一种低电压指标特性研究方法及终端与流程

1.本发明涉及配电网数据分析领域，尤其涉及一种低电压指标特性研究方法及终端。


背景技术：

2.科技发展日新月异，“云计算、大数据、物联网、人工智能”等新一代信息技术也得到越来越广泛和深入的推广与应用。其中，大数据分析在各行各业都发挥着重要的作用。在配电网中，通过大数据分析，能够为配电网规划工作服务，通过对配电网规划海量数据的分析应用，能够实现对规划数据的深层次应用，从而提升电网规划水平，为配电网规划建设提供有力支撑。
3.其中，在配电网规划中，基于采集梳理的配电网现状数据，应用建立的数据挖掘分析算法模型，开展配电网现状数据的特征关联分析，挖掘配电网中不同指标之间的关联关系、影响程度等信息，为配电网规划提供基础支撑，是现代配电网大数据分析的常见分析方式。然而，现有的配电网数据分析中，所建立的数据挖掘分析模型往往精细度不够，从而导致分析结果不够准确，或者所建立的数据挖掘分析模型数据量处理大且繁琐，从而导致数据分析效率低。


技术实现要素：

4.本发明所要解决的技术问题是：提供一种低电压指标特性研究方法及终端，保证了低电压指标关联分析的准确性以及效率性。
5.为了解决上述技术问题，本发明采用的一种技术方案为：
6.一种低电压指标特性研究方法，包括步骤：
7.s1、接收待分析的与低电压关联的指标项；
8.s2、根据所述指标项从数据集中搜索出所有包含所述指标项的项目，构成项目集；
9.s3、确定所述项目集中每一个指标项对应的指标数据，根据所述指标数据对每一个指标项对应的指标数据进行拆分，使得每一个指标项对应的任意两个指标数据的范围没有重叠，构成拆分后的项目集；
10.s4、根据所述拆分后的项目集采用改进的apriori算法确定与低电压强关联的指标项，在所述改进的apriori算法中先根据所述拆分后的项目集确定所有的候选项集，再在对所述拆分后的项目集的一次扫描中对所有的候选项集进行支持度计算。
11.为了解决上述技术问题，本发明采用的另一种技术方案为：
12.一种低电压指标特性研究终端，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如下步骤：
13.s1、接收待分析的与低电压关联的指标项；
14.s2、根据所述指标项从数据集中搜索出所有包含所述指标项的项目，构成项目集；
15.s3、确定所述项目集中每一个指标项对应的指标数据，根据所述指标数据对每一
个指标项对应的指标数据进行拆分，使得每一个指标项对应的任意两个指标数据的范围没有重叠，构成拆分后的项目集；
16.s4、根据所述拆分后的项目集采用改进的apriori算法确定与低电压强关联的指标项，在所述改进的apriori算法中先根据所述拆分后的项目集确定所有的候选项集，再在对所述拆分后的项目集的一次扫描中对所有的候选项集进行支持度计算。
17.本发明的有益效果在于：在确定与低电压关联的指标项时，鉴于与低电压关联的指标项为具有数值范围的指标数据，先对每一个指标项对应的指标数据进行拆分，使得每一个指标项对应的任意两个指标数据的范围没有重叠，细化了进行数据分析的颗粒度，能够提高所确定出的与低电压关联的指标项的准确度，而由于对指标数据的拆分会导致指标数据项的增加，因此适应性地对apriori算法进行改进，先根据拆分后的项目集确定所有的候选项集，再对拆分后的项目集的一次扫描中对所有的候选项集进行支持度计算，即在一次的扫描过程中即对所有的候选项集进行支持度的计算，边扫描边对所有可能的候选项集进行支持度计算，减少了扫描次数，从而弥补了由于指标数据项的增加导致的数据计算复杂度增大的问题，提高了数据分析的效率，通过数据拆分以及适应性的扫描次数的减少保证了低电压指标关联分析的准确性以及效率性。
附图说明
18.图1为本发明实施例的一种低电压指标特性研究方法的步骤流程图；
19.图2为本发明实施例的一种低电压指标特性研究终端的结构示意图。
具体实施方式
20.为详细说明本发明的技术内容、所实现目的及效果，以下结合实施方式并配合附图予以说明。
21.请参照图1，一种低电压指标特性研究方法，包括步骤：
22.s1、接收待分析的与低电压关联的指标项；
23.s2、根据所述指标项从数据集中搜索出所有包含所述指标项的项目，构成项目集；
24.s3、确定所述项目集中每一个指标项对应的指标数据，根据所述指标数据对每一个指标项对应的指标数据进行拆分，使得每一个指标项对应的任意两个指标数据的范围没有重叠，构成拆分后的项目集；
25.s4、根据所述拆分后的项目集采用改进的apriori算法确定与低电压强关联的指标项，在所述改进的apriori算法中先根据所述拆分后的项目集确定所有的候选项集，再在对所述拆分后的项目集的一次扫描中对所有的候选项集进行支持度计算。
26.由上述描述可知，本发明的有益效果在于：在确定与低电压关联的指标项时，鉴于与低电压关联的指标项为具有数值范围的指标数据，先对每一个指标项对应的指标数据进行拆分，使得每一个指标项对应的任意两个指标数据的范围没有重叠，细化了进行数据分析的颗粒度，能够提高所确定出的与低电压关联的指标项的准确度，而由于对指标数据的拆分会导致指标数据项的增加，因此适应性地对apriori算法进行改进，先根据拆分后的项目集确定所有的候选项集，再对拆分后的项目集的一次扫描中对所有的候选项集进行支持度计算，即在一次的扫描过程中即对所有的候选项集进行支持度的计算，边扫描边对所有
可能的候选项集进行支持度计算，减少了扫描次数，从而弥补了由于指标数据项的增加导致的数据计算复杂度增大的问题，提高了数据分析的效率，通过数据拆分以及适应性的扫描次数的减少保证了低电压指标关联分析的准确性以及效率性。
27.进一步地，所述根据所述指标数据对每一个指标项对应的指标数据进行拆分包括：
28.根据所述指标数据确定每一个指标项对应的指标数据的数值范围；
29.按照所述数值范围的左边界由小到大的顺序对每一个指标项对应的指标数据进行排序；
30.对存在重叠的数值范围的指标数据进行拆分，将重叠部分拆分成独立的指标数据。
31.由上述描述可知，在进行每一个指标项对应的指标数据的拆分时，先根据各个指标数据的数值范围的左边界由小到大的顺序进行排序，然后再对存在重叠的数值范围的指标数据进行拆分，既提高了数据拆分的速度，也保证了数据拆分的全面性。
32.进一步地，所述对存在重叠的数值范围的指标数据进行拆分包括：
33.判断重叠的数值范围占其所在的指标数据的比重，若所述比重大于预设阈值，则对存在重叠的数值范围的指标数据进行拆分，否则，不进行拆分。
34.由上述描述可知，仅对重叠的数值范围占其所在的指标数据的比重超过预设阈值的指标数据进行拆分，避免了拆分导致的指标数据数量的过多，保证了拆分后的指标数据数量的合理性，提高了拆分的有效性的同时也提高了数据处理效率。
35.进一步地，所述s4包括：
36.根据所述拆分后的项目集确定所有的候选项集，将所有的候选项集添加入候选项集集合；
37.对所述拆分后的项目集进行扫描，在扫描的过程中，确定所述候选项集集合中每一候选项集的支持度，若确定出的当前支持度小于最小支持度，将所述当前支持度对应的第一目标候选项集以及包含所述第一目标候选项集的所有第二目标候选项集从所述候选项集集合中删除；
38.根据确定出的所述候选项集集合中每一候选项集的支持度确定每一候选项集对应的关联规则的置信度；
39.将置信度大于或等于最小置信度对应的关联规则确定为强关联规则；
40.根据所述强关联规则确定与低电压强关联的指标项。
41.由上述描述可知，在改进的apriori算法中，根据拆分后的项目集确定所有的候选项集，并将所有的候选项集添加入候选项集集合中，在扫描拆分后的项目集的过程中，基于预设的最小支持度边扫描边计算候选项集的支持度的同时能够将不符合最小支持度要求的候选项集以及包含该候选项集的超集从候选项集集合中同步删除，最后候选项集集合中保留的候选项集都是符合最小支持度的要求，在确定强关联规则时，直接基于候选项集集合中每一候选项对应的关联规则计算对应的置信度即可，省略了现有的apriori算法需要多次扫描以及多次删除不符合要求的候选项集导致的计算复杂度大的问题，减少了计算复杂度，提高了计算速度。
42.进一步地，所述根据所述强关联规则确定与低电压强关联的指标项包括：
43.根据置信度最大并且以低电压为结论的强关联规则确定与低电压强关联的指标项。
44.由上述描述可知，在确定与低电压强关联的指标时，直接选择置信度最大的并且以低电压为结论的强关联规则来确定，能够快速准确地确定出与低电压强关联的指标项。
45.请参照图2，一种低电压指标特性研究终端，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如下步骤：
46.s1、接收待分析的与低电压关联的指标项；
47.s2、根据所述指标项从数据集中搜索出所有包含所述指标项的项目，构成项目集；
48.s3、确定所述项目集中每一个指标项对应的指标数据，根据所述指标数据对每一个指标项对应的指标数据进行拆分，使得每一个指标项对应的任意两个指标数据的范围没有重叠，构成拆分后的项目集；
49.s4、根据所述拆分后的项目集采用改进的apriori算法确定与低电压强关联的指标项，在所述改进的apriori算法中先根据所述拆分后的项目集确定所有的候选项集，再在对所述拆分后的项目集的一次扫描中对所有的候选项集进行支持度计算。
50.由上述描述可知，本发明的有益效果在于：在确定与低电压关联的指标项时，鉴于与低电压关联的指标项为具有数值范围的指标数据，先对每一个指标项对应的指标数据进行拆分，使得每一个指标项对应的任意两个指标数据的范围没有重叠，细化了进行数据分析的颗粒度，能够提高所确定出的与低电压关联的指标项的准确度，而由于对指标数据的拆分会导致指标数据项的增加，因此适应性地对apriori算法进行改进，先根据拆分后的项目集确定所有的候选项集，再对拆分后的项目集的一次扫描中对所有的候选项集进行支持度计算，即在一次的扫描过程中即对所有的候选项集进行支持度的计算，边扫描边对所有可能的候选项集进行支持度计算，减少了扫描次数，从而弥补了由于指标数据项的增加导致的数据计算复杂度增大的问题，提高了数据分析的效率，通过数据拆分以及适应性的扫描次数的减少保证了低电压指标关联分析的准确性以及效率性。
51.进一步地，所述根据所述指标数据对每一个指标项对应的指标数据进行拆分包括：
52.根据所述指标数据确定每一个指标项对应的指标数据的数值范围；
53.按照所述数值范围的左边界由小到大的顺序对每一个指标项对应的指标数据进行排序；
54.对存在重叠的数值范围的指标数据进行拆分，将重叠部分拆分成独立的指标数据。
55.由上述描述可知，在进行每一个指标项对应的指标数据的拆分时，先根据各个指标数据的数值范围的左边界由小到大的顺序进行排序，然后再对存在重叠的数值范围的指标数据进行拆分，既提高了数据拆分的速度，也保证了数据拆分的全面性。
56.进一步地，所述对存在重叠的数值范围的指标数据进行拆分包括：
57.判断重叠的数值范围占其所在的指标数据的比重，若所述比重大于预设阈值，则对存在重叠的数值范围的指标数据进行拆分，否则，不进行拆分。
58.由上述描述可知，仅对重叠的数值范围占其所在的指标数据的比重超过预设阈值的指标数据进行拆分，避免了拆分导致的指标数据数量的过多，保证了拆分后的指标数据
数量的合理性，提高了拆分的有效性的同时也提高了数据处理效率。
59.进一步地，所述s4包括：
60.根据所述拆分后的项目集确定所有的候选项集，将所有的候选项集添加入候选项集集合；
61.对所述拆分后的项目集进行扫描，在扫描的过程中，确定所述候选项集集合中每一候选项集的支持度，若确定出的当前支持度小于最小支持度，将所述当前支持度对应的第一目标候选项集以及包含所述第一目标候选项集的所有第二目标候选项集从所述候选项集集合中删除；
62.根据确定出的所述候选项集集合中每一候选项集的支持度确定每一候选项集对应的关联规则的置信度；
63.将置信度大于或等于最小置信度对应的关联规则确定为强关联规则；
64.根据所述强关联规则确定与低电压强关联的指标项。
65.由上述描述可知，在改进的apriori算法中，根据拆分后的项目集确定所有的候选项集，并将所有的候选项集添加入候选项集集合中，在扫描拆分后的项目集的过程中，基于预设的最小支持度边扫描边计算候选项集的支持度的同时能够将不符合最小支持度要求的候选项集以及包含该候选项集的超集从候选项集集合中同步删除，最后候选项集集合中保留的候选项集都是符合最小支持度的要求，在确定强关联规则时，直接基于候选项集集合中每一候选项对应的关联规则计算对应的置信度即可，省略了现有的apriori算法需要多次扫描以及多次删除不符合要求的候选项集导致的计算复杂度大的问题，减少了计算复杂度，提高了计算速度。
66.进一步地，所述根据所述强关联规则确定与低电压强关联的指标项包括：
67.根据置信度最大并且以低电压为结论的强关联规则确定与低电压强关联的指标项。
68.由上述描述可知，在确定与低电压强关联的指标时，直接选择置信度最大的并且以低电压为结论的强关联规则来确定，能够快速准确地确定出与低电压强关联的指标项。
69.本发明上述低电压指标特性研究方法及终端能够适用于在配电网中需要确定与台区发生低电压强关联的指标的确定中，以下通过具体的实施方式进行说明：
70.实施例一
71.请参照图1，一种低电压指标特性研究方法，包括步骤：
72.s1、接收待分析的与低电压关联的指标项；
73.其中，与低电压关联的指标项可以根据具体的应用场景进行设定，本实施例中确定的用来进行关联性分析的指标项包括：配变平均负载率、年最大负载率、户均配变容量以及供电用户数；如果在另一个应用场景中，供电用户数对于低电压的影响并不是很相关，则可以确定用来进行关联性分析的指标项包括：配变平均负载率、年最大负载率以及户均配变容量；
74.s2、根据所述指标项从数据集中搜索出所有包含所述指标项的项目，构成项目集；
75.本实施例中数据集由10kv配电变压器及低电压信息构成，在确定项目集时，根据低电压项和所接收的上述四个指标项对10kv配电变压器及低电压信息进行搜索，找出包含低电压项和所接收的上述四个指标项的项目，构成项目集，比如，假设i5代表配变平均负载
率、i15代表户均配变容量、i23代表低电压、i10代表年最大负载率，i20代表供电用户数，则通过搜索可以得到如下表1所示的项目集：
76.表1
77.tid项目集1i5,i15,i232i10,i233i20,i234i5,i10,i235i5,i206i20,i237i5,i208i5,i15,i20,i239i5,i20,i23
78.s3、确定所述项目集中每一个指标项对应的指标数据，根据所述指标数据对每一个指标项对应的指标数据进行拆分，使得每一个指标项对应的任意两个指标数据的范围没有重叠，构成拆分后的项目集；
79.比如表1中编号为1的i5对应的指标数据为[0.7,0.8]，编号为4的i5对应的指标数据为[0.75,0.89]，则它们之间就有重叠的数值范围[0.75,0.8]，此时就可以将编号为1的i5对应的指标数据拆分为[0.7,0.75]以及[0.75,0.8]，将编号为4的i5对应的指标数据拆分为[0.75,0.8]以及[0.8,0.89]，由此就保证了每一个指标项对应的任意两个指标数据的范围都没有重叠；
[0080]
s4、根据所述拆分后的项目集采用改进的apriori算法确定与低电压强关联的指标项，在所述改进的apriori算法中先根据所述拆分后的项目集确定所有的候选项集，再在对所述拆分后的项目集的一次扫描中对所有的候选项集进行支持度计算；
[0081]
也就是说，本实施例所采用的改进的apriori算法并不需要像现有的apriori算法需要多次进行扫描，每计算一次候选项集的支持度，就要扫描一次项目集，并且也不是像现有的apriori算法中候选项集是基于所确定的指标项的排列组合来确定的，而是基于拆分后的项目集确定的，本实施例直接在一次扫描拆分后的项目集的过程中，即对根据拆分后的项目集确定的所有可能的候选项集的支持度进行计算，比如项目集为{i5,i15,i23}，则在扫描i5时，即对候选项集{i5}的支持度加1，扫描i15时，则对候选项集{i15}以及{i5,i15}的支持度加1，扫描i23时，则对候选项集{i23}、{i5,i23}、{i15,i23}以及{i5,i15,i23}的支持度加1；
[0082]
由于候选项集是基于项目集生成的，因此，在一个可选的实施方式中，不需要事先根据拆分后的项目集确定所有的候选项集，取而代之的是，在扫描的过程中，同步确定对应的候选项，并对对应的候选项的支持度进行同步计算，由此进一步降低计算复杂度，具体的，对于每一个项目：
[0083]
每扫描到一个项目中的数据项，确定当前所述项目中已扫描到的数据项，根据已扫描到的数据项生成其所有可能的候选项集，构成候选项集集合，对于候选项集合中的每一个候选项集，判断是否已保存，若是，则更新已保存的对应的候选项集的支持度，即对其
支持度加一，若否，则保存所述候选项集，并计算其支持度，即对其支持度加一，由此，就实现了边扫描边生成候选项集并同步完成支持度的计算，这样就省去了现有的apriori算法需要分别对项目集和候选项集集合进行多次扫描，并且也避免了现有技术中直接基于指标项的排列组合确定出的候选项集有可能是无效的候选项集的情况，也就是说，所确定的候选项集并不存在于项目集中，其支持度为0，从而就导致了无效的扫描。
[0084]
实施例二
[0085]
本实施例进一步限定了如何对每一个指标项对应的指标数据进行拆分，使得每一个指标项对应的任意两个指标数据的范围没有重叠，具体的：
[0086]
根据所述指标数据确定每一个指标项对应的指标数据的数值范围；
[0087]
按照所述数值范围的左边界由小到大的顺序对每一个指标项对应的指标数据进行排序；
[0088]
对存在重叠的数值范围的指标数据进行拆分，将重叠部分拆分成独立的指标数据；
[0089]
比如，对应配变平均负载率一共有如下几个指标数据：[0.7,0.9]，[0.9,1],[0.8,1]，，则可以先对它们按照其左边界的大小由小到大进行排序如下：
[0090]
[0.7,0.9]，[0.8,1]，[0.9,1]；
[0091]
然后再对存在重叠的部分进行拆分：
[0092]
[0.7,0.9]拆分为[0.7,0.8]、[0.8,0.9]；
[0093]
[0.8,1]拆分为[0.8,0.9]、[0.9,1]；
[0094]
在一个可选的实施方式中，所述对存在重叠的数值范围的指标数据进行拆分包括：
[0095]
判断重叠的数值范围占其所在的指标数据的比重，若所述比重大于预设阈值，则对存在重叠的数值范围的指标数据进行拆分，否则，不进行拆分；
[0096]
比如，设定预设阈值为百分之二十，则对于指标数据[0.7,0.9]和[0.8,1]，由于重叠的部分为[0.8,0.9]，其分别占[0.7,0.9]和[0.8,1]的比重都超过百分之二十，因此，需要进行拆分，而假设指标数据为[0.7,0.9]和[0.89,1]，由于重叠部分为[0.89,0.9]，所占比例小于百分之二十，因此，不需要进行拆分。
