CN110738232A - 一种基于数据挖掘技术的电网电压越限成因诊断方法 - Google Patents

Abstract

本发明涉及电气自动化领域，公开了一种基于数据挖掘技术的电网电压越限成因诊断方法，包括下列步骤：A)提取越限电压，采集越限电压的相关特征；B)删除不良数据，进行数据预处理，得到样本数据；C)构建K‑means改进聚类模型，获取电压越限成因聚类结果；D)对电压越限成因聚类结果进行分类标识；E)构建SVM多分类器模型，优化模型参数；F)输入待诊断数据样本到SVM多分类模型，将SVM多分类模型的输出作为待诊断数据样本的电压越限成因。本发明效率高，减少了人为主观因素的影响，快速有效地处理电网低压海量数据，改进了K‑means聚类模型，得到好的聚类效果，同时，对SVM模型进行参数优化，增加了电网电压越限成因诊断的准确性。

Description

一种基于数据挖掘技术的电网电压越限成因诊断方法

技术领域

本发明涉及电气自动化技术领域，尤其是涉及一种基于数据挖掘技术的电网电压越限成因诊断方法。

背景技术

近年来，随着我国经济的快速发展，城市扩张速度明显加快，电网结构日趋复杂，电压过低的现象屡见不鲜，然而，电压过低一方面会增加系统运行损耗，损害变压器、电动机等设备的使用寿命，另一方面还可能造成大面积的停电事故，严重危害了企业的正常生产和居民的日常生活，给社会造成巨大的经济损失。目前，电网的低压诊断仍以人工分析为主，其主要技术手段是依据少量的实时量测，并辅以运行人员的经验判断进行分析。这种方式不仅效率低下，其分析过程还受到人为主观因素的影响，难以保证结果的准确性。此外，随着电网结构复杂度以及智能量测装置急剧增加，电网每天产生海量、异构的数据，以往的人工诊断方式效率低，已无法有效应对当前电网状况，且其所得的低电压成因分类是否全面也值得考虑。因此，对电网的低压成因进行诊断，探索相关应对策略，建立快速有效的电压越限成因诊断模型对于优化系统投资、减少运行损耗、实现低压综合治理具有重要意义。

例如，一种在中国专利文献上公开的“一种基于前推回代算法的低电压台区智能治理方法”，其公告号CN104362637A，包括以下步骤：一是确定具有低电压现象的台区；二是原始数据采集；三是画图和设置电气元件参数；四是潮流计算；五是低电压成因分析；六是低电压治理与经济性评估。该发明需要人为地画图和设置电气元件参数，其分析过程还受到人为主观因素的影响，难以保证结果的准确性。

发明内容

本发明是为了解决人工诊断分析电网电压越限成因的效率低，分析过程还受到人为主观因素的影响，难以保证结果准确性的问题，提供一种基于数据挖掘技术的电网电压越限成因诊断方法。该方法效率高，减少了人为主观因素的影响，快速有效地处理电网低压海量数据，改进了K-means聚类方法，得到好的聚类效果，同时，对SVM模型进行了参数优化，增加了电网电压越限成因诊断的准确性。

为了实现上述目的，本发明采用以下技术方案：

一种基于数据挖掘技术的电网电压越限成因诊断方法，包括下列步骤：

A)设定电压阈值范围，提取超过阈值范围的越限电压，采集所述越限电压的相关特征：包括动态特征和静态特征，静态参数包括用户电压、用户电流、正向有功、正向无功、反向有功、反向无功、功率因素、出口A相电压、出口B相电压、出口C相电压、出口A相电流、出口B相电流、出口C相电流、负载率和三相不平衡度，静态参数包括：电表编号、挂接配变编号、距挂接配变距离、挂接相位、用电分类编号、配变数据编号、额定容量、出口线路型号、相带用户数和最大供电半径；

