[发明专利]基于模糊聚类和RS-KNN模型用于电网运行状态的判别方法及系统

权利要求书

1.基于模糊聚类和RS-KNN模型用于电网运行状态的判别方法，其特征在于：包括如下步骤：

Step 1：选择用于电网运行状态判别的特征变量；

Step 2：划分电网运行状态类型

使用模糊聚类算法，将电网运行的健康状态按照健康程度分为四种类型，分别为健康、亚健康、一般病态和严重病态。在聚类前，为了消除数据量纲的影响，需要采用归一化方法对电网的特征变量数据进行处理。

Step 3：构造训练集

将步骤1中得到的特征变量，作为训练集的输入变量，将步骤2中得到的已经分类电网运行状态所对应的数据作为训练集，训练集输出结果是对应的电网运行状态，健康、亚健康、一般病态和严重病态这四种电网运行状态所对应的标签分别设定为1、2、3和4

Step 4：训练 RS-KNN模型

首先使用随机子空间方法在原训练样本的特征空间中随机抽样，构造新的训练集。然后，利用新的样本训练集来训练基分类器KNN。最后，通过多数投票规则融合多个KNN基分类器，输出的结果是电网运行状态的分类结果。

2.如权利要求1所述的基于模糊聚类和RS-KNN模型用于电网运行状态的判别方法，其特征在于：所述步骤Step1具体包括如下步骤：

S11：使用使数据集中的电网运行正常样本和故障样本相对平衡；

S12：随机森林-递归特征消除用于选取重要变量；

S12.1训练集是利用初始变量集构建的，包含多个训练样本，其输入为：

训练集的输出为：

其中，为训练样本总数，是指第个变量，是指第个输入样本，则是代表第个输入样本的第个变量。变量的内容如图2-1。是指电网运行状态判别的标签，其中，1用于表示电网正常状态，而–1表示电网故障状态。

S12.2利用随机森林得到10个初始变量集中各变量的重要度，并且记录当变量个数为初始变量集时的分类正确率。

S12.3每次删除一个最不重要的变量，使用删除变量后的变量集重新构造一个新的训练集，并重新测试训练集的分类正确率。

S12.4重复12.3直到只剩下一个重要性最大的变量，所有的变量都被搜索结束。

在步骤S12后，初始变量集即10个变量的重要度排序被得到，也可以得到不同变量所对应训练集的分类正确率。获得最高分类正确率时，所用的输入变量就是重要变量。

3.如权利要求2所述的基于模糊聚类和RS-KNN模型用于电网运行状态的判别方法，其特征在于：所述步骤S11具体包括如下步骤：

Step1：在故障样本集中，为故障样本集中的每个样本找到距离该样本最近的个样本，度量标准采用欧式距离。

Step2：随机在每个电网故障样本的个最近邻样本中抽取样本数为，为采样倍率，由正常样本数与故障样本数的比值确定。

Step3：基于式（1），构建新的故障样本，是与之间的随机线性插值，其中是随机选择的最近邻样本，是故障样本。

(1)

上式中代表一个随机数，其取值范围在[0,1]区间。

Step4：把生成的电网故障样本与原始数据集组合，获得两个类别数量比较平衡的数据集。