CN109389517A - 一种量化线路损耗影响因素的分析方法及装置 - Google Patents
一种量化线路损耗影响因素的分析方法及装置 Download PDFInfo
- Publication number
- CN109389517A CN109389517A CN201810306195.0A CN201810306195A CN109389517A CN 109389517 A CN109389517 A CN 109389517A CN 201810306195 A CN201810306195 A CN 201810306195A CN 109389517 A CN109389517 A CN 109389517A
- Authority
- CN
- China
- Prior art keywords
- factor
- line loss
- analysis
- classification
- principal element
- 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.)
- Granted
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 71
- 238000000034 method Methods 0.000 claims abstract description 67
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 24
- 238000003064 k means clustering Methods 0.000 claims abstract description 20
- 238000010219 correlation analysis Methods 0.000 claims abstract description 19
- 238000001543 one-way ANOVA Methods 0.000 claims description 17
- 238000012360 testing method Methods 0.000 claims description 17
- 238000009826 distribution Methods 0.000 claims description 12
- 230000005611 electricity Effects 0.000 claims description 12
- 230000002159 abnormal effect Effects 0.000 claims description 10
- 238000010276 construction Methods 0.000 claims description 10
- 230000006872 improvement Effects 0.000 claims description 6
- 239000003245 coal Substances 0.000 claims description 5
- 238000012163 sequencing technique Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 12
- 230000008569 process Effects 0.000 description 12
- 230000001419 dependent effect Effects 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 6
- 239000000523 sample Substances 0.000 description 5
- 230000008859 change Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000000611 regression analysis Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000003053 completely randomized design Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005192 partition Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 206010021703 Indifference Diseases 0.000 description 1
- 240000002853 Nelumbo nucifera Species 0.000 description 1
- 235000006508 Nelumbo nucifera Nutrition 0.000 description 1
