CN115345392A - 一种配电网异常态势研判与关键指标筛选方法 - Google Patents

Abstract

本发明公开了一种配电网异常态势研判与关键指标筛选方法，涉及电气工程技术领域，技术方案为，筛选配电网健康度关键评价指标作为关键特征量；将S1获取的关键特征量数据归一化；搭建配电网健康度评价指标体系：采用熵权法确定配电网健康度评价指标权重；加权计算配电网健康度等级，作出健康度画像。通过配电网健康度画像监控，当健康度变差时，对配电网做出异常预警。本发明的有益效果是：基于机器学习数据降维技术对配电网健康度评价指标进行降维处理，筛选出最能有效表征配电网安全、可靠、经济这三个维度和健康运行的关键指标，同时利用熵权法对关键指标赋权，形成全面、精准的配电网健康度评价指标体系，进而有效评估配电网健康度。

Description

一种配电网异常态势研判与关键指标筛选方法

技术领域

本发明涉及电气工程技术领域，特别涉及一种配电网异常态势研判与关键指标筛选方法。

背景技术

作为电力系统的最后一个环节，配电网的正常运行关系着用户在用电方面的稳定、安全、优质、经济等要求。配电网在运行过程中，会因内部或外部的干扰而进入异常状态，从而影响整个电力系统的安全运行。因此，配电网异常状态的估计与判断，可以提高整个配电网的供电质量和可靠性，具有重要的科学和经济价值。

传统的异常检测都是基于个体检测，通过SCADA/EMS系统和离线数据库，将具有一定延迟的线路信息同数据库进行匹配，从而发现异常。这种方法具有较高延迟、采样准确度低、检测方式分散等缺点，而随着物联网技术和量测装置的发展，配电网涌现了海量数据，这为配电网异常状态检测提供了新的契机。

近年来，国内外开展了许多关于配电网健康度的研究。由于配电网是实时动态系统，用健康度可以直观地描述量大面广、复杂多变的配电网实时运行状态，反映现有配电网健康状况，可用于判定配电网运行是否处于正常状态。另外，在对海量数据进行挖掘与统计时，经典的统计定理已不再适用，由高维随机矩阵取而代之。基于高维随机矩阵，可从量测大数据的特征出发，以时间序列分析和随机矩阵理论为基石，通过分析配电网多源数据，辨识配电网异常状态并挖掘其时空特性。

发明内容

针对上述技术问题，本发明目的是提供一种配电网异常态势研判与关键指标筛选方法，通过挖掘配电网关键指标，刻画配电网健康度实时画像，初步判断配电网异常发展态势；基于关键指标建立配电网异常态势研判模型，可提前预知配电网异常状态，及时采取风险防控措施，对保障配电网供电安全性和可靠性尤为重要。

其技术方案为，包括步骤，

S1、筛选配电网健康度关键评价指标作为关键特征量：基于机器学习数据降维技术对配电网健康度评价指标进行降维，实现用少量关键基础指标得到配电网健康度评价结果；

S2、将S1获取的关键特征量数据归一化；

S3、搭建配电网健康度评价指标体系：采用熵权法确定配电网健康度评价指标的权重；

S4、加权计算配电网健康度等级，作出健康度画像。通过配电网健康度画像监控，当健康度变差时，对配电网做出异常预警。

优选为，所述S1筛选配电网健康度关键评价指标，具体为，定义一级指标及二级指标，一级指标评估配电网健康度包括至少三个维度，所述三个维度分别为安全、可靠、经济；对二级指标采用机器学习数据降维技术对配电网健康度评价指标进行降维，得到配电网健康度的关键指标。

优选为，所述S2中的关键特征量数据归一化，具体为，对定量指标和定性指标进行处理，将原始数据归一化到[0，1]，供目标值计算。

优选为，所述S3搭建配电网健康度评价指标体系，具体为，采用熵权法计算各个指标权重，步骤如下：

计算指标的熵值和冗余度：

式中：e_i与d_i分别为指标x_i的熵值与冗余度，其中

Y_ij是第j个样本的指标x_i归一化后的数值，n是样本的总数量；冗余度衡量了各指标之间的差异，差异越大，指标就越重要，计算第i个指标的权值如下所示：

式中，d_i是指标x_i的冗余度，k表示指标的总个数,进一步按指标加权可得配电网每天的健康度综合评分，从而得到一个整体评价分数。

优选为，所述S4计算配电网健康度等级、作出健康度画像和对配电网异常预警，具体为，对挖掘出的表征配电网健康度的关键指标进行加权计算，得到最终评估的配电网健康度。当配电网健康状态为一般缺陷、严重缺陷或危急缺陷时，说明配电网性能已部分退化或严重退化，表明其具有异常发展态势。

