[发明专利]基于同期特征与改进K-means聚类的配电网异常线损诊断方法

权利要求书

1.基于同期特征与改进K-means聚类的配电网异常线损诊断方法，其特征在于，包括以下步骤：

步骤1、采集配电网某条线路的线损数据；对异常线损的同期特性进行分析，并构建出能反映异常原因的3个关键性指标：实时线损率、近24小时的平均线损率和线损畸变率；

步骤2、基于上述关键性指标，对异常线损的特征和原因进行分类，初步建立线损异常诊断模式；

步骤3、采用改进的K-means聚类方法，根据初步建立的线损异常诊断模式确定聚类的数量，并且以大量样本数据对聚类模型进行训练，得到聚类中心；

步骤4、将聚类中心的标签映射到各类异常原因；

步骤5、最后根据聚类中心对新采集的配电网某条线路的实时线损数据进行自动诊断，得到异常原因；

步骤3中，输入向量为s_i(x_i1,y_i,η_i)，由s_i组成待聚类数据集S_I×N；聚类方法的步骤包括：

步骤3.1：输入待聚类数据集S_I×N，确定聚类的数量K，根据密度函数Density(s_i)，选择各类数据中密度最大的数据作为初始聚类中心，用Z₁，Z₂，…，Z_K表示；K＝10；

样本的点密度、类内和类间公式如下：

公式中，num(s_i)为变量s_i在以Z_k为聚类中心，距离半径为r区域内的数据个数；Density(s_i)为变量的个体密度；r为人为设定的区域半径；

步骤3.2：分别计算出剩余样本数据到各聚类中心的距离Dis(s_i,Z_k)；将样本数据按照距聚类中心最近进行划分，更新聚类数据，更新类内距离d_i和类间距离

类内距离d_i为类中每个点到本聚类中心之间的距离，公式如下：

类间距离表示不同聚类中心之间的距离，公式如下：

公式中，k₁和k₂分别为两个不同聚类中心的编号；

步骤3.3：以每类数据的平均值作为聚类中心，计算平均类间最大相似度SIM1；以距离其他聚类中心相对最远的点作为备用聚类中心，计算平均类间最大相似度SIM2；

SIM的公式如下：

公式中，和分别为第k₁和k₂类中任意两点间的距离，k₁和k₂为变量；

步骤3.4：以平均类间最大相似度SIM1和平均类间最大相似度SIM2中SIM值最小的作为新的聚类中心；

步骤3.5：判断聚类中心是否变化；如果变化返回步骤3.2；否则聚类结束。

2.根据权利要求1所述的基于同期特征与改进K-means聚类的配电网异常线损诊断方法，其特征在于，步骤1具体为：

采集配电网某条线路当前1h线损和前23h线损组成的日线损序列，表达式为x_i(x_i1,x_i2,…,x_i24)；其中x_i1为线路i的当前线损率；构建了历史平均线损指标y_i和线损畸变率η_i，其公式如下：

公式中y_i是历史平均指标，能够反映历史线损水平，是否长期高损或负损；线损畸变率η_i反映实时线损对历史线损的突变情况；提取3个关键指标组成的向量为s_i(x_i1,y_i,η_i)。