- 235000006510 Nelumbo pentapetala Nutrition 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000556 factor analysis Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000011017 operating method Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Game Theory and Decision Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种量化线路损耗影响因素的分析方法及装置，该方法包括：采用K‑均值聚类算法，识别线路损耗异常的第一对象，所述第一对象包括线路、台区和大用户；分析导致所述第一对象线路损耗异常的主要因素；采用偏相关性分析和趋势判断法相结合的方式对所述主要因素中的各个分类水平按显著程度排序。可见，本发明实现了对线损的分析，对线损管理具有重要理论意义。
Description
技术领域
本发明涉及电力技术领域，特别是涉及一种量化线路损耗影响因素的分析方法及装置。
背景技术
随着世界经济和工业的快速发展，企业的耗电量在不断地加大，供电部门在给企业供应电能的同时，存在大量的电能损耗。从宏观方面来看，实际的线损分为技术线损和管理线损两类。技术线损通常认为是正常线路的电能损耗，不可避免，而管理线损是由于设备和管理上不善引起的人为电能损耗，并且由于管理不到位，形成的电能损失在整个线损中占有较大的比重。因此，所以研究降低线损、如何更好地进行线损管理不仅具有理论意义，还具有实际应用价值。
发明内容
为解决上述技术问题，本发明实施例提供了一种量化线路损耗影响因素的分析方法及装置，以解决现有技术中存在的问题，技术方案如下：
一种量化线路损耗影响因素的分析方法，包括：
采用K-均值聚类算法，识别线路损耗异常的第一对象，所述第一对象包括线路、台区和大用户；
分析导致所述第一对象线路损耗异常的主要因素；
采用偏相关性分析和趋势判断法相结合的方式对所述主要因素中的各个分类水平按显著程度排序。
优选地，采用分布图、单因素方差分析和单因素协方差分析，分析导致所述第一对象线路损耗异常的主要因素。
优选地，分析导致所述第一对象线路损耗异常的主要因素，包括：
确定导致所述第一对象线路损耗异常的因素；
判断所述因素为二分类因素还是多分类因素；
若所述因素为二分类因素，通过分布图判断所述因素是否为主要因素；
若所述因素为多分类因素，判断各个所述多分类因素相结合对线路损耗是否有显著影响；
若有显著影响，则采用单因素协方差分析法从各个所述分类因素中确定第一主要因素，所述第一主要因素为各个所述分类因素中的一个分类因素；
若无显著影响，则采用单因素方差分析法从各个所述分类因素中确定第二主要因素，所述第二主要因素为各个所述分类因素中的一个分类因素。
优选地，所述因素包括：
电网因素、气象因素、节假日以及社会环境；
所述电网因素的分类水平包括：低压台区、10千伏、35千伏、110千伏；
所述气象因素的分类水平包括：温度，湿度，雾霾；
所述节假日的分类水平包括：春节，五一，十一，中秋，清明；
所述社会环境的分类水平包括：煤改电建设改造费用，各种锅炉特征，电费补贴政策，建设改造标准分析。
优选地，还包括：
计算所述第一对象的线损；
根据所述线损确定所述第一对象是否存在线损异常；
若是，执行采用K-均值聚类算法，识别线路损耗异常的第一对象，所述第一对象包括线路、台区和大用户的步骤。
一种量化线路损耗影响因素的分析装置，包括：
识别单元，用于采用K-均值聚类算法，识别线路损耗异常的第一对象，所述第一对象包括线路、台区和大用户；
分析单元，用于分析导致所述第一对象线路损耗异常的主要因素；
排序单元，用于采用和趋势判断法相结合的方式对所述主要因素中的各个分类水平按显著程度排序。
优选地，所述分析单元具体用于：
采用分布图、单因素方差分析和单因素协方差分析，分析导致所述第一对象线路损耗异常的主要因素。
优选地，所述分析单元，包括：
确定单元，用于确定导致所述第一对象线路损耗异常的因素；
第一判断单元，用于判断所述因素为二分类因素还是多分类因素；
第二判断单元，用于所述第一判断单元确定所述因素为二分类因素，通过所述分布图判断所述因素是否为主要因素；
第三判断单元，用于所述第一判断单元确定所述因素为多分类因素，判断各个所述多分类因素相结合对线路损耗是否有显著影响；
第四判断单元，用于所述第三判断单元确定有显著影响，则采用单因素协方差分析法从各个所述分类因素中确定第一主要因素，所述第一主要因素为各个所述分类因素中的一个分类因素；
第五判断单元，用于所述第四判断单元确定无显著影响，则采用单因素方差分析法从各个所述分类因素中确定第二主要因素，所述第二主要因素为各个所述分类因素中的一个分类因素。
优选地，所述因素包括：
电网因素、气象因素、节假日以及社会环境；
所述电网因素的分类水平包括：低压台区、10千伏、35千伏、110千伏；
所述气象因素的分类水平包括：温度，湿度，雾霾；
所述节假日的分类水平包括：春节，五一，十一，中秋，清明；
所述社会环境的分类水平包括：煤改电建设改造费用，各种锅炉特征，电费补贴政策，建设改造标准分析。
优选地，还包括：
