Wykorzystanie analizy skupień do identyfikacji oznaczonych wyników pomiaru jakości energii elektrycznej

• Autorzy: Jasiński Michał , Sikorski Tomasz , Kaczorowska Dominika , Borkowski Klaudiusz

Identyfikatory

DOI

10.32016/1.67.11

Warianty tytułu

EN

Application of cluster analysis to identyfication flagged power quality measurements

• Konferencja: Jakość dostawy energii elektrycznej - wspólna odpowiedzialność wytwórców, dystrybutorów, konsumentów i prosumentów (28-29.11.2019; Częstochowa, Polska)
• Języki publikacji: PL

Abstrakty

PL

W artykule zaprezentowano wykorzystanie eksploracji danych w analizie parametrów określających jakość energii elektrycznej (JEE) pod kątem identyfikacji danych podlegających regule oznaczania w rozumieniu normy PN EN 61000-4-30 [1]. Przedstawiono zastosowanie analizy skupień jako narzędzia umożliwiającego podział zagregowanych danych pomiarowych na grupy reprezentujące wyniki pomiarów wolne od zdarzeń napięciowych oraz wyniki pomiarów, w trakcie których wystąpiło zdarzenie napięciowe. Przebadano wrażliwość algorytmu k-średnich na identyfikację danych zawierających przerwy, zapady, wzrosty oraz szybkie zmiany napięcia. Za zbiór danych testowych wykorzystano synchroniczne pomiary przeprowadzone w sieci zakładów górniczych. Uzyskane wyniki pozwalają na określenie skuteczności wykorzystania analizy skupień do identyfikacji danych zagregowanych zawierających zdarzenia napięciowe.

EN

The article presents the use of data mining to power quality issue. The application of cluster analysis as a tool which lead to division into groups representing the measurement period for which aggregated data (within the meaning of PN EN 61000-4-30 standard) contain and do not contain aggregated voltage events is presented. The sensitivity of the K-means algorithm to the identification of data containing interruptions, dips, increases and rapid voltage changes was tested. Synchronous measurements carried out in the mining plant network were used for the test data set. The obtained results allow determining the effectiveness of using cluster analysis to identify aggregated data containing voltage events.

Słowa kluczowe

PL

jakość energii elektrycznej; analiza skupień; koncepcja oznaczania

EN

power quality; cluster analysis; flagging concept

• Wydawca: Wydział Elektrotechniki i Automatyki Politechniki Gdańskiej
• Czasopismo: Zeszyty Naukowe Wydziału Elektrotechniki i Automatyki Politechniki Gdańskiej
• Rocznik: 2019
• Tom: Nr 67
• Strony: 57--60
• Opis fizyczny: Bibliogr. 16 poz., rys., tab.

Twórcy

autor

Jasiński Michał

• Politechnika Wrocławska, Wydział Elektryczny

autor

Sikorski Tomasz

• Politechnika Wrocławska, Wydział Elektryczny

autor

Kaczorowska Dominika

• Politechnika Wrocławska, Wydział Elektryczny

autor

Borkowski Klaudiusz

• KGHM Polska Miedź S.A.

Bibliografia

• 1. PN EN 6100-4-30: Kompatybilność elektromagnetyczna (EMC) -- Część 4-30: Metody badań i pomiarów-- Metody pomiaru jakości energii 2015.
• 2. Han J., Kamber M.: Data Mining: Concepts and Techniques, Waltham 2011.
• 3. Hand D., Mannila H., Smyth P.: Principles of data mining, Cambridge 2001.
• 4. Witten I. Frank E.: Data Mining: Practical Machine Learning Tools and Techniques, Burlington 2011.
• 5. Larose D.: Discovering knowledge in data. An Introduction to Data Mining, New Jersey 2005.
• 6. Jasiński M., Sikorski T., Borkowski K.: Clustering as a tool to support the assessment of power quality in electrical power networks with distributed generation in the mining industry, Electrical Power System Ressearch, Nr 166, 2019, str. 52–60.
• 7. CIGRE, Broshure 292: Data mining techniques and applications in the power transmission field, 2006.
• 8. Morais J., Pires Y.: An overview of data mining techniques applied to power systems in Data Mining and Knowledge Discovery in Real Life Applications, I-Tech, 2009, str. 438.
• 9. Abdel-Galil T., Kamel M.: Youssef A., El-Saadany E., Salama M., Power quality disturbance classification using the inductive inference approach, IEEE Transactions Power Delivery, Nr 19, no. 4, 2004, str. 1812–1818.
• 10. Asheibi D., Stirling A., Perera A., Robinson S.: Power Quality Data Analysis Using Unsupervised Data Mining, 2004 Australas. Univ. Power Eng. Conf. AUPEC, 2004.
• 11. Larose D.: Odkrywanie wiedzy z danych. Wprowadzenie do eksploracji danych. Wydawnictwo Naukowe PWN, Warszawa 2006.
• 12. Wierzchoń S,. Kłopotek M.: Algorithms Of Cluster Analysis, Institute of Computer Science Polish Academy of Sciences, Warszawa 2015.
• 13. Cabena P., Hadjinain P., Stadler R., Verhees J., Zanasi A.: Discovering data mining: from concept to implementation. New Jersey 1998.
• 14. Jain A., Murty M., Flynn P.: Data clustering: a review, ACM Comput. Surv., Nr. 31 (3), 1999, str. 264–323.
• 15. Statsoft Polska, StatSoft Electronic Statistic Textbook, 2016.
• 16. Jasiński M., Borkowski K., Sikorski T., Kostyla P.: Cluster Analysis for Long-Term Power Quality Data in Mining Electrical Power Network, 2018 Progress in Applied Electrical Engineering (PAEE), Kościelisko, 2018, str. 1–5.

Uwagi

Opracowanie rekordu ze środków MNiSW, umowa Nr 461252 w ramach programu "Społeczna odpowiedzialność nauki" - moduł: Popularyzacja nauki i promocja sportu (2020).