一种配电网的线损异常识别方法与流程

本发明涉及配电网线损识别领域，尤其涉及一种配电网的线损异常识别方法。

背景技术：

1、配电网线损是由于电能在输电、配电、变压等环节中的传输、转换和分配而造成的能量损耗，是电力系统中的重要问题。线损率是衡量电力系统运行效率的重要指标，它对电网运行稳定性、经济性和可靠性都有着重要的影响。因此，准确地识别配电网中的线损异常非常重要，以此帮助电力公司及时采取措施来减少线损率、提高供电质量和降低能源消耗。

2、传统的配电网线损异常识别方法通常使用基于统计学的方法，如方差分析和回归分析等。然而，这些方法只能适用于线损异常较为明显的情况，并且需要依赖于大量的历史数据。此外，这些传统方法通常只能提供静态的结果，无法实时地检测线损异常。

3、现有技术中基于k-means聚类算法的配电网线损异常诊断的方法，从电网运行数据中选择与聚类中心距离大于预设阈值的特征数据作为线损异常点，实现配电网线损异常识别，能够实现聚类效果更优的聚类方法，从而使得线损异常识别方法具有更高的精确性和可行性。此方法的主要缺点在于没有充分考虑配电网运行状态中量测坏数据的生成及带来的影响。由于配电网中计量、通信等原因导致的量测不准确，可能导致量测坏数据的产生，相较于传统分析所采用的长时间尺度的配电网评估，配电网的运行状态评估更加容易受到量测误差和坏数据的影响，很可能因为数据质量问题造成评估误差较大，进而给出错误的控制信号。此外，虽然采用了k-means聚类方法来进行多元数据统计，但其结果可能不够准确，受到初始聚类中心的影响，不同的初始值可能导致不同的聚类结果，还需要多次运行算法获得最好的结果，无法保证配电网线损异常识别的准确性和实用性。

技术实现思路

1、本发明提供了一种配电网的线损异常识别方法，实现有效识别配电网的线损异常，提高线损异常识别的准确性。

2、为了解决上述技术问题，本发明实施例提供了一种配电网的线损异常识别方法，包括：

3、获取配电网运行量测数据，并将配电网运行量测数据进行状态估计修正处理，得到状态估计数据；其中，配电网运行量测数据包括发电出力数据和日线损率数据；

4、将状态估计数据进行改进mean-shift聚类处理，获取线损数据聚类结果；其中，线损数据聚类结果包括不同发电出力数据对应的日线损率聚类中心和不同的日线损率聚类中心对应的聚类结果数据；

5、通过孤立森林线损异常检测算法对线损数据聚类结果进行线损异常识别，得到线损数据异常识别结果。

6、实施本发明实施例，获取配电网运行量测数据，并将配电网运行量测数据进行状态估计修正处理，得到状态估计数据；其中，配电网运行量测数据包括发电出力数据和日线损率数据；将状态估计数据进行改进mean-shift聚类处理，获取线损数据聚类结果；其中，线损数据聚类结果包括不同发电出力数据对应的日线损率聚类中心和不同的日线损率聚类中心对应的聚类结果数据；通过孤立森林线损异常检测算法对线损数据聚类结果进行线损异常识别，得到线损数据异常识别结果。提出了以状态估计算法处理聚类数据的方法，将还原预估真实数据，提高数据准确性，以此基础进行聚类，提高聚类效果，改进mean-shift聚类算法，利用高斯核函数对均值偏移量进行计算，使聚类中心更加合理，聚类结果更加准确，采用改进的mean-shift的聚类结果利用孤立森林算法进行离群点检测，通过该方法的聚类结果，提高聚类质量，可进一步保障线损异常识别结果的准确性，可实现更节能、高效的配电网运行和优化目标。

7、作为优选方案，将状态估计数据进行改进mean-shift聚类处理，获取线损数据聚类结果，具体为：

8、根据状态估计数据和预设的聚类数量，求解各滑动窗口的最优滑动半径，并根据各滑动窗口的最优滑动半径，获取各样本数据集合；其中，各滑动窗口的数量与预设的聚类数量相同；

9、根据当前的样本数据集合中当前的圆心，确定当前的圆心偏移量，将当前的圆心偏移量进行高斯核函数指数计算，得到当前的均值偏移量；

10、判断当前的均值偏移量是否小于预期阈值，若不小于，则根据当前的圆心偏移量，更新当前的圆心，并迭代根据当前的样本数据集合中当前的圆心，确定当前的圆心偏移量，将当前的圆心偏移量进行高斯核函数指数计算，得到当前的均值偏移量，判断当前的均值偏移量是否小于预期阈值，不断更新迭代当前的圆心，直到当前的均值偏移量小于预期阈值，确定当前的样本数据集合的当前的圆心；若小于，则确定当前的样本数据集合的当前的圆心；

11、根据当前的样本数据集合的当前的圆心，计算当前的样本数据集合的当前的聚类中心；

12、将各样本数据集合的当前的聚类中心进行距离比较处理，确定各独立的聚类中心，根据各独立的聚类中心，获得线损数据聚类结果。

13、作为优选方案，根据状态估计数据和预设的聚类数量，求解各滑动窗口的最优滑动半径，并根据各滑动窗口的最优滑动半径，获取各样本数据集合，具体为：

14、在状态估计数据中选择一个数据点作为当前的圆心，并根据当前的滑动半径和当前的圆心，确定当前的滑动窗口；

15、根据状态估计数据、预设的聚类数量、当前的滑动窗口和当前的圆心，计算当前的误差平方和，公式为：

16、

17、其中，为当前的误差平方和；为当前的圆心；为当前的滑动窗口的每一个数据点；为当前的滑动窗口的聚类中心；为预设的聚类数量；

18、选取当前的误差平方和最小时所对应的当前的滑动半径，作为当前的滑动窗口的最优滑动半径；

19、在状态估计数据中，筛选出离当前的圆心的距离在当前的滑动窗口的最优滑动半径之内的全部数据，获得当前的样本数据集合，公式为：

20、

21、其中，为当前的样本数据集合，为当前的滑动窗口的最优滑动半径，为当前的样本数据集合的样本点坐标，为当前的圆心的坐标；

22、统计各滑动窗口的最优滑动半径对应的样本数据集合，得到各样本数据集合。

23、作为优选方案，将当前的圆心偏移量进行高斯核函数指数计算，得到当前的均值偏移量，具体为：

24、

25、其中，表示当前的均值偏移量；为当前的样本数据集合；为当前的滑动窗口的最优滑动半径；表示在个样本点中，有个点落入当前的样本数据集合的区域内；表示当前的样本数据集合的样本点；表示当前的圆心的坐标；表示当前的圆心偏移量。

26、作为优选方案，根据当前的圆心偏移量，更新当前的圆心，具体为：

27、根据当前的圆心偏移量，对当前的圆心进行更新，更新方向与的当前的均值偏移量的方向一致，具体为：

28、

29、其中，为当前的圆心。

30、作为优选方案，根据当前的样本数据集合的当前的圆心，计算当前的样本数据集合的当前的聚类中心，具体为：

31、根据当前的样本数据集合的当前的圆心，选取当前的圆心与当前的样本数据集合中各个样本点距离之和最小的样本点，作为当前的样本数据集合的聚类中心，具体为：

32、

33、其中，为当前的样本数据集合的当前的聚类中心，为当前的样本数据集合的当前的圆心，为当前的样本数据集合，为当前的样本数据集合的样本点。

34、作为优选方案，将配电网运行量测数据进行状态估计修正处理，得到状态估计数据，具体为：

35、根据配电网运行量测数据和状态变量，建立量测状态关系，公式为：

36、

37、其中，为配电网运行量测数据，为状态变量；为量测函数，为量测误差；

38、根据配电网运行量测数据和量测函数，构建目标函数，具体为：

39、

40、其中，为目标函数，为量测权重矩阵；

41、通过迭代修正方程，求解目标函数的状态变量，获得状态估计数据；其中，迭代修正方程，具体为：

42、

43、其中，为状态变量的变化量，和分别为迭代次数，为第次迭代的状态变量，为第次迭代的状态变量的变化量、为第次迭代的状态变量的变化量，为量测函数对的偏导函数，为的转置；为量测函数对的偏导函数，为的量测函数。

44、作为优选方案，通过孤立森林线损异常检测算法对线损数据聚类结果进行线损异常识别，得到线损数据异常识别结果，具体为：

45、将不同的日线损率聚类中心对应的聚类结果数据，作为不同的聚类数据集；

46、通过孤立森林算法将当前的聚类数据集进行离群点检测，得到当前的聚类数据集中各数据节点的异常分数，并根据当前的聚类数据集中各数据节点的异常分数，判定当前的聚类数据集的线损异常部分；

47、统计各聚类数据集的线损异常部分，得到线损数据异常识别结果。

48、作为优选方案，通过孤立森林算法将当前的聚类数据集进行离群点检测，得到当前的聚类数据集中各数据节点的异常分数，具体为：

49、在当前的聚类数据集中，根据孤立树和二叉搜索树的相似性，对路径进行归一化，计算当前的聚类数据集的当前的数据节点的异常分数，公式为：

50、

51、其中，为当前的聚类数据集的当前的数据节点的异常分数；为当前的聚类数据集中数据点的个数；为当前的聚类数据集的当前的数据点，表示当前的数据节点；为当前的数据节点在多棵孤立树上的路径的期望值；为路径；为异常搜索长度；

52、其中，异常搜索长度根据二叉搜索树的失败查找的平均搜索长度得到，公式为：

53、；

54、通过计算当前的聚类数据集的当前的数据节点的异常分数，获得当前的聚类数据集中各数据节点的异常分数。

55、作为优选方案，根据当前的聚类数据集中各数据节点的异常分数，判定当前的聚类数据集的线损异常部分，具体为：

56、若当前的聚类数据集中当前的数据节点的异常分数大于预设异常分数阈值，则判定当前的数据节点为线损异常点；

57、统计分析当前的聚类数据集的线损异常点，得到当前的聚类数据集的线损异常部分。