一种基于粗糙集的无功优化设备动作次数分析方法技术

本发明专利技术实施例公开了一种基于粗糙集的无功优化设备动作次数分析方法，涉及电力系统无功优化控制领域，本发明专利技术实施例提供的基于粗糙集的无功优化设备动作次数分析方法，针对无功优化中设备动作次数设置繁琐且设置结果不易把握的问题，采用基于粗糙集理论的挖掘的方法，实现无功优化中设备动作次数智能划分和精准设置，并在此基础上对新增数据集进行增量挖掘，有效的解决了数据的重复和冗余挖掘问题，提高了挖掘的整体效率适用于在线挖掘计算；缓解了在大型区域电网场景下，由于运行人员很难把握负荷的时段划分造成的时段内动作次数设置不精确的问题。

A method for analyzing the number of actions of reactive power optimization equipment based on Rough Set Theory

The embodiment of the invention discloses a rough set based on reactive power optimization of equipment action number analysis method, reactive power optimization control of power system, the embodiment of the invention provides a rough set based on reactive power optimization of equipment action number analysis method, the equipment action set the number of cumbersome and not easy to grasp the result set the problem of reactive power optimization, using the method of mining based on rough set theory, realization of reactive power optimization intelligent division and precision equipment action times set, and on the basis of incremental mining on the new data set, effectively solves the problem of data duplication and redundancy mining problems, improves the overall efficiency of mining for mining online calculation in large area power grid; mitigation scenarios, due to operating personnel is difficult to grasp the number of movements caused by the load time division period is not fine Exact question.

【技术实现步骤摘要】
一种基于粗糙集的无功优化设备动作次数分析方法
本专利技术涉及电力系统无功优化控制领域，尤其涉及一种基于粗糙集的无功优化设备动作次数分析方法。
技术介绍
当前，在电力系统中控制设备上，无功优化在线控制经过多年的研究已经日趋成熟并且取得了广泛的应用。然而，诸如控制设备的动作次数等参数，经常与由于设置不合理常导致实际控制效果受到较大影响。而传统无功优化中控制设备的参数设置大多依靠运行人员的个人经验。尤其是基于人为经验进行时段划分，常因运行人员的主观判断或负荷季节性变化而维护不及时等原因，使得人为时段划分的结果很难在线匹配实际负荷的峰谷特性，使得控制设备的实际控制效果较差。尤其是在大型区域电网中，设置的频繁调整会给运行人员带来巨大的工作量，且运行人员也很难把握负荷的时段划分以及具体时段内动作次数的精确的设置。
技术实现思路
本专利技术的实施例提供一种基于粗糙集的无功优化设备动作次数分析方法，缓解了时段内动作次数设置不精确的问题。为达到上述目的，本专利技术的实施例采用如下技术方案：包括：数据准备和预处理阶段、基于粗糙集理论的设备动作次数增量挖掘阶段，和无功优化设备动作次数获取阶段；其中：A数据准备和预处理阶段，包括：步骤A-1，获取本次挖掘所需要的母线负荷预测结果；步骤A-2，根据峰谷阀值，对所述母线负荷预测结果进行划分；步骤A-3，根据历史数据转换所述母线负荷预测结果中的字段属性；B基于粗糙集理论的设备动作次数增量挖掘阶段步骤，包括：步骤B-1，对第i个时段内的数据集合构建决策表，其中，i为正整数；步骤B-2，计算i时段内负荷预测曲线和所述历史数据间不同字段属性的相似度；步骤B-3，采用EQCR-DB聚类评价指标，对连续属性进行离散化处理；步骤B-4，加载基于隶属度的决策规则增量挖掘程序；步骤B-5，通过i<li,max判断所有时段是否全部挖掘完成，如果都挖掘完成则转入C-1，否则转入B-1，其中，li,max表示当前时段的最大值；C无功优化设备动作次数获取阶段，包括：步骤C-1，采用给定的置信度对不确定性规则进行处理，并得到强关联规则；步骤C-2，本次挖掘计算结束。本专利技术实施例提供的基于粗糙集的无功优化设备动作次数分析方法，针对无功优化中设备动作次数设置繁琐且设置结果不易把握的问题，采用基于粗糙集理论的挖掘的方法，实现无功优化中设备动作次数智能划分和精准设置，并在此基础上对新增数据集进行增量挖掘，有效的解决了数据的重复和冗余挖掘问题，提高了挖掘的整体效率；缓解了在大型区域电网场景下，由于运行人员很难把握负荷的时段划分造成的时段内动作次数设置不精确的问题。附图说明为了更清楚地说明本专利技术实施例中的技术方案，下面将对实施例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本专利技术的一些实施例，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，还可以根据这些附图获得其它的附图。图1为本专利技术实施例提供的总体流程图；图2为本专利技术实施例提供的负荷预测曲线时段划分流程图；图3为本专利技术实施例提供的集合间相似度计算方法流程图；图4为本专利技术实施例提供的基于隶属度函数的决策规则增量挖掘方法流程图；图5为本专利技术实施例提供的孤立曲线合并示意图；图6为本专利技术实施例提供的相邻曲线形态比较图。具体实施方式为使本领域技术人员更好地理解本专利技术的技术方案，下面结合附图和具体实施方式对本专利技术作进一步详细描述。下文中将详细描述本专利技术的实施方式，所述实施方式的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的，仅用于解释本专利技术，而不能解释为对本专利技术的限制。本
技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本专利技术的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的任一单元和全部组合。本
技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本专利技术所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。本专利技术实施例提供一种基于粗糙集的无功优化设备动作次数分析方法，依照执行的先后顺序，包括：数据准备和预处理阶段、基于粗糙集理论的设备动作次数增量挖掘阶段，和无功优化设备动作次数获取阶段；其中，可以参考如图1所示的顺序：A数据准备和预处理阶段，包括：步骤A-1，获取本次挖掘所需要的母线负荷预测结果；步骤A-2，根据峰谷阀值，对所述母线负荷预测结果进行划分；步骤A-3，根据历史数据转换所述母线负荷预测结果中的字段属性；B基于粗糙集理论的设备动作次数增量挖掘阶段步骤，包括：步骤B-1，对第i个时段内的数据集合构建决策表，其中，i为正整数；步骤B-2，计算i时段内负荷预测曲线和所述历史数据间不同字段属性的相似度；步骤B-3，采用EQCR-DB聚类评价指标，对连续属性进行离散化处理；步骤B-4，加载基于隶属度的决策规则增量挖掘程序；步骤B-5，通过i<li,max判断所有时段是否全部挖掘完成，如果都挖掘完成则转入C-1，否则转入B-1，其中，li,max表示当前时段的最大值；C无功优化设备动作次数获取阶段，包括：步骤C-1，采用给定的置信度对不确定性规则进行处理，并得到强关联规则；步骤C-2，本次挖掘计算结束。本专利技术实施例提供的基于粗糙集的无功优化设备动作次数的分析方法，包括：数据预处理和准备阶段、基于粗糙集理论的设备动作次数增量挖掘阶段以及无功优化设备动作次数获取阶段。针对无功优化中设备动作次数设置繁琐且设置结果不易把握的问题，采用基于粗糙集理论的挖掘的方法，实现无功优化中设备动作次数智能划分和精准设置，并在此基础上对新增数据集进行增量挖掘，有效的解决了数据的重复和冗余挖掘问题，提高了挖掘的整体效率；本专利技术能有效的减轻运行人员在参数设置方面的繁琐工作使设备动作次数设置结果更加合理，并通过基于粗糙集的增量挖掘方法提高求解效率匹配在线控制的实时性需求。在本实施例中，如图2所示，所述步骤A-2包括：A-2-1，读入母线负荷预测曲线数据；A-2-2，设定母线负荷预测曲线的峰谷个数阀值N；A-2-3，对所述母线负荷预测数据按升序排列，得到所述母线负荷预测数据的升序排列的集合S；A-2-4，选取集合S中前F个数据存入集合SF中，其中，集合SF为包括了集合S中的数据的子集，在默认情况下F＝3；A-2-5，按所述A-2-3中所得的排列顺序，计算集合SF中两个数SFi,t和SFi+1,t之间的时间间隔，如果SFi,t-SFi+1,t≤δ(i＝1,...,F-1)，其中，δ为设定阀值本文档来自技高网...

【技术保护点】
一种基于粗糙集的无功优化设备动作次数分析方法，其特征在于，其特征在于，依照执行的先后顺序，包括：数据准备和预处理阶段、基于粗糙集理论的设备动作次数增量挖掘阶段，和无功优化设备动作次数获取阶段；其中：A数据准备和预处理阶段，包括：步骤A‑1，获取本次挖掘所需要的母线负荷预测结果；步骤A‑2，根据峰谷阀值，对所述母线负荷预测结果进行划分；步骤A‑3，根据历史数据转换所述母线负荷预测结果中的字段属性；B基于粗糙集理论的设备动作次数增量挖掘阶段步骤，包括：步骤B‑1，对第i个时段内的数据集合构建决策表，其中，i为正整数；步骤B‑2，计算i时段内负荷预测曲线和所述历史数据间不同字段属性的相似度；步骤B‑3，采用EQCR‑DB聚类评价指标，对连续属性进行离散化处理；步骤B‑4，加载基于隶属度的决策规则增量挖掘程序；步骤B‑5，通过i<li,max判断所有时段是否全部挖掘完成，如果都挖掘完成则转入C‑1，否则转入B‑1，其中，li,max表示当前时段的最大值；C无功优化设备动作次数获取阶段，包括：步骤C‑1，采用给定的置信度对不确定性规则进行处理，并得到强关联规则；步骤C‑2，本次挖掘计算结束。...

【技术特征摘要】
1.一种基于粗糙集的无功优化设备动作次数分析方法，其特征在于，其特征在于，依照执行的先后顺序，包括：数据准备和预处理阶段、基于粗糙集理论的设备动作次数增量挖掘阶段，和无功优化设备动作次数获取阶段；其中：A数据准备和预处理阶段，包括：步骤A-1，获取本次挖掘所需要的母线负荷预测结果；步骤A-2，根据峰谷阀值，对所述母线负荷预测结果进行划分；步骤A-3，根据历史数据转换所述母线负荷预测结果中的字段属性；B基于粗糙集理论的设备动作次数增量挖掘阶段步骤，包括：步骤B-1，对第i个时段内的数据集合构建决策表，其中，i为正整数；步骤B-2，计算i时段内负荷预测曲线和所述历史数据间不同字段属性的相似度；步骤B-3，采用EQCR-DB聚类评价指标，对连续属性进行离散化处理；步骤B-4，加载基于隶属度的决策规则增量挖掘程序；步骤B-5，通过i<li,max判断所有时段是否全部挖掘完成，如果都挖掘完成则转入C-1，否则转入B-1，其中，li,max表示当前时段的最大值；C无功优化设备动作次数获取阶段，包括：步骤C-1，采用给定的置信度对不确定性规则进行处理，并得到强关联规则；步骤C-2，本次挖掘计算结束。2.根据权利要求1所述的方法，其特征在于，所述步骤A-2，包括：A-2-1，读入母线负荷预测曲线数据；A-2-2，设定母线负荷预测曲线的峰谷个数阀值N；A-2-3，对所述母线负荷预测数据按升序排列，得到所述母线负荷预测数据的升序排列的集合S；A-2-4，选取集合S中前F个数据存入集合SF中，其中，集合SF为包括了集合S中的数据的子集，在默认情况下F＝3；A-2-5，按所述A-2-3中所得的排列顺序，计算集合SF中两个数SFi,t和SFi+1,t之间的时间间隔，如果SFi,t-SFi+1,t≤δ(i＝1,...,F-1)，则成立且转入A-2-6，否则转入A-2-7，其中，δ为设定阀值，默认情况下δ＝3，SFi,t表示集合SF中第i个数，SFi+1,t表示集合SF中第i+1个数；A-2-6，在集合SF中删除SFi+1,t并补充SN+1进入集合SF，转入A-2-5,SN+1表示集合S中第N+1个数；A-2-7，对所述母线负荷预测数据按降序排列，得到所述母线负荷预测数据的降序排列的集合J；A-2-8，选取集合J中前G个数据存入集合JG中，其中，集合JF为包括了集合J中的数据的子集，在默认情况下G＝2；A-2-9，按顺序计算集合JG中两个数JGi,t和JGi+1,t之间的时间间隔，如果JGi,t-JGi+1,t≤δ(i＝1,...,G-1)，则成立且转入A-2-10，否则转入A-2-11,JGi,t和JGi+1,t分别表示集合JG中第i和i+1个数；A-2-10，在集合JG中删除JGi+1,t并补充SN+1进入集合JG，转入A-2-9；A-2-11，合并集合SF和JG，并按时间排序生成新的集合SHFi,t(i＝1,...,G+F)，并将集合SHFi,t中相邻两个数之间作为为一个时段划分，转入A-2-12；A-2-12，所述步骤A-2结束。3.根据权利要求1所述的方法，其特征在于，在所述步骤B-1中，被转换的字段属性包括：将“母线电压值”转换为“电压越线次数”和“电压偏差”；将“变压器档位值”转换为“变压器动作次数”；将“补偿设备投切状态”转换为“补偿设备动作次数”。4.根据权利要求1所述的方法，其特征在于，所述步骤B-2中，包括：B-2-1，得到母线负荷预测的i个时段划分，并将i个时段内的数据保存到集合Gi中；B-2-2，读取历史库记录，并存入集合D中；B-2-3，计算Gi集合内元素个数，并记为m_Gi；B-2-4，获得时段i内，所述集合D中第j条数据集合Dij，并计算Dij中元素个数，并记为m_Dij；B-2-5，判断m_Gi和m_Dij是否相等，如果m_Gi＝m_Dij则采用标准化ED距离计算相似度，否则采用标准化DTW距离计算相似度；B-2-6，获得集合间的相似度，如果j<lj,max则令j＝j+1,且转入B-2-4，否则转入B-2-7；B-2-7，完成i时段内所有集合间相似度的计算；B-2-8，如果i<li,max则令i＝i+1,转入B-2-3，否则转入B-2-9；B-2-9，所述步骤B-2中的相似度计算结束。5.根据权利要求1所述的方法，其特征在于，所述步骤B-3中，包括：B-3-1，确定聚类数k的搜索范围，其中，设定为2≤k≤5；B-3-2，按顺序选取聚类搜索范围内的不同k值，获得初始聚类中心个数；B-3-3，运用k-均值聚类算法，更新计算关系矩阵和聚类中心；B-3-4，获得聚类结果并计算聚类优劣评价指标(EQCR-DB)的值，当k≤5时，令k＝k+1并转入B-3-2，否则转入B-3-5；B-3-5，比较各k值对应的EQCR-DB值，取EQCR-DB值最小的聚类作为最佳聚类；B-3-6，根据最佳聚类数输出聚类结果，根据聚类结果对属性...

【专利技术属性】
技术研发人员：陈光宇，张仰飞，郝思鹏，刘海涛，李军，张小莲，
申请(专利权)人：南京工程学院，
类型：发明
国别省市：江苏,32