基于大数据挖掘分析的智能监控系统

摘 要

电网的智能监控包括电网故障的诊断和排除、解决故障。电网故障发生后，如何快速精准地诊断并恢复，对于电网运行，减少停电损失具有重要意义。本文提出基于大数据挖掘分析的改进以后的RBF（Radial Basic Function）径向基函数人工神经网络进行故障诊断，将最小二乘法扩展用于优化该RBF神经网络。

【关键词】智能监控 大数据挖掘分析 神经网络

1 引言

随着现代电力电子工业的发展，大容量非线性电力负荷的不断增多和电力系统超负荷运行对电力系统的影响也随之日益增大。电网故障后，需经过紧急状态调整，采取措施甩掉一批负荷或系统处于解列状态后，在尽量少的时间里，最大限度地恢复至系统正常运行。在电网预警监控系统中，及时对电网进行评估、故障预警、诊断与自动控制，避免隐患故障的发生或者将故障的损失限制在最小范围内对电网的健康已经安全运行至关重要。

大数据挖掘有一套完整的方法用以解决实际问题，依此通过分类估计，预测分析，相关性分组，抽象聚类，建模描述可视化，复杂数据类型挖掘六个部分，实现从海量无关信息到便于人们理解的可视化分析结论的过程。将这一套完整的方法用于电网的运行系统中海量数据的分析，便可大幅度提高电网智能监控系统的准确度和实效性。

本文研究基于人工神经网络的大数据挖掘分析的智能电网监控系统，通过对以往电网运行参数进行挖掘汇总与分析，整理好的数据信息采用RBF（Radial Basic Function）径向基函数人工神经网络。RBF神经网络是一种的前馈神经网络模型，由于其具有全局逼近的性质，且不存在局部最小问题，已经得到了广泛的应用。

2 监控系统诊断大数据挖掘分析

神经网络的学习过程为先用k-means聚类方法对所挖掘获得的数据输入进行聚类，即用无监督学习的方法确定RBF神经网络中隐结点的数据中心，并根据各数据中心之间的距离确定隐结点的扩展常数，然后通过有监督学习训练个隐结点的输出权值。

RBF神经网络为n-h-m结构，即有n个输入、h个隐结点和m个输出。神经网络的输入矢量， 为输出权矩阵，为输出单元偏移，网络输出为

（1）

其中为第i个隐含结点的激活函数。RBF网络所采用的隐含结点的激活函数可以取多种形式，研究中常采用高斯函数形式，即

（2）

其中是第i个隐含结点的中心，是第i个隐含结点的拓展常数。

从样本中产生h个初始聚类中心，默认选取前h个。ci为第i类聚类中心，其相对应的方差为，定义所有样本输入与初始聚类中心的距离范数

（3）

对样本输入x按最小距离原则进行分类。再重新计算各类的新的聚类中心。当出现第一个 时，

（4）

当出现第一个以后的 （5）

其余情况下

（6）

其中，v是胜者聚类中心的学习速率，聚类中心的惩罚速率p与v的比值。则胜者聚类中心的方差为

（7）

其中是接近于1小于1的常数，通常取0.999。进一步聚类中心的学习速率

（8）

其中。

若上式收敛则迭代结束；若不收敛，此时需要循环样本与聚类中心的距离，令k=k+1，再重新聚类并计算下新的聚类中心。迭代结束后去除空中心，获得最优的聚类中心。如果其中某聚类中心位于数据集合的外则去除该中心。

以上基于k-means算法的改进算法使初始聚类中心位于数据集合外部，可以排除多余的竞争节点，使新的聚类中心移进数据集合，而多余的节点更加远离数据集，算法的迭代速度增大，根据各中心最终相对于数据集合的位置。

3 结论

本文把基于大数据挖掘分析获得的数据改进后的RBF神经网络应用于电网的智能监控系统。本文将大数据挖掘分析应用于电网智能监控系统中。对改进以后的RBF径向基函数人工神经网络进行故障诊断进行了阐述和分析，将最小二乘法扩展用于优化该RBF神经网络。通过计算机仿真结果表明：该改进以后的RBF径向基函数人工神经网络对电网的故障诊断十分有效。设计了基于此算法和TCP/IP协议通信的智能监控系统。根据本文的研究，基于该改进后的RBF神经网络应用于电网的智能监控系统在电网故障诊断和恢复方面有很高的效率。

参考文献

[1]陈为化，江全元.电力系统电压崩溃的风险评估[J].电网技术，2005，29（19）：6-10.

[2]李树广. 电网监控与预警系统的研制[J]. 电网技术，2006，09：77-82.

作者单位

1.中国地震局第二监测中心 陕西省西安市 710000

2.西安睿云科技有限公司 陕西省西安市 710000