CN111610483A - 台区识别方法与台区识别系统 - Google Patents
台区识别方法与台区识别系统 Download PDFInfo
- Publication number
- CN111610483A CN111610483A CN202010374513.4A CN202010374513A CN111610483A CN 111610483 A CN111610483 A CN 111610483A CN 202010374513 A CN202010374513 A CN 202010374513A CN 111610483 A CN111610483 A CN 111610483A
- Authority
- CN
- China
- Prior art keywords
- electric energy
- identified
- energy meters
- sample
- sequence
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000012097 association analysis method Methods 0.000 claims abstract description 9
- 239000011159 matrix material Substances 0.000 claims description 53
- 238000010219 correlation analysis Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims description 5
- 230000005484 gravity Effects 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007728 cost analysis Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001681 protective effect Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R35/00—Testing or calibrating of apparatus covered by the other groups of this subclass
- G01R35/04—Testing or calibrating of apparatus covered by the other groups of this subclass of instruments for measuring time integral of power or current
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
-
- 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
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Algebra (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及电网技术领域,公开了一种台区识别方法与台区识别系统。所述台区识别方法包括:获取在同一预设时间段内的多个样本电能表与多个待识别电能表各自的电学特征曲线,其中所述多个样本电能表分别属于不同的台区;基于所述多个样本电能表的电压特征曲线、所述多个待识别电能表的电压特征曲线、灰色关联分析方法及信息熵理论,确定所述多个待识别电能表中的每一者的比较数列与所述多个样本电能表中的每一者的参考数列之间的关联度;以及根据所述多个待识别电能表中的每一者的比较数列与所述多个样本电能表中的每一者的参考数列之间的关联度,确定所述多个待识别电能表中的每一者所属的台区。本发明可实现对台区拓扑的安全、便捷且有效的识别。
Description
技术领域
本发明涉及电网技术领域,具体地,涉及一种台区识别方法与台区识别系统。
背景技术
配电网是能源互联网的重要基础,是电网企业服务社会、服务民生的关键设施。随着配电网建设的不断发展,台区精益化管理模式已成为一种趋势。在用电信息采集系统中,台区档案的准确性对配电网的安全稳定运行起着十分重要的作用,错误的台区档案会直接影响配电网台区线损计算的准确性。台区识别技术通过相应技术手段智能识别用户的正确归属能够为配电网调度运行、检修、供电服务提升提供关键支撑,从而解决诸如采集、线损等各类衍生的问题。
目前台区识别技术包括传统的人工识别和台区用户识别仪两种。人工识别法是依靠电力人员到现场,并对公用变压器等电力设备以下的用电网设备的数字化信息逐户排查台区归属。该人工识别法的缺点为:人力投入较大、工作效率低且设备变化的实时性和正确性得不到保证。现有的台区用户识别仪主要是基于载波通信技术和基于脉冲电流技术实现的。具体地,基于载波通信技术的识别原理是根据载波通信受电力线分布电容及外部干扰等影响在电力线上传送会有一定的衰减,且当载波信号遇到变压器时,由于变压器感抗较大,高频载波无法通过变压器传输,因此载波信号传输范围只能在相同的台区且具有相同相线内的原理来识别台区。其缺陷在于,由于“共高压串扰”、“共地串扰”和“共电缆沟串扰”导致载波信号能够跨台区传输,易造成台区的误识别。基于脉冲电流技术的识别原理是基于脉冲电流信号方向不变(可将其看成脉冲信号),当脉冲电流信号通过变压器时不会产生交变的磁场,故其无法通过变压器传输,因此脉冲电流信号只能在同一台区且同一相线范围内传输的原理来识别台区。其缺陷在于,由于基于脉冲电流技术工作现场必须采用钳形电流夹或者柔性线圈配合使用,故现场操作上存在一定安全隐患,威胁到操作人员安全和设备安全,且可控制性较差。
