CN111651448B - 一种基于降噪差分进化的低压拓扑识别方法 - Google Patents

一种基于降噪差分进化的低压拓扑识别方法 Download PDF

Info

Publication number
CN111651448B
CN111651448B CN202010794712.0A CN202010794712A CN111651448B CN 111651448 B CN111651448 B CN 111651448B CN 202010794712 A CN202010794712 A CN 202010794712A CN 111651448 B CN111651448 B CN 111651448B
Authority
CN
China
Prior art keywords
lof
differential evolution
samples
local
meter
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
CN202010794712.0A
Other languages
English (en)
Other versions
CN111651448A (zh
Inventor
骆志坚
林华城
张大兴
王铁柱
蔡素雄
顾温国
唐捷
乔嘉赓
卢山峰
黄优哲
张翠丽
阮治军
郭琳
邓敏云
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.)
Huizhou Power Supply Bureau of Guangdong Power Grid Co Ltd
Original Assignee
Huizhou Power Supply Bureau of Guangdong Power Grid 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 Huizhou Power Supply Bureau of Guangdong Power Grid Co Ltd filed Critical Huizhou Power Supply Bureau of Guangdong Power Grid Co Ltd
Priority to CN202010794712.0A priority Critical patent/CN111651448B/zh
Publication of CN111651448A publication Critical patent/CN111651448A/zh
Application granted granted Critical
Publication of CN111651448B publication Critical patent/CN111651448B/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
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/21—Design, administration or maintenance of databases
    • G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
    • 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
    • G01R31/50—Testing of electric apparatus, lines, cables or components for short-circuits, continuity, leakage current or incorrect line connections
    • G01R31/55—Testing for incorrect line connections
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2465—Query processing support for facilitating data mining operations in structured databases
    • 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
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • 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
    • G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/10—Office automation; Time management
    • G06Q10/103—Workflow collaboration or project management
    • 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
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Economics (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Mathematical Physics (AREA)
  • Marketing (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Operations Research (AREA)
  • Fuzzy Systems (AREA)
  • Primary Health Care (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Remote Monitoring And Control Of Power-Distribution Networks (AREA)

Abstract

本发明提供了一种基于降噪差分进化的低压拓扑识别方法，通过结合台区用电管理的需求，对台区内电量数据进行分析，进一步通过LOF剔除总表中的异常样本，再对每个台区使用差分进化算法挑选表计，从而准确识别低压台区的拓扑归属关系。本发明无需额外设备，仅需要对一段时间的用电数据进行统计分析即可获得台区内用户至变压器的归属关系，不但提高了大台区表计的管理能力，还实时确保数据管理的准确性，提高电力工作的效率，大大降低台区表计管理的成本。

