基于谱聚类分析的电压自动分区控制方法与流程

1.本发明提供了一种基于谱聚类分析的电压自动分区控制方法，属于电力系统电压控制技术领域。


背景技术：

2.自动电压控制(automatic voltage control，avc)技术能够极大程度地改善和提高电网系统的电压水平，相比于传统的电压控制方式，avc控制方式具有全局优化、精确性高以及非线性控制等特点，随着我国电网计算机技术以及通信网络技术的不断发展和完善，avc控制技术也在不同程度的逐步实现和投入应用。由于电网电压控制具有复杂的非线性、实时性和精确性要求，而人工智能技术具有自主学习和获取知识的功能，适用于处理不确定性、非线性等问题，在电压控制方法研究和应用中展现出极大的潜力。
3.人工智能技术在电压自动控制方法的深入应用中仍面临新的问题，第一，利用大规模电网运行数据难以进行电压控制策略的制定，尽管神经网络能够通过数据的特征提取和训练学习有效实现结果的分类，但仍依赖于训练数据样本的数据量和数据特征。专家系统能够根据专家知识经验库对原始数据进行专家系统的构建，从而指导样本数据的形成。但当系统规模较大、规则较为复杂时，专家系统的计算速度和结果都受到影响，同时对于新规则的学习和更新也存在严重不足。第二，人工智能方法的选择会影响电压自动控制的速度和结果，传统神经网络等算法存在训练时间过长、学习算法速度较慢等缺点，通常会采用自动编码器等数据降维工具进行数据的降维和压缩，但是无法改变传统神经网络的神经元个数、层数以及结构参数，大规模训练样本数据会导致传统神经网络参数数量迅速增长，训练时间过长，同时随着层数的增加，易于陷入局部最优。第三，大规模复杂的原始数据处于无标签状态，难以快速分类。采用人工智能网络模型进行样本数据的训练和学习，需要建立分类标签同时对样本数据进行相应的分类，但原始数据规模大、维度多、结构复杂，导致精细化分类困难，无法进一步应用于人工智能网络。
4.因此，本发明提出了一种基于谱聚类分析的电压自动分区控制方法，提出了一种新型电网调度运行数据分类方法，采用人工智能技术进行电压自动控制方法，根据电压控制策略制定标签数据，采用标签数据进行大数据的分类，基于人工智能模型进行有监督的样本数据库训练和学习，实现电网电压自动控制的目的。


技术实现要素：

5.本发明为了解决电网电压持续越限导致局部电压异常的问题，提出了一种基于谱聚类分析的电压自动分区控制方法。
6.为了解决上述技术问题，本发明采用的技术方案为：一种基于谱聚类分析的电压自动分区控制方法，包括如下步骤：
7.s1：根据电网运行数据进行电压分区控制策略的制定，其中电压分区控制策略根据电压越限控制、功率因数和无功功率实现电压分区控制运行区域的划分；
8.s2：根据电压分区控制运行区域进行电压控制策略标签数据的制定，每个电压分区控制运行区域对应一个电压控制策略标签，得到标签数据集；
9.s3：根据标签数据集采用谱聚类分析算法对输入数据进行聚类，得到每类标签对应的输入样本数据集；
10.s4：对输入样本数据集进行归一化处理，得到归一化后的输入样本数据集，并将归一化后的输入样本数据集划分为训练集和测试集；
11.s5：建立基于dbn网络的电压自动控制模型，采用输入样本数据集对基于dbn网络的电压自动控制模型进行训练，将电压实时采集数据输入dbn网络；基于dbn网络进行电压数据的分类识别，实时下发电压控制指令；根据电压控制指令进行电容器投切和变压器档位升降；电压恢复正常，功率因数合格。
12.所述步骤s1中根据电压越限控制、功率因数和无功功率实现电压分区控制运行区域的划分，其中电压分区控制运行区域的具体划分为以下9类运行区域，分别为：
13.运行区域1：电压越下限，无功功率过高，功率因数不合格；
