CN110059737A - 基于集成深度神经网络的配电变压器连接关系辨识方法 - Google Patents
基于集成深度神经网络的配电变压器连接关系辨识方法 Download PDFInfo
- Publication number
- CN110059737A CN110059737A CN201910287511.9A CN201910287511A CN110059737A CN 110059737 A CN110059737 A CN 110059737A CN 201910287511 A CN201910287511 A CN 201910287511A CN 110059737 A CN110059737 A CN 110059737A
- Authority
- CN
- China
- Prior art keywords
- distribution transformer
- model
- neural network
- connection relationship
- deep neural
- 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
- 238000009826 distribution Methods 0.000 title claims abstract description 105
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 23
- 238000012850 discrimination method Methods 0.000 title claims abstract description 17
- 238000013136 deep learning model Methods 0.000 claims abstract description 31
- 238000000034 method Methods 0.000 claims abstract description 25
- 238000000546 chi-square test Methods 0.000 claims abstract description 9
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 7
- 238000003062 neural network model Methods 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 8
- 238000002347 injection Methods 0.000 claims description 7
- 239000007924 injection Substances 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 5
- 238000012512 characterization method Methods 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims description 5
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000009795 derivation Methods 0.000 claims description 2
- 210000004218 nerve net Anatomy 0.000 claims 1
- 238000004364 calculation method Methods 0.000 abstract description 5
- 238000004458 analytical method Methods 0.000 abstract description 4
- 238000010276 construction Methods 0.000 abstract description 2
- 238000007726 management method Methods 0.000 description 4
- 239000000284 extract Substances 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000000243 solution Substances 0.000 description 2
- 230000003466 anti-cipated effect Effects 0.000 description 1
- 230000006854 communication Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000003012 network analysis Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- 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
