(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210866470.0 (22)申请日 2022.07.22 (71)申请人 安徽明生恒卓科技有限公司 地址 231283 安徽省合肥市高新区习友路 1689号深港数字化产业园10幢A单 元 (72)发明人 王记强　徐晓波　胡文超　蒋志刚　 章亚辉　 (74)专利代理 机构 合肥市泽信专利代理事务所 (普通合伙) 3414 4 专利代理师 潘飞 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 50/06(2012.01) G06K 9/62(2022.01) G06N 3/04(2006.01)G06N 3/08(2006.01) (54)发明名称 一种基于模糊聚类和BP神经网络的台区状 态预测模型 (57)摘要 本发明属于电力信息技术领域， 具体涉及一 种基于模糊聚类和BP神经网络的台区状态预测 模型。 该台区状态预测模 型包括： 数据获取模块、 预处理模块、 聚类模块， 以及预测模块。 其中， 数 据获取模块用于采集台区内用户侧、 低压侧和台 区侧的电力信息得到样本数据集。 预处理模块用 于对样本数据进行标准化处理。 聚类模块采用快 速搜索密度峰值算法样本数据集进行聚类处理， 生成节点属性数据集。 预测模块采用具有三层结 构的BP神经网络。 预测模块的输入为各个节点的 属性， 预测模块的输出为预测的台区电力系统的 运行状态， 运行状态分为 “正常”、“预警”和“异 常”。 本发明解决了台区内的电力信息数据量大， 分析难度高， 台区运行状态难以预测的问题。 权利要求书4页 说明书9页 附图5页 CN 115169719 A 2022.10.11 CN 115169719 A 1.一种基于模糊聚类和BP神经网络的台区状态预测模型， 其用于根据采集到的台区内 各节点的电力信息预测台区内电力系统的运行状态； 其特征在于， 所述台区状态预测模型 包括： 数据获取模块， 其用于分节点实时采集台区内用户 侧、 低压侧和台区侧各个电气设备 的电力数据和状态信息； 进 而得到每 个节点的样本数据集； 预处理模块， 其用于对采集到的不同节点的样本数据集内的各项样本数据进行预处 理； 所述预处理模块包括归一化单元和数据点检查单元； 所述归一化单元用于将非标准化 的原始数据映射到( ‑1,1)的区间内； 所述数据点检查单元用于计算样本数据集中的部 分样 本数据与上一时刻对应样本数据的变动率， 并在变动率大于一个预设幅度时， 使用上一时 刻的样本数据替换当前时刻的样本数据； 聚类模块， 其采用快速搜索密度 峰值算法对每个节点样本数据集进行聚类处理， 确定 各个节点的聚类中心和类别数； 然后将每个节点的聚类结果作为节点的属 性， 生成包含所 有节点属性的节点属性数据集； 以及 预测模块， 其采用具有三层结构的BP神经网络； 所述BP神经网络包含输入层、 隐含层和 输出层； 所述输入层的节点数N等于所述节点属性数据集的节点数； 所述输出层的节点数为 1； 所述隐含层的节 点数K大于输入层节点和输出层节 点数之和且小于输入层节 点数的2倍； 其中， 所述输入层和隐含层间采用Tanh函数作为激活函数， 所述隐含层和输出层间采用 Sigmoid函数作为激活函数； 所述预测模块的输入为各个节 点的属性， 预测模块的输出为预 测的台区电力系统的运行状态， 运行状态分为 “正常”、“预警”和“异常”。 2.如权利要求1所述的基于模糊聚类和BP神经网络的台区状态预测模型， 其特征在于： 所述用户侧的电气设备包括分布式发电单元、 集中式充电设备、 集中式储能设备和所有电 力用户处安装的智能电能表； 所述低压侧的电力设备包括配电箱、 配低 柜和独立的断路器； 所述台区侧的电力设备包括变压器、 电容器， 以及台区环境 监测装置 。 3.如权利要求1所述的基于模糊聚类和BP神经网络的台区状态预测模型， 其特征在于： 所述归一化单元根据预设的每个非标准化样本数据的理论安全阈值对数据进行归一化处 理， 归一化处理公式如下： 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； xmax表示当前 样本数据的理论安全阈值上限； xmin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xmin＝0。 4.如权利要求1所述的基于模糊聚类和BP神经网络的台区状态预测模型， 其特征在于： 所述数据点检查单元用于对非标准化样本数据进 行错误检查； 所述 非标准化数据指采集到 的除状态信息以外的其它数据。 5.如权利要求1所述的基于模糊聚类和BP神经网络的台区状态预测模型， 其特征在于： 所述聚类模块对样本数据集的聚类过程如下： 首先， 获取任意节点归一化后的样本数据集， 计算样本数据集中任意两个样本数据之 间的欧氏距离dij， 计算公式如下：权　利　要　求　书 1/4 页 2 CN 115169719 A 2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； 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： 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： 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(dij)， 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(dij)， xj:ρj＞ρi； 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； 所述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。 6.如权利要求1所述的基于模糊聚类和BP神经网络的台区状态预测模型， 其特征在于： 在所述BP神经网络中， Tanh 激活函数的表达式如下： Sigmoid激活函数的表达式如下： 7.如权利要求6所述的基于模糊聚类和BP神经网络的台区状态预测模型， 其特征在于： 在所述BP神经网络中， 输入层到隐含层的传递公式为： 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； H1j为隐含层第j个节 点的输出， j＝2N +1； f1为Tanh激活函数， ωij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； 隐含层到 输出层的传递公式为； 权　利　要　求　书 2/4 页 3 CN 115169719 A 3