CN115204319A - 一种低压配电网拓扑参数识别方法及系统 - Google Patents

Abstract

本发明涉及电网拓扑技术领域，公开了一种低压配电网拓扑参数识别方法及系统，其方法通过获取配电网台区内的所有用户的电压数据后，对原始电压数据集进行降维处理，决原始电压数据集高维度造成的冗余问题，还通过本地离群值因子算法排除电压数据集中的异常数据，采用光谱聚类法对降维的电压数据集进行聚类，实现低压站区单相用户的相位识别，从而提高了配电网拓扑核查工作效率和准确性。

Description

一种低压配电网拓扑参数识别方法及系统

技术领域

本发明涉及电网拓扑技术领域，尤其涉及一种低压配电网拓扑参数识别方法及系统。

背景技术

配电网的拓扑连接关系对配电网故障诊断、计划停电优化、变电站负荷管理等服务具有重要意义。通常，电力公司使用GIS（地理信息系统）来记录分配系统的拓扑连接关系，包括站用户关系、用户变压器关系和线路变压器关系。但是，由于种种原因，GIS记录的分布网络拓扑不完全准确，存在数据缺失或连接信息不正确等问题。现有的GIS平台无法保存低电压用户的相位数据，也不会及时更新相位数据。同时，低压变电站区用户用电规律也发生了很大变化，造成三相不平衡。低压变电站区域三相不平衡，不仅影响用户供电质量，而且由于部分线路负荷过重，造成较大的安全隐患。

目前的分布系统拓扑识别方法主要包括现场线路检测、载波通信验证和数据驱动方法。现场电路调查需要人工操作，电路需要断电，这不仅效率低下，而且影响正常用电量。运营商通信验证使用电源线进行数据传输。变压器和用户仪表侧都排列着运营商通信终端，通过分析用户之间的通信消息特征来判断用户的相位和变电站区域。这种方法具有较高的识别成功率，但需要额外的硬件成本，抗干扰能力较弱。

近年来，智能电表在用户端的安装和普及显著增加，电网可以获得大量的用户电压、电流和其他运行数据，这为充分利用大量电力数据进行变电站拓扑识别提供了支持。

目前，配电网拓扑核查主要依靠现场检查，长期以来，由于各种原因，GIS系统中存储的信息存在很多错误，如连接信息错误，导体长度、材料、电线尺寸和类型、变压器额定功率错误或缺失等。连接信息错误是GIS记录中最突出的问题。例如，在GIS记录中，记录了部分用户接错塔架或变压器，变压器接错馈线相。其中，变电站-用户关系的记录错误最具代表性。在实际案例中，相邻变电站的低压用户经常会出现记录错误。在实际的变电站区域文件管理中，用户与变压器关系出错的情况相对较少。与变电站区域内的其他用户相比，它可以归类为一个非常小的数字。这不仅耗费了大量人力物力，而且，还工作效率低下。

发明内容

本发明提供了一种低压配电网拓扑参数识别方法及系统，解决了配电网拓扑核查工作效率低下的技术问题。

有鉴于此，本发明第一方面提供了一种低压配电网拓扑参数识别方法，包括以下步骤：

基于用户表计获取配电网台区内的所有用户的电压数据，构建原始电压数据集；

对所述原始电压数据集进行降维处理，得到降维电压数据集；

采用本地离群值因子算法识别所述降维电压数据集中的异常数据，将所述异常数据进行剔除，得到纯净电压数据集；

采用光谱聚类法对所述纯净电压数据集进行聚类分析，对所有用户的电压数据进行相别归属，得到不同相别下的用户拓扑关系。

优选地，所述基于用户表计获取配电网台区内的所有用户的电压数据，构建原始电压数据集的步骤还包括：

根据所述电压数据建立电压矩阵为：

式1

式1中，U表示电压，U_i,j表示第i个用户第j个长度的电压数据，1≤i≤C，1≤j≤G，C表示用户总数，G表示电压数据的长度。

优选地，所述基于用户表计获取配电网台区内的所有用户的电压数据，构建原始电压数据集之后，所述对所述原始电压数据集进行降维处理，得到降维电压数据集之前包括：

采用Z-Score标准化方法对所述原始电压数据集进行标准化处理。

优选地，对所述原始电压数据集进行降维处理，得到降维电压数据集的步骤具体包括：

采用UMAP算法对所述原始电压数据集进行降维处理，得到降维电压数据集，具体包括：

设所述原始电压数据集为X={x₁，…，x_n，…，x_N}，最近邻寻找算法搜索每个电压数据x_n的最邻近数据集合{x_n1，…，x_nk}；

通过下式2和式3分别计算电压数据x_n对应的参数ρ_n和参数σ_n：

式2

式3

式2~式3中，

表示电压数据x_n与电压数据x_b之间的欧姆距离；

通过下式4计算电压数据x_n选择电压数据x_b作为其邻域点的条件概率p_b|n为：

式4

通过下式5计算电压数据x_n与电压数据x_b之间的联合概率分布p_nb：

式5

式5中，

表示电压数据x_b选择电压数据x_n作为其邻域点的条件概率；

将所述原始电压数据集映射到低维空间，假设低维空间中的高维数据点x_n和x_b的映射点分别是y_n和y_b，则低维空间中的联合概率分布q_nb为：

式6

式6中，a，z均表示常值系数；

以交叉熵做为代价函数，使用梯度下降算法最小化下式7的代价函数，得到降维后的电压数据，其中，代价函数为：

式7

式7中，

表示代价函数。

优选地，对所述原始电压数据集进行降维处理，得到降维电压数据集的步骤具体包括：

利用线性化辨识算法对所述原始电压数据集进行降维处理，得到降维电压数据集。

优选地，采用本地离群值因子算法识别所述降维电压数据集中的异常数据，将所述异常数据进行剔除，得到纯净电压数据集的步骤具体包括：

获取配电网台区内的所有用户的地理位置，将所有用户映射至二维平面坐标系上，基于每个用户的坐标位置计算各个用户之间的欧氏距离；

获得每个用户在二维平面上在可达距离内的所有用户，其中，用户p到用户O的距离计算为：

式8

式8中，

表示用户p的可达距离，

表示用户p到用户O的欧姆距离；

=

且满足以下条件：至少有h个点O'∈D\{p}在降维电压数据集中使得

＜

，D\{p}表示数据集D中不包括p点在内的集合，最多有h-1个点O'∈D\{p}在集合中使得

＜

，然后获取每个用户的可达距离；

通过下式9获取每个用户的本地可达密度为：

式9

N_h(p)表示用户p的可达距离为h的邻域，且满足下式10：

式10

通过下式11计算异常分数为：

式11

式11中，

表示用户O的可达距离，h表示可达距离；

判断用户p的异常分数是否大于预设的分数阈值，若判断用户p的异常分数大于预设的分数阈值，则将用户p的电压数据判定为异常数据，并进行剔除。

优选地，所述采用光谱聚类法对所述纯净电压数据集进行聚类分析，对所有用户的电压数据进行相别归属，得到不同相别下的用户拓扑关系的步骤具体包括：

通过下式12的相似度矩阵计算各个用户之间的相似度为，

式12

式12中，W_s,v表示邻接矩阵，

是高斯核函数，U_s'和U_v'分别为用户s和用户v的电压数据；

通过下式13计算用户度矩阵为：

式13

式13中，D_ss表示矩阵D的第s个对角元素，M表示电压数据集中用户个数；

通过下式14获取用户拉普拉斯矩阵为：

式14

式14中，I为单位矩阵，D表示用户矩阵，W表示邻接矩阵；

对拉普拉斯矩阵L进行奇异值分解，得到相应的特征值，对所有特征值以升序方式进行排序，获取前r个特征值，将r个特征值组成近似矩阵E；

利用K-means聚类算法对近似矩阵E进行聚类分析，对所有用户的电压数据进行相别归属，得到不同相别下的用户拓扑关系。

第二方面，本发明还提供了一种低压配电网拓扑参数识别系统，包括：

数据获取模块，用于基于用户表计获取配电网台区内的所有用户的电压数据，构建原始电压数据集；

降维模块，用于对所述原始电压数据集进行降维处理，得到降维电压数据集；

剔除模块，用于采用本地离群值因子算法识别所述降维电压数据集中的异常数据，将所述异常数据进行剔除，得到纯净电压数据集；

聚类模块，用于采用光谱聚类法对所述纯净电压数据集进行聚类分析，对所有用户的电压数据进行相别归属，得到不同相别下的用户拓扑关系。

从以上技术方案可以看出，本发明具有以下优点：

本发明通过获取配电网台区内的所有用户的电压数据后，对原始电压数据集进行降维处理，决原始电压数据集高维度造成的冗余问题，还通过本地离群值因子算法排除电压数据集中的异常数据，采用光谱聚类法对降维的电压数据集进行聚类，实现低压站区单相用户的相位识别，从而提高了配电网拓扑核查工作效率和准确性。

附图说明

图1为本发明实施例提供的一种低压配电网拓扑参数识别方法的流程图；

图2为本发明实施例提供的一种低压配电网拓扑参数识别系统的结构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

为了便于理解，请参阅图1，本发明提供的一种低压配电网拓扑参数识别方法，包括以下步骤：

S1、基于用户表计获取配电网台区内的所有用户的电压数据，构建原始电压数据集。

可以理解的是，通常情况下，每个用户在同一相位下的电流幅度可能会有很大差异；但由于用户之间的电气距离很小，因此这些用户的电压幅度的差异很小。因此，电压数据可有利于拓扑识别。

S2、对原始电压数据集进行降维处理，得到降维电压数据集；

S3、采用本地离群值因子算法识别降维电压数据集中的异常数据，将异常数据进行剔除，得到纯净电压数据集；

S4、采用光谱聚类法对纯净电压数据集进行聚类分析，对所有用户的电压数据进行相别归属，得到不同相别下的用户拓扑关系。

本实施例提供了一种低压配电网拓扑参数识别方法，通过获取配电网台区内的所有用户的电压数据后，对原始电压数据集进行降维处理，决原始电压数据集高维度造成的冗余问题，还通过本地离群值因子算法排除电压数据集中的异常数据，采用光谱聚类法对降维的电压数据集进行聚类，实现低压站区单相用户的相位识别，从而提高了配电网拓扑核查工作效率和准确性。

在一个具体实施例中，步骤S1还包括：

根据所述电压数据建立电压矩阵为：

式1

式1中，U表示电压，U_i,j表示第i个用户第j个长度的电压数据，1≤i≤C，1≤j≤G，C表示用户总数，G表示电压数据的长度。

在一个具体实施例中，步骤S1之后，步骤S2之前包括：

采用Z-Score标准化方法对所述原始电压数据集进行标准化处理。

需要说明的是，在低压变电站区，由于线路阻抗的存在，用户电压会随着线路的延长而下降。本文主要分析电压曲线的波动成分，因此需要去除电压的直流成分。其次，需要保留数据集的原始分布特征。第三，不同变电站的电压波动特性不同，需要消除统计方差的影响。

在一个具体实施例中，步骤S2具体包括：

采用UMAP算法对所述原始电压数据集进行降维处理，得到降维电压数据集，具体包括：

S201、设所述原始电压数据集为X={x₁，…，x_n，…，x_N}，最近邻寻找算法搜索每个电压数据x_n的最邻近数据集合{x_n1，…，x_nk}；

S202、通过下式2和式3分别计算电压数据x_n对应的参数ρ_n和参数σ_n：

式2

式3

式2~式3中，

表示电压数据x_n与电压数据x_b之间的欧姆距离；

S203、通过下式4计算电压数据x_n选择电压数据x_b作为其邻域点的条件概率p_b|n为：

式4

S204、通过下式5计算电压数据x_n与电压数据x_b之间的联合概率分布p_nb：

式5

式5中，

表示电压数据x_b选择电压数据x_n作为其邻域点的条件概率；

S205、将所述原始电压数据集映射到低维空间，假设低维空间中的高维数据点x_n和x_b的映射点分别是y_n和y_b，则低维空间中的联合概率分布q_nb为：

式6

式6中，a，z均表示常值系数；

其中，将数据映射到低维空间后，高维数据点之间的相似性也应反映在低维空间的数据点上。

S206、以交叉熵做为代价函数，使用梯度下降算法最小化下式7的代价函数，得到降维后的电压数据，其中，代价函数为：

式7

式7中，

表示代价函数。

基于上述公式，通过仿射变换将数据点映射到概率分布，构建原始数据集X的高维概率分布，并在低维空间里在构建这些点的概率分布，使得这高维与低维概率分布尽可能的相似，变换得到所需降维数据集；通过最小化模糊集交叉熵为代价函数优化随机梯度下降算法。

在一个具体实施例中，步骤S2具体包括：

利用线性化辨识算法对所述原始电压数据集进行降维处理，得到降维电压数据集。

其中，线性化辨识算法为现有技术，在此不再赘述，低压变电站区用户电压数据的相似性与相位密切相关。可以认为，相位信息是用户电压数据集的主要信息。因此，使用线性化辨识解析算法降维可以在保留相位信息的同时减少无关因素的干扰。

在一个具体实施例中，步骤S3具体包括：

S301、获取配电网台区内的所有用户的地理位置，将所有用户映射至二维平面坐标系上，基于每个用户的坐标位置计算各个用户之间的欧氏距离；

S302、获得每个用户在二维平面上在可达距离内的所有用户，其中，用户p到用户O的距离计算为：

式8

式8中，

表示用户p的可达距离，

表示用户p到用户O的欧姆距离；

=

且满足以下条件：至少有h个点O'∈D\{p}在降维电压数据集中使得

＜

，D\{p}表示数据集D中不包括p点在内的集合，最多有h-1个点O'∈D\{p}在集合中使得

＜

，然后获取每个用户的可达距离；

S303、通过下式9获取每个用户的本地可达密度为：

式9

N_h(p)表示用户p的可达距离为h的邻域，且满足下式10：

式10

S304、通过下式11计算异常分数为：

式11

式11中，

表示用户O的可达距离，h表示可达距离；

S305、判断用户p的异常分数是否大于预设的分数阈值，若判断用户p的异常分数大于预设的分数阈值，则将用户p的电压数据判定为异常数据，并进行剔除。

需要说明的是，通过将变电站区域内所有用户投影到二维空间后，即可计算出每个用户的异常分数。由于非本地用户的电压曲线与变电站区内本地用户的电压曲线具有不同的波动分量特征，异常用户在空间上的分布比变电站区内本地用户远离其他点。一般来说，对于某个数据点，异常分数越大，异构数据的可能性越大。如果异常分数很小甚至小于1，则该点不太可能是异构数据。

在一个具体实施例中，步骤S4具体包括：

S401、通过下式12的相似度矩阵计算各个用户之间的相似度为，

式12

式12中，W_s,v表示邻接矩阵，

是高斯核函数，U_s'和U_v'分别为用户s和用户v的电压数据；

S402、通过下式13计算用户度矩阵为：

式13

式13中，D_ss表示矩阵D的第s个对角元素，M表示电压数据集中用户个数；

S403、通过下式14获取用户拉普拉斯矩阵为：

式14

式14中，I为单位矩阵，D表示用户矩阵，W表示邻接矩阵；

S404、对拉普拉斯矩阵L进行奇异值分解，得到相应的特征值，对所有特征值以升序方式进行排序，获取前r个特征值，将r个特征值组成近似矩阵E；

具体地，对拉普拉斯矩阵L进行奇异值分解结果为：

式中，

表示M*N的拉普拉斯矩阵L，

表示M*M的投影向量矩阵，

表示正交基矩阵的转置，

表示M*N的对角矩阵；

若采用奇异值分解中的近似分解方法，可减小存储空间并提高计算速度，也即选择前r个特征值组成的近似矩阵E，表示为，

近似矩阵E与M个用户个数相对应。

S405、利用K-means聚类算法对近似矩阵E进行聚类分析，对所有用户的电压数据进行相别归属，得到不同相别下的用户拓扑关系。

需要说明的是，低压用户的相识别和管理是控制三相不平衡的前提。然而，现有的GIS平台大多不保存低压变电站区用户的相位数据。一些保存阶段数据的GIS平台没有及时更新数据。在实际低压变电站区，用户相位信息记录不完整，相位变化会导致记录错误等问题，难以根据用户相位信息控制三相不平衡。因此，有必要研究一种在只有部分或没有用户相位信息的情况下，能够实现对所有用户的接入相位识别的方法。

谱聚类是从图论演化而来的聚类算法。谱聚类的主要思想是将数据视为空间中的点，可以通过边连接。对相距较远的两点之间的边分配较低的边权重，为相距较近的两点之间的边分配较高的权重，然后对所有数据点组成的图进行切割，使权重之和为子图之间的边越低越好，子图中边的权重之和越大。

以上为本发明提供的一种低压配电网拓扑参数识别方法的实施例的详细描述，以下为本发明提供的一种低压配电网拓扑参数识别系统的实施例的详细描述。

为了方便理解，请参阅图2，本发明还提供了一种低压配电网拓扑参数识别系统，包括：

数据获取模块100，用于基于用户表计获取配电网台区内的所有用户的电压数据，构建原始电压数据集；

降维模块200，用于对所述原始电压数据集进行降维处理，得到降维电压数据集；

剔除模块300，用于采用本地离群值因子算法识别所述降维电压数据集中的异常数据，将所述异常数据进行剔除，得到纯净电压数据集；

聚类模块400，用于采用光谱聚类法对所述纯净电压数据集进行聚类分析，对所有用户的电压数据进行相别归属，得到不同相别下的用户拓扑关系

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本发明所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

以上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精神和范围。

Claims (8)

1.一种低压配电网拓扑参数识别方法，其特征在于，包括以下步骤：

基于用户表计获取配电网台区内的所有用户的电压数据，构建原始电压数据集；

对所述原始电压数据集进行降维处理，得到降维电压数据集；

采用本地离群值因子算法识别所述降维电压数据集中的异常数据，将所述异常数据进行剔除，得到纯净电压数据集；

采用光谱聚类法对所述纯净电压数据集进行聚类分析，对所有用户的电压数据进行相别归属，得到不同相别下的用户拓扑关系。

2.根据权利要求1所述的低压配电网拓扑参数识别方法，其特征在于，所述基于用户表计获取配电网台区内的所有用户的电压数据，构建原始电压数据集的步骤还包括：

根据所述电压数据建立电压矩阵为：

式1

式1中，U表示电压，U_i,j表示第i个用户第j个长度的电压数据，1≤i≤C，1≤j≤G，C表示用户总数，G表示电压数据的长度。

3.根据权利要求1所述的低压配电网拓扑参数识别方法，其特征在于，所述基于用户表计获取配电网台区内的所有用户的电压数据，构建原始电压数据集之后，所述对所述原始电压数据集进行降维处理，得到降维电压数据集之前包括：

采用Z-Score标准化方法对所述原始电压数据集进行标准化处理。

4.根据权利要求1所述的低压配电网拓扑参数识别方法，其特征在于，对所述原始电压数据集进行降维处理，得到降维电压数据集的步骤具体包括：

采用UMAP算法对所述原始电压数据集进行降维处理，得到降维电压数据集，具体包括：

设所述原始电压数据集为X={x₁，…，x_n，…，x_N}，最近邻寻找算法搜索每个电压数据x_n的最邻近数据集合{x_n1，…，x_nk}，其中，n表示第n个数据样本，N表示电压数据样本总个数，k表示最邻近数据样本总个数；

通过下式2和式3分别计算电压数据x_n对应的局部连通约束ρ_n和黎曼度量σ_n：

式2

式3

式2~式3中，

表示电压数据x_n与电压数据x_b之间的欧姆距离，b表示第b个电压数据样本；

通过下式4计算电压数据x_n选择电压数据x_b作为其邻域点的条件概率p_b|n为：

式4

通过下式5计算电压数据x_n与电压数据x_b之间的联合概率分布p_nb：

式5

式5中，

表示电压数据x_b选择电压数据x_n作为其邻域点的条件概率；

将所述原始电压数据集映射到低维空间，假设低维空间中的高维数据点x_n和x_b的映射点分别是y_n和y_b，则低维空间中的联合概率分布q_nb为：

式6

式6中，a，z均表示常值系数；

以交叉熵做为代价函数，使用梯度下降算法最小化下式7的代价函数，得到降维后的电压数据，其中，代价函数为：

式7

式7中，

表示代价函数。

5.根据权利要求1所述的低压配电网拓扑参数识别方法，其特征在于，对所述原始电压数据集进行降维处理，得到降维电压数据集的步骤具体包括：

利用线性化辨识算法对所述原始电压数据集进行降维处理，得到降维电压数据集。

6.根据权利要求1所述的低压配电网拓扑参数识别方法，其特征在于，采用本地离群值因子算法识别所述降维电压数据集中的异常数据，将所述异常数据进行剔除，得到纯净电压数据集的步骤具体包括：

获取配电网台区内的所有用户的地理位置，将所有用户映射至二维平面坐标系上，基于每个用户的坐标位置计算各个用户之间的欧氏距离；

获得每个用户在二维平面上在可达距离内的所有用户，其中，用户p到用户O的距离计算为：

式8

式8中，

表示用户p的可达距离，

表示用户p到用户O的欧姆距离；

=

且满足以下条件：至少有h个点O'∈D\{p}在降维电压数据集中使得

＜

，D\{p}表示数据集D中不包括p点在内的集合，最多有h-1个点O'∈D\{p}在集合中使得

＜

，然后获取每个用户的可达距离；

通过下式9获取每个用户的本地可达密度为：

式9

N_h(p)表示用户p的可达距离为h的邻域，且满足下式10：

式10

通过下式11计算异常分数为：

式11

式11中，

表示用户O的可达距离，h表示可达距离；

判断用户p的异常分数是否大于预设的分数阈值，若判断用户p的异常分数大于预设的分数阈值，则将用户p的电压数据判定为异常数据，并进行剔除。

7.根据权利要求1所述的低压配电网拓扑参数识别方法，其特征在于，所述采用光谱聚类法对所述纯净电压数据集进行聚类分析，对所有用户的电压数据进行相别归属，得到不同相别下的用户拓扑关系的步骤具体包括：

基于高斯核函数构建邻接矩阵为，

式12

式12中，W_s,v表示邻接矩阵，

是高斯核函数，U_s'和U_v'分别为用户s和用户v的电压数据；

通过下式13计算用户度矩阵为：

式13

式13中，D_ss表示矩阵D的第s个对角元素，M表示电压数据集中用户个数；

通过下式14获取用户拉普拉斯矩阵为：

式14

式14中，I为单位矩阵，D表示用户矩阵，W表示邻接矩阵；

对拉普拉斯矩阵L进行奇异值分解，得到相应的特征值，对所有特征值以升序方式进行排序，获取前r个特征值，将r个特征值组成近似矩阵E；

利用K-means聚类算法对近似矩阵E进行聚类分析，得到聚类结果，用于对所有用户的电压数据进行相别归属，得到不同相别下的用户拓扑关系。

8.一种低压配电网拓扑参数识别系统，其特征在于，包括：

数据获取模块，用于基于用户表计获取配电网台区内的所有用户的电压数据，构建原始电压数据集；

降维模块，用于对所述原始电压数据集进行降维处理，得到降维电压数据集；

剔除模块，用于采用本地离群值因子算法识别所述降维电压数据集中的异常数据，将所述异常数据进行剔除，得到纯净电压数据集；

聚类模块，用于采用光谱聚类法对所述纯净电压数据集进行聚类分析，对所有用户的电压数据进行相别归属，得到不同相别下的用户拓扑关系。

Images