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

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：

式中：x_ik表示第k个样品的第i个变量的观测值；p表示样本数； d_ij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：

式中：E表示所有对象的平方误差和；x_q表示聚类样本；C_i表示第i个类；m_i是C_i中对象的均值；

表示C_i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＝β₁x₁+β₂x₂+I+β_kx_k+β₀+ε；

式中：β₀为常数项；β₁，β₂，...，β_k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；s_i表示样本i的轮廓系数；其定义为：

式中:x_i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x_i与除类x之外其余所有类中样本距离的平均值，并记y_i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：x_ik表示第k个样品的第i个变量的观测值；p表示样本数； d_ij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：

式中：E表示所有对象的平方误差和；x_q表示聚类样本；C_i表示第i个类；m_i是C_i中对象的均值；

表示C_i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＝β₁x₁+β₂x₂+I+β_kx_k+β₀+ε；

式中：β₀为常数项；β₁，β₂，，...，β_k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；s_i表示样本i的轮廓系数；其定义为：

式中：x_i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x_i与除类x之外其余所有类中样本距离的平均值，并记y_i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：x_ik表示第k个样品的第i个变量的观测值；p表示样本数；d_ij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：

式中：E表示所有对象的平方误差和；x_q表示聚类样本；C_i表示第i个类；m_i是C_i中对象的均值；

表示C_i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＝β₁x₁+β₂x₂+l+β_kx_k+β₀+ε；

式中：β₀为常数项；β₁，β₂，...，β_k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；s_i表示样本i的轮廓系数；其定义为：

式中:x_i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x_i与除类x之外其余所有类中样本距离的平均值，并记y_i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。

Images