CN113792824A - 一种配电网故障停电影响区域分类方法和系统 - Google Patents

一种配电网故障停电影响区域分类方法和系统 Download PDF

Info

Publication number
CN113792824A
CN113792824A CN202111358517.4A CN202111358517A CN113792824A CN 113792824 A CN113792824 A CN 113792824A CN 202111358517 A CN202111358517 A CN 202111358517A CN 113792824 A CN113792824 A CN 113792824A
Authority
CN
China
Prior art keywords
historical data
data samples
class
classification
index
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
Application number
CN202111358517.4A
Other languages
English (en)
Inventor
赵云云
陈黎丽
彭元泉
招嘉华
田涵宁
伍嘉诚
何伟谊
陶思思
赵加铭
陈业铭
刘京
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.)
Foshan Power Supply Bureau of Guangdong Power Grid Corp
Original Assignee
Foshan Power Supply Bureau of Guangdong Power Grid Corp
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 Foshan Power Supply Bureau of Guangdong Power Grid Corp filed Critical Foshan Power Supply Bureau of Guangdong Power Grid Corp
Priority to CN202111358517.4A priority Critical patent/CN113792824A/zh
Publication of CN113792824A publication Critical patent/CN113792824A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • 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

Landscapes

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

Abstract

本发明公开了一种配电网故障停电影响区域分类方法和系统，涉及配电网故障停电管控技术领域，针对来自不同区域的配电网，基于电网规模指标、网架结构指标及故障停电影响指标三大维度特征指标，采用小批量均值聚类方式进行分类，摆脱对历史数据量有较高要求的限制，通过分类结果，可以深度挖掘出具备相似配电网故障停电影响特征的分区，可用于配网故障停电分类区域差异化管控，根据区域特征精准制定供电可靠性指标提升策略。