计算单元，用于计算所述第一对象的线损；
第六判断单元，用于根据所述线损确定所述第一对象是否存在线损异常；
执行单元，用于所述第六判断单元确定所述第一对象存在线损异常时，执行采用K-均值聚类算法，识别线路损耗异常的第一对象，所述第一对象包括线路、台区和大用户的步骤。
本发明提供的技术方案，采用K-均值聚类算法，识别线路损耗异常的第一对象，第一对象包括线路、台区和大用户；分析导致第一对象线路损耗异常的主要因素；采用偏相关性分析和趋势判断法相结合的方式对主要因素中的各个分类水平按显著程度排序。可见，本发明实现了对线损的分析，对线损管理具有重要理论意义。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例所提供的一种量化线路损耗影响因素的分析方法的一种流程示意图；
图2为本发明实施例所提供的一种量化线路损耗影响因素的分析方法的另一种流程示意图；
图3为本发明实施例所提供的一种量化线路损耗影响因素的分析装置的一种结构示意图；
图4为本发明实施例所提供的一种量化线路损耗影响因素的分析装置的另一种结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参阅图1，图1为本发明实施例提供的一种量化线路损耗影响因素的分析方法的一种流程示意图，该方法包括：
步骤S101、采用K-均值聚类算法，识别线路损耗异常的第一对象，第一对象包括线路、台区和大用户。
采用K-均值聚类算法的数据挖掘分析方法进行数据预处理，把用电信息系统采集到的数据进行筛选，得到线路、台区、大用户线损率异常数据，根据一定的判断条件来判定是否线损异常。
以下对K-均值聚类算法进行说明：
简单说，K-均值聚类算法是先随机选取K个对象作为初始的聚类中心。然后计算每个对象与各个种子聚类中心之间的距离，把每个对象分配给距离它最近的聚类中心。聚类中心以及分配给它们的对象就代表一个聚类。一旦全部对象都被分配了，每个聚类的聚类中心会根据聚类中现有的对象被重新计算。这个过程将不断重复直到满足某个终止条件。终止条件可以是没有(或最小数目)对象被重新分配给不同的聚类，没有(或最小数目)聚类中心再发生变化，误差平方和局部最小。
所谓聚类指的是一个将数据集中在某些方面相似的数据成员进行分类组织的过程，聚类就是一种发现这种内在结构的技术，聚类技术经常被称为无监督学习。
k-均值聚类是划分聚类算法，由于简洁和效率使得他成为所有聚类算法中最广泛使用的。给定一个数据点集合和需要的聚类数目k，k由用户指定， k均值算法根据某个距离函数反复把数据分入k个聚类中。
先随机选取K个对象作为初始的聚类中心。然后计算每个对象与各个种子聚类中心之间的距离，把每个对象分配给距离它最近的聚类中心。聚类中心以及分配给它们的对象就代表一个聚类。一旦全部对象都被分配了，每个聚类的聚类中心会根据聚类中现有的对象被重新计算。这个过程将不断重复直到满足某个终止条件。终止条件可以是以下任何一个:
a)没有(或最小数目)对象被重新分配给不同的聚类。
b)没有(或最小数目)聚类中心再发生变化。
c)误差平方和局部最小。
k均值伪代码
①选择k个点作为初始质心。
②repeat
③将每个点指派到最近的质心，形成k个簇。
④重新计算每个簇的质心。
⑤until质心不发生变化
步骤S102、分析导致所述第一对象线路损耗异常的主要因素。
步骤S103、采用偏相关性分析和趋势判断法相结合的方式对主要因素中的各个分类水平按显著程度排序。
简单相关分析是对两个变量间的相关性进行分析，数据分析过程相对简单。简单相关分析主要应用的分析方法有图表法和计算法。应用计算法进行相关关系分析时，多采用皮尔逊积差相关法(又称积差相关法)计算两个变量的相关系数。积差相关系数用字母r表示，其基本公式如公式(1)
其中：n为两变量数据的对数；分别表示变量X与Y的平均数。
公式(1)需要求出变量X,Y的平均数因此在计算过程中要产生估计值，计算结果不够精确。为了精确计算相关系数，将公式(1)中两个变量X，Y的平均数用进行替换，得到公式(2)
公式(2)经过变换化简得
公式(3)中只有变量X，Y与变量个数n参与计算，保证了相关系数计算结果的精确性。相关系数r的数值变化为-1≤r≤1；相关系数r的符号表示两个变量的相关方向，即正相关与负相关；数值的大小表示两个变量的相关程度，即数值越大相关程度越强。
简单相关分析是对两个变量进行相关性分析的方法。在实际数据分析应用过程中，研究对象的特征值往往多于两个，即研究对象的变量个数在两个以上。在多变量相关性分析过程中，由于各个变量间的影响是相互的，仅任选两个变量进行简单相关性分析，将无法真实地反映变量间相关关系情况。在分析两个变量间相关关系时，必须考虑其他变量因素的影响，这就需要利用偏相关关系进行变量间的相关性分析。偏相关分析也称为净相关分析，是指当被分析的两个变量同时与其他影响变量相关时，控制其他变量影响的条件下，仅分析两个之间相关程度的过程，分析所得相关量的偏相关系数(或净相关系数)。控制变量个数为N时，相关系数称为N阶偏相关系数，控制变量个数为零个时，相关系数就是简单相关系数。偏相关系数可以利用简单相关系数进行表示，简单相关系数可以用公式(3)计算而得。
N阶偏相关系数计算通式为
一阶偏相关系数计算公式为即在控制第三个变量和第四个变量的情况下，分析第一个变量和第二个变量的相关关系。
二阶偏相关系数计算公式为即在控制第三个变量和第四个变量的情况下，分析第一个变量和第二个变量的相关关系。
一阶偏相关系数可以利用三个变量间两两简单相关系数进行计算，即一阶偏相关系数可以利用零阶偏相关系数进行计算；二阶偏相关系数可以利用四个变量的一阶偏相关系数进行计算。不失一般性，根据N阶偏相关系数计算通式可以看出，任何N阶偏相关系数都可以通过N-1阶偏相关系数进行计算而得。不难推断出，对于N阶偏相关系数，可以利用N+2个变量组成的组简单相关系数进行运算而得出。
根据显著程度排序可以确定主要因素，并基于该因素的状态即可判定线损程度做技术引导。
本发明实施例提供的技术方案，采用K-均值聚类算法，识别线路损耗异常的第一对象，第一对象包括线路、台区和大用户；分析导致第一对象线路损耗异常的主要因素；采用偏相关性分析和趋势判断法相结合的方式对主要因素中的各个分类水平按显著程度排序。可见，本发明实现了对线损的分析，对线损管理具有重要理论意义。
请参阅图2，图2为本发明实施例提供的一种量化线路损耗影响因素的分析方法的另一种流程示意图，该方法包括：
步骤S201、计算第一对象的线损。
线损包括统计线损和理论线损两种。
统计线损的计算如下公式：
ΔA＝AG-AS (6)
上式中，λ为线损率，ΔA为线损电量，是供给电量与销售电量的差值，AG为一个统计中期内，从计量电表处读取电量，AS为一个统计中期内，从计量电表处读取到的售电量的总和。
根据上式(5)和(6)所示，它是以计量电表指示的发电量和销售的电量为基础。计算较为简单，它忽略了中间的所有过程，只能得出一个统计结果，而无法获得中间的数据。比如它无法得到元件的有功功率和无功功率，无法得到配电网在一段时间内的电网损失。而理论线损的计算弥补了统计线损的缺点，它通过收集设备参数、设备在电网运行中的负荷变化的相关情况，通过对数据的整理和计算，最终得到理论线损率。因为理论线损率的计算经过中间过程，因此对于找出线损产生的原因很有帮助，在发明中，将理论线损的计算方法和统计线损的计算方法相结合，通过理论线损的计算分析配电网中对线损可以优化的部分，通过与统计线损的对比，可以确定降低线损措施的实施效果。
步骤S202、根据线损确定第一对象是否存在线损异常，若是，执行步骤 S203。
步骤S203、采用K-均值聚类算法，识别线路损耗异常的第一对象，第一对象包括线路、台区和大用户。
步骤S204、确定导致第一对象线路损耗异常的因素。
该方法从不同的地域类型(A类、B类、C类、D类)和不同的时间段两个方面来进行主要影响因素的显著性分析。其中，所涉及到的因素主要包括：电网因素、气象因素、节假日以及社会环境。
电网因素分析主要从不同电压等级方面入手，电压等级包括：低压台区、 10千伏、35千伏、110千伏等。在不同的电压等级下，所考虑的影响因素包括：线路长度、型号，变压器类型，线路负载率，变压器负载率，三相不平衡，线损率，电能质量；气象因素分析包括：温度，湿度，雾霾；节假日分析包括：春节，五一，十一，中秋，清明；社会环境分析包括：煤改电建设改造费用，各种锅炉特征，电费补贴政策，建设改造标准分析。
步骤S205、判断因素为二分类因素还是多分类因素，若是二分类因素，执行步骤S206，若是多分类因素，执行步骤S207。
步骤S206、通过分布图判断因素是否为主要因素。
步骤S207、判断各个多分类因素相结合对线路损耗是否有显著影响，若是，执行步骤S208，否则执行步骤S209。
步骤S208、采用单因素协方差分析法从各个分类因素中确定第一主要因素，第一主要因素为各个分类因素中的一个分类因素。
步骤S209、采用单因素方差分析法从各个分类因素中确定第二主要因素，第二主要因素为各个分类因素中的一个分类因素。
在进行分群分析主要影响因素的过程中，在不同线损指标的条件下，衡量因素的形式可基本分为两大类：一类是二分类因素，另一类是多分类因素。例如，对于二分类因素，取值为N：不是节假日，Y：是节假日。这种情况下，可以通过分布图的形式来直观的表现节假日是否是导致线损异常的主要因素；对于多分类因素，若针对一个因素指标下含有多个分类水平，可以用单因素方差分析法来判断该因素指标是否是导致线损异常的主要因素；由于现有的线损数据，是在多个因素指标同时存在的情况下所采集到的，为了在探究主要因素对线损的影响下，同时考虑其他因素的影响，可以通过单因素协方差分析法来探究导致线损异常的主要因素。
以下对单因素方差分析、单因素协方差分析进行说明：
单因素方差分析：
单因素方差分析主要根据完全随机设计的多个样本均数之间的比较，单因素方差分析的统计推断旨在根据各个样本所具有的各个总体均数是否相同。
单因素方差分析的主要用途在于其完全随机的设计理论，不需要考虑个体之间的差异性所带来的部分影响，仅仅需要一个处理因素，依据两个或者多个水平结构，进行严格的单因素实验设计。完全随机设计中涉及的单因素方差是将总变异的离均平方和SS以及自由度的内容分别划分为组间和组内这两个方面，其应用到的计算公式具体如下：
MS组间＝离均平方和/组间自由度； (7)
MS组内＝离均平方和/组内自由度； (8)
SS总＝SS组间+SS组内。 (9)
单因素方差分析的核心关键就是对组间和组内的均差平方和进行计算，以达到想要的计算结果。单因素方差分析需要含有两个或者两个以上的数据资料，组内会将大组的全部放在一起，并以每一组均数进行计算，最终在进行一定的离均平方和计算。查看F值的结果如何，以便分析具体的操作步骤，F值＝MS组间/MS组内。
单因素协方差分析：
协方差分析又称带有协变量的方差分析，是将回归分析与方差分析结合起来使用的一种分析方法。其目的是把与因变量y值呈线性关系的自变量x 值化成相等后，用于检验多个修正均数间有无差异的方法。在实际方差分析问题中，有些随机因素是很难人为控制的，但它们又会对结果产生显著影响，如果忽略这些因素的影响，则有可能得到不正确的结论。
关于协方差分析的检验方法，大都是采用对因变量y进行较正，剔除协变量x的影响后再对y做方差分析。该发明将从回归分析的角度，通过引入虚拟变量的方式建立了单因素协方差分析的回归模型。
设在一项试验中考察的指标或因变量用y表示，影响指标的一个可控因素为A，它取k个水平，除此还有p个不可控但可观测的变量x1,x2,...,xp可能对指标也有影响，x1,x2,...,xp称为协变量，为了从回归分析的角度检验各租不同水平下因变量y的均值是否有显著差异，现引入虚拟变量
显然有D1+D2+...+Dk＝1，故单因素协方差模型的可表示为：
Y＝β0+β1X1+...+βPXP+γ1D1+γ2D2+...+γk-1Dk-1+ε,ε～Nn(0,σ2In) (11)
若已知在Ar水平下独立重复观察nr次(n1+n2+...+nk＝n)，记水平下第j个协变量指标的第i次观测值；水平下因变量y的第i次观测值；i＝1,2,...,nr，r＝1,2,...,k，j＝1,2,...,p。
则模型(11)的样本表达为：
令
I＝(1,1,...,1)'D＝(I,D1,D2,...,Dk-1)β＝(β1,β2,...βp)'
γ＝(γ0,γ1,γ2,...,γk-1)'
则模型(12)的矩阵表达为：
Y＝Xβ+Dγ+ε,ε～Nn(0,σ2In) (13)
从未检验各组不同水平下因变量y的均值是否有显著差异，等价于对此回归模型做局部检验：
H0:γ＝0即H0:γ1＝γ2＝...＝γk-1＝0
步骤S210、采用偏相关性分析和趋势判断法相结合的方式对主要因素中的各个分类水平按显著程度排序。
步骤S201、S203、S210分别与步骤S101、S102、S103相同，因此关于步骤S201、S203、S210的详细描述，请参见步骤S101、S102、S103，此处不再赘述。
本发明实施例提供的技术方案，采用K-均值聚类算法，识别线路损耗异常的第一对象，第一对象包括线路、台区和大用户；分析导致第一对象线路损耗异常的主要因素；采用偏相关性分析和趋势判断法相结合的方式对主要因素中的各个分类水平按显著程度排序。可见，本发明实现了对线损的分析，对线损管理具有重要理论意义。
请参阅图3，图3为本发明实施例提供的一种量化线路损耗影响因素的分析方法的一种结构示意图，该装置结构示意图中的各单元的工作过程参照图1 对应的实施例中方法的执行过程，该装置包括：
识别单元301，用于采用K-均值聚类算法，识别线路损耗异常的第一对象，第一对象包括线路、台区和大用户；
分析单元302，用于分析导致第一对象线路损耗异常的主要因素；
排序单元303，用于采用偏相关性分析和趋势判断法相结合的方式对主要因素中的各个分类水平按显著程度排序。
本发明实施例提供的技术方案，采用K-均值聚类算法，识别线路损耗异常的第一对象，第一对象包括线路、台区和大用户；分析导致第一对象线路损耗异常的主要因素；采用偏相关性分析和趋势判断法相结合的方式对主要因素中的各个分类水平按显著程度排序。可见，本发明实现了对线损的分析，对线损管理具有重要理论意义。
请参阅图4，图4为本发明实施例提供的一种量化线路损耗影响因素的分析方法的一种结构示意图，该装置结构示意图中的各单元的工作过程参照图2 对应的实施例中方法的执行过程，该装置包括：
计算单元401，用于计算第一对象的线损。
第六判断单元402，用于根据统计线损确定第一对象是否存在线损异常。
识别单元403，用于当第六判断单元确定存在线损异常时，采用K-均值聚类算法，识别线路损耗异常的第一对象，第一对象包括线路、台区和大用户。
确定单元404，用于确定导致第一对象线路损耗异常的因素。
第一判断单元405，用于判断因素为二分类因素还是多分类因素。
第二判断单元406，用于第一判断单元确定因素为二分类因素，通过分布图判断因素是否为主要因素。
第三判断单元407，用于第一判断单元确定因素为多分类因素，判断各个多分类因素相结合对线路损耗是否有显著影响。
第四判断单元408，用于第三判断单元确定有显著影响，则采用单因素协方差分析法从各个分类因素中确定第一主要因素，第一主要因素为各个分类因素中的一个分类因素。
第五判断单元409，用于第四判断单元确定无显著影响，则采用单因素方差分析法从各个分类因素中确定第二主要因素，第二主要因素为各个分类因素中的一个分类因素。
排序单元410，用于采用偏相关性分析和趋势判断法相结合的方式对主要因素中的各个分类水平按显著程度排序。
本发明实施例提供的技术方案，采用K-均值聚类算法，识别线路损耗异常的第一对象，第一对象包括线路、台区和大用户；分析导致第一对象线路损耗异常的主要因素；采用偏相关性分析和趋势判断法相结合的方式对主要因素中的各个分类水平按显著程度排序。可见，本发明实现了对线损的分析，对线损管理具有重要理论意义。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例例如能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
对于装置或系统实施例而言，由于其基本相应于方法实施例，所以相关之处参见方法实施例的部分说明即可。以上所描述的装置或系统实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
在本发明所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，在没有超过本发明的精神和范围内，可以通过其他的方式实现。当前的实施例只是一种示范性的例子，不应该作为限制，所给出的具体内容不应该限制本发明的目的。例如，所述单元或子单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或多个子单元结合一起。另外，多个单元可以或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。
另外，所描述系统，装置和方法以及不同实施例的示意图，在不超出本发明的范围内，可以与其它系统，模块，技术或方法结合或集成。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
以上所述仅是本发明的具体实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种量化线路损耗影响因素的分析方法，其特征在于，包括：
采用K-均值聚类算法，识别线路损耗异常的第一对象，所述第一对象包括线路、台区和大用户；
分析导致所述第一对象线路损耗异常的主要因素；
采用偏相关性分析和趋势判断法相结合的方式对所述主要因素中的各个分类水平按显著程度排序。
2.根据权利要求1所述的方法，其特征在于，采用分布图、单因素方差分析和单因素协方差分析，分析导致所述第一对象线路损耗异常的主要因素。
3.根据权利要求2所述的方法，其特征在于，分析导致所述第一对象线路损耗异常的主要因素，包括：
确定导致所述第一对象线路损耗异常的因素；
判断所述因素为二分类因素还是多分类因素；
若所述因素为二分类因素，通过分布图判断所述因素是否为主要因素；
若所述因素为多分类因素，判断各个所述多分类因素相结合对线路损耗是否有显著影响；
若有显著影响，则采用单因素协方差分析法从各个所述分类因素中确定第一主要因素，所述第一主要因素为各个所述分类因素中的一个分类因素；
若无显著影响，则采用单因素方差分析法从各个所述分类因素中确定第二主要因素，所述第二主要因素为各个所述分类因素中的一个分类因素。
4.根据权利要求3所述的方法，其特征在于，所述因素包括：
电网因素、气象因素、节假日以及社会环境；
所述电网因素的分类水平包括：低压台区、10千伏、35千伏、110千伏；
所述气象因素的分类水平包括：温度，湿度，雾霾；
所述节假日的分类水平包括：春节，五一，十一，中秋，清明；
所述社会环境的分类水平包括：煤改电建设改造费用，各种锅炉特征，电费补贴政策，建设改造标准分析。
5.根据权利要求1所述的方法，其特征在于，还包括：
计算所述第一对象的线损；
根据所述线损确定所述第一对象是否存在线损异常；
若是，执行采用K-均值聚类算法，识别线路损耗异常的第一对象，所述第一对象包括线路、台区和大用户的步骤。
6.一种量化线路损耗影响因素的分析装置，其特征在于，包括：
识别单元，用于采用K-均值聚类算法，识别线路损耗异常的第一对象，所述第一对象包括线路、台区和大用户；
分析单元，用于分析导致所述第一对象线路损耗异常的主要因素；
排序单元，用于采用和趋势判断法相结合的方式对所述主要因素中的各个分类水平按显著程度排序。
7.根据权利要求6所述的装置，其特征在于，所述分析单元具体用于：
采用分布图、单因素方差分析和单因素协方差分析，分析导致所述第一对象线路损耗异常的主要因素。
8.根据权利要求7所述的装置，其特征在于，所述分析单元，包括：
确定单元，用于确定导致所述第一对象线路损耗异常的因素；
第一判断单元，用于判断所述因素为二分类因素还是多分类因素；
第二判断单元，用于所述第一判断单元确定所述因素为二分类因素，通过所述分布图判断所述因素是否为主要因素；
第三判断单元，用于所述第一判断单元确定所述因素为多分类因素，判断各个所述多分类因素相结合对线路损耗是否有显著影响；
第四判断单元，用于所述第三判断单元确定有显著影响，则采用单因素协方差分析法从各个所述分类因素中确定第一主要因素，所述第一主要因素为各个所述分类因素中的一个分类因素；
第五判断单元，用于所述第四判断单元确定无显著影响，则采用单因素方差分析法从各个所述分类因素中确定第二主要因素，所述第二主要因素为各个所述分类因素中的一个分类因素。
9.根据权利要求8所述的装置，其特征在于，所述因素包括：
电网因素、气象因素、节假日以及社会环境；
所述电网因素的分类水平包括：低压台区、10千伏、35千伏、110千伏；
所述气象因素的分类水平包括：温度，湿度，雾霾；
所述节假日的分类水平包括：春节，五一，十一，中秋，清明；
所述社会环境的分类水平包括：煤改电建设改造费用，各种锅炉特征，电费补贴政策，建设改造标准分析。
10.根据权利要求6所述的装置，其特征在于，还包括：
计算单元，用于计算所述第一对象的线损；
第六判断单元，用于根据所述线损确定所述第一对象是否存在线损异常；
执行单元，用于所述第六判断单元确定所述第一对象存在线损异常时，执行采用K-均值聚类算法，识别线路损耗异常的第一对象，所述第一对象包括线路、台区和大用户的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810306195.0A CN109389517B (zh) | 2018-04-08 | 2018-04-08 | 一种量化线路损耗影响因素的分析方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810306195.0A CN109389517B (zh) | 2018-04-08 | 2018-04-08 | 一种量化线路损耗影响因素的分析方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109389517A true CN109389517A (zh) | 2019-02-26 |
| CN109389517B CN109389517B (zh) | 2022-03-04 |
Family
ID=65416581
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810306195.0A Active CN109389517B (zh) | 2018-04-08 | 2018-04-08 | 一种量化线路损耗影响因素的分析方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109389517B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109687446A (zh) * | 2018-12-30 | 2019-04-26 | 国网北京市电力公司 | 确定电网线损方法及装置、存储介质、处理器 |
| CN110348713A (zh) * | 2019-06-28 | 2019-10-18 | 广东电网有限责任公司 | 一种基于关联性分析和数据挖掘的台区线损计算方法 |
| CN110610189A (zh) * | 2019-06-28 | 2019-12-24 | 华北电力大学 | 一种基于变权秩和近似相等特性的同期线损异常数据辨识方法 |
| CN113111893A (zh) * | 2020-01-09 | 2021-07-13 | 中国移动通信集团四川有限公司 | 一种数据的处理方法、系统以及电子设备 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20020147575A1 (en) * | 2001-02-12 | 2002-10-10 | Bois Karl J. | Method and system for modeling dielectric losses in a transmission line |
| CN101714234A (zh) * | 2009-10-23 | 2010-05-26 | 西北电网有限公司 | 一种电网线损监测分析系统 |
| CN104751369A (zh) * | 2013-12-25 | 2015-07-01 | 南京理工大学 | 一种改进的k-均值聚类的线损分析方法 |
| CN106557992A (zh) * | 2016-11-25 | 2017-04-05 | 国网河南省电力公司周口供电公司 | 基于多因素影响的运行控制线损分析方法 |
| CN107563421A (zh) * | 2017-08-23 | 2018-01-09 | 国网江苏省电力公司电力科学研究院 | 一种损耗相似性馈线分类方法 |
| CN107832855A (zh) * | 2017-09-14 | 2018-03-23 | 北京中恒博瑞数字电力科技有限公司 | 基于相关性分析的线损多源诊断方法及系统 |
-
2018
- 2018-04-08 CN CN201810306195.0A patent/CN109389517B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20020147575A1 (en) * | 2001-02-12 | 2002-10-10 | Bois Karl J. | Method and system for modeling dielectric losses in a transmission line |
| CN101714234A (zh) * | 2009-10-23 | 2010-05-26 | 西北电网有限公司 | 一种电网线损监测分析系统 |
| CN104751369A (zh) * | 2013-12-25 | 2015-07-01 | 南京理工大学 | 一种改进的k-均值聚类的线损分析方法 |
| CN106557992A (zh) * | 2016-11-25 | 2017-04-05 | 国网河南省电力公司周口供电公司 | 基于多因素影响的运行控制线损分析方法 |
| CN107563421A (zh) * | 2017-08-23 | 2018-01-09 | 国网江苏省电力公司电力科学研究院 | 一种损耗相似性馈线分类方法 |
| CN107832855A (zh) * | 2017-09-14 | 2018-03-23 | 北京中恒博瑞数字电力科技有限公司 | 基于相关性分析的线损多源诊断方法及系统 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109687446A (zh) * | 2018-12-30 | 2019-04-26 | 国网北京市电力公司 | 确定电网线损方法及装置、存储介质、处理器 |
| CN110348713A (zh) * | 2019-06-28 | 2019-10-18 | 广东电网有限责任公司 | 一种基于关联性分析和数据挖掘的台区线损计算方法 |
| CN110610189A (zh) * | 2019-06-28 | 2019-12-24 | 华北电力大学 | 一种基于变权秩和近似相等特性的同期线损异常数据辨识方法 |
| CN113111893A (zh) * | 2020-01-09 | 2021-07-13 | 中国移动通信集团四川有限公司 | 一种数据的处理方法、系统以及电子设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109389517B (zh) | 2022-03-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109389517A (zh) | 一种量化线路损耗影响因素的分析方法及装置 | |
| CN110097297A (zh) | 一种多维度窃电态势智能感知方法、系统、设备及介质 | |
| CN105022021B (zh) | 一种基于多智能体的关口电能计量装置的状态识别方法 | |
| CN111949939B (zh) | 基于改进topsis和聚类分析的智能电表运行状态评价方法 | |
| CN109784778A (zh) | 一种基于综合赋权的电网规划模糊综合评价方法 | |
| CN109377034A (zh) | 基于智能电网信息通信系统的风险态势评估方法 | |
| 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 | |
| CN107292534A (zh) | 城市配电网中长期动态投资的标尺竞争评价方法及装置 | |
| CN111260198A (zh) | 一种台区同期线损合理度评判方法、系统及终端设备 | |
| CN110046792B (zh) | 基于雷达图综合评价法的零电量用户排查方法 | |
| CN101728868A (zh) | 遥测电力负荷特性的分类和预测方法 | |
| CN107358332A (zh) | 一种电网调度运行精益化评价方法 | |
| CN109034511A (zh) | 基于改进Topsis法的配电网投资决策分析模型 | |
| CN116187640B (zh) | 一种基于网格多属性画像体系的配电网规划方法及装置 | |
| CN106372739B (zh) | 一种基于需求响应基线的需求响应效果评估方法 | |
| CN115994651A (zh) | 工单分配方法、装置、终端及存储介质 | |
| CN107292489A (zh) | 一种电网调度运行精益化评价系统 | |
| CN110689266A (zh) | 一种基于多源数据的用地潜力研判方法 | |
| CN109376366A (zh) | 一种异常线损影响因素的分析方法及装置 | |
| CN115760400A (zh) | 基于电力数据的挖矿行为检测方法和存储介质 | |
| Nalepa et al. | New selection schemes in a memetic algorithm for the vehicle routing problem with time windows | |
| CN115545333A (zh) | 一种多负荷日类型配电网负荷曲线预测方法 | |
| CN115798189A (zh) | 一种交通拥堵指数评价方法 | |
| CN105335810A (zh) | 一种配电网单体项目投资效益评价方法 | |
| CN106709522B (zh) | 一种基于改进模糊三角数的高压电缆施工缺陷分级方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |