CN113961869A - 基于bdq-owd算法的低压配电网户变拓扑识别方法 - Google Patents

基于bdq-owd算法的低压配电网户变拓扑识别方法 Download PDF

Info

Publication number
CN113961869A
CN113961869A CN202111363689.0A CN202111363689A CN113961869A CN 113961869 A CN113961869 A CN 113961869A CN 202111363689 A CN202111363689 A CN 202111363689A CN 113961869 A CN113961869 A CN 113961869A
Authority
CN
China
Prior art keywords
user
owd
difference quotient
sequence
voltage
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
CN202111363689.0A
Other languages
English (en)
Inventor
谈竹奎
冯圣勇
张锐锋
刘斌
辛明勇
唐赛秋
胡厚鹏
肖小兵
黄青
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.)
Guizhou Power Grid Co Ltd
Original Assignee
Guizhou Power Grid 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 Guizhou Power Grid Co Ltd filed Critical Guizhou Power Grid Co Ltd
Priority to CN202111363689.0A priority Critical patent/CN113961869A/zh
Publication of CN113961869A publication Critical patent/CN113961869A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
    • G06F17/13—Differential equations
    • 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
    • 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
    • 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
    • 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)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Computational Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computing Systems (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Operations Research (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于BDQ‑OWD算法的低压配电网户变拓扑识别方法，包括获取低压配电变压器出线处总表和用户侧各户日电压曲线时序数据；计算总表与各户表日电压曲线的后向差商序列；计算各户表与总表差商序列的单向距离作为各户表与总表日电压曲线相似度；对各户表与总表日电压曲线相似度进行K＝2的K‑Means聚类；将2个聚类簇中含有元素数较多的簇即为属于该总表的户表，实现户变拓扑识别；本发明解耦了总表和各户表日电压曲线的电压水平和动态特征，聚焦电压曲线的动态特征差异，避免了不同台区电压水平相近带来的干扰，提高了低压配电网户变拓扑识别的准确性。

Description

基于BDQ-OWD算法的低压配电网户变拓扑识别方法
技术领域
本发明涉及低压配电网技术领域，尤其涉及一种基于BDQ-OWD算法的低压配电网户变拓扑识别方法。
背景技术
在电网的实际运行中，由于低压配电网(low-voltage distribution network,LVDN)的拓扑结构会因设备更新、修复和维护而发生改变，并且和中压配电网不同，低压配电网没有完善的相关记录和统一管理，通常电网公司不能及时、便捷的获得低压配电网拓扑结构的变化信息，这会给电网公司的运营带来不便，因此准确、便捷地获取低压配电网拓扑信息具有重要的现实意义。随着智能电网建设的不断推进，高级量测体系(AdvancedMeter Infrastructure,AMI)在配电网中部署越来越广泛，这为配网拓扑关系的识别、校验与修正提供了有效的数据来源。此外，大数据分析技术的迅速发展，也为基于数据的低压配电网拓扑关系智能识别打下了坚实的基础。
当前低压配电网拓扑关系识别方法主要分为3类:注入信号法、数据标签法与数据分析法。注入信号法是在网架中加装了信号设备,通过信号的注入和读取来判断拓扑关系，如中国专利CN112468320A、CN110838758B；数据标签法是在配电网各级设备加装编码通信器,建立数据标签,以实现网络中设备的自识别，如中国专利CN112086965A、CN111600748A。这两种方法识别准确率较高，但识别均需要增加辅助设备,存在成本高、运维难等问题。数据分析法则基于高级量测体系采集的电压、电流等电气量数据，挖掘用户间潜在的关联关系，进而实现拓扑关系识别，相比前2种方法，数据分析法改造量和投入产出比更小。如中国专利CN110768256B公开一种基于电压谐波图谱的台区拓扑识别方法、装置及系统，通过比较台区变压器和户表的电压谐波图谱距离来进行台区拓扑识别，但经过时-频变换的电压谐波谱只能反映电压曲线的频域特征，造成时序特征信息丢失。再如中国专利CN111835006A公开了一种基于电压曲线和最小二乘的低压台区拓扑识别方法，通过计算电压相似性和关于有功功率的最小二乘模型完成台区拓扑识别。但是最小二乘模型的是基于欧式距离计算的，欧氏距离是一种点到点的距离计算方法，耦合了电压曲线形态的差异性和电压水平的差异，因此无法单独分析这两种差异。
发明内容
本发明要解决的技术问题是：提供一种基于BDQ-OWD算法的低压配电网户变拓扑识别方法，以解决现有技术对当前低压配电网拓扑关系识别方法对低压配电网户变拓扑识别的准确性不够等技术问题。
本发明采取的技术方案是：
一种基于BDQ-OWD算法的低压配电网户变拓扑识别方法，其特征在于：包括以下步骤：
步骤S1、获取低压配电变压器出线处总表和用户侧各户日电压曲线时序数据；
步骤S2、计算总表与各户表日电压曲线的后向差商BDQ序列；
步骤S3、计算各户表与总表差商序列的单向距离OWD作为各户表与总表日电压曲线相似度；
步骤S4、对各户表与总表日电压曲线相似度进行K＝2的K-Means聚类；
步骤S5、将2个聚类簇中含有元素数多的簇即为属于该总表的户表，实现户变拓扑识别。
步骤S1获取的低压配电变压器出线处总表的日电压曲线时序数据是长度为96的一维向量VT＝{vT1,vT2,...,vTt},t＝96；用户侧各户表日电压曲线时序数据是长度为96的N维向量，VU＝{VU1,VU2,...,VUi,...,VUn},n＝N。
步骤S2计算的总表日电压曲线的后向差商(Backward Difference Quotient,BDQ)序列是FT＝{f[vT1,vT2],...,f[vT(t-1),vTt]}，各户表日电压曲线的后向差商序列是FUi＝{f[vUi1,vUi2],...,f[vUi(t-1),vUit]}。
步骤S3计算的各户表与总表差商序列的单向距离(One Way Distance,OWD)作为各分表与总表日电压曲线相似度；第i个户表差商序列与总表差商序列的单向距离
Figure BDA0003359816380000031
单向距离越小代表户表与总表日电压曲线相似度越大；
步骤S4所述对各个户表差商序列与总表差商序列的单向距离进行K＝2的K-Means聚类，聚类的迭代终止条件为簇中心点相对变化率小于0.5％。
步骤S5所述低压配电网户变拓扑识别的方法为:将步骤S4得到的2个聚类簇含有的元素数目进行比较，含有元素数多的簇即为属于该总表的户表，含有元素数少的簇即为不属于该总表的户表，从而实现低压配电网户变拓扑识别。
一阶后向差商的定义式为：
Figure BDA0003359816380000032
计算总表日电压曲线的一阶后向差商序列FT＝{f[vT1,vT2],...,f[vT(t-1),vTt]}，序列包含t-1个元素；计算每个户表日电压曲线的一阶后向差商序列FUi＝{f[vUi1,vUi2],...,f[vUi(t-1),vUit]}，每个序列包含t-1个元素，共N个序列。
第i个户表差商序列与总表差商序列的单向距离的计算方法为：单向距离的定义式为：
Figure BDA0003359816380000041
第i个户表与总表差商序列的单向距离
Figure BDA0003359816380000042
由于差商序列FT和FUi是离散值，因此改写成
Figure BDA0003359816380000043
其中
Figure BDA0003359816380000044
表示FUi上的GPS点p到FT的距离；到第i个户表差商序列与总表差商序列的单向距离
Figure BDA0003359816380000045
进而得到各个户表差商序列与总表差商序列的单向距离OWD(Ui,T),i＝1,2,...,N作为各户表与总表日电压曲线的相似度，单向距离越小代表户表与总表日电压曲线相似度越大。
将各个户表差商序列与总表差商序列的单向距离进行K＝2的K-Means聚类的方法为：从OWD(FUi,FT),i＝1,2,...,N中任意选取2个元素OWD(FUx,FT)和OWD(FUy,FT)作为初始簇心x和y，分别计算样本每个元素i到2个簇心的欧式距离
Figure BDA0003359816380000046
和
Figure BDA0003359816380000047
