线损分析方法、装置、电子设备及存储介质与流程

本申请涉及电网运行管理，尤其涉及一种线损分析方法、装置、电子设备及存储介质。

背景技术：

1、随着世界经济和工业的快速发展，企业的耗电量在不断地加大，供电部门在给企业供应电能的同时，却存在大量的电能损耗。从宏观方面来看，实际的线损可以分为技术线损和管理线损两类。技术线损通常认为是正常线路的电能损耗，不可避免；而管理线损是由于设备和管理上不善引起的人为电能损耗，并且由于管理不到位，形成的电能损失在整个线损中占有较大的比重。

2、传统的线损影响因素分析方法主要是基于等值电阻法和潮流算法等，通过简化的电路损耗模型，利用公式推导，定性获取各因素的影响特性。这种方式虽然可以获得较强的理论支撑，但模型在构建过程中，一方面加入了一定的简化条件，无法全面客观地反映出所有因素的影响特性；另一方面对于数据质量和实际电路结构的依赖程度较高，基于机理推导出的影响特性与实际相比往往会出现很大的偏差。

技术实现思路

1、有鉴于此，本申请提出一种线损分析方法、装置、电子设备及存储介质，以解决或部分解决上述问题。

2、基于上述目的，本申请提供了一种线损分析方法，包括：

3、获取电网的至少一组基础数据，分别确定所述至少一组基础数据对应的至少一个线损率；其中，任一组基础数据包括多种具体数据；

4、利用鲁棒异常点检测算法对所述至少一个线损率进行异常线损率的筛选，将属于异常线损率的所述至少一个线损率所对应的基础数据作为异常数据，否则作为样本数据；

5、对所述样本数据进行聚类分群处理，得到至少一个分类群，确定任一分类群所对应的基础数据的任一种具体数据为第一因素，确定所述第一因素是否超出设定阈值；

6、响应于所述第一因素未超出设定阈值，将所述任一分类群对应的线损率作为第二因素，通过所述第一因素及所述第二因素，利用最小二乘支持向量机算法确定分析公式；

7、将所述异常数据中与所述第一因素对应的具体数据带入所述分析公式，以根据计算结果确定并输出不同具体数据对线损的影响力。

8、在一些示例性实施例中，所述利用鲁棒异常点检测算法对所述至少一个线损率进行异常线损率的筛选，包括：

9、利用期望最大化算法将所述至少一个线损率拟合为高斯混合模型，根据所述高斯混合模型的不同高斯成分的均值和方差确定第一参数；

10、根据拉依达准则对所述第一参数进行误差筛选，将超出极限误差的作为所述异常线损率。

11、在一些示例性实施例中，所述利用期望最大化算法将所述至少一个线损率拟合为高斯混合模型，包括：

12、对所述至少一个线损率进行中心化和标准化处理，将处理后的结果拟合为所述高斯混合模型。

13、在一些示例性实施例中，所述对所述样本数据进行聚类分群处理，包括：

14、利用k-均值聚类算法对所述样本数据在空间维度上进行聚类分群。

15、在一些示例性实施例中，所述确定所述第一因素是否超出设定阈值之后，所述方法还包括：

16、响应于所述第一因素超出设定阈值，将所述第一因素作为最高优先级的异常因素进行输出。

17、在一些示例性实施例中，所述通过所述第一因素及所述第二因素，利用最小二乘支持向量机算法确定分析公式，包括：

18、将所述第一因素及所述第二因素作为训练数据，采用最小二乘支持向量机算法的关联关系拟合训练模型函数；

19、对完成训练的模型函数进行求导，得到所述分析公式。

20、在一些示例性实施例中，所述具体数据包括供电量、售电量、台区名称、变压器设备分类、变压器状态、变压器型号、使用性质、运维单位、维护班组、电压等级、额定容量、短路损耗、空载损耗、低压侧额定电流、户数、供电半径、线路长度及负载率的至少其一；

21、所述线损率，根据所述供电量与所述售电量进行计算。

22、基于同一构思，本申请还提供了一种线损分析装置，包括：

23、获取模块，用于获取电网的至少一组基础数据，分别确定所述至少一组基础数据对应的至少一个线损率；其中，任一组基础数据包括多种具体数据；

24、筛选模块，用于利用鲁棒异常点检测算法对所述至少一个线损率进行异常线损率的筛选，将属于异常线损率的所述至少一个线损率所对应的基础数据作为异常数据，否则作为样本数据；

25、聚类模块，用于对所述样本数据进行聚类分群处理，得到至少一个分类群，确定任一分类群所对应的基础数据的任一种具体数据为第一因素，确定所述第一因素是否超出设定阈值；

26、确定模块，用于响应于所述第一因素未超出设定阈值，将所述任一分类群对应的线损率作为第二因素，通过所述第一因素及所述第二因素，利用最小二乘支持向量机算法确定分析公式；

27、输出模块，用于将所述异常数据中与所述第一因素对应的具体数据带入所述分析公式，以根据计算结果确定并输出不同具体数据对线损的影响力。

28、基于同一构思，本申请还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上任一项所述的方法。

29、基于同一构思，本申请还提供了一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令用于使计算机实现如上任一项所述的方法。

30、从上面所述可以看出，本申请提供了一种线损分析方法、装置、电子设备及存储介质。本申请综合运用了鲁棒异常点检测算法、聚类算法以及最小二乘支持向量机算法，构建了一种线损异常的因素定位模型。运用筛选出的样本数据关联拟合出模型训练函数，综合因素是否超出阈值的判断，对不同数据造成线损的影响力进行定位及排序，为线损异常治理提供更为准确的量化指导依据。通过应用本申请提供的方案能够更为客观地反映所有因素对线损的影响特性，并且与原有方式相比在准确性上也有较大的提升，最终能够更为准确的提供线损影响因素的量化指向，提升了线损影响确认的效率，提升了用户体验。

技术特征：

1.一种线损分析方法，其特征在于，包括：

2.根据权利要求1所述的方法，其特征在于，所述利用鲁棒异常点检测算法对所述至少一个线损率进行异常线损率的筛选，包括：

3.根据权利要求2所述的方法，其特征在于，所述利用期望最大化算法将所述至少一个线损率拟合为高斯混合模型，包括：

4.根据权利要求1所述的方法，其特征在于，所述对所述样本数据进行聚类分群处理，包括：

5.根据权利要求1所述的方法，其特征在于，所述确定所述第一因素是否超出设定阈值之后，所述方法还包括：

6.根据权利要求1所述的方法，其特征在于，所述通过所述第一因素及所述第二因素，利用最小二乘支持向量机算法确定分析公式，包括：

7.根据权利要求1所述的方法，其特征在于，所述具体数据包括供电量、售电量、台区名称、变压器设备分类、变压器状态、变压器型号、使用性质、运维单位、维护班组、电压等级、额定容量、短路损耗、空载损耗、低压侧额定电流、户数、供电半径、线路长度及负载率的至少其一；

8.一种线损分析装置，其特征在于，包括：

9.一种电子设备，其特征在于，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如权利要求1至7任一项所述的方法。

10.一种非暂态计算机可读存储介质，其特征在于，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令用于使计算机实现权利要求1至7任一项所述的方法。

技术总结本申请提供的一种线损分析方法、装置、电子设备及存储介质，包括：获取电网的至少一组基础数据，分别确定至少一组基础数据对应的至少一个线损率；利用鲁棒异常点检测算法对至少一个线损率进行异常线损率的筛选，将属于异常线损率的至少一个线损率所对应的基础数据作为异常数据，否则作为样本数据；对样本数据进行聚类分群处理，得到至少一个分类群，确定任一分类群所对应的基础数据的任一种具体数据为第一因素，确定第一因素是否超出设定阈值；响应于第一因素未超出设定阈值，将任一分类群对应的线损率作为第二因素，利用最小二乘支持向量机算法确定分析公式；将异常数据对应的具体数据带入分析公式，确定并输出不同具体数据对线损的影响力。技术研发人员：张文,周春,刘俊玲,陈雁,陈亮,陈岩,赵婧受保护的技术使用者：北京中电普华信息技术有限公司技术研发日：技术公布日：2024/12/2