CN113268858A - 一种联合非负矩阵分解的低压配电网设备数据建模方法 - Google Patents
一种联合非负矩阵分解的低压配电网设备数据建模方法 Download PDFInfo
- Publication number
- CN113268858A CN113268858A CN202110445663.4A CN202110445663A CN113268858A CN 113268858 A CN113268858 A CN 113268858A CN 202110445663 A CN202110445663 A CN 202110445663A CN 113268858 A CN113268858 A CN 113268858A
- Authority
- CN
- China
- Prior art keywords
- distribution network
- network equipment
- low
- data
- information
- 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
- 238000009826 distribution Methods 0.000 title claims abstract description 81
- 238000000034 method Methods 0.000 title claims abstract description 60
- 239000011159 matrix material Substances 0.000 title claims abstract description 59
- 239000013598 vector Substances 0.000 claims abstract description 68
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 9
- 238000012512 characterization method Methods 0.000 claims abstract description 4
- 238000001914 filtration Methods 0.000 claims description 4
- 238000003860 storage Methods 0.000 claims description 3
- 239000000203 mixture Substances 0.000 claims 7
- 239000002994 raw material Substances 0.000 claims 7
- 238000004364 calculation method Methods 0.000 abstract description 4
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 230000010365 information processing Effects 0.000 abstract description 2
- 238000012360 testing method Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Human Resources & Organizations (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Public Health (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种联合非负矩阵分解的低压配电网设备数据建模方法,包括,将配电变压器、低压分接箱、用户表箱一次设备的类型、运行环境、资产标识、电气特性数据信息以矩阵的形式进行存储和标准化;采用联合非负矩阵分解方法将所有数据集投影到同一空间内,以所述空间内同一基向量中的系数较大的向量为异质向量;对所述异质向量组成模态空间表征设备的关键信息;基于异质向量信息完成配网设备信息的快速识别和低压配电网设备数据信息的建模。本发明采用非负矩阵分解方法实现低压配电网设备数据信息的降维,滤除掉与设备无关的信息,有助于信息处理资源的节约及计算效率的提升。
Description
技术领域
本发明涉及数据信息建模的技术领域,尤其涉及一种联合非负矩阵分解的低压配电网设备数据建模方法。
背景技术
随着国民经济发展需求提升以及配网技术的进步,我国低压配电网规模呈现不断扩大趋势,而低压配电网供电设备的安全稳定是电网安全可靠运行的基础。低压配电网供电设备一旦发生故障,轻则影响人民正常生产、生活;重则造成安全事故,造成重大经济损失和不良社会影响。因此,实时监测低压配电网供电设备的运行状态,实现供电设备潜在性故障的早期预警,及时维护、更换损伤设备,对于提升电网的可靠运行具有重要意义。然而,低压配电网设备众多,包括配电变压器、低压分接箱、用户表箱等一次设备,且各设备又包含多种信息如类型、运行环境、资产标识、电气特性等,如何将上述海量的信息进行数据建模是实现设备准确定位和识别的关键,也是实施设备状态在线监测的核心。
发明内容
本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊,而这种简化或省略不能用于限制本发明的范围。
鉴于上述现有存在的问题,提出了本发明。
因此,本发明提供了一种联合非负矩阵分解的低压配电网设备数据建模方法,能够解决现有技术无法将上述海量的信息进行数据建模以实现设备准确定位和识别的问题。
为解决上述技术问题,本发明提供如下技术方案:包括,将配电变压器、低压分接箱、用户表箱一次设备的类型、运行环境、资产标识、电气特性数据信息以矩阵的形式进行存储和标准化;采用联合非负矩阵分解方法将所有数据集投影到同一空间内,以所述空间内同一基向量中的系数较大的向量为异质向量;对所述异质向量组成模态空间表征设备的关键信息;基于异质向量信息完成配网设备信息的快速识别和低压配电网设备数据信息的建模。
作为本发明所述的联合非负矩阵分解的低压配电网设备数据建模方法的一种优选方案,其中:包括,将所述配电变压器、所述低压分接箱、所述用户表箱一次设备的类型、所述资产标识信息进行编码;与设备的所述运行环境、所述电气特性参数信息进行合并,转化为矩阵的形式进行保存;将所有的数据信息进行标准化和归一化,完成数据的预处理。
作为本发明所述的联合非负矩阵分解的低压配电网设备数据建模方法的一种优选方案,其中:包括,采用所述非负矩阵分解方法完成低压配电网设备数据信息的降维,滤除掉与设备无关的信息。
作为本发明所述的联合非负矩阵分解的低压配电网设备数据建模方法的一种优选方案,其中:包括,配网设备数据信息X为非负矩阵,根据下式进行矩阵分解:
s.t.W≥0,H≥0
其中,||·||F表示Frobenius范数,W∈Rm×r中列向量为基向量,H∈Rr×n中行向量为X中各个变量在W中基向量上的表出系数,r是基向量的个数,在大部分的情况下r<min(m,n)。
作为本发明所述的联合非负矩阵分解的低压配电网设备数据建模方法的一种优选方案,其中:包括,对于列向量x.j,在基向量下用一个非负的线性组合进行逼近,如下,
其中,r个基向量w.i(i=1,2,…,r)可以看成是数据集X的骨架,而r维系数向量h.j则描述了变量x.j在骨架上的权重。
作为本发明所述的联合非负矩阵分解的低压配电网设备数据建模方法的一种优选方案,其中:包括,基于所述配网设备数据信息X和所述列向量x.j完成配网设备数据信息的降维,滤除与设备无关的信息。
作为本发明所述的联合非负矩阵分解的低压配电网设备数据建模方法的一种优选方案,其中:包括,所述配网设备数据信息经过联合非负矩阵分解后被投影到同一个低维空间内,使其共享同一组基向量,如下,
s.t.W≥0,Hi≥0,i=1,2,3
其中,Xi代表配网各个设备的数据集,W∈Rm×r中r个列向量构成n个数据集共享的同一空间的基,Hi代表数据变量在基下的表出系数。
作为本发明所述的联合非负矩阵分解的低压配电网设备数据建模方法的一种优选方案,其中:包括,矩阵Hi中的系数向量分别用于从各个数据集中选择变量从而构建模态空间,用下式计算所述矩阵Hi中行向量元素的z-score,
其中,μi是矩阵Hi第i行的均值,σi为第i行的标准差,对于Hi,zij>T表示数据集X中第j个变量是模态空间的一个成员变量,T>0是一个预先给定的阈值。
本发明的有益效果:本发明将配网变压器、低压分接箱、用户表箱等一次设备的类型、资产标识等信息进行了编码,建立了设备的数据库信息,同时与设备的运行环境信息及电气特性信息相结合,完成了设备有关信息的融合;采用非负矩阵分解方法实现低压配电网设备数据信息的降维,滤除掉与设备无关的信息,有助于信息处理资源的节约及计算效率的提升;采用联合非负矩阵分解方法将配网设备的所有数据信息投影到同一空间内,基于系数向量的比对可提取投影空间内的异质向量,异质向量代表配网设备最关键的向量,实际中基于异质向量的识别便可提取设备详细的信息。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其它的附图。其中:
图1为本发明第一个实施例所述的联合非负矩阵分解的低压配电网设备数据建模方法的流程示意图;
图2为本发明第一个实施例所述的联合非负矩阵分解的低压配电网设备数据建模方法的对比曲线示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合说明书附图对本发明的具体实施方式做详细的说明,显然所描述的实施例是本发明的一部分实施例,而不是全部实施例。基于本发明中的实施例,本领域普通人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明的保护的范围。
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其它方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似推广,因此本发明不受下面公开的具体实施例的限制。
其次,此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例,也不是单独的或选择性的与其他实施例互相排斥的实施例。
本发明结合示意图进行详细描述,在详述本发明实施例时,为便于说明,表示器件结构的剖面图会不依一般比例作局部放大,而且所述示意图只是示例,其在此不应限制本发明保护的范围。此外,在实际制作中应包含长度、宽度及深度的三维空间尺寸。
同时在本发明的描述中,需要说明的是,术语中的“上、下、内和外”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的限制。此外,术语“第一、第二或第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
本发明中除非另有明确的规定和限定,术语“安装、相连、连接”应做广义理解,例如:可以是固定连接、可拆卸连接或一体式连接;同样可以是机械连接、电连接或直接连接,也可以通过中间媒介间接相连,也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,可以具体情况理解上述术语在本发明中的具体含义。
实施例1
参照图1,为本发明的第一个实施例,提供了一种联合非负矩阵分解的低压配电网设备数据建模方法,包括:
S1:将配电变压器、低压分接箱、用户表箱一次设备的类型、运行环境、资产标识、电气特性数据信息以矩阵的形式进行存储和标准化。
S2:采用联合非负矩阵分解方法将所有数据集投影到同一空间内,以空间内同一基向量中的系数较大的向量为异质向量。
S3:对异质向量组成模态空间表征设备的关键信息。
S4:基于异质向量信息完成配网设备信息的快速识别和低压配电网设备数据信息的建模。
具体的,其中需要说明的是,将配电变压器、低压分接箱、用户表箱一次设备的类型、资产标识信息进行编码;与设备的运行环境、电气特性参数信息进行合并,转化为矩阵的形式进行保存;将所有的数据信息进行标准化和归一化,完成数据的预处理。
进一步的,采用非负矩阵分解方法完成低压配电网设备数据信息的降维,滤除掉与设备无关的信息,配网设备数据信息X为非负矩阵,根据下式进行矩阵分解:
s.t.W≥0,H≥0
其中,||·||F表示Frobenius范数,W∈Rm×r中列向量为基向量,H∈Rr×n中行向量为X中各个变量在W中基向量上的表出系数,r是基向量的个数,在大部分的情况下r<min(m,n)。
对于列向量x.j,在基向量下用一个非负的线性组合进行逼近,如下,
其中,r个基向量w.i(i=1,2,…,r)可以看成是数据集X的骨架,而r维系数向量h.j则描述了变量x.j在骨架上的权重。
基于配网设备数据信息X和列向量x.j完成配网设备数据信息的降维,滤除与设备无关的信息,配网设备数据信息经过联合非负矩阵分解后被投影到同一个低维空间内,使其共享同一组基向量,如下,
s.t.W≥0,Hi≥0,i=1,2,3
其中,Xi代表配网各个设备的数据集,W∈Rm×r中r个列向量构成n个数据集共享的同一空间的基,Hi代表数据变量在基下的表出系数。
矩阵Hi中的系数向量分别用于从各个数据集中选择变量从而构建模态空间,用下式计算矩阵Hi中行向量元素的z-score,
其中,μi是矩阵Hi第i行的均值,σi为第i行的标准差,对于Hi,zij>T表示数据集X中第j个变量是模态空间的一个成员变量,T>0是一个预先给定的阈值。
实施例2
参照图2,为本发明的第二个实施例,该实施例不同于第一个实施例的是,提供了一种联合非负矩阵分解的低压配电网设备数据建模方法的实验测试验证,具体包括:
为了更好地对本发明方法中采用的技术效果加以验证说明,本实施例选择传统的数据建模方法与本发明方法进行对比测试,以科学论证的手段对比试验结果,验证本发明方法所具有的真实效果。
传统的数据建模方法无法将海量的信息进行数据建模,且不能实现设备准确定位和识别,为验证本发明方法相对于传统方法具有较高的计算效率和资源节约性,本实施例中将采用传统的数据建模方法与本发明方法分别对仿真平台的低压配电网设备数据建模进行实时测试对比。
测试环境:(1)Scrapy网络爬虫框架、Python、Http数据包、wireshark、service程序;
(2)仿真平台获取云端数据库,找到10000组历史数据作为标准数据库测试样本集;
(3)分别将传统方法的机器学习算法和本发明方法的联合非负矩阵分解算法通过MATLB编写代码导入仿真软件进行状态模拟。
参照图2,实线为本发明方法输出的曲线,虚线为传统方法输出的曲线,根据图2的示意,能够直观的看出,实线与虚线随着时间的增加,呈现不同的走势,实线相较于虚线,在前期一直呈稳定的上升趋势,虽然后期有所下滑,但是波动不大,且一直在虚线的上方,并保持一定的距离,而虚线则呈现较大的波动趋势,不稳定,由此,实线的计算效率一直大于虚线,即验证了本发明方法所具有的真实效果。
应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的精神和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (8)
1.一种联合非负矩阵分解的低压配电网设备数据建模方法,其特征在于:包括,
将配电变压器、低压分接箱、用户表箱一次设备的类型、运行环境、资产标识、电气特性数据信息以矩阵的形式进行存储和标准化;
采用联合非负矩阵分解方法将所有数据集投影到同一空间内,以所述空间内同一基向量中的系数较大的向量为异质向量;
对所述异质向量组成模态空间表征设备的关键信息;
基于异质向量信息完成配网设备信息的快速识别和低压配电网设备数据信息的建模。
2.根据权利要求1所述的联合非负矩阵分解的低压配电网设备数据建模方法,其特征在于:包括,
将所述配电变压器、所述低压分接箱、所述用户表箱一次设备的类型、所述资产标识信息进行编码;
与设备的所述运行环境、所述电气特性参数信息进行合并,转化为矩阵的形式进行保存;
将所有的数据信息进行标准化和归一化,完成数据的预处理。
3.根据权利要求1或2所述的联合非负矩阵分解的低压配电网设备数据建模方法,其特征在于:包括,
采用所述非负矩阵分解方法完成低压配电网设备数据信息的降维,滤除掉与设备无关的信息。
6.根据权利要求5所述的联合非负矩阵分解的低压配电网设备数据建模方法,其特征在于:包括,基于所述配网设备数据信息X和所述列向量x.j完成配网设备数据信息的降维,滤除与设备无关的信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110445663.4A CN113268858A (zh) | 2021-04-25 | 2021-04-25 | 一种联合非负矩阵分解的低压配电网设备数据建模方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110445663.4A CN113268858A (zh) | 2021-04-25 | 2021-04-25 | 一种联合非负矩阵分解的低压配电网设备数据建模方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113268858A true CN113268858A (zh) | 2021-08-17 |
Family
ID=77229384
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110445663.4A Pending CN113268858A (zh) | 2021-04-25 | 2021-04-25 | 一种联合非负矩阵分解的低压配电网设备数据建模方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113268858A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107016261A (zh) * | 2017-04-11 | 2017-08-04 | 曲阜师范大学 | 基于联合约束非负矩阵分解的差异表达基因辨识方法 |
WO2018149133A1 (zh) * | 2017-02-17 | 2018-08-23 | 深圳大学 | 基于核非负矩阵分解的字典学习和稀疏特征表示的人脸识别方法及系统 |
CN109739991A (zh) * | 2018-11-22 | 2019-05-10 | 国网天津市电力公司 | 基于共享特征空间的模态异质电力数据统一语义主题建模方法 |
CN111177492A (zh) * | 2020-01-02 | 2020-05-19 | 安阳师范学院 | 一种基于多视角对称非负矩阵分解的跨模态信息检索方法 |
-
2021
- 2021-04-25 CN CN202110445663.4A patent/CN113268858A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018149133A1 (zh) * | 2017-02-17 | 2018-08-23 | 深圳大学 | 基于核非负矩阵分解的字典学习和稀疏特征表示的人脸识别方法及系统 |
CN107016261A (zh) * | 2017-04-11 | 2017-08-04 | 曲阜师范大学 | 基于联合约束非负矩阵分解的差异表达基因辨识方法 |
CN109739991A (zh) * | 2018-11-22 | 2019-05-10 | 国网天津市电力公司 | 基于共享特征空间的模态异质电力数据统一语义主题建模方法 |
CN111177492A (zh) * | 2020-01-02 | 2020-05-19 | 安阳师范学院 | 一种基于多视角对称非负矩阵分解的跨模态信息检索方法 |
Non-Patent Citations (5)
Title |
---|
LURUI FANG等: "A Statistical Approach to Guide Phase Swapping for Data-Scarce Low Voltage Networks", 《IEEE TRANSACTIONS ON POWER SYSTEMS》 * |
孙山林: "高维数据内在结构保持的非负矩阵分解方法", 《中国优秀硕士学位论文全文数据库》 * |
查鲁.C.阿加沃尔等: "《数据挖掘 原理与实践 基础篇》", 31 January 2021, pages: 149 * |
王民: "基于稀疏优化的建模与高性能算法研究及其应用", 《中国博士学位论文全文数据库信息科技辑》 * |
陈宗海等: "《系统仿真技术及其应用 第19卷》", 31 August 2018, pages: 10 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110095744A (zh) | 一种电子式互感器误差预测方法 | |
Zheng et al. | A mixed-integer SDP solution to distributionally robust unit commitment with second order moment constraints | |
CN112183641B (zh) | 融合预估-校正深度学习的暂态频率稳定评估方法及系统 | |
CN112069727A (zh) | 具备高可信度的电力系统暂态稳定智能化评估系统及方法 | |
CN111651603A (zh) | 一种基于lav参数微调的电力工单层次文本分类方法及系统 | |
He et al. | Biobjective Optimization‐Based Frequency Regulation of Power Grids with High‐Participated Renewable Energy and Energy Storage Systems | |
CN111105218A (zh) | 一种基于全息影像技术的配电网运行监视方法 | |
CN112686404B (zh) | 一种基于配电网故障抢修的协同优化方法 | |
CN114065495A (zh) | 基于逆向云组合权重及模糊贴近度的变压器状态评估方法 | |
CN113268858A (zh) | 一种联合非负矩阵分解的低压配电网设备数据建模方法 | |
CN113705973A (zh) | 一种基于神经网络学习的电网安全风险在线评估方法 | |
CN112595918A (zh) | 一种低压集抄故障的检测方法及装置 | |
CN112000708A (zh) | 一种基于调控配用数据融合的异常数据处理方法及系统 | |
CN115954868A (zh) | 一种电网安全分析方法、装置及介质 | |
CN115311509A (zh) | 基于图像化数据驱动的电力系统暂态稳定评估方法及系统 | |
CN112329432B (zh) | 一种基于改进Apriori的配电网电压越限问题关联分析方法 | |
CN114648297A (zh) | 一种考虑项目关联特性的海量电网基建项目优选方法 | |
CN113673202A (zh) | 一种基于混合监督双层匹配编码映射推荐方法 | |
CN113269351A (zh) | 一种面向电网设备故障概率预测的特征选择方法 | |
CN112332406A (zh) | 一种bpa网架数据的拆分方法 | |
CN111062502A (zh) | 用户用电行为细分方法及其故障分析方法 | |
Cacereño et al. | Design and Maintenance Optimisation of Substation Automation Systems: A Multiobjectivisation Approach Exploration | |
CN112801418B (zh) | 一种电网缺陷物资预测方法 | |
Yua et al. | Optimization of project group security cost based on game model | |
CN112464035A (zh) | 一种基于电网调控数据的数据挖掘方法 |
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 |