[發明專利]海量數據驅動下臺區線損率異常時段智能辨識及預警方法有效

申請號：	202010533154.2	申請日：	2020-06-12
公開（公告）號：	CN111696003B	公開（公告）日：	2021-03-16
發明（設計）人：	陳光宇;張仰飛;吳文龍;郝思鵬;劉海濤;曹吳彧	申請（專利權）人：	南京工程學院
主分類號：	G06Q50/06	分類號：	G06Q50/06
代理公司：	南京瑞弘專利商標事務所(普通合伙) 32249	代理人：	彭雄
地址：	211167 江蘇***	國省代碼：	江蘇;32
權利要求書：	查看更多	說明書：	查看更多
摘要：
搜索關鍵詞：	海量數據驅動下臺區線損率異常時段智能辨識預警方法
鉆瓜網技術展會專利詞庫專利權人專利榜在售專利公布日期熱門專利

【權利要求書】：

1.一種海量數據驅動下臺區線損率異常時段智能辨識及預警方法，其特征在于：包括如下步驟：

S1、獲取臺區的線損率歷史數據；

S2、根據臺區的線損率歷史數據建立模糊規則中的隸屬度函數：先輸入臺區的線損率歷史數據；再基于專家經驗選擇一個曲線形狀作為隸屬度函數的曲線形狀；接著選用k-means聚類方法對臺區的線損率歷史數據進行聚類，找出正常線損率的聚類中心，正常線損率的聚類中心表示為ΔP％_z，異常線損率的聚類中心表示為ΔP％_y，ΔP％_y為ΔP％_z的兩倍；最后基于正常線損率的國家標準，建立模糊規則中的隸屬度函數：

其中：μ_f為負線損的隸屬度；μ_z為正常線損率的隸屬度；μ_g為高線損率的隸屬度；x為線損率；ΔP％_a表示正常線損率的隸屬度函數中隸屬度為1的點的對應的線損率，取值為ΔP％_z；ΔP％_b表示高線損率的隸屬度函數中隸屬度為1的點的對應的線損率；

S3、通過步驟S2得到的隸屬度函數對線損率進行分類，并確定各線損率異常時段，包括如下步驟：

S31、導出臺區的線損率歷史數據，將所判斷的線損率時段以天為單位劃分為時間集{T₁,T₂,…,T_n,…,T_N}，T_n時段表示第n天的線損率時段；

S32、初始化正常線損率時間集負線損率時間集和高線損率時間集

S33、初始化n＝1；

S34、對T_n時段的線損率ΔP％，將ΔP％作為x帶入隸屬度函數進行分類：

情況①：若在隸屬度函數中對應的μ_f＜μ_z且μ_g＜μ_z，則判斷T_n時段為正常時段，對應的線損率為正常線損率，將T_n歸入α；

情況②：若在隸屬度函數中對應的μ_f＞0，則判斷T_n時段為異常時段，對應的線損率為負線損率，將T_n歸入β；

情況③：若在隸屬度函數中對應的μ_g＞μ_z，則判斷T_n時段為異常時段，對應的線損率為高線損率，將T_n歸入γ；

S35、n＝n+1：若n≥N+1，則進入步驟36；否則，進入步驟S34；

S36、得到正常線損率時間集α＝{T_i}、負線損率時間集β＝{T_j}和高線損率時間集γ＝{T_k}，T_i≠T_j≠T_k；T_i表示第i個正常線損率時段，T_j表示第j個負線損率異常時段，T_k表示第k個高線損率異常時段；

S37、對步驟S36得到的分類結果進行判斷：若β和γ均為空集，則所判斷的線損率時段內，該臺區的線損率正常，進入步驟S8；否則，所判斷的線損率時段，該臺區的線損率異常，輸出β和γ；

S4、計算線損率異常持續時間，先導出臺區的線損率歷史數據，將所判斷的線損率時段以天為單位劃分為時間集{T₁,T₂,…,T_n,…,T_N}，T_n時段表示第n天的線損率時段；然后執行如下步驟：

S41、初始化負線損率異常持續時間為a＝0，高線損率異常持續時間為b＝0，c＝4，n＝1；

S42、若T_n時段線損率為正常線損率，則c＝c-1，進入步驟S47；否則，進入步驟S43；

S43、若T_n時段線損率為負線損率，則進入步驟S44；若T_n時段線損率為高線損率，則進入步驟S45；

S44、若b＝0，則a＝a+1，進入步驟S47；否則，進入步驟S46；

S45、若a＝0，則b＝b+1，進入步驟S47；否則，進入步驟S46；

S46、c＝0，n＝n-1，進入步驟S47；

S47、n＝n+1，進入步驟S48；

S48、若c＝0，則進入步驟S49；否則，進入步驟S42；

S49、確定線損率異常持續時間為t天，t＝max{a,b}，進入步驟S410；

S410、若n≥N+1，則進入步驟S5；否則，進入步驟S42；

S5、計算與各線損率異常時段對應的用戶用電量異常時段的重合度，先將所有線損率異常時段劃分為連續的子時間段，確定各子時間段上用戶用電量異常的時間段，再計算與各線損率異常時段對應的用戶用電量異常時段的重合度，包括如下步驟：

