CN104809658B - 一种低压配网台区线损的快速分析方法 - Google Patents

一种低压配网台区线损的快速分析方法 Download PDF

Info

Publication number
CN104809658B
CN104809658B CN201510174868.8A CN201510174868A CN104809658B CN 104809658 B CN104809658 B CN 104809658B CN 201510174868 A CN201510174868 A CN 201510174868A CN 104809658 B CN104809658 B CN 104809658B
Authority
CN
China
Prior art keywords
line loss
distribution network
low
voltage distribution
index
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201510174868.8A
Other languages
English (en)
Other versions
CN104809658A (zh
Inventor
欧阳森
安晓华
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
South China University of Technology SCUT
Original Assignee
South China University of Technology SCUT
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by South China University of Technology SCUT filed Critical South China University of Technology SCUT
Priority to CN201510174868.8A priority Critical patent/CN104809658B/zh
Publication of CN104809658A publication Critical patent/CN104809658A/zh
Application granted granted Critical
Publication of CN104809658B publication Critical patent/CN104809658B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Abstract

本发明公开了一种低压配网台区线损的快速分析方法，包含以下步骤：根据实际情况收集并汇总低压配网台区的线损一级指标；采用FA对线损一级指标进行因子分析，根据线损一级指标的FA归类结果，提取出各类指标中对线损具有高贡献率的线损二级指标；采用FCM对区域台区进行基于线损二级指标的聚类，汇总各聚类中心台区，得到区域典型低压配网台区；利用典型低压配网台区的线损典型性分析结果，对区域内低压配网台区进行线损总体评价。本发明的分析方法，能够大幅提高低压配网台区线损分析工作的效率。

Description

一种低压配网台区线损的快速分析方法
技术领域
本发明涉及电力线损分析领域，特别涉及一种低压配网台区线损的快速分析方法。
背景技术
线损是电网一项重要的经济技术考核指标，它综合反映电网的规划设计、生产运行和运营管理水平，降低线损是电力部门在节约能源、创建国际先进水平供电企业、推进企业经营性管控等方面的重要任务。快速、准确、简便的线损分析方法有利于高效地拟定出有针对性的降损措施，制订适当的线损考核规划，促进电网的发展向更高效、更绿色的方向转变，进一步实现企业的精益化管理。
当前的线损工作主要集中在主网，低压配网缺乏关注，相关标准、方法、规范十分匮乏。低压配网台区处于联系用户与供电企业的战略性地位，台区线损的高低直接影响用户的经济效益与供电企业的运营效益。但与主网相比，低压配网台区数目庞大，基础数据是主网的数百倍以上，线损分析量巨大。因此，如何从纷繁复杂的线损指标中筛选出对线损贡献率高的指标，利用这些指标将低压配网台区归类，并筛选出典型台区进行线损分析，大幅提高线损分析工作的效率，是降低线损途中亟待解决的关键问题。
然而，目前并没有相关研究理论或方法针对该问题提出有效的解决措施。现有的低压配网台区线损的分析测算方法存在的局限性主要有以下几方面：
1)低压配网台区线损分析指标数据的实用性低：虽然能够收集到的台区线损指标数据充足，但由于缺少有针对性的线损指标分析工作，指标对线损影响性的高低区别性差，增加了线损分析的工作量；
2)低压配网台区数目庞大导致线损分析工作效率低：供电部门进行线损分析时，往往针对大部分台区进行逐一测算，虽然此举在一定程度上能够提高分析的精度，但是，这种重复的机械性冗余工作不够简便，降低了企业的工作效率；
3)典型的低压配网台区的线损代表性低：现有方法进行典型台区的筛选分析过程缺乏系统性的标准，偏主观性、繁琐、低效，易造成错漏，难以对某一区域内的低压配网台区线损的整体情况进行综合分析和评价。
发明内容
本发明的目的在于克服现有技术的缺点与不足，提供一种低压配网台区线损的快速分析方法。
本发明的目的通过以下的技术方案实现：
一种低压配网台区线损的快速分析方法，包含以下顺序的步骤：
S1、根据实际情况收集并汇总低压配网台区的线损一级指标，包括变压器类型与容量、供电半径、线缆的类型与半径、线路允许最大载流量、负荷分布、负荷特性曲线、负荷率、负荷平均值、负载率、最小负荷率、负荷年最大利用小时数、负荷电流、运行电压、电压合格率、总功率因数、环境因素；
S2、采用FA对线损一级指标进行因子分析，根据线损一级指标的FA归类结果，提取出各类指标中对线损具有高贡献率的线损二级指标；
S3、采用FCM对区域台区进行基于线损二级指标的聚类，汇总各聚类中心台区，得到区域典型低压配网台区；
S4、利用典型低压配网台区的线损典型性分析结果，对区域内低压配网台区进行线损总体评价。
所述步骤S2具体包含以下步骤：
S201、假设待线损分析区域内有n个低压配网台区，线损一级指标有m(P1,P2,...,Pm)个，则因子分析法的分析对象即为n×m阶线损一级指标数据矩阵：
S202、为了消除指标间在数量级上或量纲上的不同，在进行因子分析之前对指标先进行标准化，标准化后的指标为Y1,Y2,...,Ym；
S203、进行因子分析时，低压配网台区的线损一级指标与因子分析时抽出的共同因子的相关关系可用因子负荷表示：
Yj＝aj1F1+aj2F2+...+ajhFh+ej，j＝1,2,...,m；
其中，aji(i＝1,2,...,h,j＝1,2,...,m)为因子载荷，是第j个原始变量在第i个因子上的负荷；m为低压配网台区的线损一级指标的总数；F为共同因子，h为共同因子的数目(h个因子的累积贡献率在85％以上)；e1,e2,...,em为误差项；
S204、利用因子载荷矩阵：分别得到对各共同因子贡献率高的指标，此即为该类指标中对线损具有较高影响的指标，即线损二级指标。
所述步骤S3具体包含以下步骤：
S301、根据线损分析工作的预期需要，设定聚类对象X、聚类数C、模糊聚类指数λ、停止阈值ε；
设论域X＝{X1,X2,…,Xn}为被分类的对象，由S2得知每个对象又由h个指标描述其特征，即Xi＝{xi1,xi2,…,xik,...,xih}，i＝1,2,…n。Xi为第i个对象，是一个h维矢量，则得到FCM的数据矩阵A＝(xij)n×h；
采用FCM把n个向量Xi(i＝1,2,…n)表示的对象分为C个模糊组，得出每组的聚类中心，使得非相似性指标的价值函数达到最小；其中，C是给定的聚类数，一般来讲C要远远小于聚类样本的总个数，同时要保证C>1；模糊聚类指数λ是影响隶属度矩阵模糊化程度的指数权重，它是一个控制算法的柔性的参数，如果过大，则聚类效果会很次通常大小设为2；停止阈值一般设为ε＝10-6；
S302、用值在[0,1]内的随机数对模糊隶属度矩阵U进行初始化：
FCM用模糊划分，使得每个给定数据点用值在[0,1]内的隶属度来确定其属于各个组的程度；与引入模糊划分相适应，隶属矩阵U允许有取值在[0,1]内的元素；加上归一化规定，一个数据集的隶属度和总等于1；
模糊隶属度矩阵：其中，uic是第i个对象对第c类的隶属度，uic满足用值在[0,1]内的随机数初始化隶属矩阵U，使其满足式(1)中的约束条件；
S303、计算C个聚类中心：
聚类中心矢量：V＝{V1,V2,...,Vc,...,VC}，其中，Vc＝{vc1,vc2,...,vck,...,vcm}是第c类的聚类中心，vck是它的第k维特征值；
FCM的价值函数为:
其中，uic∈[0,1]；Vc为模糊组第c组的聚类中心，dic＝||Vc-Xi||为第c个聚类中心与第i个数据点间的欧几里德距离；λ∈[1,∞)是一个加权指数；构造如下新的价值函数，可求得使(2)式达到最小值的必要条件：
其中，β1,β2,...,βi,...,βn是(1)式的n个约束式的拉格朗日乘子，对所有输入参量求导，使(2)式达到最小的必要条件为：
和
S304、计算价值函数，并判断是否达到终止条件，如果满足，聚类结束，算法停止，否则继续；
S305、用(5)式计算新的U矩阵；返回S303。
步骤S3在采用FCM对区域台区进行基于线损二级指标的聚类之前，采用因子分析法，对线损二级指标进行筛选。
所述的筛选的线损二级指标为总功率因数、负载率以及供电半径。
供电半径是指从电源点开始到其供电的最远的负荷点之间的线路的物理距离，一般情况下，低压配网台区的供电半径越大，线损也越大。
负载率指的是变压器实际功率相对于额定功率数值的百分比，该指标受环境、时间等诸多因素的影响，其对线损的影响表现在变压器利用率上。
总功率因数，配电网中，在负荷的有功功率P保持不变的条件下，提高负荷的功率因数可减小负荷的无功功率Q，减少发电机送出的无功功率和通过线路及变压器的无功功率，减少线路和变压器的有功功率损耗和电能损耗。电网中的可变损耗与功率因数的平方成反比，因此提高功率因数的降损节能效果极其可观。
本发明与现有技术相比，具有如下优点和有益效果：
1)本发明提高低压配网台区线损分析指标的实用性：针对低压配网台区线损指标数据利用率及实用性低的问题，本发明采用FA，重点分析线损一级指标对线损的贡献率，解决线损一级指标的多重共线性问题，筛选出对线损贡献率高的线损二级指标，大幅减少线损分析的工作量。
本发明不仅借助于FA，对纷繁复杂的线损指标进行筛选，解决线损分析指标的多重共线性问题；而且通过对大量的低压配网进行台区FCM聚类，筛选出区域典型台区来进行低压配网线损测算，将配网台区个体的分析转化为类的分析，大幅缩短线损分析工期，实现对低压配网台区线损的快速科学测算。本发明所给出的低压配网线损的台区FA-FCM归类分析方法，克服供电企业工作模式的缺陷，可辅助供电企业在低压配网线损的治理与改造中进行智能决策。
其中，因子分析法(Factor Analysis)，简称FA，模糊C均值聚类算法(Fuzzy C-means Algorithm)，简称FCM。
FA是一种能够将多指标进行化简的技术，目的是分析低压配网台区线损的一级指标，将相关性较强的指标归为一类，组成一个共同因子，这样将多个相互关联的指标组合成相互独立的少数几个能充分反映低压配网台区线损的共同因子。从每类指标中挑选出对该共同因子贡献率最高的指标作为低压配网台区线损的二级指标，从而在不丢掉主要信息的前提下解决了指标间的多重共线性问题。该方法筛选出的二级指标的特点有：涵盖面广，对线损的影响性大，不存在指标共线的问题。
FCM是一种属于基于价值函数的模糊聚类算法理论中最为完善、应用最为广泛的一种聚类算法，它的思想是使得被划分到同一簇的对象间相似度最大，而不同簇之间的相似度最小。采用FCM算法，对大量低压配网台区进行基于二级指标的快速分类，挑选出典型低压配网台区，再进行线损分析，能够大大降低线损分析方法的复杂性。
本发明首先利用FA对低压配电网台区线损一级指标进行预筛选、降维处理；然后利用FCM算法对台区进行基于二级指标数据的模糊C均值聚类，从聚类结果中选出典型低压配网台区，为进行区域低压配网台区线损的分析测算工作夯实了基础。该方法不仅提高了台区线损分析方法的效率，而且提高了典型低压配网台区线损的代表性，对电网工作人员进行线损治理提供了具有实用性的线损快速分析方法。
2)本发明首次提出基于线损高贡献率指标分类筛选典型低压配网台区进行线损测算的思路：针对现有方法进行典型台区的筛选过程缺乏系统性的标准这一问题，本发明利用FA筛选出的对线损贡献率高的线损二级指标，采用FCM算法，首先将台区进行分类，挑选出典型台区，对区域内低压配网台区线损的整体情况进行综合分析和评价。
3)本发明提高低压配网台区线损的分析效率：针对供电部门对大部分台区进行逐一测算来考核区域低压配网线损的方法，提出采用FA-FCM归类原理来简化线损分析工作，首先采用FA筛选线损分析指标，然后采用FCM减少分析台区数目，大幅提高线损分析工作的效率。
