本發(fā)明屬于高壓電力設(shè)備絕緣監(jiān)測技術(shù)領(lǐng)域，尤其涉及一種基于概率圖的變壓器狀態(tài)關(guān)聯(lián)規(guī)則挖掘方法。

背景技術(shù)：

電力變壓器是電網(wǎng)運(yùn)行的基礎(chǔ)單元，對變壓器狀態(tài)進(jìn)行全面、準(zhǔn)確的評價(jià)、診斷和預(yù)測，是狀態(tài)檢修和全壽命周期管理的前提條件，也是智能調(diào)度運(yùn)行的重要依據(jù)，可以為電網(wǎng)安全、可靠、高效運(yùn)行提供有力的技術(shù)支撐。

現(xiàn)有變壓器狀態(tài)評價(jià)和診斷模型主要基于單一或少數(shù)狀態(tài)參量進(jìn)行分析和判斷，多數(shù)局限于閾值診斷的范疇，無法充分利用設(shè)備大量狀態(tài)信與電網(wǎng)運(yùn)行和環(huán)境氣象之間蘊(yùn)含的內(nèi)在規(guī)律和關(guān)聯(lián)關(guān)系進(jìn)行綜合分析，狀態(tài)評價(jià)結(jié)果片面，同時(shí)也無法全面反映故障演變與表現(xiàn)特征之間的客觀規(guī)律，難以實(shí)現(xiàn)其潛伏性故障的發(fā)現(xiàn)和預(yù)測。因此對變壓器狀態(tài)信息，結(jié)合電網(wǎng)運(yùn)行信息及氣象信息數(shù)據(jù)進(jìn)行關(guān)聯(lián)規(guī)則挖掘?qū)⒂兄谔岣咴O(shè)備狀態(tài)預(yù)測的精度，從而有助于設(shè)備潛在性故障的發(fā)現(xiàn)和診斷。

目前常用的關(guān)聯(lián)規(guī)則挖掘算法主要有三種經(jīng)典算法，即Apriori算法、AprioriTid算法及AprioriHybrid算法。其中，Apriori算法每次循環(huán)都要掃描一遍數(shù)據(jù)庫，用來計(jì)算候選項(xiàng)集的支持度。隨著項(xiàng)集階數(shù)的增加，候選項(xiàng)集的個(gè)數(shù)逐漸減少，但是每次循環(huán)掃描的數(shù)據(jù)量并沒有變；AprioriTid算法使用逐漸減少的事務(wù)標(biāo)識(shí)表代替原始數(shù)據(jù)庫，減少了搜索量，但是在循環(huán)初始階段，候選項(xiàng)集的個(gè)數(shù)往往大于數(shù)據(jù)項(xiàng)個(gè)數(shù)。AprioriHybrid算法總體性能優(yōu)于Apriori算法和AprioriTid算法，但當(dāng)轉(zhuǎn)換出現(xiàn)的便利是最后一次時(shí)，AprioriHybrid算法比AprioriTid算法差，且算法復(fù)雜。

傳統(tǒng)的動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)模型通過建模相鄰的連續(xù)時(shí)間段上的條件依賴關(guān)系實(shí)現(xiàn)對未來狀態(tài)的預(yù)測。由于變壓器運(yùn)行環(huán)境的動(dòng)態(tài)性，導(dǎo)致相鄰時(shí)間段系統(tǒng)參數(shù)的變化不存在明顯的因果關(guān)系，而連續(xù)時(shí)間段上系統(tǒng)參數(shù)的波動(dòng)規(guī)律卻能反映一類特定的事件，例如氣象變化或設(shè)備出現(xiàn)故障。因此將多個(gè)系統(tǒng)參數(shù)之間的關(guān)聯(lián)規(guī)則引入可以顯著提高狀態(tài)預(yù)測和故障診斷的精確度。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的就是為了解決上述問題，提出了一種基于概率圖的變壓器狀態(tài)關(guān)聯(lián)規(guī)則挖掘方法，該方法利用概率圖分析關(guān)聯(lián)規(guī)則，避免了搜索各階頻繁項(xiàng)集都需要循環(huán)掃描所有數(shù)據(jù)項(xiàng)，提高了關(guān)聯(lián)規(guī)則挖掘的效率，利用該關(guān)聯(lián)規(guī)則可以使?fàn)顟B(tài)預(yù)測更加精確。

