摘 要

配电终端的利用有利于大众生活需要，同时也需要做出管控处理。在大数据时代，我们理所当然的应用人工智能算法进行数据分析和管控。智能电网在当今电力系统中尤为重要,是电力系统未来发展的大趋势,通过人工智能化的大数据处理,以及机器的在学习能力帮助电力系统进行优化调度。

本文从配电自动化站所终端DTU的状态量指标体系构建，和CART决策树算法在DTU状态量评价的应用两个方面展开研究。第一，配电自动化站所终端包括很多配电网设备，其拥有的参数数据量较多，且终端本身具有庞大的规模。因此，合理地构建DTU状态量评价指标体系具有重要的影响。已有的研究虽对此方面有了一定成果，但都缺乏实践，本文根据已有研究成果，对DTU状态量评价方法进行的深入分析，为配电网络领域的研究提供了一份理论参考。第二，本文研究了决策树算法的原理和适用领域，对已有的关于决策树在配电网络的应用进行了概述，获得了一定的思路启发。基于此，选择以CART决策树为算法核心，对已有数据集进行分析，并基于CART决策树算法，对配电自动化站所终端DTU状态量评价方法进行建模。在模型验证后，获得了平均90%以上的准确率，说明模型具有研究价值，可以进行进一步研究。

本文将CART决策树这种机器学习算法与DTU的实际研究相结合，并且在验证阶段获得了较高的准确率，这说明本文建立的模型可以应用于实际DTU状态评价问题，具有一定的可行性和有效性，能够为配电网络管理者提供参考。

关键词：站所终端单元；决策树；状态量评价；CART；配电自动化

ABSTRACT

The use of distribution terminals is conducive to the needs of the public, at the same time, it also needs to make management and control treatment. In the era of big data, we naturally apply artificial intelligence algorithms for data analysis and control. Nowadays, smart grid is especially important in modern power systems. It is the general trend of power system development. Through artificial intelligence big data processing and machine learning ability to help power system to optimize scheduling.

This paper constructs the state quantity index system of the terminal DTU of the distribution automation station, and studies the application of the CART decision tree algorithm in the DTU state quantity evaluation. First, the terminal of the distribution automation station involves a large number of distribution network equipment, which has a large amount of parameter data, and the terminal itself has a large scale. Therefore, the reasonable construction of the DTU state quantity evaluation index system has an important impact. The existing research has achieved certain results in this aspect, but all of them lack practice. This paper refers to the existing research results and establishes a set of DTU state quantity evaluation index system, which provides a theoretical reference for the research of distribution network field. Secondly, this paper studies the principle and application scope of decision tree algorithm, and summarizes the existing application of decision tree in power distribution network, and obtains some ideas. Based on this, select CART decision tree as the algorithm core, analyze the existing data set, and based on CART decision tree algorithm, model the evaluation method of DTU state quantity at the terminal of distribution automation station.After the model is verified, an average accuracy of more than 90% is obtained, indicating that the model has research value and can be further studied.

In this paper, the machine learning algorithm of CART decision tree is applied to the actual research of DTU, and the high accuracy is obtained in the verification stage. This shows that the model established in this paper can be applied to the actual DTU state evaluation problem, which is feasible. Sex and effectiveness can provide a reference for distribution network managers.

Key Words： station terminal unit; decision tree; state evaluation; CART; distribution automation

目 录

第1章 绪论 1

1.1 选题背景和写作意义 1

1.2 目前国内外研究现状 2

1.3 经典的数据分类算法 3

1.3.1 C4.5及以上 3

1.3.2 k-means算法 3

1.3.3 k-最近邻分类算法 3

1.3.4 支持向量机SVM 3

1.3.5 CART决策树 4

1.4 研究思路与技术路线 4

1.4.1 研究思路 4

1.4.2 研究技术路线 4

第2章 配电自动化站所终端单元DTU状态量分析 6

2.1 配电自动化站所终端的概念 6

2.2 配电自动化站所终端单元DTU状态量指标体系 7

2.3 配电自动化站所终端单元DTU状态量分析 7

2.4 实验数据及预处理 8

2.4.1 实验数据资料获取 8

2.4.2 数据分析模式 10

第3章 决策树算法分析 11

3.1 决策树算法的原理 11

3.2 决策树的算法介绍 12

3.2.1 ID3算法 12

3.2.2 C4.5算法 13

3.2.3 CART算法 13

3.3 CART决策树算法流程 14

3.4 CART算法示例 14

3.5 CART决策树算法程序 18

3.5.1 数据预处理 19

3.5.2确定交叉验证方式 19

3.5.3确定训练分类器 19

3.5.4准确性分析 20

3.6 决策树算法的优缺点 20

第4章 状态评价模型及求解方法 21

4.1建立模型 21

4.2 准确性验证 22

4.2.1 小样本验证 22

4.2.2 大样本验证 23

第5章 结论 24

参考文献 25

附录A 样本数据 27

致 谢 28

第1章 绪论

1.1 选题背景和写作意义

随着21世纪的到来，我们迎来了计算机技术发展的高潮，高级配电自动化及智能化电网在欧美等发达国家逐渐普及，使得配电自动化达到了前所未有的高度。配电自动化是智能配电网发展必不可少的一部分，它不仅能够使供电可靠性得到提升，还可以提高配电网精益化管理水平，配电网的现代化与智能化必然会朝着自动化方向发展^[1]。

配电自动化终端设备作为一种智能设备，是配电智能化逐步向自动化转变的基础。自2017年以来我国配电终端市场需求呈现显著上升趋势，预计近两年市场需求规模在20万套左右，如图1.1所示。配电终端的利用有利于大众生活需要，同时也需要做出管控处理。在大数据时代，我们理所当然的应用人工智能算法进行数据分析和管控。智能电网在当今电力系统中尤为重要,是电力系统未来发展的大趋势,通过人工智能化的大数据处理,以及机器的学习能力帮助电力系统进行优化调度，可合理地对模型进行分类并选择合理的投入来构建不同的季节^[2]。各种预测模型在预测电力系统短期负荷中起着非常重要的作用。通过大数据分析处理我们可以得到相对准确的数学结果,提高了电力系统的稳定性。目前，算法作为人工智能的三大基石之一，模型训练方式各不相同，可分为四大类，其中监督学习中常见的算法种类有人工神经网络类、贝叶斯类、决策树类、线性分类器类，而ID3算法、C4.5算法、分类和回归树CART算法是最常见的决策树类算法^[3]。

图1.1 2019-2020年我国配电终端市场规模预测

1.2 目前国内外研究现状

目前，针对配电自动化站所终端单元DTU的状态量分析，国内外学者开展了深入的研究。其中较为常见的方法有决策树法、神经网络法、支持向量机(SVM)法等^[4]，这些方法对状态分析各有特点。

神经网络法具有复杂性高、计算量大、耗时长的特点^[5]。神经网络法最突出的缺陷，就是具有“黑箱”的特点。所谓“黑箱”就是当你使用神经网络法时，你并不知道会得出什么结果，更不知道为什么会得出这种结果，因此，当出现某种错误结果时，你找不出问题的根结，无法进行更改。相反，决策树算法的逻辑性能够让你很快地发现问题，从而能够调整和改正^[6]。支持向量机算法知识程度较为复杂，表达起来较为困难，而且该算法无法得出像决策树那样简单明了的结果^[5]。同时使用非线性分类方法，大型数据的训练样本很难实施，非常耗时。

决策树算法由Breiman.L.I等人相继提出，该算法通俗易懂，易于理解，适用于很多领域，如医学、金融及电力系统决策分析等。作为最基本简单的分类回归算法，决策树能直接表现出数据的特征，且不需要大量的数据准备，能在较短时间内，处理一些彼此有联系的数据。本次研究的数据较多，也有部分数据互相联系影响，利用决策树，能使研究更为准确、省时。决策树算法发展可追溯到1979年，J.R.Quinlan发明了ID3算法，开启了决策树算法的先河。从此之后决策树算法经过Breiman.L.I等科学家的完善逐渐发展进步。下图是决策树的发展数轴图^[7]。

图1.2决策树算法发展

决策树算法经过不断的发展，目前普及数据挖掘以及机器学习等各个领域，其利用一系列规则，将数据分类架构成树形结构，而决策树算法中CART算法使用得也较为广泛。本设计基于上述研究与理论，将具体研究基于决策树的配电自动化站所终端单元DTU的状态分析方法。

1.3 经典的数据分类算法

1.3.1 C4.5及以上

在系统开始数据挖掘时，构造分类器是必不可少的。在这样的系统中，将一组案例作为一种输入，每个案例属于少数类中的一个，并通过其对固定属性集的值进行描述，并输出能够准确预测新案例所属的类的分类器。C4.5是基于CLS和ID3算法提出的，均表示为决策树的分类器，但它也可以用更易于理解的规则集形式构造分类器^[8]。

1.3.2 k-means算法

k均值算法是一种简单的迭代方法，用于将给定数据集划分为用户指定数量的聚类。 Gray和Neuhoff^[9]将k-means的背景放置在更大的爬山算法环境中。该算法对一组d维向量进行操作通过选取d中的k个点作为初始k簇代表或“基质”来初始化该算法，用于选择这些初始种子的技术包括从数据集中随机抽样、将它们设置为聚类小部分数据的解决方案或扰乱数据的全局均值k次^[10]。

1.3.3 k-最近邻分类算法

Rote分类器是最简单的分类器之一，它只记录整个训练数据，并且只有当测试对象的属性与训练样例中的一个完全匹配时才执行分类^[11]。这种方法的一个明显缺点是许多测试记录不会被分类，因为它们与任何训练记录都不完全匹配。更复杂的方法：k-最近邻(kNN)分类在训练集中找到最接近测试对象的一组k个对象，并以特定的优势为基础对标签进行分配。此方法包含三个关键部分：一份记录的数据；用于计算对象之间距离的距离或相似性度量；k的值，即最近邻居的数量。

1.3.4 支持向量机SVM

在今天的机器学习应用程序中，支持向量机(SVM)^[12]被认为是最好的尝试，它提供了所有众所周知的算法中最强大和最准确的方法之一。它具有良好的理论基础，仅需要十几个训练样本，并且对维度的数量不敏感。此外，还正在快速开发有效的SVM培训方法。SVM的最大的缺点之一是其计算效率低下。但是，这个问题正在得到初步解决。解决的其

中一种方法是将大型优化问题分解为一系列较小的问题，每个问题仅涉及一些精心选择的变量，以便可以有效地完成优化。该过程重复进行，直到所有分解的优化问题都成功解决。

1.3.5 CART决策树

CART分类和回归树，由Leo Breiman，Jerome Friedman，Richard Olshen和Charles Stone共同撰写，代表了人工智能、机器学习、非参数统计和数据挖掘发展的一个重要里程碑^[13]。 这项工作对于决策树研究的全面性、它所引入的技术创新、树形结构数据分析的复杂讨论以及树木大样本理论的权威处理非常重要。CART的引用几乎可以在任何领域中找到，而不是像其他决策树方法，其更受市场研究或社会学研究的欢迎，远远超出了诸如电气工程，生物学，医学研究和金融主题等领域。

1.4 研究思路与技术路线

1.4.1 研究思路

广泛应用的自动化系统(DAS)在中国有着更高的要求，需要管理人员进行更多的检测管控和评价^[14]。配电自动化终端是配电网络一个重要的部分。终端自动化分配涉及DAS的安全，由于各种条件的限制，工作的地方、安装、调试和测试所有的人都被终端自动化分配在同一时间来完成^[1]。基于此，我们提出一个方法可自动测试可行的终端设备自动化评价模型，改善测试效果，测试完成终端和一个精确的迅速行动，并确保安全和稳定的终端网络。

1.4.2 研究技术路线

本文研究技术路线如图1.3所示，按照研究思路分别从五个方面进行分析研究。第一部分对目前配电终端的概况进行简要阐述，同时说明了本文研究内容和方法。第二部分考虑了对配电自动化终端的评价，研究历史参考文献，并进行了状态量的更新，建立了一套三级状态量评价指标体系。第三部分对本次研究的核心算法，即CART决策树算法，进行了详细的讲解，并在构建的状态量指标体系基础上进行了算法分析。第四部分是综合了第二章和第三章，建立了基于本文数据的评价模型，进行了模型的准确性验证，证明所研究方法的可靠性。最后一个部分则对全文进行了总结。

图1.3 论文框架结构

第2章 配电自动化站所终端单元DTU状态量分析

2.1 配电自动化站所终端的概念

配电自动化站所由配电主站以及多个配电子站组成，如图2.1所示，配电主站通过骨干层的通信网与若干个配电子站实现通信，配电子站再通过接入层的通信网与馈线终端单元（FTU）、配电变压器检测终端（TTU）、站所终端（DTU）等设备通信^[15]。FTU主要负责柱上开关，TTU主要负责重要配变，DTU则是环网柜及开闭所。

图2.1 配电自动化站所布局

配电自动化站所终端通常被设置在配电网络系统的开关站、配电室、环网柜、箱式变电站等位置，是一个具有遥信等多项功能的配电自动化终端。通过一个开关实现对该终端的监控和检测。站所终端设备DTU一般安装在传统的开/关站，室外小型开/关站，环形网络机柜，小型变电站和箱式变电站中。通常，站所终端DTU的功能主要就是“三遥”，即遥信、遥测、遥控，也有测量数据和状态数据的模拟和远程控制功能。站所终端DTU实物图如图2.2所示。

图2.2 配电自动化站所终端

2.2 配电自动化站所终端单元DTU状态量指标体系

在了解了DTU的概念后，我们熟知了配电自动化终端单元在配电网中起着重要的作用，对其进行系统的监控将有助于管理人员对配电网络系统的管控。因此我们根据已有研究，查阅相关文献和各类报告，提取了14个用来衡量DTU工作性能的指标。

以上是毕业论文大纲或资料介绍，该课题完整毕业论文、开题报告、任务书、程序设计、图纸设计等资料请添加微信获取，微信号：bysjorg。

相关图片展示：