蚁群聚类算法在线损分析中的应用研究.docVIP

精品论文 参考文献 蚁群聚类算法在线损分析中的应用研究 郑建锋1 郑乐平1 黄钢2 　　（1.国网浙江省电力公司衢州供电公司 浙江衢州 324000;2.衢州学院电气与信息工程学院 浙江衢州 324000） 　　摘要：电力系统线损分析一直以来都是研究的热点和难点。由于线损数据具有高维特性，传统数据挖掘方法很难直接应用于线损分析中。使用蚁群聚类算法将线损数据划分为多个子空间，再对特征样本进行聚类，并对每一组的线损特征规则进行了分析。 　　关键词：线损分析；聚类；蚁群算法 　　Abstract: Analysis of line loss of power system is a hot and difficult research. Because the line loss data with high dimension characteristic, the traditional data mining method is difficult to be directly applied to line loss analysis. Using ant colony clustering algorithm, divided line loss data into multiple sub space, then cluster the feature samples, analyze the loss characteristic rules of each group. 　　KeyWords: line loss analysis; clustering; Ant colony algorithm; big data 　　1 引言 　　线损是电能传输过程中电网中元件产生的和电能损失的统称，是表征供电企业节约资源效率的最重要的指标[1]。通过对线损进行分析，供电企业可以深入了解线损的起因、性质、各组成部分所占比例等因素，找出影响损失的主要因素，并有针对性地采取相应的措施。有针对性对策措施的采取依赖于良好的规则挖掘及知识发现能力[2]。 　　随着计算机、通信技术的发展，调度自动化系统(SCADA)、EMS 系统、电量采集系统、负控系统的实用化，直接从调度自动化系统中获取相关的历史数据和实时数据，数据采集系统中获取仪表统计数据，为线损的统计和分析提供了大量的原始数据[3]。 　　但由于电力网络规模大并且结构复杂，系统实际运行过程中通常表现出强互动、多耦合、高随机的典型特征，运行过程中产生的数据结构多样、来源复杂，时间尺度不统一、空间尺度各异，具有典型的“4V”特征，即规模大( volume) 、类型多( variety) 、价值密度低( value) 和变化快( velocity)[4]。然而目前缺乏大数据分析与处理相关技术，线损分析的发展速度和水平还远远跟不上电力系统的要求。 　　目前，聚类算法用于线损分析的文献主要采用的是k-means方法[2,5]，但是 k-means 算法是局部优化算法，不能得到高质量的聚类分组。本文将蚁群聚类算法用于线损分析，通过对特征样本分割成若干个矩形网格单元进行聚类分群，对每一群组的线损特征规则进行分析，构建分析指标，对电力网中线损特征情况进行分析。经实证研究表明，本文提出的基于蚁群聚类的线损分析方法是有效的。 　　2 线损分析过程与模型 　　首先对历史数据进行数据清理，然后再对数据进行特征提取，提出３个线损异常的特征指标，最后依采集的数据对特征指标进行计算和聚类分析，如图１所示。 　　 　　建立模型。考虑到出入电量的差值波动情况能反映窃漏电特征，故考虑用线损率来衡量线损强度信息，其中，线损率＝（入电量－出电量）／入电量．线损率的高低以及波动状况能比较好地反应用户的用电状况，而线损率随时间的递增很大程度地预示着用户的窃漏电倾向．基于上述分析，抽象出反映线损特征的5个统计变量：线损率期望值、线损率中位数、线损率方差、线损率峰值、线损率谷值。 　　聚类分群。在数据准备完成后，直接提取反映线损特征的变量作为线损异常的特征变量。基于蚁群聚类算法对特征样本进行聚类分群，最后得到聚类结果并进行分群结果的分析。 　　3 蚁群聚类算法 　　聚类分析是机器学习领域中的一个重要分支，是人们认识和探索事物之间内在联系的有效手段[5,6]。所谓聚类(clustering)就是将数据对象分组成为多个类或簇(cluster)，使得在同一簇中的对象之间具有较高的相似度，而不同簇中的对象差别较大。传统的聚类算法，如k-means 算法、EM 算法等都是建立在凸球形的样本空间上, 但当样本空间不为凸时, 算法会陷入局部最优[7-9]。 　　受生物进化机理的启发, 科学家提出许多用以解决复杂优化问