CN107784326A - 基于模糊k近邻分类的变电站主接线类型自动判别方法 - Google Patents

基于模糊k近邻分类的变电站主接线类型自动判别方法 Download PDF

Info

Publication number
CN107784326A
CN107784326A CN201710991945.8A CN201710991945A CN107784326A CN 107784326 A CN107784326 A CN 107784326A CN 201710991945 A CN201710991945 A CN 201710991945A CN 107784326 A CN107784326 A CN 107784326A
Authority
CN
China
Prior art keywords
nodes
bus
disconnecting link
switch
fuzzy
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.)
Granted
Application number
CN201710991945.8A
Other languages
English (en)
Other versions
CN107784326B (zh
Inventor
顾礼斌
李勇刚
张斌
孙克成
朱艳
刘悦
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
NANJING SIFANG EPOWER ELECTRIC POWER AUTOMATION CO Ltd
Original Assignee
NANJING SIFANG EPOWER ELECTRIC POWER AUTOMATION CO Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by NANJING SIFANG EPOWER ELECTRIC POWER AUTOMATION CO Ltd filed Critical NANJING SIFANG EPOWER ELECTRIC POWER AUTOMATION CO Ltd
Priority to CN201710991945.8A priority Critical patent/CN107784326B/zh
Publication of CN107784326A publication Critical patent/CN107784326A/zh
Application granted granted Critical
Publication of CN107784326B publication Critical patent/CN107784326B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Electricity, gas or water supply
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Power Engineering (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开了基于模糊K近邻分类的变电站主接线类型自动判别方法，涉及专用于电力系统数据处理的方法，属于计算推算计数的技术领域。本发明通过有向无环图构建不同电压等级电气拓扑岛，并构建与不同电压等级电气拓扑岛相应的AOV网，通过对各AOV网进行拓扑排序获取表现关键设备之间连接约束关系的有向路径集合；同时，构建不同主接线类型的模板，以关键设备有向联通路径为匹配对象，对有向路径集合中的典型、非典型有向连径样本赋予隶属度后进行训练以提高样本置信度，最后利用训练好的分类器对未知电气拓扑岛的接线类型进行分类判别进而获取变电站的主接线类型，为变电站主接线类型的识别提供了一种可行方案。

Description

基于模糊K近邻分类的变电站主接线类型自动判别方法
技术领域
本发明公开了基于模糊K近邻分类的变电站主接线类型自动判别方法，涉及专用于电力系统数据处理的方法，属于计算推算计数的技术领域。
背景技术
目前，传统的变电站接线图绘制是依托于电力系统的绘图平台，人为手工绘制，但这种绘制方式时间周期长，出错概率高，且维护非常不方便。要想尽可能的减少人为的参与，提高变电站接线图的绘制效率，变电站接线图自动成图是一种很好的方式，而这其中变电站电压等级主接线类型的自动判别是其中的难点。变电站接线图的绘制必须满足电力系统图形绘制的一些必要要求，其设备之间的联系也是存在一定约束关系的，而这就决定了很难将常规的模式识别方法简单的应用于电网主接线类型的判别，多数只是通过设备间拓扑进行比较判断。同时，不同地区的接线方式都存在差异，一种方法如果推广应用，其必须具有较强的扩展性和通用性。
发明内容
本发明的发明目的是针对上述背景技术的不足，提供了基于模糊K近邻分类的变电站主接线类型自动判别方法，将变电站不同电压等级内电气设备之间的拓扑关系抽象为AOV网并结合模糊K近邻方法实现了变电站主接线类型的自动判别，解决了目前难以自动判别变电站各电压等级主接线类型的技术问题。
本发明为实现上述发明目的采用如下技术方案：
基于模糊K近邻分类的变电站主接线类型自动判别方法，包括如下步骤：
A、分别建立变电站各电压等级内电气设备之间的拓扑关系以形成多个电气拓扑岛；
B、将多个电气拓扑岛分别抽象为AOV网并对AOV网进行拓扑排序以获取变电站中关键设备的有向路径集合；
C、采用模糊K近邻分类方法对变电站中关键设备的有向路径集合进行判别以确定变电站主接线类型。
作为基于模糊K近邻分类的变电站主接线类型自动判别方法的进一步优化方案，步骤A中按如下方法建立变电站各电压等级内电气设备之间的拓扑关系以形成多个电气拓扑岛：将负荷、交流进出线、站用变压器、发电机等效为单端节点，将开关、刀闸等效为双端路径节点，将母线等效为多端节点，采用有向无环图描述电气设备之间的拓扑关系。
作为基于模糊K近邻分类的变电站主接线类型自动判别方法的再进一步优化方案，步骤B中将多个电气拓扑岛分别抽象为AOV网的具体方法为：将有向无环图中的关键设备抽象为AOV网的顶点并将有向无环图中关键设备之间的依赖关系抽象为AOV网的有向边。
作为基于模糊K近邻分类的变电站主接线类型自动判别方法的进一步优化方案，步骤C的具体方法为：建立包含但不限于单母线分段带旁路接线模板、双母线分段接线模板、双母线分段带旁路接线模板、3/2倍接线模板、桥接线模板的主接线类型模板，在关键设备的有向路径集合所构成的特征空间中，为每个训练样本赋予隶属度后训练分类器，利用分类器并根据各类样本的置信度将待分类样本归为其近邻样本所属的类别。
作为基于模糊K近邻分类的变电站主接线类型自动判别方法再进一步的优化方案，单母线分段带旁路接线模板包括：主母线、旁路母线、第一刀闸、一个开关、一个由两个刀闸与单端设备交流进出线连接形成的T节点，第一刀闸的一端与主母线连接，开关的一端与第一刀闸的另一端连接，开关的另一端与T节点中一刀闸的活动端连接，T节点中另一刀闸的一活动端与旁路母线连接。
作为基于模糊K近邻分类的变电站主接线类型自动判别方法的再进一步优化方案，双母线分段接线模板包括：双母线、一个由两刀闸和开关组成的T节点，T节点中一刀闸的活动端接双母线的一组母线，T节点中的另一刀闸的活动端接双母线的另一组母线。
作为基于模糊K近邻分类的变电站主接线类型自动判别方法的再进一步优化方案，双母线分段带旁路接线模板包括：双母线、旁路母线、由两刀闸和开关组成的第一T节点、由两个刀闸与单端设备交流进出线连接形成的第二T节点，第一T节点中一刀闸的活动端接双母线的一组母线，第一T节点中另一刀闸的活动端接双母线的另一组母线，第一T节点中开关的活动端与第二T节点中一刀闸的活动端连接，第二T节点中另一刀闸的活动端与旁路母线连接。
作为基于模糊K近邻分类的变电站主接线类型自动判别方法的再进一步优化方案，所述3/2倍接线模板包括：两根单母线、第一刀闸、第二刀闸、第一开关、第二开关、第三开关、由两刀闸组成的第一T节点、由两刀闸组成的第二T节点，第一刀闸的一端接一根单母线，第一刀闸的另一端接第一开关的一端，第一开关的另一端接第一T节点中一刀闸的活动端，第一T节点中另一刀闸的活动端接第二开关的一端，第二开关的另一端接第二T节点中一刀闸的活动端，第二T节点中另一刀闸的活动端接第三开关的一端，第三开关的另一端接第二刀闸的一端，第二刀闸的另一端接另一根单母线。
作为基于模糊K近邻分类的变电站主接线类型自动判别方法的再进一步优化方案，桥接线模板包括：两台站用变压器、由两个开关与单端设备交流进出线连接形成的第一T节点、由两个开关与单端设备交流进出线连接形成的第二T节点，第一T节点和第二T节点共用一个开关，一台站用变压器副边出线接第一T节点中未共用开关的活动端，另一台站用变压器副边出线接第二T节点中未共用开关的活动端。
更进一步的，基于模糊K近邻分类的变电站主接线类型自动判别方法采用表达式：为训练样本x赋予隶属度ui(x)，k为训练样本x的近邻样本的个数，x(j)为训练样本x的第j个近邻样本，ui(x(j))为训练样本x的第j个近邻样本属于第i个主接线类型的隶属度，m为模糊强度系数，m∈(0,1)。
本发明采用上述技术方案，具有以下有益效果：本发明通过有向无环图构建不同电压等级电气拓扑岛，并构建与不同电压等级电气拓扑岛相应的AOV网，通过对各AOV网进行拓扑排序获取表现关键设备之间连接约束关系的有向路径集合；同时，构建不同主接线类型的模板，以关键设备有向联通路径为匹配对象，对有向路径集合中的典型、非典型有向连径样本赋予隶属度后进行训练以提高样本置信度，最后利用训练好的分类器对未知电气拓扑岛的接线类型进行分类判别进而获取变电站的主接线类型。
附图说明
图1为本发明自动判别变电站主接线类型的流程图。
图2(a)为单母线分段接线模板的电路拓扑图，图2(b)为单母线分段带旁路接线模板的电路拓扑图，图2(c)为双母线分段接线模板的电路拓扑图，图2(d)为双母线分段带旁路接线模板的电路拓扑图，图2(e)为3/2倍接线模板的电路拓扑图，图2(f)为桥形接线模板的电路拓扑图，图2(g)为单元接线模板的电路拓扑图。
具体实施方式
下面结合附图对发明的技术方案进行详细说明。
针对现有技术难以自动判别变电站各电压等级主接线类型，本发明采用如图1所示的自动判别方法，通过有向无环图构建不同电压等级电气拓扑岛，并构建与不同电压等级电气拓扑岛相应的AOV网，通过对各AOV网进行拓扑排序获取表现关键设备之间连接约束关系的有向路径集合；同时，构建不同主接线类型的模板，以关键设备有向联通路径为匹配对象，对有向路径集合中的典型、非典型有向连径样本赋予隶属度后进行训练以提高样本置信度，最后利用训练好的分类器对未知电气拓扑岛的接线类型进行分类判别进而获取变电站的主接线类型。
(1)拓扑关系构建
变电站一般包括多个不同电压等级，各电压等级之间通过变压器连接，本发明对各单一电压等级构建电气拓扑关系网。单一电压等级下设备间拓扑关系有以下特点：其一、负荷、交流进出线、站用变电站、发电机等设备均可视为单端节点，在拓扑中表现为终止节点；其二、开关、刀闸可视为双端路径节点；其三、母线在拓扑构建中视为多端节点。基于以上特点，本发明选用有向无环图来构建设备间拓扑关系，并以此来对设备之间关系进行结构化描述。
(2)关键设备的有向路径集合的获取
将关键设备抽象为有向图的顶点，用有向边表示关键设备间的依次依赖关系在AOV网中各个顶点排列成一个线性序列，该序列保持各个顶点原有的优先关系，而对于原先没有先后关系的顶点，则通过其相互依赖关系人为建立先后关系。对构建的AOV网进行拓扑排序产生的一系列有向路径集便是变电站中关键设备的有向路径集合，该有向路径集合即为后续判别主接线类型的对象。
对AOV网进行拓扑排序的方法如下：
①从AOV网中选择一个没有前驱的顶点(该顶点入度为0)，考虑到实际应用中母线的特殊性和复杂性，将其没有前驱的顶点确定为拓扑排序的起点能有效地减少拓扑分析时间；
②从AOV网中删去前述选取的没有前驱顶点，并且删去从该顶点出发的全部有向边；
③重复上述两步，直到剩余AOV网中不再存在没有前驱的顶点为止。
实际中起止节点为单端节点或母线。
(3)模糊K近邻分类
K近邻分类在考虑训练样本对分类精度的影响时，仅把训练样本的权重都看成是相同的而没有把训练样本的距离差别反映到分类决策上，而这是和实际情况不相符合的，因此，本申请考虑引入模糊分类思想，通过为训练样本加入隶属度解决这一问题。
为训练样本赋予隶属度的计算公式为：
式(1)中，x为训练样本，k为训练样本x的近邻样本的个数，x(j)为训练样本x的第j个近邻样本，ui(x(j))为训练样本x的第j个近邻样本属于第i个主接线类型的隶属度，m为模糊强度系数，m∈(0,1)。
(4)主接线类型识别
本发明应用模糊K近邻分类对主接线类型进行分类判别，匹配对象为利用AOV拓扑网获取的关键设备有向设备路径集合。在具体算法中，本发明对不同主接线类型设计的相应模版由母线BS、旁路母线PBS、开关CB、刀闸SW、站用变压器TR、单端设备(在后续描述过程中以最为典型的进出线LN代替)、T节点以及相互之间的连接关系组成。本发明构建不同主接线类型典型结构模版包括图2(a)所示的单母线接线模板、图2(b)所示的单母线分段带旁路模板、图2(c)所示双母线分段接线模板、图2(d)所示的双母线分段带旁路模板、图2(e)所示的3/2倍接线模板、图2(f)所示的桥形接线模板、图2(g)所示的单元接线模板。
图2(a)所示的单母线分段接线类型，其母线间连通路径包含刀闸SW、开关CB但不包含T节点；图2(b)所示单母线分段带旁路接线类型，其母线和旁路母线间的连通路径包含刀闸SW、开关CB以及T节点，T节点由两刀闸以及与单端设备连接的交流进出线构成；图2(c)所示双母线分段接线类型，其两组母线并联对同一进出线LN进行供电，母线间通过两个刀闸SW连接，且刀闸SW之间通过T节点连接开关CB，其分段母线间连通路径识别与单母线分段相同；图2(d)所示双母线分段带旁路接线类型，其旁路母线与母线之间的连通路径存在T节点，T节点位于两刀闸SW之间且与进出线LN连接；图2(e)所示3/2倍接线类型由于其接线方式特殊，其CB:SW为1：2，刀闸SW间存在的T节点连接到进出线LN；图2(f)所示桥接线类型存在两台站用变压器TR以及共用以开关CB的两T节点，站用变压器分别通过一个T节点分别与一回进出线LN交互供电；图2(g)所示单元接线类型，一台站用变压器TR经一开关CB连接一回进出线LN。
在主接线类型判别过程中对每种接线方式的训练样本设置不同大小的隶属度，通过隶属度的大小区分来对不同样本之间的置信度加以区分，这样训练出来的样本置信度更高。通过训练好的分类器对未知电压等级中的关键设备及设备之间的拓扑关系进行匹配分析，自动判断出单母线分段(带旁路)、双母线分段(带旁路)、3/2倍接线、桥型接线、单元接线等主接线类型。
本发明公开的一种基于模糊K近邻分类的变电站主接线类型自动判别方法。该方法能自动判别单母线分段(带旁路)、双母线分段(带旁路)、3/2倍接线、桥型接线、单元接线等主接线类型；同时，该方法的适应性也较强，对不同地区、不同基准电压的电压等级都有较高的识别率。该方法的应用为后续接线类型可视化成图打下坚实的基础。
以上所述仅为本发明的优选实施例，并不用于限制本发明，显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (10)

1.基于模糊K近邻分类的变电站主接线类型自动判别方法，其特征在于，包括如下步骤：
A、分别建立变电站各电压等级内电气设备之间的拓扑关系以形成多个电气拓扑岛；
B、将多个电气拓扑岛分别抽象为AOV网并对AOV网进行拓扑排序以获取变电站中关键设备的有向路径集合；
C、采用模糊K近邻分类方法对变电站中关键设备的有向路径集合进行判别以确定变电站主接线类型。
2.根据权利要求1所述基于模糊K近邻分类的变电站主接线类型自动判别方法，其特征在于，步骤A中按如下方法建立变电站各电压等级内电气设备之间的拓扑关系以形成多个电气拓扑岛：将负荷、交流进出线、站用变压器、发电机等效为单端节点，将开关、刀闸等效为双端路径节点，将母线等效为多端节点，采用有向无环图描述电气设备之间的拓扑关系。
3.根据权利要求2所述基于模糊K近邻分类的变电站主接线类型自动判别方法，其特征在于，步骤B中将多个电气拓扑岛分别抽象为AOV网的具体方法为：将有向无环图中的关键设备抽象为AOV网的顶点并将有向无环图中关键设备之间的依赖关系抽象为AOV网的有向边。
4.根据权利要求1所述基于模糊K近邻分类的变电站主接线类型自动判别方法，其特征在于，步骤C的具体方法为：建立包含但不限于单母线分段带旁路接线模板、双母线分段接线模板、双母线分段带旁路接线模板、3/2倍接线模板、桥接线模板的主接线类型模板，在关键设备的有向路径集合所构成的特征空间中，为每个训练样本赋予隶属度后训练分类器，利用分类器并根据各类样本的置信度将待分类样本归为其近邻样本所属的类别。
5.根据权利要求4所述基于模糊K近邻分类的变电站主接线类型自动判别方法，其特征在于，所述单母线分段带旁路接线模板包括：主母线、旁路母线、第一刀闸、一个开关、一个由两个刀闸与单端设备交流进出线连接形成的T节点，第一刀闸的一端与主母线连接，开关的一端与第一刀闸的另一端连接，开关的另一端与T节点中一刀闸的活动端连接，T节点中另一刀闸的一活动端与旁路母线连接。
6.根据权利要求4所述基于模糊K近邻分类的变电站主接线类型自动判别方法，其特征在于，所述双母线分段接线模板包括：双母线、一个由两刀闸和开关组成的T节点，T节点中一刀闸的活动端接双母线的一组母线，T节点中的另一刀闸的活动端接双母线的另一组母线。
7.根据权利要求4所述基于模糊K近邻分类的变电站主接线类型自动判别方法，其特征在于，所述双母线分段带旁路接线模板包括：双母线、旁路母线、由两刀闸和开关组成的第一T节点、由两个刀闸与单端设备交流进出线连接形成的第二T节点，第一T节点中一刀闸的活动端接双母线的一组母线，第一T节点中另一刀闸的活动端接双母线的另一组母线，第一T节点中开关的活动端与第二T节点中一刀闸的活动端连接，第二T节点中另一刀闸的活动端与旁路母线连接。
8.根据权利要求4所述基于模糊K近邻分类的变电站主接线类型自动判别方法，其特征在于，所述3/2倍接线模板包括：两根单母线、第一刀闸、第二刀闸、第一开关、第二开关、第三开关、由两刀闸组成的第一T节点、由两刀闸组成的第二T节点，第一刀闸的一端接一根单母线，第一刀闸的另一端接第一开关的一端，第一开关的另一端接第一T节点中一刀闸的活动端，第一T节点中另一刀闸的活动端接第二开关的一端，第二开关的另一端接第二T节点中一刀闸的活动端，第二T节点中另一刀闸的活动端接第三开关的一端，第三开关的另一端接第二刀闸的一端，第二刀闸的另一端接另一根单母线。
9.根据权利要求4所述基于模糊K近邻分类的变电站主接线类型自动判别方法，其特征在于，所述桥接线模板包括：两台站用变压器、由两个开关与单端设备交流进出线连接形成的第一T节点、由两个开关与单端设备交流进出线连接的形成的第二T节点，第一T节点和第二T节点共用一个开关，一台站用变压器副边出线接第一T节点中未共用开关的活动端，另一台站用变压器副边出线接第二T节点中未共用开关的活动端。
10.根据权利要求4至9中任意一项所述基于模糊K近邻分类的变电站主接线类型自动判别方法，其特征在于，采用表达式：为训练样本x赋予隶属度ui(x)，k为训练样本x的近邻样本的个数，x(j)为训练样本x的第j个近邻样本，ui(x(j))为训练样本x的第j个近邻样本属于第i个主接线类型的隶属度，m为模糊强度系数，m∈(0,1)。
CN201710991945.8A 2017-10-18 2017-10-18 基于模糊k近邻分类的变电站主接线类型自动判别方法 Active CN107784326B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710991945.8A CN107784326B (zh) 2017-10-18 2017-10-18 基于模糊k近邻分类的变电站主接线类型自动判别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710991945.8A CN107784326B (zh) 2017-10-18 2017-10-18 基于模糊k近邻分类的变电站主接线类型自动判别方法

Publications (2)

Publication Number Publication Date
CN107784326A true CN107784326A (zh) 2018-03-09
CN107784326B CN107784326B (zh) 2020-04-21

Family

ID=61434871

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710991945.8A Active CN107784326B (zh) 2017-10-18 2017-10-18 基于模糊k近邻分类的变电站主接线类型自动判别方法

Country Status (1)

Country Link
CN (1) CN107784326B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111884209A (zh) * 2020-07-22 2020-11-03 海南电网有限责任公司 一种基于特征量提取的中压线路典型接线模式识别方法
CN111953071A (zh) * 2020-07-21 2020-11-17 广东电网有限责任公司 一种变电站接线形式智能分类统计的方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6618647B1 (en) * 2002-03-18 2003-09-09 Mitsubishi Denki Kabushiki Kaisha Supervisory power system control apparatus
CN104299115A (zh) * 2014-11-11 2015-01-21 国网重庆市电力公司电力科学研究院 基于模糊c均值聚类算法的智能变电站二次系统状态分析方法
CN104915899A (zh) * 2015-06-30 2015-09-16 许继集团有限公司 一种基于特征聚类分析的光伏电站运行状态划分方法
CN105022809A (zh) * 2015-07-01 2015-11-04 广州市奔流电力科技有限公司 基于因子分析的变电站分类方法和系统
WO2016191036A1 (en) * 2015-05-28 2016-12-01 Itron, Inc. Automatic network device electrical phase identification

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6618647B1 (en) * 2002-03-18 2003-09-09 Mitsubishi Denki Kabushiki Kaisha Supervisory power system control apparatus
CN104299115A (zh) * 2014-11-11 2015-01-21 国网重庆市电力公司电力科学研究院 基于模糊c均值聚类算法的智能变电站二次系统状态分析方法
WO2016191036A1 (en) * 2015-05-28 2016-12-01 Itron, Inc. Automatic network device electrical phase identification
CN104915899A (zh) * 2015-06-30 2015-09-16 许继集团有限公司 一种基于特征聚类分析的光伏电站运行状态划分方法
CN105022809A (zh) * 2015-07-01 2015-11-04 广州市奔流电力科技有限公司 基于因子分析的变电站分类方法和系统

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111953071A (zh) * 2020-07-21 2020-11-17 广东电网有限责任公司 一种变电站接线形式智能分类统计的方法
CN111884209A (zh) * 2020-07-22 2020-11-03 海南电网有限责任公司 一种基于特征量提取的中压线路典型接线模式识别方法
CN111884209B (zh) * 2020-07-22 2024-01-05 海南电网有限责任公司 一种基于特征量提取的中压线路典型接线模式识别方法

Also Published As

Publication number Publication date
CN107784326B (zh) 2020-04-21

Similar Documents

Publication Publication Date Title
CN109274095B (zh) 基于互信息的低压配电网用户拓扑估计方法及系统
CN104156835B (zh) 一种大电网广域分布式一体化拓扑分析方法
CN109617231A (zh) 一种用于低压台区的用户网络拓扑识别装置及方法
CN100367620C (zh) 基于混成状态估计的电力网络拓扑错误辨识方法
Díaz-Dorado et al. Planning of large rural low-voltage networks using evolution strategies
CN113159488B (zh) 一种低压台区拓扑辨识方法
CN101216982A (zh) 二维中继式自动路由抄表方法及载波路由动态维护方法
CN108683180A (zh) 一种三相低压配电网拓扑重建方法
CN104393590B (zh) 电网暂态失稳模式智能辨识方法
CN107784326A (zh) 基于模糊k近邻分类的变电站主接线类型自动判别方法
CN106655169A (zh) 一种基于路径描述的配电网n‑1安全校验方法
CN109857885A (zh) 基于scd文件的智能变电站主接线图自动生成方法
CN112633658A (zh) 一种基于cnn-lstm的低压台区拓扑关系识别方法
WO2023165348A1 (zh) 配电变压器无功补偿投退状态的判别方法和装置
CN113536509A (zh) 一种基于图卷积网络的微电网拓扑辨识方法
CN114297811B (zh) 基于约束多目标优化的低压台区拓扑识别方法
CN105958472B (zh) 一种配电网运行优化系统
CN110059737A (zh) 基于集成深度神经网络的配电变压器连接关系辨识方法
CN110311372A (zh) 基于谱聚类的电网分区方法
CN105958471B (zh) 一种基于iec61970标准的电力网络拓扑关系构建方法
CN109342885A (zh) 一种直流配电网线路故障的定位方法及系统
CN110190990B (zh) 一种低压配电台区网络拓扑结构的自动辨识方法及装置
CN114336638B (zh) 一种基于冒泡模型的中压有源配电网动态重构方法
CN110472867A (zh) 配电网网络适配评估处理方法及装置
CN114595543A (zh) 一种基于电压关联系数的配电网拓扑识别方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant