[发明专利]基于模糊聚类和RS-KNN模型用于电网运行状态的判别方法及系统

说明书

本发明公开了一种基于模糊聚类和RS‑KNN模型用于电网运行状态的判别方法，包括如下步骤：Step 1：选择用于电网运行状态判别的特征变量；Step 2：使用模糊聚类算法，将电网运行的健康状态按照健康程度分为四种类型，分别为健康、亚健康、一般病态和严重病态。在聚类前，为了消除数据量纲的影响，需要采用归一化方法对电网的特征变量数据进行处理。Step 3：将步骤1中得到的特征变量，作为训练集的输入变量，将步骤2中得到的已经分类电网运行状态所对应的数据作为训练集，训练集的输出为对应的电网运行状态，健康、亚健康、一般病态和严重病态这四种电网运行状态所对应的标签分别设定为1、2、3和4。Step 4:将得到的四种电网运行状态的数据用来训练RS‑KNN模型。

技术领域

本发明涉及电网运行状态判别领域，具体涉及一种基于模糊聚类和RS-KNN模型用于电网运行状态的判别方法及系统。

背景技术

各国大规模的停电事故，所造成的经济损失和社会影响极其严重，给电网的安全稳定运行敲响了警钟，对电网运行状态的准确及时判别至关重要。针对传统电网运行状态判别方法存在的问题。一方面，忽略数据中的价值，另一方面，不能满足电网运行状态判断实时性要求。

发明内容

为解决上述问题，本发明提供了一种基于模糊聚类和RS-KNN模型用于电网运行状态的判别方法及系统。

为实现上述目的，本发明采取的技术方案为：

基于模糊聚类和RS-KNN模型用于电网运行状态的判别方法，包括如下步骤：

Step 1：选择用于电网运行状态判别的特征变量；

Step 2：划分电网运行状态类型

使用模糊聚类算法，将电网运行的健康状态按照健康程度分为四种类型，分别为健康、亚健康、一般病态和严重病态。在聚类前，为了消除数据量纲的影响，需要采用归一化方法对电网的特征变量数据进行处理。

Step 3：构造训练集

将步骤1中得到的特征变量，作为训练集的输入变量，将步骤2中得到的已经分类电网运行状态所对应的数据作为训练集，训练集输出结果是对应的电网运行状态，健康、亚健康、一般病态和严重病态这四种电网运行状态所对应的标签分别设定为1、2、3和4。

Step 4：训练 RS-KNN模型

首先使用随机子空间方法在原训练样本的特征空间中随机抽样，构造新的训练集。然后，利用新的样本训练集来训练基分类器KNN。最后，通过多数投票规则融合多个KNN基分类器，输出的结果是电网运行状态的分类结果。

进一步地，所述步骤Step1具体包括如下步骤：

S11：使用使数据集中的电网运行正常样本和故障样本相对平衡；

S12：随机森林-递归特征消除用于选取重要变量；

S12.1训练集是利用初始变量集构建的，包含多个训练样本，其输入为：

训练集的输出为：

其中，为训练样本总数，是指第个变量，是指第个输入样本，则是代表第个输入样本的第个变量。是指电网运行状态判别的标签，其中，1用于表示电网正常状态，而–1表示电网故障状态。

S12.2利用随机森林得到10个初始变量集中各变量的重要度，并且记录当变量个数为初始变量集时的分类正确率。

S12.3每次删除一个最不重要的变量，使用删除变量后的变量集重新构造一个新的训练集，并重新测试训练集的分类正确率。

S12.4重复12.3直到只剩下一个重要性最大的变量，所有的变量都被搜索结束。