CN110555623A - 一种配电设备日运行效率的主要影响因素筛选方法及装置 - Google Patents

一种配电设备日运行效率的主要影响因素筛选方法及装置 Download PDF

Info

Publication number
CN110555623A
CN110555623A CN201910852527.XA CN201910852527A CN110555623A CN 110555623 A CN110555623 A CN 110555623A CN 201910852527 A CN201910852527 A CN 201910852527A CN 110555623 A CN110555623 A CN 110555623A
Authority
CN
China
Prior art keywords
operating efficiency
influence
power distribution
distribution equipment
item set
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
Application number
CN201910852527.XA
Other languages
English (en)
Other versions
CN110555623B (zh
Inventor
白浩
于力
梁朔
袁智勇
姜臻
史训涛
张斌
黄彦璐
徐全
郭志诚
陈光侵
陈柔伊
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.)
China South Power Grid International Co ltd
China Southern Power Grid Co Ltd
Original Assignee
China South Power Grid International Co ltd
China Southern Power Grid Co Ltd
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 China South Power Grid International Co ltd, China Southern Power Grid Co Ltd filed Critical China South Power Grid International Co ltd
Priority to CN201910852527.XA priority Critical patent/CN110555623B/zh
Publication of CN110555623A publication Critical patent/CN110555623A/zh
Application granted granted Critical
Publication of CN110555623B publication Critical patent/CN110555623B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • 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
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
    • Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
    • 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
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Educational Administration (AREA)
  • General Business, Economics & Management (AREA)
  • Water Supply & Treatment (AREA)
  • Artificial Intelligence (AREA)
  • Public Health (AREA)
  • Game Theory and Decision Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Probability & Statistics with Applications (AREA)
  • Operations Research (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Quality & Reliability (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Supply And Distribution Of Alternating Current (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种配电设备日运行效率的主要影响因素筛选方法及装置，通过确定对配电设备日运行效率的影响参数；获得配电设备的日运行效率在预设时间段内采集的多个值和各影响参数分别在预设时间段内采集的多个值；对日运行效率的多个值进行聚类，获得多个日运行效率项集；对任一影响参数：将该影响参数的多个值进行聚类，获得该影响参数的多个影响参数项集；使用关联规则算法，确定日运行效率项集和影响参数项集的关联程度，根据关联程度从各影响参数中筛选主要影响参数。由此，筛选出配电设备日运行效率的主要影响因素。