优选为，所述机器学习指标降维技术的具体步骤为：

步骤一、调研梳理25个影响配电网健康状态的因素和评价指标，25个指标包括电流谐波畸变率、无功补偿容量占比、负荷转供率、平均峰谷差、快速开关率、电压合格率、频率合格率、功率因数合格率、供电半径合格率、损耗合格率、综合线损率、储能容量占比、风力等级、雷电等级、冰雪灾害等级、线路平均负载率、故障恢复时间、失符合率、配电网容载比、高峰负荷持续时间、三相不平衡率、线路截面合格率、供电负荷平稳率、供电故障自愈率、节点电压平稳度；

步骤二、基础指标聚类降维：

将25个基础指标归一化后用DBSCAN聚类方法进行聚类，随机剔除一个指标，对剩下的24个指标进行聚类，如果两次的聚类误差小于或等于0.5，说明剔除的该指标不影响整体评价，是冗余指标，应该舍弃；反之，若聚类误差大于0.5，则保留该指标；以此类推，直到无冗余指标，则完成基础指标的降维。

优选为，所述指标归一化为[0，1]，具体为，

定量指标的量化方法使用极值法；所述25个指标都属于正指标，归一化后的数值与原始值的大小变化趋势一致，指标数值归一化转换公式为：

而线损率等指标的数值越大对配电网健康度的影响越消极，这些都属于逆指标，归一化的数值随着原始值的增大而减小，逆指标数值归一化转换公式为：

式中：x为当前值；y为归一化后的值；maxValue为该属性范围内的最大值；minValue为属性范围内的最小值；

定性指标是对配电网的静态评价，只有把定性评价定量化以后才能继续进行量化处理；按照指标值变化类型的不同，定性指标分为连续型指标和离散型指标；

连续型指标的值的取值范围在一个固定的数值范围内，根据线性关系，求出量化值；离散型指标为，对评分值域进行自定义，例如，当使用“高，较高，中，较低，低”这种方式对一种定性指标进行描述，根据他们之间的次序使用“l、2、3、4、5”来实现结果的量化；这些量化后的结果“1、2、3、4、5”可分别采用“0.1、0.3、0.5、0.7、0.9”作为它们的归一化值。

优选为，根据健康度的取值范围将健康度状态分为健康、亚健康、一般缺陷、严重缺陷、危急缺陷，每种健康度状态分别由绿色、蓝色、黄色、橙色、红色画像表示。通过监控健康度画像，当健康度变差时，对配电网做出异常预警。

优选为，所述健康度画像所代表的含义，包括健康画像、亚健康画像、一般缺陷画像、严重缺陷画像及危急缺陷画像。

健康画像：配电网能够在规定时间内、规定条件下继续无障碍地执行所规定的功能，供电安全、可靠、经济3个维度的性能均达标，对应的关键特征量裕度充足，抵抗风险及环境适应能力强(功能齐全，性能优异)。只要正常执行日常的运维策略，确保缺陷、风险及时发现并解决。

亚健康画像：配电网能够在规定时间内、规定条件下正常执行所规定的功能，供电安全、可靠、经济等3个维度的性能尚且达标，但部分关键特征量已接近标准限值，抵抗风险及环境适应能力下降(功能齐全，性能下降)。需要重视其存在的缺陷及风险，但只要正常执行日常的运维策略，确保缺陷、风险及时发现并解决即可。

一般缺陷画像：配电网能够在规定时间内、规定条件下正常执行所规定的功能，但供电安全、可靠、经济等3个维度的性能已部分退化，对应的特征量指标越限，但综合影响程度小，抵抗风险及环境适应能力存在轻度缺陷(功能齐全，性能轻度缺陷)。需要重视其存在的缺陷及风险，通过严格执行巡视、检修及试验流程避免风险，可通过采取相应的提高配电网安全性、可靠性、经济性的措施来提高健康度水平。

