CN113010917B - 面向同期线损管理系统具有隐私保护的降损分析处理方法 - Google Patents
面向同期线损管理系统具有隐私保护的降损分析处理方法 Download PDFInfo
- Publication number
- CN113010917B CN113010917B CN202110281788.8A CN202110281788A CN113010917B CN 113010917 B CN113010917 B CN 113010917B CN 202110281788 A CN202110281788 A CN 202110281788A CN 113010917 B CN113010917 B CN 113010917B
- Authority
- CN
- China
- Prior art keywords
- clustering
- line loss
- processing
- loss
- privacy
- 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.)
- Active
Links
- 230000009467 reduction Effects 0.000 title claims abstract description 52
- 238000004458 analytical method Methods 0.000 title claims abstract description 28
- 238000003672 processing method Methods 0.000 title claims abstract description 8
- 239000013598 vector Substances 0.000 claims abstract description 68
- 238000012545 processing Methods 0.000 claims abstract description 51
- 238000011160 research Methods 0.000 claims abstract description 32
- 238000011156 evaluation Methods 0.000 claims abstract description 20
- 238000013480 data collection Methods 0.000 claims abstract description 11
- 230000001360 synchronised effect Effects 0.000 claims abstract description 8
- 238000000034 method Methods 0.000 claims description 40
- 238000004590 computer program Methods 0.000 claims description 16
- 238000009826 distribution Methods 0.000 claims description 14
- 230000008859 change Effects 0.000 claims description 8
- 230000005611 electricity Effects 0.000 claims description 8
- 238000003860 storage Methods 0.000 claims description 6
- 230000007246 mechanism Effects 0.000 claims description 5
- 230000003203 everyday effect Effects 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 238000005065 mining Methods 0.000 claims description 2
- 238000011835 investigation Methods 0.000 claims 1
- 238000012549 training Methods 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 9
- 238000004422 calculation algorithm Methods 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 8
- 230000008901 benefit Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 4
- 230000009466 transformation Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000004134 energy conservation Methods 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 235000017166 Bambusa arundinacea Nutrition 0.000 description 1
- 235000017491 Bambusa tulda Nutrition 0.000 description 1
- 241001330002 Bambuseae Species 0.000 description 1
- 206010019233 Headaches Diseases 0.000 description 1
- 235000015334 Phyllostachys viridis Nutrition 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 239000011425 bamboo Substances 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 231100000869 headache Toxicity 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/60—Protecting data
- G06F21/62—Protecting access to data via a platform, e.g. using keys or access control rules
- G06F21/6218—Protecting access to data via a platform, e.g. using keys or access control rules to a system of files or objects, e.g. local or distributed file system or database
- G06F21/6245—Protecting personal data, e.g. for financial or medical purposes
-
- 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
- G06F16/2462—Approximate or statistical queries
-
- 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
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
- 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)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Databases & Information Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- General Engineering & Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Probability & Statistics with Applications (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Software Systems (AREA)
- Bioethics (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Water Supply & Treatment (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Computer Security & Cryptography (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
Abstract
本发明提供了一种面向同期线损管理系统具有隐私保护的降损分析处理方法,具体包括以下步骤:数据收集节点扫描同期线损管理系统运行信息;将所述运行信息中的隐私属性,添加噪声数据,并将运行信息处理形成离散特征向量;将所述离散特征向量分发给处理服务器;服务器将各节点当前t个时刻的离散特征向量序列输入至降损模型处理得到具有离散特征间隐含关系的输出向量;将所述输出向量发送给降损分析节点,节点实现所属系统研究对象线损分析与降损空间评估。本发明通过结合隐私保护,有效地提高了数据的可用性。
Description
技术领域
本发明涉及电力控制技术领域,特别是一种面向同期线损管理系统具有隐私保护的降损分析处理方法。
背景技术
线损问题一直是令众多电力企业头痛的问题之一,其一直没有得到很好的解决。线损作为能够对电力行业产生重要影响的经济技术指标之一,其不仅可以反映出企业的综合管理水平,同时还能够对供电企业的社会效益和经济效益产生重大影响。甚至可以说,在一些条件下,线损决定了供电企业的经济效益和社会效益。如果供电企业想要实现可持续发展,那么其必须重视降低线损;如果供电企业希望能够达到持续快速的发展,那么,其必须加强对线损的管理,在加强管理的过程中取得良好的收益,只有这样才能够真正实现节能降耗,才能真正提高企业的经济效益;否则,供电企业只能一步一步走下坡路。因此,降低线损对提高供电企业管理水平及社会效益上来说意义极其重大。提高供电企业在线损管理方面的水平,从而实现节能降耗,已经成为一个亟需解决的重要问题。而且,线损管理不仅仅是一项复杂的管理方面的工作,其更是一项需要花费大量时间成本的工作,其有效性直接影响着供电企业的电力系统的正常运行,影响着供电的安全性和可靠性。
目前,随着线损管理的技巧提升和科学技术在电网中的应用范围不断扩大,电力企业的线损管理水平有了一定提升,但仍存在提升的空间。在我国国内对于线损理论计算的研究成果丰富,曾有诸多学者和专家发表了多篇的相关理论文章,将他们进行整理起来进行计算和评估,发现我国对电力线损的计算主要有传统算法、新的潮流式计算方法和其他的一些算法。传统的理论线损计算方法:均方根电流法,最大电流法,平均电流法,等值电阻法,竹节法。改进的潮流算法:前推回代潮流计算法,牛顿法和改进牛顿法,改进快速解耦法,动态潮流法。新算法:遗传算法与人工神经网络算法,基于区间算法,模糊识别算法。利用电网调度自动化系统和管理信息系统分别形成基于潮流的、状态估计的理论线损值,基于电能计量系统的统计线损值,然后采用数学方法进行分析,最终应用于某地区电网,实验证明该方法计算出的综合线损率能够更接近于实际线损率。
目前,同期管理系统部分解决了数据统一归集的问题但是还存在如下一些问题:(1)电力营销、用电等数据涉及用户隐私、商业秘密,对该数据的开放应用面临着较大的隐私泄露风险。无法在更大范围开放进行数据挖掘;(2)同期线损管理系统往往无法有效定位损耗原因,无法给出技术降损或管理降损相关措施;(3)面对电网海量数据,同期线损管理系统无法有效识别和挖掘利用电网高损数据。
因此亟需一种可以保护隐私同时进行线损指标和降损评估的方法。
发明内容
有鉴于此,本发明的目的是提出一种面向同期线损管理系统具有隐私保护的降损分析处理方法,以解决现有技术问题中的不足。
本发明采用以下方案实现:一种面向同期线损管理系统具有隐私保护的降损分析处理方法,具体包括以下步骤:
数据收集节点扫描同期线损管理系统运行信息;
将所述运行信息中的隐私属性,添加噪声数据,并将运行信息处理形成离散特征向量;将所述离散特征向量分发给处理服务器;
服务器将各节点当前t个时刻的离散特征向量序列输入至降损模型处理得到具有离散特征间隐含关系的输出向量;
将所述输出向量发送给降损分析节点,节点实现所属系统研究对象线损分析与降损空间评估。
进一步地,所述将所述运行信息中的隐私属性,添加噪声数据,并将运行信息处理形成离散特征向量,具体为:
将每个数据收集节点每天的包括电网结构特征、设备物理参数、电网运行特征、用电结构特征在内的因素构成的多元历史信息序列,通过对研究对象原始隐私数据引入多方拉普拉斯机制在属性分组的边际分布中加入隐私等级对应的噪声,从而保证该阶段的隐私保护;然后对节点每天的历史信息序列分别进行编码,得到不同数据收集节点不同日期的信息向量。
进一步地,所述研究对象包括电网线路、电网台区或电网设备。
进一步地,所述原始隐私数据为包括名称、标识、地址、时间戳在内的身份数据。
进一步地,所述隐私等级对应于原始隐私数据公开等级,所述公开等级包括低等级、中等级、高等级。
进一步地,所述将运行信息处理形成离散特征向量具体为:
对隐私处理后的运行信息依次进行编码处理和向量化处理,得到离散特征向量,所述的离散特征包括:电网结构指标、设备物理参数指标、电网运行特征指标以及用电特征指标。
进一步地,所述服务器将各节点当前t个时刻的离散特征向量序列输入至降损模型处理得到具有离散特征间隐含关系的输出向量具体为:
从不同研究对象不同日期的历史特征向量中选取多个特征向量作为本次聚类的多个聚类中心;
根据不同研究对象不同日期的历史信息向量与每个聚类中心的相似度,分别计算不同研究对象不同日期的历史信息向量与每个本次聚类中心的相似度,将最大的相似度对应的本次聚类中心作为不同研究对象不同日期的历史信息向量在本次聚类中归属的聚类中心;
将每个不同研究对象不同日期的历史信息向量与各自归属的聚类中心的相似度之和作为本次聚类总得分;
迭代,直至聚类总得分变化小于给定阈值;根据最后聚类结果为当前研究对象确定聚类标签;
根据确定的研究对象的聚类标签,将每个不同研究对象的线损指标作为该类研究对象的评价参考;
根据研究对象的聚类标签,将每个不同研究对象相邻类别的线损指标作为该类研究对象降损空间的评价参考。
本发明提供了一种面向同期线损管理系统具有隐私保护的降损分析处理系统,包括存储器、处理器以及存储于存储器上并能够被处理器运行的计算机程序指令,当处理器运行该计算机程序指令时,能够实现如上文所述的方法步骤。
本发明还提供了一种计算机存储介质,其上存储有能够被处理器运行的计算机程序指令,当处理器运行该计算机程序指令时,能够实现如上文所述的方法步骤。
与现有技术相比,本发明有以下有益效果:本发明通过结合隐私保护,有效地提高了数据的可用性;从研究对象的电网结构指标、设备物理参数指标、电网运行特征指标、用电特征指标等多个维度,学习不同线损数据变化规律,有效压缩了参数数量;最终改善了现有同期管理系统中的问题,提高了线损参数和降损空间评估的准确性。
附图说明
图1为本发明实施例的方法流程示意图。
图2为本发明实施例的聚类的参数指标体系结构示意图。
图3为本发明实施例的系统网络结构图。
图4为本发明实施例的按隐私等级保护的模型示意图。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
应该指出,以下详细说明都是示例性的,旨在对本申请提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
