[發(fā)明專利]一種基于K-means聚類算法的配電網(wǎng)線損異常診斷方法和系統(tǒng)

在審

• 申請?zhí)枺?/td>: 202010624448.6
• 申請日: 2020-07-01
• 公開（公告）號: CN112001409A
• 公開（公告）日: 2020-11-27
• 發(fā)明（設(shè)計(jì)）人: 劉科研;賈東梨;孟曉麗;盛萬興;何開元;刁贏龍;李國棟;王崢;滿玉巖;詹惠瑜;張懷天
• 申請（專利權(quán)）人: 中國電力科學(xué)研究院有限公司;國家電網(wǎng)有限公司;國網(wǎng)天津市電力公司電力科學(xué)研究院;國網(wǎng)天津市電力公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06F17/18;G06F17/11;G06F16/903;G06Q50/06
• 代理公司: 北京安博達(dá)知識產(chǎn)權(quán)代理有限公司 11271
• 代理人: 徐國文

一種基于K?means聚類算法的配電網(wǎng)線損異常診斷方法和系統(tǒng)，包括：基于導(dǎo)致線損異常的影響因素獲取多個配電網(wǎng)數(shù)據(jù)，分別計(jì)算各配電網(wǎng)各影響因素對應(yīng)的特征數(shù)據(jù)，功率因數(shù)、供電電量、線損率平均值、線損率變化系數(shù)和電表開蓋記錄；通過輪廓系數(shù)作為評價(jià)標(biāo)準(zhǔn)，確定最佳聚類中心數(shù)；基于所述最佳聚類中心數(shù)，對所述特征數(shù)據(jù)采用K?means聚類算法進(jìn)行聚類；從所有特征數(shù)據(jù)中選擇與聚類中心距離大于預(yù)設(shè)閾值的特征數(shù)據(jù)作為線損異常點(diǎn)。本發(fā)明利用K?means聚類算法無監(jiān)督的特點(diǎn)，設(shè)計(jì)出具備海量處理線損異常數(shù)據(jù)的方法，提高了處理大規(guī)模數(shù)據(jù)集的計(jì)算效率。

技術(shù)領(lǐng)域

本發(fā)明屬于電力系統(tǒng)自動化技術(shù)領(lǐng)域,具體涉及一種基于K-means聚類算法的配電網(wǎng)線損異常診斷方法和系統(tǒng)。

背景技術(shù)

隨著電力系統(tǒng)信息化程度的不斷提高和配用電數(shù)據(jù)量的迅速增長，研究適用于配用電數(shù)據(jù)挖掘的算法并建立有效的知識發(fā)現(xiàn)模型，對配用電業(yè)務(wù)模式創(chuàng)新和智能電網(wǎng)的發(fā)展具有重要意義。然而到目前為止，“數(shù)據(jù)海量，信息匱乏”仍是電力企業(yè)面臨的重要問題。電力大數(shù)據(jù)的內(nèi)涵是重塑電力核心價(jià)值和轉(zhuǎn)變電力發(fā)展方式。通過對市場個性化需求和企業(yè)自身良性發(fā)展的挖掘，實(shí)現(xiàn)由以電力生產(chǎn)為中心向以客戶為中心轉(zhuǎn)變，推動電力工業(yè)向低耗能、低排放、高效率的綠色發(fā)展方式轉(zhuǎn)變。通過對配用電大數(shù)據(jù)的有效挖掘，推動以電網(wǎng)物理模型為核心的傳統(tǒng)業(yè)務(wù)模式向以數(shù)據(jù)信息相關(guān)性為基礎(chǔ)的大數(shù)據(jù)業(yè)務(wù)模式轉(zhuǎn)變。對于電力公司，檢測異常用電模式的主要目的在于降低非技術(shù)性損失，即由配電網(wǎng)側(cè)電力用戶的竊電、欺詐等一系列欺騙性用電行為所導(dǎo)致的電能損失，損失集中在中低壓網(wǎng)絡(luò)，遍布整個電力系統(tǒng)，而目前的處理方法多是基于現(xiàn)場檢查，這不僅需要大量的人力資源而且增加了運(yùn)營成本。

非技術(shù)性損失檢測的方法有統(tǒng)計(jì)學(xué)方法、支持向量機(jī)、聚類分析法等，從數(shù)據(jù)挖掘的角度，這些方法可以分為有監(jiān)督學(xué)習(xí)和無監(jiān)督學(xué)習(xí)兩類。有監(jiān)督學(xué)習(xí)需要訓(xùn)練集，即需要已知部分用戶用電行為的類型(正常、異常)。在實(shí)際應(yīng)用中，足夠多的訓(xùn)練集往往很難獲取。不需要訓(xùn)練集的無監(jiān)督異常檢測方法，即在所有用戶類型都是未知的情況下，通過分析用戶之間的關(guān)系來找出離群對象，即異常用電模式。無監(jiān)督學(xué)習(xí)的特點(diǎn)在于事先沒有訓(xùn)練樣本，即對沒有概念標(biāo)記(類標(biāo)號)的數(shù)據(jù)集進(jìn)行學(xué)習(xí)，以發(fā)現(xiàn)其中的結(jié)構(gòu)性知識。聚類分析是一種非常重要的無監(jiān)督學(xué)習(xí)方法。對于非技術(shù)性損失檢測的無監(jiān)督學(xué)習(xí)，大多是基于不同的聚類算法。每個電力用戶的用電模式可以用不同粒度的時間序列表示，因此，無監(jiān)督異常用電模式檢測在本質(zhì)上可以看作高維空間中離群對象挖掘的問題。

目前國內(nèi)外對異常用電模式檢測的研究中對不同時間尺度負(fù)荷序列的特征提取及特征處理缺乏系統(tǒng)性的研究，重點(diǎn)關(guān)注模型預(yù)測的準(zhǔn)確率，而對處理大規(guī)模數(shù)據(jù)集的計(jì)算效率缺乏深入研究。因此,發(fā)明一種適用于用戶數(shù)據(jù)采集系統(tǒng)中海量線損數(shù)據(jù)的線損異常診斷的新方法成為亟需解決的問題。

發(fā)明內(nèi)容

為了解決現(xiàn)有技術(shù)中的對海量線損數(shù)據(jù)的線損異常診斷問題，本發(fā)明提供一種基于K-means聚類算法的配電網(wǎng)線損異常診斷方法，包括：

基于導(dǎo)致線損異常的影響因素獲取多個配電網(wǎng)數(shù)據(jù)，分別計(jì)算各配電網(wǎng)各影響因素對應(yīng)的特征數(shù)據(jù)；

通過輪廓系數(shù)作為評價(jià)標(biāo)準(zhǔn)，確定最佳聚類中心數(shù)；

基于所述最佳聚類中心數(shù)，對所述特征數(shù)據(jù)采用K-means聚類算法進(jìn)行聚類；

從所有特征數(shù)據(jù)中選擇與聚類中心距離大于預(yù)設(shè)閾值的特征數(shù)據(jù)作為線損異常點(diǎn)。

優(yōu)選的，所述特征數(shù)據(jù)包括：功率因數(shù)、供電電量、平均線損率、線損率變化系數(shù)和電表開蓋記錄。

優(yōu)選的，所述平均線損率的計(jì)算公式如下：

式中表示第i條饋線的平均線損率，L_it表示第i條饋線在第t天的平均線損率，N表示饋線的數(shù)量，T表示數(shù)據(jù)的總天數(shù)。

優(yōu)選的，所述線損率變化系數(shù)的計(jì)算公式如下：