CN112308109A - 基于birch聚类和高斯云分布的专变用户健康状况分析方法 - Google Patents
基于birch聚类和高斯云分布的专变用户健康状况分析方法 Download PDFInfo
- Publication number
- CN112308109A CN112308109A CN202010935918.0A CN202010935918A CN112308109A CN 112308109 A CN112308109 A CN 112308109A CN 202010935918 A CN202010935918 A CN 202010935918A CN 112308109 A CN112308109 A CN 112308109A
- Authority
- CN
- China
- Prior art keywords
- cloud
- special transformer
- gaussian
- health condition
- transformer
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/211—Selection of the most significant subset of features
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Pure & Applied Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Optimization (AREA)
- Evolutionary Computation (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Computational Linguistics (AREA)
- Probability & Statistics with Applications (AREA)
- Operations Research (AREA)
- Fuzzy Systems (AREA)
- Algebra (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请实施例提出了基于BIRCH聚类和高斯云分布的专变用户健康状况分析方法,包括确定对应专变用户运行健康状况的特征指标,基于已确定的特征指标从专变终端处获取专变用户数据;采用BIRCH聚类方法和高斯云模型形成专变用户运行标准高斯云分布图和实时高斯云分布图;导入专变用户数据,通过计算标准云图与实时云图之间的距离,确定专变用户运行健康状况。通过基于电力系统用电信息采集系统采集到的专用变压器用电数据,可以确定可以体现专用变压器运行健康状况的关键特征。进而基于BIRCH聚类方法和高斯云分布,实现达到一定准确率专用变压器运行健康状况评级。
Description
技术领域
本申请涉及电力系统领域,特别是涉及基于BIRCH聚类和高斯云分布的专变用户健康状况分析方法。
背景技术
专用变压器是电力系统中重要的电力设备,由于专用变压器的特性,电网公司往往难以获取专变的运行状态信息,借助于电力系统用户用电信息采集系统的发展,可以容易获取专变用户的海量数据及外部环境数据,基于这些数据,采用合适的数据挖掘技术、机器学习和深度学习方法,可以对专变用户的健康状况进行研究。
基于用户计量采集系统采集到的专变用户海量数据及外部环境数据,采用数据挖掘技术,研究影响专变运行状况的特征因素,提取表征专用变压器运行状态的关键指标,基于BIRCH聚类和高斯云分布进行专变用户运行健康状况分析,从而及时发现专用变压器故障或用电异常。
发明内容
为了解决现有技术中存在的缺点和不足,本申请提出了基于BIRCH聚类和高斯云分布的专变用户健康状况分析方法,基于BIRCH聚类方法和高斯云分布,实现专用变压器运行健康状况评级,确保达到一定的准确率。
具体的,基于BIRCH聚类和高斯云分布的专变用户健康状况分析方法,包括:
确定对应专变用户运行健康状况的特征指标,基于已确定的特征指标从专变终端处获取专变用户数据;
采用BIRCH聚类方法和高斯云模型形成专变用户运行标准高斯云分布图和实时高斯云分布图;
导入专变用户数据,通过计算标准云图与实时云图之间的距离,确定专变用户运行健康状况。
可选的,所述确定对应专变用户运行健康状况的特征指标,包括:
负载率,表示专变用户变压器实际容量与额定容量的比值;
电压偏差,指用户的实际电压与标称电压之间的偏差程度;
三相电压不平衡度,指三相电压幅值不同或相位差不是120°的现象;
三相电流不平衡度,指三相电流幅值不同或相位差不是120°的现象;
功率因数,指交流电路有功功率对视在功率的比值,用户电器设备在一定电压和功率下,该值越高效益越好,发电设备越能充分利用。
可选的,所述采用BIRCH聚类方法和高斯云模型形成专变用户运行标准高斯云分布图和实时高斯云分布图,具体如下:
高斯云模型定义为G,3个参数Ex、En和He,分别表示期望、熵和超熵,分别表示为:
式中,xi为专变用户某一特征的第i个值;N为该特征的时间序列长度;Ls为该特征时间序列的元素和;Ss为时间序列元素的平方和;Cs为时间序列元素的立方和;Bs为时间序列元素的4次方和;c2为该特征时间序列的二阶中心矩;c4为该特征时间序列的四阶中心矩。
可选的,所述导入专变用户数据,通过计算标准云图与实时云图之间的距离,确定专变用户运行健康状况,具体如下:
计算反映专变当前状态偏离标准状态的算术平均最小贴近度h;
将得到的算术平均最小贴近度h与预设阈值进行比对,根据比对结果判定专变用户的运行健康状况。
可选的,所述计算反映专变当前状态偏离标准状态的算术平均最小贴近度h,包括:
h的计算公式为:
式中,GN为专变运行标准云分布图,Gt为专变运行实时云分布图,ωi为标准云分布图GN中第i个场景的权重,ωj为实时云分布图Gt中第j个场景的权重,xik分别为标准云分布图GN中第i个场景的第k个云滴值,xjk分别为标准云分布图GN中第j个场景的第k个云滴值,r为高斯云中云滴的个数。
本申请提供的技术方案带来的有益效果是:
1)基于电力系统用电信息采集系统采集到的专用变压器用电数据,可以确定可以体现专用变压器运行健康状况的关键特征。
2)基于BIRCH聚类方法和高斯云分布,实现专用变压器运行健康状况评级,达到一定的准确率,应用于配网实践中。
附图说明
为了更清楚地说明本申请的技术方案,下面将对实施例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申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例提出的基于BIRCH聚类和高斯云分布的专变用户健康状况分析方法的流程示意图;
图2(a)为本实施例提出的负载率服从相应的高斯分布的实时云分布图;
图2(b)为本实施例提出的电压偏差服从相应的高斯分布的实时云分布图;
图2(c)为本实施例提出的三相电压不平衡度服从相应的高斯分布的实时云分布图;
图2(d)为本实施例提出的三相电流不平衡度服从相应的高斯分布的实时云分布图;
图2(e)为本实施例提出的功率因数服从相应的高斯分布的实时云分布图;
图3为本实施例提出的专变用户实际运行场景和标准场景之间的距离示意图。
具体实施方式
为使本申请的结构和优点更加清楚,下面将结合附图对本申请的结构作进一步地描述。
实施例一
为了更好地理解本申请的目的、技术方案以及技术效果,以下结合附图对本申请进行进一步的讲解说明。
具体的,如图1所示,基于BIRCH聚类和高斯云分布的专变用户健康状况分析方法,包括:
11、确定对应专变用户运行健康状况的特征指标,基于已确定的特征指标从专变终端处获取专变用户数据;
12、采用BIRCH聚类方法和高斯云模型形成专变用户运行标准高斯云分布图和实时高斯云分布图;
13、导入专变用户数据,通过计算标准云图与实时云图之间的距离,确定专变用户运行健康状况。
在实施中,本实施例提出了采用BIRCH聚类方法和高斯云模型形成专变用户运行标准高斯云分布图和实时高斯云分布图作为发明点的方案,但就该发明点是如何解决现有技术缺陷的过程并未说明,麻烦补充下
常规的油-气分析法需要准确的变压器参数才可以辨识其运行状况,泛化性较差,同时专变属于用户私有资产,不隶属于电力企业,无论是变压器参数还是变压器内部油-气成分,往往都难以获得。本实施例提出的BIRCH聚类方法和高斯云模型形成专变用户运行标准高斯云分布图和实时高斯云分布图基于电网公司数据采集与监视控制(SupervisoryControl And Data Acquisition,SCADA)系统中的专变运行数据,数据较易获取且可远程实时读取,同时结果具有较高的准确性和实时性。
可选的,所述确定对应专变用户运行健康状况的特征指标,包括:
负载率,表示专变用户变压器实际容量与额定容量的比值;
电压偏差,指用户的实际电压与标称电压之间的偏差程度;
三相电压不平衡度,指三相电压幅值不同或相位差不是120°的现象;
三相电流不平衡度,指三相电流幅值不同或相位差不是120°的现象;
功率因数,指交流电路有功功率对视在功率的比值,用户电器设备在一定电压和功率下,该值越高效益越好,发电设备越能充分利用。
在实施中,上述三类指标具体包括:
a)负载率
负载率表示专变用户变压器实际容量与额定容量的比值。负载率定义为:
式中,ST为专变用户实时的功率数据;SR为专变用户变压器的额定容量。
b)电压偏差
电压偏差是指用户的实际电压与标称电压之间的偏差程度。电压偏差指标可以定义为:
式中,UT为专变用户运行实时电压;UR为系统标称相电压。
c)三相电压不平衡度
三相电压不平衡指三相电压幅值不同或相位差不是120°的现象。三相电压不平衡度指标可以表示为:
式中,Umax和Umin分别表示专变用户三相电压的最大值和最小值。