如图1至图4所示,本实施例提供了一种面向同期线损管理系统具有隐私保护的降损分析处理方法,具体包括以下步骤:
数据收集节点扫描同期线损管理系统运行信息;
将所述运行信息中的隐私属性,添加噪声数据,并将运行信息处理形成离散特征向量;将所述离散特征向量分发给处理服务器;
服务器将各节点当前t个时刻的离散特征向量序列输入至降损模型处理得到具有离散特征间隐含关系的输出向量;
将所述输出向量发送给降损分析节点,节点实现所属系统研究对象线损分析与降损空间评估。
在本实施例中,所述将所述运行信息中的隐私属性,添加噪声数据,并将运行信息处理形成离散特征向量,具体为:
将每个数据收集节点每天的包括电网结构特征、设备物理参数、电网运行特征、用电结构特征在内的因素构成的多元历史信息序列,通过对研究对象原始隐私数据引入多方拉普拉斯机制在属性分组的边际分布中加入隐私等级对应的噪声,从而保证该阶段的隐私保护;然后对节点每天的历史信息序列分别进行编码,得到不同数据收集节点不同日期的信息向量。
电网线损评价的影响因素维度多,而考虑到不同地区的电网结构、负载水平等不尽相同,显然会导致各影响因素在地区线损中的主导权重也不同,首先构建如图2所示的线损影响因素指标层次分析模型,分别计算不同地区的线损指标。具体的,本实施例中使用:
线路供电半径:对于各电压等级线路平均长度,则线路平均长度越大的电网,其线路损耗也相对要高,从而整个电网的技术线损也较高。又因为低压相对于高压而言,线路损耗占总损耗的比重较大,故惩罚度高。对于各电压等级线路平均长度,则线路平均长度越大的电网,其线路损耗也相对要高,从而整个电网的技术线损也较高。
电压等级层次:假设两个电网的负荷总量相同且基本都是挂在最低电压等级,则当电压等级层次越多,该电网的技术线损越高,因为层次越多说明其经过的电能转换次数越多,无形中增加了变压器的损耗。因此,为了同时考虑变电层次和电压等级两者的影响,在构建电压等级层次指标的数学模型时,就变电层次问题引入惩罚系数,所述惩罚系数即为变电层次数。基于电压等级高的线损相对低的特点,为分压线损率引入系数,该系数可以根据具体情况定义为电压等级由高到低排序的序号,从而突出电压等级对线损的影响。计算得到的电压等级层次越大,则线损率越高。
负荷时间分布:电网中的负荷时序数据可以反映负荷在一定时期内的分布情况,当电网长时间处于高负荷状态时,系统的线损就会相对较大。若电网的负荷水平比较平稳则其线损要相对较小。所述负荷时间分布的波动系数用负荷的反差来衡量,其值越大,表明电网的波动越大,一般而言相应的线损也会较大。
供电密度:供电密度即每单位面积的供电量,供电密度可以反映一个地区的用电能力。一般来说,供电密度越高说明电网负载越大,线损率也相对较高,反之则线损率就越低。
在本实施例中,所述研究对象包括电网线路、电网台区或电网设备。
在本实施例中,所述原始隐私数据为包括名称、标识、地址、时间戳在内的身份数据。
在本实施例中,所述隐私等级对应于原始隐私数据Dk的公开等级,所述公开等级包括低等级、中等级、高等级。
较佳的,如图4所示,节点对历史信息序列进行隐私保护,隐私等级越高(m越小),隐私保护越严格,加入的噪声越多。根据应用场景,本实施例将应用系统对应不同的信用水平τ,可以得到其数据所使用的隐私预算。对于时间戳进行自适应概化处理,对时间戳采用分粒度的概化根据隐私等级划分粒度为其中K为时间段内初始总的数据数目,为其隐私预算。
根据该隐私预算和边际分布的敏感度,节点在统计信息中加入合适的噪声,这样保证了满足分层的隐私保护。
根据该隐私预算和边际分布的敏感度,节点在统计信息中加入合适的噪声,这样保证了满足分层的隐私保护。
各个节点系统的边际分布(联合概率分布函数的边际分布)进行统计,计算每个候选属性-父亲节点集合对中属性与其候选父节点集合的互信息I(Xi,Πi)。并选取其中最大值为该属性的父节点集合,这样就确定了贝叶斯网络N的结构。
节点在共享的模型下,先对时间戳进行第一层自适应概化,并且计算每个数学技巧父节点结合的带噪声的边际分布,并利用该边际分布,计算计算属性Xi在给定父节点集合Πi时的条件分布Pk(Xi,Πi),i=1,…,d。这个阶段使用拉普拉斯机制在边际分布中加入εu预算的噪声,这样在联合发布阶段,数据满足了隐私保护。
第一步时间戳概化后处在不同的时间段中在后续处理中维持不变。每一个时间段中包含的节点数据,在进行第二步隐私处理时,根据时间段中的节点数据数目独立进行概化,得到最终的时间戳。
然后分别进行编码,得到不同节点不同研究对象的不同日期的信息向量。
在本实施例中,所述将运行信息处理形成离散特征向量具体为:
对隐私处理后的运行信息依次进行编码处理和向量化处理,得到离散特征向量,所述的离散特征包括:电网结构指标、设备物理参数指标、电网运行特征指标以及用电特征指标。
具体的,对离散特征的数值依次进行one-hot编码处理和向量化处理,得到节点对象的信息离散特征向量。即将数值转化为一个由0和1组成的向量,如果参数个数为S,样本数量为N,则输入是一个N*S的矩阵。
编码可以消除离散数据本身所带有的偏差减低计算复杂度,也可以降低网络通信负载。进行编码之后的数据也利于在各种大数据处理平台上都进行了优化加速处理。
在本实施例中,所述服务器将各节点当前t个时刻的离散特征向量序列输入至降损模型处理得到具有离散特征间隐含关系的输出向量具体为:
