CN103258255B - 一种适用于电网管理***的知识发现方法 - Google Patents
一种适用于电网管理***的知识发现方法 Download PDFInfo
- Publication number
- CN103258255B CN103258255B CN201310103563.9A CN201310103563A CN103258255B CN 103258255 B CN103258255 B CN 103258255B CN 201310103563 A CN201310103563 A CN 201310103563A CN 103258255 B CN103258255 B CN 103258255B
- Authority
- CN
- China
- Prior art keywords
- decision
- knowledge
- classification
- making event
- training set
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提供一种适用于电网管理***的知识发现方法，包括以下步骤：选定对其进行知识发现的决策事件；提取与决策事件相关的数据；将与决策事件相关的数据转化为对应分类问题的示例；训练出决策树分类模型；提取对应所述决策事件的知识。本发明提供的适用于电网管理***的知识发现方法，通过将电网管理***过程中蕴含的隐性知识转化为可被***分析和识别的显性知识，从而提高电力***的运行效率和电网的整体智能化水平。
Description
技术领域
本发明属于电力***技术领域，具体涉及一种适用于电网管理***的知识发现方法。
背景技术
智能电网是21世纪电力***的重大科技创新，而知识的应用是电网智能化的直接表现之一。电力***中大量的判断逻辑和操作规则被固化在软硬件***当中，降低***灵活性的同时增加了***更新和维护的代价。在电力***包含的各类生产运行管理***中，存在着大量的电网基础知识和专家经验知识，它们未能以有效的合理的表达方式被业务应用***所接受，而是以各自形式存在于文档或专家头脑中。如果能将这些知识表达成***可理解的形式化描述，并应用于辅助智能决策，将能够大幅提高***的运行效率和电网的智能化水平。经由统一、合理的表达方式、模型和具体的领域知识构成的知识库，保证知识可以在电网各环节间无歧义的流通，增强各类生产管理控制***辅助决策能力，将是电网智能化建设迈出的重要一步。
然而随着电网智能化发展，电网管理***收集了越来越多的数据。海量数据环境下智能化***的协调与控制规则越发复杂，大量、复杂、冗余的信息超出***所能接受、处理和有效利用的范围，难以及时、有效地整合、组织成为对电网进行监控、管理所需的知识。因此，从海量数据中发现有效知识，提高信息的可用性以及电力***的运行效率，就变得非常重要。
发明内容
为了克服上述现有技术的不足，本发明提供一种适用于电网管理***的知识发现方法，通过将电网管理***过程中蕴含的隐性知识转化为可被***分析和识别的显性知识，从而提高电力***的运行效率和电网的整体智能化水平。
为了实现上述发明目的，本发明采取如下技术方案：
提供一种适用于电网管理***的知识发现方法，所述方法包括以下步骤：
步骤1：选定对其进行知识发现的决策事件；
步骤2：提取与决策事件相关的数据；
步骤3：将与决策事件相关的数据转化为对应分类问题的示例；
步骤4：训练出决策树分类模型；
步骤5：提取对应所述决策事件的知识。
所述步骤2中，从所述电网管理***的海量数据中提取与决策事件相关的数据。
所述步骤3中，对与决策事件相关的数据提取特征值，并给特征值加上相应的类别标签，将与决策事件相关的数据转化为对应分类问题的示例。
所述特征值为离散型的或连续型的。
所述步骤4中，通过知识发现框架将对应分类问题的示例作为训练例，训练出决策树分类模型。
所述步骤4包括以下步骤：
步骤40：起始动作；
步骤41：使用多核集成算法在原始的训练集S上，训练出分类精度高的分类模型E；
步骤42：使用分类精度高的分类模型E对原始训练集S中的n个示例依次进行预测，用预测的类别代替原始的类别标签，将修改后的训练集记为S1；
步骤43：随机生成了新示例的特征值，然后用分类模型E对新示例进行预测，用预测的类别作为新示例的类别标签，再将其加入到训练集S1中，记扩大后的训练集为S2；
步骤44：使用决策树算法在训练集S2上，训练出决策树分类模型；
步骤45：结束。
所述步骤42包括以下步骤：
步骤420：起始动作；
步骤421：将训练示例指示器i设置为0；
步骤422：训练示例指示器i加1；
步骤423：用训练出的分类精度高的分类模型E对第i个训练示例xi做预测，预测类别记为yi′；
步骤424：若预测类别yi′和原来类别yi相同，则直接执行步骤425；若预测类别yi′和原来类别yi不同，则用预测类别yi′代替原来的类别yi后，执行步骤425；
步骤425：判断原始训练集S中的n个示例是否都已被预测，若是，则转步骤426；若否则返回步骤422继续处理下一个示例；
步骤426：结束。
所述步骤5中，从训练出的决策树分类模型中提取对应所述决策事件的知识：
A)若需在对应的分类问题中标示出具有示例特征值的属性，则将决策树前n层的结点上的属性输出，n由用户指定；
B)若需提取决策事件的决策规则，则将每条从根结点到叶子结点的路径，转化为规则的形式表示并输出。
所述知识包括电网基础知识和专家经验知识；所述电网基础知识多以文档为载体，规定了各种电力操作规则；所述专家经验知识多以日志为载体，记录了专家处理各种紧急情况和事件的流程。
与现有技术相比，本发明的有益效果在于：
(1)将知识发现技术应用于电网管理***中；通过将***过程中蕴含的隐性知识转化为可被***分析和识别的显性知识，从而提高电力***的运行效率和电网的整体智能化水平。
(2)针对每一决策事件，可以提取出对应这一决策的知识；该方法首先将每一判断决策事件表示成一个分类问题，决策所依据的各个条件是分类问题的特征，而决策的结果所采取的不同行动，则是分类问题中不同的类别。
(3)利用机器学习方法训练出既可理解又具有高分类精度的分类模型。为达到这一目的，本发明采用了两阶段学习框架，在第一阶段，为了达到高的分类精度，本发明中使用了多核集成学习方法对训练数据进行扩充和去噪处理；为了便于提取知识，本发明中使用的是决策树模型。
(4)从建好的分类模型中提取出知识；本发明中提取的知识的表现形式可以是标示出对这个特定决策问题最相关的影响因素，也可以直接是用于此决策的决策规则。
附图说明
图1是适用于电网管理***的知识发现方法流程图；
图2是使用知识发现框架训练出决策树分类模型的流程图；
图3是使用分类精度高的分类模型E对原始训练集S中的n个示例进行预测的流程图。
具体实施方式
下面结合附图对本发明作进一步详细说明。
如图1，提供一种适用于电网管理***的知识发现方法，所述方法包括以下步骤：
步骤1：选定对其进行知识发现的决策事件；
步骤2：提取与决策事件相关的数据；
步骤3：将与决策事件相关的数据转化为对应分类问题的示例；
步骤4：训练出决策树分类模型；
步骤5：提取对应所述决策事件的知识。
所述步骤2中，从所述电网管理***的海量数据中提取与决策事件相关的数据。
所述步骤3中，对与决策事件相关的数据提取特征值，并给特征值加上相应的类别标签，将与决策事件相关的数据转化为对应分类问题的示例。
所述特征值为离散型的或连续型的。
如图2，所述步骤4中，通过知识发现框架将对应分类问题的示例作为训练例，训练出决策树分类模型。
所述步骤4包括以下步骤：
步骤40：起始动作；
步骤41：使用多核集成算法在原始的训练集S上，训练出分类精度高的分类模型E；
步骤42：使用分类精度高的分类模型E对原始训练集S中的n个示例依次进行预测，用预测的类别代替原始的类别标签，将修改后的训练集记为S1；
步骤43：随机生成了新示例的特征值，然后用分类模型E对新示例进行预测，用预测的类别作为新示例的类别标签，再将其加入到训练集S1中，记扩大后的训练集为S2；
步骤44：使用决策树算法在训练集S2上，训练出决策树分类模型；
步骤45：结束。
如图3，使用分类精度高的分类模型E对原始训练集S中的n个示例进行预测包括以下步骤：
步骤420：起始动作；
步骤421：将训练示例指示器i设置为0；
步骤422：训练示例指示器i加1；
步骤423：用训练出的分类精度高的分类模型E对第i个训练示例xi做预测，预测类别记为yi′；
步骤424：若预测类别yi′和原来类别yi相同，则直接执行步骤425；若预测类别yi′和原来类别yi不同，则用预测类别yi′代替原来的类别yi后，执行步骤425；
步骤425：判断原始训练集S中的n个示例是否都已被预测，若是，则转步骤426；若否则返回步骤422继续处理下一个示例；
步骤426：结束。
所述步骤5中，从训练出的决策树分类模型中提取对应所述决策事件的知识：
C)若需在对应的分类问题中标示出具有示例特征值的属性，则将决策树前n层的结点上的属性输出，n由用户指定；
D)若需提取决策事件的决策规则，则将每条从根结点到叶子结点的路径，转化为规则的形式表示并输出。
所述知识包括电网基础知识和专家经验知识；所述电网基础知识多以文档为载体，规定了各种电力操作规则；所述专家经验知识多以日志为载体，记录了专家处理各种紧急情况和事件的流程。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求范围当中。
Claims (1)
1.一种适用于电网管理***的知识发现方法，其特征在于：所述方法包括以下步骤：
步骤1：选定对其进行知识发现的决策事件；
步骤2：提取与决策事件相关的数据；
步骤3：将与决策事件相关的数据转化为对应分类问题的示例；
步骤4：训练出决策树分类模型；
步骤5：提取对应所述决策事件的知识；
所述步骤2中，从所述电网管理***的海量数据中提取与决策事件相关的数据；
所述步骤3中，对与决策事件相关的数据提取特征值，并给特征值加上相应的类别标签，将与决策事件相关的数据转化为对应分类问题的示例；
所述特征值为离散型的或连续型的；
所述步骤4中，通过知识发现框架将对应分类问题的示例作为训练例，训练出决策树分类模型；
所述步骤4包括以下步骤：
步骤40：起始动作；
步骤41：使用多核集成算法在原始的训练集S上，训练出分类精度高的分类模型E；
步骤42：使用分类精度高的分类模型E对原始训练集S中的n个示例依次进行预测，用预测的类别代替原始的类别标签，将修改后的训练集记为S1；
步骤43：随机生成了新示例的特征值，然后用分类模型E对新示例进行预测，用预测的类别作为新示例的类别标签，再将其加入到训练集S1中，记扩大后的训练集为S2；
步骤44：使用决策树算法在训练集S2上，训练出决策树分类模型；
步骤45：结束；
所述步骤42包括以下步骤：
步骤420：起始动作；
步骤421：将训练示例指示器i设置为0；
步骤422：训练示例指示器i加1；
步骤423：用训练出的分类精度高的分类模型E对第i个训练示例xi做预测，预测类别记为y′i；
步骤424：若预测类别y′i和原来类别yi相同，则直接执行步骤425；若预测类别y′i和原来类别yi不同，则用预测类别y′i代替原来的类别yi后，执行步骤425；
步骤425：判断原始训练集S中的n个示例是否都已被预测，若是，则转步骤426；若否则返回步骤422继续处理下一个示例；
步骤426：结束；
所述步骤5中，从训练出的决策树分类模型中提取对应所述决策事件的知识：
A)若需在对应的分类问题中标示出具有示例特征值的属性，则将决策树前n层的结点上的属性输出，n由用户指定；
B)若需提取决策事件的决策规则，则将每条从根结点到叶子结点的路径，转化为规则的形式表示并输出；
所述知识包括电网基础知识和专家经验知识；所述电网基础知识多以文档为载体，规定了各种电力操作规则；所述专家经验知识多以日志为载体，记录了专家处理各种紧急情况和事件的流程。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201310103563.9A CN103258255B (zh) | 2013-03-28 | 2013-03-28 | 一种适用于电网管理***的知识发现方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201310103563.9A CN103258255B (zh) | 2013-03-28 | 2013-03-28 | 一种适用于电网管理***的知识发现方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN103258255A CN103258255A (zh) | 2013-08-21 |
| CN103258255B true CN103258255B (zh) | 2016-04-20 |
Family
ID=48962156
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201310103563.9A Active CN103258255B (zh) | 2013-03-28 | 2013-03-28 | 一种适用于电网管理***的知识发现方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN103258255B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104599065A (zh) * | 2015-01-20 | 2015-05-06 | 青岛农业大学 | 一种基于印前编目的编目与学科服务业务协同方法 |
| CN105468663A (zh) * | 2015-02-12 | 2016-04-06 | 国网山东省电力公司潍坊供电公司 | 一种基于云模型的智能决策电网知识库的搭建方法 |
| CN105184316B (zh) * | 2015-08-28 | 2019-05-14 | 国网智能电网研究院 | 一种基于特征权学习的支持向量机电网业务分类方法 |
| CN106997488A (zh) * | 2017-03-22 | 2017-08-01 | 扬州大学 | 一种结合马尔科夫决策过程的动作知识提取方法 |
| CN109471939B (zh) * | 2018-10-24 | 2021-05-11 | 山东职业学院 | 一种知识分类及隐性知识显性化的*** |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101901428A (zh) * | 2010-07-21 | 2010-12-01 | 中国电力科学研究院 | 一种采用soa技术的电力市场仿真*** |
| CN102074955A (zh) * | 2011-01-20 | 2011-05-25 | 中国电力科学研究院 | 基于知识发现技术的电力***稳定评估及控制方法 |
| CN102622698A (zh) * | 2012-02-17 | 2012-08-01 | 内蒙古东部电力有限公司 | 电力市场分析预测***及其分析预测方法 |
| GB2488164A (en) * | 2011-02-18 | 2012-08-22 | Globosense Ltd | Identifying electrical appliances and their power consumption from energy data |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8452774B2 (en) * | 2011-03-10 | 2013-05-28 | GM Global Technology Operations LLC | Methodology to establish term co-relationship using sentence boundary detection |
-
2013
- 2013-03-28 CN CN201310103563.9A patent/CN103258255B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101901428A (zh) * | 2010-07-21 | 2010-12-01 | 中国电力科学研究院 | 一种采用soa技术的电力市场仿真*** |
| CN102074955A (zh) * | 2011-01-20 | 2011-05-25 | 中国电力科学研究院 | 基于知识发现技术的电力***稳定评估及控制方法 |
| GB2488164A (en) * | 2011-02-18 | 2012-08-22 | Globosense Ltd | Identifying electrical appliances and their power consumption from energy data |
| CN102622698A (zh) * | 2012-02-17 | 2012-08-01 | 内蒙古东部电力有限公司 | 电力市场分析预测***及其分析预测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于多核集成的在线半监督学习方法;黎铭等;《计算机研究与发展》;20081215;第45卷(第12期);第2060-2068页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN103258255A (zh) | 2013-08-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN103258255B (zh) | 一种适用于电网管理***的知识发现方法 | |
| CN105046327B (zh) | 一种基于机器学习技术的智能电网信息***及方法 | |
| CN109543901A (zh) | 基于信息融合卷积神经网络模型的短期电力负荷预测方法 | |
| CN107977737A (zh) | 基于mxnet框架深度神经网络的配变负荷预测方法 | |
| CN109343995A (zh) | 基于多源异构数据融合、机器学习及客服机器人的智能运维分析*** | |
| CN104616205A (zh) | 一种基于分布式日志分析的电力***运行状态监视方法 | |
| Hambali et al. | Electric power load forecast using decision tree algorithms | |
| CN109501834A (zh) | 一种道岔转辙机故障预测方法及装置 | |
| Lin et al. | Short-term metro passenger flow prediction based on random forest and LSTM | |
| CN112612819A (zh) | 一种抽水蓄能电站大数据分析挖掘方法及*** | |