发明内容
本发明的目的是提供一种台区识别方法与台区识别系统,其可实现对台区拓扑的安全、便捷且有效的识别,从而可为配电网调度、运行、检修、供电服务的提升提供关键的技术支撑。
为了实现上述目的,本发明第一方面提供一种台区识别方法,所述台区识别方法包括:获取在同一预设时间段内的多个样本电能表与多个待识别电能表各自的电学特征曲线,其中所述多个样本电能表分别属于不同的台区;基于所述多个样本电能表的电压特征曲线、所述多个待识别电能表的电压特征曲线、灰色关联分析方法及信息熵理论,确定所述多个待识别电能表中的每一者的比较数列与所述多个样本电能表中的每一者的参考数列之间的关联度,其中所述比较数列的第j个元素为每个待识别电能表在所述同一预设时间段内的时刻j的电压特征值,所述参考数列的第j个元素为每个样本电能表在所述时刻j的电压特征值;以及根据所述多个待识别电能表中的每一者的比较数列与所述多个样本电能表中的每一者的参考数列之间的关联度,确定所述多个待识别电能表中的每一者所属的台区。
优选地,所述确定所述多个待识别电能表中的每一者的比较数列与所述多个样本电能表中的每一者的参考数列之间的关联度包括:基于所述多个样本电能表中的任一样本电能表o的电学特征曲线、所述多个待识别电能表的电学特征曲线及所述灰色关联分析方法,确定所述多个待识别电能表的与所述任一样本电能表o相关联的电压特征矩阵,其中所述电压特征矩阵的第i行第j列元素为所述任一样本电能表o在所述时刻j的电压特征值与所述多个待识别电能表中的待识别电能表i在所述时刻j的电压特征值的差值的绝对值;基于与所述任一样本电能表o相关联的所述电压特征矩阵,确定所述多个待识别电能表中的每一者的比较数列与所述任一样本电能表o的参考数列的对应元素之间的关联系数;基于与所述任一样本电能表o相关联的所述电压特征矩阵及所述信息熵理论,确定所述多个待识别电能表中的每一者的比较数列与所述任一样本电能表o的参考数列之间的关联系数所对应的权重;以及基于所述多个待识别电能表中的每一者的所述比较数列与所述任一样本电能表o的参考数列的对应元素之间的关联系数及其所对应的权重,确定所述多个待识别电能表中的每一者的比较数列与所述多个样本电能表中的每一者的参考数列之间的关联度。
优选地,所述确定所述多个待识别电能表中的每一者的比较数列与所述任一样本电能表o的参考数列之间的关联系数所对应的权重包括:基于与所述任一样本电能表o相关联的所述电压特征矩阵及所述信息熵理论,确定多个待识别电能表中的每一者的比较数列的熵值;以及根据所述多个待识别电能表中的每一者的比较数列的熵值,确定所述多个待识别电能表中的每一者的比较数列与所述任一样本电能表o的参考数列的对应元素之间的关联系数所对应的权重。
优选地,所述确定所述多个待识别电能表中的每一者的比较数列的熵值包括:基于与所述任一样本电能表o相关联的所述电压特征矩阵及所述信息熵理论,确定所述任一样本电能表o的参考数列对所述多个待识别电能表中的每一者的比较数列的比重;以及根据所述任一样本电能表o的参考数列对所述多个待识别电能表中的每一者的比较数列的比重,确定所述多个待识别电能表中的每一者的比较数列的熵值。
优选地,所述确定所述任一样本电能表o的参考数列对所述多个待识别电能表中的每一者的比较数列的比重包括:通过以下公式计算所述任一样本电能表o的参考数列对所述待识别电能表i的比较数列的比重 其中,为与所述任一样本电能表o相关联的所述电压特征矩阵的第i行第j列元素。
优选地,所述确定所述多个待识别电能表中的每一者的比较数列与所述任一样本电能表o的参考数列之间的关联系数所对应的权重包括:通过以下公式计算所述待识别电能表i的比较数列与所述任一样本电能表o的参考数列之间的关联系数所对应的权重 其中,m为与所述任一样本电能表o相关联的所述电压特征矩阵的行数。
优选地,所述确定所述多个待识别电能表中的每一者的比较数列与所述多个样本电能表中的每一者的参考数列之间的关联度包括:根据以下公式计算所述确定所述多个待识别电能表中的待识别电能表i的比较数列与所述任一样本电能表o的参考数列之间的关联度 其中,所述为所述待识别电能表i的比较数列与所述任一样本电能表o的参考数列之间的关联系数。
优选地,所述确定所述多个待识别电能表中的每一者所属的台区包括:从所述多个待识别电能表中的待识别电能表i的比较数列与所述多个样本电能表中的每一者的参考数列之间的关联度中筛选出最大关联度;以及确定与所述最大关联度相对应的特定样本电能表所属的台区为所述待识别电能表i所属的台区。
相应地,本发明第二方面还提供一种台区识别系统,所述台区识别系统包括:获取装置,用于获取在同一预设时间段内的多个样本电能表与多个待识别电能表各自的电学特征曲线,其中所述多个样本电能表分别属于不同的台区;关联度确定装置,用于基于所述多个样本电能表的电压特征曲线、所述多个待识别电能表的电压特征曲线、灰色关联分析方法及信息熵理论,确定所述多个待识别电能表中的每一者的比较数列与所述多个样本电能表中的每一者的参考数列之间的关联度,其中所述比较数列的第j个元素为每个待识别电能表在所述同一预设时间段内的时刻j的电压特征值,所述参考数列的第j个元素为每个样本电能表在所述时刻j的电压特征值;以及台区确定装置,用于根据所述多个待识别电能表中的每一者的比较数列与所述多个样本电能表中的每一者的参考数列之间的关联度,确定所述多个待识别电能表中的每一者所属的台区。
