[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

说明书

本发明公开了一种基于数据挖掘的配电网运行数据异常判定方法，包括：设定原始电网运行数据D以及离群点个数m，将其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)大于等于m，采用LOF算法计算该类所有对象的LOF离群因子；生成最终的“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。本发明能够高效且准确地判定配电网运行数据中异常的发生，并确定异常发生的时间与地点。

技术领域

本发明涉及电力系统的技术领域，尤其涉及一种基于数据挖掘的配电网运行数据异常判定方法。

背景技术

数据挖掘技术包括数据整理、变换、挖掘、评估和认知等多项内容，可以直接从配电网运行数据的根本出发，全面了解数据的内容。随着智能配电网、高级量测体系的不断发展，配用电数据逐渐呈现出体量大、类型多、增速快等大数据特征。对配线损数据进行有效挖掘，对优化电网运行方式、提高电网服务水平、降低管理成本、提升电力公司经济效益具有重大意义。

在大多数研究领域中，离群点也被称为异常值。在数据挖掘中，往往是要剔除掉这些数据，但是某些情况下离群点本身就是研究对象。比如图3，该图是一个用户一年中的用电线损率情况，明显可见，其中有几天的数据很不正常，这样的点即是离群点。如果需要研究该用户的用电规律时，这些点是理当去除的。可是，它们也反映出了一个信息，在数据统计方式正确的情况下，该用户用电出现异常(异常可能是电表异常、用户窃电、数据记录有误等)。这些线损数据中异常的离群点揭示了线路、台区线损可能存在的异常情况，可以有效反映异常的发生，进而确定异常发生的时间与地点。

基于此，目前亟需对配电网运行数据中的异常进行高效且准确地判定的方法。

发明内容

本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。

鉴于上述现有存在的问题，提出了本发明。

因此，本发明解决的技术问题是：现有的技术无法对配电网异常的运行数据进行高效准确的判断。

为解决上述技术问题，本发明提供如下技术方案：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。

作为本发明所述的基于数据挖掘的配电网运行数据异常判定方法的一种优选方案，其中：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。

作为本发明所述的基于数据挖掘的配电网运行数据异常判定方法的一种优选方案，其中：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：

作为本发明所述的基于数据挖掘的配电网运行数据异常判定方法的一种优选方案，其中：还包括：平方误差表示为式：