CN115241981A - 一种基于大数据的主动配电网监测方法 - Google Patents

Abstract

本发明公开了一种基于大数据的主动配电网监测方法，包括以下步骤：选取主动配电网中关键节点作为监测节点，并将监测节点的多个监测数据项作为多个博弈对象，在多个博弈对象间构建以数据处理量最小化和识别准确度最大化为目标函数的博弈模型；利用博弈模型对博弈对象在各个监测时段处进行轮回博弈得到监测节点在各个监测时段处的实时识别数据项，将监测节点在各个监测时段的实时识别数据项利用预测神经网络构建为监测项时序预测模型。本发明利用博弈模型对博弈对象在各个监测时段处进行轮回博弈得到监测节点在各个监测时段处的实时识别数据项，降低实时监测数据量，提高监测效率和准确度。

Description

一种基于大数据的主动配电网监测方法

技术领域

本发明涉及电网监测技术领域，具体涉及一种基于大数据的主动配电网监测方法。

背景技术

主动配电网运行监测研究主要集中在电能质量监测方面。主动配电网的运行状态与电能质量状况与分布式电源的接入方式和运行情况密切相关，潮流方向的改变会对电能质量水平产生较大影响。所以对主动配电网的电能质量监测与一般配电网不同，在监测电能质量实施状况的同时，还需要监测分布式电源的消纳过程和潮流方向，以便制定合理的协调控制策略，在不影响负荷用电的情况下缓和电能质量状况。

在主动配电网发生故障时，对故障的区域定位也至关重要。对于含高渗透率DG的配电网的故障定位，目前已有大量的相关研究。一种较为典型的方法是通过对DG和电网连接点处电压和电流进行测量，并观察其同步性来判断是否发生了故障。另一种方法是针对架空配电网提出的根据故障电流信息的改进故障定位策略，利用重合闸与DG脱网的配合，解决含DG架空配电网的故障定位问题。

主动配电网的数据类型繁多，目前常用的方法是依据IEC61970构建一套统一的数据模型，实现各类业务系统之间的信息交互和数据共享。主动配电网的数据变化速度快，这对系统的实时数据处理能力提出了更高的要求，有研究表明，正常运行的SCADA系统如接收到监测数据延时超过50ms，即将导致错误的控制策略，因而必须在短时内对大量数据进行分析，以支持决策制定。

综上，虽然国内为已经对主动配电网相关运行特征、故障特点有了一定的研究。现有技术依赖大数据的数据特征的丰富性进行运行监测，但享受大数据技术在主动配电网的数据建模、数据关联、数据挖掘、数据融合等方面便利的同时，不容忽视的是大数据技术带来的数据处理量和运算量均巨大，并且主动配电网的数据价值密度低，在设备状态监测中存在同样的问题，所采集的绝大部分数据都是正常数据，只有极少量的异常数据，而异常数据是状态检修的重要依据。现有技术难以实现监测数据的实时筛选，进而导致监测效率的降低。

发明内容

本发明的目的在于提供一种基于大数据的主动配电网监测方法，以解决现有技术中难以实现监测数据的实时筛选，进而导致监测效率的降低的技术问题。

为解决上述技术问题，本发明具体提供下述技术方案：

一种基于大数据的主动配电网监测方法，包括以下步骤：

步骤S1、选取主动配电网中关键节点作为监测节点，并将监测节点的多个监测数据项作为多个博弈对象，在多个博弈对象间构建以数据处理量最小化和识别准确度最大化为目标函数的博弈模型；

步骤S2、利用博弈模型对博弈对象在各个监测时段处进行轮回博弈得到监测节点在各个监测时段处的实时识别数据项，将监测节点在各个监测时段的实时识别数据项利用预测神经网络构建为监测项时序预测模型；

步骤S3、将主动配电网中关键节点在现时时序处的实时识别数据项输入至监测项时序预测模型中得到关键节点在后时时序处的实时识别数据项，在后时时序处对关键节点以后时时序处的实时识别数据项进行数据监测，以在关键节点运行状况的识别中实现数据处理量小及识别准确度高。

作为本发明的一种优选方案，所述关键节点的选取，包括：

计算主动配电网中各个电网节点的节点度，并将各个电网节点的节点度与预设节点度阈值进行比较，其中，

若节点度大于或等于预设节点度阈值，则将节点度对应的电网节点标记为关键节点；

若节点度小于预设节点度阈值，则将节点度对应的电网节点标记为非关键节点；

所述节点度是表征电网节点的邻接节点数量总数的统计值。

作为本发明的一种优选方案，所述将监测节点的多个监测数据项作为多个博弈对象，包括：

依次将每个监测节点的各个监测数据项均作为每个监测节点的各个博弈对象。

作为本发明的一种优选方案，所述在多个博弈对象间构建以数据处理量最小化和识别准确度最大化为目标函数的博弈模型，包括：

构建每个监测节点的数据处理量最小化目标函数，所述数据处理量最小化目标函数为：

；

式中，X _j 为第j个监测节点的数据处理量最小化目标函数值，Num _j,i 为第j个监测节点在第i个监测时段处的实时识别数据项数量，M为监测时段的总数量，i，j为计量常数，min为最小化运算符；

构建每个监测节点的识别准确度最大化目标函数，所述识别准确度最大化目标函数为：

；

式中，Y _j 为第j个监测节点的识别准确度最大化目标函数值，Pum _j,i 为第j个监测节点在第i个监测时段处利用第j个监测节点在第i个监测时段处的实时识别数据项得到的运行状态识别准确度，M为监测时段的总数量，i，j为计量常数，max为最小化运算符。

作为本发明的一种优选方案，所述运行状态识别准确度的衡量包括：

选取多个现有的根据电网节点的实时识别数据项预测电网节点运行状态的运行状态识别模型，并将监测节点在各个监测时段的实时识别数据项分别利用多个运行状态识别模型；

统计多个运行状态识别模型中正确识别监测节点的运行状态的模型数量，将正确识别监测节点的运行状态的模型数量在所有运行状态识别模型的模型数量中的占比作为所述监测节点在各个监测时段处的运行状态识别准确度。

作为本发明的一种优选方案，所述利用博弈模型对博弈对象在各个监测时段处进行轮回博弈得到监测节点在各个监测时段处的实时识别数据项，包括：

步骤一，初始种群生成：对每个监测节点在每个监测时段处的博弈对象项采用实数编码方式，构成一个初始博弈种群，表示为c _j , _i (1),c _j , _i (2),…, c _j , _i (Num _j , _i )，式中，c _j , _i (1)，c _j , _i (2)，c _j , _i (Num _j , _i )分别为第j个监测节点在第i个监测时段处第1，2和Num _j , _i 个博弈对象的编码符；

步骤二，种群个体优劣性评价：以监测节点的数据处理量最小化目标函数和监测节点的识别准确度最大化目标函数为评价标准，对博弈种群中种群个体的优劣性进行评价；

步骤三，交叉变异环节：将博弈种群的父代博弈种群个体随机排列生成Num _j , _i ×2的矩阵，该矩阵的每一列都是完整的父代博弈种群，选择每一行中较优的种群个体进行交叉变异产生子代博弈种群；

步骤四，精英策略：将子代博弈种群和父代博弈种群合并成新博弈种群，根据种群个体优劣性选择一半个体组成新的父代博弈种群；

步骤五，博弈双方的策略选择：第e轮博弈过程中，当博弈种群迭代次数达到最大迭代次数时，从博弈种群中选择最优的种群个体作为每个监测节点在每个监测时段处的实时识别数据项，e≥1；

步骤六，判断是否达到博弈均衡：若在第e轮博弈过程中监测节点的数据处理量最小化目标函数和监测节点的识别准确度最大化目标函数与第e-1轮相同，则博弈双方在第e轮博弈达到均衡，若不满足，则进入第e+1轮博弈，直至达到博弈均衡状态；

其中，每轮博弈过程均包含对每个监测节点在每个监测时段处博弈对象的博弈，第e轮博弈过程中，依次完成第1至M个监测时段处博弈对象的博弈，再进入第e+1博弈过程中，依次完成第1至M个监测时段处博弈对象的博弈。

作为本发明的一种优选方案，所述将监测节点在各个监测时段的实时识别数据项利用预测神经网络构建为监测项时序预测模型，包括：

将监测节点在各个监测时段处的实时识别数据项进行时序切分得到多个监测时序块，所述监测时序块表示为：{data _k ,data _k+1,data _k+2,data _k+3}，k∈[1,M-3]；

将监测时序块中{data _k ,data _k+1,data _k+2}作为输入项，监测时序块中{data _k+3}作为输出项，利用LSTM神经网络对输入项和输出项进行模型训练得到所述监测项时序预测模型；

所述监测项时序预测模型的模型表达式为：

data _now =LSTM(data _future )；

式中，data _now 为现时时序处的实时识别数据项，data _future 为后时时序处的实时识别数据项，LSTM为LSTM神经网络。

作为本发明的一种优选方案，所述实时识别数据项是监测节点处在所有监测数据项筛选出以用于识别监测节点运行状态的监测数据项。

作为本发明的一种优选方案，所述监测数据项、实时识别数据项中各个数据项均进行归一化处理。

作为本发明的一种优选方案，所述实时识别数据项的数据项总数量小于或等于监测数据项。

本发明与现有技术相比较具有如下有益效果：

本发明以监测节点的多个监测数据项作为多个博弈对象，在多个博弈对象间构建以数据处理量最小化和识别准确度最大化为目标函数的博弈模型，利用博弈模型对博弈对象在各个监测时段处进行轮回博弈得到监测节点在各个监测时段处的实时识别数据项，将监测节点在各个监测时段的实时识别数据项利用预测神经网络构建为监测项时序预测模型，以在关键节点运行状况的识别中实现数据处理量小及识别准确度高，降低实时监测数据量，提高监测效率和准确度。

附图说明

为了更清楚地说明本发明的实施方式或现有技术中的技术方案，下面将对实施方式或现有技术描述中所需要使用的附图作简单地介绍。显而易见地，下面描述中的附图仅仅是示例性的，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图引伸获得其它的实施附图。

图1为本发明实施例提供的主动配电网监测方法流程图。

具体实施方式

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。

如图1所示，本发明提供了一种基于大数据的主动配电网监测方法，包括以下步骤：

步骤S1、选取主动配电网中关键节点作为监测节点，并将监测节点的多个监测数据项作为多个博弈对象，在多个博弈对象间构建以数据处理量最小化和识别准确度最大化为目标函数的博弈模型；

关键节点的选取，包括：

计算主动配电网中各个电网节点的节点度，并将各个电网节点的节点度与预设节点度阈值进行比较，其中，

若节点度大于或等于预设节点度阈值，则将节点度对应的电网节点标记为关键节点；

若节点度小于预设节点度阈值，则将节点度对应的电网节点标记为非关键节点；

节点度是表征电网节点的邻接节点数量总数的统计值。

将监测节点的多个监测数据项作为多个博弈对象，包括：

依次将每个监测节点的各个监测数据项均作为每个监测节点的各个博弈对象。

主动配电网的数据价值密度低，在设备状态监测中存在同样的问题，所采集的绝大部分数据都是正常数据，只有极少量的异常数据，而异常数据是状态检修的重要依据，因此在每个监测时段处并不需要对所有监测数据项进行一一监测，只需要在所有监测数据项中筛选出能够有助于识别出节点运行状态的必要数据项即可，如此能够在保证状态识别准确率的同时减少监测数据量的数量，本实例将监测数据项作为博弈对象，通过建立博弈模型来实现监测数据项的筛选得到每个监测时段的实时识别数据项，比如：监测节点1的监测数据项包括A，B，C，D，E，F，经过博弈后构建出在实时监测时段1处的监测数据项为A，B，C，D，监测时段2处的实时识别数据项为A，B，C，E，F，等等，实现了每个监测时段有各自的实时识别数据项，实现了监测数据项的降维。

步骤S2、利用博弈模型对博弈对象在各个监测时段处进行轮回博弈得到监测节点在各个监测时段处的实时识别数据项，将监测节点在各个监测时段的实时识别数据项利用预测神经网络构建为监测项时序预测模型；

在多个博弈对象间构建以数据处理量最小化和识别准确度最大化为目标函数的博弈模型，包括：

构建每个监测节点的数据处理量最小化目标函数，数据处理量最小化目标函数为：

；

式中，X _j 为第j个监测节点的数据处理量最小化目标函数值，Num _j,i 为第j个监测节点在第i个监测时段处的实时识别数据项数量，M为监测时段的总数量，i，j为计量常数，min为最小化运算符；

构建每个监测节点的识别准确度最大化目标函数，识别准确度最大化目标函数为：

；

式中，Y _j 为第j个监测节点的识别准确度最大化目标函数值，Pum _j,i 为第j个监测节点在第i个监测时段处利用第j个监测节点在第i个监测时段处的实时识别数据项得到的运行状态识别准确度，M为监测时段的总数量，i，j为计量常数，max为最小化运算符。

构建博弈模型以数据处理量最小化和识别准确度最大化为目标函数，可以保证经过博弈模型计算得到的监测节点在每个监测时段处的实时识别数据项能够保证在数据处理量和识别准确度之间进行权衡，使得实时识别数据项能够在数据处理量和识别准确度之间达到最佳平衡，即具有较少数据处理量的同时保证较好的识别准确度。

在每个监测时段的监测数据项的博弈是在每个监测时段中博弈出对于识别节点运行状态的必要监测数据量，即实时监测数据量。

运行状态识别准确度的衡量包括：

选取多个现有的根据电网节点的实时识别数据项预测电网节点运行状态的运行状态识别模型，并将监测节点在各个监测时段的实时识别数据项分别利用多个运行状态识别模型；

统计多个运行状态识别模型中正确识别监测节点的运行状态的模型数量，将正确识别监测节点的运行状态的模型数量在所有运行状态识别模型的模型数量中的占比作为监测节点在各个监测时段处的运行状态识别准确度。

运行状态识别准确度的衡量是建立在模型适配度上，即实时识别数据项使得更多数量运行状态识别模型能取得正确的识别结果，则表明该实时识别数据项在所有监测数据项筛选效果越好。

利用博弈模型对博弈对象在各个监测时段处进行轮回博弈得到监测节点在各个监测时段处的实时识别数据项，包括：

步骤一，初始种群生成：对每个监测节点在每个监测时段处的博弈对象项采用实数编码方式，构成一个初始博弈种群，表示为c _j , _i (1),c _j , _i (2),…, c _j , _i (Num _j , _i )，式中，c _j , _i (1)，c _j , _i (2)，c _j , _i (Num _j , _i )分别为第j个监测节点在第i个监测时段处第1，2和Num _j , _i 个博弈对象的编码符；

步骤二，种群个体优劣性评价：以监测节点的数据处理量最小化目标函数和监测节点的识别准确度最大化目标函数为评价标准，对博弈种群中种群个体的优劣性进行评价；

步骤三，交叉变异环节：将博弈种群的父代博弈种群个体随机排列生成Num _j , _i ×2的矩阵，该矩阵的每一列都是完整的父代博弈种群，选择每一行中较优的种群个体进行交叉变异产生子代博弈种群；

步骤四，精英策略：将子代博弈种群和父代博弈种群合并成新博弈种群，根据种群个体优劣性选择一半个体组成新的父代博弈种群；

步骤五，博弈双方的策略选择：第e轮博弈过程中，当博弈种群迭代次数达到最大迭代次数时，从博弈种群中选择最优的种群个体作为每个监测节点在每个监测时段处的实时识别数据项，e≥1；

步骤六，判断是否达到博弈均衡：若在第e轮博弈过程中监测节点的数据处理量最小化目标函数和监测节点的识别准确度最大化目标函数与第e-1轮相同，则博弈双方在第e轮博弈达到均衡，若不满足，则进入第e+1轮博弈，直至达到博弈均衡状态；

其中，每轮博弈过程均包含对每个监测节点在每个监测时段处博弈对象的博弈，第e轮博弈过程中，依次完成第1至M个监测时段处博弈对象的博弈，再进入第e+1博弈过程中，依次完成第1至M个监测时段处博弈对象的博弈。

将监测节点在各个监测时段的实时识别数据项利用预测神经网络构建为监测项时序预测模型，包括：

将监测节点在各个监测时段处的实时识别数据项进行时序切分得到多个监测时序块，监测时序块表示为：{data _k ,data _k+1,data _k+2,data _k+3}，k∈[1,M-3]；

将监测时序块中{data _k ,data _k+1,data _k+2}作为输入项，监测时序块中{data _k+3}作为输出项，利用LSTM神经网络对输入项和输出项进行模型训练得到监测项时序预测模型；

监测项时序预测模型的模型表达式为：

data _now =LSTM(data _future )；

式中，data _now 为现时时序处的实时识别数据项，data _future 为后时时序处的实时识别数据项，LSTM为LSTM神经网络。

实时识别数据项是监测节点处在所有监测数据项筛选出以用于识别监测节点运行状态的监测数据项。

将博弈模型进行博弈求解产生的每个监测时段的实时识别数据项利用神经网络进行卷积学习，从而学习得到实时识别数据项的规律，从而能够直接利用前置时段处的实时识别数据项推测出后置时段处的实时识别数据项，无需在进行博弈求解，进一步降低了计算步骤，进而进一步提高了效率。

监测数据项、实时识别数据项中各个数据项均进行归一化处理。

步骤S3、将主动配电网中关键节点在现时时序处的实时识别数据项输入至监测项时序预测模型中得到关键节点在后时时序处的实时识别数据项，在后时时序处对关键节点以后时时序处的实时识别数据项进行数据监测，以在关键节点运行状况的识别中实现数据处理量小及识别准确度高。

实时识别数据项的数据项总数量小于或等于监测数据项。

本发明以监测节点的多个监测数据项作为多个博弈对象，在多个博弈对象间构建以数据处理量最小化和识别准确度最大化为目标函数的博弈模型，利用博弈模型对博弈对象在各个监测时段处进行轮回博弈得到监测节点在各个监测时段处的实时识别数据项，将监测节点在各个监测时段的实时识别数据项利用预测神经网络构建为监测项时序预测模型，以在关键节点运行状况的识别中实现数据处理量小及识别准确度高，降低实时监测数据量，提高监测效率和准确度。

以上实施例仅为本申请的示例性实施例，不用于限制本申请，本申请的保护范围由权利要求书限定。本领域技术人员可以在本申请的实质和保护范围内，对本申请做出各种修改或等同替换，这种修改或等同替换也应视为落在本申请的保护范围内。

Claims (10)

1.一种基于大数据的主动配电网监测方法，其特征在于，包括以下步骤：

步骤S1、选取主动配电网中关键节点作为监测节点，并将监测节点的多个监测数据项作为多个博弈对象，在多个博弈对象间构建以数据处理量最小化和识别准确度最大化为目标函数的博弈模型；

步骤S2、利用博弈模型对博弈对象在各个监测时段处进行轮回博弈得到监测节点在各个监测时段处的实时识别数据项，将监测节点在各个监测时段的实时识别数据项利用预测神经网络构建为监测项时序预测模型；

步骤S3、将主动配电网中关键节点在现时时序处的实时识别数据项输入至监测项时序预测模型中，得到关键节点在后时时序处的实时识别数据项，在后时时序处对关键节点以后时时序处的实时识别数据项进行数据监测。

2.根据权利要求1所述的基于大数据的主动配电网监测方法，其特征在于：所述关键节点的选取，包括：

计算主动配电网中各个电网节点的节点度，并将各个电网节点的节点度与预设节点度阈值进行比较，其中，

若节点度大于或等于预设节点度阈值，则将节点度对应的电网节点标记为关键节点；

若节点度小于预设节点度阈值，则将节点度对应的电网节点标记为非关键节点；

所述节点度是表征电网节点的邻接节点数量总数的统计值。

3.根据权利要求2所述的基于大数据的主动配电网监测方法，其特征在于：所述将监测节点的多个监测数据项作为多个博弈对象，包括：

依次将每个监测节点的各个监测数据项均作为每个监测节点的各个博弈对象。

4.根据权利要求3所述的基于大数据的主动配电网监测方法，其特征在于：所述在多个博弈对象间构建以数据处理量最小化和识别准确度最大化为目标函数的博弈模型，包括：

构建每个监测节点的数据处理量最小化目标函数，所述数据处理量最小化目标函数为：

；

式中，X _j 为第j个监测节点的数据处理量最小化目标函数值，Num _j,i 为第j个监测节点在第i个监测时段处的实时识别数据项数量，M为监测时段的总数量，i，j为计量常数，min为最小化运算符；

构建每个监测节点的识别准确度最大化目标函数，所述识别准确度最大化目标函数为：

；

式中，Y _j 为第j个监测节点的识别准确度最大化目标函数值，Pum _j,i 为第j个监测节点在第i个监测时段处利用第j个监测节点在第i个监测时段处的实时识别数据项得到的运行状态识别准确度，M为监测时段的总数量，i，j为计量常数，max为最小化运算符。

5.根据权利要求4所述的基于大数据的主动配电网监测方法，其特征在于：所述运行状态识别准确度的衡量包括：

选取多个现有的根据电网节点的实时识别数据项预测电网节点运行状态的运行状态识别模型，并将监测节点在各个监测时段的实时识别数据项分别利用多个运行状态识别模型；

统计多个运行状态识别模型中正确识别监测节点的运行状态的模型数量，将正确识别监测节点的运行状态的模型数量在所有运行状态识别模型的模型数量中的占比，作为所述监测节点在各个监测时段处的运行状态识别准确度。

6.根据权利要求5所述的基于大数据的主动配电网监测方法，其特征在于：所述利用博弈模型对博弈对象在各个监测时段处进行轮回博弈得到监测节点在各个监测时段处的实时识别数据项，包括：

步骤一，初始种群生成：对每个监测节点在每个监测时段处的博弈对象项采用实数编码方式，构成一个初始博弈种群，表示为c _j , _i (1),c _j , _i (2),…,c _j , _i (Num _j , _i )，式中，c _j , _i (1)，c _j , _i (2)，c _j , _i (Num _j , _i )分别为第j个监测节点在第i个监测时段处第1，2和Num _j , _i 个博弈对象的编码符；

步骤二，种群个体优劣性评价：以监测节点的数据处理量最小化目标函数和监测节点的识别准确度最大化目标函数为评价标准，对博弈种群中种群个体的优劣性进行评价；

步骤三，交叉变异环节：将博弈种群的父代博弈种群个体随机排列生成Num _j , _i ×2的矩阵，该矩阵的每一列都是完整的父代博弈种群，选择每一行中较优的种群个体进行交叉变异产生子代博弈种群；

步骤四，精英策略：将子代博弈种群和父代博弈种群合并成新博弈种群，根据种群个体优劣性选择一半个体组成新的父代博弈种群；

步骤五，博弈双方的策略选择：第e轮博弈过程中，当博弈种群迭代次数达到最大迭代次数时，从博弈种群中选择最优的种群个体作为每个监测节点在每个监测时段处的实时识别数据项，e≥1；

步骤六，判断是否达到博弈均衡：若在第e轮博弈过程中监测节点的数据处理量最小化目标函数和监测节点的识别准确度最大化目标函数与第e-1轮相同，则博弈双方在第e轮博弈达到均衡，若不满足，则进入第e+1轮博弈，直至达到博弈均衡状态；

其中，每轮博弈过程均包含对每个监测节点在每个监测时段处博弈对象的博弈，第e轮博弈过程中，依次完成第1至M个监测时段处博弈对象的博弈，再进入第e+1博弈过程中，依次完成第1至M个监测时段处博弈对象的博弈。

7.根据权利要求6所述的基于大数据的主动配电网监测方法，其特征在于：所述将监测节点在各个监测时段的实时识别数据项利用预测神经网络构建为监测项时序预测模型，包括：

将监测节点在各个监测时段处的实时识别数据项进行时序切分得到多个监测时序块，所述监测时序块表示为：{data _k ,data _k+1,data _k+2,data _k+3}，k∈[1,M-3]；

将监测时序块中{data _k ,data _k+1,data _k+2}作为输入项，监测时序块中{data _k+3}作为输出项，利用LSTM神经网络对输入项和输出项进行模型训练得到所述监测项时序预测模型；

所述监测项时序预测模型的模型表达式为：

data _now =LSTM(data _future )；

式中，data _now 为现时时序处的实时识别数据项，data _future 为后时时序处的实时识别数据项，LSTM为长短期记忆人工神经网络。

8.根据权利要求7所述的基于大数据的主动配电网监测方法，其特征在于，所述实时识别数据项是监测节点处在所有监测数据项筛选出以用于识别监测节点运行状态的监测数据项。

9.根据权利要求8所述的基于大数据的主动配电网监测方法，其特征在于，所述监测数据项、实时识别数据项中各个数据项均进行归一化处理。

10.根据权利要求9所述的基于大数据的主动配电网监测方法，其特征在于，所述实时识别数据项的数据项总数量小于或等于监测数据项。

Images