B)删除不良数据，不良数据包括重复数据和不完整数据，进行数据预处理，得到数据样本；

C)构建K-means改进聚类模型，利用数据样本训练该K-means改进聚类模型，获取电压越限成因聚类结果；

D)对电压越限成因聚类结果进行分类标识，获取标识结果；

E)构建SVM多分类模型，使用电压越限成因聚类结果和标识结果训练该SVM多分类模型；

F)输入待诊断数据样本到SVM多分类模型，将SVM多分类模型的输出作为待诊断数据样本的电压越限成因。

采集到的通常是海量数据，把采集到的不适合用来做训练模型的数据进行预处理，从而转化为适合用来训练的数据，进行数据预处理可减少计算量。K-means聚类算法对处理大数据集，是相对可伸缩的和高效率的，包含两个步骤：计算所有的样本数据，把每个样本数据分配到距离其最近的聚类中心所在的类别里；新的聚类中心再移动到这个聚类所有点的平均值处。K-means聚类算法对初值敏感，对于不同的初始值，倘若将孤立点设置为初始聚类中心，会导致不同的聚类结果，因此通过优化初始聚类中心和聚类个数，改进K-means聚类算法，增加了模型的稳定性和准确性。在聚类结果的基础上，通过训练SVM模型来对待诊断数据样本进行电压越限成因分类，然而SVM是二分类器，由于电压越限成因多样，所以通过构建多个SVM分类器达到电压越限成因诊断多样的分类效果。

进一步地，步骤B)数据预处理包括以下步骤：

B1)计算每一种相关特征的方差值，设定方差阈值，删除方差值低于方差阈值的相关特征，获得高相关特征，所述数据样本总数为m个，所述高相关特征为n种，获得数据样本集合H，记为

x_m表示第m个数据样本，x_mn第m个数据样本中的第n个高相关特征；

B2)将所述数据样本转化为数值型，并且将所有数据样本归一化，表达式可以为：

步骤B1)是进行对数据样本进行特征选取，如果有一类相关特征的方差值很小，低于方差阈值，就表示样本在这个相关特征上基本没有差异，这个相关特征与电压越限成因结果相关性小。

进一步地，步骤C)还包括：

C1)读取数据样本集合H，计算每个数据样本x_i的密度参数ε_i，i∈1,...,m，设定密度阈值，删除低于该密度阈值的数据样本，得到高密度集合D，记为

C2)把密度参数最大的数据样本作为K-means改进聚类模型的第一个初始聚类中心z₁，z₁∈D；

C3)读取高密度集合D，计算高密度集合D中的任意两个数据样本间的距离d(x_e,x_f)，x_e＝[x_e1,...,x_en]，x_f＝[x_f1,...,x_fn]，e∈1,...,d，f∈1,...,u，把距离第一个初始聚类中心z₁最远的数据样本作为第二个初始聚类中心z₂，z₂∈D；

C4)获取满足max(min(d(x_g,z₁),...,d(x_g,z_k-1)))的数据样本x_g，g∈1,...,d，把该数据样本x_g作为第k个聚类中心z_k，z_k∈D；

C5)重复步骤C4，依次得到k个初始聚类中心，k≥3；

C6)建立目标函数

式中，S_h为第h个聚类中心的离散度，S_l为第l个聚类中心的离散度，d(x_h,x_l)为第h和第l聚类中心之间的距离，获得使目标函数取得最优的聚类个数k。

实际的数据集中往往有噪声数据存在，如果任意取k个数据样本为初始聚类中心，有时会取到噪声点，从而影响聚类效果，通常认为低密度区域的点为噪声点，为避免取到噪声点，将相互距离最远的k个处于高密度的数据样本作为初始聚类中心，从数据样本密度出发，找到能反映数据分布特征的数据样本作为初始聚类中心，消除了模型的敏感性。目标函数minDBI的分子为任意两类数据样本的类内平均距离之和，分子越小表明类内距离越紧凑，分母为任意两个聚类中心的距离，分母越大表明类间距离越大，通过优化该目标函数取得最优的聚类个数k，提高了模型的准确性和聚类效果。

