一种基于融合终端的台区供电稳定性监测系统的制作方法

1.本发明属于电力信息技术领域，具体涉及一种基于融合终端的台区供电稳定性监测系统。


背景技术：

2.电力系统是由发电厂、送变电线路、供配电所和用电等环节组成的电能生产与消费系统。它的功能是将自然界的一次能源通过发电动力装置转化成电能，再经输电、变电和配电将电能供应到各用户。为了实现各环节的协调和控制，电力系统还包括应用于发电、输电、配电和营销等各个环节的信息与控制系统，进而对电能的生产和应用过程进行测量、调节、控制、保护、通信和调度，以保证用户获得安全、优质的电能。
3.现代电力系统的发展目标是实现电力系统自动化。电力系统自动化的领域包括生产过程的自动检测、调节和控制，系统和元件的自动安全保护，网络信息的自动传输，系统生产的自动调度，以及企业的自动化经济管理等。电力系统自动化的主要目标是保证供电的电能质量(频率和电压)，保证系统运行的安全可靠，提高经济效益和管理效能。
4.在配电和用电环节中，智能电能表和融合终端等设备已经可以实现电力信息远程集采，基于采集到的电力信息大数据可以实现远程的电力监测和管理。例如，在现有电力系统中，利用融合终端和智能电能表可以在台区内能够实现自动抄表，并结合在线支付系统实现用电费用自动结算等功能。
5.电力信息大数据还可以应用于电力系统运行状态监测等，但是，在单一配电台区内的电力设备众多，用电节点的负荷状态复杂；如何通过复杂的电力信息对电力系统的运行状态进行识别和预测仍是一个亟待解决的技术难题。


技术实现要素：

6.为了解决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，本发明提供一种基于融合终端的台区供电稳定性监测系统。
7.本发明采用以下技术方案实现：
8.一种基于融合终端的台区供电稳定性监测系统，该监测用于采集变压器和台区各用电节点的电力信息，进而根据采集到的电力信息对台区运行状态进行实时监测，预测台区的供电稳定性。
9.本发明提供的监测系统包括数据采集设备和主站服务器。数据采集设备安装在配电台区现场，主站服务器设置在云端。数据采集设备与主站服务器通信连接。
10.其中，数据采集设备包括：智能电能表、集中器和融合终端。智能电能表安装在各个电力用户的用电节点处，用于采集用户侧的电力信息。集中器用于获取各个用电节点处的智能电能表的采集数据。集中器和融合终端通信连接，集中器将获取到的不同用电节点出的数据统一发送到融合终端。融合终端还与低压电网的台区变压器电连接，进而获取电网侧的电力信息。融合终端与主站服务器通信连接，融合终端将同步采集的用户侧电力信
息和电网侧的电力信息发送到主站服务器。
11.主站服务器中运行有一个数据归一化模块、一个基于自适应快速搜索密度峰值算法的聚类模型，以及一个基于bp神经网络的台区运行状态识别模型。数据归一化模块用于对采集到的电力信息进行归一化处理，进而得到包含所有节点的归一化数据的样本数据集。聚类模型用于对各个节点的样本数据集进行聚类处理，确定类别数以及聚类中心，并得到包含所有节点状态信息的节点属性数据集。台区运行状态识别模型用于根据节点属性数据集预测台区当前的供电稳定性状态；聚类模型的聚类中心为三个，分别对应节点的“欠载”“平稳”或“过载”状态。台区运行状态识别模型的预测结果分为正常和异常两种状态。
12.作为本发明进一步的改进，集中器通过rs485串行总线接口与智能电表通信连接。融合终端与集中器以及台区电压器之间采用以太网或电力载波通讯的方式通信连接。融合终端通过4g、5g移动通信或以太网的通讯方式与主站服务器通信连接。
13.作为本发明进一步的改进，融合终端采集到的用户侧的电力信息包括：供电电压v1、供电电流i1、功率因数线损率δp。电网侧的电力信息包括：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。
14.作为本发明进一步的改进，归一化模块用于采用归一化公式将不同量纲的数据映射到(-1,1)区间，归一化公式如下：其中，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；x
max
表示当前样本数据的理论安全阈值上限；x
min
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x
min
＝0。
15.作为本发明进一步的改进，聚类模型的聚类过程如下：
16.首先，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d
ij
，计算公式如下：
[0017][0018]
上式中，a表示样本数据集，n表示样本数据集a中数据点的数量；xi和xj表示样本数据集a中随机的两个数据点；dist()表示欧氏距离计算函数。
[0019]
其次，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：
[0020][0021]
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：
[0022][0023]
然后，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(d
ij
)，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(d
ij
)，xj:ρj＞ρi。
[0024]
最后，根据样本数据集中每个样本数据的ρi和θi绘制决策图。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。
[0025]
作为本发明进一步的改进，台区运行状态识别模型为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＝2*输入层节点数+1。
[0026]
作为本发明进一步的改进，在bp神经网络中，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：
[0027][0028]
隐含层和输出层间采用非线性变换函数sigmoid作为激活函数；sigmoid激活函数的表达式如下：
[0029][0030]
作为本发明进一步的改进，bp神经网络中，输入层到隐含层的传递公式为：
[0031][0032]
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。h
1j
为隐含层第j个节点的输出，j＝2n+1。f1为tanh激活函数，ω
ij
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。
[0033]
隐含层到输出层的传递公式为：
[0034][0035]
上式中，y为输出层输出值，f2为sigmoid激活函数，ωj为隐含层第j个节点与输出层之间的权值，b为输出层阈值。
[0036]
作为本发明进一步的改进，bp神经网络的训练过程如下：
[0037]
s1：设定初始训练参数：包括迭代次数；目标最小误差，学习率η。
[0038]
s2：采用预先采集到的不同运行状态下的节点属性数据集作为训练样本，利用bp神经网络对训练样本进行正向传播。
[0039]
s3：计算每轮正向传播过程中输出层的预测输出与期望输出的相对误差绝对值平方和，并判断是否满足目标最小误差：
[0040]
(1)是则完成网络模型的训练过程。
[0041]
(2)否则进入反向传播过程。
[0042]
s4：采用梯度下降法进行反向传播过程，根据隐含层到输出层权值更新公式、以及输入层与隐含层之间的权值更新公式，对输出层权值、输入层与隐含层之间的权值进行动态更新。
[0043]
其中，输入层与隐含层之间的权值更新公式如下：
[0044][0045]
上式中，ω
′
ij
表示更新后的输入层第i个节点与隐含层第j个节点之间的权值，表示当前输入样本在网络模型中的期望输出，y表示当前输入样本在网络模型中的实际输出，e表示期望输出与实际输出的相对误差平方和。
[0046]
隐含层到输出层之间的权值更新公式如下：
[0047][0048]
上式中，ω
′j表示更新后的隐含层第j个节点与输出层之间的权值。
[0049]
s5：将训练样本继续输入到权值更新后的bp神经网络中，重新进行下一轮的正向传播。
[0050]
s6：循环步骤s3-s4，直到达到预设的迭代次数，或网络模型预测输出与期望输出的相对误差绝对值平方和满足目标最小误差的要求。
[0051]
作为本发明进一步的改进，bp神经网络训练过程中还采用遗传算法进行阈值优化，优化过程如下：
[0052]
s01：采用实数编码的方式将bp神经网络的阈值转化为相应的染色体个体，进而随机生成包含多个染色体个体的初始种群。
[0053]
s02：将经典遗传算法的迭代终止条件设置为bp神经网络的训练阶段同步，利用经典遗传算法对初始种群进行迭代优化。每轮迭代包括如下内容：
[0054]
s021：利用预设的适应度函数计算初始种群中每个染色体的适应度。
[0055]
s022：采用经典遗传算法的选择算子对初始种群进行选择操作；选择算子采用精英保留算子。
[0056]
s023：采用经典遗传算法的交叉算子对初始种群进行交叉操作。交叉算子通过一个自定义的相似度函数计算当前种群中任意两个个体间的相似度，然后对相似度最低的两个个体进行双点交叉。
[0057]
s024：采用经典遗传算法的变异算子对初始种群进行变异操作。变异算子按照预设的变异概率对适应度最高和适应度最低的染色体进行单点变异。
[0058]
s03：在每轮种群迭代过程中，将适应度最大的染色体表征的阈值输出给bp神经网络，作为bp神经网络在下一训练轮次中的阈值。
[0059]
本发明提供的技术方案，具有如下有益效果：
[0060]
本发明构建了一套基于融合终端的数据采集和数据分析系统，利用从台区内各节点采集的基础电力信息对台区的运行状态进行分析，根据台区电力供求关系预测台区供电的稳定性状态。本发明提供的系统将聚类算法、bp神经网络和遗传算法等引入到系统中，构建了一个可以有效分析电网运行状态的网络模型。并且利用云端强大的数据处理能力解决
本地数据的运算和处理；进而得到一种可以对台区供电稳定性进行实时分析和在线监控的系统，因此具有突出的实用价值；也为实现台区电网管理完全自动化的目标奠定了基础。
附图说明
[0061]
图1为本发明实施例1提供的一种低压台区供电稳定性的实时分析方法的步骤流程图。
[0062]
图2为本发明实施例1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信步骤流程图。
[0063]
图3为本发明实施例1中构建的bp神经网络训练阶段的程序流程图。
[0064]
图4为本发明实施例1中采用经典遗传算法对bp神经网络阈值进行优化的程序流程图。
[0065]
图5为本发明实施例2中提供的一种基于融合终端的台区供电稳定性监测系统的系统架构图。
[0066]
图6为基于融合终端的台区供电稳定性监测系统的拓扑图。
[0067]
图7为本发明实施例2中构建的bp神经网络模型的网络架构图。
具体实施方式
[0068]
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步地详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
[0069]
实施例1
[0070]
本实施例提供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。如图1所示，该实时分析方法具体包括如下步骤：
[0071]
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。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。
[0072]
现有电网中除了出现设备故障或其它事故导致的异常之外，最常出现影响电网稳定运行的原因就是供需不平衡，以及用户侧的电力需求波动对电网造成冲击。因此，本实施例的供电稳定性的实时分析主要通过电网中供电侧和用户侧的电力信息来分析电力供需平衡关系，并对可能发生异常状态进行分析和预测。
[0073]
具体地，本实施例中采集的供电电压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：v
1a
、v
1b
、v
1c
，i
1a
、i
1b
、i
1c
，v
2a
、v
2b
、v
2c
，i
2a
、i
2b
、i
2c
。
[0074]
功率因数指交流电路有功功率对视在功率的比值；是衡量电气设备效率高低的一个系数。功率因数低，说明电路用于交变磁场转换的无功功率大，从而降低了设备的利用率，增加了线路供电损失。功率因数与电网电路的负荷性质有关；也是评估电力系统的一个重要的技术指标。
[0075]
线损率是电网中损耗的电能(线路损失负荷)占向电力网络供应电能(供电负荷)
的百分数。线损率可以评估电力系统运行的经济性。线损率与电网的负荷功率因数有关，电力系统向负荷供电的电压是随着线路输送的有功和无功功率变化而变化的，当线路所输送的有功功率和始端电压不变时，如输送的无功功率越多，线路的电压损失就越大，线损率就越高。因此，当功率因数提高以后，负荷向系统吸取的无功功率就要减少，线路的电压损失也相应减少，线损率就会降低。
[0076]
设备温度是评估变压器设备容限的一个指标，变压器的运行过程中需要进行散热，当变压器的实时负荷增大，则设备温度也会相应提高。如果环境温度和其它条件导致变压器无法有效散热则会导致变压器的设备温度迅速上升，这可能会导致变压器无法按照额定负荷进行工作，进而影响台区内的正常供电。因此，本实施例在分析电网运行状态时还需要将变压器的设备温度考虑在内。
[0077]
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。
[0078]
样本数据的归一化处理公式如下：
[0079][0080]
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；x
max
表示当前样本数据的理论安全阈值上限；x
min
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x
min
＝0。
[0081]
本实施例中，采用到的各项数据的量纲和量纲单位各不相同，对于后期进行数据分析较为不利，本实施例通过归一化处理消除了不同指标项间的量纲影响。本实施例经过归一化处理后还将不同量纲的数据映射到(-1,1)区间，使得数据指标之间具有可比性。原始数据经过数据标准化处理后，各指标处于同一数量级，适合进行综合对比评价。
[0082]
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。
[0083]
如图2所示，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：
[0084]
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d
ij
，计算公式如下：
[0085][0086]
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表示样本数据集a中随机的两个数据点；dist()表示欧氏距离计算函数。
[0087]
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：
[0088][0089]
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：
[0090][0091]
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：
[0092]
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：
[0093]
(1)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(d
ij
)，j＝n。
[0094]
(2)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(d
ij
)，xj:ρj＞ρi。
[0095]
s34：根据样本数据集中每个样本数据的ρi和θi绘制决策图。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。
[0096]
具体地，各个聚类中心的类别由对应的用电节点状态确定。在本实施例中，节点属性数据集的类别数为3；节点属性数据集中每个节点的类别分为“欠载”“平稳”或“过载”。
[0097]
本实施例提供的自适应快速搜索密度峰值方法通过分析不同数据点的密度确定聚类中心，实现聚类的基础是聚类中心的密度大于其周围相邻点的密度。该方法能够根据收集到的数据集自动获取类别数，无需确定初始聚类中心，而是利用类别中心的局部密度总是高于其最近邻点的局部密度的特点，快速找到任意形状数据集的密度峰值，有效地分布非中心样本点，并利用决策图确定聚类中心。本实施例提供的自适应快速搜索密度峰值方法适合进行多类别聚类，并明显提高聚类处理的效率。
[0098]
s4：构建一个具有三层结构的bp神经网络，包括输入层、隐含层和输出层。在bp神经网络中，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。
[0099]
构建的bp神经网络中，
[0100]
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：
[0101][0102]
隐含层和输出层间采用非线性变换函数sigmoid作为激活函数，sigmoid取值范围(0，1)，且单调连续，处处可微，因而可以实现二分类的输出。sigmoid激活函数的表达式如下：
[0103][0104]
输入层到隐含层的传递公式为：
[0105][0106]
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；h
1j
为隐含层第j个节点的输出，j＝2n+1；f1为tanh激活函数，ω
ij
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。
[0107]
隐含层到输出层的传递公式为；
[0108][0109]
上式中，y为输出层输出值，f2为sigmoid激活函数，ωj为隐含层第j个节点与输出层之间的权值，b为输出层阈值。
[0110]
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，利用训练样本对上步骤构建的bp神经网络进行训练，更新网络模型的权值。同时，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。
[0111]
在本实施例中，如图3所示，bp神经网络的训练过程如下：
[0112]
s51：设定初始训练参数：包括迭代次数；目标最小误差，学习率η。
[0113]
s52：采用预先采集到的不同运行状态下的节点属性数据集作为训练样本，利用bp神经网络对训练样本进行正向传播。
[0114]
s53：计算每轮正向传播过程中输出层的预测输出与期望输出的相对误差绝对值平方和e，并判断是否满足目标最小误差：
[0115]
(1)是则完成网络模型的训练过程。
[0116]
(2)否则进入反向传播过程.
[0117]
s54：采用梯度下降法进行反向传播过程，根据隐含层到输出层权值更新公式、以及输入层与隐含层之间的权值更新公式，对输出层权值、输入层与隐含层之间的权值进行动态更新。
[0118]
具体地，输入层与隐含层之间的权值更新公式如下：
[0119][0120]
上式中，ω
′
ij
表示更新后的输入层第i个节点与隐含层第j个节点之间的权值；表示当前输入样本在网络模型中的期望输出，y表示当前输入样本在网络模型中的实际输出；e表示期望输出与实际输出的相对误差平方和。
[0121]
隐含层到输出层之间的权值更新公式如下：
[0122][0123]
上式中，ω
′j表示更新后的隐含层第j个节点与输出层之间的权值。
[0124]
s55：将训练样本继续输入到权值更新后的bp神经网络中，重新进行下一轮的正向传播。
[0125]
s56：循环步骤s53-s54，直到达到预设的迭代次数，或网络模型预测输出与期望输出的相对误差绝对值平方和满足目标最小误差的要求。
[0126]
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。
[0127]
特别地，在本实施例中，如图4所示，采用经典遗传算法对bp神经网络的阈值进行优化的过程如下：
[0128]
s01：采用实数编码的方式将bp神经网络的阈值转化为相应的染色体个体，进而随机生成包含多个染色体个体的初始种群。
[0129]
s02：将经典遗传算法的迭代终止条件设置为bp神经网络的训练阶段同步，利用经典遗传算法对初始种群进行迭代优化，每轮迭代包括如下内容：
[0130]
s021：利用预设的适应度函数计算初始种群中每个染色体的适应度。
[0131]
s022：采用经典遗传算法的选择算子对初始种群进行选择操作。
[0132]
s023：采用经典遗传算法的交叉算子对初始种群进行交叉操作。
[0133]
s024：采用经典遗传算法的变异算子对初始种群进行变异操作。
[0134]
s03：在每轮种群迭代过程中，将适应度最大的染色体表征的阈值输出给bp神经网络，作为bp神经网络在下一训练轮次中的阈值。
[0135]
在本实施例采用的经典遗传算法中，选择算子采用精英保留算子。交叉算子通过一个自定义的相似度函数计算当前种群任意两个个体间的相似度，然后对相似度最低的两个个体进行双点交叉。变异算子按照预设的变异概率对适应度最高和适应度最低的染色体进行单点变异。
[0136]
在技术方案的最后阶段，本实施例采用bp神经网络来根据不同节点的节点属性数据集来完成电网供电稳定性状态的预测任务。bp神经网络采用逐步逼近的方式，在不断的算法训练过程中，将得到结果与预想结果进行误差分析，进而修改权值和阈值，一步一步得到能输出和预想结果一致的模型。特别地，为了提高网络模型的训练效果，本实施例还将遗传算法引入到网络模型的阈值更新过程，进而显著提高bp神经网络模型的收敛速率。本实施例训练后的网络模型具有较高的响应速度，因而可以根据实时采集到的数据对台区供电状态进行动态评估。
[0137]
实施例2
[0138]
在实施例1的基础上，本实施例进一步提供一种基于融合终端的台区供电稳定性监测系统，该监测用于采集变压器和台区各用电节点的电力信息，进而利用采集到的电力信息，通过如实施例1的低压台区供电稳定性的实时分析方法对台区运行状态进行在线分析，预测台区的供电稳定性。
[0139]
如图5所示，本实施例提供的监测系统包括数据采集设备和主站服务器。数据采集设备安装在配电台区现场，主站服务器设置在云端。数据采集设备与主站服务器通信连接。
[0140]
其中，数据采集设备包括：智能电能表、集中器和融合终端。智能电能表安装在各个电力用户的用电节点处，用于采集用户侧的电力信息。集中器用于获取各个用电节点处的智能电能表的采集数据。集中器和融合终端通信连接，集中器将获取到的不同用电节点出的数据统一发送到融合终端。融合终端还与低压电网的台区变压器电连接，进而获取电网侧的电力信息。融合终端与主站服务器通信连接，融合终端将同步采集的用户侧电力信息和电网侧的电力信息发送到主站服务器。
[0141]
如图6所示，主站服务器中运行有一个数据归一化模块、一个基于自适应快速搜索
密度峰值算法的聚类模型，以及一个基于bp神经网络的台区运行状态识别模型。数据归一化模块用于对采集到的电力信息进行归一化处理，进而得到包含所有节点的归一化数据的样本数据集。聚类模型用于对各个节点的样本数据集进行聚类处理，确定类别数以及聚类中心，并得到包含所有节点状态信息的节点属性数据集。台区运行状态识别模型用于根据节点属性数据集预测台区当前的供电稳定性状态；聚类模型的聚类中心为三个，分别对应节点的“欠载”“平稳”或“过载”状态。台区运行状态识别模型的预测结果分为正常和异常两种状态。
[0142]
其中，集中器通过rs485串行总线接口与智能电表通信连接。融合终端与集中器以及台区电压器之间采用以太网或电力载波通讯的方式通信连接。融合终端通过4g、5g移动通信或以太网的通讯方式与主站服务器通信连接。
[0143]
本实施例中，融合终端采集到的用户侧的电力信息包括：供电电压v1、供电电流i1、功率因数线损率δp。电网侧的电力信息包括：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。
[0144]
归一化模块用于采用归一化公式将不同量纲的数据映射到(-1,1)区间，归一化公式如下：其中，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；x
max
表示当前样本数据的理论安全阈值上限；x
min
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x
min
＝0。
[0145]
监测系统中，聚类模型采用自适应快速搜索密度峰值算法的聚类模型对样本数据集进行聚类处理，模型的聚类过程如下：
[0146]
首先，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d
ij
，计算公式如下：
[0147][0148]
上式中，a表示样本数据集，n表示样本数据集a中数据点的数量；xi和xj表示样本数据集a中随机的两个数据点；dist()表示欧氏距离计算函数。
[0149]
其次，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：
[0150][0151]
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：
[0152][0153]
然后，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(d
ij
)，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(d
ij
)，xj:ρj＞ρi。
[0154]
最后，根据样本数据集中每个样本数据的ρi和θi绘制决策图。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。
[0155]
本实施例中构建的台区运行状态识别模型为一个具有三层结构的bp神经网络。如图7所示，bp神经网络包括输入层、隐含层和输出层。输入层节点数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＝2*输入层节点数+1。
[0156]
其中，在bp神经网络中，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：
[0157][0158]
隐含层和输出层间采用非线性变换函数sigmoid作为激活函数；sigmoid激活函数的表达式如下：
[0159][0160]
本实施例构建的bp神经网络中，输入层到隐含层的传递公式为：
[0161][0162]
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。h
1j
为隐含层第j个节点的输出，j＝2n+1。f1为tanh激活函数，ω
ij
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。
[0163]
隐含层到输出层的传递公式为：
[0164][0165]
上式中，y为输出层输出值，f2为sigmoid激活函数，ωj为隐含层第j个节点与输出层之间的权值，b为输出层阈值。
[0166]
本实施例提供的台区运行状态识别模型中，bp神经网络的训练过程如下：
[0167]
s1：设定初始训练参数：包括迭代次数；目标最小误差，学习率η。
[0168]
s2：采用预先采集到的不同运行状态下的节点属性数据集作为训练样本，利用bp神经网络对训练样本进行正向传播。
[0169]
s3：计算每轮正向传播过程中输出层的预测输出与期望输出的相对误差绝对值平方和，并判断是否满足目标最小误差：
[0170]
(1)是则完成网络模型的训练过程。
[0171]
(2)否则进入反向传播过程。
[0172]
s4：采用梯度下降法进行反向传播过程，根据隐含层到输出层权值更新公式、以及输入层与隐含层之间的权值更新公式，对输出层权值、输入层与隐含层之间的权值进行动态更新。
[0173]
其中，输入层与隐含层之间的权值更新公式如下：
[0174][0175]
上式中，ω
′
ij
表示更新后的输入层第i个节点与隐含层第j个节点之间的权值，表示当前输入样本在网络模型中的期望输出，y表示当前输入样本在网络模型中的实际输出，e表示期望输出与实际输出的相对误差平方和。
[0176]
隐含层到输出层之间的权值更新公式如下：
[0177][0178]
上式中，ω
′j表示更新后的隐含层第j个节点与输出层之间的权值。
[0179]
s5：将训练样本继续输入到权值更新后的bp神经网络中，重新进行下一轮的正向传播。
[0180]
s6：循环步骤s3-s4，直到达到预设的迭代次数，或网络模型预测输出与期望输出的相对误差绝对值平方和满足目标最小误差的要求。
[0181]
本实施例将迭代次数和误差小于预设值同时作为迭代终止的条件，当二者中任意一个条件达到后，则种植算法训练的递归过程。
[0182]
在本实施例中，为了提高算法模型的训练效果和收敛速率，还在bp神经网络训练过程中采用遗传算法进行阈值优化，优化过程如下在前述实施例中已经详细说明，本实施例中不再赘述。
[0183]
实施例3
[0184]
本实施提供一种低压台区供电稳定性的实时分析装置，该分析装置其包括存储器、处理器，以及存储在存储器上并可在处理器上运行的计算机程序。处理器执行计算机程序时，实现如实施例1的低压台区供电稳定性的实时分析方法的步骤，进而在根据采集到的台区内的该项电力信息，分析出台区供电稳定性的预测结果。
[0185]
该计算机设备可以是能执行程序的智能手机、平板电脑、笔记本电脑、台式计算机、机架式服务器、刀片式服务器、塔式服务器或机柜式服务器(包括独立的服务器，或者多个服务器所组成的服务器集群)等。本实施例的计算机设备至少包括但不限于：可通过系统总线相互通信连接的存储器、处理器。
[0186]
本实施例中，存储器(即可读存储介质)包括闪存、硬盘、多媒体卡、卡型存储器(例如，sd或dx存储器等)、随机访问存储器(ram)、静态随机访问存储器(sram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、可编程只读存储器(prom)、磁性存储器、磁盘、光盘等。在一些实施例中，存储器可以是计算机设备的内部存储单元，例如该计算机设备的硬盘或内存。在另一些实施例中，存储器也可以是计算机设备的外部存储设备，例如该计算机设备上配备的插接式硬盘，智能存储卡(smart media card,smc)，安全数字(secure digital,sd)卡，闪存卡(flash card)等。当然，存储器还可以既包括计算机设备的内部存储单元也包括其外部存储设备。本实施例中，存储器通常用于存储安装于计算机设备的操
作系统和各类应用软件等。此外，存储器还可以用于暂时地存储已经输出或者将要输出的各类数据。
[0187]
处理器在一些实施例中可以是中央处理器(central processing unit，cpu)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器通常用于控制计算机设备的总体操作。本实施例中，处理器用于运行存储器中存储的程序代码或者处理数据。
[0188]
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。