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技术

本发明专利技术公开一种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，包括：1、采集配电网某条线路的线损数据；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、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，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。本发明专利技术能够速有效对地区线损异常原因进行自动诊断。

Diagnosis method of abnormal line loss based on synchronization feature and improved k-means clustering

【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的线损预测方法对线损进行预测，对异常线损的线路或者台区进行预先报警，发生异常线损时也可对其进行修复。管理线损指通过变电站和用户侧点能表的差值电量，管理线损复杂的潮流计算，近年来得到较快的发展。但时在管理线损方面的研究相对较少，有学者提出基于k-means聚类算法，通过低压台区线损率进行二次分类和时间序列进行分析，判断线损的异常程度；基于线损率波动率和历史数据诊断性分析异常线损原因；通过时序差分化发售电数据的平滑性质和前后关联性质，识别定位异常数据在时序序列上的位置，并对其进行修复。上述研究虽然在理论线损计算和预测，管理线损的分析和修复上取得较大进步，但是较少有相关研究对管理线损的诸多线损异常原因进行系统地诊断和分析。因此，实有必要提出一种异常线损诊断方法，以高效诊断出异常线损主要原因，减轻了线损分析的工作量，为线损治理提供有力支撑。
技术实现思路
本专利技术的目的在于提供一种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，以解决上述技术问题。本专利技术通过先对管理线损的同期线损特性进行分析，构建关键指标并建立异常线损诊断模式；然后基于该指标和诊断模式，采用改进的K-means聚类方法，对异常线损进行聚类分析，得到各类异常的聚类中心；最后根据聚类中心对线损数据进行诊断，快速有效对地区线损异常原因进行自动诊断。为了实现上述目的，本专利技术采用如下技术方案：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，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。进一步的，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)。进一步的，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。进一步的，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；K＝10；样本的点密度、类内和类间公式如下：公式中，num(xi)为变量si在以Zk为聚类中心，距离半径为r区域内的数据个数；Density(si)为变量的个体密度；r为人为设定的领域半径；步骤3.2：分别计算出剩余样本数据到各聚类中心的距离Dis(si，Zi)；将样本数据按照距聚类中心最近进行划分，更新聚类数据，更新类内距离di和类间距离Dk1，k2；类内距离di为类中每个点到本聚类中心之间的距离，公式如下：类间距离表示不同聚类中心之间的距离，公式如下：公式中，k1和k2分别为两个不同聚类中心的编号；步骤3.3：以每类数据的平均值作为聚类中心，计算平均类间最大相似度SIM1；以距离其他聚类中心相对最远的点作为备用聚类中心，计算平均类间最大相似度SIM2；SIM的公式如下：公式中，和分别为第k1和k2类中任意两点间的距离，k1和k2为变量；步骤3.4：以平均类间最大相似度SIM1和平均类间最大相似度SIM2中SIM值最小的作为新的聚类中心；步骤3.5：判断聚类中心是否变化；如果变化返回步骤3.2；否则聚类结束。进一步的，步骤4中，将聚类后的数据，分别用标签1～10进行标注；然后通过各类的聚类中心数值大小，根据初步建立的线损异常诊断模式，将标签1～10映射到异常原因：档案关系异常、表底异常、电能表时钟或精度差异、线路重载、档案异常这5类主要原因。进一步的，步骤6中：通过输入配电网其他任意线路的1h线损xj，判断该值是否为正常，若不在正常范围即认为异常，并进行异常诊断；获取该线路近24h的线损数据，计算该线路的3个关键指标组成的向量为si(xi1,yi,ηi)，然后计算与该向量最近的聚类中心Zk；最后，将Zk的标签和建立的映射关系，找到该线路的异常原因。进一步的，还包括根据找到的线路异常原因对线路进行检修，使线损率恢本文档来自技高网...

【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