申请/专利权人：国网江苏省电力有限公司南通供电分公司

申请日：2022-04-19

公开（公告）日：2024-04-02

公开（公告）号：CN114881429B

主分类号：G06Q10/063

分类号：G06Q10/063;G06Q50/06;G06N3/0499;G06N3/084

优先权：

专利状态码：有效-授权

法律状态：2024.04.02#授权;2022.08.26#实质审查的生效;2022.08.09#公开

摘要：本发明属于台区线损管理技术领域，提供了一种基于数据驱动的台区线损量化方法及系统，包括以下步骤：获取台区数据，建立台区电气特征的指标体系；基于所述台区数据和所述台区电气特征的指标体系，构建台区画像；构建台区线损计算模型；根据所构建的台区画像和台区线损计算模型，实现台区线损的量化。本发明能够在海量台区数据中通过数据挖掘技术根据台区特征刻画不同类型台区画像，构建特性各异台区的电气特征指标体系。在构建台区电气特征指标体系的基础上，各类台区通过台区合理线损预测模型进行快速准确的台区线损合理区间计算，从而实现海量台区线损精准量化。

主权项：1.一种基于数据驱动的台区线损量化方法，其特征在于，包括以下步骤：S1：获取台区数据，建立台区电气特征的指标体系，包括：在获取台区数据之后，对所获取的台区数据进行Z-Score标准化处理,根据指标的时变特性，将台区电气特征的指标划分为静态指标和动态指标；所述静态指标包括与台区网架结构和负荷相关且短时间内不可改变的电气特征参数；所述动态指标是指电气特征参数，至少包括由时变电气量计算得到的平均日最大功率、平均负载率和负荷曲线形状系数；S2：基于所述台区数据和所述台区电气特征的指标体系，基于改进K-Means聚类算法，采用粒子群搜索算法来寻找最优聚类中心，对海量台区数据进行信息挖掘，根据台区特征进行台区分类，通过聚类效果综合评价指标对不同分类结果进行评估，得到最佳台区分类；包括：当台区样本数为N时，则聚类数的有效搜索范围为且K为整数；当台区数据分为K类时，综合评价指标的计算公式如下： 式中，βi表示各评价指标的权重，且满足该指标越大，表示聚类效果越好；综合评价指标由整体轮廓系数和CH分数CHK和戴维森堡丁指数DBIK构成；si表示台区样本数据i的轮廓系数，计算如下式所示： 所有台区样本数据的轮廓系数的均值称为聚类结果为K时的整体轮廓系数，整体轮廓系数越大，聚类效果越好；式中：ai为台区样本数据i到同簇内其它台区样本数据的平均距离，该值越小说明台区样本数据i越应该被聚类到该簇，ai为台区样本数据i的簇内不相似度，bi为台区样本数据i到其他某簇C其他某簇内所有台区样本数据的平均距离的最小值，即bi＝min{bi-c1,bi-c2,…,bi-cj,…bi-ck},cj∈C其他某簇，bi又称为台区样本数据i的簇间不相似度；si接近1，则说明台区样本数据i的聚类结果合理；si接近-1，则说明台区样本数据i更应该分类到其他簇；si近似为0，则说明台区样本数据i在两个簇的边界上；CH分数被定义为簇间离散程度与簇内离散程度的比率，该分值越大说明同类自身越紧密，类与类之间越分散，聚类效果越好，计算下式所示： 式中：BK是簇间离散矩阵，WK是簇内离散矩阵，Ck表示簇k，ck是簇k的中心点，c是数据集的中心点，Ck为在粒子群搜索算法中第k类台区组成的簇，cardCk为属于该簇的台区数目；原始场景集中有m个台区样本数据，DBIK值越小，聚类效果越好；计算过程如下：首先，计算分散度： 式中，Fi表示第i个簇内台区样本数据的离散程度，Xj表示簇i的第j个台区样本数据，Ai表示簇i的中心，Ti表示簇i内的台区样本数据个数；p＝1时，计算的是簇i内各点到中心的距离的均值；p＝2时，计算的是簇i内各点到中心的距离的标准差；接着，计算簇i和簇j间的距离Dij： 式中，一个台区样本数据的电气特征参数个数为M个，aki表示簇i的中心点的第k个属性的值，akj表示簇j的中心点的第k个属性的值；接着，计算簇i和簇j间的相似度Gij： 通过以上公式的计算，选出簇间相似度的最大值并对各个簇的最大相似度求均值，得到DBI指数如下式: 根据上述的综合评价指标对不同K时的台区分类结果进行评估，选择综合评价指标最大时的台区分类结果Kbest；逐一对每类台区进行分析，采用基于改进加权的皮尔逊相关分析评估台区电气特征指标与台区线损的相关性，选择相关性更强的电气特征指标作为该类台区的线损影响关键因子集；选取CRITIC法作为权重修正方法，对相关性检验后确定的各关键影响因子进行指标客观权重的计算，结合皮尔逊相关计算得到的关联度和指标客观权重值得到各指标的加权关联度大小，根据加权关联度对台区电气特征指标排序，选取加权关联度较大的电气指标作为该类台区的线损影响关键因子，进而对不同类型台区形成线损影响关键因子集，刻画出该类台区的线损影响特征，实现台区画像的构建；S3：在建立台区画像的基础上，基于BP神经网络和核密度估计方法，采用机器学习方法构建台区线损计算模型，其中台区线损区间的计算过程为：步骤1：将台区线损预测值进行等间隔划分成不同区间；步骤2：若存在间隔内样本数据较少，则合并相邻区间；步骤3：采用核密度估计方法，同时基于网格搜索交叉验证方法选择最优核函数和最优带宽，进而得到不同区间的预测误差概率密度函数；S4：根据所构建的台区画像和台区线损计算模型，基于BP神经网络和核密度估计的计算分析，得到不同类别台区线损预测值及合理区间，实现台区线损的量化；包括：基于BP神经网络-核密估计台区线损计算模型对台区线损及合理区间进行计算，具体过程为：步骤1：判断台区所属类别，即根据该台区电气特征指标体系的指标数据与聚类中心的欧式距离判断台区所属类别为第k类台区；步骤2：构建台区线损影响关键因子集，即根据台区的所属类别构建对应的台区线损影响关键因子集；步骤3：BP神经网络预测，即将台区电气特征指标数据输入BP神经网络，对台区线损进行合理预测；步骤4：台区线损合理区间计算，即判断预测值所属区间，根据训练过程中求得的预测误差概率密度函数得到预测误差的a及1-a分位点，从而得到该预测值的置信区间，即为台区线损的合理区间。

全文数据：

权利要求：

百度查询： 国网江苏省电力有限公司南通供电分公司 基于数据驱动的台区线损量化方法及系统

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD