CN110705859A - 基于pca-自组织神经网络的中低压配电网运行状态评估方法 - Google Patents
基于pca-自组织神经网络的中低压配电网运行状态评估方法 Download PDFInfo
- Publication number
- CN110705859A CN110705859A CN201910912141.3A CN201910912141A CN110705859A CN 110705859 A CN110705859 A CN 110705859A CN 201910912141 A CN201910912141 A CN 201910912141A CN 110705859 A CN110705859 A CN 110705859A
- Authority
- CN
- China
- Prior art keywords
- index
- evaluation
- distribution network
- layer
- power distribution
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 27
- 238000011156 evaluation Methods 0.000 claims abstract description 93
- 238000000513 principal component analysis Methods 0.000 claims abstract description 25
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 20
- 238000004140 cleaning Methods 0.000 claims abstract description 14
- 238000004458 analytical method Methods 0.000 claims abstract description 12
- 238000000605 extraction Methods 0.000 claims abstract description 11
- 238000007619 statistical method Methods 0.000 claims abstract description 6
- 210000002569 neuron Anatomy 0.000 claims description 36
- 239000013598 vector Substances 0.000 claims description 33
- 239000011159 matrix material Substances 0.000 claims description 13
- 230000002159 abnormal effect Effects 0.000 claims description 12
- 230000000875 corresponding effect Effects 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 6
- 230000001186 cumulative effect Effects 0.000 claims description 5
- 230000007423 decrease Effects 0.000 claims description 4
- 230000007547 defect Effects 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 230000002860 competitive effect Effects 0.000 claims description 3
- 238000012847 principal component analysis method Methods 0.000 claims description 3
- 238000013139 quantization Methods 0.000 claims description 3
- 230000002596 correlated effect Effects 0.000 claims description 2
- 230000008030 elimination Effects 0.000 claims description 2
- 238000003379 elimination reaction Methods 0.000 claims description 2
- 230000006870 function Effects 0.000 claims description 2
- 238000013507 mapping Methods 0.000 claims description 2
- 238000007726 management method Methods 0.000 abstract description 3
- 238000004364 calculation method Methods 0.000 abstract description 2
- 238000012544 monitoring process Methods 0.000 description 6
- 238000011161 development Methods 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 238000012797 qualification Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000013278 delphi method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
基于PCA‑自组织神经网络的中低压配电网运行状态评估方法，包括以下步骤：基于改进的主成分分析法PCA特征提取算法，提取出最能反映配电网状态的指标变量，并构建层次分析评估指标体系；针对计算指标变量时所需数据，进行基于自组织神经网络的数据清理；对清理过的配电网数据进行统计分析，计算指标层单项指标值和单项指标得分。然后利用熵组合权重算法，计算出各个指标层指标的综合权重，最后根据指标层单项指标得分和综合权重，逐层向上计算中间层和目标层的指标得分；将评估得分划分评估健康等级，再根据评估健康等级从上层指标到下层指标找出配电网运行薄弱环节。该方法能够为中低压配电网运行状态控制和管理提供有效的技术支持和参考意见。
Description
技术领域
本发明涉及中低压配电网运行状态评估技术领域，具体涉及一种基于PCA-自组织神经网络的中低压配电网运行状态评估方法。
背景技术
近年来，作为智能电网的重要组成部分，配电网智能化也成为智能电网发展的新趋势，且由于中低压配电网是电力***与用户直接相连的关键环节，其运行状态直接影响到国民生活和经济。因此，构建一套科学有效、快速精确的中低压配电网运行状态评估体系是当务之急。
我国配电网有分布范围广，线路多且排布混乱，设备种类和数量繁多，自动化水平较低等问题，导致配电网运行数据采集困难，而且目前对配电网评估的研究大部分停留在高、中压配电网层面，对中低压配电网特性的评估较少。然而，随着用户对供电可靠性要求的不断提高以及智能电网的不断发展，配电网的健康状况及其对配电网***的影响逐渐得到了重视。而对配电网实施合理的评估，将有助于判定配电网的运行状态，有针对性的对配电网进行改造，使配电网的供电可靠性、电能质量、电网资产利用率等方面得到改善。
配电网是一种直接面向用户的终端网络，对维持供电可靠性和地区经济平稳发展有着极其重要的作用。目前我国的配电网在电能质量、供电可靠性上相较于西方发达国家仍有不小的差距。近年来，电网运行状态评估***成为智能电网的重要组成部分，其对提高调度效率，避免故障发生与扩大，提高供电可靠性具有重要意义。而配电网作为连接输电网和用户的重要环节，其运行状态的好坏直接影响着用户用电的可靠性和电能质量，与人民生活水平和国民经济发展息息相关。为了满足用户日益增长的用电需求，需要提供一种安全可靠、优质经济的中低压配电网运行状态评估方法。
现有技术中涉及中低压配电网运行状态评估存在的弊端有：
1)、在中低压配电网运行状态评估中，配电网状态影响因素多导致评估指标数目众多，且暂时没有统一合理的方法来筛选评估指标，亟需一种客观合理的方法来筛选评估指标。
2)、中低压配电网结构复杂，设备繁多，自动化水平较低，现有的SCADA等***的运行数据存在采集困难、精度较差、数据不完整等特点。因此，在对中低压配电网运行状态进行评估时，传统评估流程有较大误差，亟需对异常数据进行辨识和清理。
发明内容
本发明的目的在于提供一种基于PCA-自组织神经网络的中低压配电网运行状态评估方法，从安全性、可靠性、优质性、经济性多方面对中低压配电网进行各方面的综合评估，该方法能够为中低压配电网运行状态控制和管理提供有效的技术支持和参考意见。
本发明采取的技术方案为：
基于PCA-自组织神经网络的中低压配电网运行状态评估方法，包括以下步骤：
