CN111445108A - 数据驱动的配电网线变关系诊断方法、装置及系统 - Google Patents
数据驱动的配电网线变关系诊断方法、装置及系统 Download PDFInfo
- Publication number
- CN111445108A CN111445108A CN202010137784.8A CN202010137784A CN111445108A CN 111445108 A CN111445108 A CN 111445108A CN 202010137784 A CN202010137784 A CN 202010137784A CN 111445108 A CN111445108 A CN 111445108A
- Authority
- CN
- China
- Prior art keywords
- distribution
- line
- distribution transformer
- correlation coefficient
- feeder
- 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 421
- 238000000034 method Methods 0.000 title claims abstract description 87
- 238000003745 diagnosis Methods 0.000 title claims abstract description 28
- 230000002159 abnormal effect Effects 0.000 claims abstract description 57
- 238000012216 screening Methods 0.000 claims abstract description 40
- 238000004364 calculation method Methods 0.000 claims abstract description 18
- 230000001186 cumulative effect Effects 0.000 claims description 28
- 230000009466 transformation Effects 0.000 claims description 24
- 238000005259 measurement Methods 0.000 claims description 16
- 238000005070 sampling Methods 0.000 claims description 10
- 238000003860 storage Methods 0.000 claims description 9
- 238000012937 correction Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 11
- 239000011159 matrix material Substances 0.000 description 9
- 230000008569 process Effects 0.000 description 8
- 239000013598 vector Substances 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 6
- 238000000354 decomposition reaction Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 230000003044 adaptive effect Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 239000003795 chemical substances by application Substances 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
-
- 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)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Pure & Applied Mathematics (AREA)
- Development Economics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Entrepreneurship & Innovation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Educational Administration (AREA)
- Mathematical Optimization (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Life Sciences & Earth Sciences (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Artificial Intelligence (AREA)
- Algebra (AREA)
- General Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Public Health (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
Abstract
本发明公开了一种数据驱动的配电网线变关系诊断方法、装置及系统,方法包括计算出不同时间窗内各配电变压器与其原始所属馈线之间的相关系数;筛选出最大相关系数,作为各配电变压器的中级相关系数;基于虚拟代理思想修正所有中级相关系数,得到各配电变压器的高级相关系数;基于高级相关系数,计算出高级相关系数阈值,筛选出线变关系疑似异常配电变压器;修正线变关系疑似异常配电变压器修正到最有可能所属馈线,若修正后所属的馈线与原始所属的馈线不同,判定该疑似异常配电变压器为线变关系错误的配电变压器。本发明可用于识别任意规模的配电网线变关系错误,计算简单,原理明确,可帮助配网运行人员及时发现线变关系连接错误。
Description
技术领域
本发明属于配电网线变关系诊断技术领域,具体涉及一种数据驱动的配电网线变关系诊断方法、装置及系统,尤其涉及一种中压数据驱动的配电网线变关系诊断方法、装置及系统。
背景技术
中压配电网线变关系由中压馈线、配电变压器负荷、联络开关和输电线路等相互连接组成,描述了中压馈线挂接配电变压器负荷的关系,由实际现场人员人工维护至能量管理系统(Power Management System,PMS)。但是由于实际运行过程中,大量联络开关频繁切换和更新配置,以及量测装置准确性低、人工操作主观性差等因素影响,使得当前配电网线变关系难以与现场匹配一致。
传统依赖直接考虑馈线首端与配电变压器负荷电压变化相似性能够识别部分线变关系错误现象,但传统方法未考虑2方面问题,一是配电变压器量测数据采样时间与馈线量测数据采样时间不同步问题,本发明通过自适应时间窗滑动在量测数据“前移后推”过程中寻找匹配最优的时间窗,并给出配电变压器量测数据时钟调整建议;二是如果线路较长、配电变压器数量较多,将处于线路末端的配电变压器直接匹配首端母线电压变化的趋势并不公平,本发明通过虚拟代理思想,从馈线首端出发逐步寻找优秀虚拟代理,形成代理链条,克服线路过长引起的相关系数指标误差,精确实现线变关系异常诊断。
正确的配电网线变关系是电力系统线损计算、规划设计和稳定运行的研究基础,没有一个及时准确的配电网线变关系,线损计算等重要工作将难以推进。因此,中压配电网网络线变关系诊断方法是一个重要的研究课题,研究成果可以帮助运行人员及时发现线变关系错误,进一步挖掘配网信息。
发明内容
针对上述问题,本发明提出一种数据驱动的配电网线变关系诊断方法、装置及系统,可用于识别任意规模的中压配电网线变关系错误,该方法计算简单,原理明确,可帮助配网运行人员及时发现线变关系连接错误。
为了实现上述技术目的,达到上述技术效果,本发明通过以下技术方案实现:
第一方面,本发明提供了一种数据驱动的配电网线变关系诊断方法,包括:
基于自适应时间窗滑动方法,计算出不同时间窗内各配电变压器与其原始所属馈线之间的相关系数;
筛选出各配电变压器与其原始所属馈线之间的最大相关系数,作为各配电变压器与其原始所属馈线之间的中级相关系数;
基于虚拟代理思想,修正所有中级相关系数,得到各配电变压器与其原始所属馈线之间的高级相关系数;
基于所述高级相关系数,计算出高级相关系数阈值,并筛选出线变关系疑似异常配电变压器;
将线变关系疑似异常配电变压器修正到最有可能所属馈线中去,若修正后所属的馈线与原始所属的馈线不同,则判定该疑似异常配电变压器为线变关系错误的配电变压器。
可选地,假设时间窗偏移数为m,所述不同时间窗内各配电变压器与其原始所属馈线之间的相关系数的计算方法包括:
针对各配电变压器,分别取出其当前时间窗、以及超前和滞后m个时间窗的电压序列,计算出各时间窗内配电变压器与其原始所属馈线的相关系数,得到与各配电变压器对应的线变关系指标集;
所述中级相关系数的计算方法包括:
筛选出各线变关系指标集中的最大值,作为各配电变压器与其原始所属馈线之间的中级相关系数。
可选地,假设某配电变压器Tk连接在馈线f上,配电变压器Tk的电压量测数据为 Vk=[vk,1,vk,2,...,vk,i,...,vk,n],馈线f的电压量测数据为Vf=[vf,1,vf,2,...,vf,i,...,vf,n],n表示配电变压器与馈线电压量测数据采样点个数;
所述配电变压器与其原始所属馈线的相关系数的计算方法包括:
采用相关系数计算公式,计算出配电变压器与其原始所属的馈线之间的相关系数,所述相关系数计算公式为:
可选地,各配电变压器与其原始所属馈线之间的高级相关系数的计算方法包括:
设共有g个配电变压器原始所属于馈线f,利用该g个配电变压器与其原始所属馈线之间的中级相关系数构建馈线f的中级相关系数集合R(2);
挑选出中级相关系数集合R(2)里中级相关系数大于设定虚拟代理阈值c的配电变压器,作为第1层虚拟代理,并将第1层虚拟代理中的各配电变压器与其原始所属馈线之间的中级相关系数作为其与原始所属馈线之间的高级相关系数;
对于除第一层虚拟代理以外的配电变压器,重复执行以下步骤,直至未找到下一层虚拟代理为止:
以前一次计算出的第a层虚拟代理作为虚拟馈线,计算出剩余各配电变压器与第a层虚拟代理之间的中级相关系数,取出中级相关系数大于c的配电变压器作为第a+1层虚拟代理,并将第a+1层虚拟代理中各配电变压器与第a层虚拟代理之间计算出的中级相关系数,作为第a+1层虚拟代理中各配电变压器与原始所属馈线之间的高级相关系数。
可选地,所述高级相关系数阈值的计算方法包括:
将所有配电变压器与其原始所属馈线之间的高级相关系数组成指标集合;
按照设定的区间步长将统计区间划分成若干个子区间,计算指标集合在各子区间的累计分布概率,形成累计分布概率集合;
选择直线y=Ax+B对所述累计分布概率集合的下降段拟合的平均误差最小时,拟合直线y=Ax+B与x轴的交点作为高级相关系数阈值。
可选地,记累计分布概率集合为I=[I1,I2,…Ib,…,It],其中Ib表示指标集合中数据分布在第b个子区间的概率;
所述选择直线y=Ax+B对所述累计分布概率集合的下降段拟合的平均误差最小时,拟合直线y=Ax+B与x轴的交点作为高级相关系数阈值,包括以下步骤:
利用数据点(b,Ib)形成数据集S,b=1,2…t;
置初始待拟合数据规模为q,记录数据集S中的后q个数据点为数据集Sq;
基于最小二乘法对数据集Sq作拟合,得到拟合曲线y=Aqx+Bq;
计算当x=t-q,t+1-q,t时对应的拟合值y,并记录为数据集Sq *;
令q=q+1,当q>t时,找到集合Γ中的最小值,其对应的直线y=Aqx+Bq与x轴的交点即为最终选定的高级相关系数阈值。
可选地,所述将线变关系疑似异常配电变压器修正到最有可能所属馈线中去,包括以下步骤:
利用经纬度信息,筛选出地理位置相近的馈线,形成目标馈线集合F=[f1,f2,…,fl],其中l表示地理位置相近的馈线条数;
筛选出各馈线fd上线变关系正确的配电变压器和疑似异常配电变压器,d=1,2,…,l;
对于各馈线fd,将线变关系正确的配电变压器归为一类,并计算该类中配电变压器与馈线的相关系数平均值,作为该类的类别中心;
计算各疑似异常配电变压器与各类别中心之间的欧式距离;
基于欧式距离最小,依次确定出与各疑似异常配电变压器对应的类别,将疑似异常配电变压器修正到对应类中,更新对应类的聚类中心,完成将线变关系疑似异常配电变压器修正到最有可能所属馈线中去。
第二方面,本发明提供了一种数据驱动的配电网线变关系诊断装置,包括:
计算单元,用于基于自适应时间窗滑动方法,计算出不同时间窗内各配电变压器与其原始所属馈线之间的相关系数;
第一筛选单元,用于筛选出各配电变压器与其原始所属馈线之间的最大相关系数,作为各配电变压器与其原始所属馈线之间的中级相关系数;
修正单元,用于基于虚拟代理思想,修正所有中级相关系数,得到各配电变压器与其原始所属馈线之间的高级相关系数;
第二筛选单元,用于基于所述高级相关系数,计算出高级相关系数阈值,并筛选出线变关系疑似异常配电变压器;
判断单元,用于将线变关系疑似异常配电变压器修正到最有可能所属馈线中去,若修正后所属的馈线与原始所属的馈线不同,则判定该疑似异常配电变压器为线变关系错误的配电变压器。
可选地,假设时间窗偏移数为m,所述计算单元包括:
提取模块,用于针对各配电变压器,分别取出其当前时间窗、以及超前和滞后m个时间窗的电压序列;
计算模块,用于计算出各时间窗内配电变压器与其原始所属馈线的相关系数,得到与各配电变压器对应的线变关系指标集;
所述第一筛选单元包括:
筛选模块,用于筛选出各线变关系指标集中的最大值;
赋值模块,用于将各线变关系指标集中的最大值作为各配电变压器与其原始所属馈线之间的中级相关系数。
可选地,设共有g个配电变压器原始所属于馈线f,所述修正单元包括:
构建模块,用于利用该g个配电变压器与其原始所属馈线之间的中级相关系数构建馈线f的中级相关系数集合R(2);
第一挑选模块,用于挑选出中级相关系数集合R(2)里中级相关系数大于设定虚拟代理阈值c的配电变压器,作为第1层虚拟代理,并将第1层虚拟代理中的各配电变压器与其原始所属馈线之间的中级相关系数作为其与原始所属馈线之间的高级相关系数;
第二挑选模块,用于对于除第一层虚拟代理以外的配电变压器,重复执行以下步骤,直至未找到下一层虚拟代理为止:
以前一次计算出的第a层虚拟代理作为虚拟馈线,计算出剩余各配电变压器与第a层虚拟代理之间的中级相关系数,取出中级相关系数大于c的配电变压器作为第a+1层虚拟代理,并将第a+1层虚拟代理中各配电变压器与第a层虚拟代理之间计算出的中级相关系数,作为第a+1层虚拟代理中各配电变压器与原始所属馈线之间的高级相关系数。
可选地,所述高级相关系数阈值的计算方法包括:
将所有配电变压器与其原始所属馈线之间的高级相关系数组成指标集合;
按照设定的区间步长将统计区间划分成若干个子区间,计算指标集合在各子区间的累计分布概率,形成累计分布概率集合;
选择直线y=Ax+B对所述累计分布概率集合的下降段拟合的平均误差最小时,拟合直线y=Ax+B与x轴的交点作为高级相关系数阈值。
可选地,所述将线变关系疑似异常配电变压器修正到最有可能所属馈线中去,包括以下步骤:
利用经纬度信息,筛选出地理位置相近的馈线,形成目标馈线集合F=[f1,f2,…,fl],其中l表示地理位置相近的馈线条数;
筛选出各馈线fd上线变关系正确的配电变压器和疑似异常配电变压器,d=1,2,…,l;
对于各馈线fd,将线变关系正确的配电变压器归为一类,并计算该类中配电变压器与馈线的相关系数平均值,作为该类的类别中心;
计算各疑似异常配电变压器与各类别中心之间的欧式距离;
基于欧式距离最小,依次确定出与各疑似异常配电变压器对应的类别,将疑似异常配电变压器修正到对应类中,更新对应类的聚类中心,完成将线变关系疑似异常配电变压器修正到最有可能所属馈线中去。
第三方面,本发明提供了一种数据驱动的配电网线变关系诊断系统,包括:存储介质和处理器;
所述存储介质用于存储指令;
所述处理器用于根据所述指令进行操作以执行根据第一方面中任一项所述方法的步骤。
与现有技术相比,本发明的有益效果:
(1)本发明考虑了配电变压器量测数据采样时间与馈线量测数据采样时间不同步问题,提出了基于自适应时间窗滑动方法,计算出不同时间窗内各配电变压器与其原始所属的馈线之间的相关系数,筛选出各配电变压器与其原始所属的馈线之间的最大相关系数,作为各配电变压器与其原始所属的馈线之间的中级相关系数,中级相关系数对应的时间窗即为各配电变压器的最优时间窗,根据最优时间窗给出各配电变压器采样时钟调整建议。
(2)本发明考虑了线路较长、配电变压器数量较多时,处于线路末端的配电变压器直接匹配首端母线电压变化的趋势并不公平的问题,通过虚拟代理思想,从馈线首端出发逐步寻找优秀虚拟代理,形成代理链条,克服线路过长引起的相关系数指标误差。
(3)本发明通过学习历史数据特征,通过概率分布估计方法计算评判线变关系是否异常的阈值,避免了人为指定。
(4)本发明基于类别修正方法,避免了直接聚类时初始化阶段的随机性,同时避免了直接聚类时若线变关系疑似异常配电变压器数量上占据主导地位时,聚类中心会向线变关系疑似异常配电变压器方向偏移的问题。
(5)本发明计算简单,原理明确,可帮助配网运行人员及时发现线变关系错误,具有良好的应用前景。
附图说明
为了使本发明的内容更容易被清楚地理解,下面根据具体实施例并结合附图,对本发明作进一步详细的说明,其中:
图1为本发明的配电网线变关系诊断的流程图;
图2为奇异值分解方法的原理图;
图3为自适应时间窗滑动方法中时间窗滑动示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明的保护范围。
下面结合附图对本发明的应用原理作详细的描述。
实施例1
本发明实施例中提供了一种数据驱动的配电网线变关系诊断方法,包括以下步骤:
基于自适应时间窗滑动方法,计算出不同时间窗内各配电变压器与其原始所属馈线之间的相关系数;
筛选出各配电变压器与其原始所属馈线之间的最大相关系数,作为各配电变压器与其原始所属馈线之间的中级相关系数;
基于虚拟代理思想,修正所有中级相关系数,得到各配电变压器与其原始所属馈线之间的高级相关系数;
基于所述高级相关系数,计算出高级相关系数阈值,并筛选出线变关系疑似异常配电变压器;
将线变关系疑似异常配电变压器修正到最有可能所属馈线中去,若修正后所属的馈线与原始所属的馈线不同,则判定该疑似异常配电变压器为线变关系错误的配电变压器。
在本发明实施例的一种具体实施方式中,假设时间窗偏移数为m,所述不同时间窗内各配电变压器与其原始所属馈线之间的相关系数的计算方法包括:
针对各配电变压器,分别取出其当前时间窗、以及超前和滞后m个时间窗的电压序列,计算出各时间窗内配电变压器与其原始所属馈线的相关系数,得到与各配电变压器对应的线变关系指标集。
所述中级相关系数的计算方法包括:
筛选出各线变关系指标集中的最大值,作为各配电变压器与其原始所属馈线之间的中级相关系数。
在具体实施过程中,所述基于自适应时间窗滑动方法,计算出不同时间窗内各配电变压器与其原始所属馈线之间的相关系数,可以采用以下具体步骤来实现:
步骤1:针对配电变压器Tk,其电压量测数据为Vk=[vk,1,vk,2,…,vk,i,…,vk,n],假设时间窗偏移数为m,vk,-m为vk,1前第m个电压数据,vk,n+m为vk,n后第m个电压数据;
步骤2:取出配电变压器Tk超前1个时间窗的电压序列Vk (1)=[vk,-1,vk,1,…,vk,n-1]T,计算与馈线f的相关系数Rk,f (1);
步骤3:取出配电变压器Tk滞后1个时间窗的电压序列Vk (1)=[vk,2,vk,3,…,vk,n+1]T,计算与馈线f的相关系数Rk,f (-1);
步骤4:重复上述步骤2和步骤3,直至计算完成超前和滞后m个时间窗对应的线变关系指标集[Rk,f (-m),Rk,f (-m+1),…,Rk,f,…,Rk,f (m-1),Rk,f (m)]。
所述中级相关系数可以采用以下步骤计算得到:
步骤5:将步骤4中获得的指标集中最大值作为配电变压器Tk的中级相关系数,对应的时间窗即为配电变压器Tk最优时间窗,可以根据最优时间窗给出配电变压器采样时钟调整建议。
在本发明实施例的一种具体实施方式中,假设某配电变压器Tk连接在馈线f上,配电变压器Tk的电压量测数据为Vk=[vk,1,vk,2,...,vk,i,...,vk,n],馈线f的电压量测数据为Vf=[vf,1,vf,2,...,vf,i,...,vf,n,]n表示配电变压器与馈线电压量测数据采样点个数;
所述配电变压器与其原始所属馈线的相关系数的计算方法包括:
采用相关系数计算公式,计算出配电变压器与其原始所属的馈线之间的相关系数;所述相关系数计算公式为:
在本发明实施例的一种具体实施方式中,考虑由于线路供电长度不同引起配电变压器相关系数计算误差问题,本发明提出基于虚拟代理思想修正中级相关系数,最终计算出配电变压器与其原始所属的馈线之间的高级相关系数;具体地,所述计算出各配电变压器与其原始所属馈线之间的高级相关系数的计算方法包括:
设共有g个配电变压器原始所属于馈线f,利用该g个配电变压器的中级相关系数构建馈线f的中级相关系数集合R(2);
挑选出中级相关系数集合R(2)里中级相关系数大于设定虚拟代理阈值c的配电变压器,作为第1层虚拟代理,并将第1层虚拟代理中的各配电变压器与其原始所属馈线之间的中级相关系数作为其与原始所属馈线之间的高级相关系数;在具体应用过程中,所述虚拟代理阈值c可以取0.95;
对于除第一层虚拟代理以外的配电变压器,重复执行以下步骤,直至未找到下一层虚拟代理为止:
以前一次计算出的第a层虚拟代理作为虚拟馈线,计算出剩余各配电变压器与第a层虚拟代理之间的中级相关系数,取出中级相关系数大于c的配电变压器作为第a+1层虚拟代理,并将第a+1层虚拟代理中各配电变压器与第a层虚拟代理中各配电变压器之间计算出的中级相关系数,作为第a+1层虚拟代理中各配电变压器与原始所属馈线之间的高级相关系数;
对于未被选中成为虚拟代理的各配电变压器,则将这些配电变压器与其原始所属馈线之间的中级相关系数作为其与原始所属馈线之间的高级相关系数。
在实际应用过程中,所述计算出各配电变压器与其原始所属馈线之间的高级相关系数的计算方法包括,具体包括以下步骤:
步骤A:挑选出中级相关系数集合R(2)里中级相关系数大于设定虚拟代理阈值c的配电变压器,作为第1层虚拟代理,并将第1层虚拟代理中的各配电变压器与其原始所属馈线之间的中级相关系数作为其与原始所属馈线之间的高级相关系数;在具体应用过程中,所述虚拟代理阈值c可以取0.95;
步骤B:以第1层虚拟代理作为虚拟馈线,计算出剩余配电变压器与第1层虚拟代理之间的中级相关系数,取出中级相关系数大于c的配电变压器作为第2层虚拟代理;所述剩余配电变压器与第1层虚拟代理之间的中级相关系数是通过针对各个剩余配电变压器,分别进行以下操作获得的:基于自适应时间窗滑动方法,计算出不同时间窗内某剩余配电变压器与第一层虚拟代理中各配电变压器之间的相关系数;筛选出该配电变压器与第一层虚拟代理中各配电变压器之间的最大相关系数,作为该配电变压器与第1层虚拟代理之间的中级相关系数;
步骤C:将第2层虚拟代理中各配电变压器与第1层虚拟代理间计算出的中级相关系数,作为第2层虚拟代理中各配电变压器其与原始所属馈线之间的高级相关系数;
步骤D:重复上述步骤B-C直到未找到下一层虚拟代理为止。
在本发明实施例的一种具体实施方式中,提出利用累计分布概率信息,基于最小二乘法计算高级相关系数阈值,所述高级相关系数阈值的计算方法包括:
以历史日某地市为例,假设共有中压配电变压器h台,计算出所有配电变压器与其原始所属馈线之间的高级相关系数;
将所有配电变压器与其原始所属馈线之间的高级相关系数组成指标集合;
按照设定的区间步长将统计区间划分成若干个子区间,计算指标集合在各子区间的累计分布概率,形成累计分布概率集合;
选择直线y=Ax+B对所述累计分布概率集合的下降段拟合的平均误差最小时,拟合直线y=Ax+B与x轴的交点作为高级相关系数阈值。
在本发明实施例的一种具体实施方式中,记累计分布概率集合为I=[I1,I2,…Ib,…,It],其中Ib表示指标集合中数据分布在第b个子区间的概率;
所述选择直线y=Ax+B对所述累计分布概率集合的下降段拟合的平均误差最小时,拟合直线y=Ax+B与x轴的交点作为高级相关系数阈值,包括以下步骤:
利用数据点(b,Ib)形成数据集S,b=1,2t;
置初始待拟合数据规模为q,记录数据集S中的后q个数据点为数据集Sq;
基于最小二乘法对数据集Sq作拟合,得到拟合曲线y=Aqx+Bq;
计算当x=t-q,t+1-q,t时对应的拟合值y,并记录为数据集Sq *;
令q=q+1,当q>t时,找到集合Γ中的最小值,其对应的直线y=Aqx+Bq与x轴的交点即为最终选定的高级相关系数阈值。
在具体实施过程中,可以采用以下具体步骤来实现:
以历史日某地市为例,假设共有中压配电变压器h台,计算所有中压配电变压器与对应馈线的高级相关系数,组成指标集合H。
以0.01为区间步长,将区间[0,1]划分成[0,0.01×b],其中b=1,2,…,100,计算指标集合 H数据在各区间的累计分布概率,形成累计分布概率集合I=[I1,I2,…,Ib,…,I100],其中Ib表示集合H数据中分布在区间[0,0.01×b]的概率;
结合最小二乘法,使直线y=Ax+B对累计分布概率集合I数据下降段拟合的平均误差最小时,此时拟合直线与x轴的交点作为高级相关系数阈值w。具体步骤如下:
步骤1:计算出累计分布概率集合I。记录100个数据点(b,Ib)为数据集S;
步骤2:计算拟合曲线。置初始待拟合数据规模q=3,记录数据集S中的后q个数据点为数据集Sq。基于最小二乘法对集合Sq作拟合,得到拟合曲线y=Aqx+Bq。计算当 x=100-q,101-q,…,100时对应的拟合值y,并记录为数据集Sq *;
步骤3:计算拟合误差。按下式计算选择q个数据点时拟合的平均误差Γq,并记入数据集Γ中;
步骤4:令q=q+1,当q>100时,转到步骤5,否则转到步骤2;
步骤5:找到集合Γ中的最小值,其对应的直线y=Aqx+Bq与x轴的交点即为最终选定的高级相关系数阈值w。
