘类型：找出特征数据，并确定进行发现型挖掘还是验证型挖掘。 选择数据挖掘任务：根据自己的领域和目标确定挖掘任务。 选择数据挖掘的算法。 数据挖掘。 说明挖掘知识。 巩固已发现的知识。 KDD过程是交互的，可以包括重要的迭代，也有两步间的循环。 4 KDD的方法 KDD的方法主要建立在人工智能、计算智能和统计分析等理论上，具体包括以下一些方法： 统计分析方法：主要用于完成总结知识和关联知识的采掘，它又可细分为回归分析、多元分析和贝叶斯网络。 决策树：主要用于分类。 神经网络：用于分类、聚类、特征采掘、预测和模式识别。 遗传算法：用于分类、关联规则采掘等。 基于事例的推理：可用于异常情况探测和建模等。 5 KDD在配电自动化系统中的应用 配电自动化系统实时地监测线路运行状况及各开关地状态，随时有数据发向配电控制中心，形成了有很大数据量的历史数据库，在这些数据中有正常运行时的数据，也有故障前、故障时和故障后的数据，根据这些数据我们可以用基础案例的推理（Case Based Reasoning, CBR）技术预测故障，并建立故障预测案例库，在故障前将数据预模式库中的数据进行匹配以便能够及早预报故障，再根据故障处理库中的模式进行处理。 基础案例的推理（CBR）技术是人工智能领域中较新崛起的一种重要的基于知识的问题求解和学习方法，CBR以有限的、不确定的知识解决困难问题，并且随着经验的增长，处理问题的能力不断地增强。这是应用于现实世界问题领域的人工智