CN109544029A - 一种台区线损的分析方法、分析装置及终端 - Google Patents
一种台区线损的分析方法、分析装置及终端 Download PDFInfo
- Publication number
- CN109544029A CN109544029A CN201811455650.XA CN201811455650A CN109544029A CN 109544029 A CN109544029 A CN 109544029A CN 201811455650 A CN201811455650 A CN 201811455650A CN 109544029 A CN109544029 A CN 109544029A
- Authority
- CN
- China
- Prior art keywords
- line loss
- data set
- data
- area
- particle
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 30
- 230000005611 electricity Effects 0.000 claims abstract description 31
- 239000002245 particle Substances 0.000 claims description 58
- 239000011159 matrix material Substances 0.000 claims description 49
- 230000006870 function Effects 0.000 claims description 34
- 238000004590 computer program Methods 0.000 claims description 21
- 230000002547 anomalous effect Effects 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000001105 regulatory effect Effects 0.000 claims description 6
- 230000015572 biosynthetic process Effects 0.000 claims 1
- 230000009191 jumping Effects 0.000 claims 1
- 238000004422 calculation algorithm Methods 0.000 description 30
- 238000000034 method Methods 0.000 description 19
- 230000008569 process Effects 0.000 description 8
- 238000005457 optimization Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012804 iterative process Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 235000013339 cereals Nutrition 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 240000007594 Oryza sativa Species 0.000 description 1
- 235000007164 Oryza sativa Nutrition 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000001027 hydrothermal synthesis Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012562 intraclass correlation Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 235000009566 rice Nutrition 0.000 description 1
- 238000000926 separation method Methods 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
- 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
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- General Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明适用于电力技术领域，提供了一种台区线损的分析方法、分析装置、终端及计算机可读存储介质，所述分析方法包括：获取台区的用电数据，并从所述用电数据中筛选出线损特征数据，基于所述线损特征数据形成数据集；对所述数据集进行聚类分析，将所述数据集划分为指定数量的线损特征数据组；基于各个线损特征数据组，对所述台区进行线损分析。本发明能够降低不相关或相关性较低的线损特征数据的影响。从而使最终得到的线损分析结果更加准确。
Description
技术领域
本发明属于电力技术领域，尤其涉及一种台区线损的分析方法、分析装置、终端及计算机可读存储介质。
背景技术
线损率是电力网络中损耗的电能占向电力网络供应电能的百分数，是反应电网规划设计、技术装备水平和经济运行水平的重要指标。台区线损率的高低集中体现公司管理和技术水平，对台区的线损情况进行分析具有重要意义。
然而，由于台区的建设和管理状况参差不齐、台区和终端用户数目庞大、台账管理不完备、线路分布复杂多样、用电采集系统采集的台区数据是多种多样的，并且数据量也非常大，因此，对用电采集系统采集的台区数据进行分析并获得台区线损情况在现有技术中是繁琐而困难的，所获得的分析结果往往不够准确。
发明内容
有鉴于此，本发明实施例提供了一种台区线损的分析方法、分析装置、终端及计算机可读存储介质，以解决现有技术中进行台区线损的分析结果不够准确的问题。
本发明实施例的第一方面提供了一种台区线损的分析方法，包括：
获取台区的用电数据，并从所述用电数据中筛选出线损特征数据，基于所述线损特征数据形成数据集；
对所述数据集进行聚类分析，将所述数据集划分为指定数量的线损特征数据组；
基于各个线损特征数据组，对所述台区进行线损分析。
本发明实施例的第二方面提供了一种台区线损的分析装置，包括：
数据集获取单元，用于获取台区的用电数据，并从所述用电数据中筛选出线损特征数据，基于所述线损特征数据形成数据集；
数据组划分单元，用于对所述数据集进行聚类分析，将所述数据集划分为指定数量的线损特征数据组；
线损分析单元，用于基于各个线损特征数据组，对所述台区进行线损分析。
本发明实施例的第三方面提供了一种终端，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如任一项所述台区线损的分析方法的步骤。
本发明实施例的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如任一项所述台区线损的分析方法的步骤。
本发明与现有技术相比存在的有益效果是：
本发明通过获取台区的用电数据，并从所述用电数据中筛选出线损特征数据，基于所述线损特征数据形成数据集；对所述数据集进行聚类分析，将所述数据集划分为指定数量的线损特征数据组；基于各个线损特征数据组，对所述台区进行线损分析；解决了现有技术中进行台区线损分析的分析结果不够准确的问题；也即，通过对获取的初始用电数据进行聚类分析，将其划分为多个线损特征数据组，每个线损特征数据组中的线损特征数据具有一定的相关性，可以降低不相关或相关性较低的线损特征数据的影响。从而使最终得到的线损分析结果更加准确。
附图说明
为了更清楚地说明本发明实施例中的技术方案，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地介绍，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是本发明实施例提供的台区线损的分析方法的实现流程图；
图2是本发明实施例提供的台区线损的分析装置的结构示意图；
图3是本发明实施例提供的终端的示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图通过具体实施例来进行说明。
参见图1，其示出了本发明实施例提供的台区线损的分析方法的实现流程图，详述如下：
在电力系统中，低压台区的线损率占据了较大比例，在本发明实施例中，以低压台区为例进行了线损分析，在没有特别说明的情况下，所述的台区通常指低压台区(380V)。
在步骤101中、获取台区的用电数据，并从所述用电数据中筛选出线损特征数据，基于所述线损特征数据形成数据集；
在本发明实施例中，通过获取台区的用户数据，并对用户数据中与线损相关的用电数据进行筛选，筛选出能够表现线损特征的线损特征数据，形成一个数据集合。
具体的，可以依托用电信息采集系统，以一定范围(市、县供电公司)的低压台区为研究对象，抽取统计周期内的台区日线损率及计量在线监测异常事件作为分析数据，构建原始数据矩阵。
可选的，所述线损特征数据可以包括：日均线损率、线损率变异系数和计量异常事件，所述计量异常事件包括三相不平衡事件和功率因数异常事件。
在本发明实施例中，台区日线损率受基础档案正确率、以及采集成功率和采集数据完整率影响较大，故需要进行甄别，并筛除异常数据。考虑到线损率的大小和波动情况能够较好的反映台区线损水平，故可以定义日均线损率和线损率变异系数这两个变量。
其中，台区的日均线损率可以由用电信息采集系统每天采集的供、售电量自动计算得出，用于反映线损率的平均水平；线损率变异系数用于反映台区线损率的离散情况，以消除日均线损率差异较大的影响。
另外，电能表的计量异常事件也会对线损产生较大的影响，在本发明实施例中，计量异常事件可以选取对线损影响显著的三相不平衡和功率因数异常两类。具体的，可以将这两类异常事件可以定义为离散变量，发生记为1，未发生记为0。
在步骤102中、对所述数据集进行聚类分析，将所述数据集划分为指定数量的线损特征数据组；
在本发明实施例中，可以采用模糊C均值聚类(FCM)算法对所述数据集进行聚类分析，将所述数据集划分为指定数量的线损特征数据组。
FCM是用隶属度确定每个数据点属于某个聚类的程度的一种聚类算法。具体的，可以把n个向量xi(1,2…,n)分为c个模糊组，并求每组的聚类中心，使得非相似性指标的价值函数达到最小。
在本发明实施例中，FCM采用模糊划分，使得每个给定数据点用值在0,1间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间的元素。不过，加上归一化规定，一个数据集的隶属度的和总等于1，也即，
在本发明实施例中，FCM的价值函数为：
其中，uij介于0和1之间；ci表示模糊组i的聚类中心，dij＝||ci-xj||为第i个聚类中心与第j个数据点间的欧氏距离，m∈[1,∞)是一个加权指数。
基于以上，可以构造如下新的目标函数，可求得使价值函数达到最小值的必要条件：
其中，j为1到n之间的整数，λj表示n个约束式的拉格朗日乘子，对所有输入参量求导，得到价值函数最小的必要条件为：
在该必要条件下，通过迭代计算，可以确定聚类中心ci和隶属矩阵U。根据确定的聚类中心ci和隶属矩阵U，可以将所述数据集划分为指定数量的线损特征数据组。
可选的，上述步骤102具体可以基于以下步骤实现：
步骤A1，确定所述数据集的隶属度矩阵；
步骤A2，基于所述隶属度矩阵，将所述数据集中的各个数据单元划分为c个模糊组，其中，所述c为大于1的整数，用于表示所述指定数量；
步骤A3，计算各模糊组的聚类中心矩阵；
步骤A4，基于所述隶属度矩阵以及所述聚类中心矩阵，计算价值函数；若所述价值函数小于指定值，则输出本次确定的隶属度矩阵以及本次计算得到的聚类中心矩阵；若所述价值函数不小于所述指定值，则跳转至步骤A1；
步骤A5，基于所述输出的隶属度矩阵以及聚类中心矩阵，确定所述线损特征数据组。
在本发明实施例中，用值在0,1间的随机数初始化隶属矩阵U，再计算c个聚类中心ci以及价值函数。当价值函数的值小于指定值，或它相对上次价值函数值的改变量小于某个阀值时，算法停止。
另外，上述算法也可以先初始化聚类中心，然后再执行迭代过程。由于不能确保FCM收敛于一个最优解。算法的性能依赖于初始聚类中心。因此，我们要么另外的快速算法确定初始聚类中心，要么每次用不同的初始聚类中心启动该算法，多次运行FCM。
可选的，上述步骤A3可以基于以下步骤实现：
步骤B，利用指定的距离调节因子对各数据单元的距离度量进行修正，根据修正后的各数据单元的距离度量计算各模糊组的聚类中心矩阵。
在本发明实施例中，基于这种相似性度量的聚类方法一般只适用于具有类似大小和密度的图形或球状聚类，对于其它类型的聚类精确度并不高。，鉴于此，本发明实施例采用基于簇密度的距离调节因子来修正距离度量。不同于其他方法，调节因子不仅使用迭代过程的中间结果同时考虑数据集的形状，通过调节因子动态调整距离度量函数直到目标函数达到最优。
可选的，由于FCM方法算法易受聚类数目、初始点影响且极易陷入局部最优。针对此问题，上述步骤B具体可以基于以下步骤实现：
步骤B1，将所述聚类中心矩阵的各聚类中心向量视为一个粒子，得到粒子群；
步骤B2，初始化所述粒子群的局部最优位置和全局最优位置；
步骤B3，根据初始化后的所述粒子群的局部最优位置和全局最优位置，计算各数据单元对应的数据向量至各粒子的距离，并根据最小距离原则进行聚类划分，确定新的聚类中心。
在本发明实施例中，采用量子粒子群优化聚类算法(QPSO)的随机搜索特性，以提高算法的全局优化能力。
粒子群优化算法(Particle Swarm Optimization)基于种群的进化收索技术，但是所有基本的和改进的PSO算法不能保证算法的全局收敛，从基本微粒群算法模型可以看出，微粒的飞行速度相当于收索步长，其大小直接影响算法的全局收敛性。
可选的，上述步骤A4可以基于以下步骤实现：
步骤A41，基于所述新的聚类中心对应的粒子位置，更新各粒子的适应度值；
步骤A42，基于更新的各粒子的适应度值，更新所述粒子群的局部最优位置和全局最优位置，直至计算出全局最优值。
在本发明实施例中，若以DELTA势阱为基础，认为粒子具有量子的行为，可以采用具有量子行为的粒子群算法QPSO(Quantum-behaved Particle Swarm Optimization)。QPSO收敛性能有了很大的改进。
在QPSO中，粒子主要迭代公式如下：
β＝(β1-β2)×(MAXITER-t)/MAXITER+β2
其中，β为收缩扩张系数，它是QPSO收敛的一个重要的参数，β1、β2分别为β的初始值和最终值；MAXITER为最大的迭代次数，t是当前的迭代次数。通常，当β大于1.7时不能使QPSO算法收敛，一般的β1和β2取1.2和0.7可以使该算法达到较好的收敛性。
可选的，上述步骤A42可以基于以下方式实现：
设全局最优值为mbest，根据以下全局最优计算公式计算所述全局最优值，所述全局最优计算公式为：
其中，M为粒子的数目，D为粒子的维数，Pi表示第i个粒子的局部最优位置，d为大于1小于D的整数，Pgd表示维数为d的粒子的全局最优位置，为随机数。
在本发明实施例中，一个粒子代表Nc个聚类中心向量。用向量Xi＝[mi1,mi2,…,mij,…,miNc]来表示每个粒子构造。其中mij表示聚类Cij中第i个粒子的第j个聚类中心，每个聚类中心采用d维实数编码，因此，一个群代表要聚类的数据集的多个候选聚类。而最终求得的X就表示聚类的最优中心。
在一种实现方式中，算法流程可以如下：
给定簇的数目C，随机初始化簇的中心矩阵V，并赋值给各个粒子。每个粒子中包含Nc个聚类中心向量。
初始化粒子群的局部最优位置和全局最优位置；For T＝1:MAXITER。
对于每一个粒子Vi，使用Euclidean度量标准计算特征向量Xk和粒子Vi中所包含的每一个中心向量的距离d(xk,vi)，按照最小距离原则对数据进行聚类划分，计算新的聚类中心，利用FCM准则函数值更新粒子的适应度值(此时m取为0)。
更新粒子的局部最优pbest和全局最优gbest，通过上述公式计算mbest。其中，在更新过程中，可以根据上述公式计算随机点并更新每个粒子的中心向量。
可选的，在一个实施例中，采用QPSO算法中的粒子群在解空间中的飞行搜索代替FCM的迭代过程寻找更好的全局最优值，将两种改进的算法结合起来将是更有意义的。基于新距离标准的QPSO并行优化改进的FCM聚类算法实现过程可以描述为：
步骤1，通过已给定的聚类类别K，设定粒子群规模N，最大迭代次数T，收缩扩张系数α等。
步骤2，初始化编码：先用FCM算法进行一次快速分类，返回的Nc个聚类中心向量作为种群中的一个初始粒子，设定种群中有N个粒子，则采用单次FCM算法反复进行N次，生成聚类算法的初始粒子优化群。粒子的个体最优位置pgest设置为粒子的初始位置，并计算粒子的适应度，将具有min JFCM的pgest定义为种群的初始全局最好位置gbest。
步骤3，在粒子更新前，先根据当前粒子所有的pgest计算mbest的位置。
步骤4，粒子的更新操作：粒子更新迭代过程中，QPSO聚类算法中引入单步FCM操作进行优化，计算隶属度U，修正所有的聚类中心，更新各个粒子的适应度，取代当前粒子的位置。
步骤5，对每个粒子，比较它的适应度和它经历过的最好位置的适应度Jpbest，如果更好，则更新该粒子的最好位置。
步骤6，重复步骤4～步骤7操作，如果当前的迭代次数达到预先设定的最大次数T，则停止迭代得出最佳聚类效果。
在发明实施例中，在具体实施时，可以依托Hadoop平台，实现量子优化粒子群的模糊C聚类模型的低压台区线损的分析。
基于Hadoop平台的量子优化粒子群的模糊C聚类算法实现主要分为两个阶段，一个是利用并行的Canopy算法对数据进行预处理，精确聚类奠定基础。另一个阶段是利用并行的K-means算法对同一Canopy内的数据进行聚类，得到稳定的簇类中心。
通过利用并行模糊C聚类算法对同一Canopy内的数据进行聚类，得到稳定的簇类中心，并行算法利用上一阶段的生成的簇中心向量列表，对数据对象集合进行划分，其主要的MapReduce编程模型包括了Map、Combine和Reduce三个阶段。
在步骤103中、基于各个线损特征数据组，对所述台区进行线损分析。
在本发明实施例中，通过对用电数据进行聚类分析，最终得到线损特征数据组，每个线损特征数据组聚集了同类相关的用电数据，能够较为明显的反映出台区内的负荷分配问题、计量装置故障或配电设备老化等问题。
由上可知，本发明通过获取台区的用电数据，并从所述用电数据中筛选出线损特征数据，基于所述线损特征数据形成数据集；对所述数据集进行聚类分析，将所述数据集划分为指定数量的线损特征数据组；基于各个线损特征数据组，对所述台区进行线损分析；解决了现有技术中进行台区线损分析的分析结果不够准确的问题；也即，通过对获取的初始用电数据进行聚类分析，将其划分为多个线损特征数据组，每个线损特征数据组中的线损特征数据具有一定的相关性，可以降低不相关或相关性较低的线损特征数据的影响。从而使最终得到的线损分析结果更加准确。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
以下为本发明的装置实施例，对于其中未详尽描述的细节，可以参考上述对应的方法实施例。
图2示出了本发明实施例提供的台区线损的分析装置的结构示意图，为了便于说明，仅示出了与本发明实施例相关的部分，详述如下：
如图2所示，台区线损的分析装置2包括：数据集获取单元21，数据组划分单元22和线损分析单元23；
数据集获取单元21，用于获取台区的用电数据，并从所述用电数据中筛选出线损特征数据，基于所述线损特征数据形成数据集；
数据组划分单元22，用于对所述数据集进行聚类分析，将所述数据集划分为指定数量的线损特征数据组；
线损分析单元23，用于基于各个线损特征数据组，对所述台区进行线损分析。
可选的，所述线损特征数据包括：日均线损率、线损率变异系数和计量异常事件，所述计量异常事件包括三相不平衡事件和功率因数异常事件。
可选的，台区线损的分析装置2还包括：
隶属度矩阵确定单元，用于确定所述数据集的隶属度矩阵；
模糊组划分单元，用于基于所述隶属度矩阵，将所述数据集中的各个数据单元划分为c个模糊组，其中，所述c为大于1的整数，用于表示所述指定数量；
聚类中心计算单元，用于计算各模糊组的聚类中心矩阵；
迭代输出单元，用于基于所述隶属度矩阵以及所述聚类中心矩阵，计算价值函数；若所述价值函数小于指定值，则输出本次确定的隶属度矩阵以及本次计算得到的聚类中心矩阵；若所述价值函数不小于所述指定值，则跳转至所述确定所述数据集的隶属度矩阵的步骤；
数据组划分单元22具体用于，基于所述输出的隶属度矩阵以及聚类中心矩阵，确定所述线损特征数据组。
可选的，聚类中心计算单元具体用于，利用指定的距离调节因子对各数据单元的距离度量进行修正，根据修正后的各数据单元的距离度量计算各模糊组的聚类中心矩阵。
可选的，台区线损的分析装置2还包括：
初始化单元，用于将所述聚类中心矩阵的各聚类中心向量视为一个粒子，得到粒子群；并初始化所述粒子群的局部最优位置和全局最优位置；
聚类中心计算单元具体还用于，根据初始化后的所述粒子群的局部最优位置和全局最优位置，计算各数据单元对应的数据向量至各粒子的距离，并根据最小距离原则进行聚类划分，确定新的聚类中心。
可选的，台区线损的分析装置2还包括：
适应度值更新单元，用于基于所述新的聚类中心对应的粒子位置，更新各粒子的适应度值；
所述迭代输出单元还用于，基于更新的各粒子的适应度值，更新所述粒子群的局部最优位置和全局最优位置，直至计算出全局最优值。
可选的，所述迭代输出单元具体用于，设全局最优值为mbest，根据以下全局最优计算公式计算所述全局最优值，所述全局最优计算公式为：
其中，M为粒子的数目，D为粒子的维数，Pi表示第i个粒子的局部最优位置，d为大于1小于D的整数，Pgd表示维数为d的粒子的全局最优位置，为随机数。
由上可知，本发明通过获取台区的用电数据，并从所述用电数据中筛选出线损特征数据，基于所述线损特征数据形成数据集；对所述数据集进行聚类分析，将所述数据集划分为指定数量的线损特征数据组；基于各个线损特征数据组，对所述台区进行线损分析；解决了现有技术中进行台区线损分析的分析结果不够准确的问题；也即，通过对获取的初始用电数据进行聚类分析，将其划分为多个线损特征数据组，每个线损特征数据组中的线损特征数据具有一定的相关性，可以降低不相关或相关性较低的线损特征数据的影响。从而使最终得到的线损分析结果更加准确。
图3是本发明一实施例提供的终端的示意图。如图3所示，该实施例的终端3包括：处理器30、存储器31以及存储在所述存储器31中并可在所述处理器30上运行的计算机程序32。所述处理器30执行所述计算机程序32时实现上述各个台区线损的分析方法实施例中的步骤，例如图1所示的步骤101至步骤103。或者，所述处理器30执行所述计算机程序32时实现上述各装置实施例中各模块/单元的功能，例如图2所示单元21至23的功能。
示例性的，所述计算机程序32可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器31中，并由所述处理器30执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序32在所述终端3中的执行过程。例如，所述计算机程序32可以被分割成数据集获取单元，数据组划分单元和线损分析单元，各单元具体功能如下：
数据集获取单元，用于获取台区的用电数据，并从所述用电数据中筛选出线损特征数据，基于所述线损特征数据形成数据集；
数据组划分单元，用于对所述数据集进行聚类分析，将所述数据集划分为指定数量的线损特征数据组；
线损分析单元，用于基于各个线损特征数据组，对所述台区进行线损分析。
所述终端3可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端可包括，但不仅限于，处理器30、存储器31。本领域技术人员可以理解，图3仅仅是终端3的示例，并不构成对终端3的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端还可以包括输入输出设备、网络接入设备、总线等。
所称处理器30可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器31可以是所述终端3的内部存储单元，例如终端3的硬盘或内存。所述存储器31也可以是所述终端3的外部存储设备，例如所述终端3上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器31还可以既包括所述终端3的内部存储单元也包括外部存储设备。所述存储器31用于存储所述计算机程序以及所述终端所需的其他程序和数据。所述存储器31还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中，应该理解到，所揭露的装置/终端和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端实施例仅仅是示意性的，例如，所述模块或单元的划分，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。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
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单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括是电载波信号和电信信号。
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。
Claims (10)
1.一种台区线损的分析方法，其特征在于，包括：
获取台区的用电数据，并从所述用电数据中筛选出线损特征数据，基于所述线损特征数据形成数据集；
对所述数据集进行聚类分析，将所述数据集划分为指定数量的线损特征数据组；
基于各个线损特征数据组，对所述台区进行线损分析。
2.根据权利要求1所述的台区线损的分析方法，其特征在于，所述线损特征数据包括：日均线损率、线损率变异系数和计量异常事件，所述计量异常事件包括三相不平衡事件和功率因数异常事件。
3.根据权利要求1或2所述的台区线损的分析方法，其特征在于，所述对所述数据集进行聚类分析，将所述数据集划分为指定数量的线损特征数据组，包括：
确定所述数据集的隶属度矩阵；
基于所述隶属度矩阵，将所述数据集中的各个数据单元划分为c个模糊组，其中，所述c为大于1的整数，用于表示所述指定数量；
计算各模糊组的聚类中心矩阵；
基于所述隶属度矩阵以及所述聚类中心矩阵，计算价值函数；若所述价值函数小于指定值，则输出本次确定的隶属度矩阵以及本次计算得到的聚类中心矩阵；若所述价值函数不小于所述指定值，则跳转至所述确定所述数据集的隶属度矩阵的步骤；
基于所述输出的隶属度矩阵以及聚类中心矩阵，确定所述线损特征数据组。
4.根据权利要求3所述的台区线损的分析方法，其特征在于，所述计算各模糊组的聚类中心矩阵包括：
利用指定的距离调节因子对各数据单元的距离度量进行修正，根据修正后的各数据单元的距离度量计算各模糊组的聚类中心矩阵。
5.根据权利要求4所述的台区线损的分析方法，其特征在于，所述根据修正后的各数据单元的距离度量计算各模糊组的聚类中心矩阵，包括：
将所述聚类中心矩阵的各聚类中心向量视为一个粒子，得到粒子群；
初始化所述粒子群的局部最优位置和全局最优位置；
根据初始化后的所述粒子群的局部最优位置和全局最优位置，计算各数据单元对应的数据向量至各粒子的距离，并根据最小距离原则进行聚类划分，确定新的聚类中心。
6.根据权利要求5所述的台区线损的分析方法，其特征在于，所述基于所述隶属度矩阵以及所述聚类中心矩阵，计算价值函数；若所述价值函数小于指定值，则输出本次确定的隶属度矩阵以及本次计算得到的聚类中心矩阵；若所述价值函数不小于所述指定值，则跳转至所述确定所述数据集的隶属度矩阵的步骤，包括：
基于所述新的聚类中心对应的粒子位置，更新各粒子的适应度值；
基于更新的各粒子的适应度值，更新所述粒子群的局部最优位置和全局最优位置，直至计算出全局最优值。
7.根据权利要求6所述的台区线损的分析方法，其特征在于，所述基于更新的各粒子的适应度值，更新所述粒子群的局部最优位置和全局最优位置，直至计算出全局最优值，包括：
设全局最优值为mbest，根据以下全局最优计算公式计算所述全局最优值，所述全局最优计算公式为：
其中，M为粒子的数目，D为粒子的维数，Pi表示第i个粒子的局部最优位置，d为大于1小于D的整数，Pgd表示维数为d的粒子的全局最优位置，为随机数。
8.一种台区线损的分析装置，其特征在于，包括：
数据集获取单元，用于获取台区的用电数据，并从所述用电数据中筛选出线损特征数据，基于所述线损特征数据形成数据集；
数据组划分单元，用于对所述数据集进行聚类分析，将所述数据集划分为指定数量的线损特征数据组；
线损分析单元，用于基于各个线损特征数据组，对所述台区进行线损分析。
9.一种终端，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述台区线损的分析方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述台区线损的分析方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811455650.XA CN109544029A (zh) | 2018-11-30 | 2018-11-30 | 一种台区线损的分析方法、分析装置及终端 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811455650.XA CN109544029A (zh) | 2018-11-30 | 2018-11-30 | 一种台区线损的分析方法、分析装置及终端 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109544029A true CN109544029A (zh) | 2019-03-29 |
Family
ID=65852077
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811455650.XA Pending CN109544029A (zh) | 2018-11-30 | 2018-11-30 | 一种台区线损的分析方法、分析装置及终端 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109544029A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111476303A (zh) * | 2020-04-09 | 2020-07-31 | 国网河北省电力有限公司电力科学研究院 | 基于量子优化粒子群的模糊c均值聚类的线损分析方法 |
| CN111722174A (zh) * | 2020-05-31 | 2020-09-29 | 宁夏隆基宁光仪表股份有限公司 | 一种应用量子粒子群算法实现电能表异常诊断系统及方法 |
| CN113391256A (zh) * | 2021-05-28 | 2021-09-14 | 国网河北省电力有限公司营销服务中心 | 一种现场作业终端的电能表计量故障分析方法及系统 |
| CN113920303A (zh) * | 2021-09-13 | 2022-01-11 | 哈尔滨工业大学 | 一种基于卷积神经网络弱监督类别无关的图像相似性检索系统及其控制方法 |
| CN115689074A (zh) * | 2023-01-05 | 2023-02-03 | 北京飞利信信息安全技术有限公司 | 一种台区电网建设规划方法、装置、电子设备及存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102831474A (zh) * | 2012-08-06 | 2012-12-19 | 江南大学 | 基于量子粒子群优化改进的模糊c-均值聚类方法 |
| CN104809658A (zh) * | 2015-04-14 | 2015-07-29 | 华南理工大学 | 一种低压配网台区线损的快速分析方法 |
| CN105069527A (zh) * | 2015-07-31 | 2015-11-18 | 国家电网公司 | 一种基于数据挖掘技术的台区合理线损预测方法 |
| CN106372747A (zh) * | 2016-08-27 | 2017-02-01 | 天津大学 | 基于随机森林的台区合理线损率估计方法 |
-
2018
- 2018-11-30 CN CN201811455650.XA patent/CN109544029A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102831474A (zh) * | 2012-08-06 | 2012-12-19 | 江南大学 | 基于量子粒子群优化改进的模糊c-均值聚类方法 |
| CN104809658A (zh) * | 2015-04-14 | 2015-07-29 | 华南理工大学 | 一种低压配网台区线损的快速分析方法 |
| CN105069527A (zh) * | 2015-07-31 | 2015-11-18 | 国家电网公司 | 一种基于数据挖掘技术的台区合理线损预测方法 |
| CN106372747A (zh) * | 2016-08-27 | 2017-02-01 | 天津大学 | 基于随机森林的台区合理线损率估计方法 |
Non-Patent Citations (1)
| Title |
|---|
| 张洋瑞 等: "《基于聚类算法的低压台区线损分析方法研究》", 《河北电力技术》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111476303A (zh) * | 2020-04-09 | 2020-07-31 | 国网河北省电力有限公司电力科学研究院 | 基于量子优化粒子群的模糊c均值聚类的线损分析方法 |
| CN111722174A (zh) * | 2020-05-31 | 2020-09-29 | 宁夏隆基宁光仪表股份有限公司 | 一种应用量子粒子群算法实现电能表异常诊断系统及方法 |
| CN113391256A (zh) * | 2021-05-28 | 2021-09-14 | 国网河北省电力有限公司营销服务中心 | 一种现场作业终端的电能表计量故障分析方法及系统 |
| CN113920303A (zh) * | 2021-09-13 | 2022-01-11 | 哈尔滨工业大学 | 一种基于卷积神经网络弱监督类别无关的图像相似性检索系统及其控制方法 |
| CN115689074A (zh) * | 2023-01-05 | 2023-02-03 | 北京飞利信信息安全技术有限公司 | 一种台区电网建设规划方法、装置、电子设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109544029A (zh) | 一种台区线损的分析方法、分析装置及终端 | |
| Chicco et al. | Comparisons among clustering techniques for electricity customer classification | |