严重缺陷画像：配电网尚且能够在规定时间内、规定条件下正常执行所规定的功能，但供电安全、可靠等性能已部分严重退化，对应的特征量指标越限，综合影响程度大，抵抗风险及环境适应能力存在明显缺陷(功能尚且齐全，性能明显缺陷)。警示配电网工作人员要采取相应的提高配电网安全性、可靠性、经济性的措施来提高健康度水平，否则配电网容易处于危急缺陷状态。

危急缺陷画像：配电网已无法正常执行所规定的功能，供电安全、可靠等维度的性能已严重退化，后果较严重。需要引起配电网工作人员的高度重视，有针对性的加大措施力度，否则配电网将面临瘫痪。

优选为，所述当健康度变差时，对配电网做出异常预警，具体为，

当健康度画像连续24h保持一般缺陷状态，对配电网作出异常预警，并提示该配电网性能存在潜在故障，需安排检修，主要排查线路故障；

当健康度画像连续12h保持严重缺陷状态，对配电网作出异常预警，并提示该配电网抵抗风险及环境适应能力明显退化，存在潜在故障，需安排检修，主要排查线路、停电单元故障；

当健康度画像变为危急缺陷状态时，立即对配电网作出异常预警，并提示该配电网性能有严重缺陷，很有可能会发生故障，需立即安排检修，包括线路和配电设备老化、配电网结构不合理等。

优选为，所述关键指标为配电网指标。

本发明实施例提供的技术方案带来的有益效果是：(1)本发明基于机器学习数据降维技术对配电网健康度评价指标进行降维处理，筛选出最能有效表征配电网安全、可靠、经济这三个维度和健康运行的关键指标，同时利用熵权法(客观赋权法)对关键指标赋权，形成全面、精准的配电网健康度评价指标体系，进而有效评估配电网健康度。

(2)本发明建立的配电网健康度画像清晰直观地展示了配电网健康度随时间的变化趋势，从时间和空间两个维度反映整体配电网的健康状态，通过画像可实时监测配电网健康度水平，对配电网异常态势做出初步预警。

(3)本发明基于高维随机矩阵，从量测大数据的特征出发，以时间序列分析和随机矩阵理论为基石，通过分析配电网多源数据，辨识配电网异常状态并挖掘其时空特性，对保障配电网供电安全性和可靠性具有重要意义。

附图说明

图1为本发明实施例的配电网健康度评价指标体系。

图2为本发明实施例的配电网健康度计算流程框图。

图3为本发明实施例的配电网健康度等级及相应健康状态示意图。

图4为本发明实施例的配电网健康度画像。

图5为本发明实施例的配电网谱密度函数值预测结果。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。当然，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

需要说明的是，在不冲突的情况下，本发明创造中的实施例及实施例中的特征可以相互组合。

实施例1

参见图1至图5，本发明提供一种配电网异常态势研判与关键指标筛选方法，包括步骤，

S1、筛选配电网健康度关键评价指标作为关键特征量：基于机器学习数据降维技术对配电网健康度评价指标进行降维，实现用少量关键基础指标得到配电网健康度评价结果；

S2、将S1获取的关键特征量数据归一化；

S3、搭建配电网健康度评价指标体系：采用熵权法确定配电网健康度评价指标的权重；

S4、加权计算配电网健康度等级，作出健康度画像。通过配电网健康度画像监控，当健康度变差时，对配电网做出异常预警。

S1筛选配电网健康度关键评价指标，具体为，定义一级指标及二级指标，一级指标评估配电网健康度包括至少三个维度，三个维度分别为安全、可靠、经济；对二级指标采用机器学习数据降维技术对配电网健康度评价指标进行降维，得到配电网健康度的关键指标。

S2中的关键特征量数据归一化，具体为，对定量指标和定性指标进行处理，将原始数据归一化到[0，1]，供目标值计算。

S3搭建配电网健康度评价指标体系，具体为，采用熵权法计算各个指标权重，步骤如下：

计算指标的熵值和冗余度：

式中：e_i与d_i分别为指标x_i的熵值与冗余度，其中

Y_ij是第j个样本的指标x_i归一化后的数值，n是样本的总数量；冗余度衡量了各指标之间的差异，差异越大，指标就越重要，计算第i个指标的权值如下所示：

式中，d_i是指标x_i的冗余度，k表示指标的总个数,进一步按指标加权可得配电网每天的健康度综合评分，从而得到一个整体评价分数。

S4计算配电网健康度等级、作出健康度画像和对配电网异常预警，具体为，对挖掘出的表征配电网健康度的关键指标进行加权计算，得到最终评估的配电网健康度。根据健康度的取值范围即可确定配电网的健康状态。如下表所示：

当配电网健康状态为一般缺陷、严重缺陷或危急缺陷时，说明配电网性能已部分退化或严重退化，表明其具有异常发展态势。

指标归一化为[0，1]，具体为，

定量指标的量化方法使用极值法；25个指标都属于正指标，归一化后的数值与原始值的大小变化趋势一致，指标数值归一化转换公式为：

而线损率等指标的数值越大对配电网健康度的影响越消极，这些都属于逆指标，归一化的数值随着原始值的增大而减小，逆指标数值归一化转换公式为：

式中：x为当前值；y为归一化后的值；maxValue为该属性范围内的最大值；minValue为属性范围内的最小值；

定性指标是对配电网的静态评价，只有把定性评价定量化以后才能继续进行量化处理；按照指标值变化类型的不同，定性指标分为连续型指标和离散型指标；

连续型指标的值的取值范围在一个固定的数值范围内，根据线性关系，求出量化值；离散型指标为，对评分值域进行自定义，例如，当使用“高，较高，中，较低，低”这种方式对一种定性指标进行描述，根据他们之间的次序使用“l、2、3、4、5”来实现结果的量化；这些量化后的结果“1、2、3、4、5”可分别采用“0.1、0.3、0.5、0.7、0.9”作为它们的归一化值。

根据健康度的取值范围将健康度状态分为健康、亚健康、一般缺陷、严重缺陷、危急缺陷，每种健康度状态分别由绿色、蓝色、黄色、橙色、红色画像表示。通过监控健康度画像，当健康度变差时，对配电网做出异常预警。

健康度画像所代表的含义，包括健康画像、亚健康画像、一般缺陷画像、严重缺陷画像及危急缺陷画像。

健康画像：配电网能够在规定时间内、规定条件下继续无障碍地执行所规定的功能，供电安全、可靠、经济3个维度的性能均达标，对应的关键特征量裕度充足，抵抗风险及环境适应能力强(功能齐全，性能优异)。只要正常执行日常的运维策略，确保缺陷、风险及时发现并解决。

亚健康画像：配电网能够在规定时间内、规定条件下正常执行所规定的功能，供电安全、可靠、经济等3个维度的性能尚且达标，但部分关键特征量已接近标准限值，抵抗风险及环境适应能力下降(功能齐全，性能下降)。需要重视其存在的缺陷及风险，但只要正常执行日常的运维策略，确保缺陷、风险及时发现并解决即可。

一般缺陷画像：配电网能够在规定时间内、规定条件下正常执行所规定的功能，但供电安全、可靠、经济等3个维度的性能已部分退化，对应的特征量指标越限，但综合影响程度小，抵抗风险及环境适应能力存在轻度缺陷(功能齐全，性能轻度缺陷)。需要重视其存在的缺陷及风险，通过严格执行巡视、检修及试验流程避免风险，可通过采取相应的提高配电网安全性、可靠性、经济性的措施来提高健康度水平。

严重缺陷画像：配电网尚且能够在规定时间内、规定条件下正常执行所规定的功能，但供电安全、可靠等性能已部分严重退化，对应的特征量指标越限，综合影响程度大，抵抗风险及环境适应能力存在明显缺陷(功能尚且齐全，性能明显缺陷)。警示配电网工作人员要采取相应的提高配电网安全性、可靠性、经济性的措施来提高健康度水平，否则配电网容易处于危急缺陷状态。

危急缺陷画像：配电网已无法正常执行所规定的功能，供电安全、可靠等维度的性能已严重退化，后果较严重。需要引起配电网工作人员的高度重视，有针对性的加大措施力度，否则配电网将面临瘫痪。

当健康度变差时，对配电网做出异常预警，具体为，

当健康度画像连续24h保持一般缺陷状态，对配电网作出异常预警，并提示该配电网性能存在潜在故障，需安排检修，主要排查线路故障；

当健康度画像连续12h保持严重缺陷状态，对配电网作出异常预警，并提示该配电网抵抗风险及环境适应能力明显退化，存在潜在故障，需安排检修，主要排查线路、停电单元故障；

当健康度画像变为危急缺陷状态时，立即对配电网作出异常预警，并提示该配电网性能有严重缺陷，很有可能会发生故障，需立即安排检修，包括线路和配电设备老化、配电网结构不合理等。

实施例2

包括步骤，

S1、筛选配电网健康度关键评价指标作为关键特征量：基于机器学习数据降维技术对配电网健康度评价指标进行降维，实现用少量关键基础指标得到配电网健康度评价结果；

定义一级指标及二级指标，一级指标评估配电网健康度包括至少三个维度，三个维度分别为安全、可靠、经济；对二级指标采用机器学习数据降维技术对配电网健康度评价指标进行降维，得到配电网健康度的关键指标。

S2、将S1获取的关键特征量数据归一化；

对定量指标和定性指标进行处理，将原始数据归一化到[0，1]，供目标值计算。

S3、搭建配电网健康度评价指标体系：采用熵权法确定配电网健康度评价指标的权重；

采用熵权法计算各个指标权重，步骤如下：

计算指标的熵值和冗余度：

式中：e_i与d_i分别为指标x_i的熵值与冗余度，其中

Y_ij是第j个样本的指标x_i归一化后的数值，n是样本的总数量；冗余度衡量了各指标之间的差异，差异越大，指标就越重要，计算第i个指标的权值如下所示：

式中，d_i是指标x_i的冗余度，k表示指标的总个数,进一步按指标加权可得配电网每天的健康度综合评分，从而得到一个整体评价分数。

S4、加权计算配电网健康度等级，作出健康度画像。通过配电网健康度画像监控，当健康度变差时，对配电网做出异常预警。

对挖掘出的表征配电网健康度的关键指标进行加权计算，得到最终评估的配电网健康度。根据健康度的取值范围即可确定配电网的健康状态。如下表所示：

当配电网健康状态为一般缺陷、严重缺陷或危急缺陷时，说明配电网性能已部分退化或严重退化，表明其具有异常发展态势。

机器学习指标降维技术的具体步骤为：

步骤一、调研梳理25个影响配电网健康状态的因素和评价指标，25个指标包括电流谐波畸变率、无功补偿容量占比、负荷转供率、平均峰谷差、快速开关率、电压合格率、频率合格率、功率因数合格率、供电半径合格率、损耗合格率、综合线损率、储能容量占比、风力等级、雷电等级、冰雪灾害等级、线路平均负载率、故障恢复时间、失符合率、配电网容载比、高峰负荷持续时间、三相不平衡率、线路截面合格率、供电负荷平稳率、供电故障自愈率、节点电压平稳度；

步骤二、基础指标聚类降维：

将25个基础指标归一化后用DBSCAN聚类方法进行聚类，随机剔除一个指标，对剩下的24个指标进行聚类，如果两次的聚类误差小于或等于0.5，说明剔除的该指标不影响整体评价，是冗余指标，应该舍弃；反之，若聚类误差大于0.5，则保留该指标；以此类推，直到无冗余指标，则完成基础指标的降维。

指标归一化为[0，1]，具体为，

定量指标的量化方法使用极值法；25个指标都属于正指标，归一化后的数值与原始值的大小变化趋势一致，指标数值归一化转换公式为：

而线损率等指标的数值越大对配电网健康度的影响越消极，这些都属于逆指标，归一化的数值随着原始值的增大而减小，逆指标数值归一化转换公式为：

式中：x为当前值；y为归一化后的值；maxValue为该属性范围内的最大值；minValue为属性范围内的最小值；

定性指标是对配电网的静态评价，只有把定性评价定量化以后才能继续进行量化处理；按照指标值变化类型的不同，定性指标分为连续型指标和离散型指标；

连续型指标的值的取值范围在一个固定的数值范围内，根据线性关系，求出量化值；离散型指标为，对评分值域进行自定义，例如，当使用“高，较高，中，较低，低”这种方式对一种定性指标进行描述，根据他们之间的次序使用“l、2、3、4、5”来实现结果的量化；这些量化后的结果“1、2、3、4、5”可分别采用“0.1、0.3、0.5、0.7、0.9”作为它们的归一化值。

根据健康度的取值范围将健康度状态分为健康、亚健康、一般缺陷、严重缺陷、危急缺陷，每种健康度状态分别由绿色、蓝色、黄色、橙色、红色画像表示。通过监控健康度画像，当健康度变差时，对配电网做出异常预警。

健康度画像所代表的含义，包括健康画像、亚健康画像、一般缺陷画像、严重缺陷画像及危急缺陷画像。

健康画像：配电网能够在规定时间内、规定条件下继续无障碍地执行所规定的功能，供电安全、可靠、经济3个维度的性能均达标，对应的关键特征量裕度充足，抵抗风险及环境适应能力强(功能齐全，性能优异)。只要正常执行日常的运维策略，确保缺陷、风险及时发现并解决。

亚健康画像：配电网能够在规定时间内、规定条件下正常执行所规定的功能，供电安全、可靠、经济等3个维度的性能尚且达标，但部分关键特征量已接近标准限值，抵抗风险及环境适应能力下降(功能齐全，性能下降)。需要重视其存在的缺陷及风险，但只要正常执行日常的运维策略，确保缺陷、风险及时发现并解决即可。

一般缺陷画像：配电网能够在规定时间内、规定条件下正常执行所规定的功能，但供电安全、可靠、经济等3个维度的性能已部分退化，对应的特征量指标越限，但综合影响程度小，抵抗风险及环境适应能力存在轻度缺陷(功能齐全，性能轻度缺陷)。需要重视其存在的缺陷及风险，通过严格执行巡视、检修及试验流程避免风险，可通过采取相应的提高配电网安全性、可靠性、经济性的措施来提高健康度水平。

严重缺陷画像：配电网尚且能够在规定时间内、规定条件下正常执行所规定的功能，但供电安全、可靠等性能已部分严重退化，对应的特征量指标越限，综合影响程度大，抵抗风险及环境适应能力存在明显缺陷(功能尚且齐全，性能明显缺陷)。警示配电网工作人员要采取相应的提高配电网安全性、可靠性、经济性的措施来提高健康度水平，否则配电网容易处于危急缺陷状态。

危急缺陷画像：配电网已无法正常执行所规定的功能，供电安全、可靠等维度的性能已严重退化，后果较严重。需要引起配电网工作人员的高度重视，有针对性的加大措施力度，否则配电网将面临瘫痪。

当健康度变差时，对配电网做出异常预警，具体为，

当健康度画像连续24h保持一般缺陷状态，对配电网作出异常预警，并提示该配电网性能存在潜在故障，需安排检修，主要排查线路故障；

当健康度画像连续12h保持严重缺陷状态，对配电网作出异常预警，并提示该配电网抵抗风险及环境适应能力明显退化，存在潜在故障，需安排检修，主要排查线路、停电单元故障；

当健康度画像变为危急缺陷状态时，立即对配电网作出异常预警，并提示该配电网性能有严重缺陷，很有可能会发生故障，需立即安排检修，包括线路和配电设备老化、配电网结构不合理等。

实施例3

本发明提供一种配电网异常态势研判与关键指标筛选方法，包括步骤：

(1)筛选配电网健康度关键评价指标：以安全、可靠、经济3个维度作为一级指标评估配电网健康度，对二级指标采用机器学习数据降维技术对配电网健康度评价指标进行降维，实现用少量关键基础指标得到配电网健康度评价结果。机器学习指标降维技术的具体步骤为：

步骤1：基于配电网健康度评估模型构建模拟样本数据集

为了应用机器学习特征选择算法进行指标降维，首先要构建机器学习所需的模拟样本数据。本项目将基于建立的配电网健康度评估模型来对每一组指标数据进行目标值运算，将最终评估结果作为这一组数据的标签。在风险赋值范围内随机生成指标数据共300个数据样本，每个样本包含36维指标数据和一个标签数据。每组数据由所有评价配电网健康度的二级指标归一化后的数值和这些指标数值经计算得到对应标签组成。这300条数据中应包含均等的能分别判定配电网为“健康、亚健康、一般缺陷、严重缺陷、危急缺陷”这五种标签的数据。即数据集中应有60条二级指标数值经综合指标运算后得到配电网健康度评估结果为“健康”；有60条二级指标数值经综合指标运算后得到配电网健康度评估结果为“亚健康”；有60条二级指标数值经综合指标运算后得到配电网健康度评估结果为“一般缺陷”；有60条二级指标数值经综合指标运算后得到配电网健康度评估结果为“严重缺陷”；有60条二级指标数值经综合指标运算后得到配电网健康度评估结果为“危急缺陷”。这样数据集中就包含了对指标数值进行评估得到的所有可能分类情况，有助于机器学习的精确分类与特征选择。

步骤2：基础指标降维与配电网健康度评估模型建立

将电压、线损等数据送入机器学习特征选择的程序中，通过决策树分类训练模型可得到电压合格率、综合线损率等各个基础指标的重要性排序图及各个基础指标在分类决策中的重要度数值。在Python 3.7软件平台下进行机器学习分类训练与特征选择仿真实验。安装基于Python语言的机器学习工具包sklearn，选用该工具包中决策树模型进行分类训练并进行特征选择。应用基于决策树的分类方法进行分类预测,标签可选用DecisionTree Classifier函数，Decision Tree Classifier可以用于多分类。使用dtree.feature_importances_函数计算电压合格率、综合线损率等各个基础指标在分类决策中所占的重要度，得到基础指标重要度柱状排序图，进而选择出前几名对分类结果起着至关重要作用的某一些指标，完成基础指标的降维。在相同场景下，利用评估模型对配电网健康度进行评估时只需采集这些降维后基础指标的数值即可。

(2)搭建配电网健康度评价指标体系

对指标体系进行降维，得到6个关键指标，分别是电压合格率、功率因数合格率、故障恢复时间、综合线损率、线路平均负载率和负荷转供率。将这6个关键指标映射到安全、可靠、经济3个评价维度中，构成降维后的配电网健康度评价指标体系，如图1所示。基于熵权法确定各个指标的权重，如下表所示：

(3)计算配电网健康度等级

配电网健康度计算流程如图2所示，首先输入表征配电网健康度的关键指标，进行加权计算，即可得到最终计算的配电网健康度，根据健康度的取值范围即可确定配电网的健康状态。如图3所示，五种颜色分别代表五个配电网健康度状态，例如绿色代表健康度等级位于[4，5]，即健康状态；蓝色代表健康度等级位于[3，4]，即亚健康状态，以此类推。

(4)作出健康度画像

以山东东营某配电网为例，作出东一变、东二变、东三变、东四变、东五变、东六变和东净变在2020年11月27日的健康度画像，如图4所示。图中，横坐标代表时间，以小时为间隔单位，纵坐标代表变电站。从图上可以看出在11月27日这天，除了东四变之外的其它变电站健康度状态都保持健康或亚健康，只在某些时刻会出现一般缺陷的情况。而东四变的健康度一直保持在一般缺陷，这为东四变的异常态势起到一个预警作用。

分析此时东四变健康度的评价指标，发现安全性、可靠性、经济性评分分别是2.54、3.78、2.92，其中安全性指标的负荷转供率与经济性指标的综合线损率评分低于3.0。经现场检查，发现某线路开关误断开、线损率高于15％，通过重新闭合开关操作，将负荷转供率提高了3.8％；通过增加无功补偿器容量，降低了线损1.2％。

另外，对异常配电网的异常时间进行验证，发现实际的配电网异常时间符合预期的异常预警时间，说明本发明能够挖掘配电网的异常状态，对配电网做出异常预警。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种配电网异常态势研判与关键指标筛选方法，其特征在于，包括步骤，

S1、筛选配电网健康度关键评价指标作为关键特征量：基于机器学习数据降维技术对配电网健康度评价指标进行降维；

S2、将S1获取的关键特征量数据归一化；

S3、搭建配电网健康度评价指标体系：采用熵权法确定配电网健康度评价指标的权重；

S4、加权计算配电网健康度等级，作出健康度画像。通过配电网健康度画像监控，当健康度变差时，对配电网做出异常预警。

2.根据权利要求1所述的配电网异常态势研判与关键指标筛选方法，其特征在于，所述S1筛选配电网健康度关键评价指标，具体为，定义一级指标及二级指标，一级指标评估配电网健康度包括至少三个维度；对二级指标采用机器学习数据降维技术对配电网健康度评价指标进行降维，得到配电网健康度的关键指标。

3.根据权利要求1所述的配电网异常态势研判与关键指标筛选方法，其特征在于，所述S2中的关键特征量数据归一化，具体为，对定量指标和定性指标进行处理，将原始数据归一化到[0，1]，供目标值计算。

4.根据权利要求1所述的配电网异常态势研判与关键指标筛选方法，其特征在于，所述S3搭建配电网健康度评价指标体系，具体为，采用熵权法计算各个指标权重，步骤如下：

计算指标的熵值和冗余度：

式中：e_i与d_i分别为指标x_i的熵值与冗余度，其中

Y_ij是第j个样本的指标x_i归一化后的数值，n是样本的总数量；冗余度衡量了各指标之间的差异，差异越大，指标就越重要，计算第i个指标的权值如下所示：

式中，d_i是指标x_i的冗余度，k表示指标的总个数,进一步按指标加权可得配电网每天的健康度综合评分，从而得到一个整体评价分数。

5.根据权利要求2所述的配电网异常态势研判与关键指标筛选方法，其特征在于，所述S4计算配电网健康度等级、作出健康度画像和对配电网异常预警，具体为，对挖掘出的表征配电网健康度的关键指标进行加权计算，得到最终评估的配电网健康度。

6.根据权利要求2所述的配电网异常态势研判与关键指标筛选方法，其特征在于，所述机器学习指标降维技术的具体步骤为：

步骤一、调研梳理25个影响配电网健康状态的因素和评价指标，25个指标包括电流谐波畸变率、无功补偿容量占比、负荷转供率、平均峰谷差、快速开关率、电压合格率、频率合格率、功率因数合格率、供电半径合格率、损耗合格率、综合线损率、储能容量占比、风力等级、雷电等级、冰雪灾害等级、线路平均负载率、故障恢复时间、失符合率、配电网容载比、高峰负荷持续时间、三相不平衡率、线路截面合格率、供电负荷平稳率、供电故障自愈率、节点电压平稳度；

步骤二、基础指标聚类降维：

将25个基础指标归一化后用DBSCAN聚类方法进行聚类，随机剔除一个指标，对剩下的24个指标进行聚类，如果两次的聚类误差小于或等于0.5，说明剔除的该指标不影响整体评价，是冗余指标，应该舍弃；反之，若聚类误差大于0.5，则保留该指标；以此类推，直到无冗余指标，则完成基础指标的降维。

7.根据权利要求6所述的配电网异常态势研判与关键指标筛选方法，其特征在于，所述指标归一化为[0，1]，具体为，

定量指标的量化方法使用极值法；所述25个指标都属于正指标，指标数值归一化转换公式为：

而线损率等指标的数值越大对配电网健康度的影响越消极，这些都属于逆指标，逆指标数值归一化转换公式为：

式中：x为当前值；y为归一化后的值；maxValue为该属性范围内的最大值；minValue为属性范围内的最小值；

按照指标值变化类型的不同，定性指标分为连续型指标和离散型指标；

连续型指标的值的取值范围在一个固定的数值范围内，根据线性关系，求出量化值；离散型指标为，对评分值域进行自定义，例如，当使用“高，较高，中，较低，低”这种方式对一种定性指标进行描述，根据他们之间的次序使用“l、2、3、4、5”来实现结果的量化；量化后的结果“1、2、3、4、5”分别采用“0.1、0.3、0.5、0.7、0.9”作为它们的归一化值。

8.根据权利要求5所述的配电网异常态势研判与关键指标筛选方法，其特征在于，根据健康度的取值范围将健康度状态分为健康、亚健康、一般缺陷、严重缺陷、危急缺陷，每种健康度状态分别由绿色、蓝色、黄色、橙色、红色画像表示。通过监控健康度画像，当健康度变差时，对配电网做出异常预警。

9.根据权利要求8所述的配电网异常态势研判与关键指标筛选方法，其特征在于，所述当健康度变差时，对配电网做出异常预警，具体为，

当健康度画像连续24h保持一般缺陷状态，对配电网作出异常预警，并提示该配电网性能存在潜在故障，需安排检修，主要排查线路故障；

当健康度画像连续12h保持严重缺陷状态，对配电网作出异常预警，并提示该配电网抵抗风险及环境适应能力明显退化，存在潜在故障，需安排检修，主要排查线路、停电单元故障；

当健康度画像变为危急缺陷状态时，立即对配电网作出异常预警，并提示该配电网性能有严重缺陷，很有可能会发生故障，需立即安排检修，包括线路和配电设备老化、配电网结构不合理等。

Images