通过上述技术方案,本发明创造性地通过多个样本电能表的电压特征曲线、多个待识别电能表的电压特征曲线、灰色关联分析方法及信息熵理论,确定每个待识别电能表的比较数列与每个样本电能表的参考数列之间的关联度;然后基于每个待识别电能表的比较数列与每个样本电能表的参考数列之间的关联度,确定每个待识别电能表所述的台区,由此本发明可实现对台区拓扑的安全、便捷且有效的识别,从而可为配电网调度、运行、检修、供电服务的提升提供关键的技术支撑,进而解决诸如采集、线损等各类相关问题。
本发明第三方面还提供一种机器可读存储介质,所述机器可读存储介质上存储有指令,该指令用于使得机器执行上述的台区识别方法。
本发明的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本发明的进一步理解,并且构成说明书的一部分,与下面的具体实施方式一起用于解释本发明,但并不构成对本发明的限制。在附图中:
图1是本发明一实施例提供的台区识别方法的流程图;
图2是本发明一实施例提供的确定每个待识别电能表的比较数列与每个样本电能表的参考数列之间的关联度的流程图;
图3是本发明一实施例提供的确定每个待识别电能表的比较数列与任一样本电能表o的参考数列之间的关联系数所对应的权重的流程图;
图4是本发明一实施例提供的确定所述多个待识别电能表中的每一者的比较数列的熵值的流程图;
图5是本发明一实施例提供的识别各个电能表所属台区的过程的流程图;以及
图6是本发明一实施例提供的台区识别系统的结构图。
具体实施方式
以下结合附图对本发明的具体实施方式进行详细说明。应当理解的是,此处所描述的具体实施方式仅用于说明和解释本发明,并不用于限制本发明。
在介绍本发明的具体实施方式之前,先简单介绍一下本发明的设计思路:不同配电台区的电能表是以辐射状拓扑方式运行的,由于不同时刻负荷的不同,用户处电压呈现一定的波动状态。但是处于同一台区的电能表,其电气距离较近,相应的电压波动规律具有很强的相似性;而属于不同台区的电能表,其电气距离远,相应的电压波动相似性较差。根据这一原理,本专利采用所采集的各电能表在不同时刻的量测数据进行相似性分析,通过对各用户处电能表的量测数据与各个台区的变压器低压侧的电能表(或样本电能表)的量测数据进行灰色关联分析,来衡量不同用户的电能表数据与变压器低压侧的电能表数据之间的相似度,从而识别用户电能表所属的台区。
灰色关联分析的基本思想是以因素的数据序列为依据,用数学的方法研究不同因素之间的几何对应关系。即序列曲线的几何形状越接近,则不同因素之间的灰关联度越大。相比于数理统计的回归分析、主成本分析等数据分析方法,该灰色关联分析方法对样本量的需求少,也不需要样本符合典型的分布规律,此外其计算量也较小。
图1是本发明一实施例提供的台区识别方法的流程图。如图1所示,所述台区识别方法可包括:步骤S101,获取在同一预设时间段内的多个样本电能表与多个待识别电能表各自的电学特征曲线,其中所述多个样本电能表分别属于不同的台区;步骤S102,基于所述多个样本电能表的电压特征曲线、所述多个待识别电能表的电压特征曲线、灰色关联分析方法及信息熵理论,确定所述多个待识别电能表中的每一者的比较数列与所述多个样本电能表中的每一者的参考数列之间的关联度;以及步骤S103,根据所述多个待识别电能表中的每一者的比较数列与所述多个样本电能表中的每一者的参考数列之间的关联度,确定所述多个待识别电能表中的每一者所属的台区。
其中,所述步骤S102中的所述比较数列的第j个元素为每个待识别电能表在所述同一预设时间段内的时刻j的电压特征值;所述步骤S102中的所述参考数列的第j个元素为每个样本电能表在所述时刻j的电压特征值。由于本发明各个实施例均通过每个待识别电能表在预设时间段内的多个时刻(可根据实际情况进行合理设置)的电压特征值所形成的数列与多个样本电能表在所述多个时刻的电压特征值所形成的数列之间的关联度,确定每个待识别电能表所属的台区,故将已知台区的样本电能表所对应的数列称为参考数列,以及将未知台区的待识别电能表所对应的数列称为对比数列。
本发明实施例可通过分析未识别(或跨台区)电能表与已明确台区归属的电能表之间线路电压的关联度,自动分析台区变压器与待识别电表的连接关系,实现台区的智能识别,从而规避了采用“台区识别仪”耗费大量人力物力以及采用载波技术串台区等问题,使得台区拓扑识别更加准确。
对于所述步骤S101,可利用集中器或采集器等设备获取样本电能表及待识别电能表在同一时段的线路的电压曲线并存储。其中,所述多个样本电能表分别属于不同的台区,也就是说,所述多个样本电能表分别为各个台区的变压器低压侧的电能表。
对于所述步骤S102,如图2所示,所述确定所述多个待识别电能表中的每一者的比较数列与所述多个样本电能表中的每一者的参考数列之间的关联度可包括以下步骤S201-S204。
步骤S201,基于所述多个样本电能表中的任一样本电能表o的电学特征曲线、所述多个待识别电能表的电学特征曲线及所述灰色关联分析方法,确定所述多个待识别电能表的与所述任一样本电能表o相关联的电压特征矩阵。
其中,与所述任一样本电能表o相关联的所述电压特征矩阵的第i行第j列元素为所述任一样本电能表o在所述时刻j的电压特征值与所述多个待识别电能表中的待识别电能表i在所述时刻j的电压特征值的差值的绝对值。
具体地,从所述任一样本电能表o的电学特征曲线中,选取所述任一样本电能表o的参考数列X0={xo(k)|k=1,2,…n},即该参考数列的第j个元素xoj=xo(j);类似地,从所述多个待识别电能表的电学特征曲线中,选取所述多个待识别电能表的比较数列(例如对于待识别电能表i的比较数列Xi={xi(k)|k=1,2,…n},若所述多个待识别电能表的个数为m,则i=1,2,…,m)。其中,k为所述同一预设时间段内的时刻,也就是说,所述任一样本电能表o的参考数列X0与待识别电能表i的比较数列Xi中的元素一一对应。
上述多个待识别电能表的比较数列可形成数据矩阵X:
也就是说,上述数据矩阵X的各行元素表示各个待识别电能表的比较数列。
在获得所述任一样本电能表o的参考数列X0及所述多个待识别电能表的比较数列(即数据矩阵X)之后,可采用灰色关联分析方法获取所述多个待识别电能表在所述预设时间段内的与所述任一样本电能表o相关联的电压特征矩阵,具体地,通过以下公式(2)计算与所述任一样本电能表o相关联的电压特征矩阵的第i行第j列的元素
优选地,在一实施例中,还可在获得所述任一样本电能表o的参考数列X0及所述多个待识别电能表的比较数列(即数据矩阵X)之后,对所述任一样本电能表o的参考数列X0及上述数据矩阵X及进行标准化处理。例如,其中MINxj、MAXxj分别为上述数据矩阵X中的第j列元素中的最小值与最大值,由此得到标准化后的X′=(x′i(k))m×n=(x′ij)m×n;类似地由此,标准化后的参考数列X′0={x′o(k)|k=1,2,…n}。之后,通过以下公式(3)计算与所述任一样本
电能表o相关联的电压特征矩阵的第i行第j列的元素由此,与所述任一样本电能表o相关联的所述电压特征矩阵或者,在另一实施例中,还可在获得与所述任一样本电能表o相关联的电压特征矩阵之后,对所述任一样本电能表o的参考数列X0及该电压特征矩阵Y执行标准化处理,具体标准化处理的方式可采用上述类似的处理方式,于此不再赘述。
步骤S202,基于与所述任一样本电能表o相关联的所述电压特征矩阵,确定所述多个待识别电能表中的每一者的比较数列与所述任一样本电能表o的参考数列之间的关联系数。
若直接采用现有的灰色关联分析方法,则可根据公式(5)求出所述多个待识别电能表中的每一者的比较数列与所述多个样本电能表中的每一者的参考数列之间的关联度γij,
然而由于式(5)中的权重1/n为一固定值,存在很大的主观判断性,无法反应相应参考点对不同指标的影响程度。在计算目标灰色关联度时,由于不同时刻(负荷过载、轻载等)电压特征值的重要性会有不同,基本的灰色关联算法已无法满足智能台区识别的需求,因此,在本发明实施例中引入信息熵概念,即提出采用改进的灰色关联分析方法进行台区识别。
在综合评价指标体系中,由于每个被评价对象(可称为指标,如待识别电能表)的作用、地位和影响力不尽相同,从而可根据每个指标的重要程度合理地赋予不同的权重。根据信息熵理论,某指标的信息熵越小,表明其贡献的信息量越多,相应的权重也越大,反之则越小。当某指标(如某待识别电能表)的指标值完全相同时,信息熵达到最大,这就说明该指标对于评价而言不能提供有效信息,可以从评价指标体系中除去。因此,可以根据各个被评价对象的指标值所提供的信息情况,利用信息熵计算出各个指标的权重(即熵权),从而克服了凭经验确定指标权重的弊端。
步骤S203,基于与所述任一样本电能表o相关联的所述电压特征矩阵及所述信息熵理论,确定所述多个待识别电能表中的每一者的比较数列与所述任一样本电能表o的参考数列之间的关联系数所对应的权重。
对于所述步骤S203,如图3所示,所述确定所述多个待识别电能表中的每一者的比较数列与所述任一样本电能表o的参考数列之间的关联系数所对应的权重可包括如下步骤S301-S302。
步骤S301,基于与所述任一样本电能表o相关联的所述电压特征矩阵及所述信息熵理论,确定多个待识别电能表中的每一者的比较数列的熵值。
对于步骤S301,如图4所示,所述确定所述多个待识别电能表中的每一者的比较数列的熵值可包括以下步骤S401-S402。
步骤S401,基于与所述任一样本电能表o相关联的所述电压特征矩阵及所述信息熵理论,确定所述任一样本电能表o的参考数列对所述多个待识别电能表中的每一者的比较数列的比重。
步骤S402,根据所述任一样本电能表o的参考数列对所述多个待识别电能表中的每一者的比较数列的比重,确定所述多个待识别电能表中的每一者的比较数列的熵值。
步骤S302,根据所述多个待识别电能表中的每一者的比较数列的熵值,确定所述多个待识别电能表中的每一者的比较数列与所述任一样本电能表o的参考数列之间的关联系数所对应的权重。
具体地,所述步骤S302可包括:通过以下公式(8)计算所述待识别电能表i的比较数列与所述任一样本电能表o的参考数列的对应元素之间的关联系数所对应的权重(或者称为所述待识别电能表i的比较数列对所述任一样本电能表o的参考数列的对应元素的权重)
其中,m为与所述任一样本电能表o相关联的所述电压特征矩阵的行数。
步骤S204,基于所述多个待识别电能表中的每一者的所述比较数列与所述任一样本电能表o的参考数列之间的关联系数及其所对应的权重,确定所述多个待识别电能表中的每一者的比较数列与所述多个样本电能表中的每一者的参考数列之间的关联度。
重复执行上述步骤S201-S204,可计算得到每个待识别电能表的比较数列与所述多个样本电能表中的每一者的参考数列之间的关联度。本发明实施例在灰色关联分析方法的基础上引入信息熵来计算关联度,通过分析台区电能表线路电压的关联度即能实现台区识别。由此,上述识别方式不受台区环境及主观判断的影响,且易于实现,具有识别效率高、不存在安全隐患等优势。
对于所述步骤S103,所述确定所述多个待识别电能表中的每一者所属的台区可包括:从所述多个待识别电能表中的待识别电能表i的比较数列与所述多个样本电能表中的每一者的参考数列之间的关联度中筛选出最大关联度;以及确定与所述最大关联度相对应的特定样本电能表所属的台区为所述待识别电能表i所属的台区。例如,对于待识别电能表i,若其比较数列与特定样本电能表u的参考数列之间的关联度最大,则所述特定样本电能表u所属的台区即为待识别电能表i所在的台区。重复步骤S103,可识别每个待识别电能表所属的台区。
上述台区识别方法的优点是不需要增加识别成本(无需采用钳形电流夹或者柔性线圈配合使用),又不受电力载波通信品质的影响,通过分析未识别(或跨台区)电能表与已明确台区归属的电能表之间线路电压的关联度,自动分析台区变压器与待识别电表的连接关系,实现台区的智能识别。
具体而言,现以m个待识别电能表及n个分布在各台区的样本电能表为例对识别各个电能表所属台区的过程进行说明,如图5所示。
所述识别各个电能表所属台区的过程可包括以下步骤S501-S511。
步骤S501,收集m个待识别电能表及n个样本电能表各自的电压特征曲线。
步骤S502,确定每个样本电能表的参考数列与每个待识别电能表的比较数列。
步骤S503,对所有参考数列与所述比较数列执行标准化处理。
步骤S504,计算所述样本电能表s的参考数列与每个待识别电能表的比较数列的对应元素的差值的绝对值。
其中,s的初始值设为1。
为了便于描述,从步骤S504开始,所述元素均指标准化后的元素。
步骤S505,计算每个待识别电能表的比较数列与所述样本电能表s的参考数列的对应元素之间的关联系数。
步骤S506,计算每个待识别电能表的比较数列对所述样本电能表s的参考数列的对应元素的权重。
步骤S507,计算每个待识别电能表的比较数列与所述样本电能表s的参考数列之间的关联度。
步骤S508,s=s+1,并判断s是否大于n;若大于,则执行步骤S509;否则,执行步骤S504。
步骤S509,从待识别电能表t的比较数列与每个样本电能表的参考数列之间的关联度中筛选出最大关联度。
其中,t的初始值为1。
步骤S510,确定与所述最大关联度相对应的特定样本电能表的台区为所述待识别电能表t所属的台区。
步骤S511,t=t+1,并判断t是否大于m,若大于,则结束;否则,执行步骤509。
综上所述,本发明创造性地通过多个样本电能表的电压特征曲线、多个待识别电能表的电压特征曲线、灰色关联分析方法及信息熵理论,确定每个待识别电能表的比较数列与每个样本电能表的参考数列之间的关联度;然后基于每个待识别电能表的比较数列与每个样本电能表的参考数列之间的关联度,确定每个待识别电能表所述的台区,由此本发明可实现对台区拓扑的安全、便捷且有效的识别,从而可为配电网调度、运行、检修、供电服务的提升提供关键的技术支撑,进而解决诸如采集、线损等各类相关问题。
图6是本发明一实施例提供的台区识别系统的结构图。如图6所示,所述台区识别系统可包括:获取装置10,用于获取在同一预设时间段内的多个样本电能表与多个待识别电能表各自的电学特征曲线,其中所述多个样本电能表分别属于不同的台区;关联度确定装置20,用于基于所述多个样本电能表的电压特征曲线、所述多个待识别电能表的电压特征曲线、灰色关联分析方法及信息熵理论,确定所述多个待识别电能表中的每一者的比较数列与所述多个样本电能表中的每一者的参考数列之间的关联度,其中所述比较数列的第j个元素为每个待识别电能表在所述同一预设时间段内的时刻j的电压特征值,所述参考数列的第j个元素为每个样本电能表在所述时刻j的电压特征值;以及台区确定装置30,用于根据所述多个待识别电能表中的每一者的比较数列与所述多个样本电能表中的每一者的参考数列之间的关联度,确定所述多个待识别电能表中的每一者所属的台区。
优选地,所述关联度确定装置20包括:矩阵确定模块(未示出),用于基于所述多个样本电能表中的任一样本电能表o的电学特征曲线、所述多个待识别电能表的电学特征曲线及所述灰色关联分析方法,确定所述多个待识别电能表的与所述任一样本电能表o相关联的电压特征矩阵,其中所述电压特征矩阵的第i行第j列元素为所述任一样本电能表o在所述时刻j的电压特征值与所述多个待识别电能表中的待识别电能表i在所述时刻j的电压特征值的差值的绝对值;关联系数确定模块(未示出),用于基于与所述任一样本电能表o相关联的所述电压特征矩阵,确定所述多个待识别电能表中的每一者的比较数列与所述任一样本电能表o的参考数列的对应元素之间的关联系数;权重确定模块(未示出),用于基于与所述任一样本电能表o相关联的所述电压特征矩阵及所述信息熵理论,确定所述多个待识别电能表中的每一者的比较数列与所述任一样本电能表o的参考数列之间的关联系数所对应的权重;以及关联度确定模块(未示出),用于基于所述多个待识别电能表中的每一者的所述比较数列与所述任一样本电能表o的参考数列的对应元素之间的关联系数及其所对应的权重,确定所述多个待识别电能表中每一者的比较数列与所述多个样本电能表中的每一者的参考数列之间的关联度。
优选地,所述权重确定模块包括:熵值确定单元,用于基于与所述任一样本电能表o相关联的所述电压特征矩阵及所述信息熵理论,确定多个待识别电能表中的每一者的比较数列的熵值;以及权重确定单元,用于根据所述多个待识别电能表中的每一者的比较数列的熵值,确定所述多个待识别电能表中的每一者的比较数列与所述任一样本电能表o的参考数列之间的关联系数所对应的权重。
优选地,所述熵值确定模块包括:比重确定单元,用于基于与所述任一样本电能表o相关联的所述电压特征矩阵及所述信息熵理论,确定所述任一样本电能表o的参考数列对所述多个待识别电能表中的每一者的比较数列的比重;以及熵值确定单元,用于根据所述任一样本电能表o的参考数列对所述多个待识别电能表中的每一者的比较数列的比重,确定所述多个待识别电能表中的每一者的比较数列的熵值。
优选地,所述台区确定装置30包括:筛选模块(未示出),用于从所述多个待识别电能表中的待识别电能表i的比较数列与所述多个样本电能表中的每一者的参考数列之间的关联度中筛选出最大关联度;以及台区确定模块(未示出),用于确定与所述最大关联度相对应的特定样本电能表所属的台区为所述待识别电能表i所属的台区。
本发明又一实施例还提供一种机器可读存储介质,所述机器可读存储介质上存储有指令,该指令用于使得机器执行上述的台区识别方法。
所述机器可读存储介质包括但不限于相变内存(相变随机存取存储器的简称,Phase Change Random Access Memory,PRAM,亦称为RCM/PCRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体(Flash Memory)或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁盘存储或其他磁性存储设备等各种可以存储程序代码的介质。
以上结合附图详细描述了本发明的优选实施方式,但是,本发明并不限于上述实施方式中的具体细节,在本发明的技术构思范围内,可以对本发明的技术方案进行多种简单变型,这些简单变型均属于本发明的保护范围。
另外需要说明的是,在上述具体实施方式中所描述的各个具体技术特征,在不矛盾的情况下,可以通过任何合适的方式进行组合。为了避免不必要的重复,本发明对各种可能的组合方式不再另行说明。
此外,本发明的各种不同的实施方式之间也可以进行任意组合,只要其不违背本发明的思想,其同样应当视为本发明所公开的内容。
Claims (11)
1.一种台区识别方法,其特征在于,所述台区识别方法包括:
获取在同一预设时间段内的多个样本电能表与多个待识别电能表各自的电学特征曲线,其中所述多个样本电能表分别属于不同的台区;
基于所述多个样本电能表的电压特征曲线、所述多个待识别电能表的电压特征曲线、灰色关联分析方法及信息熵理论,确定所述多个待识别电能表中的每一者的比较数列与所述多个样本电能表中的每一者的参考数列之间的关联度,其中所述比较数列的第j个元素为每个待识别电能表在所述同一预设时间段内的时刻j的电压特征值,所述参考数列的第j个元素为每个样本电能表在所述时刻j的电压特征值;以及
根据所述多个待识别电能表中的每一者的比较数列与所述多个样本电能表中的每一者的参考数列之间的关联度,确定所述多个待识别电能表中的每一者所属的台区。
2.根据权利要求1所述的台区识别方法,其特征在于,所述确定所述多个待识别电能表中的每一者的比较数列与所述多个样本电能表中的每一者的参考数列之间的关联度包括:
基于所述多个样本电能表中的任一样本电能表o的电学特征曲线、所述多个待识别电能表的电学特征曲线及所述灰色关联分析方法,确定所述多个待识别电能表的与所述任一样本电能表o相关联的电压特征矩阵,其中所述电压特征矩阵的第i行第j列元素为所述任一样本电能表o在所述时刻j的电压特征值与所述多个待识别电能表中的待识别电能表i在所述时刻j的电压特征值的差值的绝对值;
基于与所述任一样本电能表o相关联的所述电压特征矩阵,确定所述多个待识别电能表中的每一者的比较数列与所述任一样本电能表o的参考数列的对应元素之间的关联系数;
基于与所述任一样本电能表o相关联的所述电压特征矩阵及所述信息熵理论,确定所述多个待识别电能表中的每一者的比较数列与所述任一样本电能表o的参考数列之间的关联系数所对应的权重;以及
基于所述多个待识别电能表中的每一者的所述比较数列与所述任一样本电能表o的参考数列的对应元素之间的关联系数及其所对应的权重,确定所述多个待识别电能表中每一者的比较数列与所述多个样本电能表中的每一者的参考数列之间的关联度。
3.根据权利要求2所述的台区识别方法,其特征在于,所述确定所述多个待识别电能表中的每一者的比较数列与所述任一样本电能表o的参考数列的对应元素之间的关联系数所对应的权重包括:
基于与所述任一样本电能表o相关联的所述电压特征矩阵及所述信息熵理论,确定多个待识别电能表中的每一者的比较数列的熵值;以及
根据所述多个待识别电能表中的每一者的比较数列的熵值,确定所述多个待识别电能表中的每一者的比较数列与所述任一样本电能表o的参考数列之间的关联系数所对应的权重。
4.根据权利要求3所述的台区识别方法,其特征在于,所述确定所述多个待识别电能表中的每一者的比较数列的熵值包括:
基于与所述任一样本电能表o相关联的所述电压特征矩阵及所述信息熵理论,确定所述任一样本电能表o的参考数列对所述多个待识别电能表中的每一者的比较数列的比重;以及
根据所述任一样本电能表o的参考数列对所述多个待识别电能表中的每一者的比较数列的比重,确定所述多个待识别电能表中的每一者的比较数列的熵值。
9.根据权利要求1至8中任意一项所述的台区识别方法,其特征在于,所述确定所述多个待识别电能表中的每一者所属的台区包括:
从所述多个待识别电能表中的待识别电能表i的比较数列与所述多个样本电能表中的每一者的参考数列之间的关联度中筛选出最大关联度;以及
确定与所述最大关联度相对应的特定样本电能表所属的台区为所述待识别电能表i所属的台区。
10.一种台区识别系统,其特征在于,所述台区识别系统包括:
获取装置,用于获取在同一预设时间段内的多个样本电能表与多个待识别电能表各自的电学特征曲线,其中所述多个样本电能表分别属于不同的台区;
关联度确定装置,用于基于所述多个样本电能表的电压特征曲线、所述多个待识别电能表的电压特征曲线、灰色关联分析方法及信息熵理论,确定所述多个待识别电能表中的每一者的比较数列与所述多个样本电能表中的每一者的参考数列之间的关联度,其中所述比较数列的第j个元素为每个待识别电能表在所述同一预设时间段内的时刻j的电压特征值,所述参考数列的第j个元素为每个样本电能表在所述时刻j的电压特征值;以及
台区确定装置,用于根据所述多个待识别电能表中的每一者的比较数列与所述多个样本电能表中的每一者的参考数列之间的关联度,确定所述多个待识别电能表中的每一者所属的台区。
11.一种机器可读存储介质,其特征在于,所述机器可读存储介质上存储有指令,该指令用于使得机器执行上述权利要求1-9中任一项所述的台区识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010374513.4A CN111610483A (zh) | 2020-05-06 | 2020-05-06 | 台区识别方法与台区识别系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010374513.4A CN111610483A (zh) | 2020-05-06 | 2020-05-06 | 台区识别方法与台区识别系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111610483A true CN111610483A (zh) | 2020-09-01 |
Family
ID=72203120
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010374513.4A Pending CN111610483A (zh) | 2020-05-06 | 2020-05-06 | 台区识别方法与台区识别系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111610483A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112270510A (zh) * | 2020-12-21 | 2021-01-26 | 广东电网有限责任公司佛山供电局 | 一种基于个体和群体电压相似性的户变关系辨识方法 |
CN114236266A (zh) * | 2021-11-16 | 2022-03-25 | 珠海多创科技有限公司 | 一种台区识别方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108038616A (zh) * | 2017-12-11 | 2018-05-15 | 中国能源建设集团陕西省电力设计院有限公司 | 一种输电线路工程造价分析方法 |
CN108197820A (zh) * | 2018-01-22 | 2018-06-22 | 东南大学 | 一种基于ds证据和变权理论的配电网可靠性关联和评价模型及其建立方法 |
CN108964034A (zh) * | 2018-07-17 | 2018-12-07 | 国网四川省电力公司电力科学研究院 | 一种台区拓扑辨识方法 |
CN109242306A (zh) * | 2018-09-04 | 2019-01-18 | 深圳市城市公共安全技术研究院有限公司 | 基于多层次灰色关联分析的安全生产风险评估方法及系统 |
CN109285087A (zh) * | 2018-07-17 | 2019-01-29 | 国网四川省电力公司电力科学研究院 | 一种基于NB-IoT和GPU加速的台区拓扑识别方法 |
CN109633518A (zh) * | 2019-01-29 | 2019-04-16 | 国网湖南省电力有限公司 | 一种智能电能表综合性能评价方法、装置 |
CN110363432A (zh) * | 2019-07-17 | 2019-10-22 | 国网河南省电力公司开封供电公司 | 基于改进熵权-灰色关联的配电网可靠性影响分析方法 |
-
2020
- 2020-05-06 CN CN202010374513.4A patent/CN111610483A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108038616A (zh) * | 2017-12-11 | 2018-05-15 | 中国能源建设集团陕西省电力设计院有限公司 | 一种输电线路工程造价分析方法 |
CN108197820A (zh) * | 2018-01-22 | 2018-06-22 | 东南大学 | 一种基于ds证据和变权理论的配电网可靠性关联和评价模型及其建立方法 |
CN108964034A (zh) * | 2018-07-17 | 2018-12-07 | 国网四川省电力公司电力科学研究院 | 一种台区拓扑辨识方法 |
CN109285087A (zh) * | 2018-07-17 | 2019-01-29 | 国网四川省电力公司电力科学研究院 | 一种基于NB-IoT和GPU加速的台区拓扑识别方法 |
CN109242306A (zh) * | 2018-09-04 | 2019-01-18 | 深圳市城市公共安全技术研究院有限公司 | 基于多层次灰色关联分析的安全生产风险评估方法及系统 |
CN109633518A (zh) * | 2019-01-29 | 2019-04-16 | 国网湖南省电力有限公司 | 一种智能电能表综合性能评价方法、装置 |
CN110363432A (zh) * | 2019-07-17 | 2019-10-22 | 国网河南省电力公司开封供电公司 | 基于改进熵权-灰色关联的配电网可靠性影响分析方法 |
Non-Patent Citations (1)
Title |
---|
余鹤等: "改进灰色关联分析在台区智能识别中的应用研究", 《电子测量技术》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112270510A (zh) * | 2020-12-21 | 2021-01-26 | 广东电网有限责任公司佛山供电局 | 一种基于个体和群体电压相似性的户变关系辨识方法 |
CN114236266A (zh) * | 2021-11-16 | 2022-03-25 | 珠海多创科技有限公司 | 一种台区识别方法 |
CN114236266B (zh) * | 2021-11-16 | 2023-08-18 | 珠海多创科技有限公司 | 一种台区识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10009064B2 (en) | Method for differentiating power distribution areas and phases by using voltage characteristics | |
CN110070282A (zh) | 一种基于综合关联度的低压台区线损影响因素分析方法 | |
CN109856488A (zh) | 一种基于多源数据融合的变压器状态评估及故障检测方法 | |
CN111610483A (zh) | 台区识别方法与台区识别系统 | |
CN112688431A (zh) | 一种基于大数据的配电网负荷过载可视化方法及系统 | |
Marseguerra et al. | Designing optimal degradation tests via multi-objective genetic algorithms | |
CN110826228B (zh) | 一种地区电网运行品质极限评估方法 | |
CN109150100A (zh) | 光伏电站的故障检测方法、装置、设备及存储介质 | |
CN111563682A (zh) | 一种配电自动化设备测试评价方法 | |
JP2016184237A (ja) | 設備不良予測システム、設備不良予測装置、及び設備不良予測方法 | |
CN114626769B (zh) | 一种电容式电压互感器运维方法及系统 | |
CN111091223B (zh) | 一种基于物联网智能感知技术的配变短期负荷预测方法 | |
CN108847679A (zh) | 风力发电机组及用于其的次同步振荡识别方法、装置及系统 | |
CN116169786A (zh) | 一种核电配电柜的安全智能监控方法及系统 | |
Manninen et al. | Advanced condition monitoring method for high voltage overhead lines based on visual inspection | |
CN109829652B (zh) | 一种长时间尺度动态谐波责任划分方法 | |
CN111582630A (zh) | 一种用于确定低压台区线损率评估值的方法及系统 | |
CN113469488B (zh) | 配电网设备拓扑结构在线诊断分析系统 | |
CN112215482A (zh) | 一种户变关系识别方法和装置 | |
CN108229786B (zh) | 电网投资分配处理方法及装置 | |
Xu et al. | Evaluation of fault level of sensitive equipment caused by voltage sag via data mining | |
CN115617633A (zh) | 一种覆冰监测终端维护方法及相关设备 | |
CN115882448A (zh) | 基于局部离群因子检测算法的配网台区线损异常检测方法 | |
CN113256444A (zh) | 一种低压台区户变关系辨识方法和装置 | |
CN111565121A (zh) | 人员及技术对it支撑度评估方法及装置 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200901 |
|
RJ01 | Rejection of invention patent application after publication |