[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

说明书

本发明公开一种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，包括：1、采集配电网某条线路的线损数据；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、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，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。本发明能够速有效对地区线损异常原因进行自动诊断。

技术领域

本发明属于电力系统异常线损诊断领域，特别涉及一种配电网异常线损诊断方法。

背景技术

线损指标作为一种综合反映电力系统在规划设计、生产运行、经济管理中的重要经济技术指标，是电力公司重点管理和考核指标。而且该指标直接与电力公司的净收益、能源利用率直接关联，因此对该指标的管理和诊断有着重要意义。

而我国当前线损指标管理与治理仍面临着诸多问题。在管理线损方面，电力公司各部门间的专业壁垒尚未完全疏通融合，各电力公司主要系统如营销系统、GIS系统、一体化线损管理系统、用电采集系统和PMS系统之间，档案关系仍会出现少部分不一致现象，系统间数据的传输仍有丢失现象，上述原因导致异常线损现象频繁发生，为线损指标的管理和治理提出了挑战；同时，实际中变电站侧和用户侧计量表存在数据缺失、时钟精度有差异，也是造成异常线损的常见原因。在技术线损方面，线路重过载、设备老化和无功补偿设备配置不合理也是异常线损的常见原因。

目前在异常线损诊断方面，国内外的研究重点分为理论线损和管理线损两方面。理论线损指通过电网拓扑和功率负荷数据，计算潮流得到理论线损，该方面主要研究为如何提高理论线损的精度、速度和可拓展性，当系统表底缺失或异常的情况下可进行准确地填补和修复。目前该方面采用技术有将径向基函数RBF神经网络应用到配电网线损的计算和分析中，并采用动态聚类算法确定最优参数，从而提高线损计算精度；也有学者采用基于kmeans聚类算法、粒子群算法和支持向量机结合、深度学习LSTM的线损预测方法对线损进行预测，对异常线损的线路或者台区进行预先报警，发生异常线损时也可对其进行修复。

管理线损指通过变电站和用户侧点能表的差值电量，管理线损复杂的潮流计算，近年来得到较快的发展。但时在管理线损方面的研究相对较少，有学者提出基于k-means聚类算法，通过低压台区线损率进行二次分类和时间序列进行分析，判断线损的异常程度；基于线损率波动率和历史数据诊断性分析异常线损原因；通过时序差分化发售电数据的平滑性质和前后关联性质，识别定位异常数据在时序序列上的位置，并对其进行修复。

上述研究虽然在理论线损计算和预测，管理线损的分析和修复上取得较大进步，但是较少有相关研究对管理线损的诸多线损异常原因进行系统地诊断和分析。因此，实有必要提出一种异常线损诊断方法，以高效诊断出异常线损主要原因，减轻了线损分析的工作量，为线损治理提供有力支撑。

发明内容

本发明的目的在于提供一种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，以解决上述技术问题。本发明通过先对管理线损的同期线损特性进行分析，构建关键指标并建立异常线损诊断模式；然后基于该指标和诊断模式，采用改进的K-means聚类方法，对异常线损进行聚类分析，得到各类异常的聚类中心；最后根据聚类中心对线损数据进行诊断，快速有效对地区线损异常原因进行自动诊断。

为了实现上述目的，本发明采用如下技术方案：

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，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；