System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术属于智能电网,具体涉及一种基于粗细度聚类和大数据的用电异常诊断方法及系统。
技术介绍
1、本部分的陈述仅仅是提供了与本专利技术相关的
技术介绍
信息,不必然构成在先技术。
2、用户异常用电所造成的经济损失是一种非技术性损失(non-technical loss,简称ntl)。在用户异常用电行为中,窃电行为是引起ntl的主因之一;尤其在迎峰度夏、度冬期间,随着用电需求的快速上涨,窃电多发导致线损攀升,直接影响电力系统稳定运行。在为此,反窃电专项整治活动中,结合内场分析和现场稽查,对线损异常台区开展“地毯式”排查。
3、据专利技术人了解,在线损技术中,线损异常诊断、异常原因定位和线损治理评价是将线损治理与大数据分析同相结合的热门研究。对电网结构和运行进行智能分析,从而判断电网运行的科学性和合理性,实现电网的异常诊断;同时,异常诊断结果可作为节能降损的理论依据。
技术实现思路
1、为了解决上述问题,本专利技术提出了一种基于粗细度聚类和大数据的用电异常诊断方法及系统,通过比较用电量的预测值与实际值之间的大小关系判断用电异常行为,提高配电网线路数据的用电行为诊断,助力窃电稽查能力提升。
2、根据一些实施例,本专利技术的第一方案提供了一种基于粗细度聚类和大数据的用电异常诊断方法,采用如下技术方案:
3、一种基于粗细度聚类和大数据的用电异常诊断方法,包括:
4、获取配电网线路数据;
5、对所获取的线路数据进行粗细度聚类
6、提取所得到的不同类别配电网线路数据的数据特征;
7、根据所提取的数据特征和预设的用电诊断模型,评估所获取的配电网线路数据,实现用电异常的诊断;
8、其中,预设的用电诊断模型采用基于残差卷积神经网络的优化高阶图注意力网络。
9、作为进一步的技术限定,基于残差卷积神经网络的优化高阶图注意力网络进行配电网线路用电量的预测,得到用电量的预测值,结合所获取的配电网线路数据得到用电量的实际值,判断用电量预测值与实际值之间的关系,判断是否存在用电异常行为,完成用电异常的诊断。
10、作为进一步的技术限定,采用无监督的神经网络进行数据特征的提取,将morlet小波函数作为激活函数,以不同的分辨率表述不同类别配电网线路数据的数据特征。
11、进一步的,所述morlet小波函数为其中,为小波幅度参数,使得
12、作为进一步的技术限定,在对所获取的线路数据进行粗细度聚类划分的过程中,采用基于自适应非监督机器学习算法优化的k-means聚类法;通过自适应非监督机器学习算法进行配电网线路数据的粗聚类,将所得到的自适应最小样本数作为k-means聚类预设的k值进行配电网线路数据的细聚类。
13、作为进一步的技术限定,在获取配电网线路数据之后,进行配电网线路数据的预处理,所述预处理包括异常值处理、缺失值补全和数据标准化。
14、进一步的,所述缺失值补全采用插补填充法,即其中,pmean表示缺失时间段用电量均值,prear表示缺失段后端用电量,pfront表示缺失段前端的用电量,num表示缺失段的天数。
15、根据一些实施例,本专利技术的第二方案提供了一种基于粗细度聚类和大数据的用电异常诊断系统,采用如下技术方案:
16、一种基于粗细度聚类和大数据的用电异常诊断系统,包括:
17、获取模块,其被配置为获取配电网线路数据;
18、划分模块,其被配置为对所获取的线路数据进行粗细度聚类划分,得到不同类别的配电网线路数据;
19、提取模块,其被配置为提取所得到的不同类别配电网线路数据的数据特征;
20、诊断模块,其被配置为根据所提取的数据特征和预设的用电诊断模型,评估所获取的配电网线路数据,实现用电异常的诊断;
21、其中,预设的用电诊断模型采用基于残差卷积神经网络的优化高阶图注意力网络。
22、根据一些实施例,本专利技术的第三方案提供了一种计算机可读存储介质,采用如下技术方案:
23、一种计算机可读存储介质,其上存储有程序,该程序被处理器执行时实现如本专利技术第一方案所述的基于粗细度聚类和大数据的用电异常诊断方法中的步骤。
24、根据一些实施例,本专利技术的第四方案提供了一种电子设备,采用如下技术方案:
25、一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的程序,所述处理器执行所述程序时实现如本专利技术第一方案所述的基于粗细度聚类和大数据的用电异常诊断方法中的步骤。
26、与现有技术相比,本专利技术的有益效果为:
27、本专利技术创新性的提出了一种基于粗细度聚类和大数据的用电异常诊断方法,因各地区发展情况不一致,导致配电网线路数据分布规律有所差异,本专利技术使用粗细度结合的自适应非监督机器学习算法和k-means聚类算法进行聚类划分,将具有相似规律和特征的数据划分为同簇数据;采用morlet小波自动编码器mwae提取聚类数据中的关键信息,有效捕获数据特征;利用大数据本身的规律,构建残差cnn优化高阶图注意力网络hogat模型预测用电量,并与实际值进行比较,判断用电异常行为,有效提高了用电异常的诊断效率。
本文档来自技高网...【技术保护点】
1.一种基于粗细度聚类和大数据的用电异常诊断方法,其特征在于,包括:
2.如权利要求1中所述的基于粗细度聚类和大数据的用电异常诊断方法,其特征在于,基于残差卷积神经网络的优化高阶图注意力网络进行配电网线路用电量的预测,得到用电量的预测值,结合所获取的配电网线路数据得到用电量的实际值,判断用电量预测值与实际值之间的关系,判断是否存在用电异常行为,完成用电异常的诊断。
3.如权利要求1中所述的基于粗细度聚类和大数据的用电异常诊断方法,其特征在于,采用无监督的神经网络进行数据特征的提取,将Morlet小波函数作为激活函数,以不同的分辨率表述不同类别配电网线路数据的数据特征。
4.如权利要求3中所述的基于粗细度聚类和大数据的用电异常诊断方法,其特征在于,所述Morlet小波函数θ(t)为其中,为小波幅度参数,使得∫|θ(t)|dt=1。
5.如权利要求1中所述的基于粗细度聚类和大数据的用电异常诊断方法,其特征在于,在对所获取的线路数据进行粗细度聚类划分的过程中,采用基于自适应非监督机器学习算法优化的k-means聚类法;通过自适应非监督机器
6.如权利要求1中所述的基于粗细度聚类和大数据的用电异常诊断方法,其特征在于,在获取配电网线路数据之后,进行配电网线路数据的预处理,所述预处理包括异常值处理、缺失值补全和数据标准化。
7.如权利要求6中所述的基于粗细度聚类和大数据的用电异常诊断方法,其特征在于,所述缺失值补全采用插补填充法,即其中,Pmean表示缺失时间段用电量均值,Prear表示缺失段后端用电量,Pfront表示缺失段前端的用电量,num表示缺失段的天数。
8.一种基于粗细度聚类和大数据的用电异常诊断系统,其特征在于,包括:
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现了如权利要求1-7任一项所述的基于粗细度聚类和大数据的用电异常诊断方法的步骤。
10.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现了如权利要求1-7任一项所述的基于粗细度聚类和大数据的用电异常诊断方法的步骤。
...【技术特征摘要】
1.一种基于粗细度聚类和大数据的用电异常诊断方法,其特征在于,包括:
2.如权利要求1中所述的基于粗细度聚类和大数据的用电异常诊断方法,其特征在于,基于残差卷积神经网络的优化高阶图注意力网络进行配电网线路用电量的预测,得到用电量的预测值,结合所获取的配电网线路数据得到用电量的实际值,判断用电量预测值与实际值之间的关系,判断是否存在用电异常行为,完成用电异常的诊断。
3.如权利要求1中所述的基于粗细度聚类和大数据的用电异常诊断方法,其特征在于,采用无监督的神经网络进行数据特征的提取,将morlet小波函数作为激活函数,以不同的分辨率表述不同类别配电网线路数据的数据特征。
4.如权利要求3中所述的基于粗细度聚类和大数据的用电异常诊断方法,其特征在于,所述morlet小波函数θ(t)为其中,为小波幅度参数,使得∫|θ(t)|dt=1。
5.如权利要求1中所述的基于粗细度聚类和大数据的用电异常诊断方法,其特征在于,在对所获取的线路数据进行粗细度聚类划分的过程中,采用基于自适应非监督机器学习算法优化的k-means聚类法;通过自适应非监督机器学习算法进行配电网线路数据的粗...
【专利技术属性】
技术研发人员:石文秀,孔令稷,仪孝光,王鑫萌,张华栋,李海奇,刘树仁,韩元凯,李付生,孔晶,张轲舜,田俊强,张建军,徐伟,贾伟,孟照洋,罗言涛,赵承楠,陈思佳,王慧茹,田文娜,黄付顺,王新玲,孟旭,吴燕,宋先鹏,耿妍,
申请(专利权)人:国网山东省电力公司菏泽供电公司,
类型:发明
国别省市:
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。