CN112730984B - 一种基于智能电表的低压配电网相位识别方法 - Google Patents

一种基于智能电表的低压配电网相位识别方法 Download PDF

Info

Publication number
CN112730984B
CN112730984B CN202110344697.4A CN202110344697A CN112730984B CN 112730984 B CN112730984 B CN 112730984B CN 202110344697 A CN202110344697 A CN 202110344697A CN 112730984 B CN112730984 B CN 112730984B
Authority
CN
China
Prior art keywords
voltage
characteristic
phase
index
user
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
CN202110344697.4A
Other languages
English (en)
Other versions
CN112730984A (zh
Inventor
汤克艰
叶远誉
严勤
周亦民
胡志强
范志夫
俞林刚
伍栋文
祝君剑
舒骁骁
叶宗阳
朱亮
晏依
汤振华
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.)
State Grid Jiangxi Electric Power Co ltd
Power Supply Service Management Center Of State Grid Jiangxi Electric Power Co ltd
State Grid Corp of China SGCC
Original Assignee
State Grid Jiangxi Electric Power Co ltd
Power Supply Service Management Center Of State Grid Jiangxi Electric Power Co ltd
State Grid Corp of China SGCC
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 State Grid Jiangxi Electric Power Co ltd, Power Supply Service Management Center Of State Grid Jiangxi Electric Power Co ltd, State Grid Corp of China SGCC filed Critical State Grid Jiangxi Electric Power Co ltd
Priority to CN202110344697.4A priority Critical patent/CN112730984B/zh
Publication of CN112730984A publication Critical patent/CN112730984A/zh
Application granted granted Critical
Publication of CN112730984B publication Critical patent/CN112730984B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R23/00—Arrangements for measuring frequencies; Arrangements for analysing frequency spectra
    • G01R23/16—Spectrum analysis; Fourier analysis
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R29/00—Arrangements for measuring or indicating electric quantities not covered by groups G01R19/00 - G01R27/00
    • G01R29/18—Indicating phase sequence; Indicating synchronism
    • 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
    • G06F17/148—Wavelet 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
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明提供了一种基于智能电表的低压配电网相位识别方法，该方法首先基于小波系数过滤原始电压波形高频分量，得到重构电压波形；然后基于重构电压波形时空特性提取配变变压器侧三相电压和用户侧单相电压的特征，根据不同特征形态，将特征分为四类并计算四类特征的显著性指标；最后基于特征序列计算用户特征与所在变压器特征的相似度并判断所属相位。该方法基于智能电表的量测电压数据，可以通过高频采样数据特征进行分析，提高了算法的准确率和鲁棒性。

Description

一种基于智能电表的低压配电网相位识别方法
技术领域
本发明属于配用电领域，设计低压配电网相位识别方法，具体涉及一种基于用电信息采集系统获取的智能电表高频电压数据序列，进行数据处理，特征采集，特征匹配的低压配电网相位识别方法。
背景技术
智能电网的兴起，智能电表布局愈发广泛，高级量测体系的构建为低压配电网智能化提供了更开阔的发展空间。低压配电网作为直接面向用户的环节，其智能化水平将直接影响用户的体验以及满意度。此外，传统低压配电网由于缺乏相位信息或相位信息不准确，在设计时极少考虑到三相平衡问题，这种不平衡的负载会导致额外的电力损耗，减少设备的使用寿命，此外易导致抢修不及时，故障定位错误等一系列问题。因此，低压配电网相位识别技术在推进智能电网中尤为重要。传统的低压配电网相位识别主要基于人工建档，电力公司派人现场手动检查相位连接，这种方式本质上便是低效的。在网络两端安装新进的信号注入和接收设备是相位识别的另一种方式，这些识别效果是快速且准确的，但是成本会大幅度提高。
常见基于智能电表对相位识别的方式根据数据源的区别有两类。第一类为基于电压数据相位识别。用户侧电压来自于所属相位的配电变压器侧，因此，两者之间存在天然的高关联度。此类算法对于数据的完整度和准确度都极高，但由于电网的随机波动和电表的固有误差，常常数据的颗粒度不高，再加上工程中部分配变变压器三相电压波形相似度极高，因此在工程应用中相似度指标计算相似，不易区分，导致计算结果往往不理想。第二类为基于功率数据相位识别。基于能量守恒的原则寻找家庭最优组合，提供与相负荷相似的聚合负荷。该方法被设计用于处理有小程度损失或错误的数据，对数据质量要求不是很高。此种策略在国外发达社区应用广泛，一方面国外地广人稀，社区户数不多，存在高空置税，因此房屋极少空置，另一方面，在发达社区智能电表渗透率高，用电量普遍较大。在国内，虽然很多台区智能电表渗透率也很高，但是往往户数密集且空置率高，因此能量守恒的方差在现阶段工业中应用较少。
发明内容
本发明的目的在于提供一种基于智能电表的低压配电网相位识别方法，针对现有技术存在的问题，本发明综合利用智能电表的高频采样机制，提出一种基于时空特征并结合数据驱动的低压配电网相位识别方法。首先，在电表数据采集阶段，利用小波滤波过滤采样抖动的电压数据，然后综合分析负荷变动与变压器电压波动，基于显著性指标评估其时空特征，由于显著性特征向量中承载着所处相位的负荷变动，对应相位应具备相似的波动规律特征，最后基于相似性规律实现相位识别。
为实现上述目的，本发明提供如下技术方案：一种基于智能电表的低压配电网相位识别方法，包括以下步骤：
步骤1：从智能电表采集用户与配变变压器高频电压数据，并基于小波系数过滤高频分量重构电压波形；
步骤2：基于海量重构电压波形构建基本特征类型；
步骤3：基于用户及所在配变变压器重构电压波形提取特征序列；
步骤4：计算用户与配变变压器提取特征的显著性指标；
步骤5：计算用户与配变变压器A相B相C相电压特征相似度并判断相位。
进一步的，所述步骤1从智能电表采集用户与配变变压器高频电压数据，并基于小波系数重构电压波形，具体流程步骤如下：
步骤1.1：基于智能电表获取高频原始电压信号U；
步骤1.2：基于原始电压信号进行小波变换，分析电压波形中时域特性和频域特性， 基于不同的小波系数进行重构；
步骤1.3：计算得到小波3次分解后的低频分量UL 3和各级高频UH 1，UH 2，UH 3，过滤高频分量并得到重构电压信号X。
进一步的，所述步骤2基于海量重构电压信号构建基本特征类型的方法，其具体流程步骤如下：
步骤2.1：基于重构电压波形，归纳波形的时空特征；
步骤2.2：形成四种常见的时空特征类型；
类型A为“V”型结构，即先下降后上升，物理特征类似电器开启到电器关断，其电压下降时间为T down，电压上升时间为T up；
类型B为“倒V”型结构，即先上升后下降，物理特征类似电器关断到电器开启，其电压下降时间为T down，电压上升时间为T up；
类型C为“连续上升或下降”型结构，即在很短时间T shock发生了连续的上升或下降；
类型D为“持续性上升或下降”结构，即上升持续了很长时间T hold，中间存在小幅度的波动。
进一步的，所述步骤3中，基于用户及所在配变变压器重构电压波形提取特征序列，其具体流程步骤如下：
基于步骤2中的典型4种电压类型提取用户与配变变压器A相B相C相的电压特征序列F。
进一步的，所述步骤4中，对于任意特征序列F，每一个特征计算其特征显著性指标；具体为12个指标，包含以下方面：
①对于所有特征类型而言，其指标包括特征起始时刻t start，特征结束时刻t end，特征持续时长T hold，变异系数CV，极差R，方差Var；假设某特征时间窗口内重构电压为X={x 1,x 2,…,x m}，m表示窗口长度，变异系数CV计算公式如下：
Figure 437451DEST_PATH_IMAGE001
Figure 416908DEST_PATH_IMAGE002
Figure 196645DEST_PATH_IMAGE003
式中，σ为重构电压数据标准差，μ为重构电压数据平均值；
极差计算公式如下：
Figure 654171DEST_PATH_IMAGE004
式中，max(X)为重构电压最大值，min(X)为重构电压最小值；
方差计算公式如下：
Figure 468543DEST_PATH_IMAGE005
②对于A、B类特征，其特有显著性指标有电压上升时长T up，电压下降时长T down，峰值电压大小U peak；
③对于C类特征，其特有显著性指标有电压突变时刻t shock，电压突变大小U shock；
④对于D类特征，其特有显著性指标有电压变化率U rate。
进一步的，所述步骤5中，基于步骤4计算的特征显著性指标计算用户与配变变压器A相B相C相电压特征相似度并判断相位；具体流程步骤如下所示：
步骤5.1：计算用户i与配变变压器特征的各自特征序列F i，F A，F B，F C；
其中用户i的特征指标矩阵为：
Figure 356253DEST_PATH_IMAGE006
式中，
Figure 623286DEST_PATH_IMAGE007
为t时段第s个特征指标，T为时段总数。
步骤5.2：考虑到各个指标量纲不同，对12个指标分别进行标准化；基于min-max算法进行数据处理，以特征1指标t start为例，假定其指标序列为
Figure 822186DEST_PATH_IMAGE008
，n为用户总量，计算公式如下：
Figure 553382DEST_PATH_IMAGE009
式中，
Figure 546745DEST_PATH_IMAGE010
为
Figure 301075DEST_PATH_IMAGE011
基于min-max算法计算后的对应结果，
Figure 38087DEST_PATH_IMAGE012
为特征1指标t start序列的最小值，
Figure 623789DEST_PATH_IMAGE013
为特征1指标t start序列的最大值；
步骤5.3：步骤5.2标准化后生成用户i与配变变压器特征的各自特征矩阵
Figure 53633DEST_PATH_IMAGE014
，其中
Figure 295259DEST_PATH_IMAGE015
矩阵为：
Figure 632699DEST_PATH_IMAGE016
式中，
Figure 276170DEST_PATH_IMAGE017
为t时段第s个标准化后的特征指标。
假定标准化后用户i特征1 t start的序列为
Figure 611336DEST_PATH_IMAGE018
，变压器A相特征1 t start的序列为
Figure 402575DEST_PATH_IMAGE020
,两者欧式距离定义为
Figure 481389DEST_PATH_IMAGE021
，计算公式如下：
Figure 979367DEST_PATH_IMAGE022
步骤5.4：分别计算
Figure 813331DEST_PATH_IMAGE023
与
Figure 763969DEST_PATH_IMAGE024
、
Figure 708791DEST_PATH_IMAGE025
、
Figure 61275DEST_PATH_IMAGE026
的欧式距离，特征平均欧式距离越小则其关联度越高，用户i与配变变压器A相的平均欧式距离如下式所示：
Figure 66140DEST_PATH_IMAGE027
式中，
Figure 504075DEST_PATH_IMAGE028
为第i户与配变变压器A相第s个特征的欧式距离；
步骤5.5：分别计算
Figure 924692DEST_PATH_IMAGE029
，
Figure 456649DEST_PATH_IMAGE030
，
Figure 632415DEST_PATH_IMAGE031
并比较大小，越小则关联度越高，以关联度高的为用户i所属相位。
与现有技术相比，本发明的有益效果是：
本发明首先基于小波系数过滤原始电压波形高频分量，得到重构电压波形；然后基于重构电压波形时空特性提取配变变压器侧三相电压和用户侧单相电压的特征，根据不同特征形态，将特征分为四类并计算四类特征的显著性指标；最后基于特征序列计算用户特征与所在变压器特征的相似度并判断所属相位。该方法基于智能电表的量测电压数据，可以通过高频采样数据特征进行分析，提高了算法的准确率和鲁棒性。
附图说明
图1为本发明的方法流程图；
图2为小波变换算法基本原理图；
图3为常见电压时空特征类型图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步的详细说明。此处所描述的具体实施例仅用于解释本发明技术方案，并不限于本发明。
本发明提供一种技术方案：一种基于智能电表的低压配电网相位识别方法，流程如图1所示，包括以下步骤：
步骤1：从智能电表采集用户与配变变压器高频电压数据，并基于小波系数过滤高频分量重构电压波形；具体流程步骤如下：
步骤1.1：基于智能电表获取高频原始电压信号U；
步骤1.2：基于原始电压信号进行小波变换，分析电压波形中时域特性和频域特性， 基于不同的小波系数进行重构；其原理图如图2所示；
步骤1.3：计算得到小波变换n次分解后的一个低频信号UL n和n个高频信号UH 1，UH 2，…，UH n，根据实际情况，n取三层，过滤高频分量并得到重构电压信号X。
步骤2：基于海量重构电压波形构建基本特征类型；具体流程步骤如下：
步骤2.1：基于重构电压波形，归纳波形的时空特征；
步骤2.2：形成四种常见的时空特征类型；如图3所示；
类型A为“V”型结构，即先下降后上升，物理特征类似电器开启到电器关断，其波形如图3特征类型A所示，其电压下降时间为T down，电压上升时间为T up；
类型B为“倒V”型结构，即先上升后下降，物理特征类似电器关断到电器开启，其波形如图3特征类型B所示，其电压下降时间为T down，电压上升时间为T up；
类型C为“连续上升或下降”型结构，即在很短时间T shock发生了连续的上升或下降；如图3特征类型C所示。
类型D为“持续性上升或下降”结构，即上升持续了很长时间T hold，中间存在小幅度的波动，如图3特征类型D所示。
步骤3：基于用户及所在配变变压器重构电压波形提取特征序列；其具体流程步骤如下：
基于步骤2中的典型4种电压类型提取用户与配变变压器A相B相C相的电压特征序列F。
步骤4：计算用户与配变变压器提取特征的特征显著性指标；具体流程步骤如下：
对于任意特征序列F，每一个特征计算其特征显著性指标；具体为12个指标，包含以下方面：
①对于所有特征类型而言，其指标包括特征起始时刻t start，特征结束时刻t end，特征持续时长T hold，变异系数CV，极差R，方差Var；假设某特征时间窗口内重构电压为X={x 1,x 2,…,x m}，m表示窗口长度，变异系数CV计算公式如下：
Figure 557646DEST_PATH_IMAGE032
Figure 781954DEST_PATH_IMAGE033
Figure 905768DEST_PATH_IMAGE034
式中，σ为重构电压数据标准差，μ为重构电压数据平均值；
极差计算公式如下：
Figure 190118DEST_PATH_IMAGE035
式中，max(X)为重构电压最大值，min(X)为重构电压最小值；
方差计算公式如下：
Figure 602645DEST_PATH_IMAGE036
②对于A、B类特征，其特有显著性指标有电压上升时长T up，电压下降时长T down，峰值电压大小U peak；
③对于C类特征，其特有显著性指标有电压突变时刻t shock，电压突变大小U shock；
④对于D类特征，其特有显著性指标有电压变化率U rate；
⑤12个指标具体描述如表1所示。
表1 特征显著性指标
Figure 692961DEST_PATH_IMAGE038
步骤5：基于步骤4计算的特征显著性指标计算用户与配变变压器A相B相C相电压特征相似度并判断相位；具体流程步骤如下：
步骤5.1：计算用户i与配变变压器特征的各自特征序列F i，F A，F B，F C；
其中用户i的特征指标矩阵为：
Figure 874544DEST_PATH_IMAGE039
式中，
Figure 64216DEST_PATH_IMAGE040
为t时段第s个特征指标，T为时段总数；
步骤5.2：考虑到各个指标量纲不同，对12个指标分别进行标准化；基于min-max算法进行数据处理，以特征1指标t start为例，假定其指标序列为
Figure 964039DEST_PATH_IMAGE041
，n为用户总量，计算公式如下：
Figure 592467DEST_PATH_IMAGE042
式中，
Figure 894135DEST_PATH_IMAGE043
为
Figure 254709DEST_PATH_IMAGE044
基于min-max算法计算后的对应结果，
Figure 704145DEST_PATH_IMAGE045
为特征1指标t start序列的最小值，
Figure 73947DEST_PATH_IMAGE046
为特征1指标t start序列的最大值；
步骤5.3：步骤5.2标准化后生成用户i与配变变压器特征的各自特征矩阵
Figure 964542DEST_PATH_IMAGE047
，其中
Figure 823914DEST_PATH_IMAGE048
矩阵为：
Figure 432750DEST_PATH_IMAGE049
式中，
Figure 606242DEST_PATH_IMAGE050
为t时段第s个标准化后的特征指标。
假定标准化后用户i特征1 t start的序列为
Figure 616924DEST_PATH_IMAGE051
，变压器A相特征1 t start的序列为
Figure 647196DEST_PATH_IMAGE052
,两者欧式距离定义为
Figure 743328DEST_PATH_IMAGE053
，计算公式如下：
Figure 454932DEST_PATH_IMAGE054
步骤5.4：分别计算
Figure 385367DEST_PATH_IMAGE055
与
Figure 524224DEST_PATH_IMAGE056
、
Figure 107652DEST_PATH_IMAGE057
、
Figure 419685DEST_PATH_IMAGE058
的欧式距离，特征平均欧式距离越小则其关联度越高，用户i与配变变压器A相的平均欧式距离如下式所示：
Figure 404958DEST_PATH_IMAGE059
式中，
Figure 714717DEST_PATH_IMAGE060
为第i户与配变变压器A相第s个特征的欧式距离；
步骤5.5：分别计算
Figure 847758DEST_PATH_IMAGE061
，
Figure 901165DEST_PATH_IMAGE062
，
Figure DEST_PATH_IMAGE063
并比较大小，越小则关联度越高，以关联度高的为用户i所属相位。
以上所述仅表达了本发明的优选实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形、改进及替代，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (3)

1.一种基于智能电表的低压配电网相位识别方法，其特征在于：包括以下步骤：
步骤1：从智能电表采集用户与配变变压器高频电压数据，并基于小波系数过滤高频分量重构电压波形；
步骤2：基于海量重构电压波形构建基本特征类型；
步骤3：基于步骤2构建的基本特征类型，从重构电压波形提取特征序列；
步骤4：计算用户与配变变压器提取特征的显著性指标；
步骤5：基于步骤4计算的特征显著性指标计算用户与配变变压器A相B相C相电压特征相似度并判断相位；
所述步骤2基于海量重构电压信号构建基本特征类型的方法，其具体流程步骤如下：
步骤2.1：基于重构电压波形，归纳波形的时空特征；
步骤2.2：形成四种常见的时空特征类型；
类型A为“V”型结构，即先下降后上升，物理特征类似电器开启到电器关断，其电压下降时间为T down，电压上升时间为T up；
类型B为“倒V”型结构，即先上升后下降，物理特征类似电器关断到电器开启，其电压下降时间为T down，电压上升时间为T up；
类型C为“连续上升或下降”型结构，即在很短时间T shock发生了连续的上升或下降；
类型D为“持续性上升或下降”结构，即上升持续了很长时间T hold，中间存在小幅度的波动；
所述步骤3中，基于用户及所在配变变压器重构电压波形提取特征序列，其具体流程步骤如下：
基于步骤2中的典型4种电压类型提取用户与配变变压器A相B相C相的电压特征序列F；
所述步骤4中，对于任意特征序列F，每一个特征计算其特征显著性指标；具体为12个指标，包含以下方面：
①对于所有特征类型而言，其指标包括特征起始时刻t start，特征结束时刻t end，特征持续时长T hold，变异系数CV，极差R，方差Var；假设某特征时间窗口内重构电压为X={x 1,x 2,…,x m}，m表示窗口长度，变异系数CV计算公式如下：
Figure DEST_PATH_IMAGE001
Figure 80065DEST_PATH_IMAGE002
Figure DEST_PATH_IMAGE003
式中，σ为重构电压数据标准差，μ为重构电压数据平均值；
极差计算公式如下：
Figure 846027DEST_PATH_IMAGE004
式中，max(X)为重构电压最大值，min(X)为重构电压最小值；
方差计算公式如下：
Figure DEST_PATH_IMAGE005
②对于A、B类特征，其特有显著性指标有电压上升时长T up，电压下降时长T down，峰值电压大小U peak；
③对于C类特征，其特有显著性指标有电压突变时刻t shock，电压突变大小U shock；
④对于D类特征，其特有显著性指标有电压变化率U rate。
2.根据权利要求1所述的一种基于智能电表的低压配电网相位识别方法，其特征在于：所述步骤1从智能电表采集用户与配变变压器高频电压数据，并基于小波系数重构电压波形，具体流程步骤如下：
步骤1.1：基于智能电表获取高频原始电压信号U；
步骤1.2：基于原始电压信号进行小波变换，分析电压波形中时域特性和频域特性， 基于不同的小波系数进行重构；
步骤1.3：计算得到小波3次分解后的低频分量UL 3和三级高频UH 1，UH 2，UH 3，过滤高频分量并得到重构电压信号X。
3.根据权利要求1所述的一种基于智能电表的低压配电网相位识别方法，其特征在于：所述步骤5中，基于步骤4计算的特征显著性指标计算用户与配变变压器A相B相C相电压特征相似度并判断相位；具体流程步骤如下所示：
步骤5.1：计算用户i与配变变压器特征的各自特征序列F i，F A，F B，F C；
其中用户i的特征指标矩阵为：
Figure 79300DEST_PATH_IMAGE006
式中，
Figure 625819DEST_PATH_IMAGE007
为t时段第s个特征指标，T为时段总数；
步骤5.2：考虑到各个指标量纲不同，对12个指标分别进行标准化；基于min-max算法进行数据处理，以特征1指标t start为例，假定其指标序列为
Figure 736995DEST_PATH_IMAGE008
，n为用户总量，计算公式如下：
Figure 747676DEST_PATH_IMAGE009
式中，
Figure 653315DEST_PATH_IMAGE010
为
Figure 185665DEST_PATH_IMAGE011
基于min-max算法计算后的对应结果，
Figure 897269DEST_PATH_IMAGE012
为特征1指标t start序列的最小值，
Figure 700140DEST_PATH_IMAGE013
为特征1指标t start序列的最大值；
步骤5.3：步骤5.2标准化后生成用户i与配变变压器特征的各自特征矩阵
Figure 776681DEST_PATH_IMAGE014
，其中
Figure 297792DEST_PATH_IMAGE015
矩阵为：
Figure 547508DEST_PATH_IMAGE016
式中，
Figure 986578DEST_PATH_IMAGE017
为t时段第s个标准化后的特征指标；
假定标准化后用户i特征1 t start的序列为
Figure 296336DEST_PATH_IMAGE018
，变压器A相特征1 t start的序列为
Figure 304744DEST_PATH_IMAGE019
,两者欧式距离定义为
Figure 295833DEST_PATH_IMAGE020
，计算公式如下：
Figure 135613DEST_PATH_IMAGE021
步骤5.4：分别计算
Figure 553956DEST_PATH_IMAGE022
与
Figure 282616DEST_PATH_IMAGE023
、
Figure 77396DEST_PATH_IMAGE024
、
Figure DEST_PATH_IMAGE025
的欧式距离，特征平均欧式距离越小则其关联度越高，用户i与配变变压器A相的平均欧式距离如下式所示：
Figure 709366DEST_PATH_IMAGE026
式中，
Figure 298610DEST_PATH_IMAGE027
为第i户与配变变压器A相第s个特征的欧式距离；
步骤5.5：分别计算
Figure 343927DEST_PATH_IMAGE028
，
Figure 175354DEST_PATH_IMAGE029
，
Figure 661830DEST_PATH_IMAGE030
并比较大小，越小则关联度越高，以关联度高的为用户i所属相位。
CN202110344697.4A 2021-03-31 2021-03-31 一种基于智能电表的低压配电网相位识别方法 Active CN112730984B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110344697.4A CN112730984B (zh) 2021-03-31 2021-03-31 一种基于智能电表的低压配电网相位识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110344697.4A CN112730984B (zh) 2021-03-31 2021-03-31 一种基于智能电表的低压配电网相位识别方法

Publications (2)

Publication Number Publication Date
CN112730984A CN112730984A (zh) 2021-04-30
CN112730984B true CN112730984B (zh) 2021-07-13

Family

ID=75596207

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110344697.4A Active CN112730984B (zh) 2021-03-31 2021-03-31 一种基于智能电表的低压配电网相位识别方法

Country Status (1)

Country Link
CN (1) CN112730984B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113780440A (zh) * 2021-09-15 2021-12-10 江苏方天电力技术有限公司 一种提升抗数据扰动能力的低压台区相别辨识方法
CN114912519A (zh) * 2022-04-28 2022-08-16 江苏方天电力技术有限公司 一种计及不完备数据的台区相位识别方法

Family Cites Families (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US3976919A (en) * 1975-06-04 1976-08-24 Borg-Warner Corporation Phase sequence detector for three-phase AC power system
GB2059078A (en) * 1979-09-13 1981-04-15 Plessey Co Ltd Improvements in or relating to phase sequence indicators
JPS61167877A (ja) * 1985-01-21 1986-07-29 Mitsubishi Electric Corp 三相交流相判別装置
EP2212707A1 (en) * 2007-10-29 2010-08-04 Power-One Italy S.p.a. Method for determining the phases in a multi-phase electrical system and device for the implementation thereof
CN101788614B (zh) * 2009-12-28 2012-07-25 江苏省电力公司苏州供电公司 高低压综合相序相位仪及其检测方法
CN107271946A (zh) * 2017-06-01 2017-10-20 宁波迦南智能电气股份有限公司 一种电能表相位识别方法
CN108614154B (zh) * 2018-05-23 2020-01-21 西安交通大学 一种基于频谱分析的电力用户相位识别方法
CN109085468A (zh) * 2018-07-27 2018-12-25 上海交通大学 一种电缆局部放电绝缘缺陷的识别方法
CN110727662A (zh) * 2019-09-10 2020-01-24 国网浙江省电力有限公司电力科学研究院 基于相关性分析的低压台区用户相位识别方法和系统
CN111476093A (zh) * 2020-03-06 2020-07-31 国网江西省电力有限公司电力科学研究院 一种电缆终端局部放电模式识别方法及系统
CN111505433B (zh) * 2020-04-10 2022-06-28 国网浙江余姚市供电有限公司 一种低压台区户变关系纠错及相位识别方法
CN112198375B (zh) * 2020-09-29 2022-10-11 南方电网数字电网研究院有限公司 单相用户的相位识别方法、装置、设备和存储介质
CN112485525B (zh) * 2020-11-27 2022-12-20 中国电力科学研究院有限公司 一种变压器相位的识别方法及装置、设备、存储介质

Also Published As

Publication number Publication date
CN112730984A (zh) 2021-04-30

Similar Documents

Publication Publication Date Title
CN108535599B (zh) 基于电压曲线聚类分析的低压台区用户相位识别方法
CN112730984B (zh) 一种基于智能电表的低压配电网相位识别方法
CN106646026A (zh) 一种非侵入式家电负荷识别方法
CN109840691B (zh) 基于深度神经网络的非侵入式分项电量估计方法
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
CN108614154B (zh) 一种基于频谱分析的电力用户相位识别方法
CN110571806B (zh) 一种用于配电网负荷类别的特征提取与辨识方法
CN111654392A (zh) 基于互信息的低压配电网拓扑识别方法及系统
CN109782086B (zh) 一种基于多维度信号分析的非侵入负荷识别方法
CN112380496A (zh) 一种基于皮尔逊相关系数的反窃电分析方法
CN116008714B (zh) 一种基于智能量测终端的反窃电分析方法
CN115758188A (zh) 一种非侵入式的负荷识别方法、装置、设备和介质
CN112070118A (zh) 基于数据聚类拟合分析的台区相序识别方法
Yan et al. LIFTED: Household appliance-level load dataset and data compression with lossless coding considering precision
CN112615428A (zh) 一种线损分析治理系统及方法
Yan et al. Model-free lossless data compression for real-time low-latency transmission in smart grids
CN112949563B (zh) 基于变点检测和改进knn算法的非侵入式负荷识别方法
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
CN103018611A (zh) 一种基于电流分解的非侵入式负载监测方法及系统
CN110781450A (zh) 一种配电馈线电压测量数据的不良数据检测系统及方法
CN112182499B (zh) 一种基于时序电量数据的低压配电网拓扑结构辨识方法
CN116502149A (zh) 基于电流特征传导的低压配电网户变关系识别方法及系统
CN113985266A (zh) 多智能电表集中化负荷识别方法
CN112613670A (zh) 一种基于权重分配预测电力用户需量的装置及方法
CN112132442A (zh) 一种间歇启停电热工况下负荷辨识效果的评价方法

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