(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202110409958.6 (22)申请日 2021.04.16 (65)同一申请的已公布的文献号 申请公布号 CN 113158389 A (43)申请公布日 2021.07.23 (73)专利权人 华北电力大 学 地址 102206 北京市昌平区北农路2号 (72)发明人 龚钢军　马洪亮　孟芷若　武昕　 文亚凤　陆俊　苏畅　 (74)专利代理 机构 北京东方盛凡知识产权代理 有限公司 1 1562 专利代理师 张雪 (51)Int.Cl. G06F 30/18(2020.01) G06F 30/27(2020.01)G06K 9/62(2022.01) G06N 20/00(2019.01) G06F 113/04(2020.01) (56)对比文件 CN 107563421 A,2018.01.09 US 2018018391 A1,2018.01.18 CN 112180188 A,2021.01.0 5 方舟 等.基 于对抗生成网络与BP神经网络 的低压台区线损率预测. 《浙江电力》 .2019,第38 卷(第10期),第46 -51页. Yuxun Zhou 等.Partial Kn owledge Data- Driven Event Detecti on for Po wer Distributi on Networks. 《IE EE Transacti ons on Smart Grid》 .2018,第9卷(第5期),第5152- 5162页. 审查员 陈鸣 (54)发明名称 一种基于机器学习算法的中压配网馈线分 类方法 (57)摘要 本发明公开了一种基于机器学习算法的中 压配网馈线分类方法， 包括： 获取中压配网馈线 监测数据并构建数据集； 利用聚类算法FCM对馈 线数据进行聚类分析， 得到典型的数据类别； 利 用SAE算法提取馈线数据的高维特征数据； 利用 高维特征数据和与之对应的数据标签进行ELM模 型的有监督训练； 将SA E和ELM模型的参数信息存 入参数数据库， 形成完整的分类模型。 本申请用 于对馈线数据进行自动分类， 便于输电部门制订 配套的应对措施， 提升 馈线管理工作的效率。 权利要求书2页 说明书7页 附图2页 CN 113158389 B 2022.11.18 CN 113158389 B 1.一种基于 机器学习算法的中压配网馈线分类方法， 其特 征在于： 包括以下步骤： S1， 获取若干种中压配网馈线的中压配网馈线监测数据， 计算馈线线损， 并基于若干种 所述中压配网馈线的中压配网馈线监测数据和所述馈线线损构建第一数据集， 对所述第一 数据集进行 预处理； 所述S1中的馈线 线损S的计算公式， 具体包括： 其中， Iif为均方根电流， r为元件电阻， t为测量周期； 对所述第一数据集进行 预处理的方法为： (1)检查中压配网馈线监测数据的数据项之间的对应关系是否正确； (2)检查是否有监测数据缺失； (3)将所述第一数据集中的文本信息改为编码形式； (4)归一化处理； S2， 对所述第 一数据集进行聚类分析， 得到若干个所述馈线的数据类别， 将所述数据类 别作为馈线数据的标签； 所述S2中的聚类采用了聚类算法FC M， 所述聚类算法包括以下步骤： S2.1， 确定数据类别的数量为C， 数据中心点为Cz， 每个样本dj属于某一类Li的隶属度为 Uij， 0<j≤n， 0<i≤C； S2.2， 确定目标函数的约束条件J为： 其中m为隶属度因子， m＝2， | |dj‑Cz||表示数据点与数据中心的欧氏距离； S2.3， 将每 个数据的隶属度总和规定为1： S2.4， 将所述Uij和所述Cz进行迭代； S2.5， 得到若干个所述馈线的数据类别； S3， 构建深度学习模型， 基于所述深度学习模型对所述数据类别进行特征数据的提取， 获得馈线的特 征数据； S4， 基于所述馈线的特 征数据和所述馈线数据的标签得到标签数据集； S5， 构建浅层学习模型， 在所述浅层学习模型中， 将所述特征数据和所述标签数据集分 别作为输入和输出进行训练， 训练结束后 获得馈线分类模型， 用于对馈线数据进行自动分 类。 2.根据权利要求1所述的基于机器学习算法的中压配网馈线分类方法， 其特征在于： 所 述S1中的中压配网馈线监测数据包括但不限于： 线路属性、 运行参数。 3.根据权利要求1所述的基于机器学习算法的中压配网馈线分类方法， 其特征在于： 所 述均方根电流的公式为：权　利　要　求　书 1/2 页 2 CN 113158389 B 2所述公式内的Pt、 Qt和Ut分别代表当日负荷24h整点实测的三相有功功率、 无功功率和 线电压， 其中， Pt、 Qt和Ut均为同一线路、 同一测量 点、 同一时刻的实测数据。 4.根据权利要求1所述的基于机器学习算法的中压配网馈线分类方法， 其特征在于： 所 述S3中的深度学习模型为栈式自编码器模型SAE， 所述SAE的输入层和 输出层相同， 隐含层 用于对上层输出进行非线性变换。 5.根据权利要求1所述的基于机器学习算法的中压配网馈线分类方法， 其特征在于： 所 述S5中的浅层学习模型为极限学习机模型ELM 。 6.根据权利要求5所述的基于机器学习算法的中压配网馈线分类方法， 其特征在于： 所 述S5中的模型训练中， 所述极限学习机模型ELM的隐含层计算公式为： hj(f)＝σ(wj,bj,f) 其中hj为第j个隐含层， σ 为激活函数， wj,bj分别为权重函数和偏置函数， f为馈线的特 征数据。 7.根据权利要求1所述的基于机器学习算法的中压配网馈线分类方法， 其特征在于： 本 方法中， 还应将S2、 S 3和S5的参数保存并更新到模 型参数数据库， 所述参数为训练结束的最 终参数。权　利　要　求　书 2/2 页 3 CN 113158389 B 3