CN114565779B - 一种低压台区户变拓扑辨识方法及系统 - Google Patents

一种低压台区户变拓扑辨识方法及系统 Download PDF

Info

Publication number
CN114565779B
CN114565779B CN202210366053.XA CN202210366053A CN114565779B CN 114565779 B CN114565779 B CN 114565779B CN 202210366053 A CN202210366053 A CN 202210366053A CN 114565779 B CN114565779 B CN 114565779B
Authority
CN
China
Prior art keywords
area
topology
neural network
historical
transformer
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.)
Active
Application number
CN202210366053.XA
Other languages
English (en)
Other versions
CN114565779A (zh
Inventor
陈恩泽
陈昊华
顾亚滨
陈君
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.)
Wuhan Zhongyuan Electronic Information Co ltd
Original Assignee
Wuhan Zhongyuan Electronic Information 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 Wuhan Zhongyuan Electronic Information Co ltd filed Critical Wuhan Zhongyuan Electronic Information Co ltd
Priority to CN202210366053.XA priority Critical patent/CN114565779B/zh
Publication of CN114565779A publication Critical patent/CN114565779A/zh
Application granted granted Critical
Publication of CN114565779B publication Critical patent/CN114565779B/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
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/08—Locating faults in cables, transmission lines, or networks
    • G01R31/081—Locating faults in cables, transmission lines, or networks according to type of conductors
    • G01R31/086—Locating faults in cables, transmission lines, or networks according to type of conductors in power transmission or distribution networks, i.e. with interconnected conductors
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/08—Locating faults in cables, transmission lines, or networks
    • G01R31/088—Aspects of digital computing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • 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
    • H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
    • Y02E40/50—Arrangements for eliminating or reducing asymmetry in polyphase networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Power Engineering (AREA)
  • Supply And Distribution Of Alternating Current (AREA)
  • Remote Monitoring And Control Of Power-Distribution Networks (AREA)

Abstract

本发明涉及一种低压台区户变拓扑辨识方法及系统，其方法包括：获取待辨识供电台区的多个用户电表、分支箱和配电变压器的实时运行数据，以及历史台区拓扑；所述运行数据至少包括：电压、电流和电能计量数据；将待辨识供电台区的运行数据分别处理为热力图和序列,并将其与历史台区拓扑进行特征匹配；将特征匹配后的热力图、序列和历史台区拓扑，输入到训练完成的多源时空神经网络中，得到实时待辨识供台区拓扑。本发明利用了低压台区运行数据的计量特性、序列特性、地位位置特性，分别采用不同的神经网络提取并融合，在不增加工程现有成本的基础上，提高了台区智能监测以及故障研判的准确率，减少了辨识过程中对电网的干扰或影响。

Description

一种低压台区户变拓扑辨识方法及系统
技术领域
本发明属于电力系统测量与自动化技术领域，具体涉及一种低压台区户变拓扑辨识方法及系统。
背景技术
随着我国城市化进程的发展，电力用户数量大量增加，配电系统也愈加完善。低压台区（380/220V）用户多、结构复杂、投入不足，导致其运维困难、故障频发、线损率高。低压拓扑错误主要表现在3个方面：①“户-变”对应关系错误，即档案划分错误，将不是本台区（一般为邻近台区）的电表号加载到本台区集中器中，影响台区线损计算的准确性；②“户-相”关系不准，即用户电表所在相位不对或者没有，台区三相负荷不平衡时无法有效平衡三相负荷，造成电压质量降低、设备寿命损耗加快；③“户-线”关系缺失，即缺少用户与配电变压器（简称配变）之间线路连接信息，当台区出现故障时，无法快速准确地判断故障区间和停电区间。
目前配电台区的运维仍以“粗犷式”管理为主，也即通过运维人员人工盲查，该种方式无法满足电力用户不断增长的供电可靠性要求。大部分配电台区运行环境复杂、负荷时空分布不均衡，而配电台区直接向用户供电，一旦出现停电或电压质量事件，将严重影响电力用户的正常用电。现有技术中提出了基于注入脉冲电流的拓扑识别方法，但该方法影响电网安全；另一方面，通过在采集端增加各种分布式通信设备来提高拓扑的准确性，但该方法会导致高压串扰的问题。
发明内容
为解决提高台区拓扑构建的准确性、降低对主干电网的干扰的问题，在本发明的第一方面提供了一种低压台区户变拓扑辨识方法，包括：获取待辨识供电台区的多个用户电表、分支箱和配电变压器的实时运行数据，以及历史台区拓扑；所述运行数据至少包括：电压、电流和电能计量数据；将待辨识供电台区的运行数据分别处理为热力图和序列,并将其与历史台区拓扑进行特征匹配；将特征匹配后的热力图、序列和历史台区拓扑，输入到训练完成的多源时空神经网络中，得到实时待辨识供台区拓扑。
在本发明的一些实施例中，所述将待辨识供电台区的运行数据分别处理为热力图和序列,并将其进行匹配包括：将待辨识供电台区的多个采集设备的运行数据复制为两份相同的副本，并将其分别处理为热力图和序列；将每个采集设备根据时间特性和电气特性进行匹配，得到每个采集设备电气特性的热力图及其对应的序列。
进一步的，所述电气特性的热力图及其对应的序列为每个采集设备电气特性的电压采样值和电能计量值的序列。
在本发明的一些实施例中，所述多源时空神经网络包括卷积神经网络、LSTM、图神经网络和全连接层，所述全连接层分别与LSTM和图神经网络连接，所述卷积神经网络，用于提取特征匹配后的热力图的图像特征；所述LSTM，用于提取特征匹配后的序列的序列特征；所述图神经网络，用于特征匹配后的历史台区拓扑的语义特征；所述全连接层，用于融合序列特征和语义特征，并输出台区拓扑。
进一步的，所述图神经网络通过如下方法构建：将历史台区拓扑中的每个采集设备映射到三维GIS地图上，并将每个采集设备的地理位置作为节点，采集设备之间的输入输出关系作为边，采集设备之间的相关关系作为权，构建图神经网络。
在上述的实施例中，所述训练完成的多源时空神经网络通过如下方法训练：获取多个台区的拓扑、用户电表、分支箱和配电变压器的运行数据；将每个台区的用户电表、分支箱和配电变压器的运行数据分别处理为热力图和序列,并将其作为样本，对应的台区拓扑作为标签构建训练数据集；利用所述训练数据集，训练所述多源时空神经网络，直至其误差低于阈值且趋于稳定，得到训练完成的多源时空神经网络。
本发明的第二方面，提供了一种低压台区户变拓扑辨识系统，包括：获取模块，用于获取待辨识供电台区的多个用户电表、分支箱和配电变压器的实时运行数据，以及历史台区拓扑；所述运行数据至少包括：电压、电流和电能计量数据；匹配模块，用于将待辨识供电台区的运行数据分别处理为热力图和序列,并将其与历史台区拓扑进行特征匹配；输出模块，用于将特征匹配后的热力图、序列和历史台区拓扑，输入到训练完成的多源时空神经网络中，得到实时待辨识供台区拓扑。
进一步的，所述匹配模块包括：复制单元，用于将待辨识供电台区的多个采集设备的运行数据复制为两份相同的副本，并将其分别处理为热力图和序列；匹配单元，用于将每个采集设备根据时间特性和电气特性进行匹配，得到每个采集设备电气特性的热力图及其对应的序列。
本发明的第三方面，提供了一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本发明在第一方面提供的低压台区户变拓扑辨识方法。