步骤1：根据配电网运行状态基础数据和设备参数，采用基于改进的主成分分析法PCA特征提取算法，提取出最能反映配电网状态的指标变量，并构建层次分析评估指标体系；
步骤2：针对计算指标变量所需数据，进行基于自组织神经网络的数据清理；
步骤3：对清理过的配电网数据进行统计分析，计算指标层单项指标值和单项指标得分。然后利用熵组合权重算法，计算出各个指标层指标的综合权重，最后根据指标层单项指标得分和综合权重，逐层向上计算中间层和目标层的指标得分；
步骤4：将评估得分划分评估健康等级，再根据评估健康等级从上层指标到下层指标找出配电网运行薄弱环节。
本发明一种基于PCA-自组织神经网络的中低压配电网运行状态评估方法，技术效果如下：
1：本发明方法考虑了异常数据对配电网运行状态评估的影响，通过自组织神经网络的数据清理算法对配电网运行异常数据进行辨识及清除，根据算例分析表明自组织神经网络建模简单，收敛速度快且精度较高，能有效降低因异常数据带来的评估误差。
2：本发明方法采用一种改进的主成分分析法(PCA)来构建状态评估指标体系，采用熵组合权重法，来计算各评估指标的主客观综合权重，从安全性、可靠性、优质性和经济性方面对配电网进行各方面的综合评估，形成了一套科学、有效的中低压配电网运行状态评估体系。
3：本发明方法能够为中低压配电网运行状态控制和管理提供有效的技术支持和参考意见。
附图说明
图1为本发明评估方法的流程图。
具体实施方式
如图1所示，基于PCA-自组织神经网络的中低压配电网运行状态评估方法，包括以下步骤：
步骤1：根据配电网运行状态基础数据和设备参数，采用基于改进的主成分分析法PCA特征提取算法，提取出最能反映配电网状态的指标变量，并构建层次分析评估指标体系。基础数据包括10kV线路电流、台区关口电压、10kV母线电压等。
设备参数包括主变额定容量、配变额定容量、开关故障信息等。
步骤2：针对计算指标变量所需数据，进行基于自组织神经网络的数据清理；
步骤3：对清理过的配电网数据进行统计分析，计算指标层单项指标值和单项指标得分。然后利用熵组合权重算法，计算出各个指标层指标的综合权重，最后根据指标层单项指标得分和综合权重，逐层向上计算中间层和目标层的指标得分；
步骤4：将评估得分划分评估健康等级，再根据评估健康等级从上层指标到下层指标找出配电网运行薄弱环节。
所述步骤1中，基于改进的主成分分析法PCA的特征提取算法，将配电网诸多评估指标进行分类，在每一个大类中利用主成分分析筛选出最能反映配电网状态的指标变量，然后利用层次分析法构建评评估指标体系，包括以下步骤：
步骤1.1、分别选取配电网状态评估指标参量，对各个评估指标参量进行量化，构建评估指标量化矩阵，即：X＝[X1,X2,X3]；
其中：X1表示历年来发生的事故统计中对应评估指标参量的百分比；
X2表示历年来产生严重缺陷统计中对应评估指标参量的百分比；
X3表示历年来产生一般缺陷统计中对应评估指标参量的百分比；
并在进行主成分分析之前先消除量纲的影响，采用原始数据标准化：
其中：zij为标准化后的变量值，xij为实际变量值，sj为标准差，
依据协方差原理，对指标变量进行标准化变换后，变量协方差矩阵即为其相关系数矩阵，标准化变换后的相关的协方差系数是等价的。
步骤1.2、解相关系数矩阵，并求出相关系数矩阵的特征值及特征向量，按照特征值大小排序λ1≥λ2≥λ3≥…λp，其中，对应于每个特征值λi的特征向量为αi，||αi||＝1；然后计算累计方差贡献率：
当因子越重要时，累计方差贡献率也就越大。
步骤1.3、求取主成分载荷：
其中：λ1,λ2,λ3,...λm为矩阵的特征值；α1,α2,α3,...αm为特征向量；然后计算各评估指标变量的重要度：
分析选取的m个主成分，计算主成分中状态指标参量的重要度
然后，将求出的状态评估指标参量的重要度归一化，重要度越大代表相关性越强，即该状态评估指标在众多评估指标中越有代表性，最后得出配电网状态评估的关键指标参量。
所述步骤2中，在基于改进的主成分分析法PCA特征提取算法，得出评估所需的指标变量后，针对计算指标变量所需数据进行自组织神经网络特征映射，将离群的神经元中包含的组清除，完成异常数据清除；
基于自组织神经网络的数据清理算法的模型建立步骤如下：
1)、将当前输入模式向量和竞争中的各个神经元对应的内星向量进行归一化如下：
式中：(j＝1,2,3,...m)；为归一化样本，X为输入模式向量；j为神经元编号；
2)、每当获得一个输入模式向量时，所有神经元对应的内星向量都将与其进行相似性对比，然后将比较得最相似的内星向量列为竞争神经元，而要使两个向量最为相似，其点积就要最大，即欧式距离最小：
式中：(j＝1,2,3,...m)；
为归一化样本，
为j号竞争神经元的内星向量，为j*号竞争神经元的内星向量；
3)、网络输出与权值调整：当最佳匹配单元向输入向量调整时，最佳匹配单元中的量会随着时间和距离而降低，神经元的更新公式为：Ab(s+1)＝Ab(s)+f(u,b,s)β(s)[X(t)-Ab(s)]；
式中：t为训练样本的指数；X(t)为输入向量；s为步长指数；β(s)为单调递减的学习系数；u为输入向量的最佳匹配单元指数；f(u,b,s)为步长为s时神经元u和神经元b之间距离的临近函数；T为训练样本的大小。
所述步骤3中，对清理过的配电网数据进行统计分析，计算指标层单项指标值和单项指标得分，然后利用熵组合权重算法计算出各个指标层指标的综合权重，最后根据指标层单项指标得分和综合权重逐层向上计算中间层和目标层的指标得分：
式中：y(k+1)表示层次分析中第k+1层指标X(k+1)的评分；
表示X(k+1)的k层子指标j的得分；n表示指标X(k+1)的k层子指标个数；
表示X(k+1)的k层子指标j的综合权重。
所述步骤4中，根据计算中低压配电网运行状态评估的各层次指标得分，并将评估得分划分为四个健康等级，分别为：健康、比较健康、一般和不健康。
实施例：
对广西省某地区的配电网作为评估对象做详细仿真计算和分析：
1.构建状态评估指标体系：
在中低压配电网运行状态评估中，评估指标的数量过多会影响评估的效率和精度，同时也会对数据清理算法带来不便。因此，利用基于改进主成分分析(PCA)的特征提取算法进行指标提取和删除冗余指标变量能够提高评估效率。首先预选取影响中低压配电网运行状态的若干个单项评估指标，然后对预选取指标进行基于改进主成分分析的特征提取，构建量化矩阵并计算特征值和方差贡献率，得到出电压合格率和变压器负载率的累计方差贡献率分别为25.13％和63.56％，即满足所选主成分的累计方差贡献率在85％以上的条件，选择以上两个指标作为主成分，求取主成分载荷并通过指标参量的重要度公式计算得到各单项评估指标重要度，将各单项评估指标重要度归一化到[0,1]，本发明选取重要度大于0.5的单项评估指标，筛选得到6个中低压配电网运行状态评估单项指标，并对其建立层次分析指标体系如下表1所示：
表1层次分析指标体系表
2.异常数据辨识与清理：
首先，根据现场监测数据进行编号，对内星权向量和输入模式向量进行归一化处理；然后通过计算欧氏距离来获得最相似的向量，找出获胜节点；最后调整获胜域内节的权值，建立6*6大小的竞争层网络，对自组织神经网络进行重复学习训练后，将原始数据归为36个神经元中，并以此进行数据辨识和清理。选取3972组配电网实时监测数据，对监测数据进行自组织神经网络学习训练，每个神经元中包含了一定量的监测数据，临近神经元之间的欧式距离越远，则说明该神经元的监测数据不健康，需要进行清理。仿真可得3号神经元，15号神经元和33号神经元与临近的神经元之间欧氏距离远，需将其进行清理，需要剔除的异常数据编号如下表2所示：
表2异常数据编号表
| 类别 | 3号神经元 | 15号神经元 | 33号神经元 | 清理数据 |
| 数据个数 | 56 | 34 | 21 | 111组 |
3.实际配电网运行状态评估：
(1)：确定评估指标权重：根据AHP-Delphi法计算六个单项评估指标的主观权重Wj,j＝1,2,...,n。然后根据熵权法计算各个单项评估指标的客观权重wj,j＝1,2,...,n,最后利用熵组合权重法计算出六个单项评估指标的综合权重，所得各单项指标的主客观权重如下表3所示：
表3各单项指标的主客观权重表
| 单项指标 | 主观权重W<sub>j</sub> | 客观权重w<sub>j</sub> | 综合权重ω<sub>j</sub> |
| X<sub>1</sub> | 0.2106 | 0.0921 | 0.1490 |
| X<sub>2</sub> | 0.1326 | 0.3752 | 0.2386 |
| X<sub>3</sub> | 0.1242 | 0.2046 | 0.1705 |
| X<sub>4</sub> | 0.1536 | 0.0823 | 0.1203 |
| X<sub>5</sub> | 0.2435 | 0.1168 | 0.1803 |
| X<sub>6</sub> | 0.1354 | 0.1290 | 0.1414 |
求得各个单项指标权重后，向上层计算指标体系中间层的指标权重，然后整理可得中低压配电网运行状态评估指标体系的权重因子如下表4所示：
表4低压配电网运行状态评估指标体系的权重因子
(2)：计算评估评分评级并对比：由基于自组织神经网络异常数据辨识和清理的算例分析可知，3号、15号、33号神经元中数据异常，需被剔除。选取剩余任一神经元中的数据与33号神经元中的数据进行状态评估，并结合单项指标模型，单项指标评分公式以及权重因子进行计算，最终得出该地区的中低压配电网运行状态综合评估得分对比如下表5所示：
表5中低压配电网运行状态综合评估得分对比表
| 数据来源 | 安全性 | 可靠性 | 优质性 | 经济性 | 总分 |
| 33号神经元 | 69.08 | 87.81 | 78.33 | 70.91 | 76.46 |
| 20号神经元 | 66.32 | 83.23 | 61.27 | 75.22 | 71.59 |
由上表5可以看出，广西省该地区的配电网运行状态的整体评分为71.59分，评估健康等级为比较健康。其中，由应被剔除的33号神经元数据的评估得分较20号神经元的评估得分高，且在优质性方面远高于正常数据的评估得分，经过调查分析，该地区电压合格率一般，特别是低电压现象较为普遍，达不到较为健康的水平，证明了使用未经清理过的异常数据进行状态评估时有较大偏差，进而证明基于自组织神经网络的数据清理算法进行数据辨识和清理能够有效提升配电网运行状态评估的精度，真实反映配电网的实际运行状态。
Claims (5)
1.基于PCA-自组织神经网络的中低压配电网运行状态评估方法，其特征在于包括以下步骤：
步骤1：根据配电网运行状态基础数据和设备参数，采用基于改进的主成分分析法PCA特征提取算法，提取出最能反映配电网状态的指标变量，并构建层次分析评估指标体系；
步骤2：针对计算指标变量所需数据，进行基于自组织神经网络的数据清理；
步骤3：对清理过的配电网数据进行统计分析，计算指标层单项指标值和单项指标得分；然后利用熵组合权重算法，计算出各个指标层指标的综合权重，最后根据指标层单项指标得分和综合权重，逐层向上计算中间层和目标层的指标得分；
步骤4：将评估得分划分评估健康等级，再根据评估健康等级，从上层指标到下层指标找出配电网运行薄弱环节。
2.根据权利要求1所述基于PCA-自组织神经网络的中低压配电网运行状态评估方法，其特征在于：所述步骤1中，基于改进的主成分分析法PCA的特征提取算法，将配电网诸多评估指标进行分类，在每一个大类中利用主成分分析筛选出最能反映配电网状态的指标变量，然后利用层次分析法构建评评估指标体系，包括以下步骤：
步骤1.1、分别选取配电网状态评估指标参量，对各个评估指标参量进行量化，构建评估指标量化矩阵，即：X＝[X1,X2,X3]；
其中：X1表示历年来发生的事故统计中对应评估指标参量的百分比；
X2表示历年来产生严重缺陷统计中对应评估指标参量的百分比；
X3表示历年来产生一般缺陷统计中对应评估指标参量的百分比；
并在进行主成分分析之前先消除量纲的影响，采用原始数据标准化：
其中：
i＝1,2,3,...,n；j＝1,2,3,...,p；依据协方差原理，对指标变量进行标准化变换后，变量协方差矩阵即为其相关系数矩阵，标准化变换后的相关的协方差系数是等价的；
步骤1.2、解相关系数矩阵，并求出相关系数矩阵的特征值及特征向量，按照特征值大小排序λ1≥λ2≥λ3≥…λp，其中，对应于每个特征值λi的特征向量为αi，||αi||＝1；然后计算累计方差贡献率：
当因子越重要时，累计方差贡献率也就越大；
步骤1.3、求取主成分载荷：
其中：λ1,λ2,λ3,...λm为矩阵的特征值；α1,α2,α3,...αm为特征向量；然后计算各评估指标变量的重要度：
分析选取的m个主成分，计算主成分中状态指标参量的重要度
然后，将求出的状态评估指标参量的重要度归一化，重要度越大代表相关性越强，即该状态评估指标在众多评估指标中越有代表性，最后得出配电网状态评估的关键指标参量。
3.根据权利要求1所述基于PCA-自组织神经网络的中低压配电网运行状态评估方法，其特征在于：所述步骤2中，在基于改进的主成分分析法PCA特征提取算法，得出评估所需的指标变量后，针对计算指标变量所需数据进行自组织神经网络特征映射，将离群的神经元中包含的组清除，完成异常数据清除；
基于自组织神经网络的数据清理算法的模型建立步骤如下：
1)、将当前输入模式向量和竞争中的各个神经元对应的内星向量进行归一化如下：
式中：(j＝1,2,3,...m)；X为输入模式向量；j为神经元编号；
2)、每当获得一个输入模式向量时，所有神经元对应的内星向量都将与其进行相似性对比，然后将比较得最相似的内星向量列为竞争神经元，而要使两个向量最为相似，其点积就要最大，即欧式距离最小：
3)、网络输出与权值调整：当最佳匹配单元向输入向量调整时，最佳匹配单元中的量会随着时间和距离而降低，神经元的更新公式为：Ab(s+1)＝Ab(s)+f(u,b,s)β(s)[X(t)-Ab(s)]；式中：t为训练样本的指数；X(t)为输入向量；s为步长指数；β(s)为单调递减的学习系数；u为输入向量的最佳匹配单元指数；f(u,b,s)为步长为s时神经元u和神经元b之间距离的临近函数；T为训练样本的大小。
4.根据权利要求1所述基于PCA-自组织神经网络的中低压配电网运行状态评估方法，其特征在于：所述步骤3中，对清理过的配电网数据进行统计分析，计算指标层单项指标值和单项指标得分，然后利用熵组合权重算法计算出各个指标层指标的综合权重，最后根据指标层单项指标得分和综合权重逐层向上计算中间层和目标层的指标得分：
式中：y(k+1)表示层次分析中第k+1层指标X(k+1)的评分；
表示X(k+1)的k层子指标j的得分；n表示指标X(k+1)的k层子指标个数；表示X(k+1)的k层子指标j的综合权重。
5.根据权利要求1所述基于PCA-自组织神经网络的中低压配电网运行状态评估方法，其特征在于：所述步骤4中，根据计算中低压配电网运行状态评估的各层次指标得分，并将评估得分划分为四个健康等级，分别为：健康、比较健康、一般和不健康。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910912141.3A CN110705859A (zh) | 2019-09-25 | 2019-09-25 | 基于pca-自组织神经网络的中低压配电网运行状态评估方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910912141.3A CN110705859A (zh) | 2019-09-25 | 2019-09-25 | 基于pca-自组织神经网络的中低压配电网运行状态评估方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110705859A true CN110705859A (zh) | 2020-01-17 |
Family
ID=69196361
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910912141.3A Pending CN110705859A (zh) | 2019-09-25 | 2019-09-25 | 基于pca-自组织神经网络的中低压配电网运行状态评估方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110705859A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112270485A (zh) * | 2020-11-03 | 2021-01-26 | 国网浙江省电力有限公司绍兴供电公司 | 一种用于配电网络不停电作业综合评估的主成分因子分析方法 |
| CN113392958A (zh) * | 2021-06-02 | 2021-09-14 | 湖南大学 | 一种模糊神经网络fnn的参数优化及应用方法与*** |
| CN115905891A (zh) * | 2022-12-19 | 2023-04-04 | 上海交通大学 | 基于pmu数据的配电网运行方式与关键影响因素识别方法 |
| CN116405187A (zh) * | 2023-04-21 | 2023-07-07 | 石家庄铁道大学 | 基于区块链的分布式节点入侵态势感知方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106599530A (zh) * | 2016-10-31 | 2017-04-26 | 北京千安哲信息技术有限公司 | 一种检测数据的处理方法和装置 |
| CN110110977A (zh) * | 2019-04-19 | 2019-08-09 | 广西电网有限责任公司钦州供电局 | 一种基于改进主成分-层次分析的配电网评估方法 |
-
2019
- 2019-09-25 CN CN201910912141.3A patent/CN110705859A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106599530A (zh) * | 2016-10-31 | 2017-04-26 | 北京千安哲信息技术有限公司 | 一种检测数据的处理方法和装置 |
| CN110110977A (zh) * | 2019-04-19 | 2019-08-09 | 广西电网有限责任公司钦州供电局 | 一种基于改进主成分-层次分析的配电网评估方法 |
Non-Patent Citations (1)
| Title |
|---|
| 吴胜聪等: "基于自组织神经网络的火电厂健康状态数据提取算法", 《电工电气》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112270485A (zh) * | 2020-11-03 | 2021-01-26 | 国网浙江省电力有限公司绍兴供电公司 | 一种用于配电网络不停电作业综合评估的主成分因子分析方法 |
| CN113392958A (zh) * | 2021-06-02 | 2021-09-14 | 湖南大学 | 一种模糊神经网络fnn的参数优化及应用方法与*** |
| CN115905891A (zh) * | 2022-12-19 | 2023-04-04 | 上海交通大学 | 基于pmu数据的配电网运行方式与关键影响因素识别方法 |
| CN116405187A (zh) * | 2023-04-21 | 2023-07-07 | 石家庄铁道大学 | 基于区块链的分布式节点入侵态势感知方法 |
| CN116405187B (zh) * | 2023-04-21 | 2024-04-09 | 石家庄铁道大学 | 基于区块链的分布式节点入侵态势感知方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110991786B (zh) | 基于相似日负荷曲线的10kV静态负荷模型参数辨识方法 | |
| CN105117602B (zh) | 一种计量装置运行状态预警方法 | |
| CN108320043B (zh) | 一种基于电力大数据的配电网设备状态诊断预测方法 | |
| CN110705859A (zh) | 基于pca-自组织神经网络的中低压配电网运行状态评估方法 | |
| CN111429027B (zh) | 一种基于大数据的地区输电网运行多维度分析方法 | |
| CN107274067B (zh) | 一种配电变压器过载风险评估方法 | |
| CN108510180B (zh) | 一种生产设备所处性能区间的计算方法 | |
| CN110690701A (zh) | 一种异常线损影响因素的分析方法 | |
| CN104123678A (zh) | 一种基于状态等级评估模型的电力继电保护状态检修方法 | |
| CN112163371A (zh) | 一种变压器套管状态评估方法 | |
| CN113189418B (zh) | 一种基于电压数据的拓扑关系识别方法 | |
| CN111612296B (zh) | 一种换流站电力设备在线监测装置量化配置方法 | |
| CN114386753A (zh) | 一种基于主变负载状况的设备风险综合分析预警方法 | |
| CN114118588A (zh) | 聚类欠采样下基于博弈特征提取的迎峰度夏停电预测方法 | |
| CN112990627B (zh) | 电能质量评估方法 | |
| Dong | Combining unsupervised and supervised learning for asset class failure prediction in power systems | |
| CN115526258A (zh) | 基于Spearman相关系数特征提取的电力***暂稳评估方法 | |
| CN111339167A (zh) | 基于K-means和主成分线性回归的台区线损率影响因素分析方法 | |
| CN113379116A (zh) | 基于聚类和卷积神经网络的台区线损预测方法 | |
| CN113591402A (zh) | 一种数字化电力互感器健康状态模糊综合评价方法 | |
| CN114118592B (zh) | 一种智能电网用电端短期能耗预测*** | |
| CN110533213A (zh) | 基于支持向量机的输电线路缺陷风险建模及其预测方法 | |
| CN113033886B (zh) | 一种配电网规划建设评估方法 | |
| CN112072789B (zh) | 低电压台区识别方法、检修方法及其预警方法 | |
| CN114399150A (zh) | 基于ahp-模糊综合评价法的配网设备状态评价方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200117 |
|
| RJ01 | Rejection of invention patent application after publication |