為實(shí)現(xiàn)上述目的，本發(fā)明的具體方案如下：

一種基于概率圖的變壓器狀態(tài)關(guān)聯(lián)規(guī)則挖掘方法，包括以下步驟：

(1)從數(shù)據(jù)庫中讀取設(shè)定變壓器狀態(tài)量數(shù)據(jù)；構(gòu)建變壓器狀態(tài)量關(guān)聯(lián)規(guī)則挖掘的數(shù)據(jù)集；

(2)利用Apriori算法，找出變壓器狀態(tài)量數(shù)據(jù)集中所有的頻繁2-項(xiàng)集；

(3)篩選頻繁2-項(xiàng)集，并計(jì)算篩選后的所有頻繁2-項(xiàng)集之間的條件概率分布；

(4)根據(jù)篩選后的頻繁2-項(xiàng)集，以頻繁2-項(xiàng)集及不同頻繁2-項(xiàng)集之間的條件概率分布為邊，構(gòu)造概率圖；

(5)根據(jù)所述概率圖，找出所有的關(guān)聯(lián)規(guī)則，生成關(guān)聯(lián)規(guī)則集合；

(6)計(jì)算每一條關(guān)聯(lián)規(guī)則的支持度和置信度，根據(jù)計(jì)算得到的支持度和置信度確定變壓器各狀態(tài)量之間的關(guān)聯(lián)程度；將各狀態(tài)量數(shù)據(jù)間的關(guān)聯(lián)規(guī)則引入變壓器狀態(tài)預(yù)測，對預(yù)測結(jié)果進(jìn)行修正。

進(jìn)一步地，所述步驟(1)中，變壓器狀態(tài)量關(guān)聯(lián)規(guī)則挖掘的數(shù)據(jù)集中包含的數(shù)據(jù)包括：變壓器油色譜數(shù)據(jù)、油溫?cái)?shù)據(jù)以及變電站氣象數(shù)據(jù)。

進(jìn)一步地，所述步驟(2)的具體方法為：

1)將變壓器狀態(tài)量數(shù)據(jù)集記為D，D＝{t₁,t₂,L,t_n}，其中t_k＝{i₁,i₂,L,i_p}，則將t_k(k＝1,2,L,n)稱為事務(wù)，i_m(m＝1,2,…,p)稱為項(xiàng)；

2)掃描變壓器狀態(tài)量數(shù)據(jù)集中的所有事務(wù)，計(jì)算每項(xiàng)出現(xiàn)的次數(shù)，產(chǎn)生頻繁1-項(xiàng)集L₁；

3)根據(jù)頻繁1-項(xiàng)集L₁得到頻繁2-項(xiàng)集L₂。

進(jìn)一步地，所述步驟3)的具體方法為：

Step1：連接和剪枝：對每兩個(gè)有1個(gè)共同項(xiàng)目的頻繁1-項(xiàng)集L₁進(jìn)行連接得到C'₂，并根據(jù)頻繁項(xiàng)集的反單調(diào)性，對C'₂進(jìn)行剪枝，得到候選2-項(xiàng)集C₂；

Step2：掃描變壓器狀態(tài)量數(shù)據(jù)集，確定每個(gè)事務(wù)t所含候選2-項(xiàng)集C₂的支持度subset(C₂,t),并存放在hash表中；

Step3：設(shè)定最小支持度閾值minSup，刪除支持度低于minSup的項(xiàng)集，得到頻繁2-項(xiàng)集L2。

進(jìn)一步地，所述步驟(3)中，篩選頻繁2-項(xiàng)集的方法具體為：

求取篩選頻繁2-項(xiàng)集X與Y的P-S興趣度interest(X,Y)；若interest(X,Y)≈0，那么X和Y相互獨(dú)立，將關(guān)聯(lián)規(guī)則從頻繁2-項(xiàng)集中刪除；

進(jìn)一步地，所述求取篩選頻繁2-項(xiàng)集X與Y的P-S興趣度interest(X,Y)的方法為：

其中，support(X)、support(Y)分別指項(xiàng)集X、Y的支持度；support(XUY)指的是項(xiàng)集XUY的支持度；

進(jìn)一步地，所述步驟(6)中，計(jì)算關(guān)聯(lián)規(guī)則的支持度的方法為：

其中，σ_XUY為項(xiàng)集XUY的支持?jǐn)?shù)，即變壓器狀態(tài)量數(shù)據(jù)集D中包含項(xiàng)集XUY的事務(wù)數(shù)；|D|是變壓器狀態(tài)量數(shù)據(jù)集D中的元素個(gè)數(shù)。

進(jìn)一步地，所述步驟(6)中，計(jì)算關(guān)聯(lián)規(guī)則的置信度的方法為：

其中，support(X)、support(XUY)分別指的是項(xiàng)集X、XUY的支持度。

進(jìn)一步地，所述步驟(6)中，設(shè)定設(shè)定最小支持度閾值minSup和最小置信度閾值minConf；

若關(guān)聯(lián)規(guī)則滿足且稱關(guān)聯(lián)規(guī)則為強(qiáng)關(guān)聯(lián)規(guī)則，否則稱關(guān)聯(lián)規(guī)則為弱關(guān)聯(lián)規(guī)則；

其中，為關(guān)聯(lián)規(guī)則的支持度，為關(guān)聯(lián)規(guī)則的置信度。

本發(fā)明的有益效果：

本發(fā)明方法利用概率圖分析關(guān)聯(lián)規(guī)則，避免了搜索各階頻繁項(xiàng)集都需要循環(huán)掃描所有數(shù)據(jù)項(xiàng)。仿真結(jié)果表明，將經(jīng)過數(shù)據(jù)挖掘得到的數(shù)據(jù)間關(guān)聯(lián)規(guī)則引入狀態(tài)預(yù)測對預(yù)測結(jié)果進(jìn)行修正可以顯著提高預(yù)測精度：平均預(yù)測誤差從20％下降到了10％。

附圖說明

圖1為本發(fā)明方法流程圖；

圖2(a)-(h)為變壓器在線監(jiān)測狀態(tài)量的概率分布圖；

圖3(a)-(c)為變壓器運(yùn)行數(shù)據(jù)日最大值的概率分布圖；

圖4(a)-(c)為變壓器運(yùn)行數(shù)據(jù)日平均值的概率分布圖；

圖5(a)-(d)為變電站氣象數(shù)據(jù)概率分布圖；

圖6為變壓器各狀態(tài)量間的概率圖；

圖7(a)-(d)為變壓器各狀態(tài)量之間的條件概率分布圖；

圖8(a)-(h)為變壓器狀態(tài)數(shù)據(jù)；

圖9為變壓器運(yùn)行電流數(shù)據(jù)；

圖10為狀態(tài)預(yù)測結(jié)果對比示意圖。

具體實(shí)施方式：

下面結(jié)合附圖對本發(fā)明進(jìn)行詳細(xì)說明：

本發(fā)明將概率圖模型引入對變壓器狀態(tài)進(jìn)行關(guān)聯(lián)規(guī)則挖掘。結(jié)合Apriori算法及概率圖模型，提出一種新的關(guān)聯(lián)規(guī)則挖掘算法，該算法首先利用Apriori算法找出所有的頻繁二項(xiàng)集，然后利用概率圖模型找出所有關(guān)聯(lián)規(guī)則，并計(jì)算每項(xiàng)關(guān)聯(lián)規(guī)則的支持度和置信度。該方法利用概率圖分析關(guān)聯(lián)規(guī)則，避免了搜索各階頻繁項(xiàng)集都需要循環(huán)掃描所有數(shù)據(jù)項(xiàng)。

概率圖模型是圖論和統(tǒng)計(jì)學(xué)相結(jié)合的產(chǎn)物，是一種數(shù)據(jù)驅(qū)動(dòng)的圖結(jié)構(gòu)模型，對不確定性和復(fù)雜性問題提供了直觀的方法。圖模型提供了聯(lián)合概率分布的結(jié)構(gòu)表示，本文應(yīng)用有向無環(huán)圖(貝葉斯網(wǎng)絡(luò))模型來挖掘變壓器各狀態(tài)量間的關(guān)聯(lián)規(guī)則。

貝葉斯網(wǎng)絡(luò)是一個(gè)有向無環(huán)圖，它提供了一種表示因果信息的方式，用圖形模式表示了變量間的連接概率。建立貝葉斯網(wǎng)絡(luò)的目的是描述變量間的關(guān)系進(jìn)而進(jìn)行概率推理。用概率進(jìn)行不確定性處理能夠保證結(jié)果的準(zhǔn)確性。

考慮一個(gè)含有n個(gè)變量的集合X＝{X₁,X₂,…,X_n}，貝葉斯網(wǎng)絡(luò)的鏈規(guī)則為依據(jù)條件概率鏈來表達(dá)聯(lián)合概率，即：

貝葉斯網(wǎng)絡(luò)中隱含著局部條件獨(dú)立假設(shè)，即已知父節(jié)點(diǎn)時(shí)節(jié)點(diǎn)條件獨(dú)立于其非子節(jié)點(diǎn)。利用該條件獨(dú)立性，可對連規(guī)則進(jìn)行化簡。

貝葉斯網(wǎng)絡(luò)主要由以下兩部分構(gòu)成，分別對應(yīng)問題的定性和定量描述：

1.有向無環(huán)圖(Directed Acyclic Graph,DAG)，由若干節(jié)點(diǎn)和有向邊組成，節(jié)點(diǎn)代表隨機(jī)變量，即待分析問題中的現(xiàn)象、狀態(tài)或?qū)傩浴Ｓ邢蜻叴砉?jié)點(diǎn)之間的依賴或因果關(guān)系，有向邊的箭頭代表因果關(guān)系的方向性，節(jié)點(diǎn)之間沒有有向邊連接表示對應(yīng)的變量之間條件獨(dú)立。

2.條件概率表(Condition Probability Table,CPT)，表示子節(jié)點(diǎn)與其父節(jié)點(diǎn)之間的關(guān)聯(lián)強(qiáng)度，沒有父節(jié)點(diǎn)的節(jié)點(diǎn)概率為其先驗(yàn)概率。

貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)是將數(shù)據(jù)實(shí)例抽象化的結(jié)果。假定有一個(gè)包含n個(gè)變量的隨機(jī)變量集V，G表示有向無環(huán)圖，L表示邊的邊的集合，P表示條件概率分布集，則貝葉斯網(wǎng)絡(luò)模型用數(shù)學(xué)符號表示為：

BN＝(G,P)＝(V,L,P) (2)

其中，

G＝(V,L) (3)

V＝{V₁,V₂,Λ,V_n} (4)

P＝{P(V_i|V₁,V₂,Λ,V_i-1),V_i∈V} (5)

根據(jù)鏈規(guī)則(1)，及條件獨(dú)立性假設(shè)，用表示變量V_i的父節(jié)點(diǎn)集，則其聯(lián)合概率分布為：

關(guān)聯(lián)規(guī)則挖掘的目的是找出數(shù)據(jù)庫中不同項(xiàng)之間的關(guān)聯(lián)關(guān)系，下面定義關(guān)聯(lián)規(guī)則挖掘中的幾個(gè)重要概念：

1)關(guān)聯(lián)規(guī)則挖掘的數(shù)據(jù)集記為D，D＝{t₁,t₂,L,t_n}，其中t_k＝{i₁,i₂,L,i_p}，,t_k(k＝1,2,L,n)稱為事務(wù)，i_m(m＝1,2,…,p)稱為項(xiàng)。每一個(gè)事務(wù)都有一個(gè)唯一的標(biāo)識(shí)符，稱為TID。

2)設(shè)I＝{i₁,i₂,…,i_p}是D中全體數(shù)據(jù)項(xiàng)組成的集合，I的任何子集X稱為D中的項(xiàng)集，若|X|＝k，X為k-項(xiàng)集。若X∈t_k，稱事務(wù)t_k包含項(xiàng)集X。

3)數(shù)據(jù)集D中包含項(xiàng)集X的事務(wù)數(shù)稱為項(xiàng)集X的支持?jǐn)?shù)，記為σ_X。項(xiàng)集X的支持度記為support(X):

其中，|D|是數(shù)據(jù)集D中的元素個(gè)數(shù)，若support(X)不小于最小支持度閾值(記為minSup)，則稱X為頻繁項(xiàng)集，否則稱X為非頻繁項(xiàng)集。

4)若X、Y為項(xiàng)集，且蘊(yùn)含式稱為關(guān)聯(lián)規(guī)則，X、Y分別稱為關(guān)聯(lián)規(guī)則的前提和結(jié)論，項(xiàng)集XUY的支持度稱為關(guān)聯(lián)規(guī)則的支持度，記為即

關(guān)聯(lián)規(guī)則的置信度記為

關(guān)聯(lián)規(guī)則挖掘中需要根據(jù)需要指定最小置信度閾值，記為minConf。支持度用于衡量關(guān)聯(lián)規(guī)則在整個(gè)數(shù)據(jù)集中的統(tǒng)計(jì)重要性，置信度用于衡量關(guān)聯(lián)規(guī)則的可信程度。

本發(fā)明基于概率圖的變壓器狀態(tài)關(guān)聯(lián)規(guī)則挖掘方法的主要流程如圖1所示，包括以下步驟：

(1)從數(shù)據(jù)庫中讀取設(shè)定變壓器狀態(tài)量數(shù)據(jù)；包括：變壓器油色譜數(shù)據(jù)、油溫?cái)?shù)據(jù)、變電站氣象數(shù)據(jù)等等；構(gòu)建變壓器狀態(tài)量關(guān)聯(lián)規(guī)則挖掘的數(shù)據(jù)集；

(2)利用Apriori算法，找出變壓器狀態(tài)量數(shù)據(jù)集中所有的頻繁2-項(xiàng)集；Apriori算法采用逐層搜索的迭代方法，由候選項(xiàng)集生成頻繁項(xiàng)集，最終由頻繁項(xiàng)集得到關(guān)聯(lián)規(guī)則。具體步驟如下：

1)將變壓器狀態(tài)量數(shù)據(jù)集記為D，D＝{t₁,t₂,L,t_n}，其中t_k＝{i₁,i₂,L,i_p}，則將t_k(k＝1,2,L,n)稱為事務(wù)，i_m(m＝1,2,…,p)稱為項(xiàng)；

2)掃描變壓器狀態(tài)量數(shù)據(jù)集中的所有事務(wù)，計(jì)算每項(xiàng)出現(xiàn)的次數(shù)，產(chǎn)生頻繁1-項(xiàng)集L₁；按照上說頻繁項(xiàng)集X的產(chǎn)生方法確定。

3)根據(jù)頻繁1-項(xiàng)集L₁得到頻繁2-項(xiàng)集L₂，具體方法如下：

Step1：連接和剪枝：對每兩個(gè)有1個(gè)共同的項(xiàng)目的頻繁項(xiàng)集進(jìn)行連接得到C'₂，并根據(jù)頻繁項(xiàng)集的反單調(diào)性，對C'₂進(jìn)行剪枝，得到候選2-項(xiàng)集C₂；其中，兩個(gè)頻繁項(xiàng)集如果有相同的項(xiàng)目t_n稱之為有共同的項(xiàng)目。

Step2：掃描變壓器狀態(tài)量數(shù)據(jù)集，確定每個(gè)事務(wù)t所含候選2-項(xiàng)集C₂的支持度subset(C₂,t),并存放在hash表中；

Step3：設(shè)定最小支持度閾值minSup，刪除支持度低于minSup的項(xiàng)集，得到頻繁2-項(xiàng)集L2。

(3)篩選頻繁2-項(xiàng)集，并計(jì)算篩選后的所有頻繁2-項(xiàng)集之間的條件概率分布；

由于當(dāng)support(XUY)≈support(X)support(Y)時(shí)，兩項(xiàng)集(X,Y)是相互獨(dú)立的，故關(guān)聯(lián)規(guī)則是無趣的。

2-項(xiàng)集X與Y的P-S興趣度定義為：

1)若interest(X,Y)＞0，那么X和Y正相關(guān)；

2)若interest(X,Y)≈0，那么X和Y相互獨(dú)立，從頻繁2項(xiàng)集中刪除；

3)若interest(X,Y)＜0，那么X和Y負(fù)相關(guān)。

(4)根據(jù)篩選后的頻繁2-項(xiàng)集，以頻繁2-項(xiàng)集及頻繁2-項(xiàng)集之間的條件概率分布為邊，構(gòu)造概率圖；

(5)根據(jù)所述概率圖，找出所有的關(guān)聯(lián)規(guī)則，生成關(guān)聯(lián)規(guī)則集合；

(6)計(jì)算每一條關(guān)聯(lián)規(guī)則的支持度和置信度，根據(jù)計(jì)算得到的支持度和置信度確定變壓器各狀態(tài)量之間的關(guān)聯(lián)程度；若關(guān)聯(lián)規(guī)則滿足且稱關(guān)聯(lián)規(guī)則為強(qiáng)關(guān)聯(lián)規(guī)則，否則稱關(guān)聯(lián)規(guī)則為弱關(guān)聯(lián)規(guī)則。

將各狀態(tài)量數(shù)據(jù)間的關(guān)聯(lián)規(guī)則引入變壓器狀態(tài)預(yù)測，可以對預(yù)測結(jié)果進(jìn)行修正。

算法的仿真及試驗(yàn)驗(yàn)證

以某五臺(tái)500kV變電站的主變。為例分析變壓器各狀態(tài)量之間的關(guān)聯(lián)規(guī)則。變壓器各在線監(jiān)測狀態(tài)量，即油中溶解氣體含量(包括：H₂、C₂H₂、CH₄、C₂H₄、CO、CO₂、碳水化合物)及油溫的概率布圖分別如圖2(a)-(h)所示。

變壓器的運(yùn)行狀態(tài)，即運(yùn)行電流、有功功率、無功功率的每天最大值的概率分布圖分別如圖3(a)、(b)、(c)所示，其日平均值的概率分布圖分別如圖4(a)、(b)、(c)所示。

變電站的氣象數(shù)據(jù)，氣溫、地面溫度、相對濕度、平均風(fēng)速的概率分布，分別如圖5(a)、(b)、(c)、(d)所示。

將各狀態(tài)量數(shù)值從其最小值到最大值分為10個(gè)區(qū)間段，若數(shù)值在某個(gè)區(qū)間段，認(rèn)為事件發(fā)生，反之，認(rèn)為事件不發(fā)生。對每個(gè)區(qū)間段，分別得到頻繁2項(xiàng)集，畫出概率圖，如圖6所示。

