[发明专利]一种基于数据挖掘的配电网运行数据异常判定方法

权利要求书

1.一种基于数据挖掘的配电网运行数据异常判定方法，其特征在于，包括：

设定原始电网运行数据D以及离群点个数m，对D中数据进行标准化处理，将标准化处理后的数据放入K-means++聚类模型；

得到聚类模型结果后，统计聚类后每个簇的数据个数n(i)，判定i的值是否大于设定的离群点个数m；

若n(i)小于m，则认定该类数据量少于预设值，全部放入“离群点候选集”中；

若n(i)大于等于m，采用LOF算法计算该类所有对象的LOF离群因子，将离群因子大于2的对象纳入“离群点候选集”；

将两种情况合并形成最终的“离群点候选集”，根据计算并排序所有数据点的离群因子，形成线损异常情况集合；

对所述线损异常情况集合中的运行数据进行归纳推理，得到异常发生的时间，将其追溯到配电网结构中后，对异常发生的地点进行定位。

2.如权利要求1所述的基于数据挖掘的配电网运行数据异常判定方法，其特征在于，所述D中数据包括节点电流、节点电压和对24小时的负荷特征值。

3.如权利要求1或2所述的基于数据挖掘的配电网运行数据异常判定方法，其特征在于，所述聚类模型结果的获取过程包括：

利用K-means聚类算法进行聚类分析，其欧式距离的定义为：

4.如权利要求3所述的基于数据挖掘的配电网运行数据异常判定方法，其特征在于，还包括：平方误差表示为式：

5.如权利要求4所述的基于数据挖掘的配电网运行数据异常判定方法，其特征在于，还包括：

采用用轮廓系数这一参数来判断聚类效果的优劣，所述轮廓系数s基于聚类的凝聚度和分离度来评估，该值介于±1之间，且值越大表示聚类得到的效果越好；

第i个元素的轮廓系数s(i)如下式所示，所述轮廓系数s表示为所有元素轮廓系数的平均值：

其中，a(i)表示第i个元素与其同一簇内其他所有元素的平均距离，b(i)表示第i个元素与其所有不同簇内所有点的平均距离的最小值。

6.如权利要求5所述的基于数据挖掘的配电网运行数据异常判定方法，其特征在于，所述采用LOF算法计算该类所有对象的LOF离群因子包括：

定义对象p的k距离为k-distance(p)，在样本空间中，存在对象o，其与所述对象p之间的距离基座d(p,o)，若满足预设的条件，则k-distance(p)＝d(p,o)，即：k-distance(p)＝max|||p-o|||；

与所述对象p之间距离小于等于k-distance(p)的对象集合称为对象p的第k距离领域，记作：Nk(p)。

7.如权利要求6所述的基于数据挖掘的配电网运行数据异常判定方法，其特征在于，还包括，所述对象p相对于所述对象o的可达距离为：

reachdist(p,o)＝max{k-distance(o),||p-o||}

若所述对象p远离对象o，则两者之间的可达距离就是它们之间的实际距离；但若两者距离近，则实际距离用o的k距离代替。

8.如权利要求7所述的基于数据挖掘的配电网运行数据异常判定方法，其特征在于，还包括：

局部可达密度计算公式：

局部离群点因子：该因子表征了p的离群点的程度，定义如下：

若所述对象p不是局部离群点，则LOF(p)接近于1。

9.如权利要求8所述的基于数据挖掘的配电网运行数据异常判定方法，其特征在于，配电网运行数据异常的判定标准为：

基于离群因子LOF进行异常数据判定，若LOF远大于1，则认为是离群点；

LOF接近于1，则判定该点为正常点。