d)三相电流不平衡度
三相电流不平衡指三相电流幅值不同或相位差不是120°的现象。三相电流不平衡度指标可以表示为:
式中,Imax和Imin分别表示专变用户三相电流的最大值和最小值。
e)功率因数
功率因数是指交流电路有功功率对视在功率的比值,用户电器设备在一定电压和功率下,该值越高效益越好,发电设备越能充分利用。专变用户变压器功率因数可以表示为:
式中,S为专变用户视在功率;P和Q分别为专变用户的有功功率和无功功率。
可选的,所述采用BIRCH聚类方法和高斯云模型形成专变用户运行标准高斯云分布图和实时高斯云分布图,具体如下:
高斯云模型定义为G,3个参数Ex,En和He,分别表示期望、熵和超熵,Ex,En和He分别表示为:
式中,xi为专变用户某一特征的第i个值;N为该特征的时间序列长度;Ls为该特征时间序列的元素和;Ss为时间序列元素的平方和;Cs为时间序列元素的立方和;Bs为时间序列元素的4次方和;c2为该特征时间序列的二阶中心矩;c4为该特征时间序列的四阶中心矩。
在实施中,基于专变的实时运行数据,采用BIRCH算法对专变实时运行特征集进行聚类,并采用一维逆向云发生器确定云模型的数字特征建立高斯云模型,将聚类所得实时运行场景特征集转换为实时运行场景下的云分布图,专变在2018年10月1日的实时云分布图如图2(a)至图2(e)所示。各实时云分布图表示对应指标(负载率、电压偏差、三相电压不平衡度、三相电流不平衡度、功率因数)服从相应的高斯分布,其期望、熵和超熵由运行数据计算得出。
标准高斯分布图基于专变2018年1月1日到9月31日的历史正常运行数据而确定,数据样本量大,无异常数据。实时高斯云分布图为单天云分布图,数据样本量小,可能包含运行异常数据。需要通过计算每一天的实时云分布图和标准云分布图之间算术平均最小贴近度h作为专变当前状态偏离标准状态的距离,以衡量当天的专变运行度,判断专变是否出现异常。
可选的,所述导入专变用户数据,通过计算标准云图与实时云图之间的距离,确定专变用户运行健康状况,具体如下:
计算反映专变当前状态偏离标准状态的算术平均最小贴近度h;
将得到的算术平均最小贴近度h与预设阈值进行比对,根据比对结果判定专变用户的运行健康状况。
在实施中,计算反映专变当前状态偏离标准状态的算术平均最小贴近度h,包括:
h的计算公式为:
式中,GN为专变运行标准云分布图,Gt为专变运行实时云分布图,ωi为标准云分布图GN中第i个场景的权重,ωj为实时云分布图Gt中第j个场景的权重,xik分别为标准云分布图GN中第i个场景的第k个云滴值,xjk分别为标准云分布图GN中第j个场景的第k个云滴值,r为高斯云中云滴的个数。
图3给出了专变用户实际运行场景和标准场景之间的距离示意图,运用计算反映专变当前状态偏离标准状态的算术平均最小贴近度h公式得出每一天专变实时运行相对应的h的值(h≤1),将h放大100倍即可得出满分为100分的专变运行健康度值并绘图,若健康度过低,就代表专变当前状态偏离标准状态过远,可以判定该专变在这段时间内出现了异常。
上述实施例中的各个序号仅仅为了描述,不代表各部件的组装或使用过程中的先后顺序。
以上所述仅为本申请的实施例,并不用以限制本申请,凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (5)
1.基于BIRCH聚类和高斯云分布的专变用户健康状况分析方法,其特征在于,包括:
确定对应专变用户运行健康状况的特征指标,基于已确定的特征指标从专变终端处获取专变用户数据;
采用BIRCH聚类方法和高斯云模型形成专变用户运行标准高斯云分布图和实时高斯云分布图;
导入专变用户数据,通过计算标准云图与实时云图之间的距离,确定专变用户运行健康状况。
2.根据权利要求1所述的基于BIRCH聚类和高斯云分布的专变用户健康状况分析方法,其特征在于,所述确定对应专变用户运行健康状况的特征指标,包括:
负载率,表示专变用户变压器实际容量与额定容量的比值;
电压偏差,指用户的实际电压与标称电压之间的偏差程度;
三相电压不平衡度,指三相电压幅值不同或相位差不是120°的现象;
三相电流不平衡度,指三相电流幅值不同或相位差不是120°的现象;
功率因数,指交流电路有功功率对视在功率的比值,用户电器设备在一定电压和功率下,该值越高效益越好,发电设备越能充分利用。
4.根据权利要求1所述的基于BIRCH聚类和高斯云分布的专变用户健康状况分析方法,其特征在于,所述导入专变用户数据,通过计算标准云图与实时云图之间的距离,确定专变用户运行健康状况,具体如下:
计算反映专变当前状态偏离标准状态的算术平均最小贴近度h;
将得到的算术平均最小贴近度h与预设阈值进行比对,根据比对结果判定专变用户的运行健康状况。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010935918.0A CN112308109A (zh) | 2020-09-08 | 2020-09-08 | 基于birch聚类和高斯云分布的专变用户健康状况分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010935918.0A CN112308109A (zh) | 2020-09-08 | 2020-09-08 | 基于birch聚类和高斯云分布的专变用户健康状况分析方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112308109A true CN112308109A (zh) | 2021-02-02 |
Family
ID=74483805
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010935918.0A Pending CN112308109A (zh) | 2020-09-08 | 2020-09-08 | 基于birch聚类和高斯云分布的专变用户健康状况分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112308109A (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103530866A (zh) * | 2012-12-31 | 2014-01-22 | 刘玉超 | 一种基于高斯云变换的图像处理方法及装置 |
US20140334685A1 (en) * | 2013-05-08 | 2014-11-13 | Caterpillar Inc. | Motion estimation system utilizing point cloud registration |
CN109307811A (zh) * | 2018-08-06 | 2019-02-05 | 国网浙江省电力有限公司宁波供电公司 | 一种基于大数据挖掘的用户专用变压器用电监测方法 |
CN109491339A (zh) * | 2018-11-16 | 2019-03-19 | 国网江苏省电力有限公司盐城供电分公司 | 一种基于大数据的变电站设备运行状态预警系统 |
CN110163228A (zh) * | 2018-04-11 | 2019-08-23 | 遵义师范学院 | 一种云概念相似性度量方法 |
CN110443830A (zh) * | 2019-08-14 | 2019-11-12 | 大连海事大学 | 一种基于混合高斯背景模型的降水云团检测方法 |
US20200104440A1 (en) * | 2018-09-30 | 2020-04-02 | Wuhan University | Method for evaluating state of power transformer |
CN111144440A (zh) * | 2019-11-28 | 2020-05-12 | 中国电力科学研究院有限公司 | 一种专变用户日电力负荷特征的分析方法及装置 |
-
2020
- 2020-09-08 CN CN202010935918.0A patent/CN112308109A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103530866A (zh) * | 2012-12-31 | 2014-01-22 | 刘玉超 | 一种基于高斯云变换的图像处理方法及装置 |
US20140334685A1 (en) * | 2013-05-08 | 2014-11-13 | Caterpillar Inc. | Motion estimation system utilizing point cloud registration |
CN110163228A (zh) * | 2018-04-11 | 2019-08-23 | 遵义师范学院 | 一种云概念相似性度量方法 |
CN109307811A (zh) * | 2018-08-06 | 2019-02-05 | 国网浙江省电力有限公司宁波供电公司 | 一种基于大数据挖掘的用户专用变压器用电监测方法 |
US20200104440A1 (en) * | 2018-09-30 | 2020-04-02 | Wuhan University | Method for evaluating state of power transformer |
CN109491339A (zh) * | 2018-11-16 | 2019-03-19 | 国网江苏省电力有限公司盐城供电分公司 | 一种基于大数据的变电站设备运行状态预警系统 |
CN110443830A (zh) * | 2019-08-14 | 2019-11-12 | 大连海事大学 | 一种基于混合高斯背景模型的降水云团检测方法 |