14.运行区域2：电压越下限，无功功率在正常范围内，功率因数合格区域；
15.运行区域3：电压越下限，无功功率过低甚至为负值即向电网发出无功，功率因数合格区域；
16.运行区域4：电压在合格范围内，无功功率过高，功率因数不合格；
17.运行区域5：电压在合格范围内，无功功率过低甚至为负值即向电网发出无功，功率因素合格；
18.运行区域6：电压越上限，无功功率过高，电压功率因数不合格；
19.运行区域7：电压越上限，无功功率在正常范围内，功率因数合格；
20.运行区域8：电压越上限，无功功率过低甚至为负值即向电网发出无功，功率因数合格；
21.运行区域9：电压、无功功率和功率因数均在正常允许范围内。
22.所述步骤s2中针对上述9类运行区域依次制定的电压控制策略标签如下：
23.运行区域1：先投入电容器，再将主变升档；
24.运行区域2：主变升档；
25.运行区域3：先进行主变升档，再退出电容器；
26.运行区域4：投入电容器；
27.运行区域5：退出电容器；
28.运行区域6：先进行主变降档，再投入电容器；
29.运行区域7：主变降档；
30.运行区域8：先退出电容器，再将主变降档；
31.运行区域9：正常，无动作策略。
32.所述步骤s3中的输入数据是根据电网某变电站历史运行数据库构建的输入样本数据集，取某时刻连续m个点的电压、功率因数和无功功率数据值构建单个样本点，取n组单个样本点数据构建输入样本数据集；
33.基于谱聚类分析对输入样本数据集进行聚类，将输入样本集根据标签结果进行分类，具体流程如下：
34.输入样本数据集，构建输入样本数据集的相似度矩阵和度矩阵，计算相似度矩阵和度矩阵的拉普拉斯矩阵和随机游走的拉普拉斯矩阵，计算随机游走的拉普拉斯矩阵的特征值，并将特征值从小到大进行排列，取前k个特征值构建特征向量，将k个特征向量组成矩阵u，提取矩阵u的行元素按照列方向排序，重新构建新的求解空间矩阵y，采用k-means算法对矩阵y进行聚类，并将聚类结构重新映射到原始的输入样本数据集中，其中聚类中心根据9个电压控制策略标签对应的电压、功率因素和无功功率范围进行选取。
35.所述步骤s5中dbn网络的训练过程如下：
36.设置网络参数和学习率；
37.将归一化后的输入样本数据集作为输入向量输入首层rbm，完成无监督训练；
38.首层rbm训练后提取的特征向量，作为输入向量，训练下一层rbm；
39.按照上述步骤依次完成每层rbm的训练，获得顶层rbm的输出特征；在每层rbm训练过程中，得到每层rbm的局部最优参数；
40.在dbn网络顶层设置softmax分类器，将rbm提取的特征送至softmax分类器中结合电压控制策略标签进行分类训练。
41.利用有标签的样本，使用误差反向传播算法对预训练后的dbn网络的整个网络参数进行有监督调整，使网络性能趋近全局最优，得到经过训练的dbn网络，并利用测试集中的数据样本对其性能进行测试，输出电压控制策略分类结果。
42.本发明相对于现有技术具备的有益效果为：
43.1.本发明提出电压控制“九宫格”策略，根据电压运行数据有效判别电压运行状态，提出针对性策略，为电压自动控制的数据驱动实现建立坚实的研究基础。
44.2.本发明提出基于深度学习的电压自动控制方法，采用电网运行数据对电压进行驱动控制，深度学习的强学习能力和适应能力提高电压控制的精确性和鲁棒性。
45.3.本发明采用谱聚类分析对电压数据进行降维和聚类，与传统聚类算法相比，能在任意样本空间上聚类且收敛于全局最优解，保障了电压控制的精度。
46.4.本发明采用深度置信网络用于电压控制的监督式学习，与传统神经网络相比，能够通过训练样本和标签之间的联合分布对网络参数进行调整，使整个网络的分类识别能力达到最优，保障了电压自动控制的准确性。