Description

一种配电网故障停电影响区域分类方法和系统
技术领域
本发明涉及配电网故障停电管控技术领域，尤其涉及一种配电网故障停电影响区域分类方法和系统。
背景技术
配电网停电故障是造成用户停电的主要原因之一，减少故障停电影响、提升故障复电效率是电力企业供电可靠性管理的重要内容。配电网不同区域因电网规模指标、网架结构指标及故障管控水平的差距造成故障停电影响指标呈现出差异化特征，因而，对配电网故障停电综合状况进行区域分类，有利于定量挖掘故障停电管控水平区域特征，从而针对不同分类片区管控搭建差异化的业务分析模型，因地制宜制定针对性的管理提升策略。
发明内容
本发明实施例提供了一种配电网故障停电影响区域分类方法和系统，用以对配电网故障停电影响区域进行分类，为后续定量挖掘故障停电管控水平区域特征、针对不同分类片区管控搭建差异化的业务分析模型和因地制宜制定针对性的管理提升策略提供可靠指导。
有鉴于此，本发明第一方面提供了一种配电网故障停电影响区域分类方法，包括以下步骤：
S1、采集若干个不同区域的包括电网规模指标、网架结构指标和故障停电影响指标的历史数据样本；
S2、根据确定的分类类型数量
Figure 950408DEST_PATH_IMAGE001
，将所有历史数据样本随机分成
Figure 149308DEST_PATH_IMAGE001
个初始类，其中，
Figure 113459DEST_PATH_IMAGE002
，n为历史数据样本总数；
S3、计算每个初始类的聚类中心；
S4、计算所有历史数据样本到每个聚类中心的欧几里得距离；
S5、对于每个历史数据样本，归入到与聚类中心的欧几里得距离最小的类别，得到新的
Figure 434719DEST_PATH_IMAGE001
个分类；
S6、重复步骤S2至步骤S5，直至第m次计算得到的每个分类的聚类中心与第m+1次计算得到的每个分类的聚类中心重叠，或者第m+1次和第m次的历史数据样本到每个聚类中心的欧几里得距离差小于阈值，得到分类结果。
可选地，在步骤S2之前还包括：
对历史数据样本进行标准化处理，标准化处理公式为：
Figure 189049DEST_PATH_IMAGE003
其中，
Figure 988377DEST_PATH_IMAGE004
为对
Figure 511763DEST_PATH_IMAGE005
标准化的数据值，
Figure 3924DEST_PATH_IMAGE005
为选定指标x第m年的数据值，
Figure 543752DEST_PATH_IMAGE006
为指标
Figure 84455DEST_PATH_IMAGE007
的若干年数据的平均值，
Figure 790242DEST_PATH_IMAGE008
为指标
Figure 125409DEST_PATH_IMAGE007
的若干年数据的标准差，
Figure 916647DEST_PATH_IMAGE009
。
可选地，步骤S4中，每个历史数据样本到每个聚类中心的欧几里得距离的计算公式为：
Figure 995462DEST_PATH_IMAGE010
其中，
Figure 555756DEST_PATH_IMAGE011
为第q个历史数据样本到第i类聚类中心的欧几里得距离，
Figure 622676DEST_PATH_IMAGE012
为归属于第i类的历史数据样本数量，
Figure 838893DEST_PATH_IMAGE013
为归属于第i类的第J个电力企业的第l个自变量指标，
Figure 783716DEST_PATH_IMAGE014
为第q个历史数据样本的第l个自变量指标值，d为自变量指标数量。
可选地，在步骤S6之后还包括：
基于样本平均轮廓系数对分类结果的有效性进行评估，有效性评估公式为：
Figure 136200DEST_PATH_IMAGE015
其中，
Figure 141065DEST_PATH_IMAGE016
为第i类的所有历史数据样本的样本平均轮廓系数，
Figure 641316DEST_PATH_IMAGE017
为阈值，
Figure 61933DEST_PATH_IMAGE018
为历史数据样本t的轮廓系数，
Figure 98285DEST_PATH_IMAGE019
，
Figure 946155DEST_PATH_IMAGE020
为历史数据样本t与同属于一个类别的其它历史数据样本间的欧几里得距离平均值，
Figure 933703DEST_PATH_IMAGE021
为历史数据样本t与同属于一个离历史数据样本t类别最近的类别的历史数据样本间的欧几里得距离平均值。
本发明第二方面还提供了一种配电网故障停电影响区域分类系统，包括以下模块：
数据采集模块，用于采集若干个不同区域的包括电网规模指标、网架结构指标和故障停电影响指标的历史数据样本；
随机分类模块，根据确定的分类类型数量
Figure 220327DEST_PATH_IMAGE001
，将所有历史数据样本随机分成
Figure 609720DEST_PATH_IMAGE001
个初始类，其中，
Figure 894071DEST_PATH_IMAGE002
，n为历史数据样本总数；
聚类中心计算模块，用于计算每个初始类的聚类中心；
距离计算模块，用于计算所有历史数据样本到每个聚类中心的欧几里得距离；
二次分类模块，对于每个历史数据样本，归入到与聚类中心的欧几里得距离最小的类别，得到新的