CN111144440A (zh) * | 2019-11-28 | 2020-05-12 | 中国电力科学研究院有限公司 | 一种专变用户日电力负荷特征的分析方法及装置 |
Non-Patent Citations (2)
Title |
---|
张建付: "大数据环境下智能电网关键设备健康评估", 《中国优秀硕士学位论文全文数据库信息辑》, no. 3, pages 1 - 5 * |
连子宽;姚力;刘晟源;余允涛;唐小淇;杨莉;林振智;: "基于t-SNE降维和BIRCH聚类的单相用户相位及表箱辨识", 电力系统自动化, no. 08 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107340492B (zh) | 基于大数据挖掘和场景预判的电能计量装置故障分析方法 | |
Ma et al. | Reducing identified parameters of measurement-based composite load model | |
Visconti et al. | Measurement-based load modeling using transfer functions for dynamic simulations | |
CN112288303B (zh) | 确定线损率的方式、装置 | |
CN111476427A (zh) | 低压台区拓扑识别方法及识别装置 | |
CN113872204B (zh) | 一种基于电网图拓扑计算的用电负荷性质确定方法及装置 | |
CN111612326A (zh) | 一种配变供电可靠性的综合评估方法 | |
Leal et al. | Distribution transformer losses evaluation: A new analytical methodology and artificial neural network approach | |
CN111654392A (zh) | 基于互信息的低压配电网拓扑识别方法及系统 | |
Bassi et al. | Model-free voltage calculations for pv-rich lv networks: Smart meter data and deep neural networks | |
CN113156247B (zh) | 一种电力系统低频振荡的预警方法及装置 | |
CN113687293A (zh) | 基于大数据的线损异常智能分析方法 | |
CN112308109A (zh) | 基于birch聚类和高斯云分布的专变用户健康状况分析方法 | |
CN111366889A (zh) | 一种智能电表异常用电检测方法 | |
CN115796711A (zh) | 配电线路降损的辅助决策方法及装置 | |
US20230100242A1 (en) | Electrical Phase Identification Using a Clustering Algorithm | |
CN113627655B (zh) | 一种配电网灾前故障场景模拟预测方法及装置 | |
Hu et al. | Real-time line loss calculation method based on equivalent resistance of low voltage distribution network | |
Lingang et al. | Research on integrated calculation method of theoretical line loss of MV and LV distribution Network based on Adaboost integrated learning | |
CN111815022A (zh) | 一种基于延时坐标嵌入法的电力负荷预测方法 | |
CN109541398A (zh) | 一种公共连接点处母线电压谐波污染水平的评估方法 | |
Masdzarif et al. | An efficient method for estimating energy losses in distribution's feeder | |
CN110378597B (zh) | 一种光伏发电设备故障电流在线计算方法及装置 | |
CN113283702B (zh) | 融合电力系统安全稳定特性的潮流状态评价方法及装置 | |
Zhang et al. | A good point set-based knowledgebase generation scheme for power system intelligent dynamic security assessment |
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 |