电能质量监测数据挖掘瓶颈探析
电力数据的挖掘和分析
电力数据的挖掘和分析电力是我们日常生活中必不可少的能源之一，而随着社会经济的发展和电气化水平的提高，电力数据规模也呈现爆发式增长。
如何挖掘和分析这些电力数据，对于提高能源消耗效率、实现绿色低碳发展具有重要意义。
一、电力数据的特点与挑战电力数据具有大量、多维、高维、复杂的特点，展现了诸多潜在的挑战。
首先，电力数据涉及多种形态，包括负载数据、电价数据、风险管理数据等。
其次，电力数据有着非常大的数据量，覆盖面广泛，而且更新速度也较快。
此外，电力数据中还有着多个维度的内容，如时间、地点、用户、行业等维度，多元化的属性使得电力数据更加复杂。
再者，电力数据的源头涉及多个环节，包括发电、输电、配电和用电等环节，各个环节之间数据交互也会增加电力数据的维度和复杂性。
因此，要从电力数据中挖掘出有用的信息，并进行实际的分析，需要探寻新的方法和技术。
二、电力数据挖掘的主要方法1. 聚类分析：聚类分析可以将电力数据按照一定的规则和标准进行分组和分类，以便对不同类别的数据进行进一步的分析和研究。
在聚类分析中，常用的方法包括基于距离的方法、基于密度的方法和层次聚类方法等。
2. 关联规则挖掘：关联规则挖掘可以分析电力数据中不同属性之间的关联性，以发现电力数据中的有意义的关联规则。
这种方法常用于发现新的产品销售潜力和用户需求。
3. 预测分析：预测分析常用于分析电力数据中的趋势和特征，按时间序列预测电力数据的变化趋势和特征。
此外，还可以采用机器学习的方法，使用历史数据训练模型，从而预测未来的电力需求和价格。
三、电力数据分析的应用1. 用电负荷预测：用电负荷预测是电力数据分析中的一项重要应用，它可以预测未来一段时间内的用电量，以便电力企业调整生产和配电计划。
这项技术可用于预测某个地区的用电负荷、某一区域或整个国家的用电负荷等。
2. 电力生产调度：通过对电力数据进行分析，可以预测某个时间段内的用电负荷，进而决定如何进行电力生产计划。
这种方法不仅能够确保电力供应充足，还能避免供过于求，浪费能源和成本。
电能质量监测网的若干问题探讨
电能质量监测网的若干问题探讨[b]1 引言[/b]近年来，随着非线性负荷及冲击性负荷的增加，电能质量问题日益突出，由于电能质量方面引起的用户投诉也越来越多。
许多新型带微处理器和电力电子器件的负荷设备对电能质量要求较高，有些企业在签订用电协议时，要求供电局提供优质高价的电能。
随着电力系统创一流工作的深入和我国即将加入WTO组织，电能质量的标准也将与国际标准接轨。
2 电能质量的监测手段及其局限性目前国内广泛采用统计型电压表监测电压质量水平，这些电压监测仪只能监测电压合格率，需要人工抄表，缺乏统计分析功能；而谐波和电压波动、闪变的测量则用便携式测试仪器，分别对变电所的各级母线电压、主变压器各侧的谐波电流、电容器组的谐波电流进行测量、对大、中型非线性负荷用户和电厂以及低压配电网进行测量。
根据测量数据进行汇总、统计分析，对电网的电能质量水平进行评估。
这种电能质量监测手段和管理模式存在着明显的局限性：①实时性差：监测周期长、监测点分散，无法及时了解电网电能质量水平；②监测指标少：由于监测装置的局限性，同一台仪器无法同时监测多项电能质量指标；③工作量大：需要花费很多的人力和物力去测量、统计、分析；④测量误差大：在实际测量中往往不能达到理想的测量环境，数据的偶然性很大，甚至还有漏抄、虚抄的现象；⑤效率低：从发现电能质量的问题到解决该问题，往往需要很长时间；⑥缺乏判断依据：数据量不足，且无法对监测点进行跟踪测试，从而难以深入分析造成电能质量的成因，也难进一步提出改善电能质量的措施点。
基于这种现状，建立一个电能质量在线监测网，及一套统一开放的监控和管理平台，能够及时分析和反映电网的电能质量水平，以便找出电网中影响电网质量的原因，并采取相应的整改措施，改善现有供电系统的供电质量、降低电能损耗、保证电网的安全、可靠、经济运行是很有意义的。
同时也为电网的进一步建设完善和事故分析提供准确的历史数据和基础数据。
国外自70年代起就开始进行电能质量的测试分析和治理工作，目前各供电连接点（包括部分用户终端）均已装设电能质量监测仪器。
电能质量监测系统及其发展瓶颈
析 应 用 ， 典 型结 构 如 图 １ 示 。 其 所
２ １ 系统 结构 总体 思路 ．
电 能 质 量 Ｓ ＡＤ 系 统 参 考 了 变 电 站 综 合 自动 化 Ｃ Ａ （ Ｃ Ａ 系统 ） 模 式 ， 分 利 用 现 有 的 网 络 资 源 及 Ｓ ＡＤ 的 充
备 所 组 成 。数 据 库 服 务 器 、 信 服 务 器 、 理 工 作 站 、 通 管
ＷＥＢ服 务 器 可 根 据 组 网 规 模 合 并 在 一 台 或 分 散 在 几 台 计 算 机 上 ， 理 位 置 不 受 限 制 。 监 控 中 心 示 意 图 如 物
图 ２结构
摘
要： 文章 介 绍 了 电能质 量监 测 产业 的发 展概 况 ， 析 了 目前 电能 质量 监 测 系统 的 现 状及 其 结构 。对 阻碍 电能 质 量 分
监 测产 业发 展 的相 关 问题 ， 如标 准 的统 一性 、 能要 求的 不规 范性 、 信 协议 的 不统 一性 、 测现 场 取 样 源的 缺 陷等 问题 功 通 监
析 ， 可 透 过 下 级监 控 中心对 监 控 单元 下 达 监控 命 令 。 并
２ ２ 监控 中心结构 ．
一
２ ３ 变 电站监测 单元 ．
每 个 变 电 站 由 多 台 检 测 单 元 按 照 面 向 对 象 的 监
般 来 说 ， 控 中 心 由 数 据 库 服 务 器 、 信 服 务 监 通
尽 管 如 此 ， 扑 捉 一 次 典 型 的 谐 波 源 特 征 也 是 比 较 困 想
图 １ 电能质量 Ｓ Ａ Ａ系统拓扑结 构 ＣＤ
器 、 理 工 作 站 、 Ｅ 服 务 器 、 印 机 及 相 关 附 属 设 管 Ｗ Ｂ 打
电网故障信息数据挖掘技术的分析
电网故障信息数据挖掘技术的分析随着电网技术的不断发展和电力市场的开放，电网故障信息数据量呈指数增长。
如何从海量的故障数据中挖掘出有价值的信息，成为了电网运维部门和研究人员关注的问题。
数据挖掘技术的应用，为电网故障信息的分析和处理提供了新的思路和方法。
1. 电网故障预测：通过挖掘历史故障数据中的规律和模式，建立预测模型，提前发现潜在的故障风险，有效避免故障的发生。
2. 故障诊断：利用数据挖掘技术对电网故障信息进行分析，挖掘故障发生的原因和关联性，提供准确的故障诊断结果，为故障处理提供指导。
4. 故障分类：将电网故障信息进行分类并建立分类模型，可以帮助运维人员更好地理解和分析故障，及时采取相应的处理措施。
1. 数据质量问题：由于电网故障信息数据来源多样，质量不一，包括数据缺失、错误标注等问题，这给数据挖掘的结果带来了不确定性。
2. 大数据处理问题：电网故障信息数据规模庞大，传统的数据挖掘方法难以处理如此大量的数据，需要开发适应大数据环境的算法和技术。
3. 多源异构数据整合问题：电网故障信息涉及到多个部门和系统的数据，包括运维记录、监测传感器数据等，不同数据源的异构性和不一致性给数据挖掘带来了挑战。
1. 数据质量管理技术：通过数据清洗、数据预处理等技术，提高电网故障信息数据的质量和可用性，减少数据挖掘过程中的不确定性。
2. 多模态数据挖掘技术：电网故障信息往往包括文本、图像、音频等多种形式的数据，研究如何有效地挖掘这些多模态数据中的关联信息，将成为未来的研究方向。
3. 深度学习技术的应用：深度学习在图像、语音等领域取得了显著的成绩，将其引入电网故障信息数据挖掘中，有望提高故障预测、诊断和定位的准确性。
