李吉德，彭生剛，王承民

（1.長(zhǎng)島供電公司，山東 煙臺(tái) 265812；2.平度供電公司，山東 青島 266700；3.上海交通大學(xué)電子信息與電氣工程學(xué)院，上海 200030）

0 引言

狀態(tài)估計(jì)是能量管理系統(tǒng)（EMS）的重要組成部分，安全分析、經(jīng)濟(jì)運(yùn)行等功能在很大程度上取決于狀態(tài)估計(jì)所提供的估計(jì)值的正確性。而狀態(tài)估計(jì)結(jié)果的正確性依賴于量測(cè)量的正確性、量測(cè)量的冗余度及正確的網(wǎng)絡(luò)拓樸和網(wǎng)絡(luò)參數(shù)。對(duì)于量測(cè)量的誤差現(xiàn)有較多的方法解決，而且效果較好［1］；而網(wǎng)絡(luò)拓樸結(jié)構(gòu)的錯(cuò)誤一般會(huì)造成較明顯錯(cuò)誤的狀態(tài)估計(jì)值，所以也比較容量辯識(shí)；但一般網(wǎng)絡(luò)參數(shù)值誤差較難發(fā)現(xiàn)，而且這種誤差如不被發(fā)現(xiàn)的話，一直使用會(huì)使?fàn)顟B(tài)估計(jì)產(chǎn)生永遠(yuǎn)的誤差。

導(dǎo)致給定參數(shù)值與實(shí)際值之間誤差的原因通常為：1）有時(shí)因缺少實(shí)測(cè)參數(shù)量而直接采用設(shè)計(jì)參數(shù)或參數(shù)測(cè)量條件與實(shí)際運(yùn)行條件差別較大，這都會(huì)使給定的參數(shù)值與實(shí)際運(yùn)行中的元件參數(shù)有差別；2）實(shí)際運(yùn)行中的元件參數(shù)因改線、改建，或因環(huán)境變化等原因而局部地、緩慢地發(fā)生著變化；3）調(diào)度中心對(duì)運(yùn)行中的自動(dòng)調(diào)壓變壓器的分接位置或補(bǔ)償電容器的組數(shù)掌握得不一定確切。特別是輸電線路，一般給定的參數(shù)值是在理想情況下的，但實(shí)際線路的情況與理想情況有時(shí)相差很大，因此一般給定的線路參數(shù)值和實(shí)際值相比大約有 25%～30%的誤差［2］。

錯(cuò)誤的參數(shù)值會(huì)造成以下結(jié)果：1）參數(shù)錯(cuò)誤對(duì)所包含錯(cuò)誤支路參數(shù)的狀態(tài)估計(jì)量產(chǎn)生較大的誤差，從而影響其它一些應(yīng)用，如安全分析等；2）一些在正常范圍內(nèi)的測(cè)量值因與網(wǎng)絡(luò)參數(shù)不一致而被檢測(cè)成壞數(shù)據(jù)；3）長(zhǎng)期的誤差使運(yùn)行部門對(duì)狀態(tài)估計(jì)的結(jié)果失去信心；4）直接使用給定的參數(shù)值減弱了狀態(tài)估計(jì)檢測(cè)辯識(shí)壞數(shù)據(jù)的能力；5）功率分配不經(jīng)濟(jì)，特別是實(shí)施電力市場(chǎng)以后，在一些情況下可能增加交易成本，文獻(xiàn)［2］舉例說明了此種情況。

因此網(wǎng)絡(luò)參數(shù)估計(jì)在電力系統(tǒng)分析中得到越來越多的關(guān)注，與狀態(tài)估計(jì)和拓?fù)涔烙?jì)一樣變得重要。研究這方面的文章較多［3-8］，但對(duì)參數(shù)估計(jì)大致可以分為以下兩種方法：1）基于殘差和量測(cè)誤差之間關(guān)系的靈敏度分析［3-4］，這種基于靈敏度分析的狀態(tài)估計(jì)與參數(shù)估計(jì)，采用一般的狀態(tài)向量，在狀態(tài)估計(jì)結(jié)束后再進(jìn)行參數(shù)估計(jì)；2）基于增廣矩陣的估計(jì)，又可以分為基于常規(guī)法方程的增廣狀態(tài)估計(jì)［5-6］和基于卡爾曼濾波的增廣狀態(tài)估計(jì)［7-8］兩種?；诔Ｒ?guī)法方程的增廣狀態(tài)估計(jì)方法受權(quán)重影響較大，而且增加了估計(jì)的矢量，矩陣的行和列向量也得到了增加了，降低了計(jì)算效率，特別是應(yīng)用于在線計(jì)算時(shí)，處理速度較慢。此方法適用于估計(jì)值為常量的參數(shù)?；诳柭鼮V波的增廣狀態(tài)估計(jì)方法一般認(rèn)為后一時(shí)刻的值等于前一時(shí)刻的估計(jì)值，但如果負(fù)荷變化比較快時(shí)，濾波的收斂性會(huì)較差，此方法適用于估計(jì)值隨時(shí)間變化的參數(shù)。

上述兩種方法的參數(shù)估計(jì)值與量測(cè)值的精確度有很大關(guān)系。如果量測(cè)量比較正確，那么估計(jì)的參數(shù)值精確度就會(huì)高于不估計(jì)的參數(shù)值；但如果參數(shù)值較為正確，而量測(cè)值誤差較大，則會(huì)適得其反。而且如果與估計(jì)參數(shù)相關(guān)的量測(cè)量的誤差沒有檢測(cè)出來的話，所得的參數(shù)估計(jì)值精確也較低。

數(shù)據(jù)挖掘技術(shù)也被稱為數(shù)據(jù)庫知識(shí)發(fā)現(xiàn)KDD（Knowledge Discovery in Database），主要目的是從大量的數(shù)據(jù)中抽取正確的、未知的、有價(jià)值的模式或規(guī)律等知識(shí)的復(fù)雜過程。數(shù)據(jù)挖掘所得到的知識(shí)雖因具體應(yīng)用目的不同而有所不同，但總而言之是一種能夠?yàn)槿藗冇糜谳o助決策的知識(shí)。本文提出了一種基于數(shù)據(jù)挖掘技術(shù)的參數(shù)估計(jì)方法，利用SCADA系統(tǒng)所保存的大量歷史量測(cè)數(shù)據(jù)進(jìn)行分析，消除各種因素帶來的誤差。首先對(duì)歷史數(shù)據(jù)進(jìn)行了預(yù)處理，然后對(duì)預(yù)處理后的數(shù)據(jù)進(jìn)行聚類分析，得到各個(gè)分類，之后把各個(gè)類的數(shù)據(jù)代入線性回歸方程，就可用最小二乘法解出各種情況下的網(wǎng)絡(luò)參數(shù)值。在應(yīng)用的時(shí)候只要把實(shí)際量測(cè)的數(shù)據(jù)歸入其中一類就可得到此種情況下的參數(shù)值，以供狀態(tài)估計(jì)等所用。從預(yù)處理算法直至后期的回歸算法都對(duì)大量的歷史量測(cè)數(shù)據(jù)給予了充分的考慮，因而最后計(jì)算得到的參數(shù)估計(jì)值能夠正確反映網(wǎng)絡(luò)的實(shí)際情況。

1 樣本選擇

聚類分析是數(shù)據(jù)挖掘中一種十分重要的分析方法。所謂聚類是一個(gè)將數(shù)據(jù)集劃分為若干組或類的過程，并使得同一組內(nèi)的數(shù)據(jù)對(duì)象具有較高的相似度，而不同組中的數(shù)據(jù)對(duì)象則是不相似的。相似或不相似的度量是基于數(shù)據(jù)對(duì)象描述屬性的值確定的。通常是利用（各對(duì)象間）距離進(jìn)行描述的。

輸電網(wǎng)絡(luò)主要有兩個(gè)設(shè)備的參數(shù)，一是輸電線路的參數(shù)，另一是變壓器的參數(shù)。輸電線路的電導(dǎo)、電納等參數(shù)主要受電流，周圍溫度以及風(fēng)等幾個(gè)因素影響，同時(shí)時(shí)間也是一個(gè)主要因素，這是因?yàn)殡S著時(shí)間的增長(zhǎng)，線路會(huì)不斷的老化，從而線路參數(shù)會(huì)不斷發(fā)生變化。所以在進(jìn)行數(shù)據(jù)挖掘過程中，如數(shù)據(jù)的保存時(shí)間太久的話一般就不作為挖掘的對(duì)象了。而變壓器參數(shù)主要是變壓器抽頭的錯(cuò)誤所帶來的影響。所以在聚類分析時(shí)，線路參數(shù)分類主要依據(jù)周圍環(huán)境、天氣、溫度及負(fù)荷水平等，而變壓器參數(shù)分類則主要依據(jù)負(fù)荷水平和兩端電壓。在線路聚類分析中用到的數(shù)據(jù)矩陣的結(jié)構(gòu)如下：

上式中Weather代表天氣，Temp代表溫度。變壓器的矩陣結(jié)構(gòu)形式和上式一樣。

根據(jù)線路和變壓器的數(shù)據(jù)矩陣結(jié)構(gòu)，文章采用基于劃分方法的聚類分析?；趧澐值木垲愃惴ň褪前呀o定包含n個(gè)數(shù)據(jù)對(duì)象的數(shù)據(jù)庫和所要形成的聚類個(gè)數(shù)K，劃分算法將對(duì)象集合劃分為K份（K＜n），其中，每個(gè)劃分代表一個(gè)聚類。所形成的聚類將使得邇客觀劃分標(biāo)準(zhǔn)（常稱為相似函數(shù)，如：距離）最優(yōu)化，從而使得一個(gè)聚類中的對(duì)象是“相似”的，而不同聚類中的對(duì)象是“不相似”的。

劃分方法采用k-means算法。此算法的步驟如下：

①初始化。確定分組的個(gè)數(shù)K，在樣本空間中選擇K個(gè)點(diǎn)，稱為種子，這些種子構(gòu)成初始聚類中心，它們之間應(yīng)該有足夠的距離用于改善算法的收斂性。一般要求選出的K個(gè)觀測(cè)數(shù)據(jù)（種子）間距離的倒數(shù)大于給定的閥值，而且它們的距離應(yīng)該大于它們與觀測(cè)數(shù)據(jù)的聚類的距離。一旦形成了種子，就形成了觀測(cè)數(shù)據(jù)的初始劃分，將觀測(cè)數(shù)據(jù)分到離中心較近的組中。

②轉(zhuǎn)移評(píng)價(jià)：計(jì)算每個(gè)觀測(cè)數(shù)據(jù)到K個(gè)聚類中心的距離，觀察數(shù)據(jù)和被分配到組間中心的距離應(yīng)最小。如果不是最小，觀察數(shù)據(jù)就應(yīng)該被分到另一個(gè)離它最近的組中，再次計(jì)算舊組和新組的聚類中心。

③循環(huán)：重復(fù)步驟2，直到得到一個(gè)較為穩(wěn)定的分組。

為了計(jì)算觀測(cè)數(shù)據(jù)和組中心的距離，k-means算法采用了歐式距離，在第t步的迭代中，第i個(gè)觀測(cè)數(shù)據(jù)和第l個(gè)聚類中心的距離等于

i=1，2…n；l=1，2…K

此方法的一個(gè)缺點(diǎn)就是如何確定K的數(shù)值。K太多了會(huì)影響每次搜索類的時(shí)間，增加了計(jì)算時(shí)間，實(shí)時(shí)性就會(huì)比較差；K太少了又不能正確反映網(wǎng)絡(luò)參數(shù)的真值。

2 數(shù)據(jù)處理

在進(jìn)行數(shù)據(jù)挖掘以前，首先要進(jìn)行數(shù)據(jù)的處理。因?yàn)閷?duì)于大量的數(shù)據(jù)，肯定會(huì)存在不完整、含噪聲和不一致的數(shù)據(jù)，而如果不對(duì)這些數(shù)據(jù)處理，會(huì)影響數(shù)據(jù)挖掘所獲模式知識(shí)的質(zhì)量。

2.1 空缺值的處理

由SCADA所提供的量測(cè)數(shù)據(jù)中，因通信通道問題，或量測(cè)裝置問題，肯定會(huì)有一部分量測(cè)量是沒有傳送到調(diào)度中心的；或送到了數(shù)據(jù)庫，但沒有保存到數(shù)據(jù)庫。所有這些造成了數(shù)據(jù)的缺失。對(duì)于數(shù)據(jù)缺失值的處理，應(yīng)盡可能的利用其同一時(shí)段其它所采集到的數(shù)據(jù)來進(jìn)行填補(bǔ)。

文章采用rough理論的ROUSTIDA算法來進(jìn)行補(bǔ)全缺失值。ROUSTIDA基本思想是：缺失數(shù)據(jù)值的填補(bǔ)應(yīng)使完整化的信息系統(tǒng)產(chǎn)生的分類規(guī)則具有盡可能高的支持度，產(chǎn)生的規(guī)則盡量集中。該算法的目標(biāo)是使具有缺失值的對(duì)象和信息系統(tǒng)的其他相似對(duì)象的屬性值盡可能保持一致，并盡可能使屬性值之間的差異最小。

具體算法的實(shí)現(xiàn)：可辨識(shí)矩陣反映了對(duì)象間的屬性差異，因此利用可辨識(shí)矩陣作為算法的基礎(chǔ)，是一種很自然的想法。由于不完備信息系統(tǒng)中存在多個(gè)屬性值和其不同的分布，因此對(duì)信息系統(tǒng)遺失數(shù)據(jù)值的填補(bǔ)不是通過對(duì)初始可辨識(shí)矩陣的一次運(yùn)算并加以完整化分析就能對(duì)所有的遺失值進(jìn)行補(bǔ)齊；實(shí)際上要經(jīng)過多次對(duì)擴(kuò)充差異矩陣的計(jì)算和完整化分析，直至終止條件成立。為此，設(shè)初始信息系統(tǒng)為S0，對(duì)象集為，相應(yīng)的可辨識(shí)矩陣為M0，xi的遺失屬性集為，無差別對(duì)象集為；第r次完整化分析后的信息系統(tǒng)為Sr，對(duì)象集為，相應(yīng)的可辨識(shí)矩陣為 Mr，xi的遺失屬性集為，無差別對(duì)象集為，完整化分析所依賴可辨識(shí)矩陣計(jì)算，具體過程如下：設(shè)Mr+1=［Mr+1（i，j）］n×n］，r=0，1，2…，則 Mr+1（i，j）計(jì)算如下：

這樣就可以把缺失值以最有可能值來進(jìn)行填補(bǔ)。

2.2 異常點(diǎn)的判斷處理

異常點(diǎn)就是與數(shù)據(jù)庫中的大部分?jǐn)?shù)值有很大的不同或不一致。對(duì)于異常數(shù)據(jù)，采用基于距離的檢測(cè)方法?；诰嚯x的基本思想：如果樣本S中至少有一部分?jǐn)?shù)量為p的樣本到Si的距離比d大，那么樣本Si是數(shù)據(jù)集S中的一個(gè)異常樣本。判斷的標(biāo)準(zhǔn)建立在兩個(gè)參數(shù)p、d的基礎(chǔ)上，兩個(gè)參數(shù)的值可根據(jù)數(shù)據(jù)的相關(guān)知識(shí)來確定。文章把5個(gè)采樣斷面作為一組，因此把p設(shè)為3，d值則隨功率，電壓的不同而選擇，一般線路功率 d值不超過線路所傳輸功率的20%左右，電壓d值一般是線路額定電壓的10%左右。如果在此組數(shù)據(jù)中檢測(cè)到異常值，則此異常值用另外幾個(gè)數(shù)據(jù)的平均值來替換。

2.3 數(shù)據(jù)的替換

對(duì)于每次采集的數(shù)據(jù)，進(jìn)行完數(shù)據(jù)處理以后，就保存于數(shù)據(jù)庫。但是實(shí)際運(yùn)行中的元件參數(shù)因時(shí)間的變化會(huì)緩慢的發(fā)生變化。因此在進(jìn)行數(shù)據(jù)挖掘時(shí)，數(shù)據(jù)間的時(shí)間間隔不能太長(zhǎng)。因此每次存入新的采集數(shù)據(jù)時(shí)，把距此次數(shù)據(jù)時(shí)間間隔最長(zhǎng)的那批數(shù)據(jù)替換掉，以保證數(shù)據(jù)庫中的數(shù)據(jù)能反映最近的網(wǎng)絡(luò)實(shí)況。

3 基于線性回歸方法的參數(shù)估計(jì)

在聚類分析完成以后，可得到按照天氣、溫度與負(fù)荷水平等劃分的各個(gè)類別的樣本數(shù)據(jù)。把各類的大量數(shù)據(jù)代入線性回歸方程就可以計(jì)算不同天氣、溫度與負(fù)荷水平等條件下的網(wǎng)絡(luò)的參數(shù)值。

3.1 多元線性回歸方程

多元線性回歸方程的表達(dá)式：

其中ε是服從正態(tài)分布N（0，σ2）的隨機(jī)變量。

其中β是回歸系統(tǒng)，它是一個(gè)無偏估計(jì)，β的協(xié)方差矩陣等于 ?2C，其中 C＝（XτX）－1，Xτ為 X 的轉(zhuǎn)置矩陣。

由于β是無偏估計(jì)，所以利用大量的數(shù)據(jù)進(jìn)行計(jì)算，可降低β的誤差，當(dāng)數(shù)據(jù)足夠多的時(shí)候，誤差將會(huì)趨向于零。

3.2 線路參數(shù)的回歸方程

輸電線路的潮流方程如下：

式中Pij、Qij分別代表線路ij的始端有功、無功功率，其方向規(guī)定：由i流向j為正，由j流向i為負(fù)。

把（1）和（2）式右邊的第一項(xiàng)移到左邊后兩邊平方：

把（7）式展開合并移項(xiàng)以后得到如下式子：

其中 Pij、Qij、Vi、Vj為量測(cè)量，并對(duì)（8）式進(jìn)行如下的變量代換

（8）式就變換成如下的等式：

其中β0=0，（11）式就是一個(gè)線性回歸方程，把上面聚類分析所得到的各個(gè)類的數(shù)據(jù)代入（9），由（2）式就可以求得各個(gè)類所對(duì)應(yīng)的 β1、β2、β3、β4。 在（10）式中，有三個(gè)變量，四個(gè)等式，因此可用最小二乘法求取參數(shù)g、b、yc的估計(jì)值。

3.3 變壓器參數(shù)的回歸方程

變壓器支路的潮流方程如下

式中：K為變壓器非標(biāo)準(zhǔn)變比；j為標(biāo)準(zhǔn)側(cè)，變比為1；i為非標(biāo)準(zhǔn)側(cè)，變比為K；bT為變壓器標(biāo)準(zhǔn)側(cè)（j側(cè)）的電納。

求取參數(shù)K、bT的方法和求取線路參數(shù)的方法一樣，其中

同樣在求得 β1、β2、β3以后，用最小二乘法就可以得到變壓器參數(shù)K、bT的估計(jì)值，求得K以后還要計(jì)算出K最接近的分接頭的變比。

4 討論

雖然基于劃分聚類分析的結(jié)果是全局最優(yōu)的，但此劃分是根據(jù)量測(cè)量來劃分的，而文章所要求的是網(wǎng)絡(luò)參數(shù)值，所以最后用最小二乘法所求得的網(wǎng)絡(luò)參數(shù)值，可能前后兩個(gè)類之間的值相差比較大，特別是輸電線路的電阻值。在這種情況下，我們對(duì)前后兩個(gè)類之間所求得的值設(shè)定一個(gè)閥值，如果前后兩個(gè)類之間的參數(shù)值超出此閥值，就重新進(jìn)行聚類的劃分，以保證前后兩個(gè)類之間的參數(shù)差值小于給定的閥值。

各個(gè)類的參數(shù)值計(jì)算都是采用離線計(jì)算，這就增加了此方法的實(shí)用性，可用于任何規(guī)模的電力網(wǎng)絡(luò)，不用考慮有些算法要實(shí)時(shí)計(jì)算時(shí)速率問題。

在計(jì)算得到網(wǎng)絡(luò)的各個(gè)參數(shù)值以后，最后還要對(duì)此方法進(jìn)行驗(yàn)證。驗(yàn)證所用的數(shù)據(jù)可以從數(shù)據(jù)庫中提取三分之一左右。但不用每次計(jì)算時(shí)都要驗(yàn)證，可采取隔幾天或者運(yùn)行環(huán)境變化較大時(shí)才重新驗(yàn)證。

對(duì)于每次狀態(tài)估計(jì)所用的網(wǎng)絡(luò)參數(shù)值，通過所采集的數(shù)據(jù)來搜索所對(duì)應(yīng)類的網(wǎng)絡(luò)參數(shù)實(shí)際值。但如整個(gè)網(wǎng)絡(luò)的拓樸沒有發(fā)生變化，而且線路的負(fù)荷水平變化也不大時(shí)，可以考慮得用前一次所得的參數(shù)值作為本次狀態(tài)估計(jì)用的值，這樣可以節(jié)省搜索的時(shí)間。因每條線路與變壓器都是單獨(dú)并列計(jì)算的，如變壓器分接頭發(fā)生動(dòng)作時(shí)，而其它不變時(shí)，只搜索發(fā)生動(dòng)作變壓器的類。

表1 30個(gè)樣本參數(shù)計(jì)算結(jié)果

表2 100個(gè)樣本參數(shù)計(jì)算結(jié)果

5 算例分析

采用文獻(xiàn)［9］中的四節(jié)點(diǎn)系統(tǒng)來驗(yàn)證此方法。因系統(tǒng)缺少實(shí)際運(yùn)行所要采集的數(shù)據(jù)，所以所用的量測(cè)值也是在文獻(xiàn)已經(jīng)計(jì)算的結(jié)果基礎(chǔ)上加一正態(tài)分布的隨機(jī)誤差來產(chǎn)生，從而不考慮其它一些如周圍環(huán)境，天氣溫度等因素。文章分別列舉了30與100次量測(cè)樣本的全部計(jì)算值（表1、表2）。同時(shí)為了對(duì)比說明本方法的效果，與文獻(xiàn)中用增廣矩陣所計(jì)算的參數(shù)估計(jì)值作了比較。

從表1、表2可以看出，當(dāng)樣本數(shù)量達(dá)到一定數(shù)量以后，參數(shù)計(jì)算值與真值相差不多了。圖1說明了參數(shù)b13隨著樣本數(shù)量的逐漸增加，相對(duì)誤差越來越小，其他參數(shù)也具有同樣的性質(zhì)。

通過對(duì)此系統(tǒng)的成功測(cè)試，將此方法應(yīng)用于一個(gè)實(shí)際系統(tǒng)中，來求取此系統(tǒng)在各個(gè)情況下的參數(shù)值，以供狀態(tài)估計(jì)及其它能量管理系統(tǒng)（EMS）中的程序所用。并且通過計(jì)算出系統(tǒng)的實(shí)際值，為用戶創(chuàng)造了較大的經(jīng)濟(jì)效益。直接采用數(shù)據(jù)庫中所給的數(shù)據(jù)，在有些情況下運(yùn)行人員認(rèn)為線路的輸電能力沒有達(dá)到負(fù)荷極限，但其實(shí)已經(jīng)達(dá)到了負(fù)荷極限，從而使得線路長(zhǎng)時(shí)間處于過負(fù)荷運(yùn)行，可能造成線路的斷裂；或者認(rèn)為線路的輸電能力已經(jīng)達(dá)到了極限，其實(shí)還沒有，特別是在缺電的情況下，從而也造成一些不必要的損失。

由于方法采用離線的計(jì)算，所以在計(jì)算速度方面沒有太大的要求。為了能夠求得在各種情況下網(wǎng)絡(luò)參數(shù)的真值，數(shù)據(jù)容量為一年各個(gè)時(shí)間段的數(shù)據(jù)。通過對(duì)所用的數(shù)據(jù)進(jìn)行聚類分析，得到各個(gè)類，溫度和負(fù)荷水平是分類的主要判據(jù)。把各個(gè)類中的數(shù)據(jù)代入公式，發(fā)現(xiàn)計(jì)算出來的參數(shù)值前后相差有時(shí)較大。表3列出了計(jì)算所得的各個(gè)參數(shù)值與所給定的參數(shù)值之間的統(tǒng)計(jì)表。

圖1 不同樣本容量和計(jì)算誤差之間的關(guān)系

表3 計(jì)算值同給定值的關(guān)系

6 結(jié)論

正確的網(wǎng)絡(luò)參數(shù)值對(duì)于電力系統(tǒng)分析越來越重要，但如果參數(shù)值錯(cuò)誤的話，會(huì)對(duì)狀態(tài)估計(jì)、優(yōu)化運(yùn)行，安全分析等的結(jié)果產(chǎn)生較大的影響，特別是實(shí)施電力市場(chǎng)以后，對(duì)參數(shù)值正確性的要求越來越高。

針對(duì)得要到一個(gè)正確反映網(wǎng)絡(luò)在各種情況下的參數(shù)值比較困難的問題，文章提出了一種基于對(duì)大量歷史數(shù)據(jù)進(jìn)行挖掘計(jì)算參數(shù)值的方法，能過聚類分析，把歷史數(shù)據(jù)分成各個(gè)類。因每個(gè)類都有大量的歷史數(shù)據(jù)來反映網(wǎng)絡(luò)情況，所以最后的網(wǎng)絡(luò)參數(shù)值能夠代表各種情況下的正確值。

最后的兩個(gè)算例表明所提出的基于數(shù)據(jù)挖掘技術(shù)的網(wǎng)絡(luò)參數(shù)估計(jì)正確性比較高，實(shí)用性比較強(qiáng)，可靠性比較高。