CN109949181B - 基于knn临近算法的电网类型判断方法和装置 - Google Patents
基于knn临近算法的电网类型判断方法和装置 Download PDFInfo
- Publication number
- CN109949181B CN109949181B CN201910225756.9A CN201910225756A CN109949181B CN 109949181 B CN109949181 B CN 109949181B CN 201910225756 A CN201910225756 A CN 201910225756A CN 109949181 B CN109949181 B CN 109949181B
- Authority
- CN
- China
- Prior art keywords
- voltage
- data
- phenotype
- phase
- wire
- 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
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 38
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000005070 sampling Methods 0.000 claims abstract description 58
- 238000010606 normalization Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000004519 manufacturing process Methods 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明提供了基于KNN临近算法的电网类型判断方法和装置，包括：采集原始样本数据，原始样本数据包括表型数据和特征数据组；根据表型数据和所述特征数据组，计算特征数据组中每个特征数据的最大值和最小值；根据每个特征数据的最大值和最小值，对每个特征数据进行归一化，得到每个特征的原始归一化数据；采集当前样本数据；根据每个特征数据的最大值和最小值，对当前样本数据中的每个特征数据进行归一化，得到每个特征的当前归一化数据；将原始归一化数据和当前归一化数据通过KNN临近算法，得到多个采样距离；根据多个采样距离确定当前电网的表型，可以解决电表类型多的问题，从而降低生产成本。
Description
技术领域
本发明涉及电力技术领域，尤其是涉及基于KNN临近算法的电网类型判断方法和装置。
背景技术
目前，三相电网包括三相三线和三相四线两种类型，电压类型包括57.7V、100V和220V三种，根据三相电网的类型和电压类型可以设计多种电能表，并且随着电表类型的增加，电能表的设计也随之增加，这样往往会使生产成本大大增加。
发明内容
有鉴于此，本发明的目的在于提供基于KNN临近算法的电网类型判断方法和装置，可以解决电表类型多的问题，从而降低生产成本。
第一方面，本发明实施例提供了基于KNN临近算法的电网类型判断方法，所述方法包括：
采集原始样本数据，所述原始样本数据包括表型数据和特征数据组；
根据所述表型数据和所述特征数据组，计算所述特征数据组中每个特征数据的最大值和最小值；
根据所述每个特征数据的最大值和最小值，对所述每个特征数据进行归一化，得到每个特征的原始归一化数据；
采集当前样本数据；
根据所述每个特征数据的最大值和最小值，对所述当前样本数据中的每个特征数据进行归一化，得到所述每个特征的当前归一化数据；
将所述原始归一化数据和所述当前归一化数据通过KNN临近算法，得到多个采样距离；
根据所述多个采样距离确定当前电网的表型。
进一步的，所述表型数据包括第一表型数据、第二表型数据和第三表型数据，所述特征数据组包括所述第一表型数据对应的第一特征数据组、所述第二表型数据对应的第二特征数据组，以及所述第三表型数据对应的第三特征数据组。
进一步的，所述第一表型数据为三相三线100V，所述第一特征数据组包括第一电压、第二电压、第三电压、所述第一电压和所述第二电压构成的第一夹角，以及所述第一电压和所述第三电压构成的第二夹角；
所述第二表型数据为三相四线57.7V，所述第二特征数据组包括所述第一电压、所述第二电压、所述第三电压、所述第一电压和所述第二电压构成的所述第一夹角，以及所述第一电压和所述第三电压构成的所述第二夹角；
所述第三表型数据为三相四线220V，所述第三特征数据组包括所述第一电压、所述第二电压、所述第三电压、所述第一电压和所述第二电压构成的所述第一夹角，以及所述第一电压和所述第三电压构成的所述第二夹角。
进一步的，所述根据所述表型数据和所述特征数据组，计算所述特征数据组中每个特征数据的最大值和最小值，包括：
根据所述第一特征数据组的所述第一电压、所述第二特征数据组的所述第一电压和所述第三特征数据组的所述第一电压，得到所述第一电压的最大值和最小值；
根据所述第一特征数据组的所述第二电压、所述第二特征数据组的所述第二电压和所述第三特征数据组的所述第二电压，得到所述第二电压的最大值和最小值；
根据所述第一特征数据组的所述第三电压、所述第二特征数据组的所述第三电压和所述第三特征数据组的所述第三电压，得到所述第三电压的最大值和最小值；
根据所述第一特征数据组的所述第一夹角、所述第二特征数据组的所述第一夹角和所述第三特征数据组的所述第一夹角，得到所述第一夹角的最大值和最小值；
根据所述第一特征数据组的所述第二夹角、所述第二特征数据组的所述第二夹角和所述第三特征数据组的所述第二夹角，得到所述第二夹角的最大值和最小值。
进一步的，所述将所述原始归一化数据和所述当前归一化数据通过KNN临近算法，得到多个采样距离，包括：
根据下式计算所述采样距离：
其中，deuc(x,y)为所述采样距离，xj为所述每个特征的当前归一化数据，yj为所述每个特征的原始归一化数据，d为所述特征数据的个数。
进一步的，所述根据所述多个采样距离确定当前电网的表型，包括：
从所述多个采样距离中选取最小采样距离；
将所述最小采样距离对应的表型作为所述当前电网的表型。
第二方面，本发明实施例提供了基于KNN临近算法的电网类型判断装置，所述装置包括：
第一获取单元，用于采集原始样本数据，所述原始样本数据包括表型数据和特征数据组；
计算单元，用于根据所述表型数据和所述特征数据组，计算所述特征数据组中每个特征数据的最大值和最小值；
第一归一化单元，用于根据所述每个特征数据的最大值和最小值，对所述每个特征数据进行归一化，得到每个特征的原始归一化数据；
第二采集单元，用于采集当前样本数据；
第二归一化单元，用于根据所述每个特征数据的最大值和最小值，对所述当前样本数据中的每个特征数据进行归一化，得到所述每个特征的当前归一化数据；
采样距离获取单元，用于将所述原始归一化数据和所述当前归一化数据通过KNN临近算法，得到多个采样距离；
确定单元，用于根据所述多个采样距离确定当前电网的表型。
进一步的，所述表型数据包括第一表型数据、第二表型数据和第三表型数据，所述特征数据组包括所述第一表型数据对应的第一特征数据组、所述第二表型数据对应的第二特征数据组，以及所述第三表型数据对应的第三特征数据组。
第三方面，本发明实施例提供了电子设备，包括存储器、处理器，所述存储器上存储有可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上所述的方法的步骤。
第四方面，本发明实施例提供了具有处理器可执行的非易失的程序代码的计算机可读介质，所述程序代码使所述处理器执行如上所述的方法。
本发明实施例提供了基于KNN临近算法的电网类型判断方法和装置，包括：采集原始样本数据，原始样本数据包括表型数据和特征数据组；根据表型数据和所述特征数据组，计算特征数据组中每个特征数据的最大值和最小值；根据每个特征数据的最大值和最小值，对每个特征数据进行归一化，得到每个特征的原始归一化数据；采集当前样本数据；根据每个特征数据的最大值和最小值，对当前样本数据中的每个特征数据进行归一化，得到每个特征的当前归一化数据；将原始归一化数据和当前归一化数据通过KNN临近算法，得到多个采样距离；根据多个采样距离确定当前电网的表型，可以解决电表类型多的问题，从而降低生产成本。
本发明的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例一提供的基于KNN临近算法的电网类型判断方法流程图；
图2为本发明实施例一提供的基于KNN临近算法的电网类型判断方法中步骤S102的流程图；
图3为本发明实施例一提供的基于KNN临近算法的电网类型判断方法中步骤S107的流程图；
图4为本发明实施例二提供的基于KNN临近算法的电网类型判断装置示意图。
图标：
10-第一获取单元；20-计算单元；30-第一归一化单元；40-第二采集单元；50-第二归一化单元；60-采样距离获取单元；70-确定单元。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例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。
为便于对本实施例进行理解，下面对本发明实施例进行详细介绍。
实施例一：
图1为本发明实施例一提供的基于KNN临近算法的电网类型判断方法流程图。
参照图1，该方法包括以下步骤：
步骤S101，采集原始样本数据，原始样本数据包括表型数据和特征数据组；
步骤S102，根据表型数据和特征数据组，计算特征数据组中每个特征数据的最大值和最小值；
步骤S103，根据每个特征数据的最大值和最小值，对每个特征数据进行归一化，得到每个特征的原始归一化数据；
这里，归一化是指线性函数归一化(Min-Max Scaling)，是对原始数据进行线性变换，使结果映射到[0，1]内，实现对原始数据的等比缩放，参照公式(1)：
根据公式(1)对原始样本数据中的每个特征数据进行归一化，从而得到每个表型数据下的每个特征的原始归一化数据，具体参照表1：
表1
步骤S104，采集当前样本数据；
步骤S105，根据每个特征数据的最大值和最小值，对当前样本数据中的每个特征数据进行归一化，得到每个特征的当前归一化数据；
根据公式(1)对当前样本数据中的每个特征数据进行归一化，从而得到每个表型数据下的每个特征的当前归一化数据，具体参照公式(2)至公式(6)：
其中，
为当前样本数据中归一化的第一电压，Ua为当前样本数据中的第一电压，Ua_min为第一电压的最小值，Ua_max为第一电压的最大值，
为当前样本数据中归一化的第二电压，Ub为当前样本数据中的第二电压，Ub_min为第二电压的最小值，Ub_max为第二电压的最大值，
为当前样本数据中归一化的第三电压，Uc为当前样本数据中的第三电压，Uc_min为第三电压的最小值，Uc_max为第三电压的最大值，
为当前样本数据中归一化的第一夹角，∠Uab为当前样本数据中的第一夹角，∠Uab_min为第一夹角的最小值，∠Uab_max为第一夹角的最大值，
为当前样本数据中归一化的第二夹角，∠Uac为当前样本数据中的第二夹角，∠Uac_min为第二夹角的最小值，∠Uac_max为第二夹角的最大值。
步骤S106，将原始归一化数据和当前归一化数据通过KNN临近算法，得到多个采样距离；
这里，KNN(k-NearestNeighbor)临近算法是采用欧氏距离，采用空间内两个点的距离来度量，距离越大，表示两个点越不相似。
步骤S107，根据多个采样距离确定当前电网的表型。
进一步的，表型数据包括第一表型数据、第二表型数据和第三表型数据，特征数据组包括第一表型数据对应的第一特征数据组、第二表型数据对应的第二特征数据组，以及第三表型数据对应的第三特征数据组。具体地，参照表2：
表2：
如表2所示，第一表型数据为三相三线100V，第一特征数据组包括第一电压A、第二电压B、第三电压C、第一电压A和第二电压B构成的第一夹角∠Uab，以及第一电压A和第三电压C构成的第二夹角∠Uac；
第二表型数据为三相四线57.7V，第二特征数据组包括第一电压A、第二电压B、第三电压C、第一电压A和第二电压B构成的第一夹角∠Uab，以及第一电压A和第三电压C构成的第二夹角∠Uac；
第三表型数据为三相四线220V，第三特征数据组包括第一电压A、第二电压B、第三电压C、第一电压A和第二电压B构成的第一夹角∠Uab，以及第一电压A和第三电压C构成的第二夹角∠Uac。
进一步的，参照图2，步骤S102包括以下步骤：
步骤S201，根据第一特征数据组的第一电压、第二特征数据组的第一电压和第三特征数据组的第一电压，得到第一电压的最大值和最小值；
步骤S202，根据第一特征数据组的第二电压、第二特征数据组的第二电压和第三特征数据组的第二电压，得到第二电压的最大值和最小值；
步骤S203，根据第一特征数据组的第三电压、第二特征数据组的第三电压和第三特征数据组的第三电压，得到第三电压的最大值和最小值；
步骤S204，根据第一特征数据组的第一夹角、第二特征数据组的第一夹角和第三特征数据组的第一夹角，得到第一夹角的最大值和最小值；
步骤S205，根据第一特征数据组的第二夹角、第二特征数据组的第二夹角和第三特征数据组的第二夹角，得到第二夹角的最大值和最小值。
具体地，第一表型数据为三相三线100V中，第一电压A为100V，第二电压B为0V，第三电压C为100V，∠Uab为0度，∠Uac为300度。
第二表型数据为三相三线57.7V中，第一电压A为57.7V，第二电压B为57.7V，第三电压C为57.7V，∠Uab为120度，∠Uac为240度。
第三表型数据为三相三线220V中，第一电压A为220V，第二电压B为220V，第三电压C为220V，∠Uab为120度，∠Uac为240度。
根据上述数据，计算每个特征数据的最大值和最小值，具体参照表3：
表3
由表3可知，第一电压A的最大值与最小值通过额定值正负波动15％计算得到，但是并不限于15％，正负波动还可以为其他系数。因此，通过表3即可以得到各个特征数据的最大值(Ua_max、Ub_max、Uc_max、∠Uab_max和∠Uac_max)，以及各个特征数据的最小值(Ua_min、Ub_min、Uc_min、∠Uab_min和∠Uac_min)。
进一步的，步骤S106包括：
根据公式(7)计算采样距离：
其中，deuc(x,y)为采样距离，xj为每个特征的当前归一化数据，yj为每个特征的原始归一化数据，d为特征数据的个数。
进一步的，参照图3，步骤S107包括以下步骤：
步骤S301，从多个采样距离中选取最小采样距离；
具体地，对每个特征的当前归一化数据和每个特征的原始归一化数据，通过欧式距离，得到多个采样距离，多个采样距离包括当前采样特征数据与三相三线100V表型的第一距离M1，当前采样特征数据与三相三线57.7V表型的第二距离M2，当前采样特征数据与三相三线220V表型的第三距离M3。
第一距离M1的计算参照公式(8)：
其中，
为当前采样第一电压A，
为当前采样第二电压B，
为当前采样第三电压C，
为当前采样第一电压A与当前采样第二电压B的第一夹角，
为当前采样第一电压A与当前采样第三电压C的第二夹角，
为三相三线100V表型的第一电压A，
为三相三线100V表型的第二电压B，
为三相三线100V表型的第三电压C，
为三相三线100V表型的第一夹角，
为三相三线100V表型的第二夹角。
第二距离M2的计算参照公式(9)：
其中，
为当前采样第一电压A，
为当前采样第二电压B，
为当前采样第三电压C，
为当前采样第一电压A与当前采样第二电压B的第一夹角，
为当前采样第一电压A与当前采样第三电压C的第二夹角，Uay2为三相三线57.7V表型的第一电压A，Uby2为三相三线57.7V表型的第二电压B，Ucy2为三相三线57.7V表型的第三电压C，∠Uaby2为三相三线57.7V表型的第一夹角，∠Uacy2为三相三线57.7V表型的第二夹角。
第三距离M3的计算参照公式(10)：
其中，
为当前采样第一电压A，
为当前采样第二电压B，
为当前采样第三电压C，
为当前采样第一电压A与当前采样第二电压B的第一夹角，
为当前采样第一电压A与当前采样第三电压C的第二夹角，Uay3为三相三线220V表型的第一电压A，Uby3为三相三线220V表型的第二电压B，Ucy3为三相三线220V表型的第三电压C，∠Uaby3为三相三线220V表型的第一夹角，∠Uacy3为三相三线220V表型的第二夹角。
步骤S302，将最小采样距离对应的表型作为当前电网的表型。
这里，通过比较第一距离M1、第二距离M2和第三距离M3，从中选取最小值，并将最小值对应的表型作为当前电网的表型。
本发明实施例提供了基于KNN临近算法的电网类型判断方法，包括：采集原始样本数据，原始样本数据包括表型数据和特征数据组；根据表型数据和所述特征数据组，计算特征数据组中每个特征数据的最大值和最小值；根据每个特征数据的最大值和最小值，对每个特征数据进行归一化，得到每个特征的原始归一化数据；采集当前样本数据；根据每个特征数据的最大值和最小值，对当前样本数据中的每个特征数据进行归一化，得到每个特征的当前归一化数据；将原始归一化数据和当前归一化数据通过KNN临近算法，得到多个采样距离；根据多个采样距离确定当前电网的表型，可以解决电表类型多的问题，通过一种三相电能表实现多种电压规格和多种电网类型，降低生产成本。
实施例二：
图4为本发明实施例二提供的基于KNN临近算法的电网类型判断装置示意图。
参照图4，该装置包括：
第一获取单元10，用于采集原始样本数据，所述原始样本数据包括表型数据和特征数据组；
计算单元20，用于根据所述表型数据和所述特征数据组，计算所述特征数据组中每个特征数据的最大值和最小值；
第一归一化单元30，用于根据所述每个特征数据的最大值和最小值，对所述每个特征数据进行归一化，得到每个特征的原始归一化数据；
第二采集单元40，用于采集当前样本数据；
第二归一化单元50，用于根据所述每个特征数据的最大值和最小值，对所述当前样本数据中的每个特征数据进行归一化，得到所述每个特征的当前归一化数据；
采样距离获取单元60，用于将所述原始归一化数据和所述当前归一化数据通过KNN临近算法，得到多个采样距离；
确定单元70，用于根据所述多个采样距离确定当前电网的表型。
进一步的，表型数据包括第一表型数据、第二表型数据和第三表型数据，特征数据组包括第一表型数据对应的第一特征数据组、第二表型数据对应的第二特征数据组，以及第三表型数据对应的第三特征数据组。
本发明实施例提供了基于KNN临近算法的电网类型判断装置，包括：采集原始样本数据，原始样本数据包括表型数据和特征数据组；根据表型数据和所述特征数据组，计算特征数据组中每个特征数据的最大值和最小值；根据每个特征数据的最大值和最小值，对每个特征数据进行归一化，得到每个特征的原始归一化数据；采集当前样本数据；根据每个特征数据的最大值和最小值，对当前样本数据中的每个特征数据进行归一化，得到每个特征的当前归一化数据；将原始归一化数据和当前归一化数据通过KNN临近算法，得到多个采样距离；根据多个采样距离确定当前电网的表型，可以解决电表类型多的问题，通过一种三相电能表实现多种电压规格和多种电网类型，降低生产成本。
本发明实施例还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述实施例提供的基于KNN临近算法的电网类型判断方法的步骤。
本发明实施例还提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器运行时执行上述实施例的基于KNN临近算法的电网类型判断方法的步骤。
本发明实施例所提供的计算机程序产品，包括存储了程序代码的计算机可读存储介质，所述程序代码包括的指令可用于执行前面方法实施例中所述的方法，具体实现可参见方法实施例，在此不再赘述。
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，上述描述的系统和装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
另外，在本发明实施例的描述中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，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：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。
Claims (9)
1.一种基于KNN临近算法的电网类型判断方法，其特征在于，所述方法包括：
采集原始样本数据，所述原始样本数据包括表型数据和特征数据组；
根据所述表型数据和所述特征数据组，计算所述特征数据组中每个特征数据的最大值和最小值；
根据所述每个特征数据的最大值和最小值，对所述每个特征数据进行归一化，得到每个特征的原始归一化数据；
采集当前样本数据；
根据所述每个特征数据的最大值和最小值，对所述当前样本数据中的每个特征数据进行归一化，得到所述每个特征的当前归一化数据；
将所述原始归一化数据和所述当前归一化数据通过KNN临近算法，得到多个采样距离；
根据所述多个采样距离确定当前电网的表型；
所述根据所述多个采样距离确定当前电网的表型，包括：
从所述多个采样距离中选取最小采样距离；
将所述最小采样距离对应的表型作为所述当前电网的表型；
其中，所述多个采样距离包括当前采样特征数据与三相三线100V表型的第一距离、所述当前采样特征数据与三相三线57.7V表型的第二距离、以及所述当前采样特征数据与三相三线220V表型的第三距离；
根据下式计算所述第一距离M1：
其中，
为当前采样第一电压A，
为当前采样第二电压B，
为当前采样第三电压C，
为所述当前采样第一电压A与所述当前采样第二电压B的第一夹角，
为所述当前采样第一电压A与所述当前采样第三电压C的第二夹角，
为所述三相三线100V表型的第一电压A，
为所述三相三线100V表型的第二电压B，
为所述三相三线100V表型的第三电压C，
为所述三相三线100V表型的第一夹角，
为所述三相三线100V表型的第二夹角；
根据下式计算所述第二距离M2：
其中，Uay2为所述三相三线57.7V表型的第一电压A，Uby2为所述三相三线57.7V表型的第二电压B，Ucy2为所述三相三线57.7V表型的第三电压C，∠Uaby2为所述三相三线57.7V表型的第一夹角，∠Uacy2为所述三相三线57.7V表型的第二夹角；
根据下式计算所述第三距离M3：
其中，Uay3为所述三相三线220V表型的第一电压A，Uby3为所述三相三线220V表型的第二电压B，Ucy3为所述三相三线220V表型的第三电压C，
为所述三相三线220V表型的第一夹角，∠Uacy3为所述三相三线220V表型的第二夹角。
2.根据权利要求1所述的基于KNN临近算法的电网类型判断方法，其特征在于，所述表型数据包括第一表型数据、第二表型数据和第三表型数据，所述特征数据组包括所述第一表型数据对应的第一特征数据组、所述第二表型数据对应的第二特征数据组，以及所述第三表型数据对应的第三特征数据组。
3.根据权利要求2所述的基于KNN临近算法的电网类型判断方法，其特征在于，所述第一表型数据为三相三线100V，所述第一特征数据组包括第一电压、第二电压、第三电压、所述第一电压和所述第二电压构成的第一夹角，以及所述第一电压和所述第三电压构成的第二夹角；
所述第二表型数据为三相四线57.7V，所述第二特征数据组包括所述第一电压、所述第二电压、所述第三电压、所述第一电压和所述第二电压构成的所述第一夹角，以及所述第一电压和所述第三电压构成的所述第二夹角；
所述第三表型数据为三相四线220V，所述第三特征数据组包括所述第一电压、所述第二电压、所述第三电压、所述第一电压和所述第二电压构成的所述第一夹角，以及所述第一电压和所述第三电压构成的所述第二夹角。
4.根据权利要求3所述的基于KNN临近算法的电网类型判断方法，其特征在于，所述根据所述表型数据和所述特征数据组，计算所述特征数据组中每个特征数据的最大值和最小值，包括：
根据所述第一特征数据组的所述第一电压、所述第二特征数据组的所述第一电压和所述第三特征数据组的所述第一电压，得到所述第一电压的最大值和最小值；
根据所述第一特征数据组的所述第二电压、所述第二特征数据组的所述第二电压和所述第三特征数据组的所述第二电压，得到所述第二电压的最大值和最小值；
根据所述第一特征数据组的所述第三电压、所述第二特征数据组的所述第三电压和所述第三特征数据组的所述第三电压，得到所述第三电压的最大值和最小值；
根据所述第一特征数据组的所述第一夹角、所述第二特征数据组的所述第一夹角和所述第三特征数据组的所述第一夹角，得到所述第一夹角的最大值和最小值；
根据所述第一特征数据组的所述第二夹角、所述第二特征数据组的所述第二夹角和所述第三特征数据组的所述第二夹角，得到所述第二夹角的最大值和最小值。
5.根据权利要求1所述的基于KNN临近算法的电网类型判断方法，其特征在于，所述将所述原始归一化数据和所述当前归一化数据通过KNN临近算法，得到多个采样距离，包括：
根据下式计算所述采样距离：
其中，deuc(x,y)为所述采样距离，xj为所述每个特征的当前归一化数据，yj为所述每个特征的原始归一化数据，d为所述特征数据的个数。
6.一种基于KNN临近算法的电网类型判断装置，其特征在于，所述装置包括：
第一获取单元，用于采集原始样本数据，所述原始样本数据包括表型数据和特征数据组；
计算单元，用于根据所述表型数据和所述特征数据组，计算所述特征数据组中每个特征数据的最大值和最小值；
第一归一化单元，用于根据所述每个特征数据的最大值和最小值，对所述每个特征数据进行归一化，得到每个特征的原始归一化数据；
第二采集单元，用于采集当前样本数据；
第二归一化单元，用于根据所述每个特征数据的最大值和最小值，对所述当前样本数据中的每个特征数据进行归一化，得到所述每个特征的当前归一化数据；
采样距离获取单元，用于将所述原始归一化数据和所述当前归一化数据通过KNN临近算法，得到多个采样距离；
确定单元，用于根据所述多个采样距离确定当前电网的表型；
所述确定单元包括：
从所述多个采样距离中选取最小采样距离；
将所述最小采样距离对应的表型作为所述当前电网的表型；
其中，所述多个采样距离包括当前采样特征数据与三相三线100V表型的第一距离、所述当前采样特征数据与三相三线57.7V表型的第二距离、以及所述当前采样特征数据与三相三线220V表型的第三距离；
根据下式计算所述第一距离M1：
其中，
为当前采样第一电压A，
为当前采样第二电压B，
为当前采样第三电压C，
为所述当前采样第一电压A与所述当前采样第二电压B的第一夹角，
为所述当前采样第一电压A与所述当前采样第三电压C的第二夹角，
为所述三相三线100V表型的第一电压A，
为所述三相三线100V表型的第二电压B，
为所述三相三线100V表型的第三电压C，
为所述三相三线100V表型的第一夹角，
为所述三相三线100V表型的第二夹角；
根据下式计算所述第二距离M2：
其中，Uay2为所述三相三线57.7V表型的第一电压A，Uby2为所述三相三线57.7V表型的第二电压B，Ucy2为所述三相三线57.7V表型的第三电压C，∠Uaby2为所述三相三线57.7V表型的第一夹角，∠Uacy2为所述三相三线57.7V表型的第二夹角；
根据下式计算所述第三距离M3：
其中，Uay3为所述三相三线220V表型的第一电压A，Uby3为所述三相三线220V表型的第二电压B，Ucy3为所述三相三线220V表型的第三电压C，
为所述三相三线220V表型的第一夹角，∠Uacy3为所述三相三线220V表型的第二夹角。
7.根据权利要求6所述的基于KNN临近算法的电网类型判断装置，其特征在于，所述表型数据包括第一表型数据、第二表型数据和第三表型数据，所述特征数据组包括所述第一表型数据对应的第一特征数据组、所述第二表型数据对应的第二特征数据组，以及所述第三表型数据对应的第三特征数据组。
8.一种电子设备，包括存储器、处理器，所述存储器上存储有可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现上述权利要求1至5任一项所述的方法的步骤。
9.一种具有处理器可执行的非易失的程序代码的计算机可读介质，其特征在于，所述程序代码使所述处理器执行所述权利要求1至5任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910225756.9A CN109949181B (zh) | 2019-03-22 | 2019-03-22 | 基于knn临近算法的电网类型判断方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910225756.9A CN109949181B (zh) | 2019-03-22 | 2019-03-22 | 基于knn临近算法的电网类型判断方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109949181A CN109949181A (zh) | 2019-06-28 |
| CN109949181B true CN109949181B (zh) | 2021-05-25 |
Family
ID=67011567
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910225756.9A Active CN109949181B (zh) | 2019-03-22 | 2019-03-22 | 基于knn临近算法的电网类型判断方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109949181B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102033965A (zh) * | 2011-01-17 | 2011-04-27 | 安徽海汇金融投资集团有限公司 | 一种基于分类模型的数据分类方法及系统 |
| CN103345842A (zh) * | 2013-07-25 | 2013-10-09 | 重庆邮电大学 | 一种道路车辆分型系统及方法 |
| CN104021375A (zh) * | 2014-05-29 | 2014-09-03 | 银江股份有限公司 | 一种基于机器学习的车型识别方法 |
| CN107248086A (zh) * | 2017-02-21 | 2017-10-13 | 国网江苏省电力公司南通供电公司 | 基于用户用电行为分析的广告投放辅助分析方法 |
| CN109164343A (zh) * | 2018-08-30 | 2019-01-08 | 西华大学 | 基于特征信息量化与加权knn的变压器故障诊断方法 |
| CN109376944A (zh) * | 2018-11-13 | 2019-02-22 | 国网宁夏电力有限公司电力科学研究院 | 智能电表预测模型的构建方法及装置 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101560274B1 (ko) * | 2013-05-31 | 2015-10-14 | 삼성에스디에스 주식회사 | 데이터 분석 장치 및 방법 |
-
2019
- 2019-03-22 CN CN201910225756.9A patent/CN109949181B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102033965A (zh) * | 2011-01-17 | 2011-04-27 | 安徽海汇金融投资集团有限公司 | 一种基于分类模型的数据分类方法及系统 |
| CN103345842A (zh) * | 2013-07-25 | 2013-10-09 | 重庆邮电大学 | 一种道路车辆分型系统及方法 |
| CN104021375A (zh) * | 2014-05-29 | 2014-09-03 | 银江股份有限公司 | 一种基于机器学习的车型识别方法 |
| CN107248086A (zh) * | 2017-02-21 | 2017-10-13 | 国网江苏省电力公司南通供电公司 | 基于用户用电行为分析的广告投放辅助分析方法 |
| CN109164343A (zh) * | 2018-08-30 | 2019-01-08 | 西华大学 | 基于特征信息量化与加权knn的变压器故障诊断方法 |
| CN109376944A (zh) * | 2018-11-13 | 2019-02-22 | 国网宁夏电力有限公司电力科学研究院 | 智能电表预测模型的构建方法及装置 |
Non-Patent Citations (1)
| Title |
|---|
| 结合改进最近邻法与支持向量机的住宅用电负荷识别研究;刘然;《中国优秀硕士学位论文全文数据库 工程科技II辑》;20150115(第1期);第1、3-4章 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109949181A (zh) | 2019-06-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110346725B (zh) | 一种电池健康度评估模型的构建方法、评估方法和装置 | |
| CN108287320A (zh) | 一种电池电量检测优化方法 | |
| CN116774077B (zh) | 储能电站电池的健康检测方法、装置、设备及存储介质 | |
| CN109949181B (zh) | 基于knn临近算法的电网类型判断方法和装置 | |
| CN112582978B (zh) | 漏电保护方法、装置和充电桩 | |
| CN108918930A (zh) | 一种负荷分解中功率信号自适应重构方法 | |
| CN118068228A (zh) | 一种特高压电抗器短路的高效检测方法及系统 | |
| CN110221121A (zh) | 一种基于信号分离的负荷开关事件检测方法和系统 | |
| CN117805663A (zh) | 基于运行状态的电池测试方法、装置、设备和介质 | |
| CN117630798A (zh) | 一种集群式直流电能表误差监测方法、装置、设备及介质 | |
| CN110308644B (zh) | 一种智能电表时钟计时精度补偿方法、装置及设备 | |
| CN112730654A (zh) | 六氟化硫电气设备故障检测方法、装置及终端设备 | |
| CN115660507B (zh) | 一种地区电力的负荷智能检测方法及系统 | |
| CN115456097A (zh) | 一种适用于高供低计专变用户的用电检测方法及检测终端 | |
| CN109975608A (zh) | 三相电能表的电网类型判断方法、装置和系统 | |
| CN112129996B (zh) | 一种基于贝叶斯方法的电能表相位识别方法 | |
| CN115169976A (zh) | 一种基站供电系统的可靠性评估方法及装置 | |
| CN111580020B (zh) | 一种三相分体式变压器ct极性校验方法及系统 | |
| CN114996635A (zh) | 一种配电网参数确定方法、装置、设备及存储介质 | |
| CN109633329B (zh) | 多回路储能设备的故障检测方法、装置、终端设备及介质 | |
| CN113191600A (zh) | 基于数据挖掘的房屋非侵入式负荷智能识别方法 | |
| CN113420405B (zh) | 一种输电线路参数修正方法 | |
| CN110244115A (zh) | 一种基于信号连接性的负载开关事件检测方法及系统 | |
| CN212646862U (zh) | 居民用电采集装置 | |
| CN112270282B (zh) | 一种利用矩阵谱模的功率信号滤波方法和系统 |
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 |