4. 基于云计算的数据挖掘平台：利用云计算的弹性和可扩展性，提供适应大规模数据挖掘的计算和存储资源，为电网故障信息分析提供更好的支持。
数据挖掘技术在电网故障信息分析中具有广阔的应用前景，能够提高故障处理的效率和准确性，实现电网的智能化运维管理。
基于数据挖掘的电能质量评估方法
基于数据挖掘的电能质量评估方法随着社会经济的快速发展与技术进步，电力系统也变得日益复杂。
电能质量的稳定性与可靠性是电力系统正常运行的基础，也是关系到用户用电质量的重要指标。
因此建立起高精度、可靠性强的电能质量评估方法显得尤为重要。
数据挖掘作为一种新兴的数据分析技术，可在大数据环境下挖掘出潜在的规律与趋势。
电能质量评估涉及多种变量和复杂的数据形式，通过数据挖掘方法可以轻松的从庞杂的数据中提取出有用信息，建立简洁有效的评估模型。
首先，需要针对电能质量评估所涉及的指标进行数据采集和预处理。
所采集数据包括电流、电压、功率等物理量，以及电能质量指标如电压骤降、电压波动、谐波畸变等。
在预处理过程中，需要对采集的数据进行滤波、归一化等操作，保证数据的准确性与稳定性，降低干扰因素的影响。
建立电能质量评估模型是数据挖掘的核心步骤，常用的方法有支持向量机、决策树、神经网络等。
支持向量机是一种分类模型，通过对数据进行逐步分割，在不断优化模型的过程中，实现对电能质量的可靠判定。
决策树则是一种包含多个节点的层次结构图，通过对不同属性之间的关系进行分析，最终建立起决策规则。
神经网络是一种模拟人脑神经系统的学习算法，通过反向传播算法，实现对数据特征的抽取和分类。
在建立模型的过程中，需要对模型进行测试和评估。
常用的评估指标包括准确率、召回率、精确率、F1值等。
准确率是模型预测正确的样本数占总样本数的比例；召回率是真实类别为阳性的样本中，被模型正确预测为阳性的比例；精确率是模型预测为阳性的样本中，真实类别为阳性的比例。
F1值是准确率和召回率的调和平均数，反映了模型整体的性能表现。
除了上述方法外，还可以通过特征选择、交叉验证等技术进一步提升模型性能。
特征选择是通过对不同特征的重要性进行评估，筛选出对模型有效的特征。
交叉验证则是一种通过将数据随机分为几个子集，每次将其中一个子集作为测试集，其余子集作为训练集进行测试的方法，能够消除过拟合和欠拟合等问题。
电力系统的数据挖掘与分析研究
电力系统的数据挖掘与分析研究近年来，随着电力行业的快速发展和电力系统的规模逐渐扩大，电力数据的量和复杂度也不断增加。
数据挖掘和分析技术的应用成为解决电力系统问题和提高电力系统效率的关键手段之一。
本文将探讨电力系统的数据挖掘与分析研究的重要性、应用场景以及未来发展趋势。
首先，数据挖掘和分析在电力系统中具有重要意义。
电力系统是一个庞大而复杂的系统，包括发电、输电和配电等多个环节。
各个环节产生的大量数据蕴含着宝贵的信息，通过数据挖掘和分析可以发现其中的规律和潜在的价值。
例如，通过挖掘历史用电数据，可以预测未来的负荷需求，合理安排发电计划和电网调度，提高电力系统的运行效率和稳定性。
同时，数据挖掘和分析还能发现潜在的故障和异常情况，提前进行预警和维修，避免事故发生，确保电力系统的安全运行。
其次，电力系统的数据挖掘与分析在多个应用场景中发挥重要作用。
首先，基于电力用户的用电数据进行分析，可以为电力公司提供用户行为模式，指导制定合理的电价策略，满足用户需求的同时降低企业成本。
其次，通过挖掘设备运行数据，可以进行设备状态诊断和预测性维护，提高设备利用率和工作效率，降低维修成本。
此外，数据挖掘和分析还可应用于电力市场预测、电力市场交易策略等方面，帮助电力公司优化运营和规划，提高经济效益。
然而，电力系统的数据挖掘与分析也面临一些挑战和难点。
首先，电力数据的特点复杂多样，包括结构化数据如电表读数、非结构化数据如天气和社交媒体数据等，如何有效地特征提取和数据融合是一个关键问题。
其次，电力数据的量级庞大，数据存储和计算能力的需求巨大，对硬件环境和算力要求较高。
此外，电力数据涉及隐私和安全等方面的问题，如何保护数据的安全性和隐私性也是一个亟待解决的问题。
在未来，电力系统的数据挖掘与分析研究将趋于深入和广泛。
首先，随着物联网和智能电网的发展，电力系统的数据量将进一步增加，对挖掘和分析技术的要求也将提高。
其次，人工智能和大数据技术的快速发展为电力数据的挖掘和分析提供了更多可能性，如机器学习、深度学习等算法的应用将进一步提高电力系统的智能化水平。
基于大数据分析的电能质量异常检测与评估
基于大数据分析的电能质量异常检测与评估概述在现代社会中，电能质量问题对于各行各业来说都是一个重要的关注点。
电能质量异常可能导致设备运行故障、能源浪费以及对人体健康的影响。
因此，电能质量异常的检测和评估对于确保电力系统的可靠性和稳定性至关重要。
随着大数据技术的不断发展，基于大数据分析的电能质量异常检测与评估成为了一种有前景的解决方案。
一、大数据在电能质量异常检测中的应用大数据分析是指通过对大规模数据的采集、存储、处理和分析，从中挖掘出有价值信息的方法。
在电能质量异常检测中，大数据分析可以帮助实时监控和分析电能质量参数，以便及时发现异常情况。
1. 数据采集大规模的数据采集是基于大数据分析的前提。
电能质量监测设备可以通过传感器等方式采集到电流、电压、功率因数等各种电能质量参数的数据。
2. 数据存储与管理采集到的大量数据需要被存储和管理。
传统的数据库管理系统可能无法存储和处理如此大量的数据，因此需采用分布式存储系统和分布式数据库等大数据技术。
3. 数据处理与分析在大数据分析中，数据处理和分析是核心环节。
通过对电能质量数据进行处理和分析，可以提取出异常特征，快速准确地检测到电能质量异常。
4. 异常检测与警报基于大数据分析的异常检测算法可以根据历史数据和模型进行异常检测，并生成相应的警报。
这有助于工程师及时发现并修复电能质量异常，以避免设备损坏或事故的发生。
二、大数据在电能质量评估中的应用电能质量评估是在检测到电能质量异常后，对异常情况进行分析和评估的过程。
基于大数据分析的电能质量评估可以提供更详细、全面的评估结果。
1. 数据挖掘与分析通过对大规模的电能质量数据进行挖掘和分析，可以发现异常情况和问题的具体原因。
这些分析结果有助于工程师深入了解电网运行状态，并找出解决问题的有效方法。
2. 故障诊断与处理大数据分析可以帮助工程师识别电能质量异常的具体故障类型，并提供相应的处理建议。
这有助于减少故障处理时间，提高电能质量的恢复速度。
基于数据挖掘技术的智能化电能质量分析
基于数据挖掘技术的智能化电能质量分析随着经济和社会的快速发展，电力资源的利用已经成为当代人们生产和生活不可或缺的重要组成部分。
而电力质量更是影响着电力的使用效果和供电安全的重要指标，因此可靠地监测和评估电力质量是保障电力安全稳定供应的必要条件。
本文将介绍基于数据挖掘技术的智能化电能质量分析。
一、电能质量电能质量（Power Quality）是指电能在输送过程中的各种电气参数和特性的总和，包括电压、电流、频率、相位、谐波、电压闪变等。
电能质量对于电力系统的正常运行和用电设备的正常使用具有重要影响，对于工业生产、经济发展甚至国家安全都存在一定的隐患，因此，电能质量的监测和评估是日益重要的。
二、智能化电能质量分析的需求以往的电能质量监测主要是靠电工现场观察和经验来判断电力质量稳定性，随着电路结构复杂度的提高以及用户的需求多样化，仅靠经验判断已经无法满足电力质量的准确监测。
因此，智能化电能质量分析成为一种新的需求，具有以下几个特点：1. 自动化智能化电能质量分析技术具有自动化的特点，能够自动采集电能质量数据，进行数据处理和分析，达到自动化的监测和评估。
2. 多功能化智能化电能质量分析系统能够实现不同的电能质量指标的监测和分析，例如电压、电流、频率、相位、谐波等，能满足不同用户的需求。
3. 高效性智能化电能质量分析技术具有高效性，能够快速地处理大量的电能质量数据，并从中提取有效信息。
4. 可视化智能化电能质量分析系统具有良好的可视化效果，能够精确地显示电能质量分析结果，便于用户及时了解电力系统的运行情况。
智能化电能质量分析技术的出现，为电力系统的监测和评估提供了新的技术手段，为电力质量的稳定和可靠性提供了更好的保障。
三、基于数据挖掘技术的智能化电能质量分析智能化电能质量分析技术的关键在于如何从大量的电能质量数据中提取有效的信息，以实现对电力系统的准确监测和评估。
而数据挖掘技术则为电能质量分析提供了一种新的方式。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
电能质量监测数据挖掘瓶颈探析
发表时间：2017-09-22T11:33:43.603Z 来源：《电力设备》2017年第13期作者：王儒杰
[导读] 摘要：在最近的几年里，电能质量问题已经越来越被人们所重视，在地区内的电网以及省内的电网内安装电能质量检测设备，并与软件相结合就能够形成电能质量监测系统。
（北京凯盛建材工程有限公司 100024）
摘要：在最近的几年里，电能质量问题已经越来越被人们所重视，在地区内的电网以及省内的电网内安装电能质量检测设备，并与软件相结合就能够形成电能质量监测系统。
通过电能质量监测系统就可以对庞大的数据进行分析之后就能够通过绘制出来的图表为电能质量的监测义工帮助。
本文将根据数据挖掘技术为基础，分析电能质量检测中的问题以及应用。
关键词：电能质量；数据挖掘；监测；制约
一、前言
科技发展速度十分的迅速，人们对于电子设备的需求也越来越大，电能质量的相关问题已经受到了电力系统甚至广大用户的关注，随之而来的就是人们对于电能质量技术的要求越来越高，因此提升电能质量已经是人们正在不断深入研究的问题。
但是提升电能质量的另一个问题就是怎么应对随之而来的大量数据。
数据挖掘技术就是在这种情况下不断的发展起来的。
二、数据挖掘
（一）数据挖掘的过程
数据挖掘就是从大量的信息中，获取能够对人们有用的信息，通过对信息的归纳提取，人们就能够对挖掘出的信息进行重新的利用，这样就能够对知识进行灵活的利用。
在数据挖掘的这个过程是由几个阶段构成的，首先就是对将要处理的问题进行分析，这样就能够便于之后的数据的汇总以及提取，在对需要进行处理的数据进行归纳之后，在对数据进行再次的加工筛选，之后就需要选择合适的算法来对数据进行计算，最后就能够对得出的结论进行分析、评价，然后将得出的结论表达出来。
（二）数据挖掘的方法
1.统计法
统计法不仅在数据挖掘中有重要的作用，在其他的领域也得到了广泛的应用。
统计法其实就是对数据进行归纳总结，从中得到一些线索，之后再根据线索提出一些观点，并对提出的观点进行检验。
2.支持向量机方法
支持向量机方法其实是建立在统计学习理论上的，它能够在模型的复杂性以及学习能力之中找到平衡点，并以此来获得推广能力。
还能够利用支持向量机方法的优势将它推广到函数拟合或者其他领域中。
3.粗糙集方法
粗糙集是能够对不准确的信息进行处理的工具，这种方法对于数据挖掘来说作用非常大。
因为在庞大的数据信息中心有许多的信息都是模糊的，因此都需要粗糙集来将信息进行处理。
粗糙集这种方法在一般情况下都是与其他的方法同时使用的，因为粗糙集方法能够处理的问题很单一，并不能在单独使用的过程中满足人们对于数据挖掘的需求。
4.决策树
决策树也是一种能够运用于数据挖掘的方法，它能够在进行数据挖掘的过程中运用其能够归纳推理的能力建立起一个树形图的结构，因此才会被称为决策树。
其最明显的优势就是能够将分类的信息进行提取，并将它们用IF-T HEN分类规则形式表示出来。
5.神经网络
神经网络是一种模仿人类大脑而形成的一种计算方法。
这个方法可以将信息储存、处理、学习等功能。
这种方法的优势就是能够在进行数据挖掘的过程中建立分类的模型，并能够进行预测。
三、数据挖掘在电能质量分析中的应用
（一）电能质量数据预处理
在数据挖掘的过程中想要让电能质量分析的效率得到提高，就需要对数据进行预处理，通过对数据的压缩以及对数据的去燥就能够完成对数据的预处理。
而数据压缩以及数据去燥一般就是在小波信号的基础上进行的。
但是由于数据挖掘技术的不断进步，越来越多的人们利用数据挖掘技术来利用电能质量对数据进行数据去燥。
通过不同的方法可以对数据进行预处理，比如可以应用信号的相关性来对数据的去燥方法进行优化，运用这种方法来对电能质量进行监测能够的出更好的检测效果，还能够对噪声的产生一定的抑制作用；除此之外还能够利用交叉检验的方法来减少电能质量中噪声的产生，并且这种方法的去燥效果也要好于平常的方法。
（二）电能质量扰动识别
电能质量检测分析有一个重要的问题就是如何从庞大的电能质量扰动信号里获取特点并能够将它们进行正确的分类。
电能质量识别主要是依靠电能质量特点的获取以及正确的分类这两个步骤。
但是在对电能质量进行分类的过程中如何解决判断过程困难、计算量大的问题是需要不断的攻克的。
现今的方法有利用支持向量机以及S变换一起进行分类的方法，这种方法的优点在于能够在分类上具有很高的准确率，并且噪声对它产生的影响也并不大，还有就是这种方法的训练样本很少。
还有一种方法是将小波变化与粗糙集相结合的方法，这种方法能够更迅速的进行识别以及分类，计算的方法也是简单易行的，对人们来说理解起来更加的容易。
（三）谐波源定位
在数据挖掘的过程中弄清楚谐波源的位置是非常必要的，这样就能够对谐波进行更好的利用，并且正确的认识谐波源分布能够对谐波惩罚制度的建立提供一定的帮助，而利用关联分析的方法能够对谐波的电流等进行一个详细的了解。
想要能够检测出系统中的谐波源，就需要利用谐波敏感因子来进行检测。
在检测的过程中就能够利用支持向量机的方法来确定范围。
这种方法的优点就是对于谐波的位置以及电流都能够清晰的得出。
还有一种方法就是利用不同神经网络来进行谐波源的鉴别，这种方法的优点就是能够在实际的系统中可用性比较高。
数据挖掘技术对于电能质量检测来说有着很大的作用，利用数据挖掘技术能够提高电能质量检测的效果还能够对问题进行预测，并且这种方法的计算效率也是很高的。
但是现在的数据挖掘技术还存在着许多的问题，不少的数据挖掘技术正等待着人们对其进行更好的优
化。
通过对电能质量监测数据挖掘的不断深入研究发现，数据挖掘技术在电能质量方面的应用上有着不同的热度，在电能质量的识别问题上相关的应用比较多，但是我们对于其他领域的需求还是在不断的增长的，因此对于电能质量监测数据挖掘上的研究还是应该不断的深入的。
参考文献：
[1]于燕平，林涛.基于分形特征提取的电能质量数据挖掘[J].计算机应用与软件，2016，（11）：24-27+65.
[2]许鹏.面向电能质量监测的压缩感知采集模式研究[D].华北电力大学（北京），2016.
[3]刘军成.电能质量监测数据应用探析[A].中国电源学会电能质量专业委员会、亚洲电能质量产业联盟.第四届全国电能质量学术会议暨电能质量行业发展论坛：电能质量与高效优质用电论文集[C].中国电源学会电能质量专业委员会、亚洲电能质量产业联盟：，2015：10.
[4]姚洪娇.电能质量监测录波数据压缩方法研究[D].哈尔滨理工大学，2014.
[5]刘艳章.电能质量监测与辅助决策系统研究[D].华北电力大学，2013.
[6]麦洪，刘晓华.电能质量监测数据分析思路探索[J].电气应用，2009，（13）：64-67.。