CN115600494A - 一种低压台区拓扑自动识别方法及装置 - Google Patents

一种低压台区拓扑自动识别方法及装置 Download PDF

Info

Publication number
CN115600494A
CN115600494A CN202211252112.7A CN202211252112A CN115600494A CN 115600494 A CN115600494 A CN 115600494A CN 202211252112 A CN202211252112 A CN 202211252112A CN 115600494 A CN115600494 A CN 115600494A
Authority
CN
China
Prior art keywords
low
data matrix
target
matrix
dimensional data
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
CN202211252112.7A
Other languages
English (en)
Inventor
陈世景
张竞芬
黄海宁
罗大丰
肖飞
陈哲
韦英财
王琛
李民强
陈应富
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.)
Hechi Power Supply Bureau of Guangxi Power Grid Co Ltd
Original Assignee
Hechi Power Supply Bureau of Guangxi Power Grid 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 Hechi Power Supply Bureau of Guangxi Power Grid Co Ltd filed Critical Hechi Power Supply Bureau of Guangxi Power Grid Co Ltd
Priority to CN202211252112.7A priority Critical patent/CN115600494A/zh
Publication of CN115600494A publication Critical patent/CN115600494A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/18—Network design, e.g. design based on topological or interconnect aspects of utility systems, piping, heating ventilation air conditioning [HVAC] or cabling
    • 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
    • G06N3/08—Learning methods
    • 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
    • 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
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Artificial Intelligence (AREA)
  • Computer Hardware Design (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Power Engineering (AREA)
  • Mathematical Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Optimization (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明涉及一种低压台区拓扑自动识别方法及装置，本发明包括：在预设时间内采集低压台区的用电信息数据；将所述用电信息数据组成数据矩阵后将所述数据矩阵映射至低维空间中，得到目标低维数据矩阵；根据所述目标低维数据矩阵绘制所述低压台区对应的第一拓扑结构；将所述目标低维数据矩阵和所述第一拓扑结构通过预设神经网络模型生成目标拓扑结构。本发明通过将数据进行降维后再利用神经网络模型进行学习训练，可以实现毫秒级别的低压台区拓扑自动识别，且有效提高低压台区拓扑自动识别的准确率。

Description

一种低压台区拓扑自动识别方法及装置
技术领域
本发明涉及电力线拓扑技术领域，尤其涉及一种低压台区拓扑自动识别方法及装置。
背景技术
随着高速电力线载波通信技术的深入应用，逐渐发现电力线拓扑仅实现逻辑拓扑功能，只掌握电力网络的中心节点和用户节点，对上述节点间连接关系不清。目前低压配电系统的台区变压器、表箱和分支箱这些通信节点无自动监测手段，电力线物理拓扑关系识别大量依靠人工现场核查，缺乏有效手段进行拓扑分析及校核识别。
现有技术中，低压台区拓扑识别方法主要分为硬件拓扑识别和软件算法识别两种模式，基于硬件的拓扑识别方法采用在表箱、分支箱和户表等各层级别加装具有拓扑识别功能的模块和通信终端等，并更换新型模组化集中器。基于软件拓扑识别算法的方式是通过大数据相似性识别、数据关联分析等实现低压配电网络之间的拓扑关系识别。但是由于使用大数据作为基础，数据量比较大，识别时间较长，使得识别结果的准确率比较低。
发明内容
本发明的目的在于提供一种低压台区拓扑自动识别方法及装置，用于提高拓扑识别的准确率。
本发明第一方面提供了一种低压台区拓扑自动识别方法，包括：
在预设时间内采集低压台区的用电信息数据；
将所述用电信息数据组成数据矩阵后将所述数据矩阵映射至低维空间中，得到目标低维数据矩阵；
根据所述目标低维数据矩阵绘制所述低压台区对应的第一拓扑结构；
将所述目标低维数据矩阵和所述第一拓扑结构通过预设神经网络模型生成目标拓扑结构。
可选的，在所述将所述目标低维数据矩阵和所述第一拓扑结构通过预设神经网络模型生成目标拓扑结构之前，所述方法还包括：
将所述目标低维数据矩阵和所述第一拓扑结构作为训练样本对训练预设神经网络模型。
可选的，所述将所述目标低维数据矩阵和所述第一拓扑结构作为训练样本对训练预设神经网络模型，包括：
将第一样本对输入至初始神经网络模型中，所述第一样本对为n个样本对中的任意一组样本对，所述第一样本对包含所述目标低维数据矩阵和所述第一拓扑结构，n表示样本对的数量；
基于所述第一样本对的第一预测值计算预设神经网络模型的学习率，所述第一预测值包括第一样本对的第1个预测值至第m个预测值，m表示预测值的数量；
根据所述学习率对所述n个样本对进行第k次迭代后输出目标拓扑结构，k表示迭代次数。
可选的，所述基于所述第一样本对的第一预测值计算预设神经网络模型的学习率，所述第一预测值包括第一样本对的第1个预测值至第m个预测值，m表示预测值的数量，包括：
基于所述第一样本对计算第一参数，所述第一参数为所述第一样本对的第i个预测值与第i个真实值的误差平均值，其中i的取值范围为[1,m]，m表示预测值的数量；
根据第一参数计算第二参数，所述第二参数为所述第一参数的方差；
基于所述第一参数和所述第二参数调整预设神经网络的学习率。
可选的，在所述将所述用电信息数据组成数据矩阵后将所述数据矩阵映射至低维空间中，得到目标低维数据矩阵之前，所述方法还包括：
将所述用电信息数据组成数据矩阵后对所述数据矩阵进行预处理，得到标准化数据矩阵。
可选的，所述将所述用电信息数据组成数据矩阵后将所述数据矩阵映射至低维空间中，得到目标低维数据矩阵，包括：
根据所述标准化数据矩阵和初始低维数据矩阵计算第一相似度矩阵和第二相似度矩阵，所述初始低维数据矩阵为预设维数的低维空间中的任意一组低维数据矩阵，所述预设维数小于所述标准化数据矩阵的维数；
根据所述第一相似度矩阵和所述第二相似度矩阵之间的差异值确定目标低维数据矩阵。
本发明第二方面提供了一种低压台区拓扑自动识别装置，包括：
采集单元，用于在预设时间内采集低压台区的用电信息数据；
映射单元，用于将所述用电信息数据组成数据矩阵后将所述数据矩阵映射至低维空间中，得到目标低维数据矩阵；
绘制单元，用于根据所述目标低维数据矩阵绘制所述低压台区对应的第一拓扑结构；
生成单元，用于将所述目标低维数据矩阵和所述第一拓扑结构通过预设神经网络模型生成目标拓扑结构。
可选的，在所述生成单元之前，所述装置还包括：
训练单元，用于将所述目标低维数据矩阵和所述第一拓扑结构作为训练样本对训练预设神经网络模型。
可选的，所述生成单元包括：
输入模块，用于将第一样本对输入至初始神经网络模型中，所述第一样本对为n个样本对中的任意一组样本对，所述第一样本对包含所述目标低维数据矩阵和所述第一拓扑结构，n表示样本对的数量；
第二计算模块，用于基于所述第一样本对计算第一参数，所述第一参数为所述第一样本对的第i个预测值与第i个真实值的误差平均值，其中i的取值范围为[1,m]，m表示预测值的数量；
第三计算模块，用于根据第一参数计算第二参数，所述第二参数为所述第一参数的方差；
调整模块，用于基于所述第一参数和所述第二参数调整预设神经网络的学习率；
输出模块，用于根据所述学习率对所述n个样本对进行第k次迭代后输出目标拓扑结构，k表示迭代次数。
可选的，在所述映射单元之前，所述装置还包括：
预处理单元，用于将所述用电信息数据组成数据矩阵后对所述数据矩阵进行预处理，得到标准化数据矩阵。
可选的，所述映射单元包括：
第一计算单元，用于根据所述标准化数据矩阵和初始低维数据矩阵计算第一相似度矩阵和第二相似度矩阵，所述初始低维数据矩阵为预设维数的低维空间中的任意一组低维数据矩阵，所述预设维数小于所述标准化数据矩阵的维数；
