[发明专利]基于ReliefF和t-SNE的配电线路线变关系模型优化方法

说明书

本发明提供一种基于ReliefF和t‑SNE的配电线路线变关系模型优化方法，所述方法首先采集配电线路的日输入电量和与其挂接的各变压器日用电量，进而得到日线损电量，其次由配电线路输入电量与变压器用电量的关系计算输入‑用电电量差值比，由配电线路线损电量与变压器用电量的关系计算线损‑用电电量差值比，各自形成序列并分别进行小波包分解与重构，计算各频带内能量占总能量的百分比作为初选特征，然后利用ReliefF算法计算各初选特征的权值，进行特征优化后，采用t‑SNE方法将高维特征降维成低维特征，最后利用BP神经网络完成线变关系模型的优化。该方法能减轻人工现场勘查的工作量，通过挑选关键特征，降低特征维度，实现线变关系模型的优化。

技术领域

本申请涉及电力技术领域，具体地涉及一种基于ReliefF和t-SNE的配电线路线变关系模型优化方法。

背景技术

为进一步提升电网生产经营管理效率和效益，优化线损管理流程，推动调度、运维、营销业务的融合并充分利用各个部门系统数据资源，实现“技术线损最优，管理线损最小”的目标。在同期线损治理过程中，由于35kV及以上电压等级的线路数量少、拓扑结构简单、变动较少、台账历史数据质量高并且更新及时，所以其线损治理水平较高，相应的线损考核指标达到要求；但是对于10kV及以下电压等级的配电网，由于设备运维精益管理系统的历史台账数据质量低以及数据更新不及时、刀闸开关动作频繁、表计及设备维护工作量大等原因造成“线路-变压器连接关系”错误，从而导致10kV电压等级及以下的线损考核指标达标率较低。

目前梳理10kV线路线变关系的主要手段是通过基层工作人员进行现场勘查，并在数据库中更新线变关系，推送到一体化电量与线损管理系统。由于10kV线路及其所挂接的变压器数量众多，传统地毯式的现场搜索需要耗费大量的人力物力，时效性低，这也是目前10kV分线同期线损达标率提升速度缓慢的关键原因。

为了解决现场模型与理论模型不一致的问题，寻找模型中存在问题的地方，实现线变关系的智能分类和识别，本发明提出一种基于ReliefF和t-SNE的配电线路线变关系模型优化方法，用以挑选关键特征，降低特征维度，利用BP神经网络法实现线变关系模型的优化，完成线变关系的智能分类。

发明内容

为了减少基层员工现场勘查的工作量，获得配电线路线变关系的低维特征，实现线变关系模型的优化，并实现可视化，本发明提出了一种基于ReliefF和t-SNE的配电线路线变关系模型优化方法。

本发明的技术方案是：一种基于ReliefF和t-SNE的配电线路线变关系模型优化方法，包括以下步骤：

S1，将配电线路线变关系分为三类别：线路挂错类、电能表倍率计错类和正常线变类，采集配电线路的日输入电量和与该配电线路相连的各变压器用户的日用电量作为采集量，并获取各变压器的线变关系类别；

S2，对所述配电线路的日输入电量和所述各变压器的日用电量进行预处理，获得配电线路的日线损电量；

S3，由所述配电线路的日输入电量和所述各变压器的日用电量获得每日输入-用电电量差值比，由所述配电线路的日线损电量与所述各变压器的日用电量计算每日线损-用电电量差值比；

S4，对两类差值比序列分别进行小波包分解与重构，分别提取各频带信号以及计算各频带内能量占总能量的百分比，各自作为两类差值比序列的初选特征，将两个初选特征组合为线变关系的初选特征集；

S5，利用ReliefF算法计算各初选特征的权值并排序，保留权值大于阀值的初选特征，实现特征量的优化；

S6，计算高维空间内两两数据间的局部对称联合概率、联合概率、及局部对称联合概率与联合概率的散度值，采用t-SNE方法对高维特征数据进行数据降维，获取低维特征；

S7，利用所得到的低维特征，构建BP神经网络分类模型，通过选择BP神经网络的训练样本和测试样本以及参数设置，实现线变关系模型的优化。