| CN104978605A (zh) | 基于深度学习网络的大规模风电功率预测***及方法 | |
| CN116843083A (zh) | 基于混合神经网络模型的碳排放预测***及方法 | |
| Phan et al. | Distributed methods for solving the security-constrained optimal power flow problem | |
| CN117151424A (zh) | 基于大数据的人工智能电力调度决策*** | |
| Kuznetsova et al. | Complexity and vulnerability of Smartgrid systems | |
| CN116780530A (zh) | 面向大规模新能源接入电网薄弱环节识别预测方法及*** | |
| CN115733780A (zh) | 基于柔性以太网的动态自适应方法、***、设备及介质 | |
| Liu et al. | Research on text classification method of distribution network equipment fault based on deep learning | |
| Ardebili et al. | Digital Twins bonds society with cyber-physical Energy Systems: a literature review | |
| CN201717634U (zh) | 用于多层电网的事故集处理*** | |
| Liang et al. | New technology brings new opportunity for telecommunication carriers: Artificial intelligent applications and practices in telecom operators | |
| Sangeetha et al. | Integrating Machine Learning Algorithms for Predicting Solar Power Generation | |
| Shrivastava et al. | A predictive energy saving technique for 5G network base stations | |
| LIU et al. | A case study on intelligent operation system for wireless networks | |
| Ahangar et al. | Power System Operation and Control: A Data-Driven Approach |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| C14 | Grant of patent or utility model | ||
| GR01 | Patent grant | ||
| CP01 | Change in the name or title of a patent holder | ||
| CP01 | Change in the name or title of a patent holder |
Address after: 100031 Xicheng District West Chang'an Avenue, No. 86, Beijing Co-patentee after: China Electric Power Research Institute Patentee after: State Grid Corporation of China Co-patentee after: NANJING University Co-patentee after: STATE GRID SHANGHAI MUNICIPAL ELECTRIC POWER Co. Address before: 100031 Xicheng District West Chang'an Avenue, No. 86, Beijing Co-patentee before: China Electric Power Research Institute Patentee before: State Grid Corporation of China Co-patentee before: NANJING University Co-patentee before: SHANGHAI MUNICIPAL ELECTRIC POWER Co. |
|
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20170505 Address after: 100031 Xicheng District West Chang'an Avenue, No. 86, Beijing Co-patentee after: China Electric Power Research Institute Patentee after: State Grid Corporation of China Co-patentee after: GLOBAL ENERGY INTERCONNECTION Research Institute Co-patentee after: NANJING University Co-patentee after: STATE GRID SHANGHAI MUNICIPAL ELECTRIC POWER Co. Address before: 100031 Xicheng District West Chang'an Avenue, No. 86, Beijing Co-patentee before: China Electric Power Research Institute Patentee before: State Grid Corporation of China Co-patentee before: NANJING University Co-patentee before: STATE GRID SHANGHAI MUNICIPAL ELECTRIC POWER Co. |