进一步地，步骤E)还包括：

E1)将标识结果记为标识集y＝[y₁,...,y_d]’；

E2)将电压越限成因聚类结果相同的数据样本作为同类样本，在每一种同类样本中选取q个数据样本，构成同类样本集合

k种同类样本构成训练集合Q＝{Q₁,Q₂,...,Q_k}；

E3)在训练集合Q的任意两个元素之间设计一个SVM模型，k种电压越限成因聚类结果设计k(k-1)/2个SVM模型，构建SVM多分类模型。

在步骤E2)通过让每一类的数据样本个数相同，避免了由数据的不平衡而导致分类器性能降低。SVM模型具有少量样本就可以获得好的分类结果的特点，然而是一个二分类器，所以需要构造多个SVM模型来达到多分类的目的。

进一步地，利用粒子群算法对每一个SVM模型进行寻优，步骤如下：

E31)初始化每一个SVM模型，构建目标函数：

其中，K(x_e,x_f)为核函数，c为罚参数，α_e、α_f分别是与标识结果y_e、y_f对应的拉格朗日乘子；

E32)选取SVM模型中的待优化参数h个，从训练集合Q中获取数据样本，产生初始粒子并建立种群，每一个粒子代表SVM中的一组待优化参数，选取适应度函数，粒子群规模N、第w个粒子的初始位置

种群位置P，第w个粒子的初始速度

适应度约束条件、惯性权重ω、最大迭代次数T、第w个粒子的个体最优位置p_hbest和种群最优位置P_gbest；

E33)计算每个粒子的适应度值，评价每个粒子的适应度值，获取评价结果；

E34)根据评价结果更新个体最优位置p_hbest和种群最优位置P_gbest，更新粒子速度和粒子位置；

E35)判断是否达到适应度约束条件或最大迭代次数，如果达到，则寻优过程结束，获得SVM模型待优化参数的最优解；如果未达到，则返回至E33)。

对于SVM算法而言，选取合适的参数是决定其性能的关键，粒子群算法是一种智能优化方法，通过种群个体之间的协作和信息共享获得最优解，使得SVM模型收敛速度快、调节参数少、易于实现。步骤E33)和步骤E34)是对每个粒子的适应度值进行评价分析，对每个粒子，将当前的适应度值与个体最优位置p_hbest对应的适应度值做比较，如果当前的适应度值更高，则用当前的适应度值更新个体最优位置p_hbest；再将每个粒子当前的适应度值与种群最优位置P_gbest对应的适应度值做比较，如果当前的适应度值更高，则用当前的粒子位置更新种群最优位置P_gbest。

步骤E31)中，

K(x_e,x_f)＝exp(-γ||x_e-x_f||²)或

或

或

其中γ＞0，γ、d、r为核参数。

K(x_e,x_f)为核函数，当不同类别的高相关特征在原始空间中无法被线性分类器区隔开来时，构造一个核函数，经由非线性投影后的高相关特征能在更高维度的空间中区隔开，把低维度空间映射到高维空间实现分类，避免了在特征空间内的运算，降低计算的复杂度。

进一步地，步骤E32)中的待优化参数包括：罚参数、核参数或拉格朗日乘子。

进一步地，在步骤E34)中，第t次迭代后，种群位置记为：

粒子速度更新公式是：

其中，

表示第w个粒子的第d维在第t次迭代时的速度，

表示第w个粒子的第d维在第t次迭代时的位置，ω为惯性权重，L₁、L₂为学习因子，R₁、R₂为相互独立且均匀分布在[0,1]区间的随机数，为第w个粒子在第t次迭代时的第d维的个体最优位置，

