(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210866497.X (22)申请日 2022.07.22 (71)申请人 安徽明生恒卓科技有限公司 地址 231283 安徽省合肥市高新区习友路 1689号深港数字化产业园10幢A单 元 (72)发明人 徐晓波　王明　章亚辉　蒋志刚　 王记强　郝雨　 (74)专利代理 机构 合肥市泽信专利代理事务所 (普通合伙) 3414 4 专利代理师 潘飞 (51)Int.Cl. G06Q 10/06(2012.01) G06Q 50/06(2012.01) G06K 9/62(2022.01) G06N 3/04(2006.01)G06N 3/08(2006.01) (54)发明名称 一种低压台区供电稳定性的实时分析方法 (57)摘要 本发明属于电力信息技术领域， 具体涉及一 种低压台区供电稳定性的实时分析方法。 该方法 用于根据融合终端采集到的电力监测数据分析 当前供电台区运行状态。 实时分析方法包括如下 步骤： S1： 采集台区内每个用电节点在不同状态 下的电力信息。 S2： 对采集的数据进行归一化处 理， 得到样本数据集。 S3： 对样本数据集进行聚 类， 确定聚类中心和类别数。 S4： 构建一个具有 三 层结构的BP神经网络。 S5： 对BP神经网络进行训 练， 并结合经典遗传算法对BP神经网络的阈值进 行优化。 S6： 采集实时电力信息， 并进行归一化和 聚类处理由训练BP神经网络进行识别， 得到结 果。 本发明解决了台区内的电力信息数据量大， 分析难度高， 台区的供电稳定性难以预测等问 题。 权利要求书4页 说明书13页 附图6页 CN 115204698 A 2022.10.18 CN 115204698 A 1.一种低压 台区供电稳定性的实时分析方法， 其用于根据融合终端采集到的电力监测 数据分析当前 供电台区运行状态； 其特 征在于， 所述实时分析 方法包括如下步骤： S1： 采集台区内每个用电节点在不同状态下的电力信息作为当前节点的样本数据； 所 述样本数据包括： 当前节点的供电电压V1、 供电电流I1、 功率因数 线损率ΔP； 台区变压 器的设备电压V2、 设备电流I2、 实时负荷 P、 设备温度T； 以及其它与电网运 行状态相关的关联 数据； S2： 根据各项数据在运行过程中的理论安全阈值， 对采集到的大量样本数据分别进行 归一化处理， 进而得到包 含所有归一 化样本数据的样本数据集； S3： 基于自适应快速搜索密度 峰值方法对每个节点的样本数据集进行聚类， 确定聚类 中心和类别数， 获得完成聚类后的节点属性数据集； S4： 构建一个具有三层结构的BP神经网络； 所述BP神经网络包括输入层、 隐含层和输出 层； 输入层节点数n等于当前台区内的用电节点数， 输出层节点数为1， 隐含层节点数为2n+ 1； S5： 将预先采集的不同运行状态下的大量节点属性数据集作为训练样本， 利用所述训 练样本对上步骤构建的所述BP神经网络进行训练， 更新网络模型 的权值； 并在训练过程中 结合经典遗传算法对BP神经网络的阈值进 行优化； 完成训练的BP神经网络作为所需的台区 运行状态 识别模型； S6： 通过融合终端采集台区变压器和台区内所有用电节点的实时电力信息， 对实时电 力信息依次进 行归一化和聚类处理后得到实时的节点属性数据集， 然后将实时的节点属性 数据集输入到完成训练的台区运行状态识别模型中， 由模型输出当前台区的实时运行状 态； 其中， 台区的实时运行状态分为 正常和异常。 2.如权利要求1所述的低压 台区供电稳定性的实时分析方法， 其特征在于： 所述供电电 压V1、 供电电流I1、 设备电压V2、 设备电流I2分别对应A、 B、 C各相的电压和电流； 包括： V1A、 V1B、 V1C， I1A、 I1B、 I1C， V2A、 V2B、 V2C， I2A、 I2B、 I2C。 3.如权利要求2所述的低压台区供电稳定性的实时分析方法， 其特征在于： 步骤S2中， 样本数据的归一 化处理公式如下： 上式中， x表示当前样本数据的实测值； 表示当前样本数据的归一化值； xmax表示当前 样本数据的理论安全阈值上限； xmin表示当前样本数据的理论安全阈值下限； 其中， 当某项 样本数据不存在安全阈值下限时， 则xmin＝0。 4.如权利要求1所述的低压台区供电稳定性的实时分析方法， 其特征在于： 步骤S3中， 自适应快速 搜索密度峰值方法对多节点的样本数据集进行聚类的过程如下： S31： 获取任意节点的样本数据集， 计算样本数据集中任意两个样本数据之间的欧氏距 离dij， 计算公式如下： 上式中， A表示所述样本数据集， N表示样本数据集A中数据点的数量； xi和xj表示样本数权　利　要　求　书 1/4 页 2 CN 115204698 A 2据集A中随机的两个数据点； dist()表示欧氏距离计算 函数； S32： 根据样本数据与其它所有数据点间的欧氏距离与预设的截断距离d0间的关系， 计 算样本数据中每 个数据点的局部密度ρi； 计算公式如下： 其中， 表示一个自定义的用于区分数据点与中心点欧氏距离是否小于截断距离的 分类函数， 且 满足： S33： 基于样本数据集各数据点处的局部密度， 计算样本 数据与密度中心的距 离θi， 计算 过程如下： 判断当前数据点的局部密度是否为样本数据集中的最大值； 是则将当前数据点 xi与样本数据集中其它数据点的最大距离作为θi， 计算公式为： θi＝maxj(dij)， j＝N； 否则将 样本数据集中局部密度大于 当前数据点的数据点xj， 与当前数据点xi的最小距离作为θi； 计 算公式为： θi＝min(dij)， xj:ρj＞ρi； S34： 根据样本数据集中每个样本数据的ρi和θi绘制决策图， 所述决策图中每个样本点 的横坐标为ρi， 纵坐标为θi； 进而根据决策图确定聚类 中心和类别数； 所述类别数为3； 各个 聚类中心的类别由对应的用电节点状态确定； 所述节点属性数据集中每个节点的类别分为 “欠载” “平稳”或“过载”。 5.如权利要求1所述的低压台区供电稳定性的实时分析方法， 其特征在于： 在步骤S4构 建的BP神经网络中， 所述输入层和隐含层间采用双曲正切函数Tanh作为激活函数， Tanh 激活函数如下： 所述隐含层和输出层间采用非线性变换函数Si gmoid作为激活函数； Si gmoid激活函数 的表达式如下： 6.如权利要求5所述的低压台区供电稳定性的实时分析方法， 其特征在于： 在步骤S4构 建的BP神经网络中， 所述输入层到隐含层的传递公式为： 上式中， xi为第i个输入层的输入值， i＝N， N表示输入层的节点数； H1j为隐含层第j个节 点的输出， j＝2N +1； f1为Tanh激活函数， ωij为输入层第i个节 点与隐含层第j个节 点之间的 权值， xi为输入层第i个节点的输入值， aj为隐含层第j个节点的阈值； 所述隐含层到 输出层的传递公式为；权　利　要　求　书 2/4 页 3 CN 115204698 A 3