[0001] 本发明涉及农灌负荷分析技术领域，尤其涉及一种基于聚类算法的农灌负荷多维聚类分析方法。

[0002] 随着电力系统信息化程度的提高，发电、输电、配电、变电、用电等各个电能环节都会生产大量的负荷数据，负荷响应情况参差不齐，且负荷特征差异化较为严重，迫切需要开展对负荷的精准化统计与分类负荷数据，并将其转化为有价值的信息，是当前电力系统需要解决与处理的重要问题，电力负荷曲线聚类是筛选分析负荷数据的关键，负荷数据的预处理、异常用户的检测、需求侧管理与能效管理等等数据都需要电力负荷曲线来进行聚类分析。

[0003] 针对当前电力系统多种多样的负荷特性，研究有效的电力数据分析挖掘技术和负荷聚类算法对电网资源的管理、分类与节约都有着重要的意义，科学合理的负荷聚类可以帮助供电单位制定合理电价、实现负荷的错峰管控，同时也可以发现问题与缺陷，及时调整电力服务策略、降低供电成本、更好地提高能源的利用率。

[0004] 在粮食培养领域水稻作为最重要的农田粮食作物之一，其需要定期且充足的水源供给，在生长期间尤其是幼苗期和灌浆期需要大量的水分，但由于经常发生重过载、低电压、三相不平衡等异常故障问题，其中因农田灌溉问题导致台区故障的负荷占很大比重，在灌溉期集中用电经常会导致当地配电网的供电压力持续增大，配电变压器经常出现重过载故障，农田灌溉用水的无序性不仅会给配电网带来运行安全风险，同时也会增加用户用电成本，因此有必要对农田灌溉负荷从多维方面来进行分析，以便对灌溉地区的负荷进行管理和调控。

[0005] 针对相关技术中的问题，目前尚未提出有效的解决方案。

[0079] 下面结合附图与实施例对本发明做进一步说明。

[0080] 应该指出，以下详细说明都是示例性的，旨在对本发明提供进一步的说明。除非另有指明，本发明使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。

[0081] 需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

[0082] 在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。

[0083] 请参阅图1，本发明提供了一种基于聚类算法的农灌负荷多维聚类分析方法，该农灌负荷多维聚类分析方法包括以下步骤：

[0084] 步骤S1，利用聚类算法分析电力负荷数据，并将电力负荷数据与农灌负荷信息结合判断农灌负荷特征，从农灌负荷特征中选取农灌故障负荷信息。

[0085] 在本实施例中，在利用聚类算法分析电力负荷数据，并将电力负荷数据与农灌负荷信息结合判断农灌负荷特征，从农灌负荷特征中选取农灌故障负荷信息时，可收集相关的电力负荷数据和农灌负荷数据，包括功率消耗、负荷变化、时间序列等信息，对数据进行清洗，包括填充缺失值、去除异常值、标准化或归一化数据；从电力和农灌负荷数据中选择特征，具体可包括选择负荷的峰值、平均负荷、负荷波动等特征；应用聚类算法，如K‑means对电力负荷数据进行分组，聚类的目的是将具有相似负荷模式的数据分在一起，这有助于识别出不同类型的负荷模式，包括正常和异常负荷；分析各个聚类结果，识别出与农灌相关的负荷特征，根据聚类结果，分辨出正常的农灌负荷模式和可能的故障负荷模式，包括异常的功率消耗增长或不规则的负荷波动可能指示存在故障；从识别出的故障负荷特征中选择关键的信息作为农灌故障负荷信息。

[0086] 利用聚类算法（以K‑means++算法为例）的具体原理，对电力负荷数据进行聚类，并将其与农灌地区负荷进行结合，应用于地区农灌方面。

[0087] 步骤S2，根据农灌故障负荷信息对应的特征属性定义维度类别分析故障负荷信息，并基于故障负荷信息划分农灌负荷类别。

[0088] 需要解释说明的是，研究灌溉地区的负荷现状，并分析该地区的农灌负荷重过载情况，利用K‑means++算法得到不同的负荷中心聚类情况，结合负荷的多特征属性（负荷故障持续时间，负荷重载率、负荷过载率）得到负荷散点图，并从多维（以重过载严重程度、丰水期与枯水期严重程度、一天24小时严重程度三个方面为例）分析故障负荷情况；

[0089] 通过农灌负荷的多维分析方法，将不同的农灌负荷数据点进行精细化聚类，通过将农灌负荷数据点分为不同的负荷聚类中心，可以得到具体的农灌负荷分类情况，进而针对不同类别的农灌负荷来进行管控与分配，较好的缓解地区农灌问题，有利于合理的分配用电资源并提高电力资源的利用率。

[0090] 具体的，K‑means++算法，主要用于减少初始中心点随机位置对聚类结果的影响，K‑means++算法主要选取簇中心点的准则是作为初始簇中心的相对距离尽可能的远，该算法中心思想主要是使得距离已有簇中心越远的点具有更大的概率被选取为下一个簇中心，以此来提高聚类结果的准确性。

[0091] 在本实施例中，在根据农灌故障负荷信息对应的特征属性定义维度类别分析故障负荷信息，并基于故障负荷信息划分农灌负荷类别时，可将农灌故障负荷信息作为数据源，依据K‑means++算法预先设定最终的簇类数量，并从数据源内随机挑选一组数据信息点作为聚类中心点；计算剩余数据信息点之间的修正欧式距离，并从剩余数据信息点中选取聚类中心计算数据源各簇中的类内距离；根据计算结果与加权概率分布算法选取新的数据信息点作为新的聚类中心点，并重复选取新的簇类中心直至预先设定的簇类数量的距离中心点被选择；按照修正欧氏距离算法将剩余数据信息点划分至与之相距最近的聚类中心形成新的类，并使用均值法计算每个新类的中心点后执行K‑means聚类算法的迭代过程完成农灌故障负荷信息的聚类处理；依据聚类处理结果提取负荷故障持续时间、负荷重载率及负荷过载率作为特征属性，并根据特征属性与K‑means聚类算法划分农灌负荷类别。

[0092] 请参阅图2，K‑means++算法的运行流程，其中心思想主要是使得距离已有簇中心越远的点具有更大的概率被选取为下一个簇中心，以此来提高聚类结果的准确性，用于减少初始中心点随机位置对聚类结果的影响，K‑means++算法以目标间的欧式距离作为相似性评价标准，从数目为n的数据集中寻找不同数目个类簇，初始聚类中心的选择是将距离当前已选择的初始聚类中心越远的点赋予较大概率成为下一个初始聚类中心，数据集中的剩余点被选为下一个初始聚类中心的概率公式为：

[0093] ；

[0094] 式中，P表示数据集，p表示数据集的采样点，p'表示数据集的剩余点，D（p）表示采样点当前所选定的初始聚类中心最短距离，D（p'）表示剩余采样点所选定的初始聚类中心最短距离。

[0095] 数据集各簇中的类内距离指的是在同一个簇内某一采样点与剩余点的平均距离的最小值，所有的簇类内距离最大值为数据集中的类内距离，具体表达公式为：

[0096] ；

[0097] 式中，Din（k）表示数据源各簇中的类内距离，k表示类簇的个数，cinum表示第i个簇中的点数目，pi表示选取第i个簇中的采样点，pn表示第i个簇中的剩余点。

[0098] 数据集P各簇中的类间距离指的是不同的两个簇里面最近两个点之间的距离最小值，具体表达公式为：

[0099] ；

[0100] 式中，Dout（k）表示为数据集各簇中的类间距离，ci与cj为不同的两个聚类中心，pu与pv分别属于两个聚类中心ci与cj距离最近的两个点。

[0101] 为评价不同k值下的聚类效果情况，基于对聚类后数据集的类内距离和类间距离来构建聚类效果评价函数，不同k值的聚类效果评价函数为：

[0102] ；

[0103] 式中，Q（k）表示聚类效果评价函数。

[0104] 具体的，在依据聚类处理结果提取负荷故障持续时间、负荷重载率及负荷过载率作为特征属性，并根据特征属性与K‑means聚类算法划分农灌负荷类别时，可将农灌故障负荷信息划分为负荷重载情况与负荷过载情况，分别建立坐标系描述负荷故障持续时间与负荷重载情况及荷过载情况之间的关系；将关系描述结果与K‑means聚类算法结合通过设定簇类数量划分负荷重过载严重程度级别；从农灌故障负荷信息故障中获取负载故障持续时间与K‑means聚类算法结合进行丰水期与枯水期的故障负荷持续时间分析；基于负荷重载情况、负荷过载情况及负载故障持续时间分析在一天时间段内负荷故障集中时间与故障持续时间；将荷重过载严重程度级别、故障负荷持续时间、一天时间段内负荷故障集中时间与故障持续时间作为农灌负荷类别。

