CN115081551A - 基于K-Means聚类和优化RVM线损模型建立方法及系统 - Google Patents

基于K-Means聚类和优化RVM线损模型建立方法及系统 Download PDF

Info

Publication number
CN115081551A
CN115081551A CN202210893168.4A CN202210893168A CN115081551A CN 115081551 A CN115081551 A CN 115081551A CN 202210893168 A CN202210893168 A CN 202210893168A CN 115081551 A CN115081551 A CN 115081551A
Authority
CN
China
Prior art keywords
line loss
power supply
distribution transformer
axis
rvm
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
CN202210893168.4A
Other languages
English (en)
Inventor
张轩城
钱旭盛
吴伟将
许高俊
孙莉
缪猛
陈可
向敏
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 Jiangsu Electric Power Co ltd Marketing Service Center
Original Assignee
State Grid Jiangsu Electric Power Co ltd Marketing Service Center
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 Jiangsu Electric Power Co ltd Marketing Service Center filed Critical State Grid Jiangsu Electric Power Co ltd Marketing Service Center
Priority to CN202210893168.4A priority Critical patent/CN115081551A/zh
Publication of CN115081551A publication Critical patent/CN115081551A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/088—Non-supervised learning, e.g. competitive learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Physiology (AREA)
  • Genetics & Genomics (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

基于K‑Means聚类和优化RVM线损模型建立方法，包括：采集配变台区的供电指标和历史线损数据；使用降噪自编码器构建供电指标处理模型获取与线损相关的供电指标；利用与线损相关的供电指标计算不同网架结构配变台区的线损评价指标并将配变台区分为K组，以各组的中心作为K‑Means聚类算法的初始聚类中心；采集配变台区的历史线损原因并进行预分类，基于优化RVM算法构建线损模型，并将聚类结果输入至线损模型中进行训练以获得不同网架结构配变台区的历史线损原因的分类结果；实时采集供电指标利用线损模型进行线损异常和线损原因的检测。本发明无需依赖理论线损的计算结果，实现根据配变台区供电指标对线损异常的分析和预测。

Description

基于K-Means聚类和优化RVM线损模型建立方法及系统
技术领域
本发明属于台区线损检测技术领域，具体涉及基于K-Means聚类和优化RVM线损模型建立方法及系统。
背景技术
线损是指电能从发电厂传输到客户的一系列过程中，在输电、变电、配电和营销等各环节产生的电能损耗和损失。在电力行业，线损率是电力企业生产中的一个重要技术经济指标，也是综合反映电力网规划设计，生产运行和经营管理水平的主要经济技术指标。尽管过去20年我国电能利用效率水平逐步提高，但与国际先进水平相比仍然存在一定差距，因此降低线损是供电企业自身经营管理中的一项综合性的系统工程。
目前异常线损的研究主要集中在理论线损和管理线损两个方面，并且管理线损的各项研究往往以理论线损的计算成果为基础。
现有技术中，“一种基于K-Means聚类算法和多分类相关向量机的线损快速计算方法”选取与配电网线损有关的电气指标作为模型的输入；针对指标接近但网架结构和负载特性会影响线损率的情况，本文采用K-Means聚类算法对台区进行聚类分析，简化数据处理，对每一类台区进行具体分析；然后搭建果蝇算法优化MRVM(Multi classificationcorrelationvector machine，多分类相关向量机)的模型，计算台区线损。该现有技术针对理论线损的研究，基于K-Means聚类算法、粒子群算法和支持向量机结合、深度学习LSTM(Long Short-TermMemory，长短期记忆网络)的线损预测方法对线损进行预测，对异常线损的线路或者台区进行预先报警，发生异常线损时也可对其进行修复。
现有技术(CN111123039B)“一种基于同期特征与改进K-means聚类的配电网异常线损诊断方法”，通过对历史同期线损进行特性分析，基于理论线损的研究成果构建实时线损率、近24小时的平均线损率和线损畸变率作为异常线损关键指标，与异常原因进行关联得到初步的诊断模式；再者，基于该指标和异常类型建立了改进的K-Means聚类方法，解决了聚类数量难以确定的问题；同时将数据密度和欧式距离相结合，加以类间平均相似评估指标，使聚类的独立性更强，类间数据更凝聚，提高了聚类效果；最后将聚类中心和聚类表现映射到异常原因中，只需找到距离最小的聚类中心点即可找到对应的为异常原因，使诊断更加简单快速。
现有技术均基于比较电气元件理论上应当产生的线损与实际发生的线损的差值而对线损异常进行分析和预测，对于低压配变台区而言，在网络结构复杂、用户数量多、性质复杂、海量数据等情况下，会出现理论线损的计算效率低和计算准确性不高的问题，直接导致线损管理的滞后和失误，造成不必要的损失。
发明内容
为解决现有技术中存在的不足，本发明的目的在于，提供基于K-Means聚类和优化RVM线损模型建立方法及系统，无需依赖理论线损的计算结果，实现根据配变台区供电指标对线损异常的分析和预测。
本发明采用如下的技术方案。
本发明一方面提出了基于K-Means聚类和优化RVM线损模型建立方法，包括：
步骤1，采集配变台区的供电指标和历史线损数据；使用降噪自编码器构建的供电指标处理模型，获取与线损相关的供电指标；
步骤2，利用与线损相关的供电指标计算不同网架结构配变台区的线损评价指标；利用线损评价指标将不同网架结构配变台区分为K组，以各组的中心作为K-Means聚类算法的初始聚类中心；
步骤3，采集配变台区的历史线损原因并进行预分类；
步骤4，利用历史线损原因的预分类结果，基于优化RVM算法构建线损模型，并将步骤2的聚类结果输入至线损模型中进行训练，以获得不同网架结构配变台区的历史线损原因的分类结果；
步骤5，实时采集与线损相关的供电指标，经步骤2和3的处理后输入至步骤4训练好的线损模型中进行线损异常和线损原因的检测。
优选地，步骤1中，与线损相关的供电指标包括：供电半径，低压线路总长度，用电性质及比例，负载率；
其中，用电性质及比例包括：用电负荷的电特性，用电负荷的重要程度，用电负荷的用电时间、场合、目的、答应停电时间。
优选地，步骤1中，对供电指标处理模型进行训练时，以与线损无关的供电指标作为噪声加入到训练集中，并且采用无监督方法训练权值，以获得训练好的供电指标处理模型；其中，训练集包括：与线损相关的供电指标，历史线损数据。
优选地，步骤2中，以如下关系式利用与线损相关的供电指标计算不同网架结构配变台区的线损评价指标：
Figure BDA0003768370250000031
式中，
PEi为第i种网架结构的配变台区的线损评价指标，