为第t次迭代时的第d维的种群最优位置；

粒子位置更新公式为：

其中，

表示第w个粒子的第d维在第t次迭代时的速度。

每一个粒子代表SVM中的一组待优化参数，第w个粒子的第d维表示第d个待优化参数，粒子每更新一次位置，就计算一次适应度值，通过比较适应度值，再更新个体最优位置p_hbest和种群最优位置P_gbest。在每次迭代中，粒子通过个体最优位置p_hbest和种群最优位置P_gbest更新自身的速度和位置，直到达到适应度约束条件即找到最优解，或达到最大迭代次数，寻优过程结束。再将获得的待优化参数的最优解带入SVM模型中，利用数据样本对SVM模型进行训练，最终获得SVM多分类模型。将待诊断数据样本输入到SVM多分类模型，把SVM多分类模型的输出作为待诊断数据样本的电压越限成因。

进一步地，步骤C1)中，密度参数ε_i的计算方法为：以数据样本x_i为中心，其半径r范围内恰好包含常数minPts个数据样本，则将该半径r作为数据样本x_i的密度参数ε_i。

进一步地，将步骤E31)中的目标函数设置为步骤E32)中的适应度函数，设置增量阀值S，

表示第t+1次迭代的种群最优位置，

表示第t次迭代的种群最优位置，适应度约束条件设置为当

迭代结束。

粒子所对应的适应度值是该组待优化参数下的算法性能，将目标函数设置直接设置成适应度函数，再设置一个阈值，当种群最优位置与上一次迭代的种群最优位置相比，增量小于该阈值，表明已经找到了待优化参数的最优解。

因此，本发明具有如下有益效果：效率高，减少了人为主观因素的影响，快速有效地处理电网低压海量数据，帮助工作人员迅速找到电网电压越限故障原因，及时地对故障进行处理。另外，通过优化初始聚类中心和聚类个数，提高了K-means模型的准确性和聚类效果，得到的电压成因分类更加全面可靠。同时利用粒子群算法改进了SVM多分类器，提高了稳定性，准确地给出了电网电压越限成因诊断结果。

附图说明

图1是本发明的一种电网电压越限成因诊断方法流程框图。

图2是本发明的SVM多分类器模型训练流程框图。

具体实施方式

下面结合附图与具体实施方式对本发明做进一步的描述。

一种基于数据挖掘技术的电网电压越限成因诊断方法，如图1所示，包括下列步骤：

A)设定电压阈值范围，提取超过阈值范围的越限电压，采集所述越限电压的相关特征：包括动态特征和静态特征，静态参数包括用户电压、用户电流、正向有功、正向无功、反向有功、反向无功、功率因素、出口A相电压、出口B相电压、出口C相电压、出口A相电流、出口B相电流、出口C相电流、负载率和三相不平衡度，静态参数包括：电表编号、挂接配变编号、距挂接配变距离、挂接相位、用电分类编号、配变数据编号、额定容量、出口线路型号、相带用户数和最大供电半径；

B)删除不良数据，不良数据包括重复数据和不完整数据，进行数据预处理，得到数据样本。

进行特征选取，计算每一种相关特征的方差值，设定方差低阈值，删除方差值低于方差低阈值的相关特征，获得高相关特征，所述数据样本总数为m个，所述高相关特征为n种，获得数据样本集合H，记为

x_m表示第m个数据样本，x_mn第m个数据样本中的第n个高相关特征；

将所述数据样本整合为数值型，并且将所有数据样本归一化，表达式可以为：

C)读取数据样本集合H，以数据样本x_i为中心，其半径r范围内恰好包含常数minPts个数据样本，则将该半径r作为数据样本x_i的密度参数ε_i计算每个数据样本x_i的密度参数ε_i，i∈1,...,m，设定密度阈值，删除低于该密度阈值的数据样本，得到高密度集合D，记为

