技术领域
[0001] 本
发明涉及一种三相不平衡分析技术领域，是一种电网三相不平衡多维时序分析方法。
背景技术
[0002] 目前配网中存在大量
时空不均匀的分布单相负载，造成多数配网存在着不同程度的三相不平衡问题。三相不平衡会对配网造成一系列的影响，主要包括：(1)造成配电
变压器的出
力降低，
电能转换效率下降大；(2)增加
配电变压器和线路的损耗；(3)导致配网中重载相的供电
电压质量严重下降；(4)使得配电变压器零序
电流大大增大，引起的
涡流损耗使配电变压器运行
温度升高，危及其安全与寿命。
[0003] 传统的处理配网三相不平衡主要采用手动投切电容器或电抗器，即在线路对地电容不平衡相上投入电容器或电抗器组，使线路
三相电压恢复平衡。但由于配电网实际运行中线路对地参数多变，并且不能提前获知对三相不平衡发生的时序规则，从而难以准确、迅速地对三相不平衡过电压的动态
跟踪及补偿。
发明内容
[0004] 本发明提供了一种电网三相不平衡多维时序分析方法，克服了上述
现有技术之不足，其能有效解决不能获知三相不平衡发生的时序规则，使得不能对处理三相不平衡提供动态跟踪的问题。
[0005] 本发明的技术方案是通过以下措施来实现的：一种电网三相不平衡多维时序分析方法，包括以下步骤：
[0006] 构建测量数据集，其中测量数据集包括多组测量数据，测量数据包括一个测量点在设定时间内根据固定时间间隔采集的测量数据，测量数据包括遥测数据、天气、区域、时间、测量点编号、三相不平衡标签；
[0007] 利用K均值聚类
算法对测量数据集中的遥测数据进行聚类，并根据聚类结果更新测量数据集；
[0008] 利用apriori
数据挖掘算法对测量数据集中的测量数据进行多维时序关联分析，获得三相不平衡时序关联规则。
[0009] 下面是对上述发明技术方案的进一步优化或/和改进：
[0010] 上述K均值
聚类算法对测量数据集中的遥测数据进行聚类，包括：
[0011] 在同一类测量数据中选取K个测量数据作为质心；
[0012] 测量剩余每个测量数据与各个质心之间的最小距离，把其归到最近质心的类中，并重新划分各个类的质心；
[0013] 重复上述步骤，直至相邻两次聚类的聚类中心没有任何变化，输出聚类过程中最后一次的均值。
[0014] 上述用apriori数据挖掘算法对测量数据集中的测量数据进行多维时序关联分析，包括：
[0015] 获得第K频繁项集，具体包括：
[0016] A、设置最小支持度；
[0017] B、从测量数据集中生成第一候选相集，将第一候选相集通过最小支持度过滤，生成第一频繁项集；
[0018] C、将第一频繁项集的两两项取交集，生成第二候选相集，将第二候选相集通过最小支持度过滤，生成第二频繁项集；
[0019] D、以此类推，直到第K频繁项集中仅有一个或没有数据项为止；
[0020] 获得关联规则，具体包括：
[0022] B、从第K频繁项集中找出置信度大于最小置信度的强关联规则，获得三相不平衡时序关联规则。
[0023] 上述测量数据集构建完成后，对测量数据集进行特征工程。
[0024] 本发明基于配网的三相不平衡相关测量数据，结合K均值聚类算法和apriori数据挖掘算法进行三相不平衡相关测量数据的时序关联分析，并根据获得三相不平衡时序关联规则，提前对三相不平衡进行动态追踪，为三相不平衡的处理提供支持。
附图说明
[0026] 附图2为本发明中对遥测数据进行聚类的流程图。
[0027] 附图3为本发明中多维时序关联分析的流程图。
具体实施方式
[0028] 本发明不受下述
实施例的限制，可根据本发明的技术方案与实际情况来确定具体的实施方式。
[0029] 下面结合实施例及附图对本发明作进一步描述：
[0030] 实施例1：如附图1所示，该电网三相不平衡多维时序分析方法，包括以下步骤：
[0031] S1，构建测量数据集，其中测量数据集包括多组测量数据，测量数据包括一个测量点在设定时间内根据固定时间间隔采集的测量数据，测量数据包括遥测数据、天气、区域、时间、测量点编号、三相不平衡标签；
[0032] S2，利用K均值聚类算法对测量数据集中的遥测数据进行聚类，并根据聚类结果更新测量数据集；
[0033] S3，利用apriori数据挖掘算法对测量数据集中的测量数据进行多维时序关联分析，获得三相不平衡时序关联规则。
[0034] 上述步骤S1中测量数据集包括多组测量数据，每组测量数据包括一个测量点在设定时间内根据固定时间间隔采集的测量数据，设定时间根据需要进行设定，同时测量数据根据固定时间间隔进行采集，例如若设定时间为1年，固定时间间隔为半小时，则一个测量点每一天均能采集48条测量数据，每条测量数据均包括遥测数据、天气、区域、时间、测量点编、三相不平衡标签等相关内容。其中遥测数据可为遥测数据4种属性的测量数据，三相不平衡标签为是否发生三相不平衡的标识数据。
[0035] 通过上述步骤S2对遥测数据(例如遥测数据4种属性的测量数据)进行聚类，实现对测量数据的约减，降低利用apriori数据挖掘算法进行关联规则挖掘时的计算负担。通过上述步骤S3利用apriori数据挖掘算法获得三相不平衡时序关联规则，即根据置信度获得遥测数据、天气、区域、时间、三相不平衡标签之间时序关联规则，从而根据获得三相不平衡时序关联规则，提前对三相不平衡进行动态追踪，为三相不平衡的处理提供支持。
[0036] 下面是对上述发明技术方案的进一步优化或/和改进：
[0037] 如附图1、2所示，所述K均值聚类算法对测量数据集中的遥测数据进行聚类，包括：
[0038] S21，在同一类测量数据中选取K个测量数据作为质心；
[0039] S22，测量剩余每个测量数据与各个质心之间的最小距离，把其归到最近质心的类中，并重新划分各个类的质心；
[0040] S23，重复上述步骤，直至相邻两次聚类的聚类中心没有任何变化，输出聚类过程中最后一次的均值。
[0041] 上述测量剩余每个测量数据与各个质心之间的最小距离，这里最小距离用欧式距离进行计算，计算过程如下：
[0042] 设测量数据集D＝{x1,x2,…,xn}，xi＝{xi1,xi2,…,xir}，xj＝{xj1,xj2,…,xjr}，则测量数据xi与测量数据xj之间的欧氏距离为：
[0043]
[0044] 如附图1、3所示，所述用apriori数据挖掘算法对测量数据集中的测量数据进行多维时序关联分析，包括：
[0045] S31，获得第K频繁项集，具体包括：
[0046] A、设置最小支持度；
[0047] B、从测量数据集中生成第一候选相集，将第一候选相集通过最小支持度过滤，生成第一频繁项集；
[0048] C、将第一频繁项集的两两项取交集，生成第二候选相集，将第二候选相集通过最小支持度过滤，生成第二频繁项集；
[0049] D、以此类推，直到第K频繁项集中仅有一个或没有数据项为止；
[0050] S32，获得关联规则，具体包括：
[0051] A、设置最小置信度；
[0052] B、从第K频繁项集中找出置信度大于最小置信度的强关联规则，获得三相不平衡时序关联规则。
[0053] 上述支持度为数据集中包含该项集的记录所占的比例。上述通过最小支持度过滤候选相集，即剔除小于最小支持度的相。
[0054] 例如：设W中有s％的事务同时支持物品集A和B，s％称为{A，B}的支持度，即:
[0055] support({A,B})＝num(A∪B)/W＝P(A∩B)
[0056] 其中，num(A∪B)表示含有物品集{A,B}的事务集的个数。
[0057] 上述置信度揭示了A出现时B是否会一定出现，如果出现，则出现的概率是多大。用公式表示则为物品A->B的置信度＝物品{A,B}的支持度/物品{A}的支持度：
[0058] Confidence(A-＞B)＝support({A,B})/support({A})＝P(B|A)
[0059] 如附图1所示，所述测量数据集构建完成后，对测量数据集进行特征工程。
[0060] 对测量数据集中的测量数据进行特征工程，尽可能从原测量数据集中获取更多的信息，更新测量数据集，使得后续的时序关联分析更加准确。而特征工程就是获取更多的
训练数据。测量数据集进行特征工程具体分析如下：
[0061] 以设定时间设为1年，固定时间间隔设为为半小时，则一个测量点每一天均能采集48条测量数据，每条测量数据均包括遥测数据、天气、区域、时间、测量点编、三相不平衡标签等相关内容为例。
[0062] 对测量数据集进行特征工程包括如下处理过程：
[0063] A、对三相不平衡标签进行预处理：
[0064] 将每天的48条记录转成每天的一条记录，规则为：若测量点任一天任一时间发生了三相不平衡，即认为该测量点当天发生了三相不平衡。
[0065] B、对遥测数据进行预处理：
[0066] 将每天48个点的数据由列转为行。如某测量点365天，每天48条记录，共17520行乘以1列的记录。转置后为365行乘以48列的记录。
[0067] C、对天气、区域、时间进行预处理：
[0068] 对天气、区域、时间进行特征提取，例如时间中提取月份、星期特征。
[0069] 以上技术特征构成了本发明的最佳实施例，其具有较强的适应性和最佳实施效果，可根据实际需要增减非必要的技术特征，来满足不同情况的需求。
