CN113869457A - 基于聚类分析的台区相位识别方法及装置 - Google Patents
基于聚类分析的台区相位识别方法及装置 Download PDFInfo
- Publication number
- CN113869457A CN113869457A CN202111212178.9A CN202111212178A CN113869457A CN 113869457 A CN113869457 A CN 113869457A CN 202111212178 A CN202111212178 A CN 202111212178A CN 113869457 A CN113869457 A CN 113869457A
- Authority
- CN
- China
- Prior art keywords
- phase
- time sequence
- sequence data
- data
- clustering
- 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
Images
Classifications
-
- 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
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
Abstract
本发明公开一种基于聚类分析的台区相位识别方法及装置,该方法步骤包括:S01.获取待识别台区中各用户电表的两种以上的运行时序数据;S02.分别将各用户电表的各运行时序数据进行综合处理,得到综合时序数据集;S03.使用谱聚类对综合时序数据集进行聚类分析,划分出3个簇以分别对应台区相位的ABC三个相序;S04.根据聚类分析结果得到待识别台区的相位识别结果。本发明能够实现批量数据的相位识别,且具有实现方法简单、成本低、识别精度及效率高、单次可识别范围广且安全可靠等优点。
Description
技术领域
本发明涉及台区相位识别技术领域,尤其涉及一种基于聚类分析的台区相位识别方法及装置。
背景技术
在低压配电网中,三相不平衡是低压(LV)配电网络中的普遍存在的问题,其主要产生原因是低压侧的负载不平衡。三相负荷不平衡不仅会降低线路和配电变压器的供电效率,严重时可能导致相导线、开关、配电变压器等器件的损坏,导致电网出现故障,产生安全隐患。如当低压三相负荷不平衡问题出现时,可能出现单个线路无电流或多股电流并存的情况,这会提升线路的电流承载压力,而过度的损耗也会不断增加,当线路无法继续承受过多的电流,损耗超负荷时,线路也会迅速破损,产生线路安全问题。另外,由于配电网内会有许多的电器接入,如果电流过大,电器内部携带的变电装置就会失去作用,无法对电流进行有效控制。而超负荷的线路被毁坏,即会导致电器的温度迅速上升,进而变压器也会迅速跳闸。
尽管在配置每个用户时尽量平衡三相的负载,但每个相上的负载由于启动时间是不同步的,所以无法完全实现负载平衡。由于每个相位的用户连接频繁变化,非对称线路配置以及单相分布式发电机组的存在等使三相不平衡问题进一步复杂化。为了维持三相配电网络平衡,首要的任务即是需要明确所有用电客户所在的准确相线,因此当前对于相位识别提出了更高的技术需求。
目前的相位(台区)识别通常是采用相位/台区识别仪以识别存在台区间的信号串扰,但是该类方式一次性只能识别一个用户,不仅识别速度慢,且存在需要安装额外终端设备,价格昂贵且不易携带等问题,已难以满足当前复杂拓扑台区的相位识别需求。因此亟需一种适用于批量处理的台区相位识别方式,以使得能够快速、数据驱动、识别范围大、安全性高同时又能降低硬件和人力成本。
发明内容
本发明要解决的技术问题就在于:针对现有技术存在的技术问题,本发明提供一种实现方法简单、成本低、识别精度及效率高、单次可识别范围广且安全可靠的基于聚类分析的台区相位识别方法及装置。
为解决上述技术问题,本发明提出的技术方案为:
一种基于聚类分析的台区相位识别方法,步骤包括:
S01.获取待识别台区中各用户电表的运行参数时序数据以及信噪比时序数据;
S02.分别将各用户电表的所述运行参数时序数据、信噪比时序数据进行综合处理,得到综合时序数据集;
S03.使用谱聚类对所述综合时序数据集进行聚类分析,划分出3个簇以分别对应台区相位的ABC三个相序;
S04.根据所述聚类分析结果得到待识别台区的相位识别结果输出。
进一步的,所述运行参数时序数据包括电压时序数据和/或电流时序数据。
进一步的,所述步骤S01后、S02前还包括对对获取的所述运行参数时序数据先进行低通滤波处理以滤除受高频污染的数据,再进行同态滤波处理以滤除掉受到乘性噪声污染的数据。
进一步的,所述步骤S01后、S02前还包括将所述运行参数时序数据以及信噪比时序数据进行滤除超过预设阈值的预处理以及归一化处理。
进一步的,所述步骤S02中综合处理具体为加权处理,即将每个用户电表的所述信噪比时序数据作为权重系数对所述运行时序数据加权,形成综合时序数据。
进一步的,所述步骤S03包括:
根据所述综合时序数据集形成多个样本并计算谱聚类所需的参数;
使用计算所述谱聚类所需的参数对各个所述样本进行k均值聚类,将所述综合时序数据集分成3个簇,得到聚类结果。
进一步的,所述谱聚类所需的参数包括:邻接矩阵W、度矩阵D、非标准化的拉普拉斯矩阵L、所述拉普拉斯矩阵矩阵L的k个最小特征值对应的n维特征向量、k个所述n维特征向量组成n×k维的矩阵M。
进一步的,获所述步骤S04中,获取输出馈线相位测试结果,综合所述输出馈线相位测试结果与所述根据所述聚类分析结果得到最终的识别结果。
一种基于聚类分析的台区相位识别装置,包括:
获取模块,用于获取待识别台区中各用户电表的运行参数时序数据以及信噪比时序数据;
综合处理模块,用于分别将各用户电表的所述运行参数时序数据、信噪比时序数据进行综合处理,得到综合时序数据集;
聚类分析模块,用于使用谱聚类对所述综合时序数据集进行聚类分析,划分出3个簇以分别对应台区相位的ABC三个相序;
识别结果输出模块,用于根据所述聚类分析结果得到待识别台区的相位识别结果输出。
一种计算机装置,包括处理器以及存储器,所述存储器用于存储计算机程序,所述处理器用于执行所述计算机程序,其特征在于,所述处理器用于执行所述计算机程序以执行如上述方法。
与现有技术相比,本发明的优点在于:
1、本发明利用谱聚类对台区智能电表运行数据进行聚类分析,进一步同时将噪声测量数据融合至电压测量数据中,以间接提高电压测量数据的信噪比,然后对处理后的数据再应用谱聚类算法完成相位识别,使得能够充分考虑噪声影响,利用含有噪声维度的测量数据更为精准的表征台区的相位特性,从而有效提高识别精度和普适性。
2、本发明通过使用信噪比时序数据作为权重系数对电压运行数据进行加权,使得经过加权后增大了信噪比高的数据的比重、减少了信噪比低的数据比重,信噪比高的数据对应的可靠性更高,间接的实现了数据滤波,因而最终能够有效提高相位识别的精度,同时又能够降低数据处理的复杂度以及处理效率。
3、本发明能够准确识别用户的相位,及时校正和识别配电网内用户的台区信息,从而能够便于准确计算配电网的线损情况等,实时有效监控配电网中电气元件的工作情况,不仅能够有效提高精细化管理电力系统的能力,还能够减少资源浪费、保护环境。
附图说明
图1是本实施例基于聚类分析的台区相位识别方法的实现流程示意图。
图2是本实施例中采集电压时序数据及处理的流程示意图。
图3是本实施例中采集信噪比时序数据及处理的流程示意图。
图4是本实施例中基于谱聚类实现台区相位识别的详细流程示意图。
具体实施方式
以下结合说明书附图和具体优选的实施例对本发明作进一步描述,但并不因此而限制本发明的保护范围。
如图1所示,本实施例基于聚类分析的台区相位识别方法的步骤包括:
S01.获取待识别台区中各用户电表的运行参数时序数据以及信噪比时序数据;
S02.分别将各用户电表的运行参数时序数据、信噪比时序数据进行综合处理,得到综合时序数据集;
S03.使用谱聚类对综合时序数据集进行聚类分析,划分出3个簇以分别对应台区相位的ABC三个相序;
S04.根据聚类分析结果得到待识别台区的相位识别结果输出。
台区拓扑结构复杂,会存在海量的智能电表运行数据,运行数据为时序数据,即为与时间序列,且数据中还可能会存在大量的噪点数据、非有效数据等等,若直接对海量的电表运行数据进行常规的聚类分析,聚类实现复杂,需要耗费大量的时间,实时性不高。本实施例充分考虑台区相位识别的上述特性,采用谱聚类台区相位的聚类分析。谱聚类是从图论中演化出来的算法,它的主要思想是把所有的数据看做空间中的点,这些点之间可以用边连接起来。距离较远的两个点之间的边权重值较低,而距离较近的两个点之间的边权重值较高,通过对所有数据点组成的图进行切图,让切图后不同的子图间边权重和尽可能的低,而子图内的边权重和尽可能的高,从而达到聚类的目的。谱聚类只需要数据之间的相似度矩阵,非常适合于处理稀疏数据的聚类,且由于使用了降维,对于处理高维数据聚类时可以大大降低复杂度,本实施例充分利用谱聚类的上述特性来实现台区相位识别,以使得能够单次实现批量的识别,大大提高识别效果。
但是在实际电网应用环境下,经过电力线传输到用户电表端的电压数据并不是理想数据,电压数据中包含了相位信息,相应的也会包含各种线路噪声和测量误差,而该类噪声信号又难以直接去除,因而对经过噪声叠加后的运行数据直接进行谱聚类分析,会易于产生聚类误差而导致识别错误,尤其是台区中相位特定即为ABC三相,大量的噪声干扰极易于导致识别误差的问题。本实施例在利用谱聚类对台区智能电表运行数据进行聚类分析的基础上,进一步考虑到噪声的维度,将电压测量数据和噪声测量数据(信噪比)进行综合处理,即将噪声测量数据融合至电压测量数据中,以间接提高电压测量数据的信噪比,然后对处理后的数据再应用谱聚类算法完成相位识别,使得能够充分考虑噪声影响,利用含有噪声维度的测量数据更为精准的表征台区的相位特性,从而有效提高识别精度和普适性。
本实施例中运行参数时序数据包括电压时序数据以及电流时序数据等,实际可以采用台区运行数据各种能够表征相位特性的各类参数,具体可以根据实际需求选择。
本实施例中,步骤S01后、S02前还包括对对获取的所述运行参数时序数据先进行低通滤波处理以滤除受高频污染的数据,再进行同态滤波处理以滤除掉受到乘性噪声污染的数据。在电能表运行数据中不仅可能会存在受高频污染的数据,还可能存在受乘性噪声污染的污染,而乘性噪声和高频数据难以同时直接进行滤除,本实施例步骤S01后、S02前在获取到电能表运行数据后,通过将运行参数时序数据先经过低通滤波器进行低通滤波处理,以滤除受到高频有色噪声污染的数据,然后再进一步将低通滤波处理后的电压序列数据再经过同态滤波处理,滤除掉受到乘性噪声污染的数据。考虑到传输线路的常见干扰信号频率,上述低通滤波器具体可以选取截至频率为11KHz,以及考虑到传输线路的常见乘性噪声特点,上述同态滤波可选择巴特沃斯滤波器。
本实施例考虑到噪声的影响,同时结合输电线路的特点,通过结合先低通滤波再同态滤波的两级数字滤波方式进行噪声过滤,可以有效滤除电能表运行数据中受噪声污染而会影响识别精度的数据,能够进一步弥补直接对电压数据进行谱聚类算法进行相位识别时所存在的缺陷,从而进一步提高了给予谱聚类实现相位识别的准确率和普适性。
本实施例中步骤S01后、S02前还包括对获取的运行参数时序数据进行预处理,以滤除超过预设阈值的数据。如具体可设置滤除电压超过预设阈值(具体可根据实际需求配置,如如300v)的数据,以滤除明显超过正常范围的错误测量数据。
本实施例中步骤S01后、S02前还包括将运行参数时序数据以及信噪比时序数据进行归一化处理,得到归一化后的运行参数时序数据以及信噪比时序数据,以便于后续在统一维度对运行参数时序数据以及信噪比时序数据进行处理。
如图2所示,本实施例将采集的用户电表的电压序列数据进行预处理,剔除掉明显错误的数据(如电压值超过300v的数据),然后将预处理后的数据进行归一化处理;如图3所示,本实施例将采集的用户电表的信噪比序列数据进行预处理,剔除掉明显错误的数据,然后将预处理后的数据进行归一化处理。
本实施例步骤S02中综合处理具体为加权处理,即将每个用户电表的信噪比时序数据作为权重系数对运行时序数据加权,形成综合时序数据。通过使用信噪比时序数据作为权重系数进行加权,电压运行数据对应的信噪比高,则所对应的信噪比时序数据更高,相应的权重系数更高,相反,电压运行数据对应的信噪比低,则所对应的信噪比时序数据更低,相应的权重系数更低,则经过加权后,可以增大信噪比高的数据、减少信噪比低的数据,也即增大了信噪比高的数据的比重,信噪比高的数据对应的可靠性更高,间接实现了数据滤波处理,因而最终能够有效提高相位识别的精度,同时相比于传统的滤波处理方式,能够大大降低数据处理的复杂度以及处理效率。
本实施例步骤S02具体先将电压测量数据和信噪比数据进行加权处理,然后再对处理后的数据再应用谱聚类算法,完成相位识别。当然也可以考虑根据实际需求采用其他的综合数据处理方式,关键在于在电压测量数据中形成包含噪声维度的数据,以提高后续相位识别的精度。
本实施例中,步骤S03具体步骤包括:
根据综合时序数据集形成多个样本并计算谱聚类所需的参数;
使用计算谱聚类所需的参数对各个样本进行k均值聚类,将综合时序数据集分成3个簇,得到聚类结果。
本实施例中,谱聚类所需的参数包括:邻接矩阵W、度矩阵D、非标准化的拉普拉斯矩阵L、拉普拉斯矩阵L的k个最小特征值对应的n维特征向量、k个n维特征向量组成n×k维的矩阵M。
本实施例中,步骤S04中具体通过获取输出馈线相位测试结果,综合输出馈线相位测试结果与根据聚类分析结果得到最终的识别结果。如可以当依据输出馈线得到的相位测试结果与根据上述聚类分析结果得到最终的识别结果相同时,确认上述识别结果有效,输出最终的识别结果,如果输出馈线得到的相位测试结果与根据上述聚类分析结果不同时,则需要进行进一步验证,以确保最终识别结果的精度。
在具体应用实施例中,步骤S03、步骤S04具体包括:将步骤S02处理后的用户电表电压序列数据和信噪比序列数据进行加权,然后将加权处理后的电压序列数据和作为谱聚类算法的输入数据,根据谱聚类算法的要求对输入数据进行预处理,包括计算邻接矩阵W和度矩阵D、计算非标准化的拉普拉斯矩阵L、计算矩阵L的k个最小特征值对应的n维特征向量、k个n维特征向量组成n×k维的矩阵M、行标准化矩阵M、每一行表示一个样本;然后对该n个样本进行k均值聚类算法,得到聚类结果,应用归一化的谱聚类将数据集分成3个簇(对应A、B、C个相位),最后结合输出馈线相位测量结果,输出根据电压采集数据的相位识别结果。而台区相位对应即为ABC三个相序,各相序之间有特定的角度关系,
以下以在具体应用实施例中基于聚类分析实现台区相位识别为例,对本发明上述方法进行进一步说明。如图4所示,本实施例基于聚类分析实现台区相位识别的详细步骤为:
步骤S1、数据采集及预处理
步骤S101、将采集的用户电表的电压序列数据进行预处理,剔除掉明显错误的数据(如电压值超过300v的数据),然后将预处理后的数据进行归一化处理。
步骤S102、将采集的用户电表的信噪比序列数据进行预处理,剔除掉明显错误的数据,然后将预处理后的数据进行归一化处理。
步骤S2、将步骤S1处理好的用户电表电压序列数据和信噪比序列数据进行加权处理;
步骤S3、将经过加权处理后的电压序列数据和作为谱聚类算法的输入数据,根据谱聚类算法的要求,对输入数据进行预处理,包括计算邻接矩阵W和度矩阵D、计算非标准化的拉普拉斯矩阵L、计算矩阵L的k个最小特征值对应的n维特征向量、k个n维特征向量组成n×k维的矩阵M、行标准化矩阵M、每一行表示一个样本。然后对对该n个样本进行k均值聚类算法,得到聚类结果,应用归一化的谱聚类将数据集分成3个簇(对应A、B、C个相位);
步骤S4、根据步骤S3得到的聚类结果,结合输出馈线相位测量结果,输出根据电压采集数据的相位识别结果。
本发明上述相位识别方法能够准确识别用户的相位,及时校正和识别配电网内用户的台区信息,从而能够便于准确计算配电网的线损情况等,实时有效监控配电网中电气元件的工作情况,不仅能够有效提高精细化管理电力系统的能力,还能够减少资源浪费、保护环境。
本实施例基于聚类分析的台区相位识别装置,包括:
获取模块,用于获取待识别台区中各用户电表的运行参数时序数据以及信噪比时序数据;
综合处理模块,用于分别将各用户电表的运行参数时序数据、信噪比时序数据进行综合处理,得到综合时序数据集;
聚类分析模块,用于使用谱聚类对综合时序数据集进行聚类分析,划分出3个簇以分别对应台区相位的ABC三个相序;
识别结果输出模块,用于根据聚类分析结果得到待识别台区的相位识别结果输出。
本实施例中,获取模块、综合处理模块之间还设置有预处理模块,预处理模块包括滤波单元,用于对获取的所述运行参数时序数据进行预处理,以滤除超过预设阈值的数据。
所述预处理模块还包括归一化单元,用于将运行参数时序数据以及信噪比时序数据进行归一化处理。
本实施例中,综合处理模块中综合处理具体为加权处理,即将每个用户电表的所述信噪比时序数据作为权重系数对所述运行时序数据加权,形成综合时序数据。
本实施例中,聚类分析模块包括:
根据综合时序数据集形成多个样本并计算谱聚类所需的参数,包括邻接矩阵W、度矩阵D、非标准化的拉普拉斯矩阵L、所述拉普拉斯矩阵矩阵L的k个最小特征值对应的n维特征向量、k个所述n维特征向量组成n×k维的矩阵M等;
使用计算谱聚类所需的参数对各个所述样本进行k均值聚类,将综合时序数据集分成3个簇,得到聚类结果。
本实施例中,识别结果输出模块具体获取输出馈线相位测试结果,综合所述输出馈线相位测试结果与所述根据所述聚类分析结果得到最终的识别结果。
本实施例与上述基于聚类分析的台区相位识别方法为一一对应,在此不再一一赘述。
本实施例还提供计算机装置,包括处理器以及存储器,存储器用于存储计算机程序,处理器用于执行计算机程序,处理器用于执行计算机程序以执行上述基于聚类分析的台区相位识别方法。
上述只是本发明的较佳实施例,并非对本发明作任何形式上的限制。虽然本发明已以较佳实施例揭露如上,然而并非用以限定本发明。因此,凡是未脱离本发明技术方案的内容,依据本发明技术实质对以上实施例所做的任何简单修改、等同变化及修饰,均应落在本发明技术方案保护的范围内。
Claims (10)
1.一种基于聚类分析的台区相位识别方法,其特征在于,步骤包括:
S01.获取待识别台区中各用户电表的运行参数时序数据以及信噪比时序数据;
S02.分别将各用户电表的所述运行参数时序数据、信噪比时序数据进行综合处理,得到综合时序数据集;
S03.使用谱聚类对所述综合时序数据集进行聚类分析,划分出3个簇以分别对应台区相位的ABC三个相序;
S04.根据所述聚类分析结果得到待识别台区的相位识别结果输出。
2.根据权利要求1所述的基于聚类分析的台区相位识别方法,其特征在于,所述运行参数时序数据包括电压时序数据和/或电流时序数据。
3.根据权利要求1所述的基于聚类分析的台区相位识别方法,其特征在于,所述步骤S01后、S02前还包括对对获取的所述运行参数时序数据先进行低通滤波处理以滤除受高频污染的数据,再进行同态滤波处理以滤除掉受到乘性噪声污染的数据。
4.根据权利要求1所述的基于聚类分析的台区相位识别方法,其特征在于,所述步骤S01后、S02前还包括将所述运行参数时序数据以及信噪比时序数据进行滤除超过预设阈值的预处理以及归一化处理。
5.根据权利要求1所述的基于聚类分析的台区相位识别方法,其特征在于,所述步骤S02中综合处理具体为加权处理,即将每个用户电表的所述信噪比时序数据作为权重系数对所述运行时序数据加权,形成综合时序数据。
6.根据权利要求1~5中任意一项所述的基于聚类分析的台区相位识别方法,其特征在于,所述步骤S03包括:
根据所述综合时序数据集形成多个样本并计算谱聚类所需的参数;
使用计算所述谱聚类所需的参数对各个所述样本进行k均值聚类,将所述综合时序数据集分成3个簇,得到聚类结果。
7.根据权利要求6所述的基于聚类分析的台区相位识别方法,其特征在于,所述谱聚类所需的参数包括:邻接矩阵W、度矩阵D、非标准化的拉普拉斯矩阵L、所述拉普拉斯矩阵矩阵L的k个最小特征值对应的n维特征向量、k个所述n维特征向量组成n×k维的矩阵M。
8.根据权利要求1~6中任意一项所述基于聚类分析的台区相位识别方法,其特征在于,所述步骤S04中,获取输出馈线相位测试结果,综合所述输出馈线相位测试结果与所述根据所述聚类分析结果得到最终的识别结果。
9.一种基于聚类分析的台区相位识别装置,其特征在于,包括:
获取模块,用于获取待识别台区中各用户电表的运行参数时序数据以及信噪比时序数据;
综合处理模块,用于分别将各用户电表的所述运行参数时序数据、信噪比时序数据进行综合处理,得到综合时序数据集;
聚类分析模块,用于使用谱聚类对所述综合时序数据集进行聚类分析,划分出3个簇以分别对应台区相位的ABC三个相序;
识别结果输出模块,用于根据所述聚类分析结果得到待识别台区的相位识别结果输出。
10.一种计算机装置,包括处理器以及存储器,所述存储器用于存储计算机程序,所述处理器用于执行所述计算机程序,其特征在于,所述处理器用于执行所述计算机程序以执行如权利要求1~8中任意一项所述方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111212178.9A CN113869457A (zh) | 2021-10-18 | 2021-10-18 | 基于聚类分析的台区相位识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111212178.9A CN113869457A (zh) | 2021-10-18 | 2021-10-18 | 基于聚类分析的台区相位识别方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113869457A true CN113869457A (zh) | 2021-12-31 |
Family
ID=79000202
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111212178.9A Pending CN113869457A (zh) | 2021-10-18 | 2021-10-18 | 基于聚类分析的台区相位识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113869457A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114624515A (zh) * | 2022-04-22 | 2022-06-14 | 南方电网科学研究院有限责任公司 | 一种配电网台区用户相位识别方法、装置、终端及介质 |
CN115081933A (zh) * | 2022-07-20 | 2022-09-20 | 广东电网有限责任公司佛山供电局 | 一种基于改进谱聚类的低压用户拓扑构建方法和系统 |
-
2021
- 2021-10-18 CN CN202111212178.9A patent/CN113869457A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114624515A (zh) * | 2022-04-22 | 2022-06-14 | 南方电网科学研究院有限责任公司 | 一种配电网台区用户相位识别方法、装置、终端及介质 |
CN115081933A (zh) * | 2022-07-20 | 2022-09-20 | 广东电网有限责任公司佛山供电局 | 一种基于改进谱聚类的低压用户拓扑构建方法和系统 |
CN115081933B (zh) * | 2022-07-20 | 2023-01-10 | 广东电网有限责任公司佛山供电局 | 一种基于改进谱聚类的低压用户拓扑构建方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Baloch et al. | An intelligent data mining-based fault detection and classification strategy for microgrid | |
Casagrande et al. | A differential sequence component protection scheme for microgrids with inverter-based distributed generators | |
CN113869457A (zh) | 基于聚类分析的台区相位识别方法及装置 | |
Lidula et al. | A pattern recognition approach for detecting power islands using transient signals—Part I: Design and implementation | |
US8880658B2 (en) | Method and system for publishing data from intelligent electronic devices | |
Gupta et al. | Algorithm for islanding detection in photovoltaic generator network connected to low‐voltage grid | |
CN105143892A (zh) | 电能测量装置和使用该装置的电能测量信息标记系统 | |
CN111257684A (zh) | 一种电弧故障检测的方法及系统 | |
CN110108964B (zh) | 基于物联网的电力系统监控对象故障录波数据处理方法 | |
Jamali et al. | Identification of faulted line section in microgrids using data mining method based on feature discretisation | |
Bhuiyan et al. | A deep learning through DBN enabled transmission line fault transient classification framework for multimachine microgrid systems | |
CN115204319A (zh) | 一种低压配电网拓扑参数识别方法及系统 | |
CN117725388A (zh) | 针对接地故障信息的调节系统与方法 | |
CN117951345A (zh) | 基于电气拓扑特征分析的变电站联闭锁逻辑自动生成方法 | |
CN109886539A (zh) | 基于不确定多属性的智能配电网自愈性评价方法和系统 | |
CN113779328A (zh) | 供电监测数据整合处理方法、系统、终端及存储介质 | |
CN113595037A (zh) | 一种变配电所综合保护方法和系统 | |
CN109557398B (zh) | 一种配电网故障诊断方法和装置 | |
US11404870B2 (en) | Method for planning an electrical power transmission network, planning arrangement and computer program product | |
Semwal et al. | Group control and identification of residential appliances using a nonintrusive method | |
CN116341950A (zh) | 一种基于综合介数的电力系统脆弱线路评估方法及装置 | |
CN114142605B (zh) | 纵联保护方法、装置和存储介质 | |
Kesava Rao et al. | Advanced relaying for dg-penetrated distribution system | |
Quizhpi-Palomeque et al. | Implementation of an iec61850 virtual relay network in a protection laboratory | |
CN208847462U (zh) | 一种断路器机械特性试验仪及其辅助接线装置 |
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 |