附图说明
图1为本发明所述的低压配网台区线损的快速分析方法的流程图；
图2为图1所述方法的基于线损二级指标的FCM聚类算法的流程图。
具体实施方式
下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。
附图1是一种基于FA-FCM归类原理的低压配网台区线损的快速分析方法的工作流程图，基本步骤为：首先，根据实际情况收集并汇总低压配网台区的线损一级指标，输入待筛选的n×m阶线损一级指标数据矩阵；然后，采用FA对线损一级指标数据进行因子分析，根据线损一级指标归类结果，提取出各类指标中对线损具有高贡献率的线损二级指标；其次，采用FCM算法，利用因子分析法中筛选出的线损二级指标，对区域台区进行聚类，得到各类中用于线损分析的典型低压配网台区；最后，利用典型低压配网台区的线损典型性分析结果，对区域内低压配网台区进行线损总体评价。综上实现对大量的低压配网台区的FA-FCM聚类分析，筛选出区域典型台区来进行台区线损测算，提高线损分析工作的效率。
附图2是本发明的基于线损二级指标的FCM聚类算法的工作流程图，基本步骤为：
1)根据线损分析工作的预期需要，设定聚类对象X、聚类数C、模糊聚类指数λ、停止阈值ε；
设论域X＝{X1,X2,…,Xn}为被分类的对象，由S2得知每个对象又由h个指标描述其特征，即Xi＝{xi1,xi2,…,xik,...,xih}，i＝1,2,…n。Xi为第i个对象，是一个h维矢量，则得到FCM的数据矩阵A＝(xij)n×h；
采用FCM把n个向量Xi(i＝1,2,…n)表示的对象分为C个模糊组，得出每组的聚类中心，使得非相似性指标的价值函数达到最小；其中，C是给定的聚类数，一般来讲C要远远小于聚类样本的总个数，同时要保证C>1；模糊聚类指数λ是影响隶属度矩阵模糊化程度的指数权重，它是一个控制算法的柔性的参数，如果过大，则聚类效果会很次通常大小设为2；停止阈值一般设为ε＝10-6；
2)用值在[0,1]内的随机数对模糊隶属度矩阵U进行初始化：
FCM用模糊划分，使得每个给定数据点用值在[0,1]内的隶属度来确定其属于各个组的程度；与引入模糊划分相适应，隶属矩阵U允许有取值在[0,1]内的元素；加上归一化规定，一个数据集的隶属度和总等于1；
模糊隶属度矩阵：其中，uic是第i个对象对第c类的隶属度，uic满足用值在[0,1]内的随机数初始化隶属矩阵U，使其满足式(1)中的约束条件；
3)计算C个聚类中心：
聚类中心矢量：V＝{V1,V2,...,Vc,...,VC}，其中，Vc＝{vc1,vc2,...,vck,...,vcm}是第c类的聚类中心，vck是它的第k维特征值；
FCM的价值函数为:
其中，uic∈[0,1]；Vc为模糊组第c组的聚类中心，dic＝||Vc-Xi||为第c个聚类中心与第i个数据点间的欧几里德距离；λ∈[1,∞)是一个加权指数；构造如下新的价值函数，可求得使(2)式达到最小值的必要条件：
其中，β1,β2,...,βi,...,βn是(1)式的n个约束式的拉格朗日乘子，对所有输入参量求导，使(2)式达到最小的必要条件为：
和
4)计算价值函数，并判断是否达到终止条件，如果满足，聚类结束，算法停止，否则继续；
5)用(5)式计算新的U矩阵；返回步骤3)。
由以上聚类算法描述可以看出，聚类的结果用一个聚类中心矢量和模糊隶属度矩阵表示，算法的输出是C个聚类中心点向量和一个C×n的模糊划分矩阵。聚类中心表示的是每个低压台区类别的平均特征，可以认为是这个类的典型低压配网台区。模糊隶属度矩阵表示的是每个样本台区属于每个类的隶属度。根据这个划分矩阵按照模糊集合中的最大隶属原则就能够确定每个样本台区归为哪个类。模糊C均值聚类过程实际上是反复修改聚类中心和分类的过程，模糊C均值聚类算法是一个简单的迭代过程。
取出每行最大构成行向量，即获取各对象对应隶属度最大的值，即为其隶属的模糊类别，取每行的最大值，可作为此类别的典型低压配网台区进行线损分析。
下面结合实例作进一步的说明，此处选取某供电局的29个低压配网台区作为分析对象，选取的线损一级指标分别为：总功率因数、电压合格率、变压器容量、负载率、负荷平均值、供电半径。获取各线损一级指标如表1所示：
表1 低压配网台区的线损一级指标
按照因子分析法的步骤，对表1中的29个台区的线损一级指标进行因子分析，得到如表2所示的因子载荷矩阵：
表2 因子载荷矩阵
由表2可知，本实例提取2个共同因子。根据因子载荷矩阵，选取载荷率达到0.85以上的总功率因数、负载率以及供电半径三个指标作为低压配网台区的线损二级指标。供电半径是指从电源点开始到其供电的最远的负荷点之间的线路的物理距离，一般情况下，低压配网台区的供电半径越大，线损也越大。负载率指的是变压器实际功率相对于变压器额定功率数值的百分比，该指标受环境、时间等诸多因素的影响，其对线损的影响表现在变压器利用率上。关于总功率因数，配电网中，在负荷的有功功率P保持不变的条件下，提高负荷的功率因数可以减小负荷的无功功率Q，减少发电机送出的、通过线路及变压器的无功功率，减少线路和变压器的有功功率损耗和电能损耗。电网中的可变损耗与功率因数的平方成反比，因此提高功率因数的降损节能效果极其可观。
下面按照FCM算法的步骤，利用因子分析法得到的三个线损二级指标，对29个台区进行聚类，聚类结果见表3，模糊隶属度矩阵见表4：
表3 实例聚合结果
表4 进行FA-FCM后的模糊隶属度矩阵
编号 I II III IV V
1 0.9591 0.0033 0.0096 0.0237 0.0043
2 0.0201 0.0087 0.1143 0.8424 0.0145
3 0.3755 0.0182 0.0838 0.4965 0.0260
4 0.0002 0.9869 0.0011 0.0005 0.0112
5 0.0306 0.0189 0.3745 0.5433 0.0327
6 0.0629 0.0086 0.0538 0.8617 0.0130
7 0.0230 0.0041 0.0281 0.9387 0.0062
8 0.0019 0.1284 0.0137 0.0049 0.8511
9 0.0050 0.0063 0.9377 0.0386 0.0124
10 0.0086 0.0226 0.8736 0.0414 0.0539
11 0.8876 0.0102 0.0276 0.0615 0.0132
12 0.7596 0.0112 0.0433 0.1703 0.0156
13 0.0032 0.2041 0.0226 0.0082 0.7618
14 0.8526 0.0078 0.0285 0.1004 0.0107
15 0.9053 0.0083 0.0230 0.0526 0.0108
16 0.7889 0.0104 0.0393 0.1470 0.0144
17 0.0035 0.5778 0.0209 0.0083 0.3896
18 0.0044 0.0094 0.9422 0.0229 0.0211
19 0.0046 0.8451 0.0203 0.0098 0.1201
20 0.0001 0.9966 0.0003 0.0001 0.0030
21 0.0012 0.9075 0.0067 0.0028 0.0817
22 0.0033 0.0644 0.0334 0.0094 0.8895
23 0.9722 0.0022 0.0065 0.0162 0.0029
24 0.0018 0.0026 0.9784 0.0120 0.0053
25 0.0244 0.0100 0.1227 0.8264 0.0165
26 0.8688 0.0071 0.0256 0.0888 0.0097
27 0.0042 0.0755 0.0455 0.0125 0.8623
28 0.0023 0.2737 0.0153 0.0057 0.7030
29 0.0138 0.0051 0.0570 0.9158 0.0083
由表3可知，对29个实例台区进行基于总功率因数、负载率以及供电半径三个线损二级指标的FCM算法聚类分析形成五类台区，没有出现两个特征指标同时存在交叉区域的现象，各类台区都有明显区别于其他类别的特点，验证了FCM算法聚类分类的合理性与实用性。
对聚类的结果逐类进行分析，第I类中8个台区的供电半径都很大，且总功率因数相对较高，该类典型低压配网台区代表为编号23的台区；在II类台区中，各台区的线路供电半径均低于375m，供电半径最短，但总功率因数中心是最大的，该类典型低压配网台区代表为编号20的台区；在III类中，三个二级指标的值均处于中等水平，其样本数是最少的，说明此类占比较少，该区域内处于中间指标水平的台区较少，该类典型低压配网台区代表为编号24的台区；第IV类中，线路供电半径仅次于第I类，负载率是最低的，说明此类台区的负荷少，供电压力低，该类的总功率因数最低，该类典型低压配网台区代表为编号7的台区；第V类中，在负载率方面跟第四类恰恰相反，负载率是最高的，说明此类台区的负荷较大，供电压力高，该类典型低压配网台区代表为编号22的台区。
通过上述模糊C均值聚类的处理，将29个低压配网台区分为5类，即将需要分析的对象从29个台区转化为5个类别的台区，将对29个低压配网台区的逐个直接分析转化为对5个类别中的典型低压配网台区的逐类分析，由于划分为同一类的台区具有相似的线路特征，可一次性分析同类型台区，大幅减少运维及工程人员分析的次数，使决策分析过程具有高效性。
上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (5)

1.一种低压配网台区线损的快速分析方法，其特征在于，包含以下顺序的步骤：
S1、根据实际情况收集并汇总低压配网台区的线损一级指标，包括变压器类型与容量、供电半径、线缆的类型与半径、线路允许最大载流量、负荷分布、负荷特性曲线、负荷率、负荷平均值、负载率、最小负荷率、负荷年最大利用小时数、负荷电流、运行电压、电压合格率、总功率因数、环境因素；
S2、采用FA对线损一级指标进行因子分析，根据线损一级指标的FA归类结果，提取出各类指标中对线损具有高贡献率的线损二级指标；
S3、采用FCM对区域台区进行基于线损二级指标的聚类，汇总各聚类中心台区，得到区域典型低压配网台区；
S4、利用典型低压配网台区的线损典型性分析结果，对区域内低压配网台区进行线损总体评价。
2.根据权利要求1所述的低压配网台区线损的快速分析方法，其特征在于：所述步骤S2具体包含以下步骤：
S201、假设待线损分析区域内有n个低压配网台区，线损一级指标有m个，分别为P1,P2,...,Pm；则因子分析法的分析对象即为n×m阶线损一级指标数据矩阵：
<mrow> <mi>P</mi> <mo>=</mo> <mfenced open = "[" close = "]"> <mtable> <mtr> <mtd> <msub> <mi>p</mi> <mn>11</mn> </msub> </mtd> <mtd> <msub> <mi>p</mi> <mn>12</mn> </msub> </mtd> <mtd> <mo>...</mo> </mtd> <mtd> <msub> <mi>p</mi> <mrow> <mn>1</mn> <mi>m</mi> </mrow> </msub> </mtd> </mtr> <mtr> <mtd> <msub> <mi>p</mi> <mn>21</mn> </msub> </mtd> <mtd> <msub> <mi>p</mi> <mn>22</mn> </msub> </mtd> <mtd> <mo>...</mo> </mtd> <mtd> <msub> <mi>p</mi> <mrow> <mn>2</mn> <mi>m</mi> </mrow> </msub> </mtd> </mtr> <mtr> <mtd> <mo>...</mo> </mtd> <mtd> <mo>...</mo> </mtd> <mtd> <mo>...</mo> </mtd> <mtd> <mo>...</mo> </mtd> </mtr> <mtr> <mtd> <msub> <mi>p</mi> <mrow> <mi>n</mi> <mn>1</mn> </mrow> </msub> </mtd> <mtd> <msub> <mi>p</mi> <mrow> <mi>n</mi> <mn>2</mn> </mrow> </msub> </mtd> <mtd> <mo>...</mo> </mtd> <mtd> <msub> <mi>p</mi> <mrow> <mi>n</mi> <mi>m</mi> </mrow> </msub> </mtd> </mtr> </mtable> </mfenced> <mo>;</mo> </mrow>
S202、在进行因子分析之前对指标先进行标准化，标准化后的指标为Y1,Y2,...,Ym；
S203、进行因子分析时，低压配网台区的线损一级指标与因子分析时抽出的共同因子的相关关系可用因子负荷表示：
Yj＝aj1F1+aj2F2+...+ajhFh+ej，j＝1,2,...,m；
其中，aji为因子载荷，是第j个原始变量在第i个因子上的负荷，其中i＝1,2,...,h,j＝1,2,...,m；m为低压配网台区的线损一级指标的总数；F为共同因子，h为共同因子的数目，且h个因子的累积贡献率在85％以上；e1,e2,...,em为误差项；
S204、利用因子载荷矩阵：分别得到对各共同因子贡献率高的指标，此即为该类指标中对线损具有较高影响的指标，即线损二级指标。
3.根据权利要求1所述的低压配网台区线损的快速分析方法，其特征在于：所述步骤S3具体包含以下步骤：
S301、根据线损分析工作的预期需要，设定聚类对象X、聚类数C、模糊聚类指数λ、停止阈值ε；
设论域X＝{X1,X2,...,Xn}为被分类的对象，由S2得知每个对象又由h个指标描述其特征，即Xi＝{xi1,xi2,...,xik,...,xih}，i＝1,2,...n；Xi为第i个对象，是一个h维矢量，则得到FCM的数据矩阵A＝(xij)n×h；
采用FCM把n个向量Xi表示的对象分为C个模糊组，其中i＝1,2,...n，得出每组的聚类中心，使得非相似性指标的价值函数达到最小；其中，C是给定的聚类数，模糊聚类指数λ是影响隶属度矩阵模糊化程度的指数权重，是控制算法的柔性参数；
S302、用值在[0,1]内的随机数对模糊隶属度矩阵U进行初始化：
FCM用模糊划分，使每个给定数据点用值在[0,1]内的隶属度来确定其属于各个组的程度；与引入模糊划分相适应，隶属矩阵U允许有取值在[0,1]内的元素；加上归一化规定，一个数据集的隶属度和总等于1；
模糊隶属度矩阵：其中，uic是第i个对象对第c类的隶属度，uic满足用值在[0,1]内的随机数初始化隶属矩阵U，使其满足式(1)中的约束条件；
S303、计算C个聚类中心：
聚类中心矢量：V＝{V1,V2,...,Vc,...,VC}，其中，Vc＝{vc1,vc2,...,vck,...,vcm}是第c类的聚类中心，vck是它的第k维特征值；
FCM的价值函数为:
<mrow> <mi>J</mi> <mrow> <mo>(</mo> <mi>U</mi> <mo>,</mo> <mi>V</mi> <mo>)</mo> </mrow> <mo>=</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>c</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>C</mi> </munderover> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>n</mi> </munderover> <msup> <mrow> <mo>(</mo> <msub> <mi>u</mi> <mrow> <mi>i</mi> <mi>c</mi> </mrow> </msub> <mo>)</mo> </mrow> <mi>&amp;lambda;</mi> </msup> <mo>|</mo> <mo>|</mo> <msub> <mi>X</mi> <mi>i</mi> </msub> <mo>-</mo> <msub> <mi>V</mi> <mi>c</mi> </msub> <mo>|</mo> <msup> <mo>|</mo> <mn>2</mn> </msup> <mo>,</mo> <mi>J</mi> <mrow> <mo>(</mo> <mi>U</mi> <mo>,</mo> <msub> <mi>V</mi> <mn>1</mn> </msub> <mo>,</mo> <msub> <mi>V</mi> <mn>2</mn> </msub> <mo>,</mo> <mo>...</mo> <mo>,</mo> <msub> <mi>V</mi> <mi>c</mi> </msub> <mo>,</mo> <mo>...</mo> <mo>,</mo> <msub> <mi>V</mi> <mi>C</mi> </msub> <mo>)</mo> </mrow> <mo>=</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>c</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>C</mi> </munderover> <msub> <mi>J</mi> <mi>c</mi> </msub> <mo>=</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>c</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>C</mi> </munderover> <munderover> <mo>&amp;Sigma;</mo> <mi>i</mi> <mi>n</mi> </munderover> <msubsup> <mi>u</mi> <mrow> <mi>i</mi> <mi>c</mi> </mrow> <mi>&amp;lambda;</mi> </msubsup> <msubsup> <mi>d</mi> <mrow> <mi>i</mi> <mi>c</mi> </mrow> <mn>2</mn> </msubsup> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>2</mn> <mo>)</mo> </mrow> </mrow>
其中，uic∈[0,1]；Vc为模糊组第c组的聚类中心，dic＝||Vc-Xi||为第c个聚类中心与第i个数据点间的欧几里德距离；λ∈[1,∞)是一个加权指数；构造如下新的价值函数，可求得使(2)式达到最小值的必要条件：
<mrow> <mtable> <mtr> <mtd> <mrow> <mover> <mi>J</mi> <mo>&amp;OverBar;</mo> </mover> <mrow> <mo>(</mo> <mi>U</mi> <mo>,</mo> <msub> <mi>V</mi> <mn>1</mn> </msub> <mo>,</mo> <msub> <mi>V</mi> <mn>2</mn> </msub> <mo>,</mo> <mn>...</mn> <mo>,</mo> <msub> <mi>V</mi> <mi>c</mi> </msub> <mo>,</mo> <mn>...</mn> <mo>,</mo> <msub> <mi>V</mi> <mi>C</mi> </msub> <mo>,</mo> <msub> <mi>&amp;beta;</mi> <mn>1</mn> </msub> <mo>,</mo> <msub> <mi>&amp;beta;</mi> <mn>2</mn> </msub> <mo>,</mo> <mn>...</mn> <mo>,</mo> <msub> <mi>&amp;beta;</mi> <mi>i</mi> </msub> <mo>,</mo> <mn>...</mn> <mo>,</mo> <msub> <mi>&amp;beta;</mi> <mi>n</mi> </msub> <mo>)</mo> </mrow> <mo>=</mo> <mi>J</mi> <mrow> <mo>(</mo> <mi>U</mi> <mo>,</mo> <msub> <mi>V</mi> <mn>1</mn> </msub> <mo>,</mo> <msub> <mi>V</mi> <mn>2</mn> </msub> <mo>,</mo> <mn>...</mn> <mo>,</mo> <msub> <mi>V</mi> <mi>c</mi> </msub> <mo>,</mo> <mn>...</mn> <mo>,</mo> <msub> <mi>V</mi> <mi>C</mi> </msub> <mo>)</mo> </mrow> <mo>+</mo> <msubsup> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>n</mi> </msubsup> <msub> <mi>&amp;beta;</mi> <mi>i</mi> </msub> <mrow> <mo>(</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>c</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>C</mi> </munderover> <msub> <mi>u</mi> <mrow> <mi>i</mi> <mi>c</mi> </mrow> </msub> <mo>-</mo> <mn>1</mn> <mo>)</mo> </mrow> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <mo>=</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>c</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>C</mi> </munderover> <munderover> <mo>&amp;Sigma;</mo> <mi>i</mi> <mi>n</mi> </munderover> <msubsup> <mi>u</mi> <mrow> <mi>i</mi> <mi>c</mi> </mrow> <mi>&amp;lambda;</mi> </msubsup> <msubsup> <mi>d</mi> <mrow> <mi>i</mi> <mi>c</mi> </mrow> <mn>2</mn> </msubsup> <mo>+</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>n</mi> </munderover> <msub> <mi>&amp;beta;</mi> <mi>i</mi> </msub> <mrow> <mo>(</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>c</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>C</mi> </munderover> <msub> <mi>u</mi> <mrow> <mi>i</mi> <mi>c</mi> </mrow> </msub> <mo>-</mo> <mn>1</mn> <mo>)</mo> </mrow> </mrow> </mtd> </mtr> </mtable> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>3</mn> <mo>)</mo> </mrow> </mrow>
其中，β1,β2,...,βi,...,βn是(1)式的n个约束式的拉格朗日乘子，对所有输入参量求导，使(2)式达到最小的必要条件为：
<mrow> <msub> <mi>V</mi> <mi>c</mi> </msub> <mo>=</mo> <mfrac> <mrow> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>n</mi> </munderover> <msubsup> <mi>u</mi> <mrow> <mi>i</mi> <mi>c</mi> </mrow> <mi>&amp;lambda;</mi> </msubsup> <msub> <mi>X</mi> <mi>c</mi> </msub> </mrow> <mrow> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>n</mi> </munderover> <msubsup> <mi>u</mi> <mrow> <mi>i</mi> <mi>c</mi> </mrow> <mi>&amp;lambda;</mi> </msubsup> </mrow> </mfrac> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>4</mn> <mo>)</mo> </mrow> </mrow>
和
S304、计算价值函数，并判断是否达到终止条件，如果满足，聚类结束，算法停止，否则继续；
S305、用(5)式计算新的U矩阵；返回S303。
4.根据权利要求1所述的低压配网台区线损的快速分析方法，其特征在于：步骤S3在采用FCM对区域台区进行基于线损二级指标的聚类之前，采用因子分析法，对线损二级指标进行筛选。
5.根据权利要求4所述的低压配网台区线损的快速分析方法，其特征在于：所述的筛选的线损二级指标为总功率因数、负载率以及供电半径。
CN201510174868.8A 2015-04-14 2015-04-14 一种低压配网台区线损的快速分析方法 Active CN104809658B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201510174868.8A CN104809658B (zh) 2015-04-14 2015-04-14 一种低压配网台区线损的快速分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201510174868.8A CN104809658B (zh) 2015-04-14 2015-04-14 一种低压配网台区线损的快速分析方法

