CN113496262B 数据驱动的有源配电网异常状态感知方法及系统 （山东大学）_第1页
CN113496262B 数据驱动的有源配电网异常状态感知方法及系统 （山东大学）_第2页
CN113496262B 数据驱动的有源配电网异常状态感知方法及系统 （山东大学）_第3页
CN113496262B 数据驱动的有源配电网异常状态感知方法及系统 （山东大学）_第4页
CN113496262B 数据驱动的有源配电网异常状态感知方法及系统 （山东大学）_第5页
已阅读5页，还剩28页未读， 继续免费阅读

下载本文档

版权说明：本文档由用户提供并上传，收益归属内容提供方，若内容存在侵权，请进行举报或认领

文档简介

数据驱动的有源配电网异常状态感知方法本发明公开了一种数据驱动的有源配电网层数据挖掘结构，通过数据分类与关联规则提2对配电网历史异常状态节点参数数据进行聚类，对聚通过关联规则算法找出与配电网异常状态类型强相关的数个元素之间的联系，将满足支持度和可信度要求的非0矢量提取出来，形成第二样本数据基于所述用于训练的样本数据集进行所述配电f(cv)=w(c)+b通过优化目标函数来衡量所述配电网异常状态预测模ii为异常状态类型的值；基于得到的样本数据集，采用随机梯度下降算法进行回3异常状态预测模块，用于将所述数据输入到其中，所述配电网短路异常状态模型的训练过程包通过关联规则算法找出与配电网异常状态类型强相关的数个元素之间的联系，将满足支持度和可信度要求的非0矢量提取出来，形成第二样本数据基于所述用于训练的样本数据集进行所述配电f(cv)=w(c)+b通过优化目标函数来衡量所述配电网异常状态预测模ii为异常状态类型的值；基于得到的样本数据集，采用随机梯度下降算法进行回45[0002]本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技点参数数据进行聚类，通过关联规则算法找出与配电网异常状态类型强相关的数据样本，6[0017]所述自编码后的数据至少包含数据所在的节点位置信息和数据所属的聚类类别7[0032]异常状态预测模块，用于将所述数据输入到训练好的配电网异常状态预测模型[0043]在一个或多个实施方式中，公开了一种数据驱动的有源配电网异常状态感知方点参数数据进行聚类，通过关联规则算法找出与配电网异常状态类型强相关的数据样本，8[0050]第一层数据挖掘利用K均值聚类算法对原始异常状态数据进行分类，然后利用一[0056]首先采集异常状态发生后的节点电压数据，再利用K均值聚类算法对这些数据进[0058]具体地，K均值聚类算法根据样本点与各类中心样本点之间的欧氏距离来判断该数据样本属于某一个聚类。当一个数据样本与某一类中心样本点之间的欧氏距离最小时，即分类是否完成。这里的判别函数表示所有聚类中的样本与样本中心的差的平方总和最9[0066]K均值聚类算法的一个缺点在于无法提前知道分类的个数，导致聚类过程难以很[0077]有源配电网中异常状态类型与节点电压之间存在一定的联系，[0078]Apriori算法是一类挖掘频繁项集的关联规则算法。首先将第一样本数据集中的数据集经过K均值聚类和自编码处理之后产生的，而第二样本数据集是第一样本数据集经[0093]参照图2，第三层数据挖掘以第二样本数据集作为训练集，采用随机梯度下降[0096]f(cy)=w"(c)+b(7)w与矢量CVj的数量积。i[0103]sr=aR(w)(10)i为异常状态类型的值。测模型的准确率为87%，负荷异常预测模型准确率为93.29%，断线故[0139]将本实施例的异常状态感知方法与直接使用传统的支持向量机进行异常状态感[0148]在一个或多个实施方式中，公开了一种数据驱动的有源配电网异常状态感知系

人人文库> 全部分类> 行业资料 > 信息产业

温馨提示

  • 1. 本站所有资源如无特殊说明，都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等，如果需要附件，请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸，网页内容里面会有图纸预览，若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间，仅对用户上传内容的表现方式做保护处理，对用户上传分享的文档内容本身不做任何修改或编辑，并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容，请与我们联系，我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

最新文档

评论

0/150

提交评论