【技术实现步骤摘要】
基于同期特征与改进K-means聚类的配电网异常线损诊断方法
本专利技术属于电力系统异常线损诊断领域,特别涉及一种配电网异常线损诊断方法。
技术介绍
线损指标作为一种综合反映电力系统在规划设计、生产运行、经济管理中的重要经济技术指标,是电力公司重点管理和考核指标。而且该指标直接与电力公司的净收益、能源利用率直接关联,因此对该指标的管理和诊断有着重要意义。而我国当前线损指标管理与治理仍面临着诸多问题。在管理线损方面,电力公司各部门间的专业壁垒尚未完全疏通融合,各电力公司主要系统如营销系统、GIS系统、一体化线损管理系统、用电采集系统和PMS系统之间,档案关系仍会出现少部分不一致现象,系统间数据的传输仍有丢失现象,上述原因导致异常线损现象频繁发生,为线损指标的管理和治理提出了挑战;同时,实际中变电站侧和用户侧计量表存在数据缺失、时钟精度有差异,也是造成异常线损的常见原因。在技术线损方面,线路重过载、设备老化和无功补偿设备配置不合理也是异常线损的常见原因。目前在异常线损诊断方面,国内外的研究重点分为理论线损和管理线损两方面。理论线损指通过电网拓扑和功率负荷数据,计算潮流得到理论线损,该方面主要研究为如何提高理论线损的精度、速度和可拓展性,当系统表底缺失或异常的情况下可进行准确地填补和修复。目前该方面采用技术有将径向基函数RBF神经网络应用到配电网线损的计算和分析中,并采用动态聚类算法确定最优参数,从而提高线损计算精度;也有学者采用基于kmeans聚类算法、粒子群算法和支持向量机结合、深度学习LSTM ...
【技术保护点】
1.基于同期特征与改进K-means聚类的配电网异常线损诊断方法,其特征在于,包括以下步骤:/n步骤1、采集配电网某条线路的线损数据;对异常线损的同期特性进行分析,并构建出能反映异常原因的3个关键性指标:实时线损率、近24小时的平均线损率和线损畸变率;/n步骤2、基于上述关键性指标,对异常线损的特征和原因进行分类,初步建立线损异常诊断模式;/n步骤3、采用改进的K-means聚类方法,根据初步建立的线损异常诊断模式确定聚类的数量,并且以大量样本数据对聚类模型进行训练,得到聚类中心;/n步骤4、将聚类中心的标签映射到各类异常原因;/n步骤5、最后根据聚类中心对新采集的配电网某条线路的实时线损数据进行自动诊断,得到异常原因。/n
【技术特征摘要】
1.基于同期特征与改进K-means聚类的配电网异常线损诊断方法,其特征在于,包括以下步骤:
步骤1、采集配电网某条线路的线损数据;对异常线损的同期特性进行分析,并构建出能反映异常原因的3个关键性指标:实时线损率、近24小时的平均线损率和线损畸变率;
步骤2、基于上述关键性指标,对异常线损的特征和原因进行分类,初步建立线损异常诊断模式;
步骤3、采用改进的K-means聚类方法,根据初步建立的线损异常诊断模式确定聚类的数量,并且以大量样本数据对聚类模型进行训练,得到聚类中心;
步骤4、将聚类中心的标签映射到各类异常原因;
步骤5、最后根据聚类中心对新采集的配电网某条线路的实时线损数据进行自动诊断,得到异常原因。
2.根据权利要求1所述的基于同期特征与改进K-means聚类的配电网异常线损诊断方法,其特征在于,步骤1具体为:
采集配电网某条线路当前1h线损和前23h线损组成的日线损序列,表达式为xi(xi1,xi2,…,xi24);其中xi1为线路i的当前线损率;构建了历史平均线损指标yi和线损畸变率ηi,其公式如下:
公式中yi是历史平均指标,能够反映历史线损水平,是否长期高损或负损;线损畸变率ηi反映实时线损对历史线损的突变情况;提取3个关键指标组成的向量为si(xi1,yi,ηi)。
3.根据权利要求1所述的基于同期特征与改进K-means聚类的配电网异常线损诊断方法,其特征在于,步骤2初步建立的线损异常诊断模式如下表所示:
以x表示线损率;大负损为:-100%≤x<-1%,小负损为:-1%≤x<0、正常:0≤x<6%、正常但偏高:6%≤x<10%、高损:10%≤x<30%和超大损:30%≤x<100%;畸变率的数值的设定为低:η<-5,偏低:-5≤η<-2,正常:-2≤η≤2,偏高:2<η≤5,高:5<η,5种。
4.根据权利要求1所述的基于同期特征与改进K-means聚类的配电网异常线损诊断方法,其特征在于,步骤3中,输入向量为si(xi1,yi,ηi),由si组成待聚类数据集SI×N;聚类方法的步骤包括:
步骤3.1:输入待聚类数据集SI×N,确定聚类的数量K,根据密度函数Density(si),选择各类数据中密度最大的数据作为初始聚类中心,用Z1,Z2,…,ZK表示...
【专利技术属性】
技术研发人员:丁冬,祁宏,王远,王泽浩,王鹏,
申请(专利权)人:国网北京市电力公司,国家电网有限公司,
类型:发明
国别省市:北京;11
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。