CN115203286A - 一种基于知识驱动的台区户变关系识别方法 - Google Patents
一种基于知识驱动的台区户变关系识别方法 Download PDFInfo
- Publication number
- CN115203286A CN115203286A CN202210820039.2A CN202210820039A CN115203286A CN 115203286 A CN115203286 A CN 115203286A CN 202210820039 A CN202210820039 A CN 202210820039A CN 115203286 A CN115203286 A CN 115203286A
- Authority
- CN
- China
- Prior art keywords
- voltage
- user
- lvdn
- users
- matrix
- 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
- 238000000034 method Methods 0.000 title claims abstract description 38
- 239000011159 matrix material Substances 0.000 claims abstract description 73
- 238000012545 processing Methods 0.000 claims abstract description 13
- 238000000605 extraction Methods 0.000 claims abstract description 7
- 150000001875 compounds Chemical class 0.000 claims description 5
- 238000000513 principal component analysis Methods 0.000 claims description 5
- 238000012423 maintenance Methods 0.000 abstract description 5
- 238000007781 pre-processing Methods 0.000 description 4
- 238000012847 principal component analysis method Methods 0.000 description 4
- 230000009466 transformation Effects 0.000 description 4
- 230000000875 corresponding effect Effects 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 230000008094 contradictory effect Effects 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 101100136092 Drosophila melanogaster peng gene Proteins 0.000 description 1
- 102100024587 Tumor necrosis factor ligand superfamily member 15 Human genes 0.000 description 1
- 108090000138 Tumor necrosis factor ligand superfamily member 15 Proteins 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
- 238000002759 z-score normalization Methods 0.000 description 1
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
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2474—Sequence data queries, e.g. querying versioned data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/25—Integrating or interfacing systems involving database management systems
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Business, Economics & Management (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Algebra (AREA)
- Economics (AREA)
- Fuzzy Systems (AREA)
- Public Health (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Water Supply & Treatment (AREA)
- Computing Systems (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Quality & Reliability (AREA)
- Primary Health Care (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Operations Research (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明基于知识驱动的台区户变关系识别方法,包括下列步骤:1)采集待识别台区及其邻近台区配电变压器低压侧母线的三相电压时序数据、用户的电压时序数据,构建原始电压数据矩阵;2)对所述原始电压数据矩阵中的原始数据进行标准化和特征提取处理,得到预处理后的电压数据矩阵;3)综合利用靠近配变首端和非靠近配变首端用户的电压关联特性的先验知识,确定台区户变关系。本发明为电网企业节省人力运维成本,提高台区户变识别的效率。
Description
技术领域
本发明属于电网台区户变关系识别的领域,尤其是基于知识驱动的台区户变关系识别方法的技术。
背景技术
近年来,随着经济的发展和城市化进程的不断推进,低压台区下的用户数量增长迅速,台区户变关系信息变动频繁,但因为排查效率低、信息更新不及时等问题,电网公司关于台区的户变关系档案信息普遍存在错误。现阶段低压用户接线复杂,负荷转供频繁,加上人工录入误差等因素影响,台区中广泛存在户变关系错误问题。准确的户变关系是负荷业扩、台区线损管理、停复电处理、线路改造等业务开展的关键,同时也是后续准确识别台区相-线-户关系,实现台区全拓扑可视化的前提。传统依靠人力和信号注入设备校验户变关系的方法投资成本高、效率低且无法自动更新。因此,研究台区户变关系自动识别技术显得尤为重要。
台区户变关系识别的传统方法主要依赖负责各个片区的电工师傅的运维经验以及人工核查的方式。除人工核查之外,不少研究提出了利用信号发射设备和智能电表数据分析确定台区户变关系的方法。文献[1]提出一种基于宽带载波的台区网络拓扑动态自适应方法,通过采集器接收并解析台区集中器发送的电压特征信号,实现台区户变关系快速识别。文献[2]利用电表电压数据,提出了一种基于电压时序相关性和幅值大小比较用户间的相关性,以排查现有台账记录中变户关系错误的方法。文献[3]利用电表电压数据,通过比较用户和台区配电变压器低压侧三相母线电压时序相关性大小确定台区户变关系。
文献[1]:冬松.一种基于宽带载波的台区网络拓扑动态自适应方法[P].CN106781414A,2017-05-31。
文献[2]:Luan W,Peng P,Maras M,et al.Smart meter data analytics fordistribution network connectivity verification[J].IEEE transactions on SmartGrid,2015,6(4):1964–1971。
文献[3]:肖勇,赵云,涂治东,等.基于改进的皮尔逊相关系数的低压配电网拓扑结构校验方法[J].电力系统保护与控制,2019,47(11):37-43。
现有技术存在的缺点:
文献[1]中的方法仅适用于半载波方案台区,同时未考虑因台区间共零共地引起的窜抄问题,难以确保识别准确度。此外,文献[1]中的方法增加大量终端设备,且存在电子化移交的准确度要求高、投资大、运行维护困难等问题,难以有效推广。文献[2]和文献[3]通过分析智能电表计量数据确定户变关系,不需要额外加装设备,改造量小、投入产出比大,更适用于推广应用。
文献[2]和文献[3]分别单独比较了用户间的关联特性或用户与配变低压三相母线间的关联特性。然而,用户与低压三相母线以及其他用户间的电压曲线相关性与其所在的位置有很大的相关性,位于不同位置的用户间可能存在矛盾的关联特性。因此,已有文献[2]和文献[3]仅使用一种关联特性,不足以准确识别变户关系。
另外已有文献[2]和文献[3]中的方法缺乏数据预处理环节,对数据区分度和噪音鲁棒性较差。在实际台区中,经过三相不平衡度治理的台区,采集到的电压数据往往分布集中,用户特征间的差异很小,一定程度上影响了算法的精度。另一方面,受限于电表计量误差和通信问题,智能电表采集到的数据中常混有一些噪声。数据区分度较小和数据噪音的现状影响已有方法的性能。
发明内容
本发明的目的在于提供一种基于知识驱动的台区户变关系识别方法,为电网企业节省人力运维成本,提高台区户变识别的效率。
本发明的技术方案为:
一种基于知识驱动的台区户变关系识别方法,其特征在于所述基于知识驱动的台区户变关系识别方法包括下列步骤:
1)采集待识别台区及其邻近台区配电变压器低压侧母线的三相电压时序数据、用户的电压时序数据,构建原始电压数据矩阵;
2)对所述原始电压数据矩阵中的原始数据进行标准化和特征提取处理,得到预处理后的电压数据矩阵;
3)综合利用靠近配变首端和非靠近配变首端用户的电压关联特性的先验知识,确定台区户变关系,所述先验知识包括a)靠近配变首端的用户与所属台区的低压母线之间电压时序曲线相关性最大;b)对于非靠近配变首端的用户,本台区用户之间的电压相关性序列标准差和均值高于非本台区用户之间的电压相关性序列标准差和均值。
将LVDN即低压台区低压三相母线上的计量终端和用户侧的智能电表统称为计量点,所述原始电压数据矩阵U=[UL1;UL2;…;ULe;UC1;UC2;…;UCe],其中UL1和UC1分别表示第1个LVDN的低压三相母线电压矩阵和用户电压矩阵,UL2和UC2分别表示第2个LVDN的低压三相母线电压矩阵和用户电压矩阵,ULe和UCe分别表示第e个LVDN的低压三相母线电压矩阵和用户电压矩阵,e代表总LVDN数目。
对原始数据进行标准化的公式如下:
标准化后的电压数据集维度与原始电压数据集维度保持一致;
采用PCA分析法即主成分分析法对原始数据标准化后的电压数据集Uzs进行降维处理,得到保留a个主要特征的数据矩阵Uzs′,N表示计量点的总数目,Uzs′的维度为N×a,行数为N,列数为a。
所述步骤3)中的方法和规则为:
(3-1):经数据标准化和主要特征提取处理后,原始计量点电压数据矩阵转变为Uzs′,基于Uzs′计算计量点间的CCVP即电压曲线相关性系数,得到矩阵维度为N×N的计量点电压相关性系数矩阵R,R分成四个分块矩阵:
式中,R1为N1×N1维方阵,表示待识别LVDN的低压三相母线与邻近LVDN的低压三相母线间的电压相关性系数矩阵,N1表示待识别LVDN和邻近LVDN的低压三相母线总数;R2为N1×N2维矩阵,表示待识别LVDN和邻近LVDN中的用户与低压三相母线间的电压相关性系数矩阵;R3为N2×N1维矩阵,是矩阵R2的转置;R4为N2×N2维方阵,表示待识别LVDN和邻近LVDN所包含用户间的电压相关性系数矩阵;N2表示待识别LVDN和邻近LVDN的用户总数;
(3-2):矩阵R2中的第h列向量为R2(:,h),h=1,2,...,N2,即为用户与各个LVDN低压三相母线的CCVP值,以每列向量中的最大值argmax{abs(R2(:,h))}对应的低压三相母线所在LVDN,作为相应用户的变户关系,从而得到初步的变户关系,所述abs(R2(:,h))表示对R2(:,h)中的元素做绝对值运算处理;
(3-3):将已有的LVDN台账信息表与步骤2)得到的变户关系结果对比,将第g个LVDN中,存在两个变户连接关系不一致的用户,纳入嫌疑用户集合ξg中,g=1,2,…,b,b为LVDN数,共得到b个嫌疑用户集合;
用户的电压幅值越大,越靠近配变首端;利用用户的电压幅值来判断它的位置,具体为:
(3-4):对每个LVDN台账信息上的用户,基于原始电压数据,计算计量周期内这些用户的电压平均值,并将用户按平均值由大到小排序,以前个用户作为靠近第g个LVDN配变首端的用户,得到首端用户集合αg,其中τ为阈值系数,τ∈[0,0.5],Mg为第g个LVDN中待识别的用户数目,共得到b个首端用户集合,所述是指τ乘以Mg的数值结果向上取整;
(3-5):集合ξg中属于所述首端用户集合αg的用户确认为变户关系错误用户,这些用户的变户关系以步骤3-2)中的变户关系为准,进一步将这部分从嫌疑用户集合ξg剔除,ξg更新为嫌疑用户集合ξ1g,g=1,2,…,b;
(3-6):将每个LVDN中的用户划分为嫌疑用户集合和非嫌疑用户集合,例如第g个LVDN中的嫌疑用户集合和非嫌疑用户集合分别用ξ1g和λ1g表示,对嫌疑用户中的每个用户,从矩阵R4中提取其与所有LVDN中的非嫌疑用户间的CCVP值,每个用户对应有b个电压相关性系数序列,其中ξ1g中第k个用户的第g个电压相关性系数序列Rk,gg如下:
Rk,gg={ρ1gk,1g1,ρ1gk,1g2,...ρ1gk,1go,...,ρ1gk,1gO} (6)
式中,ρ1gk,1g1和ρ1gk,1g2分别表示ξ1g中第k个用户与λ1g中第1个用户和第2个用户间的CCVP值,ρ1gk,1go和ρ1gk,1gO分别表示表示ξ1g中第k个用户与λ1g中第o个用户和第O个用户间的CCVP值,O为集合λ1g中的用户数目,o=1,2,…,O,g=1,2,…,b;
(3-7):计算ξ1g中第k个用户的b个电压相关性系数序列的均值E1g,k和标准差序列F1g,k,即:
E1g,k={μkg1,μkg2,...,μkgv,...,μkgb} (7)
F1g,k={σkg1,σkg2,...,σkgv,…,σkgb} (8)
式中,μkg1和σkg1分别为ξ1g中第k个用户的第1个电压相关性系数序列Rk,g1的均值和标准差,μkg2和σkg2分别为ξ1g中第k个用户的第2个电压相关性系数序列Rk,g2的均值和标准差,μkgb和σkgb分别为ξ1g中第k个用户的第b个电压相关性系数序列Rk,gb的均值和标准差,μkgv和σkgv分别为ξ1g中第k个用户的第v个电压相关性系数序列Rk,gv的均值和标准差,v=1,2,…,b,g=1,2,…,b。
对于ξ1g中第k个用户,若第v个LVDN的电压相关性系数序列Rk,gv的均值和标准差的μkgv和σkgv均大于第g个LVDN的电压相关性系数序列Rk,gg的均值和标准差的μkgg和σkgg,则该用户的变户关系修正为连接于第v个LVDN,否则其变户关系以(3-2)中的变户关系为准,g=1,2,…,b。
与现有技术相比,本发明技术方案的优点主要体现在以下三个方面:
(1)不需要人工核查,不需要增加额外的终端设备。低压配电网数量庞大,台区户变识别不需要人工核查和增加额外的终端设备,可以为电网企业节省人力运维成本,提高台区户变识别的效率。
(2)用户与低压三相母线以及其他用户间的电压曲线相关性与其所在的位置有很大的相关性,位于不同位置的用户间可能存在矛盾的关联特性。本发明综合利用靠近配变首端和非靠近配变首端用户的电压关联特性,相比仅使用一种电压关联特性的方法可以实现更高的识别准确率。
(3)本发明中增加了对数据的预处理环节,相比已有方法,可以提升方案对数据区分度和噪音的鲁棒性,有利于适应工程实际中的复杂数据场景。
附图说明
图1为本发明基于知识驱动的台区户变关系识别的原理流程图(一);
图2为本发明基于知识驱动的台区户变关系识别的原理流程图(二)。
具体实施方式
下面结合附图进行详细描述:
如图1,本发明提供一种基于知识驱动的台区户变关系识别方法,其具体步骤为:首先,采集待识别台区及其邻近台区配电变压器低压侧母线的三相电压时序数据、用户的电压时序数据,构建原始电压数据矩阵;接着,联合Z-Score和主成分分析法对原始数据进行标准化和特征提取处理,得到预处理后的电压数据矩阵;最后,综合利用有关靠近配变首端和非靠近配变首端用户的电压关联特性的先验知识,确定台区户变关系。本发明提供的配置方案利用台区电压数据中蕴藏的户变关联先验知识确定台区变户关系,无需增加采集终端,具有成本低、工程应用价值高的特点,而配置方案中增加的数据预处理环节,增强了方案对数据区分度和噪音的鲁棒性。
如图2,数据预处理:读取待识别台区及其邻近台区的低压三相母线和用户电压时序数据;构建计量点原始数据矩阵U;进行Z-score标准化处理,得到矩阵Uzs;基于PCA算法提取a维主要特征,得到N×a维矩阵Uzs′。
变户识别:计算计量点之间的电压相关性系数矩阵R;比较用户与各台区低压三相母线的CCVP值大小,得到用户的初步变户关系;对比集中器的抄表档案和上述初步变户关系,将关系不一致的用户视为嫌疑用户,得到各台区的嫌疑用户集合;
基于电压幅值确定各台区的首端用户集合;
嫌疑用户集合中属于首端用户集合的用户视为变户错误,其变户关系以初步变户关系结果为淮,并从集合中剔除这部分用户,更新嫌疑用户集合;
比较嫌疑用户和不同台区的非嫌疑用户CCVP序列的均值和标准差,确定剩余嫌疑用户的变户关系。
更具体描述如下:
1.采集待识别台区及其邻近台区配电变压器低压侧母线的三相电压时序数据、用户的电压时序数据,构建原始电压数据矩阵;所述时序数据的采样间隔为15分钟;将LVDN低压三相母线上的计量终端和用户侧的智能电表统称为计量点,所述原始电压数据矩阵U=[UL1;UL2;…;ULe;UC1;UC2;…;UCe],其中UL1和UC1分别表示第一个LVDN的低压三相母线电压矩阵和用户电压矩阵,如下式所示,e代表总LVDN数目,其余类推。
式中,uTL1A、uTL1B和uTL1C分别表示第一个LVDN中A、B、C三相母线在时刻t的电压值;uTC1f表示第一个LVDN中第f个用户在在时刻t的电压值;f为第一个LVDN中集中器抄表档案中的总用户数。
2.联合Z-Score(即公式(3)后续的内容)和主成分分析法对原始数据进行标准化和特征提取处理,得到预处理后的电压数据矩阵;所述Z-Score对原始数据的标准化公式如下:
标准化后的电压数据集维度与原始电压数据集维度保持一致。
进一步,利用主成分分析法对原始数据标准化后的电压数据集Uzs进行降维处理,得到保留a个主要特征的数据矩阵Uzs′,Uzs′的维度为N×a。所述主成分分析法是一种统计方法。通过正交变换将一组可能存在相关性的变量转换为一组线性不相关的变量,转换后的这组变量叫主成分。
3.综合利用有关靠近配变首端和非靠近配变首端用户的电压关联特性的先验知识,确定台区户变关系。所述先验知识如下:
先验知识1:靠近配变首端的用户与所属台区的低压三相母线之间电压时序曲线相关性最大;
先验知识2:对于非靠近配变首端的用户,本台区用户之间的电压相关性序列标准差和均值较大,而非本台区用户之间的电压相关性序列标准差和均值较小。
前述综合利用有关靠近配变首端和非靠近配变首端用户的电压关联特性的先验知识,确定台区户变关系的方法和规则为:
(3-1):经数据标准化和主要特征提取处理后,原始计量点电压数据矩阵转变为Uzs′,基于Uzs′计算计量点间的CCVP值,得到维度为N×N的计量点电压相关性系数矩阵R,R可分成4个分块矩阵:
式中,R1为N1×N1维方阵,表示待识别LVDN的低压三相母线与邻近LVDN的低压三相母线间的电压相关性系数矩阵,N1表示待识别LVDN和邻近LVDN的低压三相母线总数;R2为N1×N2维矩阵,表示待识别LVDN和邻近LVDN中的用户与低压三相母线间的电压相关性系数矩阵;R3为N2×N1维矩阵,是矩阵R2的转置;R4为N2×N2维方阵,表示待识别LVDN和邻近LVDN所包含用户间的电压相关性系数矩阵;N2表示待识别LVDN和邻近LVDN的用户总数。
(3-2):R2中的列向量R2(:,h),h=1,2,..,N2,即为用户与各个LVDN低压三相母线的CCVP值,以每列向量中的最大值argmax{abs(R2(:,h))}对应的低压三相母线所在LVDN,作为相应用户的变户关系,从而得到初步的变户关系;
(3-3):将已有的LVDN台账信息表与步骤2)得到的变户关系结果对比,将第g个LVDN中,存在两个变户连接关系不一致的用户,纳入嫌疑用户集合ξg中,g=1,2,…,b,b为LVDN数,共得到b个嫌疑用户集合;
用户的电压幅值越大,越靠近配变首端。因此,利用用户的电压幅值来判断它的位置,具体为:
(3-4):对每个LVDN台账信息上的用户,基于原始电压数据,计算计量周期内这些用户的电压平均值,并将用户按平均值由大到小排序,以前个用户作为靠近第g个LVDN配变首端的用户,得到首端用户集合αg,其中τ为阈值系数,τ∈[0,0.5],Mg为第g个LVDN中待识别的用户数目,共得到b个首端用户集合;
(3-5):集合ξg中属于αg的用户确认为变户关系错误用户,这些用户的变户关系以步骤2)中的变户关系为准,进一步将这部分从集合ξg剔除,ξg更新为ξ1g,g=1,2,…,b;
(3-6):将每个LVDN中的用户划分为嫌疑用户集合和非嫌疑用户集合,例如第g个LVDN中的嫌疑用户集合和非嫌疑用户集合分别用ξ1g和λ1g表示,对嫌疑用户中的每个用户,从矩阵R4中提取其与所有LVDN中的非嫌疑用户间的CCVP值,每个用户对应有b个电压相关性系数序列,其中ξ1g中第k个用户的第g个电压相关性系数序列Rk,gg如下:
Rk,gg={ρ1gk,1g1,ρ1gk,1g2,…ρ1gk,1go,…,ρ1gk,1gO} (6)
式中,ρ1gk,1g1和ρ1gk,1g2分别表示ξ1g中第k个用户与λ1g中第1个用户和第2个用户间的CCVP值,ρ1gk,1go和ρ1gk,1gO分别表示表示ξ1g中第k个用户与λ1g中第o个用户和第O个用户间的CCVP值,O为集合λ1g中的用户数目,o=1,2,…,O,g=1,2,…,b。
(3-7):计算ξ1g中第k个用户的b个电压相关性系数序列的均值E1g,k和标准差序列F1g,k,即:
E1g,k={μkg1,μkg2,…,μkgv,…,μkgb} (7)
F1g,k={σkg1,σkg2,…,σkgv,…,σkgb} (8)
式中,μkgv和σkgv分别为ξ1g中第k个用户的第v个电压相关性系数序列Rk,gv的均值和标准差,v=1,2,…,b,g=1,2,…,b。
对于ξ1g中第k个用户,若第v个LVDN的μkgv和σkgv均大于第g个LVDN的μkgg和σkgg,则该用户的变户关系修正为连接于第v个LVDN,否则其变户关系以(3-2)中的变户关系为准,g=1,2,…,b。
Claims (4)
1.一种基于知识驱动的台区户变关系识别方法,其特征在于所述基于知识驱动的台区户变关系识别方法包括下列步骤:
1)采集待识别台区及其邻近台区配电变压器低压侧母线的三相电压时序数据、用户的电压时序数据,构建原始电压数据矩阵;
2)对所述原始电压数据矩阵中的原始数据进行标准化和特征提取处理,得到预处理后的电压数据矩阵;
3)综合利用靠近配变首端和非靠近配变首端用户的电压关联特性的先验知识,确定台区户变关系,所述先验知识包括a)靠近配变首端的用户与所属台区的低压母线之间电压时序曲线相关性最大;b)对于非靠近配变首端的用户,本台区用户之间的电压相关性序列标准差和均值高于非本台区用户之间的电压相关性序列标准差和均值。
2.根据权利要求1所述基于知识驱动的台区户变关系识别方法,其特征在于将LVDN即低压台区低压三相母线上的计量终端和用户侧的智能电表统称为计量点,所述原始电压数据矩阵U=[UL1;UL2;…;ULe;UC1;UC2;…;UCe],其中UL1和UC1分别表示第1个LVDN的低压三相母线电压矩阵和用户电压矩阵,UL2和UC2分别表示第2个LVDN的低压三相母线电压矩阵和用户电压矩阵,ULe和UCe分别表示第e个LVDN的低压三相母线电压矩阵和用户电压矩阵,e代表总LVDN数目。
3.根据权利要求2所述基于知识驱动的台区户变关系识别方法,其特征在于对原始数据进行标准化的公式如下:
标准化后的电压数据集维度与原始电压数据集维度保持一致;
采用PCA分析法即主成分分析法对原始数据标准化后的电压数据集Uzs进行降维处理,得到保留a个主要特征的数据矩阵Uzs′,N表示计量点的总数目,Uzs′的维度为N×a,行数为N,列数为a。
4.根据权利要求2所述基于知识驱动的台区户变关系识别方法,其特征在于所述步骤3)中的方法和规则为:
(3-1):经数据标准化和主要特征提取处理后,原始计量点电压数据矩阵转变为Uzs′,基于Uzs′计算计量点间的CCVP即电压曲线相关性系数,得到矩阵维度为N×N的计量点电压相关性系数矩阵R,R分成四个分块矩阵:
式中,R1为N1×N1维方阵,表示待识别LVDN的低压三相母线与邻近LVDN的低压三相母线间的电压相关性系数矩阵,N1表示待识别LVDN和邻近LVDN的低压三相母线总数;R2为N1×N2维矩阵,表示待识别LVDN和邻近LVDN中的用户与低压三相母线间的电压相关性系数矩阵;R3为N2×N1维矩阵,是矩阵R2的转置;R4为N2×N2维方阵,表示待识别LVDN和邻近LVDN所包含用户间的电压相关性系数矩阵;N2表示待识别LVDN和邻近LVDN的用户总数;
(3-2):矩阵R2中的第h列向量为R2(:,h),h=1,2,...,N2,即为用户与各个LVDN低压三相母线的CCVP值,以每列向量中的最大值argmax{abs(R2(:,h))}对应的低压三相母线所在LVDN,作为相应用户的变户关系,从而得到初步的变户关系,所述abs(R2(:,h))表示对R2(:,h)中的元素做绝对值运算处理;
(3-3):将已有的LVDN台账信息表与步骤2)得到的变户关系结果对比,将第g个LVDN中,存在两个变户连接关系不一致的用户,纳入嫌疑用户集合ξg中,g=1,2,…,b,b为LVDN数,共得到b个嫌疑用户集合;
用户的电压幅值越大,越靠近配变首端;利用用户的电压幅值来判断它的位置,具体为:
(3-4):对每个LVDN台账信息上的用户,基于原始电压数据,计算计量周期内这些用户的电压平均值,并将用户按平均值由大到小排序,以前个用户作为靠近第g个LVDN配变首端的用户,得到首端用户集合αg,其中τ为阈值系数,τ∈[0,0.5],Mg为第g个LVDN中待识别的用户数目,共得到b个首端用户集合,所述是指τ乘以Mg的数值结果向上取整;
(3-5):集合ξg中属于所述首端用户集合αg的用户确认为变户关系错误用户,这些用户的变户关系以步骤3-2)中的变户关系为准,进一步将这部分从嫌疑用户集合ξg剔除,ξg更新为嫌疑用户集合ξ1g,g=1,2,…,b;
(3-6):将每个LVDN中的用户划分为嫌疑用户集合和非嫌疑用户集合,例如第g个LVDN中的嫌疑用户集合和非嫌疑用户集合分别用ξ1g和λ1g表示,对嫌疑用户中的每个用户,从矩阵R4中提取其与所有LVDN中的非嫌疑用户间的CCVP值,每个用户对应有b个电压相关性系数序列,其中ξ1g中第k个用户的第g个电压相关性系数序列Rk,gg如下:
Rk,gg={ρ1gk,1g1,ρ1gk,1g2,…ρ1gk,1go,...,ρ1gk,1gO} (6)
式中,ρ1gk,1g1和ρ1gk,1g2分别表示ξ1g中第k个用户与λ1g中第1个用户和第2个用户间的CCVP值,ρ1gk,1go和ρ1gk,1gO分别表示表示ξ1g中第k个用户与λ1g中第o个用户和第O个用户间的CCVP值,O为集合λ1g中的用户数目,o=1,2,…,O,g=1,2,…,b;
(3-7):计算ξ1g中第k个用户的b个电压相关性系数序列的均值E1g,k和标准差序列F1g,k,即:
E1g,k={μkg1,μkg2,...,μkgv,...,μkgb} (7)
F1g,k={σkg1,σkg2,...,σkgv,...,σkgb} (8)
式中,μkg1和σkg1分别为ξ1g中第k个用户的第1个电压相关性系数序列Rk,g1的均值和标准差,μkg2和σkg2分别为ξ1g中第k个用户的第2个电压相关性系数序列Rk,g2的均值和标准差,μkgb和σkgb分别为ξ1g中第k个用户的第b个电压相关性系数序列Rk,gb的均值和标准差,μkgv和σkgv分别为ξ1g中第k个用户的第v个电压相关性系数序列Rk,gv的均值和标准差,v=1,2,…,b,g=1,2,…,b;
对于ξ1g中第k个用户,若第v个LVDN的电压相关性系数序列Rk,gv的均值和标准差的μkgv和σkgv均大于第g个LVDN的电压相关性系数序列Rk,gg的均值和标准差的μkgg和σkgg,则该用户的变户关系修正为连接于第v个LVDN,否则其变户关系以(3-2)中的变户关系为准,g=1,2,…,b。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2022105775222 | 2022-05-25 | ||
CN202210577522 | 2022-05-25 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115203286A true CN115203286A (zh) | 2022-10-18 |
Family
ID=83580299
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210820039.2A Pending CN115203286A (zh) | 2022-05-25 | 2022-07-12 | 一种基于知识驱动的台区户变关系识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115203286A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109740641A (zh) * | 2018-12-18 | 2019-05-10 | 清华四川能源互联网研究院 | 一种基于主成分分析和k-means聚类的台区用户识别方法 |
CN112308459A (zh) * | 2020-11-23 | 2021-02-02 | 国网北京市电力公司 | 电网户变关系的识别方法及识别装置、电子设备 |
CN112699913A (zh) * | 2020-11-25 | 2021-04-23 | 国网湖南省电力有限公司 | 一种台区户变关系异常诊断方法及装置 |
WO2021253806A1 (zh) * | 2020-06-16 | 2021-12-23 | 华南理工大学 | 一种基于电压关联特性的低压台区相户关系识别方法 |
-
2022
- 2022-07-12 CN CN202210820039.2A patent/CN115203286A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109740641A (zh) * | 2018-12-18 | 2019-05-10 | 清华四川能源互联网研究院 | 一种基于主成分分析和k-means聚类的台区用户识别方法 |
WO2021253806A1 (zh) * | 2020-06-16 | 2021-12-23 | 华南理工大学 | 一种基于电压关联特性的低压台区相户关系识别方法 |
CN112308459A (zh) * | 2020-11-23 | 2021-02-02 | 国网北京市电力公司 | 电网户变关系的识别方法及识别装置、电子设备 |
CN112699913A (zh) * | 2020-11-25 | 2021-04-23 | 国网湖南省电力有限公司 | 一种台区户变关系异常诊断方法及装置 |
Non-Patent Citations (1)
Title |
---|
LAI ZHOU 等: "User-Transformer Connectivity Relationship Identification Based on Knowledge-Driven Approaches", 《IEEE ACCESS》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111505433B (zh) | 一种低压台区户变关系纠错及相位识别方法 | |
CN112699913B (zh) | 一种台区户变关系异常诊断方法及装置 | |
CN111817291B (zh) | 一种基于电压关联特性的低压台区相户关系识别方法 | |
CN110376469B (zh) | 台区相序与线户关系识别方法及其装置 | |
CN111080105A (zh) | 基于电压时序数据的台区户变关系识别方法及系统 | |
CN107370147A (zh) | 一种基于ami数据分析的配电网拓扑修正方法 | |
CN112329806B (zh) | 一种用于低压台区拓扑识别的电表聚类方法 | |
CN110687361A (zh) | 一种用于识别低压配网台区相序的方法及系统 | |
CN112952828A (zh) | 一种用于低压配电网的用户台区分析方法 | |
CN113189418B (zh) | 一种基于电压数据的拓扑关系识别方法 | |
CN111505443A (zh) | 低压台区线户关系识别方法、装置和计算机设备 | |
CN112510817A (zh) | 一种台区低压拓扑关系智能识别方法 | |
CN116226103A (zh) | 一种基于FPGrowth算法进行政务数据质量检测的方法 | |
CN112819649A (zh) | 确定台区户变关系的方法及装置 | |
CN115954879A (zh) | 基于ao算法优化pnn的配电网线变关系精准辨识方法 | |
CN110059126B (zh) | 基于lkj异常值数据的复杂关联网络分析方法及系统 | |
CN112415304B (zh) | 基于低压台区电压数据曲线分群的线路识别方法 | |
CN112182499B (zh) | 一种基于时序电量数据的低压配电网拓扑结构辨识方法 | |
CN115203286A (zh) | 一种基于知识驱动的台区户变关系识别方法 | |
CN117236022A (zh) | 互感器剩余寿命预测模型训练方法、应用方法及电子设备 | |
CN111626559A (zh) | 一种基于主因子分析法的中压配电网线损关键特征指标提取方法及系统 | |
CN116298699A (zh) | 基于小波优化和图卷积神经网络的配电网故障辨识方法 | |
CN115659553A (zh) | 一种低压供电网络拓扑识别方法及系统 | |
CN115618199A (zh) | 一种针对专变用户智能负荷辨识的信号特征提取方法 | |
CN115545422A (zh) | 一种基于改进决策机制的台区户变关系识别方法 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20221018 |
|
WD01 | Invention patent application deemed withdrawn after publication |