CN111092425A - 一种基于拓扑特性的网架聚类分析方法及系统 - Google Patents
一种基于拓扑特性的网架聚类分析方法及系统 Download PDFInfo
- Publication number
- CN111092425A CN111092425A CN201811239898.2A CN201811239898A CN111092425A CN 111092425 A CN111092425 A CN 111092425A CN 201811239898 A CN201811239898 A CN 201811239898A CN 111092425 A CN111092425 A CN 111092425A
- Authority
- CN
- China
- Prior art keywords
- power supply
- supply unit
- load
- load point
- shortest distance
- 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
Images
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
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种基于拓扑特性的网架聚类分析方法及系统,包括:基于待测区域的电网地理拓扑数据利用队列优化算法获得各网络节点间的平均距离;基于网络节点度的预设公式计算待测区域中网络节点的度;基于所述各网络节点间的平均距离和网络节点的度对所述电网地理拓扑数据进行聚类,对拓扑数据通过聚类分析将指标相近的各网络聚为一类,以便分析各类网络与其余网络中电气相关的指标或参数之间的关联关系,并利用这种关联关系作为网架优化的指导策略。
Description
技术领域
本发明涉及智能配电网领域,具体涉及一种基于拓扑特性的网架聚类分析方法及系统。
背景技术
智能配电网是一个集成了传统和前沿配电工程技术、高级传感和测控技术、现代计算机与通信技术,以及数据挖掘分析技术,涵盖了电能的收集、传输、存储与分配等多种功能于一体的配电系统,相比传统配电网,智能配电网有着更加安全、可靠、优质、高效的特点,并且支持分布式电源的大量接入。尽管配电网建设的时候可以按照规划导则的要求进行架线,但实际中的接线方式却十分复杂;此外,负荷的增长、可靠性需求的提高和分布式电源等各种不确定性因素的出现,都对配电网络的供电能力提出了更高的要求,因此需要根据当前的网络状态和未来的供电需求对配电网网架结构进行优化。然而,配电网负荷点多,各类用户用电特征不同,同时,随着城镇规划与建设以及分布式电源和电动车等新型电源及非常规负荷的接入,网架优化需要考虑的数据来源和数据类型越来越多。在当前环境下,海量、多类型、时变基础数据的引入,使得影响网架优化结果的因素数量激增,但对应的边界条件以及模型参数的变化,可能使得优化陷入组合爆炸的泥潭,优化速度缓慢或求解困难,传统的优化方法可能难以完全适用。
传统电网网络拓扑分析主要集中在探寻网络脆弱环节或者区域划分上,这些分析的对象都是某一给定的网络,这些研究关注的是网络中的个别节点的特征或是局部区域之间的临近程度,而缺乏对网络结构整体的描述和分析。
发明内容
为了解决现有技术中所存在的因为配电网中数据类型增加,变化因素复杂导致网架结构优化难以进行的问题,本发明提供一种基于拓扑特性的网架聚类分析方法及系统。近年来,大数据逐渐受到人们的重视,目前有很多研究人员正尝试将大数据技术用于电力系统中的负荷预测、故障诊断等方向,但关于大数据在配电网优化中应用的研究尚不多见。而大数据的数据驱动特征使其在网架优化方面有着良好的应用前景,通过挖掘数据间的关联关系,可以将传统方法中复杂的约束条件与优化目标转化为更加简单的数据描述,从而降低求解复杂度,能更好地适应考虑多因素的网架优化问题。因此本发明首先采用队列优化算法(ShortestPath Faster Algorithm,SPFA)算法计算负荷点(10kV柱上变压器、10kV配电变压器、大用户高压侧节点)到10kV母线节点,以及负荷点与同地块其他负荷点之间的最短联通距离;然后计算出网络节点度分布,并采用柯尔莫哥洛夫-斯米尔诺夫检验(Kolmogorov-Smirnov test,K-S test)进行网络节点度分布的检验;最后再利用K-means算法对拓扑数据进行聚类分析,将指标相近的各网络聚为一类,为网架优化做前期准备,以便分析各类网络与其余网络中电气相关的指标或参数之间的关联关系,并利用这种关联关系作为网架优化的指导策略,例如同一类网络建立相同的网架模型。
本发明提供的技术方案是:一种基于拓扑特性的网架聚类分析方法,包括:
基于待测区域的电网地理拓扑数据利用队列优化算法获得各网络节点间的平均距离;
基于网络节点度的预设公式计算待测区域中网络节点的度;
基于所述各网络节点间的平均距离和网络节点的度对所述电网地理拓扑数据进行聚类。