C2)把密度参数最大的数据样本作为K-means改进聚类模型的第一个初始聚类中心z₁，z₁∈D；

C3)读取高密度集合D，计算高密度集合D中的任意两个数据样本间的距离d(x_e,x_f)，x_e＝[x_e1,...,x_en]，x_f＝[x_f1,...,x_fn]，e∈1,...,d，f∈1,...,u，把距离第一个初始聚类中心z₁最远的数据样本作为第二个初始聚类中心z₂，z₂∈D；

C4)获取满足max(min(d(x_g,z₁),...,d(x_g,z_k-1)))的数据样本x_g，g∈1,...,d，把该数据样本x_g作为第k个聚类中心z_k，z_k∈D；

C5)重复步骤C4，依次得到k个初始聚类中心，k≥3；

C6)建立目标函数

式中，S_h为第h个聚类中心的离散度，S_l为第l个聚类中心的离散度，d(x_h,x_l)为第h和第l聚类中心之间的距离，获得使目标函数取得最优的聚类个数k。

从数据样本密度出发选取初始聚类中心和最优的聚类个数k构建K-means改进聚类模型，利用数据样本训练该K-means改进聚类模型，获取电压越限成因聚类结果；

D)对电压越限成因聚类结果进行分类标识，获取标识结果，将标识结果记为标识集

y＝[y₁,...,y_d]’。

E)将电压越限成因聚类结果相同的数据样本作为同类样本，在每一种同类样本中选取q个数据样本，构成同类样本集合k种同类样本构成训练集合Q＝{Q₁,Q₂,...,Q_k}。在训练集合Q的任意两个元素之间设计一个SVM模型，利用粒子群算法对每一个SVM模型进行寻优，如图2所示，步骤如下：

E31)初始化每一个SVM模型，构建目标函数：

其中，K(x_e,x_f)为泛化能力强的高斯核函数，记为K(x_e,x_f)＝exp(-γ||x_e-x_f||²)，γ＞0，c为罚参数，α_e、α_f分别是与标识结果y_e、y_f对应的拉格朗日乘子，γ为核参数。

E32)选取SVM模型中的待优化参数4个，分别是罚参数c、拉格朗日乘子α_e、α_f和核参数γ，从训练集合Q中获取数据样本，产生初始粒子并建立种群，每一个粒子代表SVM中的一组待优化参数，将步骤E31)中的目标函数设置为适应度函数，粒子群规模N、第w个粒子的初始位置

种群位置P，第w个粒子的初始速度惯性权重ω、最大迭代次数T、第w个粒子的个体最优位置p_hbest、种群最优位置P_gbest。

设置适应度约束条件：当

迭代结束。

E33)计算每个粒子的适应度值，评价每个粒子的适应度值，获取评价结果。

E34)根据评价结果更新个体最优位置p_hbest和种群最优位置P_gbest，更新粒子速度和粒子位置；

第t次迭代后，种群位置记为

粒子速度更新公式是：其中，表示第w个粒子的第d维在第t次迭代时的速度，

表示第w个粒子的第d维在第t次迭代时的位置，ω为惯性权重，L₁、L₂为学习因子，R₁、R₂为相互独立且均匀分布在[0,1]区间的随机数，

为第w个粒子在第t次迭代时的第d维的个体最优位置，

为第t次迭代时的第d维的种群最优位置；

粒子位置更新公式为：

其中，

表示第w个粒子的第d维在第t次迭代时的速度。

每一个粒子代表SVM中的一组待优化参数，第w个粒子的第d维表示第d个待优化参数，粒子每更新一次位置，就计算一次适应度值，通过比较适应度值，再更新个体最优位置p_hbest和种群最优位置P_gbest。在每次迭代中，粒子通过个体最优位置p_hbest和种群最优位置P_gbest更新自身的速度和位置。

E35)判断是否达到适应度约束条件或最大迭代次数，如果达到，则寻优过程结束，获得SVM模型待优化参数的最优解；如果未达到，则返回至E33)；

再将获得的待优化参数的最优解带入SVM模型中，k种电压越限成因聚类结果设计k(k-1)/2个SVM模型，利用数据样本对SVM模型进行训练，最终获得SVM多分类模型。

