CN111612056B - 一种基于模糊聚类和过零偏移的低压户变关系识别方法 - Google Patents

一种基于模糊聚类和过零偏移的低压户变关系识别方法 Download PDF

Info

Publication number
CN111612056B
CN111612056B CN202010415888.0A CN202010415888A CN111612056B CN 111612056 B CN111612056 B CN 111612056B CN 202010415888 A CN202010415888 A CN 202010415888A CN 111612056 B CN111612056 B CN 111612056B
Authority
CN
China
Prior art keywords
voltage
zero crossing
low
crossing offset
electric energy
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.)
Active
Application number
CN202010415888.0A
Other languages
English (en)
Other versions
CN111612056A (zh
Inventor
徐剑英
李亮
孙朝杰
曾令斌
郭相泉
李显涛
高庆欢
矫振飞
张建
李伟
吴雪梅
卢峰
林志超
程艳艳
叶齐
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Qingdao Dingxin Communication Power Engineering Co ltd
Qingdao Topscomm Communication Co Ltd
Original Assignee
Shenyang Keyuan State Grid Power Engineering Survey And Design Co ltd
Qingdao Topscomm Communication Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenyang Keyuan State Grid Power Engineering Survey And Design Co ltd, Qingdao Topscomm Communication Co Ltd filed Critical Shenyang Keyuan State Grid Power Engineering Survey And Design Co ltd
Priority to CN202010415888.0A priority Critical patent/CN111612056B/zh
Publication of CN111612056A publication Critical patent/CN111612056A/zh
Application granted granted Critical
Publication of CN111612056B publication Critical patent/CN111612056B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • 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
    • G06F18/24133—Distances to prototypes
    • G06F18/24137—Distances to cluster centroïds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Business, Economics & Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Economics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开了一种基于模糊聚类和过零偏移的低压户变关系识别方法，包括以下步骤：步骤A1，采集变压器低压侧(集中器)电压的过零数据；步骤A2，采集电能表电压的过零数据；步骤A3，将采集的数据汇总上报给主站；步骤A4，计算电能表电压的过零偏移；步骤A5，计算变压器电压的过零偏移；步骤A6，根据基于IQPSO的核模糊C均均值聚类算法(简称“IOPSO‑KFCM”)，对电能表电压的过零偏移数据进行分类，分类结果即对应低压户变关系。本发明中此方法实现简单，只需采集变压器低压侧和电能表电压的过零数据，另外该方法具有更高的聚类精度和运算效率，可以实现对低压户变关系的正确识别。

Description

一种基于模糊聚类和过零偏移的低压户变关系识别方法
技术领域
本发明涉及低压采集系统领域，具体涉及一种基于模糊聚类和过零偏移的低压户变关系识别方法。
背景技术
低压户变关系是国家电网电力营销、故障诊断、无功优化、线损计算等业务展开的重要依据。然而，随着供配电技术的不断发展，新的工厂和用户设备不断接入，大大增加了低压配电网的复杂性。另外，低压台区地形复杂、供电方式多样，且在低压配电网建设与维护的过程中经常需要进行线路改造、负荷切换调整等手段，使得原本清楚的电表归属关系不断变化，难以理清，大大增加了电力营配业务开展的难度。因此，准确识别低压电能表归属关系对配电网的运行控制和诊断具有十分重要的意义。
低压户变关系识别是近几年在我国刚浮现的一个新领域，由于西方发达国家人口少，低压台区结构相对简单，户变关系问题不够凸显；一般发展中国家经济相对落后，虽然人口多但是电网终端设备相对较少，完全依靠人工即可理清户变关系。但是在我国大部分地区，人口分布集中，用电需求大，终端设备日益增多，准确理清户变关系这一需求亟待解决。目前，在电力系统工作中主要依靠人工现场巡线，逐一理清户变关系，但是该方法耗时耗力，对于很多交叉融合台区位置电表，只有依靠停电区分，操作难度大，且会造成巨大经济损失。自2016年以来，电力系统很多机构开始尝试采用大数据方法进行低压户变识别，通过电能表电流、功率数据，工频过零偏移和工频过零畸变等手段进行户变关系识别，但是大数据方法受设备采样精度、数据同步性等因素影响大，判别成本较高，尚未取得较好结果。
低压户变关系识别是一种典型的分类问题。传统核模糊C均值聚类算法对初始聚类中心十分敏感、计算时间长、核函数和核参数选择缺乏科学的指导。
发明内容
为解决上述问题，本发明提出一种基于模糊聚类和过零偏移的低压户变关系识别方法。
本发明采取如下技术方案：一种基于模糊聚类和过零偏移的低压户变关系识别方法，包括以下步骤：
步骤A1，采集变压器低压侧集中器处电压的过零数据；
步骤A2，采集电能表处电压的过零数据；
步骤A3，将采集的数据汇总上报给主站；
步骤A4，计算电能表电压的过零偏移；
步骤A5，计算变压器电压的过零偏移；
步骤A6，根据基于IQPSO的核模糊C均均值聚类算法(简称“IOPSO-KFCM”)，对电能表电压的过零偏移数据进行分类，分类结果即对应低压户变关系。
进一步地，步骤A4计算电能表电压的过零偏移，其计算公式为：
假设目标电网中有M个低压台区，对应M个变压器，共N个电能表，第j个电能表对应的电压信号过零偏移如下：
xj＝Tj-T,j∈[1,N],
其中，Tj和T分别为第j个电表和标准信号相邻两个过零点的时间。
进一步地，步骤A5计算变压器电压的过零偏移，其计算公式为：
假设目标电网中有M个低压台区，对应M个变压器，共N个电能表，第i个变压器的过零偏移为：
Figure GDA0004171802710000021
其中，
Figure GDA0004171802710000022
表示第i个变压器相邻两个过零点的时间。
进一步地，步骤A6根据基于IQPSO的核模糊C均均值聚类算法(简称“IOPSO-KFCM”)，对电能表电压的过零偏移数据进行分类，分类结果即对应低压户变关系，详细步骤：
步骤B1：参数设置：确定聚类个数M，变量维度N，误差阈值ε，最大迭代次数Imax，交叉概率的最小值γmin和最大值γmax；
步骤B2：初始化：种群大小W，粒子位置Xk,0，聚类中心vi，令粒子历史最优位置和种群最优位置为0；
步骤B3：计算适应度函数，对个体历史最优适应度函数降序排列求最大值，根据计算结果更新粒子历史最优位置
Figure GDA0004171802710000023
和种群最优位置/>
Figure GDA0004171802710000024
步骤B4：对种群中的每一个粒子k,1≤k≤W执行步骤B5～步骤B9；
步骤B5：根据适应度函数确定每个粒子的邻域最优位置
Figure GDA0004171802710000025
执行吸引子多元更新策略，得到局部吸引子Pk,t；
步骤B6：执行势阱特征长度扰动策略，更新粒子位置Xk,t+1；
步骤B7：执行动态交叉策略，更新粒子位置；
步骤B8：更新粒子历史最优位置
Figure GDA0004171802710000026
步骤B9：比较适应度函数，更新种群最优位置
Figure GDA0004171802710000027
步骤B10：更新交叉概率；
步骤B11：重复执行步骤B4～步骤B10，直到相邻前后两次适应度函数误差满足误差阈值，或达到最大迭代次数，停止迭代，最终得到的
Figure GDA0004171802710000028
就是采用IQPSO-KFCM得到的最优解，/>
Figure GDA0004171802710000029
就是相应的最佳指标。
进一步地，步骤A6中将低压户变关系转化为过零偏移数据的聚类分析问题。
进一步地，步骤A6中基于IQPSO的核模糊C均均值聚类算法，提出一种改进的量子粒子群方法，引入吸引子多元更新策略、势阱特征长度扰动策略和动态交叉策略，帮助算法跳出局部极值，增强全局寻优能力，构造基于类内距离和类间距离的适应度函数，充分利用数据信息进行聚类。
本发明的有益效果是：根据低压台区电压信号的过零偏移数据进行聚类分析，实现低压户变关系识别，本发明中此方法实现简单，只需采集变压器低压侧和低压电能表电压的过零数据，另外该方法具有更高的聚类精度和运算效率，可以实现对低压户变关系的正确识别。
附图说明
图1为本发明总体流程图；
图2为本发明现场数据采集示意图；
图3为本发明变压器电压过零偏移数据；
图4为本发明电能表电压过零偏移数据；
图5为本发明低压户变关系识别结果示意图；
图6为本发明算法优化对比结果图；
图7为本发明过零偏移示意图；
其中横坐标代表电压，纵坐标代表时间，单位分别为V、ms。
具体实施方式
本发明针对低压户变关系识别问题，提出了一种改进的核模糊C均值聚类算法，通过对低压台区电压信号的过零偏移进行聚类分析，实现低压户变关系识别。为了提高聚类精度和效率，采用量子粒子群算法对聚类中心和核参数进行优化，同时，定义了类内距离和类间距离对适应度函数进行改进，引入吸引子多元更新策略解决“早熟”问题。通过仿真测试和应用验证，证实了该方法能有效地识别低压户变的真实归属关系。
本发明通过对低压台区电压信号的过零偏移数据进行聚类分析来识别户变关系。该方法首先采集低压变压器低压侧(集中器)和电能表电压的过零数据，然后计算变压器和电能表电压的过零偏移，最后根据基于IQPSO的核模糊C均均值聚类算法(简称“IOPSO-KFCM”)，对电能表电压的过零偏移数据进行分类，分类结果即对应低压户变关系。
下面结合附图1-7实施例对本发明作进一步的说明，以具体阐述本发明的技术方案。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
结合附图1，本发明的一种基于模糊聚类和过零偏移的低压户变关系识别方法，包括以下步骤：
步骤A1，采集变压器低压侧集中器处电压的过零数据；
步骤A2，采集电能表处电压的过零数据；
步骤A3，将采集的数据汇总上报给主站；
步骤A1，A2，A3过程参考附图2，
步骤A4，计算电能表电压的过零偏移；
假设目标电网中有M个低压台区，对应M个变压器，共N个电能表，第j个电能表对应的电压信号过零偏移如下：
xj＝Tj-T,j∈[1,N],
其中，Tj和T分别为第j个电表和标准信号相邻两个过零点的时间。
N＝234，过零偏移参考附图7，具体计算结果见附图4。
步骤A5，计算变压器电压的过零偏移；
假设目标电网中有M个低压台区，对应M个变压器，共N个电能表，第i个变压器的过零偏移为：
Figure GDA0004171802710000031
其中，
Figure GDA0004171802710000032
表示第i个变压器相邻两个过零点的时间。
M＝4,过零偏移参考附图7，具体计算结果见附图3。
步骤A6，根据基于IQPSO的核模糊C均均值聚类算法(简称“IOPSO-KFCM”)，对电能表电压的过零偏移数据进行分类，分类结果即对应低压户变关系。
详细步骤：
步骤B1：参数设置：确定聚类个数M，变量维度N，误差阈值ε，最大迭代次数Imax，交叉概率的最小值γmin和最大值γmax；
聚类个数M＝4，变量维度N＝234，误差阈值ε＝10-3，最大迭代次数Imax＝1000，交叉概率的最小值γmin＝0.7，最大值γmax＝0.9。
步骤B2：初始化：种群大小W，粒子位置Xk,0，聚类中心vi，令粒子历史最优位置和种群最优位置为0；
种群大小W＝300，粒子初始位置Xk,0和聚类中心vi均采用随机确定。
步骤B3：计算适应度函数，对个体历史最优适应度函数降序排列求最大值，根据计算结果更新粒子历史最优位置
Figure GDA0004171802710000041
和种群最优位置/>
Figure GDA0004171802710000042
步骤B4：对种群中的每一个粒子k,1≤k≤W执行步骤B5～步骤B9；
步骤B5：根据适应度函数确定每个粒子的邻域最优位置
Figure GDA0004171802710000043
执行吸引子多元更新策略，得到局部吸引子Pk,t；
步骤B6：执行势阱特征长度扰动策略，更新粒子位置Xk,t+1；
步骤B7：执行动态交叉策略，更新粒子位置；
步骤B8：更新粒子历史最优位置
Figure GDA0004171802710000044
步骤B9：比较适应度函数，更新种群最优位置/>
Figure GDA0004171802710000045
步骤B10：更新交叉概率；
步骤B11：重复执行步骤B4～步骤B10，直到相邻前后两次适应度函数误差满足误差阈值，或达到最大迭代次数，停止迭代，最终得到的
Figure GDA0004171802710000046
就是采用IQPSO-KFCM得到的最优解，/>
Figure GDA0004171802710000047
就是相应的最佳指标。
计算、识别结果具体见附图5、附图6。
本实施例中：利用实际的现场数据对本发明中的基于模糊聚类和过零偏移的低压户变关系识别方法进行了测试验证。本发明根据过零偏移数据的聚类关系确定了低压户变关系，同时，由图5～图6可知，本发明的IQPSO的核模糊C均均值聚类算法(简称“IOPSO-KFCM”)准确度更高，运算效率更高，由此也进一步验证了本发明所提出方法的准确性。
综上所述，本发明提出了一种基于模糊聚类和过零偏移的低压户变关系识别方法，首先采集低压变压器低压侧(集中器/关口表)电压的过零数据，同时采集低压电能表电压的过零数据；然后将采集的数据汇总上报给主站；接着计算电能表电压的过零偏移，同时计算变压器电压的过零偏移；最后根据基于IQPSO的核模糊C均均值聚类算法(简称“IOPSO-KFCM”)，对电能表电压的过零偏移数据进行分类，分类结果即对应低压户变关系。本发明此方法实现简单，只需采集变压器低压侧和低压电能表电压的过零数据，另外，该方法具有更高的聚类精度和运算效率，可以实现对低压户变关系的正确识别。
以上实施例是对本发明的具体实施方式的说明，而非对本发明的限制，有关技术领域的技术人员在不脱离本发明的精神和范围的情况下，还可以做出各种变换和变化而得到相对应的等同的技术方案，因此所有等同的技术方案均应该归入本发明的专利保护范围。

Claims (5)

1.一种基于模糊聚类和过零偏移的低压户变关系识别方法，其特征在于，包括以下步骤:
步骤A1，采集变压器低压侧集中器处电压的过零数据；
步骤A2，采集电能表处电压的过零数据；
步骤A3，将采集的数据汇总上报给主站；
步骤A4，计算电能表电压的过零偏移；
步骤A5，计算变压器电压的过零偏移；
步骤A6，根据基于IQPSO的核模糊C均值聚类算法(简称“IQPSO-KFCM”)，对电能表电压的过零偏移数据进行分类，分类结果即对应低压户变关系；
其中，步骤A6详细步骤：
步骤B1：参数设置：确定聚类个数M，变量维度N，误差阈值ε，最大迭代次数Imax，交叉概率的最小值γmin和最大值γmax；
步骤B2：初始化：种群大小W，粒子位置Xk,0，聚类中心vi，令粒子历史最优位置和种群最优位置为0；
步骤B3：计算适应度函数，对个体历史最优适应度函数降序排列，求最大值，根据计算结果更新粒子历史最优位置
Figure FDA0004174247450000011
和种群最优位置/>
Figure FDA0004174247450000012
步骤B4：对种群中的每一个粒子k,1≤k≤W执行步骤B5～步骤B9；
步骤B5：根据适应度函数确定每个粒子的邻域最优位置
Figure FDA0004174247450000013
执行吸引子多元更新策略，得到局部吸引子Pk,t；
步骤B6：执行势阱特征长度扰动策略，更新粒子位置Xk,t+1；
步骤B7：执行动态交叉策略，更新粒子位置；
步骤B8：更新粒子历史最优位置
Figure FDA0004174247450000014
步骤B9：比较适应度函数，更新种群最优位置
Figure FDA0004174247450000015
步骤B10：更新交叉概率；
步骤B11：重复执行步骤B4～步骤B10，直到相邻前后两次适应度函数误差满足误差阈值，或达到最大迭代次数，停止迭代，最终得到的
Figure FDA0004174247450000016
就是采用IQPSO-KFCM得到的最优解，
Figure FDA0004174247450000017
就是相应的最佳指标。
2.根据权利要求1所述的一种基于模糊聚类和过零偏移的低压户变关系识别方法，其特征于：步骤A4，计算电能表电压的过零偏移，其计算公式为:
假设目标电网中有M个低压台区，对应M个变压器，共N个电能表，第j个电能表对应的电压信号过零偏移如下：
xj＝Tj-T,j∈[1,N],
其中，Tj和T分别为第j个电表和标准信号相邻两个过零点的时间。
3.根据权利要求1所述的一种基于模糊聚类和过零偏移的低压户变关系识别方法，其特征于：步骤A5，计算变压器电压的过零偏移，其计算公式为:
假设目标电网中有M个低压台区，对应M个变压器，共N个电能表，第i个变压器的过零偏移为：
Figure FDA0004174247450000018
其中，
Figure FDA0004174247450000019
和T分别为第i个变压器和标准信号相邻两个过零点的时间。
4.根据权利要求1所述的一种基于模糊聚类和过零偏移的低压户变关系识别方法，其特征在于：步骤A6中将低压户变关系转化为过零偏移数据的聚类分析问题。
5.根据权利要求4所述的一种基于模糊聚类和过零偏移的低压户变关系识别方法，其特征在于：步骤A6中基于IQPSO的核模糊C均值聚类算法，提出一种改进的量子粒子群方法，引入吸引子多元更新策略、势阱特征长度扰动策略和动态交叉策略，帮助算法跳出局部极值，增强全局寻优能力，构造基于类内距离和类间距离的适应度函数，充分利用数据信息进行聚类。
CN202010415888.0A 2020-05-16 2020-05-16 一种基于模糊聚类和过零偏移的低压户变关系识别方法 Active CN111612056B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010415888.0A CN111612056B (zh) 2020-05-16 2020-05-16 一种基于模糊聚类和过零偏移的低压户变关系识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010415888.0A CN111612056B (zh) 2020-05-16 2020-05-16 一种基于模糊聚类和过零偏移的低压户变关系识别方法

Publications (2)

Publication Number Publication Date
CN111612056A CN111612056A (zh) 2020-09-01
CN111612056B true CN111612056B (zh) 2023-06-02

Family

ID=72200246

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010415888.0A Active CN111612056B (zh) 2020-05-16 2020-05-16 一种基于模糊聚类和过零偏移的低压户变关系识别方法

Country Status (1)

Country Link
CN (1) CN111612056B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112415304B (zh) * 2020-10-30 2022-08-23 国网天津市电力公司 基于低压台区电压数据曲线分群的线路识别方法
CN112600589B (zh) * 2020-12-25 2022-11-11 深圳市中创电测技术有限公司 一种基于工频变化趋势的低压户变关系识别方法及系统
CN112686308A (zh) * 2020-12-28 2021-04-20 青岛鼎信通讯股份有限公司 一种基于kh与fcm的低压台区归属识别方法及系统
CN112671108B (zh) * 2021-01-21 2024-01-30 云南电力技术有限责任公司 一种过零点检测的线路控制系统
CN113505852B (zh) * 2021-07-28 2023-07-28 云南电网有限责任公司电力科学研究院 一种基于主成分分析与em距离的低压用户相别识别方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016201679A1 (zh) * 2015-06-18 2016-12-22 华为技术有限公司 特征提取方法、唇语分类方法、装置及设备
CN107146411A (zh) * 2017-06-06 2017-09-08 成都信息工程大学 基于方势阱模型的量子行为粒子群优化方法
CN109063276A (zh) * 2018-07-12 2018-12-21 国网江苏省电力有限公司电力科学研究院 适用于长时域风速波动的风电场动态等值建模方法

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102831474B (zh) * 2012-08-06 2015-04-22 江南大学 基于量子粒子群优化改进的模糊c-均值聚类方法
CN104268574A (zh) * 2014-09-25 2015-01-07 西安电子科技大学 一种基于遗传核模糊聚类的sar图像变化检测方法
WO2017176145A1 (en) * 2016-04-05 2017-10-12 Huawei Technologies Co., Ltd. Accelerated k-means clustering
CN107517071B (zh) * 2017-08-05 2021-08-20 青岛鼎信通讯股份有限公司 低压交流市电台区智能识别方法
CN109639321B (zh) * 2018-12-21 2021-10-15 云南电网有限责任公司电力科学研究院 基于电力线宽带载波通信的台区户变关系识别系统及方法
CN110687361A (zh) * 2019-09-20 2020-01-14 中国电力科学研究院有限公司 一种用于识别低压配网台区相序的方法及系统
CN111080105A (zh) * 2019-12-06 2020-04-28 国网辽宁省电力有限公司沈阳供电公司 基于电压时序数据的台区户变关系识别方法及系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016201679A1 (zh) * 2015-06-18 2016-12-22 华为技术有限公司 特征提取方法、唇语分类方法、装置及设备
CN107146411A (zh) * 2017-06-06 2017-09-08 成都信息工程大学 基于方势阱模型的量子行为粒子群优化方法
CN109063276A (zh) * 2018-07-12 2018-12-21 国网江苏省电力有限公司电力科学研究院 适用于长时域风速波动的风电场动态等值建模方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
基于不确定性优化理论的电网三级电压控制策略;应益强;付蓉;黄校娟;徐俊;;电器与能效管理技术(第08期);全文 *
基于集成经验模态分解和量子细菌觅食优化的风速预测模型;章国勇;伍永刚;张洋;;太阳能学报(第12期);全文 *
物联网架构下数据库信息远程共享方法仿真;杨巍;;计算机仿真(第04期);全文 *

Also Published As

Publication number Publication date
CN111612056A (zh) 2020-09-01

Similar Documents

Publication Publication Date Title
CN111612056B (zh) 一种基于模糊聚类和过零偏移的低压户变关系识别方法
CN111061821B (zh) 基于改进k值聚类算法的低压配电网拓扑校验方法及系统
CN111505433B (zh) 一种低压台区户变关系纠错及相位识别方法
CN103454559B (zh) 一种配电网单相接地故障区段定位方法及定位装置
CN109459669B (zh) 10kV配电网单相接地故障区段定位方法
CN107340492A (zh) 基于大数据挖掘和场景预判的电能计量装置故障分析方法
CN110609200B (zh) 一种基于模糊度量融合判据的配电网接地故障保护方法
CN111625991A (zh) 一种低压配电网拓扑校验方法
CN111596167A (zh) 基于模糊c均值聚类算法的故障区段定位方法及装置
CN113159488B (zh) 一种低压台区拓扑辨识方法
CN115377976B (zh) 一种基于皮尔逊相关系数的配网线变关系识别方法
CN112633658A (zh) 一种基于cnn-lstm的低压台区拓扑关系识别方法
CN112615428A (zh) 一种线损分析治理系统及方法
CN116148753A (zh) 一种智能电能表运行误差监测系统
CN111835006A (zh) 一种基于电压曲线和最小二乘的低压台区拓扑识别方法
CN114611842A (zh) 一种整县屋顶分布式光伏功率预测方法
CN111651448B (zh) 一种基于降噪差分进化的低压拓扑识别方法
CN116845971A (zh) 一种光伏并网低压台区拓扑结构自动识别方法
CN112686308A (zh) 一种基于kh与fcm的低压台区归属识别方法及系统
CN115508662B (zh) 一种用于判定台区电表与表箱间归属关系的方法
CN115545422A (zh) 一种基于改进决策机制的台区户变关系识别方法
CN115470858A (zh) 基于ddtw距离和最小最大距离算法的配电台区拓扑辨识方法
Yu et al. Practical method for data-driven user phase identification in low-voltage distribution networks
Hu et al. Low voltage transformer topology identification method based on de-noised differential evolution
Matijašević et al. Voltage-based machine learning algorithm for distribution of end-users consumption among the phases

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
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20231226

Address after: 266000 12th floor, 4b building, 858 Huaguan Road, high tech Zone, Qingdao City, Shandong Province

Patentee after: QINGDAO TOPSCOMM COMMUNICATION Co.,Ltd.

Patentee after: Qingdao Dingxin Communication Power Engineering Co.,Ltd.

Address before: 266000 12th floor, 4b building, 858 Huaguan Road, high tech Zone, Qingdao City, Shandong Province

Patentee before: QINGDAO TOPSCOMM COMMUNICATION Co.,Ltd.

Patentee before: Shenyang Keyuan State Grid Power Engineering Survey and Design Co.,Ltd.