[0105] 需要解释说明的是，本实施例所采用的多维分析方法主要分为以下几步：

[0106] 首先对聚类后的负荷进行处理与分析，针对于聚类后的负荷，分析其具体特征以及影响因素，便于之后对其从多维来进行归类总结；通过得到负荷不同的特征属性以及影响因素后，分别从不同的方面分析负荷情况，并建立负荷分类表格；接着将算法聚类后所得到的负荷进行精细化分类，通过聚类算法工具所得到的图形数据来对负荷数据群进行等级划分，有助于从不同的方面对地区的农灌负荷来进行。

[0107] 请参阅图3，本实施例采用的多维分析方法具体，该分析方法以农灌负荷为例，主要针对农灌地区故障负荷，以故障负荷的主要特征属性：负荷故障持续时间，负荷重载率、负荷过载率为例，从重过载严重程度、丰水期与枯水期严重程度、一天24小时严重程度三个方面来分析故障负荷并将其进行具体分类，帮助该地区通过负荷特征来细分农灌负荷的类别，从而有针对性的对地区负荷进行管控，以此来更好的缓解地区农田灌溉问题。

[0108] 本实施例假设对某地区的农田灌溉问题进行分析，首先设定该地区的地势与粮食产量分布情况，具体粮食产量情况如图4所示，该地区的粮食产量逐年增大，该地区粮食需要大量的水源灌溉供给，而其中水稻作为最重要的农田粮食作物之一，其需要定期且充足的水源供给，达到地区粮食总产量的三分之一。

[0109] 随着粮食产量以及水稻产量的逐年增多，配电网在农田灌溉期的负荷压力也在持续增大，这就需要对该地区的农灌负荷进行聚类分析，为该地区制定完善措施，减少与缓解因农田灌溉而造成更多的地区负荷压力问题。

[0110] 选取该地区的故障农灌负荷作为数据来源，采用多维的方法来对其进行分析，从地区故障负荷不同严重程度方面（重过载严重程度、丰水期与枯水期严重程度、一天24小时严重程度）来对该地区的农灌负荷进行分析探讨。

[0111] （1）重过载严重程度；

[0112] 首先分析该地区某变电台区在不同月份的负荷重过载故障情况，选定该台区200个负荷数据点作为负荷数据集，在不采用K‑means++算法情况下得到一个黑白散点图，该负荷数据集的具体分布情况请参阅图5、6。

[0113] 如图5、6所示，将负荷数据集按照重载情况与过载情况共分为两类，均为分散的负荷故障数据群，图中横坐标为负荷故障持续时间（小时数）、纵坐标分别为负荷重载率（%）与过载率（%），依据负荷故障持续时长可以看出，大多数的数据点分布于区域左侧，即多数负荷故障持续时间在2‑4个小时，区域右侧数据点分布较少，则依据负荷重过载率可以看出，上下区域的数据点分布较为平均，多数负荷数据点的重载率从80%‑100%、过载率由100%‑150%均匀分布。

[0114] 利用K‑means++算法对负荷数据点进行聚类，通过设定不同的K值（K=3、K=7）可将该地区的重载故障负荷数据群分为3类、7类，将该负荷数据点分为不同的负荷数据群，找到200个负荷故障数据点的质心，然后不断地更新质心，具体的负荷数据群分布情况参阅图7、
8。

[0115] 图7、8为K=3下的负荷重、过载率情况，按照负荷重、过载率共分为3类，其中上方数据群的负荷重载率最高，下方数据群的负荷重载率最低，叉号则代表该数据群的质心；将图中200个负荷数据点按照图7分为三类，如表1所示：

[0116] 表1 负荷数据点划分情况

[0117] 表2 负荷数据点分布情况

[0118] 由表1可以看出，按照重过载率严重程度共将负荷级别分为三类，其中负荷级别1代表重载/过载严重程度较低的负荷，负荷级别2代表重载/过载严重程度较高的负荷，负荷级别3代表重载/过载严重程度很高的负荷。

[0119] 由表2可以看出，K=3情况下的重载率与过载率在负荷级别1的数目最多，其次是负荷级别3，最后是负荷级别2，该地区重过载负荷两级分化比较严重，所以地区应多加强对于这两类负荷级别的配电管理，配电资源均匀分布。

[0120] 接着对K=7情况下的重过载负荷数据点进行聚类分析，可以得到图9、图10，上述两图将重、过载负荷按照负荷重、过载率与负荷故障持续时长共分为7类，可以看出该7类负荷区分较为精细，并多加入一个分类指标：负荷故障持续时长，将负荷按照上述两类指标进行聚类，负荷重过载率严重程度分为三类：较低、较高、很高，负荷故障持续时间可以分为三类：较短、较长、很长。其中，需要解释说明的是，较短表明时长为2‑4小时，较长表明时长为4‑6小时，很长表明时长为6小时以上，较低表明故障负荷的重载率为80%‑88%，较高表明故障负荷的重载率为88%‑96%，很高表明故障负荷的重载率为96%‑100%。

[0121] 其中得到表3如下所示：

[0122] 表3 重过载负荷分类情况

[0123] 按照表3的负荷分类情况以及图9的重载负荷分布情况，重载负荷数据群1、7可以划分为z‑1类负荷，重载负荷数据群2、3划分为z‑2类负荷，重载负荷数据群6划分为z‑3类负荷，重载负荷数据群4划分为z‑6类负荷，重载负荷5划分为z‑3类负荷。

[0124] 按照表3的负荷分类情况以及图10的过载负荷分布情况，过载负荷数据群2、6可以划分为g‑1类负荷，过载负荷数据群4、7划分为g‑4类负荷，负荷数据群，过载负荷数据群1、5划分为g‑7类负荷，过载负荷数据群3划分为g‑3类负荷，另外由图10可以看出，过载负荷数据群1、2、5在负荷故障持续时间中占区域较大，当K值取更大时，可将其负荷分类来进一步精细划分，聚类结果同负荷重载情况类似，可以看出，K值越大，对该负荷数据群聚类越精细，负荷的种类区分就越明显。

[0125] （2）丰水期与枯水期严重程度；

[0126] 通过枯水期（以1月份为例）和丰水期（以6月份为例）来对该地区的故障负荷进行聚类分析。

[0127] 请参阅图11，取K=3，将1月份（天数）作为横坐标，负荷故障持续时间（小时数）为纵坐标，观察该台区1月份负荷（30个数据点）的聚类情况，由图11可以看出，负荷聚类后共有3个质心，且该负荷聚类较为清晰，3个质心分别位于4号、19号、25号三个时间点，该聚类情况主要按照时间来进行分类，分为负荷级别1、负荷级别2、负荷级别3，按照时间段依据见表4，根据图中负荷数据点分布规律可见，该地区一月份的农灌负荷故障主要集中于1月下半旬，但由于总体的负荷数据点并不多，所以相较于1月上半旬，地区更需要加强对于1月份下半旬的相关负荷管控，对地区采取分散式灌溉。

[0128] 表4 枯水期（1月份）负荷数据点分布情况

[0129] 请参阅图12，取K=3，以6月份作为丰水期的代表，6月份（天数）作为横坐标，负荷故障持续时间（小时数）为纵坐标，观察该台区6月份负荷（200个数据点）的聚类情况，由图12可以看出，负荷聚类后共有3个质心，3个质心分别位于5号、10号、26号的时间点处，该聚类依据主要按照横坐标时间线来进行统计分类，负荷2与负荷3的数据点较多，代表6月初与6月末这两个时间段农灌负荷增长，地区需要加强对于这两个时间段的负荷管控，另外由于丰水期负荷分类与枯水期负荷分类情况类似，在此不再进行赘述。

[0130] 对比图11、12可以看出，该地区枯水期负荷数据点很少，只统计30个数据点，而丰水期负荷数据点很多，共统计了200个数据点，这是由于该台区以丰水期农田灌溉为主，6月的持续用水会导致地区负荷频繁出现重过载故障问题，同时K‑means++算法根据负荷持续时间将该负荷进行分类，分为不同程度的负荷，便于后期对该地区的负荷数据进行聚类分析与统计，同时也为地区的电力资源有效管控提供依据支撑。

[0131] （3）一天24小时严重程度；

[0132] 请参阅图13，统计丰水期一天24小时的农灌负荷故障情况（50个数据点）统计。

[0133] 通过K‑means++算法取K值为5，将该地区50个负荷数据点共分为5类，具体负荷的聚类情况如图13所示，由图13可以看出，左侧两个负荷数据群分别表示在凌晨期间负荷故障持续时间高与负荷故障持续时间低的负荷数据群，中间两个负荷数据群表示凌晨与上午的负荷群，右侧负荷数据群表示下午以及晚上的负荷数据群。通过聚类算法按照负荷一天的总体分布共分为4类（负荷1、负荷3、负荷4、负荷5），按照负荷持续时间分布分为2类（负荷2、负荷4）。

[0134] 聚类后的负荷数据按照负荷特征共可分为9种，其中按照负荷故障持续时间可分为较短（2‑4小时）、较长（4‑6小时）、很长（6‑8小时），按照一天小时数又分为三个时间段：凌晨期间（0‑8点）、白天期间（9‑16点）、夜晚期间（17‑23点），该故障负荷共可分为9类。具体的，故障负荷分类见表5，需要解释说明的是，其中较短、较长、很长的具体数据定义与表3一致，凌晨期间表明时间段为0：00‑8：59，白天期间表明时间段为9：00‑16：59，夜晚期间表明时间段为17：00‑23：59。

[0135] 表5 一天内的故障负荷分类表

[0136] 由表5可以看出，图13中的负荷1按照上述分类表标准可归为负荷2类，负荷2归为负荷7类，负荷3归为负荷3类，负荷4归为负荷1类，负荷5归为负荷4类，由图13可看出，该地区农灌负荷故障时间集中在凌晨期间（0‑8点），负荷故障持续时间为2‑4h与5‑8h，负荷故障严重程度较大；而白天期间（9‑16点）以及夜间期间（17‑23点）的故障负荷较少，且负荷故障持续时间为2‑5h，负荷故障严重程度较小，反映出该台区主要在晚上集中用电负荷进行农间田地灌溉，因用电持续时间较长，且多地同时用电导致地区出现重过载问题；另外可以看出该台区白天的负荷数据点较少，且负荷持续时间较短，严重程度较低，该地区需要注意分时灌溉，缩短夜间灌溉时间同时增加白天灌溉时间，另外需要减少灌溉负荷集中供电。

[0137] 因此，本实施例通过K‑means++算法来对台区故障农灌负荷进行聚类，接着从多维来对故障负荷特性进行分析，利用三个方面（重过载严重程度、丰水期与枯水期严重程度、一天24小时严重程度）分别对台区故障负荷进行说明，通过该多维分析方法，主要目的在于将不同的负荷数据点精细化聚类，通过将负荷数据群分为不同的负荷聚类中心，可以得到具体的负荷分类情况，进而通过负荷的多属性特征及多维来针对不同类别的负荷进行管控与分配，可以较好的缓解地区农灌问题，有利于合理的分配用电资源并提高电力资源的利用率。

[0138] 进而通过从多维（故障负荷3个方面：重过载严重程度、丰水期与枯水期严重程度、一天24小时严重程度）来分析灌溉地区农灌负荷的分布规律情况，总结与归纳地区的农灌负荷特性；根据算法选出的不同维度下的农灌负荷散点图，通过多维分析方法可以将上述农灌负荷散点图分为若干个具有代表性的类别，每个类别均反映出了农灌负荷所特定的灌溉问题与需求。

[0139] 结合负荷聚类分析之后的负荷特征，通过上述多维的分析方法，取多个不同的参数变量来对负荷进行聚类，可更好地对地区的农灌负荷资源进行有效分配，以此来减小地区电力资源的浪费，通过多维分析方法，可以将地区农灌负荷划为多个分类，将算法应用于电力领域中进行负荷聚类，从不同维度来分别对某地区的农田灌溉负荷情况进行聚类分析，有望帮助该地区缓解农田灌溉问题。

[0140] 步骤S3，建立以农灌负荷类别为中心的农灌负荷参与电力运行的控制模型，并根据评估灌溉水泵的工作能力利用控制模型分配电力资源控制灌溉水泵。

[0141] 在本实施例中，在建立以农灌负荷类别为中心的农灌负荷参与电力运行的控制模型，并根据评估灌溉水泵的工作能力利用控制模型分配电力资源控制灌溉水泵时，可利用分布式操作模型将发电设备与灌溉水泵融合连接实现对灌溉水泵的远程控制与信号解调，并对解调后的信号进行线路集成实现灌溉水泵的统一管理；利用双层建模理论建立网架监控模型，实现电力输送过程中的电力设备与灌溉水泵的通讯与监控；将农灌负荷类别与生成对抗网络结合生成电力运行控制程序获取在解决农灌故障负荷情况下灌溉水泵的配电运行安全标准；获取灌溉水泵在使用过程中产生的功率，并利用时序模拟算法对灌溉水泵功率进行分析评估灌溉水泵的工作能力，根据评估灌溉水泵的工作能力利用控制模型分配电力资源控制灌溉水泵。

[0142] 具体的，在利用分布式操作模型将发电设备与灌溉水泵融合连接实现对灌溉水泵的远程控制与信号解调，并对解调后的信号进行线路集成实现灌溉水泵的统一管理时，可设计整体架构，包括发电设备与灌溉水泵的连接方式、通信协议和分布式控制系统；确定系统的技术要求，如硬件平台、软件工具和网络需求；设计应考虑系统的可扩展性、安全性和可靠性；选择接口和通信协议，例如使用Modbus、CAN总线或以太网进行发电设备与灌溉水泵的物理连接；利用分布式控制模型开发一个远程控制系统来管理发电设备和灌溉水泵的操作；对从发电设备和灌溉水泵接收到的信号进行解调，用适当的解调技术处理信号，以确保数据的准确性和完整性；集成来自不同设备的数据，确保信息同步和一致性；将解调后的数据进行线路集成，实现统一的数据管理和控制。

[0143] 其中，在利用双层建模理论建立网架监控模型，实现电力输送过程中的电力设备与灌溉水泵的通讯与监控时，可确定监控系统的功能需求、性能指标和安全要求；分析电力输送和灌溉水泵的操作特点，确定需要监控的关键参数和可能的故障模式；根据双层建模理论，设计电力设备和灌溉水泵的监控模型，第一层模型负责收集和处理来自电力设备的数据，第二层模型专注于灌溉水泵的操作数据，两层之间需要实现数据的有效整合和交互；设计适应电力和灌溉系统特性的网架结构，需确保网架结构能够承载来自不同设备的数据流，并实现高效的数据通信和处理；选择或开发适合电力和灌溉设备通讯的协议；集成电力设备与灌溉水泵的监控系统。

[0144] 具体的，在将农灌负荷类别与生成对抗网络结合生成电力运行控制程序获取在解决农灌故障负荷情况下灌溉水泵的配电运行安全标准时，可利用生成对抗网络算法对农灌负荷类别对应的农灌故障负荷信息进行分析，通过博弈方式对农灌故障负荷信息实施训练式分析；根据分析结果对期望达到的配电安全标准进行数据化获取安全表达式，并基于配电安全标准利用生成对抗网络算法进行安全分析获取电力信息与灌溉水泵之间的交互最佳安全目标；利用交互最佳安全目标表示电流信息与配电安全标准之间的关系，基于关系结果利用微机算法编写电力运行控制程序，并将配电安全标准写入至电力运行控制程序内作为调度方案；根据农灌故障负荷信息判断初始调度方案能够解决农灌故障负荷情况的概率，若概率结果小于预设值则重新获取安全表达式；若概率结果大于预设值则将分布式操作模型与电力运行控制程序结合完成灌溉水泵的运行值范围值设定。

[0145] 具体的，在获取灌溉水泵在使用过程中产生的功率，并利用时序模拟算法对灌溉水泵功率进行分析评估灌溉水泵的工作能力，并根据评估灌溉水泵的工作能力利用控制模型分配电力资源控制灌溉水泵时，可基于农区灌溉历史获取灌溉水泵在使用期间的功率输出，并根据功率输出数据条件拟合生成在预设采样间隔下灌溉水泵的功率波动量曲线；根据功率波动量曲线确定在不同时间尺度采样间隔下，灌溉水泵功率有功输出波动量占比，并根据有功输出波动量占比定义灌溉水泵最大出力；基于灌溉水泵最大出力与农区灌溉额定容量之比定义集群效应系数，对集群效应系数进行波动规律分析集群效应对灌溉水泵出力波动的影响；基于出力波动影响与灌溉水泵运行成本建立目标函数，并应用时序模拟算法考虑平衡约束条件、灌溉速度约束条件对灌溉水泵的工作能力进行评估计算；将灌溉水泵的工作能力与运行值范围值进行对应，按照对应结果分配电力资源控制灌溉水泵。

[0146] 步骤S4，按照分配结果启动灌溉水泵执行农区灌溉操作，并根据灌溉结果建立效率评估模型验证农田灌溉效率，基于验证结果优化灌溉水泵的控制状态。

[0147] 在本实施例中，在按照分配结果启动灌溉水泵执行农区灌溉操作，并根据灌溉结果建立效率评估模型验证农田灌溉效率，基于验证结果优化灌溉水泵的控制状态时，可按照电力资源分配结果启动灌溉水泵执行农区灌溉操作，并在农区灌溉操作完成完后获取灌溉参数，所述灌溉参数包括灌溉水泵水流量、压力与灌溉农区湿度；基于灌溉参数生成变化曲线，并根据提取曲线时域、频域特征指标及模态分解奇异值熵分别组成灌溉水泵水流量、压力与灌溉农区湿度特征指标向量；采用和主成分分析法消除灌溉水泵水流量、压力与灌溉农区湿度信息的冗余，构建对应的特征指标样本库；基于特征指标样本库与连续隐马尔可夫模型划分农田灌溉状态，并根据划分结果建立搜索算法优化支持向量机的灌溉状态综合评估模型；利用状态综合评估模型评估验证农田灌溉效率，并根据评估验证结果优化灌溉水泵的控制状态。

[0148] 具体的，在按照电力资源分配结果启动灌溉水泵执行农区灌溉操作，并在农区灌溉操作完成完后获取灌溉参数时，可设置灌溉系统的基础配置，包括灌溉水泵的连接和电力资源的分配；根据电力资源分配结果，配置水泵的电源和控制系统，确保系统能够按预定计划启动和运行；根据电力分配和灌溉需求启动灌溉水泵；进行实际的灌溉操作，根据农区的需求灌溉指定的土地区域，控制水泵的运行时间和流量，确保均匀和有效的灌溉；在灌溉过程中和灌溉完成后，收集关键的灌溉参数；记录灌溉过程中的所有关键数据，记录的数据包括水流量、压力和湿度的变化。

[0149] 具体的，在基于灌溉参数生成变化曲线，并根据提取曲线时域、频域特征指标及模态分解奇异值熵分别组成灌溉水泵水流量、压力与灌溉农区湿度特征指标向量时，可收集灌溉水泵的水流量、压力和灌溉农区的湿度数据，确保数据的完整性和准确性，对数据进行预处理，如去噪、插值处理缺失值等，为后续分析提供干净、连续的数据序列；根据收集的数据生成水流量、压力和湿度的时间序列变化曲线；使用图表软件或编程工具来绘制时间序列曲线，直观展示参数随时间的变化情况；从时域和频域提取关键特征指标，具体的时域特征包括均值、方差、峰值等统计量；频域特征包括通过傅里叶变换（FFT）分析频率组成，提取主要频率、频谱能量等；模态分解与奇异值熵计算，对时间序列数据进行模态分解，分解数据序列，获取不同模态的成分，对每个模态成分计算奇异值熵；将提取的时域、频域特征和奇异值熵组合成特征指标向量，对每个参数（水流量、压力、湿度），创建一个包含所有相关特征的向量。

[0150] 具体的，在采用和主成分分析法消除灌溉水泵水流量、压力与灌溉农区湿度信息的冗余，构建对应的特征指标样本库时，可将水流量、压力和湿度数据构建为一个特征矩阵，其中每行代表一个样本，每列代表一个特征；计算特征矩阵的协方差矩阵特征值和特征向量，根据特征值的大小选择主成分；根据解释的方差比例选择主成分；使用所选的主成分构建特征指标样本库，主要是将原始数据转换到主成分空间，得到新的特征指标样本库，这个样本库中的特征是线性无关的，减少了冗余。

[0151] 具体的，在基于特征指标样本库与连续隐马尔可夫模型划分农田灌溉状态，并根据划分结果建立搜索算法优化支持向量机的灌溉状态综合评估模型时，可采用最大期望算法训练连续隐马尔可夫模型，并在训练完成后根据特征指标样本库定义特征指标样本序列，采用动态规划算法寻找隐状态序列解释特征指标样本序列；采用前向后向技术分析特征指标样本序列在连续隐马尔可夫模型下的似然概率值，并根据似然概率值确定特征指标样本序列对应的状态信息得到农田灌溉状态；利用搜索算法寻找最优参数优化支持向量机，并将农田灌溉状态作为输入与优化后的支持向量机结合建立灌溉状态综合评估模型。

[0152] 其中，在利用搜索算法寻找最优参数优化支持向量机，并将农田灌溉状态作为输入与优化后的支持向量机结合建立灌溉状态综合评估模型时，可对农田灌溉状态进行灰色关联预处理，基于处理结果按照关联度大小对农田灌溉状态进行排序，并结合先验知识库筛选出农田灌溉状态指标；预先初始化搜索算法参数后，利用搜索算法实现原理计算搜寻个体的适应度值，并根据最优适应度值选取最优参数建立支持向量回归模型；采用粒子群优化算法定义综合适应度函数与线性递减惯性权重策略对支持向量回归模型的超参数进行辨识得到优化后的支持向量机；将农田灌溉状态作为输入，农田灌溉状态指标作为标签与优化后的支持向量机结合建立灌溉状态综合评估模型。

[0153] 综上所述，借助于本发明的上述技术方案，本发明通过聚类算法分析地区水量使用数据，可精准地识别出农灌负荷的特征，为后续的分析和控制提供准确基础，且根据农灌故障负荷信息的特征属性定义维度类别，能够更全面、深入地分析故障负荷，为划分农灌负荷类别提供科学依据，并建立以农灌负荷类别为中心的农灌负荷参与电力运行的控制模型，可以更有效地分配电力资源，确保灌溉水泵在需要时获得足够的电力支持，同时基于灌溉水泵的工作能力利用控制模型进行电力资源分配，可以优化灌溉水泵的运行状态，提升其工作效率和灌溉效果，从而通过精准识别农灌负荷特征、有效筛选故障信息、多维度分析、优化电力资源分配、提升工作效率、实现量化评估以及持续优化灌溉系统等多个方面，为农田灌溉提供了科学、高效的管理手段。本发明以农灌故障负荷的主要属性为例，经过算法分析后反映出农灌负荷所特定的灌溉问题与需求，并对农灌负荷的多维分析方法，从不同的维度来分别对某地区的农田灌溉负荷情况进行聚类分析，通过多维的分析方法，可以将地区农灌负荷划为多个分类，帮助该地区通过负荷特征来细分农灌负荷的类别，从而有针对性的对地区负荷进行管控，以此来更好的缓解地区农田灌溉问题，有助于合理地对地区资源进行管理、指导配电资源的合理调配和提高配电资源的利用效率。

[0154] 本发明通过建立以农灌负荷类别为中心的农灌负荷参与电力运行的控制模型，实现灌溉水泵的远程控制、监控、以及电力资源的优化分配，基于分布式操作模型将发电设备与灌溉水泵融合连接，实现了灌溉水泵的远程控制与信号解调，利用双层建模理论建立的网架监控模型，实现对电力输送过程中电力设备与灌溉水泵的通讯与监控，确保了稳定运行，及时发现并处理潜在故障，避免因设备故障导致的灌溉中断或电力浪费，同时将农灌负荷类别与生成对抗网络结合生成电力运行控制程序，能够获取在解决农灌故障负荷情况下灌溉水泵的配电运行安全标准，有助于在保障灌溉需求的同时，合理调配电力资源，避免电力供需失衡，并通过获取灌溉水泵在使用过程中产生的功率数据，利用时序模拟算法进行分析，可以准确评估灌溉水泵的工作能力，便于根据水泵的实际工作状态进行电力资源的精准分配，确保水泵在最佳工作状态下运行，提高灌溉效率和效果。

[0155] 本领域普通技术人员可以意识到，结合本实施例描述的各示例的单元即算法步骤，能够以电子硬件或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

[0156] 上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。