CN109918612B - 一种基于稀疏学习的台区拓扑结构校验方法 - Google Patents
一种基于稀疏学习的台区拓扑结构校验方法 Download PDFInfo
- Publication number
- CN109918612B CN109918612B CN201910100577.2A CN201910100577A CN109918612B CN 109918612 B CN109918612 B CN 109918612B CN 201910100577 A CN201910100577 A CN 201910100577A CN 109918612 B CN109918612 B CN 109918612B
- Authority
- CN
- China
- Prior art keywords
- station area
- parameter
- user
- sparse
- data
- 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
- 238000000034 method Methods 0.000 title claims abstract description 20
- 230000005611 electricity Effects 0.000 claims abstract description 14
- 230000006870 function Effects 0.000 claims description 6
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 2
- 238000009795 derivation Methods 0.000 claims 1
- 238000004364 calculation method Methods 0.000 abstract description 5
- 238000007689 inspection Methods 0.000 abstract description 4
- 238000012423 maintenance Methods 0.000 abstract description 4
- 238000012360 testing method Methods 0.000 abstract description 4
- 230000003044 adaptive effect Effects 0.000 abstract description 3
- 238000004422 calculation algorithm Methods 0.000 description 7
- 238000002474 experimental method Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Images
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于稀疏学习的台区拓扑结构校验方法，涉及一种电力运维领域。目前，利用海量的电力数据来进行台区用户拓扑纠错的方法中，不同时刻的用户用电量数据取的越多，估计的结果通常也会更加准确，但大量数据的计算往往需要更多的时间。本技术方案基于用电信息系统采集的台区用户的用电量数据，构建了台区用电量的参数化模型，提出了稀疏的自适应参数估计方法，辨识出表征台区用户拓扑的模型参数，并进一步利用阈值检验识别出台户拓扑结构统计错误的用户。本技术方案具有较高的查准率、查全率、较快的收敛速度，可以在线地根据用户用电量数据进行计算，能够实时捕捉网络拓扑的变化情况，节省了大量的人工上门排查的成本。
Description
技术领域
本发明涉及一种电力运维领域，尤其涉及一种基于稀疏学习的台区拓扑结构校验方法。
背景技术
目前，在低压台区运行维护中，拓扑识别主要通过工作人员在现场寻找线路：根据表箱中的火线线路寻找变压器，根据变压器名牌确定对应的台区名称和编号；若遇到地下电缆较多或架空线路走线凌乱、遮挡较多的情况，则需要现场人员进行拉闸观察和人工描绘的方式记录台区结构，此种“拉闸验电”的方法效率低，会对居民用电以及市政用电造成较多影响，且无法实现统一的数字化存储，也就没有统一的接口供系统进一步利用。所以在供电系统维护中，亟需一种可靠的，自动化的台区纠错分析方法。
随着国家电网公司“全面建设坚强智能电网”方针的提出，在智能用电环节，以“用电信息全采集、电力用户全覆盖”为目标，开展了智能用电信息采集系统基础性研究，推进用电信息采集系统建设。如今用电信息采集系统在各省市地区已实现了基本覆盖或全覆盖，为台区用户拓扑分析提供了海量的电力用户数据信息。在已有的利用海量的电力数据来进行台区用户拓扑纠错的方法中，不同时刻的用户用电量数据取的越多，估计的结果通常也会更加准确。然而大量数据的计算往往需要更多的时间，为了加快计算速度，进一步提升算法性能，需要对它进行一定的优化处理。
发明内容
本发明要解决的技术问题和提出的技术任务是对现有技术方案进行完善与改进，提供一种基于稀疏学习的台区拓扑结构校验方法，以达到提高计算速度的目的。为此，本发明采取以下技术方案。
1)获取台区各个用户及总表日用电量数据，得到台区各个用户及总表日用电量样本集合；
2)建立台区参数化用电量方程：
台区用电量方程表示为：
