数据挖掘(Data Mining,DM)是一种新兴的数据分析方法,它可以帮助人们充分应用数据中所蕴涵的信息,成为人工智能研究中非常活跃的领域。粗糙集是一种处理模糊和不确定知识的理论,聚类分析在没有先验知识时发现数据的规律,为人们提供了新的数据分类的方法。虽然在粗糙集和聚类分析方面有很多理论和方法产生,但由于数据对象的千变万化,需要我们不断对这些技术进行完善,以满足应用的需要。在研究粗糙集关联影响度的基本概念和性质的基础上,通过分析属性之间的相互影响,建立属性的关联影响度矩阵,以属性的关联影响度作为启发条件,有效地删除冗余属性,获得能反映出属性之间相互影响的约简集。实验表明,基于关联影响度的属性约简算法可以得到关联影响度较大的属性组成的约简集。这种概念拓宽了粗糙集的应用范围,为数据挖掘提供了新的方法。在粗糙集关联影响概念的基础上,对基于关联影响属性动态约简的概念和算法进行了研究,通过计算粗糙集中样本的激活状态ρ(U)和睡眠状态σ(U)对属性约简集的影响,在ρ(U)→σ(U)时,从约简集中将冗余的属性删除,在σ(U)→ρ(U)时,将必要的属性增加到约简集,这些算法和概念是有利于描述事物状态转换的方法。智能监控系统是工业自动化控制的核心,粗糙集理论为它提供了切实可行的实时决策规则,基于实时性的属性约简算法将弱实时性属性删除,保留强实时性约简集,以保证决策系统的实时性指标,该算法使粗糙集在实时决策系统的应用更加广泛。属性分类的约简算法能满足决策表中条件属性的分类要求,该算法按照分类函数对条件属性进行分类计算后,将次要的属性子集删除,求得属性分类约简集。实验表明,该算法能够在原决策能力不变的情况下,有效地删除部分属性,解决了属性分类的问题。将所研究的属性约简算法应用到配电网故障诊断和电网连锁故障诊断预警系统中。在分析和研究配电网故障诊断系统的属性选择和规则产生方法的基础上,将实时性属性约简、属性分类约简算法应用到配电网故障诊断系统中。通过电工理论计算电网连锁故障诊断预警系统的属性值,求出负荷转移情况下属性之间相互产生的关联影响以及线路的故障度。通过关联影响属性约简算法的应用,观察属性的变化,达到预测故障、及时排除故障的目的。调和聚类分类算法,用于解决分类和聚类不一致的问题。它通过计算调和矩阵,计算聚类分类是否一致,通过对调和矩阵的不断修正,对聚类和分类的结果进行有效的协调,以达到最大程度上的一致。在电力负荷预测的应用中,该算法具有广泛的适用性,可以应用于其它分类和聚类不一致的场合。以上对数据挖掘进行的研究,经过模拟、试验和算例验证了算法的有效性,具有重要的理论意义和应用价值。