[0097]
实施例三
[0098]
本实施例进一步限定了如何对现有的apriori算法进行改进，具体的，所述s4包括：
[0099]
根据所述拆分后的项目集确定所有的候选项集，将所有的候选项集添加入候选项集集合；
[0100]
对所述拆分后的项目集进行扫描，在扫描的过程中，确定所述候选项集集合中每一候选项集的支持度，若确定出的当前支持度小于最小支持度，将所述当前支持度对应的第一目标候选项集以及包含所述第一目标候选项集的所有第二目标候选项集从所述候选项集集合中删除；
[0101]
根据确定出的所述候选项集集合中每一候选项集的支持度确定每一候选项集对应的关联规则的置信度；
[0102]
将置信度大于或等于最小置信度对应的关联规则确定为强关联规则；
[0103]
根据所述强关联规则确定与低电压强关联的指标项；
[0104]
在一个可选的实施方式中，所述根据所述强关联规则确定与低电压强关联的指标项包括：
[0105]
根据置信度最大并且以低电压为结论的强关联规则确定与低电压强关联的指标项；
[0106]
以下通过一个具体的例子来进行说明：
[0107]
以表1所述的项目集为例进行说明，其中，标号为1的项目中i5的数值范围为[0.7,1]，其余的项目中i5的数值范围为[0.8,1]，因此需要对标号为1的i5进行拆分得到[0.7,0.8]、[0.8,1]，可以将[0.7,0.8]对应的项目标为i5’，[0.8,1]对应的项目标为i5，则表1转换为如下表2所示：
[0108]
表2
[0109]
tid项目集1i5’,i5,i15,i232i10,i233i20,i234i5,i10,i235i5,i206i20,i237i5,i208i5,i15,i20,i239i5,i20,i23
[0110]
则在实现apriori算法的过程中，可以先基于表2的项目集中的每一个项目生成所有可能的候选项集，再进行扫描，也可以边扫描表2的项目集边生成候选项集，本实施例中，边扫描表2的项目集边生成候选项集，具体的：
[0111]
先扫描标号为1的项目{i5’,i5,i15,i23}，当扫描到i5’时，将{i5’}添加入候选项集集合，并计算其对应的支持度计数为1，当扫描到i5时，确定候选项集{i5}以及{i5,i5’}，均为新生成的候选项集，将它们添加入候选项集集合中，并计算各自对应的支持度计算分别为1，当扫描到i15时，确定候选项集{i15}、{i15，i5’}、{i15,i5}以及{i15,i5’,i5}，将它们分别添加入候选项集集合，并分别计算对应的支持度计数为1，依次类推，逐个数据项进行扫描并同步生成候选项集以及同步进行支持度计数计算，如果扫描到已经存在于候选项集集合中的候选项集，则直接进行支持度计数的更新，比如当扫描到标号为4的i5数据项时，由于在扫描到编号为1的项目时，已经生成了，并且支持度计数为1，则此时对其进行更新为2即可，在扫描完成后，最终得到的候选项集集合中的各个候选项以及对应的支持度计数如表3所示：
[0112]
表3
[0113]
[0114][0115]
设置最小支持度计数为2，即将最小支持度计数大于或者等于2的候选项集确定为频繁项集，则将小于最小支持度的候选项集从候选项集集合中删除，其中，根据定律：如果一个集合不是频繁项集，则它的所有超集都不是频繁项集，则可以在删除不是频繁项集的候选项集时，可以一并将其对应的所有超集也进行删除，而不需要一个个进行比对，比如{i5,i10}为非频繁项集，则可以将包含{i5,i10}的超集：{i23,i5,i10}一并删除；{i15,i20}为非频繁集，可以将包含{i15,i20}的超集：{i5,i15,i20}、{i23,i15,i20}以及{i23,i5,i15,i20}一并删除；
[0116]
在候选项集集合中将非频繁集都删除完之后，候选项集集合中的候选项集即均为频繁项集，接着基于所有频繁项集构建大于或者等于设定的最小置信度的强关联规则，强关联规则的产生步骤如下：
[0117]
1)对于每个频繁项集l，产生其所有非空真子集；
[0118]
2)对于每个非空真子集s，如果
[0119][0120]
则输出其中，minconfidence是最小置信度阈值，support_count表示支持度计数；
[0121]
比如，针对频繁集{i5，i15，i23}，该频繁集的非空真子集有{i5，i15}，{i5，i23}，{i15,i23}，{i5}，{i23}和{i15}，根据置信度公式：
[0122][0123]
得到对应置信度如下：
[0124]
[0125][0126][0127][0128][0129][0130]
本实施例中，设置minconfidence＝70％，则强规则有本实施例中，设置minconfidence＝70％，则强规则有其中，i5表示配变平均负载率为80％～100％，i15表示户均配变容量[2,3)(单位为kva，千伏安)，i23表示低电压；
[0131]
由于得出的结论是台区发生低电压，因此，最终筛选出以i23(台区发生低电压)为结论的强关联规则为：即：
[0132]
配变平均负载率为80％～100％&&户均配变容量[2,3)＝》台区低电压(在最小支持度计数为2，最小置信度阈值为70％的情况下)；
[0133]
由此就可以确定与低电压强关联的指标项为配变平均负载率为80％～100％和户均配变容量[2,3)；
[0134]
由于已经确定了结论为台区发生低电压，因此，在一个可选的实施方式中，在选取进行关联规则计算的频繁项集时可以选择候选项集集合中包含i23的且项数最多的频繁项集，并且进行置信度计算时选择结论为i23的情况进行计算，比如表3中，可以只选择{i5,i15,i23}以及{i5,i20,i23}进行计算，并且仅计算：
[0135]
i5&&i15＝》i23 confidence＝2/2＝100％
[0136]
i5&&i20＝》i23 confidence＝2/4＝50％
[0137]
由此可以得出强关联关系为：i5&&i15＝》i23。
[0138]
实施例四
[0139]
请参照图2，一种低电压指标特性研究终端，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现实施例一至实施例三中任一个所述的一种低电压指标特性研究方法中的各个步骤。
[0140]
综上所述，本发明提供的一种低电压指标特性研究方法及终端，在确定与低电压关联的指标项时，鉴于与低电压关联的指标项为具有数值范围的指标数据，先对每一个指标项对应的指标数据进行拆分，使得每一个指标项对应的任意两个指标数据的范围没有重叠，细化了进行数据分析的颗粒度，能够提高所确定出的与低电压关联的指标项的准确度，而由于对指标数据的拆分会导致指标数据项的增加，因此适应性地对apriori算法进行改进，在进行扫描的过程中边扫描边基于扫描到的拆分后的项目集中的每一项目的数据项确定对应的候选项集，并同步对对应的候选项集进行支持度计算，即在一次的扫描过程中即生成所有的候选项集并进行支持度的计算，边扫描边生成所有可能的候选项集，同时对所有可能的候选项集进行支持度计算，减少了扫描次数，降低了计算复杂度，从而弥补了由于指标数据项的增加导致的数据计算复杂度增大的问题，提高了数据分析的效率，通过数据拆分以及适应性的扫描次数的减少保证了低电压指标关联分析的准确性以及效率性。
[0141]
以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等同变换，或直接或间接运用在相关的技术领域，均同理包括
在本发明的专利保护范围内。