式中:n为台区的用户数，t表示时间段，yt为台区总用电量，x1(t),x2(t),...,xn(t)为各个用户的用电量，ai是表征第i个用户是否属于该台区的参数，该参数满足以下条件：
εt为台区线损电量；线损电量量采用二阶多项式进行建模即εt＝b0+b1yt+b2(yt)2，b0、b1、b2是权重系数；
通过选取不同的时间段t，得到一系列的方程组：
式中：t1，t2、tN分别为第一时间段，第二时间段，第N时间段；
3)建立稀疏学习目标函数：
E＝||Y-XW||2+α||W||0
其中||W||0表示l0范数的稀疏约束项；α≥0是一个用于控制稀疏优化强度的正则化参数，以快速地将接近于零的数值收敛到0；
4)利用梯度下降法进行参数估计：
4-1)对目标函数求导获得梯度：
其中Xt是矩阵X的第t个行向量，
ξ0(W)是l0范数梯度；
其中wi表示参数向量W中的第i个元素，β是一个大于0的常量；
4-2)参数迭代：
参数迭代公式为：
式中：W(k)表示第k次迭代后的参数估计值；ρ是迭代步长；
5)将参数与门限值进行比较，确定可疑用户
对W(k)进行阈值检验，当W(k)小于设定门限值时，认为可能为不属于该台区的错误用户。
作为优选技术手段：在步骤5)中，门限值为-0.65～-0.75；门限值的确定值根据历史数据计算获得。
有益效果：本技术方案具有较高的查准率和查全率。由于所提方法具有较快的收敛速度和较高的精度，可以在线地根据用户用电量数据进行计算，能够实时捕捉网络拓扑的变化情况，节省了大量的人工上门排查的成本，能够有效地指导基层单位进行台区拓扑结构校验工作，在实际应用中具有广阔的应用前景。
附图说明
图1是本发明的流程图。
图2是台区I参数收敛结果图。
图3是可疑用户的参数收敛过程对比图。
具体实施方式
以下结合说明书附图对本发明的技术方案做进一步的详细说明。
如图1所示，本发明包括以下步骤：
1)获取台区各个用户及总表日用电量数据，得到台区各个用户及总表日用电量样本集合；
2)建立台区参数化用电量方程：
台区用电量方程表示为：
式中:n为台区的用户数，t表示时间段，yt为台区总用电量，x1(t),x2(t),...,xn(t)为各个用户的用电量，ai是表征第i个用户是否属于该台区的参数，该参数满足以下条件：
εt为台区线损电量；线损电量采用二阶多项式进行建模即εt＝b0+b1yt+b2(yt)2，b0、b1、b2是权重系数；
通过选取不同的时间段t，得到一系列的方程组：
式中：t1，t2、tN分别为第一时间段，第二时间段，第N时间段；
3)建立稀疏学习目标函数：
E＝||Y-XW||2+α||W||0 (4)
其中||W||0表示l0范数的稀疏约束项；α≥0是一个用于控制稀疏优化强度的正则化参数，以快速地将接近于零的数值收敛到0；
4)利用梯度下降法进行参数估计：
4-1)对目标函数求导获得梯度：
其中Xt是矩阵X的第t个行向量，
ξ0(W)是l0范数梯度；
其中wi表示参数向量W中的第i个元素，β是一个大于0的常量；
4-2)参数迭代：
参数迭代公式为：
式中：W(k)表示第k次迭代后的参数估计值；ρ是迭代步长；
5)将参数与门限值进行比较，确定可疑用户
对W(k)进行阈值检验，当W(k)小于设定门限值-0.7时，认为可能为不属于该台区的错误用户。
本实施例中，算法流程如下所示：
在仿真实验中，考虑到大部分用户为正确用户，则参数估计值W初始化为M维的零向量；稀疏正则参数α的大小决定了对稀疏项的约束程度，本实例中取α＝10；参数β的大小决定了对零范数的近似程度，通常取β＝10。实验中发现算法迭代经过1000次左右就能够收敛，因此本实例中选取最大迭代次数3000。门限值大小决定了算法的查准率和查全率。经过多次实验，本实际中选取-0.7较为合适。
实施案例
为了验证本发明提出的基于稀疏学习的台区拓扑结构校验方法的性能，我们采用嘉兴市某台区I2018年1月至5月份的数据进行测试，该台区总共有61个用户。实验结果表明，该台区序号为36的用户参数值收敛异常，W(36)＝-0.94，小于门限值为可疑用户。经过人工对该台区进行排查后，证实该用户确实不属于台区I。为了进一步说明本发明稀疏学习在加快参数收敛方面的有效性，图3给出稀疏学习与非稀疏学习(ρ＝0)的收敛性能对比情况。在步长相同的情况下，稀疏学习算法收敛速度快，同时估计值也更接近于-1。表明本发明提出的方法确实能加快参数收敛速度，降低计算代价，改善参数收敛特性，适用于用海量的台区用电量数据进行台区拓扑结构校验的场景。
另外，对海宁市多个台区共329个用户进行了测试和人工排查，采用稀疏的自适应学习方法的最终统计结果如表1所示。
表1算法预测及人工排查结果
从表1的实验结果发现，本技术方案可以达到84.8％的查准率和90.7％的查全率。多次实际和模拟场景下的实验证实，本技术方案提出算法具有良好的估计性能，在仅仅依赖于用电量的情况下，能够达到较高的查准率和查全率。
本技术方案提出了一种基于稀疏自适应学习的台区拓扑结构校验方法。首先，根据能量守恒原则，构建台区总表与各用户分表参数化用电量模型。考虑到模型参数具有强稀疏性的特点，本技术方案提出了稀疏自适应参数估计方法，并采用阈值检验识别出台户拓扑结构统计错误的可疑用户。实验结果表明，所提方法具有较高的查准率和查全率。由于所提方法具有较快的收敛速度和较高的精度，可以在线地根据用户用电量数据进行计算，能够实时捕捉网络拓扑的变化情况，节省了大量的人工上门排查的成本，能够有效地指导基层单位进行台区拓扑结构校验工作，在实际应用中具有广阔的应用前景。
以上图1所示的一种基于稀疏学习的台区拓扑结构校验方法是本发明的具体实施例，已经体现出本发明实质性特点和进步，可根据实际的使用需要，在本发明的启示下，对其进行形状、结构等方面的等同修改，均在本方案的保护范围之列。
Claims (2)
1.一种基于稀疏学习的台区拓扑结构校验方法，其特征在于包括以下步骤：
1)获取台区各个用户及总表日用电量数据，得到台区各个用户及总表日用电量样本集合；
2)建立台区参数化用电量方程：
台区用电量方程表示为：
式中:n为台区的用户数，t表示时间段，yt为台区总用电量，x1(t),x2(t),...,xn(t)为各个用户的用电量，ai是表征第i个用户是否属于该台区的参数，该参数满足以下条件：
εt为台区线损电量；线损电量采用二阶多项式进行建模即εt＝b0+b1yt+b2(yt)2，b0、b1、b2是权重系数；
通过选取不同的时间段t，得到一系列的方程组：
式中：t1，t2、tN分别为第一时间段，第二时间段，第N时间段；
3)建立稀疏学习目标函数：
E＝||Y-XW||2+α||W||0
其中||W||0表示l0范数的稀疏约束项；α≥0是一个用于控制稀疏优化强度的正则化参数，以快速地将接近于零的数值收敛到0；
4)利用梯度下降法进行参数估计：
4-1)对目标函数求导获得梯度：
其中Xt是矩阵X的第t个行向量，
ξ0(W)是l0范数梯度；
其中wi表示参数向量W中的第i个元素，β是一个大于0的常量；
4-2)参数迭代：
参数迭代公式为：
式中：W(k)表示第k次迭代后的参数估计值；ρ是迭代步长；
5)将参数与门限值进行比较，确定可疑用户
对W(k)进行阈值检验，当W(k)小于设定门限值时，认为可能为不属于该台区的错误用户。
2.根据权利要求1所述的一种基于稀疏学习的台区拓扑结构校验方法，其特征在于：在步骤5)中，门限值为-0.65～-0.75；门限值的确定值根据历史数据计算获得。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910100577.2A CN109918612B (zh) | 2019-01-31 | 2019-01-31 | 一种基于稀疏学习的台区拓扑结构校验方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910100577.2A CN109918612B (zh) | 2019-01-31 | 2019-01-31 | 一种基于稀疏学习的台区拓扑结构校验方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109918612A CN109918612A (zh) | 2019-06-21 |
| CN109918612B true CN109918612B (zh) | 2022-11-22 |
Family
ID=66961290
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910100577.2A Active CN109918612B (zh) | 2019-01-31 | 2019-01-31 | 一种基于稀疏学习的台区拓扑结构校验方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109918612B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110516912B (zh) * | 2019-07-24 | 2023-05-23 | 长沙恒电聚能电子科技有限公司 | 一种配电台区户变关系的识别方法 |
| CN110688739A (zh) * | 2019-09-10 | 2020-01-14 | 国网浙江省电力有限公司电力科学研究院 | 一种基于用电量数据的低压台区用户拓扑纠错方法和系统 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106250927A (zh) * | 2016-07-29 | 2016-12-21 | 国网河南省电力公司电力科学研究院 | 基于k最近邻分类算法的配电网拓扑结构校验方法 |
| CN109193635A (zh) * | 2018-09-29 | 2019-01-11 | 清华大学 | 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 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180232650A1 (en) * | 2017-02-10 | 2018-08-16 | New York University | Systems and methods for sparse travel time estimation |
-
2019
- 2019-01-31 CN CN201910100577.2A patent/CN109918612B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106250927A (zh) * | 2016-07-29 | 2016-12-21 | 国网河南省电力公司电力科学研究院 | 基于k最近邻分类算法的配电网拓扑结构校验方法 |
| CN109193635A (zh) * | 2018-09-29 | 2019-01-11 | 清华大学 | 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 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109918612A (zh) | 2019-06-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN102722759B (zh) | 基于bp神经网络的电网供电可靠性预测方法 | |
| CN111639783A (zh) | 一种基于lstm神经网络的线损预测方法及系统 | |
| CN103117546B (zh) | 一种超短期风电功率滑动预测方法 | |
| CN102930344B (zh) | 一种基于负荷趋势变化的超短期母线负荷预测方法 | |
| CN110659779B (zh) | 一种基于长短期记忆网络的配电系统网损预测方法 | |
| WO2016026355A1 (zh) | 一种有源配电网电压跌落仿真与评估方法 | |
| CN103700025B (zh) | 一种基于风险分析的电力系统设备重要度的评估排序方法 | |
| CN110598854A (zh) | 一种基于gru模型的台区线损率预测方法 | |
| CN104408562B (zh) | 一种基于bp神经网络的光伏系统发电效率综合评估方法 | |
| CN106874581A (zh) | 一种基于bp神经网络模型的建筑空调能耗预测方法 | |
| CN109034461A (zh) | 一种基于实际电网监测信息的电压暂降随机预估方法 | |
| CN107741578B (zh) | 智能电能表运行误差远程校准的原始抄表数据处理方法 | |
| CN108053149A (zh) | 一种考虑气象因素的光伏电站并网风险评估方法 | |
| CN103971175B (zh) | 一种多级变电站的短期负荷预测方法 | |
| CN105574615A (zh) | 一种基于空间相关性与ga的小波-bp神经网络风电功率预测方法 | |
| CN110378504B (zh) | 一种基于高维Copula技术的光伏发电爬坡事件概率预测方法 | |
| CN107644297B (zh) | 一种电机系统节能量计算和验证方法 | |
| CN106651007A (zh) | 基于gru的光伏电站辐照度中长期预测的方法及装置 | |
| CN104200032A (zh) | 广义负荷建模中基于时段性的横向时间轴聚类方法 | |
| CN114742283A (zh) | 一种基于深度学习网络的中压线路合环电流估算与风险评估方法 | |
| CN112183877A (zh) | 一种基于迁移学习的光伏电站故障智能诊断方法 | |
| CN109918612B (zh) | 一种基于稀疏学习的台区拓扑结构校验方法 | |
| CN112232714B (zh) | 一种基于深度学习的结构参数不完备下配电网风险评估方法 | |
| CN108694479A (zh) | 考虑天气对检修间隔时间影响的配电网可靠性预测方法 | |
| CN104361399A (zh) | 太阳能辐照强度分钟级预测方法 |
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 | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20210202 Address after: 311100 Building 5, 138 Yunlian Road, Yuhang District, Hangzhou City, Zhejiang Province Applicant after: Marketing service center of State Grid Zhejiang Electric Power Co.,Ltd. Applicant after: ZHEJIANG HUAYUN INFORMATION TECHNOLOGY Co.,Ltd. Applicant after: STATE GRID CORPORATION OF CHINA Address before: The eight district of Hangzhou city in Zhejiang province 310014 Huadian Zhaohui under No. 1 Lane Applicant before: STATE GRID ZHEJIANG ELECTRIC POWER COMPANY LIMITED ELECTRIC POWER Research Institute Applicant before: ZHEJIANG HUAYUN INFORMATION TECHNOLOGY Co.,Ltd. Applicant before: STATE GRID CORPORATION OF CHINA |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |