CN115409132A - 一种配电网数据的处理方法及系统 - Google Patents

一种配电网数据的处理方法及系统 Download PDF

Info

Publication number
CN115409132A
CN115409132A CN202211342694.8A CN202211342694A CN115409132A CN 115409132 A CN115409132 A CN 115409132A CN 202211342694 A CN202211342694 A CN 202211342694A CN 115409132 A CN115409132 A CN 115409132A
Authority
CN
China
Prior art keywords
data
distribution network
power distribution
network data
formula
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
CN202211342694.8A
Other languages
English (en)
Inventor
郑剑锋
周龙舟
梁明铸
万敏
周磊
陈培培
刘若愚
肖卓典
李达凯
何其淼
刘志陆
何然
刘聪
白雪
姚远
詹睿
霍兆杰
奚泽立
祝钧
何艺文
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.)
Foshan Power Supply Bureau of Guangdong Power Grid Corp
Original Assignee
Foshan Power Supply Bureau of Guangdong Power Grid Corp
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 Foshan Power Supply Bureau of Guangdong Power Grid Corp filed Critical Foshan Power Supply Bureau of Guangdong Power Grid Corp
Priority to CN202211342694.8A priority Critical patent/CN115409132A/zh
Publication of CN115409132A publication Critical patent/CN115409132A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明涉及大数据处理技术领域，公开了一种配电网数据的处理方法及系统，其方法通过获取配电网数据，基于关联分类算法对配电网数据进行分类，得到多个数据类别下对应的配电网数据，筛选出每个数据类别对应的配电网数据中的异常数据，对异常数据进行修正，从而提高配电网数据的异常数据处理的准确性，增强配电网数据处理精度。

Description

一种配电网数据的处理方法及系统
技术领域
本发明涉及大数据处理技术领域，尤其涉及一种配电网数据的处理方法及系统。
背景技术
配电网是指从输电网或地区发电厂接受电能，通过配电设施就地分配或按电压逐级分配给各类用户的电力网。是由架空线路、电缆、杆塔、配电变压器、隔离开关、无功补偿器及一些附属设施等组成的，在电力网中起重要分配电能作用的网络。配电网是以使用电能为主要任务的那一部分电力网络，根据电压等级分为高压、中压和低压配电网。
同时，还可以根据数据来源将配电网数据分为企业测量数据、电力运营数据以及外部数据等；从数据实时性来讲，配电网数据又可以分为实时数据，准时数据以及非实时数据。目前，对于配电网数据的利用还主要集中在测量数据方面，而对于配电网数据的异常数据处理仍不够准确，影响配电网数据处理精度。
发明内容
本发明提供了一种配电网数据的处理方法及系统，解决了配电网数据的异常数据处理仍不够准确，影响配电网数据处理精度的技术问题。
有鉴于此，本发明第一方面提供了一种配电网数据的处理方法，包括以下步骤：
S1、获取配电网数据，所述配电网数据包括电网馈线数据、馈线负荷数据和变电站数据；
S2、基于关联分类算法对所述配电网数据进行分类，得到多个数据类别下对应的配电网数据；
S3、筛选出每个数据类别对应的配电网数据中的异常数据，对所述异常数据进行修正。
优选地，步骤S2具体包括：
S201、根据所述配电网数据构建配电网数据集，设数据样本为
Figure 819374DEST_PATH_IMAGE001
，
Figure 428210DEST_PATH_IMAGE002
为样本总数量，
Figure 398440DEST_PATH_IMAGE003
，将每个数据样本投射到向量空间，得到相应的特征向量为
Figure 471439DEST_PATH_IMAGE004
，
Figure 439395DEST_PATH_IMAGE005
为特征总数量，将每个配电网数据视为潜在的聚类中心，第
Figure 597843DEST_PATH_IMAGE006
个数据样本关于第
Figure 365905DEST_PATH_IMAGE007
个聚类中心的隶属度为
Figure 496672DEST_PATH_IMAGE008
，采用下式1的关联分类规则，描述每个数据样本的隶属度的关系为：
Figure 697846DEST_PATH_IMAGE009
式1
式1中，
Figure 78012DEST_PATH_IMAGE010
为配电网数据的类别数量；
S202、计算特征向量
Figure 593307DEST_PATH_IMAGE011
至第
Figure 640897DEST_PATH_IMAGE007
个聚类中心距离的加权平方和
Figure 12973DEST_PATH_IMAGE012
为：
Figure 818118DEST_PATH_IMAGE013
式2
式2中，
Figure 933841DEST_PATH_IMAGE014
为第
Figure 773621DEST_PATH_IMAGE007
个聚类中心的特征向量，
Figure 316598DEST_PATH_IMAGE015
为加权指数，令加权指数
Figure 936935DEST_PATH_IMAGE015
单调递减，直至加权平方和
Figure 528454DEST_PATH_IMAGE012
出现拐点，得到相应的加权指数的极小值
Figure 550636DEST_PATH_IMAGE016
为：
Figure 202198DEST_PATH_IMAGE017
式3
式3中，
Figure 44252DEST_PATH_IMAGE018
表示求偏导符号；
S203、将关联分类规则作为约束条件，把加权指数的极小值
Figure 501778DEST_PATH_IMAGE016
代入式2，得到数据和聚类中心
Figure 316150DEST_PATH_IMAGE007
距离加权平方和的局部最小值，当局部最小值小于预定的最小值时，判定潜在的聚类中心
Figure 200930DEST_PATH_IMAGE007
为配电网数据的初始聚类中心，若局部最小值大于预定的最小值，则重新选择新的数据样本作为聚类中心，并返回至步骤S202进行迭代，直至满足收敛条件；
S204、利用下式4筛选出与聚类中心A j 的关联系数
Figure 467963DEST_PATH_IMAGE019
大于预设关联系数阈值的数据样本，将相应的数据样本与相应的聚类中心A j 归为一簇，其中，关联系数
Figure 729180DEST_PATH_IMAGE019
为：
Figure 460375DEST_PATH_IMAGE020
式4
S205、将分类完成的数据样本标记为已分类，对于剩余未标记为已分类的数据样本，重新选择一个新的聚类中心，重复步骤S202~S205直至所有数据样本均标记为已分类，得到多个数据类别下对应的配电网数据。
优选地，本方法还包括：
引入数据分类的收敛系数D为：
Figure 453739DEST_PATH_IMAGE021
式5
式5中，
Figure 270386DEST_PATH_IMAGE022
为爬山函数，
Figure 272977DEST_PATH_IMAGE023
为配电网数据的样本密度，e表示欧拉数；
设数据聚类的最后一步爬山函数最大值为
Figure 858679DEST_PATH_IMAGE024
，上一步为
Figure 91120DEST_PATH_IMAGE025
，
Figure 332746DEST_PATH_IMAGE026
为迭代次数，则数据样本分类的收敛条件为：
Figure 935765DEST_PATH_IMAGE027
式6
当满足式6的收敛条件时，停止迭代，此时的数据样本的特征向量和聚类中心的距离达到最小。
优选地，步骤S3具体包括：
S301、获取每个数据类别对应的数据样本的特征向量曲线，提取所述特征向量曲线的幅值，对所述特征向量曲线的幅值进行归一化处理，得到归一化幅值，通过下式计算正常配电网数据可行域为：
Figure 375974DEST_PATH_IMAGE028
式7
式7中，
Figure 39036DEST_PATH_IMAGE029
、
Figure 502379DEST_PATH_IMAGE030
分别为第
Figure 909089DEST_PATH_IMAGE007
类数据类别的配电网数据可行域的上限和下限，
Figure 141488DEST_PATH_IMAGE031
为第
Figure 975451DEST_PATH_IMAGE007
类数据类别的归一化幅值，
Figure 988407DEST_PATH_IMAGE032
为第
Figure 870912DEST_PATH_IMAGE007
类数据类别的第
Figure 285713DEST_PATH_IMAGE006
个配电网数据，
Figure 290578DEST_PATH_IMAGE033
、
Figure 728513DEST_PATH_IMAGE034
分别为第
Figure 477026DEST_PATH_IMAGE007
类数据类别的第
Figure 746333DEST_PATH_IMAGE006
个配电网数据的最大值和最小值；
S302、通过正常配电网数据可行域构建配电网数据分类的可行域矩阵为：
Figure 922099DEST_PATH_IMAGE035
式8
式8中，
Figure 909647DEST_PATH_IMAGE036
为正常配电网数据的阈值范围；
S303、采用纵向比较法将同一数据类别下的配电网数据与正常配电网数据的阈值范围进行比对，若配电网数据在正常配电网数据的阈值范围内，则判定该配电网数据为正常，若配电网数据不在正常配电网数据的阈值范围内，则判定该配电网数据为异常；
S304、对异常的配电网数据通过下式9进行修正为，
Figure 133955DEST_PATH_IMAGE037
式9
式9中，
Figure 523348DEST_PATH_IMAGE038
为修正值，
Figure 604437DEST_PATH_IMAGE039
为
Figure 16963DEST_PATH_IMAGE032
任一时刻的历史数据，
Figure 107279DEST_PATH_IMAGE040
、
Figure 288862DEST_PATH_IMAGE041
分别为
Figure 824009DEST_PATH_IMAGE032
的前一单位时刻和后一单位时刻的历史数据；
S305、根据修正后的配电网数据执行步骤S303，直至所有配电网数据在正常配电网数据的阈值范围内。
优选地，步骤S3之后还包括：
S4、对每个配电网数据标记数据类别标识，构建数据类别标识与配电网数据之间的索引关系；
S5、将所有配电网数据以及其对应的索引关系存储至预置的数据库。
优选地，步骤S3之后还包括：
将馈线负荷数据输入至预先训练的时间序列模型，得到下一时刻的预测馈线负荷数据；其中，所述预先训练的时间序列模型是基于长短期记忆网络模型根据历史馈线负荷数据训练得到。
第二方面，本发明还提供了一种配电网数据的处理系统，包括：
获取模块，用于获取配电网数据，所述配电网数据包括电网馈线数据、馈线负荷数据和变电站数据；
分类模块，用于基于关联分类算法对所述配电网数据进行分类，得到多个数据类别下对应的配电网数据；
异常修正模块，用于筛选出每个数据类别对应的配电网数据中的异常数据，对所述异常数据进行修正。
优选地，所述分类模块具体包括：
数据集模块，用于根据所述配电网数据构建配电网数据集，设数据样本为
Figure 520569DEST_PATH_IMAGE001
，
Figure 86680DEST_PATH_IMAGE002
为样本总数量，
Figure 450665DEST_PATH_IMAGE003
，将每个数据样本投射到向量空间，得到相应的特征向量为
Figure 76819DEST_PATH_IMAGE004
，
Figure 260675DEST_PATH_IMAGE005
为特征总数量，将每个配电网数据视为潜在的聚类中心，第
Figure 692794DEST_PATH_IMAGE006
个数据样本关于第
Figure 848968DEST_PATH_IMAGE007
个聚类中心的隶属度为
Figure 708340DEST_PATH_IMAGE008
，采用下式1的关联分类规则，描述每个数据样本的隶属度的关系为：
Figure 317176DEST_PATH_IMAGE009
式1
式1中，
Figure 287406DEST_PATH_IMAGE010
为配电网数据的类别数量；
第一计算模块，用于计算特征向量
Figure 360404DEST_PATH_IMAGE011
至第
Figure 390677DEST_PATH_IMAGE007
个聚类中心距离的加权平方和
Figure 486809DEST_PATH_IMAGE012
为：
Figure 260730DEST_PATH_IMAGE013
式2
式2中，
Figure 125918DEST_PATH_IMAGE014
为第
Figure 327092DEST_PATH_IMAGE007
个聚类中心的特征向量，
Figure 972837DEST_PATH_IMAGE015
为加权指数，令加权指数
Figure 488132DEST_PATH_IMAGE015
单调递减，直至加权平方和
Figure 270143DEST_PATH_IMAGE012
出现拐点，得到相应的加权指数的极小值
Figure 642219DEST_PATH_IMAGE016
为：
Figure 712943DEST_PATH_IMAGE017
式3
式3中，
Figure 828666DEST_PATH_IMAGE018
表示求偏导符号；
第二计算模块，用于将关联分类规则作为约束条件，把加权指数的极小值
Figure 730763DEST_PATH_IMAGE016
代入式2，得到数据和聚类中心
Figure 211423DEST_PATH_IMAGE007
距离加权平方和的局部最小值，当局部最小值小于预定的最小值时，判定潜在的聚类中心
Figure 837620DEST_PATH_IMAGE007
为配电网数据的初始聚类中心，若局部最小值大于预定的最小值，则重新选择新的数据样本作为聚类中心，并返回至步骤S202进行迭代，直至满足收敛条件；
第三计算模块，用于利用下式4筛选出与聚类中心A j 的关联系数
Figure 491455DEST_PATH_IMAGE019
大于预设关联系数阈值的数据样本，将相应的数据样本与相应的聚类中心A j 归为一簇，其中，关联系数
Figure 185742DEST_PATH_IMAGE019
为：
Figure 165199DEST_PATH_IMAGE020
式4
标记模块，用于将分类完成的数据样本标记为已分类，对于剩余未标记为已分类的数据样本。
优选地，所述异常修正模块具体包括：
可行域计算模块，用于获取每个数据类别对应的数据样本的特征向量曲线，提取所述特征向量曲线的幅值，对所述特征向量曲线的幅值进行归一化处理，得到归一化幅值，通过下式计算正常配电网数据可行域为：
Figure 944936DEST_PATH_IMAGE028
式7
式7中，
Figure 402462DEST_PATH_IMAGE029
、
Figure 279151DEST_PATH_IMAGE030
分别为第
Figure 101614DEST_PATH_IMAGE007
类数据类别的配电网数据可行域的上限和下限，
Figure 430964DEST_PATH_IMAGE031
为第
Figure 629864DEST_PATH_IMAGE007
类数据类别的归一化幅值，
Figure 361060DEST_PATH_IMAGE032
为第
Figure 416741DEST_PATH_IMAGE007
类数据类别的第
Figure 171070DEST_PATH_IMAGE006
个配电网数据，
Figure 970399DEST_PATH_IMAGE033
、
Figure 556101DEST_PATH_IMAGE034
分别为第
Figure 985945DEST_PATH_IMAGE007
类数据类别的第
Figure 289887DEST_PATH_IMAGE006
个配电网数据的最大值和最小值；
矩阵模块，用于通过正常配电网数据可行域构建配电网数据分类的可行域矩阵为：
Figure 565011DEST_PATH_IMAGE035
式8
式8中，
Figure 270799DEST_PATH_IMAGE036
为正常配电网数据的阈值范围；
对比模块，用于采用纵向比较法将同一数据类别下的配电网数据与正常配电网数据的阈值范围进行比对，若配电网数据在正常配电网数据的阈值范围内，则判定该配电网数据为正常，若配电网数据不在正常配电网数据的阈值范围内，则判定该配电网数据为异常；
修正模块，用于对异常的配电网数据通过下式9进行修正为，
Figure 668282DEST_PATH_IMAGE037
式9
式9中，
Figure 397204DEST_PATH_IMAGE038
为修正值，
Figure 538335DEST_PATH_IMAGE039
为
Figure 36313DEST_PATH_IMAGE032
任一时刻的历史数据，
Figure 870276DEST_PATH_IMAGE040
、
Figure 883232DEST_PATH_IMAGE041
分别为
Figure 765737DEST_PATH_IMAGE032
的前一单位时刻和后一单位时刻的历史数据。
优选地，本系统还包括：
索引模块，用于对每个配电网数据标记数据类别标识，构建数据类别标识与配电网数据之间的索引关系；
存储模块，用于将所有配电网数据以及其对应的索引关系存储至预置的数据库。
从以上技术方案可以看出，本发明具有以下优点：
本发明通过获取配电网数据，基于关联分类算法对配电网数据进行分类，得到多个数据类别下对应的配电网数据，筛选出每个数据类别对应的配电网数据中的异常数据，对异常数据进行修正，从而提高配电网数据的异常数据处理的准确性，增强配电网数据处理精度。
附图说明
图1为本发明实施例提供的一种配电网数据的处理方法的流程图；
图2为本发明实施例提供的一种配电网数据的处理系统的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
为了便于理解，请参阅图1，本发明提供的一种配电网数据的处理方法，包括以下步骤：
S1、获取配电网数据，配电网数据包括电网馈线数据、馈线负荷数据和变电站数据。
其中，电网馈线数据包括馈线ID、馈线联结信息、馈线分段信息以及馈线连接的变压器ID；
馈线负荷数据包括馈线的负荷数据，主要包含馈线的实时负荷、年度负荷峰值及峰值时间点；
变电站数据包括变电站名称及专变的供电范围、型号、额定容量、建设时间、对应用户及用户数目。
S2、基于关联分类算法对配电网数据进行分类，得到多个数据类别下对应的配电网数据。
需要说明的是，配电网数据是打包数据，需要根据数据类别对数据进行分类。例如，可以获取某条线的线路负荷信息、变电站信息等。电网线路基本信息、变电站信息等是电网拓扑结构等相关的信息，可以支持对配电网的总体或这局部进行线路负荷分析。
S3、筛选出每个数据类别对应的配电网数据中的异常数据，对异常数据进行修正。
本实施例提供了一种配电网数据的处理方法，通过获取配电网数据，基于关联分类算法对配电网数据进行分类，得到多个数据类别下对应的配电网数据，筛选出每个数据类别对应的配电网数据中的异常数据，对异常数据进行修正，从而提高配电网数据的异常数据处理的准确性，增强配电网数据处理精度。
在一个具体实施例中，步骤S2具体包括：
S201、根据所述配电网数据构建配电网数据集，设数据样本为
Figure 174679DEST_PATH_IMAGE001
，
Figure 117227DEST_PATH_IMAGE002
为样本总数量，
Figure 617478DEST_PATH_IMAGE003
，将每个数据样本投射到向量空间，得到相应的特征向量为
Figure 100412DEST_PATH_IMAGE004
，
Figure 572982DEST_PATH_IMAGE005
为特征总数量，将每个配电网数据视为潜在的聚类中心，第
Figure 748748DEST_PATH_IMAGE006
个数据样本关于第
Figure 673979DEST_PATH_IMAGE007
个聚类中心的隶属度为
Figure 960604DEST_PATH_IMAGE008
，采用下式1的关联分类规则，描述每个数据样本的隶属度的关系为：
Figure 22101DEST_PATH_IMAGE009
式1
式1中，
Figure 368768DEST_PATH_IMAGE010
为配电网数据的类别数量；
S202、计算特征向量
Figure 781295DEST_PATH_IMAGE011
至第
Figure 871611DEST_PATH_IMAGE007
个聚类中心距离的加权平方和
Figure 115510DEST_PATH_IMAGE012
为：
Figure 305183DEST_PATH_IMAGE013
式2
式2中，
Figure 267323DEST_PATH_IMAGE014
为第
Figure 833434DEST_PATH_IMAGE007
个聚类中心的特征向量，
Figure 197419DEST_PATH_IMAGE015
为加权指数，令加权指数
Figure 620310DEST_PATH_IMAGE015
单调递减，直至加权平方和
Figure 7429DEST_PATH_IMAGE012
出现拐点，得到相应的加权指数的极小值
Figure 439547DEST_PATH_IMAGE016
为：
Figure 330143DEST_PATH_IMAGE017
式3
式3中，
Figure 189515DEST_PATH_IMAGE018
表示求偏导符号；
S203、将关联分类规则作为约束条件，把加权指数的极小值
Figure 798350DEST_PATH_IMAGE016
代入式2，得到数据和聚类中心
Figure 34160DEST_PATH_IMAGE007
距离加权平方和的局部最小值，当局部最小值小于预定的最小值时，判定潜在的聚类中心
Figure 107158DEST_PATH_IMAGE007
为配电网数据的初始聚类中心，若局部最小值大于预定的最小值，则重新选择新的数据样本作为聚类中心，并返回至步骤S202进行迭代，直至满足收敛条件；
S204、利用下式4筛选出与聚类中心A j 的关联系数
Figure 75114DEST_PATH_IMAGE019
大于预设关联系数阈值的数据样本，将相应的数据样本与相应的聚类中心A j 归为一簇，其中，关联系数
Figure 233563DEST_PATH_IMAGE019
为：
Figure 13343DEST_PATH_IMAGE020
式4
S205、将分类完成的数据样本标记为已分类，对于剩余未标记为已分类的数据样本，重新选择一个新的聚类中心，重复步骤S202~S205直至所有数据样本均标记为已分类，得到多个数据类别下对应的配电网数据。
具体地，本方法还包括：
S211、引入数据分类的收敛系数D为：
Figure 940848DEST_PATH_IMAGE021
式5
式5中，
Figure 79705DEST_PATH_IMAGE022
为爬山函数，
Figure 725450DEST_PATH_IMAGE023
为配电网数据的样本密度，e表示欧拉数；
其中，爬山函数值越大，数据样本分类越精细。
S212、设数据聚类的最后一步爬山函数最大值为
Figure 975166DEST_PATH_IMAGE024
，上一步为
Figure 22756DEST_PATH_IMAGE025
，
Figure 332515DEST_PATH_IMAGE026
为迭代次数，则数据样本分类的收敛条件为：
Figure 465556DEST_PATH_IMAGE027
式6
当满足式6的收敛条件时，停止迭代，此时的数据样本的特征向量和聚类中心的距离达到最小。此时的数据样本的特征向量和聚类中心的距离达到最小。此时数据样本的特征向量和聚类中心向量的距离达到最小，得到
Figure 581280DEST_PATH_IMAGE042
的最小值
Figure 421060DEST_PATH_IMAGE043
。
在一个具体实施例中，步骤S3具体包括：
S301、获取每个数据类别对应的数据样本的特征向量曲线，提取特征向量曲线的幅值，对特征向量曲线的幅值进行归一化处理，得到归一化幅值，通过下式计算正常配电网数据可行域为：
Figure 964036DEST_PATH_IMAGE028
式7
式7中，
Figure 256477DEST_PATH_IMAGE029
、
Figure 175892DEST_PATH_IMAGE030
分别为第
Figure 932495DEST_PATH_IMAGE007
类数据类别的配电网数据可行域的上限和下限，
Figure 584056DEST_PATH_IMAGE031
为第
Figure 691690DEST_PATH_IMAGE007
类数据类别的归一化幅值，
Figure 86899DEST_PATH_IMAGE032
为第
Figure 698009DEST_PATH_IMAGE007
类数据类别的第
Figure 848368DEST_PATH_IMAGE006
个配电网数据，
Figure 115401DEST_PATH_IMAGE033
、
Figure 376618DEST_PATH_IMAGE034
分别为第
Figure 779917DEST_PATH_IMAGE007
类数据类别的第
Figure 101177DEST_PATH_IMAGE006
个配电网数据的最大值和最小值；
S302、通过正常配电网数据可行域构建配电网数据分类的可行域矩阵为：
Figure 917824DEST_PATH_IMAGE035
式8
式8中，
Figure 654835DEST_PATH_IMAGE036
为正常配电网数据的阈值范围；
S303、采用纵向比较法将同一数据类别下的配电网数据与正常配电网数据的阈值范围进行比对，若配电网数据在正常配电网数据的阈值范围内，则判定该配电网数据为正常，若配电网数据不在正常配电网数据的阈值范围内，则判定该配电网数据为异常；
S304、对异常的配电网数据通过下式9进行修正为，
Figure 240538DEST_PATH_IMAGE037
式9
式9中，
Figure 670382DEST_PATH_IMAGE038
为修正值，
Figure 726323DEST_PATH_IMAGE039
为
Figure 329343DEST_PATH_IMAGE032
任一时刻的历史数据，
Figure 972814DEST_PATH_IMAGE040
、
Figure 370297DEST_PATH_IMAGE041
分别为
Figure 99219DEST_PATH_IMAGE032
的前一单位时刻和后一单位时刻的历史数据；
S305、根据修正后的配电网数据执行步骤S303，直至所有配电网数据在正常配电网数据的阈值范围内。
在一个具体实施例中，步骤S3之后还包括：
S4、对每个配电网数据标记数据类别标识，构建数据类别标识与配电网数据之间的索引关系。
S5、将所有配电网数据以及其对应的索引关系存储至预置的数据库。
在一个具体实施例中，步骤S3之后还包括：
将馈线负荷数据输入至预先训练的时间序列模型，得到下一时刻的预测馈线负荷数据；其中，预先训练的时间序列模型是基于长短期记忆网络模型根据历史馈线负荷数据训练得到。
以上为本发明提供的一种配电网数据的处理方法的实施例的详细描述，以下为本发明提供的一种配电网数据的处理系统的实施例的详细描述。
为了方便理解，请参阅图2，本发明提供的一种配电网数据的处理系统，包括：
获取模块100，用于获取配电网数据，配电网数据包括电网馈线数据、馈线负荷数据和变电站数据；
分类模块200，用于基于关联分类算法对配电网数据进行分类，得到多个数据类别下对应的配电网数据；
异常修正模块300，用于筛选出每个数据类别对应的配电网数据中的异常数据，对异常数据进行修正。
其中，分类模块先向获取模块发起连接请求，获取模块对连接请求进行身份认证。身份认证通过后，进行信息交互，获取模块与分类模块之间建立通信连接，获取模块接收分类模块下发的控制信令和代理请求，根据信令和请求产生配电网数据，将信息下发至获取模块，调整获取模块的获取参数。还通过网络管理协议、流量监听、电力系统日志收集等方式，采集配电网数据，将数据传输给分类模块，若身份认证未通过，则放弃通信连接。
同时，获取模块包含频率捕捉电路、A/D接口电路、滤波电路和互感器电路，根据互感器性能参数，设置互感器电路的元器件参数，互感器电路选择OPA227型运算放大器，通过二极管续流互感器，释放线圈能量，将电流信号转换为5V以内的电压信号。将电压信号传输至滤波电路，为滤波电路配置低通滤波器，消除系统不需要的频谱信号，滤掉32次以上的谐波。
频率捕捉电路利用锁相环倍频，整形滤波后的配电网数据信号，追踪交流电压和电流，提高系统测量频率。
A/D接口电路采用并行接口，连接TMS320F28335型数字信号处理器，选择2.5V电源作为内部基准电压源，通过内部定时器，将采样的配电网数据转化为数字信号，产生固定采样频率的载波信号，短接信号输入通道的引脚，把配电网数据分配至内存空间，转换逻辑电平的高低电平，将内存空间的数据锁存至寄存器，TMS320F28335型数字信号处理器读取锁存器的配电网数据时，数据经过一个低压差稳压器，通过低压差稳压器的瞬态响应，降低信号电压噪声。
在一个具体实施例中，分类模块具体包括：
数据集模块，用于根据所述配电网数据构建配电网数据集，设数据样本为
Figure 240350DEST_PATH_IMAGE001
，
Figure 800644DEST_PATH_IMAGE002
为样本总数量，
Figure 306712DEST_PATH_IMAGE003
，将每个数据样本投射到向量空间，得到相应的特征向量为
Figure 585247DEST_PATH_IMAGE004
，
Figure 467752DEST_PATH_IMAGE005
为特征总数量，将每个配电网数据视为潜在的聚类中心，第
Figure 882553DEST_PATH_IMAGE006
个数据样本关于第
Figure 825101DEST_PATH_IMAGE007
个聚类中心的隶属度为
Figure 325352DEST_PATH_IMAGE008
，采用下式1的关联分类规则，描述每个数据样本的隶属度的关系为：
Figure 808286DEST_PATH_IMAGE009
式1
式1中，
Figure 280856DEST_PATH_IMAGE010
为配电网数据的类别数量；
第一计算模块，用于计算特征向量
Figure 191043DEST_PATH_IMAGE011
至第
Figure 178591DEST_PATH_IMAGE007
个聚类中心距离的加权平方和
Figure 402899DEST_PATH_IMAGE012
为：
Figure 792292DEST_PATH_IMAGE013
式2
式2中，
Figure 76643DEST_PATH_IMAGE014
为第
Figure 551486DEST_PATH_IMAGE007
个聚类中心的特征向量，
Figure 376223DEST_PATH_IMAGE015
为加权指数，令加权指数
Figure 557805DEST_PATH_IMAGE015
单调递减，直至加权平方和
Figure 75374DEST_PATH_IMAGE012
出现拐点，得到相应的加权指数的极小值
Figure 975197DEST_PATH_IMAGE016
为：
Figure 603625DEST_PATH_IMAGE017
式3
式3中，
Figure 639714DEST_PATH_IMAGE018
表示求偏导符号；
第二计算模块，用于将关联分类规则作为约束条件，把加权指数的极小值
Figure 334044DEST_PATH_IMAGE016
代入式2，得到数据和聚类中心
Figure 783480DEST_PATH_IMAGE007
距离加权平方和的局部最小值，当局部最小值小于预定的最小值时，判定潜在的聚类中心
Figure 887702DEST_PATH_IMAGE007
为配电网数据的初始聚类中心，若局部最小值大于预定的最小值，则重新选择新的数据样本作为聚类中心，并返回至步骤S202进行迭代，直至满足收敛条件；
第三计算模块，用于利用下式4筛选出与聚类中心A j 的关联系数
Figure 106193DEST_PATH_IMAGE019
大于预设关联系数阈值的数据样本，将相应的数据样本与相应的聚类中心A j 归为一簇，其中，关联系数
Figure 903248DEST_PATH_IMAGE019
为：
Figure 574401DEST_PATH_IMAGE020
式4
标记模块，用于将分类完成的数据样本标记为已分类，对于剩余未标记为已分类的数据样本。
在一个具体实施例中，异常修正模块具体包括：
可行域计算模块，用于获取每个数据类别对应的数据样本的特征向量曲线，提取特征向量曲线的幅值，对特征向量曲线的幅值进行归一化处理，得到归一化幅值，通过下式计算正常配电网数据可行域为：
Figure 747893DEST_PATH_IMAGE028
式7
式7中，
Figure 820892DEST_PATH_IMAGE029
、
Figure 851164DEST_PATH_IMAGE030
分别为第
Figure 947296DEST_PATH_IMAGE007
类数据类别的配电网数据可行域的上限和下限，
Figure 455638DEST_PATH_IMAGE031
为第
Figure 586405DEST_PATH_IMAGE007
类数据类别的归一化幅值，
Figure 787579DEST_PATH_IMAGE032
为第
Figure 433324DEST_PATH_IMAGE007
类数据类别的第
Figure 683040DEST_PATH_IMAGE006
个配电网数据，
Figure 730631DEST_PATH_IMAGE033
、
Figure 40389DEST_PATH_IMAGE034
分别为第
Figure 173430DEST_PATH_IMAGE007
类数据类别的第
Figure 289154DEST_PATH_IMAGE006
个配电网数据的最大值和最小值；
矩阵模块，用于通过正常配电网数据可行域构建配电网数据分类的可行域矩阵为：
Figure 128934DEST_PATH_IMAGE035
式8
式8中，
Figure 671911DEST_PATH_IMAGE036
为正常配电网数据的阈值范围；
对比模块，用于采用纵向比较法将同一数据类别下的配电网数据与正常配电网数据的阈值范围进行比对，若配电网数据在正常配电网数据的阈值范围内，则判定该配电网数据为正常，若配电网数据不在正常配电网数据的阈值范围内，则判定该配电网数据为异常；
修正模块，用于对异常的配电网数据通过下式9进行修正为，
Figure 964352DEST_PATH_IMAGE037
式9
式9中，
Figure 883766DEST_PATH_IMAGE038
为修正值，
Figure 640370DEST_PATH_IMAGE039
为
Figure 291931DEST_PATH_IMAGE032
任一时刻的历史数据，
Figure 399564DEST_PATH_IMAGE040
、
Figure 794773DEST_PATH_IMAGE041
分别为
Figure 400024DEST_PATH_IMAGE032
的前一单位时刻和后一单位时刻的历史数据。
在一个具体实施例中，本系统还包括：
索引模块，用于对每个配电网数据标记数据类别标识，构建数据类别标识与配电网数据之间的索引关系；
存储模块，用于将所有配电网数据以及其对应的索引关系存储至预置的数据库。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本发明所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种配电网数据的处理方法，其特征在于，包括以下步骤：
S1、获取配电网数据，所述配电网数据包括电网馈线数据、馈线负荷数据和变电站数据；
S2、基于关联分类算法对所述配电网数据进行分类，得到多个数据类别下对应的配电网数据；
S3、筛选出每个数据类别对应的配电网数据中的异常数据，对所述异常数据进行修正。
2.根据权利要求1所述的配电网数据的处理方法，其特征在于，步骤S2具体包括：
S201、根据所述配电网数据构建配电网数据集，设数据样本为
Figure 400865DEST_PATH_IMAGE001
，
Figure 567405DEST_PATH_IMAGE002
为样本总数量，
Figure 848213DEST_PATH_IMAGE003
，将每个数据样本投射到向量空间，得到相应的特征向量为
Figure 956852DEST_PATH_IMAGE004
，
Figure 628005DEST_PATH_IMAGE005
为特征总数量，将每个配电网数据视为潜在的聚类中心，第
Figure 931991DEST_PATH_IMAGE006
个数据样本关于第
Figure 4989DEST_PATH_IMAGE007
个聚类中心的隶属度为
Figure 35262DEST_PATH_IMAGE008
，采用下式1的关联分类规则，描述每个数据样本的隶属度的关系为：
Figure 318344DEST_PATH_IMAGE009
式1
式1中，
Figure 889003DEST_PATH_IMAGE010
为配电网数据的类别数量；
S202、计算特征向量
Figure 144404DEST_PATH_IMAGE011
至第
Figure 345578DEST_PATH_IMAGE007
个聚类中心距离的加权平方和
Figure 991323DEST_PATH_IMAGE012
为：
Figure 303356DEST_PATH_IMAGE013
式2
式2中，
Figure 350946DEST_PATH_IMAGE014
为第
Figure 785339DEST_PATH_IMAGE007
个聚类中心的特征向量，
Figure 912520DEST_PATH_IMAGE015
为加权指数，令加权指数
Figure 28244DEST_PATH_IMAGE015
单调递减，直至加权平方和
Figure 868024DEST_PATH_IMAGE012
出现拐点，得到相应的加权指数的极小值
Figure 411001DEST_PATH_IMAGE016
为：
Figure 765759DEST_PATH_IMAGE017
式3
式3中，
Figure 685173DEST_PATH_IMAGE018
表示求偏导符号；
S203、将关联分类规则作为约束条件，把加权指数的极小值
Figure 379460DEST_PATH_IMAGE016
代入式2，得到数据和聚类中心
Figure 93338DEST_PATH_IMAGE007
距离加权平方和的局部最小值，当局部最小值小于预定的最小值时，判定潜在的聚类中心
Figure 200971DEST_PATH_IMAGE007
为配电网数据的初始聚类中心，若局部最小值大于预定的最小值，则重新选择新的数据样本作为聚类中心，并返回至步骤S202进行迭代，直至满足收敛条件；
S204、利用下式4筛选出与聚类中心A j 的关联系数
Figure 658497DEST_PATH_IMAGE019
大于预设关联系数阈值的数据样本，将相应的数据样本与相应的聚类中心A j 归为一簇，其中，关联系数
Figure 207290DEST_PATH_IMAGE019
为：
Figure 357649DEST_PATH_IMAGE020
式4
S205、将分类完成的数据样本标记为已分类，对于剩余未标记为已分类的数据样本，重新选择一个新的聚类中心，重复步骤S202~S205直至所有数据样本均标记为已分类，得到多个数据类别下对应的配电网数据。
3.根据权利要求2所述的配电网数据的处理方法，其特征在于，还包括：
引入数据分类的收敛系数
Figure 686999DEST_PATH_IMAGE021
为：
Figure 620320DEST_PATH_IMAGE022
式5
式5中，
Figure 351515DEST_PATH_IMAGE023
为爬山函数，
Figure 672775DEST_PATH_IMAGE024
为配电网数据的样本密度，e表示欧拉数；
设数据聚类的最后一步爬山函数最大值为
Figure 161526DEST_PATH_IMAGE025
，上一步为
Figure 226434DEST_PATH_IMAGE026
，
Figure 812136DEST_PATH_IMAGE027
为迭代次数，则数据样本分类的收敛条件为：
Figure 38718DEST_PATH_IMAGE028
式6
当满足式6的收敛条件时，停止迭代，此时的数据样本的特征向量和聚类中心的距离达到最小。
4.根据权利要求2所述的配电网数据的处理方法，其特征在于，步骤S3具体包括：
S301、获取每个数据类别对应的数据样本的特征向量曲线，提取所述特征向量曲线的幅值，对所述特征向量曲线的幅值进行归一化处理，得到归一化幅值，通过下式计算正常配电网数据可行域为：
Figure 280343DEST_PATH_IMAGE029
式7
式7中，
Figure 883363DEST_PATH_IMAGE030
、
Figure 329431DEST_PATH_IMAGE031
分别为第
Figure 930176DEST_PATH_IMAGE007
类数据类别的配电网数据可行域的上限和下限，
Figure 455836DEST_PATH_IMAGE032
为第
Figure 862546DEST_PATH_IMAGE007
类数据类别的归一化幅值，
Figure 422841DEST_PATH_IMAGE033
为第
Figure 928908DEST_PATH_IMAGE007
类数据类别的第
Figure 207443DEST_PATH_IMAGE006
个配电网数据，
Figure 152265DEST_PATH_IMAGE034
、
Figure 567066DEST_PATH_IMAGE035
分别为第
Figure 244035DEST_PATH_IMAGE007
类数据类别的第
Figure 744286DEST_PATH_IMAGE006
个配电网数据的最大值和最小值；
S302、通过正常配电网数据可行域构建配电网数据分类的可行域矩阵为：
Figure 492800DEST_PATH_IMAGE036
式8
式8中，
Figure 699790DEST_PATH_IMAGE037
为正常配电网数据的阈值范围；
S303、采用纵向比较法将同一数据类别下的配电网数据与正常配电网数据的阈值范围进行比对，若配电网数据在正常配电网数据的阈值范围内，则判定该配电网数据为正常，若配电网数据不在正常配电网数据的阈值范围内，则判定该配电网数据为异常；
S304、对异常的配电网数据通过下式9进行修正为，
Figure 875556DEST_PATH_IMAGE038
式9
式9中，
Figure 863104DEST_PATH_IMAGE039
为修正值，
Figure 149729DEST_PATH_IMAGE040
为
Figure 476805DEST_PATH_IMAGE033
任一时刻的历史数据，
Figure 823473DEST_PATH_IMAGE041
、
Figure 32737DEST_PATH_IMAGE042
分别为
Figure 123053DEST_PATH_IMAGE033
的前一单位时刻和后一单位时刻的历史数据；
S305、根据修正后的配电网数据执行步骤S303，直至所有配电网数据在正常配电网数据的阈值范围内。
5.根据权利要求1所述的配电网数据的处理方法，其特征在于，步骤S3之后还包括：
S4、对每个配电网数据标记数据类别标识，构建数据类别标识与配电网数据之间的索引关系；
S5、将所有配电网数据以及其对应的索引关系存储至预置的数据库。
6.根据权利要求1所述的配电网数据的处理方法，其特征在于，步骤S3之后还包括：
将馈线负荷数据输入至预先训练的时间序列模型，得到下一时刻的预测馈线负荷数据；其中，所述预先训练的时间序列模型是基于长短期记忆网络模型根据历史馈线负荷数据训练得到。
7.一种配电网数据的处理系统，其特征在于，包括：
获取模块，用于获取配电网数据，所述配电网数据包括电网馈线数据、馈线负荷数据和变电站数据；
分类模块，用于基于关联分类算法对所述配电网数据进行分类，得到多个数据类别下对应的配电网数据；
异常修正模块，用于筛选出每个数据类别对应的配电网数据中的异常数据，对所述异常数据进行修正。
8.根据权利要求7所述的配电网数据的处理系统，其特征在于，所述分类模块具体包括：
数据集模块，用于根据所述配电网数据构建配电网数据集，设数据样本为
Figure 304635DEST_PATH_IMAGE001
，
Figure 822204DEST_PATH_IMAGE002
为样本总数量，
Figure 801922DEST_PATH_IMAGE003
，将每个数据样本投射到向量空间，得到相应的特征向量为
Figure 368033DEST_PATH_IMAGE004
，
Figure 466439DEST_PATH_IMAGE005
为特征总数量，将每个配电网数据视为潜在的聚类中心，第
Figure 154909DEST_PATH_IMAGE006
个数据样本关于第
Figure 338766DEST_PATH_IMAGE007
个聚类中心的隶属度为
Figure 708567DEST_PATH_IMAGE008
，采用下式1的关联分类规则，描述每个数据样本的隶属度的关系为：
Figure 927059DEST_PATH_IMAGE009
式1
式1中，
Figure 786431DEST_PATH_IMAGE010
为配电网数据的类别数量；
第一计算模块，用于计算特征向量
Figure 457583DEST_PATH_IMAGE011
至第
Figure 365497DEST_PATH_IMAGE007
个聚类中心距离的加权平方和
Figure 438495DEST_PATH_IMAGE012
为：
Figure 468768DEST_PATH_IMAGE013
式2
式2中，
Figure 627217DEST_PATH_IMAGE014
为第
Figure 338821DEST_PATH_IMAGE007
个聚类中心的特征向量，
Figure 531905DEST_PATH_IMAGE015
为加权指数，令加权指数
Figure 733079DEST_PATH_IMAGE015
单调递减，直至加权平方和
Figure 50928DEST_PATH_IMAGE012
出现拐点，得到相应的加权指数的极小值
Figure 628540DEST_PATH_IMAGE016
为：
Figure 676130DEST_PATH_IMAGE017
式3
式3中，
Figure 985889DEST_PATH_IMAGE018
表示求偏导符号；
第二计算模块，用于将关联分类规则作为约束条件，把加权指数的极小值
Figure 853350DEST_PATH_IMAGE016
代入式2，得到数据和聚类中心
Figure 969074DEST_PATH_IMAGE007
距离加权平方和的局部最小值，当局部最小值小于预定的最小值时，判定潜在的聚类中心
Figure 877030DEST_PATH_IMAGE007
为配电网数据的初始聚类中心，若局部最小值大于预定的最小值，则重新选择新的数据样本作为聚类中心，并返回至步骤S202进行迭代，直至满足收敛条件；
第三计算模块，用于利用下式4筛选出与聚类中心A j 的关联系数
Figure 357690DEST_PATH_IMAGE019
大于预设关联系数阈值的数据样本，将相应的数据样本与相应的聚类中心A j 归为一簇，其中，关联系数
Figure 978027DEST_PATH_IMAGE019
为：
Figure 631863DEST_PATH_IMAGE020
式4
标记模块，用于将分类完成的数据样本标记为已分类，对于剩余未标记为已分类的数据样本。
9.根据权利要求8所述的配电网数据的处理系统，其特征在于，所述异常修正模块具体包括：
可行域计算模块，用于获取每个数据类别对应的数据样本的特征向量曲线，提取所述特征向量曲线的幅值，对所述特征向量曲线的幅值进行归一化处理，得到归一化幅值，通过下式计算正常配电网数据可行域为：
Figure 654045DEST_PATH_IMAGE029
式7
式7中，
Figure 367923DEST_PATH_IMAGE030
、
Figure 147661DEST_PATH_IMAGE031
分别为第
Figure 605187DEST_PATH_IMAGE007
类数据类别的配电网数据可行域的上限和下限，
Figure 481876DEST_PATH_IMAGE032
为第
Figure 304338DEST_PATH_IMAGE007
类数据类别的归一化幅值，
Figure 633689DEST_PATH_IMAGE033
为第
Figure 894906DEST_PATH_IMAGE007
类数据类别的第
Figure 563784DEST_PATH_IMAGE006
个配电网数据，
Figure 619465DEST_PATH_IMAGE034
、
Figure 436111DEST_PATH_IMAGE035
分别为第
Figure 438702DEST_PATH_IMAGE007
类数据类别的第
Figure 24404DEST_PATH_IMAGE006
个配电网数据的最大值和最小值；
矩阵模块，用于通过正常配电网数据可行域构建配电网数据分类的可行域矩阵为：
Figure 250986DEST_PATH_IMAGE036
式8
式8中，
Figure 492612DEST_PATH_IMAGE037
为正常配电网数据的阈值范围；
对比模块，用于采用纵向比较法将同一数据类别下的配电网数据与正常配电网数据的阈值范围进行比对，若配电网数据在正常配电网数据的阈值范围内，则判定该配电网数据为正常，若配电网数据不在正常配电网数据的阈值范围内，则判定该配电网数据为异常；
修正模块，用于对异常的配电网数据通过下式9进行修正为，
Figure 95632DEST_PATH_IMAGE038
式9
式9中，
Figure 535840DEST_PATH_IMAGE039
为修正值，
Figure 198903DEST_PATH_IMAGE040
为
Figure 662245DEST_PATH_IMAGE033
任一时刻的历史数据，
Figure 63096DEST_PATH_IMAGE041
、
Figure 357811DEST_PATH_IMAGE042
分别为
Figure 191775DEST_PATH_IMAGE033
的前一单位时刻和后一单位时刻的历史数据。
10.根据权利要求7所述的配电网数据的处理系统，其特征在于，还包括：
索引模块，用于对每个配电网数据标记数据类别标识，构建数据类别标识与配电网数据之间的索引关系；
存储模块，用于将所有配电网数据以及其对应的索引关系存储至预置的数据库。
CN202211342694.8A 2022-10-31 2022-10-31 一种配电网数据的处理方法及系统 Pending CN115409132A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211342694.8A CN115409132A (zh) 2022-10-31 2022-10-31 一种配电网数据的处理方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211342694.8A CN115409132A (zh) 2022-10-31 2022-10-31 一种配电网数据的处理方法及系统

Publications (1)

Publication Number Publication Date
CN115409132A true CN115409132A (zh) 2022-11-29

Family

ID=84167297

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211342694.8A Pending CN115409132A (zh) 2022-10-31 2022-10-31 一种配电网数据的处理方法及系统

Country Status (1)

Country Link
CN (1) CN115409132A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116595425A (zh) * 2023-07-13 2023-08-15 浙江大有实业有限公司杭州科技发展分公司 一种基于电网调度多源数据融合的缺陷识别方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113344134A (zh) * 2021-06-30 2021-09-03 广东电网有限责任公司 一种低压配电监控终端数据采集异常检测方法及系统
CN114358207A (zh) * 2022-01-12 2022-04-15 国网浙江省电力有限公司电力科学研究院 一种改进的k-means异常负荷检测方法及系统

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113344134A (zh) * 2021-06-30 2021-09-03 广东电网有限责任公司 一种低压配电监控终端数据采集异常检测方法及系统
CN114358207A (zh) * 2022-01-12 2022-04-15 国网浙江省电力有限公司电力科学研究院 一种改进的k-means异常负荷检测方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
DONGMEI BIN ET AL.: "Power distribution abnormal data identification and processing system based on correlation classification", 《JOURNAL OF PHYSICS: CONFERENCE SERIES, VOLUME 2290, 3RD INTERNATIONAL CONFERENCE ON ELECTRICAL, ELECTRONIC INFORMATION AND COMMUNICATION ENGINEERING (EEICE 2022) 》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116595425A (zh) * 2023-07-13 2023-08-15 浙江大有实业有限公司杭州科技发展分公司 一种基于电网调度多源数据融合的缺陷识别方法
CN116595425B (zh) * 2023-07-13 2023-11-10 浙江大有实业有限公司杭州科技发展分公司 一种基于电网调度多源数据融合的缺陷识别方法

Similar Documents

Publication Publication Date Title
CN112699913A (zh) 一种台区户变关系异常诊断方法及装置
CN109829497B (zh) 一种基于监督学习的台区用户识别及判别方法
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
CN111476435B (zh) 基于密度峰值的充电桩负荷预测方法
CN110309874A (zh) 负样本筛选模型训练方法、数据筛选方法和数据匹配方法
CN113011481A (zh) 一种基于决策树算法的电能表功能异常评估方法及系统
CN114330583B (zh) 一种异常用电识别方法和异常用电识别系统
CN115409132A (zh) 一种配电网数据的处理方法及系统
CN112101210A (zh) 一种基于多源信息融合的低压配电网故障诊断方法
Dong Combining unsupervised and supervised learning for asset class failure prediction in power systems
CN115204698A (zh) 一种低压台区供电稳定性的实时分析方法
CN116467648A (zh) 一种基于物联表的非线性台区电力故障的早期监测方法
CN113344450B (zh) 低压台区线户识别方法、系统、终端设备及存储介质
CN113743452A (zh) 电能质量评估方法及装置
CN116681186B (zh) 一种基于智能终端的用电质量分析方法及装置
CN115313522A (zh) 一种考虑新能源出力预测偏差的备用容量配置方法及系统
CN115033893B (zh) 一种改进型聚类算法的信息漏洞数据分析方法
CN115118015A (zh) 一种基于融合终端的台区供电稳定性监测系统
CN112232381B (zh) 主导负荷参数类噪声辨识的模型参数后处理方法和装置
CN114024308A (zh) 一种配电网台户关系辨识方法和系统
CN114443738A (zh) 异常数据挖掘方法、装置、设备及介质
CN110989363B (zh) 一种基于深度学习的电能质量控制方法及装置
CN114862109A (zh) 一种用电异常监测方法、装置、电子设备及存储介质
Yu et al. Practical method for data-driven user phase identification in low-voltage distribution networks
CN109256791B (zh) 一种储能单元的功率控制方法及功率控制设备

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: 20221129

RJ01 Rejection of invention patent application after publication