F)使用电压越限成因聚类结果和标识结果训练该SVM多分类模型，输入待诊断样本数据到SVM多分类模型，如表1所示：

表1在不同样本数据下的电压越限成因诊断结果

样本数据	训练集数	测试集数	用时/秒	准确率
					1	2038	400	150.4	92.4％
2	3450	400	254.5	94.3％
					3	4120	500	320.6	95.6％

将2438个样本数据本数据划分为训练集和测试集，其中训练集包含数据2038条，测试集数据400条，之后选取400条未知低电压成因数据作为模型的输入进行测试，得到低压成因结果，与实际结果对比表明该模型预测准确率高达92.4％，表1给出了不同样本数据下的电压越限成因诊断结果。表中随着训练集个数增加，算法所需的计算时间也随之增加，同时预测准确率也得以提高。

SVM是二分类器，通过构建多个分类器达到电压越限成因多样的分类效果。对于SVM算法而言，选取合适的参数是决定其性能的关键，粒子群算法是一种智能优化方法，通过种群个体之间的协作和信息共享获得最优解，使得SVM模型收敛速度快、调节参数少、易于实现。

上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明保护范围以内。

Claims (10)

1.一种基于数据挖掘技术的电网电压越限成因诊断方法，其特征是，包括下列步骤：

A)设定电压阈值范围，提取超过阈值范围的越限电压，采集所述越限电压的相关特征；

B)删除不良数据，不良数据包括重复数据和不完整数据，进行数据预处理，得到数据样本；

C)构建K-means改进聚类模型，利用数据样本训练该K-means改进聚类模型，获取电压越限成因聚类结果；

D)对电压越限成因聚类结果进行分类标识，获取标识结果；

E)构建SVM多分类模型，使用电压越限成因聚类结果和标识结果训练该SVM多分类模型；

F)输入待诊断数据样本到SVM多分类模型，将SVM多分类模型的输出作为待诊断数据样本的电压越限成因。

2.根据权利要求1所述的一种基于数据挖掘技术的电网电压越限成因诊断方法，其特征是，步骤B)中，数据预处理包括：

B1)计算每一种相关特征的方差值，设定方差阈值，删除方差值低于方差阈值的相关特征，获得高相关特征，所述数据样本总数为m个，所述高相关特征为n种，获得数据样本集合H，记为

x_m表示第m个数据样本，x_mn第m个数据样本中的第n个高相关特征；

B2)将所述数据样本转化为数值型，并且将所有数据样本归一化，表达式可以为：

3.根据权利要求2所述的一种基于数据挖掘技术的电网电压越限成因诊断方法，其特征是，步骤C)还包括：

C1)读取数据样本集合H，计算每个数据样本x_i的密度参数ε_i，i∈1,...,m，设定密度阈值，删除低于该密度阈值的数据样本，得到高密度集合D，记为

C2)把密度参数最大的数据样本作为K-means改进聚类模型的第一个初始聚类中心z₁，z₁∈D；

C3)读取高密度集合D，计算高密度集合D中的任意两个数据样本间的距离d(x_e,x_f)，x_e＝[x_e1,...,x_en]，x_f＝[x_f1,...,x_fn]，e∈1,...,d，f∈1,...,u，把距离第一个初始聚类中心z₁距离最远的数据样本作为第二个初始聚类中心z₂，z₂∈D；

C4)获取满足max(min(d(x_g,z₁),...,d(x_g,z_k-1)))的数据样本x_g，g∈1,...,d，把该数据样本x_g作为第k个聚类中心z_k，z_k∈D；