S51、根據線損率異常持續時間、負線損率時間集β＝{T₁,T₂,…,T_j,…,T_J}和高線損率時間集γ＝{T₁,T₂,…,T_k,…,T_K}，對線損率異常時段重新劃分：

S511、對負線損率時間集β＝{T₁,T₂,…,T_j,…,T_J}進行重新劃分，包括如下步驟：

S5111、初始化j＝1，h＝1，

S5112、將T_j歸于X_h中；

S5113、根據T_j時段對應的線損率異常持續時間t_j，將T_j時段后的(t_j-1)個時段均歸于X_h中；

S5114、j＝j+t_j，h＝h+1；

S5115、若j＞J，則進入步驟S512；否則，進入步驟S5112；

S512、對高線損率時間集γ＝{T₁,T₂,…,T_k,…,T_K}進行重新劃分，包括如下步驟：

S5121、初始化k＝1，l＝1，

S5122、將T_k歸于X_L中；

S5123、根據T_k時段對應的線損率異常持續時間t_k，將T_k時段后(t_k-1)個時段均歸于X_L中；

S5124、k＝k+t_k，l＝l+1；

S5125、若k＞K，則進入步驟S52；否則，進入步驟S5122；

S52、得到異常時間段時間集合{X₁,X₂,…,X_l,…,X_L}；

S53、初始化h＝1；

S54、導入X_h時段上M個用戶的用電量，使用Z_hm表示用戶m在X_h時段內的用電量，建立對應的用戶用電量數據集{Z_h1,,Z_h2,…,Z_hm,…,Z_hM}；

S55、初始化m＝1；

S56、統計用戶m在X_h時段內的用電量異常天數e；

S57、利用皮爾遜相關系數來判斷用戶用電量與臺區的線損率之間的關系：

其中：r表示X與Y之間的皮爾遜相關系數，X代表用戶m在X_h時段內的用電量Z_hm，Y代表X_h時段臺區的線損率，N代表X_h時段對應的線損率異常持續時間；皮爾遜相關系數r越大，表示X_h時段臺區的線損率與用戶m的用電量相關性越強，當r≥0.8時，判斷線損率異常持續時間內用戶m的用電量異常；

S58、計算X_h時段內用戶m的用戶用電量異常持續時間為d＝e+N；計算X_h時段與用戶m的用戶用電量異常時段的重合度為

S59、m＝m+1；

S510、若m＞M，則進入步驟S511；否則，進入步驟S56；

S511、h＝h+1；

S512、若h＞H，則進入步驟S513；否則，進入步驟S54；

S513、輸出線損率異常時段和用戶用電量異常時段的重合度數據集S＝{s_hm}；

S6、根據專家經驗建立模糊規則中關于線損率異常時段和用戶用電量異常時段重合度的隸屬度函數：先基于專家經驗選擇一個曲線形狀作為隸屬度函數的曲線形狀；再將線損率異常時段和用戶用電量異常時段的重合度轉化成模糊子集{NB ZO PB}，建立基于線損率異常時段和用戶用電量異常時段重合度的隸屬度函數表；最后基于隸屬度函數表建立隸屬度函數：

其中：μ_N(NB)表示線損率異常時段和用戶用電量異常時段重合度很小的隸屬度；μ_Z(ZO)表示異常時段重合度中等的隸屬度；μ_P(PB)表示異常時段重合度很大的隸屬度；x為線損率異常時段和用戶用電量異常時段的重合度；

S7、利用步驟S6得到的隸屬度函數分析線損率異常時段和用戶用電量異常時段之間的關系，找出異常關聯用戶，包括如下步驟：

S71、導出異常時間段時間集{X₁,X₂,…,X_h,…,X_H}，初始化h＝1；

S72、導出線損率異常時段和用戶用電量異常時段的重合度數據集S＝{s_hm}，初始化m＝1；

S73、對X_h時段的線損率進行分類：

情況①：若在隸屬度函數中對應的μ_N≥μ_Z且μ_N≥μ_P，則判斷X_h時段兩種異常的重合度很小，線損率異常與用戶m的相關性很小，用戶m為三級異常關聯用戶；

情況②：若在隸屬度函數中對應的μ_Z≥μ_N且μ_Z≥μ_P，則判斷X_h時段兩種異常的重合中等，線損率異常與用戶m部分相關，用戶m為二級異常關聯用戶；

情況③：若在隸屬度函數中對應的μ_P＞μ_Z，則判斷X_h時段兩種異常的重合很大，線損率異常與用戶m的相關性很大，用戶m為一級異常關聯用戶；

S74、m＝m+1；

S75、若m＞M，則進入步驟S76；否則，進入步驟S73；

S76、h＝h+1

S77、若h＞H，則進入步驟S78；否則，進入步驟S72；