CN114818890A - 一种光伏并网低压台区配电网自动拓扑识别方法 - Google Patents

一种光伏并网低压台区配电网自动拓扑识别方法 Download PDF

Info

Publication number
CN114818890A
CN114818890A CN202210389447.7A CN202210389447A CN114818890A CN 114818890 A CN114818890 A CN 114818890A CN 202210389447 A CN202210389447 A CN 202210389447A CN 114818890 A CN114818890 A CN 114818890A
Authority
CN
China
Prior art keywords
voltage
particle
sequence
neighborhood
fluctuation
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
CN202210389447.7A
Other languages
English (en)
Inventor
王海英
李豪强
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.)
Harbin University of Science and Technology
Original Assignee
Harbin University of Science and Technology
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 Harbin University of Science and Technology filed Critical Harbin University of Science and Technology
Priority to CN202210389447.7A priority Critical patent/CN114818890A/zh
Publication of CN114818890A publication Critical patent/CN114818890A/zh
Pending legal-status Critical Current

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • G06F2218/14—Classification; Matching by matching peak patterns
    • 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)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Power Engineering (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明涉及一种光伏并网低压台区配电网自动拓扑识别方法，可自动识别光伏并网低压台区的拓扑结构关系。该方法包括：通过光伏并网低压台区配电网智能终端采集配电网中台区电压数据和台区光伏并网用户电压数据，建立数据库，并分析电压数据的相关波动特性；随后通过主成分分析法对采集到的电压数据波动特征进行降维，建立邻域粒K‑means聚类数学模型，对降维后的数据进行聚类分析，得到台区和用户的拓扑关系。本发明利用用户侧光伏并网过程会产生电压波动的特性，能够提高配电网拓扑识别的准确率。

Description

一种光伏并网低压台区配电网自动拓扑识别方法
技术领域
本发明涉及光伏并网低压台区拓扑识别领域，提出一种基于邻域粒K均值聚类的光伏并网低压台区拓扑自动识别方法，利用光伏并网过程中产生的电压波动，该方法能提高拓扑识别的正确率。
背景技术
网络拓扑结构随着分布式能源的大规模接入变得日益复杂，各种因为分布式能源的大规模接入带来的不稳定因素造成的潜在的电力系统运行风险无法得到及时监控，精确的台区拓扑信息为供电服务指挥和抢修提供决策依据。如果已知电表在台区拓扑中的准确位置，有助于现场维护人员锁定电表位置、故障范围，进而缩短故障抢修时间，提高供电服务水平，改善供电质量，全面提升供电网络的信息化与智能化水平，最终实现对新型电力系统供电网络运行状态的实时感知与精细化控制，工程上具有重要的应用价值。
邻域粒K均值聚类算法是K均值聚类算法和粒计算相结合,通过邻域粒化技术构造基于单特征粒化的邻域粒子、基于多特征粒化的邻域粒向量,并定义了邻域粒子与邻域粒向量的大小、度量和运算规则,提出两种邻域粒距离度量。在大部分特征数和类别数较少的数据集上粒K均值算法的聚类性能均优于K均值聚类算法。因此邻域粒K均值算法在电压波动特征数据聚类方面具有较好的性能，聚类的准确率也有提高，因此可用于光伏并网低压台区的拓扑识别。
发明内容
为了解决上述问题，本发明提出了一种基于邻域粒K均值聚类的光伏并网低压台区拓扑识别方法
一种基于邻域粒K均值聚类的光伏并网低压台区拓扑识别分类方法，其特征在于，包括如下步骤：
S1：对数据进行处理，通过图1所示为采集到的电压波动曲线序列X，提取电压波动特征参数：电压标准差、电压曲线峭度、电压曲线偏度、电压曲线斜率、波谷位置相同数、波峰位置相同数等电压波动特征；
S2：电压波动特征参数求取，具体如下：
电压标准差Std，反映电压序列X的离散程度：
Figure BDA0003596178610000021
式中，
Figure BDA0003596178610000022
为X的均值。
电压曲线峭度Kurtosis，即电压序列X的4阶标准矩，反映电压数据特性分布：
Figure BDA0003596178610000023
电压曲线偏度Skewness，即电压序列X的3阶标准矩，反映电压数据分布偏斜方向及程度：
Figure BDA0003596178610000024
电压曲线斜率Slope，反映电压序列X在每一采样时刻i的电压波动趋势：
Figure BDA0003596178610000025
波谷位置相同数NSTP(Number of Same Trough Position)，波谷位置表示电压波形的极小值点，一方面反映电压局部最小值，另一方面反映电压波形将要升高位置。电压波形的波谷位置相同的点的数目可精细反映两电压曲线波动起伏的局部相似性。如果两个电压序列相近，那么这两个电压序列与所有样本电压序列的波谷位置相等数组成的序列也具有强的相似性。波峰位置相同数NSPP(Number of Same Peak Position)，采集时间内波峰位置表示电压波形的极大值点，一方面反映电压波形即将下降的位置；
S3：将参与拓扑识别的n个电压序列设为Y1,Y2,···,Yi,···,Yn；其中，电压序列Yi＝{yi1,yi2,···,yim}，m为序列Yi d长度。对于电压序列Yi，由其标准差、峭度、偏度、斜率、波谷位置相同数和波峰位置相同数等电压波动特征组成的组合参数Ci为
Ci＝[Stdi,Kurtosisi,Skewnessi,Slopei,NSTPi,NSPPi] (5)
式中：参数Stdi,Kurtosisi,Skewnessi和Slopei均可根据电压序列求出。
电压序列特征参数NSTP,NSPP为长度为n的序列可以得到：
NSTPi＝[countT(Yi,Y1),countT(Yi,Y2),···,countT(Yi,Yj),···,countT(Yi,Yn)] (6)
NSPPi＝[countP(Yi,Y1),countP(Yi,Y2),···,countP(Yi,Yj),···,countP(Yi,Yn)] (7)
式中：countT(Yi,Yj),countP(Yi,Yj)分别表示电压序列Yi与Yj的波峰、波谷位置相同点的数目。然后，由个电压序列的特征组合参数构成所有电压序列波动特征矩阵D＝[C1；C2；C3；···；Ci；···；Cn]。矩阵维数为s×n，其中s＝2n+(m-2)+3＝2n+m+1，其中n为电压序列个数，m为电压序列长度即采样点。对波动矩阵D中的特征参数按列归一化处理，表达式为
Figure BDA0003596178610000031
式中：Dij和Dij分别为矩阵D归一化前、后的第i行和第j列元素；
Figure BDA0003596178610000032
和
Figure BDA0003596178610000033
分别为矩阵D第j列的最大值和最小值；
S4：通过主成分分析算法对电压序列Yi其s＝2n+m+1维的波动特征组合参数Ci降维为2维的特征参数Ei＝[Pi,Qi]，然后基于Pi和Qi进行拓扑识别；
S5：利用邻域粒K均值聚类算法，基于二维电压波动特征，对台变电压和用户电压进行聚类，设样本划分为(C1,C2,···,CK)K个簇，粒K均值聚类的损失函数为：
Figure BDA0003596178610000034
其中μi为Ci簇的均值粒向量也称为粒质心，h(GF(x),μi)表示样本x的粒向量与粒质心的绝对距离，也可以采用粒向量的相对距离表示，为：
Figure BDA0003596178610000035
粒质心公式表示为：
Figure BDA0003596178610000036
其中ni为Ci簇中样本的个数，GF(x)表示样本x的粒向量。
粒K均值聚类的目标是让Je损失函数最小，则采用启发式迭代的方法设计邻域粒K均值聚类算法，对于数据集IS＝(U,F)，其中样本集为U＝{x1,x2,···,xn}，属性集为F＝{a1,a2,···,am}；类簇参数K，邻域参数δ，最大迭代次数N；
(1)样本集U邻域粒化为GT＝{GF(x1),GF(x2),···,GF(xn)}；
(2)从GT中随机选K个邻域粒向量作为初始粒质心(μ1,μ2,···,μK)；
(3)将簇划分C初始化为
Figure BDA0003596178610000041
(4)对i＝1,2,...,n计算邻域粒向量GF(xi)和各个粒质心向量μj(j＝1,2,...,K)的粒距离：dij＝d(GF(xi),μj)；将xi标记为最小的dij，此时更新Cλj＝Cλj∪xi；
(5)对于j＝1,2,...,K，将Cj中所有的样本点重新计算新的粒质心
Figure BDA0003596178610000042
(6)如果所有的K个粒质心向量都没有发生变化，则跳转到下一步；
(7)输出簇划分C＝(C1,C2,...,CK)
S6：在MATLAB软件中创建邻域粒K均值聚类算法；
S7：在MATLAB软件中测试邻域粒K均值聚类算法对低压台区拓扑识别的可行性。
进一步地，S2中所述的是电压波动特征参数及计算方法，本方法能反映电压曲线全局变化特性和局部变化特性的多特征参数，通过电压曲线的局部变化特征增大不同台区用户的区分度，从而提高不同台区电压值接近时的配电网拓扑识别正确率。。
进一步地，S3中所述的是邻域粒K均值聚类算法K均值聚类属于无监督学习,具有简单、易用的特点,是一种广泛使用的聚类分析方法.然而,对于非凸、稀疏及模糊的非线性可分数据,其聚类效果不佳。因此采用了邻域粒K均值算法在针对大部分特征数和类别数较小的数据集具有更好的聚类效果。
进一步地，S7中所述采用邻域粒K均值算法对降维后的电压波动特性进行分类，结果表明聚类结果可行，对低压台区具有很好的拓扑识别效果。
如上所述，本发明提供的一种基于邻域粒K均值聚类的光伏并网低压台区拓扑识别方法，具有如下效果：
1、该方法采用邻域粒K均值聚类算法通过提取智能终端采集到的电压数据，通过电压波动特性参数进行拓扑识别，在波动特征维数较高的情况下采用主成分分析法在保留用户与台变电压波动基本特征的基础上对波动特征维数降维，使聚类结果更加准确，聚类算法计算时间更加迅速。
2、该方法引入邻域粒K均值聚类算法实现光伏并网低压台区拓扑结构自动识别，利用低压台区已有智能终端的历史电压数据对拓扑结构进行识别，不需要新增设备，减少了投资，同时降低了运行人员的劳动强度。
附图说明
图1是本发明方法的邻域粒K均值聚类算法流程图；
图2是本发明方法仿真数据，一天内2个台变的低压侧三相电压曲线及26个用户电压曲线；
图3是本发明方法将要识别的低压配电网拓扑结构图；
图4是本发明方法聚类结果图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图示中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
S1：对数据进行处理，通过图1所示为采集到的电压波动曲线序列X，提取电压波动特征参数：电压标准差、电压曲线峭度、电压曲线偏度、电压曲线斜率、波谷位置相同数、波峰位置相同数等电压波动特征；
S2：电压波动特征参数求取，具体如下：
电压标准差Std，反映电压序列X的离散程度：
Figure BDA0003596178610000051
式中，
Figure BDA0003596178610000052
为X的均值。
电压曲线峭度Kurtosis，即电压序列X的4阶标准矩，反映电压数据特性分布：
Figure BDA0003596178610000061
电压曲线偏度Skewness，即电压序列X的3阶标准矩，反映电压数据分布偏斜方向及程度：
Figure BDA0003596178610000062
电压曲线斜率Slope，反映电压序列X在每一采样时刻i的电压波动趋势：
Figure BDA0003596178610000063
波谷位置相同数NSTP(Number of Same Trough Position)，波谷位置表示电压波形的极小值点，一方面反映电压局部最小值，另一方面反映电压波形将要升高位置。电压波形的波谷位置相同的点的数目可精细反映两电压曲线波动起伏的局部相似性。如果两个电压序列相近，那么这两个电压序列与所有样本电压序列的波谷位置相等数组成的序列也具有强的相似性。波峰位置相同数NSPP(Number of Same Peak Position)，采集时间内波峰位置表示电压波形的极大值点，一方面反映电压波形即将下降的位置；
S3：将参与拓扑识别的n个电压序列设为Y1,Y2,···,Yi,···,Yn；其中，电压序列Yi＝{yi1,yi2,···,yim}，m为序列Yi d长度。对于电压序列Yi，由其标准差、峭度、偏度、斜率、波谷位置相同数和波峰位置相同数等电压波动特征组成的组合参数Ci为
Ci＝[Stdi,Kurtosisi,Skewnessi,Slopei,NSTPi,NSPPi] (5)
式中：参数Stdi,Kurtosisi,Skewnessi和Slopei均可根据电压序列求出。
电压序列特征参数NSTP,NSPP为长度为n的序列可以得到：
NSTPi＝[countT(Yi,Y1),countT(Yi,Y2),···,countT(Yi,Yj),···,countT(Yi,Yn)] (6)
NSPPi＝[countP(Yi,Y1),countP(Yi,Y2),···,countP(Yi,Yj),···,countP(Yi,Yn)] (7)
式中：countT(Yi,Yj),countP(Yi,Yj)分别表示电压序列Yi与Yj的波峰、波谷位置相同点的数目。然后，由个电压序列的特征组合参数构成所有电压序列波动特征矩阵D＝[C1；C2；C3；···；Ci；···；Cn]。矩阵维数为s×n，其中s＝2n+(m-2)+3＝2n+m+1，其中n为电压序列个数，m为电压序列长度即采样点。对波动矩阵D中的特征参数按列归一化处理，表达式为
Figure BDA0003596178610000071
式中：Dij和Dij分别为矩阵D归一化前、后的第i行和第j列元素；
Figure BDA0003596178610000072
和
Figure BDA0003596178610000073
分别为矩阵D第j列的最大值和最小值；
S4：通过主成分分析算法对电压序列Yi其s＝2n+m+1维的波动特征组合参数Ci降维为2维的特征参数Ei＝[Pi,Qi]，然后基于Pi和Qi进行拓扑识别；
S5：利用邻域粒K均值聚类算法，基于二维电压波动特征，对台变电压和用户电压进行聚类，设样本划分为(C1,C2,···,CK)K个簇，粒K均值聚类的损失函数为：
Figure BDA0003596178610000074
其中μi为Ci簇的均值粒向量也称为粒质心，h(GF(x),μi)表示样本x的粒向量与粒质心的绝对距离，也可以采用粒向量的相对距离表示，为：
Figure BDA0003596178610000075
粒质心公式表示为：
Figure BDA0003596178610000076
其中ni为Ci簇中样本的个数，GF(x)表示样本x的粒向量。
粒K均值聚类的目标是让Je损失函数最小，则采用启发式迭代的方法设计邻域粒K均值聚类算法，对于数据集IS＝(U,F)，其中样本集为U＝{x1,x2,···,xn}，属性集为F＝{a1,a2,···,am}；类簇参数K，邻域参数δ，最大迭代次数N；
(1)样本集U邻域粒化为GT＝{GF(x1),GF(x2),···,GF(xn)}；
(2)从GT中随机选K个邻域粒向量作为初始粒质心(μ1,μ2,···,μK)；
(3)将簇划分C初始化为
Figure BDA0003596178610000081
(4)对i＝1,2,...,n计算邻域粒向量GF(xi)和各个粒质心向量μj(j＝1,2,...,K)的粒距离：dij＝d(GF(xi),μj)；将xi标记为最小的dij，此时更新Cλj＝Cλj∪xi；
(5)对于j＝1,2,...,K，将Cj中所有的样本点重新计算新的粒质心
Figure BDA0003596178610000082
(6)如果所有的K个粒质心向量都没有发生变化，则跳转到下一步；
(7)输出簇划分C＝(C1,C2,...,CK)
S6：在MATLAB软件中创建邻域粒K均值聚类算法；
S7：在MATLAB软件中测试邻域粒K均值聚类算法对低压台区拓扑识别的可行性。
所述邻域粒K均值聚类算法能够在MATLA软件中仿真，该聚类方法在多特征数少类别数的数据聚类效果更好，适合用于通过电压波动特征进行低压台区拓扑识别。
所述基于邻域粒K均值聚类的低压台区配电网拓扑识别方法，以智能终端采集到的两个台区和其下的用户一天的电压数据通过对电压曲线波形特征的提取来进行聚类，之后通过主成分分析法对特征数据进行降维提高后续聚类的计算速度和准确性。光伏并网低压台区自动拓扑识别方法，其特征在于：K均值算法易于实现，且效率高，在许多工程领域聚类效果好，得到广泛应用；但其也存在一些缺点，例如：聚类个数不易获取，聚类结果依赖初始聚类中心的选择，若选取不当易导致算法陷入局部最优而使得聚类不合理。因此本方法采用了一种邻域粒K均值的聚类算法，在大部分特征数和类别数较小的数据集上邻域粒K均值聚类算法的聚类性能均优于K均值聚类算法,优于大部分的其他算法。因此在只有电压一种类别多种特征的情况下，邻域粒K均值聚类效果更好。
以上所述仅为本发明的一个实施方式，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。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 (4)

1.一种光伏并网低压台区配电网自动拓扑识别方法，其特征在于利用智能终端采集的台变电压和用户电压数据进行拓扑识别，包括如下步骤：
S1：对数据进行处理，通过图1所示为采集到的电压波动曲线序列X，提取电压波动特征参数：电压标准差、电压曲线峭度、电压曲线偏度、电压曲线斜率、波谷位置相同数、波峰位置相同数等电压波动特征；
S2：电压波动特征参数求取，具体如下：
电压标准差Std，反映电压序列X的离散程度：
Figure FDA0003596178600000011
式中，
Figure FDA0003596178600000012
为X的均值。
电压曲线峭度Kurtosis，即电压序列X的4阶标准矩，反映电压数据特性分布：
Figure FDA0003596178600000013
电压曲线偏度Skewness，即电压序列X的3阶标准矩，反映电压数据分布偏斜方向及程度：
Figure FDA0003596178600000014
电压曲线斜率Slope，反映电压序列X在每一采样时刻i的电压波动趋势：
Figure FDA0003596178600000015
波谷位置相同数NSTP(Number of Same Trough Position)，波谷位置表示电压波形的极小值点，一方面反映电压局部最小值，另一方面反映电压波形将要升高位置。电压波形的波谷位置相同的点的数目可精细反映两电压曲线波动起伏的局部相似性。如果两个电压序列相近，那么这两个电压序列与所有样本电压序列的波谷位置相等数组成的序列也具有强的相似性。
波峰位置相同数NSPP(Number of Same Peak Position)，采集时间内波峰位置表示电压波形的极大值点，一方面反映电压波形即将下降的位置；
S3：将参与拓扑识别的n个电压序列设为Y1,Y2,···,Yi,···,Yn；其中，电压序列Yi＝{yi1,yi2,···,yim}，m为序列Yi d长度。对于电压序列Yi，由其标准差、峭度、偏度、斜率、波谷位置相同数和波峰位置相同数等电压波动特征组成的组合参数Ci为
Ci＝[Stdi,Kurtosisi,Skewnessi,Slopei,NSTPi,NSPPi] (5)
式中：参数Stdi,Kurtosisi,Skewnessi和Slopei均可根据电压序列求出。
电压序列特征参数NSTP,NSPP为长度为n的序列可以得到：
NSTPi＝[countT(Yi,Y1),countT(Yi,Y2),···,countT(Yi,Yj),···,countT(Yi,Yn)] (6)
NSPPi＝[countP(Yi,Y1),countP(Yi,Y2),···,countP(Yi,Yj),···,countP(Yi,Yn)] (7)
式中：countT(Yi,Yj),countP(Yi,Yj)分别表示电压序列Yi与Yj的波峰、波谷位置相同点的数目。然后，由个电压序列的特征组合参数构成所有电压序列波动特征矩阵D＝[C1；C2；C3；···；Ci；···；Cn]。矩阵维数为s×n，其中s＝2n+(m-2)+3＝2n+m+1，其中n为电压序列个数，m为电压序列长度即采样点。对波动矩阵D中的特征参数按列归一化处理，表达式为
Figure FDA0003596178600000021
式中：Dij和Dij分别为矩阵D归一化前、后的第i行和第j列元素；
Figure FDA0003596178600000022
和
Figure FDA0003596178600000023
分别为矩阵D第j列的最大值和最小值；
S4：通过主成分分析算法对电压序列Yi其s＝2n+m+1维的波动特征组合参数Ci降维为2维的特征参数Ei＝[Pi,Qi]，然后基于Pi和Qi进行拓扑识别；
S5：利用邻域粒K均值聚类算法，基于二维电压波动特征，对台变电压和用户电压进行聚类，设样本划分为(C1,C2,···,CK)K个簇，粒K均值聚类的损失函数为：
Figure FDA0003596178600000024
其中μi为Ci簇的均值粒向量也称为粒质心，h(GF(x),μi)表示样本x的粒向量与粒质心的绝对距离，也可以采用粒向量的相对距离表示，为：
Figure FDA0003596178600000031
粒质心公式表示为：
Figure FDA0003596178600000032
其中ni为Ci簇中样本的个数，GF(x)表示样本x的粒向量。
粒K均值聚类的目标是让Je损失函数最小，则采用启发式迭代的方法设计邻域粒K均值聚类算法，对于数据集IS＝(U,F)，其中样本集为U＝{x1,x2,···,xn}，属性集为F＝{a1,a2,···,am}；类簇参数K，邻域参数δ，最大迭代次数N；
(1)样本集U邻域粒化为GT＝{GF(x1),GF(x2),···,GF(xn)}；
(2)从GT中随机选K个邻域粒向量作为初始粒质心(μ1,μ2,···,μK)；
(3)将簇划分C初始化为
Figure FDA0003596178600000033
(4)对i＝1,2,...,n计算邻域粒向量GF(xi)和各个粒质心向量μj(j＝1,2,...,K)的粒距离：dij＝d(GF(xi),μj)；将xi标记为最小的dij，此时更新Cλj＝Cλj∪xi；
(5)对于j＝1,2,...,K，将Cj中所有的样本点重新计算新的粒质心
Figure FDA0003596178600000034
(6)如果所有的K个粒质心向量都没有发生变化，则跳转到下一步；
(7)输出簇划分C＝(C1,C2,...,CK)
S6：在MATLAB软件中创建邻域粒K均值聚类算法；
S7：在MATLAB软件中测试邻域粒K均值聚类算法对低压台区拓扑识别的可行性。
2.根据权利要求1所述的光伏并网低压台区配电网自动拓扑识别方法，其特征在于：精确的台区拓扑信息为供电服务指挥和抢修提供决策依据。如果已知电表在台区拓扑中的准确位置，有助于现场维护人员锁定电表位置、故障范围，进而缩短故障抢修时间，提高供电服务水平，改善供电质量，全面提升供电网络的信息化与智能化水平，最终实现对新型电力系统供电网络运行状态的实时感知与精细化控制。
3.根据权利要求1所述的基于支持向量机的HPLC通信模块合格分类方法，其特征在于：该方法采用主成分分析法对电压波动特征数据进行降维处理，使得更有利于聚类算法的实现，减少聚类算法的计算时间。
4.根据权利要求1所述的光伏并网低压台区配电网自动拓扑识别方法，其特征在于：K均值算法易于实现，且效率高，在许多工程领域聚类效果好，得到广泛应用；但其也存在一些缺点，例如：聚类个数不易获取，聚类结果依赖初始聚类中心的选择，若选取不当易导致算法陷入局部最优而使得聚类不合理。因此本方法采用了一种邻域粒K均值的聚类算法，在大部分特征数和类别数较小的数据集上邻域粒K均值聚类算法的聚类性能均优于K均值聚类算法,优于大部分的其他算法。因此在只有电压一种类别多种特征的情况下，邻域粒K均值聚类效果更好。
CN202210389447.7A 2022-04-14 2022-04-14 一种光伏并网低压台区配电网自动拓扑识别方法 Pending CN114818890A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210389447.7A CN114818890A (zh) 2022-04-14 2022-04-14 一种光伏并网低压台区配电网自动拓扑识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210389447.7A CN114818890A (zh) 2022-04-14 2022-04-14 一种光伏并网低压台区配电网自动拓扑识别方法

Publications (1)

Publication Number Publication Date
CN114818890A true CN114818890A (zh) 2022-07-29

Family

ID=82537266

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210389447.7A Pending CN114818890A (zh) 2022-04-14 2022-04-14 一种光伏并网低压台区配电网自动拓扑识别方法

Country Status (1)

Country Link
CN (1) CN114818890A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118070080A (zh) * 2024-04-17 2024-05-24 山东中电仪表有限公司 一种多功能电能表的用户电耗数据智能分析方法及系统

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118070080A (zh) * 2024-04-17 2024-05-24 山东中电仪表有限公司 一种多功能电能表的用户电耗数据智能分析方法及系统

Similar Documents

Publication Publication Date Title
Li et al. An automatic detection method of bird’s nest on transmission line tower based on faster_RCNN
CN112183667B (zh) 一种协同深度学习的绝缘子故障检测方法
CN104809658B (zh) 一种低压配网台区线损的快速分析方法
CN108717579B (zh) 一种短期风电功率区间预测方法
CN109842373A (zh) 基于时空分布特性的光伏阵列故障诊断方法及装置
CN109800660A (zh) 一种基于大数据聚类的电压暂降源识别方法和系统
CN113435492B (zh) 一种基于主动学习的电力系统主导失稳模式判别方法
CN111652479A (zh) 一种针对电力系统动态安全评估的数据驱动方法
CN110738232A (zh) 一种基于数据挖掘技术的电网电压越限成因诊断方法
CN111210075A (zh) 一种基于组合分类器的雷击输电线路故障概率分析方法
CN114818890A (zh) 一种光伏并网低压台区配电网自动拓扑识别方法
van Pelt et al. The need for integrating neuronal morphology databases and computational environments in exploring neuronal structure and function
CN115618249A (zh) 一种基于LargeVis降维与DBSCAN聚类的低压配电台区相位识别方法
CN116845971A (zh) 一种光伏并网低压台区拓扑结构自动识别方法
CN111999591B (zh) 一种配电网一次设备异常状态的识别方法
Jana et al. Transmission line fault pattern recognition using decision tree based smart fault classifier in a large power network
CN113536944A (zh) 基于图像识别的配电线路巡检数据识别及分析方法
CN111965442A (zh) 一种数字孪生环境下的能源互联网故障诊断方法及装置
CN116911161A (zh) 一种结合数据增强的深度学习暂态电压稳定评估方法
CN111445525A (zh) 相机安装位置的布局方法、装置、设备及存储介质
CN110852370A (zh) 基于聚类算法的大工业用户细分方法
Nithiyananthan et al. Enhanced R package-based cluster analysis fault identification models for three phase power system network
Dag et al. Fault classification for power distribution systems via a combined wavelet-neural approach
He et al. Partial discharge pattern recognition algorithm based on sparse self-coding and extreme learning machine
CN112287953A (zh) 一种用于gis绝缘缺陷类别识别的方法及系统

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