本發(fā)明涉及線損監(jiān)測(cè)領(lǐng)域，尤其涉及一種基于數(shù)據(jù)挖掘的線損分析方法。

背景技術(shù)：

1、隨著電網(wǎng)的規(guī)模擴(kuò)大，輸電線路和配電線路的線損問(wèn)題愈加明顯。線損是指電能在輸送過(guò)程中，由于電阻等原因造成的損耗。線損不僅會(huì)影響電能的利用效率，還會(huì)造成經(jīng)濟(jì)損失，影響電力系統(tǒng)的穩(wěn)定運(yùn)行。特別是在高負(fù)荷和復(fù)雜拓?fù)浣Y(jié)構(gòu)下，如何有效地識(shí)別和處理線損異常，成為電網(wǎng)運(yùn)行管理中的一個(gè)關(guān)鍵問(wèn)題。

2、而電網(wǎng)的數(shù)字化、智能化管理成為未來(lái)發(fā)展的重要趨勢(shì)。通過(guò)現(xiàn)代信息技術(shù)、數(shù)據(jù)分析、機(jī)器學(xué)習(xí)等手段，可以實(shí)現(xiàn)對(duì)電網(wǎng)運(yùn)行狀態(tài)的實(shí)時(shí)監(jiān)測(cè)和智能分析。特別是基于三維電網(wǎng)模型的綜合應(yīng)用，可以更加直觀地展示電網(wǎng)的結(jié)構(gòu)和運(yùn)行狀況，將實(shí)時(shí)監(jiān)測(cè)數(shù)據(jù)、線損計(jì)算結(jié)果、設(shè)備運(yùn)行狀態(tài)等信息直接映射到三維模型中，使得電網(wǎng)運(yùn)行和維護(hù)更加高效和精確。

技術(shù)實(shí)現(xiàn)思路

1、為了解決上述問(wèn)題，本發(fā)明的目的在于提供一種基于數(shù)據(jù)挖掘的線損分析方法，不僅能對(duì)電網(wǎng)中的線損進(jìn)行異常檢測(cè)和分析，還通過(guò)三維可視化平臺(tái)提供直觀的展示和實(shí)時(shí)監(jiān)控，提高了電網(wǎng)線損管理的智能化和精細(xì)化水平。

2、為實(shí)現(xiàn)上述目的，本發(fā)明采用以下技術(shù)方案：

3、一種基于數(shù)據(jù)挖掘的線損分析方法，包括以下步驟：

4、步驟s1:獲取電力系統(tǒng)的運(yùn)行數(shù)據(jù)以及gis數(shù)據(jù)；

5、步驟s2:對(duì)收集到的數(shù)據(jù)進(jìn)行清洗和預(yù)處理，包括去除缺失值和異常值，將不同量綱的數(shù)據(jù)進(jìn)行歸一化處理；并從歸一化處理數(shù)據(jù)中提取電力運(yùn)行狀態(tài)特征；

6、步驟s3:基于gis數(shù)據(jù)和電力系統(tǒng)的運(yùn)行數(shù)據(jù)，構(gòu)建電網(wǎng)的三維模型；

7、步驟s4：基于priori算法，用于發(fā)現(xiàn)電力運(yùn)行狀態(tài)與線損之間的隱含關(guān)系，并將其作為隱含特征；

8、步驟s5：結(jié)合隱含特征和電力運(yùn)行狀態(tài)特征，構(gòu)建線損異常檢測(cè)模型；根據(jù)實(shí)時(shí)監(jiān)測(cè)數(shù)據(jù)，基于線損異常檢測(cè)模型獲取線損異常點(diǎn)；

9、步驟s6：結(jié)合三維電網(wǎng)模型，基于線損異常檢測(cè)模型獲取的線損異常點(diǎn)，分析在空間上的分布；

10、步驟s7：構(gòu)建三維電網(wǎng)線損的可視化分析平臺(tái)，展示線損數(shù)據(jù)和分析結(jié)果。

11、進(jìn)一步的，運(yùn)行數(shù)據(jù)包括變電站位置、輸電線路路徑、線路負(fù)荷、設(shè)備狀態(tài)；所述gis數(shù)據(jù)包括高程、地形、坐標(biāo)系統(tǒng)、道路和建筑物；。

12、進(jìn)一步的，步驟s3具體為：

13、將gis數(shù)據(jù)進(jìn)行格式轉(zhuǎn)換，統(tǒng)一gis數(shù)據(jù)格式，并通過(guò)坐標(biāo)轉(zhuǎn)換，將地理坐標(biāo)轉(zhuǎn)換為適合三維渲染的投影坐標(biāo)：

14、

15、z＝h；

16、其中，λ和φ分別為經(jīng)度和緯度，h為高度；(x,y,z)為轉(zhuǎn)換后的投影坐標(biāo)；

17、基于電網(wǎng)的拓?fù)浣Y(jié)構(gòu)，生成三維模型，包括變電站、輸電線路和用戶分布；

18、將整個(gè)電網(wǎng)模型映射到實(shí)際的地理坐標(biāo)系中，利用圖形渲染技術(shù)實(shí)現(xiàn)三維可視化：

19、創(chuàng)建三維場(chǎng)景，并將相機(jī)和光源初始化；

20、為每個(gè)節(jié)點(diǎn)創(chuàng)建三維幾何形狀，并將其位置設(shè)為計(jì)算出的三維坐標(biāo)；

21、為每條邊創(chuàng)建線段幾何形狀，并將其起點(diǎn)和終點(diǎn)設(shè)置為節(jié)點(diǎn)的三維坐標(biāo)。

22、進(jìn)一步的，基于priori算法，用于發(fā)現(xiàn)電力運(yùn)行狀態(tài)與線損之間的隱含關(guān)系，并將其作為隱含特征,具體如下：

23、給定一個(gè)包含歷史記錄的事務(wù)數(shù)據(jù)集d，其中每條記錄t∈d包含一個(gè)設(shè)備運(yùn)行狀態(tài)集合t和對(duì)應(yīng)的線損值l；

24、d＝{(t1,l1),(t2,l2),…,(ts,ls)，…,(tn,ln)}；

25、其中,ts為第s個(gè)設(shè)備運(yùn)行狀態(tài)的項(xiàng)集，li為對(duì)應(yīng)的線損值；

26、項(xiàng)集i在事務(wù)集d中的支持度support(i)定義為該項(xiàng)集在d中出現(xiàn)的次數(shù)除以總事務(wù)數(shù):

27、

28、其中,t.t表示事務(wù)t的設(shè)備狀態(tài)項(xiàng)集；

29、設(shè)定一個(gè)最低支持度閾值σ，只有支持度support(i)≥σ的項(xiàng)i才被認(rèn)為是頻繁項(xiàng)集；

30、使用逐層迭代的方法，從單項(xiàng)頻繁項(xiàng)集開始，逐步生成更大項(xiàng)集；

31、設(shè)lk表示所有大小為k的頻繁項(xiàng)集：

32、lk＝{i∈ik|support(i)≥σ}；

33、關(guān)聯(lián)規(guī)則的置信度定義為在包含a的事務(wù)中也包含b的概率。

34、進(jìn)一步的，線損異常檢測(cè)模型構(gòu)建，具體如下：

35、獲取設(shè)備運(yùn)行狀態(tài)特和環(huán)境特征，并結(jié)合基于步驟s5獲取隱含特征，使用主成分分析進(jìn)行降維，得到訓(xùn)練數(shù)據(jù)集；

