当前位置: 首页 > 专利查询>武汉大学专利>正文

基于ReliefF和t-SNE的配电线路线变关系模型优化方法技术

技术编号:19779313 阅读:22 留言:0更新日期:2018-12-15 11:40
本发明专利技术提供一种基于ReliefF和t‑SNE的配电线路线变关系模型优化方法,所述方法首先采集配电线路的日输入电量和与其挂接的各变压器日用电量,进而得到日线损电量,其次由配电线路输入电量与变压器用电量的关系计算输入‑用电电量差值比,由配电线路线损电量与变压器用电量的关系计算线损‑用电电量差值比,各自形成序列并分别进行小波包分解与重构,计算各频带内能量占总能量的百分比作为初选特征,然后利用ReliefF算法计算各初选特征的权值,进行特征优化后,采用t‑SNE方法将高维特征降维成低维特征,最后利用BP神经网络完成线变关系模型的优化。该方法能减轻人工现场勘查的工作量,通过挑选关键特征,降低特征维度,实现线变关系模型的优化。

【技术实现步骤摘要】
基于ReliefF和t-SNE的配电线路线变关系模型优化方法
本申请涉及电力
,具体地涉及一种基于ReliefF和t-SNE的配电线路线变关系模型优化方法。
技术介绍
为进一步提升电网生产经营管理效率和效益,优化线损管理流程,推动调度、运维、营销业务的融合并充分利用各个部门系统数据资源,实现“技术线损最优,管理线损最小”的目标。在同期线损治理过程中,由于35kV及以上电压等级的线路数量少、拓扑结构简单、变动较少、台账历史数据质量高并且更新及时,所以其线损治理水平较高,相应的线损考核指标达到要求;但是对于10kV及以下电压等级的配电网,由于设备运维精益管理系统的历史台账数据质量低以及数据更新不及时、刀闸开关动作频繁、表计及设备维护工作量大等原因造成“线路-变压器连接关系”错误,从而导致10kV电压等级及以下的线损考核指标达标率较低。目前梳理10kV线路线变关系的主要手段是通过基层工作人员进行现场勘查,并在数据库中更新线变关系,推送到一体化电量与线损管理系统。由于10kV线路及其所挂接的变压器数量众多,传统地毯式的现场搜索需要耗费大量的人力物力,时效性低,这也是目前10kV分线同期线损达标率提升速度缓慢的关键原因。为了解决现场模型与理论模型不一致的问题,寻找模型中存在问题的地方,实现线变关系的智能分类和识别,本专利技术提出一种基于ReliefF和t-SNE的配电线路线变关系模型优化方法,用以挑选关键特征,降低特征维度,利用BP神经网络法实现线变关系模型的优化,完成线变关系的智能分类。
技术实现思路
为了减少基层员工现场勘查的工作量,获得配电线路线变关系的低维特征,实现线变关系模型的优化,并实现可视化,本专利技术提出了一种基于ReliefF和t-SNE的配电线路线变关系模型优化方法。本专利技术的技术方案是:一种基于ReliefF和t-SNE的配电线路线变关系模型优化方法,包括以下步骤:S1,将配电线路线变关系分为三类别:线路挂错类、电能表倍率计错类和正常线变类,采集配电线路的日输入电量和与该配电线路相连的各变压器用户的日用电量作为采集量,并获取各变压器的线变关系类别;S2,对所述配电线路的日输入电量和所述各变压器的日用电量进行预处理,获得配电线路的日线损电量;S3,由所述配电线路的日输入电量和所述各变压器的日用电量获得每日输入-用电电量差值比,由所述配电线路的日线损电量与所述各变压器的日用电量计算每日线损-用电电量差值比;S4,对两类差值比序列分别进行小波包分解与重构,分别提取各频带信号以及计算各频带内能量占总能量的百分比,各自作为两类差值比序列的初选特征,将两个初选特征组合为线变关系的初选特征集;S5,利用ReliefF算法计算各初选特征的权值并排序,保留权值大于阀值的初选特征,实现特征量的优化;S6,计算高维空间内两两数据间的局部对称联合概率、联合概率、及局部对称联合概率与联合概率的散度值,采用t-SNE方法对高维特征数据进行数据降维,获取低维特征;S7,利用所得到的低维特征,构建BP神经网络分类模型,通过选择BP神经网络的训练样本和测试样本以及参数设置,实现线变关系模型的优化。优选地,所述步骤S2具体包括以下步骤:S21、对步骤S1采集的用电量数据进行检查,查找各变压器用户的用电量缺失数据和用电量异常数据;S22、若存在用电量缺失数据,当用电量缺失数据的缺失量大于采集量20%时,将在步骤S1中采集的该变压器用户的日用电量序列在样本中剔除,而对缺失量小于采集量20%的用户的用电量缺值数据以临近处均值代替;S23、若存在用电量异常数据,当用电量数据异常值数据高于采集量20%时,将在步骤S1中采集的该变压器用户的日用电量序列在样本中剔除,而对异常量低于采集量10%的用户的用电量异常值数据以临近处均值代替,对用电量数据异常量高于采集量10%但低于采集量20%的,利用平滑修正方法对异常值数据进行修正,其方法为:设第α个变压器用户的第β个采集点的数据Pα,β为异常数据,则修正值P′α,β为:式中:α=1,2,…r,β=1,2,…s,r代表变压器用户的总数,s代表电量数据的采集总天数,K表示向前采集的位数,L表示向后采集的位数,K1、L1取2~5,式(1)表示电量数据异常点处的修正值为从该点向前采集K1个数据和向后采集L1个数据,再取K1+L1个数据的平均值;S24、利用预处理后的配电线路的输入电量和变压器用电量,计算每日的配电线路线损电量,计算表达式为:配电线路线损电量=配电线路输入电量-∑各变压器用电量。优选地,所述步骤S3具体包括以下步骤:S31、从配电线路输入电量与变压器用电量的关系出发,变压器用电量波动与配电线路输入电量波动曲线呈正相关,用户日电量差值上升,配电线路日输入电量差值也上升,则每日输入-用电电量差值比=(变压器当日用电量-变压器昨日用电量)/(配电线路当日输入电量-配电线路昨日输入电量),以日为单位,构成每日输入-用电电量差值比序列;S32、从配电线路线损电量与变压器用电量的关系出发,变压器用电量波动与配电线路线损电量波动呈负相关,用户日电量差值下降,配电线路日输入电量差值上升,则每日线损-用电电量差值比=(变压器当日用电量-变压器昨日用电量)/(配电线路当日线损电量-配电线路昨日线损电量),以日为单位,构成每日线损-用电电量差值比序列。优选地,所述步骤S4具体包括以下步骤:S41、设置小波包分解层数为3,对小波包分解系数重构,提取各频带信号,用S3,ρ表示第3层节点ρ的重构信号,其中ρ=0,1,…,7;S42、计算小波包分解到各节点上的频带能量E3,ρ,计算公式如下其中,xρz表示重构信号S3,ρ的第z个离散点的幅值,z=1,2,…,n,n为信号离散点数,δ表示时间;S43、构造特征向量:将各经过小波包分解的节点的频谱能量特征值构成特征向量U,并对特征向量U进行归一化处理,得到U′作为初选特征U=[E3,0,E3,1,E3,2,…,E3,7](3)其中,S44、参照步骤S41至S43,将输入-用电电量差值比和线损-用电电量差值比对应的两类差值比序列经3层小波包分解,各自得到8个初选特征,组合构成线变关系初选特征集F=[F10,F11,F12,…,F17,F20,F21,F22,…,F27](5)其中,F10,F11,F12,…,F17表示输入-用电比值序列的初选特征,F20,F21,F22,…,F27表示线损-用电比值序列的初选特征。优选地,所述步骤S5具体包括以下步骤:S51、输入:训练样本集D(m×b),由m个样本构成,每个样本由b个特征A1,A2,…,At,…,Ab表示,线变关系初选特征数b=2×8;S52、输出:特征权重向量W(1×b),W(At)表示特征At的权重;S53、设置权重向量W初始值为零向量S54、Forλ=1tom:从样本集D中随机选择一个样本Rλ;在Rλ的相同类别中,选择g个最近邻样本Hη;在Rλ的每个不同类中,找出g个最近邻样本Mη;S55、Fort=1tob,对每个特征权重进行如下更新式(6)中,diff(At,Rλ,Hη)为样本Rλ和Hη在特征At上的距离,一般取欧式距离;P(c)为第c类样本数占样本总数的比例;class(Rλ)为样本Rλ的类别号;P(cl本文档来自技高网...

【技术保护点】
1.一种基于ReliefF和t‑SNE的配电线路线变关系模型优化方法,其特征在于,包括如下步骤:S1,将配电线路线变关系分为三类别:线路挂错类、电能表倍率计错类和正常线变类,采集配电线路的日输入电量和与该配电线路相连的各变压器用户的日用电量作为采集量,并获取各变压器的线变关系类别;S2,对所述配电线路的日输入电量和所述各变压器的日用电量进行预处理,获得配电线路的日线损电量;S3,由所述配电线路的日输入电量和所述各变压器的日用电量获得每日输入‑用电电量差值比序列,由所述配电线路的日线损电量与所述各变压器的日用电量获得每日线损‑用电电量差值比序列;S4,对所述每日输入与用电电量差值比序列和所述每日线损‑用电电量差值比序列分别进行小波包分解与重构,分别提取各频带信号以及计算各频带内能量占总能量的百分比,各自作为所述每日输入‑用电电量差值比序列的初选特征和所述每日线损‑用电电量差值比序列的初选特征,合并为线变关系的初选特征集;S5,利用ReliefF算法计算各初选特征的权值并排序,保留权值大于阀值的初选特征,实现特征量的优化;S6,计算高维空间内两两数据间的局部对称联合概率、联合概率、及局部对称联合概率与联合概率的散度值,采用t‑SNE方法对高维特征数据进行数据降维,获取低维特征;S7,利用所得到的低维特征,构建BP神经网络分类模型,通过选择BP神经网络的训练样本和测试样本以及参数设置,实现线变关系模型的优化。...

【技术特征摘要】
1.一种基于ReliefF和t-SNE的配电线路线变关系模型优化方法,其特征在于,包括如下步骤:S1,将配电线路线变关系分为三类别:线路挂错类、电能表倍率计错类和正常线变类,采集配电线路的日输入电量和与该配电线路相连的各变压器用户的日用电量作为采集量,并获取各变压器的线变关系类别;S2,对所述配电线路的日输入电量和所述各变压器的日用电量进行预处理,获得配电线路的日线损电量;S3,由所述配电线路的日输入电量和所述各变压器的日用电量获得每日输入-用电电量差值比序列,由所述配电线路的日线损电量与所述各变压器的日用电量获得每日线损-用电电量差值比序列;S4,对所述每日输入与用电电量差值比序列和所述每日线损-用电电量差值比序列分别进行小波包分解与重构,分别提取各频带信号以及计算各频带内能量占总能量的百分比,各自作为所述每日输入-用电电量差值比序列的初选特征和所述每日线损-用电电量差值比序列的初选特征,合并为线变关系的初选特征集;S5,利用ReliefF算法计算各初选特征的权值并排序,保留权值大于阀值的初选特征,实现特征量的优化;S6,计算高维空间内两两数据间的局部对称联合概率、联合概率、及局部对称联合概率与联合概率的散度值,采用t-SNE方法对高维特征数据进行数据降维,获取低维特征;S7,利用所得到的低维特征,构建BP神经网络分类模型,通过选择BP神经网络的训练样本和测试样本以及参数设置,实现线变关系模型的优化。2.根据权利要求1所述的基于ReliefF和t-SNE的配电线路线变关系模型优化方法,其特征在于,所述步骤S2具体包括以下步骤:S21、对步骤S1采集的用电量数据进行检查,查找各变压器用户的用电量缺失数据和用电量异常数据;S22、若存在用电量缺失数据,当用电量缺失数据的缺失量大于采集量20%时,将在步骤S1中采集的该变压器用户的日用电量序列在样本中剔除,而对缺失量小于采集量20%的用户的用电量缺值数据以临近处均值代替;S23、若存在用电量异常数据,当用电量数据异常值数据高于采集量20%时,将在步骤S1中采集的该变压器用户的日用电量序列在样本中剔除,而对异常量低于采集量10%的用户的用电量异常值数据以临近处均值代替,对用电量数据异常量高于采集量10%但低于采集量20%的,利用平滑修正方法对异常值数据进行修正,其方法为:设第α个变压器用户的第β个采集点的数据Pα,β为异常数据,则修正值P′α,β为:式中:α=1,2,…r,β=1,2,…s,r代表变压器用户的总数,s代表电量数据的采集总天数,K表示向前采集的位数,L表示向后采集的位数,K1、L1取2~5,式(1)表示电量数据异常点处的修正值为从该点向前采集K1个数据和向后采集L1个数据,再取K1+L1个数据的平均值;S24、利用预处理后的配电线路的输入电量和各变压器的用电量,计算每日的配电线路线损电量,所述配电线路线损电量=配电线路输入电量-∑各变压器用电量。3.根据权利要求1所述的基于ReliefF和t-SNE的配电线路线变关系模型优化方法,其特征在于,所述步骤S3具体包括以下步骤:S31、从配电线路输入电量与变压器用电量的关系出发,变压器用电量波动与配电线路输入电量波动曲线呈正相关,用户日电量差值上升,配电线路日输入电量差值上升,则每日输入-用电电量差值比=(变压器当日用电量-变压器昨日用电量)/(配电线路当日输入电量-配电线路昨日输入电量),以日为单位,构成每日输入-用电电量差值比序列;S32、从配电线路线损电量与变压器用电量的关系出发,变压器用电量波动与配电线路线损电量波动曲线呈负相关,用户日电量差值下降,配电线路日输入电量差值上升,则每日线损-用电电量差值比=(变压器当日用电量-变压器昨日用电量)/(配电线路当日线损电量-配电线路昨日线损电量),以日为单位,构成每日线损-用电电量差值比序列。4.根据权利要求1所述的基于ReliefF和...

【专利技术属性】
技术研发人员:秦亮李明月刘开培王放张缜然
申请(专利权)人:武汉大学
类型:发明
国别省市:湖北,42

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1