CN112906297A - 一种基于电流大数据的多阈值拓扑识别方法 - Google Patents

一种基于电流大数据的多阈值拓扑识别方法 Download PDF

Info

Publication number
CN112906297A
CN112906297A CN202110161259.4A CN202110161259A CN112906297A CN 112906297 A CN112906297 A CN 112906297A CN 202110161259 A CN202110161259 A CN 202110161259A CN 112906297 A CN112906297 A CN 112906297A
Authority
CN
China
Prior art keywords
node
data
nodes
threshold
similarity
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
Application number
CN202110161259.4A
Other languages
English (en)
Inventor
吉建斌
王云飞
尹俊源
肖本强
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 Qi Ultra Micro Information Technology Co ltd
Original Assignee
Qingdao Qi Ultra Micro Information Technology 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 Qingdao Qi Ultra Micro Information Technology Co ltd filed Critical Qingdao Qi Ultra Micro Information Technology Co ltd
Priority to CN202110161259.4A priority Critical patent/CN112906297A/zh
Publication of CN112906297A publication Critical patent/CN112906297A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y10/00—Economic sectors
    • G16Y10/35—Utilities, e.g. electricity, gas or water
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y40/00—IoT characterised by the purpose of the information processing
    • G16Y40/20—Analytics; Diagnosis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/08—Probabilistic or stochastic CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/04—Power grid distribution networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Development Economics (AREA)
  • Medical Informatics (AREA)
  • Evolutionary Biology (AREA)
  • Business, Economics & Management (AREA)
  • Accounting & Taxation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Remote Monitoring And Control Of Power-Distribution Networks (AREA)

Abstract

本发明提供了一种基于电流大数据的多阈值拓扑识别方法,经过将传感单元数据和断路器、表计数据采集传输到数据导入程序模块，经过数据演算程序模块、父节点删减判定程序模块、拓扑解析程序、拓扑档案上传。通过本发明的技术方案，本发明定位于电力物联网，从大数据的角度进行拓扑识别分析，提供一种基于电流数据的拓扑识别方法，仅通过电流数据计算可以完整分析出电力拓扑关系，实现电力拓扑识别。

Description

一种基于电流大数据的多阈值拓扑识别方法
技术领域
本发明涉及电力物联网技术领域，具体而言，特别涉及一种基于电流大数据的多阈值拓扑识别方法。
背景技术
长期以来，电力拓扑识别作为电网配网的一个重要课题，并未有良好的识别方法及实际的推广应用，而电力拓扑识别更是精益化台区治理的基础，而对于老旧台区，台区维护和电力档案缺失更让电力拓扑变的凌乱和复杂，为台区的治理变得困难重重。当前台区拓扑识别的主要方法是通过发送脉冲电流的方法来进行，此方法操作复杂，需专门的设备到现场进行操作，且脉冲电流对电网安全存在隐患。部分设备厂家通过宽带载波，利用载波信号信噪比及逻辑拓扑关系进行拓扑识别，因准确率低等因素，并未广泛推广应用。
发明内容
为了弥补现有技术的不足，本发明定位于电力物联网，从大数据的角度进行拓扑识别分析,提供了一种基于电流大数据的多阈值拓扑识别方法。
本发明是通过如下技术方案实现的：一种基于电流大数据的多阈值拓扑识别方法，具体包括以下步骤：
步骤（1）：将传感单元数据和断路器、表计数据采集传输到数据导入程序模块，数据导入程序模块包括数据整理和数据对齐，将数据进行整理和对齐；
步骤（2）：将步骤（1）整理和对齐的数据进入数据演算程序模块，数据演算程序模块包括数据基础阈值、数据对比阈值、数据采样、数据对比和对比结论；
步骤（3）：经过步骤（2）的得到的数据结论传输进入父节点删减判定程序模块，父节点删减判定程序模块包括无关概率阈值和相似节点判定，无关概率阈值判断两个节点是否无关,采用无关概率阈值排除算法，大于无关概率阈值的节点在该节点可能父节点内排除，相似节点判定用于判定一个分支的子节点与其父节点的相似度；
步骤（4）：经过步骤（3）的得到的数据进入拓扑解析程序，拓扑解析程序包括外部信息综合、三项综合解析、相似节点相思解析和子节点父节点相似解析，采用相似算法将所有相似度数据相加，真正父节点的相似度和将明显大于其他可能父节点的相似度和；
步骤（5）：将经过步骤（4）的数据进入拓扑档案上传。
作为优选方案，步骤（1）中的数据导入程序是在在进行无关排除算法之前，需将获取的电流数据按分钟为刻度对齐，允许各节点在部分分钟点上无数据。
作为优选方案，步骤（2）中的数据基础阈值是两个节点获取对比数据的最小值，基础阈值越大，节点获取的对比数据越少，无关排除的可信度越高；基础阈值越小，节点获取的对比数据越多，对电流数据精确度要求越高。
作为优选方案，步骤（2）中的数据对比阈值根是据电流采集设备的误差及精度设置一个对比阈值，两节点数据对比时，对比差小于对比阈值时，不判定两个节点的大小，即，不认为两节点无关。
作为优选方案，步骤（3）中的无关概率阈值在两个节点电流数据进行对比时，A节点大于B节点的次数和B节点大于A节点的次数中，小值与大值的比值为无关概率，如此比值大于无关概率阈值，则认为A节点和B节点无关。
作为优选方案，步骤（3）中的无关概率阈值排除算法在无关概率阈值排除算法执行之前，每个节点可以认为其他所有节点皆是其可能父节点，在无关排除算法执行之后，一个节点可能出现0个、1个或多个可能父节点，若父节点为0，则本节点为最高父节点，若父节点唯一，则其获得明确父节点，若父节点为多个，则需进一步排除；若一个节点用电量极小，则可能出现较多无法排除的可能父节点；同一个时间段内，取参与拓扑识别的所有节点的数据，数据按分钟对齐，减去基础阈值，即为用于对比的采样数据，采样数据计数n；按相A、B、C对各节点进行对比，即节点1与节点2、节点3、节点4……对比，节点2与节点3、节点4……对比，直到最后一个节点结束，大于无关概率阈值的节点在该节点可能父节点内排除。
作为优选方案，步骤（3）中的相似节点判定为一个分支的子节点与其父节点的相似度，应大于非此分支的可能父节点。
进一步地，步骤（4）中的相似算法将相似节点中的各节点数据分成多段数据，对存在多个可能父节点的子节点，与其每个可能的父节点计算相似度，则子节点和每个可能父节点计算出多个相似度数据，将所有相似度数据相加，则，真正父节点的相似度和将明显大于其他可能父节点的相似度和。
本发明由于采用了以上技术方案，与现有技术相比使其具有以下有益效果：本发明定位于电力物联网，从大数据的角度进行拓扑识别分析，提供一种基于电流数据的拓扑识别方法，仅通过电流数据计算可以完整分析出电力拓扑关系，实现电力拓扑识别。
本发明的附加方面和优点将在下面的描述部分中变得明显，或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：
图1为本发明的方案图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
下面结合图1对本发明的实施例的基于电流大数据的多阈值拓扑识别方法进行具体说明。
如图1所示，本发明提出了一种基于电流大数据的多阈值拓扑识别方法，具体包括以下步骤：
步骤（1）：将传感单元数据和断路器、表计数据采集传输到数据导入程序模块，数据导入程序模块包括数据整理和数据对齐，将数据进行整理和对齐；两个节点的对比数据应对齐，原理上，电流数据是突变的，时间不对齐的数据对比是没有意义的，更偏向于数据趋势的描述，可以容忍5S内电流数据误差的产生。数据导入程序是在在进行无关排除算法之前，需将获取的电流数据按分钟为刻度对齐，允许各节点在部分分钟点上无数据，对比也只在同时有数据的刻度进行对比。
步骤（2）：将步骤（1）整理和对齐的数据进入数据演算程序模块，数据演算程序模块包括数据基础阈值、数据对比阈值、数据采样、数据对比和对比结论；由于每个电流采集设备都存在精度误差，若使用两个小电流数据进行对比，则出错的概率较大。数据基础阈值是两个节点获取对比数据的最小值，基础阈值越大，节点获取的对比数据越少，无关排除的可信度越高；基础阈值越小，节点获取的对比数据越多，对电流数据精确度要求越高。在两个节点电流数据进行对比时，大概率会出现子节点电流数据大于父节点电流数据的情况，如果直接按无关节点进行排除，则会将真正的父节点排除掉，根据电流采集设备的误差及精度设置一个对比阈值，根据电流采集设备的误差及精度设置一个对比阈值，两节点数据对比时，对比差小于对比阈值时，不判定两个节点的大小，即，不认为两节点无关。
步骤（3）：经过步骤（2）的得到的数据结论传输进入父节点删减判定程序模块，父节点删减判定程序模块包括无关概率阈值和相似节点判定，无关概率阈值判断两个节点是否无关,采用无关概率阈值排除算法，大于无关概率阈值的节点在该节点可能父节点内排除，相似节点判定用于判定一个分支的子节点与其父节点的相似度；无关概率阈值在两个节点电流数据进行对比时，A节点大于B节点的次数和B节点大于A节点的次数中，小值与大值的比值为无关概率，如此比值大于无关概率阈值，则认为A节点和B节点无关。
两个不在同一拓扑分支内的节点，认为无关，即，两个不存在上下级关系的节点，在电流表现上，应能够出现交替或大或小的现象。无关概率阈值排除算法在无关概率阈值排除算法执行之前，每个节点可以认为其他所有节点皆是其可能父节点，在无关排除算法执行之后，一个节点可能出现0个、1个或多个可能父节点，若父节点为0，则本节点为最高父节点，若父节点唯一，则其获得明确父节点，若父节点为多个，则需进一步排除；若一个节点用电量极小，则可能出现较多无法排除的可能父节点；同一个时间段内，取参与拓扑识别的所有节点的数据，数据按分钟对齐，减去基础阈值，即为用于对比的采样数据，采样数据计数n；按相A、B、C对各节点进行对比，即节点1与节点2、节点3、节点4……对比，节点2与节点3、节点4……对比，直到最后一个节点结束，大于无关概率阈值的节点在该节点可能父节点内排除。
无关概率阈值排除如下（数据部分摘取）：
表示方法：子节点ID自（对比数据数量）：可能父1IDF1（ID自电流>IDF1电流的个数，IDF1电流>ID自电流的个数）可能父2 IDF2（ID自电流>IDF2电流的个数，IDF2电流>ID自电流的个数）……
Figure RE-194313DEST_PATH_IMAGE001
如节点1318441712376352768和节点1318437096683212800，其无关概率为357/672=53.1%，即有53.1%的概率，此两节点不在同一分支拓扑内，而节点1318441712376352768与真正父节点1318456873707376640的无关概率为104/1308=7.95%，若使用15%的无关概率阈值，则节点1318441712376352768的父节点可排除节点1318437096683212800。
对于低压配网中的三相一组节点数据，继续结合A、B、C的排除结果，进行综合排除，可排除掉更多节点。
执行完后的结果如下（三项一组）：
表示方法：节点ID(采样数据n)(可能父节点个数)：可能父节点
1318456873707376640(1216)(0):
1318457114955354112(984)(0):
1318457399329165312(1340)(0):
1318441712376352768(290)(1): 1318456873707376640
1318441871323697152(123)(1): 1318457114955354112
1318442024306741248(377)(1): 1318457399329165312
1318437096683212800(1328)(1): 1318456873707376640
1318437213972729856(424)(1): 1318457114955354112
1318437341773172736(93)(1): 1318457399329165312
1318437558518026240(611)(1): 1318456873707376640
1318437751170797568(875)(1): 1318457114955354112
1318437902023135232(1328)(1): 1318457399329165312
1318442600155320320(243)(1): 1318456873707376640
1318442791348473856(128)(1): 1318457114955354112
1318443007636148224(157)(1): 1318457399329165312
1318443423904043008(885)(1): 1318456873707376640
1318443663805648896(774)(1): 1318457114955354112
1318443817451393024(1287)(1): 1318457399329165312
1318462294358757376(513)(0):
1318462455793324032(1125)(0):
1318462615646638080(828)(0):
1318487864480108544(0)(3): 1318456873707376640 13184622943587573761318465305231495168
1318488573854355456(32)(3): 1318457114955354112 13184624557933240321318463294037561344
1318488883905695744(7)(3): 1318457399329165312 13184626156466380801318466006472986624
1318489288219824128(0)(1): 1318462294358757376
1318489412534800384(968)(1): 1318462455793324032
1318489619934744576(873)(1): 1318462615646638080
1318490197855309824(777)(1): 1318462294358757376
1318490337466912768(1288)(1): 1318462455793324032
1318490593902465024(252)(1): 1318462615646638080
1318490821036609536(64)(2): 1318456873707376640 1318462294358757376
1318490985390411776(375)(2): 1318457114955354112 1318462455793324032
1318491372138795008(14)(2): 1318457399329165312 1318462615646638080
1318491931830915072(1)(3): 1318456873707376640 13184622943587573761318465305231495168
1318492153294360576(31)(3): 1318457114955354112 13184624557933240321318463294037561344
1318492333586518016(1)(3): 1318457399329165312 13184626156466380801318466006472986624
1318492613992517632(1058)(1): 1318462294358757376
1318492754057105408(796)(1): 1318462455793324032
1318492918280884224(0)(1): 1318462615646638080
1318463294037561344(629)(0):
1318465305231495168(559)(0):
1318466006472986624(838)(0):
1318497156016902144(104)(2): 1318456873707376640 1318465305231495168
1318497348468346880(71)(2): 1318457114955354112 1318463294037561344
1318497515468754944(149)(2): 1318457399329165312 1318466006472986624
1318498104328065024(31)(3): 1318456873707376640 13184622943587573761318465305231495168
1318498253007753216(33)(3): 1318457114955354112 13184624557933240321318463294037561344
1318498391713386496(41)(3): 1318457399329165312 13184626156466380801318466006472986624
1318498893238898688(1210)(1): 1318465305231495168
1318499066329436160(1044)(1): 1318463294037561344
1318499195274924032(1189)(1): 1318466006472986624
1318499520459313152(46)(3): 1318456873707376640 13184622943587573761318465305231495168
1318499729394372608(31)(3): 1318457114955354112 13184624557933240321318463294037561344
1318499955878400000(38)(3): 1318457399329165312 13184626156466380801318466006472986624
1318500214738259968(24)(3): 1318456873707376640 13184622943587573761318465305231495168
1318500373039681536(71)(3): 1318457114955354112 13184624557933240321318463294037561344
1318500537859051520(0)(3): 1318457399329165312 13184626156466380801318466006472986624
1318500751944716288(0)(3): 1318456873707376640 13184622943587573761318465305231495168
1318500890453217280(98)(3): 1318457114955354112 13184624557933240321318463294037561344
1318501103284785152(70)(3): 1318457399329165312 13184626156466380801318466006472986624
从上述数据中，可以看出，有三个主分支，部分节点有明确的父节点，部分节点有多个可能的父节点。出现多个可能父节点的子节点，是因为此子节点用电极少，无明显电流特征。
相似节点判定由于从物理上，一个子节点的电流来自父节点，子节点的电流和应和父节点电流有相似关系，故，一个分支的子节点与其父节点的相似度，应大于非此分支的可能父节点。
步骤（4）：经过步骤（3）的得到的数据进入拓扑解析程序，拓扑解析程序包括外部信息综合、三项综合解析、相似节点相思解析和子节点父节点相似解析，采用相似算法将所有相似度数据相加，真正父节点的相似度和将明显大于其他可能父节点的相似度和；
相似算法将相似节点中的各节点数据分成多段数据（如每小时），对存在多个可能父节点的子节点，与其每个可能的父节点计算相似度，则子节点和每个可能父节点计算出多个相似度数据，将所有相似度数据相加，则，真正父节点的相似度和将明显大于其他可能父节点的相似度和。如下述节点：
Figure RE-220037DEST_PATH_IMAGE002
A：1318498104328065024(31)(3): 1318456873707376640 13184622943587573761318465305231495168
B：1318498253007753216(33)(3): 1318457114955354112 13184624557933240321318463294037561344
C：1318498391713386496(41)(3): 1318457399329165312 13184626156466380801318466006472986624
如下计算结果：
从计算结果可以看出，1318498104328065024与1318465305231495168相似度更高，1318498253007753216与1318463294037561344相似度更高，1318498391713386496与1318466006472986624相似度更高，即ABC三项电流表现状况一致。
步骤（5）：将经过步骤（4）的数据进入拓扑档案上传。
在本发明的描述中，术语“多个”则指两个或两个以上，除非另有明确的限定，术语“上”、“下”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的限制；术语“连接”、“安装”、“固定”等均应做广义理解，例如，“连接”可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是直接相连，也可以通过中间媒介间接相连。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。
在本说明书的描述中，术语“一个实施例”、“一些实施例”、“具体实施例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或实例。而且，描述的具体特征、结构、材料或特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
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 (8)

1.一种基于电流大数据的多阈值拓扑识别方法，其特征在于,具体包括以下步骤：
步骤（1）：将传感单元数据和断路器、表计数据采集传输到数据导入程序模块，数据导入程序模块包括数据整理和数据对齐，将数据进行整理和对齐；
步骤（2）：将步骤（1）整理和对齐的数据进入数据演算程序模块，数据演算程序模块包括数据基础阈值、数据对比阈值、数据采样、数据对比和对比结论；
步骤（3）：经过步骤（2）的得到的数据结论传输进入父节点删减判定程序模块，父节点删减判定程序模块包括无关概率阈值和相似节点判定，无关概率阈值判断两个节点是否无关,采用无关概率阈值排除算法，大于无关概率阈值的节点在该节点可能父节点内排除，相似节点判定用于判定一个分支的子节点与其父节点的相似度；
步骤（4）：经过步骤（3）的得到的数据进入拓扑解析程序，拓扑解析程序包括外部信息综合、三项综合解析、相似节点相思解析和子节点父节点相似解析，采用相似算法将所有相似度数据相加，真正父节点的相似度和将明显大于其他可能父节点的相似度和；
步骤（5）：将经过步骤（4）的数据进入拓扑档案上传。
2.根据权利要求1所述的一种基于电流大数据的多阈值拓扑识别方法,其特征在于,所述步骤（1）中的数据导入程序是在在进行无关排除算法之前，需将获取的电流数据按分钟为刻度对齐，允许各节点在部分分钟点上无数据。
3.根据权利要求1所述的一种基于电流大数据的多阈值拓扑识别方法,其特征在于,所述步骤（2）中的数据基础阈值是两个节点获取对比数据的最小值，基础阈值越大，节点获取的对比数据越少，无关排除的可信度越高；基础阈值越小，节点获取的对比数据越多，对电流数据精确度要求越高。
4.根据权利要求1所述的一种基于电流大数据的多阈值拓扑识别方法,其特征在于,所述步骤（2）中的数据对比阈值是根据电流采集设备的误差及精度设置一个对比阈值，两节点数据对比时，对比差小于对比阈值时，不判定两个节点的大小，即，不认为两节点无关。
5.根据权利要求1所述的一种基于电流大数据的多阈值拓扑识别方法,其特征在于,所述步骤（3）中的无关概率阈值在两个节点电流数据进行对比时，A节点大于B节点的次数和B节点大于A节点的次数中，小值与大值的比值为无关概率，如此比值大于无关概率阈值，则认为A节点和B节点无关。
6.根据权利要求1所述的一种基于电流大数据的多阈值拓扑识别方法,其特征在于,所述步骤（3）中的无关概率阈值排除算法在无关概率阈值排除算法执行之前，每个节点可以认为其他所有节点皆是其可能父节点，在无关排除算法执行之后，一个节点可能出现0个、1个或多个可能父节点，若父节点为0，则本节点为最高父节点，若父节点唯一，则其获得明确父节点，若父节点为多个，则需进一步排除；若一个节点用电量极小，则可能出现较多无法排除的可能父节点；同一个时间段内，取参与拓扑识别的所有节点的数据，数据按分钟对齐，减去基础阈值，即为用于对比的采样数据，采样数据计数n；按相A、B、C对各节点进行对比，即节点1与节点2、节点3、节点4……对比，节点2与节点3、节点4……对比，直到最后一个节点结束，大于无关概率阈值的节点在该节点可能父节点内排除。
7.根据权利要求1所述的一种基于电流大数据的多阈值拓扑识别方法,其特征在于,所述步骤（3）中的相似节点判定为一个分支的子节点与其父节点的相似度，应大于非此分支的可能父节点。
8.根据权利要求7所述的一种基于电流大数据的多阈值拓扑识别方法,其特征在于,所述步骤（4）中的相似算法将相似节点中的各节点数据分成多段数据，对存在多个可能父节点的子节点，与其每个可能的父节点计算相似度，则子节点和每个可能父节点计算出多个相似度数据，将所有相似度数据相加，则，真正父节点的相似度和将明显大于其他可能父节点的相似度和。
CN202110161259.4A 2021-02-05 2021-02-05 一种基于电流大数据的多阈值拓扑识别方法 Pending CN112906297A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110161259.4A CN112906297A (zh) 2021-02-05 2021-02-05 一种基于电流大数据的多阈值拓扑识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110161259.4A CN112906297A (zh) 2021-02-05 2021-02-05 一种基于电流大数据的多阈值拓扑识别方法

Publications (1)

Publication Number Publication Date
CN112906297A true CN112906297A (zh) 2021-06-04

Family

ID=76123987

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110161259.4A Pending CN112906297A (zh) 2021-02-05 2021-02-05 一种基于电流大数据的多阈值拓扑识别方法

Country Status (1)

Country Link
CN (1) CN112906297A (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103326904A (zh) * 2013-07-12 2013-09-25 中国人民解放军理工大学 一种基于多参数认知的快速网络拓扑推断方法
CN110932917A (zh) * 2019-12-24 2020-03-27 深圳市国电科技通信有限公司 一种基于高频同步采集和边缘计算的台区拓扑发现方法
CN110988476A (zh) * 2019-11-13 2020-04-10 南京新联电子股份有限公司 一种台区相位拓扑识别装置及识别方法
CN111446988A (zh) * 2020-03-18 2020-07-24 南京万形电气有限公司 基于hplc载波通信的低压台区变线户拓扑识别边缘计算方法
WO2020198142A1 (en) * 2019-03-25 2020-10-01 S&C Electric Company Topology detection

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103326904A (zh) * 2013-07-12 2013-09-25 中国人民解放军理工大学 一种基于多参数认知的快速网络拓扑推断方法
WO2020198142A1 (en) * 2019-03-25 2020-10-01 S&C Electric Company Topology detection
CN110988476A (zh) * 2019-11-13 2020-04-10 南京新联电子股份有限公司 一种台区相位拓扑识别装置及识别方法
CN110932917A (zh) * 2019-12-24 2020-03-27 深圳市国电科技通信有限公司 一种基于高频同步采集和边缘计算的台区拓扑发现方法
CN111446988A (zh) * 2020-03-18 2020-07-24 南京万形电气有限公司 基于hplc载波通信的低压台区变线户拓扑识别边缘计算方法

Similar Documents

Publication Publication Date Title
CN112731051B (zh) 混合网络的高压直流输电线路的单端故障定位方法及系统
Peppanen et al. Distribution system low-voltage circuit topology estimation using smart metering data
CN111008510B (zh) 一种台区内电表识别方法及判断电表所属台区的方法
CN103902591A (zh) 构建决策树分类器的方法及装置
CN112396007B (zh) 一种非侵入式居民负荷突变事件三阈值检测方法和系统
CN110632546B (zh) 基于全网域证据集的电子式互感器可信度评估方法和装置
CN113011481A (zh) 一种基于决策树算法的电能表功能异常评估方法及系统
CN109327242B (zh) 电能表所属台区的识别方法及装置
CN114878967A (zh) 一种高压电缆线路故障定位方法、系统及可读存储介质
CN116910602B (zh) 一种基于关联性分析的线损分析方法及系统
CN112906297A (zh) 一种基于电流大数据的多阈值拓扑识别方法
CN111813824B (zh) 一种10kV线路出线停电事件漏报自动检验方法及系统
CN112422650B (zh) 楼宇定位方法、装置、设备及计算机可读存储介质
CN105823964B (zh) 面向智能变电站的输电线路综合故障定位方法
CN112924743B (zh) 一种基于电流数据的仪器状态检测方法
CN106646106A (zh) 基于变点探测技术的电网故障检测方法
CN112285467B (zh) 一种低压台区供电拓扑自动识别的方法
Mandava et al. A Spanning Tree Approach in Placing Multi-channel and Minimum Channel PMU's for Power System Observability
KR101375282B1 (ko) 계통 데이터 축약 시스템 및 그 방법
CN115456109A (zh) 电网故障元件辨识方法、系统、计算机设备及存储介质
CN111650469B (zh) 一种基于d-pmu装置的配电网故障精确定位方法
CN114004285A (zh) 一种基于改进kNN算法的非侵入式负荷辨识方法
Luo et al. Short-term voltage stability assessment based on local autopattern discovery
Ensina et al. Fault classification in transmission lines with generalization competence
CN111639141A (zh) 数据测试方法、装置及计算机终端

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20210604