Figure 867450DEST_PATH_IMAGE001
个分类；
循环模块，用于返回随机分类模块，直至聚类中心计算模块第m次计算得到的每个分类的聚类中心与第m+1次计算得到的每个分类的聚类中心重叠，或者距离计算模块计算的第m+1次和第m次的历史数据样本到每个聚类中心的欧几里得距离差小于阈值，得到分类结果。
可选地，还包括：
标准化模块，用于对历史数据样本进行标准化处理，标准化处理公式为：
Figure 692187DEST_PATH_IMAGE003
其中，
Figure 873769DEST_PATH_IMAGE004
为对
Figure 391338DEST_PATH_IMAGE005
标准化的数据值，
Figure 291161DEST_PATH_IMAGE005
为选定指标x第m年的数据值，
Figure 919589DEST_PATH_IMAGE006
为指标
Figure 519459DEST_PATH_IMAGE007
的若干年数据的平均值，
Figure 145613DEST_PATH_IMAGE008
为指标
Figure 595049DEST_PATH_IMAGE007
的若干年数据的标准差，
Figure 699271DEST_PATH_IMAGE009
。
可选地，在距离计算模块中，每个历史数据样本到每个聚类中心的欧几里得距离的计算公式为：
Figure 917763DEST_PATH_IMAGE010
其中，
Figure 777134DEST_PATH_IMAGE011
为第q个历史数据样本到第i类聚类中心的欧几里得距离，
Figure 385970DEST_PATH_IMAGE012
为归属于第i类的历史数据样本数量，
Figure 120315DEST_PATH_IMAGE013
为归属于第i类的第J个电力企业的第l个自变量指标，
Figure 130996DEST_PATH_IMAGE014
为第q个历史数据样本的第l个自变量指标值，d为自变量指标数量。
可选地，还包括：
分类有效性评估模块，用于基于样本平均轮廓系数对分类结果的有效性进行评估，有效性评估公式为：
Figure 161269DEST_PATH_IMAGE015
其中，
Figure 319718DEST_PATH_IMAGE016
为第i类的所有历史数据样本的样本平均轮廓系数，
Figure 765743DEST_PATH_IMAGE017
为阈值，
Figure 958826DEST_PATH_IMAGE018
为历史数据样本t的轮廓系数，
Figure 97684DEST_PATH_IMAGE019
，
Figure 244894DEST_PATH_IMAGE020
为历史数据样本t与同属于一个类别的其它历史数据样本间的欧几里得距离平均值，
Figure 556926DEST_PATH_IMAGE021
为历史数据样本t与同属于一个离历史数据样本t类别最近的类别的历史数据样本间的欧几里得距离平均值。
从以上技术方案可以看出，本发明实施例具有以下优点：
本发明实施例提供的配电网故障停电影响区域分类方法，针对来自不同区域的配电网，基于电网规模指标、网架结构指标及故障停电影响指标三大维度特征指标，采用小批量均值聚类方式进行分类，摆脱对历史数据量有较高要求的限制，通过分类结果，可以深度挖掘出具备相似配电网故障停电影响特征的分区，可用于配网故障停电分类区域差异化管控，根据区域特征精准制定供电可靠性指标提升策略。因而，达到了对配电网故障停电影响区域进行分类，为后续定量挖掘故障停电管控水平区域特征、针对不同分类片区管控搭建差异化的业务分析模型和因地制宜制定针对性的管理提升策略提供可靠指导的技术效果。
附图说明
图1为本发明实施例中提供的一种配电网故障停电影响区域分类方法的流程示意图；
图2为本发明实施例中提供的一种配电网故障停电影响区域分类系统的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
为了便于理解，请参阅图1，本发明中提供了一种配电网故障停电影响区域分类方法的实施例，包括：
步骤101、采集若干个不同区域的包括电网规模指标、网架结构指标和故障停电影响指标的历史数据样本。
本发明实施例中，电网规模指标：线路总长度、架空线路总长度、电缆线路总长度、中压馈线数、配变总数；故障停电影响指标：户平均故障停电时间、故障停电平均持续时间、故障停电平均用户数、故障停电用户平均停电次数、故障停电用户平均每次停电时间；以及网架结构指标：单辐射线路数量比例、可转供电率、电缆化率、架空线平均分段数、配电自动化理论最小自愈率。每一个历史数据样本都是能够表达该区域特征的一组包含电网规模指标、网架结构指标和故障停电影响指标的指标数据。
在一个实施例中，为降低数据处理复杂度，可以对历史数据进行零一标准化处理。标准化处理公式为：
Figure 542200DEST_PATH_IMAGE003
其中，
Figure 914275DEST_PATH_IMAGE004
为对
Figure 984999DEST_PATH_IMAGE005
标准化的数据值，
Figure 100723DEST_PATH_IMAGE005
为选定指标x第m年的数据值，
Figure 524793DEST_PATH_IMAGE006
为指标
Figure 5453DEST_PATH_IMAGE007