Description

一种配电设备日运行效率的主要影响因素筛选方法及装置
技术领域
本发明涉及城网评估管理领域，特别涉及一种配电设备日运行效率的主要影响因素筛选方法及装置。
背景技术
进入二十一世纪后，我国的电力工业发展势头空前高涨，电网的发展取得了长足的进步与成就。其中配电网是直接面向电力用户的重要环节，经过长期投资与建设，配电网的网架结构和装置设备得到快速发展。由于负荷的快速增长和建设规划规划不足，导致部分线路和变压器空载或者重载情况严重，配电网运行效率存在不合理的情况。在电网提质增效背景下，需根据配电网设备运行效率的主要影响因素进行针对性改造或者升级，提高设备全生命周期内的经济价值。
对运行效率影响因素的识别是一步重要的工作，传统实用的方法有鱼骨图法，利用该方法可以找出与运行效率的影响因素，但是该方法过于复杂，并且只能定性分析，实用性较差。
发明内容
有鉴于此，本发明提供一种配电设备日运行效率的主要影响因素筛选方法及装置。该方法简单且能定量的对日运行效率主要影响因素进行筛选，实用性强。
为了实现上述发明目的，本发明提供以下技术方案：
本发明第一方面公开了一种配电设备日运行效率的主要影响因素筛选方法，包括：
确定对配电设备日运行效率的影响参数；
获得所述配电设备的日运行效率在预设时间段内采集的多个值和各所述影响参数分别在所述预设时间段内采集的多个值；
对所述日运行效率的多个值进行聚类，获得多个日运行效率项集；
对任一所述影响参数：将该影响参数的多个值进行聚类，获得该影响参数的多个影响参数项集；
使用关联规则算法，确定所述日运行效率项集和所述影响参数项集的关联程度，根据关联程度从各影响参数中筛选主要影响参数。
可选的，所述确定对配电设备日运行效率的影响参数，包括：
将设备影响方面的多项参数、结构影响方面的多项参数、运行影响方面的多项参数以及将环境影响的多项参数中的至少一项参数确定为对配电设备日运行效率的影响参数。
可选的，所述获得所述配电设备的日运行效率在预设时间段内采集的多个值，包括：
获得在所述预设时间段内的所述配电设备实际负载率，根据所述配电设备实际负载率的值、预设的合理负载率以及惩罚因子，确定所述配电设备日运行效率的多个值。
可选的，根据所述配电设备实际负载率、预设的合理负载率以及惩罚因子，确定所述配电设备日运行效率的多个值，包括：
根据公式
计算得到所述配电设备日运行效率的多个值，其中，OE为配电设备瞬时运行效率；AL为配电设备的实际负载率；RL为配电设备合理负载率；k为惩罚因子，N>1；OEd为配电设备的日运行效率。
可选的，所述使用关联规则算法，确定所述日运行效率项集和所述影响参数项集的关联程度，根据关联程度从各影响参数中筛选主要影响参数，包括：
对每一个所述日运行效率项集：将该日运行效率项集分别与多个项集组对比，确定该日运行效率项集与对比的项集组中包含的时刻相同的元素组的数量，其中，所述项集组包括所述影响参数项集中的至少一个项集，所述时刻相同的元素组由该日运行效率项集中的一个元素和对比的项集组中各项集中的一个元素组成；所述时刻相同的元素组中各元素的采集时刻相同；
当所述数量大于预设最小支持度时，将与该日运行效率项集对比的项集组中各项集对应的影响参数确定为主要影响参数。
本发明第二方面公开了一种配电设备日运行效率的主要影响因素筛选装置，所述装置，包括：确定单元、采集单元、日运行效率聚类单元、影响参数聚类单元以及筛选单元，
所述确定单元，用于确定对配电设备日运行效率的影响参数；
所述采集单元，用于获得所述配电设备的日运行效率在预设时间段内采集的多个值和各所述影响参数分别在所述预设时间段内采集的多个值；
所述日运行效率聚类单元，用于对所述日运行效率的多个值进行聚类，获得多个日运行效率项集；
所述影响参数聚类单元，用于对任一所述影响参数：将该影响参数的多个值进行聚类，获得该影响参数的多个影响参数项集；
所述筛选单元，用于使用关联规则算法，确定所述日运行效率项集和所述影响参数项集的关联程度，根据关联程度从各影响参数中筛选主要影响参数。
可选的，所述确定单元，具体用于：
将设备影响方面的多项参数、结构影响方面的多项参数、运行影响方面的多项参数以及将环境影响的多项参数中的至少一项参数确定为对配电设备日运行效率的影响参数。
可选的，所述采集单元，具体用于：
获得在所述预设时间段内的所述配电设备实际负载率，根据所述配电设备实际负载率的值、预设的合理负载率以及惩罚因子，确定所述配电设备日运行效率的多个值。
可选的，所述采集单元，具体用于：
获得在所述预设时间段内的所述配电设备实际负载率，根据公式
计算得到所述配电设备日运行效率的多个值，其中，OE为配电设备瞬时运行效率；AL为配电设备的实际负载率；RL为配电设备合理负载率；k为惩罚因子，N>1；OEd为配电设备的日运行效率。
可选的，所述筛选单元，包括：数量确定子单元和参数确定子单元，
所述数量确定子单元，用于：对每一个所述日运行效率项集：将该日运行效率项集分别与多个项集组对比，确定该日运行效率项集与对比的项集组中包含的时刻相同的元素组的数量，其中，所述项集组包括所述影响参数项集中的至少一个项集，所述时刻相同的元素组由该日运行效率项集中的一个元素和对比的项集组中各项集中的一个元素组成；所述时刻相同的元素组中各元素的采集时刻相同；
所述参数确定子单元，用于：当所述数量大于预设最小支持度时，将与该日运行效率项集对比的项集组中各项集对应的影响参数确定为主要影响参数。
本发明公开的一种配电设备日运行效率的主要影响因素筛选方法及装置，通过确定对配电设备日运行效率的影响参数；获得配电设备的日运行效率在预设时间段内采集的多个值和各影响参数分别在预设时间段内采集的多个值；对日运行效率的多个值进行聚类，获得多个日运行效率项集；对任一影响参数：将该影响参数的多个值进行聚类，获得该影响参数的多个影响参数项集；使用关联规则算法，确定日运行效率项集和影响参数项集的关联程度，根据关联程度从各影响参数中筛选主要影响参数。由此，筛选出配电设备日运行效率的主要影响因素。针对性的调整主要影响因素提高设备运行水平有一定的指导意义。
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地介绍。
图1为本发明实施例提供的一种配电设备日运行效率的主要影响因素筛选方法的流程示意图；
图2为本发明实施例提供的日运行效率的影响因素的示意图；
图3为本发明实施例提供的一种配电设备日运行效率的主要影响因素筛选装置的结构示意图。
具体实施方式
本发明公开了一种配电设备日运行效率的主要影响因素筛选方法及装置，本领域技术人员可以借鉴本文内容，适当改进工艺参数实现。特别需要指出的是，所有类似的替换和改动对本领域技术人员来说是显而易见的，它们都被视为包括在本发明。本发明的方法及应用已经通过较佳实施例进行了描述，相关人员明显能在不脱离本发明内容、精神和范围内对本文的方法和应用进行改动或适当变更与组合，来实现和应用本发明技术。
