台区线损异常诊断方法

1.一种台区线损异常诊断方法，其特征在于，包括以下步骤：获取台区数据；根据所述台区数据中的低压台区拓扑关系，生成态势底图；计算所述低压台区的三相线损，对所述态势底图进行线损渲染；根据渲染后的态势底图，进行图像识别、聚类分析，得到所述台区的线损异常定位和初步异常成因；根据渲染后的态势底图，进行相关主题数据图像识别、聚类分析，得到所述台区的线损异常定位和初步异常成因，包括以下步骤：对线损态势图、功率态势图及电压态势图分别进行分块，将图像的全局颜色特征划分为多个局部区域颜色特征，包括：以配电变压器为中心，120°等间距由内而外分为9块扇形区域；分别提取所述线损态势图、功率态势图和电压态势图中的特征向量，所述特征向量包括颜色直方图和颜色密度直方图；提取所述台区数据中的台区历史数据，对所述历史数据进行聚类拟合，得到台区典型线损及电压态势特征；根据所述特征向量、所述典型线损及所述电压态势特征进行特征匹配，包括以下步骤：通过欧氏距离进行相似性度量计算，计算得到欧式距离，所述欧式距离的计算满足： ，其中， d ( I 1 , I T )表示当前态势特征向量与典型态势特征向量的欧式距离， I 1 表示当前态势图态势特征向量， I T 表示典型态势图态势特征向量， D ( I 1i , C j )表示当前态势图 I 1 的第 i 个分块图在色彩等级 C j 的颜色密度值， D ( I Ti , C j )表示典型态势图 I T 的第 i 个分块图在色彩等级 C j 的颜色密度值， N ( I 1i , C j )表示当前态势图 I 1 的第 i 个分块图在色彩等级 C j 的像素数量， N ( I Ti , C j )表示典型态势图 I T 的第 i 个分块图在色彩等级 C j 的像素数量；根据所述欧式距离进行特征比对，将当前台区的态势特征与台区典型态势特征进行比对，判断 d ( I 1 , I T )是否大于该类的欧式距离上限，若小于，则当前台区具备台区典型态势特征，否则，则认为当前台区存在线损异常态势特征；若存在线损异常态势特征，比较分块像素数量和颜色密度，锁定异常区域，定位态势异常点；根据所述特征匹配的结果及所述态势底图，定位线损异常位置和异常初步成因；根据所述异常定位和初步异常成因，进行异常因素诊断；分析所述线损及所述异常因素的相关性，得到台区线损异常分析结果。 2.如权利要求1所述的台区线损异常诊断方法，其特征在于，根据所述台区数据中的低压台区拓扑关系，生成态势底图，包括以下步骤：从所述台区数据中获取台区拓扑线路信息；遍历所述线路信息中的节点，对每个节点相连的节点进行引力计算，节点 受到的引力合力计算满足： ， ，其中， 为图形的节点总数； 为节点 和 之间的距离， 为其他节点对点 的引力系数， 为支线理想长度， 表示节点 受到的引力合力， 表示节点 和 之间发生的引力， 和 为节点编号；根据点边规避和边边规避算法对每个所述节点进行斥力计算，节点 的总斥力计算满足： ，其中， 为非本馈线的节点数； 和 分别为本馈线当前节点上一级别支路上的节点数和剩余的节点数； 为其他馈线上的节点对点 的斥力权重， 为节点 上一级别支路上的节点对其的斥力权重， 为剩余节点对节点 的斥力权重；将所述引力合力和所述总斥力相加，得到最终的合力；根据所述最终的合力及节点运动方程，移动节点，所述节点运动方程满足： ， ， ， ， ，其中， 为节点 的迭代次数； 、 ， ， 、 ， 分别为节点 所受引力合力、引力、总斥力在 轴和在 轴上的投影； 为 步该节点离中心点的距离， 为重力系数；根据移动后的所述节点的位置进行反复迭代，得到各个节点和线路最终位置，生成态势底图。 3.如权利要求1所述的台区线损异常诊断方法，其特征在于，计算所述低压台区的三相线损，对所述态势底图进行线损渲染，将低压台区重点关注数据在态势图上直观的展示出来，包括以下步骤：获取低压台区拓扑参数、线路参数、电压、有功无功出力数据；分相计算线损，得到低压台区三相线损数据；根据所述态势底图及所述线损数据，进行颜色渲染，得到线损态势图、电压态势图及线路功率态势图。 4.如权利要求3所述的台区线损异常诊断方法，其特征在于，根据所述态势底图及所述线损数据，进行颜色渲染，包括：根据所述线损数据划分线损等级，根据所述线损等级匹配对应线段颜色，通过对线段的颜色进行渲染，得到所述线损态势图；划分电压等级，根据所述电压等级匹配对应线段颜色，通过对线段的颜色进行渲染，得到所述电压态势图；划分线路功率等级，根据所述功率等级匹配对应线段颜色，通过对线段的颜色进行渲染，得到所述线路功率态势图。 5.如权利要求1所述的台区线损异常诊断方法，其特征在于，所述特征向量包括颜色直方图和颜色密度直方图，所述特征向量表示为{ N ( I i , C j ), D ( I i , C j )|i∈[1,…, m ], j ∈[1,…, n ]}，其中， N ( I i , C j )是图像分块 I i 落入色彩等级 C j 的像素数量之和， m 为图像 I 的色块数量， n 为颜色空间 C 的色彩等级数量；颜色密度 D ( I i , C j )= N ( I i , C j )/ L j , L j 为颜色空间 C 中的第 j 个色彩等级的颜色线段长度。 6.如权利要求1所述的台区线损异常诊断方法，其特征在于，对所述历史数据进行聚类拟合，包括以下步骤：对所述特征向量的数据进行筛选和清洗，得到线损稳定台区特征数据；根据预设的聚类数和终止阈值，通过K-means算法进行聚类计算；根据聚类计算结果，计算轮廓系数；根据最优的所述轮廓系数，输出聚类结果。 7.如权利要求1所述的台区线损异常诊断方法，其特征在于，根据所述异常定位，进行异常因素诊断，包括：三相不平衡因素研判、分布式光伏接入因素研判、负荷集中于线路末端因素及线路问题因素研判；其中电压类异常通过三相不平衡因素、分布式光伏接入因素两个方向进行研判，功率类异常通过负荷集中于线路末端因素及线路供电路径过长因素两个方向进行研判。 8.如权利要求7所述的台区线损异常诊断方法，其特征在于，所述三相不平衡因素包括三相电压不平衡和三相电流不平衡，通过对称分量法分解法进行研判；所述负荷集中于线路末端因素通过三维空间求质心的算法进行研判；所述线路供电路径过长因素通过计算台区最大电压降落与态势图综合展示的方式进行研判；所述线路问题因素通过线路老化诊断和线径截面积过小诊断进行研判。 9.如权利要求1所述的台区线损异常诊断方法，其特征在于，分析所述线损及所述异常因素的相关性，得到台区线损异常分析结果，包括：计算线损异常特征向量和异常因素向量的相关系数判断相关性，所述相关系数为皮尔逊相关系数，满足： ，其中，线损异常特征向量为 P ，第 i' 个异常因素向量为 Ri' ， P =[ P 1 , P 2 … P n ]， Ri' =[ Ri' 1 , Ri' 2 … Ri' n ], 为线损异常特征向量元素的均值， 为第 i' 个异常因素向量元素的均值；根据所述相关系数匹配线损异常主因，当| p ( P , Ri' )| <0.4时，所有的异常因素均非线损异常主因；当0.4≤| p ( P , Ri' )|<0.7，则选取| p ( P , Ri' )|值最大的因素为线损异常主因；当0.7≤| p ( P , Ri' )|<1，则选取| p ( P , Ri' )|值最大和第二大的因素为线损异常主因。