4、基于谐波监测数据的聚类、分类与解释规则

基于谐波监测数据的聚类、分类与解释规则

1. 引言

随着电力电子设备在住宅、商业和工业配电系统中的广泛应用，以及高灵敏度微处理器控制设备的大量普及，越来越多的配电用户对供电系统中的谐波问题变得更加敏感。在工业系统中，谐波损耗会增加运营成本，缩短设备使用寿命。因此，大型工业和商业客户开始积极开展谐波监测工作。同时，公用事业行业的放松管制也促使一些公用事业公司进行广泛的谐波监测计划，以确保干扰水平在预定范围内，从而留住现有客户并吸引新客户。这将导致需要存储和分析的谐波数据迅速增加。

公用事业工程师正在寻找新的工具，以从大量数据中提取隐藏的信息。数据挖掘工具是分析大规模数据的理想选择。数据挖掘是一种利用各种分析工具识别数据中隐藏模式和关系的过程。基于聚类的分类是数据挖掘中重要的无监督学习技术，特别是通过机器学习和统计方法在多变量数据中发现各种模式和异常。聚类常用于初步了解复杂数据，在谐波数据中，可用于识别潜在的类别。文献中报道了多种聚类类型，包括：
- 层次聚类（嵌套）
- 划分聚类（非嵌套）
- 排他聚类（每个对象仅分配到一个簇）
- 非排他聚类（一个对象可分配到多个簇）
- 完全聚类（每个对象都属于一个簇）
- 部分聚类（一个或多个对象不属于任何簇）
- 模糊聚类（一个对象对所有簇都有隶属权重）

本研究选择了基于AutoClass和Snob研究项目的方法进行谐波分类。该方法利用混合模型表示聚类结果，主要通过最小消息长度（MML）编码方案形成基于高斯分布的混合模型。在形成混合模型的过程中，各种衍生工具（算法）可自动选择簇的数量，并计算簇的均值、方差和相对丰度。本研究还开发了一种基于MML方法的新技术，用于在聚类过程中确定最