36、構(gòu)建線性回歸、隨機(jī)森林和xgboost模型，并基于訓(xùn)練數(shù)據(jù)集訓(xùn)練；

37、訓(xùn)練過(guò)程中，采用交叉驗(yàn)證評(píng)估模型性能：

38、

39、其中，mi′為i′模型，k為折數(shù)，msek(mi′)為模型mi′第k折的均方誤差；

40、使用網(wǎng)格搜索與貝葉斯優(yōu)化方法調(diào)參，得到最優(yōu)超參數(shù)；

41、

42、其中，θ為超參數(shù)空間；mi′(θ)為具有特定超參數(shù)θ的i′模型；為i′模型的最優(yōu)超參數(shù)；

43、使用加權(quán)平均構(gòu)建綜合預(yù)測(cè)模型，評(píng)估綜合模型性能并應(yīng)用于異常檢測(cè)

44、

45、其中，w1，w2，w3為權(quán)重參數(shù)，和分別為線性回歸、隨機(jī)森林和xgboost模型的預(yù)測(cè)值，并計(jì)算預(yù)測(cè)值和正常值的誤差，為綜合預(yù)測(cè)值；

46、利用高斯混合模型對(duì)誤差進(jìn)行建模，并計(jì)算誤差的自適應(yīng)閾值，用于識(shí)別異常數(shù)據(jù)點(diǎn)。

47、進(jìn)一步的，獲取設(shè)備運(yùn)行狀態(tài)特和環(huán)境特征，并結(jié)合基于步驟s5獲取隱含特征，使用主成分分析進(jìn)行降維，具體如下：

48、獲取的獲取設(shè)備運(yùn)行狀態(tài)特和環(huán)境特征，并結(jié)合基于步驟s5獲取隱含特征，得到特征矩陣x＝{x1,x2,...xi,...,xn}t：

49、xi＝{xi1,xi2,...,xim,fi1,fi2,...,fik,hi1,hi2,...,hip}；

50、其中，xi表第i個(gè)樣本，xim表示第i個(gè)樣本的第m個(gè)運(yùn)行狀態(tài)特征，fik表示第i個(gè)樣本的第k個(gè)隱含特征，hip表示第i個(gè)樣本的第p個(gè)環(huán)境特征,n為樣本數(shù)量；t為轉(zhuǎn)置；

51、標(biāo)準(zhǔn)化輸入特征矩陣：

52、

53、其中，μ和σ分別是特征的均值和標(biāo)準(zhǔn)差，z是標(biāo)準(zhǔn)化后的特征矩陣；

54、計(jì)算協(xié)方差矩陣c：

55、

56、計(jì)算協(xié)方差矩陣的特征值和特征向量：

57、cvi″＝λi″vi″；

58、其中，vi″為協(xié)方差矩陣c的第i個(gè)特征向量，λi″為對(duì)應(yīng)的特征值；

59、選擇前k′個(gè)最大特征值對(duì)應(yīng)的特征向量作為主成分，得到降維后的數(shù)據(jù)：

60、xcpa＝zvk′；

61、其中，vk′包括是包含前k′個(gè)特征向量的矩陣。

62、進(jìn)一步的，利用高斯混合模型對(duì)誤差進(jìn)行建模，并計(jì)算誤差的自適應(yīng)閾值，用于識(shí)別異常數(shù)據(jù)點(diǎn)，具體如下：

63、首先，計(jì)算模型預(yù)測(cè)值與正常值之間的誤差：

64、

65、其中，l為正常值；

66、使用高斯混合模型對(duì)預(yù)測(cè)誤差進(jìn)行建模：

67、

68、其中，j為高斯分布的數(shù)量；πj′為第j′個(gè)高斯分布的混合系數(shù)；是均值為uj′、方差為的高斯分布；

69、使用期望最大化算法對(duì)誤差數(shù)據(jù)進(jìn)行擬合，得到參數(shù)

70、根據(jù)擬合好的gmm模型，計(jì)算每個(gè)誤差值的概率密度：

71、最后，使用分位數(shù)法，根據(jù)誤差的累積分布函數(shù)確認(rèn)閾值：

72、對(duì)于給定的誤差分布p(e)，其cdf為：

73、

74、選定一個(gè)置信水平α，相應(yīng)的分位數(shù)q1-α，表示為：

75、f(q1-α)＝1-α

76、即，找到使得cdf等于1-α的誤差值，這個(gè)值q1-α就是振蕩的閾值。

77、進(jìn)一步的，使用期望最大化算法對(duì)誤差數(shù)據(jù)進(jìn)行擬合，具體如下：

78、隨機(jī)初始化參數(shù)

79、計(jì)算責(zé)任度γ(zij′)，即在給定當(dāng)前參數(shù)下，第j′個(gè)成分對(duì)數(shù)據(jù)點(diǎn)ei的后驗(yàn)概率：

80、

81、更新參數(shù)：

82、

83、

84、其中，ei是第i個(gè)樣本的誤差；

85、迭代上述步驟，直到收斂條件滿足。

86、進(jìn)一步的，結(jié)合三維電網(wǎng)模型，基于線損異常檢測(cè)模型獲取的線損異常點(diǎn)，分析在空間上的分布，具體如下：

87、將實(shí)時(shí)監(jiān)測(cè)數(shù)據(jù)和線損計(jì)算結(jié)果映射到三維模型中；

88、使用optics空間聚類算法，找到異常點(diǎn)的聚集區(qū)域：

89、①對(duì)于每個(gè)點(diǎn)，找到其鄰域內(nèi)的所有點(diǎn)；

90、②定義一個(gè)點(diǎn)的核心距離為其鄰域內(nèi)存在至少minpts個(gè)點(diǎn)的最小距離；

91、③定義可達(dá)距離為從核心點(diǎn)到目標(biāo)點(diǎn)的最大距離；

92、④對(duì)所有點(diǎn)按照核心距離進(jìn)行排序，生成順序圖；

93、⑤將聚類結(jié)果映射回三維模型中，不同顏色或標(biāo)記顯示不同的聚類結(jié)果；

94、并分析造成局部區(qū)域線損異常的原因。

95、進(jìn)一步的，可視化分析平臺(tái)的可視化內(nèi)容包括：三維電網(wǎng)拓?fù)洌故倦娋W(wǎng)的三維結(jié)構(gòu)和設(shè)備位置；線損分布熱圖，在三維模型中疊加熱地圖層，直觀展示不同區(qū)域的線損分布；動(dòng)態(tài)監(jiān)控，實(shí)時(shí)展示電網(wǎng)運(yùn)行狀態(tài)和線損變化情況。

96、本發(fā)明具有如下有益效果：

97、1、本發(fā)明不僅能對(duì)電網(wǎng)中的線損進(jìn)行異常檢測(cè)和分析，還通過(guò)三維可視化平臺(tái)提供直觀的展示和實(shí)時(shí)監(jiān)控，提高了電網(wǎng)線損管理的智能化和精細(xì)化水平；

98、2、本發(fā)明結(jié)合apriori算法，挖掘電力運(yùn)行狀態(tài)與線損的隱含關(guān)系，提高特征的全面性和準(zhǔn)確性，增強(qiáng)異常檢測(cè)模型的預(yù)測(cè)能力，并構(gòu)建基于綜合特征的線損異常檢測(cè)模型，通過(guò)實(shí)時(shí)監(jiān)測(cè)數(shù)據(jù)及時(shí)發(fā)現(xiàn)和預(yù)警線損異常，提高電網(wǎng)運(yùn)行的穩(wěn)定性和安全性；

99、3、本發(fā)明結(jié)合三維電網(wǎng)模型和基于線損異常檢測(cè)模型，可以在空間上準(zhǔn)確定位和分析線損異常點(diǎn)，進(jìn)而找到異常發(fā)生的具體原因，不僅有助于及時(shí)發(fā)現(xiàn)和處理電網(wǎng)中的故障，還能為電網(wǎng)的優(yōu)化和管理提供科學(xué)依據(jù)，最終提升供電的可靠性和效率。