CN117034013A - 基于决策树的低压末端感知停电状态分析算法 - Google Patents
基于决策树的低压末端感知停电状态分析算法 Download PDFInfo
- Publication number
- CN117034013A CN117034013A CN202311052470.8A CN202311052470A CN117034013A CN 117034013 A CN117034013 A CN 117034013A CN 202311052470 A CN202311052470 A CN 202311052470A CN 117034013 A CN117034013 A CN 117034013A
- Authority
- CN
- China
- Prior art keywords
- power failure
- low
- proportion
- reporting
- failure event
- 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.)
- Granted
Links
- 238000003066 decision tree Methods 0.000 title claims abstract description 41
- 238000004458 analytical method Methods 0.000 title claims abstract description 23
- 238000012549 training Methods 0.000 claims abstract description 47
- 230000002159 abnormal effect Effects 0.000 claims abstract description 9
- 238000012545 processing Methods 0.000 claims abstract description 8
- 238000012216 screening Methods 0.000 claims description 8
- 238000000034 method Methods 0.000 claims description 7
- 230000005856 abnormality Effects 0.000 claims description 6
- 230000008447 perception Effects 0.000 abstract description 4
- 238000011160 research Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 3
- 238000004128 high performance liquid chromatography Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
Abstract
本发明基于决策树的低压末端感知停电状态分析算法涉及的是一种电力故障的分析方法。基于决策树的低压末端感知停电状态分析算法,以低压台区停电事件上报比例、表箱停电事件上报比例和低压分支线路停电事件上报比例的大小为属性,构建一组训练集。具有如下特点:选择一组训练集,对低压台区停电事件上报比例、表箱停电事件上报比例、低压分支线路停电事件上报比例三个量进行属性化处理,生成样本训练集表格;接着,结合当前停电数据利用决策树ID3算法生成低压末端感知停电状态决策树;最后,将判定为停电异常的数据与计划停电数据进行比对,即可得出判定结果。
Description
技术领域
本发明基于决策树的低压末端感知停电状态分析算法涉及的是一种电力故障的分析方法。
背景技术
在整个电力系统中,低压电网侧若发生故障,影响用户侧安全、稳定、可靠用电。且低压末端电力网络架构较为复杂,表现为公用配电变压器-低压电缆分支箱-表箱-用户电能表的网络架构。以往的停电上报事件主要依赖于采集公用配电变压器数据的集中器上传,而对于低压电缆分支箱-表箱-用户电能表等下游的停电数据存在监控范围不够精细的问题,且缺乏智能研判的方法,不能够精确、快速地判断停电故障点与停电范围。
《通信电源技术》2022,39(17)的《基于负荷骤降的台区故障停电研判》提出基于负荷骤降的台区故障停电研判。建立台区负荷骤降特征标签库,作为台区故障停电研判的数据支撑,获取台区日负荷特征,实现对特定时间点的负荷特征区间画像,结合负荷数据设计台区故障停电研判策略。实例应用结果表明,所提方法针对不同停电故障进行智能检测时,平均研判误差为2.33%,验证了该方法精度较高,可以满足台区需求。该论文针对台区故障进行停电研判,未能从公用配电变压器-低压电缆分支箱-表箱-用户电能表四级分层分级进行考虑,也未考虑历史数据的因素。
发明专利CN202211199988.X《一种基于停电对配电网故障进行主动研判的方法及装置》,公开了一种基于停电对配电网故障进行主动研判的方法及装置,方法包括:停电事件的采集和接收,同时进行事件标记,所述事件标记包含停电事件地址和时间;基于有效停电的事件标记、配网检修信息与配电网故障之间的关联特性,建立基于Logistic算法的故障研判模型;基于事件标记的事件地址和时间进行分析和追溯,判断是否为多源停电事件的低压分支线停电;根据事件标记的地址和时间,判断该停电事件是否由用户欠费导致。该发明通过用户地址解析定位方法,将用户报修信息中的非结构化信息编译成结构化信息,通过结构化信息的转换、匹配实现用户地址定位,为停电信息故障研判、精准派单、地理沿布等业务提供支撑。该专利考虑了公用配电变压器-低压电缆分支线路两级停电,未考虑表箱-用户电能表停电的情况,且未追溯以往的停电数据。
因此,发明一种更为准确和可靠的低压末端感知停电状态分析算法成为亟需解决的课题。
发明内容
本发明有鉴于此,提供了一种基于决策树的低压末端感知停电状态分析算法,利用决策树ID3算法生成低压末端感知停电状态决策树得出用户末端的停电范围和是否停电异常结果;以提高低压末端感知停电的判断准确率、故障判断的适应性和智能化水平。
基于决策树的低压末端感知停电状态分析算法,以低压台区停电事件上报比例、表箱停电事件上报比例和低压分支线路停电事件上报比例的大小为属性,构建一组训练集,具体为:
(1.1)基于决策树的低压末端感知停电状态分析算法:首先构建一组训练集,该训练集为即日起向前推算停电数据生成,定义低压台区停电事件上报比例M为台区下上报停电事件电能表数量除以台区下电能表总数量;表箱停电事件上报比例E为表箱内上报停电事件电能表数量除以表箱内电能表总数量;低压分支线路停电事件上报比例R为低压分支线路中上报停电事件电能表数量除以低压分支线路中电能表总数量。
(1.2)对低压台区停电事件上报比例M、表箱停电事件上报比例E、低压分支线路停电事件上报比例R三个量进行属性化处理,对低压台区停电事件上报比例M分为三个属性取值:(高,较高,较低);表箱停电事件上报比例E分为两个属性取值:(较低,高);低压分支线路停电事件上报比例R分为三个属性取值:(较小,适中,高)。
(1.3)输入即日起向前推算停电数据的训练集,每一行为低压台区停电事件上报比例M、表箱停电事件上报比例E、低压分支线路停电事件上报比例R、是否为停电的结果。
对于低压台区停电事件上报比例M,M划分为三个区间,即第一区间、第二区间和第三区间;
M位于第一区间时,低压台区停电事件上报比例M属性取值为较低;
M位于第二区间时,低压台区停电事件上报比例M属性取值为较高;
M位于第三区间时,低压台区停电事件上报比例M属性取值为高;
即,当M<20%时,低压台区停电事件上报比例M属性取值为较低;当20%≤M≤50%时,M属性取值为较高;当M>50%时,M属性取值为高。
对于表箱停电事件上报比例E,M划分为两个区间,即第一区间和第二区间;
E位于第一区间时,表箱停电事件上报比例E属性取值为较低;
E位于第二区间时,表箱停电事件上报比例E属性取值为高;
对于表箱停电事件上报比例E,当E位于第一区间时,E<50%,表箱停电事件上报比例E属性取值为较低;当E位于第二区间时,E≥50%,E属性取值为高。
对于低压分支线路停电事件上报比例R,R划分为三个区间,即第一区间、第二区间和第三区间;
R位于第一区间时,低压分支线路停电事件上报比例R属性取值为较低;
R位于第二区间时,低压分支线路停电事件上报比例R属性取值为适中;
R位于第三区间时,低压分支线路停电事件上报比例R属性取值为高;
对于低压分支线路停电事件上报比例R,当R位于第一区间时,R<40%,低压分支线路停电事件上报比例R属性取值为较低;当R位于第二区间时,40%≤R<70%,R属性取值为适中;当R位于第三区间时,R≥70%,R属性取值为高。以每一次停电数据的三个属性以及是否实际为停电为样本训练集表格的一行,构建样本训练集表格。
(1.4)该训练集采用动态更新机制,规定周期内进行更新。
