基于大数据挖掘的低电压成因诊断方法

• 作者: 张宁 方建亮 毛井国 毛亚明 许元斌 谢颖捷 郑建锋 陆鑫 黄文思
• 来源期刊: 信息技术
• 学科: 工学
• 关键词: 低电压 大数据 K-means聚类 支持向量机
• 年，卷（期）: 2017,（4）
• 所属期刊栏目: 综述与评论
• 页码范围: 174-177
• 页数: 4页
• 分类号: TN87|TP311
• 字数: 3349字
• 语种: 中文
• DOI: 10.13274/j.cnki.hdzj.2017.04.044

摘要

配电网的“低电压”问题严重影响社会经济的发展和人民的生活,因此建立高效的电网低电压成因诊断模型,可以优化低电压投资方案、明确低电压投资方向并为低电压的治理提供决策支持.文中研究了基于大数据挖掘的电网低电压成因诊断方法.从电网低电压现象成因的实际情况出发,提出了一个较为完备的低电压诊断模型,模型执行流程主要包括聚类和分类两部分.首先,基于密度策略选择初始聚类中心,并利用DBI指标选择最优确定聚类个数,对K-means聚类算法进行改进.之后利用SVM对成因进行分类,并利用粒子群算法对核宽度参数和函数拟合误差进行优化筛选.算例仿真分析证明,该方法具有较高的可用性和良好的准确率,可以满足电力企业对于低电压诊断的需求.