CN105021888A - 基于数据聚类的谐波数据监测方法 - Google Patents
基于数据聚类的谐波数据监测方法 Download PDFInfo
- Publication number
- CN105021888A CN105021888A CN201510394594.3A CN201510394594A CN105021888A CN 105021888 A CN105021888 A CN 105021888A CN 201510394594 A CN201510394594 A CN 201510394594A CN 105021888 A CN105021888 A CN 105021888A
- Authority
- CN
- China
- Prior art keywords
- detecting power
- data
- cluster
- power harmonics
- harmonics data
- 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
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明提供一种基于数据聚类的谐波数据监测方法,包括步骤:采集监测点的谐波监测数据;根据所述谐波监测数据确定第一聚类数;根据所述第一聚类数获得所述谐波监测数据的聚类结果。通过采集监测点的不同时间序列、不同监测点、不同谐波采样次数的监测数据,然后根据类间相似度较低、类内相似度较高的标准,将所述监测数据进行聚类,并获得第一聚类数,最后根据所述第一聚类数在再次满足类间相似度较低、类内相似度较高的标准下对谐波监测数据进行重新聚类,获得聚类结果,从而获得精确的谐波监测数据。
Description
技术领域
本发明涉及电能质量数据监测领域,特别涉及一种基于数据聚类的谐波数据监测方法。
背景技术
如何快速有效的采集、监测电网电能质量状况成为日益关注的问题。但要充分利用电能质量监测数据的前提是要获得更为精确的监测数据。从监测数据中不仅能得到指标值是否超标信息,还涉及从大量监测数据提取特征,以完成扰动源定位、异常状态监测和决策支持等。
时间序列聚类方法是监测谐波数据的有效方法之一,通过对时间序列的谐波监测数据进行聚类,可得到更为精确的谐波监测数据,从而为电能质量数据的监测提供可用的数据。对海量的谐波数据进行监测,有助于我们发电力***预测未来数据、为相关部门做出科学决策及智能交通的发展提供数据和理论基础。
发明内容
针对上述现有技术中存在的问题,本发明的目的在于提供一种基于数据聚类的谐波数据监测方法,从而为电能质量数据的监测提供精确的谐波监测数据。
一种基于数据聚类的谐波数据监测方法,包括步骤:采集监测点的谐波监测数据;根据所述谐波监测数据确定第一聚类数;根据所述第一聚类数获得所述谐波监测数据的聚类结果。
本发明提供的基于数据聚类的谐波数据监测方法,通过采集监测点的不同时间序列、不同监测点、不同谐波采样次数的监测数据,将谐波监测数据对象进行任意分类,把各个谐波监测数据对象划分到与所述谐波监测数据对象距离最小的类,重新将所述谐波监测数据进行聚类,并获得第一聚类数,然后根据所述第一聚类数,再次把各个谐波监测数据对象划分到与所述谐波监测数据对象距离最小的类,重新进行聚类,获得聚类结果,从而获得精确的谐波监测数据,进而充分发现谐波的规律,为谐波治理奠定基础。
附图说明
图1为一个实施例的基于数据聚类的谐波数据监测方法的流程示意图;
图2为一个实施例的根据谐波监测数据确定第一聚类数的流程示意图;
图3为一个实施例的将谐波监测数据进行聚类的流程示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步详细描述。
请参阅图1中一个实施例的基于数据聚类的谐波数据监测方法的流程示意图。
一种基于数据聚类的谐波数据监测方法,包括步骤:
S102,采集监测点的谐波监测数据。
通过采集监测点的谐波监测数据可得到不同时间序列、不同监测点、不同谐波次数的监测数据,为谐波数据监测提供初始的监测数据。其中,所述谐波监测数据可以包括谐波电流监测数据、谐波电压监测数据、谐波功率监测数据等。
在其中一个实施例中,所述采集监测点的谐波监测数据的方法包括:
采集监测点X处第h次谐波监测数据,所述谐波监测数据用公式表示为:其中N为采样点数,为谐波监测数据对象。
S104,根据所述谐波监测数据确定第一聚类数。
在本实施例中,将谐波监测数据对象进行任意分类,把各个谐波监测数据对象划分到与所述谐波监测数据对象距离最小的类,重新将所述谐波监测数据进行聚类,并获得第一聚类数。
S106,根据所述第一聚类数获得所述谐波监测数据的聚类结果。
根据所述第一聚类数,再次把各个谐波监测数据对象划分到与所述谐波监测数据对象距离最小的类,重新进行聚类,获得聚类结果,从而获得精确的谐波监测数据。
以上步骤通过采集监测点的不同时间序列、不同监测点、不同谐波采样次数的监测数据,将谐波监测数据对象进行任意分类,把各个谐波监测数据对象划分到与所述谐波监测数据对象距离最小的类,重新将所述谐波监测数据进行聚类,并获得第一聚类数,然后根据所述第一聚类数,再次把各个谐波监测数据对象划分到与所述谐波监测数据对象距离最小的类,重新进行聚类,获得聚类结果,从而获得精确的谐波监测数据。
在其中一个实施例中,根据所述谐波监测数据确定第一聚类数的步骤包括:
如图2所示,S202,设置任意聚类数量k、以及k所在的范围集合[kmin kmax],其中,kmin为最小聚类数量,kmax为最大聚类数量,k大于或等于kmin且小于或等于kmax。
由于谐波监测数据具有周期性和重复性,优选地,所述谐波监测数据按照时间序列总天数进行分类,设置任意聚类数量k所在的范围集合[kmin kmax],其中,设置kmin为1,kmax为谐波数据监测的总天数;若所述谐波监测数据按照时间序列总小时数进行分类,则kmax为谐波数据监测的总小时数。此步骤确定了任意聚类数量k所在的范围。
S204,将所述谐波监测数据进行聚类,获得第一聚类结果。
将谐波监测数据集合的所有数据对象任意分为k个聚类,把各个谐波监测数据对象划分到与所述谐波监测数据对象距离最小的类,将所有谐波监测数据对象进行聚类,并获得第一聚类结果。
S206,根据所述聚类数量k、k所在的范围集合[kmin kmax]、第一聚类结果以及聚类指标,确定第一聚类数kopt。其中,所述聚类指标为:
Sil(i)=(b(i)-a(i))/max{a(i),b(i)},计算出的最大值对应的聚类即为第一聚类数kopt,a(i)为谐波监测数据对象i与所述i所在的聚类中所有谐波监测数据对象的平均距离,b(i)为谐波监测数据对象i与除i所在的聚类外其它每个聚类中所有谐波监测数据对象的平均距离。
以上步骤通过聚类指标,结合聚类数量k、k所在的范围集合[kmin kmax]以及第一聚类结果确定谐波监测数据的第一聚类数,其值在[-1,1]范围内变动,数值越大表示聚类的质量越好,最大值对应的聚类即为第一聚类数。其中,所述聚类的质量越好表现为同一聚类内各个谐波监测数据对象越相似。
在其中一个实施例中,所述将谐波监测数据进行聚类的步骤包括:
如图3所示,S302,设置输入参数和输出条件,其中输入参数为所述聚类数量k、谐波监测数据以及预设的最小误差ε或预设的最大迭代次数Miter,输出条件为当计算结果小于或等于所述最小误差ε、或迭代计算的次数等于所述最大迭代计算次数Miter。
S304,从所述谐波监测数据中获得k个谐波监测数据对象C,C={c1,c2,…,ck}作为第一聚类中心。
S306,获得所述谐波监测数据中各个谐波监测数据对象到所述第一聚类中心的距离以及距离总和E,表示为
其中μp,i取值为1或者0,当取值为1时,所述谐波监测数据对象属于该类、当取值为0时,所述谐波监测数据对象不属于该类,D(cp,xi)为相似度度量函数,表示数据对象i与类p的聚类中心cp之间的相似度大小,根据相似度度量函数计算谐波监测数据中每个谐波监测数据对象与所述第一聚类中心的距离,把各个谐波监测数据对象划分到与所述谐波监测数据对象距离最小的类。
S308,获得每个类中所有谐波监测数据对象的平均值,将所述平均值替换所述第一聚类中心的各个谐波监测数据对象的数值,并将所述谐波监测数据中各个谐波监测数据对象重新划分到与所述第一聚类中心距离最小的类,作为第二聚类中心,完成第一次迭代。
S310,获得每个类中所有谐波监测数据对象的平均值,将所述平均值替换所述第二聚类中心的各个谐波监测数据对象的数值,并将所述谐波监测数据中各个谐波监测数据对象重新划分到与所述第二聚类中心距离最小的类,作为第三聚类中心,完成第二次迭代。
S312,所述距离总和E小于或等于所述最小误差ε、或者聚类中心不再发生变化、或者迭代次数超过了预设的最大迭代次数Miter,迭代结束,获得第一聚类结果。
本实施例通过以上的聚类方法,采用距离作为相似性的指标,即认为两个谐波监测数据对象的距离越近,其相似度就越大;该方法把类当作是由距离靠近的谐波监测数据对象组成的,把各个谐波监测数据对象划分到与所述谐波监测数据对象距离最小的类作为最终目标,因此获得的谐波监测数据更为精确。
在其中一个实施例中,根据所述第一聚类数获得所述谐波监测数据的聚类结果的步骤包括:
根据所述第一聚类数以及将谐波监测数据进行聚类的步骤对谐波监测数据进行聚类,获得第二聚类结果。
所述第二聚类结果中,最相似的谐波监测数据独立成类,将相似程度不同的数据分类后,然后研究不同聚类下谐波监测数据的特点,从而为电能质量数据的监测提供精确的谐波监测数据。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (5)
1.一种基于数据聚类的谐波数据监测方法,其特征在于,包括以下步骤:
采集监测点的谐波监测数据;
根据所述谐波监测数据确定第一聚类数;
根据所述第一聚类数获得所述谐波监测数据的聚类结果。
2.根据权利要求1所述的基于数据聚类的谐波数据监测方法,其特征在于,所述采集监测点的谐波监测数据的方法包括:
采集监测点X处第h次谐波监测数据,所述谐波监测数据用公式表示为: 其中N为采样点数。
3.根据权利要求1或2所述的基于数据聚类的谐波数据监测方法,其特征在于,根据所述谐波监测数据确定第一聚类数的步骤包括:
设置任意聚类数量k、以及k所在的范围集合[kmin kmax],其中,kmin为最小聚类数量,kmax为最大聚类数量,k大于或等于kmin且小于或等于kmax;
将所述谐波监测数据进行聚类,获得第一聚类结果;
根据所述聚类数量k、k所在的范围集合[kmin kmax]、第一聚类结果以及聚类指标,确定第一聚类数kopt,其中,所述聚类指标为:
Sil(i)=(b(i)-a(i))/max{a(i),b(i)},计算出的最大值对应的聚类即为第一聚类数kopt,a(i)为谐波监测数据对象i与所述i所在的聚类中所有谐波监测数据对象的平均距离,b(i)为谐波监测数据对象i与除i所在的聚类外其它每个聚类中所有谐波监测数据对象的平均距离。
4.根据权利要求3所述的基于数据聚类的谐波数据监测方法,其特征在于,所述将谐波监测数据进行聚类的步骤包括:
设置输入参数和输出条件,其中输入参数为所述聚类数量k、谐波监测数据以及预设的最小误差ε或预设的最大迭代次数Miter,输出条件为当计算结果小于或等于所述最小误差ε、或迭代计算的次数等于所述最大迭代计算次数Miter;
从所述谐波监测数据中获得k个谐波监测数据对象C,C={c1,c2,…,ck}作为第一聚类中心;
获得所述谐波监测数据中各个谐波监测数据对象到所述第一聚类中心的距离以及距离总和E,表示为
其中μp,i取值为1或者0,当取值为1时,所述谐波监测数据对象属于该类、当取值为0时,所述谐波监测数据对象不属于该类,D(cp,xi)为相似度度量函数,表示数据对象i与类p的聚类中心cp之间的相似度大小,根据相似度度量函数计算谐波监测数据中每个谐波监测数据对象与所述第一聚类中心的距离,把各个谐波监测数据对象划分到与所述谐波监测数据对象距离最小的类;
获得每个类中所有谐波监测数据对象的平均值,将所述平均值替换所述第一聚类中心的各个谐波监测数据对象的数值,并将所述谐波监测数据中各个谐波监测数据对象重新划分到与所述第一聚类中心距离最小的类,作为第二聚类中心,完成第一次迭代;
获得每个类中所有谐波监测数据对象的平均值,将所述平均值替换所述第二聚类中心的各个谐波监测数据对象的数值,并将所述谐波监测数据中各个谐波监测数据对象重新划分到与所述第二聚类中心距离最小的类,作为第三聚类中心,完成第二次迭代;
所述距离总和E小于或等于所述最小误差ε、或者聚类中心不再发生变化、或者迭代次数超过了预设的最大迭代次数Miter,迭代结束,获得第一聚类结果。
5.根据权利要求4所述的基于数据聚类的谐波数据监测方法,其特征在于,根据所述第一聚类数获得所述谐波监测数据的聚类结果的步骤包括:
根据所述第一聚类数以及将谐波监测数据进行聚类的步骤对谐波监测数据进行聚类,获得第二聚类结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510394594.3A CN105021888B (zh) | 2015-07-06 | 2015-07-06 | 基于数据聚类的谐波数据监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510394594.3A CN105021888B (zh) | 2015-07-06 | 2015-07-06 | 基于数据聚类的谐波数据监测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105021888A true CN105021888A (zh) | 2015-11-04 |
CN105021888B CN105021888B (zh) | 2018-09-18 |
Family
ID=54412002
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510394594.3A Active CN105021888B (zh) | 2015-07-06 | 2015-07-06 | 基于数据聚类的谐波数据监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105021888B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105842535A (zh) * | 2015-12-23 | 2016-08-10 | 国网福建省电力有限公司 | 一种基于相似特征融合的谐波主特征群筛选方法 |
CN110070048A (zh) * | 2019-04-23 | 2019-07-30 | 山东建筑大学 | 基于双次K-means聚类的设备类型识别方法及*** |
CN110703038A (zh) * | 2019-10-17 | 2020-01-17 | 西南交通大学 | 一种适用于风机接入配电网的谐波阻抗估算方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS61256487A (ja) * | 1985-05-09 | 1986-11-14 | Matsushita Electric Ind Co Ltd | 不連続円弧符号化装置 |
CN102142719A (zh) * | 2011-04-28 | 2011-08-03 | 武汉英康铁路电气设备工程有限公司 | 变电站绝缘在线监测***的集成和数据处理的方法 |
KR101235506B1 (ko) * | 2010-11-11 | 2013-02-20 | 한양대학교 산학협력단 | 초기 클러스터링을 사용한 병합식 계층적 클러스터링 방법 및 장치 |
CN103049651A (zh) * | 2012-12-13 | 2013-04-17 | 航天科工深圳(集团)有限公司 | 一种用于电力负荷聚类的方法及装置 |
CN103093394A (zh) * | 2013-01-23 | 2013-05-08 | 广东电网公司信息中心 | 一种基于用户用电负荷数据细分的聚类融合方法 |
CN103105556A (zh) * | 2013-01-30 | 2013-05-15 | 西安交通大学 | 基于稳态与暂态特征联合匹配的智能电网负载检测与识别方法 |
CN103559504A (zh) * | 2013-11-04 | 2014-02-05 | 北京京东尚科信息技术有限公司 | 图像目标类别识别方法及装置 |
CN103777091A (zh) * | 2013-12-13 | 2014-05-07 | 国家电网公司 | 一种基于k均值的高铁电能质量监测数据分类方法 |
US20150039619A1 (en) * | 2012-03-19 | 2015-02-05 | Microsoft Corporation | Grouping documents and data objects via multi-center canopy clustering |
CN104502704A (zh) * | 2015-01-20 | 2015-04-08 | 西南交通大学 | 一种适用于背景谐波电压变化的谐波责任计算方法 |
-
2015
- 2015-07-06 CN CN201510394594.3A patent/CN105021888B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS61256487A (ja) * | 1985-05-09 | 1986-11-14 | Matsushita Electric Ind Co Ltd | 不連続円弧符号化装置 |
KR101235506B1 (ko) * | 2010-11-11 | 2013-02-20 | 한양대학교 산학협력단 | 초기 클러스터링을 사용한 병합식 계층적 클러스터링 방법 및 장치 |
CN102142719A (zh) * | 2011-04-28 | 2011-08-03 | 武汉英康铁路电气设备工程有限公司 | 变电站绝缘在线监测***的集成和数据处理的方法 |
US20150039619A1 (en) * | 2012-03-19 | 2015-02-05 | Microsoft Corporation | Grouping documents and data objects via multi-center canopy clustering |
CN103049651A (zh) * | 2012-12-13 | 2013-04-17 | 航天科工深圳(集团)有限公司 | 一种用于电力负荷聚类的方法及装置 |
CN103093394A (zh) * | 2013-01-23 | 2013-05-08 | 广东电网公司信息中心 | 一种基于用户用电负荷数据细分的聚类融合方法 |
CN103105556A (zh) * | 2013-01-30 | 2013-05-15 | 西安交通大学 | 基于稳态与暂态特征联合匹配的智能电网负载检测与识别方法 |
CN103559504A (zh) * | 2013-11-04 | 2014-02-05 | 北京京东尚科信息技术有限公司 | 图像目标类别识别方法及装置 |
CN103777091A (zh) * | 2013-12-13 | 2014-05-07 | 国家电网公司 | 一种基于k均值的高铁电能质量监测数据分类方法 |
CN104502704A (zh) * | 2015-01-20 | 2015-04-08 | 西南交通大学 | 一种适用于背景谐波电压变化的谐波责任计算方法 |
Non-Patent Citations (2)
Title |
---|
张靖等: "优化初始聚类中心的改进k-means算法", 《计算机工程与设计》 * |
李荟姣: "K-means聚类方法的改进及其应用", 《万方数据库》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105842535A (zh) * | 2015-12-23 | 2016-08-10 | 国网福建省电力有限公司 | 一种基于相似特征融合的谐波主特征群筛选方法 |
CN105842535B (zh) * | 2015-12-23 | 2019-01-22 | 国网福建省电力有限公司 | 一种基于相似特征融合的谐波主特征群筛选方法 |
CN110070048A (zh) * | 2019-04-23 | 2019-07-30 | 山东建筑大学 | 基于双次K-means聚类的设备类型识别方法及*** |
CN110703038A (zh) * | 2019-10-17 | 2020-01-17 | 西南交通大学 | 一种适用于风机接入配电网的谐波阻抗估算方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105021888B (zh) | 2018-09-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109473992B (zh) | 一种提高配电网韧性的方法、***及终端设备 | |
CN103400009B (zh) | 基于***层次半监督谱聚类算法的风电场动态等值方法 | |
Son et al. | Forecasting short-term electricity demand in residential sector based on support vector regression and fuzzy-rough feature selection with particle swarm optimization | |
CN104123682A (zh) | 一种基于气象影响因素的配网故障风险评估方法 | |
CN107316163A (zh) | 一种区域灾害风险评估方法 | |
CN104123477A (zh) | 一种基于生活数据的群租分析方法 | |
CN104376371B (zh) | 一种基于拓扑的配网分层负荷预测方法 | |
CN103530817A (zh) | 一种分布式光伏并网适应性评估方法 | |
CN107748938A (zh) | 一种基于向量自回归模型的电力需求预测方法 | |
Menon et al. | Prediction of temperature using linear regression | |
CN105021888A (zh) | 基于数据聚类的谐波数据监测方法 | |
Xue et al. | Adaptive ultra-short-term wind power prediction based on risk assessment | |
CN105095668A (zh) | 基于亚洲极涡因子的电网覆冰长期预报方法 | |
CN103049609A (zh) | 一种风功率多阶段场景模拟方法 | |
CN114386822A (zh) | 基于加权余弦相似度的重点人员用电行为异常分析方法 | |
CN201666923U (zh) | 一种用免疫遗传算法处理电力***的dsp故障诊断的装置 | |
CN105279617A (zh) | 配电网待建项目对电网可靠性影响的计算方法 | |
CA2884384C (en) | System data compression system and method thereof | |
CN108123436A (zh) | 基于主成分分析和多元回归算法的电压越限预测模型 | |
CN111815022A (zh) | 一种基于延时坐标嵌入法的电力负荷预测方法 | |
Huang et al. | Selection Method of Smart Grid Operation Index Based on Maximum Relevance and Minimum Redundancy | |
CN114070198B (zh) | 分布式光伏发电***的故障诊断方法、装置和电子设备 | |
Yun-jun et al. | A projection pursuit model optimized by free search: for the regional power quality evaluation | |
Zhu et al. | Design and experiment of smart fire electric power monitoring system based on the cyber-physical model | |
Han et al. | Sensitivity analysis of PV output power to capacity configuration of energy storage systems from time and space characteristics |
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 |