步骤(1.4)所述的更新周期时间为一周。
步骤(1.1)中所述的即日起向前推算停电数据为即日起向前推算100次。
在训练集的基础上,停电事件结合决策树ID3算法中的信息熵和信息增益来构建决策树,即可得出是否停电的判断,其具体步骤为:
(2.1)计算根节点停电事件集合D的信息熵Ent(D),定义p0为未停电电能表在样本训练集表格中的比例,可知(1-p0)为停电电能表的比例,则有Ent(D)=-p0log2p0-(1-p0)log2(1-p0)。
(2.2)分别计算三个属性对于根节点的信息增益Gain(D,M),Gain(D,E),Gain(D,R)。将Gain(D,M),Gain(D,E),Gain(D,R)进行排序,挑选出信息增益最大的属性作为第一可分节点,对应的层数为第一层。
其中Gain(D,M),Gain(D,E),Gain(D,R)分别为待判定低压台区停电事件上报比例M、表箱停电事件上报比例E、低压分支线路停电事件上报比例R对于根节点的信息增益,v为各属性的子节点序列号,对于低压台区停电事件上报比例M而言,v=1代表取值为较低;v=2代表取值为较高;v=3代表取值为高。对于表箱停电事件上报比例E而言,v=1代表取值为较低;v=2代表取值为高。对于低压分支线路停电事件上报比例R属性而言,v=1代表取值为较低;v=2代表取值为适中;v=3代表取值为高。|D|代表当前上报停电事件的总数,Dv代表不同属性取值的情况下的上报停电事件集合,|Dv|代表不同属性取值的情况下的上报停电事件个数。
(2.3)构造第二层子节点,定义未停电电能表在经过属性筛选(以第一层节点v取最大值为筛选条件)的样本训练集表格中的比例pv,若pv为0,该子节点为终结节点“停电异常”;若pv为1,该子节点为终结节点“正常”,若0<pv<1分别计算第二层子节点的信息增益Gain(Dv,A1)、Gain(Dv,A2),A1和A2分别代表除第一可分节点对应属性外的另外两个属性,Dv为第一层节点v取最大值后的停电事件集合。对于第二层不同的子节点,分别对求得的Gain(Dv,A1)、Gain(Dv,A2)进行排序,挑选出信息增益最大的属性作为第二层可分节点。
(2.4)构造第三层子节点,与步骤(3)中一样,判断pv的大小,若pv为0,该子节点为终结节点“停电异常”;若pv为1,该子节点为终结节点“正常”,若0<pv<1将该除掉上两级节点中未出现的剩余属性作为第三层可分节点。
(2.5)构造第四层终结节点,判断pv的大小,若pv为0,该子节点为终结节点“停电异常”;若pv大于0,该子节点为终结节点“正常”。整个决策树构建完成。
所述判定结果为“停电异常”的停电数据,需要比对中压计划停电、低压线路计划停电、配变计划停电和采集设备轮换情形,如未比对到上述数据,则输出为“异常”,且“停电异常”终结节点对应的上一层节点即为停电范围,生成主动停电抢修工单派单抢修;如比对到数据,则输出为“计划停电或轮换”,不作任何处理。
本发明提供的基于决策树的低压末端感知停电状态分析算法,具有如下特点:选择一组训练集,对低压台区停电事件上报比例、表箱停电事件上报比例、低压分支线路停电事件上报比例三个量进行属性化处理,生成样本训练集表格;接着,结合当前停电数据利用决策树ID3算法生成低压末端感知停电状态决策树;最后,将判定为停电异常的数据与计划停电数据进行比对,即可得出判定结果。本发明将低压台区停电事件上报比例、表箱停电事件上报比例、低压分支线路停电事件上报比例结合到低压末端感知停电状态决策树,低压停电准确率可提升至99.1%,派发主动抢修工单516张,快速处理3.27万用户故障停电,非计划停电时间平均缩短29.4%,非计划停电百万户投诉率同比降低13.2%,应急响应速度最快可达到1分钟以内。故障判断的适应性也大大提高,涵盖台区、分支箱、表箱三级,提升了故障研判的快速性。
附图说明
图1为本发明中决策树算法图。
图2为本发明中生成决策树示意图。
图3为本发明实施例中一次具体停电事件生成决策树示意图。
具体实施方式
参照附图1-3,基于决策树的低压末端感知停电状态分析算法,以低压台区停电事件上报比例、表箱停电事件上报比例和低压分支线路停电事件上报比例的大小为属性,构建一组训练集,具体为:
(1.1)基于决策树的低压末端感知停电状态分析算法:首先构建一组训练集,该训练集为即日起向前推算停电数据生成,定义低压台区停电事件上报比例M为台区下上报停电事件电能表数量除以台区下电能表总数量;表箱停电事件上报比例E为表箱内上报停电事件电能表数量除以表箱内电能表总数量;低压分支线路停电事件上报比例R为低压分支线路中上报停电事件电能表数量除以低压分支线路中电能表总数量。
(1.2)对低压台区停电事件上报比例M、表箱停电事件上报比例E、低压分支线路停电事件上报比例R三个量进行属性化处理,对低压台区停电事件上报比例M分为三个属性取值:(高,较高,较低);表箱停电事件上报比例E分为两个属性取值:(较低,高);低压分支线路停电事件上报比例R分为三个属性取值:(较小,适中,高)。
(1.3)输入即日起向前推算停电数据的训练集,每一行为低压台区停电事件上报比例M、表箱停电事件上报比例E、低压分支线路停电事件上报比例R、是否为停电的结果。
对于低压台区停电事件上报比例M,M划分为三个区间,即第一区间、第二区间和第三区间;
M位于第一区间时,低压台区停电事件上报比例M属性取值为较低;
M位于第二区间时,低压台区停电事件上报比例M属性取值为较高;
M位于第三区间时,低压台区停电事件上报比例M属性取值为高;
即,当M<20%时,低压台区停电事件上报比例M属性取值为较低;当20%≤M≤50%时,M属性取值为较高;当M>50%时,M属性取值为高。
对于表箱停电事件上报比例E,M划分为两个区间,即第一区间和第二区间;
E位于第一区间时,表箱停电事件上报比例E属性取值为较低;
E位于第二区间时,表箱停电事件上报比例E属性取值为高;
对于表箱停电事件上报比例E,当E位于第一区间时,E<50%,表箱停电事件上报比例E属性取值为较低;当E位于第二区间时,E≥50%,E属性取值为高。
对于低压分支线路停电事件上报比例R,R划分为三个区间,即第一区间、第二区间和第三区间;
R位于第一区间时,低压分支线路停电事件上报比例R属性取值为较低;
R位于第二区间时,低压分支线路停电事件上报比例R属性取值为适中;
R位于第三区间时,低压分支线路停电事件上报比例R属性取值为高;
对于低压分支线路停电事件上报比例R,当R位于第一区间时,R<40%,低压分支线路停电事件上报比例R属性取值为较低;当R位于第二区间时,40%≤R<70%,R属性取值为适中;当R位于第三区间时,R≥70%,R属性取值为高。以每一次停电数据的三个属性以及是否实际为停电为样本训练集表格的一行,构建样本训练集表格。
(1.4)该训练集采用动态更新机制,规定周期内进行更新。
步骤(1.4)所述的更新周期时间为一周。
步骤(1.1)中所述的即日起向前推算停电数据为即日起向前推算100次。
在训练集的基础上,停电事件结合决策树ID3算法中的信息熵和信息增益来构建决策树,即可得出是否停电的判断,其具体步骤为:
(2.1)计算根节点停电事件集合D的信息熵Ent(D),定义p0为未停电电能表在样本训练集表格中的比例,可知(1-p0)为停电电能表的比例,则有Ent(D)=-p0log2p0-(1-p0)log2(1-p0)。
(2.2)分别计算三个属性对于根节点的信息增益Gain(D,M),Gain(D,E),Gain(D,R)。将Gain(D,M),Gain(D,E),Gain(D,R)进行排序,挑选出信息增益最大的属性作为第一可分节点,对应的层数为第一层。
其中Gain(D,M),Gain(D,E),Gain(D,R)分别为待判定低压台区停电事件上报比例M、表箱停电事件上报比例E、低压分支线路停电事件上报比例R对于根节点的信息增益,v为各属性的子节点序列号,对于低压台区停电事件上报比例M而言,v=1代表取值为较低;v=2代表取值为较高;v=3代表取值为高。对于表箱停电事件上报比例E而言,v=1代表取值为较低;v=2代表取值为高。对于低压分支线路停电事件上报比例R属性而言,v=1代表取值为较低;v=2代表取值为适中;v=3代表取值为高。|D|代表当前上报停电事件的总数,Dv代表不同属性取值的情况下的上报停电事件集合,|Dv|代表不同属性取值的情况下的上报停电事件个数。
(2.3)构造第二层子节点,定义未停电电能表在经过属性筛选(以第一层节点v取最大值为筛选条件)的样本训练集表格中的比例pv,若pv为0,该子节点为终结节点“停电异常”;若pv为1,该子节点为终结节点“正常”,若0<pv<1分别计算第二层子节点的信息增益Gain(Dv,A1)、Gain(Dv,A2),A1和A2分别代表除第一可分节点对应属性外的另外两个属性,Dv为第一层节点v取最大值后的停电事件集合。对于第二层不同的子节点,分别对求得的Gain(Dv,A1)、Gain(Dv,A2)进行排序,挑选出信息增益最大的属性作为第二层可分节点。