从不同研究对象不同日期的历史特征向量中选取多个特征向量作为本次聚类的多个聚类中心;在线损分析和降损空间评估这样的场景中,研究对象特征与特征之间隐含着时间、空间、构型、负载、网络结构、用电结构的信息,例如:A台区与B台区的构型、负载、网络结构、用电结构、时间是否存在联系。进而其线损大小、降损空间否存在联系。因此本实施例对特征进行交叉组合然后进行聚类,就是对这样的隐含信息进行挖掘的过程。交叉分组个数依据线损主要参数、降损措施手段对应的离散特征进行。
根据不同研究对象不同日期的历史信息向量与每个聚类中心的相似度,分别计算不同研究对象不同日期的历史信息向量与每个本次聚类中心的相似度,将最大的相似度对应的本次聚类中心作为不同研究对象不同日期的历史信息向量在本次聚类中归属的聚类中心;遍历完成后,对于所有属于同一聚类标签的离散信息向量形成聚类集,并计算中心向量,作为本次聚类中心。
将每个不同研究对象不同日期的历史信息向量与各自归属的聚类中心的相似度之和作为本次聚类总得分;优选地,多个聚类中心的数量为3(指标的高、中、低)。
迭代,直至聚类总得分变化小于给定阈值;根据最后聚类结果为当前研究对象确定聚类标签;判断本次聚类总得分与上次聚类总得分的变化是否小于设定阈值;若判断结果为小于设定阈值,则根据本次聚类结果判断对象状态,根据确定聚类标签;若判断结果为不小于预设值,则重新聚类,直至相邻两次聚类总得分的变化小于设定阈值,根据最后一次的聚类结果判断其状体,并设置其聚类标签。
根据确定的研究对象的聚类标签,将每个不同研究对象的线损指标作为该类研究对象的评价参考;
根据研究对象的聚类标签,将每个不同研究对象相邻类别的线损指标作为该类研究对象降损空间的评价参考。
本实施例对研究对象进行聚类,以线损质量为标签,利用训练完成的模型对信息进行编码,对所有样本进行聚类去得分最高的聚类中心位样本的聚类中心向量。以聚类标签判断研究对象的线损特征水平。以聚类整体的线损水平、最大值、最小值为研究对象线损指标的指示。
本实施例对研究对象特征进行交叉分组,进行聚类,以线损作为标签,利用训练完成的模型对信息进行编码。对所有样本进行聚类去得分最高的聚类中心位样本的聚类中心向量。以各组聚类整体的线损水平、最大值、最小值为研究对象线损指标的指示。根据聚类中心线损指标作为研究对象降损空间评估指示。
最后,将所述输出向量发送给降损分析节点,节点实现所属系统研究对象线损分析与降损空间评估。
本实施例提供了一种面向同期线损管理系统具有隐私保护的降损分析处理系统,包括存储器、处理器以及存储于存储器上并能够被处理器运行的计算机程序指令,当处理器运行该计算机程序指令时,能够实现如上文所述的方法步骤。
本实施例还提供了一种计算机存储介质,其上存储有能够被处理器运行的计算机程序指令,当处理器运行该计算机程序指令时,能够实现如上文所述的方法步骤。
通过本发明实施例提供的上述方法,最终改善了现有同期管理系统中的问题,提高了线损参数和降损空间评估的准确性。如上所述,借助本发明,最终改善了现有同期管理系统中的问题,提高了线损参数和降损空间评估的准确性。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述,仅是本发明的较佳实施例而已,并非是对本发明作其它形式的限制,任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例。但是凡是未脱离本发明技术方案内容,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型,仍属于本发明技术方案的保护范围。
Claims (8)
1.一种面向同期线损管理系统具有隐私保护的降损分析处理方法,其特征在于,包括以下步骤:
数据收集节点扫描同期线损管理系统运行信息;
将所述运行信息中的隐私属性,添加噪声数据,并将运行信息处理形成离散特征向量;将所述离散特征向量分发给处理服务器;
服务器将各节点当前t个时刻的离散特征向量序列输入至降损模型处理得到具有离散特征间隐含关系的输出向量;
将所述输出向量发送给降损分析节点,节点实现所属系统研究对象线损分析与降损空间评估;
所述服务器将各节点当前t个时刻的离散特征向量序列输入至降损模型处理得到具有离散特征间隐含关系的输出向量具体为:
从不同研究对象不同日期的历史特征向量中选取多个特征向量作为本次聚类的多个聚类中心;在线损分析和降损空间评估这样的场景中,研究对象特征与特征之间隐含着时间、空间、构型、负载、网络结构、用电结构的信息;对特征进行交叉组合然后进行聚类,就是对这样的隐含信息进行挖掘的过程;交叉分组个数依据线损主要参数、降损措施对应的离散特征进行;
根据不同研究对象不同日期的历史信息向量与每个聚类中心的相似度,分别计算不同研究对象不同日期的历史信息向量与每个本次聚类中心的相似度,将最大的相似度对应的本次聚类中心作为不同研究对象不同日期的历史信息向量在本次聚类中归属的聚类中心;遍历完成后,对于所有属于同一聚类标签的离散信息向量形成聚类集,并计算中心向量,作为本次聚类中心;
将每个不同研究对象不同日期的历史信息向量与各自归属的聚类中心的相似度之和作为本次聚类总得分;
迭代,直至聚类总得分变化小于给定阈值;根据最后聚类结果为当前研究对象确定聚类标签;判断本次聚类总得分与上次聚类总得分的变化是否小于设定阈值;若判断结果为小于设定阈值,则根据本次聚类结果判断对象状态,根据确定聚类标签;若判断结果为不小于预设值,则重新聚类,直至相邻两次聚类总得分的变化小于设定阈值,根据最后一次的聚类结果判断其状态,并设置其聚类标签;
