[发明专利]一种基于Kmeans-AHC混合聚类算法的配电网线损异常检测方法

说明书

一种基于Kmeans‑AHC混合聚类算法的配电网线损异常检测方法，包括：基于影响配电网线损的影响因素，采集多个特征数据用于混合聚类算法，构建配电网线损特征指标体系；基于有监督指标与无监督指标相结合的综合指标数据来确定最优聚类中心数；基于K‑Means聚类算法与凝聚型层次聚类相结合的混合聚类算法，优化初始聚类中心的选取；通过决策判断模型对配电网线损异常样本进行诊断识别。本发明利用混合聚类算法无监督学习的特点，解决了初始聚类中心以及最优聚类中心数的选取问题，适用于处理电网建设初期海量无标签运行数据，提高了配电网线损异常检测的准确度。

技术领域

本发明属于电力系统自动化技术领域,具体涉及一种基于Kmeans-AHC混合聚类算法的配电网线损异常检测方法。

背景技术

随着经济社会发展，我国配电网的规模也日趋庞大，运行的电力设备数量也飞速增长。配电网运行中的电能损失可以分为技术线损和管理线损两大类，技术线损是由电网中的电气设备带来的铁损和铜损以及配电线路所产生的损耗组成；管理线损是指配电侧电力用户的窃电、欺诈等一系列欺骗性用电行为所导致的损失。配电网线损率是电力企业的重要考核指标，反映了我国电网的规划设计与运营管理水平，因此开展线损异常检测是电力企业进行降损治理的关键环节。

近年来，我国电力工业进入飞速发展阶段，但是由于当前技术经济条件的限制和能源分布不均等问题，在有些领域中可能表现为与总体发展方向相悖、甚至阻碍电力发展的问题。在市场营销环节，各级供电公司都投入了大量资金进行大规模的建设和改造，由于用户庞大的群体数量，且变换多端，因此线损管理中往往存在着用电异常、窃电、计量故障等主动失电造成的线损异常，同时也存在着迂回供电、线路老化、设备老化等被动失电造成的线损异常。各地区供电企业线损管理方面存在着一定的差别，其用电结构、用电水平、管理水平以及信息化程度的不同和新技术的应用以及无功优化、改造投入的资金和力度不同等因素的差异，造成各地区线损效益和线损率水平存在很大差距，发达地区与不发达地区、东西部地域也差距很大。

近年来，降低电能损耗是国内外研究的热点之一，全面而准确的线损诊断。其一可以为电力部门分析线损构成、制定降损措施、提供理论和现实依据，促进供电企业深挖发展潜力，提高经济效益；其二可以优化电网规划设计方案，促进配电网的建设与改造；其三可以促进加强运行管理，使配电网处于经济运行状态；其四制定配电网线损指标，节约能源，提高供电能力，缓解供电能力不足局面。

本发明基于Kmeans-AHC混合聚类算法，解决了传统聚类算法中初始聚类中心以及最优聚类中心数的选取问题，适用于处理电网建设初期海量无标签运行数据，提高了配电网线损异常检测的准确度。

发明内容

本发明技术解决的问题是：克服现有技术方法的不足，提供一种基于Kmeans-AHC混合聚类算法的配电网线损异常检测方法。其能够确定最优聚类中心数，优化初始聚类中心的选取。对样本聚类结果进行快速、准确的决策判断。

这种基于Kmeans-AHC混合聚类算法的配电网线损异常检测方法的技术解决方案，包括以下步骤：

1.基于影响配电网线损的影响因素，采集多个特征数据用于混合聚类算法，综合考虑在电网实际运行中指标获取的难易程度和影响配电网线损的技术因素、管理因素，构建配电网线损特征指标体系；

2.使用有监督指标与无监督指标相结合的综合指标数据来确定最优聚类中心数；

3.使用K-Means聚类算法与凝聚型层次聚类相结合的混合聚类算法，优化初始聚类中心的选取；

4.对采集的电网运行数据进行数据预处理后，基于确定的聚类中心数和初始聚类中心，进行混合聚类分析；

5.结合样本的混合聚类结果，通过决策判断模型对配电网线损异常样本进行诊断识别，输出线损异常样本。

与最接近的现有技术相比，本发明具有的有益效果如下：