所述筛选出线变关系疑似异常配电变压器,包括以下步骤:
若配电变压器的高级相关系数大于阈值w,则认为此配电变压器线变关系正确,若配电变压器的高级相关系数小于阈值w,则认为此配电变压器线变关系疑似异常。
在本发明实施例的一种具体实施方式中,所述将线变关系疑似异常配电变压器修正到最有可能所属馈线中去,包括以下步骤:
考虑到配电变压器至中压馈线的挂接点覆盖的地理范围有限,利用经纬度信息,筛选出地理位置相近的馈线,形成目标馈线集合F=[f1,f2,…,fl],其中l表示地理位置相近的馈线条数;
筛选出各馈线fd上线变关系正确的配电变压器和疑似异常配电变压器,d=1,2,…,l;
对于各馈线fd,将线变关系正确的配电变压器归为一类,并计算该类中配电变压器与馈线的相关系数平均值,作为该类的类别中心;
计算各疑似异常配电变压器与各类别中心之间的欧式距离;
基于欧式距离最小,依次确定出与各疑似异常配电变压器对应的类别,将此疑似异常配电变压器修正到该类中,更新该类的聚类中心,完成将线变关系疑似异常配电变压器修正到最有可能所属馈线中去。
实施例2
基于实施例1,本发明实施例与实施例1的区别在于:
如图2所示,所述基于自适应时间窗滑动方法,计算出不同时间窗内各配电变压器与其原始所属馈线之间的相关系数步骤之前,还包括:
获取中压配电网中的配电变压器与馈线的相关数据:
对获得的配电网中的配电变压器与馈线的相关数据进行去噪处理,获得去噪后的配电变压器与馈线的相关数据。
在本发明实施例的一种具体实施方式中,所述获取中压配电网中的配电变压器与馈线的相关数据,可以通过以下步骤实现:
在设备管理系统(该系统为现有技术中存在的系统)中选择待处理的配电网(比如中压配电网),读取现有系统存储的“馈线-配变负荷”的线变关系,导出一天每15min采样一次的配变与馈线的电压数据,即数据长度n=96,前述的每15min采样一次的采用频率可以根据实际情况进行修改。
在本发明实施例的一种具体实施方式中,所述对获得的配电网中的配电变压器与馈线的相关数据进行去噪处理,具体为:
采用奇异值分解方法对获得的配电网中的配电变压器与馈线的相关数据进行去噪处理。
所述采用奇异值分解方法对原始采集数据作去噪处理,其基本思想是将原始数据经奇异值分解方法分解为左奇异向量、奇异值和右奇异向量相乘得到形式,较小奇异值对应了数据噪声,保留奇异值较大值并进行数据重构,重构后的数据即为去噪后的数据,其基本原理图如图2所示。共有g个配电变压器原始所属于馈线f,设g个配变的电压数据构成的g*n阶矩阵X=[X1,X2,...,Xg]T,在奇异值分解理论中,对于矩阵X,存在正交U∈ Rg×g和V∈Rn×n,使得:
式中:正交矩阵U=[u1,u2,…,ug]的列向量为单位向量且相互正交,同时是矩阵XXT的特征向量,称为左奇异向量;正交矩阵V=[v1,v2,…,vn]的列向量也为单位向量且相互正交,同时是矩阵XTX的特征向量,称为右奇异向量;Λ1=diag(λ1,λ2,…,λp),其中 p=min(m,n)。Λ1是对角矩阵,其对角元素为矩阵X的奇异值并按降序排列,即λ1≥λ2≥,…,≥λp。认为较小奇异值对应的部分代表了能够忽略的噪声。这样,由上式,仅保留前q(q<p)个占据主导地位的奇异值,矩阵X和某一配变数据Xi分别约简为:
在忽略掉代表噪声的奇异值后并进行重构,即可得到去噪后的数据。
实施例3
本发明实施例中提供了一种数据驱动的配电网线变关系诊断装置,包括:
计算单元,用于基于自适应时间窗滑动方法,计算出不同时间窗内各配电变压器与其原始所属馈线之间的相关系数;
第一筛选单元,用于筛选出各配电变压器与其原始所属馈线之间的最大相关系数,作为各配电变压器与其原始所属馈线之间的中级相关系数;
修正单元,用于基于虚拟代理思想,修正所有中级相关系数,得到各配电变压器与其原始所属馈线之间的高级相关系数;
第二筛选单元,用于基于所述高级相关系数,计算出高级相关系数阈值,并筛选出线变关系疑似异常配电变压器;
判断单元,用于将线变关系疑似异常配电变压器修正到最有可能所属馈线中去,若修正后所属的馈线与原始所属的馈线不同,则判定该疑似异常配电变压器为线变关系错误的配电变压器。
在本发明实施例的一种具体实施方式中,假设时间窗偏移数为m,所述计算单元包括:
提取模块,用于针对各配电变压器,分别取出其当前时间窗、以及超前和滞后m个时间窗的电压序列;
计算模块,用于计算出各时间窗内配电变压器与其原始所属馈线的相关系数,得到与各配电变压器对应的线变关系指标集;
所述第一筛选单元包括:
筛选模块,用于筛选出各线变关系指标集中的最大值;
赋值模块,用于将各线变关系指标集中的最大值作为各配电变压器与其原始所属馈线之间的中级相关系数。
在本发明实施例的一种具体实施方式中,设共有g个配电变压器原始所属于馈线f,所述修正单元包括:
构建模块,用于利用该g个配电变压器与其原始所属馈线之间的中级相关系数构建馈线f的中级相关系数集合R(2);
第一挑选模块,用于挑选出中级相关系数集合R(2)里中级相关系数大于设定虚拟代理阈值c的配电变压器,作为第1层虚拟代理,并将第1层虚拟代理中的各配电变压器与其原始所属馈线之间的中级相关系数作为其与原始所属馈线之间的高级相关系数;
第二挑选模块,用于对于除第一层虚拟代理以外的配电变压器,重复执行以下步骤,直至未找到下一层虚拟代理为止:
以前一次计算出的第a层虚拟代理作为虚拟馈线,计算出剩余各配电变压器与第a层虚拟代理之间的中级相关系数,取出中级相关系数大于c的配电变压器作为第a+1层虚拟代理,并将第a+1层虚拟代理中各配电变压器与第a层虚拟代理之间计算出的中级相关系数,作为第a+1层虚拟代理中各配电变压器与原始所属馈线之间的高级相关系数。
在本发明实施例的一种具体实施方式中,所述高级相关系数阈值的计算方法包括:
将所有配电变压器与其原始所属馈线之间的高级相关系数组成指标集合;
按照设定的区间步长将统计区间划分成若干个子区间,计算指标集合在各子区间的累计分布概率,形成累计分布概率集合;
选择直线y=Ax+B对累计分布概率集合的下降段拟合的平均误差最小时,拟合直线 y=Ax+B与x轴的交点作为高级相关系数阈值。
实施例4
一种数据驱动的配电网线变关系诊断系统,包括:存储介质和处理器;
所述存储介质用于存储指令;
所述处理器用于根据所述指令进行操作以执行根据实施例1中任一项所述方法的步骤。
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。
以上结合附图对本发明的实施例进行了描述,但是本发明并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本发明的启示下,在不脱离本发明宗旨和权利要求所保护的范围情况下,还可做出很多形式,这些均属于本发明的保护之内。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (13)