根据确定的研究对象的聚类标签,将每个不同研究对象的线损指标作为该类研究对象的评价参考;
根据研究对象的聚类标签,将每个不同研究对象相邻类别的线损指标作为该类研究对象降损空间的评价参考;
对研究对象进行聚类,以线损质量为标签,利用训练完成的模型对信息进行编码,对所有样本进行聚类去得分最高的聚类中心位样本的聚类中心向量;以聚类标签判断研究对象的线损特征水平;以聚类整体的线损水平、最大值、最小值为研究对象线损指标的指示;
对研究对象特征进行交叉分组,进行聚类,以线损作为标签,利用训练完成的模型对信息进行编码;对所有样本进行聚类去得分最高的聚类中心位样本的聚类中心向量;以各组聚类整体的线损水平、最大值、最小值为研究对象线损指标的指示;根据聚类中心线损指标作为研究对象降损空间评估指示。
2.根据权利要求1所述的一种面向同期线损管理系统具有隐私保护的降损分析处理方法,其特征在于,所述将所述运行信息中的隐私属性,添加噪声数据,并将运行信息处理形成离散特征向量,具体为:
将每个数据收集节点收集每天的包括电网结构特征、设备物理参数、电网运行特征、用电结构特征在内的因素构成的多元历史信息序列,通过对研究对象原始隐私数据引入多方拉普拉斯机制在属性分组的边际分布中加入隐私等级对应的噪声,从而保证阶段的隐私保护;然后对节点每天的历史信息序列分别进行编码,得到不同数据收集节点不同日期的信息向量。
3.根据权利要求2所述的一种面向同期线损管理系统具有隐私保护的降损分析处理方法,其特征在于,所述研究对象包括电网线路、电网台区或电网设备。
4.根据权利要求2所述的一种面向同期线损管理系统具有隐私保护的降损分析处理方法,其特征在于,所述原始隐私数据为包括名称、标识、地址、时间戳在内的身份数据。
5.根据权利要求2所述的一种面向同期线损管理系统具有隐私保护的降损分析处理方法,其特征在于,所述隐私等级对应于原始隐私数据公开等级,所述公开等级包括低等级、中等级、高等级。
6.根据权利要求1所述的一种面向同期线损管理系统具有隐私保护的降损分析处理方法,其特征在于,所述将运行信息处理形成离散特征向量具体为:
对隐私处理后的运行信息依次进行编码处理和向量化处理,得到离散特征向量,所述的离散特征包括:电网结构指标、设备物理参数指标、电网运行特征指标以及用电特征指标。
7.一种面向同期线损管理系统具有隐私保护的降损分析处理系统,其特征在于,包括存储器、处理器以及存储于存储器上并能够被处理器运行的计算机程序指令,当处理器运行该计算机程序指令时,能够实现如权利要求1-6任一项所述的方法步骤。
8.一种计算机存储介质,其特征在于,其上存储有能够被处理器运行的计算机程序指令,当处理器运行该计算机程序指令时,能够实现如权利要求1-6任一项所述的方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110281788.8A CN113010917B (zh) | 2021-03-16 | 2021-03-16 | 面向同期线损管理系统具有隐私保护的降损分析处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110281788.8A CN113010917B (zh) | 2021-03-16 | 2021-03-16 | 面向同期线损管理系统具有隐私保护的降损分析处理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113010917A CN113010917A (zh) | 2021-06-22 |
CN113010917B true CN113010917B (zh) | 2023-05-05 |
Family
ID=76408403
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110281788.8A Active CN113010917B (zh) | 2021-03-16 | 2021-03-16 | 面向同期线损管理系统具有隐私保护的降损分析处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113010917B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110110907A (zh) * | 2019-04-19 | 2019-08-09 | 国网天津市电力公司电力科学研究院 | 一种低压台区特征参数的提取方法 |
CN110322353A (zh) * | 2019-07-12 | 2019-10-11 | 国网重庆市电力公司电力科学研究院 | 一种基于互联网平台的居民电力用户实时错峰交易方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150371059A1 (en) * | 2014-06-18 | 2015-12-24 | Palo Alto Research Center Incorporated | Privacy-sensitive ranking of user data |
CN109376549B (zh) * | 2018-10-25 | 2021-09-10 | 广州电力交易中心有限责任公司 | 一种基于差分隐私保护的电力交易大数据发布方法 |
CN109858522A (zh) * | 2018-12-29 | 2019-06-07 | 国网天津市电力公司电力科学研究院 | 一种基于数据挖掘的管理线损异常识别方法 |
CN109740346B (zh) * | 2018-12-29 | 2020-07-14 | 南方电网科学研究院有限责任公司 | 基于电力系统边缘计算的隐私保护方法及系统 |
-
2021
- 2021-03-16 CN CN202110281788.8A patent/CN113010917B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110110907A (zh) * | 2019-04-19 | 2019-08-09 | 国网天津市电力公司电力科学研究院 | 一种低压台区特征参数的提取方法 |
CN110322353A (zh) * | 2019-07-12 | 2019-10-11 | 国网重庆市电力公司电力科学研究院 | 一种基于互联网平台的居民电力用户实时错峰交易方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113010917A (zh) | 2021-06-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106909933A (zh) | 一种三阶段多视角特征融合的窃电分类预测方法 | |
CN110738435A (zh) | 一种配电网项目投资决策评价方法 | |
CN110082699A (zh) | 一种低压台区智能电能表运行误差计算方法及其系统 | |
CN110689162B (zh) | 一种基于用户侧分类的母线负荷预测方法、装置及系统 | |
CN105843189B (zh) | 一种用于半导体生产线基于简化仿真模型的高效调度规则选择方法 | |
CN106779219A (zh) | 一种用电量预测方法及系统 | |
CN109978268A (zh) | 一种短期负荷预测方法、系统及相关装置 | |
Sang et al. | Electricity price prediction for energy storage system arbitrage: A decision-focused approach | |
CN115564071A (zh) | 一种电力物联网设备数据标签生成方法及系统 | |
CN111460001A (zh) | 一种配电网理论线损率评估方法及系统 | |
CN112803398A (zh) | 基于经验模态分解和深度神经网络的负荷预测方法及系统 | |
CN116169670A (zh) | 一种基于改进神经网络的短期非居民负荷预测方法及系统 | |
CN105488598A (zh) | 一种基于模糊聚类的中长期电力负荷预测方法 | |
Cai et al. | Credit Payment Fraud detection model based on TabNet and Xgboot | |
Guan et al. | Customer load forecasting method based on the industry electricity consumption behavior portrait | |
Peng et al. | Research on the random multi-attribute decision-making methods with trapezoidal fuzzy probability based on prospect theory | |
Wang et al. | Sustainable investment forecasting of power grids based on the deep restricted Boltzmann machine optimized by the lion algorithm | |
CN113361776A (zh) | 一种基于用户用电行为聚类的电力负荷概率预测方法 | |
CN113010917B (zh) | 面向同期线损管理系统具有隐私保护的降损分析处理方法 | |
CN115528750B (zh) | 一种面向电网安全稳定的数据模型混合驱动机组组合方法 | |
CN112001578A (zh) | 一种适用于广义储能资源优化调度方法及系统 | |
CN113837486B (zh) | 一种基于rnn-rbm的配网馈线长期负荷预测方法 | |
Liu et al. | Short-term power load forecasting via recurrent neural network with similar day selection | |
Guan et al. | A novel demand response potential assessment method for industrial users | |
CN112348275A (zh) | 一种基于在线增量学习的区域生态环境变化预测方法 |
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 |