现有的关于配电网运行效率的评估指标，往往会局限于某一方面；例如传统的负载率，未能充分考虑电网的安全性和可靠性，而仅仅考虑了经济性。综合指标方法，指标权重往往有专家决定，一定程度上显得人工干预过多，有失客观性。对运行效率影响因素的识别也是一步重要的工作。传统实用的方法有鱼骨图法，利用该方法可以逻辑清晰，有条理又全面的找出与运行效率的影响因素，但是该方法过于复杂，并且只能定性分析，实用性较差。因此，本发明提供了一种配电设备日运行效率的主要影响因素筛选方法及装置充分考虑配电系统的安全性、可靠性、经济性，采用一种新的运行效率评价指标，并采用数据挖掘的方法，利用Apriori1算法(关联规则算法)分析影响因素和运行效率之间的关系。根据最后得到的频繁项集分析出其中几个最重要的影响因素。
如图1所示，本发明实施例提供的一种配电设备日运行效率的主要影响因素筛选方法的流程示意图，该方法包括：
步骤S101：确定对配电设备日运行效率的影响参数。
可选的，在一具体实施例中，将设备影响方面的多项参数、结构影响方面的多项参数、运行影响方面的多项参数以及将环境影响的多项参数中的至少一项参数确定为对配电设备日运行效率的影响参数。
需要说明的是，从设备、运行、结构和环境去确定影响参数是按照层次分析法的递阶层次结构进行的。同时可以更加直观的体现出影响参数所属的层面以及调整的难易程度。
可选的，如图2所示，设备影响方面的多项参数，包括：设备质量、前一天是否检修、设备额定容量等。结构影响方面的多项参数，包括：网架结构、装备技术水平、安全限值系数等。运行影响方面的多项参数，包括：负荷率、峰谷差率、平均负载率、最大负载率、轻载时间占比、超限时间占比等。环境影响方面包括：温度、湿度、风力、气压等。图2中的影响参数为各方面的部分参数，并非全部。
步骤S102：获得配电设备的日运行效率在预设时间段内采集的多个值和各影响参数分别在预设时间段内采集的多个值。
可选的，上述获得配电设备的日运行效率在预设时间段内采集的多个值，包括：
获得在预设时间段内的配电设备实际负载率，根据配电设备实际负载率的值、预设的合理负载率以及惩罚因子，确定配电设备日运行效率的多个值。
可选的，本发明可以根据公式
计算得到配电设备日运行效率的多个值，其中，OE为配电设备瞬时运行效率；AL为配电设备的实际负载率；RL为配电设备合理负载率；k为惩罚因子，N>1；OEd为配电设备的日运行效率。
需要说明的是，当负载率超出合理值时，往往会带来安全风险，因此当负载率超出合理值时会给出更高的惩罚因子。
步骤S103：对日运行效率的多个值进行聚类，获得多个日运行效率项集。
需要说明的是，对日运行效率的多个值进行聚类，可以将运行效率相近的值集合到一起，形成同一类的项集。
可选的，在一具体实施例中，将日运行效率分为高、中、低三类，即日运行效率高项集、日运行效率中项集及日运行效率低项集。
步骤S104：对任一影响参数：将该影响参数的多个值进行聚类，获得该影响参数的多个影响参数项集。
可选的，在一具体实施例中，可以将某个影响参数分为高、中、低三类，如将温度分为高、中、低三类，即温度高项集，温度中项集及温度低项集。
可选的，步骤S103和步骤S104，所使用的聚类算法均为k-means聚类算法。即首先给出至少一个聚类中心，分别计算各个对象与中心之间的距离。之后将每个对象都分给与之距离最近的聚类中心。每一次聚类后聚类中心将被重新计算。经过一次次迭代后，得到误差平方和最小，此时聚类中心不变，聚类完成。
可选的，若给出聚类中心为为三个，则聚类目标函数如下：
式中：xi为数据集合中的第i个数据；n为数据集合中数据的个数；k1、k2、k3分别是聚类分析中的三个聚类中心。通过一次次的迭代计算，最终得到k1、k2、k3的值，并成功将数据分为三类。
步骤S105：使用关联规则算法，确定日运行效率项集和影响参数项集的关联程度，根据关联程度从各影响参数中筛选主要影响参数。
可选的，在一具体实施例中，上述使用关联规则算法，确定日运行效率项集和影响参数项集的关联程度，根据关联程度从各影响参数中筛选主要影响参数，包括：
对每一个日运行效率项集：将该日运行效率项集分别与多个项集组对比，确定该日运行效率项集与对比的项集组中包含的时刻相同的元素组的数量，其中，项集组包括影响参数项集中的至少一个项集，时刻相同的元素组由该日运行效率项集中的一个元素和对比的项集组中各项集中的一个元素组成；时刻相同的元素组中各元素的采集时刻相同；
当数量大于预设最小支持度时，将与该日运行效率项集对比的项集组中各项集对应的影响参数确定为主要影响参数。
需要说明的是，日运行效率项集与对比的项集组中包含的时刻相同的元素组的数量多少，是该日运行效率项集和该影响参数项集的关联程度。时刻相同的元素组的数量越多，关联程度越大。最后筛选出的主要影响参数为：某个参数采集的多个值的聚类后的项集，即参数的取值范围，如参数为温度，参数项集为20℃到30℃。最小支持度是由用户定义衡量支持度的一个阈值，表示项目集统计意义上的最低重要性，记作minsup。最小支持度可以保证每个日运行效率项集所对应的主要影响参数项集的准确度。
可选的，在一具体实施例中，假设聚类后的日运行效率分为日运行效率高项集、日运行效率中项集及日运行效率低项集，影响因素确定为温度，风压。将温度分为温度高项集、温度中项集及温度低项集。将风压分为风压大项集，风压中项集及风压小项集。假设日运行效率高中有10个采集的日运行效率元素，最小支持度为5，用日运行效率高中的日运行效率元素采集时间对比温度高中的元素采集时间，把采集时间相同的分为一个元素组，如{80％(运行效率)，38℃(温度)}，运行效率80％和38℃是在同一时刻下采集的，且分别在日运行效率高项集中和温度高项集中。如果像这样的元素组个数若大于最小支持度5，则温度高是日运行效率高的主要影响因素。用日运行效率高中的日运行效率元素采集时间对比温度高中的元素采集时间和风压大中的元素采集时间，把采集时间相同的分为一个元素组，形成{日运行效率，温度，风压}元素组，和上述同理，当符合条件的元素组大于最小支持度时，温度高，风压大都是日运行效率高的主要影响因素。同理，对比更多的影响参数项集也是这样筛选出主要影响因素。
需要说明的是，上述得到的主要影响因素不分主次。
基于上述发明实施例公开的配电设备日运行效率的主要影响因素筛选方法，本发明实施例还公开了一种配电设备日运行效率的主要影响因素筛选装置。如图3所示，该装置包括：确定单元301、采集单元302、日运行效率聚类单元303、影响参数聚类单元304以及筛选单元305。
确定单元301，用于确定对配电设备日运行效率的影响参数。
可选的，确定单元301，具体用于：
将设备影响方面的多项参数、结构影响方面的多项参数、运行影响方面的多项参数以及将环境影响的多项参数中的至少一项参数确定为对配电设备日运行效率的影响参数。
需要说明的是，从设备、运行、结构和环境去确定影响参数是按照层次分析法的递阶层次结构进行的。同时可以更加直观的体现出影响参数所属的层面以及调整的难易程度。
可选的，如图2所示，设备影响方面的多项参数，包括：设备质量、前一天是否检修、设备额定容量等。结构影响方面的多项参数，包括：网架结构、装备技术水平、安全限值系数等。运行影响方面的多项参数，包括：负荷率、峰谷差率、平均负载率、最大负载率、轻载时间占比、超限时间占比等。环境影响方面包括：温度、湿度、风力、气压等。图2说明包括各方面的部分参数，并非全部。
采集单元302，用于获得配电设备的日运行效率在预设时间段内采集的多个值和各影响参数分别在预设时间段内采集的多个值。
可选的，采集单元302，具体用于：
获得在预设时间段内的配电设备实际负载率，根据配电设备实际负载率的值、预设的合理负载率以及惩罚因子，确定配电设备日运行效率的多个值。
可选的，采集单元302，具体用于：
获得在预设时间段内的配电设备实际负载率，根据公式
计算得到配电设备日运行效率的多个值，其中，OE为配电设备瞬时运行效率；AL为配电设备的实际负载率；RL为配电设备合理负载率；k为惩罚因子，N>1；OEd为配电设备的日运行效率。
需要说明的是，当负载率超出合理值时，往往会带来安全风险，因此当负载率超出合理值时会给出更高的惩罚因子。
日运行效率聚类单元303，用于对日运行效率的多个值进行聚类，获得多个日运行效率项集。
需要说明的是，对日运行效率的多个值进行聚类，可以将运行效率相近的值集合到一起，形成同一类的项集。
可选的，在一具体实施例中，将日运行效率分为高、中、低三类，即日运行效率高项集、日运行效率中项集及日运行效率低项集。
影响参数聚类单元304，用于对任一影响参数：将该影响参数的多个值进行聚类，获得该影响参数的多个影响参数项集。
可选的，在一具体实施例中，可以将某个影响参数分为高、中、低三类，如将温度分为高、中、低三类，即温度高项集，温度中项集及温度低项集。
可选的，日运行效率聚类单元303和响参数聚类单元304，所采用的聚类算法均为k-means聚类算法。即首先给出至少一个聚类中心，分别计算各个对象与中心之间的距离。之后将每个对象都分给与之距离最近的聚类中心。每一次聚类后聚类中心将被重新计算。经过一次次迭代后，得到误差平方和最小，此时聚类中心不变，聚类完成。
可选的，若给出聚类中心为为三个，则聚类目标函数如下：
式中：xi为数据集合中的第i个数据；n为数据集合中数据的个数；k1、k2、k3分别是聚类分析中的三个聚类中心。通过一次次的迭代计算，最终得到k1、k2、k3的值，并成功将数据分为三类。
筛选单元305，用于使用关联规则算法，确定日运行效率项集和影响参数项集的关联程度，根据关联程度从各影响参数中筛选主要影响参数。
可选的，筛选单元305，包括：数量确定子单元和参数确定子单元，
数量确定子单元，用于：对每一个日运行效率项集：将该日运行效率项集分别与多个项集组对比，确定该日运行效率项集与对比的项集组中包含的时刻相同的元素组的数量，其中，项集组包括影响参数项集中的至少一个项集，时刻相同的元素组由该日运行效率项集中的一个元素和对比的项集组中各项集中的一个元素组成；时刻相同的元素组中各元素的采集时刻相同；
参数确定子单元，用于：当数量大于预设最小支持度时，将与该日运行效率项集对比的项集组中各项集对应的影响参数确定为主要影响参数。
需要说明的是，日运行效率项集与对比的项集组中包含的时刻相同的元素组的数量多少，是该日运行效率项集和该影响参数项集的关联程度。最后筛选出的主要影响参数为：某个参数采集的多个值的聚类后的项集，即参数的取值范围，如参数为温度，参数项集为20℃到30℃。最小支持度可以保证每个日运行效率项集所对应的主要影响参数项集的准确度。
以上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)

1.一种配电设备日运行效率的主要影响因素筛选方法，其特征在于，包括：
确定对配电设备日运行效率的影响参数；
获得所述配电设备的日运行效率在预设时间段内采集的多个值和各所述影响参数分别在所述预设时间段内采集的多个值；
对所述日运行效率的多个值进行聚类，获得多个日运行效率项集；
对任一所述影响参数：将该影响参数的多个值进行聚类，获得该影响参数的多个影响参数项集；
使用关联规则算法，确定所述日运行效率项集和所述影响参数项集的关联程度，根据关联程度从各影响参数中筛选主要影响参数。
2.根据权利要求1所述的方法，其特征在于，所述确定对配电设备日运行效率的影响参数，包括：
将设备影响方面的多项参数、结构影响方面的多项参数、运行影响方面的多项参数以及将环境影响的多项参数中的至少一项参数确定为对配电设备日运行效率的影响参数。
3.根据权利要求1所述的方法，其特征在于，所述获得所述配电设备的日运行效率在预设时间段内采集的多个值，包括：
获得在所述预设时间段内的所述配电设备实际负载率，根据所述配电设备实际负载率的值、预设的合理负载率以及惩罚因子，确定所述配电设备日运行效率的多个值。
4.根据权利要求3所述的方法，其特征在于，所述根据所述配电设备实际负载率、预设的合理负载率以及惩罚因子，确定所述配电设备日运行效率的多个值，包括：
根据公式
计算得到所述配电设备日运行效率的多个值，其中，OE为配电设备瞬时运行效率；AL为配电设备的实际负载率；RL为配电设备合理负载率；k为惩罚因子，N>1；OEd为配电设备的日运行效率。
5.根据权利要求1所述的方法，其特征在于，所述使用关联规则算法，确定所述日运行效率项集和所述影响参数项集的关联程度，根据关联程度从各影响参数中筛选主要影响参数，包括：
对每一个所述日运行效率项集：将该日运行效率项集分别与多个项集组对比，确定该日运行效率项集与对比的项集组中包含的时刻相同的元素组的数量，其中，所述项集组包括所述影响参数项集中的至少一个项集，所述时刻相同的元素组由该日运行效率项集中的一个元素和对比的项集组中各项集中的一个元素组成；所述时刻相同的元素组中各元素的采集时刻相同；
当所述数量大于预设最小支持度时，将与该日运行效率项集对比的项集组中各项集对应的影响参数确定为主要影响参数。
6.一种配电设备日运行效率的主要影响因素筛选装置，其特征在于，所述装置，包括：确定单元、采集单元、日运行效率聚类单元、影响参数聚类单元以及筛选单元，
所述确定单元，用于确定对配电设备日运行效率的影响参数；
所述采集单元，用于获得所述配电设备的日运行效率在预设时间段内采集的多个值和各所述影响参数分别在所述预设时间段内采集的多个值；
所述日运行效率聚类单元，用于对所述日运行效率的多个值进行聚类，获得多个日运行效率项集；
所述影响参数聚类单元，用于对任一所述影响参数：将该影响参数的多个值进行聚类，获得该影响参数的多个影响参数项集；
所述筛选单元，用于使用关联规则算法，确定所述日运行效率项集和所述影响参数项集的关联程度，根据关联程度从各影响参数中筛选主要影响参数。
7.根据权利要求6的装置，其特征在于，所述确定单元，具体用于：
将设备影响方面的多项参数、结构影响方面的多项参数、运行影响方面的多项参数以及将环境影响的多项参数中的至少一项参数确定为对配电设备日运行效率的影响参数。
8.根据权利要求6的装置，其特征在于，所述采集单元，具体用于：
获得在所述预设时间段内的所述配电设备实际负载率，根据所述配电设备实际负载率的值、预设的合理负载率以及惩罚因子，确定所述配电设备日运行效率的多个值。
9.根据权利要求8的装置，其特征在于，所述采集单元，具体用于：
获得在所述预设时间段内的所述配电设备实际负载率，根据公式
计算得到所述配电设备日运行效率的多个值，其中，OE为配电设备瞬时运行效率；AL为配电设备的实际负载率；RL为配电设备合理负载率；k为惩罚因子，N>1；OEd为配电设备的日运行效率。
10.根据权利要求6的装置，其特征在于，所述筛选单元，包括：数量确定子单元和参数确定子单元，
所述数量确定子单元，用于：对每一个所述日运行效率项集：将该日运行效率项集分别与多个项集组对比，确定该日运行效率项集与对比的项集组中包含的时刻相同的元素组的数量，其中，所述项集组包括所述影响参数项集中的至少一个项集，所述时刻相同的元素组由该日运行效率项集中的一个元素和对比的项集组中各项集中的一个元素组成；所述时刻相同的元素组中各元素的采集时刻相同；
所述参数确定子单元，用于：当所述数量大于预设最小支持度时，将与该日运行效率项集对比的项集组中各项集对应的影响参数确定为主要影响参数。
CN201910852527.XA 2019-09-10 2019-09-10 一种配电设备日运行效率的主要影响因素筛选方法及装置 Active CN110555623B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910852527.XA CN110555623B (zh) 2019-09-10 2019-09-10 一种配电设备日运行效率的主要影响因素筛选方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910852527.XA CN110555623B (zh) 2019-09-10 2019-09-10 一种配电设备日运行效率的主要影响因素筛选方法及装置

Publications (2)

Publication Number Publication Date
CN110555623A true CN110555623A (zh) 2019-12-10
CN110555623B CN110555623B (zh) 2022-06-17

Family

ID=68739788

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910852527.XA Active CN110555623B (zh) 2019-09-10 2019-09-10 一种配电设备日运行效率的主要影响因素筛选方法及装置

Country Status (1)

Country Link
CN (1) CN110555623B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111160750A (zh) * 2019-12-23 2020-05-15 东南大学 一种基于关联规则挖掘的配网分析和投资决策方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1197895A2 (en) * 2000-10-10 2002-04-17 Ricoh Company, Ltd. Method and system for calculating environmental impacts of products
CN107133721A (zh) * 2017-04-17 2017-09-05 国网江苏省电力公司 基于灰色理论的配电网量测不良数据关联因素分析方法
CN107958354A (zh) * 2018-01-08 2018-04-24 国网能源研究院有限公司 一种电网层设备利用率主要影响因素的分析方法
CN109716071A (zh) * 2016-09-09 2019-05-03 路晟（上海）科技有限公司 环境参数测量系统
CN109740977A (zh) * 2019-03-14 2019-05-10 华北电力大学 基于灰色关联分析的燃气机组碳排放影响因素的评价方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1197895A2 (en) * 2000-10-10 2002-04-17 Ricoh Company, Ltd. Method and system for calculating environmental impacts of products
CN109716071A (zh) * 2016-09-09 2019-05-03 路晟（上海）科技有限公司 环境参数测量系统
CN107133721A (zh) * 2017-04-17 2017-09-05 国网江苏省电力公司 基于灰色理论的配电网量测不良数据关联因素分析方法
CN107958354A (zh) * 2018-01-08 2018-04-24 国网能源研究院有限公司 一种电网层设备利用率主要影响因素的分析方法
CN109740977A (zh) * 2019-03-14 2019-05-10 华北电力大学 基于灰色关联分析的燃气机组碳排放影响因素的评价方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
TANG JIAPENG等: "A fnite element parametric modeling technique of aircraft wing structures", 《CHINESE JOURNAL OF AERONAUTICS》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111160750A (zh) * 2019-12-23 2020-05-15 东南大学 一种基于关联规则挖掘的配网分析和投资决策方法

Also Published As

Publication number Publication date
CN110555623B (zh) 2022-06-17

Similar Documents

Publication Publication Date Title
CN110837866A (zh) 基于XGBoost的电力二次设备缺陷程度评估方法
CN105046591A (zh) 一种电力用户用电能效评估方法
CN110097220B (zh) 一种风力发电月度电量预测方法
CN110264107B (zh) 一种基于大数据技术的台区线损率异常诊断方法
CN110503570A (zh) 一种异常用电数据检测方法、系统、设备、存储介质
CN110782153A (zh) 一种企业园区综合能效评估体系建模方法及系统
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
CN116797049B (zh) 配电网差异化节能潜力量化评估方法
CN114118588A (zh) 聚类欠采样下基于博弈特征提取的迎峰度夏停电预测方法
CN112785060A (zh) 一种配电网精益化运维水平优化方法
CN107437135A (zh) 一种新型储能选型方法
CN113189418A (zh) 一种基于电压数据的拓扑关系识别方法
CN116148753A (zh) 一种智能电能表运行误差监测系统
CN114611842B (zh) 一种整县屋顶分布式光伏功率预测方法
CN112417627A (zh) 一种基于四维指标体系配电网运行可靠性分析方法
CN110555623B (zh) 一种配电设备日运行效率的主要影响因素筛选方法及装置
CN117610214B (zh) 一种基于动态地理特征的配电网接线智能规划方法
CN114565293A (zh) 一种工业负荷提供长周期需求响应能力的评估方法
CN112001551B (zh) 一种基于大用户电量信息的地市电网售电量预测方法
Ferreira et al. A data-mining-based methodology for transmission expansion planning
CN115905319B (zh) 一种海量用户电费异常的自动识别方法及系统
CN111127186A (zh) 一种基于大数据技术的客户信用等级评价体系的使用方法
CN116862137A (zh) 基于数据融合的充电桩负荷柔性调度方法及装置
CN114676931B (zh) 一种基于数据中台技术的电量预测系统
CN113128811A (zh) 一种基于强降水的电网系统地质灾害风险评估方法及系统

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
GR01 Patent grant
GR01 Patent grant