CN112288015A - 基于边缘计算改进knn的配网电气拓扑识别方法及系统 - Google Patents
基于边缘计算改进knn的配网电气拓扑识别方法及系统 Download PDFInfo
- Publication number
- CN112288015A CN112288015A CN202011190437.8A CN202011190437A CN112288015A CN 112288015 A CN112288015 A CN 112288015A CN 202011190437 A CN202011190437 A CN 202011190437A CN 112288015 A CN112288015 A CN 112288015A
- Authority
- CN
- China
- Prior art keywords
- training set
- data
- unit
- test
- distribution network
- 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 32
- 238000004364 calculation method Methods 0.000 title claims abstract description 30
- 238000012549 training Methods 0.000 claims abstract description 97
- 238000012360 testing method Methods 0.000 claims abstract description 80
- 238000012545 processing Methods 0.000 claims abstract description 21
- 238000007635 classification algorithm Methods 0.000 claims abstract description 7
- 238000005259 measurement Methods 0.000 claims description 12
- 230000006872 improvement Effects 0.000 claims description 9
- 230000005611 electricity Effects 0.000 claims description 4
- 238000005429 filling process Methods 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 description 17
- 230000007246 mechanism Effects 0.000 description 10
- 230000008569 process Effects 0.000 description 7
- 238000002790 cross-validation Methods 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 238000013480 data collection Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
Images
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06F18/23211—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with adaptive number of clusters
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了基于边缘计算改进KNN的配网电气拓扑识别方法及系统,涉及配电网领域中的拓扑辨识技术领域,包括步骤:S1获取用户电压数据并记为数据集A;S2对数据集A划分训练集和测试集,进行均值填充处理,记为训练集B和测试集C;S3改进KNN分类算法,取测试集C中的样本与训练集B计算,确定测试集C中该样本所属相别;S4将测试集C中已测试的样本添加到训练集B做更新,并记为训练集D;S5重复的S3步骤,将测试集C中的下一个样本与训练集D计算,确定测试集C中下一个样本所属相别;S6重复S4步骤的训练集更新与S3步骤的分类计算,得到测试集C所有所属相别,克服了目前存在的拓扑辨识效率不高和采集主站数据处理压力过大的问题。
Description
技术领域
本发明涉及配电网中拓扑辨识技术领域,具体涉及基于边缘计算改进KNN的配网电气拓扑识别方法及系统。
背景技术
目前,配电网拓扑识别技术即判断低压用户对应台区及相位的主要方法有三类:第一是停电入户进行排查。这种方法比较传统,需要耗费大量人力,效率低,速度慢,人工核查后需进行手工录入,无法做到直接统一的数字化存储,使用范围有局限。第二是利用载波等无线通信方式进行识别,通过利用不同载波方式进行识别,这些方法需要额外加装硬件设施进行通信传输,对于用户量巨大的低压台区,前期工程量耗资较大,且在强磁场等信号干扰时,通信信号会衰减或受到干扰,导致识别结果准确率低。第三则是利用智能电能电表自身采集大量数据进行算法识别。
但目前提出的利用电能电表采集数据进行算法识别存在如下问题:
(1)需已知变压器低压侧电压数据作为聚类中心,适用场景受限;
(2)运算量较大且数据量太少时无法实现准确识别;
(3)主要依靠不同台区之间的相关性实现电气拓扑识别,需要提前对台区进行分类,适用场景受限。
发明内容
有鉴于此,本发明提供基于边缘计算改进KNN的配网电气拓扑识别方法及系统,目的在于,基于边缘计算技术,克服现有技术中存在的拓扑辨识效率不高和采集主站数据处理压力过大的缺陷。
本发明通过下述技术方案实现:
基于边缘计算改进KNN的配网电气拓扑识别方法,包括以下步骤;
S1:获取一个台区单元的各个电表单元用户电压数据并记为数据集A;
S2:对所述数据集A划分训练集和测试集,对所述训练集和测试集的缺失值进行均值填充处理,将均值填充处理后的训练集记为训练集B,将均值填充后的测试集记为测试集C;
S3:对KNN分类算法做改进,选用皮尔逊相关系数作为数据距离度量标准,取测试集C中的样本与训练集B对比进行分类计算,确定测试集C中该样本所属相别;
S4:将测试集C中已确定所属相别的样本添加到训练集B对训练集B做更新,并记为训练集D;
S5:重复所述的S3步骤,将测试集C中的下一个样本与所述训练集D对比进行分类计算,最终确定测试集C中下一个样本所属相别;
S6:重复所述S4步骤的训练集更新与所述S3步骤的分类计算,直至测试集C中的所有样本全部得到所属相别。
在本方案中,在各个电表对用户数据进行采集时,随着低压用户量的不断增长,数据采集过程中采集的同时性和坏数据等问题较为显著,因此通过电表单元对数据集中的数据进行均值填充缺失值,减少异常数据对后续处理过程的干扰,提高了拓扑辨识的准确率;由于欧式距离度量的是空间上的绝对距离,故在此场景受限。本算法的原理为:同一台区同一相位的电压曲线相似性大于同一台区不同相位,故采用皮尔逊相关系数,避免了传输过程中引起时延、误差和安全性等问题。
进一步地,还包括步骤:
S31:初始化的训练集和类别,测试集和训练集并记为测试集样本和训练集样本;
S32:计算测试集样本与训练集样本的皮尔逊相关系数;
S33:根据皮尔逊相关系数对训练集样本进行降序排序;
S34:选取皮尔逊相关系数最大前K个训练样本,统计其在各类别中的频率;
S35:定义频率最大的类别,既测试集样本属于该类别。
在本方案中,在KNN算法中K值的选取不同对于分类结果有显著的差别,合适的K值能有效提高算法的准确率,提高配网电气拓扑识别精度。
进一步地,在步骤S35之后,对测试样本进行判断,若为最后一个测试样本则步骤S3结束,否则返回步骤S32循环。
在本方案中,已经测试的样本实时添加到训练集形成一种训练集更新机制。训练集更新机制下,随着测试样本不断的加入训练集,分类精度也不断得到提高。
优选地,在步骤S2中,在进行缺失值均值填充处理过程中,可先对数据集A直接进行均值填充处理后,再划分为训练集B和测试集C。
本发明还提供基于边缘计算改进KNN的配网电气拓扑识别系统,包括:电表单元:用于采集用户的电压数据;台区单元,用于汇总变压器供电范围的多个所述电表单元内的数据,边缘网关单元:用于收集所述台区单元的电压数据并得到所述台区单元的用户所属相别数据;主站:用于汇总各个所述边缘网关单元得到的用户所属相别数据。
需要说明的是,相比现有技术中,各个电力用户电压数据通过电表→台区→主站,通过主站对传输的数据进行处理并识别各个电路用户的相别,对于主站而言,其采集的数据量过于庞大,无疑增加了主站的数据运算量,通过本方案的改进,各个电力用户电压数据通过电表→台区→边缘网关→主站,边缘网关对应一个台区,边缘网关对相应台区电力用户电压数据进行处理得到台区用户所属相别数据,将用户所属相别数据传输给主站,有效减少了主站运算量,且由于数据量的大幅减少提高主站数据收集的速度,减少了传输过程中产生的时延。
优选地,所述台区单元对应三个电表单元,所述每个台区单元对应一个所述边缘网关单元,由于我国普遍采用三相交流电源,由三个频率相同、振幅相等、相位依次互差120°的交流电势组成,每个相位对应一个电表单元,三个电表单元尽量接入均等的用户,保证电力的利用最大化。
优选地,三个电表单元分别为A相电表单元、B相电表单元和C相电表单元。
本发明与现有技术相比,具有如下的优点和有益效果:
1、本发明基于边缘计算改进KNN的配网电气拓扑识别方法及系统,减轻了配网电气拓扑识别过程中对主站传输通道的压力;避免了传输过程中引起时延、误差和安全性等问题;降低了主站的计算存储压力,且改进后的KNN算法克服了现有技术需要聚类中心和数据量较小时准确率低等问题;