| Chicco et al. | Emergent electricity customer classification | |
| CN109871860A (zh) | 一种基于核主成分分析的日负荷曲线降维聚类方法 | |
| CN108345908A (zh) | 电网数据的分类方法、分类设备及存储介质 | |
| CN108959187A (zh) | 一种变量分箱方法、装置、终端设备及存储介质 | |
| CN108805213B (zh) | 计及小波熵降维的电力负荷曲线双层谱聚类方法 | |
| CN109657884A (zh) | 电网供电优化方法、装置、设备和计算机可读存储介质 | |
| CN107527071A (zh) | 一种基于花朵授粉算法优化模糊k近邻的分类方法及装置 | |
| CN113837311B (zh) | 一种基于需求响应数据的居民客户聚类方法及装置 | |
| CN112149873A (zh) | 一种基于深度学习的低压台区线损合理区间预测方法 | |
| CN113361785A (zh) | 配电网短期负荷预测方法、装置、终端及存储介质 | |
| CN114897451B (zh) | 考虑需求响应用户关键特征的双层聚类修正方法及装置 | |
| CN111639793A (zh) | 一种锅炉群组调度优化方法及装置 | |
| CN113159106A (zh) | 一种基于形态趋势特征的负荷曲线聚类方法、介质及设备 | |
| CN112330077A (zh) | 电力负荷预测方法、装置、计算机设备和存储介质 | |
| Bidoki et al. | Comparison of several clustering methods in the case of electrical load curves classification | |
| CN116187835A (zh) | 一种基于数据驱动的台区理论线损区间估算方法及系统 | |
| Lu et al. | Adaptive weighted fuzzy clustering algorithm for load profiling of smart grid customers | |
| CN113688960A (zh) | 基于灰狼优化ghfcm的居民电力数据聚类方法及装置 | |
| CN109858667A (zh) | 一种基于雷电气候对负荷影响的短期负荷聚类方法 | |
| CN107274025B (zh) | 一种实现用电模式智能识别与管理的系统和方法 | |
| Jianyuan et al. | Anomaly electricity detection method based on entropy weight method and isolated forest algorithm | |
| CN116365519B (zh) | 一种电力负荷预测方法、系统、存储介质及设备 | |
| CN117034046A (zh) | 一种基于isodata聚类的柔性负荷可调潜力评估方法 |
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 | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20210927 Address after: 050021 No. 238 South Sports street, Hebei, Shijiazhuang Applicant after: STATE GRID HEBEI ELECTRIC POWER Research Institute Applicant after: Marketing service center of State Grid Hebei Electric Power Co.,Ltd. Applicant after: STATE GRID CORPORATION OF CHINA Applicant after: STATE GRID HEBEI ENERGY TECHNOLOGY SERVICE Co.,Ltd. Address before: 050011 no.238, TIYU South Street, Yuhua District, Shijiazhuang City, Hebei Province Applicant before: STATE GRID HEBEI ELECTRIC POWER Research Institute Applicant before: STATE GRID CORPORATION OF CHINA Applicant before: STATE GRID HEBEI ENERGY TECHNOLOGY SERVICE Co.,Ltd. |
|
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190329 |