1.一种数据驱动的配电网线变关系诊断方法,其特征在于,包括:
基于自适应时间窗滑动方法,计算出不同时间窗内各配电变压器与其原始所属馈线之间的相关系数;
筛选出各配电变压器与其原始所属馈线之间的最大相关系数,作为各配电变压器与其原始所属馈线之间的中级相关系数;
基于虚拟代理思想,修正所有中级相关系数,得到各配电变压器与其原始所属馈线之间的高级相关系数;
基于所述高级相关系数,计算出高级相关系数阈值,并筛选出线变关系疑似异常配电变压器;
将线变关系疑似异常配电变压器修正到最有可能所属馈线中去,若修正后所属的馈线与原始所属的馈线不同,则判定该疑似异常配电变压器为线变关系错误的配电变压器。
2.根据权利要求1所述的一种数据驱动的配电网线变关系诊断方法,其特征在于:假设时间窗偏移数为m,所述不同时间窗内各配电变压器与其原始所属馈线之间的相关系数的计算方法包括:
针对各配电变压器,分别取出其当前时间窗、以及超前和滞后m个时间窗的电压序列,计算出各时间窗内配电变压器与其原始所属馈线的相关系数,得到与各配电变压器对应的线变关系指标集;
所述中级相关系数的计算方法包括:
筛选出各线变关系指标集中的最大值,作为各配电变压器与其原始所属馈线之间的中级相关系数。
3.根据权利要求1或2所述的一种数据驱动的配电网线变关系诊断方法,其特征在于:假设某配电变压器Tk连接在馈线f上,配电变压器Tk的电压量测数据为Vk=[vk,1,vk,2,...,vk,i,...,vk,n],馈线f的电压量测数据为Vf=[vf,1,vf,2,...,vf,i,...,vf,n],n表示配电变压器与馈线电压量测数据采样点个数;
所述配电变压器与其原始所属馈线的相关系数的计算方法包括:
采用相关系数计算公式,计算出配电变压器与其原始所属的馈线之间的相关系数,所述相关系数计算公式为:
4.根据权利要求1所述的一种数据驱动的配电网线变关系诊断方法,其特征在于:各配电变压器与其原始所属馈线之间的高级相关系数的计算方法包括:
设共有g个配电变压器原始所属于馈线f,利用该g个配电变压器与其原始所属馈线之间的中级相关系数构建馈线f的中级相关系数集合R(2);
挑选出中级相关系数集合R(2)里中级相关系数大于设定虚拟代理阈值c的配电变压器,作为第1层虚拟代理,并将第1层虚拟代理中的各配电变压器与其原始所属馈线之间的中级相关系数作为其与原始所属馈线之间的高级相关系数;
对于除第一层虚拟代理以外的配电变压器,重复执行以下步骤,直至未找到下一层虚拟代理为止:
以前一次计算出的第a层虚拟代理作为虚拟馈线,计算出剩余各配电变压器与第a层虚拟代理之间的中级相关系数,取出中级相关系数大于c的配电变压器作为第a+1层虚拟代理,并将第a+1层虚拟代理中各配电变压器与第a层虚拟代理之间计算出的中级相关系数,作为第a+1层虚拟代理中各配电变压器与原始所属馈线之间的高级相关系数。
5.根据权利要求1所述的一种数据驱动的配电网线变关系诊断方法,其特征在于:所述高级相关系数阈值的计算方法包括:
将所有配电变压器与其原始所属馈线之间的高级相关系数组成指标集合;
按照设定的区间步长将统计区间划分成若干个子区间,计算指标集合在各子区间的累计分布概率,形成累计分布概率集合;
选择直线y=Ax+B对所述累计分布概率集合的下降段拟合的平均误差最小时,拟合直线y=Ax+B与x轴的交点作为高级相关系数阈值。
6.根据权利要求5所述的一种数据驱动的配电网线变关系诊断方法,其特征在于:记累计分布概率集合为I=[I1,I2,…Ib,…,It],其中Ib表示指标集合中数据分布在第b个子区间的概率;
所述选择直线y=Ax+B对所述累计分布概率集合的下降段拟合的平均误差最小时,拟合直线y=Ax+B与x轴的交点作为高级相关系数阈值,包括以下步骤:
利用数据点(b,Ib)形成数据集S,b=1,2…t;
置初始待拟合数据规模为q,记录数据集S中的后q个数据点为数据集Sq;
基于最小二乘法对数据集Sq作拟合,得到拟合曲线y=Aqx+Bq;
计算当x=t-q,t+1-q,…t时对应的拟合值y,并记录为数据集Sq *;
令q=q+1,当q>t时,找到集合Γ中的最小值,其对应的直线y=Aqx+Bq与x轴的交点即为最终选定的高级相关系数阈值。
7.根据权利要求1所述的一种数据驱动的配电网线变关系诊断方法,其特征在于:所述将线变关系疑似异常配电变压器修正到最有可能所属馈线中去,包括以下步骤:
利用经纬度信息,筛选出地理位置相近的馈线,形成目标馈线集合F=[f1,f2,…,fl],其中l表示地理位置相近的馈线条数;
筛选出各馈线fd上线变关系正确的配电变压器和疑似异常配电变压器,d=1,2,…,l;
对于各馈线fd,将线变关系正确的配电变压器归为一类,并计算该类中配电变压器与馈线的相关系数平均值,作为该类的类别中心;
计算各疑似异常配电变压器与各类别中心之间的欧式距离;
基于欧式距离最小,依次确定出与各疑似异常配电变压器对应的类别,将疑似异常配电变压器修正到对应类中,更新对应类的聚类中心,完成将线变关系疑似异常配电变压器修正到最有可能所属馈线中去。
8.一种数据驱动的配电网线变关系诊断装置,其特征在于,包括:
计算单元,用于基于自适应时间窗滑动方法,计算出不同时间窗内各配电变压器与其原始所属馈线之间的相关系数;
第一筛选单元,用于筛选出各配电变压器与其原始所属馈线之间的最大相关系数,作为各配电变压器与其原始所属馈线之间的中级相关系数;
修正单元,用于基于虚拟代理思想,修正所有中级相关系数,得到各配电变压器与其原始所属馈线之间的高级相关系数;
第二筛选单元,用于基于所述高级相关系数,计算出高级相关系数阈值,并筛选出线变关系疑似异常配电变压器;
判断单元,用于将线变关系疑似异常配电变压器修正到最有可能所属馈线中去,若修正后所属的馈线与原始所属的馈线不同,则判定该疑似异常配电变压器为线变关系错误的配电变压器。
9.根据权利要求8所述的一种数据驱动的配电网线变关系诊断装置,其特征在于:假设时间窗偏移数为m,所述计算单元包括:
提取模块,用于针对各配电变压器,分别取出其当前时间窗、以及超前和滞后m个时间窗的电压序列;
计算模块,用于计算出各时间窗内配电变压器与其原始所属馈线的相关系数,得到与各配电变压器对应的线变关系指标集;
所述第一筛选单元包括:
筛选模块,用于筛选出各线变关系指标集中的最大值;
赋值模块,用于将各线变关系指标集中的最大值作为各配电变压器与其原始所属馈线之间的中级相关系数。
10.根据权利要求8所述的一种数据驱动的配电网线变关系诊断装置,其特征在于:设共有g个配电变压器原始所属于馈线f,所述修正单元包括:
构建模块,用于利用该g个配电变压器与其原始所属馈线之间的中级相关系数构建馈线f的中级相关系数集合R(2);
第一挑选模块,用于挑选出中级相关系数集合R(2)里中级相关系数大于设定虚拟代理阈值c的配电变压器,作为第1层虚拟代理,并将第1层虚拟代理中的各配电变压器与其原始所属馈线之间的中级相关系数作为其与原始所属馈线之间的高级相关系数;
第二挑选模块,用于对于除第一层虚拟代理以外的配电变压器,重复执行以下步骤,直至未找到下一层虚拟代理为止:
以前一次计算出的第a层虚拟代理作为虚拟馈线,计算出剩余各配电变压器与第a层虚拟代理之间的中级相关系数,取出中级相关系数大于c的配电变压器作为第a+1层虚拟代理,并将第a+1层虚拟代理中各配电变压器与第a层虚拟代理之间计算出的中级相关系数,作为第a+1层虚拟代理中各配电变压器与原始所属馈线之间的高级相关系数。
11.根据权利要求8所述的一种数据驱动的配电网线变关系诊断装置,其特征在于:所述高级相关系数阈值的计算方法包括:
将所有配电变压器与其原始所属馈线之间的高级相关系数组成指标集合;
按照设定的区间步长将统计区间划分成若干个子区间,计算指标集合在各子区间的累计分布概率,形成累计分布概率集合;
选择直线y=Ax+B对所述累计分布概率集合的下降段拟合的平均误差最小时,拟合直线y=Ax+B与x轴的交点作为高级相关系数阈值。
12.根据权利要求8所述的一种数据驱动的配电网线变关系诊断装置,其特征在于:所述将线变关系疑似异常配电变压器修正到最有可能所属馈线中去,包括以下步骤:
利用经纬度信息,筛选出地理位置相近的馈线,形成目标馈线集合F=[f1,f2,…,fl],其中l表示地理位置相近的馈线条数;
筛选出各馈线fd上线变关系正确的配电变压器和疑似异常配电变压器,d=1,2,…,l;
对于各馈线fd,将线变关系正确的配电变压器归为一类,并计算该类中配电变压器与馈线的相关系数平均值,作为该类的类别中心;
计算各疑似异常配电变压器与各类别中心之间的欧式距离;
基于欧式距离最小,依次确定出与各疑似异常配电变压器对应的类别,将疑似异常配电变压器修正到对应类中,更新对应类的聚类中心,完成将线变关系疑似异常配电变压器修正到最有可能所属馈线中去。
13.一种数据驱动的配电网线变关系诊断系统,其特征在于,包括:存储介质和处理器;
所述存储介质用于存储指令;
所述处理器用于根据所述指令进行操作以执行根据权利要求1~7中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010137784.8A CN111445108B (zh) | 2020-03-03 | 2020-03-03 | 数据驱动的配电网线变关系诊断方法、装置及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010137784.8A CN111445108B (zh) | 2020-03-03 | 2020-03-03 | 数据驱动的配电网线变关系诊断方法、装置及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111445108A true CN111445108A (zh) | 2020-07-24 |
CN111445108B CN111445108B (zh) | 2021-08-13 |
Family
ID=71627454
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010137784.8A Active CN111445108B (zh) | 2020-03-03 | 2020-03-03 | 数据驱动的配电网线变关系诊断方法、装置及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111445108B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112564095A (zh) * | 2020-12-01 | 2021-03-26 | 国网河南省电力公司电力科学研究院 | 一种配电网线变关系数据校验方法和系统 |
CN113541141A (zh) * | 2021-09-13 | 2021-10-22 | 江苏智臻能源科技有限公司 | 一种基于分层处理的中压配网运行拓扑识别方法 |
CN113673904A (zh) * | 2021-08-31 | 2021-11-19 | 江苏省电力试验研究院有限公司 | 一种数据驱动的配电网变户关系诊断方法及设备 |
CN115377976A (zh) * | 2022-10-25 | 2022-11-22 | 四川中电启明星信息技术有限公司 | 一种基于皮尔逊相关系数的配网线变关系识别方法 |
CN117152539A (zh) * | 2023-10-27 | 2023-12-01 | 浙江由由科技有限公司 | 基于降维特征机器校验的生鲜商品分类修正方法 |
CN117708749A (zh) * | 2024-02-05 | 2024-03-15 | 江苏省电力试验研究院有限公司 | 多模型融合的配电网分时分段线损精细诊断方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100007219A1 (en) * | 2008-07-11 | 2010-01-14 | De Buda Eric George | System for Automatically Detecting Power System Configuration |
CN108572303A (zh) * | 2018-04-25 | 2018-09-25 | 西南交通大学 | 一种基于随机矩阵和Hausdorff距离的配电网故障选线方法 |
CN109308571A (zh) * | 2018-08-29 | 2019-02-05 | 华北电力科学研究院有限责任公司 | 配电线路线变关系检测方法 |
CN109753762A (zh) * | 2019-03-05 | 2019-05-14 | 国网江苏省电力有限公司电力科学研究院 | 基于类别修正的配电网两阶段网络拓扑识别方法及装置 |
CN110718908A (zh) * | 2019-09-29 | 2020-01-21 | 肖家锴 | 基于层次聚类法的配电网拓扑结构识别方法及系统 |
-
2020
- 2020-03-03 CN CN202010137784.8A patent/CN111445108B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100007219A1 (en) * | 2008-07-11 | 2010-01-14 | De Buda Eric George | System for Automatically Detecting Power System Configuration |
CN108572303A (zh) * | 2018-04-25 | 2018-09-25 | 西南交通大学 | 一种基于随机矩阵和Hausdorff距离的配电网故障选线方法 |
CN109308571A (zh) * | 2018-08-29 | 2019-02-05 | 华北电力科学研究院有限责任公司 | 配电线路线变关系检测方法 |
CN109753762A (zh) * | 2019-03-05 | 2019-05-14 | 国网江苏省电力有限公司电力科学研究院 | 基于类别修正的配电网两阶段网络拓扑识别方法及装置 |
CN110718908A (zh) * | 2019-09-29 | 2020-01-21 | 肖家锴 | 基于层次聚类法的配电网拓扑结构识别方法及系统 |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112564095A (zh) * | 2020-12-01 | 2021-03-26 | 国网河南省电力公司电力科学研究院 | 一种配电网线变关系数据校验方法和系统 |
CN112564095B (zh) * | 2020-12-01 | 2022-07-26 | 国网河南省电力公司电力科学研究院 | 一种配电网线变关系数据校验方法和系统 |
CN113673904A (zh) * | 2021-08-31 | 2021-11-19 | 江苏省电力试验研究院有限公司 | 一种数据驱动的配电网变户关系诊断方法及设备 |
CN113541141A (zh) * | 2021-09-13 | 2021-10-22 | 江苏智臻能源科技有限公司 | 一种基于分层处理的中压配网运行拓扑识别方法 |
CN115377976A (zh) * | 2022-10-25 | 2022-11-22 | 四川中电启明星信息技术有限公司 | 一种基于皮尔逊相关系数的配网线变关系识别方法 |
CN115377976B (zh) * | 2022-10-25 | 2023-02-17 | 四川中电启明星信息技术有限公司 | 一种基于皮尔逊相关系数的配网线变关系识别方法 |
CN117152539A (zh) * | 2023-10-27 | 2023-12-01 | 浙江由由科技有限公司 | 基于降维特征机器校验的生鲜商品分类修正方法 |
CN117152539B (zh) * | 2023-10-27 | 2024-01-26 | 浙江由由科技有限公司 | 基于降维特征机器校验的生鲜商品分类修正方法 |
CN117708749A (zh) * | 2024-02-05 | 2024-03-15 | 江苏省电力试验研究院有限公司 | 多模型融合的配电网分时分段线损精细诊断方法及系统 |
CN117708749B (zh) * | 2024-02-05 | 2024-04-19 | 江苏省电力试验研究院有限公司 | 多模型融合的配电网分时分段线损精细诊断方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111445108B (zh) | 2021-08-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111445108B (zh) | 数据驱动的配电网线变关系诊断方法、装置及系统 | |
CN111426905B (zh) | 一种配电网同母线变关系异常诊断方法、装置及系统 | |
CN111458661A (zh) | 一种配电网线变关系诊断方法、装置及系统 | |
CN106897957B (zh) | 一种基于pca和pso-elm的自动气象站实时数据质量控制方法 | |
CN110907702A (zh) | 一种改进动态谐波估计方法和系统 | |
CN110633859A (zh) | 一种两阶段分解集成的水文序列预测方法 | |
CN114925615A (zh) | 一种放射性泄漏源定位方法和系统 | |
CN112684402B (zh) | 用电量平稳电能运行误差数据的监测方法及系统 | |
CN102542284B (zh) | 辨识光谱的方法 | |
CN112345972B (zh) | 基于停电事件的配电网线变关系异常诊断方法、装置及系统 | |
CN111325255B (zh) | 特定人群圈定方法、装置、电子设备及存储介质 | |
CN109828991B (zh) | 一种多时空条件下查询排序方法、装置、设备和存储介质 | |
KR100879854B1 (ko) | 분포 적합 자동화 시스템 및 방법 | |
Ge et al. | A new MCMC algorithm for blind Bernoulli-Gaussian deconvolution | |
CN107862126B (zh) | 一种部件级信息多样性条件下的系统可靠性评估方法 | |
CN109669932B (zh) | 一种基于次序依赖的电力数据集修复方法 | |
CN113343468A (zh) | 一种sarima模型进行多步预测的方法、装置及设备 | |
CN112200832A (zh) | 一种运动轨迹数据的去噪方法及装置 | |
CN114676729B (zh) | 时分复用信号的分接方法、装置、设备及存储介质 | |
CN112307633B (zh) | 多站时频差变参量迭代定位方法及系统 | |
CN112882822B (zh) | 生成负载预测模型的方法、装置、设备和存储介质 | |
CN113127804B (zh) | 确定车辆故障次数的方法、装置、计算机设备和存储介质 | |
CN110323743B (zh) | 一种暂态功角稳定评估历史数据的聚类方法及装置 | |
CN110971321B (zh) | 数据的干扰类型的确定方法、装置及设备 | |
Broersen et al. | Small sample MA estimation with Durbin’s method |
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 |