一种基于模糊聚类和BP神经网络的台区状态预测模型制造技术

本发明专利技术属于电力信息技术领域，具体涉及一种基于模糊聚类和BP神经网络的台区状态预测模型。该台区状态预测模型包括：数据获取模块、预处理模块、聚类模块，以及预测模块。其中，数据获取模块用于采集台区内用户侧、低压侧和台区侧的电力信息得到样本数据集。预处理模块用于对样本数据进行标准化处理。聚类模块采用快速搜索密度峰值算法样本数据集进行聚类处理，生成节点属性数据集。预测模块采用具有三层结构的BP神经网络。预测模块的输入为各个节点的属性，预测模块的输出为预测的台区电力系统的运行状态，运行状态分为“正常”、“预警”和“异常”。本发明专利技术解决了台区内的电力信息数据量大，分析难度高，台区运行状态难以预测的问题。台区运行状态难以预测的问题。台区运行状态难以预测的问题。

【技术实现步骤摘要】
一种基于模糊聚类和BP神经网络的台区状态预测模型


[0001]本专利技术属于电力信息
，具体涉及一种基于模糊聚类和BP神经网络的台区状态预测模型。

技术介绍

[0002]电力系统是由发电厂、送变电线路、供配电所和用电等环节组成的电能生产与消费系统。它的功能是将自然界的一次能源通过发电动力装置转化成电能，再经输电、变电和配电将电能供应到各用户。为了实现各环节的协调和控制，电力系统还包括应用于发电、输电、配电和营销等各个环节的信息与控制系统，进而对电能的生产和应用过程进行测量、调节、控制、保护、通信和调度，以保证用户获得安全、优质的电能。
[0003]现代电力系统的发展目标是实现电力系统自动化。电力系统自动化的领域包括生产过程的自动检测、调节和控制，系统和元件的自动安全保护，网络信息的自动传输，系统生产的自动调度，以及企业的自动化经济管理等。电力系统自动化的主要目标是保证供电的电能质量(频率和电压)，保证系统运行的安全可靠，提高经济效益和管理效能。
[0004]在配电和用电环节中，智能电能表和融合终端等设备已经可以实现电力信息远程集采，基于采集到的电力信息大数据可以实现远程的电力监测和管理。例如，在现有电力系统中，利用融合终端和智能电能表可以在台区内能够实现自动抄表，并结合在线支付系统实现用电费用自动结算等功能。
[0005]电力信息大数据还可以应用于电力系统运行状态监测等，但是，在单一配电台区内的电力设备众多，用电节点的负荷状态复杂；如何通过复杂的电力信息对电力系统的运行状态进行识别和预测仍是一个亟待解决的技术难题。

技术实现思路

[0006]为了解决台区内的电力信息数据量大，分析难度高，台区的运行状态难以预测的问题；本专利技术提供一种基于模糊聚类和BP神经网络的台区状态预测模型。
[0007]本专利技术采用以下技术方案实现：
[0008]一种基于模糊聚类和BP神经网络的台区状态预测模型，该预测模型用于根据采集到的台区内各节点的电力信息预测台区内电力系统的运行状态；该台区状态预测模型包括：数据获取模块、预处理模块、聚类模块，以及预测模块。
[0009]其中，数据获取模块用于分节点实时采集台区内用户侧、低压侧和台区侧各个电气设备的电力数据和状态信息；进而得到每个节点的样本数据集。
[0010]预处理模块用于对采集到的不同节点的样本数据集内的各项样本数据进行预处理。预处理模块包括归一化单元和数据点检查单元。归一化单元用于将非标准化的原始数据映射到(
‑
1,1)的区间内。数据点检查单元用于计算样本数据集中的部分样本数据与上一时刻对应样本数据的变动率，并在变动率大于一个预设幅度时，使用上一时刻的样本数据替换当前时刻的样本数据。
[0011]聚类模块采用快速搜索密度峰值算法对每个节点样本数据集进行聚类处理，确定各个节点的聚类中心和类别数。然后将每个节点的聚类结果作为节点的属性，生成包含所有节点属性的节点属性数据集。
[0012]预测模块采用具有三层结构的BP神经网络。BP神经网络包含输入层、隐含层和输出层。输入层的节点数N等于节点属性数据集的节点数。输出层的节点数为1；隐含层的节点数K大于输入层节点和输出层节点数之和且小于输入层节点数的2倍。其中，输入层和隐含层间采用Tanh函数作为激活函数。隐含层和输出层间采用Sigmoid函数作为激活函数。预测模块的输入为各个节点的属性，预测模块的输出为预测的台区电力系统的运行状态，运行状态分为“正常”、“预警”和“异常”。
[0013]作为本专利技术进一步地改进，用户侧的电气设备包括分布式发电单元、集中式充电设备、集中式储能设备和所有电力用户处安装的智能电能表。低压侧的电力设备包括配电箱、配低柜和独立的断路器。台区侧的电力设备包括变压器、电容器，以及台区环境监测装置。
[0014]作为本专利技术进一步地改进，归一化单元根据预设的每个非标准化样本数据的理论安全阈值对数据进行归一化处理，归一化处理公式如下：
[0015][0016]上式中，x表示当前样本数据的实测值；表示当前样本数据的归一化值；x
max
表示当前样本数据的理论安全阈值上限；x
min
表示当前样本数据的理论安全阈值下限；其中，当某项样本数据不存在安全阈值下限时，则x
min
＝0。
[0017]作为本专利技术进一步地改进，数据点检查单元用于对非标准化样本数据进行错误检查。非标准化数据指采集到的除状态信息以外的其它数据。
[0018]作为本专利技术进一步地改进，聚类模块对样本数据集的聚类过程如下：
[0019]首先，获取任意节点归一化后的样本数据集，计算样本数据集中任意两个样本数据之间的欧氏距离d
ij
，计算公式如下：
[0020][0021]上式中，A表示样本数据集，N表示样本数据集A中数据点的数量；x
i
和x
j
表示样本数据集A中随机的两个数据点。dist()表示欧氏距离计算函数。
[0022]其次，根据样本数据与其它所有数据点间的欧氏距离与预设的截断距离d0间的关系，计算样本数据中每个数据点的局部密度ρ
i
；计算公式如下：
[0023][0024]其中，表示一个自定义的用于区分数据点与中心点欧氏距离是否小于截断距离的分类函数，且满足：
[0025][0026]然后，基于样本数据集各数据点处的局部密度，计算样本数据与密度中心的距离
θ
i
。计算过程如下：判断当前数据点的局部密度是否为样本数据集中的最大值：是则将当前数据点x
i
与样本数据集中其它数据点的最大距离作为θ
i
，计算公式为：θ
i
＝max
j
(d
ij
)，j＝N。否则将样本数据集中局部密度大于当前数据点的数据点x
j
，与当前数据点x
i
的最小距离作为θ
i
；计算公式为：θ
i
＝min(d
ij
)，x
j
:ρ
j
＞ρ
i
。
[0027]最后，根据样本数据集中每个样本数据的ρ
i
和θ
i
绘制决策图。决策图中每个样本点的横坐标为ρ
i
，纵坐标为θ
i
；进而根据决策图确定聚类中心和类别数。
[0028]作为本专利技术进一步地改进，在BP神经网络中，Tanh激活函数的表达式如下：
[0029][0030]Sigmoid激活函数的表达式如下：
[0031][0032]作为本专利技术进一步地改进，在BP神经网络中，输入层到隐含层的传递公式为：
[0033][0034]上式中，x
i
为第i个输入层的输入值，i＝N，N表示输入层的节点数；H
1j...

【技术保护点】

【技术特征摘要】
1.一种基于模糊聚类和BP神经网络的台区状态预测模型，其用于根据采集到的台区内各节点的电力信息预测台区内电力系统的运行状态；其特征在于，所述台区状态预测模型包括：数据获取模块，其用于分节点实时采集台区内用户侧、低压侧和台区侧各个电气设备的电力数据和状态信息；进而得到每个节点的样本数据集；预处理模块，其用于对采集到的不同节点的样本数据集内的各项样本数据进行预处理；所述预处理模块包括归一化单元和数据点检查单元；所述归一化单元用于将非标准化的原始数据映射到(
‑
1,1)的区间内；所述数据点检查单元用于计算样本数据集中的部分样本数据与上一时刻对应样本数据的变动率，并在变动率大于一个预设幅度时，使用上一时刻的样本数据替换当前时刻的样本数据；聚类模块，其采用快速搜索密度峰值算法对每个节点样本数据集进行聚类处理，确定各个节点的聚类中心和类别数；然后将每个节点的聚类结果作为节点的属性，生成包含所有节点属性的节点属性数据集；以及预测模块，其采用具有三层结构的BP神经网络；所述BP神经网络包含输入层、隐含层和输出层；所述输入层的节点数N等于所述节点属性数据集的节点数；所述输出层的节点数为1；所述隐含层的节点数K大于输入层节点和输出层节点数之和且小于输入层节点数的2倍；其中，所述输入层和隐含层间采用Tanh函数作为激活函数，所述隐含层和输出层间采用Sigmoid函数作为激活函数；所述预测模块的输入为各个节点的属性，预测模块的输出为预测的台区电力系统的运行状态，运行状态分为“正常”、“预警”和“异常”。2.如权利要求1所述的基于模糊聚类和BP神经网络的台区状态预测模型，其特征在于：所述用户侧的电气设备包括分布式发电单元、集中式充电设备、集中式储能设备和所有电力用户处安装的智能电能表；所述低压侧的电力设备包括配电箱、配低柜和独立的断路器；所述台区侧的电力设备包括变压器、电容器，以及台区环境监测装置。3.如权利要求1所述的基于模糊聚类和BP神经网络的台区状态预测模型，其特征在于：所述归一化单元根据预设的每个非标准化样本数据的理论安全阈值对数据进行归一化处理，归一化处理公式如下：上式中，x表示当前样本数据的实测值；表示当前样本数据的归一化值；x
max
表示当前样本数据的理论安全阈值上限；x
min
表示当前样本数据的理论安全阈值下限；其中，当某项样本数据不存在安全阈值下限时，则x
min
＝0。4.如权利要求1所述的基于模糊聚类和BP神经网络的台区状态预测模型，其特征在于：所述数据点检查单元用于对非标准化样本数据进行错误检查；所述非标准化数据指采集到的除状态信息以外的其它数据。5.如权利要求1所述的基于模糊聚类和BP神经网络的台区状态预测模型，其特征在于：所述聚类模块对样本数据集的聚类过程如下：首先，获取任意节点归一化后的样本数据集，计算样本数据集中任意两个样本数据之间的欧氏距离d
ij
，计算公式如下：
上式中，A表示所述样本数据集，N表示样本数据集A中数据点的数量；x
i
和x
j
表示样本数据集A中随机的两个数据点；dist()表示欧氏距离计算函数；其次，根据样本数据与其它所有数据点间的欧氏距离与预设的截断距离d0间的关系，计算样本数据中每个数据点的局部密度ρ
i
；计算公式如下：其中，表示一个自定义的用于区分数据点与中心点欧氏距离是否小于截断距离的分类函数，且满足：然后，基于样本数据集各数据点处的局部密度，计算样本数据与密度中心的距离θ
i
，计算过程如下：判断当前数据点的局部密度是否为样本数据集中的最大值：是则将当前数据点x
i
与样本数据集中其它数据点的最大距离作为θ
i
，计算公式为：θ
i
＝max
j
(d
ij
)，j＝N；否则将样本数据集中局部密度大于当前数据点的数据点x
j
，与当前数据点x
i
的最小距离作为θ
i
；计算公式为：θ
i
＝min(d
ij
)，x
j
:ρ
j
＞ρ
i
；最后，根据样本数据集中每个样本数据的ρ
i
和θ
i
绘制决策图；所述决策图中每个样本点的横坐标为ρ
i
，纵坐标为θ
i
；进而根据决策图确定聚...

【专利技术属性】
技术研发人员：王记强，徐晓波，胡文超，蒋志刚，章亚辉，
申请(专利权)人：安徽明生恒卓科技有限公司，
类型：发明
国别省市：