CN115098745A - 基于贝叶斯推断的低压台区户变关系动态辨识系统与方法 - Google Patents

基于贝叶斯推断的低压台区户变关系动态辨识系统与方法 Download PDF

Info

Publication number
CN115098745A
CN115098745A CN202210630319.7A CN202210630319A CN115098745A CN 115098745 A CN115098745 A CN 115098745A CN 202210630319 A CN202210630319 A CN 202210630319A CN 115098745 A CN115098745 A CN 115098745A
Authority
CN
China
Prior art keywords
sample
matrix
voltage
user
samples
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
CN202210630319.7A
Other languages
English (en)
Inventor
李静
任洪男
王禹
蔡宏达
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.)
Hangzhou City University
Original Assignee
Hangzhou City University
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 Hangzhou City University filed Critical Hangzhou City University
Priority to CN202210630319.7A priority Critical patent/CN115098745A/zh
Publication of CN115098745A publication Critical patent/CN115098745A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/904—Browsing; Visualisation therefor
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/906—Clustering; Classification
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Computing Systems (AREA)
  • Algebra (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及基于贝叶斯推断的低压台区户变关系动态辨识系统与方法，包括：获取样本与当前时刻所述样本的电压数据，并对样本间相似度矩阵进行初始化；计算相似度迭代更新的前置条件；结合前置条件进行相应的样本间相似度迭代更新操作；基于更新后的样本间相似度矩阵进行聚类操作，得到当前时刻的户变关系情况；重复步骤2、3和4，直至自主取消户变关系辨识操作时停止更新。本发明的有益效果是：本发明仅需获取智能电表记录的电压数值即可实现户变关系的辨识，有效降低了人工成本和现实操作难度；引入迭代思想，实现了户变关系的动态辨识，能够对用户转换台区做出快速的响应；本发明具有良好的鲁棒性。

Description

基于贝叶斯推断的低压台区户变关系动态辨识系统与方法
技术领域
本发明涉及电力检测技术领域，更确切地说，它涉及基于贝叶斯推断的低压台区户变关系动态辨识系统与方法。
背景技术
低压配电变压器台区的拓扑关系主要包括变压器与用户之间的户变关系，低压出线与用户之间的线户关系以及用户与所属相位的相户关系。其中，户变关系是该拓扑关系中的核心内容，也是准确性和完整性相对较低的环节。
在传统的工程方法中，户变关系的辨识一般采用人工停电判别法和电力线载波通信技术判别法。人工停电判别法需要对现场线路进行“拉闸验电”，会影响居民用电，目前已无法大范围实施。载波通信方式对硬件设备要求较高，且载波通信易受到噪声干扰，在波动较大的台区达不好良好的效果。
近年来，智能电表在用电住户中的普及率越来越高，智能电表除了具有传统电表对用户耗电量计量的功能外，还具备电压、电流、工作频率等用户用电参数的采集和传输功能，采集后的数据可以随时上传到电力部门，供电力部门进行相应的数据分析。因此利用智能电表采集而来的数据进行户变关系的辨识，成为了更为安全便捷且准确的方式。
目前基于智能电表采集的电压数据进行户变关系辨识均是选取一段历史数据进行操作，对于小区线路改造升级等造成电表台区隶属关系变化的情况，无法做到实时的反映。户变关系辨识的实时性是一个亟待解决的问题。
发明内容
本发明的目的是克服现有技术中的不足，提供了一种基于贝叶斯推断的低压台区户变关系动态辨识方法及系统。
第一方面，提供了一种基于贝叶斯推断的低压台区户变关系动态辨识方法，包括：
步骤1、获取样本与当前时刻所述样本的电压数据，并对样本间相似度矩阵进行初始化；
步骤2、基于设定的算法计算相似度迭代更新的前置条件，所述前置条件为样本间电压近似值；
步骤3、结合所述前置条件进行相应的样本间相似度迭代更新操作；
步骤4、基于更新后的样本间相似度矩阵，采用设定的聚类方法进行聚类操作，得到当前时刻的户变关系情况，并准备获取下一时刻各样本的电压数据；
步骤5、重复步骤2、3和4，直至自主取消户变关系辨识操作时停止更新。
作为优选，在步骤1中，记相似度矩阵序列为{St},t＝1,2,…,T，初始化的相似度矩阵S0为：
S0＝(1-δ-λ)I+λE
其中，I为单位矩阵，E为全1矩阵，S0为对称矩阵，所有矩阵大小均为N×N，N为样本总数，δ和λ为初始相似度参数。
作为优选，在步骤2中，利用高斯核函数计算样本i与样本j两者在t时刻的电压近似值，表示为：
Figure BDA0003679395190000021
其中，pt(i,j)和pt-1(i,j)分别为样本i与样本j两者在t时刻和t-1时刻的电压近似值，ui,t和uj,t分别为样本i与样本j在t时刻的电压测量值，σ为高斯核参数，α为距离权重系数。
作为优选，在步骤3中，t时刻的相似度矩阵St中元素的迭代公式为：
Figure BDA0003679395190000022
其中，st i,j为样本i与样本j两者在t时刻的相似度数值，st-1 i,j为样本i与样本j两者在t-1时刻的相似度数值，τ为前置条件阈值，ε1和ε2为迭代参数。
作为优选，当电压数据出现缺失值时，对应相似度数值进行停滞处理。
作为优选，在步骤4中，设定的聚类方法具体包括以下步骤：
步骤4.1、基于相似度矩阵构建样本间无向权重图，即邻接矩阵W，表示为：
W＝St
Figure BDA0003679395190000023
其中，wi,j为邻接矩阵中元素，表示样本i与样本j之间的权重关系；
步骤4.2、构建度矩阵D以及图拉普拉斯矩阵L；将邻接矩阵W的每一行元素求和得di，i＝1,2,…,N，度矩阵D为di组成的对角矩阵，并据此推导拉普拉斯矩阵L，表示为：
Figure BDA0003679395190000031
Figure BDA0003679395190000032
Figure BDA0003679395190000033
步骤4.3、利用奇异值分解方法求解拉普拉斯矩阵L对应的正交矩阵Q,并对Q进行降维操作得
Figure BDA0003679395190000034
表示为：
L＝Q∧Q-1
Figure BDA0003679395190000035
Q＝[q1,q2,…,qN]
Figure BDA0003679395190000036
其中，λ1,λ2,…,λN为L的特征值，且λ1≤λ2≤…≤λN，q1,q2,…,qN分别为特征值λ1,λ2,…,λN对应的特征向量，h为超参数，且1≤h≤N；
步骤4.4、对
Figure BDA0003679395190000037
进行行单位化后按原位置重新构成矩阵Q*：
Figure BDA0003679395190000038
Figure BDA0003679395190000039
步骤4.5、以Q*的每一行向量为一个h维样本，将N个样本作为k均值聚类算法的输入，得到聚类结果，所述聚类结果为户变关系辨识结果。
作为优选，步骤4.5具体包括以下步骤：
步骤4.5.1、从N个样本中随机选取k个样本作为初始聚类中心；
步骤4.5.2、计算每个样本与这k个聚类中心之间的欧式距离，并将每个样本划分至距离最近的聚类中心所在集群中；
步骤4.5.3、通过计算每个聚类集群中分配的样本的平均值重新确定每个聚类集群中的聚类中心；
步骤4.5.4、反复执行步骤4.5.2和步骤4.5.3，当聚类集群不再发生改变或聚类中心更新次数达到设定值时，输出聚类结果。
第二方面提供了一种基于贝叶斯推断的低压台区户变关系动态辨识系统，用于执行第一方面任一所述的一种基于贝叶斯推断的低压台区户变关系动态辨识方法，包括：智能电表1、数据库2以及上位机3，其中智能电表1、数据库2以及上位机3依次相连；所述上位机3由数据处理模块4、检测辨识模块5和结果显示模块6依次相连组成。
作为优选，智能电表1用于采集变压器低压侧和用户端时序电压数据信息；数据库2用于储存智能电表1上传的数据信息；上位机3用于户变关系的动态辨识；其中，数据处理模块4用于读取数据并根据设定算法进行样本间相似度的迭代更新；检测辨识模块5用于进行户变关系辨识操作；结果显示模块6用于户变关系辨识结果的呈现。
第三方面，提供了一种计算机存储介质，所述计算机存储介质内存储有计算机程序；所述计算机程序在计算机上运行时，使得计算机执行第一方面任一所述的一种基于贝叶斯推断的低压台区户变关系动态辨识方法。
第四方面，提供了一种计算机程序产品，当所述计算机程序产品在计算机上运行时，使得计算机执行第一方面任一所述的一种基于贝叶斯推断的低压台区户变关系动态辨识方法。
本发明的有益效果是：
(1)本发明仅需获取智能电表记录的电压数值即可实现户变关系的辨识，有效降低了人工成本和现实操作难度。
(2)本发明引入迭代思想，实现了户变关系的动态辨识，能够对用户转换台区做出快速的响应。
(3)本发明具有良好的鲁棒性，能够克服数据缺失引发的辨识不准确的影响。
附图说明
图1为本申请提供的基于贝叶斯推断的低压台区户变关系动态辨识系统的结构示意图；
图2为本申请提供的一种基于贝叶斯推断的低压台区户变关系动态辨识方法的流程图；
图3为本申请提供的另一种基于贝叶斯推断的低压台区户变关系动态辨识方法的流程图；
附图标记说明：智能电表1、数据库2、上位机3、数据处理模块4、检测辨识模块5、结果显示模块6。
具体实施方式
下面结合实施例对本发明做进一步描述。下述实施例的说明只是用于帮助理解本发明。应当指出，对于本技术领域的普通人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干修饰，这些改进和修饰也落入本发明权利要求的保护范围内。
实施例1：
户变关系是指变压器与用户电表之间的连接关系，为解决现有技术中户变关系实时辨识较为困难的问题，本发明提供了一种基于贝叶斯推断的低压台区户变关系动态辨识系统，如图1所示，包括：智能电表1、数据库2以及上位机3，其中智能电表1、数据库2以及上位机3依次相连；上位机3由数据处理模块4、检测辨识模块5和结果显示模块6依次相连组成。
智能电表1用于采集变压器低压侧和用户端时序电压数据信息；数据库2用于储存智能电表1上传的数据信息；上位机3用于户变关系的动态辨识；其中，数据处理模块4用于读取数据并根据设定算法进行样本间相似度的迭代更新；检测辨识模块5用于进行户变关系辨识操作；结果显示模块6用于户变关系辨识结果的呈现。
实施例2：
一种基于贝叶斯推断的低压台区户变关系动态辨识方法，通过上位机3从数据库2中读取由智能电表1上传的当前时刻所有样本的电压数据信息，接着数据处理模块4利用设定算法得到样本间归属于同一台区的概率，并结合前置条件对相似度进行迭代更新，得到更新后的样本间相似度矩阵，最后将样本间相似度矩阵输入检测辨识模块5中进行聚类，获得当前时刻户变关系的实时反映结果，并显示在结果显示模块6上，如图2和图3所示，具体包括以下步骤：
步骤1、获取样本与当前时刻所述样本的电压数据，并对样本间相似度矩阵进行初始化。
在步骤1中，样本可以包括任意数量的用电住户与变压器的低压侧。智能电表1可以记录用电住户的电压数据，也可以放在变压器低压侧进行电压记录，从而获取样本的电压数据。本申请在识别过程中就是将用电住户和变压器低压侧混在一起，然后根据最终分类结果确定哪些用户和哪个变压器低压侧在一起，则这些用户就是归属于这个变压器下的。此外，本申请只在步骤1中对样本间相似度矩阵进行初始化，在后续的步骤中通过采集而来的电压数据去对相似度矩阵中的相似度数值进行迭代更新，但不会再次对该样本间相似度矩阵进行初始化。
具体地，将样本间相似度数值作为相似度矩阵的元素，记相似度矩阵序列为{St},t＝1,2,…,T，初始化的相似度矩阵S0为：
S0＝(1-δ-λ)I+λE
其中，I为单位矩阵，E为全1矩阵，S0为对称矩阵，所有矩阵大小均为N×N，N为样本总数，δ和λ为初始相似度参数。
步骤2、基于设定的算法计算相似度迭代更新的前置条件，该前置条件为样本间电压近似值。
需要说明的是，同一台区的用户间电压近似值可能较大，不同台区的用户间电压近似值可能较小，但这一时的电压变化是具有一定的偶然性的，并不能就此判断出这些用户到底和谁在同一台区。因此，本申请将电压近似值作为前置条件去进一步推导样本间的相似度。示例地，设有两个样本分别定义为样本i与样本j，利用高斯核函数计算样本i与样本j两者在t时刻的电压近似值，表示为：
Figure BDA0003679395190000061
其中，pt(i,j)和pt-1(i,j)分别为样本i与样本j两者在t时刻和t-1时刻的电压近似值，ui,t和uj,t分别为样本i与样本j在t时刻的电压测量值，σ为高斯核参数，α为距离权重系数。
步骤3、结合前置条件进行相应的相似度迭代更新操作。在步骤3中，t时刻的相似度矩阵St中元素的迭代公式为：
Figure BDA0003679395190000062
其中，st i,j为样本i与样本j两者在t时刻的相似度，st-1 i,j为样本i与样本j两者在t-1时刻的样本间相似度，τ为前置条件阈值，ε1和ε2为迭代参数。
一般情况下，样本i与样本j同属一个台区时，两者的电压近似值pt(i,j)≥τ，当样本i与样本j分属不同台区时，pt(i,j)<τ。但实际情况下，当电网平稳运行时邻近台区的电压十分接近，同时负荷的突然接入可能导致同一台区的电压出现较大偏差。对于此类情景，引入迭代参数ε1和ε2(ε1和ε2均为接近于0的正数,且满足条件ε1+ε2<1)。当样本i与样本j同属一个台区时，有ε1的概率使pt(i,j)<τ；当样本i与样本j分属不同台区时，有ε2的概率使pt(i,j)≥τ。
当取这个迭代公式中上面的公式时，电压近似值较大，说明很可能两个样本属于同一个台区，基于这个公式，相似度数值是个增函数，两个样本的相似度数值会变大。同理，当取下面的公式时，电压近似值没达到预期，说明两个样本可能不属于同一台区，基于这个公式，是减函数，相似度数值变小。每一个最新时刻都进行迭代，会导致这个相似度数值越来越精准，符合现实预期。
此外，当电压数据出现缺失值时，对应相似度数值进行停滞处理。如样本i在t时刻的电压数据出现缺失，则有st i,j＝st-1 i,j，其中样本j为任一样本。因此，本发明能够克服数据缺失引发的辨识不准确的影响，具有良好的鲁棒性。
步骤4、基于更新后的样本间相似度数据，采用设定的聚类方法进行聚类操作，得到当前时刻的户变关系情况，并准备获取下一时刻各样本的电压数据。
示例地，在当前时刻为t时，经过上述步骤2至4，可以确定t时刻的户变关系，并准备获取t+1时刻的电压数据。
在步骤4中，设定的聚类方法具体包括以下步骤：
步骤4.1、基于相似度矩阵构建样本间无向权重图，即邻接矩阵W，表示为：
W＝St
Figure BDA0003679395190000071
其中，wi,j为邻接矩阵中元素，表示样本i与样本j之间的权重关系；
步骤4.2、构建度矩阵D以及图拉普拉斯矩阵L；将邻接矩阵W的每一行元素求和得di，i＝1,2,…,N，度矩阵D为di组成的对角矩阵，并据此推导拉普拉斯矩阵L，表示为：
Figure BDA0003679395190000072
Figure BDA0003679395190000073
Figure BDA0003679395190000074
步骤4.3、利用奇异值分解方法求解拉普拉斯矩阵L对应的正交矩阵Q,并对Q进行降维操作得
Figure BDA0003679395190000081
表示为：
L＝Q∧Q-1
Figure BDA0003679395190000082
Q＝[q1,q2,…,qN]
Figure BDA0003679395190000083
其中，λ1,λ2,…,λN为L的特征值，且λ1≤λ2≤…≤λN，q1,q2,…,qN分别为特征值λ1,λ2,…,λN对应的特征向量，h为超参数，且1≤h≤N；
步骤4.4、对
Figure BDA0003679395190000084
进行行单位化后按原位置重新构成矩阵Q*：
Figure BDA0003679395190000085
Figure BDA0003679395190000086
步骤4.5、以Q*的每一行向量为一个h维样本，将N个样本作为k均值聚类算法的输入，得到聚类结果，聚类结果为户变关系辨识结果。
步骤4.5具体包括以下步骤：
步骤4.5.1、从N个样本中随机选取k个样本作为初始聚类中心；
步骤4.5.2、计算每个样本与这k个聚类中心之间的欧式距离，并将每个样本划分至距离最近的聚类中心所在集群中；
步骤4.5.3、通过计算每个聚类集群中分配的样本的平均值重新确定每个聚类集群中的聚类中心；
步骤4.5.4、反复执行步骤4.5.2和步骤4.5.3，当聚类集群不再发生改变或聚类中心更新次数达到设定值时，输出聚类结果。需要说明的是，由于每个聚类集群均会由一个变压器以及若干用户组成，且变压器是已知的台区信息，所以聚类集群便具有台区归属信息，故聚类结果能够显示出用户的台区归属情况。
步骤5、重复步骤2、3和4，直至自主取消户变关系辨识操作时停止更新。
示例地，在户变关系辨识操作持续进行时，在确定t时刻的户变关系后，可以获取t+1时刻的电压数据，并经过步骤2、3和4可以确定t+1时刻的户变关系，进而本发明可以获取连续时刻的户变关系，并实时更新户变关系，因此在用户转换台区时，本发明可以实时辨别。此外，工作人员可以根据需要决定取消户变关系辨识操作，进而在确定t时刻的户变关系后，不会获取t+1时刻的电压数据，步骤2、3和4也就不再进行。
综上所述，本发明仅需获取智能电表记录的电压数值即可实现户变关系的辨识，有效降低了人工成本和现实操作难度；并引入迭代思想，实现了户变关系的动态辨识，能够对用户转换台区做出快速的响应；并且本发明具有良好的鲁棒性，能够克服数据缺失引发的辨识不准确的影响。

Claims (10)

1.一种基于贝叶斯推断的低压台区户变关系动态辨识方法，其特征在于，包括：
步骤1、获取样本与当前时刻所述样本的电压数据，并对样本间相似度矩阵进行初始化；
步骤2、基于设定的算法计算相似度迭代更新的前置条件，所述前置条件为样本间电压近似值；
步骤3、结合所述前置条件进行相应的样本间相似度迭代更新操作；
步骤4、基于更新后的样本间相似度矩阵采用设定的聚类方法进行聚类操作，得到当前时刻的户变关系情况，并准备获取下一时刻各样本的电压数据；
步骤5、重复步骤2、3和4，直至自主取消户变关系辨识操作时停止更新。
2.根据权利要求1所述的一种基于贝叶斯推断的低压台区户变关系动态辨识方法，其特征在于，在步骤1中，记相似度矩阵序列为{St},t＝1,2,…,T，初始化的相似度矩阵S0为：
S0＝(1-δ-λ)I+λE
其中，I为单位矩阵，E为全1矩阵，S0为对称矩阵，所有矩阵大小均为N×N，N为样本总数，δ和λ为初始相似度参数。
3.根据权利要求1所述的一种基于贝叶斯推断的低压台区户变关系动态辨识方法，其特征在于，在步骤2中，利用高斯核函数计算样本i与样本j两者在t时刻的电压近似值，表示为：
Figure FDA0003679395180000011
其中，pt(i,j)和pt-1(i,j)分别为样本i与样本j两者在t时刻和t-1时刻的电压近似值，ui,t和uj,t分别为样本i与样本j在t时刻的电压测量值，σ为高斯核参数，α为距离权重系数。
4.根据权利要求1所述的一种基于贝叶斯推断的低压台区户变关系动态辨识方法，其特征在于，在步骤3中，t时刻的相似度矩阵St中元素的迭代公式为：
Figure FDA0003679395180000012
其中，st i,j为样本i与样本j两者在t时刻的相似度数值，st-1 i,j为样本i与样本j两者在t-1时刻的相似度数值，τ为前置条件阈值，ε1和ε2为迭代参数。
5.根据权利要求4所述的一种基于贝叶斯推断的低压台区户变关系动态辨识方法，其特征在于，当电压数据出现缺失值时，对应样本间相似度数值进行停滞处理。
6.据权利要求1所述的一种基于贝叶斯推断的低压台区户变关系动态辨识方法，其特征在于，在步骤4中，设定的聚类方法具体包括以下步骤：
步骤4.1、基于相似度矩阵构建样本间无向权重图，即邻接矩阵W，表示为：
W＝St
Figure FDA0003679395180000021
其中，wi,j为邻接矩阵中元素，表示样本i与样本j之间的权重关系；
步骤4.2、构建度矩阵D以及图拉普拉斯矩阵L；将邻接矩阵W的每一行元素求和得di，i＝1,2,…,N，度矩阵D为di组成的对角矩阵，并据此推导拉普拉斯矩阵L，表示为：
Figure FDA0003679395180000022
Figure FDA0003679395180000023
Figure FDA0003679395180000024
步骤4.3、利用奇异值分解方法求解拉普拉斯矩阵L对应的正交矩阵Q,并对Q进行降维操作得
Figure FDA0003679395180000025
表示为：
L＝Q∧Q-1
Figure FDA0003679395180000026
Q＝[q1,q2,…,qN]
Figure FDA0003679395180000027
其中，λ1,λ2,…,λN为L的特征值，且λ1≤λ2≤…≤λN，q1,q2,…,qN分别为特征值λ1,λ2,…,λN对应的特征向量，h为超参数，且1≤h≤N；
步骤4.4、对
Figure FDA0003679395180000028
进行行单位化后按原位置重新构成矩阵Q*：
Figure FDA0003679395180000029
Figure FDA0003679395180000031
步骤4.5、以Q*的每一行向量为一个h维样本，将N个样本作为k均值聚类算法的输入，得到聚类结果，所述聚类结果为户变关系辨识结果。
7.根据权利要求6所述的一种基于贝叶斯推断的低压台区户变关系动态辨识方法，其特征在于，步骤4.5具体包括以下步骤：
步骤4.5.1、从N个样本中随机选取k个样本作为初始聚类中心；
步骤4.5.2、计算每个样本与这k个聚类中心之间的欧式距离，并将每个样本划分至距离最近的聚类中心所在集群中；
步骤4.5.3、通过计算每个聚类集群中分配的样本的平均值重新确定每个聚类集群中的聚类中心；
步骤4.5.4、反复执行步骤4.5.2和步骤4.5.3，当聚类集群不再发生改变或聚类中心更新次数达到设定值时，输出聚类结果。
8.一种基于贝叶斯推断的低压台区户变关系动态辨识系统，其特征在于，用于执行权利要求1至7任一所述的一种基于贝叶斯推断的低压台区户变关系动态辨识方法，包括：智能电表1、数据库2以及上位机3，其中智能电表1、数据库2以及上位机3依次相连；所述上位机3由数据处理模块4、检测辨识模块5和结果显示模块6依次相连组成。
9.根据权利要求8所述的一种基于贝叶斯推断的低压台区户变关系动态辨识系统，其特征在于，智能电表1用于采集变压器低压侧和用户端时序电压数据信息；数据库2用于储存智能电表1上传的数据信息；上位机3用于户变关系的动态辨识；其中，数据处理模块4用于读取数据并根据设定算法进行样本间相似度的迭代更新；检测辨识模块5用于进行户变关系辨识操作；结果显示模块6用于户变关系辨识结果的呈现。
10.一种计算机存储介质，其特征在于，所述计算机存储介质内存储有计算机程序；所述计算机程序在计算机上运行时，使得计算机执行权利要求1至7任一所述的一种基于贝叶斯推断的低压台区户变关系动态辨识方法。
CN202210630319.7A 2022-06-06 2022-06-06 基于贝叶斯推断的低压台区户变关系动态辨识系统与方法 Pending CN115098745A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210630319.7A CN115098745A (zh) 2022-06-06 2022-06-06 基于贝叶斯推断的低压台区户变关系动态辨识系统与方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210630319.7A CN115098745A (zh) 2022-06-06 2022-06-06 基于贝叶斯推断的低压台区户变关系动态辨识系统与方法

Publications (1)

Publication Number Publication Date
CN115098745A true CN115098745A (zh) 2022-09-23

Family

ID=83288076

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210630319.7A Pending CN115098745A (zh) 2022-06-06 2022-06-06 基于贝叶斯推断的低压台区户变关系动态辨识系统与方法

Country Status (1)

Country Link
CN (1) CN115098745A (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110321919A (zh) * 2019-04-30 2019-10-11 广东电网有限责任公司 一种用于低压单相用户户相关系辨识的聚类方法
CN110569316A (zh) * 2019-08-07 2019-12-13 浙江大学 基于t-SNE降维技术和BIRCH聚类的低压台区用户拓扑辨识方法
CN112988693A (zh) * 2021-03-26 2021-06-18 武汉大学 一种异常数据检测中谱聚类算法并行化方法及系统
CN113094862A (zh) * 2021-05-20 2021-07-09 上海理工大学 一种基于数据驱动的台区多层拓扑结构辨识方法
CN113744089A (zh) * 2021-11-08 2021-12-03 广东电网有限责任公司佛山供电局 一种台区户变关系辨识方法及设备

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110321919A (zh) * 2019-04-30 2019-10-11 广东电网有限责任公司 一种用于低压单相用户户相关系辨识的聚类方法
CN110569316A (zh) * 2019-08-07 2019-12-13 浙江大学 基于t-SNE降维技术和BIRCH聚类的低压台区用户拓扑辨识方法
CN112988693A (zh) * 2021-03-26 2021-06-18 武汉大学 一种异常数据检测中谱聚类算法并行化方法及系统
CN113094862A (zh) * 2021-05-20 2021-07-09 上海理工大学 一种基于数据驱动的台区多层拓扑结构辨识方法
CN113744089A (zh) * 2021-11-08 2021-12-03 广东电网有限责任公司佛山供电局 一种台区户变关系辨识方法及设备

Similar Documents

Publication Publication Date Title
CN109635928B (zh) 基于深度学习模型融合的电压暂降原因识别方法
CN109818349B (zh) 一种基于多维状态矩阵滑动匹配的电网鲁棒状态预测方法
CN114219147B (zh) 一种基于联邦学习的配电站故障预测方法
CN111722046B (zh) 一种基于深度森林模型的变压器故障诊断方法
CN108681973A (zh) 电力用户的分类方法、装置、计算机设备和存储介质
CN113109715B (zh) 基于特征选择和支持向量回归的电池健康状况预测方法
CN112834927A (zh) 锂电池剩余寿命预测方法、系统、设备及介质
CN113484774B (zh) 一种基于温度校准和神经网络的锂电池组容量估计方法
CN112308459A (zh) 电网户变关系的识别方法及识别装置、电子设备
CN112418476A (zh) 一种超短期电力负荷预测方法
CN112862065A (zh) 一种基于多任务图神经网络的电网支路参数辨识方法
CN116953547A (zh) 一种储能电池健康度评估方法、系统、设备及存储介质
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
CN114252103A (zh) 融合电站运行故障预测方法
CN110796303B (zh) 一种基于ewt和odbscan的短期电力负荷预测方法
CN112085111A (zh) 一种负荷辨识方法和装置
CN116008714A (zh) 一种基于智能量测终端的反窃电分析方法
CN115329899A (zh) 一种聚类等效模型构建方法、系统、设备和存储介质
Varghese et al. Smart grid consumer behavioral model using machine learning
Hashemipour et al. Optimal singular value decomposition based big data compression approach in smart grids
Zhao et al. From Grayscale Image to Battery Aging Awareness—A New Battery Capacity Estimation Model With Computer Vision Approach
CN112595918A (zh) 一种低压集抄故障的检测方法及装置
CN115098745A (zh) 基于贝叶斯推断的低压台区户变关系动态辨识系统与方法
CN113449912B (zh) 一种基于人工智能技术的空间负荷态势感知方法
CN115389955A (zh) 一种电池内外总压测试的压差预测方法及装置

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20220923