若元素i到簇心x和y的距离d(OWD(FUi,FT),OWD(FUx,FT))>d(OWD(FUi,FT),OWD(FUy,FT))则将元素I,即OWD(FUi,FT)归属到簇y，反之则归属到簇x。样本所有元素都归属到簇x和y后，N个元素就分成了2个簇，重新计算每个簇的重心，将其定义为新的簇心；反复迭代上述步骤，直到簇中心点相对变化率小于0.5％。
本发明的有益效果：
由于不同台区的电压曲线的差异性主要体现在动态特征和电压水平上，但电压水平的差异不具有唯一性，可能存在两个台区电压水平正好相近的情况，因此要想更普适的反映电压曲线的差异，需要解耦电压水平和动态特征。针对现有技术的这些不足；本发明提出的一种基于BDQ-OWD算法的低压配电网户变拓扑识别方法，聚焦电压曲线的动态特征差异，提高了低压配电网户变拓扑识别的准确性。
本发明的特点：
本发明与基于信号注入技术和数据标签技术相比，本发明基于现有智能电表量测数据进行分析，不需加装额外硬件设备，节约了安装运维成本，工程上更具有可行性。
本发明与基于点到点距离计算模型的算法相比，本发明提出的DBQ-OWD算法解耦了总表和各户表日电压曲线的电压水平和动态特征，聚焦电压曲线的动态特征差异，避免了不同台区电压水平相近带来的干扰，提高了低压配电网户变拓扑识别的准确性。
附图说明
图1为本发明的流程示意图。
具体实施方式
下面结合附图及具体的实施例对本发明进行进一步介绍。
实施例1：如图1所示，一种基于BDQ-OWD算法的低压配电网户变拓扑识别方法，它包括：
步骤S1、获取低压配电变压器出线处总表和用户侧各户日电压曲线时序数据。一般智能电表每15min采集一次电量数据，并上传到云服务器进行存储，总表的日电压曲线是由96个点组成的一维向量VT＝{vT1,vT2,...,vTt},t＝96，N个户表的日电压曲线是一个N维向量VU＝{VU1,VU2,...,VUi,...,VUn},n＝N，每个向量VUi＝{vUi1,vUi2,...,vUit},t＝96。
步骤S2、将步骤S1得到的总表与各户表日电压曲线向量集用于计算总表与各户表日电压曲线的后向差商(Backward Difference Quotient,BDQ)序列。差商即均差，对等步长(h)的离散函数f(x)，其n阶差商就是它的n阶差分与其步长的n次幂的比值。当n＝1时，所得一阶差商就是函数的导数的一阶近似。差商根据方向的不同有三种取法：前行差商、后向差商和中心差商，本发明采用一阶后向差商，其定义式如下：
Figure BDA0003359816380000061
其中f(x)是给定函数，xi,xi+1(i＝0,1,...,n-1)是插值节点，f[x1,x0]表示f(x)关于节点xi,xi+1(i＝0,1,...,n-1)的一阶后向差商。
计算总表日电压曲线的一阶后向差商序列
FT＝{f[vT1,vT2],...,f[vT(t-1),vTt]}，序列包含t-1个元素，其中VT＝{vT1,vT2,...,vTt},t＝96是步骤S1中总表的日电压曲线。
计算每个户表日电压曲线的一阶后向差商序列
FUi＝{f[vUi1,vUi2],...,f[vUi(t-1),vUit]}，每个序列包含t-1个元素，共N个序列，其中VUi＝{vUi1,vUi2,...,vUit},t＝96是步骤S1中N个户表的日电压曲线。
步骤S3、将步骤S2得到的总表与各户表日电压曲线的差商序列集用于计算各户表与总表差商序列的单向距离(One Way Distance,OWD)作为各分表与总表日电压曲线相似度。单向距离的定义式如下：
Figure BDA0003359816380000071
其中，|tr1|表示轨迹tr1的长度，d(p,tr2)表示轨迹tr1上的GPS点p到轨迹tr2的距离。
计算第i个户表与总表差商序列的单向距离
Figure BDA0003359816380000072
由于差商序列FT和FUi是离散值，因此上式需改写成
Figure BDA0003359816380000073
其中FUi和FT分别是步骤2中每个户表和总表日电压曲线的一阶后向差商序列，
Figure BDA0003359816380000074
表示FUi上的GPS点p到FT的距离，综上得到第i个户表差商序列与总表差商序列的单向距离
Figure BDA0003359816380000075
进而得到各个户表差商序列与总表差商序列的单向距离OWD(FUi,FT),i＝1,2,...,N作为各户表与总表日电压曲线的相似度，单向距离越小代表户表与总表日电压曲线相似度越大。
步骤S4、将步骤S3得到的各个户表差商序列与总表差商序列的单向距离进行K＝2的K-Means聚类。从OWD(FUi,FT),i＝1,2,...,N中任意选取2个元素OWD(FUx,FT)和OWD(FUy,FT)作为初始簇心x和y，分别计算样本每个元素i到2个簇心的欧式距离
Figure BDA0003359816380000076
和
Figure BDA0003359816380000077
若元素i到簇心x和y的距离d(OWD(FUi,FT),OWD(FUx,FT))>d(OWD(FUi,FT),OWD(FUy,FT))则将元素I,即OWD(FUi,FT)归属到簇y，反之则归属到簇x。样本所有元素都归属到簇x和y后，N个元素就分成了2个簇，重新计算每个簇的重心(平均距离的中心)，将其定义为新的簇心。反复迭代上述步骤，直到簇中心点相对变化率小于0.5％。
步骤5、将步骤S4得到的2个聚类簇含有的元素数目进行比较，含有元素数较多的簇即为属于该总表的户表，含有元素数较少的簇即为不属于该总表的户表，由于总表安装于配电变压器出线或进行侧，因此可以得到用户电表和配电变压器的从属关系，从而实现低压配电网户变拓扑识别。
通过以上步骤就可以根据用户电表采集的日电压曲线识别低压配电网户变拓扑关系，便于电网公司快速、便捷地掌握低压配电网拓扑连接信息。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内，因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims (9)

1.一种基于BDQ-OWD算法的低压配电网户变拓扑识别方法，其特征在于：包括以下步骤：
步骤S1、获取低压配电变压器出线处总表和用户侧各户日电压曲线时序数据；
步骤S2、计算总表与各户表日电压曲线的后向差商BDQ序列；
步骤S3、计算各户表与总表差商序列的单向距离OWD作为各户表与总表日电压曲线相似度；
步骤S4、对各户表与总表日电压曲线相似度进行K＝2的K-Means聚类；
步骤S5、将2个聚类簇中含有元素数多的簇即为属于该总表的户表，实现户变拓扑识别。
2.根据权利要求1所述的一种基于BDQ-OWD算法的低压配电网户变拓扑识别方法，其特征在于：步骤S1获取的低压配电变压器出线处总表的日电压曲线时序数据是长度为96的一维向量VT＝{vT1,vT2,...,vTt},t＝96；用户侧各户表日电压曲线时序数据是长度为96的N维向量，VU＝{VU1,VU2,...,VUi,...,VUn},n＝N。
3.根据权利要求1所述的一种基于BDQ-OWD算法的低压配电网户变拓扑识别方法，其特征在于：步骤S2计算的总表日电压曲线的后向差商(Backward Difference Quotient,BDQ)序列是FT＝{f[vT1,vT2],...,f[vT(t-1),vTt]}，各户表日电压曲线的后向差商序列是FUi＝{f[vUi1,vUi2],...,f[vUi(t-1),vUit]}。
4.根据权利要求1所述的一种基于BDQ-OWD算法的低压配电网户变拓扑识别方法，其特征在于：步骤S3计算的各户表与总表差商序列的单向距离(One Way Distance,OWD)作为各分表与总表日电压曲线相似度；第i个户表差商序列与总表差商序列的单向距离
Figure FDA0003359816370000021
单向距离越小代表户表与总表日电压曲线相似度越大。
5.根据权利要求1所述的一种基于BDQ-OWD算法的低压配电网户变拓扑识别方法，其特征在于：步骤S4所述对各个户表差商序列与总表差商序列的单向距离进行K＝2的K-Means聚类，聚类的迭代终止条件为簇中心点相对变化率小于0.5％。
6.根据权利要求1所述的一种基于BDQ-OWD算法的低压配电网户变拓扑识别方法，其特征在于：步骤S5所述低压配电网户变拓扑识别的方法为:将步骤S4得到的2个聚类簇含有的元素数目进行比较，含有元素数多的簇即为属于该总表的户表，含有元素数少的簇即为不属于该总表的户表，从而实现低压配电网户变拓扑识别。
7.根据权利要求3所述的一种基于BDQ-OWD算法的低压配电网户变拓扑识别方法，其特征在于：一阶后向差商的定义式为：
Figure FDA0003359816370000022
计算总表日电压曲线的一阶后向差商序列FT＝{f[vT1,vT2],...,f[vT(t-1),vTt]}，序列包含t-1个元素；计算每个户表日电压曲线的一阶后向差商序列FUi＝{f[vUi1,vUi2],...,f[vUi(t-1),vUit]}，每个序列包含t-1个元素，共N个序列。
8.根据权利要求4述的一种基于BDQ-OWD算法的低压配电网户变拓扑识别方法，其特征在于：第i个户表差商序列与总表差商序列的单向距离的计算方法为：单向距离的定义式为：
Figure FDA0003359816370000023
第i个户表与总表差商序列的单向距离OWD(Ui,
Figure FDA0003359816370000031
由于差商序列FT和FUi是离散值，因此改写成
Figure FDA0003359816370000032
其中
Figure FDA0003359816370000033
表示FUi上的GPS点p到FT的距离；到第i个户表差商序列与总表差商序列的单向距离
Figure FDA0003359816370000034
进而得到各个户表差商序列与总表差商序列的单向距离OWD(Ui,T),i＝1,2,...,N作为各户表与总表日电压曲线的相似度，单向距离越小代表户表与总表日电压曲线相似度越大。
9.根据权利要求5的一种基于BDQ-OWD算法的低压配电网户变拓扑识别方法，其特征在于：将各个户表差商序列与总表差商序列的单向距离进行K＝2的K-Means聚类的方法为：从OWD(FUi,FT),i＝1,2,...,N中任意选取2个元素OWD(FUx,FT)和OWD(FUy,FT)作为初始簇心x和y，分别计算样本每个元素i到2个簇心的欧式距离
Figure FDA0003359816370000035
和
Figure FDA0003359816370000036
若元素i到簇心x和y的距离d(OWD(FUi,FT),OWD(FUx,FT))>d(OWD(FUi,FT),OWD(FUy,FT))则将元素I,即OWD(FUi,FT)归属到簇y，反之则归属到簇x。样本所有元素都归属到簇x和y后，N个元素就分成了2个簇，重新计算每个簇的重心，将其定义为新的簇心；反复迭代上述步骤，直到簇中心点相对变化率小于0.5％。
CN202111363689.0A 2021-11-17 2021-11-17 基于bdq-owd算法的低压配电网户变拓扑识别方法 Pending CN113961869A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111363689.0A CN113961869A (zh) 2021-11-17 2021-11-17 基于bdq-owd算法的低压配电网户变拓扑识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111363689.0A CN113961869A (zh) 2021-11-17 2021-11-17 基于bdq-owd算法的低压配电网户变拓扑识别方法

Publications (1)

Publication Number Publication Date
CN113961869A true CN113961869A (zh) 2022-01-21

Family

ID=79470912

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111363689.0A Pending CN113961869A (zh) 2021-11-17 2021-11-17 基于bdq-owd算法的低压配电网户变拓扑识别方法

Country Status (1)

Country Link
CN (1) CN113961869A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114814420A (zh) * 2022-04-20 2022-07-29 北京飞利信信息安全技术有限公司 一种基于冻结数据的低压配电网拓扑识别方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114814420A (zh) * 2022-04-20 2022-07-29 北京飞利信信息安全技术有限公司 一种基于冻结数据的低压配电网拓扑识别方法及系统
CN114814420B (zh) * 2022-04-20 2024-02-02 北京飞利信信息安全技术有限公司 一种基于冻结数据的低压配电网拓扑识别方法及系统

Similar Documents

Publication Publication Date Title
CN111624544B (zh) 一种台区户变关系识别方法及相关装置
CN111817289B (zh) 低压配电台区物理拓扑识别方法、装置、系统、终端及介质
CN110659693B (zh) 基于k近邻分类的配电网快速拓扑识别方法、系统及介质
CN107909512A (zh) 一种结合电网运行方式的设备运行数据匹配和扩展方法
CN111628494B (zh) 一种基于逻辑回归法的低压配电网拓扑识别方法及系统
CN109286188A (zh) 一种基于多源数据集的10kV配电网理论线损计算方法
CN116995653A (zh) 一种基于ddtw距离的低压台区相户拓扑识别方法
CN109101685A (zh) 一种适用于综合能源管控系统的多介质能源设备建模方法
CN113961869A (zh) 基于bdq-owd算法的低压配电网户变拓扑识别方法
CN104881739B (zh) 一种基于iec61970/61968 cim标准的营配数据一致性校验方法
CN115545280A (zh) 一种低压配电网络拓扑生成方法及装置
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
CN112819649A (zh) 确定台区户变关系的方法及装置
CN117559443A (zh) 尖峰负荷下大工业用户集群有序用电控制方法
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
CN112766590B (zh) 一种居民典型电力消费模式的提取方法与系统
CN113344450A (zh) 低压台区线户识别方法、系统、终端设备及存储介质
CN116340753A (zh) 一种考虑非电气特征量的分布式能源区域的能源监测方法
CN113191656B (zh) 一种基于数据关联分析的低压配电网设备负荷与拓扑联动方法
Bariya et al. Data-driven topology estimation with limited sensors in radial distribution feeders
CN116454856A (zh) 一种基于sc-dtw算法的低压配电网户变拓扑辨识方法
CN106097141B (zh) 光伏发电系统置信容量的三元区间数评估方法
CN112730984B (zh) 一种基于智能电表的低压配电网相位识别方法
CN115932428A (zh) 一种迭代式无监督非侵入式负荷识别方法及系统
CN114818632A (zh) 一种超计划用电限电序位表的编制方法及装置

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