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 PDFInfo
- 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
Links
- 238000009826 distribution Methods 0.000 title claims abstract description 51
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 20
- 238000004364 calculation method Methods 0.000 claims abstract description 13
- 238000004458 analytical method Methods 0.000 claims abstract description 8
- 238000003745 diagnosis Methods 0.000 claims abstract description 8
- 238000012417 linear regression Methods 0.000 claims abstract description 7
- 230000002159 abnormal effect Effects 0.000 claims description 12
- 238000005457 optimization Methods 0.000 claims description 11
- 230000009467 reduction Effects 0.000 claims description 11
- 238000011156 evaluation Methods 0.000 claims description 7
- 230000002776 aggregation Effects 0.000 claims description 6
- 230000008030 elimination Effects 0.000 claims description 6
- 238000003379 elimination reaction Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 5
- 238000013135 deep learning Methods 0.000 claims description 4
- 238000005054 agglomeration Methods 0.000 claims description 3
- 238000004220 aggregation Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 claims description 3
- 230000007547 defect Effects 0.000 claims description 3
- 230000005611 electricity Effects 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000013178 mathematical model Methods 0.000 claims description 3
- 238000005065 mining Methods 0.000 claims description 3
- 238000010248 power generation Methods 0.000 claims description 3
- 238000000926 separation method Methods 0.000 claims description 3
- 230000005856 abnormality Effects 0.000 abstract 3
- 239000000284 extract Substances 0.000 abstract 1
- 230000035515 penetration Effects 0.000 abstract 1
- 238000005516 engineering process Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
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
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:
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:
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=β1x1+β2x2+I+βkxk+β0+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:
最小的情况下,求回归系数的估计量,代入上式得回归方程
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:
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:
式中:n表示样本总数;si表示样本i的轮廓系数;其定义为:
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:
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:
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=β1x1+β2x2+I+βkxk+β0+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:
最小的情况下,求回归系数的估计量,代入上式得回归方程:
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:
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:
式中:n表示样本总数;si表示样本i的轮廓系数;其定义为:
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:
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:
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=β1x1+β2x2+l+βkxk+β0+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:
最小的情况下,求回归系数的估计量,代入上式得回归方程:
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:
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:
式中:n表示样本总数;si表示样本i的轮廓系数;其定义为:
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。
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)
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 |
-
2021
- 2021-12-14 CN CN202111527126.0A patent/CN114266457A/zh active Pending
Cited By (4)
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 |