本發明涉及線損監測領域，尤其涉及一種基于數據挖掘的線損分析方法。

背景技術：

1、隨著電網的規模擴大，輸電線路和配電線路的線損問題愈加明顯。線損是指電能在輸送過程中，由于電阻等原因造成的損耗。線損不僅會影響電能的利用效率，還會造成經濟損失，影響電力系統的穩定運行。特別是在高負荷和復雜拓撲結構下，如何有效地識別和處理線損異常，成為電網運行管理中的一個關鍵問題。

2、而電網的數字化、智能化管理成為未來發展的重要趨勢。通過現代信息技術、數據分析、機器學習等手段，可以實現對電網運行狀態的實時監測和智能分析。特別是基于三維電網模型的綜合應用，可以更加直觀地展示電網的結構和運行狀況，將實時監測數據、線損計算結果、設備運行狀態等信息直接映射到三維模型中，使得電網運行和維護更加高效和精確。

技術實現思路

1、為了解決上述問題，本發明的目的在于提供一種基于數據挖掘的線損分析方法，不僅能對電網中的線損進行異常檢測和分析，還通過三維可視化平臺提供直觀的展示和實時監控，提高了電網線損管理的智能化和精細化水平。

2、為實現上述目的，本發明采用以下技術方案：

3、一種基于數據挖掘的線損分析方法，包括以下步驟：

4、步驟s1:獲取電力系統的運行數據以及gis數據；

5、步驟s2:對收集到的數據進行清洗和預處理，包括去除缺失值和異常值，將不同量綱的數據進行歸一化處理；并從歸一化處理數據中提取電力運行狀態特征；

6、步驟s3:基于gis數據和電力系統的運行數據，構建電網的三維模型；

7、步驟s4：基于priori算法，用于發現電力運行狀態與線損之間的隱含關系，并將其作為隱含特征；

8、步驟s5：結合隱含特征和電力運行狀態特征，構建線損異常檢測模型；根據實時監測數據，基于線損異常檢測模型獲取線損異常點；

9、步驟s6：結合三維電網模型，基于線損異常檢測模型獲取的線損異常點，分析在空間上的分布；

10、步驟s7：構建三維電網線損的可視化分析平臺，展示線損數據和分析結果。

11、進一步的，運行數據包括變電站位置、輸電線路路徑、線路負荷、設備狀態；所述gis數據包括高程、地形、坐標系統、道路和建筑物；。

12、進一步的，步驟s3具體為：

13、將gis數據進行格式轉換，統一gis數據格式，并通過坐標轉換，將地理坐標轉換為適合三維渲染的投影坐標：

14、

15、z＝h；

16、其中，λ和φ分別為經度和緯度，h為高度；(x,y,z)為轉換后的投影坐標；

17、基于電網的拓撲結構，生成三維模型，包括變電站、輸電線路和用戶分布；

18、將整個電網模型映射到實際的地理坐標系中，利用圖形渲染技術實現三維可視化：

19、創建三維場景，并將相機和光源初始化；

20、為每個節點創建三維幾何形狀，并將其位置設為計算出的三維坐標；

21、為每條邊創建線段幾何形狀，并將其起點和終點設置為節點的三維坐標。

22、進一步的，基于priori算法，用于發現電力運行狀態與線損之間的隱含關系，并將其作為隱含特征,具體如下：

23、給定一個包含歷史記錄的事務數據集d，其中每條記錄t∈d包含一個設備運行狀態集合t和對應的線損值l；

24、d＝{(t1,l1),(t2,l2),…,(ts,ls)，…,(tn,ln)}；

25、其中,ts為第s個設備運行狀態的項集，li為對應的線損值；

26、項集i在事務集d中的支持度support(i)定義為該項集在d中出現的次數除以總事務數:

27、

28、其中,t.t表示事務t的設備狀態項集；

29、設定一個最低支持度閾值σ，只有支持度support(i)≥σ的項i才被認為是頻繁項集；

30、使用逐層迭代的方法，從單項頻繁項集開始，逐步生成更大項集；

31、設lk表示所有大小為k的頻繁項集：

32、lk＝{i∈ik|support(i)≥σ}；

33、關聯規則的置信度定義為在包含a的事務中也包含b的概率。

34、進一步的，線損異常檢測模型構建，具體如下：

35、獲取設備運行狀態特和環境特征，并結合基于步驟s5獲取隱含特征，使用主成分分析進行降維，得到訓練數據集；

36、構建線性回歸、隨機森林和xgboost模型，并基于訓練數據集訓練；

37、訓練過程中，采用交叉驗證評估模型性能：

38、

39、其中，mi′為i′模型，k為折數，msek(mi′)為模型mi′第k折的均方誤差；

40、使用網格搜索與貝葉斯優化方法調參，得到最優超參數；

41、

42、其中，θ為超參數空間；mi′(θ)為具有特定超參數θ的i′模型；為i′模型的最優超參數；

43、使用加權平均構建綜合預測模型，評估綜合模型性能并應用于異常檢測

44、

45、其中，w1，w2，w3為權重參數，和分別為線性回歸、隨機森林和xgboost模型的預測值，并計算預測值和正常值的誤差，為綜合預測值；

46、利用高斯混合模型對誤差進行建模，并計算誤差的自適應閾值，用于識別異常數據點。

47、進一步的，獲取設備運行狀態特和環境特征，并結合基于步驟s5獲取隱含特征，使用主成分分析進行降維，具體如下：

48、獲取的獲取設備運行狀態特和環境特征，并結合基于步驟s5獲取隱含特征，得到特征矩陣x＝{x1,x2,...xi,...,xn}t：

49、xi＝{xi1,xi2,...,xim,fi1,fi2,...,fik,hi1,hi2,...,hip}；

50、其中，xi表第i個樣本，xim表示第i個樣本的第m個運行狀態特征，fik表示第i個樣本的第k個隱含特征，hip表示第i個樣本的第p個環境特征,n為樣本數量；t為轉置；

51、標準化輸入特征矩陣：

52、

53、其中，μ和σ分別是特征的均值和標準差，z是標準化后的特征矩陣；

54、計算協方差矩陣c：

55、

56、計算協方差矩陣的特征值和特征向量：

57、cvi″＝λi″vi″；

58、其中，vi″為協方差矩陣c的第i個特征向量，λi″為對應的特征值；

59、選擇前k′個最大特征值對應的特征向量作為主成分，得到降維后的數據：

60、xcpa＝zvk′；

61、其中，vk′包括是包含前k′個特征向量的矩陣。

62、進一步的，利用高斯混合模型對誤差進行建模，并計算誤差的自適應閾值，用于識別異常數據點，具體如下：

63、首先，計算模型預測值與正常值之間的誤差：

64、

65、其中，l為正常值；

66、使用高斯混合模型對預測誤差進行建模：

67、

68、其中，j為高斯分布的數量；πj′為第j′個高斯分布的混合系數；是均值為uj′、方差為的高斯分布；

69、使用期望最大化算法對誤差數據進行擬合，得到參數

70、根據擬合好的gmm模型，計算每個誤差值的概率密度：

71、最后，使用分位數法，根據誤差的累積分布函數確認閾值：

72、對于給定的誤差分布p(e)，其cdf為：

73、

74、選定一個置信水平α，相應的分位數q1-α，表示為：

75、f(q1-α)＝1-α

76、即，找到使得cdf等于1-α的誤差值，這個值q1-α就是振蕩的閾值。

77、進一步的，使用期望最大化算法對誤差數據進行擬合，具體如下：

78、隨機初始化參數

79、計算責任度γ(zij′)，即在給定當前參數下，第j′個成分對數據點ei的后驗概率：

80、

81、更新參數：

82、

83、

84、其中，ei是第i個樣本的誤差；

85、迭代上述步驟，直到收斂條件滿足。

86、進一步的，結合三維電網模型，基于線損異常檢測模型獲取的線損異常點，分析在空間上的分布，具體如下：

87、將實時監測數據和線損計算結果映射到三維模型中；

88、使用optics空間聚類算法，找到異常點的聚集區域：

89、①對于每個點，找到其鄰域內的所有點；

90、②定義一個點的核心距離為其鄰域內存在至少minpts個點的最小距離；

91、③定義可達距離為從核心點到目標點的最大距離；

92、④對所有點按照核心距離進行排序，生成順序圖；

93、⑤將聚類結果映射回三維模型中，不同顏色或標記顯示不同的聚類結果；

94、并分析造成局部區域線損異常的原因。

95、進一步的，可視化分析平臺的可視化內容包括：三維電網拓撲，展示電網的三維結構和設備位置；線損分布熱圖，在三維模型中疊加熱地圖層，直觀展示不同區域的線損分布；動態監控，實時展示電網運行狀態和線損變化情況。

96、本發明具有如下有益效果：

97、1、本發明不僅能對電網中的線損進行異常檢測和分析，還通過三維可視化平臺提供直觀的展示和實時監控，提高了電網線損管理的智能化和精細化水平；

98、2、本發明結合apriori算法，挖掘電力運行狀態與線損的隱含關系，提高特征的全面性和準確性，增強異常檢測模型的預測能力，并構建基于綜合特征的線損異常檢測模型，通過實時監測數據及時發現和預警線損異常，提高電網運行的穩定性和安全性；

99、3、本發明結合三維電網模型和基于線損異常檢測模型，可以在空間上準確定位和分析線損異常點，進而找到異常發生的具體原因，不僅有助于及時發現和處理電網中的故障，還能為電網的優化和管理提供科學依據，最終提升供電的可靠性和效率。