CN118503730B 基于數(shù)據(jù)聚類算法的電力大數(shù)據(jù)處理方法 （內(nèi)蒙古電力（集團(tuán)）有限責(zé)任公司內(nèi)蒙古電力經(jīng)濟(jì)技術(shù)研究院分公司）

司罕區(qū)騰飛路錦繡福源C區(qū)23號樓101-CA3242113A1,2023.06.29及一種基于數(shù)據(jù)聚類算法的電力大數(shù)據(jù)處理方2狀態(tài)數(shù)據(jù)包括輸電線路載流狀態(tài)數(shù)據(jù)、輸電線路故障狀態(tài)數(shù)據(jù)與輸電線路環(huán)境狀態(tài)數(shù)據(jù)；步驟S5：對發(fā)電模式數(shù)據(jù)集、輸電時序彈性特征集與負(fù)步驟S52：基于地理映射關(guān)聯(lián)數(shù)據(jù)根據(jù)發(fā)電模式數(shù)據(jù)集對負(fù)載分層配電數(shù)據(jù)集中每層步驟S53：基于地理映射關(guān)聯(lián)數(shù)據(jù)根據(jù)輸電時序彈性特征集對負(fù)載分層配電數(shù)據(jù)集中電時序彈性特征集與負(fù)載分層配電數(shù)據(jù)集進(jìn)行多視圖聚類，得到多視圖聚類電力數(shù)據(jù)集；步驟S562：對各層輸電彈性分段數(shù)據(jù)進(jìn)行基于密度步驟S563：對發(fā)電模式頻率聚類數(shù)據(jù)、輸電彈性模式聚類數(shù)步驟S564：基于發(fā)電模式數(shù)據(jù)集對發(fā)電模式頻率聚類步驟S565：基于輸電時序彈性特征集對輸電彈性步驟S566：基于多模態(tài)異構(gòu)電力數(shù)據(jù)對發(fā)電模式視圖數(shù)據(jù)3步驟S13：基于電力數(shù)據(jù)采集架構(gòu)網(wǎng)絡(luò)與電力采集數(shù)據(jù)源對目標(biāo)電網(wǎng)進(jìn)行異構(gòu)數(shù)據(jù)融步驟S142：對區(qū)域問題電力數(shù)據(jù)集進(jìn)行異常檢測與問題步驟S143：根據(jù)分類問題電力數(shù)據(jù)對區(qū)步驟S144：基于電力數(shù)據(jù)質(zhì)量評級數(shù)據(jù)對區(qū)域問題電步驟S145：將修復(fù)電力數(shù)據(jù)集與原始電力數(shù)據(jù)集中未標(biāo)注為問題區(qū)域的數(shù)據(jù)進(jìn)行融路狀態(tài)數(shù)據(jù)包括輸電線路載流狀態(tài)數(shù)據(jù)、輸電線路故障狀態(tài)數(shù)據(jù)與輸電線路環(huán)境狀態(tài)數(shù)電線路數(shù)據(jù)關(guān)系性數(shù)據(jù)包括輸電線性關(guān)聯(lián)數(shù)據(jù)與輸步驟S34：根據(jù)輸電線性關(guān)聯(lián)數(shù)據(jù)與輸電非線性關(guān)聯(lián)數(shù)據(jù)對輸電數(shù)據(jù)集進(jìn)行時序輸電4步驟S44：基于配電數(shù)據(jù)集按照預(yù)設(shè)的滾動時間窗口對配電區(qū)域分層數(shù)據(jù)中各層負(fù)荷步驟S461：若分層異常檢測數(shù)據(jù)顯示存在分層步驟S463：根據(jù)區(qū)域負(fù)荷時序數(shù)據(jù)與預(yù)設(shè)的滾動時間步驟S464：若分層異常持續(xù)時間比例數(shù)據(jù)不小于預(yù)設(shè)的步驟S465：若分層異常持續(xù)時間比例數(shù)據(jù)小于預(yù)設(shè)的分層步驟S466：