确定单元，用于根据所述第一相似度矩阵和所述第二相似度矩阵之间的差异值确定目标低维数据矩阵。
从以上技术方案可以看出，本申请具有以下优点：在本申请中，首先在预设时间内采集低压台区的用电信息数据，将用电信息数据组成数据矩阵后，再将数据矩阵映射至低维空间中，得到目标低维数据矩阵，根据目标低维数据矩阵绘制低压台区对应的第一拓扑结构，最后将目标低维数据矩阵和第一拓扑结构通过预设神经网络模型生成目标拓扑结构。本发明可以实现毫秒级别的低压台区拓扑自动识别，且有效提高基于大数据下的识别准确率。
附图说明
图1为本发明中低压台区拓扑自动识别方法的一个实施例流程示意图；
图2本发明中低压台区拓扑自动识别方法的另一个实施例流程示意图；
图3本发明中低压台区拓扑自动识别装置的一个实施例结构示意图。
具体实施方式
本申请提供了一种低压台区拓扑自动识别方法及装置，用于提高拓扑识别的准确率。
下面将结合本申请实施例中的附图，对本申请中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
本申请的方法可以应用于服务器、终端或者其他具备逻辑处理能力的设备，对此，本申请不作限定。为方便描述，下面以系统为执行主体进行描述。
请参阅图1，本申请中低压台区拓扑自动识别方法一个实施例包括：
101、在预设时间内采集低压台区的用电信息数据；
本实施例中，低压台区拓扑识别的数据来源于低压台区线路分支的用电信息，因此，系统需要通过用户用电信息采集系统端获取在预设时间段中以预设时间间隔同时采集每条低压台区线路分支的用电信息数据，形成原始数据矩阵。此处的预设时间可以根据采集系统设置。
102、将用电信息数据组成数据矩阵后将数据矩阵映射至低维空间中，得到目标低维数据矩阵；
由于用电信息数据的数据维度很高，而数据维数超过三维就很难解析其真实结构，因此本实施例中将用电信息数据组成的数据矩阵映射至低维空间的目的是保留用电信息数据的几何属性，体现数据的真实结构。具体的，系统需要将组成的数据矩阵作为模型的训练样本，而数据矩阵是采用较长时段的数据集对应的台区拓扑分析时间与计算程度都比较复杂，因此在不改变样本量的前提下，需要对数据矩阵的进行降维，才能保证模型预测的准确度。
103、根据目标低维数据矩阵绘制低压台区对应的第一拓扑结构；
本实施例中，低压台区的拓扑结构绘制具体包括：首先通过无线通信设备确定各个表箱的位置和信息，基于确定的低维数据矩阵确定表箱和低压分支的用电信息，系统再基于以上数据自动绘制对应的动态电网拓扑结构。
104、将目标低维数据矩阵和第一拓扑结构通过预设神经网络模型生成目标拓扑结构。
本实施例中，将目标低维数据矩阵和第一拓扑结构作为训练样本，输入至构建的神经网络模型中，系统利用获得到的训练样本对神经网络模型进行训练。然后再通过预定时间内采集低压台区的用电信息数据组成数据矩阵，对数据矩阵进行降维后获取待识别的低压台区的低维数据矩阵，将其输入至训练后的神经网络模型中，神经网络模型输出识别的拓扑结构，也就是目标拓扑结构。本发明中输出的目标拓扑结构相比于现有技术中将直接获取到的用电信息数据绘制的拓扑结构更具备真实性，并且拓扑结构的识别结构准确率更高。
请参阅图2，下面以系统为执行主体进行描述，本申请中低压台区拓扑自动识别方法另一个实施例包括：
201、在预设时间内采集低压台区的用电信息数据；
本实施例中的步骤201与前述实施例中的步骤101类似，此处不做赘述。
202、将用电信息数据组成数据矩阵后对数据矩阵进行预处理，得到标准化数据矩阵；
本实施例中计算数据矩阵中的一个元素与预设单相电压标准值的差值，再对差值进行取绝对值进行运算，以此类推完成数据矩阵中每一个元素的运算，根据运算结构获得标准化数据矩阵。
203、根据标准化数据矩阵和初始低维数据矩阵计算第一相似度矩阵和第二相似度矩阵，初始低维数据矩阵为预设维数的低维空间中的任意一组低维数据矩阵，预设维数小于标准化数据矩阵的维数；
通过计算标准化数据矩阵中两两元素之间的相似度，获得第一相似度矩阵；在预设维数的低维空间中随机预设低维数据，获得初始低维矩阵，其中预设维数小于标准化数据矩阵的维数；计算初始低维矩阵中两两元素之间的相似度，获得第二相似度矩阵。
204、根据第一相似度矩阵和第二相似度矩阵之间的差异值确定目标低维数据矩阵；
采用梯度下降法更新初始低维矩阵，以使第一相似度矩阵与第二相似度矩阵之间的差异最小化；当第一相似度矩阵与第二相似度矩阵之间的差异最小化时，获取对应的更新后的初始低维矩阵，将该更新后的初始低维矩阵即为目标低维数据矩阵。
205、根据目标低维数据矩阵绘制低压台区对应的第一拓扑结构；
本实施例中的步骤205与前述实施例中的步骤103类似，此处不做赘述。
206、将目标低维数据矩阵和第一拓扑结构作为训练样本对训练预设神经网络模型；
将进行将维后的目标低维数据矩阵和对应的拓扑结构作为训练样本对训练预设神经网络模型，其中模型包括输入层，隐藏层、输出层，其中输入层包括多个第一节点；隐藏层包括多个第二节点；输出层包括多个第三节点，隐藏层位于输入层以及输出层之间。其中，隐藏层呈现为三维立体结构，分为沿输入层至输出层的方向间隔设置的多个平面，第二节点分别位于平面，第一节点与位于最邻近输入层的其中一平面的多个第二节点连接，第三节点与位于最邻近输出层的其中一平面的多个第二节点连接，位于每一平面的第二节点之间相互连接，位于每两个相邻的平面的第二节点沿平面的排列方向连接，使得隐藏层中的至少一第二节点在朝位于同一平面的其它第二节点以及平面的排列方向具有至少六个不同的数据传输方向。
207、将第一样本对输入至初始神经网络模型中，第一样本对为n个样本对中的任意一组样本对，第一样本对包含目标低维数据矩阵和第一拓扑结构，n表示样本对的数量；
初始神经网络模型是用于处理输入的样本对并输出目标拓扑结构的模型，每组样本对包含一组目标低维数据矩阵和其对应的拓扑结构，n表示样本对的数量。
208、基于第一样本对的第一预测值计算预设神经网络模型的学习率，第一预测值包括第一样本对的第1个预测值至第m个预测值，m表示预测值的数量；
本实施例中，每个训练样本对有m个标签值预测值，每个训练样本对的m个标签值预测值包括第1个标签值预测值至第m个标签值预测值，其中m表示预测值的数量。
针对第1至第m标签值预测值中的每个标签值预测值，计算第一参数，其中，第i标签值的第一参数为n个训练样本的第i标签值预测值与第i标签值真实值之间的误差的平均值，i的取值范围为[1，m]；
根据第一参数调整所述神经网络的第k+1次迭代过程所使用的学习率，其中根据第一参数调整神经网络的第k+1次迭代过程所使用的学习率又包括根据第一参数计算第二参数；其中，第i标签的第二参数为第i标签值的第一参数的方差，再根据第一参数和第二参数调整神经网络的第k+1次迭代过程所使用的学习率。
209、根据学习率对n个样本对进行第k次迭代后输出目标拓扑结构，k表示迭代次数；
利用n个训练样本对神经网络模型进行迭代，在第k次迭代之后执行。具体的，获取神经网络基于第k次迭代过程所使用的学习率对n个训练样本对进行迭代后输出的n*m个标签值预测值，即目标预测值，其中，n、m、k均为正整数，k大于1，n表示样本对的数量，m表示预测值的数量，k表示迭代次数。最后根据目标预测值生成目标拓扑结构，通过神经网络模型输出的拓扑结构识别准确率大大提高。
请参阅图3，本申请实施例中低压台区拓扑自动识别装置一个实施例包括：
采集单元301，用于在预设时间内采集低压台区的用电信息数据；
预处理单元302，用于将用电信息数据组成数据矩阵后对数据矩阵进行预处理，得到标准化数据矩阵；
映射单元303，用于将用电信息数据组成数据矩阵后将数据矩阵映射至低维空间中，得到目标低维数据矩阵；
绘制单元304，用于根据目标低维数据矩阵绘制低压台区对应的第一拓扑结构；
训练单元305，用于将目标低维数据矩阵和第一拓扑结构作为训练样本对训练预设神经网络模型；
生成单元306，用于将目标低维数据矩阵和第一拓扑结构通过预设神经网络模型生成目标拓扑结构。
本实施例中映射单元303包括第一计算模块3031和确定模块3032。
第一计算模块3031，用于根据标准化数据矩阵和初始低维数据矩阵计算第一相似度矩阵和第二相似度矩阵，初始低维数据矩阵为预设维数的低维空间中的任意一组低维数据矩阵；
确定模块3032，用于根据第一相似度矩阵和第二相似度矩阵之间的差异值确定目标低维数据矩阵。
本实施例中生成单元306包括输入模块3061、第二计算模块3062、第三计算模块3063、调整模块3064和输出模块3065。
输入模块3061，用于将第一样本对输入至初始神经网络模型中，第一样本对为n个样本对中的任意一组样本对，第一样本对包含目标低维数据矩阵和第一拓扑结构，n表示样本对的数量；
第二计算模块3062，用于基于第一样本对计算第一参数，第一参数为第一样本对的第i个预测值与第i个真实值的误差平均值，其中i的取值范围为[1,m]，m表示预测值的数量；
第三计算模块3063，用于根据第一参数计算第二参数，第二参数为第一参数的方差；
调整模块3064，用于基于第一参数和第二参数调整预设神经网络的学习率；
输出模块3065，用于根据学习率对n个样本对进行第k次迭代后输出目标拓扑结构，k表示迭代次数。
可选的，本实施例中的单元和模块的功能描述与前述图1至图2所示实施例中的步骤对应，此处不做赘述。
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。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统，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，所述单元的划分，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。
所述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，在本申请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。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，read-onlymemory)、随机存取存储器(RAM，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。

