CN104616210A - 一种智能配电网大数据融合重构与交互方法 - Google Patents
一种智能配电网大数据融合重构与交互方法 Download PDFInfo
- Publication number
- CN104616210A CN104616210A CN201510061782.4A CN201510061782A CN104616210A CN 104616210 A CN104616210 A CN 104616210A CN 201510061782 A CN201510061782 A CN 201510061782A CN 104616210 A CN104616210 A CN 104616210A
- Authority
- CN
- China
- Prior art keywords
- grid
- data
- distribution network
- class
- density
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000009826 distribution Methods 0.000 title claims abstract description 113
- 238000000034 method Methods 0.000 title claims abstract description 36
- 230000004927 fusion Effects 0.000 title claims abstract description 32
- 230000003993 interaction Effects 0.000 title abstract 4
- 238000011217 control strategy Methods 0.000 claims abstract description 10
- 230000008520 organization Effects 0.000 claims description 6
- 238000011084 recovery Methods 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 6
- 230000002265 prevention Effects 0.000 claims description 5
- 238000007405 data analysis Methods 0.000 claims description 4
- 230000015572 biosynthetic process Effects 0.000 claims description 3
- 230000010354 integration Effects 0.000 abstract description 3
- 238000013507 mapping Methods 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000005520 cutting process Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000035876 healing Effects 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000012954 risk control Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种智能配电网大数据融合重构与交互方法,其特征在于:1)对智能配电网大数据进行初始聚类划分,根据智能配电网运行状态建立关联规则,实现扩展聚类的划分;2)将当前数据划归到基于历史数据的初始聚类中,基于关联规则预测运行状态,从而确定自愈控制策略,进行全景风险管控和自愈控制。本发明通过网格密度进行初始聚类划分,通过建立关联规则进行扩展聚类划分,实现智能配电网大数据融合重构与交互,有效提高数据流聚类效率及聚类精度,具有良好的可扩展性,实现智能配电网全景风险管控与自愈控制***集成,应用智能配电网大数据融合重构与交互方法,能够提高配电网控制智能化水平,增强配电网自愈控制功能。
Description
技术领域
本发明属于面向大数据的智能配电网全景风险管控与自愈技术研究领域,涉及一种智能配电网大数据融合重构与交互方法。
背景技术
配电网覆盖人口聚集地、现代工业和商业中心,用电负荷密度大,供电路径短,继电保护的配合难度大,配电线路接近运行极限,一旦出现突发事件将会影响整个配电网电力负荷的正常供电。随着大量分布式电源/微网/储能装置的接入,配电网的规模越来越庞大,结构越来越复杂,其运行特性和控制特性也在发生显著变化。因此,提高配电网控制的智能化水平,增强配电网的自愈能力是智能配电网发展的必然趋势。
配电、调度、营销关联愈加紧密化的同时产生大量信息,构成大数据的主要来源,使运营管控日益精细化成为可能。针对当前配电网影响因素众多、风险机理复杂、风险管控能力及电网自愈能力相对薄弱等问题,研究配电、调度、营销大数据融合技术,对基于复杂适应***理论的智能配电网自愈技术进行深入研究,实现配电、调度、营销数据融合与功能协调下的配电网风险有效管控与自愈,提高智能配电网安全可靠水平。因此,本发明提出基于大数据理论的配电、调度、营销全景数据融合重构技术,研究基于知识构建与推理的配电网全景风险管控决策支持技术,实现具备故障分析、供电恢复、运行优化功能的智能配电网自愈控制。
发明内容
为解决现有技术中的不足,本发明提供一种智能配电网大数据融合重构与交互方法,提出包含分布式电源、用电信息采集和调度实时数据在内的营配调一体化大数据分析和融合重构方法,构建基于关联规则的信息交互方法,解决了配电网控制智能化水平相对不高和配电网自愈控制能力薄弱的问题。
为了实现上述目标,本发明采用如下技术方案:。
一种智能配电网大数据融合重构与交互方法,其特征在于,包括步骤:
1)对智能配电网大数据进行初始聚类划分,根据智能配电网运行状态建立关联规则,实现扩展聚类的划分;
2)将当前数据划归到基于历史数据的初始聚类中,基于关联规则预测运行状态,从而确定自愈控制策略,进行全景风险管控和自愈控制。
前述的一种智能配电网大数据融合重构与交互方法,其特征在于,所述步骤1)具体步骤为:
1.1)将n维数据空间S中的每一维(Sj,j∈[1,n])等分成m份区间,得到数量为n×m粒度的多维网格构成的数据空间S;
1.2)扫描数据空间S并构建基于网格索引的数据流存储结构;数量为n×m粒度的多维网格中的每一个网格单元定义为四元组网格存储结构Gridj,k,t=(grid,number,density,time),其中,grid为网格位置索引、number为网格内的数据点数、density为网格密度、time为最新接收数据时间;
1.3)统计分析数据流存储结构的底层网格密度density(Gridj,k,t),以单元网格密度最大的网格GridH1为中心,扫描其邻近的网格Grid,根据密度差别阈值ε决定是否将Grid与GridH1划分一类网格,并将与GridH1聚为一类的网格组合记为Class1;
1.4)在剩余网格中,以单元网格密度最大的网格GridH2为中心,扫描其邻近的网格Grid,根据密度差别阈值ε决定是否将Grid与GridH2划分一类网格,并将与GridH2聚为一类的网格组合记为Class2;
1.5)重复步骤1.4),得到初始聚类划分数量为r的聚类(Class1,Class2,…,Classr);
1.6)将智能配电网运行状态分为5类情况:优化运行状态State1、正常运行状态State2、脆弱运行状态State3、故障运行状态State4和崩溃状态State5;利用关联规则建立数据空间初始聚类Classx与智能配电网5种运行状态之间的相互联系,实现扩展聚类划分,得到数据空间扩展聚类。
前述的一种智能配电网大数据融合重构与交互方法,其特征是:所述步骤2)具体步骤包括:
2.1)基于历史数据的关联规则与初始聚类,对智能配电网历史数据进行分析,确定智能配电网5种运行状态的基本特征与边界条件;
2.2)根据历史数据的初始聚类Classx和关联规则以及智能配电网5种运行状态,将满足基本特征与边界条件的当前数据划归到基于历史数据的初始聚类Classx中并预测运行状态;
2.3)根据步骤2.2)中预测得到的运行状态,确定智能配电网自愈控制策略;
2.4)统计并判断扩展聚类准确率是否满足要求,若不满足,则重复步骤1)-2),基于历史数据对初始聚类进一步精细划分,增加数据空间中的每一维等分区间数量,减少密度差别阈值,并对关联规则进行调整;当扩展聚类准确率满足要求时,继续执行步骤2)。
前述的一种智能配电网大数据融合重构与交互方法,其特征是:步骤1.1)中,所述数据为智能配电网中配电网大数据,数据组成一系列数据流记录:X1,X2,…,数据到达的时间记为:t1,t2,…;数据流中的每一个数据点Xi是n维的,Xi=(xi1,xi2,…xin),i=1,2,…;n维数据空间S=S1×S2×…×Sn,其中,Sj为第j维数据空间,其中Sj=x.j,j∈[1,n];每一维Sj数据空间被平分为m份,Sj=Sj1∪Sj2∪…∪Sjm;数据空间S由n×m粒度的多维网格子空间Sjk构成,其中j∈[1,n],k∈[1,m]。
前述的一种智能配电网大数据融合重构与交互方法,其特征是:步骤1.3)中,所述根据密度差别阈值ε决定是否将Grid与GridH1划分一类网格,具体步骤为,如果|density(Grid)-density(GridH)|<ε,则将Grid与GridH1聚类划分为一类。
前述的一种智能配电网大数据融合重构与交互方法,其特征是:步骤1.6)中,所述关联规则为建立(Class1,Class2,…,Classr)与(State1,State2,…,State5)之间的形如X→Y的蕴涵表达式;其中,X为关联规则的先导,为若干个初始聚类Class,Y为关联规则的后继,为配电网5种运行状态之一。
前述的一种智能配电网大数据融合重构与交互方法,其特征是:所述网格密度为,对于一个网格(i,j),若其加入数据空间的时间为t1,网格内包含数据序列(P1,P2,…,Pl),(t1,t2,…,tl)分别对应每个数据点的到达时间,则网格(i,j)的网格密度density(i,j,t)定义为: 式中λ为衰减系数,其中λ>0,w(t-tk)为时刻tk到达的数据点在时刻t的权值,l为数据空间中数据的数量。
前述的一种智能配电网大数据融合重构与交互方法,其特征是:所述自愈控制策略包括:优化控制、预防控制、紧急控制和恢复控制。
前述的一种智能配电网大数据融合重构与交互方法,其特征是:所述2.4)中扩展聚类准确率为:运用关联规则预测的配电网运行状态正确的次数与对配电网进行控制的总次数的比值。
本发明所达到的有益效果:本发明通过计算智能配电网大数据空间的网格密度进行初始聚类划分,通过建立关联规则进行扩展聚类划分,实现智能配电网大数据融合重构与交互,能有效提高数据流聚类效率及聚类精度,且可以进行任意形状和距离非连续邻近网格的聚类;将初始聚类划分与扩展聚类划分相结合,而这样的分层网格结构大大降低了关联规则映射的空间复杂度和时间复杂度,具有良好的可扩展性;通过将扩展聚类准确率作为聚类划分科学合理性的评价指标,建立智能配电网大数据聚类划分与关联规则控制动态调整机制,实现智能配电网全景风险管控与自愈控制***集成,应用智能配电网大数据融合重构与交互方法,能够提高配电网控制智能化水平,增强配电网自愈控制功能。
附图说明
图1是智能配电网大数据聚类划分与关联规则控制流程图;
图2是智能配电网自愈控制状态转换关系图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
如图1所示,一种智能配电网大数据融合重构与交互方法,包括智能配电网大数据初始聚类划分与扩展聚类划分,智能配电网运行状态与自愈控制两部分内容,具体实现步骤如下:
步骤S01:对智能配电网大数据进行初始聚类划分,根据智能配电网运行状态建立关联规则,实现扩展聚类的划分;
步骤S011:将n维数据空间S中的每一维(Sj,j∈[1,n])等分成m份区间,得到数量为n×m粒度的多维网格构成的数据空间S;
所述数据为智能配电网中配电大数据,数据组成一系列数据流记录:X1,X2,…,数据到达的时间记为:t1,t2,…;数据流中的每一个数据点Xi是n维的,Xi=(xi1,xi2,…xin),i=1,2,…;n维数据空间S=S1×S2×…×Sn,其中,Sj为第j维数据空间,Sj=x.j,j∈[1,n];每一维Sj数据空间被平分为m份,Sj=Sj1∪Sj2∪…∪Sjm;数据空间S由n×m粒度的多维网格子空间Sjk构成,其中j∈[1,n],k∈[1,m];
步骤S012:扫描数据空间S并构建基于网格索引的数据流存储结构;定义为四元组网格存储结构Gridj,k,t=(grid,number,density,time),其中,每一个网格单元Gridj,k,t为一个四元组,grid为网格位置索引、number为网格内的数据点数、density为网格密度、time为最新接收数据时间,除网格位置索引grid与时间无关,其余三个变量均与时间相关;
网格密度的定义,对于一个网格(i,j),若其加入数据空间的时间为t1,网格内包含数据序列(P1,P2,…,Pl),(t1,t2,…,tl)分别对应每个数据点的到达时间,则网格(i,j)的网格密度density(i,j,t)定义为: 式中λ为衰减系数,λ>0,w(t-tk)为时刻tk到达的数据点在时刻t的权值,l的含义为:数据空间中数据的数量。
步骤S013:从底层向上统计分析数据流存储结构的网格密度density(Gridj,k,t),以底层单元网格密度最大的网格GridH1为中心,扫描其邻近的网格Grid,根据密度差别阈值ε决定是否将Grid与GridH1划分一类网格,并将与GridH1聚为一类的网格组合记为Class1;具体为,如果|density(Grid)-density(GridH)|<ε,则将Grid与GridH1聚类划分为一类;
步骤S014:在剩余网格中,以底层单元网格密度最大的网格GridH2为中心,扫描其邻近的网格Grid,根据密度差别阈值ε决定是否将Grid与GridH2划分一类网格,并将与GridH2聚为一类的网格组合记为GridH2;因此,初始聚类的网格可以为任意形状,网格距离可以非连续;
步骤S015:重复步骤S014,得到初始聚类划分数量为r的聚类,表示为(Class1,Class2,…,Classr);
聚类分析通过将数据空间中的数据划分成不同的类别,使得同一个类中数据对象的相似性尽可能大,不同类中数据对象的差异性尽可能大,目的在于发现和确定数据的结构分布,进一步描述数据并发现数据中隐含的配电网运行状态信息。
步骤S016:根据配电网运行状态的分类,将具备自愈功能的智能配电网运行状态分为5种情况:优化运行状态State1、正常运行状态State2、脆弱运行状态State3、故障运行状态State4和崩溃状态State5;利用关联规则建立数据空间初始聚类Classx与智能配电网5种运行状态之间的相互联系,实现扩展聚类划分,得到数据空间扩展聚类;
正常运行状态State2是一种经济稳定的运行状态,优化运行状态State1是一种理想的运行状态;脆弱运行状态State3、故障运行状态State4和崩溃状态State5都是非正常运行状态。
关联规则就是要建立形如X→Y的蕴涵表达式;其中,X和Y分别被称为关联规则的先导和后继;本发明中的关联规则先导是指若干个初始聚类Class,关联规则后继是指配电网5种运行状态其中之一;该对应关系之间存在扩展聚类准确率μ的问题;扩展聚类准确率μ为正确预测状态数量与所有预测状态数量的比值;
蕴涵表达式X→Y的核心是建立关联规则的先导X所在的数据空间和后继Y所在的数据空间之间的映射关系,目的在于帮助人们捕捉现在和预测未来。具体建立过程如下:①分析先导X数据空间和后继Y数据空间的历史数据,分别整理数据变量;②构建先导X数据空间中数据变量和后继Y数据空间中数据变量之间的相互关系,并依据相互关系强弱进行排序(相互关系的核心是量化两个数据值之间的数理关系;相互关系强是指当一个数据值增加时,另一个数据值很有可能会随之增加;相互关系弱就意味着当一个数据值增加时,另一个数据值几乎不会发生变化;);③综合考虑相互关系强弱与数据变量取值范围两方面的因素,构建先导X数据空间中若干子空间和后继Y数据空间中特定子空间之间的映射关系;④基于已构建的先导X与后继Y之间的映射关系,对现在和未来在先导X某一子空间中的数据,可以直接预测其应处于后继Y的特定子空间。
步骤S02:将当前数据划归到基于历史数据的初始聚类中,基于关联规则预测运行状态,从而确定自愈控制策略,进行全景风险管控和自愈控制。
步骤S021:基于历史数据的关联规则与初始聚类,对智能配电网历史数据进行分析,确定智能配电网5种运行状态Statey的基本特征与边界条件,其中,y∈[1,5];基本特征包括电压波动、电流波动、相角波动等,边界条件指上述各物理量波动范围、持续时间等。运行状态基于关联规则所对应的若干初始聚类中的历史数据具有相似的基本特征与边界条件;
步骤S022:根据数据空间初始聚类Classx与智能配电网5种运行状态Statey之间的基于历史数据建立的关联规则,将满足基本特征与边界条件的当前的数据划归到步骤S015得到的初始聚类Classx中并预测对应5种运行状态Statey中的其中之一;其中,若干个初始聚类Classx与一个运行状态Statey相对应,其对应的初始聚类Classx具体数量依据实际情况而定,一般选择10个左右;
步骤S023:根据步骤S022中预测得到的运行状态Statey,确定智能配电网自愈控制策略:如图2所示,所述自愈控制策略包括:优化控制、预防控制、紧急控制和恢复控制。
由正常运行状态State2到优化运行状态State1的控制为优化控制,优化控制是指电网处于正常运行状态时,通过改变供电路径、优化变压器运行方式、调节无功补偿设备等,降低电网损耗、减小运行成本,使其转到优化运行状态。脆弱运行状态State3、故障运行状态State4和崩溃状态State5都是非正常运行状态,必须对非正常运行状态进行干预控制,使之回到正常运行状态;以上三种非正常运行状态到正常运行状态State2的干预控制分别定义为:预防控制、紧急控制和恢复控制;预防控制是指配电网处于脆弱运行状态时,通过校核检修二次***、调整保护定值范围、调节无功补偿和切换线路等干预措施,消除配电网的安全隐患,使其转到正常运行状态;紧急控制是指配电网处于故障运行状态时,通过采取切除故障、切机、切负荷、主动解列等干预措施,消除配电网的故障,使其转到正常运行状态;恢复控制是指配电网处于崩溃状态时,尝试选择合理的供电路径,恢复***供电,实现孤岛运行或并网运行,使其转到正常运行状态;
步骤S024:统计并判断扩展聚类准确率μ是否能满足要求,若不能满足,则重复步骤S011-S023,基于历史数据对初始聚类进一步精细划分,增加数据空间S中的每一维等分区间数量m,减少密度差别阈值ε,并对关联规则进行调整;当扩展聚类准确率μ满足要求时,继续执行步骤S023。
扩展聚类准确率μ统计方法:将运用关联规则预测的配电网运行状态与无干预的配电网运行状态(通过电力***仿真软件实现)进行统计对比分析,即可得到扩展聚类准确率μ=(运用关联规则预测的配电网运行状态正确的次数)/(对配电网进行控制的总次数)。
本发明具有如下有益效果:
1)将网格聚类与关联规则相结合,提出了一种智能配电网大数据融合重构与交互方法,能有效提高数据流聚类效率及聚类精度,且可以进行任意形状和距离非连续邻近网格的聚类;
2)将初始聚类划分与扩展聚类划分相结合,而这样的分层网格结构大大降低了关联规则映射的空间复杂度和时间复杂度,并且具有良好的可扩展性;
3)通过将扩展聚类准确率μ作为聚类划分科学合理性的评价指标,建立智能配电网大数据聚类划分与关联规则控制动态调整机制;
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变形,这些改进和变形也应视为本发明的保护范围。
Claims (9)
1.一种智能配电网大数据融合重构与交互方法,其特征在于,包括步骤:
1)对智能配电网大数据进行初始聚类划分,根据智能配电网运行状态建立关联规则,实现扩展聚类的划分;
2)将当前数据划归到基于历史数据的初始聚类中,基于关联规则预测运行状态,从而确定自愈控制策略,进行全景风险管控和自愈控制。
2.基于权利要求1中所述的一种智能配电网大数据融合重构与交互方法,其特征在于,所述步骤1)具体步骤为:
1.1)将n维数据空间S中的每一维(Sj,j∈[1,n])等分成m份区间,得到数量为n×m粒度的多维网格构成的数据空间S;
1.2)扫描数据空间S并构建基于网格索引的数据流存储结构;数量为n×m粒度的多维网格中的每一个网格单元定义为四元组网格存储结构Gridj,k,t=(grid,number,density,time),其中,grid为网格位置索引、number为网格内的数据点数、density为网格密度、time为最新接收数据时间;
1.3)统计分析数据流存储结构的底层网格密度density(Gridj,k,t),以单元网格密度最大的网格GridH1为中心,扫描其邻近的网格Grid,根据密度差别阈值ε决定是否将Grid与GridH1划分一类网格,并将与GridH1聚为一类的网格组合记为Class1;
1.4)在剩余网格中,以单元网格密度最大的网格GridH2为中心,扫描其邻近的网格Grid,根据密度差别阈值ε决定是否将Grid与GridH2划分一类网格,并将与GridH2聚为一类的网格组合记为Class2;
1.5)重复步骤1.4),得到初始聚类划分数量为r的聚类(Class1,Class2,…,Classr);
1.6)将智能配电网运行状态分为5类情况:优化运行状态State1、正常运行状态State2、脆弱运行状态State3、故障运行状态State4和崩溃状态State5;利用关联规则建立数据空间初始聚类Classx与智能配电网5种运行状态之间的相互联系,实现扩展聚类划分,得到数据空间扩展聚类。
3.根据权利要求1所述的一种智能配电网大数据融合重构与交互方法,其特征是:所述步骤2)具体步骤包括:
2.1)基于历史数据的关联规则与初始聚类,对智能配电网历史数据进行分析,确定智能配电网5种运行状态的基本特征与边界条件;
2.2)根据历史数据的初始聚类Classx和关联规则以及智能配电网5种运行状态,将满足基本特征与边界条件的当前数据划归到基于历史数据的初始聚类Classx中并预测运行状态;
2.3)根据步骤2.2)中预测得到的运行状态,确定智能配电网自愈控制策略;
2.4)统计并判断扩展聚类准确率是否满足要求,若不满足,则重复步骤1)-2),基于历史数据对初始聚类进一步精细划分,增加数据空间中的每一维等分区间数量,减少密度差别阈值,并对关联规则进行调整;当扩展聚类准确率满足要求时,继续执行步骤2)。
4.根据权利要求2所述的一种智能配电网大数据融合重构与交互方法,其特征是:步骤1.1)中,所述数据为智能配电网中配电网大数据,数据组成一系列数据流记录:X1,X2,…,数据到达的时间记为:t1,t2,…;数据流中的每一个数据点Xi是n维的,Xi=(xi1,xi2,…xin),i=1,2,…;n维数据空间S=S1×S2×…×Sn,其中,Sj为第j维数据空间,其中Sj=x·j,j∈[1,n];每一维Sj数据空间被平分为m份,Sj=Sj1∪Sj2∪…∪Sjm;数据空间S由n×m粒度的多维网格子空间Sjk构成,其中j∈[1,n],k∈[1,m]。
5.根据权利要求2所述的一种智能配电网大数据融合重构与交互方法,其特征是:步骤1.3)中,所述根据密度差别阈值ε决定是否将Grid与GridH1划分一类网格,具体步骤为,如果|density(Grid)-density(GridH)|<ε,则将Grid与GridH1聚类划分为一类。
6.根据权利要求2所述的一种智能配电网大数据融合重构与交互方法,其特征是:步骤1.6)中,所述关联规则为建立(Class1,Class2,…,Classr)与(State1,State2,…,State5)之间的形如X→Y的蕴涵表达式;其中,X为关联规则的先导,为若干个初始聚类Class,Y为关联规则的后继,为配电网5种运行状态之一。
7.根据权利要求2所述的一种智能配电网大数据融合重构与交互方法,其特征是:所述网格密度为,对于一个网格(i,j),若其加入数据空间的时间为t1,网格内包含数据序列(P1,P2,…,Pl),(t1,t2,…,tl)分别对应每个数据点的到达时间,则网格(i,j)的网格密度density(i,j,t)定义为: 式中λ为衰减系数,λ>0,w(t-tk)为时刻tk到达的数据点在时刻t的权值,l为数据空间中数据的数量。
8.根据权利要求3所述的一种智能配电网大数据融合重构与交互方法,其特征是:所述自愈控制策略包括:优化控制、预防控制、紧急控制和恢复控制。
9.根据权利要求3所述的一种智能配电网大数据融合重构与交互方法,其特征是:所述2.4)中扩展聚类准确率为:运用关联规则预测的配电网运行状态正确的次数与对配电网进行控制的总次数的比值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510061782.4A CN104616210B (zh) | 2015-02-05 | 2015-02-05 | 一种智能配电网大数据融合重构与交互方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510061782.4A CN104616210B (zh) | 2015-02-05 | 2015-02-05 | 一种智能配电网大数据融合重构与交互方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104616210A true CN104616210A (zh) | 2015-05-13 |
CN104616210B CN104616210B (zh) | 2017-12-08 |
Family
ID=53150643
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510061782.4A Expired - Fee Related CN104616210B (zh) | 2015-02-05 | 2015-02-05 | 一种智能配电网大数据融合重构与交互方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104616210B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104899795A (zh) * | 2015-05-27 | 2015-09-09 | 云南电网有限责任公司 | 基于配网gis***划分供电区域的方法 |
CN104980440A (zh) * | 2015-06-23 | 2015-10-14 | 南京邮电大学 | 基于内容过滤和多Agent协作的有源配电网大数据传输方法 |
CN105470951A (zh) * | 2015-12-10 | 2016-04-06 | 浙江大学 | 一种基于大数据挖掘技术的配电网可靠供电能力评估方法 |
CN105548779A (zh) * | 2016-02-02 | 2016-05-04 | 中国农业大学 | 一种低压配电网无功运行状态的预警方法及*** |
CN106681300A (zh) * | 2016-12-14 | 2017-05-17 | 云南电网有限责任公司电力科学研究院 | 一种电力设备的数据聚类分析方法和*** |
CN109389172A (zh) * | 2018-10-11 | 2019-02-26 | 中南大学 | 一种基于无参数网格的无线电信号数据聚类方法 |
CN109406943A (zh) * | 2018-11-16 | 2019-03-01 | 国网江苏省电力有限公司盐城供电分公司 | 一种基于大数据的主动配电网监测方法 |
CN111241145A (zh) * | 2018-11-28 | 2020-06-05 | ***通信集团浙江有限公司 | 一种基于大数据的自愈规则挖掘方法及装置 |
CN112347113A (zh) * | 2020-09-16 | 2021-02-09 | 北京中兵数字科技集团有限公司 | 航空数据融合方法、航空数据融合装置和存储介质 |
CN117150438A (zh) * | 2023-10-31 | 2023-12-01 | 成都汉度科技有限公司 | 基于边缘计算的通信数据融合方法及*** |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102831393A (zh) * | 2012-07-19 | 2012-12-19 | 安徽工业大学 | 电力杆塔轮廓的快速图像识别方法 |
US20130157729A1 (en) * | 2011-12-16 | 2013-06-20 | Joseph Akwo Tabe | Energy harvesting computer device in association with a communication device configured with apparatus for boosting signal reception |
CN104182830A (zh) * | 2014-08-14 | 2014-12-03 | 天津大学 | 一种基于多维分析的配电***可靠性薄弱环节挖掘方法 |
-
2015
- 2015-02-05 CN CN201510061782.4A patent/CN104616210B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130157729A1 (en) * | 2011-12-16 | 2013-06-20 | Joseph Akwo Tabe | Energy harvesting computer device in association with a communication device configured with apparatus for boosting signal reception |
CN102831393A (zh) * | 2012-07-19 | 2012-12-19 | 安徽工业大学 | 电力杆塔轮廓的快速图像识别方法 |
CN104182830A (zh) * | 2014-08-14 | 2014-12-03 | 天津大学 | 一种基于多维分析的配电***可靠性薄弱环节挖掘方法 |
Non-Patent Citations (2)
Title |
---|
何明: "应用网格化方法构建城市配电网大数据", 《电网技术》 * |
李贵兵 等: "大数据下的智能数据分析技术研究", 《科技资讯》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104899795A (zh) * | 2015-05-27 | 2015-09-09 | 云南电网有限责任公司 | 基于配网gis***划分供电区域的方法 |
CN104980440A (zh) * | 2015-06-23 | 2015-10-14 | 南京邮电大学 | 基于内容过滤和多Agent协作的有源配电网大数据传输方法 |
CN105470951A (zh) * | 2015-12-10 | 2016-04-06 | 浙江大学 | 一种基于大数据挖掘技术的配电网可靠供电能力评估方法 |
CN105548779A (zh) * | 2016-02-02 | 2016-05-04 | 中国农业大学 | 一种低压配电网无功运行状态的预警方法及*** |
CN106681300A (zh) * | 2016-12-14 | 2017-05-17 | 云南电网有限责任公司电力科学研究院 | 一种电力设备的数据聚类分析方法和*** |
CN109389172A (zh) * | 2018-10-11 | 2019-02-26 | 中南大学 | 一种基于无参数网格的无线电信号数据聚类方法 |
CN109389172B (zh) * | 2018-10-11 | 2022-05-20 | 中南大学 | 一种基于无参数网格的无线电信号数据聚类方法 |
CN109406943A (zh) * | 2018-11-16 | 2019-03-01 | 国网江苏省电力有限公司盐城供电分公司 | 一种基于大数据的主动配电网监测方法 |
CN111241145A (zh) * | 2018-11-28 | 2020-06-05 | ***通信集团浙江有限公司 | 一种基于大数据的自愈规则挖掘方法及装置 |