若重聚類分析結(jié)果數(shù)據(jù)顯示需要重新進(jìn)行分步驟S468：根據(jù)配電區(qū)域分層數(shù)據(jù)與各區(qū)域負(fù)荷時序數(shù)據(jù)對配電數(shù)據(jù)集進(jìn)行負(fù)載分5步驟S63：基于增量樣本映射關(guān)系表對實時電力數(shù)據(jù)集中的新增樣本進(jìn)行增量聚類分67載分層可以將配電數(shù)據(jù)按照負(fù)載的特征進(jìn)行分層，幫助理解不同負(fù)載之間的關(guān)系和影響。數(shù)據(jù)分析的全面性和準(zhǔn)確性。智能視圖融合可以將不同視圖的聚類結(jié)果進(jìn)行綜合和整合，[0013]圖1示出了一實施例的基于數(shù)據(jù)聚類算法的電力大數(shù)據(jù)處理方法的步驟流程示意8載分層可以將配電數(shù)據(jù)按照負(fù)載的特征進(jìn)行分層，幫助理解不同負(fù)載之間的關(guān)系和影響。數(shù)據(jù)分析的全面性和準(zhǔn)確性。智能視圖融合可以將不同視圖的聚類結(jié)果進(jìn)行綜合和整合，9數(shù)據(jù)采集系統(tǒng)或編程語言(如Python)的數(shù)據(jù)獲取庫來實現(xiàn)。可以借助數(shù)據(jù)處理工具如數(shù)據(jù)采集終端單元(RTU)或網(wǎng)關(guān)設(shè)備，將不同類型的數(shù)據(jù)源連接到統(tǒng)一的數(shù)據(jù)采集架構(gòu)網(wǎng)[0033]步驟S13：基于電力數(shù)據(jù)采集架構(gòu)網(wǎng)絡(luò)與電力采集數(shù)據(jù)源對目標(biāo)電網(wǎng)進(jìn)行異構(gòu)數(shù)[0037]本發(fā)明通過確定目標(biāo)電網(wǎng)的數(shù)據(jù)源，可以全面覆蓋電力數(shù)據(jù)集根據(jù)數(shù)據(jù)質(zhì)量指標(biāo)進(jìn)行分級。可以采用數(shù)字分級(如1-5級)或文本描述(如優(yōu)、良、[0049]本發(fā)明通過問題區(qū)域數(shù)據(jù)標(biāo)注，能夠識別出原始電力數(shù)軟件或自定義開發(fā)的工具。可以使用通用的數(shù)據(jù)標(biāo)注工具(如Labelbox、Supervisely、如，可以使用Apriori算法進(jìn)行頻繁模式挖掘，或使用序列模式挖掘算法如PrefixSpan算中輸電線路數(shù)據(jù)關(guān)系性數(shù)據(jù)包括輸電線性關(guān)聯(lián)數(shù)據(jù)與輸電非線性關(guān)[0069]步驟S34：根據(jù)輸電線性關(guān)聯(lián)數(shù)據(jù)與輸電非線性關(guān)聯(lián)數(shù)據(jù)對輸電數(shù)據(jù)集進(jìn)行時序用互信息方法(如mutual_info_regression、mutual_info_classif)評估模式之間的互信息量。對于頻域分析，可以使用傅里葉變換方法將時序數(shù)據(jù)轉(zhuǎn)換為頻譜表示。可以使用之間的相關(guān)系數(shù)，以及利用互信息方法(如mutual_info_regression、mutual_info_classif)評估模式之間的互信息量。最后，可以在Python環(huán)境中使用數(shù)據(jù)處理庫(如pandas)將輸電時序彈性特征集與原始輸電數(shù)據(jù)集進(jìn)行關(guān)聯(lián)，創(chuàng)建一個包含特征指標(biāo)的新[0073]本發(fā)明通過語義標(biāo)注與注釋，能夠?qū)Ω哔|(zhì)量電力數(shù)據(jù)集進(jìn)行結(jié)構(gòu)化的標(biāo)記和描[0081]步驟S44：基于配電數(shù)據(jù)集按照預(yù)設(shè)的滾動時間窗口對配電區(qū)域分層數(shù)據(jù)中各層配電網(wǎng)絡(luò)拓?fù)鋽?shù)據(jù)中的節(jié)點進(jìn)行匹配。將分層異常檢測數(shù)據(jù)與配電分層網(wǎng)絡(luò)拓?fù)鋽?shù)據(jù)關(guān)[0091]步驟S462：將各區(qū)域負(fù)荷時序數(shù)據(jù)輸入至配電分層網(wǎng)絡(luò)拓?fù)鋽?shù)據(jù)中進(jìn)行屬性增負(fù)荷時序數(shù)據(jù)作為節(jié)點屬性輸入到配電分層網(wǎng)絡(luò)拓?fù)鋽?shù)據(jù)的相應(yīng)節(jié)點中，實現(xiàn)屬性增強(qiáng)。地理映射關(guān)聯(lián)數(shù)據(jù)。這可以通過GIS軟件或者編程語言中的地理信息處理庫來完成，例如[0109]步驟S52：基于地理映射關(guān)聯(lián)數(shù)據(jù)根據(jù)發(fā)電模式數(shù)據(jù)集對負(fù)載分層配電數(shù)據(jù)集中[0111]步驟S53：基于地理映射關(guān)聯(lián)數(shù)據(jù)根據(jù)輸電時序彈性特征集對負(fù)載分層配電數(shù)據(jù)[0117]步驟S56：基于各層發(fā)電模式頻率數(shù)據(jù)與各層輸電彈性分段數(shù)據(jù)對發(fā)電模式數(shù)據(jù)多視圖聚類算法，如多核學(xué)習(xí)(MultipleKernelLearning)或多視圖譜聚類(Multiple用Python中的SciPy庫中的層次聚類函數(shù)(如scipy.cluster.hierarchy.linkage)進(jìn)行計如基于最短距離(single-linkage)、最長距離(complete-linkage)或平均距離(average-以使用合適的評估指標(biāo)(如Calinski-Harabasz指數(shù)或輪廓系數(shù))來評估聚類質(zhì)量并選擇最例如DBSCAN(Density-BasedSpatialClusteringofApplicationswithNoise)和聚類圖譜)和評估指標(biāo)(如Silhouette分?jǐn)?shù))來評估聚類質(zhì)量并選擇最佳參數(shù)設(shè)置。根據(jù)聚式數(shù)據(jù)進(jìn)行關(guān)聯(lián)。可以使用Python的Pandas庫或其他數(shù)據(jù)處理工具來進(jìn)行數(shù)據(jù)關(guān)聯(lián)操作。根據(jù)發(fā)電模式頻率聚類數(shù)據(jù)集中的聚類結(jié)果，將每個聚類簇對應(yīng)的發(fā)電模式數(shù)據(jù)收集起圖間的相互作用進(jìn)行聚類的方法，可以使用現(xiàn)有的多視圖聚類算法(如MvSC和MvDA)來實使用評估指標(biāo)(如輪廓系數(shù)或互信息)來評估聚類質(zhì)量并選擇最佳參數(shù)設(shè)置。根據(jù)聚類結(jié)聚類的整體質(zhì)量和可解釋性。本發(fā)明能夠揭示電力大數(shù)據(jù)中隱含的聚類模式和數(shù)據(jù)結(jié)構(gòu)，與聚類電力數(shù)據(jù)集中的樣本進(jìn)行匹配。可以使用機(jī)器學(xué)習(xí)算法(如K最近鄰算法)或者相似[0141]步驟S63：基于增