一种基于机器学习算法的中压配网馈线分类方法技术

本发明专利技术公开了一种基于机器学习算法的中压配网馈线分类方法，包括：获取中压配网馈线监测数据并构建数据集；利用聚类算法FCM对馈线数据进行聚类分析，得到典型的数据类别；利用SAE算法提取馈线数据的高维特征数据；利用高维特征数据和与之对应的数据标签进行ELM模型的有监督训练；将SAE和ELM模型的参数信息存入参数数据库，形成完整的分类模型。本申请用于对馈线数据进行自动分类，便于输电部门制订配套的应对措施，提升馈线管理工作的效率。

【技术实现步骤摘要】
一种基于机器学习算法的中压配网馈线分类方法
本专利技术涉及配电网馈线分类领域，特别是涉及一种基于机器学习算法的中压配网馈线分类方法。
技术介绍
中压配电网是电能分配的重要环节，数量众多的配电网馈线是造成线损的主要源头。配网线损的主要类型有统计线损、理论线损、管理线损、有损线损、同期线损等几种，其中借助新技术、新方法降低管理线损是线损治理的重要途径。然而，馈线数量众多和不同馈线之间的差异性给线损治理工作带来了极大的挑战。随着自动化设备的安装，配网监测数据无论是体量还是数据质量都有了很大提升，监测数据蕴含的丰富信息有利于刻画配网馈线的运行状态，若能充分利用好相关监测数据可以快速为线损严重的馈线制订治理策略，提升线损治理的工作效率。因此，中压配网的监测数据已经为馈线的自动化分类提供了重要的数据条件。目前，中压配网馈线数据的分析研究仍处于起步阶段，有关的分析方法过分依赖工作人员的专业经验，并未形成完整的体系。随着配网规模的进一步扩大，亟待研究以人工智能算法为基础的馈线数据分析方法，提升线损治理的效率和配网管理的自动化水平。利用机器学习算法对馈线进行快速分类，并针对相应的类别制订治理策略，可以有效地辅助线损治理工作。机器学习算法是信息化时代重要的数据处理工具，其在计算机视觉、图像处理和语音处理等领域已经得到成功的应用。机器学习按照模型复杂度可以分为浅层机器学习和深度学习，两者各有优势。浅层学习算法模型的结构简单，模型参数较少，训练成本较低，适合小样本的数据处理问题，典型的浅层学习算法有支持向量机(SupportVectorMachines,SVM)、极限学习机(ExtremeLearningMachine，ELM)和BP神经网络(BackPropagation，BP)等；深度学习则更适合于海量数据的分析，具有分布式表示的特点，模型的泛化能力和隐藏信息挖掘能力都有了很大的提升，典型的深度学习算法有卷积神经网络(ConvolutionalNeuralNetworks，CNN)、循环神经网络(RecurrentNeuralNetwork，RNN)、深度置信网络(DeepBeliefNetwork，DBN)、栈式自编码器(StackedAuto-Encoders,SAE)等。现有技术中存在如下问题：1)10kV中压配电网是电能分配的重要环节，同时也是线损的“重灾区”，中压配电网线损电量甚至达到线损总量的三分之一以上，这反映出中压配网的管理方式还需要进一步的优化与技术支持；2)中压配电网馈线是降低线损研究的关键点，而通过馈线运行参数对其进行分类，也是提升线损治理工作效率的有效途径，现有技术中对此方向的研究很欠缺；3)目前，对于中压配网馈线的智能分类并未形成体系和标准，现有以人工分类为主的方式无法适应海量数据的分类需求，且具有很强的主观性和随意性，不利于配电网线损治理的精细化分析与差异化的管理。
技术实现思路
本专利技术的目的是提供一种基于机器学习算法的中压配网馈线分类方法，以解决上述现有技术存在的问题，使线损分析能够批处理，线损管理工作的效率得到提高。为实现上述目的，本专利技术提供了如下方案：本专利技术提供一种基于机器学习算法的中压配网馈线分类方法，包括以下步骤：S1，获取若干种中压配网馈线的中压配网馈线监测数据，计算馈线线损，并基于若干种所述中压配网馈线的中压配网馈线监测数据和所述馈线线损构建第一数据集，对所述第一数据集进行预处理；S2，对所述第一数据集进行聚类分析，得到若干个所述馈线的数据类别，将所述数据类别作为馈线数据的标签；S3，构建深度学习模型，基于所述深度学习模型对所述数据类别进行特征数据的提取，获得馈线的特征数据；S4，基于所述馈线的特征数据和所述馈线数据的标签得到标签数据集；S5，构建浅层学习模型，在所述浅层学习模型中，将所述特征数据和所述标签数据集分别作为输入和输出进行训练，训练结束后获得馈线分类模型，用于对馈线数据进行自动分类。进一步地，所述S1中的中压配网馈线监测数据包括但不限于：线路属性、运行参数。进一步地，所述S1中的馈线线损S的计算公式，具体包括：其中，Ijf为均方根电流，r为元件电阻，t为测量周期。进一步地，所述均方根电流的公式为：所述公式内的Pt、Qt和Ut分别代表当日负荷24h整点实测的三相有功功率、无功功率和线电压，其中，Pt、Qt和Ut均为同一线路、同一测量点、同一时刻的实测数据。进一步地，所述对第一数据集进行预处理的方法为：(1)检查中压配网馈线监测数据的数据项之间的对应关系是否正确；(2)检查是否有监测数据缺失；(3)将所述第一数据集中的文本信息改为编码形式；(4)归一化处理。进一步地，所述S2中的聚类采用了聚类算法FCM，所述聚类方法包括以下步骤：S2.1，确定数据类别的数量为C，数据中心点为Cz，每个样本dj(0＜j≤n)属于某一类Li(0＜i≤C)的隶属度为Uij，S2.2，确定目标函数的约束条件J为：其中m为隶属度因子，m＝2，||dj-Cz||表示数据点与数据中心的欧氏距离；S2.3，将每个数据的隶属度总和规定为1：S2.4，将所述Uij和所述Cz进行迭代；S2.5，得到若干个所述馈线的数据类别。进一步地，所述S3中的深度学习模型为栈式自编码器模型SAE，所述SAE的输入层和输出层相同，隐含层用于对上层输出进行非线性变换。进一步地，所述S5中的浅层学习模型为极限学习机模型ELM。进一步地，所述S5中的模型训练中，所述极限学习机模型ELM的隐含层计算公式为：hj(f)＝σ(wj,bj,f)其中hj为第j个隐含层，σ为激活函数，wj,bj分别为权重函数和偏置函数。进一步地，本方法中，还应将S2、S3和S5的参数保存并更新到模型参数数据库，所述参数为训练结束的最终参数。本专利技术公开了以下技术效果：本专利技术公开了一种基于机器学习算法的中压配网馈线分类方法，包括对馈线数据集的构造及准备过程，确定馈线的类别及类别的数量，完成数据的特征提取并训练SAE和ELM模型，最终完成馈线分类任务。馈线的典型类别由聚类算法FCM得到，同一类别馈线属性相近，适合采用相同的措施进行批处理。最终训练获得的模型，用于对馈线数据进行自动分类，便于输电部门制订配套的应对措施，提升馈线管理工作的效率。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，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他的附图。图1为一种基于机器学习算法的中压配网馈线分类方法的流程示意图；图2为本专利技术中的SAE模型示意图；图3为本专利技术中的ELM模型示意图。...

【技术保护点】
1.一种基于机器学习算法的中压配网馈线分类方法，其特征在于：包括以下步骤：/nS1，获取若干种中压配网馈线的中压配网馈线监测数据，计算馈线线损，并基于若干种所述中压配网馈线的中压配网馈线监测数据和所述馈线线损构建第一数据集，对所述第一数据集进行预处理；/nS2，对所述第一数据集进行聚类分析，得到若干个所述馈线的数据类别，将所述数据类别作为馈线数据的标签；/nS3，构建深度学习模型，基于所述深度学习模型对所述数据类别进行特征数据的提取，获得馈线的特征数据；/nS4，基于所述馈线的特征数据和所述馈线数据的标签得到标签数据集；/nS5，构建浅层学习模型，在所述浅层学习模型中，将所述特征数据和所述标签数据集分别作为输入和输出进行训练，训练结束后获得馈线分类模型，用于对馈线数据进行自动分类。/n

【技术特征摘要】
1.一种基于机器学习算法的中压配网馈线分类方法，其特征在于：包括以下步骤：
S1，获取若干种中压配网馈线的中压配网馈线监测数据，计算馈线线损，并基于若干种所述中压配网馈线的中压配网馈线监测数据和所述馈线线损构建第一数据集，对所述第一数据集进行预处理；
S2，对所述第一数据集进行聚类分析，得到若干个所述馈线的数据类别，将所述数据类别作为馈线数据的标签；
S3，构建深度学习模型，基于所述深度学习模型对所述数据类别进行特征数据的提取，获得馈线的特征数据；
S4，基于所述馈线的特征数据和所述馈线数据的标签得到标签数据集；
S5，构建浅层学习模型，在所述浅层学习模型中，将所述特征数据和所述标签数据集分别作为输入和输出进行训练，训练结束后获得馈线分类模型，用于对馈线数据进行自动分类。


2.根据权利要求1所述的基于机器学习算法的中压配网馈线分类方法，其特征在于：所述S1中的中压配网馈线监测数据包括但不限于：线路属性、运行参数。


3.根据权利要求1所述的基于机器学习算法的中压配网馈线分类方法，其特征在于：所述S1中的馈线线损S的计算公式，具体包括：



其中，Ijf为均方根电流，r为元件电阻，t为测量周期。


4.根据权利要求3所述的基于机器学习算法的中压配网馈线分类方法，其特征在于：所述均方根电流的公式为：



所述公式内的Pt、Qt和Ut分别代表当日负荷24h整点实测的三相有功功率、无功功率和线电压，其中，Pt、Qt和Ut均为同一线路、同一测量点、同一时刻的实测数据。


5.根据权利要求1所述的基于机器学习算法的中压配网馈线分类方法，其特征在于：所述对第一数据集进行预处理的方法为：
(1)检查中压配网馈线监测数据的数据项之间的对...

【专利技术属性】
技术研发人员：龚钢军，马洪亮，孟芷若，武昕，文亚凤，陆俊，苏畅，
申请(专利权)人：华北电力大学，
类型：发明
国别省市：北京;11