[发明专利]一种配电线路异损诱因检测的方法

权利要求书

1.一种配电线路异损诱因检测的方法，其特征在于，包括如下步骤：

(1)以配电网线路作为分析对象，基于线损大数据挖掘提取档案异常、采集异常、线路运行异常、营配贯通和理论计算差值超限这五种异常的线损特征；

(2)结合配电线路长度、分支、负荷特征以及典型运行数据、历史数据形成样本集合，将配电线路应用K-means算法进行聚类划分；K-means算法步骤如下：

1)确定聚类数目N和最大迭代次数M；

2)在样本中任选N个对象，作为初始聚类中心；

3)计算样本到N个对象之间的欧式距离，按照欧式距离的大小，将样本归类，欧式距离定义为：

式中：x_ik表示第k个样品的第i个变量的观测值；p表示样本数；d_ij表示样本j与样本i之间的欧式距离；

4)计算各类对象的平均值，更新聚类中心；

5)计算平方误差准则函数，判别是否满足收敛条件，如果收敛，则算法结束；如果不收敛，判断迭代次数是否大于M，如果小于M，则转第三步，否则算法结束，平方误差准则函数为：

式中：E表示所有对象的平方误差和；x_q表示聚类样本；C_i表示第i个类；m_i是C_i中对象的均值；表示C_i中对象的数目；

6)输出聚类结果；

采用线性回归，得出线损与影响因子之间的关系，得出直接的回归方程，确定线损与影响因子之间的关系，线性回归数学模型为：

y＝β₁x₁+β₂x₂+l+β_kx_k+β₀+ε；

式中：β₀为常数项；β₁，β₂，...，β_k为回归系数；ε为随机误差，且服从N(0，σ₂)，最小二乘法在误差平方和为：

最小的情况下，求回归系数的估计量，代入上式得回归方程：

K-means算法聚类质量受噪声点影响较大，初始聚类中心的选取影响聚类结果的不足，对样本集合进行降维优化，包括剔除相似特征、剔除无关特征和提取主元特征，得到优化线损诊断模型。

2.如权利要求1所述的一种配电线路异损诱因检测的方法，其特征在于，其特征在于，对样本集合进行降维优化步骤如下：

步骤一，以用电信息采集系统采集到的数据为基数，剔除以下配电线路，如采集未全覆盖；含光伏发电用户、无表计量用户特殊用户；当月发生业务变更，包括考核单元对象发生变化、户变关系调整、用户业务变更；月均线损率超出-1％～10％范围以及日线损率超出-1％～10％范围的天数多于10天；

步骤二，以步骤一中剩余单元为基数，计算每个配电线路的日线损波动率σ，并且作出σ的分布图，求取70％总配电线路数时对应的σ值设为φ，其中σ的计算公式为:

式中:N是该配电线路当月线损的可用天数，即除去日用户计算参与率不为100％的天数，除去日线损率超出1％～10％范围的天数；θ为日线损率；

步骤三、以步骤一中剩余单元为基数，剔除日线损波动率σ大于波动阈值φ的配电线路，再剔除θ超出月均线损率±φ范围的数据，即为优化配电线路数据；

(3)基于深度学习的理论线损模型，将同期线损高损、低损、线损拐点与理论线损的关联程度量化，输入线损诊断模型，综合置信度等评估指标，输出配电线路线损诱因分析结果；

其中，聚类有效性评价从类间距离和类中距离两个方面来衡量，类中距离意味着同类样本的凝聚度，类间距离意味着不同类之间的分离度，聚类结果应该满足类间距离大，类中距离小，这样同一类中的相似性越大，不同类中样本的差异性越大，轮廓系数是综合反映类中相似性和类间差异性的指标，用轮廓系数评价聚类质量，确定合理的聚类数，轮廓系数S定义为：

式中:n表示样本总数；s_i表示样本i的轮廓系数；其定义为：

式中:x_i表示类x中第i个样本与类x中其他样本的距离平均值，表征类中凝聚度；计算x_i与除类x之外其余所有类中样本距离的平均值，并记y_i为该平均值的最小值；

显然si和S值都在[－1，1]之间，值越大，聚类质量越高，本文将利用轮廓系数来衡量聚类质量，根据轮廓系数的值，选取最优的聚类数。