Claims (7)

1.一种低压台区拓扑自动识别方法，其特征在于，包括：
在预设时间内采集低压台区的用电信息数据；
将所述用电信息数据组成数据矩阵后将所述数据矩阵映射至低维空间中，得到目标低维数据矩阵；
根据所述目标低维数据矩阵绘制所述低压台区对应的第一拓扑结构；
将所述目标低维数据矩阵和所述第一拓扑结构通过预设神经网络模型生成目标拓扑结构。
2.根据权利要求1所述的方法，其特征在于，在所述将所述目标低维数据矩阵和所述第一拓扑结构通过预设神经网络模型生成目标拓扑结构之前，所述方法还包括：
将所述目标低维数据矩阵和所述第一拓扑结构作为训练样本对训练预设神经网络模型。
3.根据权利要求2所述的方法，其特征在于，所述将所述目标低维数据矩阵和所述第一拓扑结构作为训练样本对训练预设神经网络模型，包括：
将第一样本对输入至初始神经网络模型中，所述第一样本对为n个样本对中的任意一组样本对，所述第一样本对包含所述目标低维数据矩阵和所述第一拓扑结构，n表示样本对的数量；
基于所述第一样本对的第一预测值计算预设神经网络模型的学习率，所述第一预测值包括第一样本对的第1个预测值至第m个预测值，m表示预测值的数量；
根据所述学习率对所述n个样本对进行第k次迭代后输出目标拓扑结构，k表示迭代次数。
4.根据权利要求3所述的方法，其特征在于，所述基于所述第一样本对的第一预测值计算预设神经网络模型的学习率，所述第一预测值包括第一样本对的第1个预测值至第m个预测值，m表示预测值的数量，包括：
基于所述第一样本对计算第一参数，所述第一参数为所述第一样本对的第i个预测值与第i个真实值的误差平均值，其中i的取值范围为[1,m]，m表示预测值的数量；
根据第一参数计算第二参数，所述第二参数为所述第一参数的方差；
基于所述第一参数和所述第二参数调整预设神经网络的学习率。
5.根据权利要求1所述的方法，其特征在于，在所述将所述用电信息数据组成数据矩阵后将所述数据矩阵映射至低维空间中，得到目标低维数据矩阵之前，所述方法还包括：
将所述用电信息数据组成数据矩阵后对所述数据矩阵进行预处理，得到标准化数据矩阵。
6.根据权利要求5所述的方法，其特征在于，所述将所述用电信息数据组成数据矩阵后将所述数据矩阵映射至低维空间中，得到目标低维数据矩阵，包括：
根据所述标准化数据矩阵和初始低维数据矩阵计算第一相似度矩阵和第二相似度矩阵，所述初始低维数据矩阵为预设维数的低维空间中的任意一组低维数据矩阵，所述预设维数小于所述标准化数据矩阵的维数；
根据所述第一相似度矩阵和所述第二相似度矩阵之间的差异值确定目标低维数据矩阵。
7.一种低压台区拓扑自动识别装置，其特征在于，包括：
采集单元，用于在预设时间内采集低压台区的用电信息数据；
映射单元，用于将所述用电信息数据组成数据矩阵后将所述数据矩阵映射至低维空间中，得到目标低维数据矩阵；
绘制单元，用于根据所述目标低维数据矩阵绘制所述低压台区对应的第一拓扑结构；
生成单元，用于将所述目标低维数据矩阵和所述第一拓扑结构通过预设神经网络模型生成目标拓扑结构。
CN202211252112.7A 2022-10-13 2022-10-13 一种低压台区拓扑自动识别方法及装置 Pending CN115600494A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211252112.7A CN115600494A (zh) 2022-10-13 2022-10-13 一种低压台区拓扑自动识别方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211252112.7A CN115600494A (zh) 2022-10-13 2022-10-13 一种低压台区拓扑自动识别方法及装置

Publications (1)

Publication Number Publication Date
CN115600494A true CN115600494A (zh) 2023-01-13

Family

ID=84846018

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211252112.7A Pending CN115600494A (zh) 2022-10-13 2022-10-13 一种低压台区拓扑自动识别方法及装置

Country Status (1)

Country Link
CN (1) CN115600494A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116722658A (zh) * 2023-08-11 2023-09-08 北京智芯微电子科技有限公司 低压台区拓扑识别方法、装置、存储介质和芯片设备

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116722658A (zh) * 2023-08-11 2023-09-08 北京智芯微电子科技有限公司 低压台区拓扑识别方法、装置、存储介质和芯片设备
CN116722658B (zh) * 2023-08-11 2023-12-29 北京智芯微电子科技有限公司 低压台区拓扑识别方法、装置、存储介质和芯片设备

Similar Documents

Publication Publication Date Title
Yang et al. Fault diagnosis for energy internet using correlation processing-based convolutional neural networks
CN111880044B (zh) 一种含分布式电源配电网在线故障定位方法
CN113141008B (zh) 一种数据驱动的配电网分布式新能源消纳能力评估方法
CN108667005B (zh) 一种计及新能源影响的电网静动态结合脆弱性评估方法
CN110991690A (zh) 一种基于深度卷积神经网络的多时次风速预测方法
CN110348114B (zh) 一种电网完备性状态信息重构的非精确故障识别方法
CN111313403B (zh) 一种基于马尔可夫随机场的低压配电系统网络拓扑识别方法
CN111654392A (zh) 基于互信息的低压配电网拓扑识别方法及系统
CN104133143A (zh) 一种基于Hadoop云计算平台的电网线路故障诊断系统及方法
CN114519514B (zh) 一种低压台区合理线损值测算方法、系统及计算机设备
CN111900713A (zh) 网源协调下考虑负荷和风电随机性多场景输电网规划方法
CN115600494A (zh) 一种低压台区拓扑自动识别方法及装置
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
CN107590604B (zh) 一种结合s变换和2dpca的同调机组分群方法及系统
CN111814284A (zh) 基于相关性检测与改进随机森林的在线电压稳定评估方法
CN107742883A (zh) 一种基于Spark的电力系统拓扑岛快速识别系统和方法
CN112103950B (zh) 一种基于改进gn分裂算法的电网分区方法
CN115564180B (zh) 一种基于大数据分析的电力网络可靠性评估方法
CN109861220B (zh) 电力系统分析用深度卷积神经网络张量输入构建方法
CN116662307A (zh) 一种基于多源数据融合的智能预警方法、系统及设备
CN115296295B (zh) 基于聚类分析和图论的低压配电台区拓扑辨识方法及系统
CN113627655B (zh) 一种配电网灾前故障场景模拟预测方法及装置
CN107918920B (zh) 多光伏电站的出力关联性分析方法
CN116432077A (zh) 基于优化bp神经网络的智能站二次系统故障定位方法
CN111027816B (zh) 一种基于数据包络分析的光伏发电效率计算方法

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