的若干年数据的平均值，
Figure 360210DEST_PATH_IMAGE008
为指标
Figure 217308DEST_PATH_IMAGE007
的若干年数据的标准差，
Figure 973911DEST_PATH_IMAGE009
。
在一个实施例中，对历史数据进行标准化的方式也可以采用极差标准化处理：
Figure 687790DEST_PATH_IMAGE022
其中，
Figure 733106DEST_PATH_IMAGE004
为对
Figure 692097DEST_PATH_IMAGE005
标准化的数据值，
Figure 240890DEST_PATH_IMAGE005
为选定指标x第m年的数据值，
Figure 391249DEST_PATH_IMAGE023
表示指标x的若干年数据的最大值，
Figure 658282DEST_PATH_IMAGE024
表示指标x的若干年数据的最小值。
步骤102、根据确定的分类类型数量
Figure 653920DEST_PATH_IMAGE001
，将所有历史数据样本随机分成
Figure 385115DEST_PATH_IMAGE001
个初始类，其中，
Figure 204910DEST_PATH_IMAGE002
，n为历史数据样本总数。
步骤103、计算每个初始类的聚类中心。
本发明实施例中，分类类型数量
Figure 693661DEST_PATH_IMAGE001
可以根据实际的业务分析需求确定。对待分类的来自不同区域的电力企业历史数据样本
Figure 758569DEST_PATH_IMAGE025
，
Figure 344271DEST_PATH_IMAGE002
。将n个待分类的电力企业历史数据样本
Figure 570853DEST_PATH_IMAGE025
随机分成
Figure 812478DEST_PATH_IMAGE001
个初始类计算每一初始类内部样本的聚类中心
Figure 916963DEST_PATH_IMAGE026
。
步骤104、计算所有历史数据样本到每个聚类中心的欧几里得距离。
分别计算全体历史数据样本
Figure 357171DEST_PATH_IMAGE025
到每个分类的聚类中心
Figure 957917DEST_PATH_IMAGE026
，
Figure 483576DEST_PATH_IMAGE027
的欧几里得距离：
Figure 890287DEST_PATH_IMAGE010
其中，
Figure 388264DEST_PATH_IMAGE011
为第q个历史数据样本到第i类聚类中心的欧几里得距离，
Figure 455184DEST_PATH_IMAGE012
为归属于第i类的历史数据样本数量，
Figure 733718DEST_PATH_IMAGE013
为归属于第i类的第J个电力企业的第l个自变量指标，
Figure 616224DEST_PATH_IMAGE014
为第q个历史数据样本的第l个自变量指标值，d为自变量指标数量。
步骤105、对于每个历史数据样本，归入到与聚类中心的欧几里得距离最小的类别，得到新的
Figure 31025DEST_PATH_IMAGE028
个分类。
步骤106、重复步骤102至步骤105，直至第m次计算得到的每个分类的聚类中心与第m+1次计算得到的每个分类的聚类中心重叠，或者第m+1次和第m次的历史数据样本到每个聚类中心的欧几里得距离差小于阈值，得到分类结果。
重复步骤102至步骤105的操作若干次，直到第m次计算得到的每个分类的聚类中心
Figure 707994DEST_PATH_IMAGE029
与第m+1次计算得到的每个分类的聚类中心
Figure 208245DEST_PATH_IMAGE030
重叠，或者欧几里得距离：
Figure 894441DEST_PATH_IMAGE031
其中，阈值
Figure 665214DEST_PATH_IMAGE032
为预置值，取值越小算法收敛速度越慢，
Figure 840980DEST_PATH_IMAGE033
为第m+1次和第m次的历史数据样本到i个聚类中心的欧几里得距离差，
Figure 766211DEST_PATH_IMAGE034
为第m+1次计算的归属于第i类的第J个电力企业的第l个自变量指标，
Figure 52835DEST_PATH_IMAGE035
为第m次计算的归属于第i类的第J个电力企业的第l个自变量指标。
本发明实施例提供的配电网故障停电影响区域分类方法，针对来自不同区域的配电网，基于电网规模指标、网架结构指标及故障停电影响指标三大维度特征指标，采用小批量均值聚类方式进行分类，摆脱对历史数据量有较高要求的限制，通过分类结果，可以深度挖掘出具备相似配电网故障停电影响特征的分区，可用于配网故障停电分类区域差异化管控，根据区域特征精准制定供电可靠性指标提升策略。因而，达到了对配电网故障停电影响区域进行分类，为后续定量挖掘故障停电管控水平区域特征、针对不同分类片区管控搭建差异化的业务分析模型和因地制宜制定针对性的管理提升策略提供可靠指导的技术效果。
在一个实施例中，还包括步骤107；
步骤107、基于样本平均轮廓系数对分类结果的有效性进行评估，有效性评估公式为：
Figure 379912DEST_PATH_IMAGE015
其中，