2、本发明基于边缘计算改进KNN的配网电气拓扑识别方法及系统,在获取用户电表的电压数据后,对缺失值进行均值填充处理,然后基于KNN分类算法,用皮尔逊相关系数代替欧式距离作为距离衡量标准以提高分类精度,通过将测试过的样本添加到训练集达到实时更新训练集,从而实现台区内用户相位准确识别;
3、本发明基于边缘计算改进KNN的配网电气拓扑识别方法及系统,将测试后的样本实时添加到训练集形成新的训练集。在下一个测试样本进行分类时有更多的训练样本作为参照标准,分类精度也随之提高。训练集更新机制不仅能有效提高整体分类精度且适用于边缘计算下的配网电气拓扑识别。
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解,构成本申请的一部分,并不构成对本发明实施例的限定。在附图中:
图1为本发明实施例中基于改进KNN的配电电气拓扑识别流程图;
图2为本发明实施例中训练集更新机制流程图;
图3为本发明实施例中K最近邻分类示意图;
图4为本发明实施例中K值大小对应分类精度的折线图;
图5为本发明实施例中训练集测试比例值对应分类精度的折线图;
图6为本发明实施例中基于边缘计算的低压台区拓扑结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,下面结合实施例和附图,对本发明作进一步的详细说明,本发明的示意性实施方式及其说明仅用于解释本发明,并不作为对本发明的限定。
在以下描述中,为了提供对本发明的透彻理解阐述了大量特定细节。然而,对于本领域普通技术人员显而易见的是:不必采用这些特定细节来实行本发明。在其他实例中,为了避免混淆本发明,未具体描述公知的结构、电路、材料或方法。
在整个说明书中,对“一个实施例”、“实施例”、“一个示例”或“示例”的提及意味着:结合该实施例或示例描述的特定特征、结构或特性被包含在本发明至少一个实施例中。因此,在整个说明书的各个地方出现的短语“一个实施例”、“实施例”、“一个示例”或“示例”不一定都指同一实施例或示例。此外,可以以任何适当的组合和、或子组合将特定的特征、结构或特性组合在一个或多个实施例或示例中。此外,本领域普通技术人员应当理解,在此提供的示图都是为了说明的目的,并且示图不一定是按比例绘制的。这里使用的术语“和/或”包括一个或多个相关列出的项目的任何和所有组合。
在本发明的描述中,需要理解的是,术语“前”、“后”、“左”、“右”、“上”、“下”、“竖直”、“水平”、“高”、“低”“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明保护范围的限制。
实施例
如图1与图6所示,本发明基于边缘计算改进KNN的配网电气拓扑识别方法,包括步骤:
S1:获取一个台区单元的各个电表单元用户电压数据并记为数据集A;
S2:对所述数据集A划分训练集和测试集,对所述训练集和测试集的缺失值进行均值填
充处理,将均值填充处理后的训练集记为训练集B,将均值填充后的测试集记为测试集C;其中,均值填充处理如下:
现有某台区共177个用户,每个用户每隔十五分钟采集一次电压数据,时间长度为九天,每个用户共采集864个电压数据点。则待识别的用户电表电压数据可表示为:Xkt=[xk1,xk2,...,xkt],其中:xkt表示第t个时刻第k台待识别用户电压。测试集(n个用户,m个时刻的电压数据)则:可表示为:训练集(N个用户)可表示为
均值填充与否的分类精度对比如下:
表1
经过四组交叉验证实验,由表1可知:在数据未经处理时,该台区的整体分类精度低于50%,尤其是该台区内B相位和C相位的用户分类精度低到零,这可能是数据大量缺失导致的,各用户由于缺失电压数据而特征不明显,从而分类不准确。对于电压数据的大量缺失,用该用户其他时刻的电压数据均值填补缺失值能在保持用户电压数据特征的前提下将分类精度提高到90.34%。
在基于KNN的配网电气拓扑识别过程中,拓扑辨识的数据主要来源于智能电表,而随着低压用户量的不断增长,数据采集中采集的同时性和坏数据等问题也日益凸显,因此我们在进行分类之前,需要进行坏数据的剔除和错数据的修正,对于一个台区的用户电压数据,均值填充缺失值是最简单最有效的方法,通过均值填充可以减少异常数据对后续过程的干扰,增加了拓扑辨识的准确率。
S3:对KNN分类算法做改进,选用皮尔逊相关系数作为数据距离度量标准,取测试集C中的样本与训练集B对比进行分类计算,确定测试集C中该样本所属相别;
S4:将测试集C中已确定所属相别的样本添加到训练集B对训练集B做更新,并记为训练集D;
S5:重复所述的S3步骤,将测试集C中的下一个样本与所述训练集D对比进行分类计算,最终确定测试集C中下一个样本所属相别;
S6:重复所述S4步骤的训练集更新与所述S3步骤的分类计算,直至测试集C中的所有样本全部得到所属相别。
本方案中,基于边缘计算的配网电力拓扑识别算法,该算法在获取用户电表的电压数据后,对缺失值进行均值填充处理,然后基于KNN分类算法,用皮尔逊相关系数代替欧式距离作为距离衡量标准以提高分类精度,通过将测试过的样本添加到训练集达到实时更新训练集,从而实现台区内用户相位准确识别。
作为上述实施例的优选,步骤S3中还包括步骤:
S31:初始化的训练集和类别,数据集B输入测试集和训练集并记为测试集样本和训练集样本;
S32:计算测试集样本与训练集样本的皮尔逊相关系数;
S33:根据皮尔逊相关系数对训练集样本进行降序排序;
S34:选取皮尔逊相关系数最大前K个训练样本,统计其在各类别中的频率;
S35:定义频率最大的类别,既测试集样本属于该类别。
对不同距离度量标准的精度对比如下表:
表3
经过四组交叉验证实验,如表3所示,采用不同的距离度量标准会得到不同的分类结果,为了提高分类精度,本实施例分别用欧式距离和皮尔逊相关系数作为距离度量标准对该台区处理后的用户电压数据进行KNN分类。此时:K=5,结果如表3所示:现有技术用欧氏距离作为距离度量标准时分类精度为91.48%,而用皮尔逊相关系数作为度量标准时分类精度提升至96.59%。显然,用皮尔逊相关系数作为距离度量标准时的分类精度明显高于欧氏距离的分类精度。
如图3所示,为K近邻分类示意图,其中虚线为等距线,测试样本在K=1或K=5时被判别为正例,在K=3时被判别为负例。K是一个重要的参数,当K取不同值时,分类结果会有显著的差别。
此外,合适的K值能有效提高算法的准确率,提高配网电气拓扑识别精度。
不同K值的分类精度对比如下表:
表2
经过四组交叉验证实验,由表2、图3和图4可知:K的不同取值对KNN分类算法起着至关重要的作用,合适的K值能有效提高算法的准确率,在该台区的用户用电数据下,随着K值的增大,配网电气拓扑识别精度降低,当K大于10后,整体分类精度低于90%,K=5时,精度为91.48%,然而继续降低K值容易出现过拟合问题。
作为上述实施例的优选如图2所示;步骤S3中还包括步骤:
S31:初始化的训练集和类别,测试集和训练集并记为测试集样本和训练集样本;
S32:计算测试集样本与训练集样本的皮尔逊相关系数;
S33:根据皮尔逊相关系数对训练集样本进行降序排序;
S34:选取皮尔逊相关系数最大前K个训练样本,统计其在各类别中的频率;
S35:定义频率最大的类别,既测试集样本属于该类别。
基于该台区处理后的用户电压数据,将欧氏距离作为距离度量标准,分别采用不同的K值进行KNN分类,交叉验证计算分类精度结果如表4和图5所示
经过五组交叉验证实验,如表4所示,在对训练集做更新后,对不同测试比例的精度对比如下:
表4
训练集测试集的比例也对分类精度有着明显的影响。恰当的训练集测试集比例能有效提高分类精度。故本文基于该台区处理后的用户电压数据探讨不同测试集训练集比例对分类结果的影响。当K取5,皮尔逊相关系数作为距离度量标准时,用不同的测试集训练集比例进行相位分类。
显然,训练集占比越大,分类精度越高。将已经测试的样本实时添加到训练集形成一种训练集更新机制。训练集更新机制下,随着测试样本不断的加入训练集,准确率也不断得到提高。如图5与图表4所示,在测试集与训练集比例不断提高,更新机制下的算法准确率也不断提高,说明更新机制能有效提高算法识别准确率。当测试集与训练集比例为1:4时,更新机制的准确率未有明显变化,说明本算法在测试集与训练集比例为1:4时已有很好效果。在训练集更新机制下,对该台区的177个用电用户用改进后KNN算法进行相位电气拓扑识别,交叉验证后得到整体分类精度高达97.06%。
此外在步骤S46之后,对测试样本进行判断,若为最后一个测试样本则步骤S4结束,否则返回步骤S32循环,随着测试样本不断的加入训练集,准确率也不断得到提高。
本发明还提供基于边缘计算改进KNN的配网电气拓扑识别系统,如图6所示,包括:
电表单元:用于采集用户用电数据;
台区单元:用于汇总变压器供电范围的多个电表单元内的数据;
边缘网关单元:用于收集所述台区单元的电压数据并得到所述台区单元的用户所属相别数据;
可以理解的是,边缘网关单元内包括存储器和处理器,存储器内设有计算机程序,处理器运行计算机程序,计算机程序执行本方案中的基于边缘计算改进KNN的配网电气拓扑识别方法实现将用户电压数据转换为用户所属相别数据,所述存储器还可存储用户电压数据和用户所属相别数据。
主站:用于汇总各个所述边缘网关单元得到的用户所属相别数据;
台区单元对应三个电表单元,每个台区单元对应一个边缘网关单元;
台区单元对应三个电表单元分别为A相电表单元、B相电表单元和C相电表单元。
如图6所示,可以理解的是,在配电网中,一个台区是指一个变压器供电的范围。在台区范围内,我国普遍采用三相交流电源,由三个频率相同、振幅相等、相位依次互差120°的交流电势组成,每个相位对应一个相区,三个相区尽量接入均等的用户,保证电力的利用最大化。基于边缘计算的多个优势,将其应用到配网电气拓扑识别中。图6中,在每个台区接入一个边缘网关,该网关仅收集该台区内电力用户的用电数据后通过这些数据完成电力用户的相位识别。多个台区多个边缘网关同时工作将识别后的用户相别信息传输给主站,从而完成配网电力拓扑识别。
此外,针对现有配网电气拓扑识别算法的中,常见的有K-means、随机森林、判别分析分类等。现就本台区(177户)的电压数据,分别用不同的分类聚类算法对该台区用户进行电气拓扑识别,结果如下表所示:
表5
如表5可知,针对该台区处理后的用户电压数据,改进后的KNN算法分类效果最好,高达97.06%,随机森林次之,而判别分析分类法已经降到89.12%,低于90%。相比之下,集成学习分类法也不适用于此场景,分类精度仅为67.67%,而传统的K-means在此场景下,由于难以确定初始聚类中心,分类精度低到32.96%。故改进后的KNN算法能在仅有电压数据时高准确率地实现基于边缘计算下的电气拓扑识别。
以上的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上仅为本发明的具体实施方式而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.基于边缘计算改进KNN的配网电气拓扑识别方法,其特征在于,包括以下步骤:
S1:获取一个台区单元的各个电表单元用户电压数据并记为数据集A;
S2:对所述数据集A划分训练集和测试集,对所述训练集和测试集的缺失值进行均值填充处理,将均值填充处理后的训练集记为训练集B,将均值填充后的测试集记为测试集C;
S3:对KNN分类算法做改进,选用皮尔逊相关系数作为数据距离度量标准,取测试集C中的样本与训练集B对比进行分类计算,确定测试集C中该样本所属相别;
S4:将测试集C中已确定所属相别的样本添加到训练集B对训练集B做更新,并记为训练集D;
S5:重复所述的S3步骤,将测试集C中的下一个样本与所述训练集D对比进行分类计算,最终确定测试集C中下一个样本所属相别;
S6:重复所述S4步骤的训练集更新与所述S3步骤的分类计算,直至测试集C中的所有样本全部得到所属相别。
2.根据权利要求1所述的基于边缘计算改进KNN的配网电气拓扑识别方法,其特征在于,步骤S3中还包括步骤:
S31:初始化的训练集和类别,测试集和训练集并记为测试集样本和训练集样本;
S32:计算测试集样本与训练集样本的皮尔逊相关系数;
S33:根据皮尔逊相关系数对训练集样本进行降序排序;
S34:选取皮尔逊相关系数最大前K个训练样本,统计其在各类别中的频率;
S35:定义频率最大的类别,既测试集样本属于该类别。
3.根据权利要求2所述的基于边缘计算改进KNN的配网电气拓扑识别方法,其特征在于,在步骤S35之后,对测试样本进行判断,若为最后一个测试样本则步骤S3结束,否则返回步骤S32循环。
4.根据权利要求1所述的基于边缘计算改进KNN的配网电气拓扑识别方法,其特征在于,在步骤S2中,在进行缺失值均值填充处理过程中,可先对数据集A直接进行均值填充处理后,再划分为训练集B和测试集C。
5.使用权利要求1-4任意一项所述的基于边缘计算改进KNN的配网电气拓扑识别方法的系统,其特征在于,包括:
电表单元:用于采集用户的电压数据;
台区单元:用于汇总多个所述电表单元内的电压数据;
边缘网关单元:用于收集所述台区单元的电压数据并得到所述台区单元的用户所属相别数据;
主站:用于汇总各个所述边缘网关单元得到的用户所属相别数据。
6.根据权利要求5所述的基于边缘计算改进KNN的配网电气拓扑识别系统,其特征在于,所述台区单元对应三个电表单元,所述每个台区单元对应一个所述边缘网关单元。
7.根据权利要求5所述的基于边缘计算改进KNN的配网电气拓扑识别系统,其特征在于,所述台区单元对应三个电表单元分别为A相电表单元、B相电表单元和C相电表单元。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011190437.8A CN112288015A (zh) | 2020-10-30 | 2020-10-30 | 基于边缘计算改进knn的配网电气拓扑识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011190437.8A CN112288015A (zh) | 2020-10-30 | 2020-10-30 | 基于边缘计算改进knn的配网电气拓扑识别方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112288015A true CN112288015A (zh) | 2021-01-29 |
Family
ID=74354130
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011190437.8A Pending CN112288015A (zh) | 2020-10-30 | 2020-10-30 | 基于边缘计算改进knn的配网电气拓扑识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112288015A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113114497A (zh) * | 2021-04-06 | 2021-07-13 | 广西电网有限责任公司电力科学研究院 | 一种低压台区拓扑自动识别方法 |
CN113362076A (zh) * | 2021-05-21 | 2021-09-07 | 内蒙古电力(集团)有限责任公司内蒙古电力科学研究院分公司 | 一种配电网10kV双电源户变关系分析方法 |
CN115374818A (zh) * | 2022-08-22 | 2022-11-22 | 上海正泰智能科技有限公司 | 一种电网结构的拓扑结构识别方法、装置以及处理设备 |
CN116563646A (zh) * | 2023-06-28 | 2023-08-08 | 广东技术师范大学 | 一种基于离散化数据的大脑影像分类方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108021664A (zh) * | 2017-12-04 | 2018-05-11 | 北京工商大学 | 一种基于维度投影的多维数据相关性可视分析方法及系统 |
CN108154178A (zh) * | 2017-12-25 | 2018-06-12 | 北京工业大学 | 基于改进的svm-knn算法的半监督托攻击检测方法 |
CN108197337A (zh) * | 2018-03-28 | 2018-06-22 | 北京搜狐新媒体信息技术有限公司 | 一种文本分类方法及装置 |
CN109816033A (zh) * | 2019-01-31 | 2019-05-28 | 清华四川能源互联网研究院 | 一种基于优化的监督学习进行台区用户识别的方法 |
CN110309763A (zh) * | 2019-06-27 | 2019-10-08 | 复旦大学 | 一种基于卫星遥感图像的建筑物分类方法 |
CN110503154A (zh) * | 2019-08-27 | 2019-11-26 | 携程计算机技术(上海)有限公司 | 图像分类的方法、系统、电子设备及存储介质 |
US20200192778A1 (en) * | 2018-12-12 | 2020-06-18 | International Business Machines Corporation | Real-time collaboration dynamic logging level control |
US20200327381A1 (en) * | 2019-04-10 | 2020-10-15 | International Business Machines Corporation | Evaluating text classification anomalies predicted by a text classification model |
-
2020
- 2020-10-30 CN CN202011190437.8A patent/CN112288015A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108021664A (zh) * | 2017-12-04 | 2018-05-11 | 北京工商大学 | 一种基于维度投影的多维数据相关性可视分析方法及系统 |
CN108154178A (zh) * | 2017-12-25 | 2018-06-12 | 北京工业大学 | 基于改进的svm-knn算法的半监督托攻击检测方法 |
CN108197337A (zh) * | 2018-03-28 | 2018-06-22 | 北京搜狐新媒体信息技术有限公司 | 一种文本分类方法及装置 |
US20200192778A1 (en) * | 2018-12-12 | 2020-06-18 | International Business Machines Corporation | Real-time collaboration dynamic logging level control |
CN109816033A (zh) * | 2019-01-31 | 2019-05-28 | 清华四川能源互联网研究院 | 一种基于优化的监督学习进行台区用户识别的方法 |
US20200327381A1 (en) * | 2019-04-10 | 2020-10-15 | International Business Machines Corporation | Evaluating text classification anomalies predicted by a text classification model |
CN110309763A (zh) * | 2019-06-27 | 2019-10-08 | 复旦大学 | 一种基于卫星遥感图像的建筑物分类方法 |
CN110503154A (zh) * | 2019-08-27 | 2019-11-26 | 携程计算机技术(上海)有限公司 | 图像分类的方法、系统、电子设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
吴同; 彭玲; 胡媛: "基于SU-RetinaNet的高分辨率遥感影像非正规垃圾堆检测", 《国土资源遥感》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113114497A (zh) * | 2021-04-06 | 2021-07-13 | 广西电网有限责任公司电力科学研究院 | 一种低压台区拓扑自动识别方法 |
CN113362076A (zh) * | 2021-05-21 | 2021-09-07 | 内蒙古电力(集团)有限责任公司内蒙古电力科学研究院分公司 | 一种配电网10kV双电源户变关系分析方法 |
CN115374818A (zh) * | 2022-08-22 | 2022-11-22 | 上海正泰智能科技有限公司 | 一种电网结构的拓扑结构识别方法、装置以及处理设备 |
CN115374818B (zh) * | 2022-08-22 | 2024-02-23 | 上海正泰智能科技有限公司 | 一种电网结构的拓扑结构识别方法、装置以及处理设备 |
CN116563646A (zh) * | 2023-06-28 | 2023-08-08 | 广东技术师范大学 | 一种基于离散化数据的大脑影像分类方法 |
CN116563646B (zh) * | 2023-06-28 | 2023-10-13 | 广东技术师范大学 | 一种基于离散化数据的大脑影像分类方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112288015A (zh) | 基于边缘计算改进knn的配网电气拓扑识别方法及系统 | |
CN111505433B (zh) | 一种低压台区户变关系纠错及相位识别方法 | |
CN109145949A (zh) | 基于集成学习的非侵入式电力负荷监测与分解方法及系统 | |
CN111177650B (zh) | 一种配电网电能质量监测与综合评估系统及方法 | |
CN109873501A (zh) | 一种低压配电网拓扑自动识别方法 | |
CN109975673B (zh) | 一种光伏微电网直流侧故障电弧识别方法 | |
CN113159488B (zh) | 一种低压台区拓扑辨识方法 | |
CN110659693A (zh) | 基于k近邻分类的配电网快速拓扑识别方法、系统及可读存储介质 | |
CN113625217B (zh) | 低压台区电能表运行误差计算方法及系统 | |
CN111628494A (zh) | 一种基于逻辑回归法的低压配电网拓扑识别方法及系统 | |
CN111654392A (zh) | 基于互信息的低压配电网拓扑识别方法及系统 | |
CN108197837A (zh) | 基于KMeans聚类的光伏发电预测方法 | |
CN110738232A (zh) | 一种基于数据挖掘技术的电网电压越限成因诊断方法 | |
CN109376944A (zh) | 智能电表预测模型的构建方法及装置 | |
CN112701675A (zh) | 基于筛选电压数据的配电台区用户相别辨识方法及系统 | |
CN109726770A (zh) | 一种模拟电路故障测试诊断方法 | |
CN109121083A (zh) | 一种基于ap序列的指纹相似度的室内定位方法 | |
CN115618249A (zh) | 一种基于LargeVis降维与DBSCAN聚类的低压配电台区相位识别方法 | |
Hou et al. | Deep-learning-based fault type identification using modified CEEMDAN and image augmentation in distribution power grid | |
CN112508254B (zh) | 变电站工程项目投资预测数据的确定方法 | |
CN110912748A (zh) | 一种基于时延测量的低压台站电力供电网络的物理拓扑发现方法 | |
CN115051363B (zh) | 一种配网台区户变关系辨识方法、装置及计算机存储介质 | |
CN104408072B (zh) | 一种基于复杂网络理论的适用于分类的时间序列特征提取方法 | |
CN116662840A (zh) | 一种基于机器学习的低压台区用户相位识别方法 | |
Dehghani et al. | Distribution feeder classification based on self organized maps (case study: Lorestan province, Iran) |
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: 20210129 |
|
RJ01 | Rejection of invention patent application after publication |