CN109193635A - 一种基于自适应稀疏回归方法的配电网拓扑结构重建方法 - Google Patents
一种基于自适应稀疏回归方法的配电网拓扑结构重建方法 Download PDFInfo
- Publication number
- CN109193635A CN109193635A CN201811145656.7A CN201811145656A CN109193635A CN 109193635 A CN109193635 A CN 109193635A CN 201811145656 A CN201811145656 A CN 201811145656A CN 109193635 A CN109193635 A CN 109193635A
- Authority
- CN
- China
- Prior art keywords
- node
- power distribution
- distribution network
- voltage magnitude
- regularization parameter
- 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
Links
Classifications
-
- 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
-
- 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
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
Abstract
本发明涉及一种基于自适应稀疏回归方法的配电网拓扑结构重建方法,属于配电网拓扑分析技术领域。本发明的配电网拓扑结构重建方法,针对配电网不易安装支路测量设备的特点,设计出不需要配电网先验知识以及支路测量数据的算法,仅通过配电网母线的时序电压数据就可完成配电网的拓扑重建,方法简单易行。本发明在原有的Lasso类算法之上,运用自适应Lasso算法,解决了有偏估计的问题。同时,增加了补充判据,对于算法在不满足可行条件时的错误估计进行了修正,提高了算法的准确率。本方法既可以在无环网络中进行应用,也可以在有环网络中进行应用,且可以在较短的时间内进行配电网的拓扑重建。
Description
技术领域
本发明涉及一种基于自适应稀疏回归方法的配电网拓扑结构重建方法,属于配电网拓扑分析技术领域。
背景技术
随着智能电网的发展,光伏、风力发电等分布式能源的接入,电动汽车的规模使用,对配电网带来了巨大的机遇与挑战。配电网作为电网的重要组成部分,不仅是能量消耗终端,同时也是分布式能源的接入载体,在电力系统中发挥越来越重要的作用。分布式能源可以减少线路损耗,但同时也会带来过电压以及线路过载等问题。为了解决这些问题,需要对电网进行实时的拓扑重构以及智能调度,而这些的基础,就是需要对电网拓扑结构有一个清晰的认识。
目前对电网的拓扑研究主要分为直接生成法、状态估计法以及数据驱动算法。
直接生成法利用电力网络上的遥感遥信设备,获取刀闸状态,直接采取拓扑生成器获取拓扑数据。此种方法十分简便,操作易行,但需大量的遥感遥测设备,如果出现信息通道故障,刀闸信息采集错误等,则会影响拓扑数据的准确性。
状态估计是利用电力系统中实时量测系统的冗余度来提高数据精度的一种算法,它可以排除由随机干扰导致的错误信息,并对系统的运行状态进行预测或者估计。通过电力系统测量设备采集到开关信号,设备运行数据,确定系统的运行方式,建立系统模型,通过已有的数据估计出各母线上的电压幅值、相角以及设备的功率,检测辨识不良数据。同时,可以将系统的拓扑信息、网络参数信息作为扩展的变量增广纳入要估计的状态量中,通过估计准则对参数变量估计实现对拓扑结构和参数的检测和辨识。状态估计法对于电网的支路信息以及测量数据有较高要求。然而配电网支路众多,地下电缆分布复杂,在每条支路上安装测量设备需大量经济成本,因此支路信息的获取较为困难,难以满足状态估计法的要求。
数据驱动算法是较为新型的算法,由于智能电表的普及,大量的用户侧数据得以采集。通过分析数据间的关系,继而获得节点间的相互关系,从而可以得到拓扑信息。具体的算法有,1)运用马尔可夫随机场以及朱刘算法进行电压数据相关性分析,但此类算法由于使用了最小生成树,故而只能生成树状网络,无法用于分析无环网络;2)运用稀疏重建算法,如Lasso算法等,此类算法可以进行无环网络的分析,但由于忽略了稀疏重建算法的可行条件,导致在一些情况(某一节点支路数较多)下算法准确性不高。
发明内容
本发明的目的是提出一种基于自适应稀疏回归方法的配电网拓扑结构重建方法,以克服现有构建方法对配电网的不适应性,考虑到配电网支路信息的不完整性,采用易于获得的电压时序数据,同时,采用自适应Lasso算法,解决了Lasso算法的有偏估计,并通过补充判据克服在不满足Lasso算法可行条件时的错误估计问题。
本发明提出的基于自适应稀疏回归方法的配电网拓扑结构重建方法,包括以下步骤:
(1)从配电网调度中心获取配电网中除配电网根节点外的各节点电压幅值历史数据,对电压幅值进行标准化处理数据,得到标准化电压幅值VN,设定标准化电压幅值符合零均值和单位方差的分布;
(2)任选节点s,利用除s节点外所有其他节点的标准化电压幅值VN\{s}对s节点进行岭回归分析,求解下式计算岭回归系数
其中,为t时刻配电网节点s上的标准化电压幅值,为t时刻配电网中除s节点外所有其他节点的标准化电压幅值,N为配电网中去除配电网根节点后的节点个数,M为总采样点数,λR为岭回归的正则化参数,ηs是一个N-1维向量,表示向量ηs的二范数;
(3)采取k-fold交叉验证的方式确定上述步骤(2)中的岭回归正则化参数λR,具体过程如下:
(3-1)将标准化电压幅值VN平均分成k份,将k份标准化电压幅值中的第p份标准化电压幅值作为验证集,余下的k-1份作为训练集;
(3-2)设定一个岭回归正则化参数λR,在训练集中,根据设定的岭回归正则化参数λR求解岭回归问题,得到岭回归系数ηs,在验证集中对节点s的标准化电压幅值进行预测,预测值为为验证集中除s节点外所有其他节点的标准化电压幅值;
(3-3)计算验证集中s节点的标准化电压幅值与预测值的差值将该差值作为此次交叉验证的误差遍历k份标准化电压幅值数据,将k次交叉验证的误差相加,得到交叉验证的总误差
(3-4)选取不同的λR值,重复上述步骤(3-1)-(3-3),得到多个交叉验证的总误差,从多个交叉验证的总误差中,选取与最小总误差相对应的岭回归正则化参数λR,将该λR作为最优正则化参数,并以该正则化参数λR作为上述步骤(2)中的岭回归正则化参数;
(4)任选节点s,利用除s节点外所有其他节点的标准化电压幅值,对s节点进行自适应Lasso稀疏回归分析,即求解下述最小化问题,计算得到配电网中除s节点外所有其他节点与s节点的相关系数
其中,λ为自适应Lasso稀疏回归正则化参数,节点j的加权回归系数βs是一个N-1维向量,
(5)采取k-fold交叉验证的方式,选取上述步骤(4)中的自适应Lasso稀疏回归正则化参数λ,包括以下步骤:
(5-1)将标准化电压幅值VN平均分成k份,将k份标准化电压幅值中的第p份标准化电压幅值作为验证集,余下的k-1份作为训练集;
(5-2)设定一个自适应Lasso稀疏回归正则化参数λ,在训练集中,根据设定的自适应Lasso稀疏回归正则化参数λ,求解自适应Lasso问题,得到配电网中除s节点外所有其他节点与s节点的相关系数βs;
(5-3)在验证集中对节点s的标准化电压幅值进行预测,预测值为 为验证集中除s节点外所有其他节点的标准化电压幅值;
(5-4)计算验证集中s节点的标准化电压幅值与预测值的差值将该差值作为此次交叉验证的误差遍历k份标准化电压幅值数据,将k次交叉验证的误差相加,得到交叉验证的总误差
(5-5)选取不同的λ值,重复上述步骤(5-1)-(5-4),得到多个交叉验证的总误差,从多个交叉验证的总误差中,选取与最小总误差相对应自适应Lasso稀疏回归正则化参数λ,将该λ作为最优正则化参数,并以该正则化参数λ作为上述步骤(4)中的自适应Lasso稀疏回归正则化参数;
(6)遍历配电网除配电网根节点外的N个节点,重复步骤(2)-(5),得到配电网除配电网根节点外的各节点间的相关系数和对得到的节点间相关系数和进行与运算,对与运算结果进行判断,若则判定两节点相连,若则判定两节点不相连,得到配电网初始拓扑结构,其中i和j分别为配电网中除配电网根节点外的任意两个节点的编号;
(7)根据上述步骤(1)的标准化电压幅值,利用下式得到标准化电压幅值的协方差矩阵Λ:
其中,标准化电压幅值VN为一个N×M的矩阵,N为配电网中去除配电网根节点后的节点个数,M为总采样点数;
利用上述矩阵Λ,通过下式求解矩阵K:
K为N×N的矩阵,I为单位矩阵,1是元素全为1的列向量,11是首元素为1,其余元素为0的列向量,当节点i,j直接相连时,Kij<0,根据此规则对上述步骤(5)的配电网初始拓扑结构进行修正,从配电网初始拓扑结构中去除不满足Kij<0的连接关系,最终得到配电网的拓扑连接结构,完成配电网拓扑结构的重建。
本发明提出的基于自适应稀疏回归方法的配电网拓扑结构重建方法,其优点是:
1、本发明的配电网拓扑结构重建方法,针对配电网不易安装支路测量设备的特点,设计出不需要配电网先验知识以及支路测量数据的算法,仅通过配电网母线的时序电压数据就可完成配电网的拓扑重建,方法简单易行。
2、本发明的配电网拓扑结构重建方法,在原有的Lasso类算法之上,运用自适应Lasso算法,解决了有偏估计的问题。同时,增加了补充判据,对于算法在不满足可行条件时的错误估计进行了修正,提高了算法的准确率。
3、本发明的基于自适应稀疏回归方法的配电网拓扑结构重建方法,既可以在无环网络中进行应用,也可以在有环网络中进行应用。
4、本发明的配电网拓扑结构重建方法,涉及的模型复杂度低,可以在较短的时间内进行配电网的拓扑重建。
附图说明
图1是本发明提出的基于自适应稀疏回归方法的配电网拓扑结构重建方法的流程框图。
图2是33-bus配电网系统关系数矩阵着色图。
具体实施方式
本发明提出的基于自适应稀疏回归方法的配电网拓扑结构重建方法,其流程框图如图1所示,包括以下步骤:
(1)从配电网调度中心获取配电网中除配电网根节点(通常为变电站节点)外的各节点电压幅值历史数据,对电压幅值进行标准化处理数据,得到标准化电压幅值VN,设定标准化电压幅值符合零均值和单位方差的分布;
(2)任选节点s,利用除s节点外所有其他节点的标准化电压幅值VN\{s}对s节点进行岭回归分析,求解下式计算岭回归系数
其中,为t时刻配电网节点s上的标准化电压幅值,为t时刻配电网中除s节点外所有其他节点的标准化电压幅值,N为配电网中去除配电网根节点后的节点个数,M为总采样点数,λR为岭回归的正则化参数,ηs是一个N-1维向量,表示向量ηs的二范数;
(3)采取k-fold交叉验证的方式确定上述步骤(2)中的岭回归正则化参数λR,具体过程如下:
(3-1)将标准化电压幅值VN平均分成k份,将k份标准化电压幅值中的第p份标准化电压幅值作为验证集,余下的k-1份作为训练集;
(3-2)设定一个岭回归正则化参数λR,在训练集中,根据设定的岭回归正则化参数λR求解岭回归问题,得到岭回归系数ηs,在验证集中对节点s的标准化电压幅值进行预测,预测值为 为验证集中除s节点外所有其他节点的标准化电压幅值;
(3-3)计算验证集中s节点的标准化电压幅值与预测值的差值将该差值作为此次交叉验证的误差遍历k份标准化电压幅值数据,将k次交叉验证的误差相加,得到交叉验证的总误差
(3-4)选取不同的λR值,重复上述步骤(3-1)-(3-3),得到多个交叉验证的总误差,从多个交叉验证的总误差中,选取与最小总误差相对应的岭回归正则化参数λR,将该λR作为最优正则化参数,并以该正则化参数λR作为上述步骤(2)中的岭回归正则化参数;
(4)任选节点s,利用除s节点外所有其他节点的标准化电压幅值,对s节点进行自适应Lasso稀疏回归分析,即求解下述最小化问题,计算得到配电网中除s节点外所有其他节点与s节点的相关系数
其中,λ为自适应Lasso稀疏回归正则化参数,节点j的加权回归系数βs是一个N-1维向量,
(5)采取k-fold交叉验证的方式,选取上述步骤(4)中的自适应Lasso稀疏回归正则化参数λ,包括以下步骤:
(5-1)将标准化电压幅值VN平均分成k份,将k份标准化电压幅值中的第p份标准化电压幅值作为验证集,余下的k-1份作为训练集;
(5-2)设定一个自适应Lasso稀疏回归正则化参数λ,在训练集中,根据设定的自适应Lasso稀疏回归正则化参数λ,求解自适应Lasso问题,得到配电网中除s节点外所有其他节点与s节点的相关系数βs;
(5-3)在验证集中对节点s的标准化电压幅值进行预测,预测值为 为验证集中除s节点外所有其他节点的标准化电压幅值;
(5-4)计算验证集中s节点的标准化电压幅值与预测值的差值将该差值作为此次交叉验证的误差遍历k份标准化电压幅值数据,将k次交叉验证的误差相加,得到交叉验证的总误差
(5-5)选取不同的λ值,重复上述步骤(5-1)-(5-4),得到多个交叉验证的总误差,从多个交叉验证的总误差中,选取与最小总误差相对应自适应Lasso稀疏回归正则化参数λ,将该λ作为最优正则化参数,并以该正则化参数λ作为上述步骤(4)中的自适应Lasso稀疏回归正则化参数;
(6)遍历配电网除配电网根节点外的N个节点,重复步骤(2)-(5),得到配电网除配电网根节点外的各节点间的相关系数和将各节点间的相关系数按行列号组成矩阵β,图2是33-bus配电网系统关系矩阵β的着色图。由于自适应Lasso对节点i和j之间的相关系数求解了两次,其相关系数和可能不同,但配电网的拓扑图本质上是一个无向图,其连接关系是确定的。对得到的节点间相关系数和进行与运算,对与运算结果进行判断,若则判定两节点相连,若则判定两节点不相连,得到配电网初始拓扑结构,其中i和j分别为配电网中除配电网根节点外的任意两个节点的编号;
(7)自适应Lasso算法在求解稀疏矩阵时要满足充分条件,否则它并不能优化收敛到唯一的可行解,其充分条件可表示为:||βs||0为零范数,即节点s的相邻节点的个数,μ(VN)表示电压幅值历史数据的最大余弦相似度。在某节点邻域的节点数越多时,充分条件越不满足,此时更易产生求解错误。需要补充规则进行修正:
K矩阵为一对称矩阵,符号“~”表示两节点相互连接,仅当节点i,j直接相连时,Kij<0,运用此规则可以对Lasso计算所得的结果进行修正,从而提高正确性。
根据上述步骤(1)的标准化电压幅值,利用下式得到标准化电压幅值的协方差矩阵Λ:
其中,标准化电压幅值VN为一个N×M的矩阵,N为配电网中去除配电网根节点后的节点个数,M为总采样点数;
利用上述矩阵Λ,通过下式求解矩阵K:
K为N×N的矩阵,I为单位矩阵,1是元素全为1的列向量,11是首元素为1,其余元素为0的列向量,当节点i,j直接相连时,Kij<0,根据此规则对上述步骤(5)的配电网初始拓扑结构进行修正,从配电网初始拓扑结构中去除不满足Kij<0的连接关系,最终得到配电网的拓扑连接结构,完成配电网拓扑结构的重建。
本发明的一个实施例中,在33-bus,69-bus,118-bus配电系统中,分别采取有环和无环两种模式进行仿真。电压幅值数据采取MATLAB进行潮流计算求得,设定智能电表采样时间为一小时一次,共模拟生成1个月、2个月、6个月的电压幅值历史数据。通过电压幅值历史数据进行计算,在无环和有环系统中均可以进行拓扑重建。
Claims (1)
1.一种基于自适应稀疏回归方法的配电网拓扑结构重建方法,其特征在于该方法包括以下步骤:
(1)从配电网调度中心获取配电网中除配电网根节点外的各节点电压幅值历史数据,对电压幅值进行标准化处理数据,得到标准化电压幅值VN,设定标准化电压幅值符合零均值和单位方差的分布;
(2)任选节点s,利用除s节点外所有其他节点的标准化电压幅值VN\{s}对s节点进行岭回归分析,求解下式计算岭回归系数
其中,为t时刻配电网节点s上的标准化电压幅值,为t时刻配电网中除s节点外所有其他节点的标准化电压幅值,N为配电网中去除配电网根节点后的节点个数,M为总采样点数,λR为岭回归的正则化参数,ηs是一个N-1维向量, 表示向量ηs的二范数;
(3)采取k-fold交叉验证的方式确定上述步骤(2)中的岭回归正则化参数λR,具体过程如下:
(3-1)将标准化电压幅值VN平均分成k份,将k份标准化电压幅值中的第p份标准化电压幅值作为验证集,余下的k-1份作为训练集;
(3-2)设定一个岭回归正则化参数λR,在训练集中,根据设定的岭回归正则化参数λR求解岭回归问题,得到岭回归系数ηs,在验证集中对节点s的标准化电压幅值进行预测,预测值为 为验证集中除s节点外所有其他节点的标准化电压幅值;
(3-3)计算验证集中s节点的标准化电压幅值与预测值的差值将该差值作为此次交叉验证的误差遍历k份标准化电压幅值数据,将k次交叉验证的误差相加,得到交叉验证的总误差
(3-4)选取不同的λR值,重复上述步骤(3-1)-(3-3),得到多个交叉验证的总误差,从多个交叉验证的总误差中,选取与最小总误差相对应的岭回归正则化参数λR,将该λR作为最优正则化参数,并以该正则化参数λR作为上述步骤(2)中的岭回归正则化参数;
(4)任选节点s,利用除s节点外所有其他节点的标准化电压幅值,对s节点进行自适应Lasso稀疏回归分析,即求解下述最小化问题,计算得到配电网中除s节点外所有其他节点与s节点的相关系数
其中,λ为自适应Lasso稀疏回归正则化参数,节点j的加权回归系数βs是一个N-1维向量,
(5)采取k-fold交叉验证的方式,选取上述步骤(4)中的自适应Lasso稀疏回归正则化参数λ,包括以下步骤:
(5-1)将标准化电压幅值VN平均分成k份,将k份标准化电压幅值中的第p份标准化电压幅值作为验证集,余下的k-1份作为训练集;
(5-2)设定一个自适应Lasso稀疏回归正则化参数λ,在训练集中,根据设定的自适应Lasso稀疏回归正则化参数λ,求解自适应Lasso问题,得到配电网中除s节点外所有其他节点与s节点的相关系数βs;
(5-3)在验证集中对节点s的标准化电压幅值进行预测,预测值为 为验证集中除s节点外所有其他节点的标准化电压幅值;
(5-4)计算验证集中s节点的标准化电压幅值与预测值的差值将该差值作为此次交叉验证的误差遍历k份标准化电压幅值数据,将k次交叉验证的误差相加,得到交叉验证的总误差
(5-5)选取不同的λ值,重复上述步骤(5-1)-(5-4),得到多个交叉验证的总误差,从多个交叉验证的总误差中,选取与最小总误差相对应自适应Lasso稀疏回归正则化参数λ,将该λ作为最优正则化参数,并以该正则化参数λ作为上述步骤(4)中的自适应Lasso稀疏回归正则化参数;
(6)遍历配电网除配电网根节点外的N个节点,重复步骤(2)-(5),得到配电网除配电网根节点外的各节点间的相关系数和对得到的节点间相关系数和进行与运算,对与运算结果进行判断,若则判定两节点相连,若则判定两节点不相连,得到配电网初始拓扑结构,其中i和j分别为配电网中除配电网根节点外的任意两个节点的编号;
(7)根据上述步骤(1)的标准化电压幅值,利用下式得到标准化电压幅值的协方差矩阵Λ:
其中,标准化电压幅值VN为一个N×M的矩阵,N为配电网中去除配电网根节点后的节点个数,M为总采样点数;
利用上述矩阵Λ,通过下式求解矩阵K:
K为N×N的矩阵,I为单位矩阵,1是元素全为1的列向量,11是首元素为1,其余元素为0的列向量,当节点i,j直接相连时,Kij<0,根据此规则对上述步骤(5)的配电网初始拓扑结构进行修正,从配电网初始拓扑结构中去除不满足Kij<0的连接关系,最终得到配电网的拓扑连接结构,完成配电网拓扑结构的重建。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811145656.7A CN109193635B (zh) | 2018-09-29 | 2018-09-29 | 一种基于自适应稀疏回归方法的配电网拓扑结构重建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811145656.7A CN109193635B (zh) | 2018-09-29 | 2018-09-29 | 一种基于自适应稀疏回归方法的配电网拓扑结构重建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109193635A true CN109193635A (zh) | 2019-01-11 |
CN109193635B CN109193635B (zh) | 2020-09-11 |
Family
ID=64906795
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811145656.7A Expired - Fee Related CN109193635B (zh) | 2018-09-29 | 2018-09-29 | 一种基于自适应稀疏回归方法的配电网拓扑结构重建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109193635B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109918612A (zh) * | 2019-01-31 | 2019-06-21 | 国网浙江省电力有限公司电力科学研究院 | 一种基于稀疏学习的台区拓扑结构校验方法 |
CN110190600A (zh) * | 2019-06-21 | 2019-08-30 | 国网天津市电力公司 | 一种基于ami量测近邻回归的三相配电网拓扑辨识方法 |
CN112039198A (zh) * | 2020-07-22 | 2020-12-04 | 清华大学 | 基于dane的电网拓扑结构关键特征提取方法和装置 |
CN113190939A (zh) * | 2021-03-22 | 2021-07-30 | 桂林航天工业学院 | 基于多边形系数的大型稀疏复杂网络拓扑分析和简化方法 |
CN115563489A (zh) * | 2022-11-03 | 2023-01-03 | 中国电力科学研究院有限公司 | 超差表检出方法、装置及计算机存储介质 |
CN116343554A (zh) * | 2023-05-26 | 2023-06-27 | 山东建筑大学 | 一种基于机器学习的智能化信息处理校射雷达仿真方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1150672A (zh) * | 1994-12-02 | 1997-05-28 | Abb·专利有限公司 | 网络模型的建立与修正方法 |
CN103198437A (zh) * | 2013-04-18 | 2013-07-10 | 国家电网公司 | 一种电网量测数据和电网模型纠错方法及装置 |
CN103346556A (zh) * | 2013-05-29 | 2013-10-09 | 国家电网公司 | 一种配电网环路快速定位方法 |
US20140092752A1 (en) * | 2012-09-28 | 2014-04-03 | Cisco Technology, Inc. | Density-based power outage notification transmission scheduling in frequency-hopping networks |
CN103983944A (zh) * | 2014-05-30 | 2014-08-13 | 电子科技大学 | 基于协方差矩阵稀疏表示的远场窄带doa估计方法 |
CN105203498A (zh) * | 2015-09-11 | 2015-12-30 | 天津工业大学 | 一种基于lasso的近红外光谱变量选择方法 |
CN107742885A (zh) * | 2017-11-13 | 2018-02-27 | 中国南方电网有限责任公司电网技术研究中心 | 基于正则匹配追踪的配电网电压功率灵敏度估计方法 |
CN108183475A (zh) * | 2017-12-27 | 2018-06-19 | 国网河南省电力公司电力科学研究院 | 一种低压配电网拓扑重构方法及装置 |
US20180276792A1 (en) * | 2016-08-19 | 2018-09-27 | Intelligent Security Systems Corporation | Systems and methods for dewarping images |
-
2018
- 2018-09-29 CN CN201811145656.7A patent/CN109193635B/zh not_active Expired - Fee Related
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1150672A (zh) * | 1994-12-02 | 1997-05-28 | Abb·专利有限公司 | 网络模型的建立与修正方法 |
US20140092752A1 (en) * | 2012-09-28 | 2014-04-03 | Cisco Technology, Inc. | Density-based power outage notification transmission scheduling in frequency-hopping networks |
CN103198437A (zh) * | 2013-04-18 | 2013-07-10 | 国家电网公司 | 一种电网量测数据和电网模型纠错方法及装置 |
CN103346556A (zh) * | 2013-05-29 | 2013-10-09 | 国家电网公司 | 一种配电网环路快速定位方法 |
CN103983944A (zh) * | 2014-05-30 | 2014-08-13 | 电子科技大学 | 基于协方差矩阵稀疏表示的远场窄带doa估计方法 |
CN105203498A (zh) * | 2015-09-11 | 2015-12-30 | 天津工业大学 | 一种基于lasso的近红外光谱变量选择方法 |
US20180276792A1 (en) * | 2016-08-19 | 2018-09-27 | Intelligent Security Systems Corporation | Systems and methods for dewarping images |
CN107742885A (zh) * | 2017-11-13 | 2018-02-27 | 中国南方电网有限责任公司电网技术研究中心 | 基于正则匹配追踪的配电网电压功率灵敏度估计方法 |
CN108183475A (zh) * | 2017-12-27 | 2018-06-19 | 国网河南省电力公司电力科学研究院 | 一种低压配电网拓扑重构方法及装置 |
Non-Patent Citations (2)
Title |
---|
HAO ZHU ET AL.: "Sparse Overcomplete Representations for Efficient Identification of Power Line Outages", 《IEEE TRANSACTIONS ON POWER SYSTEMS》 * |
李晓宇 等: "基于 LASSO 及其补充规则的配电网拓扑生成算法", 《北京邮电大学学报》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109918612A (zh) * | 2019-01-31 | 2019-06-21 | 国网浙江省电力有限公司电力科学研究院 | 一种基于稀疏学习的台区拓扑结构校验方法 |
CN109918612B (zh) * | 2019-01-31 | 2022-11-22 | 国网浙江省电力有限公司营销服务中心 | 一种基于稀疏学习的台区拓扑结构校验方法 |
CN110190600A (zh) * | 2019-06-21 | 2019-08-30 | 国网天津市电力公司 | 一种基于ami量测近邻回归的三相配电网拓扑辨识方法 |
CN110190600B (zh) * | 2019-06-21 | 2022-09-30 | 国网天津市电力公司 | 一种基于ami量测近邻回归的三相配电网拓扑辨识方法 |
CN112039198A (zh) * | 2020-07-22 | 2020-12-04 | 清华大学 | 基于dane的电网拓扑结构关键特征提取方法和装置 |
CN113190939A (zh) * | 2021-03-22 | 2021-07-30 | 桂林航天工业学院 | 基于多边形系数的大型稀疏复杂网络拓扑分析和简化方法 |
CN115563489A (zh) * | 2022-11-03 | 2023-01-03 | 中国电力科学研究院有限公司 | 超差表检出方法、装置及计算机存储介质 |
CN115563489B (zh) * | 2022-11-03 | 2023-03-28 | 中国电力科学研究院有限公司 | 超差表检出方法、装置及计算机存储介质 |
CN116343554A (zh) * | 2023-05-26 | 2023-06-27 | 山东建筑大学 | 一种基于机器学习的智能化信息处理校射雷达仿真方法 |
CN116343554B (zh) * | 2023-05-26 | 2023-08-22 | 山东建筑大学 | 一种基于机器学习的智能化信息处理校射雷达仿真方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109193635B (zh) | 2020-09-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109193635A (zh) | 一种基于自适应稀疏回归方法的配电网拓扑结构重建方法 | |
Farshad et al. | A novel fault-location method for HVDC transmission lines based on similarity measure of voltage signals | |
CN110086168B (zh) | 一种基于多源数据融合的配电网运行拓扑辨识方法 | |
CN108173263A (zh) | 一种基于ami量测信息的配电网拓扑错误辨识算法 | |
CN108683180B (zh) | 一种三相低压配电网拓扑重建方法 | |
CN103326358A (zh) | 基于同步相角测量装置的电力系统动态状态估计方法 | |
CN101958543B (zh) | 一种变电站三相无阻抗非线性多源状态估计方法 | |
CN110289613A (zh) | 基于灵敏度矩阵的配电网拓扑识别与线路参数辨识方法 | |
CN113270866A (zh) | 一种低压台区配电网拓扑识别系统及识别方法 | |
CN110838758B (zh) | 一种基于信号注入方式的台区低压拓扑方法 | |
CN102005757A (zh) | 一种基于量测生成树的电网拓扑错误的辨识方法 | |
CN109636663B (zh) | 背靠背配电变压器的户变关系识别方法与装置 | |
CN114091816A (zh) | 基于数据融合的门控图神经网络的配电网状态估计方法 | |
CN102636706B (zh) | 一种电网中参数误差支路的辨识方法 | |
CN106372440B (zh) | 一种并行计算的配电网自适应抗差状态估计方法及装置 | |
CN111654392A (zh) | 基于互信息的低压配电网拓扑识别方法及系统 | |
CN114512982A (zh) | 配电网拓扑辨识方法、装置和终端设备 | |
CN103107536B (zh) | 一种海上油田群电网的状态估计方法 | |
CN109541346A (zh) | 一种稳态工况下的非侵入式电力负载识别提升方法 | |
CN106384298B (zh) | 一种基于两阶段插补模型的智能用电缺失数据修正方法 | |
CN115935244B (zh) | 一种基于数据驱动的单相整流器故障诊断方法 | |
CN109188084B (zh) | 电力系统阻抗模型的测辩方法及系统 | |
CN112731193A (zh) | 基于新型滑模观测器的npc逆变器多类故障诊断方法 | |
CN107069710B (zh) | 计及新能源时空相关性的电力系统状态估计方法 | |
CN107565549B (zh) | 一种基于同步相量量测的电力系统网络拓扑分析方法 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20200911 Termination date: 20210929 |
|
CF01 | Termination of patent right due to non-payment of annual fee |