CN114243712A - 一种低压台区拓扑识别方法及系统 - Google Patents
一种低压台区拓扑识别方法及系统 Download PDFInfo
- Publication number
- CN114243712A CN114243712A CN202111301573.4A CN202111301573A CN114243712A CN 114243712 A CN114243712 A CN 114243712A CN 202111301573 A CN202111301573 A CN 202111301573A CN 114243712 A CN114243712 A CN 114243712A
- Authority
- CN
- China
- Prior art keywords
- data
- time sequence
- electricity consumption
- sequence voltage
- voltage data
- 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 63
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 34
- 230000005611 electricity Effects 0.000 claims description 136
- 239000011159 matrix material Substances 0.000 claims description 59
- 238000001514 detection method Methods 0.000 claims description 33
- 238000012545 processing Methods 0.000 claims description 33
- 238000013528 artificial neural network Methods 0.000 claims description 21
- 239000013598 vector Substances 0.000 claims description 21
- 230000002159 abnormal effect Effects 0.000 claims description 20
- 238000004140 cleaning Methods 0.000 claims description 19
- 238000012549 training Methods 0.000 claims description 19
- 238000012937 correction Methods 0.000 claims description 16
- 230000000306 recurrent effect Effects 0.000 claims description 16
- 238000003860 storage Methods 0.000 claims description 16
- 238000012417 linear regression Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 11
- 238000005315 distribution function Methods 0.000 claims description 8
- 230000001186 cumulative effect Effects 0.000 claims description 4
- 150000001875 compounds Chemical class 0.000 claims description 3
- 230000002354 daily effect Effects 0.000 description 20
- 230000006870 function Effects 0.000 description 19
- 238000010586 diagram Methods 0.000 description 14
- 238000004364 calculation method Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 10
- 239000000243 solution Substances 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 230000004913 activation Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 230000001419 dependent effect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000002347 injection Methods 0.000 description 3
- 239000007924 injection Substances 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 2
- 230000008034 disappearance Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003203 everyday effect Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013144 data compression Methods 0.000 description 1
- 238000013479 data entry Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000008014 freezing Effects 0.000 description 1
- 238000007710 freezing Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 230000007246 mechanism Effects 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
- 230000003287 optical effect Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/12—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load
-
- 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
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Algebra (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Computing Systems (AREA)
- Power Engineering (AREA)
- Bioinformatics & Computational Biology (AREA)
Abstract
本发明提供了一种低压台区拓扑识别方法及系统,包括:获取目标区域中至少一个低压台区和所述目标区域中各用户的时序电压数据;基于所述时序电压数据利用回归算法得到各低压台区与各用户之间的连接关系;基于所述各低压台区与各用户之间的连接关系生成低压台区拓扑结构,以提高拓扑结构的获取效率及准确度。
Description
技术领域
本发明涉及电力系统配电网技术领域,具体涉及一种低压台区拓扑识别方法及系统。
背景技术
电力系统中的低压台区是指一台变压器0.4KV的供电范围或区域。低压台区作为电网供给低压用户的最终供电设备处于电网的末端,低压台区的供电区域内服务的用户呈现数量较大,种类繁杂,特性多样的特点,因此对其进行拓扑识别,对于电力系统通过低压台区向用户供电有至关重要的意义。
目前低压台区的拓扑信息采集情况存在以下问题:一、低压台区拓扑连接档案准确度不足;二、人工进行低压台区内户变关系的纠错难度较大,缺少有效的纠错方法;三、载波通信技术等智能电网技术目前尚不完善,仍需进一步发展;四、电力系统中传统的异常检测方法是根据智能监控设备收集到的数据建立电力系统的数学方程模型,以此为基础分析电力系统的运行状况,但该方法随着收集到数据的规模不断增大,难以适用于大规模在线检测系统和分析;五、电压相似特性的数据质量较低,所以当前低压台区拓扑结构仍采用人工巡查、数据手工录入等方式,获取拓扑结构的效率低,且获取的拓扑结构准确度不高。
发明内容
为克服上述现有技术获取拓扑结构的效率低以及准确度不高的问题,本发明提供了一种低压台区拓扑识别方法及系统,用于提高拓扑结构的获取效率及准确度。
本发明提供的低压台区拓扑识别方法,包括:
获取目标区域中至少一个低压台区和所述目标区域中各用户的时序电压数据;
基于所述时序电压数据利用回归算法得到各低压台区与各用户之间的连接关系;
基于所述各低压台区与各用户之间的连接关系生成低压台区拓扑结构。
优选的,所述基于所述时序电压数据利用回归算法得到各低压台区与各用户之间的连接关系,包括:
将所述各低压台区和所述各用户均设为节点;
利用智能电表用电量读数、瞬时用电量数据、设定时间段用电量数据对所述时序电压数据进行处理;
基于处理后的时序电压数据利用回归算法得到各节点之间的连接关系矩阵;
基于所述连接关系矩阵中非零元素对应的节点得到各低压台区与各用户之间的连接关系。
优选的,所述基于处理后的时序电压数据利用回归算法得到各节点之间的连接关系矩阵,包括:
依次针对每个节点,将除所述每个节点外的其余各节点对应的时序电压数据分别代入线性回归函数,并以预先得到的正则化参数为约束对带入所述其余各节点的时序电压数据的线性回归函数进行求解,以得到所述每个节点与所述其余各节点的关联系数向量其中,所述正则化参数是基于所述时序电压数据中时间点的个数和节点的个数结合高斯分布函数计算得到的;
以所有节点的关联系数向量为矩阵元素构成稀疏关系矩阵;
将所述稀疏关系矩阵的上三角矩阵和下三角矩阵做and运算,得到各节点之间的连接关系矩阵。
优选的,所述每个节点与所述其余各个节点的关联系数向量,通过求解下式得到:
式中,表示关于βb的线性回归函数,βb表示关联系数向量,argmin表示使后式达到最小值时的变量的取值,表示节点b在t时刻的电压,||βb||1表示βb的1范数,λ表示正则化参数,表示除节点b外的各节点在t时刻的电压,b表示节点计数编号,N表示时序电压数据中时间点的个数,T表示转置符号。
优选的,所述正则化参数λ计算式如下:
优选的,所述利用智能电表用电量读数、瞬时用电量数据、设定时间段用电量数据对异常的时序电压数据进行处理,包括:
对所述时序电压数据进行修正,并利用所述智能电表用电量读数、瞬时用电量数据、设定时间段用电量数据对修正后的时序电压数据进行清洗,以滤掉异常的时序电压数据。
优选的,所述对所述时序电压数据进行修正,包括:
将所述时序电压数据输入到预先训练好的异常检测编解码模型中进行修正得到初步修正的时序电压数据;其中,所述异常检测编解码模型是基于历史时序电压数据和修正后历史时序电压数据利用神经网络训练得到的;
将所述初步修正的时序电压数据与所述时序电压数据对比以确定重构误差;
基于所述重构误差校验所述初步修正的时序电压数据的数据质量,并将数据质量低于设定阈值的初步修正的时序电压数据剔除,以及将数据质量高于所述设定阈值的初步修正的时序电压数据保留,以作为所述修正后的时序电压数据。
优选的,所述异常检测编解码模型的训练包括:
以获取的历史时序电压数据为输入数据,以修正后的历史时序电压数据为输出数据构建训练集;
基于所述训练集,采用循环神经网络进行训练得到所述异常检测编解码模型。
优选的,所述利用所述智能电表用电量读数、瞬时用电量数据、设定时间段用电量数据对修正后的时序电压数据进行清洗,包括:
将所述修正后的时序电压数据基于设定时间段用电量数据进行处理,得到初步处理数据;
对所述初步处理数据基于预设时间间隔采集的瞬时用电数据进行处理以完成对所述修正后的时序电压数据的清洗。
优选的,所述将所述修正后的时序电压数据基于设定时间段用电量数据进行清洗,包括:
基于智能电表用电量读数提取各节点设定时间段用电量和所述设定时间段各分时用电量;将设定时间段用电量相对于所述设定时间段各分时用电量之和的差的绝对值大于第一设定倍数的电表倍率的修正后的时序电压数据确定为所述无效数据,以及将用户当日用电量大于设定天数用电量均值第二设定倍数的当日用电量的时间段对应的修正后的时序电压数据确定为无效数据;
剔除所述无效数据,并当存在缺失一条用电量读数的数据时,依据智能电表第一用电量读数等于所述除第一用电量读数之外的所有用电量读数之和的规则求解得到缺失的用电量读数。
优选的,当基于智能电表用电量读数提取各节点设定时间段用电量和所述设定时间段各分时用电量时:
若所述智能电表用电量读数只有一个或都没有或所述智能电表用电量读数相减不小于0,则不提取所述各节点对应时间段用电量,否则提取所述各节点对应时间段的用电量。
优选的,所述对所述初步处理数据基于预设时间间隔采集的瞬时用电数据进行处理以完成对所述修正后的时序电压数据的清洗,包括:
将大于设定瞬时用电量阈值的瞬时用电量所在的时间段对应的修正后的时序电压数据确定为无效时序电压数据,并使用用户台账历史数据中的与所述大于设定瞬时用电量阈值的瞬时用电量相同时间段对应的时序电压数据置换所述无效时序电压数据。
基于同一发明构思,本发明还提供了一种低压台区拓扑识别系统,包括:
数据获取模块,用于获取目标区域中至少一个低压台区和所述目标区域中各用户的时序电压数据;
连接关系获取模块,用于基于所述时序电压数据利用回归算法得到各低压台区与各用户之间的连接关系;
低压台区拓扑结构生成模块,用于基于所述各低压台区与各用户之间的连接关系生成低压台区拓扑结构。
再一方面,本发明提供了一种计算机设备,包括:
一个或多个处理器,
处理器,用于执行一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行时实现上述一种低压台区拓扑识别方法。
再一方面,本发明提供了一种计算机可读存储介质,其上存有计算机程序,当所述程序被执行时,实现上述一种低压台区拓扑识别方法。
与现有技术相比,本发明的有益效果为:
本发明提供了一种基于电压数据驱动的低压台区拓扑识别方法,包括:获取目标区域中至少一个低压台区和所述目标区域中各用户的时序数据;基于所述时序数据利用回归算法得到各低压台区与各用户之间的连接关系;基于所述各低压台区与各用户之间的连接关系生成低压台区拓扑结构;本发明利用回归算法可以快速高效的发现台区与用户的关系,实现对低压台区拓扑的准确、智能识别。
附图说明
图1为本发明的一种低压台区拓扑识别方法流程图;
图2为本发明基于循环神经网络的编解码框架的异常检测编解码模块示意图;
图3为本发明实施例中循环神经网络的结构示意图;
图4为本发明实施例中循环神经网络在时间维度上的展开图;
图5为本发明实施例中编解码模块的编解码框架示意图;
图6为本发明实施例中正常时间序列数据和异常事件序列数据对比图;
图7为本发明实施例中原始时序电压和模型重构以后时序电压对比图;
图8为本发明实施例中数据处理框架示意图;
图9为本发明实施例中低压台区电网物理模型与图模型对应关系图;
图10为本发明实施例中单个台区的拓扑连接关系示意图。
具体实施方式
本发明公开了一种低压台区拓扑识别方法,该方法可准确、快速、智能识别低压台区拓扑。为了更好地理解本发明,下面结合说明书附图和实例对本发明的内容做进一步的说明。
实施例1
本发明提出了一种低压台区拓扑识别方法,如图1所示,包括:
步骤1:获取目标区域中至少一个低压台区和所述目标区域中各用户的时序电压数据;
步骤2:基于所述时序电压数据利用回归算法得到各低压台区与各用户之间的连接关系;
步骤3:基于所述各低压台区与各用户之间的连接关系生成低压台区拓扑结构。
对上述步骤进行具体解释:
步骤1:获取目标区域中至少一个低压台区和所述目标区域中各用户的时序电压数据,包括:
基于智能电表获取低压台区和各用户的时序电压数据;
本发明所述时序电压数据包括:不同时刻的电压值数据,每个台区及用户可根据需要获取多个时刻的电压值数据序列。
步骤2:基于所述时序电压数据利用回归算法得到各低压台区与各用户之间的连接关系,包括:
将所述各低压台区和所述各用户均设为节点,并利用智能电表用电量读数、瞬时用电量数据、设定时间段用电量数据对所述时序电压数据进行处理;其具体过程如下:
首先,对获取的时序电压数据进行修正处理,即基于循环神经网络的编解码框架的时间序列异常检测模型的异常检测修正。
本发明采用深度学习理论中的循环神经网络来实现电力系统中时间序列数据的异常检测,通过机器来学习识别异常数据的模式,为实时的异常检测提供一种解决方案。相比于传统的异常检测方法,本发明提出的模型具备以下几点优势:
1、提出的线下模型训练过程仅仅依赖于正常样本,这样就避开了对正负样本比例进行均衡处理的问题;
2、提出的模型提供了异常检测的全自动化机制,降低了对电力系统专业知识的依赖性,能有效地降低人力成本;
3、所采用的方法既适用于单维时间序列的异常数据检测,也适合于多维时间序列的异常数据检测;
4、提出的模型误差衡量方法有效地结合衡量时间序列空间距离相似性的曼哈顿距离和衡量时间序列变化趋势相似性的编辑距离,使得误差衡量更加精准。
从两个方面对异常检测编解码模型进行介绍:运行离线训练模块完成对异常检测编解码模型的训练,运用在线检测模块利用训练好的异常检测编解码模型进行在线检测,如图2所示,具体内容如下:
离线训练模块首先根据收集到的历史台区及用户的时序电压数据电力系统时序电压历史数据,训练基于循环神经网络的编解码框架的时间序列异常检测模型,然后人工设定异常数据误差的阈值。在线检测模块实时采集时间序列数据,通过之前训练好的模型进行重构,根据重构误差来判断原始输入的时序电压数据是否属于异常。
循环神经网络,是对前馈神经网络的扩展。循环神经网络增加了相邻时间节点的连接边(也被叫作循环边),给模型引入了时间的概念。
如图3所示,所述循环神经网络的结构分为三层:输入层、隐藏层、输出层。
其中,输入到输出的前馈步骤可以由下面的一组方程表示:
式中,Wxh表示输入层和隐藏层连接的权重矩阵。Whh表示隐藏层和相邻时间点隐藏层的权重矩阵,也就是循环边的权重矩阵,Why是隐藏层和输出层连接的权重矩阵,h(t)为当前时刻t隐藏层的状态值,h(t-1)为t时刻的前一时刻隐藏层状态值,x(t)为当前输入节点的值,tanh与softmax均为激活函数。
本发明采用基于循环神经网络的异常检测编解码模型。对输入的时序电压数据经过编解码,得到重构数据,与原输入数据进行比较,得到两者间的误差,由误差的大小来判断输入的数据是否异常,并计算数据的正确率。
将图3展开如图4所示,可以更加直观地看到数据时间维度上在网络中的传播过程。随着时间长度的增加,循环神经网络深度不断增加。每个时间点将会构成一个网络拓扑图,并且各个时间点的网络拓扑权重共享。传统的神经网络的权值利用反向传播算法训练更新,而循环神经网络在此基础上引入了基于时间的反向传播算法。
由于时间序列长度导致网络循环的次数增多,网络加深,往往会出现梯度消失或梯度爆炸问题。通常有两种较为常用的隐藏层结构用来防止递归神经网络中的梯度更新问题的出现。一般的隐藏层状态更新由函数(激活函数)决定,而长短期记忆网络(Long-ShortTime Memory,LSTM)和门控循环单元(Gated Recurrent Unit,GRU)是两种替代激活函数更新隐藏层状态值的方法,用于解决梯度消失问题。
LSTM将信息存放在递归网络正常信息流之外的门控制单元之中。这些单元可以存储、写入或读取信息。GRU本质上就是一个没有输出门的LSTM,因此它在每个时间节点都会将记忆单元中的所有内容写入整体网络。
LSTM隐藏层状态的更新方式如下式:
i=σ(x(i)Ui+h(i-1)Wi+bi);
f=σ(x(i)Uf+h(i-1)Wf+bf);
o=σ(x(i)Uo+h(i-1)Wo+bo);
h(i)=o*tanh(c(i));
其中,
其中,i表示“忘记门”的Sigmoid层,f表示“输入门层”的Sigmoid层,c(i)表示状态值,表示候选向量,o表示基于细胞状态的过滤版本,h(i)表示输出值,W表示隐藏层和相邻时间点隐藏层的权重矩阵,也就是循环边的权重矩阵,b表示偏差值,x(i)表示当前输入节点的值。
GRU隐藏层状态的更新方式如下:
r=σ(x(i)Ur+h(i-1)Wr+br);
z=σ(x(i)Uz+h(i-1)Wz+bz);
其中,
由于LSTM模型的参数较多,所以LSTM模型的训练时间较GRU模型来说较长。本发明提出的编解码异常检测模型主体结构如图5所示,图中公式与符号的含义在文中已说明。
根据所述的编码网络隐藏层的状态更新方式,编码网络每一时刻的隐藏层的状态值:
其中,b为编码偏置值。
根据所述的解码网络隐藏层的状态更新方式,其解码网络的隐藏层初始状态:
a(t)为误差系数。
根据所述的解码网络隐藏层的状态更新方式,其解码网络每一时刻的隐藏层的状态值:
本发明提出模型重构误差,同时考量了衡量时间序列空间相似性的曼哈顿距离和衡量时间序列变化趋势相似性的编辑距离。
编辑距离的计算需要先对原始时间序列进行预处理,提取其变化趋势序列,将原始时间序列和重构时间序列转换如下式:
trend=[trend0,trend1,...trendn-1]和trend’=[trend’0,trend’1,...trend’n-1];
转换以后的序列的编辑距离为:
式中,ε为一个极小值,trend是原始时间序列,trend’是重构时间序列。
最终重构误差d由编辑距离dedit和曼哈顿距离dmanhattan加权和构成,α为自定义权重:
d=α*dmanhattan+(1-α)*dedit;
模型利用UCR Time Series Classification Archive开源数据集进行验证。图6表示正常的时间序列样本和异常的时间序列样本。可以看到仅通过肉眼观察,很难发现两者之间的差异,但本发明提出的模型能够有效区分两者。图7的虚线表示的是原始的时间序列数据,而实线是经过该模型重构以后的时间序列数据。
根据最终重构误差d来判断数据是否异常,用于校验数据质量,若最终重构误差d大于10%,则数据异常,剔除异常数据,完成对数据的修正。
在完成数据修正之后,针对以上低压台区数据特点,结合异常处理模型,主要采用以下方法对低压台区及用户修正之后的时序电压数据进行清洗,包括:
为方便表述本实例中用日用电量来表示设定时间段,数据处理框架如图8所示,具体步骤如下:
日冻结电量转为日用电量。对原始数据按前后做差,得到每日用电量。但是当前后读数只有一个或者都没有时,因为和空值进行减法运算,得到的日用电量为NaN,即数据缺失,不提取该日用电量;当前后都存在数值的时候,做差之后得到的就是用户的日用电量,提取该日用电量。
单调性检验。因为日冻结电量数据本身应该是单调的,所以当数据相减出现负值时,则认为数据存在错误,所以将日用电量中所有小于0数值全部置为NaN。
自动求解。对于三条电表读数(总,谷,峰)或五条电表读数(总,峰,平,间,谷),因为做差之后,除第1条电表读数之外的所有读数之和等于第1条读数,所以当数据点中所有读数只缺失任意1个读数的情况,可以依据剩下几条将其进行求解出来。
求和检验。对于日用电量数据,总电量等于各分时电量之和,所以可以将数据集中总用电量和分时用电量均有的日期进行求和检验,因为电表精度问题,实际要求求和做差之后的绝对值小于0.021×电表倍率,即认为正确。对于求和检验错误的每日用电数据,认为该日数据错误,将该日数据剔除,即全部置为NaN。
数值检验。因为用户的用电行为一般具有连续性,所以认为在短暂时间内,用电量发生急剧增加是错误的用电读数数值,对这样的用电数值需要进行剔除。针对不同的数据类型采取不同的判定标准,对于居民用户用电数据,当日用电量大于周围几天用电量均值8倍以上,则认为当天用电量错误,将其剔除即置为NaN。
数据复查。对于清洗之后用电曲线进行判断,如果仍然存在负值,或者NaN的情况,则标记为异常用户数据,不输出到清洗数据结果。
这里采用设定时长为15分钟为例,和用户日用电数据相同,从数据库中读入原始96点数据,从用户台账表读入用户档案信息,包括用户的yc_id和用户的行业信息。具体步骤说明如下:
电量和功率数据相互修复:
利用用户档案数据进行匹配关联,为了减少匹配过程中的计算量,原始数据从数据库读出时,都已经按照yc_id进行排序。这样对于三个数组,用户台账数据b,功率数据b1,电量数据b2,分别有指针p、p1、p2,表示当前处理的数据位置,整个匹配过程为,当p1、p2处的yc_id和p处的yc_id不同时,增加p值,直到p处的yc_id和p1处或者p2处的yc_id相同。那么则读取该yc_id对应的所有的有记录的用电数据进行处理,处理完之后,将p加1处理下一个yc_id即可。这样可以不重不漏的处理完所有的96点用电数据,同时计算复杂度只是扫描三条数组。
数值检验:
和日冻结电量类似,对于96点数据也进行数值检验,使用方法是对于大于排在95%分位处的用电数值两倍以上的数值进行剔除,将其置为NaN。考虑到在一天当中,因为昼夜的关系,用户的用电量本身就可能存在较大差异,所以数值检验是依据用户的每天同一时刻的用电情况进行估计。
算法测试效果比较:
因为用电数据具有一定的随机性,同时部分数据用电量数值较小,所以选择效果测试为,如果用电量误差绝对值小于2度电或者误差百分比小于10%,则认为该数据点修复成功,完成对数据的处理,先对时序电压数据利用循环神经网络进行修正,在利用智能电表用电量读数、瞬时用电量数据、设定时间段用电量数据对修正后的时序电压数据进行清洗,使得获取的时序电压数据更准确,从而使基于时序电压数据获取的拓扑结构更准确。
基于处理后的时序电压数据利用回归算法得到各节点之间的连接关系矩阵;其具体过程如下:
基于处理后的时序电压数据利用回归算法得到各节点之间的连接关系矩阵,如下:
本发明所述连接关系包括:各低压台区与各用户之间是否相连。为方便表示,本实施中建立低压台区拓扑初始分析模型。如图9所示,台区被定义为包含若干母线和连接母线的支路的物理网络,可以将其抽象地构建为一个图模型G=(N,S),G为图模型元素的集合,包括节点集合N和边集合S,描述节点集合为N={1,2,…,p},p是节点的计数编号,节点代表母线,描述边集合为S={xij,i,j∈N},边代表支路。母线用随机变量Vb表示,母线b的时序量测电压数据表示为其代表母线b量测单元所测的t时刻的电压幅值,代表电压相角。低压台区电网的电压量测信息基本处于稳定的状态且是同频率的交流信号,接下来我们需要确定母线与母线之间的关系从而确定拓扑结构。
在模型中,母线被抽象地建模并由随机变量V表示,p为母线的个数,我们使用联合概率分布来描述母线之间的独立性和相关性:
P(VN)=P(V2,V3,...,Vp)=P(V2)P(V3|V2)...P(Vp|V2,...,Vp-1);
母线1是平衡节点,它是一个单位幅值和零度相位的常量,在概率分布的公式中其忽略不计。在低压台区电网中,母线与其相邻节点的关联强度远大于与其不相邻节点的关联强度,因此,上式可以近似地推导为:
其中集合F(b)代表母线b的相邻母线集合。基于以上近似,辨识母线拓扑等价于寻找各母线的相邻母线,针对拓扑结构的类型并将其按序组合,本发明提供的方法适用于链式和环式两种拓扑结构。
为寻找各母线的相邻母线,首先,论证各母线仅与其相邻母线有强的统计相关性,且相邻节点之间存在相关性传递关系。下列各式中,运算符/均代表如下表达式展示的逻辑运算:
在低压台区电网中,如果在每条母线中电流的注入是近似独立的,那么各母线的时序电压与其不相邻母线的时序电压条件独立,如下式所示:
Vb⊥{Vn,n∈N/{F(b),b}}|VF(b);
对于一个拥有n节点的网络,其每个节点的注入电流相互独立,对于节点q,其节点电压方程为:
Iq+∑i∈N(q)Viyqi=Vqyqq;
其中,yqi表示节点q,i之间的互导纳,yqq为节点q的自导纳,Iq为注入节点q的电流。
对于节点q的所有相邻节点i∈N(q),给定其电压值Vi=vi,上式可写为:
Iq+∑i∈N(q)viyqi=Vqyqq;
对于某一节点k,其和节点q不直接相邻,k∈Q/{N(q),q},可以得到关于k的节点电压方程如下:
Ik=Vkykk-∑j∈N(k)Vjykj;
Ik+∑j∈N(q)∩N(k)vjykj=Vkykk-∑j∈N(k)/N(q)Vjykj;
由此可知在给定VN(q)的情况下,Vq与{Vk,VN(k)/N(q)}条件相关。综合以上两点,可以得出在给定VN(q)的情况下,Vq与{Vk,V/{N(q),q}}条件相关。
由此可知,在低压台区电网各母线电流注入相互独立的前提下,可得出下式:
即寻找各母线的相邻母线等价于找到各母线的邻域集合F(b)。
对于给定的母线b,VN/{b}表示图中不包含母线b的变量集合。设VN服从多元高斯混合分布,那么在给定母线b的情况下,VN/{b}也符合多元高斯混合分布。因此,基于混合高斯概率分布模型,VN可以被表示如下:
Vb=VT N/{b}βb+EN/{b};
其中,VT N/{b}表示不包含母线b的变量集合,βb表示母线b的关联参数向量,EN/{b}是零均值的误差项。在向量βb中非零的系数表明关联节点之间的关联程度。因此,寻找母线b的邻域问题可以转化为计算各母线的关联系数向量βb,从而确定只要确定各母线间的关联系数向量便可确定母线与母线之间连接关系即母线与母线间是否相连接。
基于所述连接关系矩阵中非零元素对应的节点得到各低压台区与各用户之间的连接关系,具体过程如下:
典型的低压台区电网的各母线之间不是完全相连,因此其关联系数矩阵是稀疏的,即有较多的关联系数元素为零。本实施例中为方便表述,采用回归算法中的LASSO算法,来计算各母线间的关联系数向量,但本发明所述的回归算法包括但不限于LASSO算法,一种广泛使用的确保数据压缩回归系数稀疏度的方法是采用LASSO算法中线性回归的L1范数正则化方法,它通过向成本函数中添加L1范数,使得学习得到的结果满足稀疏化。基于L1范数正则化惩罚项,多元线性回归系数的求解公式为:
式中argmin表示使后式达到最小值时的变量的取值,表示母线b在t时刻的电压,‖β‖1表示1范数,λ≥0表示正则化参数,如果λ为0,其转化为标准的最小二乘法问题。通过求解LASSO问题,可得母线b对应的系数向量βb,βb中的不为零的元素则表明母线b与该元素对应位置的母线连接,其余各母线一致。
正则化参数λ的选择至关重要,因为它会影响到β中非零系数的数量。当λ较小时,惩罚项影响较小,可行解接近于最小二乘法的可行解。当λ较大时,β的大量系数为零,造成矩阵的过度稀疏性压缩。因此,寻找最佳的正则化参数λ是合理求解LASSO问题的关键,下式是λ求解的计算公式:
通过求解线性回归函数,可得母线b对应的βb,循环计算βb,将各母线对应的β,按序构成矩阵β,矩阵β是m×m的矩阵,其大部分元素是0,因此,矩阵β也是稀疏的。
母线i和母线j之间的关系系数在各自的系数向量中分别独立的表示为和而由于拓扑图本质是无向图,描述母线i和母线j之间关联性的只应该有唯一的系数eij。“and”规则可以保证相互关联性的准确度,如下式所示:
eij=βji∧βij;
其中符号∧表示“and”规则,即如果βji和βij中有一个为零,那么母线i和j之间的关联系数为零。
对矩阵β的上三角矩阵和下三角矩阵的对应元素做“and”判据运算后得到矩阵E,E是一个上三角矩阵,E中母线i和j之间的连接状态唯一。
E矩阵是低压台区电网母线之间的拓扑关联矩阵,矩阵中大于零的元素表示对应母线之间相连,等于零的元素表示对应母线之间不相连。上三角E矩阵中非零元素对应的母线相连。
依次针对每个节点,将除所述每个节点外的其余各节点对应的时序电压数据分别代入线性回归函数,利用正则化参数进行约束,得到母线间的关联关系向量进而得到母线间的连接关系,即各低压台区与各用户间的连接关系,提高了计算的效率与准确性。
步骤3:基于所述各低压台区与各用户之间的连接关系生成低压台区拓扑结构,包括:
将相连的台区与用户连接起来,生成低压台区拓扑结构。
实施例2
为验证算法在实际配电网中的应用效果,本实施例采用河南洛阳市真实配电网的台区数据进行测试。数据共包含13个台区变压器,所有台区共连接1386户用户,台区中心站可通过用户的智能电表获取用户的电压、电流、有功功率、无功功率、相位等信息,每隔15分钟上传一次,每天上传96个点,共采样一周的数据。经过数据预处理,算法仅利用电压数据,电压数据格式如表1所示。
表1台区用户电压数据
算法利用台区时序电压数据生成台区配电网拓扑图,单个台区的拓扑连接关系图展示如图10所示,黑色圆圈表示台区,白色圆圈代表用户。从图中可以看出各用户以台区为中心,用户与台区相连,用户与用户之间不相连接。经实验验证,算法自动生成的真实河南配电网拓扑图准确率高于80%,具有一定的辅助决策价值,算法可作为现有技术的补充方法,提高配电网拓扑检测的智能化程度。
实施例3
采用隐藏层为LSTM结构的编解码模型、隐藏层为GRU结构的编解码模型和KNN算法的实验结果进行比较,如表2所示,由此可见,无论是精确度和召回率指标,本节所提出的模型的结构都优于KNN算法,通过实验分析足以证明该模型的有效性。
表2隐藏层仿真实验对比结果
实施例4
本实施例提供了一种低压台区拓扑识别系统,包括:
数据获取模块,用于获取目标区域中至少一个低压台区和所述目标区域中各用户的时序电压数据;
连接关系获取模块,用于基于所述时序电压数据利用回归算法得到各低压台区与各用户之间的连接关系;
低压台区拓扑结构生成模块,用于基于所述各低压台区与各用户之间的连接关系生成低压台区拓扑结构。
在一种可能的实施方式中,连接关系获取模块包括:
集合构建子模块,用于将所述低压台区和各用户均设为节点;
数据处理模块,用于利用智能电表用电量读数、瞬时用电量数据、设定时间段用电量数据对所述时序电压数据进行处理;
矩阵计算子模块,用于基于处理后的时序电压数据利用回归算法得到各节点之间的连接关系矩阵;
连接关系获取子模块,用于基于将所述连接关系矩阵中非零元素对应的节点,得到低压台区与各用户之间的连接关系。生成低压台区电网拓扑。
在一种可能的实施方式中,矩阵计算子模块,包括:
关联关系向量计算单元,用于依次针对每个节点,将除所述每个节点外的其余各节点对应的时序电压数据分别代入线性回归函数,并以预先得到的正则化参数为约束对带入所述其余各节点的时序电压数据的线性回归函数进行求解,以得到所述每个节点与所述其余各节点的关联系数向量;其中,所述正则化参数是基于所述时序电压数据中时间点的个数和节点的个数结合高斯分布函数计算得到的;
稀疏关系矩阵构建单元,用于以所有节点的关联系数向量为矩阵元素构成稀疏关系矩阵;
连接关系矩阵计算单元,用于将所述稀疏关系矩阵的上三角矩阵和下三角矩阵做and运算,得到各节点之间的连接关系矩阵;
其中,所述线性回归函数如下式所示:
式中,表示关于βb的线性回归函数,βb表示关联系数向量,argmin表示使后式达到最小值时的变量的取值,表示节点b在t时刻的电压,||βb||1表示βb的1范数,λ表示正则化参数,表示除节点b外的各节点在t时刻的电压,b表示节点计数编号,N表示时序电压数据中时间点的个数,T表示转置符号。
正则化参数计算单元,用于基于所述时序电压数据点的个数和节点的个数结合高斯分布函数计算正则化参数,其中正则化参数的计算式如下式所示:
在一种可能的实施方式中,数据处理模块,对所述时序电压数据进行修正,并利用所述智能电表用电量读数、瞬时用电量数据、设定时间段用电量数据对修正后的时序电压数据进行清洗,以滤掉异常的时序电压数据,包括:
数据修正模块,用于将所述时序电压数据输入到所述异常检测编解码模型中进行修正得到初步修正时序电压数据,将所述初步修正时序电压数据与所述时序电压数据对比以确定重构误差,并基于重构误差校验所述初步修正时序电压数据的数据质量,将数据质量低于设定阈值的所述初步修正时序电压数据剔除,将数据质量高于设定阈值的所述初步修正时序电压数据保留,作为修正后时序电压数据,以完成对所述时序电压数据的修正,其中,异常检测编解码模型的训练包括:
以获取的历史时序电压数据为输入数据,以修正后的历史时序电压数据为输出数据构建训练集;
基于所述训练集,采用循环神经网络进行训练得到所述异常检测编解码模型。
数据清洗模块,用于利用所述智能电表用电量读数、瞬时用电量数据、日用电量数据对修正后时序电压数据进行清洗。
在一种可能的实施方式中,数据清洗模块,用于将所述修正后的时序电压数据基于设定时间段用电量数据进行处理,得到初步处理数据;
对所述初步处理数据基于预设时间间隔采集的瞬时用电数据进行处理以完成对所述修正后的时序电压数据的清洗,包括:
基于设定时间段用电量数据清洗子模块,用于基于智能电表用电量读数提取各节点设定时间段用电量和所述设定时间段各分时用电量;,将设定时间段用电量相对于所述设定时间段各分时用电量之和的差的绝对值大于第一设定倍数的电表倍率的修正后的时序电压数据确定为所述无效数据,以及,将用户当日用电量大于设定天数用电量均值第二设定倍数的当日用电量的时间段对应的修正后的时序电压数据确定为无效数据;
剔除所述无效数据,并当存在缺失一条用电量读数的数据时,依据智能电表第一用电量读数等于所述除第一用电量读数之外的所有用电量读数之和的规则求解得到缺失的用电量读数。
基于瞬时用电量数据清洗子模块,用于将大于设定瞬时用电量阈值的瞬时用电量所在的时间段对应的修正后的时序电压数据确定为无效时序电压数据,并使用用户台账历史数据中的与所述大于设定瞬时用电量阈值的瞬时用电量相同时间段对应的时序电压数据置换所述无效时序电压数据。
基于同一发明构思,本发明再一个实施例中,提供了一种计算机设备,该计算机设备包括处理器以及存储器,所述存储器用于存储计算机程序,所述计算机程序包括程序指令,所述处理器用于执行所述计算机存储介质存储的程序指令。处理器可能是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor、DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable GateArray,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等,其是终端的计算核心以及控制核心,其适于实现一条或一条以上指令,具体适于加载并执行计算机存储介质内一条或一条以上指令从而实现相应方法流程或相应功能;本发明实施例所述的处理器可以用于执行一种低压台区拓扑识别方法的步骤。
基于同一发明构思,本发明再一个实施例中,本发明还提供了一种存储介质,具体为计算机可读存储介质(Memory),所述计算机可读存储介质是计算机设备中的记忆设备,用于存放程序和数据。可以理解的是,此处的计算机可读存储介质既可以包括计算机设备中的内置存储介质,当然也可以包括计算机设备所支持的扩展存储介质。计算机可读存储介质提供存储空间,该存储空间存储了终端的操作系统。并且,在该存储空间中还存放了适于被处理器加载并执行的一条或一条以上的指令,这些指令可以是一个或一个以上的计算机程序(包括程序代码)。需要说明的是,此处的计算机可读存储介质可以是高速RAM存储器,也可以是非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器。可由处理器加载并执行计算机可读存储介质中存放的一条或一条以上指令,以实现上述实施例中一种低压台区拓扑识别方法的相应步骤。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上仅为本发明的实施例而已,并不用于限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均包含在申请待批的本发明的权利要求范围之内。
Claims (15)
1.一种低压台区拓扑识别方法,其特征在于,包括:
获取目标区域中至少一个低压台区和所述目标区域中各用户的时序电压数据;
基于所述时序电压数据利用回归算法得到各低压台区与各用户之间的连接关系;
基于所述各低压台区与各用户之间的连接关系生成低压台区拓扑结构。
2.根据权利要求1所述的方法,其特征在于,所述基于所述时序电压数据利用回归算法得到各低压台区与各用户之间的连接关系,包括:
将所述各低压台区和所述各用户均设为节点;
利用智能电表用电量读数、瞬时用电量数据、设定时间段的用电量数据对所述时序电压数据进行处理;
基于处理后的时序电压数据利用回归算法得到各节点之间的连接关系矩阵;
基于所述连接关系矩阵中非零元素对应的节点得到各低压台区与各用户之间的连接关系。
3.根据权利要求2所述的方法,其特征在于,所述基于处理后的时序电压数据利用回归算法得到各节点之间的连接关系矩阵,包括:
依次针对每个节点,将除所述每个节点外的其余各节点对应的时序电压数据分别代入线性回归函数,并以预先得到的正则化参数为约束对带入所述其余各节点的时序电压数据的线性回归函数进行求解,以得到所述每个节点与所述其余各节点的关联系数向量;其中,所述正则化参数是基于所述时序电压数据中时间点的个数和节点的个数结合高斯分布函数计算得到的;
以所有节点的关联系数向量为矩阵元素构建稀疏关系矩阵;
将所述稀疏关系矩阵的上三角矩阵和下三角矩阵做and运算,得到各节点之间的连接关系矩阵。
6.根据权利要求2所述的方法,其特征在于,所述利用智能电表用电量读数、瞬时用电量数据、设定时间段的用电量数据对异常的时序电压数据进行处理,包括:
对所述时序电压数据进行修正,并利用所述智能电表用电量读数、瞬时用电量数据、设定时间段的用电量数据对修正后的时序电压数据进行清洗,以滤掉异常的时序电压数据。
7.根据权利要求6所述的拓扑识别方法,其特征在于,所述对所述时序电压数据进行修正,包括:
将所述时序电压数据输入到预先训练好的异常检测编解码模型中进行修正得到初步修正的时序电压数据;其中,所述异常检测编解码模型是基于历史时序电压数据和修正后历史时序电压数据利用神经网络训练得到的;
将所述初步修正的时序电压数据与所述时序电压数据对比以确定重构误差;
基于所述重构误差校验所述初步修正的时序电压数据的数据质量,并将数据质量低于设定阈值的初步修正的时序电压数据剔除,以及将数据质量高于所述设定阈值的初步修正的时序电压数据保留,以作为所述修正后的时序电压数据。
8.根据权利要求7所述的拓扑识别方法,其特征在于,所述异常检测编解码模型的训练包括:
以获取的历史时序电压数据为输入数据,以修正后的历史时序电压数据为输出数据构建训练集;
基于所述训练集,采用循环神经网络进行训练得到所述异常检测编解码模型。
9.根据权利要求6所述的拓扑识别方法,其特征在于,所述利用所述智能电表用电量读数、瞬时用电量数据、设定时间段的用电量数据对修正后的时序电压数据进行清洗,包括:
将所述修正后的时序电压数据基于设定时间段的用电量数据进行处理,得到初步处理数据;
对所述初步处理数据基于预设时间间隔采集的瞬时用电数据进行处理以完成对所述修正后的时序电压数据的清洗。
10.根据权利要求9所述的拓扑识别方法,其特征在于,所述将所述修正后的时序电压数据基于设定时间段的用电量数据进行清洗,包括:
基于智能电表用电量读数提取各节点设定时间段的用电量和所述设定时间段各分时用电量;将设定时间段的用电量相对于所述设定时间段各分时用电量之和的差的绝对值大于第一设定倍数的电表倍率的修正后的时序电压数据确定为所述无效数据,以及,将用户当日用电量大于设定天数用电量均值第二设定倍数的当日用电量的时间段对应的修正后的时序电压数据确定为无效数据;
剔除所述无效数据,并当存在缺失一条用电量读数的数据时,依据智能电表第一用电量读数等于所述除第一用电量读数之外的所有用电量读数之和的规则求解得到缺失的用电量读数。
11.根据权利要求10所述的拓扑识别方法,其特征在于,当基于智能电表用电量读数提取各节点设定时间段的用电量和所述设定时间段各分时用电量时:
若所述智能电表用电量读数只有一个或都没有或所述智能电表用电量读数相减不小于0,则不提取所述各节点对应时间段用电量,否则提取所述各节点对应时间段的用电量。
12.根据权利要求9所述的拓扑识别方法,其特征在于,所述对所述初步处理数据基于预设时间间隔采集的瞬时用电数据进行处理以完成对所述修正后的时序电压数据的清洗,包括:
将大于设定瞬时用电量阈值的瞬时用电量所在的时间段对应的修正后的时序电压数据确定为无效时序电压数据,并使用用户台账历史数据中的与所述大于设定瞬时用电量阈值的瞬时用电量相同时间段对应的时序电压数据置换所述无效时序电压数据。
13.一种低压台区拓扑识别系统,其特征在于,包括:
数据获取模块,用于获取目标区域中至少一个低压台区和所述目标区域中各用户的时序电压数据;
连接关系获取模块,用于基于所述时序电压数据利用回归算法得到各低压台区与各用户之间的连接关系;
低压台区拓扑结构生成模块,用于基于所述各低压台区与各用户之间的连接关系生成低压台区拓扑结构。
14.一种计算机设备,其特征在于,包括:
一个或多个处理器,
处理器,用于执行一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行时实现权利要求1至12任一项所述的方法。
15.一种计算机可读存储介质,其特征在于,其上存有计算机程序,当所述程序被执行时,实现如权利要求1至12任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111301573.4A CN114243712A (zh) | 2021-11-04 | 2021-11-04 | 一种低压台区拓扑识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111301573.4A CN114243712A (zh) | 2021-11-04 | 2021-11-04 | 一种低压台区拓扑识别方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114243712A true CN114243712A (zh) | 2022-03-25 |
Family
ID=80748437
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111301573.4A Pending CN114243712A (zh) | 2021-11-04 | 2021-11-04 | 一种低压台区拓扑识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114243712A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114726740A (zh) * | 2022-06-09 | 2022-07-08 | 国网浙江省电力有限公司宁波供电公司 | 台区拓扑识别方法、系统及智能融合终端 |
CN115099291A (zh) * | 2022-08-29 | 2022-09-23 | 同方德诚(山东)科技股份公司 | 一种建筑节能监测方法 |
CN115329814A (zh) * | 2022-08-09 | 2022-11-11 | 广州番禺职业技术学院 | 一种基于图像信号处理的低压用户链路识别方法及装置 |
CN115577993A (zh) * | 2022-12-09 | 2023-01-06 | 江苏瑞电智芯信息科技有限公司 | 一种基于时序匹配的台区户变识别方法 |
CN116054158A (zh) * | 2023-03-29 | 2023-05-02 | 北京志翔科技股份有限公司 | 台区数据处理方法、装置、电子设备和存储介质 |
CN116599055A (zh) * | 2023-05-26 | 2023-08-15 | 联桥科技有限公司 | 一种低压配网台区的拓扑网络识别方法及系统 |
CN116896507A (zh) * | 2023-09-11 | 2023-10-17 | 成都汉度科技有限公司 | 一种基于融合终端和ltu的台区拓扑识别方法及系统 |
-
2021
- 2021-11-04 CN CN202111301573.4A patent/CN114243712A/zh active Pending
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114726740A (zh) * | 2022-06-09 | 2022-07-08 | 国网浙江省电力有限公司宁波供电公司 | 台区拓扑识别方法、系统及智能融合终端 |
CN115329814A (zh) * | 2022-08-09 | 2022-11-11 | 广州番禺职业技术学院 | 一种基于图像信号处理的低压用户链路识别方法及装置 |
CN115329814B (zh) * | 2022-08-09 | 2023-04-07 | 广州番禺职业技术学院 | 一种基于图像信号处理的低压用户链路识别方法及装置 |
CN115099291A (zh) * | 2022-08-29 | 2022-09-23 | 同方德诚(山东)科技股份公司 | 一种建筑节能监测方法 |
CN115099291B (zh) * | 2022-08-29 | 2022-11-11 | 同方德诚(山东)科技股份公司 | 一种建筑节能监测方法 |
CN115577993A (zh) * | 2022-12-09 | 2023-01-06 | 江苏瑞电智芯信息科技有限公司 | 一种基于时序匹配的台区户变识别方法 |
CN116054158A (zh) * | 2023-03-29 | 2023-05-02 | 北京志翔科技股份有限公司 | 台区数据处理方法、装置、电子设备和存储介质 |
CN116599055A (zh) * | 2023-05-26 | 2023-08-15 | 联桥科技有限公司 | 一种低压配网台区的拓扑网络识别方法及系统 |
CN116599055B (zh) * | 2023-05-26 | 2023-12-01 | 联桥科技有限公司 | 一种低压配网台区的拓扑网络识别方法及系统 |
CN116896507A (zh) * | 2023-09-11 | 2023-10-17 | 成都汉度科技有限公司 | 一种基于融合终端和ltu的台区拓扑识别方法及系统 |
CN116896507B (zh) * | 2023-09-11 | 2023-12-01 | 成都汉度科技有限公司 | 一种基于融合终端和ltu的台区拓扑识别方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114243712A (zh) | 一种低压台区拓扑识别方法及系统 | |
CN110263866B (zh) | 一种基于深度学习的电力用户负荷区间预测方法 | |
CN109255505B (zh) | 一种多模型融合神经网络的短期负荷预测方法 | |
CN115018021B (zh) | 基于图结构与异常注意力机制的机房异常检测方法及装置 | |
CN111160626B (zh) | 一种基于分解融合的电力负荷时间序列控制方法 | |
CN112329990A (zh) | 一种基于lstm-bp神经网络的用户用电负荷预测方法 | |
CN111754034A (zh) | 一种基于混沌优化神经网络模型的时间序列预测方法 | |
CN115456306A (zh) | 一种母线负荷预测方法、系统、设备及存储介质 | |
CN116703644A (zh) | 一种基于Attention-RNN的短期电力负荷预测方法 | |
CN113360848A (zh) | 一种时序数据预测方法及装置 | |
CN115186923A (zh) | 光伏发电功率的预测方法、装置及电子设备 | |
CN114897277A (zh) | 一种基于lstm的突发型滑坡位移预测方法 | |
CN114676622A (zh) | 基于自编码器深度学习模型的短期光伏功率预测方法 | |
CN114330642A (zh) | 一种用于多采样时间的建筑电力负荷预测方法 | |
CN112767190B (zh) | 一种基于多层堆叠式神经网络的台区相序识别方法及装置 | |
CN114189047A (zh) | 面向有源配电网状态估计的虚假数据检测与修正方法 | |
CN112232570A (zh) | 一种正向有功总电量预测方法、装置及可读存储介质 | |
CN116937559A (zh) | 基于循环神经网络和张量分解的电力系统负荷预测系统和方法 | |
CN109061544B (zh) | 一种电能计量误差估计方法 | |
CN116885699A (zh) | 基于双重注意力机制的电力负荷预测方法 | |
CN116706888A (zh) | 基于联邦学习的智能电网负荷预测方法 | |
CN115994605A (zh) | 综合气象因子数据的多数据融合光伏功率预测算法 | |
CN115860212A (zh) | 一种配电网的风险预测方法与终端 | |
CN115640743A (zh) | 基于贝叶斯优化参数神经网络的配电负荷-馈线智能匹配方法 | |
CN114298413A (zh) | 一种水电机组振摆趋势预测方法 |
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 |