CN114266457A - 一种配电线路异损诱因检测的方法 - Google Patents

一种配电线路异损诱因检测的方法 Download PDF

Info

Publication number
CN114266457A
CN114266457A CN202111527126.0A CN202111527126A CN114266457A CN 114266457 A CN114266457 A CN 114266457A CN 202111527126 A CN202111527126 A CN 202111527126A CN 114266457 A CN114266457 A CN 114266457A
Authority
CN
China
Prior art keywords
line loss
line
distribution
clustering
class
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
CN202111527126.0A
Other languages
English (en)
Inventor
李国亮
刘玉娇
康文文
燕重阳
林煜清
王坤
代二刚
杨凤文
李森
刘振虎
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.)
State Grid Corp of China SGCC
State Grid Shandong Electric Power Co Ltd
Zaozhuang Power Supply Co of State Grid Shandong Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
State Grid Shandong Electric Power Co Ltd
Zaozhuang Power Supply Co of State Grid Shandong Electric Power Co Ltd
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 State Grid Corp of China SGCC, State Grid Shandong Electric Power Co Ltd, Zaozhuang Power Supply Co of State Grid Shandong Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN202111527126.0A priority Critical patent/CN114266457A/zh
Publication of CN114266457A publication Critical patent/CN114266457A/zh
Pending legal-status Critical Current

Links

Images

Landscapes

  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开一种配电线路异损诱因检测的方法,以配电网线路作为分析对象,基于线损大数据挖掘提取档案异常、采集异常、线路运行异常、营配贯通和理论计算差值超限线损特征;结合配电线路长度、分支、负荷特征以及典型运行数据、历史数据形成样本集合,将配电线路应用K‑means算法进行聚类划分;计算样本到N个对象之间的欧式距离,按照欧式距离的大小,计算各类对象的平均值,更新聚类中心;计算平方误差准则函数,判别是否满足收敛条件,输出聚类结果;采用线性回归,得出线损与影响因子之间的关系,得出直接的回归方程得到优化线损诊断模型。解决了配电线路线损诱因复杂且难以定位、精准预测线损难度大的问题。

Description

一种配电线路异损诱因检测的方法
技术领域
本发明涉及电力技术领域,尤其涉及一种配电线路异损诱因检测的方法。
背景技术
针对线损指标精细化管理,通过引入大数据、智能算法,提高了线损计算的准确度,也在一定程度上提高了线损计算的可信度,但是在配电线路线损计算中的应用还不够成熟。近年来有许多新方法用于线损计算中:如应用粒子群优化支持向量机技术整合现有的小样本数据,建立台区线损的诊断、分析模型提升处理效率,该方法由于真实工作中环境因素的复杂性和线路的不确定性,预测正确率有待提高;应用遗传算法和神经网络结合用于线损计算,需要建立学习样本不断训练,容易陷入局部最优点,而且训练时间长,计算精度没有较大提高,神经网络算法本身也会产生过拟合的问题,因而通用性不强,在实际运用中也存在困难。
发明内容
本发明的目的在于提供一种配电线路异损诱因检测的方法,以解决上述技术问题,解决了配电线路线损诱因复杂且难以定位、精准预测线损难度大的问题。
为实现上述目的本发明采用以下技术方案:
一种配电线路异损诱因检测的方法,包括如下步骤:
(1)以配电网线路作为分析对象,基于线损大数据挖掘提取档案异常、采集异常、线路运行异常、营配贯通和理论计算差值超限这五种异常的线损特征;
(2)结合配电线路长度、分支、负荷等特征以及典型运行数据、历史数据形成样本集合,将配电线路应用K-means算法进行聚类划分; K-means算法步骤如下:
1)确定聚类数目N和最大迭代次数M;
2)在样本中任选N个对象,作为初始聚类中心;
3)计算样本到N个对象之间的欧式距离,按照欧式距离的大小,将样本归类,欧式距离定义为:
Figure RE-GDA0003470041650000021
式中:xik表示第k个样品的第i个变量的观测值;p表示样本数; dij表示样本j与样本i之间的欧式距离;
4)计算各类对象的平均值,更新聚类中心;
5)计算平方误差准则函数,判别是否满足收敛条件,如果收敛,则算法结束;如果不收敛,判断迭代次数是否大于M,如果小于M,则转第三步,否则算法结束,平方误差准则函数为:
Figure RE-GDA0003470041650000022
式中:E表示所有对象的平方误差和;xq表示聚类样本;Ci表示第i个类;mi是Ci中对象的均值;
Figure RE-GDA0003470041650000023
表示Ci中对象的数目。
6)输出聚类结果;
为了能够直观得出线损与影响因子之间的关系,最简单有效的方法是采用线性回归,这样能够得出直接的回归方程,确定线损与影响因子之间的关系,从而能够为降低线损提供思路,简单实用。
多元线性回归是多元统计分析中的一个重要方法,被广泛应用于社会、经济、技术以及众多自然科学领域的研究中,其数学模型为
y=β1x12x2+I+βkxk0+ε;
式中:β0为常数项;β1,β2,...,βk为回归系数;ε为随机误差,且服从N(0,σ2),最小二乘法在误差平方和为:
Figure RE-GDA0003470041650000031
最小的情况下,求回归系数的估计量,代入上式得回归方程
Figure RE-GDA0003470041650000032
考虑K-means算法聚类质量受噪声点影响较大,初始聚类中心的选取影响聚类结果的不足,对样本集合进行降维优化,包括剔除相似特征、剔除无关特征和提取主元特征,得到优化线损诊断模型。
作为本发明进一步的方案,对样本集合进行降维优化步骤如下:
步骤一,以用电信息采集系统采集到的数据为基数,剔除以下配电线路,如采集未全覆盖;含光伏发电用户、无表计量用户等特殊用户;当月发生业务变更,如考核单元对象发生变化、户变关系调整、用户业务变更(换表除外);月均线损率超出(-1%~10%)范围以及日线损率超出(-1%~10%)范围的天数多于10天;
步骤二,以步骤一中剩余单元为基数,计算每个配电线路的日线损波动率σ,并且作出σ的分布图,求取70%总配电线路数时对应的σ值设为φ,其中σ的计算公式为:
Figure RE-GDA0003470041650000041
式中:N是该配电线路当月线损的可用天数,即除去日用户计算参与率不为100%的天数,除去日线损率超出(1%~10%)范围的天数;θ为日线损率;
步骤三、以步骤一中剩余单元为基数,剔除日线损波动率σ大于波动阈值φ的配电线路,再剔除θ超出月均线损率±φ范围的数据,即为优化配电线路数据;
(3)基于深度学习的理论线损模型,将同期线损高损、低损、线损拐点等(非技术线损)与理论线损(技术线损)的关联程度量化,输入线损诊断模型,综合置信度等评估指标,输出配电线路线损诱因分析结果;
其中,聚类有效性评价从类间距离和类中距离两个方面来衡量,类中距离意味着同类样本的凝聚度,类间距离意味着不同类之间的分离度,因此一个好的聚类结果,应该满足类间距离大,类中距离小,这样同一类中的相似性越大,不同类中样本的差异性越大,轮廓系数是综合反映类中相似性和类间差异性的指标,因此可以用轮廓系数评价聚类质量,确定合理的聚类数,轮廓系数S定义为:
Figure RE-GDA0003470041650000042
式中:n表示样本总数;si表示样本i的轮廓系数;其定义为:
Figure RE-GDA0003470041650000051
式中:xi表示类x中第i个样本与类x中其他样本的距离平均值,表征类中凝聚度;计算xi与除类x之外其余所有类中样本距离的平均值,并记yi为该平均值的最小值;
显然si和S值都在[-1,1]之间,值越大,聚类质量越高,本文将利用轮廓系数来衡量聚类质量,根据轮廓系数的值,选取最优的聚类数。
与现有技术相比,本发明具有以下优点:本发明在大数据背景下,基于深度学习方法对理论线损进行预测,分析了线路模型配置、输入输出电量排查、计量问题、采集问题等对线损的影响,进一步分析和线损的主要诱因,帮助电力部门能快速找到切入点解决异常,集中力量重点解决。
通过关联分析方法,从线损异常的源头解决,避免关联异常的发生,实现精确定位线损,提升电力企业线损精细化管理能力线损管理是线损治理、指导降损、提高电量使用效率等工作的综合体现,创新了公司线损管理模式,促进了调度、运检、营销等专业规范化管理,实现线损精细化管理的目标。
附图说明
图1为本发明检测方法流程图;
图2为本发明关联关系示意图;
图3为本发明算法特征优化流程图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步详细阐述。
一种配电线路异损诱因检测的方法,包括如下步骤:
(1)以配电网线路作为分析对象,基于线损大数据挖掘提取档案异常、采集异常、线路运行异常、营配贯通和理论计算差值超限这五种异常的线损特征;
(2)结合配电线路长度、分支、负荷等特征以及典型运行数据、历史数据形成样本集合,将配电线路应用K-means算法进行聚类划分; K-means算法步骤如下:
1)确定聚类数目N和最大迭代次数M;
2)在样本中任选N个对象,作为初始聚类中心;
3)计算样本到N个对象之间的欧式距离,按照欧式距离的大小,将样本归类,欧式距离定义为:
Figure RE-GDA0003470041650000061
式中:xik表示第k个样品的第i个变量的观测值;p表示样本数; dij表示样本j与样本i之间的欧式距离;
4)计算各类对象的平均值,更新聚类中心;
5)计算平方误差准则函数,判别是否满足收敛条件,如果收敛,则算法结束;如果不收敛,判断迭代次数是否大于M,如果小于M,则转第三步,否则算法结束,平方误差准则函数为:
Figure RE-GDA0003470041650000071
式中:E表示所有对象的平方误差和;xq表示聚类样本;Ci表示第i个类;mi是Ci中对象的均值;
Figure RE-GDA0003470041650000072
表示Ci中对象的数目。
6)输出聚类结果;
为了能够直观得出线损与影响因子之间的关系,最简单有效的方法是采用线性回归,这样能够得出直接的回归方程,确定线损与影响因子之间的关系,从而能够为降低线损提供思路,简单实用。
多元线性回归是多元统计分析中的一个重要方法,被广泛应用于社会、经济、技术以及众多自然科学领域的研究中,其数学模型为
y=β1x12x2+I+βkxk0+ε;
式中:β0为常数项;β1,β2,,...,βk为回归系数;ε为随机误差,且服从N(0,σ2),最小二乘法在误差平方和为:
Figure RE-GDA0003470041650000073
最小的情况下,求回归系数的估计量,代入上式得回归方程:
Figure RE-GDA0003470041650000074
考虑K-means算法聚类质量受噪声点影响较大,初始聚类中心的选取影响聚类结果的不足,对样本集合进行降维优化,包括剔除相似特征、剔除无关特征和提取主元特征,得到优化线损诊断模型。
对样本集合进行降维优化步骤如下:
步骤一,以用电信息采集系统采集到的数据为基数,剔除以下配电线路,如采集未全覆盖;含光伏发电用户、无表计量用户等特殊用户;当月发生业务变更,如考核单元对象发生变化、户变关系调整、用户业务变更(换表除外);月均线损率超出(-1%~10%)范围以及日线损率超出(-1%~10%)范围的天数多于10天;
步骤二,以步骤一中剩余单元为基数,计算每个配电线路的日线损波动率σ,并且作出σ的分布图,求取70%总配电线路数时对应的σ值设为φ,其中σ的计算公式为:
Figure RE-GDA0003470041650000081
式中:N是该配电线路当月线损的可用天数,即除去日用户计算参与率不为100%的天数,除去日线损率超出(1%~10%)范围的天数;θ为日线损率;
步骤三、以步骤一中剩余单元为基数,剔除日线损波动率σ大于波动阈值φ的配电线路,再剔除θ超出月均线损率±φ范围的数据,即为优化配电线路数据;
(3)基于深度学习的理论线损模型,将同期线损高损、低损、线损拐点等(非技术线损)与理论线损(技术线损)的关联程度量化,输入线损诊断模型,综合置信度等评估指标,输出配电线路线损诱因分析结果;
其中,聚类有效性评价从类间距离和类中距离两个方面来衡量,类中距离意味着同类样本的凝聚度,类间距离意味着不同类之间的分离度,因此一个好的聚类结果,应该满足类间距离大,类中距离小,这样同一类中的相似性越大,不同类中样本的差异性越大,轮廓系数是综合反映类中相似性和类间差异性的指标,因此可以用轮廓系数评价聚类质量,确定合理的聚类数,轮廓系数S定义为:
Figure RE-GDA0003470041650000091
式中:n表示样本总数;si表示样本i的轮廓系数;其定义为:
Figure RE-GDA0003470041650000092
式中:xi表示类x中第i个样本与类x中其他样本的距离平均值,表征类中凝聚度;计算xi与除类x之外其余所有类中样本距离的平均值,并记yi为该平均值的最小值;
显然si和S值都在[-1,1]之间,值越大,聚类质量越高,本文将利用轮廓系数来衡量聚类质量,根据轮廓系数的值,选取最优的聚类数。
本发明通过关联分析方法,从线损异常的源头解决,避免关联异常的发生,实现精确定位线损,提升电力企业线损精细化管理能力线损管理是线损治理、指导降损、提高电量使用效率等工作的综合体现,创新了公司线损管理模式,促进了调度、运检、营销等专业规范化管理,实现线损精细化管理的目标。
以上所述为本发明较佳实施例,对于本领域的普通技术人员而言,根据本发明的教导,在不脱离本发明的原理与精神的情况下,对实施方式所进行的改变、修改、替换和变型仍落入本发明的保护范围之内。

Claims (2)

1.一种配电线路异损诱因检测的方法,其特征在于,包括如下步骤:
(1)以配电网线路作为分析对象,基于线损大数据挖掘提取档案异常、采集异常、线路运行异常、营配贯通和理论计算差值超限这五种异常的线损特征;
(2)结合配电线路长度、分支、负荷特征以及典型运行数据、历史数据形成样本集合,将配电线路应用K-means算法进行聚类划分;K-means算法步骤如下:
1)确定聚类数目N和最大迭代次数M;
2)在样本中任选N个对象,作为初始聚类中心;
3)计算样本到N个对象之间的欧式距离,按照欧式距离的大小,将样本归类,欧式距离定义为:
Figure RE-FDA0003470041640000011
式中:xik表示第k个样品的第i个变量的观测值;p表示样本数;dij表示样本j与样本i之间的欧式距离;
4)计算各类对象的平均值,更新聚类中心;
5)计算平方误差准则函数,判别是否满足收敛条件,如果收敛,则算法结束;如果不收敛,判断迭代次数是否大于M,如果小于M,则转第三步,否则算法结束,平方误差准则函数为:
Figure RE-FDA0003470041640000012
式中:E表示所有对象的平方误差和;xq表示聚类样本;Ci表示第i个类;mi是Ci中对象的均值;
Figure RE-FDA0003470041640000013
表示Ci中对象的数目;
6)输出聚类结果;
采用线性回归,得出线损与影响因子之间的关系,得出直接的回归方程,确定线损与影响因子之间的关系,线性回归数学模型为:
y=β1x12x2+l+βkxk0+ε;
式中:β0为常数项;β1,β2,...,βk为回归系数;ε为随机误差,且服从N(0,σ2),最小二乘法在误差平方和为:
Figure RE-FDA0003470041640000021
最小的情况下,求回归系数的估计量,代入上式得回归方程:
Figure RE-FDA0003470041640000022
K-means算法聚类质量受噪声点影响较大,初始聚类中心的选取影响聚类结果的不足,对样本集合进行降维优化,包括剔除相似特征、剔除无关特征和提取主元特征,得到优化线损诊断模型。
2.如权利要求1所述的一种配电线路异损诱因检测的方法,其特征在于,其特征在于,对样本集合进行降维优化步骤如下:
步骤一,以用电信息采集系统采集到的数据为基数,剔除以下配电线路,如采集未全覆盖;含光伏发电用户、无表计量用户特殊用户;当月发生业务变更,包括考核单元对象发生变化、户变关系调整、用户业务变更;月均线损率超出-1%~10%范围以及日线损率超出-1%~10%范围的天数多于10天;
步骤二,以步骤一中剩余单元为基数,计算每个配电线路的日线损波动率σ,并且作出σ的分布图,求取70%总配电线路数时对应的σ值设为φ,其中σ的计算公式为:
Figure FDA0003409125050000031
式中:N是该配电线路当月线损的可用天数,即除去日用户计算参与率不为100%的天数,除去日线损率超出1%~10%范围的天数;θ为日线损率;
步骤三、以步骤一中剩余单元为基数,剔除日线损波动率σ大于波动阈值φ的配电线路,再剔除θ超出月均线损率±φ范围的数据,即为优化配电线路数据;
(3)基于深度学习的理论线损模型,将同期线损高损、低损、线损拐点与理论线损的关联程度量化,输入线损诊断模型,综合置信度等评估指标,输出配电线路线损诱因分析结果;
其中,聚类有效性评价从类间距离和类中距离两个方面来衡量,类中距离意味着同类样本的凝聚度,类间距离意味着不同类之间的分离度,聚类结果应该满足类间距离大,类中距离小,这样同一类中的相似性越大,不同类中样本的差异性越大,轮廓系数是综合反映类中相似性和类间差异性的指标,用轮廓系数评价聚类质量,确定合理的聚类数,轮廓系数S定义为:
Figure FDA0003409125050000032
式中:n表示样本总数;si表示样本i的轮廓系数;其定义为:
Figure FDA0003409125050000041
式中:xi表示类x中第i个样本与类x中其他样本的距离平均值,表征类中凝聚度;计算xi与除类x之外其余所有类中样本距离的平均值,并记yi为该平均值的最小值;
显然si和S值都在[-1,1]之间,值越大,聚类质量越高,本文将利用轮廓系数来衡量聚类质量,根据轮廓系数的值,选取最优的聚类数。
CN202111527126.0A 2021-12-14 2021-12-14 一种配电线路异损诱因检测的方法 Pending CN114266457A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111527126.0A CN114266457A (zh) 2021-12-14 2021-12-14 一种配电线路异损诱因检测的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111527126.0A CN114266457A (zh) 2021-12-14 2021-12-14 一种配电线路异损诱因检测的方法

Publications (1)

Publication Number Publication Date
CN114266457A true CN114266457A (zh) 2022-04-01

Family

ID=80826998

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111527126.0A Pending CN114266457A (zh) 2021-12-14 2021-12-14 一种配电线路异损诱因检测的方法

Country Status (1)

Country Link
CN (1) CN114266457A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116562598A (zh) * 2023-07-07 2023-08-08 成都花娃网络科技有限公司 一种分销调度方法、装置及存储介质
CN117216728A (zh) * 2023-11-09 2023-12-12 金成技术股份有限公司 挖掘机动臂稳定性检测方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116562598A (zh) * 2023-07-07 2023-08-08 成都花娃网络科技有限公司 一种分销调度方法、装置及存储介质
CN116562598B (zh) * 2023-07-07 2023-09-19 成都花娃网络科技有限公司 一种分销调度方法、装置及存储介质
CN117216728A (zh) * 2023-11-09 2023-12-12 金成技术股份有限公司 挖掘机动臂稳定性检测方法
CN117216728B (zh) * 2023-11-09 2024-02-02 金成技术股份有限公司 挖掘机动臂稳定性检测方法

Similar Documents

Publication Publication Date Title
US11043808B2 (en) Method for identifying pattern of load cycle
US20210056647A1 (en) Method for multi-dimensional identification of flexible load demand response effect
CN106055918B (zh) 一种电力系统负荷数据的辨识及修正方法
CN108520357B (zh) 一种线损异常原因的判别方法、装置及服务器
CN109829497B (zh) 一种基于监督学习的台区用户识别及判别方法
CN110991786A (zh) 基于相似日负荷曲线的10kV静态负荷模型参数辨识方法
CN114266457A (zh) 一种配电线路异损诱因检测的方法
CN111784093B (zh) 一种基于电力大数据分析的企业复工辅助判断方法
CN108805213B (zh) 计及小波熵降维的电力负荷曲线双层谱聚类方法
CN112508105A (zh) 一种采油机故障检测与检索方法
CN107220907B (zh) 一种采用秩和比综合评价的谐波污染用户分级方法
CN112819299A (zh) 一种基于中心优化的差分K-means负荷聚类方法
CN109947815B (zh) 一种基于离群点算法的窃电辨识方法
CN111539657B (zh) 结合用户日用电量曲线的典型用电行业负荷特性分类与综合方法
CN111144440A (zh) 一种专变用户日电力负荷特征的分析方法及装置
CN113554361B (zh) 一种综合能源系统数据处理计算方法及处理系统
CN111709668A (zh) 基于数据挖掘技术的电网设备参数风险识别方法及装置
CN110738232A (zh) 一种基于数据挖掘技术的电网电压越限成因诊断方法
CN112418476A (zh) 一种超短期电力负荷预测方法
CN114611738A (zh) 一种基于用户用电行为分析的负荷预测方法
CN113556629A (zh) 一种智能电表误差远程估计方法及装置
CN111126499A (zh) 一种基于二次聚类的用电行为模式分类方法
CN116821832A (zh) 针对高压工商业用户用电负荷的异常数据辨识与修正方法
CN114912720A (zh) 基于记忆网络电力负荷预测方法、装置、终端及存储介质
CN112418687A (zh) 基于用电特征的用户用电异常识别方法、装置和存储介质

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