Figure 726579DEST_PATH_IMAGE016
为第i类的所有历史数据样本的样本平均轮廓系数，
Figure 873527DEST_PATH_IMAGE017
为阈值，
Figure 462378DEST_PATH_IMAGE018
为历史数据样本t的轮廓系数，
Figure 706277DEST_PATH_IMAGE019
，
Figure 161529DEST_PATH_IMAGE020
为历史数据样本t与同属于一个类别的其它历史数据样本间的欧几里得距离平均值，
Figure 123669DEST_PATH_IMAGE021
为历史数据样本t与同属于一个离历史数据样本t类别最近的类别的历史数据样本间的欧几里得距离平均值。阈值
Figure 689780DEST_PATH_IMAGE017
取值0.5，或者可根据实际历史数据样本量进行确定。当
Figure 788186DEST_PATH_IMAGE016
大于或等于
Figure 414339DEST_PATH_IMAGE017
时，说明步骤106所得到的分类结果具备良好的分类效果。
为了便于理解，请参阅图2，本发明中提供了一种配电网故障停电影响区域分类系统的实施例，包括以下模块：
数据采集模块201，用于采集若干个不同区域的包括电网规模指标、网架结构指标和故障停电影响指标的历史数据样本；
随机分类模块202，用于根据确定的分类类型数量
Figure 99661DEST_PATH_IMAGE001
，将所有历史数据样本随机分成
Figure 531779DEST_PATH_IMAGE001
个初始类，其中，
Figure 687954DEST_PATH_IMAGE002
，n为历史数据样本总数；
聚类中心计算模块203，用于计算每个初始类的聚类中心；
距离计算模块204，用于计算所有历史数据样本到每个聚类中心的欧几里得距离；
二次分类模块205，用于对于每个历史数据样本，归入到与聚类中心的欧几里得距离最小的类别，得到新的
Figure 547325DEST_PATH_IMAGE001
个分类；
循环模块206，用于返回随机分类模块，直至聚类中心计算模块第m次计算得到的每个分类的聚类中心与第m+1次计算得到的每个分类的聚类中心重叠，或者距离计算模块计算的第m+1次和第m次的历史数据样本到每个聚类中心的欧几里得距离差小于阈值，得到分类结果。
还包括：
标准化模块207，用于对历史数据样本进行标准化处理，标准化处理公式为：
Figure 156161DEST_PATH_IMAGE003
其中，
Figure 126391DEST_PATH_IMAGE004
为对
Figure 697925DEST_PATH_IMAGE005
标准化的数据值，
Figure 665881DEST_PATH_IMAGE005
为选定指标x第m年的数据值，
Figure 824330DEST_PATH_IMAGE006
为指标
Figure 535934DEST_PATH_IMAGE007
的若干年数据的平均值，
Figure 729018DEST_PATH_IMAGE008
为指标
Figure 930192DEST_PATH_IMAGE007
的若干年数据的标准差，
Figure 248041DEST_PATH_IMAGE009
。
在距离计算模块中，每个历史数据样本到每个聚类中心的欧几里得距离的计算公式为：
Figure 327117DEST_PATH_IMAGE036
其中，
Figure 312391DEST_PATH_IMAGE011
为第q个历史数据样本到第i类聚类中心的欧几里得距离，
Figure 684466DEST_PATH_IMAGE012
为归属于第i类的历史数据样本数量，
Figure 489611DEST_PATH_IMAGE013
为归属于第i类的第J个电力企业的第l个自变量指标，
Figure 605335DEST_PATH_IMAGE014
为第q个历史数据样本的第l个自变量指标值，d为自变量指标数量。
还包括：
分类有效性评估模块208，用于基于样本平均轮廓系数对分类结果的有效性进行评估，有效性评估公式为：
Figure 507432DEST_PATH_IMAGE015
其中，
Figure 988092DEST_PATH_IMAGE016
为第i类的所有历史数据样本的样本平均轮廓系数，
Figure 106964DEST_PATH_IMAGE017
为阈值，
Figure 760799DEST_PATH_IMAGE018
为历史数据样本t的轮廓系数，
Figure 720665DEST_PATH_IMAGE019
，
Figure 434543DEST_PATH_IMAGE020
为历史数据样本t与同属于一个类别的其它历史数据样本间的欧几里得距离平均值，
Figure 214280DEST_PATH_IMAGE021
为历史数据样本t与同属于一个离历史数据样本t类别最近的类别的历史数据样本间的欧几里得距离平均值。
本发明实施例中提供的配电网故障停电影响区域分类系统，用于执行前述实施例中的配电网故障停电影响区域分类方法，其工作原理与前述实施例中的配电网故障停电影响区域分类方法相同，可取得相同的技术效果，在此不再进行赘述。
以上所述，以上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。

