CN110659693A - 基于k近邻分类的配电网快速拓扑识别方法、系统及可读存储介质 - Google Patents
基于k近邻分类的配电网快速拓扑识别方法、系统及可读存储介质 Download PDFInfo
- Publication number
- CN110659693A CN110659693A CN201910916878.2A CN201910916878A CN110659693A CN 110659693 A CN110659693 A CN 110659693A CN 201910916878 A CN201910916878 A CN 201910916878A CN 110659693 A CN110659693 A CN 110659693A
- Authority
- CN
- China
- Prior art keywords
- node
- distribution network
- nodes
- power distribution
- mutual information
- 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 56
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000003860 storage Methods 0.000 title claims abstract description 12
- 238000004364 calculation method Methods 0.000 claims abstract description 15
- 230000008569 process Effects 0.000 claims abstract description 6
- 238000004590 computer program Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 11
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 abstract description 24
- 238000007635 classification algorithm Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 18
- 238000010586 diagram Methods 0.000 description 9
- 238000005259 measurement Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 101100136092 Drosophila melanogaster peng gene Proteins 0.000 description 1
- 241000768543 Telinga mara Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000004519 manufacturing process 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
- 239000000126 substance Substances 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
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
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- 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
Abstract
本发明公开了一种基于K近邻分类的配电网快速拓扑识别方法、系统及可读存储介质,该方法使用配电网节点电压的量测数据,采用K近邻算法根据节点之间的空间距离对所有节点进行分类处理,接下来只需计算每个分类内节点对之间的互信息值,再利用互信息拓扑识别算法恢复配电网的拓扑结构。其中,采用K近邻分类算法,通过对配电网中节点之间空间距离的计算得到各节点的k邻近点,从而减少了拓扑识别过程中对节点对互信息值的计算量。保留了基于互信息的拓扑识别算法高准确率的特点,并且缩短了拓扑识别的运行时间。
Description
技术领域
本发明属于配电网识别领域,特别涉及一种基于K近邻分类的配电网快速拓扑识别方法、系统及可读存储介质。
背景技术
近年来我国对配电网的现代化建设越来越重视,配电网的发展也取得了显著的效果,但相对于国际先进水平仍有一定的差距。与此同时,大量分布式电源和电动汽车充电桩的接入,改变了配电网的结构和运行环境,除此之外,频繁的馈线升级,新增的电力用户,配电网的优化与重构,都将导致配电网的结构越来越复杂,不确定性和随机性也会显著增加。
配电网的拓扑识别对于电网的分析和计算具有非常重要的作用,可以为配电网的潮流计算、状态估计、故障定位、网络优化与重构等提供拓扑结构和参数信息。智能电表、同步相量测量单元(PMU或uPMU)等高级量测装置在电力系统中广泛地应用,使得系统潮流和时间序列电压等数据有大量的积累,利用数据变化显示系统状态转换的特定模式,推导系统的连接关系,因此建立了不依赖于原有拓扑,仅依赖于历史测量数据的数据驱动系统拓扑识别的方法。
数据驱动拓扑识别其中一种常用方法是根据配电网节点电压曲线之间的相关性计算皮尔逊相关系数,并且假设沿同一馈线节点电压幅值递减,由相关性强弱和电压大小判断电力用户之间的连接关系以及近似线路长度,参见文献W.Luan,J.Peng,M.Maras,J.Loand B.Harapnuk,"Smart Meter Data Analytics for Distribution NetworkConnectivity Verification,"IEEE Transactions on Smart Grid,vol.6,no.4,pp.1964-1971,July 2015;另外一种典型的数据驱动方法是采集节点电压时间序列值,通过计算节点对电压之间的互信息熵作为判断依据,利用最大权重生成树算法实现总体互信息值的最大化,得到配电网的拓扑结构,参见文献Y.Weng,Y.Liao and R.Rajagopal,"Distributed Energy Resources Topology Identification via Graphical Modeling,"IEEE Transactions on Power Systems,vol.32,no.4,pp.2682-2694,July 2017。
然而,基于上述现有的配电网拓扑识别方法存在如下几点缺陷:
(1)基于皮尔逊相关系数的配电网拓扑识别方法运行效率低,容易受到电压量测数据精度的影响,算法稳定性差,且进行拓扑识别时准确率较低。
(2)基于互信息的配电网拓扑识别方法中,需要根据电压量测值计算所有节点对之间的互信息值,计算量大,拓扑识别的运行时间长。
发明内容
本发明的目的是为了满足配电网现代化建设对拓扑分析提出的实时性要求,在基于互信息的配电网拓扑识别算法的基础上,提供了一种基于K近邻分类的配电网快速拓扑识别方法、系统及可读存储介质,本发明使用配电网节点电压的量测数据,采用K近邻算法根据节点之间的空间距离对所有节点进行分类处理,通过计算每个分类内节点对之间的互信息值,再利用互信息拓扑识别算法恢复配电网的拓扑结构。
一种基于K近邻分类的配电网快速拓扑识别方法,包括:
步骤1:采集节点电压的历史时间序列值;
利用智能电表定时测量各节点电压,得到各节点电压的历史时间序列值;
步骤2:基于节点电压的历史时间序列值,采用k近邻分类方法获取每个节点的k个近邻点;
根据电压时间序列值计算任意两节点之间的距离,距离所选节点最小的k个节点作为所选节点的邻近点;
步骤3:计算各节点与节点本身的k个近邻点之间的互信息值,并按照互信值非增排序,得到各节点的边集,连接边上的权重为对应节点间的互信息值;
步骤4:基于步骤3得到的连接边权重,利用最大权重生成树的方法,得到配电网中的节点拓扑结构。
互信息是用来表示节点的电压随机变量之间的相关性,互信息值的大小与相关性的强弱具有一一对应的关系,用互信息作为权重表示相关性的强弱具有较高的准确性。
进一步地,节点与节点本身的近邻点之间的互信息值采用如下公式进行估计:
其中,X表示某一节点,Y表示节点X的某一近邻节点;ψ(·)为Digamma函数,N表示配电网中的任意两节点形成的节点对的数量;k0为所选择的近邻节点对的个数;
nx为与xi之间的距离≤εx(i)/2的节点个数,ny为与yi之间的距离≤εy(i)/2时节点的个数,εx(i)/2、εy(i)/2分别为节点对(X,Y)在第i个采集时刻的电压值(xi,yi)到它的第k0 th个近邻点对的距离,映射到X轴和Y轴的距离。
从节点对与近邻点对之间的距离中,选出最大距离作为条件判断中的比较值;
互信息的原始计算公式中需要已知随机变量的联合概率密度函数和边缘概率密度函数,而概率密度函数在实际计算中一般都是未知的,对其进行近似估计时很难保证其准确性,因此采用此公式进行互信息值的估计可以得到更高的准确率。
进一步地,所述利用最大权重生成树的方法,得到配电网中的节点拓扑结构的具体过程如下:
(1)初始化生成树T0,i←1,j←0;
其中,i是边集E中节点对的索引值,j是循环计算添加的边的数目;
(2)边集E中边{ei}∪Tj,若构成回路,转(3),否则转(4);其中,ei表示边集中的元素,即第i个节点对;
(3)i←i+1,转(2);
(4)Tj+1=Tj∪{ei},j←j+1;
(5)若j=n-1,生成树Tj即为树状网络拓扑,否则转(3);其中,n表示配电网中节点的数量。
进一步地,k的取值范围为2~n,n表示配电网的节点数量。
进一步地,k等于与n/4最接近的整数,n表示配电网的节点数量。
一种基于K近邻分类的配电网快速拓扑识别系统,包括:
节点电压测量单元:利用智能电表定时测量各节点电压,得到各节点电压的历史时间序列值;
节点k近邻获取单元:基于节点电压的历史时间序列值,采用k近邻分类方法获取每个节点的k个近邻点;
节点与近邻点之间的互信息值计算单元:用于计算各节点与节点本身的k个近邻点之间的互信息值;
最大权重生成树单元:将节点与近邻点之间的互信息值进行非增排序,得到各节点的边集,连接边上的权重为对应节点间的互信息值;利用最大权重生成树的方法,得到配电网中的节点拓扑结构。
进一步地,节点与节点本身的近邻点之间的互信息值采用如下公式进行估计:
其中,X表示某一节点,Y表示节点X的某一近邻节点;ψ(·)为Digamma函数,N表示配电网中的任意两节点形成的节点对的数量;k0为所选择的近邻节点对的个数;
nx为与xi之间的距离≤εx(i)/2的节点个数,ny为与yi之间的距离≤εy(i)/2时节点的个数;εx(i)/2、εy(i)/2分别为节点对(X,Y)在第i个采集时刻的电压值(xi,yi)到它的第k0 th个近邻点对的距离,映射到X轴和Y轴的距离。
一种可读存储介质,包括计算机程序指令,所述计算机程序指令被处理终端执行时使所述处理终端执行上述的一种基于K近邻分类的配电网快速拓扑识别方法。
有益效果
本发明提供了一种基于K近邻分类的配电网快速拓扑识别方法、系统及可读存储介质,该方法使用配电网节点电压的量测数据,采用K近邻算法根据节点之间的空间距离对所有节点进行分类处理,接下来只需计算每个分类内节点对之间的互信息值,再利用互信息拓扑识别算法恢复配电网的拓扑结构。其中,采用K近邻分类算法,通过对配电网中节点之间空间距离的计算得到各节点的k邻近点,从而减少了拓扑识别过程中对节点对互信息值的计算量。保留了基于互信息的拓扑识别算法高准确率的特点,并且缩短了拓扑识别的运行时间。
附图说明
图1是IEEE 33节点配电网的连接关系图;
图2是基于K近邻分类的快速拓扑识别算法流程图。
具体实施方式
下面将结合附图和实施例对本发明做进一步的说明。
如图2所示的基于K近邻分类的配电网快速拓扑识别算法流程图,采用本发明的算法进行拓扑识别的具体步骤如下:
(1)采集一定时长内配电网中所有节点的时间序列电压测量值νi(t),其中i=1,2,…,n,t=1,2,…T;
(2)根据电压值计算所有节点对之间的余弦距离,选择余弦距离最小的k个节点作为各节点的邻近点;k值的选择要满足拓扑识别准确率和运行时间的双重要求,k的取值越大,拓扑识别的准确率越高,但运行时间也会越长,按照经验值k一般取值为节点总数目的五分之一;
(3)根据电压值估计各节点与其k个邻近点之间的互信息值;
(4)互信息值作为节点连接线的权重并按照非增的顺序排序,每次选择权重最大的边加入生成树中,如果构成回路,则删除这条边。重复此添加过程,直到得到n-1条边为止,该生成树即为不含任何回路的树状配电网络拓扑结构。
综上所述,在采用K近邻分类的快速拓扑识别实例中,首先要采集节点的时间序列电压数据,根据K近邻算法对节点进行分类,随后计算每个分类内节点对的互信息值,最后利用最大权重生成树算法实现拓扑识别,如图1所示。
利用本发明提供的快速算法进行配电网的拓扑识别,具有如下优点:
1)拓扑识别的准确率高
拓扑识别算法准确率的定义为:
在IEEE 33节点配电网仿真(图1)中,分别采用基于K近邻分类的快速算法和基于皮尔逊相关系数的算法进行拓扑识别,不断改变时间序列电压值的数据采集间隔,并验证其识别准确率。两种算法在不同采集间隔下的识别准确率结果如表1所示。基于K近邻分类快速算法的拓扑识别准确率明显高于基于皮尔逊相关系数的算法。
表1两种算法拓扑识别准确率结果
2)拓扑识别的运行时间短
在IEEE 33节点配电网仿真中,分别采用基于互信息的算法和基于K近邻分类的快速算法进行拓扑识别,空间距离计算函数分别采用余弦距离,堪培拉距离和欧式距离,在拓扑识别准确率为1.0时算法的运行时间如表2所示。基于K近邻分类的快速算法拓扑识别的运行时间明显缩短了,其中余弦距离算法相较于互信息算法缩短了将近20s,运行时间最短。
表2不同算法运行时间结果
一种基于K近邻分类的配电网快速拓扑识别系统,包括:
节点电压测量单元:利用智能电表定时测量各节点电压,得到各节点电压的历史时间序列值;
节点k近邻获取单元:基于节点电压的历史时间序列值,采用k近邻分类方法获取每个节点的k个近邻点;
节点与近邻点之间的互信息值计算单元:用于计算各节点与节点本身的k个近邻点之间的互信息值;
最大权重生成树单元:将节点与近邻点之间的互信息值进行非增排序,得到各节点的边集,连接边上的权重为对应节点间的互信息值;利用最大权重生成树的方法,得到配电网中的节点拓扑结构。
节点与节点本身的近邻点之间的互信息值采用如下公式进行估计:
其中,X表示某一节点,Y表示节点X的某一近邻节点;ψ(·)为Digamma函数,N表示配电网中的任意两节点形成的节点对的数量;k0为所选择的近邻节点对的个数,在本实例中取值为3;
nx为与xi之间的距离≤εx(i)/2的节点个数,ny为与yi之间的距离≤εy(i)/2时节点的个数,εx(i)/2、εy(i)/2分别为节点对(X,Y)在第i个采集时刻的电压值(xi,yi)到它的第k0 th个近邻点对的距离,映射到X轴和Y轴的距离。
从节点对与近邻点对之间的距离中,选出最大距离作为条件判断中的比较值;
互信息的原始计算公式中需要已知随机变量的联合概率密度函数和边缘概率密度函数,而概率密度函数在实际计算中一般都是未知的,对其进行近似估计时很难保证其准确性,因此采用此公式进行互信息值的估计可以得到更高的准确率。
应当理解,本发明各个实施例中的功能单元模块可以集中在一个处理单元中,也可以是各个单元模块单独物理存在,也可以是两个或两个以上的单元模块集成在一个单元模块中,可以采用硬件或软件的形式来实现。
本发明实施例还提供一种可读存储介质,包括计算机程序指令,所述计算机程序指令被处理终端执行时使所述处理终端执行一种基于K近邻分类的配电网快速拓扑识别方法。
其有益效果参见方法部分的有益效果,在此不再赘述。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利要求保护范围之内。
Claims (8)
1.一种基于K近邻分类的配电网快速拓扑识别方法,其特征在于,包括:
步骤1:采集节点电压的历史时间序列值;
利用智能电表定时测量各节点电压,得到各节点电压的历史时间序列值;
步骤2:基于节点电压的历史时间序列值,采用k近邻分类方法获取每个节点的k个近邻点;
步骤3:计算各节点与节点本身的k个近邻点之间的互信息值,并按照互信值非增排序,得到各节点的边集,连接边上的权重为对应节点间的互信息值;
步骤4:基于步骤3得到的连接边权重,利用最大权重生成树的方法,得到配电网中的节点拓扑结构。
3.根据权利要求1所述的方法,其特征在于,所述利用最大权重生成树的方法,得到配电网中的节点拓扑结构的具体过程如下:
(1)初始化生成树T0,i←1,j←0;
其中,i是边集E中节点对的索引值,j是循环计算添加的边的数目;
(2)边集E中边{ei}∪Tj,若构成回路,转(3),否则转(4);其中,ei表示边集中的元素,即第i个节点对;
(3)i←i+1,转(2);
(4)Tj+1=Tj∪{ei},j←j+1;
(5)若j=n-1,生成树Tj即为树状网络拓扑,否则转(3);其中,n表示配电网中节点的数量。
4.根据权利要求1所述的方法,其特征在于,k的取值范围为2~n,n表示配电网的节点数量。
5.根据权利要求1所述的方法,其特征在于,k等于与n/4最接近的整数,n表示配电网的节点数量。
6.一种基于K近邻分类的配电网快速拓扑识别系统,其特征在于,包括:
节点电压测量单元:利用智能电表定时测量各节点电压,得到各节点电压的历史时间序列值;
节点k近邻获取单元:基于节点电压的历史时间序列值,采用k近邻分类方法获取每个节点的k个近邻点;
节点与近邻点之间的互信息值计算单元:用于计算各节点与节点本身的k个近邻点之间的互信息值;
最大权重生成树单元:将节点与近邻点之间的互信息值进行非增排序,得到各节点的边集,连接边上的权重为对应节点间的互信息值;利用最大权重生成树的方法,得到配电网中的节点拓扑结构。
8.一种可读存储介质,包括计算机程序指令,其特征在于:所述计算机程序指令被处理终端执行时使所述处理终端执行权利要求1至5任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910916878.2A CN110659693B (zh) | 2019-09-26 | 2019-09-26 | 基于k近邻分类的配电网快速拓扑识别方法、系统及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910916878.2A CN110659693B (zh) | 2019-09-26 | 2019-09-26 | 基于k近邻分类的配电网快速拓扑识别方法、系统及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110659693A true CN110659693A (zh) | 2020-01-07 |
CN110659693B CN110659693B (zh) | 2024-03-01 |
Family
ID=69039253
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910916878.2A Active CN110659693B (zh) | 2019-09-26 | 2019-09-26 | 基于k近邻分类的配电网快速拓扑识别方法、系统及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110659693B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111273126A (zh) * | 2020-01-20 | 2020-06-12 | 湖南大学 | 一种配电网拓扑快速感知方法 |
CN111654392A (zh) * | 2020-05-11 | 2020-09-11 | 国网浙江省电力有限公司电力科学研究院 | 基于互信息的低压配电网拓扑识别方法及系统 |
CN111861256A (zh) * | 2020-07-30 | 2020-10-30 | 国网经济技术研究院有限公司 | 一种主动配电网重构决策方法及系统 |
CN112202542A (zh) * | 2020-09-30 | 2021-01-08 | 清华-伯克利深圳学院筹备办公室 | 数据扰动方法、设备及存储介质 |
CN112819047A (zh) * | 2021-01-22 | 2021-05-18 | 西安交通大学 | 一种基于两层邻域信息的双重最近邻分类方法及系统 |
CN113114497A (zh) * | 2021-04-06 | 2021-07-13 | 广西电网有限责任公司电力科学研究院 | 一种低压台区拓扑自动识别方法 |
CN113901619A (zh) * | 2021-09-28 | 2022-01-07 | 天津大学 | 一种基于偏相关分析的配电网网状拓扑识别方法 |
CN114124721A (zh) * | 2021-11-17 | 2022-03-01 | 广东电力通信科技有限公司 | 一种基于电力载波的拓扑自动识别方法 |
CN111861256B (zh) * | 2020-07-30 | 2024-05-14 | 国网经济技术研究院有限公司 | 一种主动配电网重构决策方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100174670A1 (en) * | 2006-10-02 | 2010-07-08 | The Trustees Of Columbia University In The City Of New York | Data classification and hierarchical clustering |
CN106971205A (zh) * | 2017-04-06 | 2017-07-21 | 哈尔滨理工大学 | 一种基于k近邻互信息估计的嵌入式动态特征选择方法 |
CN108054755A (zh) * | 2017-12-26 | 2018-05-18 | 广州市捷信通科技发展有限公司 | 一种基于k最近邻分类算法的配电网拓扑结构校验方法 |
CN109274095A (zh) * | 2018-10-30 | 2019-01-25 | 东北大学秦皇岛分校 | 基于互信息的低压配电网用户拓扑估计方法及系统 |
CN109829497A (zh) * | 2019-01-31 | 2019-05-31 | 清华四川能源互联网研究院 | 一种基于监督学习的台区用户识别及判别方法 |
-
2019
- 2019-09-26 CN CN201910916878.2A patent/CN110659693B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100174670A1 (en) * | 2006-10-02 | 2010-07-08 | The Trustees Of Columbia University In The City Of New York | Data classification and hierarchical clustering |
CN106971205A (zh) * | 2017-04-06 | 2017-07-21 | 哈尔滨理工大学 | 一种基于k近邻互信息估计的嵌入式动态特征选择方法 |
CN108054755A (zh) * | 2017-12-26 | 2018-05-18 | 广州市捷信通科技发展有限公司 | 一种基于k最近邻分类算法的配电网拓扑结构校验方法 |
CN109274095A (zh) * | 2018-10-30 | 2019-01-25 | 东北大学秦皇岛分校 | 基于互信息的低压配电网用户拓扑估计方法及系统 |
CN109829497A (zh) * | 2019-01-31 | 2019-05-31 | 清华四川能源互联网研究院 | 一种基于监督学习的台区用户识别及判别方法 |
Non-Patent Citations (4)
Title |
---|
YANG WENG, YIZHENG LIAO, RAM RAJAGOPAL: "Distributed Energy Resources Topology Identification via Graphical Modeling", IEEE TRANSACTIONS ON POWER SYSTEMS, vol. 32, no. 4, pages 2682 - 2694, XP011653762, DOI: 10.1109/TPWRS.2016.2628876 * |
周红标等: "基于高维k - 近邻互信息的特征选择方法", 智能系统学报, vol. 12, no. 5, pages 595 - 600 * |
欧郁强;闻建中;王利国;杨玺;梁海蓬;孟安波;李德强;洪俊杰;: "基于小世界纵横交叉算法在输电线路巡视路径中的应用", 电网与清洁能源, no. 06 * |
舒朝君;王亚;崔浩;罗春林;: "基于互信息的配电网多谐波源识别方法", 电力科学与技术学报, no. 01, pages 16 - 21 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111273126B (zh) * | 2020-01-20 | 2021-01-29 | 湖南大学 | 一种配电网拓扑快速感知方法 |
CN111273126A (zh) * | 2020-01-20 | 2020-06-12 | 湖南大学 | 一种配电网拓扑快速感知方法 |
CN111654392A (zh) * | 2020-05-11 | 2020-09-11 | 国网浙江省电力有限公司电力科学研究院 | 基于互信息的低压配电网拓扑识别方法及系统 |
CN111861256B (zh) * | 2020-07-30 | 2024-05-14 | 国网经济技术研究院有限公司 | 一种主动配电网重构决策方法及系统 |
CN111861256A (zh) * | 2020-07-30 | 2020-10-30 | 国网经济技术研究院有限公司 | 一种主动配电网重构决策方法及系统 |
CN112202542A (zh) * | 2020-09-30 | 2021-01-08 | 清华-伯克利深圳学院筹备办公室 | 数据扰动方法、设备及存储介质 |
CN112819047A (zh) * | 2021-01-22 | 2021-05-18 | 西安交通大学 | 一种基于两层邻域信息的双重最近邻分类方法及系统 |
CN113114497A (zh) * | 2021-04-06 | 2021-07-13 | 广西电网有限责任公司电力科学研究院 | 一种低压台区拓扑自动识别方法 |
CN113114497B (zh) * | 2021-04-06 | 2023-03-21 | 广西电网有限责任公司电力科学研究院 | 一种低压台区拓扑自动识别方法 |
CN113901619B (zh) * | 2021-09-28 | 2024-04-19 | 天津大学 | 一种基于偏相关分析的配电网网状拓扑识别方法 |
CN113901619A (zh) * | 2021-09-28 | 2022-01-07 | 天津大学 | 一种基于偏相关分析的配电网网状拓扑识别方法 |
CN114124721A (zh) * | 2021-11-17 | 2022-03-01 | 广东电力通信科技有限公司 | 一种基于电力载波的拓扑自动识别方法 |
CN114124721B (zh) * | 2021-11-17 | 2023-12-01 | 广东电力通信科技有限公司 | 一种基于电力载波的拓扑自动识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110659693B (zh) | 2024-03-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110659693B (zh) | 基于k近邻分类的配电网快速拓扑识别方法、系统及介质 | |
CN110231528B (zh) | 基于负荷特征模型库的变压器户变异常识别方法及装置 | |
CN112149873B (zh) | 一种基于深度学习的低压台区线损合理区间预测方法 | |
CN101599643A (zh) | 一种基于指数型目标函数的电力系统抗差状态估计方法 | |
CN113126019B (zh) | 一种智能电表误差远程估计方法、系统、终端和存储介质 | |
CN107038292A (zh) | 一种基于自适应多变量非参数核密度估计的多风电场出力相关性建模方法 | |
CN103177188A (zh) | 一种基于特征映射的电力系统负荷动特性分类方法 | |
CN110110907B (zh) | 一种低压台区特征参数的提取方法 | |
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 | |
CN111476427A (zh) | 低压台区拓扑识别方法及识别装置 | |
CN111505443A (zh) | 低压台区线户关系识别方法、装置和计算机设备 | |
CN111654392A (zh) | 基于互信息的低压配电网拓扑识别方法及系统 | |
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 | |
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 | |
CN110212592B (zh) | 基于分段线性表达的火电机组负荷调节最大速率估计方法及系统 | |
Wawrzyniak et al. | Division of the energy market into zones in variable weather conditions using Locational Marginal Prices | |
CN110909786A (zh) | 一种基于特性指标与决策树模型的新装用户负荷辨识方法 | |
CN113595071A (zh) | 台区用户辨识与电压影响评估方法 | |
CN113805138A (zh) | 一种基于参数有向遍历的智能电表误差估计方法及装置 | |
CN113514743A (zh) | 一种基于多维特征的gis局部放电模式识别系统构建方法 | |
CN110703038B (zh) | 一种适用于风机接入配电网的谐波阻抗估算方法 | |
CN109638892B (zh) | 一种基于改进模糊聚类算法的光伏电站等值建模方法 | |
CN116995653A (zh) | 一种基于ddtw距离的低压台区相户拓扑识别方法 | |
Panapakidis et al. | Three-stage clustering procedure for deriving the typical load curves of the electricity consumers | |
Nithiyananthan et al. | Enhanced R package-based cluster analysis fault identification models for three phase power system network |
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 |