CN103530812B - 一种基于局部敏感哈希的电网状态相似度量化分析方法 - Google Patents
一种基于局部敏感哈希的电网状态相似度量化分析方法 Download PDFInfo
- Publication number
- CN103530812B CN103530812B CN201310316782.5A CN201310316782A CN103530812B CN 103530812 B CN103530812 B CN 103530812B CN 201310316782 A CN201310316782 A CN 201310316782A CN 103530812 B CN103530812 B CN 103530812B
- Authority
- CN
- China
- Prior art keywords
- electric network
- network state
- signature vectors
- power
- similarity
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 13
- 230000035945 sensitivity Effects 0.000 title claims abstract description 12
- 238000011524 similarity measure Methods 0.000 title claims abstract description 10
- 239000013598 vector Substances 0.000 claims abstract description 27
- 238000000034 method Methods 0.000 claims description 8
- 238000002347 injection Methods 0.000 claims description 4
- 239000007924 injection Substances 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明提供一种基于局部敏感哈希的电网状态相似度量化分析方法,包括以下步骤:读取电网状态信息,统计电网关键信息,并将关键信息形成表征电网状态的签名向量;计算签名向量之间的角度;电网状态相似度判断。本发明适用于电力系统的局部灵敏哈希(Locality Sensitive Hashing,简称LSH)技术,将电网原始状态数据转化为对应的签名向量,通过签名向量表达对应时刻的电网状态,并在此基础上,通过利用签名向量的相似度计算实现电网状态形似程度的计算。将电网状态信息的大数据转化成小数据量的签名向量,避免了全部数据的分析。
Description
技术领域
本发明属于电力调度自动化技术领域,具体涉及一种基于局部敏感哈希的电网状态相似度量化分析方法。
背景技术
随着中国经济这十年的快速发展,电力系统规模越来越大,自动化程度变得越来越高。随之而来带给调度自动化领域的是电力系统海量实时状态信息。海量的数据虽然给各种电网的分析和控制带来了丰富的所需数据,但是如何对电网数据进行检索和分类是当前的迫切需要解决的问题。
局部敏感哈希技术是将一个大数据对象映射到更小的哈希值的技术。通过此方法,当两个数据对象近似,它们对应的哈希值也近似。传统的哈希技术也是对相关数据映射到对应的哈希值,但对应的哈希值只能表达数据是否相同,无法表达近似性。局部哈希技术与传统哈希技术的不同点在于,哈希值的相似度可以表征对应数据的相似度。
局部敏感哈希技术最开始广泛应用于网页检索领域。Minhash即是Lsh技术成功应用的一个实例。在计算机领域,Minhash是一种快速判断两个集合是否相似的技术,它由Andrei Broder在1997年发明,最初在AltaVista搜索引擎中用于在搜索结果中检测并消除重复的Web页面。目前,它是google公司在网页检索中使用的最普遍和基础的技术之一。基于类似的方法,Google提出了感知哈希算法(perceptual hash algorithm),应用于网络中的相似图片的搜索。这些应用广泛的算法均基于局部敏感哈希技术,所不同在于针对不同检索对象提出不同的映射方法。
目前,电网状态信息的检索还没有广泛使用,电网状态信息目前采用全数据的比较来判断是否一致。相较于互联网,电力系统领域还没有比较好的针对电网状态信息这样的大数据检索方法。
发明内容
为了克服上述现有技术的不足,本发明提供一种基于局部敏感哈希的电网状态相似度量化分析方法,适用于电力系统的局部灵敏哈希(Locality Sensitive Hashing,简称LSH)技术,将电网原始状态数据转化为对应的签名向量,通过签名向量表达对应时刻的电网状态,并在此基础上,通过利用签名向量的相似度计算实现电网状态形似程度的计算。将电网状态信息的大数据转化成小数据量的签名向量,避免了全部数据的分析。
为了实现上述发明目的,本发明采取如下技术方案:
提供一种基于局部敏感哈希的电网状态相似度量化分析方法,所述方法包括以下步骤:
步骤1:读取电网状态信息,统计电网关键信息,并将关键信息形成表征电网状态的签名向量;
步骤2:计算签名向量之间的角度;
步骤3:电网状态相似度判断。
所述电网状态信息包括各个计算节点的电压、电压相角、注入有功功率、注入无功功率以及各个支路上的有功功率和无功功率;所述电网关键信息包括发电厂中机组节点注入的有功功率和无功功率,以及可以表征全网潮流分布的关键支路上的有功功率和无功功率。
所述步骤2中,采用余弦定理将签名向量之间的角度表示为:
其中,a=[a1,a2,…,an],,b=[b1,b2,…,bn]θ为签名向量之间的角度,表示为:
所述步骤3中,将电网状态相似度表示为s=θ/π;s=1时,表示电网状态完全不同;s=0时,表示电网状态完全相同;s和θ的范围均为[0,1]。
用α表示电网状态相似度门槛值,则有:
3)满足s>α时,电网状态不相似;
4)满足s<α时,电网状态相似。
与现有技术相比,本发明的有益效果在于:
1)将电网状态信息的大数据转化成小数据量的签名向量,避免了全部数据的分析。
2)使用余弦定理的方法将向量的相似性转化为直观的角度来测量。
3)快速完成对电网不同时刻数据的快速相似性检索和归类。
附图说明
图1是基于局部敏感哈希的电网状态相似度量化分析方法流程图;
图2是电网状态信息a和电网状态信息b相似示意图;
图3是电网状态信息a和电网状态信息b不相似示意图。
具体实施方式
下面结合一个实际电网的周期为5分钟的全天24小时的状态估计结果数据对本发明作进一步详细说明。
如图1,本发明提供一种基于局部敏感哈希的电网状态相似度量化分析方法,包括以下步骤:
步骤1:读取电网状态信息,统计电网关键信息,并将关键信息形成表征电网状态的签名向量;
对于本实施例,电网中拥有发电机273台,负荷2046个,线路451条,依次以发电机有功出力、负荷有功出力和线路首端有功形成维度为2770的向量。
步骤2:计算签名向量之间的角度;
按照上一步骤形成向量的方法对不同时刻的电网状态分别形成288个向量。
步骤3:电网状态相似度判断。
所述电网状态信息包括各个计算节点的电压、电压相角、注入有功功率、注入无功功率以及各个支路上的有功功率和无功功率;所述电网关键信息包括发电厂中机组节点注入的有功功率和无功功率,以及可以表征全网潮流分布的关键支路上的有功功率和无功功率。
所述步骤2中,采用余弦定理将签名向量之间的角度表示为:
其中,a=[a1,a2,…,an],,b=[b1,b2,…,bn]θ为签名向量之间的角度,表示为:
所述步骤3中,将电网状态相似度表示为s=θ/π;s=1时,表示电网状态完全不同;s=0时,表示电网状态完全相同;s和θ的范围均为[0,1]。
用0.03作为电网状态相似度门槛值α,则有:
5)电网状态相似度大于0.03时,电网状态不相似,如图3;
6)电网状态相似度小于0.03时,电网状态相似,如图2。
实施例的部分计算结果由表1和表2展示。
0点至1点每隔五分钟对应状态的相似程度如表1,由于0:00点至1:00点存在机组逐渐减出力和关停,可以看出电网每个计算周期变化状态相似性变小,至0:30逐渐变化稳定。
表1
00:00 | 00:05 | 00:10 | 00:15 | 00:20 | 00:25 | 00:30 | 00:35 | 00:40 | 00:45 | 00:50 | |
00:05 | 0.014511 | ||||||||||
00:10 | 0.019273 | 0.010385 | |||||||||
00:15 | 0.02374 | 0.016072 | 0.010116 | ||||||||
00:20 | 0.028623 | 0.02181 | 0.015337 | 0.007428 | |||||||
00:25 | 0.040787 | 0.035056 | 0.030608 | 0.023645 | 0.021189 | ||||||
00:30 | 0.071237 | 0.067269 | 0.064363 | 0.059908 | 0.058216 | 0.051929 | |||||
00:35 | 0.068572 | 0.065083 | 0.062813 | 0.059031 | 0.058403 | 0.052305 | 0.013272 | ||||
00:40 | 0.067405 | 0.064315 | 0.063025 | 0.059718 | 0.059868 | 0.054312 | 0.021726 | 0.010743 | |||
00:45 | 0.067634 | 0.064863 | 0.063678 | 0.060352 | 0.060588 | 0.054617 | 0.022423 | 0.012129 | 0.007138 | ||
00:50 | 0.066741 | 0.064126 | 0.063274 | 0.060174 | 0.060723 | 0.055559 | 0.026136 | 0.015419 | 0.009274 | 0.007255 | |
00:55 | 0.067568 | 0.065287 | 0.065321 | 0.062575 | 0.063601 | 0.058313 | 0.032229 | 0.022588 | 0.016268 | 0.012846 | 0.009856 |
4点至5点每隔五分钟对应状态的相似程度如表2所示,由于电网状态在4:00至5:00内没有变化,时间间隔内的电网相似性很高。
表2
00:00 | 00:05 | 00:10 | 00:15 | 00:20 | 00:25 | 00:30 | 00:35 | 00:40 | 00:45 | 00:50 | |
00:05 | 0.0103 | ||||||||||
00:10 | 0.008266 | 0.008386 | |||||||||
00:15 | 0.012503 | 0.007829 | 0.010726 | ||||||||
00:20 | 0.01314 | 0.007422 | 0.009311 | 0.007252 | |||||||
00:25 | 0.015051 | 0.009447 | 0.011818 | 0.009821 | 0.006386 | ||||||
00:30 | 0.012761 | 0.009393 | 0.009654 | 0.009783 | 0.00758 | 0.006483 | |||||
00:35 | 0.016106 | 0.011228 | 0.012506 | 0.01078 | 0.008976 | 0.007291 | 0.007539 | ||||
00:40 | 0.011489 | 0.013016 | 0.00947 | 0.01574 | 0.013154 | 0.014196 | 0.011782 | 0.014061 |
00:45 | 0.012238 | 0.01712 | 0.012884 | 0.020454 | 0.018457 | 0.019997 | 0.016417 | 0.019919 | 0.010319 | ||
00:50 | 0.015014 | 0.011437 | 0.012856 | 0.014018 | 0.010544 | 0.011215 | 0.010091 | 0.011192 | 0.01251 | 0.016412 | |
00:55 | 0.013416 | 0.015198 | 0.012345 | 0.018202 | 0.015873 | 0.016671 | 0.013892 | 0.016911 | 0.010326 | 0.010979 | 0.012072 |
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利要求范围当中。
Claims (1)
1.一种基于局部敏感哈希的电网状态相似度量化分析方法,其特征在于:所述方法包括以下步骤:
步骤1:读取电网状态信息,统计电网关键信息,并将关键信息形成表征电网状态的签名向量;
步骤2:计算签名向量之间的角度;
步骤3:电网状态相似度判断;
所述电网状态信息包括各个计算节点的电压、电压相角、注入有功功率、注入无功功率以及各个支路上的有功功率和无功功率;所述电网关键信息包括发电厂中机组节点注入的有功功率和无功功率,以及可以表征全网潮流分布的关键支路上的有功功率和无功功率;
所述步骤2中,采用余弦定理将签名向量之间的角度表示为:
其中,a=[a1,a2,…,an],b=[b1,b2,…,bn],θ为签名向量之间的角度,表示为:
所述步骤3中,将电网状态相似度表示为s=θ/π;s=1时,表示电网状态完全不同;s=0时,表示电网状态完全相同;s的范围为[0,1],θ的范围为[0,π];
用α表示电网状态相似度门槛值,则有:
1)满足s>α时,电网状态不相似;
2)满足s<α时,电网状态相似。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310316782.5A CN103530812B (zh) | 2013-07-25 | 2013-07-25 | 一种基于局部敏感哈希的电网状态相似度量化分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310316782.5A CN103530812B (zh) | 2013-07-25 | 2013-07-25 | 一种基于局部敏感哈希的电网状态相似度量化分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103530812A CN103530812A (zh) | 2014-01-22 |
CN103530812B true CN103530812B (zh) | 2016-12-28 |
Family
ID=49932796
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310316782.5A Active CN103530812B (zh) | 2013-07-25 | 2013-07-25 | 一种基于局部敏感哈希的电网状态相似度量化分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103530812B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106302202B (zh) * | 2015-05-15 | 2020-07-28 | 阿里巴巴集团控股有限公司 | 数据限流方法和装置 |
CN107229939B (zh) * | 2016-03-24 | 2020-12-04 | 北大方正集团有限公司 | 相似文档的判定方法和装置 |
US10778707B1 (en) | 2016-05-12 | 2020-09-15 | Amazon Technologies, Inc. | Outlier detection for streaming data using locality sensitive hashing |
CN106816871B (zh) * | 2017-01-24 | 2020-03-27 | 中国电力科学研究院 | 一种电力系统状态相似性分析方法 |
CN107133348B (zh) * | 2017-05-23 | 2021-04-30 | 胡海峰 | 大规模图片集中基于语义一致性的近似搜索方法 |
CN108363721B (zh) * | 2018-01-03 | 2020-08-25 | 国网信通亿力科技有限责任公司 | 一种基于数据挖掘的电力用户信息检索系统 |
CN113393107B (zh) * | 2021-06-07 | 2022-08-12 | 东方电气集团科学技术研究院有限公司 | 一种面向发电设备状态参量参考值的增量式计算方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030009298A1 (en) * | 2001-03-23 | 2003-01-09 | International Business Machines Corporation | Field-based similarity search system and method |
-
2013
- 2013-07-25 CN CN201310316782.5A patent/CN103530812B/zh active Active
Non-Patent Citations (2)
Title |
---|
基于LSH的Web数据相似性查询研究;袁培森;《中国博士学位论文全文数据库信息科技辑》;20111215(第12期);第14-22页 * |
基于位置敏感哈希的相似性搜索技术研究;凌康;《中国优秀硕士学位论文全文数据库信息科技辑》;20121015(第10期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN103530812A (zh) | 2014-01-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103530812B (zh) | 一种基于局部敏感哈希的电网状态相似度量化分析方法 | |
CN106124850A (zh) | 一种基于相似度算法的用于家用智能电表的负荷识别系统及其负荷识别方法 | |
CN103514571B (zh) | 一种基于负荷曲线分解的商业居民负荷类型负荷建模方法 | |
Akdağ et al. | A comparison of wind turbine power curve models | |
De Santis et al. | Experimental study for the assessment of the measurement uncertainty associated with electric powertrain efficiency using the back-to-back direct method | |
Liu et al. | Toward a CPFLOW-based algorithm to compute all the type-1 load-flow solutions in electric power systems | |
CN105510864B (zh) | 一种电能表误差计量的检测方法 | |
Dasgupta et al. | PMU-based model-free approach for short term voltage stability monitoring | |
Liu et al. | Construction of power projects knowledge graph based on graph database Neo4j | |
CN103593334A (zh) | 一种用于判断文本情感程度的方法和系统 | |
CN205809165U (zh) | 一种基于相似度算法的用于家用智能电表的负荷识别系统 | |
CN104850623A (zh) | 多维度数据分析模型动态扩展方法和系统 | |
CN103246206B (zh) | 基于pmu的负荷特性电网负荷在线建模方法 | |
CN103576120A (zh) | 三次谐波分量准同步信息传输校验与自愈算法 | |
CN107194597A (zh) | 一种分布式电站的评估方法及装置 | |
Novash et al. | MatLab-Simulink Based Information Support for Digital Overcurrent Protection Test Sets | |
Shen et al. | Annotation of spatial relations in natural language | |
CN116979540B (zh) | 基于图技术的换流站潮流估计方法、装置、设备和介质 | |
Kavasseri et al. | An algebraic geometric approach to analyze static voltage collapse in a simple power system model | |
Yang et al. | Research on Identification Approach of Coherent Groups of Generators Based on Elbow Judgment | |
张彦生 et al. | Research on insulator fault detection based on deep learning | |
楼伟 et al. | Bearing fault diagnosis method based on improved spectral kurtosis map and multidimensional fusion CNN | |
Wu et al. | A study of total transient energy during the fault period | |
艾永乐 et al. | Usingmixed compensation based on SVG to improve the power factor of Single Crystal Furnace | |
Liu et al. | The similarity calculation of concepts from different ontologies based on cosine |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |