CN112527863A - 一种基于电表数据相关性分析的线变关系识别方法 - Google Patents
一种基于电表数据相关性分析的线变关系识别方法 Download PDFInfo
- Publication number
- CN112527863A CN112527863A CN202011436078.XA CN202011436078A CN112527863A CN 112527863 A CN112527863 A CN 112527863A CN 202011436078 A CN202011436078 A CN 202011436078A CN 112527863 A CN112527863 A CN 112527863A
- Authority
- CN
- China
- Prior art keywords
- electric quantity
- line
- quantity data
- frequency
- distribution transformer
- 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 50
- 238000010219 correlation analysis Methods 0.000 title claims abstract description 26
- 238000012545 processing Methods 0.000 claims abstract description 37
- 238000004590 computer program Methods 0.000 claims description 17
- 238000001914 filtration Methods 0.000 claims description 16
- 230000009466 transformation Effects 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 9
- 230000000717 retained effect Effects 0.000 claims description 2
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 238000010220 Pearson correlation analysis Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000004870 electrical engineering Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
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
- G06F16/24—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
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
- G06F17/141—Discrete Fourier transforms
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Algebra (AREA)
- Probability & Statistics with Applications (AREA)
- Discrete Mathematics (AREA)
- Fuzzy Systems (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Operations Research (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
Abstract
本发明公开了一种基于电表数据相关性分析的线变关系识别方法,解决了配电网中线变关系核查需要花费大量人力物力的问题,本发明首先对采集的配变以及所属10KV线路的电量数据进行低频滤波,得到配变以及所属线路的高频电量数据;之后对配变以及所属线路的高频电量数据分别进行差分处理,寻找配变的显著特征变化量;最后与线路同周期的变化量分别进行相关系数计算,相关系数最大的线路即是配变所属的线路。本发明无需对线变关系进行现场人工校核,所用的数据可以直接从电表数据获得,节省了大量的人力物力,便于推广应用。
Description
技术领域
本发明属于电气工程技术领域,涉及一种基于电表数据相关性分析的线变关系识别方法。
背景技术
随着社会经济的发展,电网的配电变压器在持续的新增、改接和销户。同时,在配电网正常运行时,为了降低有功网损、均衡负载、提高可靠性,需要对配电网的网络结构进行调整。这些操作和调整都会影响配电网中配电变压器与线路之间的关系(简称线变关系)。
配电变压器现场线路情况复杂,线变关系的变动很难实时记录在档案之中,这会导致配电网线变关系管理混乱,档案和现场实际不符。线损作为电网运维水平的重要指标之一,利用原来的线变关系档案计算线路损耗,会产生较大的误差,增加基层工作人员的工作负荷。同时,一般每台变压器都连接到固定的线路上,线变关系正确与否将直接影响到配电抢修效率和服务质量的好坏。因此建立准确的线变关系对配电网网损的计算和配电网故障的抢修等都至关重要。
目前核对线变关系都是通过人工方式,在现场核对图纸、与系统对比来发现差异并整改问题。该方法费时费力,并且难以保证实时准确。为了在“泛在电力物联网”建设中实现电网安全经济运行,提升电网运行效率,必须采用一种新的技术来核对配电网线变关系。
公开号为CN111711434A的专利提供一种线变关系识别系统和方法,编码装置安装于配电变压器的低压侧,解码装置安装于开关柜的各条馈线上或相邻开关柜的分支线上,主站与编码装置、解码装置通讯连接。这类方法需要专门的硬件装置,购买、运行和维护的成本较高,不利于推广应用。
公开号为CN111458661A的专利提供一种配电网线变关系诊断方法、装置及系统,首先获取配电网中的配电变压器与母线的量测数据,计算出各配电变压器与其原始所属的母线之间的相关系数指标值;计算出相关系数指标阈值,筛选出所有疑似线变关系异常的配电变压器;基于经纬度信息将疑似线变关系异常的配电变压器修正到最有可能所属的母线中去,若修正后所属的母线与原始所属的母线不同,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。这种方法需要用到变压器的经纬度信息,该信息与网架结构有关,需要的数据量大,且经纬度信息只用于辅助判断,准确率并不高。
公开号为CN109002933A的专利提供了基于ReliefF和t-SNE的配电线路线变关系模型优化方法,首先采集配电线路的日输入电量和与其挂接的各变压器日用电量,进而得到日线损电量;其次由配电线路输入电量与变压器用电量的关系计算输入用电电量差值比,由配电线路线损电量与变压器用电量的关系计算线损用电电量差值比,各自形成序列并分别进行小波包分解与重构,计算各频带内能量占总能量的百分比作为初选特征,然后利用ReliefF算法计算各初选特征的权值,进行特征优化后,采用t-SNE方法将高维特征降维成低维特征,最后利用BP神经网络完成线变关系模型的优化。该方法仅能对线变关系做出分类,即线路挂错、电能表倍率计错、正常线变,无法对线路挂错这种情况进行进一步识别,无法判别变压器挂在哪条线路上。
发明内容
本发明的目的在于解决现有技术中的问题,提供一种基于电表数据相关性分析的线变关系识别方法,该方法只需采集配变和10KV线路的电量数据,就可以较为准确的识别配变所属的线路。
为达到上述目的,本发明采用以下技术方案予以实现:
一种基于电表数据相关性分析的线变关系识别方法,包括:
采集周期内每一配变的电量数据和每条线路的输入电量数据,按照N个周期进行汇总,得到每个配变的电量数据集合和每条线路的输入电量数据集合;其中,N为周期数量;
对每个配变的电量数据集合进行低频滤波处理,得到高频电量数据集合;
对每条线路的输入电量数据集合进行低频滤波处理,得到高频输入电量数据集合;
对高频电量数据集合中的每个高频电量数据进行差分处理,得到高频电量数据差分值集合;
对高频输入电量数据集合中的每个高频输入电量数据进行差分处理,得到高频输入电量数据差分值集合;
计算每个配变的特征值,得到特征值集合;
对特征值集合进行相关性分析和计算,依据相关性系数对配变与线路的归属关系进行识别。
本发明进一步的改进在于:
所述电量数据集合TCm和输入电量数据集合LCl如下:
TCm=tci,m,i∈1,T,m∈1,2,...,K
LCl=lci,l,i∈1,T,l∈l1,l2,...,L
其中,T为总周期,m为配变的编号,i为周期序号,tci,m为第i周期采集的电量数据,K为配变数量,L为线路数量,lci,l为第i周期采集的输入电量数据。
所述对每个配变的电量数据集合进行低频滤波处理的具体方法如下:
逐一对每个配变m,用低频滤波的方式处理电量数据集合TCm,获得高频电量数据集合TCHm:
TCHm=tchi,m,i∈1,T,m∈1,2,...,K
其中,tchi,m表示第m个配变第i周期的高频电量数据。
所述对高频电量数据集合中的每个高频电量数据进行差分处理的具体方法如下:
逐一对每个配变m,用差分处理的方式处理第m个配变第i周期的高频电量数据tchi,m:
Δtchi,m=tchi,m-tchi-1,m,i∈2,T
其中,Δtchi,m表示高频电量数据差分值;按T-1个周期进行汇总,得到以下集合:
ΔTCHm=Δtchi,m,i∈2,T,m∈1,2,...,K
其中,ΔTCHm表示高频电量数据差分值集合。
所述对每条线路的输入电量数据集合进行低频滤波处理的具体方法如下:
逐一对每条线路l,用低频滤波的方式处理输入电量数据集合LCl,获得高频输入电量数据集合LCHl:
LCHl=lchi,l,i∈1,T,l∈l1,l2,...,L
其中,lchi,l表示线路l第i周期的高频输入电量数据。
所述对高频输入电量数据集合中的每个高频输入电量数据进行差分处理的具体方法如下:
逐一对每条线路l,用差分处理的方式处理线路l第i周期的高频输入电量数据lchi,l:
Δlchi,l=lchi,l-lchi-1,l,i∈2,T
其中,Δlchi,l表示高频输入电量数据差分值;按T-1个周期进行汇总,可以得出以下集合:
ΔLCHl=Δlchi,l,i∈2,T,l∈l1,l2,...,L
其中,ΔLCHl表示高频输入电量数据差分值集合。
所述的计算每个配变的特征值的具体方法如下:
按照下式计算第个j配变的特征值qi,j:
逐一对每个配变的特征值,按照特征值qi,j的大小排序并保留前M个,同时在集合ΔTCHm中找出特征值对应周期的元素构成配变特征集合Qj,并逐一在集合ΔLCHl中找出特征值对应周期的元素构成线路特征集合Q1,j、Q2,j、…、QL,j;其中M为提取的特征值的个数。
所述对特征值集合进行相关性分析和计算,依据相关性系数对线路进行识别的具体方法如下:
逐一对每个配变j,采用相关性分析的方法对配变特征集合Qj、线路特征集合Q1,j、Q2,j、…、QL,j进行相关性计算,获得相关性系数S1,j、S2,j、S3,j…、SL,j,选取其中的最大值并判断是否超过预设的阈值;如果是,则该条线路是配变所属的线路;否则,无法识别。
一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上述方法的步骤。
一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如上述方法的步骤。
与现有技术相比,本发明具有以下有益效果:
本发明只需要采集配变和线路的有关电表电量数据就可使用,这些数据电力公司的数据中心都会进行采集和保存,不会耗费大量人力物力。与传统的方式相比,本发明提供的方法只需要很少的数据,并且只需经过简单计算,就可以对配电网的线变关系得到较为精确的结果,降低了人工方式现场核对图纸的工作量和成本,有极高的实用性,便于推广应用。
附图说明
为了更清楚的说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1是本发明流程示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
在本发明实施例的描述中,需要说明的是,若出现术语“上”、“下”、“水平”、“内”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,或者是该发明产品使用时惯常摆放的方位或位置关系,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的限制。此外,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
此外,若出现术语“水平”,并不表示要求部件绝对水平,而是可以稍微倾斜。如“水平”仅仅是指其方向相对“竖直”而言更加水平,并不是表示该结构一定要完全水平,而是可以稍微倾斜。
在本发明实施例的描述中,还需要说明的是,除非另有明确的规定和限定,若出现术语“设置”、“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
下面结合附图对本发明做进一步详细描述:
参见图1,本发明实施例公开了一种基于电表数据相关性分析的线变关系识别方法,包括以下步骤:
步骤1,采集第i周期每一配变m的电量数据tci,m,和每条线路l的输入电量数据lci,l,按照N个周期进行汇总得:
TCm=tci,m,i∈1,T,m∈1,2,...,K
LCl=lci,l,i∈1,T,l∈l1,l2,...,L
其中,N为周期数量,T为总周期,m为配变的编号,i为周期序号,tci,m为第i周期采集的电量数据,K为配变数量,L为线路数量,lci,l为第i周期采集的输入电量数据。
举实例如下:
采集总周期T=8760的三条10KV线路和线路下239个配变的电量数据,单位是KWh,周期时间间隔半小时。用从1到5数字编号代表5个配变台区,字母U、V、W代表三条线路。数据如表1所示:
表1采集数据(仅显示一部分)
i=1 | i=2 | … | i=8760 | |
线路U采集的输入电量数据 | 95.04 | 87.55 | … | 83.85 |
线路V采集的输入电量数据 | 368.95 | 351.27 | … | 337.02 |
线路W采集的输入电量数据 | 798.29 | 777.15 | … | 744.25 |
配变1采集的电量数据 | 15.29 | 14.90 | … | 15.77 |
配变2采集的电量数据 | 6.89 | 6.67 | … | 7.01 |
… | … | … | … | … |
配变5采集的电量数据 | 4.92 | 5.33 | … | 4.56 |
配变1的电量数据集合TC1={tci,1},i∈[1,8760],其余配变以此类推;线路U的输入电量数据集合是LCU={tci,U},i∈[1,8760],其余线路以此类推。
步骤2,逐一对每个配变m,用低频滤波的方式处理TCm,获得如下形式的高频电量数据集合TCHm:
TCHm=tchi,m,i∈1,T,m∈1,2,...,K
其中,tchi,m表示第m个配变第i周期的高频电量数据。
逐一对每条线路l,用低频滤波的方式处理LCi,获得如下形式的高频输入电量数据集合LCHl:
LCHl=lchi,l,i∈1,T,l∈l1,l2,...,L
其中,lchi,l表示线路l第i周期的高频输入电量数据。滤波处理的方法为离散傅立叶变换和反变换。
以步骤1中的TC1为例,对它进行离散傅立叶变换,可以得到如表2所示的数据:
表2对TC1进行离散傅里叶变换的数据
可以设置截止频率fc=100进行低频滤波,之后进行离散反傅里叶变换,取实数部分,如表3所示:
表3滤波后的高频电量数据
其余的线路和配变进行相同的处理得到高频电量数据。
步骤3,逐一对每个配变m,用差分处理的方式处理tchi,m:
Δtchi,m=tchi,m-tchi-1,m,i∈2,T
其中,Δtchi,m表示高频电量数据差分值;按T-1个周期进行汇总,可以得出以下集合:
ΔTCHm=Δtchi,m,i∈2,T,m∈1,2,...,K
其中,ΔTCHm表示高频电量数据差分值集合。
逐一对每条线路l,用差分处理的方式处理lchi,l:
Δlchi,l=lchi,l-lchi-1,l,i∈2,T
其中,Δlchi,l表示高频输入电量数据差分值;按T-1个周期进行汇总,可以得出以下集合:
ΔLCHl=Δlchi,l,i∈2,T,l∈l1,l2,...,L
其中,ΔLCHl表示高频输入电量数据差分值集合。以步骤2中的TCH1和LCHU为例,对它进行差分处理,可以得到如表4所示的数据:
表4以TCH1和LCHU为例的差分数据
其余的线路和配变进行相同的处理得到高频电量数据。
步骤4,按照以下公式逐一计算配变j的特征值qi,j:
逐一对每个配变j的特征值,按照qi,j的大小顺序排序并保留前M个,同时在集合ΔTCHm中找出特征值对应周期的元素构成配变特征集合Qj,并逐一在集合ΔLCHl中找出特征值对应周期的元素构成线路特征集合Q1,j、Q2,j、…、QL,j;其中M为提取的特征值的个数。
对ΔTCH1的有关数据,按以上公式逐一计算特征值,按照顺序排列后取前200个数据,并从集合ΔTCHm与ΔLCHl中找出特征值对应周期的元素,得到下表表5。
表5特征值表
(5)逐一对每个配变j,采用相关性分析的方法对配变特征集合Qj、线路特征集合Q1,j、Q2,j、…、QL,j进行相关性计算,获得相关性系数S1,j、S2,j、S3,j…、SL,j,选取其中的最大值并判断是否超过预设的阈值;如果是,则该条线路是配变所属的线路;否则,无法识别。
其中,相关性分析的方法为Pearson相关性分析方法。
以配变1为例,计算与线路U、V、W的Pearson相关系数,如表6所示。
表6配变1的相关系数
U | V | W | |
配变1的相关系数 | 0.9339 | 0.6062 | 0.5261 |
最大相似度SU,1=0.9339>SV,1>SW,1,同时SU,1>0.5,其中0.5是设置的阈值,因此配变1属于线路U。其余配变同理判别。
本发明一实施例提供的终端设备。该实施例的终端设备包括:处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,例如语音识别程序。所述处理器执行所述计算机程序时实现上述各个方法实施例中的步骤,例如图1所示。或者,所述处理器执行所述计算机程序时实现上述各装置实施例中各模块/单元的功能。
所述计算机程序可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器中,并由所述处理器执行,以完成本发明。
所述终端设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括,但不仅限于,处理器、存储器。
所述处理器可以是中央处理单元(CentralProcessingUnit,CPU),还可以是其他通用处理器、数字信号处理器(DigitalSignalProcessor,DSP)、专用集成电路(ApplicationSpecificIntegratedCircuit,ASIC)、现成可编程门阵列(Field-ProgrammableGateArray,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。
所述存储器可用于存储所述计算机程序和/或模块,所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块,以及调用存储在存储器内的数据,实现所述终端设备的各种功能。
所述终端设备集成的模块如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,RandomAccessMemory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
以上仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于电表数据相关性分析的线变关系识别方法,其特征在于,包括:
采集周期内每一配变的电量数据和每条线路的输入电量数据,按照N个周期进行汇总,得到每个配变的电量数据集合和每条线路的输入电量数据集合;其中,N为周期数量;
对每个配变的电量数据集合进行低频滤波处理,得到高频电量数据集合;
对每条线路的输入电量数据集合进行低频滤波处理,得到高频输入电量数据集合;
对高频电量数据集合中的每个高频电量数据进行差分处理,得到高频电量数据差分值集合;
对高频输入电量数据集合中的每个高频输入电量数据进行差分处理,得到高频输入电量数据差分值集合;
计算每个配变的特征值,得到特征值集合;
对特征值集合进行相关性分析和计算,依据相关性系数对配变与线路的归属关系进行识别。
2.根据权利要求1所述的基于电表数据相关性分析的线变关系识别方法,其特征在于,所述电量数据集合TCm和输入电量数据集合LCl如下:
TCm=tci,m,i∈1,T,m∈1,2,...,K
LCl=lci,l,i∈1,T,l∈l1,l2,...,L
其中,T为总周期,m为配变的编号,i为周期序号,tci,m为第i周期采集的电量数据,K为配变数量,L为线路数量,lci,l为第i周期采集的输入电量数据。
3.根据权利要求2所述的基于电表数据相关性分析的线变关系识别方法,其特征在于,所述对每个配变的电量数据集合进行低频滤波处理的具体方法如下:
逐一对每个配变m,用低频滤波的方式处理电量数据集合TCm,获得高频电量数据集合TCHm:
TCHm=tchi,m,i∈1,T,m∈1,2,...,,K
其中,tchi,m表示第m个配变第i周期的高频电量数据。
4.根据权利要求3所述的基于电表数据相关性分析的线变关系识别方法,其特征在于,所述对高频电量数据集合中的每个高频电量数据进行差分处理的具体方法如下:
逐一对每个配变m,用差分处理的方式处理第m个配变第i周期的高频电量数据tchi,m:
Δtchi,m=tchi,m-tchi-1,m,i∈2,T
其中,Δtchi,m表示高频电量数据差分值;按T-1个周期进行汇总,得到以下集合:
ΔTCHm=Δtchi,m,i∈2,T,m∈1,2,...,K
其中,ΔTCHm表示高频电量数据差分值集合。
5.根据权利要求4所述的基于电表数据相关性分析的线变关系识别方法,其特征在于,所述对每条线路的输入电量数据集合进行低频滤波处理的具体方法如下:
逐一对每条线路l,用低频滤波的方式处理输入电量数据集合LCl,获得高频输入电量数据集合LCHl:
LCHl=lchi,l,i∈1,T,l∈l1,l2,...,L
其中,lchi,l表示线路l第i周期的高频输入电量数据。
6.根据权利要求5所述的基于电表数据相关性分析的线变关系识别方法,其特征在于,所述对高频输入电量数据集合中的每个高频输入电量数据进行差分处理的具体方法如下:
逐一对每条线路l,用差分处理的方式处理线路l第i周期的高频输入电量数据lchi,l:
Δlchi,l=lchi,l-lchi-1,l,i∈2,T
其中,Δlchi,l表示高频输入电量数据差分值;按T-1个周期进行汇总,可以得出以下集合:
ΔLCHl=Δlchi,l,i∈2,T,l∈l1,l2,...,L
其中,ΔLCHl表示高频输入电量数据差分值集合。
8.根据权利要求7所述的基于电表数据相关性分析的线变关系识别方法,其特征在于,所述对特征值集合进行相关性分析和计算,依据相关性系数对线路进行识别的具体方法如下:
逐一对每个配变j,采用相关性分析的方法对配变特征集合Qj、线路特征集合Q1,j、Q2,j、…、QL,j进行相关性计算,获得相关性系数S1,j、S2,j、S3,j…、SL,j,选取其中的最大值并判断是否超过预设的阈值;如果是,则该条线路是配变所属的线路;否则,无法识别。
9.一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1-8任一项所述方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1-8任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011436078.XA CN112527863A (zh) | 2020-12-10 | 2020-12-10 | 一种基于电表数据相关性分析的线变关系识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011436078.XA CN112527863A (zh) | 2020-12-10 | 2020-12-10 | 一种基于电表数据相关性分析的线变关系识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112527863A true CN112527863A (zh) | 2021-03-19 |
Family
ID=74999963
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011436078.XA Pending CN112527863A (zh) | 2020-12-10 | 2020-12-10 | 一种基于电表数据相关性分析的线变关系识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112527863A (zh) |
-
2020
- 2020-12-10 CN CN202011436078.XA patent/CN112527863A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110634080B (zh) | 异常用电检测方法、装置、设备及计算机可读存储介质 | |
CN110991786B (zh) | 基于相似日负荷曲线的10kV静态负荷模型参数辨识方法 | |
CN108376982B (zh) | 负载相序的识别方法及装置 | |
CN111177650B (zh) | 一种配电网电能质量监测与综合评估系统及方法 | |
CN112199367B (zh) | 一种长时间尺度功率平衡校验和大数据分析方法及系统 | |
CN103617568B (zh) | 稳态电能质量预警机制中的异常数据判定阈值设定方法 | |
CN108020752B (zh) | 一种基于多源贯通相关性的配线线损诊断方法及系统 | |
CN112149873B (zh) | 一种基于深度学习的低压台区线损合理区间预测方法 | |
CN107328974B (zh) | 一种窃电识别方法及装置 | |
CN108198408B (zh) | 一种基于用电信息采集系统的自适应反窃电监控方法及系统 | |
CN111371188A (zh) | 一种用电异常数据实时预警系统 | |
CN106530139A (zh) | 电网投资分析模型指标参数计算方法 | |
CN113189418B (zh) | 一种基于电压数据的拓扑关系识别方法 | |
CN115222303B (zh) | 基于大数据的行业风险数据分析方法、系统及存储介质 | |
CN112418687B (zh) | 基于用电特征的用户用电异常识别方法、装置和存储介质 | |
CN115170000A (zh) | 一种基于电能表通信模块的远程监测方法及系统 | |
CN115563477B (zh) | 谐波数据识别方法、装置、计算机设备和存储介质 | |
CN111178690A (zh) | 基于风控评分卡模型的用电客户窃电风险评估方法 | |
CN113866552B (zh) | 一种基于机器学习的中压配网用户用电异常诊断方法 | |
CN112415304B (zh) | 基于低压台区电压数据曲线分群的线路识别方法 | |
CN112508254B (zh) | 变电站工程项目投资预测数据的确定方法 | |
CN113642933A (zh) | 一种配电台区低电压诊断方法及装置 | |
CN111612054B (zh) | 一种基于非负矩阵分解和密度聚类的用户窃电行为识别方法 | |
CN117236022A (zh) | 互感器剩余寿命预测模型训练方法、应用方法及电子设备 | |
CN111626559A (zh) | 一种基于主因子分析法的中压配电网线损关键特征指标提取方法及系统 |
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 |