CN114036990A - 一种低压台区拓扑信号模糊增强方法 - Google Patents

一种低压台区拓扑信号模糊增强方法 Download PDF

Info

Publication number
CN114036990A
CN114036990A CN202210007438.7A CN202210007438A CN114036990A CN 114036990 A CN114036990 A CN 114036990A CN 202210007438 A CN202210007438 A CN 202210007438A CN 114036990 A CN114036990 A CN 114036990A
Authority
CN
China
Prior art keywords
fuzzy
signal
low
fuzzy set
transformer area
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.)
Granted
Application number
CN202210007438.7A
Other languages
English (en)
Other versions
CN114036990B (zh
Inventor
葛玉磊
刘清
郑亚岗
苏超
杜志国
田珂
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 Topscomm Communication Co Ltd
Original Assignee
Qingdao Topscomm Communication 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 Topscomm Communication Co Ltd filed Critical Qingdao Topscomm Communication Co Ltd
Priority to CN202210007438.7A priority Critical patent/CN114036990B/zh
Publication of CN114036990A publication Critical patent/CN114036990A/zh
Application granted granted Critical
Publication of CN114036990B publication Critical patent/CN114036990B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明公开了一种低压台区拓扑信号模糊增强方法，涉及配电自动化系统领域，该方法将拓扑信号识别设备在同一频点不同时间段所获取到的特征电流信号集合，通过指定的变换函数转换到模糊集，并在模糊集中通过变换模型，突出其有效的信号强度值，弱化台区环境影响，转换模型利用模糊线性指数和熵指数来定量描述模糊增强的效果。其特征在于，利用模糊集合理论将信号强度值通过变换函数转换到模糊集合，利用模糊集合理论弱化不确定性环境的影响，并通过一定的量化指标调整和优化模糊集合转换模型，最终得到增强后的信号值，用于实现低压台区的拓扑梳理。

Description

一种低压台区拓扑信号模糊增强方法
技术领域
本发明涉及配电自动化系统领域，特别是一种低压台区拓扑信号模糊增强方法。
背景技术
随着中国经济的飞速发展，人民生活质量的逐步提升，低压台区用电用能规模也在不断扩大，对供电可靠性，供电环境治理提出更高的要求，为实现台区的精益化管理，有人提出了基于微电流的拓扑识别方案，通过台区内电气设备发送微电流拓扑信号，梳理出低压台区电气设备物理拓扑图，但在实现过程中发现微电流拓扑信号常常收到供电半径和噪音影响，信号强度差，无法有效梳理台区隶属关系。
针对目前拓扑识别信号差的情况，当前普遍做法是增加发送功率，提高微电流信号的幅值，但这种做法不但对电网环境造成影响，发送信号设备由于发送功率变大，出现发热问题，大大缩短设备的使用寿命。
发明内容
本发明所要解决的技术问题是克服上述现有技术存在的问题，提供一种能够增强信号的方法，利用模糊集合理论，将设备在同一频点不同时间点所发送的拓扑信号集，通过变换函数映射到模糊集，在模糊集中通过模糊集变换函数，去除集合中非线性数据点，通过模糊线性指数，调整变换函数中参数值大小，使模糊集的变换过程达到渐进收敛的目的，再通过反变换函数将模糊集转换到信号集，在变换过程中，通过模糊线性指数和熵指数，两个可量化指标衡量增强后的信号值强度。
为了实现上述发明目的，本发明采取如下技术方案：
步骤一，收集低压台区内某一识别设备在同一频点不同时间点，所获取到的拓扑信号强度值；
步骤二，根据模糊集合理论将信号集通过变换函数变换到模糊集；
步骤三，在模糊集合中，通过模糊线性指数和熵指数不断调整和优化转换模型参数，得到最终的转换模型；
步骤四，确认转换模型后，完成模糊集到模糊集之间的转换；
步骤五，经过转换后的模糊集，再由模糊集合理论所定义的反变换函数变换到信号集，用于低压台区电气设备隶属关系梳理。
进一步的，在台区拓扑识别中，无需增加额外的任务，依据现有的执行流程，发送拓扑信号，由识别设备获取特征电流即可。
进一步的，步骤一中所述的被识别设备不受供电环境和供电半径的影响，所发出的拓扑信号能够被台区内的识别设备所接收即可。
进一步的，步骤二中转换函数加入正弦函数，符合模糊集的要求，而且正反变换简便易算，有利于提高算法的实现效率。
进一步的，步骤三种模糊集变换模型，通过可量化指标模糊线性指数和熵指数的衡量其变换的效果，动态调整和优化模糊集转换参数，能够更加有效和准确的获取到转换后的模糊集。
进一步的，步骤五，经过模糊增强后的拓扑识别信号强度值，能够更直观高效梳理出台区内电气设备之间的隶属关系，提高拓扑准确性。
附图说明
图1 拓扑信号模糊增强的模型。
图2 本发明基于模糊算法实现拓扑信号增强流程图。
具体实施方式
下面结合附图对本发明作进一步描述，以下内容仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
步骤一，获取某一拓扑识别设备所识别并记录的同一频点不同时间点的特征电流信号强度值X1、X2、…，Xn，并计算该组数据的标准差值σ，利用3σ标准去除不合理的信号强度值，得到不同时间点的特征电流信号强度值。
步骤二，基于模糊增强算法对信号集进行变换，从信号集转换到模糊集，定义的变换函数如下：
Figure 16837DEST_PATH_IMAGE001
（1）
式中：Xmax为信号集中的最大值，Pn为变换之后的值。显然，上式满足模糊集合的要求（0≤Pn≤1）。
步骤三，根据模糊变换理论，由模糊集Pn至另一个模糊集
Figure 151146DEST_PATH_IMAGE002
的变换定义如下：
Figure 358005DEST_PATH_IMAGE003
（2）
式中：j是控制收敛速度的一个参量，j越大，收敛越快。为了使模糊集至模糊集的变换过程是渐近收敛而不是突变收敛，控制j的大小是必要的。因此我们引入了模糊线性指数，通过具体的衡量指标，来优化和调整参数j得到最优的变换结果。
定义模糊线性指数计算公式如下：
Figure 360596DEST_PATH_IMAGE004
（3）
当变换后模糊集不确定因素大时，L(x)相应地大，反之，L(x)减小。
步骤四，在确认变换渐近收敛过程后，我们通过熵指数计算，确认最终参数j值，得到最终的模糊变换模型。
定义熵指数计算公式如下：
Figure 87244DEST_PATH_IMAGE005
（4）
式中
Figure 907301DEST_PATH_IMAGE006
是Shannon熵，其计算公式如下：
Figure 680085DEST_PATH_IMAGE007
（5）
按照Shannon信息论的观点，熵增大过程就是不确定性增大的过程，相反，熵越小，不确定性就越小。
步骤五，由模糊集至信号集，定义的变换函数如下：
Figure 158471DEST_PATH_IMAGE008
（6）
获取到增强后的拓扑信号集，用于台区拓扑的梳理。
本专利利用模糊集合理论，将低压台区拓扑中某一识别设备所获取到的特征电流信号强度值，通过变换函数转到模糊集，通过模糊线性指数和熵指数，确立模糊集合转换模型，在模糊集中完成增强处理后，再变换到信号集，完成对拓扑信号的增强处理，更有利于实现台区各级设备电气连接关系的识别。

Claims (6)

1.一种低压台区拓扑信号模糊增强方法，其特征在于，将低压拓扑信号集，通过变换函数转到模糊集，在模糊集中的的信息进行分析处理，并通过模糊线性指数和熵指数不断调整和优化转换模型参数，得到最优的转换模型，完成模糊集之间的转换，再通过反变换函数，将数据从模糊集转换到信号集，完成对信号的增强处理，对于信号增强的过程包括以下几个步骤：
步骤一，收集低压台区内某一识别设备在同一频点不同时间点，所获取到的拓扑信号强度值；
步骤二，根据模糊集合理论将信号集通过变换函数变换到模糊集；
步骤三，在模糊集合中，通过模糊线性指数和熵指数不断调整和优化转换模型参数，得到最终的转换模型；
步骤四，确认转换模型后，完成模糊集到模糊集之间的转换；
步骤五，经过转换后的模糊集，再由模糊集合理论所定义的反变换函数变换到信号集，用于低压台区电气设备隶属关系梳理。
2.根据权利要求1所述的低压台区拓扑信号模糊增强方法，其特征在于：在台区拓扑识别中，无需增加额外的任务，依据现有的执行流程，发送拓扑信号，由识别设备获取特征电流即可。
3.根据权利要求1所述的低压台区拓扑信号模糊增强方法，其特征在于：步骤一中所述的被识别设备不受供电环境和供电半径的影响，所发出的拓扑信号能够被台区内的识别设备所接收即可。
4.根据权利要求1所述的低压台区拓扑信号模糊增强方法，其特征在于：步骤二中转换函数加入正弦函数，符合模糊集的要求，而且正反变换简便易算，有利于提高算法的实现效率。
5.根据权利要求1所述的低压台区拓扑信号模糊增强方法，其特征在于：步骤三种模糊集变换模型，通过可量化指标模糊线性指数和熵指数的衡量其变换的效果，动态调整和优化模糊集转换参数，能够更加有效和准确的获取到转换后的模糊集。
6.根据权利要求1所述的低压台区拓扑信号模糊增强方法，其特征在于：步骤五，经过模糊增强后的拓扑识别信号强度值，能够更直观高效梳理出台区内电气设备之间的隶属关系，提高拓扑准确性。
CN202210007438.7A 2022-01-06 2022-01-06 一种低压台区拓扑信号模糊增强方法 Active CN114036990B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210007438.7A CN114036990B (zh) 2022-01-06 2022-01-06 一种低压台区拓扑信号模糊增强方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210007438.7A CN114036990B (zh) 2022-01-06 2022-01-06 一种低压台区拓扑信号模糊增强方法

Publications (2)

Publication Number Publication Date
CN114036990A true CN114036990A (zh) 2022-02-11
CN114036990B CN114036990B (zh) 2022-04-26

Family

ID=80147299

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210007438.7A Active CN114036990B (zh) 2022-01-06 2022-01-06 一种低压台区拓扑信号模糊增强方法

Country Status (1)

Country Link
CN (1) CN114036990B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6421467B1 (en) * 1999-05-28 2002-07-16 Texas Tech University Adaptive vector quantization/quantizer
US6571224B1 (en) * 2000-10-24 2003-05-27 Ndsp Corporation Fuzzy logic based color transition improvement method and system
EP2790165A1 (en) * 2013-04-09 2014-10-15 SWARCO Traffic Systems GmbH Quality determination in data acquisition
CN104394566A (zh) * 2014-11-12 2015-03-04 南京航空航天大学 一种基于模糊决策的低功耗自适应分簇多跳无线传感器网络拓扑控制方法
US20160125645A1 (en) * 2014-11-05 2016-05-05 Umm Al-Qura University Grading and monitoring of a geographical region
CN108154490A (zh) * 2018-01-18 2018-06-12 长春工程学院 基于改进模糊集理论的高压输电线路绝缘子图像增强方法
CN110930339A (zh) * 2019-12-05 2020-03-27 福州大学 基于nsct域的航空及遥感图像去雾方法
CN112862716A (zh) * 2021-02-07 2021-05-28 江苏科技大学 基于双树复数小波和模糊理论的声呐图像目标增强方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6421467B1 (en) * 1999-05-28 2002-07-16 Texas Tech University Adaptive vector quantization/quantizer
US6571224B1 (en) * 2000-10-24 2003-05-27 Ndsp Corporation Fuzzy logic based color transition improvement method and system
EP2790165A1 (en) * 2013-04-09 2014-10-15 SWARCO Traffic Systems GmbH Quality determination in data acquisition
US20160125645A1 (en) * 2014-11-05 2016-05-05 Umm Al-Qura University Grading and monitoring of a geographical region
CN104394566A (zh) * 2014-11-12 2015-03-04 南京航空航天大学 一种基于模糊决策的低功耗自适应分簇多跳无线传感器网络拓扑控制方法
CN108154490A (zh) * 2018-01-18 2018-06-12 长春工程学院 基于改进模糊集理论的高压输电线路绝缘子图像增强方法
CN110930339A (zh) * 2019-12-05 2020-03-27 福州大学 基于nsct域的航空及遥感图像去雾方法
CN112862716A (zh) * 2021-02-07 2021-05-28 江苏科技大学 基于双树复数小波和模糊理论的声呐图像目标增强方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
H. XIE等: ""Fuzzy Entropy and Its Application for Enhanced Subspace Filtering"", 《IEEE TRANSACTIONS ON FUZZY SYSTEMS》 *
韩培友等: ""双线性广义模糊增强边界图像检测算法"", 《计算机辅助设计与图形学学报》 *
韩菲等: ""基于模糊理论的光照不均匀图像自适应增强算法"", 《电脑知识与技术》 *

Also Published As

Publication number Publication date
CN114036990B (zh) 2022-04-26

Similar Documents

Publication Publication Date Title
CN111880044B (zh) 一种含分布式电源配电网在线故障定位方法
Gurbuz et al. Comprehensive non-intrusive load monitoring process: Device event detection, device feature extraction and device identification using KNN, random forest and decision tree
CN105550450B (zh) 一种电能质量干扰源特征谐波建模方法
CN114036990A (zh) 一种低压台区拓扑信号模糊增强方法
CN111651448B (zh) 一种基于降噪差分进化的低压拓扑识别方法
CN117559443A (zh) 尖峰负荷下大工业用户集群有序用电控制方法
WO2019080807A1 (zh) 一种供能设备管理的方法、系统及终端设备
CN112070625A (zh) 一种用户用电行为模式识别方法及系统
CN116611732A (zh) 一种电能质量数据建模方法及计算机可读存储介质
CN111126645A (zh) 一种基于数据挖掘技术和改进支持向量机的风电预测算法
CN114757111A (zh) 一种基于数字孪生技术的智能装备健康管理方法
CN114355275A (zh) 电能表负荷监测方法、系统、装置及计算机可读存储介质
CN113554010A (zh) 一种电网线路故障识别模型训练方法
CN108233373B (zh) 考虑天气场景的分布式光伏接入配电网的概率谐波分析方法
CN112016684A (zh) 一种深度并行柔性发射网络的电力终端指纹识别方法
CN111541245A (zh) 一种智能家庭能量管理系统控制方法
CN106527138B (zh) 一种光伏逆变器直流侧电阻参数波动系数预测方法
CN111064277A (zh) 一种基于大数据的营销台区线损应用平台
Li et al. Non-intrusive load monitoring for consistent shape loads based on convolutional neural network
CN112836320B (zh) 一种电力负荷在线建模修正方法
CN103779961A (zh) 小区变智能经济运行控制系统及其控制方法
CN117543589B (zh) 一种梯级水电安全集控系统调度方法
CN116651617B (zh) 电除尘变频调幅高压电源及其高压输出控制方法
CN115840078A (zh) 基于特征优选与波形匹配的非侵入式负荷监测方法及系统
CN117388616A (zh) 自适应的非侵入负荷在线监测方法及端云协同部署架构

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
CB03 Change of inventor or designer information

Inventor after: Ge Yulei

Inventor after: Yuan Zhishuang

Inventor after: Liu Qing

Inventor after: Zheng Yagang

Inventor after: Su Chao

Inventor after: Du Zhiguo

Inventor after: Tian Ke

Inventor before: Ge Yulei

Inventor before: Liu Qing

Inventor before: Zheng Yagang

Inventor before: Su Chao

Inventor before: Du Zhiguo

Inventor before: Tian Ke

CB03 Change of inventor or designer information