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 PDFInfo
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000004364 calculation method Methods 0.000 claims description 26
- 239000000126 substance Substances 0.000 claims description 19
- 238000011156 evaluation Methods 0.000 claims description 9
- 238000010606 normalization Methods 0.000 description 6
- 238000005065 mining Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000009472 formulation Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000005192 partition Methods 0.000 description 2
- AZFKQCNGMSSWDS-UHFFFAOYSA-N MCPA-thioethyl Chemical compound CCSC(=O)COC1=CC=C(Cl)C=C1C AZFKQCNGMSSWDS-UHFFFAOYSA-N 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 229920003169 water-soluble polymer Polymers 0.000 description 1
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
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;
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;
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:
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:
其中,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,为归属于第i类的历史数据样本数量,为归属于第i类的第J个电力企业的第l个自变量指标,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:
其中,为第i类的所有历史数据样本的样本平均轮廓系数,为阈值,为历史数据样本t的轮廓系数,,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,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;
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;
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:
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:
其中,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,为归属于第i类的历史数据样本数量,为归属于第i类的第J个电力企业的第l个自变量指标,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:
其中,为第i类的所有历史数据样本的样本平均轮廓系数,为阈值,为历史数据样本t的轮廓系数,,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,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:
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:
步骤103、计算每个初始类的聚类中心。
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。
其中,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,为归属于第i类的历史数据样本数量,为归属于第i类的第J个电力企业的第l个自变量指标,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。
其中,阈值为预置值,取值越小算法收敛速度越慢,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,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,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:
其中,为第i类的所有历史数据样本的样本平均轮廓系数,为阈值,为历史数据样本t的轮廓系数,,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,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。阈值取值0.5,或者可根据实际历史数据样本量进行确定。当大于或等于时,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;
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;
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:
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:
其中,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,为归属于第i类的历史数据样本数量,为归属于第i类的第J个电力企业的第l个自变量指标,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:
其中,为第i类的所有历史数据样本的样本平均轮廓系数,为阈值,为历史数据样本t的轮廓系数,,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,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;
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;
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。
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;
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;
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。
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)
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 |
-
2021
- 2021-11-17 CN CN202111358517.4A patent/CN113792824A/zh active Pending
Patent Citations (5)
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)
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 |