一種舞動數(shù)據(jù)的挖掘方法及系統(tǒng)，包括：基于輸電線路舞動的潛在影響因子對舞動信息記錄表進行篩選獲得第一類影響因子；基于所述第一類影響因子對應的相關(guān)系數(shù)和預先構(gòu)建的支持向量機模型，對所述第一類影響因子中的各影響因子進行排序，從排序后的第一類影響因子中選擇滿足預設條件的影響因子作為第二類影響因子；將舞動信息記錄表中所述第二類影響因子對應的輸電線路相關(guān)數(shù)據(jù)作為舞動分析的舞動數(shù)據(jù)。本發(fā)明可以提取出與舞動發(fā)生率密切相關(guān)的影響因子，提高舞動預測預警的準確率。

技術(shù)領(lǐng)域

本發(fā)明涉及輸電線路防災減災領(lǐng)域，具體涉及一種舞動數(shù)據(jù)的挖掘方法及系統(tǒng)。

背景技術(shù)

輸電線路舞動事故是威脅電網(wǎng)安全穩(wěn)定運行的重要災害形式之一，輸電線路舞動易導致線路跳閘、導線斷股、金具螺栓松動，當發(fā)生大范圍輸電路線路舞動事故時，會導致電網(wǎng)大面積停電，嚴重影響大電網(wǎng)安全穩(wěn)定運行。近年來，隨著人工智能技術(shù)的快速發(fā)展，其在電網(wǎng)防災減災領(lǐng)域的應用日漸深入，人們將人工智能技術(shù)引入輸電線路舞動預測預警工作中，利用積累的大量舞動相關(guān)數(shù)據(jù)，對舞動事故的發(fā)生可能性進行預測預警，從而使得線路運維部門能夠提前預判災害的發(fā)生，制定應對措施，降低舞動事故對電網(wǎng)產(chǎn)生的損害。然而，舞動預測的準確率還不盡如人意，原因在于舞動數(shù)據(jù)的利用和挖掘水平還有待提高，舞動相關(guān)數(shù)據(jù)形式多樣，如何從海量復雜的數(shù)據(jù)中提取出對于舞動研究最具價值的信息，是提高舞動智能預警精度和準確率的基礎(chǔ)和關(guān)鍵，因此，需要對舞動數(shù)據(jù)挖掘技術(shù)進行深入研究。

發(fā)明內(nèi)容

為了解決現(xiàn)有技術(shù)中所存在的舞動預測準確率低的問題，本發(fā)明提供一種舞動數(shù)據(jù)的挖掘方法及系統(tǒng)。

本發(fā)明提供的技術(shù)方案是：一種舞動數(shù)據(jù)的挖掘方法，包括：

基于輸電線路舞動的潛在影響因子對舞動信息記錄表進行篩選獲得第一類影響因子；

基于所述第一類影響因子對應的相關(guān)系數(shù)和預先構(gòu)建的支持向量機模型，對所述第一類影響因子中的各影響因子進行排序，從排序后的第一類影響因子中選擇滿足預設條件的影響因子作為第二類影響因子；

將舞動信息記錄表中所述第二類影響因子對應的輸電線路相關(guān)數(shù)據(jù)作為舞動分析的舞動數(shù)據(jù)。

優(yōu)選的，所述基于所述第一類影響因子對應的相關(guān)系數(shù)和預先構(gòu)建的支持向量機模型，對所述第一類影響因子中的各影響因子進行排序，包括：

從所述舞動信息記錄表中選擇第一影響因子及所述第一影響因子涉及的輸電線路相關(guān)數(shù)據(jù)，生成分析數(shù)據(jù)表；

基于分析數(shù)據(jù)表計算所述第一類影響因子中各影響因子對應的均值和均方差；

基于各影響因子對應的均值和均方差計算各影響因子的相關(guān)系數(shù)；

基于各影響因子的相關(guān)系數(shù)的絕對值對所述第一類影響因子中的各影響因子進行排序得到第一排序結(jié)果；

基于分析數(shù)據(jù)表和支持向量機模型，對所述第一類影響因子中的各影響因子進行排序得到第二排序結(jié)果。

優(yōu)選的，所述從排序后的第一類影響因子中選擇滿足預設條件的影響因子作為第二類影響因子，包括：

比較第一排序結(jié)果中第一類影響因子的各影響因子排序結(jié)果，和第二排序結(jié)果中第一類影響因子的各影響因子排序結(jié)果；

當所述第一排序結(jié)果和第二排序結(jié)果中順序為閾值時的多個影響因子相同，則選擇相同的影響因子作為第二類影響因子。

優(yōu)選的，所述基于分析數(shù)據(jù)表和支持向量機模型，對所述第一類影響因子中的各影響因子進行排序得到第二排序結(jié)果，包括：

將第一類影響因子中的全部影響因子設置為原始特征集合，同時設置一個為空集的特征排序集；

將第一類影響因子和所述第一類影響因子對應的輸電線路相關(guān)數(shù)據(jù)作為訓練樣本；