(2.4)构造第三层子节点,与步骤(3)中一样,判断pv的大小,若pv为0,该子节点为终结节点“停电异常”;若pv为1,该子节点为终结节点“正常”,若0<pv<1将该除掉上两级节点中未出现的剩余属性作为第三层可分节点。
(2.5)构造第四层终结节点,判断pv的大小,若pv为0,该子节点为终结节点“停电异常”;若pv大于0,该子节点为终结节点“正常”。整个决策树构建完成。
所述判定结果为“停电异常”的停电数据,需要比对中压计划停电、低压线路计划停电、配变计划停电和采集设备轮换情形,如未比对到上述数据,则输出为“异常”,且“停电异常”终结节点对应的上一层节点即为停电范围,生成主动停电抢修工单派单抢修;如比对到数据,则输出为“计划停电或轮换”,不作任何处理。
实施例1
参照下表及附图3,对于某地区的最近的100次停电数据生成训练集,按照低压台区停电事件上报比例M、表箱停电事件上报比例E、低压分支线路停电事件上报比例R、是否停电异常等内容绘制训练集:
以上训练集共涉及10000只电能表。该训练集采用动态更新机制,规定周期内进行更新。
某低压台区下的100个电能表有一台低压台区变压器供电,变压器下共计4个电缆分支箱,16只表箱,其数据采集由HPLC集中器和HPLC采集器实现,将电能表的停电数据采集后上传至用电采集系统服务器,再将数据和实时量测中心交互,最后通过低压停电“主快全”基于决策树的低压末端感知停电状态分析算法输出停电研判结果。
参照附图3,在训练集的基础上,停电事件结合决策树ID3算法中的信息熵和信息增益来构建决策树,即可得出是否停电的判断,其具体步骤为:
(1)计算根节点停电事件集合D的信息熵Ent(D),p0为未停电电能表在样本训练集表格中的比例,计算出来为40%,可知(1-p0)为停电电能表的比例为60%,则有Ent(D)=-p0log2p0-(1-p0)log2(1-p0)=0.97。
(2)分别计算三个属性对于根节点的信息增益Gain(D,M)=1,Gain(D,E)=0.9,Gain(D,R)=0.8。将Gain(D,M),Gain(D,E),Gain(D,R)进行排序,挑选出信息增益最大的M属性作为第一可分节点,对应的层数为第一层。
(3)构造第二层子节点,定义未停电电能表在经过属性筛选(以第一层节点v取最大值为筛选条件)的样本训练集表格中的比例pv,计算出pv=0.5,分别计算第二层子节点的信息增益Gain(Dv,A1)=0.9、Gain(Dv,A2)=0.5,A1和A2分别代表除第一可分节点对应属性外的另外两个属性表箱停电事件上报比例E和低压分支线路停电事件上报比例R。对于第二层不同的子节点,分别对求得的Gain(Dv,A1)、Gain(Dv,A2)进行排序,挑选出信息增益最大的属性Gain(Dv,A1),即表箱停电事件上报比例E作为第二层可分节点。
(4)构造第三层子节点,与步骤(3)中一样,判断pv的大小,pv=0.6将该除掉上两级节点中未出现的剩余属性低压分支线路停电事件上报比例R作为第三层可分节点。
(5)构造第四层终结节点,判断pv的大小,pv=0,该子节点为终结节点“停电异常”;整个决策树构建完成。
所述判定结果为“停电异常”的停电数据,需要比对中压计划停电、低压线路计划停电、配变计划停电和采集设备轮换情形,未比对到上述数据,则输出为“异常”,且“停电异常”终结节点对应的上一层节点低压分支线路停电即为停电范围,生成主动停电抢修工单派单抢修。
Claims (6)
1.一种基于决策树的低压末端感知停电状态分析算法,其特征在于:以低压台区停电事件上报比例、表箱停电事件上报比例和低压分支线路停电事件上报比例的大小为属性,构建一组训练集,具体为:
(1.1)基于决策树的低压末端感知停电状态分析算法:首先构建一组训练集,该训练集为即日起向前推算停电数据生成,定义低压台区停电事件上报比例M为台区下上报停电事件电能表数量除以台区下电能表总数量;表箱停电事件上报比例E为表箱内上报停电事件电能表数量除以表箱内电能表总数量;低压分支线路停电事件上报比例R为低压分支线路中上报停电事件电能表数量除以低压分支线路中电能表总数量;
(1.2)对低压台区停电事件上报比例M、表箱停电事件上报比例E、低压分支线路停电事件上报比例R三个量进行属性化处理,对低压台区停电事件上报比例M分为三个属性取值:(高,较高,较低);表箱停电事件上报比例E分为两个属性取值:(较低,高);低压分支线路停电事件上报比例R分为三个属性取值:(较小,适中,高);
(1.3)输入即日起向前推算停电数据的训练集,每一行为低压台区停电事件上报比例M、表箱停电事件上报比例E、低压分支线路停电事件上报比例R、是否为停电的结果;
(1.4)该训练集采用动态更新机制,规定周期内进行更新;
在训练集的基础上,停电事件结合决策树ID3算法中的信息熵和信息增益来构建决策树,即可得出是否停电的判断,其具体步骤为:
(2.1)计算根节点停电事件集合D的信息熵Ent(D),定义p0为未停电电能表在样本训练集表格中的比例,可知(1-p0)为停电电能表的比例,则有Ent(D)=-p0log2p0-(1-p0)log2(1-p0);
(2.2)分别计算三个属性对于根节点的信息增益Gain(D,M),Gain(D,E),Gain(D,R);将Gain(D,M),Gain(D,E),Gain(D,R)进行排序,挑选出信息增益最大的属性作为第一可分节点,对应的层数为第一层;
其中Gain(D,M),Gain(D,E),Gain(D,R)分别为待判定低压台区停电事件上报比例M、表箱停电事件上报比例E、低压分支线路停电事件上报比例R对于根节点的信息增益,v为各属性的子节点序列号,对于低压台区停电事件上报比例M而言,v=1代表取值为较低;v=2代表取值为较高;v=3代表取值为高;对于表箱停电事件上报比例E而言,v=1代表取值为较低;v=2代表取值为高;对于低压分支线路停电事件上报比例R属性而言,v=1代表取值为较低;v=2代表取值为适中;v=3代表取值为高;|D|代表当前上报停电事件的总数,Dv代表不同属性取值的情况下的上报停电事件集合,|Dv|代表不同属性取值的情况下的上报停电事件个数;
(2.3)构造第二层子节点,定义未停电电能表在经过属性筛选(以第一层节点v取最大值为筛选条件)的样本训练集表格中的比例pv,若pv为0,该子节点为终结节点“停电异常”;若pv为1,该子节点为终结节点“正常”,若0<pv<1分别计算第二层子节点的信息增益Gain(Dv,A1)、Gain(Dv,A2),A1和A2分别代表除第一可分节点对应属性外的另外两个属性,Dv为第一层节点v取最大值后的停电事件集合;对于第二层不同的子节点,分别对求得的Gain(Dv,A1)、Gain(Dv,A2)进行排序,挑选出信息增益最大的属性作为第二层可分节点;
(2.4)构造第三层子节点,与步骤(3)中一样,判断pv的大小,若pv为0,该子节点为终结节点“停电异常”;若pv为1,该子节点为终结节点“正常”,若0<pv<1将该除掉上两级节点中未出现的剩余属性作为第三层可分节点;
(2.5)构造第四层终结节点,判断pv的大小,若pv为0,该子节点为终结节点“停电异常”;若pv大于0,该子节点为终结节点“正常”;整个决策树构建完成;
所述判定结果为“停电异常”的停电数据,需要比对中压计划停电、低压线路计划停电、配变计划停电和采集设备轮换情形,如未比对到上述数据,则输出为“异常”,且“停电异常”终结节点对应的上一层节点即为停电范围,生成主动停电抢修工单派单抢修;如比对到数据,则输出为“计划停电或轮换”,不作任何处理。
2.根据权利要求1所述的基于决策树的低压末端感知停电状态分析算法,其特征在于:
对于低压台区停电事件上报比例M,M划分为三个区间,即第一区间、第二区间和第三区间;
M位于第一区间时,低压台区停电事件上报比例M属性取值为较低;
M位于第二区间时,低压台区停电事件上报比例M属性取值为较高;
M位于第三区间时,低压台区停电事件上报比例M属性取值为高;
即,当M位于第一区间时,M<20%,低压台区停电事件上报比例M属性取值为较低;当M位于第二区间时,20%≤M≤50%,M属性取值为较高;当M位于第三区间时,M>50%,M属性取值为高。
3.根据权利要求1所述的基于决策树的低压末端感知停电状态分析算法,其特征在于:
对于表箱停电事件上报比例E,M划分为两个区间,即第一区间和第二区间;
E位于第一区间时,表箱停电事件上报比例E属性取值为较低;
E位于第二区间时,表箱停电事件上报比例E属性取值为高;
对于表箱停电事件上报比例E,当E位于第一区间时,E<50%,表箱停电事件上报比例E属性取值为较低;当E位于第二区间时,E≥50%,E属性取值为高。
4.根据权利要求1所述的基于决策树的低压末端感知停电状态分析算法,其特征在于:
对于低压分支线路停电事件上报比例R,R划分为三个区间,即第一区间、第二区间和第三区间;
R位于第一区间时,低压分支线路停电事件上报比例R属性取值为较低;
R位于第二区间时,低压分支线路停电事件上报比例R属性取值为适中;
R位于第三区间时,低压分支线路停电事件上报比例R属性取值为高;
对于低压分支线路停电事件上报比例R,当R位于第一区间时,R<40%,低压分支线路停电事件上报比例R属性取值为较低;当R位于第二区间时,40%≤R<70%,R属性取值为适中;当R位于第三区间时,R≥70%,R属性取值为高;以每一次停电数据的三个属性以及是否实际为停电为样本训练集表格的一行,构建样本训练集表格。
5.根据权利要求1所述的基于决策树的低压末端感知停电状态分析算法,其特征在于:
步骤(1.1)中所述的即日起向前推算停电数据为即日起向前推算100次。
6.根据权利要求1所述的基于决策树的低压末端感知停电状态分析算法,其特征在于:
步骤(1.4)所述的更新周期时间为一周。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311052470.8A CN117034013B (zh) | 2023-08-21 | 2023-08-21 | 基于决策树的低压末端感知停电状态分析算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311052470.8A CN117034013B (zh) | 2023-08-21 | 2023-08-21 | 基于决策树的低压末端感知停电状态分析算法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117034013A true CN117034013A (zh) | 2023-11-10 |
CN117034013B CN117034013B (zh) | 2024-03-08 |
Family
ID=88637118
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311052470.8A Active CN117034013B (zh) | 2023-08-21 | 2023-08-21 | 基于决策树的低压末端感知停电状态分析算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117034013B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20070061083A (ko) * | 2005-12-09 | 2007-06-13 | 한국전자통신연구원 | 유비쿼터스 환경에서 추론 엔진을 이용한 의사 결정 트리생성 방법 |
CN112465266A (zh) * | 2020-12-14 | 2021-03-09 | 中国南方电网有限责任公司 | 一种母线负荷预测准确率分析方法、装置及计算机设备 |
CN112946385A (zh) * | 2021-01-29 | 2021-06-11 | 国网浙江省电力有限公司营销服务中心 | 一种基于断路器的台区停电点定位方法 |
CN115575760A (zh) * | 2022-09-29 | 2023-01-06 | 国家电网有限公司 | 一种基于停电对配电网故障进行主动研判的方法及装置 |
CN115775080A (zh) * | 2022-12-13 | 2023-03-10 | 国网新疆电力有限公司塔城供电公司 | 客户侧用能感知研判系统 |
-
2023
- 2023-08-21 CN CN202311052470.8A patent/CN117034013B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20070061083A (ko) * | 2005-12-09 | 2007-06-13 | 한국전자통신연구원 | 유비쿼터스 환경에서 추론 엔진을 이용한 의사 결정 트리생성 방법 |
CN112465266A (zh) * | 2020-12-14 | 2021-03-09 | 中国南方电网有限责任公司 | 一种母线负荷预测准确率分析方法、装置及计算机设备 |
CN112946385A (zh) * | 2021-01-29 | 2021-06-11 | 国网浙江省电力有限公司营销服务中心 | 一种基于断路器的台区停电点定位方法 |
CN115575760A (zh) * | 2022-09-29 | 2023-01-06 | 国家电网有限公司 | 一种基于停电对配电网故障进行主动研判的方法及装置 |
CN115775080A (zh) * | 2022-12-13 | 2023-03-10 | 国网新疆电力有限公司塔城供电公司 | 客户侧用能感知研判系统 |
Non-Patent Citations (1)
Title |
---|
陈丽光;何绍洋;俞晓峰;钟永城;张中超;: "基于改进ID3决策树的停电敏感用户辨识方法", 信息技术, no. 05, pages 49 - 53 * |
Also Published As
Publication number | Publication date |
---|---|
CN117034013B (zh) | 2024-03-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106199276B (zh) | 一种用电信息采集系统中异常信息的智能诊断系统及方法 | |
CN105740975B (zh) | 一种基于数据关联关系的设备缺陷评估与预测方法 | |
CN111126866B (zh) | 交直流可再生能源系统的综合能效评估管理系统及方法 | |
EP2537222A2 (en) | Energy generating system and control thereof | |
CN113011481B (zh) | 一种基于决策树算法的电能表功能异常评估方法及系统 | |
CN110879377B (zh) | 基于深度信念网络的计量装置故障溯源方法 | |
CN112467724A (zh) | 一种低压配电网故障研判方法 | |
CN115730749B (zh) | 基于融合电力数据的电力调度风险预警方法及装置 | |
CN110889565B (zh) | 一种基于多维矩阵决策的配网巡检周期计算方法 | |
CN106981876A (zh) | 基于线段模型的配电网可靠性评估方法 | |
CN115453267A (zh) | 一种电力信息系统故障诊断系统 | |
CN111190072A (zh) | 集抄系统诊断模型建立方法、故障诊断方法及装置 | |
CN117034013B (zh) | 基于决策树的低压末端感知停电状态分析算法 | |
CN116664095B (zh) | 一种基于深度学习的安保巡检预测方法 | |
Wang et al. | A linear integer programming model for fault diagnosis in active distribution systems with bi-directional fault monitoring devices installed | |
CN114069860B (zh) | 光伏电站的状态确定方法、装置、设备及可读存储介质 | |
CN115733258A (zh) | 一种基于物联网技术的全户内智能变电站系统的控制方法 | |
CN111049157B (zh) | 一种配网变压器无功补偿情况分析方法 | |
CN113011047A (zh) | 一种基于220kV及以下智能变电站二次系统的可靠性分析方法 | |
Menke | A comprehensive approach to implement monitoring and state estimation in distribution grids with a low number of measurements | |
CN114884095B (zh) | 一种光伏返送导致的配网线路年最大电流分析方法和系统 | |
CN107622078A (zh) | 一种实时监控用电信息采集设备健康状态的方法 | |
Hai et al. | Fault location system for distribution network based on incomplete information from multiple sources | |
Gao et al. | An Event-based Judgment Method for Distribution Network Faults Based on Deep Learning | |
CN117498403A (zh) | 基于分布式新能源特征聚类算法数据处理的能量管理系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |