CN107563421A - 一种损耗相似性馈线分类方法 - Google Patents
一种损耗相似性馈线分类方法 Download PDFInfo
- Publication number
- CN107563421A CN107563421A CN201710728572.5A CN201710728572A CN107563421A CN 107563421 A CN107563421 A CN 107563421A CN 201710728572 A CN201710728572 A CN 201710728572A CN 107563421 A CN107563421 A CN 107563421A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- feeder line
- munderover
- similitude
- 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.)
- Pending
Links
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种损耗相似性馈线分类方法,首先分析各馈线相似性主因素,然后将主因素作为Kmeans聚类方法的输入数据,利用Kmeans聚类方法进行馈线相似性聚类。本发明基于影响配电网损耗的负荷时空特性,综合考虑配电网结构和负荷的基本参数,采用Kmeans聚类方法对馈线进行分类,将大量数据归类到预设的类别数,聚类效果良好且收敛速度较快。
Description
技术领域
本发明涉及一种损耗相似性馈线分类方法,属于电力系统分析与计算领域。
背景技术
近年来,多种新型电源发展迅速,智能配电网的构成愈发多样,关系愈发复杂,网络损耗计算难度增加。同时,配电自动化的发展,电动操作一次设备、智能配电终端和配电自动化系统在国内大力推广,智能配电网信息采集的数量和速度大幅提升,为网损计算提供更多有效数据,提高网损计算效率和精确度。
分析智能配电网损耗的主要影响因素,提出智能配电网损耗计算方法并据此开展智能配电网降损优化工作,对提高智能配电网供电质量和运行效益具有十分重要的意义。比如,文献“基于实时数据的电力大客户线损计算与决策分析管理”依据实时线损计算特点,结合云计算平台为智能电网时代大客户的线损计算分析管理提供了新的研究思路;文献“配电网理论线损计算的几种数值分析算法”基于智能配电网的"全覆盖、全采集"以及信息技术、网络技术的实时测量基础上,构建起能效评价体系,对配用电网的损耗及能效水平进行技术经济评估。上述文献多依赖于可处理大数据的计算平台和方法,费时较久,效率相对较低。
发明内容
为了解决上述技术问题,本发明提供了一种损耗相似性馈线分类方法。
为了达到上述目的,本发明所采用的技术方案是:
一种损耗相似性馈线分类方法,首先分析各馈线相似性主因素,然后将主因素作为Kmeans聚类方法的输入数据,利用Kmeans聚类方法进行馈线相似性聚类。
分析各馈线相似性主因素的过程为,
采集影响馈线电能损耗率的特征参数;
对特征参数依次进行中心化和标准化处理;
对处理后的特征参数进行主因素分析,得到主因素。
采用多重相关系数进行主因素分析,即通过多重相关系数表示馈线电能损耗率与若干特征参数之间的相关性强弱程度,当多重相关系数大于设定的阈值时,则这些特征参数为主因素。
多重相关系数的计算公式为,
其中,r为多重相关系数,n为馈线数,xi为第i条馈线的数据信息,为第j个特征参数的平均值,xij为第i条馈线的第j个特征参数值,yi为第i条馈线的电能损耗率,为n条馈线的电能损耗率平均值。
馈线相似性聚类的过程为,
1)输入Kmeans聚类方法中所用到的类别数目k;
2)采用层次聚类法对输入数据进行一次聚类,得到初始的k个类别;
3)以层次聚类结果为依据,对同一类别中的对象进行求和并计算均值,得到k个类别各自的中心对象,以此为初始聚类中心值;
4)分别计算每个对象与各类别的中心对象的欧式距离,并据此将各对象并入距离中心对象最近的类别中;
5)重新计算每个类别的中心对象;
6)依次重复步骤4和5直到各对象所属类别不变为止。
层次聚类法的过程为,
21)将各馈线的主因素视为一个类别,分别计算两个类别之间的欧式距离;
22)以类别之间的欧式距离为依据,将距离最近的两个类别合并为一个类别;
23)计算新类别与其他类别之间的欧式距离;
24)依次重复步骤22和步骤23,直到所有主因素都合并为k个类别。
本发明所达到的有益效果:本发明基于影响配电网损耗的负荷时空特性,综合考虑配电网结构和负荷的基本参数,采用Kmeans聚类方法对馈线进行分类,将大量数据归类到预设的类别数,聚类效果良好且收敛速度较快。
附图说明
图1为本发明的流程图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
如图1所示,一种损耗相似性馈线分类方法,包括以下步骤:
步骤1,分析各馈线相似性主因素。
由于影响馈线电能损耗率的特征参数数量繁多,各特征参数之间可能存在或强或弱的相关性,为了降低这些特征参数之间的关联性对聚类分析结果准确性的影响,进行主因素分析,具体过程为:
首先采集影响馈线电能损耗率的特征参数,不同的特征参数值所使用的度量单位不同,为减小绝对值较大数值对绝对值较小数值的影响,使得各特征参数能较好的反应馈线数据信息,对特征参数依次进行中心化和标准化处理,采用多重相关系数进行主因素分析,得到主因素。
多重相关系数进行主因素分析,即通过多重相关系数表示馈线电能损耗率与若干特征参数之间的相关性强弱程度,当多重相关系数大于设定的阈值时,则这些特征参数为主因素,阈值一般设定为0.3,多重相关系数的计算公式为,
其中,r为多重相关系数,n为馈线数,xi为第i条馈线的数据信息,每条馈线均有p个特征参数,xij为第i条馈线的第j个特征参数值,n条馈线所有特征参数组成的样本集合可由样本数据矩阵表示,具体如式所示,为第j个特征参数的平均值,yi为第i条馈线的电能损耗率,为n条馈线的电能损耗率平均值。
步骤2,将主因素作为Kmeans聚类方法的输入数据,利用Kmeans聚类方法进行馈线相似性聚类。
馈线相似性聚类的过程为:
1)输入Kmeans聚类方法中所用到的类别数目k。
2)采用层次聚类法对输入数据进行一次聚类,得到初始的k个类别;
层次聚类法的过程为,
21)将各馈线的主因素视为一个类别,分别计算两个类别之间的欧式距离;
22)以类别之间的欧式距离为依据,将距离最近的两个类别合并为一个类别;
23)计算新类别与其他类别之间的欧式距离;
24)依次重复步骤22和步骤23,直到所有主因素都合并为k个类别。
3)以层次聚类结果为依据,对同一类别中的对象进行求和并计算均值,得到k个类别各自的中心对象,以此为初始聚类中心值。
4)分别计算每个对象与各类别的中心对象的欧式距离,并据此将各对象并入距离中心对象最近的类别中。
5)重新计算每个类别的中心对象。
6)依次重复步骤4和5直到各对象所属类别不变为止。
为了验证上述方法,从某市的中低压配电网中选若干条具有代表性的线路。收集了线路电阻、公变电阻、有功供电量、功率因数、形状系数、线路总长度、工业负荷占比、商业负荷占比、居民负荷占比、负荷平均利用小时数等运行数据和时空特征参数。其中10kV线路101条,聚类时每一类的损耗率波动精度设定为±0.5%,并采用四舍五入法对电能损耗率进行离散化处理。
对预处理完毕的特征参数特征参数,得到如表1所示的多重相关系数;
表1多重相关系数
由表1可知,与电能损耗率的特征参数有:线路电阻、公变电阻、负荷容量相对系数、形状系数、线路总长度、工业负荷占比、负荷平均利用小时数,以上特征参数即为影响10kV电网电能损耗率的主因素,基本符合中压配电网的实际情况。
表2聚类结果
对电能损耗率的主因素进行聚类分析。经过Kmeans分层聚类分析之后输入数据被分为18类同类线,由实际电能损耗率和聚类之后各类的电能损耗率可以判断聚类分析结果是否合理,因为聚类时每一类的损耗率波动为±0.5%,并采用四舍五入法对电能损耗率进行离散化处理,所以聚类结果中的电能损耗率3%理论范围是2.5%—3.49%,由表2可知聚类结果实际范围是2.56%—3.49%,实际电能损耗率范围在理论范围之内,其它类同,这说明通过本文的聚类方法得到的聚类分析结果可以接受,101条样本线路经过聚类得到10kV配电网的同类线模型。
本发明基于影响配电网损耗的负荷时空特性,综合考虑配电网结构和负荷的基本参数,采用Kmeans聚类方法对馈线进行分类,将大量数据归类到预设的类别数,聚类效果良好且收敛速度较快。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变形,这些改进和变形也应视为本发明的保护范围。
Claims (6)
1.一种损耗相似性馈线分类方法,其特征在于:首先分析各馈线相似性主因素,然后将主因素作为Kmeans聚类方法的输入数据,利用Kmeans聚类方法进行馈线相似性聚类。
2.根据权利要求1所述的一种损耗相似性馈线分类方法,其特征在于:分析各馈线相似性主因素的过程为,
采集影响馈线电能损耗率的特征参数;
对特征参数依次进行中心化和标准化处理;
对处理后的特征参数进行主因素分析,得到主因素。
3.根据权利要求2所述的一种损耗相似性馈线分类方法,其特征在于:采用多重相关系数进行主因素分析,即通过多重相关系数表示馈线电能损耗率与若干特征参数之间的相关性强弱程度,当多重相关系数大于设定的阈值时,则这些特征参数为主因素。
4.根据权利要求3所述的一种损耗相似性馈线分类方法,其特征在于:
多重相关系数的计算公式为,
<mrow>
<mi>r</mi>
<mo>=</mo>
<mfrac>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<mover>
<mi>x</mi>
<mo>&OverBar;</mo>
</mover>
<mo>)</mo>
</mrow>
<mrow>
<mo>(</mo>
<msub>
<mi>y</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<mover>
<mi>y</mi>
<mo>&OverBar;</mo>
</mover>
<mo>)</mo>
</mrow>
</mrow>
<msqrt>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<mover>
<mi>x</mi>
<mo>&OverBar;</mo>
</mover>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>y</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<mover>
<mi>y</mi>
<mo>&OverBar;</mo>
</mover>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
</mfrac>
<mo>=</mo>
<mfrac>
<mrow>
<mi>n</mi>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<msub>
<mi>y</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>&CenterDot;</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msub>
<mi>y</mi>
<mi>i</mi>
</msub>
</mrow>
<mrow>
<msqrt>
<mrow>
<mi>n</mi>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msup>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mn>2</mn>
</msup>
<mo>-</mo>
<msup>
<mrow>
<mo>(</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
<mo>&CenterDot;</mo>
<msqrt>
<mrow>
<mi>n</mi>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msup>
<msub>
<mi>y</mi>
<mi>i</mi>
</msub>
<mn>2</mn>
</msup>
<mo>-</mo>
<msup>
<mrow>
<mo>(</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msub>
<mi>y</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
</mrow>
</mfrac>
</mrow>
其中,r为多重相关系数,n为馈线数,xi为第i条馈线的数据信息,为第j个特征参数的平均值,xij为第i条馈线的第j个特征参数值,yi为第i条馈线的电能损耗率,为n条馈线的电能损耗率平均值。
5.根据权利要求1所述的一种损耗相似性馈线分类方法,其特征在于:馈线相似性聚类的过程为,
1)输入Kmeans聚类方法中所用到的类别数目k;
2)采用层次聚类法对输入数据进行一次聚类,得到初始的k个类别;
3)以层次聚类结果为依据,对同一类别中的对象进行求和并计算均值,得到k个类别各自的中心对象,以此为初始聚类中心值;
4)分别计算每个对象与各类别的中心对象的欧式距离,并据此将各对象并入距离中心对象最近的类别中;
5)重新计算每个类别的中心对象;
6)依次重复步骤4和5直到各对象所属类别不变为止。
6.根据权利要求4所述的一种损耗相似性馈线分类方法,其特征在于:层次聚类法的过程为,
21)将各馈线的主因素视为一个类别,分别计算两个类别之间的欧式距离;
22)以类别之间的欧式距离为依据,将距离最近的两个类别合并为一个类别;
23)计算新类别与其他类别之间的欧式距离;
24)依次重复步骤22和步骤23,直到所有主因素都合并为k个类别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710728572.5A CN107563421A (zh) | 2017-08-23 | 2017-08-23 | 一种损耗相似性馈线分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710728572.5A CN107563421A (zh) | 2017-08-23 | 2017-08-23 | 一种损耗相似性馈线分类方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107563421A true CN107563421A (zh) | 2018-01-09 |
Family
ID=60976580
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710728572.5A Pending CN107563421A (zh) | 2017-08-23 | 2017-08-23 | 一种损耗相似性馈线分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107563421A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109389517A (zh) * | 2018-04-08 | 2019-02-26 | 北京中电普华信息技术有限公司 | 一种量化线路损耗影响因素的分析方法及装置 |
CN113158389A (zh) * | 2021-04-16 | 2021-07-23 | 华北电力大学 | 一种基于机器学习算法的中压配网馈线分类方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105005942A (zh) * | 2015-07-09 | 2015-10-28 | 中国电力科学研究院 | 一种智能配电网差异化建设模式选择方法 |
-
2017
- 2017-08-23 CN CN201710728572.5A patent/CN107563421A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105005942A (zh) * | 2015-07-09 | 2015-10-28 | 中国电力科学研究院 | 一种智能配电网差异化建设模式选择方法 |
Non-Patent Citations (3)
Title |
---|
孙志明 等: "基于同类划分的线损指标评价方法", 《江苏电机工程》 * |
欧阳森 等: "考虑馈线聚类特性的中压配网线损率测算模型", 《电力自动化设备》 * |
郑韵如: "基于k-means聚类分析的配电网故障选线方法", 《中国优秀硕士学位论文全文数据库工程科技II辑》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109389517A (zh) * | 2018-04-08 | 2019-02-26 | 北京中电普华信息技术有限公司 | 一种量化线路损耗影响因素的分析方法及装置 |
CN109389517B (zh) * | 2018-04-08 | 2022-03-04 | 北京中电普华信息技术有限公司 | 一种量化线路损耗影响因素的分析方法及装置 |
CN113158389A (zh) * | 2021-04-16 | 2021-07-23 | 华北电力大学 | 一种基于机器学习算法的中压配网馈线分类方法 |
CN113158389B (zh) * | 2021-04-16 | 2022-11-18 | 华北电力大学 | 一种基于机器学习算法的中压配网馈线分类方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN109597968B (zh) | 基于smt大数据的锡膏印刷性能影响因素分析方法 | |
CN104809658B (zh) | 一种低压配网台区线损的快速分析方法 | |
CN105389636A (zh) | 一种低压台区kfcm-svr合理线损预测方法 | |
CN110610121B (zh) | 基于曲线聚类的小时级源荷功率异常数据辨识与修复方法 | |
CN106503919A (zh) | 一种基于供电分区特性的配电网评价方法 | |
CN109507961B (zh) | 一种半导体生产线动态负荷均衡投料控制方法 | |
CN106707991B (zh) | 基于模糊层次分析的多目标作业调度中瓶颈设备识别方法 | |
CN110690701A (zh) | 一种异常线损影响因素的分析方法 | |
CN111553568A (zh) | 一种基于数据挖掘技术的线损管理方法 | |
CN111339167A (zh) | 基于K-means和主成分线性回归的台区线损率影响因素分析方法 | |
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 | |
CN106355209A (zh) | 基于决策树算法的窃电诊断系统及方法 | |
CN111539657A (zh) | 结合用户日用电量曲线的典型用电行业负荷特性分类与综合方法 | |
CN107563421A (zh) | 一种损耗相似性馈线分类方法 | |
CN116049705A (zh) | 基于聚类分析的电力系统用户负荷特性聚类方法及系统 | |
CN112330045A (zh) | 一种基于K-medoids聚类分析方法的输电网线损评估与降损方法 | |
CN107305640A (zh) | 一种不均衡数据分类的方法 | |
CN113327047B (zh) | 基于模糊综合模型的电力营销服务渠道决策方法及系统 | |
CN112508254B (zh) | 变电站工程项目投资预测数据的确定方法 | |
CN107301499B (zh) | 一种基于ami数据的配电馈线统计线损率数据清洗方法 | |
CN108733752A (zh) | 自动报表存储方法及系统 | |
CN111538760A (zh) | 一种基于Apriori算法建立配电负荷线损关联分析模型的方法 | |
CN107832928B (zh) | 基于风力发电特性曲线的等效综合线损评价方法 | |
CN113222339B (zh) | 基于计量全景数据的同类型企业用能差异分析方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180109 |