- G06F18/211—Selection of the most significant subset of features
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
-
- 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Strategic Management (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Game Theory and Decision Science (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提出了一种基于集成深度神经网络的配电变压器连接关系辨识方法，包括：使用二维小波阈值算法对配电变压器量测数据进行去噪；对开环运行配电网量测数据进行分析，构造包含配电变压器连接关系重要特征的特征集合；利用卡方检验对特征集合进行筛选，去除原始特征集合的冗余特征；以筛选过后的特征为输入，配电变压器连接关系为输出，构建配电变压器互联关系辨识的集成深度学习模型；使用网格搜索的方式对同质集成深度学习模型的基分类器参数进行优化。该方法可在配电网运行方式多变的情况下快速准确地辨识配电网的运行态拓扑，减小配电网运行方式分析、线损计算等工作的成本，充分挖掘了配电网运行数据在智能电网调度精益化方面的价值。
Description
技术领域
本发明属于配电网调度精益化领域，具体涉及一种配电变压器连接关系辨识方法。
背景技术
伴随着新一代电力系统的建设与发展，配电网的结构和运行方式愈发复杂多变，为配电网调度、规划工作带来了新的挑战。为满足供电安全N-1准则的要求，配电网各条馈线互相联络，馈线上的分段开关、联络开关因为故障检修、倒负荷等原因会不定期动作。然而受限于配电网的自动化水平和管理方式，配电网的运行方式调整结果难以实时更新到电力生产管理系统(Power Production Management System，PMS)中。缺乏准确的拓扑将导致状态估计和可靠性预测等配电网分析的结果出现偏差。
与此同时，数据驱动的电力网络分析与优化近年来受到广泛关注。伴随着能源互联网的蓬勃发展，配电网数据采集、存储系统日趋成熟，配网每天都会产生大规模、多类型的电力数据，并在国网OMS、PMS、EMS等系统中得到存储。这些数据包含了各类设备的基本信息，变压器实时电压、电流以及负荷，检修运行数据，为数据驱动配电网拓扑、线路参数识别提供了数据基础。与传统的配电网拓扑辨识不同，数据驱动的配电网拓扑辨识旨在以海量配电网运行数据为基础，利用人工智能算法直接学习量测数据的相关性。配电变压器连接关系识别是配电网拓扑辨识的基础，其准确率直接决定拓扑辨识结果对国网业务的指导作用。因此，研究一种高精度的配电变压器互联关系辨识方法对于坚强智能电网的调度与规划具有重要意义。
发明内容
发明目的：针对现有技术的问题，本发明提出一种基于集成深度神经网络的配电变压器连接关系辨识方法，实现对配电变压器连接关系的精准、高效辨识。
技术方案：本发明所述的一种基于集成深度神经网络的配电变压器连接关系辨识方法，包括以下步骤：
(1)对采集的配电变压器历史运行数据进行去噪；
(2)对开环运行配电网量测数据进行分析，构建表征配电变压器连接关系的特征集合；
(3)对特征集合中的特征按照显著水平进行打分，依据分数的高低进行特征选择；
(4)构建配电变压器连接关系辨识的集成深度学习模型，基于筛选后的特征对模型进行训练；
(5)利用网格搜索的方式对集成深度学习模型的基分类器参数进行优化。
进一步地，所述步骤1中利用二维小波阈值算法对数据去噪，包括：
11)将各配电变压器历史运行数据按照日期分行排列，将历史运行数据转化成具有横向、纵向连续性的二维数组；
12)对原始二维数组进行归一化，得到含噪声的二维灰度矩阵模型；
13)利用小波函数对所述二维灰度矩阵模型进行离散小波分解，对不同尺度因子与平移因子的小波分解系数进行阈值处理；
14)通过小波重构与反归一化获得去噪后的配电变压器历史数据。
进一步地，所述步骤2构建表征配电变压器连接关系的特征集合的过程如下：
21)对开环运行配电网典型网架结构进行简化，获得其等效电路，依据等效电路中线路上的电压降落公式推导出配电变压器量测变量间的关系模型；
22)以配电变压器电压序列的Pearson相关系数、电压平方与注入有功、无功平方的二元一次线性模型的判断系数作为衡量量测变量间关系的指标，从变量间的关系模型中计算出这些指标作为特征。
23)提取两配电变压器间三相电压序列之差的1范数和2范数以及标准差作为特征补充。
进一步地，所述步骤4包括：
41)以筛选后的特征为输入，配电变压器连接关系为输出，构建全连接前馈深度神经网络；
42)在使用第一批数据对前馈深度神经网络模型进行训练后，保存网络的参数与结构，以该神经网络为集成学习模型堆栈的栈顶，创建一个以前馈深度神经网络为基分类器的集成学习堆栈；
43)对于低于指定数量的新增样本，从堆栈中弹出栈顶的前馈深度神经网络模型，调整栈顶模型隐藏层的权重，将调整后的前馈深度神经网络模型压入堆栈中；
44)对于大于指定数量的新增样本，单独建立新的前馈深度神经网络模型，以与第一批数据同样的方式处理、训练前馈深度神经网络模型，将新的模型压入堆栈；
45)集成深度学习模型每次的辨识结果为整个堆栈前馈深度神经网络分类结果的加权，堆栈中所有基分类器模型的加权公式如下：
其中Ntotal为总样本数，Nn为训练第n个前馈深度神经网络模型使用的样本数，wn为第n个模型权重，yn为第n个模型输出，T为堆栈中深度学习模型的总个数。
进一步地，所述步骤5包括：
51)将深度学习模型中隐藏层层数、神经元个数以及正则系数设定到足以构成过拟合的范围；
52)利用尝错比较的方法从由这些参数构成的网格中选出最优的一组。
有益效果：本发明利用二维小波阈值算法与卡方检验从开环配电网中提取互联配电变压器特征，以交叉熵为代价函数构建配电变压器连接关系集成深度学习模型。提出的模型可以为运行方式多变的配电网提供快速准确的全局拓扑辨识，减小了配电网运行方式分析、线损计算等工作的成本，为配电网精益化管理提供了良好的基础。
附图说明
图1是根据本发明实施例的配电变压器连接关系辨识方法流程图；
图2是根据本发明实施例的二维小波阈值算法进行数据去噪的流程图；
图3是根据本发明实施例的开环运行配电网等效电路图；
图4是根据本发明实施例构建的配电变压器连接关系辨识集成深度学习模型示意图。
具体实施方式
下面结合附图对本发明的技术方案作进一步说明。应当了解，以下提供的实施例仅是为了详尽地且完全地公开本发明，并且向所属技术领域的技术人员充分传达本发明的技术构思，本发明还可以用许多不同的形式来实施，并且不局限于此处描述的实施例。对于表示在附图中的示例性实施方式中的术语并不是对本发明的限定。
如图1所示，根据本发明实施例的基于集成深度神经网络的配电变压器连接关系辨识方法，包括以下步骤：
步骤1，对传感器采集到的含噪声数据进行去噪。
具体而言，使用二维小波阈值算法对数据进行去噪，参照图1，去噪过程包括：
11)将各配电变压器历史运行数据按照日期分行排列，将历史运行数据转化成具有横向、纵向连续性的二维数组；
12)对原始二维数组进行归一化，得到含噪声的二维灰度矩阵模型；
13)利用小波函数对这个二维灰度矩阵模型进行离散小波分解，对不同尺度因子与平移因子的小波分解系数进行阈值处理；
14)通过小波重构与反归一化获得去噪后的配电变压器历史数据。
步骤2，对开环运行配电网量测数据进行分析，构建表征配电变压器连接关系的特征集合。
考虑到配电网的主要结构可以解构为辐射状馈线和双电源环形馈线，环形馈线包含两条通过联络开关相连的辐射状馈线。因此，在实施例中，按照图2所示环形网架结构的等效电路对互联配电变压器进行特征提取，包括：
21)配电网中任意一条馈线下配电变压器的电压表达式可以表示为：
Ui＝Ufeeder-ZiIi+δi
其中Ufeeder为母线电压，Ui为馈线上配电变压器i的电压，Ii为馈线上配电变压器i的注入电流，Zi为母线与配电变压器i间的等效阻抗，δi为扰动变量，上式表明由于受到同一条母线电压波动的影响，处于同一条馈线下电气距离相近的配电变压器电压序列相关性较强，因此提取配电变压器三相电压的Pearson相关系数到特征集合中，Pearson相关系数的表达式如下：
其中N为变量长度，xi与yi为两配电变压器三相电压序列的第i个元素。
22)以馈线段始末端电压的数值差的表达式提取第二类特征，馈线段始末端电压的数值差为：
式中，Pi为馈线上配电变压器i的注入有功，Qi为馈线上配电变压器i的注入无功，R为配电变压器i与i+1之间馈线段的电阻，X为对应馈线段的电抗。上式表明互联配电变压器节点间电压降落的平方与首(末)节点的注入有功功率的平方、注入无功功率的平方正相关，且接近于二元一次线性关系：
因此提取电压平方与注入有功、无功平方的判定系数R2作为深度学习模型的特征之一，决定系数的表达式如下：
其中SSres为残差平方和,SStot为总平方和，它们的表达式如下：
式中，yi为第i个原始数据，fi为对应回归模型的输出值，为原始数据的平均值。
23)为保证生成的特征集合中尽可能包含所有重要特征，避免特征过少造成信息挖掘不充分，在现有配电网潮流计算领域知识作为先验假设的基础上，提取两配电变压器间三相电压序列之差的1范数和2范数以及标准差，达到数据集增强的目的。计算公式如下：
其中，N为配电变压器电压序列长度，xi为电压序列差的第i个元素，为电压序列差的平均值。
从两配电变压器间历史电压、功率数据中提取的特征集合如表1。
表1提取的特征集合
步骤3，使用卡方检验剔除当前特征集合中与学习任务相关度较低的特征。
假设各维特征与分类结果无关，对每一维特征按照卡方检验基本公式进行打分，卡方检验基本公式的表达式为
其中，A代表观测频数，E代表期望频数。按照上式计算每个特征的卡方值，最终选取按照卡方值排名前k个特征作为模型的输入，k可依据卡方检验的结果进行设定，本发明中k＝9。。
步骤4，构建配电变压器连接关系辨识的集成深度学习模型，基于筛选后的特征利用模型在高维空间中将互联与非互联的配电变压器两类样本分开。
考虑配电网运行方式是灵活多变的，提前获取所有运行方式下的量测数据是不现实的，按照图4的流程图构建配电变压器连接关系辨识的集成深度学习模型：
首先，在使用第一批数据对深度学习模型进行训练后，保存网络的参数与结构。以该神经网络为集成学习模型堆栈的栈顶，创建一个以深度学习模型为基分类器的集成学习堆栈；
对于新增的小规模样本，例如小于10000，从堆栈中弹出栈顶的深度学习模型，适当修正栈顶模型隐藏层的权重，将修正后的深度学习模型压入堆栈中；
对与大规模数据更新，例如10000以上的新增样本，单独建立新的深度学习模型，以与第一批数据同样的方式处理、训练深度学习模型，将新的模型压入堆栈；
集成学习模型每次的辨识结果来自于整个堆栈深度学习模型分类结果的加权而非任何一个单独的深度学习模型分类模型，堆栈中所有基分类器模型的加权公式如下：
上式中Ntotal为总样本数，Nn为训练第n个深度学习模型使用的样本数，wn为第n个模型权重，yn为第n个模型输出，T为堆栈中深度学习模型的总个数。
集成深度学习模型采用挤压函数Sigmoid作为激活函数，其表达式如下：
式中Xi为第i个激活函数的输入。挤压函数的取值范围为[0,1]，满足深度学习模型的预期输出取值，避免了数据误差在神经网络传播过程中进一步扩大，提高了配电变压器连接关系辨识的精确度。
采用交叉熵作为代价函数，其表达式如下：
其中y为期望输出，y'为实际预测值，S为训练数据的总数。交叉熵函数对于网络权重的导数与激活函数无关，从而避免Sigmoid函数在大多数区间内梯度过小的问题，提高了配电变压器连接关系辨识模型的训练速度。
步骤5，利用网格搜索对集成深度学习模型的基分类器参数进行优化，提高集成深度学习模型的辨识精确度。
51)将深度学习模型中隐藏层层数、神经元个数以及正则系数设定到足以构成过拟合的范围；
52)利用试错比较的方法从由这些参数构成的网格中选出最优的一组。
本发明提出一种基于集成深度学习模型的配电变压器连接关系辨识方法，该方法通过数据去噪、特征筛选提高了辨识模型对噪声的鲁棒性与精确度，利用集成学习的方式节省了存储空间，加快了模型的训练速度，使得运行态拓扑在线辨识成为可能。提出的模型可以为运行方式多变的配电网提供快速准确的全局拓扑辨识，减小了配电网运行方式分析、线损计算等工作的成本，为坚强智能电网的精益化管理提供了良好的基础。
Claims (9)
1.一种基于集成深度神经网络的配电变压器连接关系辨识方法，其特征在于，所述方法包括以下步骤：
(1)对采集的配电变压器历史运行数据进行去噪；
(2)对开环运行配电网量测数据进行分析，构建表征配电变压器连接关系的特征集合；
(3)对特征集合中的特征按照显著水平进行打分，依据分数的高低进行特征选择；
(4)构建配电变压器连接关系辨识的集成深度学习模型，基于筛选后的特征对模型进行训练；
(5)利用网格搜索的方式对集成深度学习模型的基分类器参数进行优化。
2.根据权利要求1所述的基于集成深度神经网络的配电变压器连接关系辨识方法，其特征在于，所述步骤1中利用二维小波阈值算法对数据去噪，包括：
11)将各配电变压器历史运行数据按照日期分行排列，将历史运行数据转化成具有横向、纵向连续性的二维数组；
12)对原始二维数组进行归一化，得到含噪声的二维灰度矩阵模型；
13)利用小波函数对所述二维灰度矩阵模型进行离散小波分解，对不同尺度因子与平移因子的小波分解系数进行阈值处理；
14)通过小波重构与反归一化获得去噪后的配电变压器历史数据。
3.根据权利要求1所述的基于集成深度神经网络的配电变压器连接关系辨识方法，其特征在于，所述步骤2构建表征配电变压器连接关系的特征集合的过程如下：
21)对开环运行配电网典型网架结构进行简化，获得其等效电路，依据等效电路中线路上的电压降落公式推导出配电变压器量测变量间的关系模型；
22)以配电变压器电压序列的Pearson相关系数、电压平方与注入有功、无功平方的二元一次线性模型的判断系数作为衡量量测变量间关系的指标，从变量间的关系模型中计算出这些指标作为特征。
4.根据权利要求3所述的基于集成深度神经网络的配电变压器连接关系辨识方法，其特征在于，所述步骤2还包括：
23)提取两配电变压器间三相电压序列之差的1范数和2范数以及标准差作为特征补充。
5.根据权利要求1所述的基于集成深度神经网络的配电变压器连接关系辨识方法，其特征在于，所述步骤3利用卡方检验进行特征筛选：假设各维特征与分类结果无关，对每一维特征按照卡方检验基本公式进行打分，卡方检验基本公式的表达式为：
其中，A代表观测频数，E代表期望频数，按照上式计算每个特征的卡方值，最终选取按照卡方值排名前k个特征作为模型的输入。
6.根据权利要求1所述的基于集成深度神经网络的配电变压器连接关系辨识方法，其特征在于，所述步骤4包括：
41)以筛选后的特征为输入，配电变压器连接关系为输出，构建全连接前馈深度神经网络；
42)在使用第一批数据对前馈深度神经网络模型进行训练后，保存网络的参数与结构，以该神经网络为集成学习模型堆栈的栈顶，创建一个以前馈深度神经网络为基分类器的集成学习堆栈；
43)对于低于指定数量的新增样本，从堆栈中弹出栈顶的前馈深度神经网络模型，调整栈顶模型隐藏层的权重，将调整后的前馈深度神经网络模型压入堆栈中；
44)对于大于指定数量的新增样本，单独建立新的前馈深度神经网络模型，以与第一批数据同样的方式处理、训练前馈深度神经网络模型，将新的模型压入堆栈；
45)集成深度学习模型每次的辨识结果为整个堆栈前馈深度神经网络分类结果的加权，堆栈中所有基分类器模型的加权公式如下：
其中Ntotal为总样本数，Nn为训练第n个前馈深度神经网络模型使用的样本数，wn为第n个模型权重，yn为第n个模型输出，T为堆栈中深度学习模型的总个数。
7.根据权利要求6所述的基于集成深度神经网络的配电变压器连接关系辨识方法，其特征在于，所述集成深度学习模型采用挤压函数Sigmoid作为激活函数，其表达式如下：
式中Xi为第i个激活函数的输入。
8.根据权利要求7所述的基于集成深度神经网络的配电变压器连接关系辨识方法，其特征在于，所述集成深度学习模型采用交叉熵作为代价函数，其表达式如下：
其中y为期望输出，y'为实际预测值，S为训练数据的总数。
9.根据权利要求1所述的基于集成深度神经网络的配电变压器连接关系辨识方法，其特征在于，所述步骤5包括：
51)将深度学习模型中隐藏层层数、神经元个数以及正则系数设定到足以构成过拟合的范围；
52)利用尝错比较的方法从由这些参数构成的网格中选出最优的一组。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910287511.9A CN110059737B (zh) | 2019-04-11 | 2019-04-11 | 基于集成深度神经网络的配电变压器连接关系辨识方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910287511.9A CN110059737B (zh) | 2019-04-11 | 2019-04-11 | 基于集成深度神经网络的配电变压器连接关系辨识方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110059737A true CN110059737A (zh) | 2019-07-26 |
| CN110059737B CN110059737B (zh) | 2020-11-03 |
Family
ID=67318796
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910287511.9A Expired - Fee Related CN110059737B (zh) | 2019-04-11 | 2019-04-11 | 基于集成深度神经网络的配电变压器连接关系辨识方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110059737B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111458661A (zh) * | 2020-03-03 | 2020-07-28 | 国网江苏省电力有限公司电力科学研究院 | 一种配电网线变关系诊断方法、装置及系统 |
| CN112541160A (zh) * | 2020-11-05 | 2021-03-23 | 东南大学 | 一种旋转机械振动故障诊断相关特征提取方法 |
| CN115935262A (zh) * | 2023-01-05 | 2023-04-07 | 合肥工业大学 | 图数据驱动的配电网拓扑辨识方法、电子设备及存储介质 |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2004070998A2 (en) * | 2003-01-31 | 2004-08-19 | Kaleidescape, Inc. | Recovering from de-synchronization attacks against watermarking and fingerprinting |
| CN103545919A (zh) * | 2013-09-05 | 2014-01-29 | 昆明理工大学 | 一种有源配电网络的孤岛拓扑识别方法 |
| CN104155574A (zh) * | 2014-07-31 | 2014-11-19 | 国网湖北省电力公司武汉供电公司 | 基于自适应神经模糊推理系统的配电网故障分类方法 |
| CN204439742U (zh) * | 2015-01-14 | 2015-07-01 | 深圳市均方根科技有限公司 | 低压配电网线路识别装置 |
| CN105356432A (zh) * | 2015-11-30 | 2016-02-24 | 江苏省电力公司盐城供电公司 | 基于Multi-Agent的多联络配电网故障失电区域拓扑识别系统及方法 |
| CN105426980A (zh) * | 2014-09-22 | 2016-03-23 | 国家电网公司 | 一种配电网健康指数评估工程应用系统 |
| CN106571628A (zh) * | 2016-11-11 | 2017-04-19 | 国网山东省电力公司青岛供电公司 | 一种识别配电网中元件之间联络关系的方法和装置 |
| CN106711975A (zh) * | 2017-03-20 | 2017-05-24 | 中国南方电网有限责任公司 | 基于分布式差动保护的故障定位、隔离及快速恢复方法 |
| CN106940407A (zh) * | 2017-03-15 | 2017-07-11 | 湘潭大学 | 一种配电网系统电能质量扰动定位与识别方法 |
| CN108832626A (zh) * | 2018-07-06 | 2018-11-16 | 北京中电普华信息技术有限公司 | 一种低压配电台区拓扑识别方法及系统 |
| CN108828404A (zh) * | 2018-05-09 | 2018-11-16 | 国网浙江省电力有限公司电力科学研究院 | 用于快速故障定位的低压台区电气拓扑辨识系统及方法 |
| CN109217471A (zh) * | 2018-09-19 | 2019-01-15 | 北京中电普华信息技术有限公司 | 低压配电台区网络拓扑的识别装置 |
| CN109387713A (zh) * | 2018-10-17 | 2019-02-26 | 东北大学 | 一种分布式并网孤岛检测的混合方法 |
-
2019
- 2019-04-11 CN CN201910287511.9A patent/CN110059737B/zh not_active Expired - Fee Related
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2004070998A2 (en) * | 2003-01-31 | 2004-08-19 | Kaleidescape, Inc. | Recovering from de-synchronization attacks against watermarking and fingerprinting |
| CN103545919A (zh) * | 2013-09-05 | 2014-01-29 | 昆明理工大学 | 一种有源配电网络的孤岛拓扑识别方法 |
| CN104155574A (zh) * | 2014-07-31 | 2014-11-19 | 国网湖北省电力公司武汉供电公司 | 基于自适应神经模糊推理系统的配电网故障分类方法 |
| CN105426980A (zh) * | 2014-09-22 | 2016-03-23 | 国家电网公司 | 一种配电网健康指数评估工程应用系统 |
| CN204439742U (zh) * | 2015-01-14 | 2015-07-01 | 深圳市均方根科技有限公司 | 低压配电网线路识别装置 |
| CN105356432A (zh) * | 2015-11-30 | 2016-02-24 | 江苏省电力公司盐城供电公司 | 基于Multi-Agent的多联络配电网故障失电区域拓扑识别系统及方法 |
| CN106571628A (zh) * | 2016-11-11 | 2017-04-19 | 国网山东省电力公司青岛供电公司 | 一种识别配电网中元件之间联络关系的方法和装置 |
| CN106940407A (zh) * | 2017-03-15 | 2017-07-11 | 湘潭大学 | 一种配电网系统电能质量扰动定位与识别方法 |
| CN106711975A (zh) * | 2017-03-20 | 2017-05-24 | 中国南方电网有限责任公司 | 基于分布式差动保护的故障定位、隔离及快速恢复方法 |
| CN108828404A (zh) * | 2018-05-09 | 2018-11-16 | 国网浙江省电力有限公司电力科学研究院 | 用于快速故障定位的低压台区电气拓扑辨识系统及方法 |
| CN108832626A (zh) * | 2018-07-06 | 2018-11-16 | 北京中电普华信息技术有限公司 | 一种低压配电台区拓扑识别方法及系统 |
| CN109217471A (zh) * | 2018-09-19 | 2019-01-15 | 北京中电普华信息技术有限公司 | 低压配电台区网络拓扑的识别装置 |
| CN109387713A (zh) * | 2018-10-17 | 2019-02-26 | 东北大学 | 一种分布式并网孤岛检测的混合方法 |
Non-Patent Citations (4)
| Title |
|---|
| SHARON,Y ET AL: "Topology identification in distribution network with limited measurements", 《2012 IEEE PES INNOVATIVE SMART GRID TECHNOLOGIES (ISGT)》 * |
| WENG,Y ET AL: "Distributed Energy Resources Topology Identification via Graphical Modeling", 《IEEE TRANSACTIONS ON POWER SYSTEMS》 * |
| 林君豪 等: "基于改进卷积神经网络拓扑特征挖掘的配电网结构坚强性评估方法", 《中国电机工程学报》 * |
| 郭帅文: "基于关联矩阵的配电网拓扑辨识方法研究", 《万方数据知识服务平台》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111458661A (zh) * | 2020-03-03 | 2020-07-28 | 国网江苏省电力有限公司电力科学研究院 | 一种配电网线变关系诊断方法、装置及系统 |
| CN112541160A (zh) * | 2020-11-05 | 2021-03-23 | 东南大学 | 一种旋转机械振动故障诊断相关特征提取方法 |
| CN112541160B (zh) * | 2020-11-05 | 2024-04-26 | 东南大学 | 一种旋转机械振动故障诊断相关特征提取方法 |
| CN115935262A (zh) * | 2023-01-05 | 2023-04-07 | 合肥工业大学 | 图数据驱动的配电网拓扑辨识方法、电子设备及存储介质 |
| CN115935262B (zh) * | 2023-01-05 | 2023-05-12 | 合肥工业大学 | 图数据驱动的配电网拓扑辨识方法、电子设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110059737B (zh) | 2020-11-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109685314B (zh) | 一种基于长短期记忆网络的非侵入负荷分解方法和系统 | |
| 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 | |
| CN109635928A (zh) | 一种基于深度学习模型融合的电压暂降原因识别方法 | |
| CN108616120A (zh) | 一种基于rbf神经网络的非侵入式电力负荷分解方法 | |
| CN106779087A (zh) | 一种通用机器学习数据分析平台 | |
| CN109934392A (zh) | 一种基于深度学习的微电网短期负荷预测方法 | |
| CN109146162B (zh) | 一种基于集成循环神经网络的概率风速预测方法 | |
| CN107423839A (zh) | 一种基于深度学习的智能楼宇微网负荷预测的方法 | |
| CN104155574A (zh) | 基于自适应神经模糊推理系统的配电网故障分类方法 | |
| CN109596942A (zh) | 一种基于深度置信网络的电压暂降原因识别方法 | |
| CN109784276A (zh) | 一种基于dbn的电压暂降特征提取与暂降源辨识方法 | |
| CN111628494B (zh) | 一种基于逻辑回归法的低压配电网拓扑识别方法及系统 | |
| CN108921339A (zh) | 基于分位数回归的遗传支持向量机光伏功率区间预测方法 | |
| CN104408562A (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 | |
| CN111880044A (zh) | 一种含分布式电源配电网在线故障定位方法 | |
| CN107153845A (zh) | 一种基于机器学习的自适应并网光伏系统的孤岛检测法 | |
| CN102520342A (zh) | 基于动态反馈神经网络建模的模拟电路测试节点选择方法 | |
| CN110910026B (zh) | 一种跨省输电线路线损智能管理与决策方法及系统 | |
| CN109934422A (zh) | 一种基于时间序列数据分析的神经网络风速预测方法 | |
| CN115758246A (zh) | 基于EMD与AlexNet的非侵入式负荷识别方法 | |
| CN115099296A (zh) | 基于深度学习算法的海浪高度预测方法 | |
| CN110363334A (zh) | 基于灰色神经网络模型的光伏并网的电网线损预测方法 | |
| CN113536509A (zh) | 一种基于图卷积网络的微电网拓扑辨识方法 | |
| CN104537660B (zh) | 基于多目标智能体进化聚类算法的图像分割方法 | |
| CN109934396A (zh) | 一种基于两阶段还原的地区网供负荷精细化预测方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20201103 |