Description

一种基于降噪差分进化的低压拓扑识别方法
技术领域
本发明涉及电力信息处理技术领域，尤其是涉及一种基于降噪差分进化的低压拓扑识别方法。
背景技术
为了响应国家大力推动智能电网的号召，各地逐步开展低压集抄的改造项目。然而，由于对现场施工质量的管控不严，经常出现线路接错现象，使得台区档案出现错误。另外，一些老旧小区线路错综复杂，台区档案维护不完善、换表信息没有更新等原因，也使得拓扑关系难以识别。上述问题使得无法精确获取电能表与变压器的一一对应关系，会引起抄表错误现象，降低台区线损的管理水平，严重损坏供电公司的形象。
早期的台区拓扑辨识主要依靠人工完成，需要大量的电力工作人员到现场挨家挨户排查、梳理变压器-电表的对应归属关系，效率非常低下。并且这种依靠人工排查的方法在面对大规模台区时已无法满足实际的需求。近年来，智能电表和用电信息采集系统的全面推广使得海量用电数据得以采集并存储，例如用户电压、电流、电量等信息。通过分析数据获悉台区内的拓扑关系成为当前的研究重点，具有成本低，安全可靠的优点。然而，电压数据的相似性在统计上容易产生近似的结果，影响判断。另外，在数据处理上经常出现计量误差、线损异常、非预期性噪声，使得前述的台区总表读数和用户表无法严格满足等式关系等问题，尤其是总表的偏差对于求解问题尤为严重。
发明内容
本发明提出了一种基于降噪差分进化的低压拓扑识别方法，采用拓扑识别方法和差分进化算法用于解决上述现有技术问题。具体如下：
一种基于降噪差分进化的低压拓扑识别方法，包括C个台区，其中C=1,2,…,c；及m个表记，还包括以下步骤：
S1：采集表计用电数据
Figure 189678DEST_PATH_IMAGE001
和台区总表数据
Figure 575660DEST_PATH_IMAGE002
；
S2：应用LOF方法剔除
Figure 824239DEST_PATH_IMAGE002
中的异常样本，同时将
Figure 688290DEST_PATH_IMAGE001
中对应的样本剔除，得到
Figure 971504DEST_PATH_IMAGE003
和
Figure 262808DEST_PATH_IMAGE004
；
S3：对于第c个台区，应用差分进化算法挑选出最优表计
Figure 998683DEST_PATH_IMAGE005
，并在
Figure 666424DEST_PATH_IMAGE003
中进行剔除，其 中，
Figure 69724DEST_PATH_IMAGE006
，将剩余的表记分给最后一个台区，完成所有表计的台区划分。
其中，所述S2中的LOF方法，还包括：
S21：根据欧氏距离的大小寻找样本
Figure 528999DEST_PATH_IMAGE007
的邻近值
Figure 752170DEST_PATH_IMAGE008
，并计算
Figure 958024DEST_PATH_IMAGE007
的K距离：
Figure 215830DEST_PATH_IMAGE009
，其中，
Figure 114516DEST_PATH_IMAGE007
为
Figure 824983DEST_PATH_IMAGE002
中的任一样本；
Figure 834527DEST_PATH_IMAGE010
为K个
Figure 946840DEST_PATH_IMAGE011
的邻居；同 样计算局部邻居
Figure 750847DEST_PATH_IMAGE012
(1
Figure 214190DEST_PATH_IMAGE013
k
Figure 761846DEST_PATH_IMAGE013
K) 的K-距离
Figure 728665DEST_PATH_IMAGE014
。
S22：计算样本
Figure 234733DEST_PATH_IMAGE007
与局部邻居
Figure 654213DEST_PATH_IMAGE012
的局部可达距离，计算公式为：
Figure 5559DEST_PATH_IMAGE015
；
S23：计算样本
Figure 826885DEST_PATH_IMAGE007
的局部可达密度，计算公式为：
Figure 238275DEST_PATH_IMAGE016
；同样计算局部邻居
Figure 410630DEST_PATH_IMAGE012
(1
Figure 766001DEST_PATH_IMAGE013
k
Figure 972991DEST_PATH_IMAGE013
K) 的局部可达密度
Figure 555282DEST_PATH_IMAGE017
；
S24：计算样本
Figure 949354DEST_PATH_IMAGE007
的局部离群因子，其公式为：
Figure 642504DEST_PATH_IMAGE018
；
进一步的，当LOF(y)大于1时，样本
Figure 438421DEST_PATH_IMAGE007
为离群点；否则，LOF(y)等于1，样本
Figure 926035DEST_PATH_IMAGE007
为非离 群点。
进一步的，当所述LOF(y)大于一阈值，则将其所对应的样本
Figure 807403DEST_PATH_IMAGE007
剔除。所述阈值为一 预设值，或通过K- means聚类获得值。
其中，所述S3中的差分进化算法，还包括：
S31：初始化，随机选取满足[-1,1]均匀分布的种群
Figure 569823DEST_PATH_IMAGE019
，其中m表 示所有台区的表计个数，NP是种群规模；
S32：计算适应度函数，计算公式为：
Figure 220247DEST_PATH_IMAGE020
，其中
Figure 878761DEST_PATH_IMAGE021
表示选择
Figure 247426DEST_PATH_IMAGE022
中大于0对应的表计，
Figure 547957DEST_PATH_IMAGE023
表示将选择的表计进行求和，
Figure 318467DEST_PATH_IMAGE024
表示总表数据，j表示第j个样本
S33：计算变异后的个体，计算公式为：
Figure 147883DEST_PATH_IMAGE025
，其中，G表示进化迭代次数，
Figure 3843DEST_PATH_IMAGE026
、
Figure 108065DEST_PATH_IMAGE027
、
Figure 467503DEST_PATH_IMAGE028
为所述种 群中随机选取的3个彼此不同且不同于当前的个体，F为变异因子，且
Figure 753907DEST_PATH_IMAGE029
；
S34：将变异操作产生的新个体
Figure 831584DEST_PATH_IMAGE030
与个体
Figure 739497DEST_PATH_IMAGE031
进行交叉操作获得新个体
Figure 219020DEST_PATH_IMAGE032
， 具体如下：
Figure 655818DEST_PATH_IMAGE033
，其中
Figure 486370DEST_PATH_IMAGE032
为新个体，
Figure 338920DEST_PATH_IMAGE031
为原种群中的个体，
Figure 672949DEST_PATH_IMAGE034
为
Figure 546227DEST_PATH_IMAGE035
区间的随机数，CR代表交叉概率，表示0到1的随机数，J、Q为
Figure 598497DEST_PATH_IMAGE036
之间的随 机数；
S35：判断新个体
Figure 625709DEST_PATH_IMAGE032
是否替代
Figure 283086DEST_PATH_IMAGE037
，当
Figure 61687DEST_PATH_IMAGE032
的适应度函数小于
Figure 335673DEST_PATH_IMAGE037
，则进行更新， 否则继续保留
Figure 61184DEST_PATH_IMAGE037
，计算公式为：
Figure 104226DEST_PATH_IMAGE038
。
本发明提供一种基于降噪差分进化的低压拓扑识别方法，对于各台区总表电量数据，设计一种基于局部离群因子的去噪方法剔除样本中的异常点。进一步，为每个台区建立差分进化模型挑选出最合理的表计，且最后剩余表计判给最后一个台区。该方法无需额外设备，仅需要对一段时间的用电数据进行统计分析即可获得台区内用户至变压器的归属关系，具有重要的理论研究意义和实际应用价值。
附图说明
图1为一实施例中的基于降噪差分进化的低压拓扑识别方法流程图。
图2为一实施例中的台区拓扑结构图。
图3为一实施例中的噪声剔除示意图。
图4为一实施例中的未经降噪处理的差分进化算法的适应度函数趋势图。
图5为一实施例中的降噪后的差分进化算法的适应度函数趋势图。
图6为一实施例中的未经降噪处理的电量曲线和实际曲线的拟合图。
图7为一实施例中的经降噪后的电量曲线和实际曲线的拟合图。
具体实施方式
下面将结合具体实施例及附图对本发明的一种基于降噪差分进化的低压拓扑识别方法作进一步详细描述。
本发明提出的一种基于降噪差分进化的低压拓扑识别方法，通过对台区总表电量数据，设计基于局部离群因子的去噪方法剔除样本中的异常点，进一步，为每个台区建立差分进化模型挑选出最合理的表计，并将最后剩余表计判给最后一个台区。实现了无需额外检测设备监控，直接通过对一段时间的用电数据进行统计分析即可获得台区内用户至变压器的归属关系，从而保证了台区和表计的拓扑关系的真实有效性，大大降低检测成本，增加数据的实时性和灵敏性。
一种基于降噪差分进化的低压拓扑识别方法，包括C个台区，其中C=1,2,…,c；及m个表记，还包括以下步骤（如图1所示）：
S1：采集表计用电数据
Figure 53728DEST_PATH_IMAGE001
和台区总表数据
Figure 815010DEST_PATH_IMAGE002
；
S2：应用LOF方法剔除
Figure 406528DEST_PATH_IMAGE002
中的异常样本，同时将
Figure 569657DEST_PATH_IMAGE001
中对应的样本剔除，得到
Figure 955639DEST_PATH_IMAGE003
和
Figure 469796DEST_PATH_IMAGE004
；
S3：对于第c个台区，应用差分进化算法挑选出最优表计
Figure 65338DEST_PATH_IMAGE005
，并在
Figure 82973DEST_PATH_IMAGE003
中进行剔除，其 中，
Figure 108698DEST_PATH_IMAGE006
，进一步的，为c=c+1台区选择表计，直到c=C-1，将剩余的表记分给最后一个台区， 完成所有表计的台区划分。
其中，所述S2中的LOF方法，还包括：
S21：根据欧氏距离的大小寻找样本
Figure 844573DEST_PATH_IMAGE007
的邻近值
Figure 715577DEST_PATH_IMAGE039
，并计算
Figure 853297DEST_PATH_IMAGE007
的K距离：
Figure 581082DEST_PATH_IMAGE040
，其中，
Figure 804252DEST_PATH_IMAGE007
为
Figure 10106DEST_PATH_IMAGE002
中的任一样本；
Figure 267912DEST_PATH_IMAGE010
为K个
Figure 166598DEST_PATH_IMAGE011
的邻居。
同理，进一步计算局部邻居
Figure 611486DEST_PATH_IMAGE012
(1
Figure 886609DEST_PATH_IMAGE013
k
Figure 998922DEST_PATH_IMAGE013
K) 的K-距离
Figure 800000DEST_PATH_IMAGE014
。
S22：计算样本
Figure 997763DEST_PATH_IMAGE007
与局部邻居
Figure 810998DEST_PATH_IMAGE012
的局部可达距离，计算公式为：
Figure 777817DEST_PATH_IMAGE015
。
S23：计算样本
Figure 752726DEST_PATH_IMAGE007
的局部可达密度，计算公式为：
Figure 437786DEST_PATH_IMAGE041
；同理，进一步计算局部邻居
Figure 54712DEST_PATH_IMAGE012
(1
Figure 876037DEST_PATH_IMAGE013
k
Figure 287427DEST_PATH_IMAGE013
K) 的局部可达密度
Figure 194203DEST_PATH_IMAGE017
。
S24：计算样本
Figure 349241DEST_PATH_IMAGE007
的局部离群因子，其公式为：
Figure 290652DEST_PATH_IMAGE042
。
其中，当样本
Figure 872943DEST_PATH_IMAGE007
不是一个离群点，则它的局部可达密度将约等于其邻居的局部可达 密度，也即LOF(y)的值等于1。反之，当样本
Figure 267016DEST_PATH_IMAGE007
为离群点时，LOF(y)将大于1。对于总表数据，计 算所有样本的LOF值，将具有较大LOF值的样本剔除，保留紧凑性强的样本群体。也就是说， 当所述LOF(y)大于一阈值，则将其所对应的样本
Figure 960165DEST_PATH_IMAGE007
剔除，可选的，通过设置阈值或者根据K- means聚类，进行较大LOF值的样本剔除。
进一步的，所述S3中的差分进化算法包含三种操作：变异、交叉、选择，具体包括：
S31：初始化，随机选取满足[-1,1]均匀分布的种群
Figure 756083DEST_PATH_IMAGE019
，其中m表 示所有台区的表计个数，NP是种群规模；
S32：计算适应度函数，计算公式为：
Figure 774854DEST_PATH_IMAGE043
，其中
Figure 656223DEST_PATH_IMAGE021
表示选择
Figure 887484DEST_PATH_IMAGE022
中大于0对应的表计，
Figure 534978DEST_PATH_IMAGE023
表示将选择的表计进行求和，
Figure 724651DEST_PATH_IMAGE044
表示总表数据，j表示第j个样本
S33：计算变异后的个体，计算公式为：
Figure 93316DEST_PATH_IMAGE045
，其中，G表示进化迭代次数，
Figure 128268DEST_PATH_IMAGE026
、
Figure 898778DEST_PATH_IMAGE027
、
Figure 993773DEST_PATH_IMAGE028
为所述种 群中随机选取的3个彼此不同且不同于当前的个体，F为变异因子，且
Figure 849733DEST_PATH_IMAGE046
；
S34：将变异操作产生的新个体
Figure 422797DEST_PATH_IMAGE030
与个体
Figure 47813DEST_PATH_IMAGE031
进行交叉操作获得新个体
Figure 313710DEST_PATH_IMAGE032
， 具体如下：
Figure 391387DEST_PATH_IMAGE047
，其中
Figure 33721DEST_PATH_IMAGE032
为新个体，
Figure 513244DEST_PATH_IMAGE031
为原种群中的个体，
Figure 215621DEST_PATH_IMAGE048
为
Figure 780594DEST_PATH_IMAGE035
区间的随机数，CR代表交叉概率，表示0到1的随机数，J、Q为
Figure 164302DEST_PATH_IMAGE036
之间的随 机数；
S35：判断新个体
Figure 760981DEST_PATH_IMAGE032
是否替代
Figure 368680DEST_PATH_IMAGE037
，当
Figure 686529DEST_PATH_IMAGE032
的适应度函数小于
Figure 405086DEST_PATH_IMAGE037
，则进行更新， 否则继续保留
Figure 124780DEST_PATH_IMAGE037
，计算公式为：
Figure 903381DEST_PATH_IMAGE049
。
作为另一优选实施例，对本发明所述一种基于降噪差分进化的低压拓扑识别方法 进行举例证明，主要通过采集一地区3个台区共150个样本的历史数据用作仿真分析，如图2 所示，其中“Transformer”表示台区、最外层标号代表表计序号。去噪过程中邻域参数K设置 为10，差分进化算法中初始种群规模为300，最大迭代次数设置为100。经过上述步骤S2应用 LOF方法剔除
Figure 708525DEST_PATH_IMAGE002
中的异常样本，如图3所示的噪声剔除示意图，由此可知，存在部分异常点， 使得判断过程出现错误。而使用降噪处理后，总体的准确率大大提升，所有表计归属均判断 正确。进一步执行步骤S3，获得每个台区的归属表计信息，如下表所示：
Figure 230774DEST_PATH_IMAGE050
若采用传统的差分进化算法计算，则基于上述相同的给定条件值，则得到的每个台区的归属表计信息为：
Figure 539395DEST_PATH_IMAGE051
进一步的，生成差分进化算法的适应度函数趋势图（如图4所示），以及经降噪处理的差分进化计算的适应度函数趋势图（如图5所示），可以看出经降噪处理后两个台区的适应度函数均能进一步优化，尤其是对于第二个台区。
为了进一步证明本发明所述一种基于降噪差分进化的低压拓扑识别方法的实用性和数据的真实可靠性，通过拟合的电量曲线和实际曲线的对比图进行对比，如图6为去躁之前的拟合效果，图7为本发明所述的经降噪处理的最终拟合效果。可以看出，传统的差分进化算法和本发明所述方法虽均能跟随真是的电量曲线走势，但显然本发明所述方法拟合的程度更高。且初始总表样本中存在几个异常点使得最终的拟合效果不好。经降噪处理后，样本中显著的异常点被剔除，最终的拟合效果很好。
综上所述，本发明提供了一种基于降噪差分进化的低压拓扑识别方法，通过结合台区用电管理的需求，对台区内电量数据进行分析，进一步通过LOF剔除总表中的异常样本，再对每个台区使用差分进化算法挑选表计，从而准确识别低压台区的拓扑归属关系。相比于现有技术，本发明不但提高了大台区表计的管理能力，还实时确保数据管理的准确性，提高电力工作的效率，大大降低台区表计管理的成本，且针对多变的表计，能及时发现并录入或剔除，以及通过本发明所述的LOF剔除总表中的异常样本，自行实现数据的管理，保证样本数据的正常，实现了从根本上解决台区低压分段线损异常定位治理工作困难问题。
虽然对本发明的描述是结合以上具体实施例进行的，但是，熟悉本技术领域的人员能够根据上述的内容进行许多替换、修改和变化、是显而易见的。因此，所有这样的替代、改进和变化都包括在附后的权利要求的精神和范围内。

Claims (5)

1.一种基于降噪差分进化的低压拓扑识别方法，其特征在于，包括C个台区，其中C=1,2,…,c；及m个表记，还包括以下步骤：
S1：采集表计用电数据和台区总表数据
Figure 784293DEST_PATH_IMAGE002
；
S2：应用LOF方法剔除
Figure 266090DEST_PATH_IMAGE002
中的异常样本，同时将 中对应的样本剔除，得到和；
S3：对于第c个台区，应用差分进化算法挑选出最优表计
Figure 774453DEST_PATH_IMAGE005
，并在
Figure 743546DEST_PATH_IMAGE003
中进行剔除，其中，
Figure DEST_PATH_IMAGE006
；直至c=C-1，将剩余的表记分给最后一个台区，完成所有表计的台区划分;
其中，所述差分进化算法，还包括以下步骤：
S31：初始化，随机选取满足[-1,1]均匀分布的种群
Figure 492059DEST_PATH_IMAGE007
，其中m表示 所有台区的表计个数，NP是种群规模，
Figure DEST_PATH_IMAGE008
为表示m×NP的矩阵，θ指的是种群的某个个 体；
S32：计算适应度函数，计算公式为：
Figure 230208DEST_PATH_IMAGE009
，其中
Figure DEST_PATH_IMAGE010
表示选择
Figure 405975DEST_PATH_IMAGE011
中大于0对 应的表计，
Figure 127943DEST_PATH_IMAGE012
表示将选择的表计进行求和，
Figure 883410DEST_PATH_IMAGE013
表示总表数据，j表示第j个样本
S33：计算变异后的个体，计算公式为：
Figure 476065DEST_PATH_IMAGE014
，其中，G表示进化迭代次数，
Figure 494836DEST_PATH_IMAGE015
为所述种群中随机选取的3个彼此不同且不同于当前的个体，F为变异因子，且
Figure 438522DEST_PATH_IMAGE016
；
S34：将变异操作产生的新个体
Figure 997679DEST_PATH_IMAGE017
与个体
Figure 975999DEST_PATH_IMAGE018
进行交叉操作获得新个体
Figure 696831DEST_PATH_IMAGE019
，具体如下：
Figure 331074DEST_PATH_IMAGE020
，其中
Figure 428343DEST_PATH_IMAGE019
为新个体，
Figure 252381DEST_PATH_IMAGE018
为原 种群中的个体，
Figure 144114DEST_PATH_IMAGE021
为
Figure 327970DEST_PATH_IMAGE022
区间的随机数，CR代表交叉概率，表示0到1的随机数，J、Q为
Figure 228930DEST_PATH_IMAGE023
之间的随机数；
S35：判断新个体
Figure 650684DEST_PATH_IMAGE019
是否替代
Figure 182160DEST_PATH_IMAGE024
，当
Figure 322154DEST_PATH_IMAGE019
的适应度函数小于
Figure 26805DEST_PATH_IMAGE024
，则进行更 新，否则继续保留
Figure 834224DEST_PATH_IMAGE024
，计算公式为：
Figure 333338DEST_PATH_IMAGE025
。
2.根据权利要求1所述的方法，其特征在于，所述S2中的LOF方法，还包括：
S21：根据欧氏距离的大小寻找样本
Figure 960629DEST_PATH_IMAGE013
的邻近值
Figure 406654DEST_PATH_IMAGE026
，并计算
Figure 803000DEST_PATH_IMAGE013
的K距离：
Figure 473016DEST_PATH_IMAGE027
，其中，
Figure 853181DEST_PATH_IMAGE013
为
Figure 634056DEST_PATH_IMAGE002
中的任一样本；
Figure 353750DEST_PATH_IMAGE028
， 为K个的
Figure 194667DEST_PATH_IMAGE013
邻居；
同样计算局部邻居
Figure 796550DEST_PATH_IMAGE029
的K距离
Figure 649624DEST_PATH_IMAGE030
；
S22：计算样本
Figure 20562DEST_PATH_IMAGE013
与局部邻居
Figure 235643DEST_PATH_IMAGE031
的局部可达距离，计算公式为：
Figure 590401DEST_PATH_IMAGE032
；
S23：计算样本
Figure 978657DEST_PATH_IMAGE013
的局部可达密度，计算公式为：
Figure 204102DEST_PATH_IMAGE033
；同样计算局部邻居
Figure 386821DEST_PATH_IMAGE029
的局部可达密度
Figure 228875DEST_PATH_IMAGE034
；
S24：计算样本
Figure 155243DEST_PATH_IMAGE013
的局部离群因子，其公式为：
Figure 438457DEST_PATH_IMAGE035
。
3.根据权利要求2所述的方法，其特征在于，当LOF(y)大于1时，样本
Figure 57657DEST_PATH_IMAGE013
为离群点；否则， LOF(y)等于1，样本
Figure 855849DEST_PATH_IMAGE013
为非离群点。
4.根据权利要求3所述的方法，其特征在于，还包括：当所述LOF(y)大于一阈值，则将其 所对应的样本
Figure 585907DEST_PATH_IMAGE013
剔除。
5.根据权利要求4所述的方法，其特征在于，所述阈值为一预设值，或通过K- means聚类获得值。
CN202010794712.0A 2020-08-10 2020-08-10 一种基于降噪差分进化的低压拓扑识别方法 Active CN111651448B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010794712.0A CN111651448B (zh) 2020-08-10 2020-08-10 一种基于降噪差分进化的低压拓扑识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010794712.0A CN111651448B (zh) 2020-08-10 2020-08-10 一种基于降噪差分进化的低压拓扑识别方法

Publications (2)

Publication Number Publication Date
CN111651448A CN111651448A (zh) 2020-09-11
CN111651448B true CN111651448B (zh) 2021-01-15

Family

ID=72351841

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010794712.0A Active CN111651448B (zh) 2020-08-10 2020-08-10 一种基于降噪差分进化的低压拓扑识别方法

Country Status (1)

Country Link
CN (1) CN111651448B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113033666B (zh) * 2021-03-26 2024-04-26 国网上海市电力公司 一种融合采集业务和负荷设计规则的台区户变识别方法
CN114297811B (zh) * 2021-12-31 2023-09-12 烟台东方威思顿电气有限公司 基于约束多目标优化的低压台区拓扑识别方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104459560A (zh) * 2014-12-29 2015-03-25 合肥工业大学 基于小波降噪和相关向量机的锂电池剩余寿命预测方法
CN107123989A (zh) * 2017-05-25 2017-09-01 国网上海市电力公司 一种基于改进的局部异常因子算法的电网拓扑辨识方法
CN111061821A (zh) * 2019-11-12 2020-04-24 国网山东省电力公司聊城供电公司 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

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10680919B2 (en) * 2018-05-01 2020-06-09 Cisco Technology, Inc. Eliminating bad rankers and dynamically recruiting rankers in a network assurance system

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104459560A (zh) * 2014-12-29 2015-03-25 合肥工业大学 基于小波降噪和相关向量机的锂电池剩余寿命预测方法
CN107123989A (zh) * 2017-05-25 2017-09-01 国网上海市电力公司 一种基于改进的局部异常因子算法的电网拓扑辨识方法
CN111061821A (zh) * 2019-11-12 2020-04-24 国网山东省电力公司聊城供电公司 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

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
一种基于改进差分进化的K-均值聚类算法研究;王凤领等;《计算机与数字工程》;20191230;第47卷(第5期);第1042-1048页 *
基于异常点检测和改进K-means算法的台区用户相别辨识方法;张然等;《电网分析与研究》;20200730;第48卷(第1期);第91-96页 *

Also Published As

Publication number Publication date
CN111651448A (zh) 2020-09-11

Similar Documents

Publication Publication Date Title
CN111505433B (zh) 一种低压台区户变关系纠错及相位识别方法
Wang et al. Secondary forecasting based on deviation analysis for short-term load forecasting
CN104809658B (zh) 一种低压配网台区线损的快速分析方法
CN111651448B (zh) 一种基于降噪差分进化的低压拓扑识别方法
CN113189418B (zh) 一种基于电压数据的拓扑关系识别方法
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
CN110687361A (zh) 一种用于识别低压配网台区相序的方法及系统
CN111951125B (zh) 一种基于大数据分析的台区异常户变关系识别方法
CN115577978A (zh) 一种配电网目标投资决策要素权重系数测算方法
CN116148753A (zh) 一种智能电能表运行误差监测系统
CN108428055A (zh) 一种考虑负荷纵向特性的负荷聚类方法
CN111339167A (zh) 基于K-means和主成分线性回归的台区线损率影响因素分析方法
CN113112177A (zh) 一种基于混合指标的台区线损处理方法及系统
CN116307844A (zh) 一种低压台区线损评估分析方法
Emmanuel et al. Net electricity clustering at different temporal resolutions using a SAX-based method for integrated distribution system planning
CN117559443A (zh) 尖峰负荷下大工业用户集群有序用电控制方法
CN111259965A (zh) 一种对基于降维的电气特征数据进行均值聚类的方法及系统
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
CN112508254B (zh) 变电站工程项目投资预测数据的确定方法
Yang et al. An electricity data cluster analysis method based on SAGA-FCM algorithm
CN111948446A (zh) 一种自适应的负荷识别方法以及智能电能表
Miao et al. A Transformer District Line Loss Calculation Method Based on Data Mining and Machine Learning
CN109816276B (zh) 一种配电网可靠性指标评价方法、装置和设备
CN117236532B (zh) 一种基于负荷数据的用电高峰负荷预测的方法及系统
Zhao et al. Research on Line-transformer-user Topological Anomaly Recognition Model Based on Multi-source Data Mining

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