47.5.本发明建立电压自动控制模型，能够有效应用于电网，根据电力系统实时采集运行数据状态进行电压自动控制的指令下发，提升电压实时自动控制性能。
附图说明
48.下面结合附图对本发明做进一步说明：
49.图1为本发明提出的电压分区控制运行区域的划分示意图；
50.图2为本发明基于谱聚类算法的数据样本聚类流程图；
51.图3为本发明基于k-means聚类算法的数据集y的聚类流程图；
52.图4为本发明dbn网络的训练流程图；
53.图5为本发明基于dbn网络的电压自动控制流程图。
具体实施方式
54.如图1至图5所示，本发明提供的基于谱聚类分析的电压自动分区控制方法的步骤如下：
55.1.基于电网scada系统采集构建电压运行数据库：
56.e＝{e1，
……
，ei，
……en
}；
57.其中元素ei为：
[0058][0059]
其中：ui、λi和qi为第i个样本的电压、功率因数和无功功率，每个样本点取m个点。
[0060]
2.根据电压控制策略制定标签数据：
[0061]
i1：先投入电容器，再将主变升档；
[0062]
i2：主变升档；
[0063]
i3：先进行主变升档，再退出电容器；
[0064]
i4：投入电容器；
[0065]
i5：退出电容器；
[0066]
i6：先进行主变降档，再投入电容器；
[0067]
i7：主变降档；
[0068]
i8：先退出电容器，再将主变降档；
[0069]
i9：正常，无动作策略；
[0070]
构建标签数据集：i＝{i1,i2,
……
i9}。
[0071]
3.基于谱聚类分析对输入数据样本进行样本聚类。
[0072]
4.基于dbn网络对谱聚类分析后的数据进行训练。
[0073]
5.建立基于dbn网络的电压自动控制模型。
[0074]
6.根据电压实时采集数据输入dbn网络。
[0075]
7.基于dbn网络进行电压数据的分类识别，实时下发电压控制指令。
[0076]
8.根据电压控制指令进行电容器投切和变压器档位升降。
[0077]
9.电压恢复正常，功率因数合格。
[0078]
本发明方法的具体实现步骤如下：
[0079]
首先根据电网运行数据进行电压控制策略的制定，提出电压分区控制运行区域。电压的分区策略主要考虑电压越限控制、功率因数以及无功功率平衡，运行区域的划分如图1所示。该控制运行区域中，uh和u
l
表示电压的运行上下限；qh和q
l
表示无功功率的允许范围限值；
[0080]
运行区域9为电压、无功功率和功率因数均在正常允许范围内，电压自动控制无动作策略；
[0081]
运行区域5为电压在合格范围内，无功功率过低甚至为负值(即向电网发出无功)，功率因素合格，则应退出电容器；
[0082]
运行区域4为电压在合格范围内，无功功率过高，功率因数不合格，则应投入电容器；
[0083]
运行区域1为电压越下限，无功功率过高，功率因数不合格，则应先投入电容器，再将主变进行升档；
[0084]
运行区域3为电压越下限，无功功率过低甚至为负值(即向电网发出无功)，功率因数合格，则应将主变进行升档，然后退出电容器；
[0085]
运行区域6为电压越上限，无功功率过高，电压功率因数不合格，则应将主变进行降档，然后投入电容器；
[0086]
运行区域8为电压越上限，无功功率过低甚至为负值(即向电网发出无功)，功率因数合格，则应退出电容器，再将主变进行降档；
[0087]
运行区域2为电压越下限，无功功率在正常范围内，功率因数合格，则将主变进行升档位；
[0088]
运行区域7为电压越上限，无功功率在正常范围内，功率因数合格，则将主变进行降档位。
[0089]
根据上述电压分区控制运行区域进行电压控制策略标签的制定，如下：
[0090]
运行区域1：先投入电容器，再将主变升档；
[0091]
运行区域2：主变升档；
[0092]
运行区域3：先进行主变升档，再退出电容器；
[0093]
运行区域4：投入电容器；
[0094]
运行区域5：退出电容器；
[0095]
运行区域6：先进行主变降档，再投入电容器；
[0096]
运行区域7：主变降档；
[0097]
运行区域8：先退出电容器，再将主变降档；
[0098]
运行区域9：正常，无动作策略。
[0099]
再根据电压控制策略标签对输入数据进行聚类，得到每类标签对应的输入样本数据集。
[0100]
其中输入样本数据集根据电网某变电站历史运行数据库构建，取某时刻连续m个点的电压、功率因数和无功功率数据值构建单个样本点，其表达式如下：
[0101]ei
＝[u
i λ
i qi]；
[0102]
上式中：ei表示第i个样本数据，ui、λi和qi分别为第i个样本的电压、功率因数和无功功率。
[0103]
每个样本点取m个点，则表达为：
[0104][0105]
则取n组样本点数据构建输入样本数据集，表达为：
[0106]
e＝{e1，
……
，ei，
……en
}。
[0107]
基于谱聚类分析对样本数据集e进行聚类，将输入数据样本根据标签结果进行分类，具体流程如下：
[0108]
1.输入样本数据集e；
[0109]
2.构建相似度矩阵w描述样本特性，w为相似矩阵，表征样本点ei与其他样本点之间的相似度，w中每个元素w
ij
≥0，且w为n
×
n为矩阵，其中w中每个元素w
ij
的计算公式如下：
[0110][0111]
上式中：d(ei,ej)为两样本点之间的欧式距离，σ为尺度参数，以控制相似度矩阵元素w
ij
随着两样本点欧式距离的变化；
[0112]
3.构建度矩阵d：
[0113]dij
为相似矩阵w的每行元素之和，因此，度矩阵d为对角矩阵，其表达式如下：
[0114][0115]
4.拉普拉斯矩阵l及随机游走的拉普拉斯矩阵l
rw
：
[0116]
拉普拉斯矩阵的表达式为：l＝d-w；
[0117]
随机游走的拉普拉斯矩阵的表达式为：l
rw
＝d-1/2
ld-1/2
；
[0118]
上式中：d-1/2
为度矩阵d的逆平方根，l
rw
为对称拉普拉斯矩阵，即：对于满足任意w
ij
≥0的相似矩阵w，随机游走的拉普拉斯矩阵l
rw
为对称半正定矩阵；
[0119]
5.计算l
rw
的特征值，则特征方程为：|γi-l
rw
|＝0；
[0120]
上式中：i为单位矩阵，γ即为矩阵l
rw
的特征值，记作：γ1、γ2、
……
、γn，将n个特征值从小到大进行排列：γ1≤γ2≤
…
≤γk；
[0121]
取前k个特征值构建特征向量{γ1，
……
，γk}；
[0122]
6.将k个特征向量组成矩阵u：u＝{u1，u2，
……
uk}；
[0123]
其中，u＝γ，u为n
×
k的矩阵；
[0124]
7.提取u的每行元素yi(i＝1，
……
，n)重新构建新求解矩阵y，即：
[0125]
y＝{y1，y2，
……yn
}；
[0126]
8.采用k-means聚类算法对矩阵y进行聚类，得到聚类结果：{c1，c2，c3，
……
，c
p
}，将聚类结果映射回原始输入样本数据集，即：如果矩阵u的第i行被聚类到子类p，那么原始输入样本数据集中的第i个数据属于子类p。
[0127]
k-means聚类算法的步骤如下：
[0128]
1.设置聚类中心和聚类个数p，本发明中p＝9，聚类中心根据各标签对应的电压、功率因数和无功功率范围进行选取，记作：{c1，c2，c3，
……
，c
p
}；
[0129]
2.计算矩阵y中元素与各聚类中心的欧式距离：
[0130][0131]
其中，yi∈y，i＝1,
……
n；cj为聚类中心，j＝1,
……
p，d
ij
为元素yi与聚类中心的欧式距离；
[0132]
3.根据元素yi至各聚类中心的欧式距离进行聚类：
[0133]
min{d
i1
，d
i2
，
……dip
}；
[0134]
将元素yi划分至欧式距离最小的聚类中；
[0135]
4.重新计算和调整聚类中心：
[0136][0137]
其中：cj为聚类后的第j个聚类集；
[0138]
5.重新计算欧式距离进行聚类，重复步骤2和3；
[0139]
6.将最小化平方误差作为聚类目标函数判断算法收敛：
[0140][0141]
上式中：j为聚类目标函数。
[0142]
7.当函数j达到最小时，得到聚类最优结果，输出聚类中心和聚类数据：{c1，c2，
……cp
}。
[0143]
通过谱聚类分析得到输入样本训练数据集：e
′
＝{c1，c2，
……cp
}；
[0144]
其中，p＝9。
[0145]
输出的标签数据集为：i
′
＝{i1，i2，
……
i9}；
[0146]
其中，i1、
……
i9分别代表9类标签数据。
[0147]
在构建输入和输出样本数据集后，进行数据的预处理，由于本发明采用的电压、功率因数和无功功率的量纲不一致，在训练操作时会影响算法的精度和速度，因此，进行归一化处理，即：
[0148]
[0149]
其中：e
min
取u
min
、λ
min
、q
min
；e
max
取u
max
、λ
max
、q
max
，分别对ui、λi和qi进行归一化处理。
[0150]
归一化处理后的输入样本数据集为：e
*
＝{c
1*
，c
2*
，
……c9*
}。
[0151]
采用深度置信网络(deep belief network，dbn)进行数据训练，并在dbn网络的顶层连接softmax回归分类进行分类。
[0152]
基于dbn的电压自动控制方法如下：
[0153]
1.根据归一化处理后的输入样本数据集e*，设置网络参数：n个输入层神经元；动量参数β取值通常为0.05；学习率α的取值通常为0.001；
[0154]
2.将归一化处理后的输入样本数据集e*作为输入向量输入首层rbm，完成无监督训练；
[0155]
3.首层rbm训练后提取的特征向量，作为输入向量，训练下一层rbm；
[0156]
4.按照2和3依次完成每层rbm训练，获得顶层rbm的输出特征；在每层rbm训练过程中，得到每层rbm的局部最优参数，计算公式如下：
[0157][0158]wnew
＝w+v；
[0159]
其中：β和α为dbn网络的超参数，β为动量参数，α为学习率，v为梯度，为权值梯度，w为dbn网络权值参数；
[0160]
5.在dbn网络顶层设置softmax分类器，将rbm提取的特征送至softmax分类器中结合电压控制策略标签进行分类训练。
[0161]
利用概率计算函数计算出特征属于每个类别的概率，完成分类任务；概率值函数计算如下：
[0162][0163]
上式中：q表示标签类别，q＝9。xi表示第i个输入样本数据序列，yi表示第i个输入样本数据对应的分类结果标签值。h
θ
(xi)表示第i个样本数据对应各类输出结果的概率值，其中θ为softmax网络的内置参数。
[0164]
其中，softmax分类器训练中的交叉熵损失函数如下式所示：
[0165][0166]
其中，m为训练样本个数，q代表类别个数，y
ij
表示输入样本为xi时的网络输出，t
ij
表示第i个样本的目标输出类别。
[0167]
6.利用有标签的样本，使用误差反向传播算法对预训练后的dbn模型的整个网络
参数进行有监督微调，使网络性能趋近全局最优，主要公式如下：
[0168]
反向传播算法的损失函数为：
[0169]
其中，rj代表第j个神经元的真实值，yj表示第j个神经元输出的预测值，p表示输出神经元的个数。
[0170]
神经元之间的权值调整：δw
ijk
＝η(r
j-yj)yj(1-yj)xi；
[0171]
式中，δw
ijk
表示第k个网络层中第i个输入神经元与第j个输出神经元之间连接权重的调整值，η为调整步长，xi表示第i个输入神经元的值。
[0172]
最终连接权值的调整值为：
[0173]
7.得到经过训练的dbn模型，并利用数据测试集中的数据样本对其性能进行测试，输出电压控制策略分类结果。
[0174]
本发明通过综合考虑电网的电压偏差、功率因数和无功功率三个主要因素对电压进行控制区域划分，通过调整主变档位和电容器投切对不同运行区域电压进行控制，保障电压在稳定范围内运行。采用不同电压运行区域的电压控制指令进行标签数据的编制和划分，基于深度置信网络对电网节点(变电站)的电压、无功功率、功率因数数据进行训练，达到准确识别控制指令性标签的目的。针对原始训练数据量过大、无法快速分类的缺点，本发明采用谱聚类分析进行原始数据的降维和聚类，根据电压运行区域进行聚类分析，提高电压自动控制的准确性和可靠性，将电网电压实时控制在稳定范围。
[0175]
关于本发明具体结构需要说明的是，本发明采用的各部件模块相互之间的连接关系是确定的、可实现的，除实施例中特殊说明的以外，其特定的连接关系可以带来相应的技术效果，并基于不依赖相应软件程序执行的前提下，解决本发明提出的技术问题，本发明中出现的部件、模块、具体元器件的型号、相互间连接方式以及，由上述技术特征带来的常规使用方法、可预期技术效果，除具体说明的以外，均属于本领域技术人员在申请日前可以获取到的专利、期刊论文、技术手册、技术词典、教科书中已公开内容，或属于本领域常规技术、公知常识等现有技术，无需赘述，使得本案提供的技术方案是清楚、完整、可实现的，并能根据该技术手段重现或获得相应的实体产品。
[0176]
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

技术特征：
1.一种基于谱聚类分析的电压自动分区控制方法，其特征在于：包括如下步骤：s1：根据电网运行数据进行电压分区控制策略的制定，其中电压分区控制策略根据电压越限控制、功率因数和无功功率实现电压分区控制运行区域的划分；s2：根据电压分区控制运行区域进行电压控制策略标签数据的制定，每个电压分区控制运行区域对应一个电压控制策略标签，得到标签数据集；s3：根据标签数据集采用谱聚类分析算法对输入数据进行聚类，得到每类标签对应的输入样本数据集；s4：对输入样本数据集进行归一化处理，得到归一化后的输入样本数据集，并将归一化后的输入样本数据集划分为训练集和测试集；s5：建立基于dbn网络的电压自动控制模型，采用输入样本数据集对基于dbn网络的电压自动控制模型进行训练，将电压实时采集数据输入dbn网络；基于dbn网络进行电压数据的分类识别，实时下发电压控制指令；根据电压控制指令进行电容器投切和变压器档位升降；电压恢复正常，功率因数合格。2.根据权利要求1所述的一种基于谱聚类分析的电压自动分区控制方法，其特征在于：所述步骤s1中根据电压越限控制、功率因数和无功功率实现电压分区控制运行区域的划分，其中电压分区控制运行区域的具体划分为以下9类运行区域，分别为：运行区域1：电压越下限，无功功率过高，功率因数不合格；运行区域2：电压越下限，无功功率在正常范围内，功率因数合格区域；运行区域3：电压越下限，无功功率过低甚至为负值即向电网发出无功，功率因数合格区域；运行区域4：电压在合格范围内，无功功率过高，功率因数不合格；运行区域5：电压在合格范围内，无功功率过低甚至为负值即向电网发出无功，功率因素合格；运行区域6：电压越上限，无功功率过高，电压功率因数不合格；运行区域7：电压越上限，无功功率在正常范围内，功率因数合格；运行区域8：电压越上限，无功功率过低甚至为负值即向电网发出无功，功率因数合格；运行区域9：电压、无功功率和功率因数均在正常允许范围内。3.根据权利要求2所述的一种基于谱聚类分析的电压自动分区控制方法，其特征在于：所述步骤s2中针对上述9类运行区域依次制定的电压控制策略标签如下：运行区域1：先投入电容器，再将主变升档；运行区域2：主变升档；运行区域3：先进行主变升档，再退出电容器；运行区域4：投入电容器；运行区域5：退出电容器；运行区域6：先进行主变降档，再投入电容器；运行区域7：主变降档；运行区域8：先退出电容器，再将主变降档；运行区域9：正常，无动作策略。4.根据权利要求3所述的一种基于谱聚类分析的电压自动分区控制方法，其特征在于：
所述步骤s3中的输入数据是根据电网某变电站历史运行数据库构建的输入样本数据集，取某时刻连续m个点的电压、功率因数和无功功率数据值构建单个样本点，取n组单个样本点数据构建输入样本数据集；基于谱聚类分析对输入样本数据集进行聚类，将输入样本集根据标签结果进行分类，具体流程如下：输入样本数据集，构建输入样本数据集的相似度矩阵和度矩阵，计算相似度矩阵和度矩阵的拉普拉斯矩阵和随机游走的拉普拉斯矩阵，计算随机游走的拉普拉斯矩阵的特征值，并将特征值从小到大进行排列，取前k个特征值构建特征向量，将k个特征向量组成矩阵u，提取矩阵u的行元素按照列方向排序，重新构建新的求解空间矩阵y，采用k-means算法对矩阵y进行聚类，并将聚类结构重新映射到原始的输入样本数据集中，其中聚类中心根据9个电压控制策略标签对应的电压、功率因素和无功功率范围进行选取。5.根据权利要求4所述的一种基于谱聚类分析的电压自动分区控制方法，其特征在于：所述步骤s5中dbn网络的训练过程如下：设置网络参数和学习率；将归一化后的输入样本数据集作为输入向量输入首层rbm，完成无监督训练；首层rbm训练后提取的特征向量，作为输入向量，训练下一层rbm；按照上述步骤依次完成每层rbm的训练，获得顶层rbm的输出特征；在每层rbm训练过程中，得到每层rbm的局部最优参数；在dbn网络顶层设置softmax分类器，将rbm提取的特征送至softmax分类器中结合电压控制策略标签进行分类训练。6.根据权利要求5所述的一种基于谱聚类分析的电压自动分区控制方法，其特征在于：利用有标签的样本，使用误差反向传播算法对预训练后的dbn网络的整个网络参数进行有监督调整，使网络性能趋近全局最优，得到经过训练的dbn网络，并利用测试集中的数据样本对其性能进行测试，输出电压控制策略分类结果。

技术总结
本发明提供了一种基于谱聚类分析的电压自动分区控制方法，属于电力系统电压控制技术领域；解决了电网电压持续越限导致局部电压异常的问题；包括如下步骤：根据电网运行数据进行电压分区控制策略的制定；根据电压分区控制运行区域进行电压控制策略标签数据的制定；根据标签数据集采用谱聚类分析算法对输入数据进行聚类，得到每类标签对应的输入样本数据集；对输入样本数据集进行归一化处理；建立基于DBN网络的电压自动控制模型，采用输入样本数据集对基于DBN网络的电压自动控制模型进行训练，将电压实时采集数据输入DBN网络，基于DBN网络进行电压数据的分类识别，实时下发电压控制指令；本发明应用于电网电压自动控制。本发明应用于电网电压自动控制。本发明应用于电网电压自动控制。


技术研发人员：姬玉泽 陈文刚 王新瑞 蒋涛 李海燕 田瑞敏 郝鑫杰 李远 徐丽美 徐囡 徐国斌 朱剑飞 许泳涛 张玉娟
受保护的技术使用者：国网山西省电力公司晋城供电公司
技术研发日：2023.04.17
技术公布日：2023/8/9