Zij为第i种网架结构的配变台区中第j个与线损相关的供电指标，
ωj为第i种网架结构的配变台区中第j个与线损相关的供电指标对应的权值，
j＝1，2，…，m，m为与线损相关的供电指标的数量；
Figure BDA0003768370250000032
式中，Zjmin为各种不同网架结构的配变台区中第j个与线损相关的供电指标的最小值，i＝1，2，…，N。
进一步，利用PE将不同网架结构配变台区分为K组，组内与各配变台区线损评价指标的平均值的最短距离所对应的配变台区作为组的中心，即K-Means聚类算法的初始聚类中心。
优选地，步骤3中，历史线损原因包括：户变关系错误，档案差错，计量差错，计量故障，无表用电，窃电或超容用电，采集故障，线路损耗异常。
对历史线损原因按照地域、用户性质、户均容量以及负载率进行预分类。
优选地，步骤4包括：
步骤4.1，构建优化RVM算法的核函数，满足如下关系式：
Figure BDA0003768370250000041
式中，
K(μ，μu)为优化RVM算法的核函数，
μ为核函数的输入值，
μu为核函数的输出值，
γ为宽度因子；
步骤4.2，使用多种群遗传算法对γ为宽度因子进行寻优，以得到宽度因子优化解γ*；
步骤4.3，使用宽度因子优化解γ*，基于优化RVM算法的核函数K(μ，μu)，得到线损检测模型；
步骤4.4，以步骤2的聚类结果输入至线损检测模型中，由线损检测模型输出不同网架结构的配变台区所对应的历史线损原因。
进一步，步骤4.2包括：
步骤4.2.1，初始化种群中个体数量G、最大迭代次数D、历史最大个体的数值L以及种群的x轴初始坐标Xaxis以及y轴初始坐标Yaxis；其中，历史最大个体的数值L为负无穷大，其余参数均为随机值；
步骤4.2.2，对于种群中的每个个体赋予一个随机距离Rt；
步骤4.2.3，利用每个个体到每个个体的x轴坐标和y轴坐标的距离和随机距离Ri，以如下关系式表示每个个体的适应度函数的判定数值：
Figure BDA0003768370250000042
式中，
St表示第t个个体适应度函数的判定数值，
Rt表示第t个个体的随机距离，
xaxis_t为第t个个体当前的x轴坐标，在第一次迭代时，xaxis_t＝Xaxis，
yaxis_t为第t个个体当前的y轴坐标，在第一次迭代时，yaxis_t＝Yaxis；
步骤4.2.4，将每个个体的适应度函数的判定数值输入适应度函数中，以适应度函数的数值作为最大个体的数值
Figure BDA0003768370250000043
其中，适应度函数满足如下关系式：
f＝(1-β)St+β(xaxis_t+Rt)+β2(yaxis_t-Rt)
式中，
f为适应度函数，
β为[0，1]中的随机值；
最大个体的x轴坐标和y轴坐标分别满足如下关系式：
xaxis_t＝xaxis+Rf
yaxis_t＝yaxis+Rt
步骤4.2.5，将最大个体的数值
Figure BDA0003768370250000051
与历史最大个体的数值L进行比较，如果
Figure BDA0003768370250000052
则令
Figure BDA0003768370250000053
否则进入步骤5.2.6；
步骤4.2.6，判断此时的迭代次数是否达到最大迭代次数D，如果达到，则输出历史最大个体的数值L作为宽度因子优化解γ*；如果迭代次数没有达到最大迭代次数D，则返回步骤4.2.2。
本发明另一方面提出基于K-Means聚类和优化RVM线损模型建立系统，包括存储器、处理器、无线通讯模块；所述存储器存储有计算机程序，处理器调用所述计算机程序执行基于K-Means聚类和优化RVM线损模型建立方法的各个步骤。
本发明的有益效果在于，与现有技术相比：
1)本发明提出的方法建立的线损模型，无需计算理论线损和依赖线损指标，通过降噪自编码器的无监督学习能够自动去除与线损无关的供电指标，也能够自动实现与线损有关的供电指标的增加和提取；供电指标是配变台区的客观指标，具有稳定可靠的特性，基于供电指标实现线损异常的分析和预测，可以有效避免理论线损或者运行数据的变化带来的线损管理的滞后甚至失误，显著提升了线损管理的效率；
2)本发明还考了配变台区不同的网架结构对线损的影响，利用供电指标计算得到配变台区的线损评价指标以反映各台区的线损，并且线损评价指标与台区实际线损的变化趋势相同，根据线损评价指标能够实现对配变台区的分组和获取各分组的中心；以配变台区的分组中心作为K-Means聚类算法的初始聚类中心，有效避免了网架结构等外部因素对聚类结果的影响，提升了本发明提出的线损模型的通用性和模块化程度；
3)本发明结合电力部门的管理要求对历史线损原因进行预分类，以提升分类的效率和保证分类结果的针对性，同时使用优化RVM算法能够避免人为经验选择参数而不能达到理想分类效果的缺陷，进一步提升了本发明提出的线损模型的通用性和模块化程度；
4)使用本发明提出的线损模型系统不仅能够进行现有配变台区线损异常的分析，还能够对新建配变台区或改造配变台区进行线损预测，有利于提升电力部门的管理水平与经济效益，促进电网的建设与改造的科学性与合理性，有效支撑电力行业相关业务的提质增效。
附图说明
图1是本发明基于K-Means聚类和优化RVM线损模型建立方法的步骤图；
图2是本发明实施例中获得的配变台区线损异常原因案例库。
具体实施方式
下面结合附图对本申请作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本申请的保护范围。
图1为本发明提出的一种基于K-Means聚类和优化RVM线损模型方法的步骤，包括步骤1至5。
步骤1，采集配变台区的供电指标和历史线损数据；使用降噪自编码器构建的供电指标处理模型，获取与线损相关的供电指标。
优选地，步骤1中，与线损相关的供电指标包括：供电半径，低压线路总长度，用电性质及比例，负载率；
其中，用电性质及比例包括：用电负荷的电特性，用电负荷的重要程度，用电负荷的用电时间、场合、目的、答应停电时间。
优选地，步骤1中，对供电指标处理模型进行训练时，以与线损无关的供电指标作为噪声加入到训练集中，并且采用无监督方法训练权值，以获得训练好的供电指标处理模型；其中，训练集包括：与线损相关的供电指标，历史线损数据。
本实施例中采用DAE降噪自编码器，由输入层、隐含层、输出层三层神经元组成，输入层与输出层神经元个数相同，结构上可分为编码器与解码器两部分。
以包含与线损相关的供电指标和历史线损数据的原始训练集x作为编码器的输入信息，输入信息x经输入层后被编码为隐含层信息h，隐含层信息h经解码又重新被映射为输出信息y，隐含层与输出层则满足以下关系式：
h＝n(W1x+b1)
y＝n(W2h+b2)
式中，W1与b1分别为编码器的权重参数与偏置参数矩阵；W2与b2分别为解码器的权重参数与偏置参数矩阵；η为神经元间的激活函数，在本实施例中为SELU激活函数。
为了使得编码器起到降维作用，设置隐含层神经元数量小于输入层与输出层的神经元数量；
自编码器在迭代中寻求输入信息x与输出信息误差y的最小化，通过最小化损失函数求解编码器与解码器参数并更新，其损失函数可以表征为：
J(W2,b2)＝∑||y,x||2
本发明为了提高编码器的鲁棒性，将与线损无关的供电指标作为噪声，对包含与线损相关的供电指标和历史线损数据的原始训练集x进行人为加噪，得到含噪训练集z，加噪后的隐含层信息h'与输出层信息y'满足以下关系式：
h′＝n(Wlz+b1)
y′＝n(W2h′+b2)
步骤2，利用与线损相关的供电指标计算不同网架结构配变台区的线损评价指标；利用线损评价指标将不同网架结构配变台区分为K组，以各组的中心作为K-Means聚类算法的初始聚类中心。
K-Means聚类算法主要有如下缺点。
1)K值需要预先给定，然而K值是很难估计的，并且对噪音和异常点十分敏感。
2)K-Means算法对初始给定的质心十分敏感，选取不同的中心点，会得到不同的聚类结果。
3)该算法有可能陷入局部最优。
为了解决上述缺点，以如下关系式利用与线损相关的供电指标计算不同网架结构配变台区的线损评价指标：
Figure BDA0003768370250000081
式中，
PEi为第i种网架结构的配变台区的线损评价指标，
Zij为第i种网架结构的配变台区中第j个与线损相关的供电指标，
ωj为第i种网架结构的配变台区中第j个与线损相关的供电指标对应的权值，
j＝1，2，…，m，m为与线损相关的供电指标的数量；
Figure BDA0003768370250000082
式中，Zjmin为各种不同网架结构的配变台区中第j个与线损相关的供电指标的最小值，i＝1，2，…，N。
进一步，利用PE将不同网架结构配变台区分为K组，组内与各配变台区线损评价指标的平均值的最短距离所对应的配变台区作为组的中心，即K-Means聚类算法的初始聚类中心。
并且通过聚类结果的轮廓系数St约束K的大小。
步骤3，采集配变台区的历史线损原因并进行预分类。
步骤3中，历史线损原因包括：户变关系错误，档案差错，计量差错，计量故障，无表用电，窃电或超容用电，采集故障，线路损耗异常。
对历史线损原因按照地域、用户性质、户均容量以及负载率进行预分类。
本实施例中，将历史线损原因按照地域、用户性质、户均容量以及负载率四个层面进行分类；
具体地，按照地域分类是指江苏省内的十三个地级市，包括：南京，苏州，无锡，常州，镇江，扬州，泰州，南通，淮安，连云港，盐城，徐州，宿迁；
按照用户性质分类是指低压用户、低压非居、高压用户等分类；
按照户均容量分类是指按照用户性质对其进行相应容量分类；
按照负载率分类是指按照变压器实际承担的负荷与其容量进行分类。
步骤4，利用历史线损原因的预分类结果，基于优化RVM算法构建线损模型，并将步骤2的聚类结果输入至线损模型中进行训练，以获得不同网架结构配变台区的历史线损原因的分类结果。
优选地，步骤4包括：
步骤4.1，构建优化RVM算法的核函数，满足如下关系式：
Figure BDA0003768370250000091
式中，
K(μ，μu)为优化RVM算法的核函数，
μ为核函数的输入值，
μu为核函数的输出值，
γ为宽度因子；
步骤4.2，使用多种群遗传算法对γ为宽度因子进行寻优，以得到宽度因子优化解γ*。
进一步，步骤4.2包括：
步骤4.2.1，初始化种群中个体数量G、最大迭代次数D、历史最大个体的数值L以及种群的x轴初始坐标Xaxis以及y轴初始坐标Yaxis；其中，历史最大个体的数值L为负无穷大，其余参数均为随机值；
步骤4.2.2，对于种群中的每个个体赋予一个随机距离Rt；
步骤4.2.3，利用每个个体到每个个体的x轴坐标和y轴坐标的距离和随机距离Ri，以如下关系式表示每个个体的适应度函数的判定数值：
Figure BDA0003768370250000092
式中，
St表示第t个个体适应度函数的判定数值，
Rt表示第t个个体的随机距离，
xaxis_t为第t个个体当前的x轴坐标，在第一次迭代时，xaxis_t＝Xaxis，
yaxis_t为第t个个体当前的y轴坐标，在第一次迭代时，yaxis_t＝Yaxis；
步骤4.2.4，将每个个体的适应度函数的判定数值输入适应度函数中，以适应度函数的数值作为最大个体的数值
Figure BDA0003768370250000093
其中，适应度函数满足如下关系式：
f＝(1-β)St+β(xaxis_t+Rt)+β2(yaxis_t-Rt)
式中，
f为适应度函数，
β为[0，1]中的随机值；
最大个体的x轴坐标和y轴坐标分别满足如下关系式：
xaxis_t＝xaxis+Rf
yaxis_t＝yaxis+Rt
步骤4.2.5，将最大个体的数值
Figure BDA0003768370250000101
与历史最大个体的数值L进行比较，如果
Figure BDA0003768370250000102
则令
Figure BDA0003768370250000103
否则进入步骤5.2.6；
步骤4.2.6，判断此时的迭代次数是否达到最大迭代次数D，如果达到，则输出历史最大个体的数值L作为宽度因子优化解γ*；如果迭代次数没有达到最大迭代次数D，则返回步骤4.2.2。
步骤4.3，使用宽度因子优化解γ*，基于优化RVM算法的核函数K(μ，μu)，得到线损检测模型；
步骤4.4，以步骤2的聚类结果输入至线损检测模型中，由线损检测模型输出不同网架结构的配变台区所对应的历史线损原因。
步骤5，实时采集与线损相关的供电指标，经步骤2和3的处理后输入至步骤4训练好的线损模型中进行线损异常和线损原因的检测。
应用本发明提出的方法获得如图2所示的配变台区线损异常原因案例库。使用数值表示产生线损的原因，包括：0表示户变关系错误，1表示档案差错，2表示计量差错，3表示计量故障，4表示无表用电，5表示窃电或超容用电，6表示采集故障，7表示线路损耗异常。
本发明另一方面提出基于K-Means聚类和优化RVM线损模型建立系统，包括存储器、处理器、无线通讯模块；所述存储器存储有计算机程序，处理器调用所述计算机程序执行基于K-Means聚类和优化RVM线损模型建立方法的各个步骤。
本发明申请人结合说明书附图对本发明的实施示例做了详细的说明与描述，但是本领域技术人员应该理解，以上实施示例仅为本发明的优选实施方案，详尽的说明只是为了帮助读者更好地理解本发明精神，而并非对本发明保护范围的限制，相反，任何基于本发明的发明精神所作的任何改进或修饰都应当落在本发明的保护范围之内。

Claims (10)

1.基于K-Means聚类和优化RVM线损模型建立方法，其特征在于，
所述建立方法包括：
步骤1，采集配变台区的供电指标和历史线损数据；使用降噪自编码器构建的供电指标处理模型，获取与线损相关的供电指标；
步骤2，利用与线损相关的供电指标计算不同网架结构配变台区的线损评价指标；利用线损评价指标将不同网架结构配变台区分为K组，以各组的中心作为K-Means聚类算法的初始聚类中心；
步骤3，采集配变台区的历史线损原因并进行预分类；
步骤4，利用历史线损原因的预分类结果，基于优化RVM算法构建线损模型，并将步骤2的聚类结果输入至线损模型中进行训练，以获得不同网架结构配变台区的历史线损原因的分类结果；
步骤5，实时采集与线损相关的供电指标，经步骤2和3的处理后输入至步骤4训练好的线损模型中进行线损异常和线损原因的检测。
2.根据权利要求1所述的基于K-Means聚类和优化RVM线损模型建立方法，其特征在于，
步骤1中，与线损相关的供电指标包括：供电半径，低压线路总长度，用电性质及比例，负载率；
其中，用电性质及比例包括：用电负荷的电特性，用电负荷的重要程度，用电负荷的用电时间、场合、目的、答应停电时间。
3.根据权利要求2所述的基于K-Means聚类和优化RVM线损模型建立方法，其特征在于，
步骤1中，对供电指标处理模型进行训练时，以与线损无关的供电指标作为噪声加入到训练集中，并且采用无监督方法训练权值，以获得训练好的供电指标处理模型；其中，训练集包括：与线损相关的供电指标，历史线损数据。
4.根据权利要求2所述的基于K-Means聚类和优化RVM线损模型建立方法，其特征在于，
步骤2中，以如下关系式利用与线损相关的供电指标计算不同网架结构配变台区的线损评价指标：
Figure FDA0003768370240000021
式中，
PEi为第i种网架结构的配变台区的线损评价指标，
Zij为第i种网架结构的配变台区中第j个与线损相关的供电指标，
ωj为第i种网架结构的配变台区中第j个与线损相关的供电指标对应的权值，j＝1，2，…，m，m为与线损相关的供电指标的数量；
Figure FDA0003768370240000022
式中，Zjmin为各种不同网架结构的配变台区中第j个与线损相关的供电指标的最小值，i＝1，2，…，N。
5.根据权利要求4所述的基于K-Means聚类和优化RVM线损模型建立方法，其特征在于，
利用PE将不同网架结构配变台区分为K组，组内与各配变台区线损评价指标的平均值的最短距离所对应的配变台区作为组的中心，即K-Means聚类算法的初始聚类中心。
6.根据权利要求1所述的基于K-Means聚类和优化RVM线损模型建立方法，其特征在于，
步骤3中，历史线损原因包括：户变关系错误，档案差错，计量差错，计量故障，无表用电，窃电或超容用电，采集故障，线路损耗异常。
7.根据权利要求6所述的基于K-Means聚类和优化RVM线损模型建立方法，其特征在于，
对历史线损原因按照地域、用户性质、户均容量以及负载率进行预分类。
8.根据权利要求1所述的基于K-Means聚类和优化RVM线损模型建立方法，其特征在于，
步骤4包括：
步骤4.1，构建优化RVM算法的核函数，满足如下关系式：
Figure FDA0003768370240000031
式中，
K(μ，μu)为优化RVM算法的核函数，
μ为核函数的输入值，
μu为核函数的输出值，
γ为宽度因子；
步骤4.2，使用多种群遗传算法对γ为宽度因子进行寻优，以得到宽度因子优化解γ*；
步骤4.3，使用宽度因子优化解γ*，基于优化RVM算法的核函数K(μ，μu)，得到线损检测模型；
步骤4.4，以步骤2的聚类结果输入至线损检测模型中，由线损检测模型输出不同网架结构的配变台区所对应的历史线损原因。
9.根据权利要求6所述的基于K-Means聚类和优化RVM线损模型建立方法，其特征在于，
步骤4.2包括：
步骤4.2.1，初始化种群中个体数量G、最大迭代次数D、历史最大个体的数值L以及种群的x轴初始坐标Xaxis以及y轴初始坐标Yaxis；其中，历史最大个体的数值L为负无穷大，其余参数均为随机值；
步骤4.2.2，对于种群中的每个个体赋予一个随机距离Rt；
步骤4.2.3，利用每个个体到每个个体的x轴坐标和y轴坐标的距离和随机距离Ri，以如下关系式表示每个个体的适应度函数的判定数值：
Figure FDA0003768370240000032
式中，
St表示第t个个体适应度函数的判定数值，
Rt表示第t个个体的随机距离，
xaxis_t为第t个个体当前的x轴坐标，在第一次迭代时，xaxis_t＝Xaxis，
yaxis_t为第t个个体当前的y轴坐标，在第一次迭代时，yaxis_t＝Yaxis；
步骤4.2.4，将每个个体的适应度函数的判定数值输入适应度函数中，以适应度函数的数值作为最大个体的数值
Figure FDA0003768370240000041
其中，适应度函数满足如下关系式：
f＝(1-β)St+β(xaxis_t+Rt)+β2(yaxis_t-Rt)
式中，
f为适应度函数，
β为[0，1]中的随机值；
最大个体的x轴坐标和y轴坐标分别满足如下关系式：
xaxis_t＝xaxis+Rt
yaxis_t＝yaxis+Rt
步骤4.2.5，将最大个体的数值
Figure FDA0003768370240000042
与历史最大个体的数值L进行比较，如果
Figure FDA0003768370240000043
则令
Figure FDA0003768370240000044
否则进入步骤5.2.6；
步骤4.2.6，判断此时的迭代次数是否达到最大迭代次数D，如果达到，则输出历史最大个体的数值L作为宽度因子优化解γ*；如果迭代次数没有达到最大迭代次数D，则返回步骤4.2.2。
10.基于K-Means聚类和优化RVM线损模型建立系统，用于实现权利要求1至9任一项所述的基于K-Means聚类和优化RVM线损模型建立方法，其特征在于，
所述线损模型建立系统包括存储器、处理器、无线通讯模块；所述存储器存储有计算机程序，处理器调用所述计算机程序执行权利要求1-9所述的各个步骤。
CN202210893168.4A 2022-07-27 2022-07-27 基于K-Means聚类和优化RVM线损模型建立方法及系统 Pending CN115081551A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210893168.4A CN115081551A (zh) 2022-07-27 2022-07-27 基于K-Means聚类和优化RVM线损模型建立方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210893168.4A CN115081551A (zh) 2022-07-27 2022-07-27 基于K-Means聚类和优化RVM线损模型建立方法及系统

Publications (1)

Publication Number Publication Date
CN115081551A true CN115081551A (zh) 2022-09-20

Family

ID=83242836

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210893168.4A Pending CN115081551A (zh) 2022-07-27 2022-07-27 基于K-Means聚类和优化RVM线损模型建立方法及系统

Country Status (1)

Country Link
CN (1) CN115081551A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116298675A (zh) * 2023-02-15 2023-06-23 东北电力大学 一种基于智能算法的配电网线损异常检测方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116298675A (zh) * 2023-02-15 2023-06-23 东北电力大学 一种基于智能算法的配电网线损异常检测方法及系统
CN116298675B (zh) * 2023-02-15 2023-09-22 东北电力大学 一种基于智能算法的配电网线损异常检测方法及系统

Similar Documents

Publication Publication Date Title
CN112508275B (zh) 一种基于聚类和趋势指标的配电网线路负荷预测方法和设备
CN111199016B (zh) 一种基于DTW的改进K-means的日负荷曲线聚类方法
CN112734128B (zh) 一种基于优化rbf的7日电力负荷峰值预测方法
CN111880044B (zh) 一种含分布式电源配电网在线故障定位方法
CN110163429B (zh) 一种基于相似日优化筛选的短期负荷预测方法
Zhang et al. Load Prediction Based on Hybrid Model of VMD‐mRMR‐BPNN‐LSSVM
CN117455070A (zh) 一种基于大数据的中药生产数据管理系统
CN111680818B (zh) 一种短期无功负荷预测方法和系统
CN116169670A (zh) 一种基于改进神经网络的短期非居民负荷预测方法及系统
CN110837934B (zh) 一种基于深度学习的智能电网短期住宅负荷预测方法
CN115204698A (zh) 一种低压台区供电稳定性的实时分析方法
CN117498319A (zh) 基于融合聚类与vqc-lstm的分布式光伏短期功率预测方法
CN113762591B (zh) 一种基于gru和多核svm对抗学习的短期电量预测方法及系统
CN117458480A (zh) 基于改进lof的光伏发电功率短期预测方法及系统
CN115169719A (zh) 一种基于模糊聚类和bp神经网络的台区状态预测模型
CN115081551A (zh) 基于K-Means聚类和优化RVM线损模型建立方法及系统
Wang et al. Sustainable investment forecasting of power grids based on the deep restricted Boltzmann machine optimized by the lion algorithm
CN113033898A (zh) 基于k均值聚类与bi-lstm神经网络的电负荷预测方法及系统
Zhang Short‐Term Power Load Forecasting Based on SAPSO‐CNN‐LSTM Model considering Autocorrelated Errors
CN116628488A (zh) 风电功率预测模型的训练方法、风电功率预测方法及设备
CN113191453B (zh) 一种基于dae网络特征的用电行为画像生成方法及系统
Sicheng et al. Abnormal line loss data detection and correction method
CN115619028A (zh) 一种基于聚类算法融合的电力负荷精准预测方法
CN111882106B (zh) 基于综合因素和ceemd-igwo-grnn的短期电力负荷预测方法
CN115118015A (zh) 一种基于融合终端的台区供电稳定性监测系统

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