Publications (2)

Publication Number Publication Date
CN104809658A CN104809658A (zh) 2015-07-29
CN104809658B true CN104809658B (zh) 2018-05-15

Family

ID=53694463

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510174868.8A Active CN104809658B (zh) 2015-04-14 2015-04-14 一种低压配网台区线损的快速分析方法

Country Status (1)

Country Link
CN (1) CN104809658B (zh)

Families Citing this family (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105160473A (zh) * 2015-08-28 2015-12-16 国网山东省电力公司菏泽供电公司 一种低压用户线损分析方法
CN105244874B (zh) * 2015-10-28 2017-09-29 国网江西省电力科学研究院 一种计及故障风险及成本的配电网无功规划优化模型
CN105389636A (zh) * 2015-12-11 2016-03-09 河海大学 一种低压台区kfcm-svr合理线损预测方法
CN108229087A (zh) * 2017-09-30 2018-06-29 国网上海市电力公司 一种低压台区典型场景的析构方法
CN107730399B (zh) * 2017-10-25 2020-12-18 国网冀北电力有限公司电力科学研究院 基于风力发电特性曲线的理论线损评估方法
CN108805457B (zh) * 2018-06-19 2021-05-14 宁波迦南智能电气股份有限公司 一种电能表台区识别方法
CN109544029A (zh) * 2018-11-30 2019-03-29 国网河北省电力有限公司电力科学研究院 一种台区线损的分析方法、分析装置及终端
CN109740872A (zh) * 2018-12-18 2019-05-10 国网山西省电力公司长治供电公司 一种台区运行状态的诊断方法及系统
CN111384714B (zh) * 2020-03-12 2023-10-31 深圳供电局有限公司 一种基于多因素状态分布低压台区线损问题查找方法
CN111523801A (zh) * 2020-04-22 2020-08-11 国网山西省电力公司电力科学研究院 一种基于相对增益原理的线损贡献度分析方法及系统
CN112000333B (zh) * 2020-07-15 2022-04-05 南京航空航天大学 基于飞行员功能状态的航电界面设计重构方法
CN114881429B (zh) * 2022-04-19 2024-04-02 国网江苏省电力有限公司南通供电分公司 基于数据驱动的台区线损量化方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4109574B2 (ja) * 2003-05-27 2008-07-02 日本電信電話株式会社 光ファイバ伝送路の損失特性評価方法
CN103390254A (zh) * 2013-08-08 2013-11-13 国网重庆市电力公司南岸供电分公司 一种低压台区线损水平综合评价方法
CN103617357A (zh) * 2013-11-30 2014-03-05 国网河南省电力公司南阳供电公司 一种公变台区低压线损分析系统及使用方法
CN103914741A (zh) * 2014-04-04 2014-07-09 上海君世电气科技有限公司 一种配电网的线损智能评价及辅助决策系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8648499B2 (en) * 2011-01-27 2014-02-11 General Electric Company Systems, methods, and apparatus for accelerating volt/VAR load flow optimization

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4109574B2 (ja) * 2003-05-27 2008-07-02 日本電信電話株式会社 光ファイバ伝送路の損失特性評価方法
CN103390254A (zh) * 2013-08-08 2013-11-13 国网重庆市电力公司南岸供电分公司 一种低压台区线损水平综合评价方法
CN103617357A (zh) * 2013-11-30 2014-03-05 国网河南省电力公司南阳供电公司 一种公变台区低压线损分析系统及使用方法
CN103914741A (zh) * 2014-04-04 2014-07-09 上海君世电气科技有限公司 一种配电网的线损智能评价及辅助决策系统

Also Published As

Publication number Publication date
CN104809658A (zh) 2015-07-29

Similar Documents

Publication Publication Date Title
CN104809658B (zh) 一种低压配网台区线损的快速分析方法
WO2021073462A1 (zh) 基于相似日负荷曲线的10kV静态负荷模型参数辨识方法
CN112149873B (zh) 一种基于深度学习的低压台区线损合理区间预测方法
CN105701596A (zh) 一种基于大数据技术的配网抢修精益化方法以及管理系统
CN107169628B (zh) 一种基于大数据互信息属性约简的配电网可靠性评估方法
CN105389636A (zh) 一种低压台区kfcm-svr合理线损预测方法
CN108038592A (zh) 一种基于模糊区间层次分析法的配电网投资成效评价方法
CN110111024A (zh) 基于ahp模糊综合评价模型的科技成果市场价值评估方法
CN111461921B (zh) 一种基于机器学习的负荷建模典型用户数据库更新方法
CN108876114A (zh) 考虑新能源接入的电网效率效益评估方法
CN103632306A (zh) 一种基于聚类分析的配电网供电区域划分方法
CN110738232A (zh) 一种基于数据挖掘技术的电网电压越限成因诊断方法
CN113780684A (zh) 一种基于lstm神经网络的智慧楼宇用户用能行为预测方法
CN116821832A (zh) 针对高压工商业用户用电负荷的异常数据辨识与修正方法
CN112001441A (zh) 一种基于Kmeans-AHC混合聚类算法的配电网线损异常检测方法
CN105335810A (zh) 一种配电网单体项目投资效益评价方法
CN113030633B (zh) 基于ga-bp神经网络的配电网故障大数据分析方法和系统
CN112508254B (zh) 变电站工程项目投资预测数据的确定方法
CN113591322A (zh) 一种基于极端梯度提升决策树的低压台区线损率预测方法
CN112785060A (zh) 一种配电网精益化运维水平优化方法
CN115905319B (zh) 一种海量用户电费异常的自动识别方法及系统
Wang et al. Application of clustering technique to electricity customer classification for load forecasting
CN103886512A (zh) 基于灰度聚类的火电机组经济指标评价方法
CN114004525A (zh) 基于模糊综合评价法面向用户侧的电能替代效益评价方法
CN108123436B (zh) 基于主成分分析和多元回归算法的电压越限预测模型

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
EXSB Decision made by sipo to initiate substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant