本發(fā)明涉及用電大數(shù)據(jù)，尤其是涉及一種基于融合issa(salp?swarmalgorithm，ssa)聚類的臺(tái)區(qū)電壓多維特征畫像構(gòu)建方法。

背景技術(shù)：

1、近年來，隨著越來越多的智能傳感設(shè)備安裝和應(yīng)用于電力系統(tǒng)，使得電力系統(tǒng)時(shí)時(shí)刻刻都能從智能電表、數(shù)位保護(hù)裝置中獲取電力數(shù)據(jù)。當(dāng)前電力系統(tǒng)領(lǐng)域的重要研究課題是如何利用好采集到的電力大數(shù)據(jù)。數(shù)據(jù)挖掘技術(shù)在目前的國(guó)內(nèi)外相關(guān)研究領(lǐng)域內(nèi)被認(rèn)為是針對(duì)越來越多數(shù)量和維度的數(shù)據(jù)最常用的數(shù)據(jù)處理手段。

2、目前已有很多基于數(shù)據(jù)挖掘等方法以獲取臺(tái)區(qū)特征標(biāo)簽的特征提取研究，有學(xué)者根據(jù)細(xì)分目標(biāo)，提出了針對(duì)電力客戶的細(xì)分領(lǐng)域、細(xì)分目標(biāo)的研究。針對(duì)傳統(tǒng)用戶，需要關(guān)注用戶的價(jià)值研究，構(gòu)建用戶價(jià)值評(píng)價(jià)體系。而用戶畫像可以將數(shù)據(jù)類別化幫助管理者快速了解用戶特征并制定相應(yīng)管理方法，在多個(gè)領(lǐng)域都有實(shí)踐驗(yàn)證。

3、目前畫像分析研究常用于注重目標(biāo)用電特征分析上，但針對(duì)基于聚類的低壓臺(tái)區(qū)電壓特征分析研究相對(duì)較少。此外，聚類過程中如何確定最優(yōu)聚類中心也是亟待解決的問題。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的目的就是為了克服上述現(xiàn)有技術(shù)存在的缺陷而提供一種基于融合issa聚類的臺(tái)區(qū)電壓多維特征畫像構(gòu)建方法，以解決或部分解決聚類過程中聚類中心并非最優(yōu)，影響聚類結(jié)果的問題。

2、本發(fā)明的目的可以通過以下技術(shù)方案來實(shí)現(xiàn)：

3、本發(fā)明的一個(gè)方面，提供了一種基于融合issa聚類的臺(tái)區(qū)電壓多維特征畫像構(gòu)建方法，包括如下步驟：

4、步驟s1，獲取臺(tái)區(qū)內(nèi)各個(gè)用戶的采樣點(diǎn)電壓及負(fù)荷數(shù)據(jù)；

5、步驟s2，基于所述采樣點(diǎn)電壓及負(fù)荷數(shù)據(jù)，計(jì)算考慮安全性、穩(wěn)定性和經(jīng)濟(jì)型維度的電壓特征標(biāo)簽；

6、步驟s3，利用基于issa的k-means聚類算法，以所述電壓特征標(biāo)簽為聚類對(duì)象，確定最優(yōu)聚類簇中心組合，將電壓特征標(biāo)簽分配到簇內(nèi)，得到聚類結(jié)果，實(shí)現(xiàn)臺(tái)區(qū)電壓多維特征畫像的構(gòu)建。

7、作為優(yōu)選的技術(shù)方案，所述的步驟s2中，安全性維度指標(biāo)包括電壓偏差、電壓合格率和三相電壓不平衡度；穩(wěn)定性維度指標(biāo)包括電壓波動(dòng)率、負(fù)荷波動(dòng)率、用戶電壓評(píng)價(jià)和用戶最大壓降比；經(jīng)濟(jì)性維度指標(biāo)包括用電總量和負(fù)荷率。

8、作為優(yōu)選的技術(shù)方案，所述的用戶電壓評(píng)價(jià)的獲取過程包括如下步驟：

9、步驟s201，構(gòu)建臺(tái)區(qū)用戶電壓偏離大小、電壓波動(dòng)率和供電距離的標(biāo)準(zhǔn)化指標(biāo)矩陣，通過計(jì)算指標(biāo)比重得到概率矩陣，基于所述概率矩陣計(jì)算各個(gè)指標(biāo)信息熵和信息效用值，歸一化得到指標(biāo)的熵權(quán)；

10、步驟s202，針對(duì)所述標(biāo)準(zhǔn)化指標(biāo)矩陣進(jìn)行正向化處理，得到標(biāo)準(zhǔn)化極大型指標(biāo)矩陣，基于所述極大型指標(biāo)矩陣和所述熵權(quán)得到用戶電壓評(píng)價(jià)得分。

11、作為優(yōu)選的技術(shù)方案，所述的用戶電壓評(píng)價(jià)采用下式計(jì)算：

12、

13、其中，y4為用戶電壓評(píng)價(jià)得分，di+為第i個(gè)指標(biāo)與最大值的距離，di-為第i個(gè)指標(biāo)與最小值的距離，qmj+為標(biāo)準(zhǔn)化極大型指標(biāo)矩陣內(nèi)最大值；qmj-為標(biāo)準(zhǔn)化極大型指標(biāo)矩陣內(nèi)最小值，ωj為第j個(gè)指標(biāo)的熵權(quán)，m為指標(biāo)數(shù)量。

14、作為優(yōu)選的技術(shù)方案，所述的步驟s3包括如下子步驟：

15、步驟s301，利用issa初始化候選聚類簇中心位置，初始化聚類簇?cái)?shù)量；

16、步驟s302，針對(duì)每個(gè)聚類簇，利用k-means算法將電壓特征標(biāo)簽分配到最近的簇中心；

17、步驟s303，計(jì)算基于簇輪廓系數(shù)的適應(yīng)度函數(shù)值；

18、步驟s304，利用加入非線性算子和線性權(quán)重的issa模型，迭代得到新的聚類簇中心位置，重復(fù)步驟s302-s303，直至所述適應(yīng)度函數(shù)值滿足終止調(diào)節(jié)。

19、作為優(yōu)選的技術(shù)方案，所述的issa模型為：

20、

21、追隨者的位置動(dòng)態(tài)更新過程為：

22、

23、其中，t為當(dāng)前迭代次數(shù)，tmax為最大迭代數(shù)，x1j為領(lǐng)導(dǎo)者位置，fj為目標(biāo)位置，ubj、lbj分別為探索空間上下限，c1為變化因子，c2、c3為[0,1]間隨機(jī)數(shù)，α(t)為非線性算子，xi,j為追隨者位置；xi-1,j為相鄰追隨者位置，β為線性權(quán)重。

24、作為優(yōu)選的技術(shù)方案，還包括如下步驟：

25、步驟s4，將所述聚類結(jié)果作為樣本，輸入預(yù)先構(gòu)建的bp神經(jīng)網(wǎng)絡(luò)進(jìn)行迭代，利用迭代后的bp神經(jīng)網(wǎng)絡(luò)，實(shí)現(xiàn)對(duì)臺(tái)區(qū)電壓運(yùn)行模式的識(shí)別，以及電網(wǎng)運(yùn)行異常臺(tái)區(qū)存在的電壓?jiǎn)栴}類型的識(shí)別。

26、作為優(yōu)選的技術(shù)方案，所述的步驟s1中，采樣點(diǎn)電壓及負(fù)荷數(shù)據(jù)為日96采樣點(diǎn)電壓及負(fù)荷數(shù)據(jù)，在獲取采樣點(diǎn)電壓及負(fù)荷數(shù)據(jù)之后，還包括：

27、針對(duì)所述采樣點(diǎn)電壓及負(fù)荷數(shù)據(jù)進(jìn)行缺失值及異常值處理、數(shù)據(jù)變換、數(shù)據(jù)集成以及數(shù)據(jù)規(guī)約處理。

28、本發(fā)明的另一個(gè)方面，提供了一種電子設(shè)備，包括：一個(gè)或多個(gè)處理器以及存儲(chǔ)器，所述存儲(chǔ)器內(nèi)儲(chǔ)存有一個(gè)或多個(gè)程序，所述一個(gè)或多個(gè)程序包括用于執(zhí)行前述基于融合issa聚類的臺(tái)區(qū)電壓多維特征畫像構(gòu)建方法的指令。

29、本發(fā)明的另一個(gè)方面，提供了一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，包括供電子設(shè)備的一個(gè)或多個(gè)處理器執(zhí)行的一個(gè)或多個(gè)程序，所述一個(gè)或多個(gè)程序包括用于執(zhí)行前述基于融合issa聚類的臺(tái)區(qū)電壓多維特征畫像構(gòu)建方法的指令。

30、與現(xiàn)有技術(shù)相比，本發(fā)明至少具有以下有益效果之一：

31、(1)在聚類過程中實(shí)現(xiàn)聚類中心的最優(yōu)確定：本發(fā)明利用基于issa的k-means聚類算法，以所述電壓特征標(biāo)簽為聚類對(duì)象，確定最優(yōu)聚類簇中心組合，將電壓特征標(biāo)簽分配到簇內(nèi)，得到聚類結(jié)果，實(shí)現(xiàn)臺(tái)區(qū)電壓多維特征畫像的構(gòu)建，通過保證聚類中心位置最優(yōu)，提升聚類的效果，保證構(gòu)建的畫像的準(zhǔn)確性。

32、(2)充分考慮臺(tái)區(qū)多維度因素：本發(fā)明基于所述采樣點(diǎn)電壓及負(fù)荷數(shù)據(jù)，計(jì)算考慮安全性、穩(wěn)定性和經(jīng)濟(jì)型維度的電壓特征標(biāo)簽，為后續(xù)聚類做準(zhǔn)備，通過充分考慮臺(tái)區(qū)電壓特性相關(guān)的指標(biāo)，實(shí)現(xiàn)對(duì)臺(tái)區(qū)電壓特性的充分刻畫。

33、(3)充分考慮臺(tái)區(qū)內(nèi)用戶間的差異性：本發(fā)明構(gòu)建指標(biāo)矩陣并分別計(jì)算指標(biāo)的熵權(quán)以及標(biāo)準(zhǔn)化極大型指標(biāo)矩陣，從而綜合客觀地對(duì)臺(tái)區(qū)用戶電壓的各指標(biāo)進(jìn)行描述。

34、(4)避免陷入全局最優(yōu)：本發(fā)明利用加入非線性算子和線性權(quán)重的issa模型，迭代得到新的聚類簇中心位置，有效降低了落入局部最優(yōu)的可能。

35、(5)充分考慮臺(tái)區(qū)未來短期內(nèi)各類別電壓指標(biāo)運(yùn)行模式：本發(fā)明利用基于issa的bpnn時(shí)序預(yù)測(cè)算法，以電壓特征標(biāo)簽為預(yù)測(cè)對(duì)象，得到臺(tái)區(qū)電壓異常類別預(yù)測(cè)結(jié)果，實(shí)現(xiàn)對(duì)臺(tái)區(qū)電壓運(yùn)行模式的識(shí)別，以及電網(wǎng)運(yùn)行異常臺(tái)區(qū)存在的電壓?jiǎn)栴}類型的識(shí)別，提高臺(tái)區(qū)故障治理的時(shí)效性。

技術(shù)特征：

1.一種基于融合issa聚類的臺(tái)區(qū)電壓多維特征畫像構(gòu)建方法，其特征在于，包括如下步驟：

2.根據(jù)權(quán)利要求1所述的一種基于融合issa聚類的臺(tái)區(qū)電壓多維特征畫像構(gòu)建方法，其特征在于，所述的步驟s2中，安全性維度指標(biāo)包括電壓偏差、電壓合格率和三相電壓不平衡度；穩(wěn)定性維度指標(biāo)包括電壓波動(dòng)率、負(fù)荷波動(dòng)率、用戶電壓評(píng)價(jià)和用戶最大壓降比；經(jīng)濟(jì)性維度指標(biāo)包括用電總量和負(fù)荷率。

3.根據(jù)權(quán)利要求2所述的一種基于融合issa聚類的臺(tái)區(qū)電壓多維特征畫像構(gòu)建方法，其特征在于，所述的用戶電壓評(píng)價(jià)的獲取過程包括如下步驟：

4.根據(jù)權(quán)利要求3所述的一種基于融合issa聚類的臺(tái)區(qū)電壓多維特征畫像構(gòu)建方法，其特征在于，所述的用戶電壓評(píng)價(jià)采用下式計(jì)算：

5.根據(jù)權(quán)利要求1所述的一種基于融合issa聚類的臺(tái)區(qū)電壓多維特征畫像構(gòu)建方法，其特征在于，所述的步驟s3包括如下子步驟：

6.根據(jù)權(quán)利要求5所述的一種基于融合issa聚類的臺(tái)區(qū)電壓多維特征畫像構(gòu)建方法，其特征在于，所述的issa模型為：

7.根據(jù)權(quán)利要求1所述的一種基于融合issa聚類的臺(tái)區(qū)電壓多維特征畫像構(gòu)建方法，其特征在于，還包括如下步驟：

8.根據(jù)權(quán)利要求1所述的一種基于融合issa聚類的臺(tái)區(qū)電壓多維特征畫像構(gòu)建方法，其特征在于，所述的步驟s1中，采樣點(diǎn)電壓及負(fù)荷數(shù)據(jù)為日96采樣點(diǎn)電壓及負(fù)荷數(shù)據(jù)，在獲取采樣點(diǎn)電壓及負(fù)荷數(shù)據(jù)之后，還包括：

9.一種電子設(shè)備，其特征在于，包括：一個(gè)或多個(gè)處理器以及存儲(chǔ)器，所述存儲(chǔ)器內(nèi)儲(chǔ)存有一個(gè)或多個(gè)程序，所述一個(gè)或多個(gè)程序包括用于執(zhí)行如權(quán)利要求1-8任一所述基于融合issa聚類的臺(tái)區(qū)電壓多維特征畫像構(gòu)建方法的指令。

10.一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其特征在于，包括供電子設(shè)備的一個(gè)或多個(gè)處理器執(zhí)行的一個(gè)或多個(gè)程序，所述一個(gè)或多個(gè)程序包括用于執(zhí)行如權(quán)利要求1-8任一所述基于融合issa聚類的臺(tái)區(qū)電壓多維特征畫像構(gòu)建方法的指令。

技術(shù)總結(jié)
本發(fā)明涉及一種基于融合ISSA聚類的臺(tái)區(qū)電壓多維特征畫像構(gòu)建方法，包括如下步驟：步驟S1，獲取臺(tái)區(qū)內(nèi)各個(gè)用戶的采樣點(diǎn)電壓及負(fù)荷數(shù)據(jù)；步驟S2，基于所述采樣點(diǎn)電壓及負(fù)荷數(shù)據(jù)，計(jì)算考慮安全性、穩(wěn)定性和經(jīng)濟(jì)型維度的電壓特征標(biāo)簽；步驟S3，利用基于ISSA的K?means聚類算法，以所述電壓特征標(biāo)簽為聚類對(duì)象，確定最優(yōu)聚類簇中心組合，將電壓特征標(biāo)簽分配到簇內(nèi)，得到聚類結(jié)果，實(shí)現(xiàn)臺(tái)區(qū)電壓多維特征畫像的構(gòu)建。與現(xiàn)有技術(shù)相比，本發(fā)明實(shí)現(xiàn)聚類中心的最優(yōu)確定，充分考慮臺(tái)區(qū)多維度因素以及臺(tái)區(qū)內(nèi)用戶間的差異性，有效避免落入局部最優(yōu)解。

技術(shù)研發(fā)人員：楊帆,劉俊,柴煒,陸冰冰,沈冰,陳冉,黃思誠(chéng),任麗佳,張菁
受保護(hù)的技術(shù)使用者：國(guó)網(wǎng)上海市電力公司
技術(shù)研發(fā)日：
技術(shù)公布日：2025/1/6