本发明的第四方面，提供了一种计算机可读介质，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现本发明在第一方面提供的低压台区户变拓扑辨识方法。
本发明的有益效果是：
1.本发明利用了低压台区运行数据的计量特性、序列特性和地位位置特性，分别采用不同的神经网络提取并融合，在不增加工程现有成本的基础上，提高了台区智能监测以及故障研判的准确率，减少了辨识过程中对电网的干扰或影响；
2.将计量特性处理为热力图，提高了数据处理的并行性，同时由于考虑了计量特性、序列特性、地位位置特性，提高了模型的准确性和泛化性；
3.基于不同采集设备或节点之间的时空模式的相似性，构建了一个图神经网络，用于表达区域特征的语义信息。
附图说明
图1为本发明的一些实施例中的低压台区户变拓扑辨识方法的基本流程示意图；
图2为本发明的一些实施例中的多源时空神经网络的结构原理图；
图3为本发明的一些实施例中的台区拓扑示意图；
图4为本发明的一些实施例中的低压台区户变拓扑辨识系统的结构示意图；
图5为本发明的一些实施例中的电子设备的结构示意图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。
参考图1，在本发明的第一方面，提供了一种低压台区户变拓扑辨识方法，包括：S100.获取待辨识供电台区的多个用户电表、分支箱和配电变压器的实时运行数据，以及历史台区拓扑；所述运行数据至少包括：电压、电流和电能计量数据；S200.将待辨识供电台区的运行数据分别处理为热力图和序列,并将其与历史台区拓扑进行特征匹配；S300.将特征匹配后的热力图、序列和历史台区拓扑，输入到训练完成的多源时空神经网络中，得到实时待辨识供台区拓扑。
在本发明的一些实施例的步骤S200中，所述将待辨识供电台区的运行数据分别处理为热力图和序列,并将其进行匹配包括：S201.将待辨识供电台区的多个采集设备的运行数据复制为两份相同的副本，并将其分别处理为热力图和序列；S202.将每个采集设备根据时间特性和电气特性进行匹配，得到每个采集设备电气特性的热力图及其对应的序列。具体地，特征匹配可采用DTW动态时间规整处理热力图和序列的相似度匹配。
进一步的，所述电气特性的热力图及其对应的序列为每个采集设备电气特性的电压采样值和电能计量值的序列。
参考图2，在本发明的一些实施例的步骤S300中，所述多源时空神经网络包括卷积神经网络、LSTM、图神经网络和全连接层，所述全连接层分别与LSTM和图神经网络连接，所述卷积神经网络，用于提取特征匹配后的热力图的图像特征；所述LSTM，用于提取特征匹配后的序列的序列特征；所述图神经网络，用于特征匹配后的历史台区拓扑的语义特征；所述全连接层，用于融合序列特征和语义特征，并输出台区拓扑。
示意性地，图2示出了本发明中的采用的多源时空神经网络一般性结构，部分a、b、 c分别代表卷积神经网络、LSTM、图神经网络，FC代表全连接层，在每次迭代中卷积神经网络 输出图像特征
Figure DEST_PATH_IMAGE001
，并将其与序列特征s t 进行匹配，融合后得到特征向量h t ；特征向量h t与历 史台区拓扑的多维向量m融合，经全连接层的one-hot的映射，输出台区拓扑y t 。
进一步的，所述图神经网络通过如下方法构建：将历史台区拓扑中的每个采集设备映射到三维GIS地图上，并将每个采集设备的地理位置作为节点，采集设备之间的输入输出关系作为边，采集设备之间的相关关系作为权，构建图神经网络。
在上述的实施例中，所述训练完成的多源时空神经网络通过如下方法训练：获取多个台区的拓扑、用户电表、分支箱和配电变压器的运行数据；将每个台区的用户电表、分支箱和配电变压器的运行数据分别处理为热力图和序列,并将其作为样本，对应的台区拓扑作为标签构建训练数据集；利用所述训练数据集，训练所述多源时空神经网络，直至其误差低于阈值且趋于稳定，得到训练完成的多源时空神经网络。
在上述的实施例的步骤S100中，获取待辨识供电台区的多个用户电表、分支箱和配电变压器的实时运行数据，以及历史台区拓扑包括如下步骤：S101.在供电网络中的配电箱中设置分支终端，分支终端采集配电箱中进线和出线上的特征信息并通过通信信道传送给上位机，进线和出线为特征信息采集点，上位机根据特征信息自动辨识台区拓扑；不失一般性，图3示出了包含四级分支的台区拓扑。
S102.获取样本数据，所述样本数据类型包括：用户电表、分支箱、配电变压器的运行数据。利用设置在各个采集终端（用户电表、分支箱和配电变压器）的电能计量芯片，自动测量电网电压、电流、有功功率、无功功率、视在功率、频率、功率因数、能量等；
用户电表输入数据包括：短时闪变值、长时闪变值、电压波动值、电压暂降、电压暂升、频率偏差、电压短时中断、电压偏差、载波信号强度、谐波电压含有量数据；
分支箱数据包括但不限于：短时闪变值、长时闪变值、电压波动值、电压暂降、电压暂升、频率偏差、电压短时中断、电压偏差、载波信号强度、谐波电压含有量数据；
实施例2
参考图4，本发明的第二方面，提供了一种低压台区户变拓扑辨识系统，包括1：获取模块11，用于获取待辨识供电台区的多个用户电表、分支箱和配电变压器的实时运行数据，以及历史台区拓扑；所述运行数据至少包括：电压、电流和电能计量数据；匹配模块12，用于将待辨识供电台区的运行数据分别处理为热力图和序列,并将其与历史台区拓扑进行特征匹配；输出模块13，用于将特征匹配后的热力图、序列和历史台区拓扑，输入到训练完成的多源时空神经网络中，得到实时待辨识供台区拓扑。
进一步的，所述匹配模块12包括：复制单元，用于将待辨识供电台区的多个采集设备的运行数据复制为两份相同的副本，并将其分别处理为热力图和序列；匹配单元，用于将每个采集设备根据时间特性和电气特性进行匹配，得到每个采集设备电气特性的热力图及其对应的序列。
实施例3
参考图5，本发明的第三方面，提供了一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本发明在第一方面的方法。
电子设备500可以包括处理装置(例如中央处理器、图形处理器等)501，其可以根据存储在只读存储器(ROM)502中的程序或者从存储装置508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM 503中，还存储有电子设备500操作所需的各种程序和数据。处理装置501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
通常以下装置可以连接至I/O接口505：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置506；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置507；包括例如硬盘等的存储装置508；以及通信装置509。通信装置509可以允许电子设备500与其他设备进行无线或有线通信以交换数据。虽然图5示出了具有各种装置的电子设备500，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图5中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置509从网络上被下载和安装，或者从存储装置508被安装，或者从ROM 502被安装。在该计算机程序被处理装置501执行时，执行本公开的实施例的方法中限定的上述功能。需要说明的是，本公开的实施例所描述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开的实施例中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个计算机程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的实施例的操作的计算机程序代码，程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++、Python，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。需要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种低压台区户变拓扑辨识方法，其特征在于，包括：
获取待辨识供电台区的多个用户电表、分支箱和配电变压器的实时运行数据，以及历史台区拓扑；所述运行数据至少包括：电压、电流和电能计量数据；
将待辨识供电台区的运行数据分别处理为热力图和序列,并将其与历史台区拓扑进行特征匹配:将待辨识供电台区的多个采集设备的运行数据复制为两份相同的副本，并将其分别处理为热力图和序列；将每个采集设备根据时间特性和电气特性进行匹配，得到每个采集设备电气特性的热力图及其对应的序列;
将特征匹配后的热力图、序列和历史台区拓扑，输入到训练完成的多源时空神经网络中，得到实时待辨识供电台区拓扑；所述训练完成的多源时空神经网络通过如下方法训练：获取多个台区的拓扑、用户电表、分支箱和配电变压器的运行数据；将每个台区的用户电表、分支箱和配电变压器的运行数据分别处理为热力图和序列,并将其和历史台区拓扑作为样本，对应的台区拓扑作为标签构建训练数据集；利用所述训练数据集，训练所述多源时空神经网络，直至其误差低于阈值且趋于稳定，得到训练完成的多源时空神经网络；所述多源时空神经网络包括卷积神经网络、LSTM、图神经网络和全连接层，所述全连接层分别与LSTM和图神经网络连接，所述卷积神经网络，用于提取特征匹配后的热力图的图像特征；所述LSTM，用于提取特征匹配后的序列的序列特征；所述图神经网络，用于特征匹配后的历史台区拓扑的语义特征；所述全连接层，用于融合图像特征、序列特征和语义特征，并输出台区拓扑。
2.根据权利要求1所述的低压台区户变拓扑辨识方法，其特征在于，所述电气特性的热力图及其对应的序列为每个采集设备电气特性的电压采样值和电能计量值的序列。
3.根据权利要求1所述的低压台区户变拓扑辨识方法，其特征在于，所述图神经网络通过如下方法构建：
将历史台区拓扑中的每个采集设备映射到三维GIS地图上，并将每个采集设备的地理位置作为节点，采集设备之间的输入输出关系作为边，采集设备之间的相关关系作为权，构建图神经网络。
4.一种低压台区户变拓扑辨识系统，其特征在于，包括：
获取模块，用于获取待辨识供电台区的多个用户电表、分支箱和配电变压器的实时运行数据，以及历史台区拓扑；所述运行数据至少包括：电压、电流和电能计量数据；
匹配模块，用于将待辨识供电台区的运行数据分别处理为热力图和序列,并将其与历史台区拓扑进行特征匹配:将待辨识供电台区的多个采集设备的运行数据复制为两份相同的副本，并将其分别处理为热力图和序列；将每个采集设备根据时间特性和电气特性进行匹配，得到每个采集设备电气特性的热力图及其对应的序列;
输出模块，用于将特征匹配后的热力图、序列和历史台区拓扑，输入到训练完成的多源时空神经网络中，得到实时待辨识供电台区拓扑；所述训练完成的多源时空神经网络通过如下方法训练：获取多个台区的拓扑、用户电表、分支箱和配电变压器的运行数据；将每个台区的用户电表、分支箱和配电变压器的运行数据分别处理为热力图和序列,并将其和历史台区拓扑作为样本，对应的台区拓扑作为标签构建训练数据集；利用所述训练数据集，训练所述多源时空神经网络，直至其误差低于阈值且趋于稳定，得到训练完成的多源时空神经网络；所述多源时空神经网络包括卷积神经网络、LSTM、图神经网络和全连接层，所述全连接层分别与LSTM和图神经网络连接，所述卷积神经网络，用于提取特征匹配后的热力图的图像特征；所述LSTM，用于提取特征匹配后的序列的序列特征；所述图神经网络，用于特征匹配后的历史台区拓扑的语义特征；所述全连接层，用于融合图像特征、序列特征和语义特征，并输出台区拓扑。
5.一种电子设备，其特征在于，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1至3任一项所述的低压台区户变拓扑辨识方法。
6.一种计算机可读介质，其特征在于，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现如权利要求1至3任一项所述的低压台区户变拓扑辨识方法。
CN202210366053.XA 2022-04-08 2022-04-08 一种低压台区户变拓扑辨识方法及系统 Active CN114565779B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210366053.XA CN114565779B (zh) 2022-04-08 2022-04-08 一种低压台区户变拓扑辨识方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210366053.XA CN114565779B (zh) 2022-04-08 2022-04-08 一种低压台区户变拓扑辨识方法及系统

Publications (2)

Publication Number Publication Date
CN114565779A CN114565779A (zh) 2022-05-31
CN114565779B true CN114565779B (zh) 2022-08-05

Family

ID=81720793

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210366053.XA Active CN114565779B (zh) 2022-04-08 2022-04-08 一种低压台区户变拓扑辨识方法及系统

Country Status (1)

Country Link
CN (1) CN114565779B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114915546B (zh) * 2022-06-20 2023-05-30 广东电网有限责任公司 一种停电用户定位方法、装置、设备、介质
CN115358347B (zh) * 2022-09-30 2023-01-31 山西虚拟现实产业技术研究院有限公司 一种针对不同子系统下智能电表的剩余寿命预测方法
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
CN116933104B (zh) * 2023-09-19 2023-12-01 北京前景无忧电子科技股份有限公司 一种低压配电网拓扑识别方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109859854A (zh) * 2018-12-17 2019-06-07 中国科学院深圳先进技术研究院 传染病预测方法、装置、电子设备及计算机可读介质
CN112131783A (zh) * 2020-09-04 2020-12-25 国电南瑞科技股份有限公司 一种基于配电台区大数据的户变拓扑关系识别方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108448575B (zh) * 2018-04-02 2020-04-14 广州供电局有限公司 配电网电力负荷分析方法和系统、计算机存储介质及设备
CN109815785A (zh) * 2018-12-05 2019-05-28 四川大学 一种基于双流卷积神经网络的人脸情绪识别方法
CN113139596A (zh) * 2021-04-20 2021-07-20 武汉理工大学 低压台区线损神经网络的优化算法
CN113762716B (zh) * 2021-07-30 2023-07-25 国网山东省电力公司营销服务中心(计量中心) 基于深度学习和注意力的台区运行状态评估方法及系统
CN113904322A (zh) * 2021-09-09 2022-01-07 广东电网有限责任公司电力调度控制中心 一种基于电流+电压的低压配网拓扑生成方法
CN113902583A (zh) * 2021-09-22 2022-01-07 国网安徽省电力有限公司电力科学研究院 利用低压网络设备数据的配网侧运维方法及系统

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109859854A (zh) * 2018-12-17 2019-06-07 中国科学院深圳先进技术研究院 传染病预测方法、装置、电子设备及计算机可读介质
CN112131783A (zh) * 2020-09-04 2020-12-25 国电南瑞科技股份有限公司 一种基于配电台区大数据的户变拓扑关系识别方法

Also Published As

Publication number Publication date
CN114565779A (zh) 2022-05-31

Similar Documents

Publication Publication Date Title
CN114565779B (zh) 一种低压台区户变拓扑辨识方法及系统
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
CN102722764B (zh) 一体化电网优化辅助决策分析系统
US20210175715A1 (en) System and method for congestion forecasting in electrical networks
CN103914791A (zh) 一种电力设备状态检修系统
CN110826228B (zh) 一种地区电网运行品质极限评估方法
CN109977188A (zh) 一种渐进式电网多专业数据关联融合方法及装置
CN114915546B (zh) 一种停电用户定位方法、装置、设备、介质
CN109086923B (zh) 一种配电网线路规划方法、系统、计算机设备、介质
Bolshev et al. Monitoring the number and duration of power outages and voltage deviations at both sides of switching devices
Qu et al. Dynamic optimization method of transmission line parameters based on grey support vector regression
CN111208384B (zh) 一种智能电网管理系统
Orobchuk et al. Development of simulator automated dispatch control system for implementation in learning process
Gao et al. Concepts, structure and developments of high-reliability cyber-physical fusion based coordinated planning for distribution system
Khatib Internet-based wide area measurement applications in deregulated power systems
CN112232382A (zh) 一种低压台区的分路与电表隶属关系识别方法及系统
Lekbich et al. Implementation of a decentralized real-time management system for electrical distribution networks using the internet of things in smart grids
CN106786527B (zh) 基于省地及调配一体化的配网合环风险分析方法
CN115186974A (zh) 一种基于业务中台的配电网供电质量综合评价方法及系统
CN113689109B (zh) 一种电力系统信息化与数字化联动模拟平台
CN112258149B (zh) 一种线路可转供电率的确定方法、装置、设备及存储介质
Hu et al. Transformer-customer relationship identification for low-voltage distribution networks based on joint optimization of voltage silhouette coefficient and power loss coefficient
Huang et al. Extracting substation cyber-physical architecture through intelligent electronic devices' data
Vrtal et al. Power grid and data network simulator
Myrda Optimizing Assets [In My View]

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