优选的,所述基于待测区域的电网地理拓扑数据利用队列优化算法获得各网络节点间的平均距离,包括:
基于待测区域的电网地理拓扑数据确定各供电单元;
基于每一个供电单元利用队列优化算法获得所述供电单元内各负荷点到其余负荷点和电源的最短距离,以及电源到所述供电单元内各负荷点的最短距离;
对所述供电单元内各负荷点到其余负荷点和电源的最短距离求平均值,得到所述供电单元内负荷点间的平均距离;
基于所述供电单元内各负荷点到其余负荷点和电源的最短距离,以及电源到所述供电单元内各负荷点的最短距离得到电源到负荷点的平均距离;
其中,各网络节点间的平均距离,包括:供电单元内负荷点间的平均距离和电源到负荷点的平均距离。
优选的,所述基于所述供电单元内各负荷点到其余负荷点和电源的最短距离,以及电源到所述供电单元内各负荷点的最短距离得到电源到负荷点的平均距离,包括:
基于供电单元内各负荷点到电源的最短距离、供电单元的各负荷点到网络中联络开关端点一端的最短距离和所述联络开关另一端点所在的供电单元中电源到所述联络开关另一端点的最短距离,得到电源到各负荷点的综合最短距离;
将所述负荷点的负荷值作为综合最短距离的权重,获得所述供电单元内各负荷点对应的加权最短距离;
基于所述供电单元内各负荷点对应的加权最短距离获得电源到负荷点的平均距离。
优选的,所述电源到各负荷点的综合最短距离,按下式计算:
式中:Dj:电源到负荷点j的综合最短距离;dsource_j:供电单元中负荷点j到电源的最短距离;M:当前供电单元的联络开关数;dLink_pre_i:供电单元的各负荷点到网络中第i个联络开关端点Np的最短距离;dLink_oth_i:第i个联络开关另一端点No所在的供电单元中电源到No的最短距离。
优选的,所述电源到负荷点的平均距离,按下式计算:
式中,Cj:电源到负荷点j的平均距离;Lj:负荷点j的负荷值;Dj:电源到负荷点j的综合最短距离;M:当前供电单元的联络开关数。
优选的,所述基于每一个供电单元利用队列优化算法获得所述供电单元内各负荷点到其余负荷点和电源的最短距离,以及电源到所述供电单元内各负荷点的最短距离,包括:
将供电单元的各负荷点作为初始化节点,并将所述供电单元内其余负荷点和电源组成原始队列,利用队列优化算法循环直到所述原始队列为空得到所述供电单元内各负荷点到其余负荷点和电源的最短距离;
分别将每个供电单元的电源作为初始化节点,基于待测区域的电网地理拓扑数据依次提取网络边的信息生成初始队列,利用队列优化算法循环得到各供电单元的电源到所述供电单元内各负荷点的最短距离。
优选的,所述基于网络节点度的预设公式计算待测区域中网络节点的度,包括:
基于供电单元网络节点度分布样本数据和设定参数估计的置信度,获得参数估计的结果;
基于柯尔莫哥洛夫-斯米尔诺夫检验所述参数估计的结果:
当供电单元网络节点度分布样本数据不满足指数分布时,重新调整参数估计的置信度后继续获得参数估计的结果,直到供电单元网络节点度分布样本数据满足指数分布;
当供电单元网络节点度分布样本数据满足指数分布时,将所述置信度对应的率参数作为所述网络节点度的预设公式中的参数,并利用所述网络节点度的预设公式计算其余供电单元中网络节点的度。
优选的,所述网络节点度的预设公式,如下式所示:
式中:f(x):网络节点的度;λ:率参数;x:节点。
优选的,所述按下式检验参数估计的结果:
D=max{|F0(x)-Fn(x)|}
式中:D:最大差值;F0(x):根据参数估计的结果生成满足指数分布的对照数据;Fn(x):网络度分布的分布律;
当最大差值D>设定置信度下的差异阈值时,供电单元网络节点度分布满足指数分布,否则供电单元网络节点度分布不满足指数分布。
优选的,所述基于所述各网络节点间的平均距离和网络节点的度对所述电网地理拓扑数据进行聚类之后还包括:
基于聚类得到的聚类结果对电网的网络拓扑进行网架结构优化,在同一聚类结果建立相同的网架模型。
基于同一发明构思,本发明提供了一种基于拓扑特性的网架聚类分析系统,包括:
第一计算模块,用于基于待测区域的电网地理拓扑数据利用队列优化算法获得各网络节点间的平均距离;
第二计算模块,用于基于网络节点度的预设公式计算待测区域中网络节点的度;
聚类模块,用于基于所述各网络节点间的平均距离和网络节点的度对所述电网地理拓扑数据进行聚类。
优选的,所述第一计算模块,包括:
分析子模块,用于基于待测区域的电网地理拓扑数据确定各供电单元;
获取子模块,用于基于每一个供电单元利用队列优化算法获得所述供电单元内各负荷点到其余负荷点和电源的最短距离,以及电源到所述供电单元内各负荷点的最短距离;
第一距离子模块,用于对所述供电单元内各负荷点到其余负荷点和电源的最短距离求平均值,得到所述供电单元内负荷点间的平均距离;
第二距离子模块,用于基于所述供电单元内各负荷点到其余负荷点和电源的最短距离,以及电源到所述供电单元内各负荷点的最短距离得到电源到负荷点的平均距离;
其中,各网络节点间的平均距离,包括:供电单元内负荷点间的平均距离和电源到负荷点的平均距离。
与现有技术相比,本发明的有益效果为:
本发明提供的技术方案,基于待测区域的电网地理拓扑数据利用队列优化算法获得各网络节点间的平均距离;基于网络节点度的预设公式计算待测区域中网络节点的度;基于所述各网络节点间的平均距离和网络节点的度对所述电网地理拓扑数据进行聚类,对拓扑数据通过聚类分析将指标相近的各网络聚为一类,以便分析各类网络与其余网络中电气相关的指标或参数之间的关联关系,并利用这种关联关系作为网架优化的指导策略。
附图说明
图1为本发明提供的一种基于拓扑特性的网架聚类分析方法流程图;
图2为本发明实施例中提供基于拓扑特性的网架聚类分析方法的示意图;
图3为本发明提供的基于SPFA的网络最短路径计算流程图;
图4为本发明实施例提供的某一供电网络度的分布图;
图5为本发明实施例提供的供电单元网络拓扑聚类结果图。
具体实施方式
为了更好地理解本发明,下面结合说明书附图和实例对本发明的内容做进一步的说明。
实施例1:
本发明提供一种基于拓扑特性的网架聚类分析方法,如图1所示,包括:
步骤S1、基于待测区域的电网地理拓扑数据利用队列优化算法获得各网络节点间的平均距离;
步骤S2、基于网络节点度的预设公式计算待测区域中网络节点的度;
步骤S3、基于所述各网络节点间的平均距离和网络节点的度对所述电网地理拓扑数据进行聚类。
步骤S1、基于待测区域的电网地理拓扑数据利用队列优化算法获得各网络节点间的平均距离,具体包括:
(1)利用SPFA算法求解网络最短路径
SPFA是Bellman-Ford算法的一种队列实现,减少了不必要的冗余计算。算法大致流程是用一个队列来进行维护,初始时将源节点加入队列,每次从队列中取出一个元素,并对所有与他相邻的点进行松弛操作,若某个相邻的点松弛成功,则将其入队,直到队列为空时算法结束。
(2)电源到负荷点的平均距离
在计算10kV母线节点到各负荷点的最短距离时,将10kV母线节点作为算法初始化节点,根据该地块的拓扑邻接矩阵依次提取网络边的信息存入队列,进行SPFA计算,可得到当前供电单元自身的10kV母线到供电单元内各负荷点的最短路径。但考虑到中压配电网中联络开关的作用,各负荷点存在转供的可能性,因此在计算最短路径的时候应考虑转供通道会减小负荷点与电源点的电气距离的作用。
其中,拓扑邻接矩阵就是把拓扑数据用矩阵的形式表示,相当于电网拓扑就是一个图(数据结构),图的存储方式有邻接矩阵和邻接表两种。
(3)负荷点分布的平均距离
计算各负荷点之间最短距离时,依次将各供电单元的负荷点作为算法初始,连续调用SPFA,最终对其求取平均值,可得到当前供电单元负荷点分布的平均距离。
步骤S2、基于网络节点度的预设公式计算待测区域中网络节点的度,具体包括
(4)节点度分布参数
网络节点的度代表了该节点与其他节点连接的紧密程度,因此,研究网络各节点度的概率分布特性可以让我们了解网络整体的形状特征。
基于供电单元网络节点度分布样本数据和设定参数估计的置信度,获得参数估计的结果;
基于柯尔莫哥洛夫-斯米尔诺夫检验所述参数估计的结果:
当供电单元网络节点度分布样本数据不满足指数分布时,重新调整参数估计的置信度后继续获得参数估计的结果,直到供电单元网络节点度分布样本数据满足指数分布;
当供电单元网络节点度分布样本数据满足指数分布时,将所述置信度对应的率参数作为所述网络节点度的预设公式中的参数,并利用所述网络节点度的预设公式计算其余供电单元中网络节点的度。
步骤S3、基于所述各网络节点间的平均距离和网络节点的度对所述电网地理拓扑数据进行聚类,具体包括:
(5)使用K-means算法对网络拓扑特征进行聚类分析
在计算出网络节点度分布的基础上,可以利用Kmeans法对拓扑数据进行聚类分析。考虑到实际应用中,由于Kmeans一般作为数据预处理或者用于辅助分类贴标签,k一般不会设置很大。可以通过枚举,在每个k值上重复运行数次kmeans,并计算当前k的平均轮廓系数,最后选取轮廓系数最大的值对应的k作为最终的集群数目,具体包括:
步骤101、设置多个中心点;
步骤102、基于负荷点间的平均距离、电源到负荷点的平均距离和网络节点的度遍历所有电网地理拓扑数据,将每个数据划分到最近的中心点的类别中;
步骤103、计算每个聚类结果的平均值,并作为新的中心点;
步骤104、若当前聚类中心点和前一次聚类中心点的差值小于第二阈值的次数且大于第三阈值,则循环结束,获得聚类结果;否则,执行步骤102。
其中,中心点的数量的设置,包括:
设置至少两组中心点的数量;
基于每个中心点数上的聚类结果得到平均轮廓系数,选取所述平均轮廓系数最大的值对应的中心点数作为聚类结果的数量。
实施例2:
考虑到配电网从功能上可以分为“源—荷—网”三个部分,网络中的电源节点和负荷节点具有重要的意义,而网络中有功率潮流流通,即网络具有传输的职能,故网络的传输效率也是网络的特性之一。此外,由于各供电单元之间可以通过联络开关互联,使得可靠性提高,以此可以衡量某片供电单元与其他供电单元联系的紧密程度。基于以上分析,以供电单元内负荷点间的平均距离、电源到负荷点的平均距离和节点度分布参数作为配电网网络拓扑的指标。
如图2所示,该方法首先采用SPFA算法计算负荷点(10kV柱上变压器、10kV配电变压器、大用户高压侧节点)到10kV母线节点,以及负荷点与同地块其他负荷点之间的平均距离。在计算出网络节点度分布的基础上,利用K-means算法对拓扑数据进行聚类分析,将指标相近的各网络聚为一类,以便分析各类网络与其余网络中电气相关的指标或参数之间的关联关系,并利用这种关联关系作为网架优化的指导策略。
(1)基于SPFA的网络最短路径求解
SPFA是Bellman-Ford算法的一种队列实现,减少了不必要的冗余计算,算法是用一个队列来进行维护。初始时将源节点加入队列,每次从队列中取出一个元素,并对所有与他相邻的点进行松弛操作,若某个相邻的点松弛成功,则将其入队,直到队列为空时算法结束。
SPFA算法的时间复杂度为O(kE),算法可求出源点到其他所有点的最短路径,可以处理负边,SPFA的实现甚至比迪杰斯特拉算法(Dijkstra算法)或者贝尔曼-福特算法(Bellman_Ford)还要简单。
算法的实现过程如图3所示,包括:
1)设Dsi代表点S到点i当前的最短距离,Fa代表S到i的当前最短路径中i点之前的一个点的编号,开始时Dsi全部为+∞,只有Dsi[S]=0,Fa全部为0;
2)维护一个原始队列,里面存放所有需要进行迭代的点。初始时结果队列中只有一个点S,用一个布尔数组记录每个点是否处在队列中;
3)每次迭代,取出原始队列中队头的点v,依次枚举从v出发的边v->u,设边的长度为len,判断Dsi[v]+len是否小于Dsi[u],若小于则改进Dsi[u],将Fa[u]记为v,并且由于S到u的最短距离变小了,有可能u可以改进其它的点,所以若u不在结果队列中,就将它放入队尾;
4)重复迭代直到原始队列变空,即S到所有节点是最短距离都确定下来;
5)结束算法。
(2)网络拓扑特征计算
利用SPFA计算负荷点(10kV柱上变压器、10kV配电变压器、大用户的高压侧节点)到10kV母线节点,以及负荷点与同地块其他负荷点之间的最短联通距离。
1)电源到负荷点的平均距离
在计算10kV母线节点到各负荷点的最短距离时,将10kV母线节点作为算法初始化节点,根据该地块的拓扑邻接矩阵依次提取网络边的信息存入队列,进行SPFA计算,可得到当前供电单元自身的10kV母线到供电单元内各负荷点的最短路径。但考虑到中压配电网中联络开关的作用,各负荷点存在转供的可能性,因此在计算最短路径的时候应考虑转供通道会减小负荷点与电源点的电气距离的作用。
由此得到求解过程如下:
①利用SPFA求解当前供电单元各负荷点到供电单元各节点的距离和10kV母线到供电单元各节点的距离;
②对所有供电单元执行第1步;
③依次分析各供电单元,取供电单元各负荷节点到网络中各联络开关端点NP的最短距离,记为dLink_pre_i,查表得到联络开关另一端点NO所在的供电单元编号,在对应供电单元中取其10kV母线到NO的最短距离dLink_oth_i;
④在各供电单元中取各负荷点到10kV母线的最短距离dsource_j;
⑤由下式计算某负荷点到所有可能为其供电的10kV母线节点的综合最短距离Dj,即电源到负荷点j的综合最短距离:
其中M表示当前供电单元的联络开关数,联络开关相当于电源-负荷、电源-电源、负荷-负荷之间的导线。
计算结果如表1所示:
表1 1号供电单元电源变电站到网络其余节点综合最短距离
在计算出电源—负荷节点的综合最短路径Dj的基础上,用该负荷点的负荷大小Lj作为Dj的权重,按下式计算该供电单元内各负荷点对应的加权最短路径的平均值CS-L,以此作为网络传输效率的评价指标:
2)负荷点间的平均距离
计算各负荷点之间最短距离时,依次将各供电单元的负荷点作为算法初始,连续调用SPFA,最终对其求取平均值,可得到当前供电单元负荷点分布的平均距离。
某一供电单元负荷点间最短路径如表2所示,设某一个供电单元共有n个节点,其中有m个负荷点,则输出一个n*m的矩阵,矩阵每一列代表第k个负荷点(Lk)到网络所有节点(L1~Ln)的最短路径距离(D),到自身的距离为0。每一列从上往下,行号与节点的Node序号一致。
表2供电单元内各负荷点到其余节点短路径距离
3)节点度分布参数
网络节点的度代表了该节点与其他节点连接的紧密程度,因此,研究网络各节点度的概率分布特性可以让我们了解网络整体的形状特征。本实施例中,通过验证网络节点的度是否满足指数分布确定设置公式的参数,并利用确定参数的公式来估算其他节点的度的值。相当于用一小部分数据得到一个公式,来求解剩余的节点的度。
中压配电网有着“闭环设计,开环运行”的特征,因此网络呈现出树状结构,即有着一个根节点,若干叶子节点和大量的中间节点。从度分布的特征上看,度为2的节点应占据大多数比例,度为1的节点代表了线路的末端,度大于2的点是网络中的分叉点。
图4为某一供电单元网络的度分布图,可以看出网络度分布呈现出“长尾”的特征,认为其近似于指数分布,由此可以对其作指数分布的校验并求出指数分布的参数。
网络节点度分布的检验可以采用K-S检验,该方法是用于检验单一样本是否服从于某特定分布。K-S检验的原理是将样本数据与特定的分布函数进行比较,若样本数据的分布规律与特定的分布函数差距较小,则认为样本数据满足这种分布,反之则认为不满足该分布。
本实施例中给定以下假设:
H0:供电单元网络节点度分布满足指数分布;
H1:供电单元网络节点度分布不满足指数分布。
在检验样本数据是否满足指数分布之前,需要先对其进行指数分布的参数估计。
由此可见指数分布只有一个参数,即率参数λ。
常用的参数估计方法可以分为点估计和区间估计两种。
①点估计
点估计的本质是构造一个未知参数只与样本有关的函数,常用的点估计方法包括:
i)矩估计法:用样本的各种矩来估计估计总体的矩;
iii)最小二乘法:应用于线性问题中的参数估计;
iv)贝叶斯方法:这种方法先要界定所谓好的特性,这种特性一般有两大类,一是小样本准则,即在样本空间确定时的良好特性;而是大样本准则,即样本空间趋于无穷大时的良好特性。
取参数估计的置信度α=0.95,使用MATLAB的expfit.m函数,输入供电单元网络节点的度分布样本数据,可以在给定的置信度下给出参数估计的结果。
部分网络度节点分布参数估计结果如表3所示:
表3供电单元网络度分布参数估计
供电单元起点变电站母线node ID | 供电单元的度分布参数估计的结果 |
200000001261998 | 3.60000000000000 |
200000009358707 | 5.57142857142857 |
200000001275031 | 5.50000000000000 |
200000004741844 | 4.85714285714286 |
200000001262898 | 4.50000000000000 |
200000002179815 | 5.25000000000000 |
200000001256589 | 4.75000000000000 |
200000006918928 | 4.66666666666667 |
200000002317501 | 5 |
200000001491887 | 4.87500000000000 |
200000001251793 | 6.25000000000000 |
200000001284358 | 4.66666666666667 |
…… | …… |
取样本的取值范围,即网络节点度数的上下限,根据参数估计的结果,生成一组满足指数分布的对照数据F0(x),设Fn(x)是网络度分布的分布律,定义D是F0与Fn的最大差距,即
D=max{|F0(x)-Fn(x)|}
若D>Dα,Dα为对应置信度下的差异阈值,则拒绝假设H0,接受H1,反之则接受H0。
本实施例中可以利用MATLAB的kstest.m函数来实现上述验证过程。
(3)基于网络拓扑特征的聚类分析
在计算出网络节点度分布的基础上,可以利用Kmeans法对拓扑数据进行聚类分析,kmeans的计算方法如下:
1)随机选取k个中心点;
2)遍历所有数据,将每个数据划分到最近的中心点的类别中;
3)计算每个聚类的平均值,并作为新的中心点;
4)重复2-3,直到这k个中线点不再变化,或执行了足够多的迭代。
拓扑聚类的结果如图5所示,考虑到实际应用中,由于Kmeans一般作为数据预处理或者用于辅助分类贴标签,k一般不会设置很大,可以通过枚举,在每个k值上重复运行数次kmeans,并计算当前k的平均轮廓系数,最后选取轮廓系数最大的值对应的k作为最终的集群数目。
本实施例提供的基于拓扑特性的网架聚类分析算法,利用SPFA算法求解当前供电单元各负荷点到供电单元各节点的距离和10kV母线到供电单元各节点的距离,然后计算出供电单元内负荷点间的平均距离和电源到负荷点的平均距离,然后利用K-S检验的方法求解出网络节点的度,将其作为网络特征之一,应用于后续的拓扑聚类;最后利用Kmeans对拓扑数据进行聚类分析将指标相近的各网络聚为一类,以便分析各类网络与其余网络中电气相关的指标或参数之间的关联关系,并利用这种关联关系作为网架优化的指导策略。
实施例3
基于同一种发明构思,本发明还提供了一种基于拓扑特性的网架聚类分析系统,包括:
第一计算模块,用于基于待测区域的电网地理拓扑数据利用队列优化算法获得各网络节点间的平均距离;
第二计算模块,用于基于网络节点度的预设公式计算待测区域中网络节点的度;
聚类模块,用于基于所述各网络节点间的平均距离和网络节点的度对所述电网地理拓扑数据进行聚类。
实施例中,所述第一计算模块,包括:
分析子模块,用于基于待测区域的电网地理拓扑数据确定各供电单元;
获取子模块,用于基于每一个供电单元利用队列优化算法获得所述供电单元内各负荷点到其余负荷点和电源的最短距离,以及电源到所述供电单元内各负荷点的最短距离;
第一距离子模块,用于对所述供电单元内各负荷点到其余负荷点和电源的最短距离求平均值,得到所述供电单元内负荷点间的平均距离;
第二距离子模块,用于基于所述供电单元内各负荷点到其余负荷点和电源的最短距离,以及电源到所述供电单元内各负荷点的最短距离得到电源到负荷点的平均距离;
其中,各网络节点间的平均距离,包括:供电单元内负荷点间的平均距离和电源到负荷点的平均距离。
实施例中,所述第二距离子模块,包括:
综合最短距离单元,用于基于供电单元内各负荷点到电源的最短距离、供电单元的各负荷点到网络中联络开关端点一端的最短距离和所述联络开关另一端点所在的供电单元中电源到所述联络开关另一端点的最短距离,得到电源到各负荷点的综合最短距离;
加权最短距离单元,用于将所述负荷点的负荷值作为综合最短距离的权重,获得所述供电单元内各负荷点对应的加权最短距离;
平均距离单元,用于基于所述供电单元内各负荷点对应的加权最短距离获得电源到负荷点的平均距离。
实施例中,所述获取子模块,包括:
第一获取单元,用于将供电单元的各负荷点作为初始化节点,并将所述供电单元内其余负荷点和电源组成原始队列,利用队列优化算法循环直到所述原始队列为空得到所述供电单元内各负荷点到其余负荷点和电源的最短距离;
第二获取单元,用于分别将每个供电单元的电源作为初始化节点,基于待测区域的电网地理拓扑数据依次提取网络边的信息生成初始队列,利用队列优化算法循环得到各供电单元的电源到所述供电单元内各负荷点的最短距离。
实施例中,所述第二计算模块,包括:
估计单元,用于基于供电单元网络节点度分布样本数据和设定参数估计的置信度,获得参数估计的结果;
检验单元,用于基于柯尔莫哥洛夫-斯米尔诺夫检验所述参数估计的结果:
第一循环单元,用于当供电单元网络节点度分布样本数据不满足指数分布时,重新调整参数估计的置信度后继续获得参数估计的结果,直到供电单元网络节点度分布样本数据满足指数分布;
第二循环单元,用于当供电单元网络节点度分布样本数据满足指数分布时,将所述置信度对应的率参数作为所述网络节点度的预设公式中的参数,并利用所述网络节点度的预设公式计算其余供电单元中网络节点的度。
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。
以上仅为本发明的实施例而已,并不用于限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均包含在申请待批的本发明的权利要求范围之内。
Claims (12)
1.一种基于拓扑特性的网架聚类分析方法,其特征在于,包括:
基于待测区域的电网地理拓扑数据利用队列优化算法获得各网络节点间的平均距离;
基于网络节点度的预设公式计算待测区域中网络节点的度;
基于所述各网络节点间的平均距离和网络节点的度对所述电网地理拓扑数据进行聚类。
2.如权利要求1所述的分析方法,其特征在于,所述基于待测区域的电网地理拓扑数据利用队列优化算法获得各网络节点间的平均距离,包括:
基于待测区域的电网地理拓扑数据确定各供电单元;
基于每一个供电单元利用队列优化算法获得所述供电单元内各负荷点到其余负荷点和电源的最短距离,以及电源到所述供电单元内各负荷点的最短距离;
对所述供电单元内各负荷点到其余负荷点和电源的最短距离求平均值,得到所述供电单元内负荷点间的平均距离;
基于所述供电单元内各负荷点到其余负荷点和电源的最短距离,以及电源到所述供电单元内各负荷点的最短距离得到电源到负荷点的平均距离;
其中,各网络节点间的平均距离,包括:供电单元内负荷点间的平均距离和电源到负荷点的平均距离。
3.如权利要求2所述的分析方法,其特征在于,所述基于所述供电单元内各负荷点到其余负荷点和电源的最短距离,以及电源到所述供电单元内各负荷点的最短距离得到电源到负荷点的平均距离,包括:
基于供电单元内各负荷点到电源的最短距离、供电单元的各负荷点到网络中联络开关端点一端的最短距离和所述联络开关另一端点所在的供电单元中电源到所述联络开关另一端点的最短距离,得到电源到各负荷点的综合最短距离;
将所述负荷点的负荷值作为综合最短距离的权重,获得所述供电单元内各负荷点对应的加权最短距离;
基于所述供电单元内各负荷点对应的加权最短距离获得电源到负荷点的平均距离。
6.如权利要求2所述的分析方法,其特征在于,所述基于每一个供电单元利用队列优化算法获得所述供电单元内各负荷点到其余负荷点和电源的最短距离,以及电源到所述供电单元内各负荷点的最短距离,包括:
将供电单元的各负荷点作为初始化节点,并将所述供电单元内其余负荷点和电源组成原始队列,利用队列优化算法循环直到所述原始队列为空得到所述供电单元内各负荷点到其余负荷点和电源的最短距离;
分别将每个供电单元的电源作为初始化节点,基于待测区域的电网地理拓扑数据依次提取网络边的信息生成初始队列,利用队列优化算法循环得到各供电单元的电源到所述供电单元内各负荷点的最短距离。
7.如权利要求1所述的分析方法,其特征在于,所述基于网络节点度的预设公式计算待测区域中网络节点的度,包括:
基于供电单元网络节点度分布样本数据和设定参数估计的置信度,获得参数估计的结果;
基于柯尔莫哥洛夫-斯米尔诺夫检验所述参数估计的结果:
当供电单元网络节点度分布样本数据不满足指数分布时,重新调整参数估计的置信度后继续获得参数估计的结果,直到供电单元网络节点度分布样本数据满足指数分布;
当供电单元网络节点度分布样本数据满足指数分布时,将所述置信度对应的率参数作为所述网络节点度的预设公式中的参数,并利用所述网络节点度的预设公式计算其余供电单元中网络节点的度。
9.如权利要求7所述的分析方法,其特征在于,所述按下式检验参数估计的结果:
D=max{|F0(x)-Fn(x)|}
式中:D:最大差值;F0(x):根据参数估计的结果生成满足指数分布的对照数据;Fn(x):网络度分布的分布律;
当最大差值D>设定置信度下的差异阈值时,供电单元网络节点度分布满足指数分布,否则供电单元网络节点度分布不满足指数分布。
10.如权利要求1所述的分析方法,其特征在于,所述基于所述各网络节点间的平均距离和网络节点的度对所述电网地理拓扑数据进行聚类之后还包括:
基于聚类得到的聚类结果对电网的网络拓扑进行网架结构优化,在同一聚类结果建立相同的网架模型。
11.一种基于拓扑特性的网架聚类分析系统,其特征在于,包括:
第一计算模块,用于基于待测区域的电网地理拓扑数据利用队列优化算法获得各网络节点间的平均距离;
第二计算模块,用于基于网络节点度的预设公式计算待测区域中网络节点的度;
聚类模块,用于基于所述各网络节点间的平均距离和网络节点的度对所述电网地理拓扑数据进行聚类。
12.如权利要求11所述的分析系统,其特征在于,所述第一计算模块,包括:
分析子模块,用于基于待测区域的电网地理拓扑数据确定各供电单元;
获取子模块,用于基于每一个供电单元利用队列优化算法获得所述供电单元内各负荷点到其余负荷点和电源的最短距离,以及电源到所述供电单元内各负荷点的最短距离;
第一距离子模块,用于对所述供电单元内各负荷点到其余负荷点和电源的最短距离求平均值,得到所述供电单元内负荷点间的平均距离;
第二距离子模块,用于基于所述供电单元内各负荷点到其余负荷点和电源的最短距离,以及电源到所述供电单元内各负荷点的最短距离得到电源到负荷点的平均距离;
其中,各网络节点间的平均距离,包括:供电单元内负荷点间的平均距离和电源到负荷点的平均距离。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811239898.2A CN111092425B (zh) | 2018-10-24 | 2018-10-24 | 一种基于拓扑特性的网架聚类分析方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811239898.2A CN111092425B (zh) | 2018-10-24 | 2018-10-24 | 一种基于拓扑特性的网架聚类分析方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111092425A true CN111092425A (zh) | 2020-05-01 |
CN111092425B CN111092425B (zh) | 2021-12-03 |
Family
ID=70392606
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811239898.2A Active CN111092425B (zh) | 2018-10-24 | 2018-10-24 | 一种基于拓扑特性的网架聚类分析方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111092425B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113422822A (zh) * | 2021-06-21 | 2021-09-21 | 广东电网有限责任公司 | 一种边缘计算自适应网络方法、系统、终端和存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130290223A1 (en) * | 2012-04-27 | 2013-10-31 | Yahoo! Inc. | Method and system for distributed machine learning |
CN105870935A (zh) * | 2016-04-05 | 2016-08-17 | 济南大学 | 基于聚类算法的辐射状配电网无功优化方法 |
CN107546737A (zh) * | 2016-06-28 | 2018-01-05 | 中国电力科学研究院 | 一种基于聚类分析的配电网可靠性影响因素的分析方法 |
CN107732957A (zh) * | 2017-08-25 | 2018-02-23 | 合肥工业大学 | 一种高渗透率分布式可再生能源发电集群划分方法 |
CN108199404A (zh) * | 2017-12-22 | 2018-06-22 | 国网安徽省电力有限公司电力科学研究院 | 高渗透率分布式能源系统的谱聚类集群划分方法 |
-
2018
- 2018-10-24 CN CN201811239898.2A patent/CN111092425B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130290223A1 (en) * | 2012-04-27 | 2013-10-31 | Yahoo! Inc. | Method and system for distributed machine learning |
CN105870935A (zh) * | 2016-04-05 | 2016-08-17 | 济南大学 | 基于聚类算法的辐射状配电网无功优化方法 |
CN107546737A (zh) * | 2016-06-28 | 2018-01-05 | 中国电力科学研究院 | 一种基于聚类分析的配电网可靠性影响因素的分析方法 |
CN107732957A (zh) * | 2017-08-25 | 2018-02-23 | 合肥工业大学 | 一种高渗透率分布式可再生能源发电集群划分方法 |
CN108199404A (zh) * | 2017-12-22 | 2018-06-22 | 国网安徽省电力有限公司电力科学研究院 | 高渗透率分布式能源系统的谱聚类集群划分方法 |
Non-Patent Citations (1)
Title |
---|
李建芳 等: "含高渗透率分布式电源的配电网多目标无功分区及主导节点选择方法", 《可再生能源》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113422822A (zh) * | 2021-06-21 | 2021-09-21 | 广东电网有限责任公司 | 一种边缘计算自适应网络方法、系统、终端和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111092425B (zh) | 2021-12-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110286279B (zh) | 基于极端树与堆栈式稀疏自编码算法的电力电子电路故障诊断方法 | |
CN107274067B (zh) | 一种配电变压器过载风险评估方法 | |
CN108599172B (zh) | 一种基于人工神经网络的输配网全局潮流计算方法 | |
CN109165819B (zh) | 一种基于改进AdaBoost.M1-SVM的有源配电网可靠性快速评估方法 | |
CN111082401B (zh) | 基于自学习机制的配电网故障恢复方法 | |
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 | |
CN110866366A (zh) | 一种基于XGBoost算法的含PHEV光伏微网孤岛检测法 | |
CN115586444A (zh) | 一种基于vmd与bp神经网络的锂电池剩余寿命预测方法 | |
CN115409317A (zh) | 基于特征选择和机器学习的台区线损检测方法及装置 | |
CN111092425B (zh) | 一种基于拓扑特性的网架聚类分析方法及系统 | |
CN110059938B (zh) | 一种基于关联规则驱动的配电网规划方法 | |
CN113689112A (zh) | 利用云计算改进层次分析法的智慧能源站能效评估方法及系统 | |
CN111935762B (zh) | 一种5g承载网下基于ewt和cnn的配网故障诊断方法和系统 | |
CN113033898A (zh) | 基于k均值聚类与bi-lstm神经网络的电负荷预测方法及系统 | |
CN109378834A (zh) | 基于信息最大相关的大规模电网电压稳定裕度评估系统 | |
CN117076967A (zh) | 一种基于理论线损数据计算的台区拓扑修正方法及系统 | |
CN114358638B (zh) | 含风电交直流混联电网连锁故障事故链辨识方法 | |
CN113627655B (zh) | 一种配电网灾前故障场景模拟预测方法及装置 | |
CN112967154B (zh) | 一种电力系统Well-being的评估方法及装置 | |
CN115579885A (zh) | 一种电网拓扑分析方法及装置 | |
CN115528326A (zh) | 一种储能电池筛选集成优化方法 | |
CN112241812B (zh) | 基于单边优化与遗传算法协作的低压配电网拓扑识别方法 | |
CN103326396A (zh) | 一种测定电力系统风电运行出力上限值的方法 | |
CN108521138B (zh) | 一种直流系统对交流故障换相失败整体免疫能力评价方法 | |
Miao et al. | A Transformer District Line Loss Calculation Method Based on Data Mining and Machine Learning |
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 |