計(jì)算各狀態(tài)量之間的條件概率分布，以乙炔相對氫氣的條件概率分布、油溫相對氣溫概率分布、乙炔相對總烴條件概率分布、油溫相對平均電流的概率分布為例分別如圖7(a)-(d)所示。

頻繁集項(xiàng)數(shù)大于3的關(guān)聯(lián)規(guī)則，及其最大支持度和最大置信度，如表1所示。

表1變壓器狀態(tài)數(shù)據(jù)關(guān)聯(lián)規(guī)則挖掘結(jié)果

某500kV變壓器從2010年3月21日至2013年6月28日，共1200天的油色譜、油溫和環(huán)境溫度數(shù)據(jù)如圖8(a)-(h)所示。負(fù)載電流數(shù)據(jù)如圖9所示。

徑向基神經(jīng)網(wǎng)絡(luò)(Radical Basis Function Neural Network)是一種三層前向神經(jīng)網(wǎng)絡(luò)。第一層為輸入層，第三層為輸出層。第二層為隱藏層，隱藏層中的神經(jīng)元變換函數(shù)即徑向基函數(shù)是對中心點(diǎn)徑向?qū)ΨQ且衰減的非線性函數(shù)，該函數(shù)將低維的輸入矢量變換到高維空間內(nèi)，使得在低位空間內(nèi)的線性不可分的問題在高維空間內(nèi)線性可分。RBF神經(jīng)網(wǎng)絡(luò)不僅具有全局逼近的性質(zhì)、良好的泛化能力，而且計(jì)算量小，學(xué)習(xí)速度快，不存在局部最小問題。因此已經(jīng)廣泛地應(yīng)用在時(shí)間序列分析、模式識(shí)別等領(lǐng)域。

由于輸入層僅僅起到傳輸信號的作用，也就是說輸入層和隱藏層之間可以看作連接權(quán)值為1的鏈接，所以網(wǎng)絡(luò)的學(xué)習(xí)過程是通過修改連接隱藏層和輸出層的權(quán)值來實(shí)現(xiàn)的。

將圖8(a)-(h)、圖9中的數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)的輸入，預(yù)測該變壓器以后360天的運(yùn)行電流數(shù)據(jù)，神經(jīng)網(wǎng)絡(luò)每30天更新一次。將表1中得到的狀態(tài)量間的關(guān)聯(lián)規(guī)則作為先驗(yàn)知識(shí)對神經(jīng)網(wǎng)絡(luò)輸出層權(quán)值進(jìn)行人工調(diào)整。得到的油溫、變壓器油中乙炔含量及油中總烴含量的預(yù)測相對誤差如圖10(a)-(c)所示。

從圖10(a)-(c)中可以觀測到，將經(jīng)過數(shù)據(jù)挖掘得到的數(shù)據(jù)間關(guān)聯(lián)規(guī)則引入狀態(tài)預(yù)測對預(yù)測結(jié)果進(jìn)行修正可以顯著提高預(yù)測精度：平均預(yù)測誤差從20％下降到了10％。進(jìn)而證明了本文所提出的關(guān)聯(lián)規(guī)則挖掘方法可以有效地挖掘出變壓器各狀態(tài)量之間的關(guān)聯(lián)規(guī)則。

上述雖然結(jié)合附圖對本發(fā)明的具體實(shí)施方式進(jìn)行了描述，但并非對本發(fā)明保護(hù)范圍的限制，所屬領(lǐng)域技術(shù)人員應(yīng)該明白，在本發(fā)明的技術(shù)方案的基礎(chǔ)上，本領(lǐng)域技術(shù)人員不需要付出創(chuàng)造性勞動(dòng)即可做出的各種修改或變形仍在本發(fā)明的保護(hù)范圍以內(nèi)。