[发明专利]一种基于改进Apriori的配电网电压越限问题关联分析方法

说明书

本发明提供一种基于改进Apriori的配电网电压越限问题关联分析方法，针对FP‑growth增长频繁模式受限于存储空间的局限性，本发明基于布尔矩阵生成项集索引表，由此挖掘频繁项集；针对传统Apriori算法存在较高时间复杂度的问题，本发明采用动态压缩矩阵方法减少数据扫描的规模，并且利用按位与运算代替传统Apriori算法的连接步的低速查找比较运算；针对描述性文本难以结构化表达的问题，本发明采用文本挖掘技术对描述性文本进行文本分类，以此实现文本预处理。

技术领域

本发明涉及配电网领域，更具体地，涉及一种基于改进Apriori的配电网电压越限问题关联分析方法。

背景技术

随着社会的发展和电力需求的扩大，人们对供电质量的要求日益提高，而配电网电压越限问题作为电力系统薄弱环节一直是供电企业关注和治理的重点对象。近年来，供电企业大力推广与应用智能电表、智能开关等终端设备，为电网大数据平台的构建积累了海量数据，这不仅克服了传统电气计算能力的局限性，也为电力系统运行分析与规划建设等方面提供新的研究思路。因此如何充分利用好电力大数据资源，辅助工作人员快速分析、处理电压越限问题，成为改善配电网电压质量过程中必须面对的难题。

相近似的实现方案有两种，分别是FP-growth算法和传统Apriori算法。

FP-growth是一种基于FP-tree(频繁模式树)的关联规则算法。其主要步骤是采用分治策略，通过两次扫描样本集建立FP-tree，利用树结构对样本进行压缩，不需产生候选项集，然后采用增长频繁集的方法挖掘满足关联规则的频繁项。FP-tree是哈希树的变种，树的子叶存储频繁1-项集，树的枝干用来表示特定的关联规则。但是FP-growth采用递归增长频繁项的模式存在两个方面的缺陷：一是由于自底向上挖掘时需要反复搜索FP-tree，容易产生较多的指针链；二是当FP-tree的分支数很多且长度较长时，存储项集将占用大量存储空间，内存开销大

Apriori是所有关联规则算法中最具影响力的一种经典算法，其核心思想是采用逐层搜索的迭代方法对事务集进行不断的连接、遍历与剪枝，直至找到最大频繁项集及其关联规则。针对事务数据库，Apriori算法从频繁k项集的集合L_k中迭代产生与其连接的k+1候选项集合C_k+1，然后将数据库压缩至C_k+1范围内搜索频繁k+1项集L_k+1，最后在所有频繁项集中生成给定条件的关联规则，用于发现海量数据中各项集间的关联信息；但是传统Apriori算法在生成候选项集后需要对大量候选项集计算支持度，再加上重复扫描数据集将显著增加运算时间，很大程度上影响算法效率；由于中文文本半结构化数据的复杂性以及文本书写过程中的主观经验性，导致与电压越限相关的描述性文本难以直接用于关联规则的计算过程。

现有的技术中，中国发明专利CN110266000A公开了“一种配电网电压越限原因分析方法、系统及存储介质”，公开日为2019年09月20日，其包括分析方法包括采集目标配电网区域内电压越限信息，形成电压越限待分析事件；根据电压越限待分析事件，基于信息化系统多源数据，获取配电网线路的馈线级有效信息，构建馈线信息库；将馈线信息库中的馈线级有效信息，分层级初步诊断电压越限的原因，并构建各层级电压越限事件分类判定模型参数库；根据各层级电压越限事件及电压越限的原因机理，构建电压越限原因诊断模型参数库，输出电压越限事件原因分析结果；该专利解决海量配电设备异常运行及配电网电压越限原因分析，配电网电压越限原因分析效率低的问题，但是分析解决电压越限问题是建立模型参数库，分层级初步诊断电压越限的原因，但是并没有分析配电网电压越限问题及其影响因素之间的关联关系，没有挖掘造成电压越限问题的主要影响因素，从而无法为制定电压治理方案的决策建议提供有价值的参考信息。

发明内容

本发明为解决FP-growth增长频繁模式受限于存储空间的局限性、传统Apriori算法存在较高时间复杂度和描述性文本难以结构化表达的技术缺陷，提供了一种基于改进Apriori的配电网电压越限问题关联分析方法。