C5)重复步骤C4，依次得到k个初始聚类中心，k≥3；

C6)建立目标函数

式中，S_h为第h个聚类中心的离散度，S_l为第l个聚类中心的离散度，d(x_h,x_l)为第h和第l聚类中心之间的距离，获得使目标函数取得最优的聚类个数k。

4.根据权利要求3所述一种基于数据挖掘技术的电网电压越限成因诊断方法，其特征是，步骤E)还包括：

E1)将标识结果记为标识集y＝[y₁,...,y_d]'；

E2)将电压越限成因聚类结果相同的数据样本作为同类样本，在每一种同类样本中选取q个数据样本，构成同类样本集合

k种同类样本构成训练集合Q＝{Q₁,Q₂,...,Q_k}；

E3)在训练集合Q的任意两个元素之间设计一个SVM模型，k种电压越限成因聚类结果设计k(k-1)/2个SVM模型，构建SVM多分类模型。

5.根据权利要求4所述的一种基于数据挖掘技术的电网电压越限成因诊断方法，其特征是，利用粒子群算法对每一个SVM模型进行寻优，步骤如下：

E31)初始化每一个SVM模型，构建目标函数：

其中，K(x_e,x_f)为核函数，c为罚参数，α_e、α_f分别是与标识结果y_e、y_f对应的拉格朗日乘子；

E32)选取SVM模型中的待优化参数h个，从训练集合Q中获取数据样本，产生初始粒子并建立种群，每一个粒子代表SVM中的一组待优化参数，选取适应度函数，粒子群规模N、第w个粒子的初始位置

种群位置P，第w个粒子的初始速度

适应度约束条件、惯性权重ω、最大迭代次数T、第w个粒子的个体最优位置p_hbest和种群最优位置P_gbest；

E33)计算每个粒子的适应度值，评价每个粒子的适应度值，获取评价结果；

E34)根据评价结果更新个体最优位置p_hbest和种群最优位置P_gbest，更新粒子速度和粒子位置；

E35)判断是否达到适应度约束条件或最大迭代次数，如果达到，则寻优过程结束，获得SVM模型待优化参数的最优解；如果未达到，则返回至E33)。

6.根据权利要求5所述的一种基于数据挖掘技术的电网电压越限成因诊断方法，其特征是，步骤E31)中，

K(x_e,x_f)＝exp(-γ||x_e-x_f||²)或

或

或

其中γ＞0，γ、d、r为核参数。

7.根据权利要求6所述的一种基于数据挖掘技术的电网电压越限成因诊断方法，其特征是，步骤E32)中的待优化参数包括：罚参数、核参数或拉格朗日乘子中的至少一个。

8.根据权利要求5所述的一种基于数据挖掘技术的电网电压越限成因诊断方法，其特征在于，在步骤E34)中，第t次迭代后，种群位置记为

粒子速度更新公式是：

其中，

表示第w个粒子的第d维在第t次迭代时的速度，

表示第w个粒子的第d维在第t次迭代时的位置，ω为惯性权重，L₁、L₂为学习因子，R₁、R₂为相互独立且均匀分布在[0,1]区间的随机数，

为第w个粒子在第t次迭代时的第d维的个体最优位置，

为第t次迭代时的第d维的种群最优位置；

粒子位置更新公式为：

其中，

表示第w个粒子的第d维在第t次迭代时的速度。

9.根据权利要求3所述的一种基于数据挖掘技术的电网电压越限成因诊断方法，其特征是，步骤C1中，密度参数ε_i的计算方法为：以数据样本x_i为中心，其半径r范围内恰好包含常数h个数据样本，则将该半径r作为数据样本x_i的密度参数ε_i。

10.根据权利要求5所述的一种基于数据挖掘技术的电网电压越限成因诊断方法，其特征是，将步骤E32)中的适应度函数设置为步骤E31)中的目标函数，设置增量阀值S，

表示第t+1次迭代的种群最优位置，

表示第t次迭代的种群最优位置，适应度约束条件设置为当

迭代结束。

Images