CN118503730B 基于数据聚类算法的电力大数据处理方法 （内蒙古电力（集团）有限责任公司内蒙古电力经济技术研究院分公司）

司罕区腾飞路锦绣福源C区23号楼101-CA3242113A1,2023.06.29及一种基于数据聚类算法的电力大数据处理方2状态数据包括输电线路载流状态数据、输电线路故障状态数据与输电线路环境状态数据；步骤S5：对发电模式数据集、输电时序弹性特征集与负步骤S52：基于地理映射关联数据根据发电模式数据集对负载分层配电数据集中每层步骤S53：基于地理映射关联数据根据输电时序弹性特征集对负载分层配电数据集中电时序弹性特征集与负载分层配电数据集进行多视图聚类，得到多视图聚类电力数据集；步骤S562：对各层输电弹性分段数据进行基于密度步骤S563：对发电模式频率聚类数据、输电弹性模式聚类数步骤S564：基于发电模式数据集对发电模式频率聚类步骤S565：基于输电时序弹性特征集对输电弹性步骤S566：基于多模态异构电力数据对发电模式视图数据3步骤S13：基于电力数据采集架构网络与电力采集数据源对目标电网进行异构数据融步骤S142：对区域问题电力数据集进行异常检测与问题步骤S143：根据分类问题电力数据对区步骤S144：基于电力数据质量评级数据对区域问题电步骤S145：将修复电力数据集与原始电力数据集中未标注为问题区域的数据进行融路状态数据包括输电线路载流状态数据、输电线路故障状态数据与输电线路环境状态数电线路数据关系性数据包括输电线性关联数据与输步骤S34：根据输电线性关联数据与输电非线性关联数据对输电数据集进行时序输电4步骤S44：基于配电数据集按照预设的滚动时间窗口对配电区域分层数据中各层负荷步骤S461：若分层异常检测数据显示存在分层步骤S463：根据区域负荷时序数据与预设的滚动时间步骤S464：若分层异常持续时间比例数据不小于预设的步骤S465：若分层异常持续时间比例数据小于预设的分层步骤S466：若重聚类分析结果数据显示需要重新进行分步骤S468：根据配电区域分层数据与各区域负荷时序数据对配电数据集进行负载分5步骤S63：基于增量样本映射关系表对实时电力数据集中的新增样本进行增量聚类分67载分层可以将配电数据按照负载的特征进行分层，帮助理解不同负载之间的关系和影响。数据分析的全面性和准确性。智能视图融合可以将不同视图的聚类结果进行综合和整合，[0013]图1示出了一实施例的基于数据聚类算法的电力大数据处理方法的步骤流程示意8载分层可以将配电数据按照负载的特征进行分层，帮助理解不同负载之间的关系和影响。数据分析的全面性和准确性。智能视图融合可以将不同视图的聚类结果进行综合和整合，9数据采集系统或编程语言(如Python)的数据获取库来实现。可以借助数据处理工具如数据采集终端单元(RTU)或网关设备，将不同类型的数据源连接到统一的数据采集架构网[0033]步骤S13：基于电力数据采集架构网络与电力采集数据源对目标电网进行异构数[0037]本发明通过确定目标电网的数据源，可以全面覆盖电力数据集根据数据质量指标进行分级。可以采用数字分级(如1-5级)或文本描述(如优、良、[0049]本发明通过问题区域数据标注，能够识别出原始电力数软件或自定义开发的工具。可以使用通用的数据标注工具(如Labelbox、Supervisely、如，可以使用Apriori算法进行频繁模式挖掘，或使用序列模式挖掘算法如PrefixSpan算中输电线路数据关系性数据包括输电线性关联数据与输电非线性关[0069]步骤S34：根据输电线性关联数据与输电非线性关联数据对输电数据集进行时序用互信息方法(如mutual_info_regression、mutual_info_classif)评估模式之间的互信息量。对于频域分析，可以使用傅里叶变换方法将时序数据转换为频谱表示。可以使用之间的相关系数，以及利用互信息方法(如mutual_info_regression、mutual_info_classif)评估模式之间的互信息量。最后，可以在Python环境中使用数据处理库(如pandas)将输电时序弹性特征集与原始输电数据集进行关联，创建一个包含特征指标的新[0073]本发明通过语义标注与注释，能够对高质量电力数据集进行结构化的标记和描[0081]步骤S44：基于配电数据集按照预设的滚动时间窗口对配电区域分层数据中各层配电网络拓扑数据中的节点进行匹配。将分层异常检测数据与配电分层网络拓扑数据关[0091]步骤S462：将各区域负荷时序数据输入至配电分层网络拓扑数据中进行属性增负荷时序数据作为节点属性输入到配电分层网络拓扑数据的相应节点中，实现属性增强。地理映射关联数据。这可以通过GIS软件或者编程语言中的地理信息处理库来完成，例如[0109]步骤S52：基于地理映射关联数据根据发电模式数据集对负载分层配电数据集中[0111]步骤S53：基于地理映射关联数据根据输电时序弹性特征集对负载分层配电数据[0117]步骤S56：基于各层发电模式频率数据与各层输电弹性分段数据对发电模式数据多视图聚类算法，如多核学习(MultipleKernelLearning)或多视图谱聚类(Multiple用Python中的SciPy库中的层次聚类函数(如scipy.cluster.hierarchy.linkage)进行计如基于最短距离(single-linkage)、最长距离(complete-linkage)或平均距离(average-以使用合适的评估指标(如Calinski-Harabasz指数或轮廓系数)来评估聚类质量并选择最例如DBSCAN(Density-BasedSpatialClusteringofApplicationswithNoise)和聚类图谱)和评估指标(如Silhouette分数)来评估聚类质量并选择最佳参数设置。根据聚式数据进行关联。可以使用Python的Pandas库或其他数据处理工具来进行数据关联操作。根据发电模式频率聚类数据集中的聚类结果，将每个聚类簇对应的发电模式数据收集起图间的相互作用进行聚类的方法，可以使用现有的多视图聚类算法(如MvSC和MvDA)来实使用评估指标(如轮廓系数或互信息)来评估聚类质量并选择最佳参数设置。根据聚类结聚类的整体质量和可解释性。本发明能够揭示电力大数据中隐含的聚类模式和数据结构，与聚类电力数据集中的样本进行匹配。可以使用机器学习算法(如K最近邻算法)或者相似[0141]步骤S63：基于增