Claims (8)

1.一种配电网故障停电影响区域分类方法，其特征在于，包括以下步骤：
S1、采集若干个不同区域的包括电网规模指标、网架结构指标和故障停电影响指标的历史数据样本；
S2、根据确定的分类类型数量
Figure 98612DEST_PATH_IMAGE001
，将所有历史数据样本随机分成
Figure 303328DEST_PATH_IMAGE001
个初始类，其中，
Figure 439911DEST_PATH_IMAGE002
，n为历史数据样本总数；
S3、计算每个初始类的聚类中心；
S4、计算所有历史数据样本到每个聚类中心的欧几里得距离；
S5、对于每个历史数据样本，归入到与聚类中心的欧几里得距离最小的类别，得到新的
Figure 843211DEST_PATH_IMAGE001
个分类；
S6、重复步骤S2至步骤S5，直至第m次计算得到的每个分类的聚类中心与第m+1次计算得到的每个分类的聚类中心重叠，或者第m+1次和第m次的历史数据样本到每个聚类中心的欧几里得距离差小于阈值，得到分类结果。
2.根据权利要求1所述的配电网故障停电影响区域分类方法，其特征在于，在步骤S2之前还包括：
对历史数据样本进行标准化处理，标准化处理公式为：
Figure 39837DEST_PATH_IMAGE003
其中，
Figure 253822DEST_PATH_IMAGE004
为对
Figure 990834DEST_PATH_IMAGE005
标准化的数据值，
Figure 451902DEST_PATH_IMAGE005
为选定指标x第m年的数据值，
Figure 819430DEST_PATH_IMAGE006
为指标x的若干年数据的平均值，
Figure 733159DEST_PATH_IMAGE007
为指标x的若干年数据的标准差，
Figure 710080DEST_PATH_IMAGE008
。
3.根据权利要求1所述的配电网故障停电影响区域分类方法，其特征在于，步骤S4中，每个历史数据样本到每个聚类中心的欧几里得距离的计算公式为：
Figure 291234DEST_PATH_IMAGE009
其中，
Figure 626401DEST_PATH_IMAGE010
为第q个历史数据样本到第i类聚类中心的欧几里得距离，
Figure 293005DEST_PATH_IMAGE011
为归属于第i类的历史数据样本数量，
Figure 309503DEST_PATH_IMAGE012
为归属于第i类的第J个电力企业的第l个自变量指标，
Figure 243699DEST_PATH_IMAGE013
为第q个历史数据样本的第l个自变量指标值，d为自变量指标数量。
4.根据权利要求3所述的配电网故障停电影响区域分类方法，其特征在于，在步骤S6之后还包括：
基于样本平均轮廓系数对分类结果的有效性进行评估，有效性评估公式为：
Figure 687449DEST_PATH_IMAGE014
其中，
Figure 841350DEST_PATH_IMAGE015
为第i类的所有历史数据样本的样本平均轮廓系数，
Figure 661539DEST_PATH_IMAGE016
为阈值，
Figure 450241DEST_PATH_IMAGE017
为历史数据样本t的轮廓系数，
Figure 392789DEST_PATH_IMAGE018
，
Figure 768407DEST_PATH_IMAGE019
为历史数据样本t与同属于一个类别的其它历史数据样本间的欧几里得距离平均值，
Figure 126707DEST_PATH_IMAGE020
为历史数据样本t与同属于一个离历史数据样本t类别最近的类别的历史数据样本间的欧几里得距离平均值。
5.一种配电网故障停电影响区域分类系统，其特征在于，包括以下模块：
数据采集模块，用于采集若干个不同区域的包括电网规模指标、网架结构指标和故障停电影响指标的历史数据样本；
随机分类模块，用于根据确定的分类类型数量
Figure 599276DEST_PATH_IMAGE001
，将所有历史数据样本随机分成
Figure 384830DEST_PATH_IMAGE001
个初始类，其中，
Figure 310061DEST_PATH_IMAGE002
，n为历史数据样本总数；
聚类中心计算模块，用于计算每个初始类的聚类中心；
距离计算模块，用于计算所有历史数据样本到每个聚类中心的欧几里得距离；
二次分类模块，对于每个历史数据样本，归入到与聚类中心的欧几里得距离最小的类别，得到新的
Figure 970587DEST_PATH_IMAGE001
个分类；
循环模块，用于返回随机分类模块，直至聚类中心计算模块第m次计算得到的每个分类的聚类中心与第m+1次计算得到的每个分类的聚类中心重叠，或者距离计算模块计算的第m+1次和第m次的历史数据样本到每个聚类中心的欧几里得距离差小于阈值，得到分类结果。
6.根据权利要求5所述的配电网故障停电影响区域分类系统，其特征在于，还包括：
标准化模块，用于对历史数据样本进行标准化处理，标准化处理公式为：
Figure 235346DEST_PATH_IMAGE003
其中，
Figure 457380DEST_PATH_IMAGE004
为对
Figure 869907DEST_PATH_IMAGE005
标准化的数据值，
Figure 570009DEST_PATH_IMAGE005
为选定指标x第m年的数据值，
Figure 187810DEST_PATH_IMAGE006
为指标x的若干年数据的平均值，
Figure 643062DEST_PATH_IMAGE007
为指标x的若干年数据的标准差，
Figure 480568DEST_PATH_IMAGE008
。
7.根据权利要求5所述的配电网故障停电影响区域分类系统，其特征在于，在距离计算模块中，每个历史数据样本到每个聚类中心的欧几里得距离的计算公式为：
Figure 984362DEST_PATH_IMAGE009
其中，
Figure 20451DEST_PATH_IMAGE010
为第q个历史数据样本到第i类聚类中心的欧几里得距离，
Figure 584288DEST_PATH_IMAGE011
为归属于第i类的历史数据样本数量，
Figure 407625DEST_PATH_IMAGE012
为归属于第i类的第J个电力企业的第l个自变量指标，
Figure 511847DEST_PATH_IMAGE013
为第q个历史数据样本的第l个自变量指标值，d为自变量指标数量。
8.根据权利要求7所述的配电网故障停电影响区域分类系统，其特征在于，还包括：
分类有效性评估模块，用于基于样本平均轮廓系数对分类结果的有效性进行评估，有效性评估公式为：
Figure 605705DEST_PATH_IMAGE014
其中，
Figure 340443DEST_PATH_IMAGE015
为第i类的所有历史数据样本的样本平均轮廓系数，
Figure 886962DEST_PATH_IMAGE016
为阈值，
Figure 496673DEST_PATH_IMAGE017
为历史数据样本t的轮廓系数，
Figure 507354DEST_PATH_IMAGE018
，
Figure 412993DEST_PATH_IMAGE019
为历史数据样本t与同属于一个类别的其它历史数据样本间的欧几里得距离平均值，
Figure 446808DEST_PATH_IMAGE020
为历史数据样本t与同属于一个离历史数据样本t类别最近的类别的历史数据样本间的欧几里得距离平均值。
CN202111358517.4A 2021-11-17 2021-11-17 一种配电网故障停电影响区域分类方法和系统 Pending CN113792824A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111358517.4A CN113792824A (zh) 2021-11-17 2021-11-17 一种配电网故障停电影响区域分类方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111358517.4A CN113792824A (zh) 2021-11-17 2021-11-17 一种配电网故障停电影响区域分类方法和系统

Publications (1)

Publication Number Publication Date
CN113792824A true CN113792824A (zh) 2021-12-14

Family

ID=78955451

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111358517.4A Pending CN113792824A (zh) 2021-11-17 2021-11-17 一种配电网故障停电影响区域分类方法和系统

Country Status (1)

Country Link
CN (1) CN113792824A (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109684673A (zh) * 2018-12-03 2019-04-26 三峡大学 一种电力系统暂态稳定结果的特征提取和聚类分析方法
CN111260138A (zh) * 2020-01-18 2020-06-09 湖南大学 加权和自适应并行关联规则的火电机组能耗动态优化方法
CN111596167A (zh) * 2020-05-14 2020-08-28 中国南方电网有限责任公司 基于模糊c均值聚类算法的故障区段定位方法及装置
CN112964959A (zh) * 2021-02-03 2021-06-15 国网河南省电力公司电力科学研究院 一种基于相关系数测度判据的配电网接地故障选线方法
CN113569462A (zh) * 2021-06-17 2021-10-29 国网河北省电力有限公司电力科学研究院 一种计及天气因素的配电网故障等级预测方法及系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109684673A (zh) * 2018-12-03 2019-04-26 三峡大学 一种电力系统暂态稳定结果的特征提取和聚类分析方法
CN111260138A (zh) * 2020-01-18 2020-06-09 湖南大学 加权和自适应并行关联规则的火电机组能耗动态优化方法
CN111596167A (zh) * 2020-05-14 2020-08-28 中国南方电网有限责任公司 基于模糊c均值聚类算法的故障区段定位方法及装置
CN112964959A (zh) * 2021-02-03 2021-06-15 国网河南省电力公司电力科学研究院 一种基于相关系数测度判据的配电网接地故障选线方法
CN113569462A (zh) * 2021-06-17 2021-10-29 国网河北省电力有限公司电力科学研究院 一种计及天气因素的配电网故障等级预测方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
张建宁，吕庆国，鲍学良主编: "《智能电网与电力安全》", 31 July 2019, 汕头：汕头大学出版社 *

Similar Documents

Publication Publication Date Title
CN114298863B (zh) 一种智能抄表终端的数据采集方法及系统
CN110518880B (zh) 一种光伏电站状态诊断方法及装置
CN104794206B (zh) 一种变电站数据质量评价系统及方法
CN107169628B (zh) 一种基于大数据互信息属性约简的配电网可靠性评估方法
WO2017008180A1 (zh) 一种光伏组件失效风险判别方法
CN104200288B (zh) 一种基于因素与事件间相关关系识别的设备故障预测方法
CN116125361B (zh) 电压互感器误差评估方法、系统、电子设备及存储介质
CN110378549B (zh) 一种基于fahp-熵权法的输电杆塔鸟害等级评估方法
CN106529741B (zh) 一种基于空间相关特征的超短期风电功率预测方法
CN108596514A (zh) 基于模糊遗传算法的电力设备混合威布尔可靠性建模方法
CN110750760B (zh) 一种基于态势感知和控制图的异常理论线损检测方法
CN112417763A (zh) 输电线路的缺陷诊断方法、装置、设备及存储介质
CN110443481B (zh) 基于混合k-近邻算法的配电自动化终端状态评价系统及方法
CN116523140A (zh) 窃电检测方法、装置、电子设备和存储介质
CN112508254B (zh) 变电站工程项目投资预测数据的确定方法
CN111222687A (zh) 基于同源异构神经网络的电力负荷概率预测方法及装置
CN104616209B (zh) 一种基于在线监测的电力电缆接头信息聚合评价方法
CN112990776A (zh) 一种配网设备健康度评价方法
CN110807014B (zh) 一种基于交叉验证的台区数据异常甄别方法和装置
CN109918612B (zh) 一种基于稀疏学习的台区拓扑结构校验方法
CN111598456A (zh) 一种电子式互感器的状态评估方法
CN116151799A (zh) 一种基于bp神经网络的配电线路多工况故障率快速评估方法
CN113792824A (zh) 一种配电网故障停电影响区域分类方法和系统
CN116307844A (zh) 一种低压台区线损评估分析方法
CN108123436B (zh) 基于主成分分析和多元回归算法的电压越限预测模型

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