欢迎来到天天文库
浏览记录
ID:52482817
大小:317.23 KB
页数:5页
时间:2020-03-28
《基于聚类分群的线损特征分析方法.pdf》由会员上传分享,免费在线阅读,更多相关内容在行业资料-天天文库。
1、第28卷第4期电力科学与技术学报Vo1.28NO.42013年l2月JoURNALOFEIECTRICPOWERSCIENCEANDTECHNOLOGYDec.2O13基于聚类分群的线损特征分析方法蓝敏,李朔宇,李锡祺,曾耀英(广东电网公司东莞供电局,广东东莞523000)摘要:电力用户窃漏电和异常用电的重要评价指标包括:电量异常、负荷异常、终端报警、线损异常等,其中线损异常是最为直接和最重要的指标.基于数据挖掘相关技术,提出一种线损分析方法;通过提取分线线损的表征变量,建立线损分析的指标体系;并应用K—means聚类算法对特征样本进行聚类分群,基于线损聚类分群类别分析线损特征规则;最后经实例
2、分析证明了该方法的有效性.关键词:异常用电;线损分析;K—meaIls聚类;指标体系中图分类号:TM714.3文献标识码:A文章编号:1673—9140(2013)04—0054—05ClusteralgorithmbasedlinelossesanalysismethodLANMin,LIShuo-Yu,LIXi—Qi,ZENGYao—Ying(DongguanPowerSupplyBureau,GuangdongPowerGridCorporation,Dongguan523000,China)Abstract:Theimportantanalysisindexesforabnormale
3、lectricityconsumptionareelectricpower,load,terminalalarmandlinelossesetc,whereinthe1inelossesiSthemostcriticalandimportantindex.Usingthetechnologyofdatamining,anewmethodforlinelossesanalysiswasproposedinthispaper.Theinfluenceindexesforline—lossanalysiswasbuilt,whichgavethedetailedcal—culationprocess
4、fortheindexparameters.AndtheK—meansalgorithmofdata—miningwasusedtoclassifytheline—losssamples.Theneveryclassificationgroupbasedlinelossescharacteristicswereanalyzedindetail.Casesanalysisresultsshowedthattheproposedmethodwashighlyeffective.Keywords:abnormalelectricityconsumption;linelossesanalysis;K—
5、meanscluster;parametersystem用户窃电和设备漏电会给供电部门造成利益损展以反偷查漏为主要工作内容的专项用电检查提供失,而用户窃漏电评价最重要的指标是电量异常、负指导依据,以确保客户合理用电与守法用电.荷异常、终端报警及线损异常等,其中线损异常是其线损分析的目的在于确定配电系统结构运行的中最为直接和最重要的指标.通过对配网10kV馈合理性,找出配电系统结构、配电系统运行、设备性线的线损异常及其关联的专变客户的分析,可为开能、计量装置以及用电管理等方面存在的薄弱环节,收稿日期:2013—06—08通讯作者:李朔宇(1979一),男,工程师,主要从事电力营销管理、市场交易、
6、电力系统经济运行等研究;Email:13392971@qq.corn第28卷第4期蓝敏,等:基于聚类分群的线损特征分析方法55以便采取相应的降损措施.在实际生产中,由于环网增很大程度地预示着用户的窃漏电倾向.基于上述及档案资料更新不及时等原因,造成系统中的分线分析,抽象出反映线损特征的3个变量:线损率平均线损数据准确度不高,故选用分线线损作为窃漏电值(x)、线损率变异系数(C)、线损率变化趋势诊断的评价指标时,需对采集的分线线损数据进行(VT).挖掘分析,以提取可用的规律和知识.4)聚类分群.在预处理后的数据中,直接提取馈线线损数据聚类是衡量客户窃漏电与否行为反映线损特征的3个变量作为线损异常
7、的特征变分析中的一项重要内容,基于此可以建立很多相关量.基于K—Means聚类算法l2对特征样本进行聚的聚类模型,如:层次聚类、K中心聚类以及基于大类分群,选择参数:距离函数为EuclideanDistance数据的双聚类(Biclustering)、块状聚类(Block(欧氏距离)、最大迭代次数、合适的聚类数和种子Clustering)、SOM聚类等.笔者结合数据挖掘相关数,最后得到聚类结果并进
此文档下载收益归作者所有