CN112347113A (zh) * | 2020-09-16 | 2021-02-09 | 北京中兵数字科技集团有限公司 | 航空数据融合方法、航空数据融合装置和存储介质 |
CN117150438A (zh) * | 2023-10-31 | 2023-12-01 | 成都汉度科技有限公司 | 基于边缘计算的通信数据融合方法及*** |
CN117150438B (zh) * | 2023-10-31 | 2024-02-06 | 成都汉度科技有限公司 | 基于边缘计算的通信数据融合方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN104616210B (zh) | 2017-12-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104616210A (zh) | 一种智能配电网大数据融合重构与交互方法 | |
CN104283308B (zh) | 微电网智能中央策略控制*** | |
CN105139095A (zh) | 基于属性区间模型的配电网运行状态评估方法 | |
Chanda et al. | Quantifying resiliency of smart power distribution systems with distributed energy resources | |
CN112491050A (zh) | 基于指标集权重的主配网事故恢复处理方法 | |
CN110429714A (zh) | 一种基于大数据的云平台智能配电*** | |
CN113705085B (zh) | 一种智能电网多层次结构建模及风险评估方法 | |
Dehghani et al. | Multi-stage resilience management of smart power distribution systems: A stochastic robust optimization model | |
CN107453354B (zh) | 一种配电网的薄弱环节识别方法 | |
CN108695846A (zh) | 一种单元制配电网运行风险评估方法 | |
CN102290811A (zh) | 对事故预案和运行方式进行评估的方法 | |
CN105574600A (zh) | 一种面向电网通信业务的通信风险预警与风险规避方法 | |
CN104899689A (zh) | 基于dbcc优化算法与熵权理论的配电网故障恢复方法 | |
CN108427764A (zh) | 用于大数据的收集防丢失*** | |
CN103532133A (zh) | 基于MAS的35kV配电网故障时负荷转移***及方法 | |
CN108832630B (zh) | 一种基于预想事故场景的电网cps预防控制方法 | |
de Assis et al. | Optimal allocation of remote controlled switches in radial distribution systems | |
CN112561129B (zh) | 一种基于配电线路故障信息的抢修物资调配方法 | |
CN114204675A (zh) | 一种基于云边协同的配电台区电能数据采集终端 | |
CN103400213A (zh) | 一种基于lda与pca的骨干网架生存性评估方法 | |
CN112712271A (zh) | 一种电网网格划分评价方法、***、介质及电子设备 | |
Yang et al. | Optimal resource allocation to enhance power grid resilience against hurricanes | |
Tong et al. | Artificial intelligence-based lightning protection of smart grid distribution system | |
CN103166317A (zh) | 一种含der配电通信方式的可靠性检测方法和装置 | |
Zhao et al. | Operation and Maintenance Management and Decision Analysis in Distribution Network Based on Big Data Mining |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20171208 |
|
CF01 | Termination of patent right due to non-payment of annual fee |