[發明專利]基于模糊聚類和RS-KNN模型用于電網運行狀態的判別方法及系統

在審

• 申請號: 201910236266.9
• 申請日: 2019-03-27
• 公開（公告）號: CN110223193A
• 公開（公告）日: 2019-09-10
• 發明（設計）人: 婁建樓;時丹丹;孟勃;曲朝陽;王蕾;郭曉利
• 申請（專利權）人: 東北電力大學
• 主分類號: G06Q50/06
• 分類號: G06Q50/06;G06K9/62
• 代理公司: 西安合創非凡知識產權代理事務所(普通合伙) 61248
• 代理人: 楊蕾

1.基于模糊聚類和RS-KNN模型用于電網運行狀態的判別方法，其特征在于：包括如下步驟：

Step 1：選擇用于電網運行狀態判別的特征變量；

Step 2：劃分電網運行狀態類型

使用模糊聚類算法，將電網運行的健康狀態按照健康程度分為四種類型，分別為健康、亞健康、一般病態和嚴重病態。在聚類前，為了消除數據量綱的影響，需要采用歸一化方法對電網的特征變量數據進行處理。

Step 3：構造訓練集

將步驟1中得到的特征變量，作為訓練集的輸入變量，將步驟2中得到的已經分類電網運行狀態所對應的數據作為訓練集，訓練集輸出結果是對應的電網運行狀態，健康、亞健康、一般病態和嚴重病態這四種電網運行狀態所對應的標簽分別設定為1、2、3和4

Step 4：訓練 RS-KNN模型

首先使用隨機子空間方法在原訓練樣本的特征空間中隨機抽樣，構造新的訓練集。然后，利用新的樣本訓練集來訓練基分類器KNN。最后，通過多數投票規則融合多個KNN基分類器，輸出的結果是電網運行狀態的分類結果。

2.如權利要求1所述的基于模糊聚類和RS-KNN模型用于電網運行狀態的判別方法，其特征在于：所述步驟Step1具體包括如下步驟：

S11：使用使數據集中的電網運行正常樣本和故障樣本相對平衡；

S12：隨機森林-遞歸特征消除用于選取重要變量；

S12.1訓練集是利用初始變量集構建的，包含多個訓練樣本，其輸入為：

訓練集的輸出為：

其中，為訓練樣本總數，是指第個變量，是指第個輸入樣本，則是代表第個輸入樣本的第個變量。變量的內容如圖2-1。是指電網運行狀態判別的標簽，其中，1用于表示電網正常狀態，而–1表示電網故障狀態。

S12.2利用隨機森林得到10個初始變量集中各變量的重要度，并且記錄當變量個數為初始變量集時的分類正確率。

S12.3每次刪除一個最不重要的變量，使用刪除變量后的變量集重新構造一個新的訓練集，并重新測試訓練集的分類正確率。

S12.4重復12.3直到只剩下一個重要性最大的變量，所有的變量都被搜索結束。

在步驟S12后，初始變量集即10個變量的重要度排序被得到，也可以得到不同變量所對應訓練集的分類正確率。獲得最高分類正確率時，所用的輸入變量就是重要變量。

3.如權利要求2所述的基于模糊聚類和RS-KNN模型用于電網運行狀態的判別方法，其特征在于：所述步驟S11具體包括如下步驟：

Step1：在故障樣本集中，為故障樣本集中的每個樣本找到距離該樣本最近的個樣本，度量標準采用歐式距離。

Step2：隨機在每個電網故障樣本的個最近鄰樣本中抽取樣本數為，為采樣倍率，由正常樣本數與故障樣本數的比值確定。

Step3：基于式（1），構建新的故障樣本，是與之間的隨機線性插值，其中是隨機選擇的最近鄰樣本，是故障樣本。

(1)

上式中代表一個隨機數，其取值范圍在[0,1]區間。

Step4：把生成的電網故障樣本與原始數據集組合，獲得兩個類別數量比較平衡的數據集。