CN116011158A - 一种低压台区的拓扑识别方法、系统及装置 - Google Patents
一种低压台区的拓扑识别方法、系统及装置 Download PDFInfo
- Publication number
- CN116011158A CN116011158A CN202211599777.5A CN202211599777A CN116011158A CN 116011158 A CN116011158 A CN 116011158A CN 202211599777 A CN202211599777 A CN 202211599777A CN 116011158 A CN116011158 A CN 116011158A
- Authority
- CN
- China
- Prior art keywords
- low
- voltage
- topology
- user
- area
- 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 64
- 238000005259 measurement Methods 0.000 claims abstract description 67
- 230000008859 change Effects 0.000 claims abstract description 18
- 238000011144 upstream manufacturing Methods 0.000 claims abstract description 16
- 238000007781 pre-processing Methods 0.000 claims abstract description 12
- 238000012163 sequencing technique Methods 0.000 claims abstract description 10
- 238000009826 distribution Methods 0.000 claims description 34
- 239000011159 matrix material Substances 0.000 claims description 14
- 230000009466 transformation Effects 0.000 claims description 13
- 238000010219 correlation analysis Methods 0.000 claims description 7
- 230000005611 electricity Effects 0.000 claims description 5
- 239000000284 extract Substances 0.000 claims description 4
- 238000004422 calculation algorithm Methods 0.000 abstract description 22
- 238000010276 construction Methods 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 6
- 238000011156 evaluation Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000009467 reduction Effects 0.000 description 4
- 239000000243 solution Substances 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 239000007787 solid Substances 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000004451 qualitative analysis Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000002759 z-score normalization Methods 0.000 description 1
Images
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
Abstract
一种低压台区的拓扑识别方法、系统及装置，其特征在于，所述方法包括以下步骤：步骤1，采集低压台区中的量测数据，并对所述量测数据进行预处理；步骤2，将预处理后的量测数据输入相关聚类模型以实现低压台区拓扑中户变关系与相位关系的识别；步骤3，基于所述户变关系与所述相位关系，对低压台区用户进行排序，以确定所述低压台区拓扑中的用户上下游关系；步骤4，基于所述户变关系、所述相位关系和所述用户上下游关系，生成低压台区拓扑。本发明有效可靠，通过相关度指标实现聚类算法，从而实现低压台区拓扑的模型构建。
Description
技术领域
本发明涉及电力系统领域，更具体的，涉及一种低压台区的拓扑识别方法、系统及装置。
背景技术
低压配电网又称为台区，是电力系统中与用户连接的最后环节，它将电力由10kV/380V配电变压器传送至用户。当前低压配电网一般为辐射状结构，其网络拓扑可以抽象为图论中的树状结构。现有配电网拓扑识别方法主要可疑划分为基于配电网历史拓扑信息的识别方法和基于配电网量测信息的识别方法。
其中，基于配电网历史拓扑信息的方法根据历史拓扑库进行矩阵编写，或是利用状态估计在历史拓扑库中进行筛选，再结合其他方法，最终完成配电网的拓扑辨识。对于基于历史拓扑信息的方法，其对历史拓扑库的完整度与精度要求较高，部分方法不仅需要历史数据，还需要通过与实测数据进行对比，利用状态估计等辅助手段完成拓扑辨识。早期配电网结构简单时，基于配电网历史拓扑信息的方法可以做到对配电网拓扑的快速辨识。但随着配电网的结构日益复杂，且当历史拓扑信息缺失或不准确时，部分方法难以保障较高的性能。
另外，基于配电网量测信息的识别方法能够采用相关性判断法、信号注入法、线性规划法和机器学习法等方式来实现对电网拓扑结构的辨识。对于基于量测信息的低压台区拓扑识别方法，其强调对台区运行数据内在规律的挖掘，在不额外新增大量识别终端或模块的前提下，能够较为准确地识别低压配电网的拓扑关系信息，避免了高额的投资改造成本，具有显著的经济价值，近几年的拓扑研究方法也大多围绕量测信息展开。然而，台区数据存在不完整、不准确、不同步等问题时，易影响数据法分析的准确率。
针对上述问题，亟需一种新的低压拓扑识别方法、系统及装置。
发明内容
为解决现有技术中存在的不足，本发明提供一种低压拓扑识别方法、系统及装置，通过采集量测数据，利用相关聚类算法实现台区拓扑结构的户变关系、相位关系和用户上下游关系的识别，从而生成低压台区拓扑结构。
本发明采用如下的技术方案。
本发明第一方面，涉及一种低压台区的拓扑识别方法，方法包括以下步骤：步骤1，采集低压台区中的量测数据，并对量测数据进行预处理；步骤2，将预处理后的量测数据输入相关聚类模型以实现低压台区拓扑中户变关系与相位关系的识别；步骤3，基于户变关系与所述相位关系，对低压台区用户进行排序，以确定低压台区拓扑中的用户上下游关系；步骤4，基于户变关系、相位关系和用户上下游关系，生成低压台区拓扑。
优选的，量测数据包括台区配变低压侧三相电压、台区配变低压侧三相有功功率、台区配变低压侧三相电流、各个用户及分支电表的电压、各个用户及分支电表的有功功率和各个用户及分支电表的电流。
优选的，预处理首先对所述量测数据进行归一化，随后从量测数据中提取特征参数。
优选的，以每个台区中每个相位的量测数据为聚类中心，对低压台区中各个用户的量测数据进行聚类划分。
优选的，聚类划分的依据为各个用户的量测数据与聚类中心之间的相关度。
优选的，相关度基于皮尔逊相关系数或灰色关联分析中的相似度模型实现计算；量测数据为用户和台区配变低压侧的单相电压序列、单相功率序列。
优选的，将每个聚类集合内的用户量测数据进行排序，以获取用户的上下游关系。
优选的，采用混淆矩阵方法对低压台区的拓扑模型进行检验；或者，基于数据时序完整度、有效电表数、三相不平衡度、用户用电比和数据时刻数对低压台区的拓扑模型进行检验。
本发明第二方面，涉及一种低压台区的拓扑识别系统，系统包括采集模块、识别模块、排序模块和拓扑生成模块；其中，采集模块，用于采集低压台区中的量测数据，并对量测数据进行预处理；识别模块，用于将预处理后的量测数据输入相关聚类模型以实现低压台区拓扑中户变关系与相位关系的识别；排序模块，用于基于户变关系与所述相位关系，对低压台区用户进行排序，以确定低压台区拓扑中的用户上下游关系；拓扑生成模块，用于基于户变关系、所述相位关系和用户上下游关系，生成低压台区拓扑。
本发明第三方面，涉及一种终端，包括处理器及存储介质；存储介质用于存储指令；处理器用于根据指令进行操作以执行本发明第一方面中方法的步骤。
本发明的有益效果在于，与现有技术相比，本发明中的一种低压拓扑识别方法、系统及装置，能够通过采集量测数据，利用相关聚类算法实现台区拓扑结构的户变关系、相位关系和用户上下游关系的识别，从而生成低压台区拓扑结构。本发明有效可靠，通过相关度指标实现聚类算法，从而实现低压台区拓扑的模型构建。
附图说明
图1为本发明一种低压台区的拓扑识别方法的步骤示意图；
图2为本发明一种低压台区的拓扑识别系统的模块示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清晰，下面将结合本发明实施例中的附图，对本发明的技术方案进行清楚、完整地描述。本发明所描述的实施例仅仅是本发明一部分的实施例，而不是全部实施例。基于本发明精神，本领域普通技术人员在没有做出创造性劳动的前提下，根据本发明中记载的实施例而获得的所有其它本发明中未记载的实施例，都应当属于本发明的保护范围。
图1为本发明一种低压台区的拓扑识别方法的步骤示意图。如图1所示，本发明第一方面，涉及一种低压台区的拓扑识别方法，方法包括步骤1至步骤4。
步骤1，采集低压台区中的量测数据，并对量测数据进行预处理。
可以理解的是，本发明中的量测数据可疑包括基本的用电信息，例如电压电流、有功功率等内容，这些数据可来自台区或用户。用电信息可以一天24小时不间断的采集，并作为模型的输入数据。另外，如果已存在的确定的拓扑结构信息，例如电表、智能开关、节点线路的连接关系，装置所在的位置和相位等信息也可作为初始数据。
本发明中用于后续聚类算法中，聚类算法的输入数据则可包括格式化后的量测数据。
优选的，量测数据包括台区配变低压侧三相电压、台区配变低压侧三相有功功率、台区配变低压侧三相电流、各个用户及分支电表的电压、各个用户及分支电表的有功功率和各个用户及分支电表的电流。
为了使得上述数据能够良好的应用于后续算法中，本发明可将原始的量测数据进行一定程度的预处理。
优选的，预处理首先对量测数据进行归一化，随后从量测数据中提取特征参数。
具体的，基于数据采集获取的原始数据一般不能够直接作为算法输入，需要对数据进行处理。考虑到量测数据传输过程中将不可避免的存在不良数据，因此，需要对所采集的量测数据进行预处理，即对所采集的量测数据中的不良数据进行消除并修正。填补或删除缺失值、剔除离群点、纠正数据不一致等问题，其本质上是一个修改数据模型的过程。
其中，量测数据中异常数据预处理的基本思路为：将各个量测数据和与其对应的量测数据均值进行比较，若该量测数据与其对应的量测数据均值的偏差超过一定的阈值，则判定该量测数据为不良数据，然后剔除该数据并对其修正。
对于多数据量纲不同的问题，需要对数据进行标准化，将原始数据按比例缩放，使不同特征处在同一个数量级上，去除数据单位的限制，使得不同量级的特征间有可比性。
本发明可以分别采用极差标准化法、Z-score标准化法等方式对数据进行标准化。另外，本发明还可以进行数据序列特征的提取。本发明可以设置的特征参数包括均值、极差、标准差、峰度、偏斜度、斜率、峰谷比等序列数据的相关指标。另外，本发明还可以采用主特征提取和降维处理。
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，同时需要高维数据才能刻画台区所有用户量测数据的整体规律，但维数的增大往往会增加算法的时间复杂度。为了削弱噪声影响、降低算法的时间复杂度，需要对数据进行主要特征提取和降维处理。常用数据降维方法包括PCA苏三发、t-SNE算法等。
步骤2，将预处理后的量测数据输入相关聚类模型以实现低压台区拓扑中户变关系与相位关系的识别。
在预处理数据后，就可以实现台区拓扑关系的识别了。本发明中，首先根据低压台区线路拓扑结构的特点，对低压台区拓扑识别问题进行了分析，将低压台区拓扑识别问题理解为低压台区用户的多类别分类问题，并按照分类精度由低到高，将该分类问题分为户变关系、相位关系以及用户上下游关系三种类型。
具体来说，低压配电台区的用户通常以辐射状运行，不同时刻的负荷不同，使得用户的电压呈现一定的波动。处于同一台区同一相别的用户，电气距离较近，并且电压波动具有很强的相似性；而属于不同台区的用户，电气距离远，并且电压波动相似性低。如果两个智能电表电压波动相似度高，则可以确定它们安装在同一台区的同一相，以确定用户的所属台区和相别。
例如，低压配电网的电压分布特点包括由于负荷分布不同，所以电压分布不同；在同一馈线上，电压值从上游至下游呈下降趋势；两个负荷的电气距离越近，电压曲线越相似，相关性越高，反之亦然。另外，除了电压数据，也可以使用功率数据进行用户与台区间相位的相关性分析。
另一方面，同一台区的分支箱、表箱及用户智能电能表在电气物理关系上为并联电气结构，根据并联电路的物理特征，同台区电能表所采集的同一时刻的电压信号变化规律具有很高的一致性或相似性，通过计算相关系数，得到配电变压器和用户的智能电表电压序列之间的相关系数矩阵，通过观察矩阵的行和列，分析电表的相关性强弱，从而判断电表是否连接在同一个变压器下。
由此，本发明可以通过计算和比较用户与台区相线电压序列相关系数的方式，选取相关系数最大的某台区相线作为待判别用户的归属台区和相位。以此遍历整个待识别用户集合，从而实现用户户变和相位关系的识别。常用的相关系数计算方法有皮尔逊相关系数、灰色关联分析法和余弦相似度等。
优选的，以每个台区中每个相位的量测数据为聚类中心，对低压台区中各个用户的量测数据进行聚类划分。
具体来说，基于台区用户电压特征实现单相用户相位及户变关系辨识，属于数据挖掘中的分类任务，适合采用无监督学习中的聚类(Clustering)算法进行分析。聚类是按照特定的距离标准把一个数据集分割成不同簇，优化准则为最小化同一簇内的样本间距离和最大化不同簇间的样本间距离。对应于低压台区拓扑，相同拓扑分支下的台区用户电气距离较近，特性相似，应归为一类；不同拓扑分支下的台区用户特征差异较大，应分割为不同类。因此，台区用户相位及户变关系辨识适合采用聚类算法进行研究。
本发明中可以采用常用的k-means聚类算法、BDSCAN密度聚类算法、Agglomerative层次聚类、Divisive层次聚类等多种不同的聚类算法。
由于在对用户和台区电压序列进行聚类时，聚类簇的个数是已知的，并且模型计算的是用户电压数据与台区某相位的相关程度。因此，可以设置初始簇数为台区相位数，初始聚类中心为台区相位电压数据所对应的数据点。
优选的，聚类划分的依据为各个用户的量测数据与聚类中心之间的相关度。
本发明一实施例中，可以经过t-SNE方法降维得到的用户及台区电压特征参数建立聚类模型，使用k-means算法，设置聚类个数为两台区三相电压个数k＝6，初始聚类中心不是随机选取，而是设置为各台变的三相电压序列的2维特征参数。从聚类结果上，可以根据用户与台区相哪个相位电压序列特征参数聚为一类来进行户变和相位归属判断。
优选的，相关度基于皮尔逊相关系数或灰色关联分析中的相似度模型实现计算；量测数据为用户和台区配变低压侧的单相电压序列、单相功率序列。
现有方法中，使用单一量测数据进行分析时其判别结果容易受到影响，仅利用电压数据会面临电压数据相关度不强，数据缺失后精度下降的问题，而对于负载不明显的用户，仅仅使用功率数据无法判别该类用户的户变和相位归属关系，由此可见，使用单一量测数据作为相关分析判据，难以保证户变和相位关系判别的准确性和稳定性。因此，模型使用电压和功率量测数据进行联合分析判别。
步骤3，基于户变关系与相位关系，对低压台区用户进行排序，以确定所述低压台区拓扑中的用户上下游关系。
另外，本发明中的模型可以通过灰色关联度分析聚类以及用户电压序列均值大小实现台区用户的馈线以及连接位置判别。
优选的，将每个聚类集合内的用户量测数据进行排序，以获取用户的上下游关系。
从用户电压数据时空特性的分析可知，用户间的电气距离越近，他们的电压曲线相似度越高。而电压曲线越相似，它们之间的关联度值越大，因此电气距离近的用户，他们之间的关联度值很大。
靠近配变低压母线首端但在不同出线的电表，由于距离母线电气距离近，因此它们的电压时序曲线相似性很强，聚类过程中，容易被聚成一类。然而用户聚类的目标是将电气距离近且连接在相同一级分支线的用户聚成一个类别。初步聚类结果无法满足这个目标。为避免该问题，通过分析用户和配变低压母线间的关联系数值和电压均值的大小，识别靠近配变低压侧母线的用户，并将其单独聚成一个类别。
在判别用户在馈线中所属位置时，由于电缆线路、各种设备的阻抗以及负载的存在，电压幅值会从变压器出口开始沿着馈线逐渐降低。因此，可以通过用户之间电压数据序列均值大小，判断用户所处的上下游位置。例如，求得用户电压序列均值，并将每个聚类集合内的用户按照平均电压大小进行排序；根据用户与台区电压关联系数以及电压均值对用户结合做进一步区分；根据电压均值大小确定用户上下游关系。
步骤4，基于户变关系、相位关系和用户上下游关系，生成低压台区拓扑。
可以理解的是，本发明在获取了上述三项关系指标后，就可以自动生成低压台区的拓扑结构了。本发明也支持对于计算得到的拓扑结果进行评价。
优选的，采用混淆矩阵方法对低压台区的拓扑模型进行检验；或者，基于数据时序完整度、有效电表数、三相不平衡度、用户用电比和数据时刻数对低压台区的拓扑模型进行检验。
由于拓扑识别问题可以看作为精度不同的分类问题，评价模型分类性能的常用指标为混淆矩阵，因此在算法准确率验证阶段，采用混淆矩阵来统计拓扑识别的识别准确率。
混淆矩阵是一个展示样本分类结果的平面矩阵，其行、列数为类别个数。每一行代表了数据的真实归属类别，每一行的数据总数表示该类别的数据实例的数目，每一列代表了预测类别，每一列的总数表示预测为该类别的数据的数目。矩阵的对角线元素表示模型实际输出结果与标签相同的样本个数，非对角元素表示错误分类的样本个数。混淆矩阵直观地展示了模型分类的结果和错误类型。在混淆矩阵的基础上，有准确率、查准率、召回率和特异度几个二级指标，能够从不同侧面反应模型分类的性能。本发明这里主要使用准确率指标，准确率表征了所构建的模型分类正确的样本占总数的比例，用来评价学习模型的整体表现。
另外，由于台区数据存在不完整、不准确、不同步等问题时，易影响基于量测数据的拓扑识别方法的准确率。因此，为了能有效表征数据分析法某次识别结果的有效性和可信程度，从识别方法所需的量测数据质量着手，采取多次仿真的方式，构建一种指标评价方法来表示数据分析法识别结果的可信度，进而判断是否采用此次识别结果。
对于拓扑识别环节，主要受电表数据量测是否完整、是否明显、量测时长影响，从数据完整性、数据差异性和数据时间尺度三个方面进行数据影响机理的定性分析。从数据完整性角度看，数据存在全时段缺失或部分时段缺失时，会对拓扑识别方法的性能造成不利影响。
从数据差异性角度看，相线上任一个节点电压时序变化主要受该相线的母线电压和综合负荷特性影响。当配变三相母线电压不平衡度高时，不同相线的用户电压时序曲线差异较大，这有利于进行相关性分析，从而提高模型的准确性。
从数据时间尺度角度看，量测数据的时间长度会改变数据的维数，增加原始数据所能提供的特征数量，有利于提高模型准确性。
基于上述分析，选取量测数据质量的定量评价指标，并通过实验分析各项指标对于模型识别结果的影响程度，进而得到评价函数。
具体来说，量测数据时序完整度:设立量测数据时序完整度指标，表征低压台区内所有电表在采集时间段里量测数据的完整性。
其中，λi表示第i个电表在总时刻T中电流数据的完整性，ni表示第i个电表在总时刻T中有数据缺失的时刻个数。
另外，有效电表数：电表存在全时段数据缺失情况时，将其视为无效电表。设立有效电表数目完整度指标，表征有效电表数目的完整性。
其中，n为台区中无效电表的数目，M为台区电表总数。
三相不平衡度：设立三相电压不平衡度指标，表征在T内出线首端三相不平衡度。
其中，ρv-min和ρp-min分别为配电变压器首端不同相位电压和功率序列之间相关系数的最小值。
用电用户比，针对无人居住的用户导致功率及电流量测数据缺失的情况，设立用电用户比指标，表征采集时间段里用电特征明显的用户数量情况。
其中，c表示台区中总时刻T内无用电的用户数量，C为用户总数。
数据时刻数，设立模型输入数据时刻数，表征输入数据特征信息的丰富程度。
其中，Treal为输入模型的实际总时刻数，Tmin为模型最低要求输入时刻数。
具体来说，在算法验证阶段，可以考虑采用混淆矩阵对模型的识别准确率进行表征，从而能够更直观的反应性能；在模型实施阶段，则可以考虑通过基于数据质量的评价的方法，对模型某次识别结果的可信程度进行评估，分别从数据时序完整性、数据差异性以及数据时间尺度三个方面对评价结果的影响进行了定性分析，并初步设定了评价指标。
图2为本发明一种低压台区的拓扑识别系统的模块示意图。如图2所示，本发明第二方面，涉及一种低压台区的拓扑识别系统，系统包括采集模块、识别模块、排序模块和拓扑生成模块；其中，采集模块，用于采集低压台区中的量测数据，并对量测数据进行预处理；识别模块，用于将预处理后的量测数据输入相关聚类模型以实现低压台区拓扑中户变关系与相位关系的识别；排序模块，用于基于户变关系与相位关系，对低压台区用户进行排序，以确定低压台区拓扑中的用户上下游关系；拓扑生成模块，用于基于户变关系、相位关系和用户上下游关系，生成低压台区拓扑。
具体来说，边缘计算作为新兴计算系统范式的代表，是提升电力系统的在线分析、稳定运行和紧急控制等能力的有效手段，为满足电力系统的多元化运行和控制需求提供了可靠的方法和平台。
边缘计算平台部署以公共信息模型(CIM)的语法结构为基础，构建模型映射规则，实现主动识别产生的中间文件模型结构到CIM。就地边缘计算设备识别智能配变终端命令，各个接点逐层进行电压、电流、功率等信息量检测，将识别数据上传至边缘计算模块，边缘计算模块完成台区拓扑模型结构的计算，并将结果上传至主站，从而确立台区内的用户拓扑关系。
本发明中可以在台区内实现边缘计算部署，拓扑识别模型运行在边缘计算模块，不同台区边缘计算模块之间不通信。对于台区内部，通过使用本台区量测数据，先对本台区内用户进行户变以及相位关系识别，得到本台区用户集合以及台区归属异常用户集合，之后对本台区用户集合进行台区内拓扑关系的识别，最终向云主站返回台区拓扑关系数据以及户变关系异常用户集合。云主站根据各台区边缘计算模块上传数据，调取相邻台区数据对户变异常用户进行判别，将判别结果返回对应台区边缘计算模块，通知用户集合变动台区更新用户集合并重新进行拓扑关系识别。
本发明第三方面，涉及一种终端，包括处理器及存储介质；存储介质用于存储指令；处理器用于根据指令进行操作以执行根据本发明第一方面中方法的步骤。
可以理解的是，装置为了实现上述本申请实施例提供的方法中的各功能，包含了执行各个功能相应的硬件结构和/或软件模块。本领域技术人员应该很容易意识到，结合本文中所公开的实施例描述的各示例的算法步骤，本申请能够以硬件或硬件和计算机软件的结合形式来实现。某个功能究竟以硬件还是计算机软件驱动硬件的方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
本申请实施例可以根据上述方法示例对装置进行功能模块的划分，例如，可以对应各个功能划分各个功能模块，也可以将两个或两个以上的功能集成在一个处理模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。需要说明的是，本申请实施例中对模块的划分是示意性的，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。
装置包括至少一个处理器，总线系统以及至少一个通信接口。
处理器可以是中央处理器(Central Processing Unit,CPU)，还可以由现场可编程逻辑门阵列(Field Programmable Gate Array,FPGA)、专用集成电路(Application-specific integrated circuit，ASIC)或其他硬件代替，或者，FPGA或其他硬件与CPU共同作为处理器。
存储器可以是只读存储器(read-only memory，ROM)或可存储静态信息和指令的其他类型的静态存储设备，随机存取存储器(random access memory，RAM)或者可存储信息和指令的其他类型的动态存储设备，也可以是电可擦可编程只读存储器(electricallyerasable programmable read-only memory，EEPROM)、只读光盘(compactdisc read-onlymemory，CD-ROM)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。存储器可以是独立存在，通过总线与处理器相连接。存储器也可以和处理器集成在一起。
硬盘可以为机械盘或固态硬盘(Solid State Drive,SSD)等。接口卡可以是主机总线适配器(Host Bus Adapter,HBA)、独立硬盘冗余阵列卡(Redundant ArrayofIndependent Disks,RID)、扩展器卡(Expander)或网络接口控制器(NetworkInterfaceController,NIC)等，本发明实施例对此不作限定。硬盘模组中的接口卡与硬盘通信。存储节点与硬盘模组的接口卡通信，从而访问硬盘模组中的硬盘。
硬盘的接口可以为串行连接小型计算机系统接口(Serial AttachedSmallComputer System Interface，SAS)、串行高级技术附件(Serial AdvancedTechnologyAttachment，SATA)或高速串行计算机扩展总线标准(PeripheralComponentInterconnect express，PCIe)等。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件程序实现时，可以全部或部分地以计算机程序产品的形式来实现。该计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行计算机程序指令时，全部或部分地产生按照本申请实施例所述的流程或功能。计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，计算机指令可以从一个网站站点、计算机、服务器或者数据中心通过有线(例如同轴电缆、光纤、数字用户线(digital subscriber line，简称DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可以用介质集成的服务器、数据中心等数据存储设备。可用介质可以是磁性介质(例如，软盘、硬盘、磁带)，光介质(例如，DVD)、或者半导体介质(例如固态硬盘(solid state disk，简称SSD))等。
用于执行本发明操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本发明的各个方面。
本发明的有益效果在于，与现有技术相比，本发明中的一种低压拓扑识别方法、系统及装置，能够通过采集量测数据，利用相关聚类算法实现台区拓扑结构的户变关系、相位关系和用户上下游关系的识别，从而生成低压台区拓扑结构。本发明有效可靠，通过相关度指标实现聚类算法，从而实现低压台区拓扑的模型构建。
最后应当说明的是，以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。
Claims (10)
1.一种低压台区的拓扑识别方法，其特征在于，所述方法包括以下步骤：
步骤1，采集低压台区中的量测数据，并对所述量测数据进行预处理；
步骤2，将预处理后的量测数据输入相关聚类模型以实现低压台区拓扑中户变关系与相位关系的识别；
步骤3，基于所述户变关系与所述相位关系中所蕴含的网络拓扑结构对低压台区用户进行排序，以确定所述低压台区拓扑中的用户上下游关系；
步骤4，基于所述户变关系、所述相位关系和所述用户上下游关系，生成低压台区拓扑。
2.根据权利要求1中所述的一种低压台区的拓扑识别方法，其特征在于：
所述量测数据包括台区配变低压侧三相电压、台区配变低压侧三相有功功率、台区配变低压侧三相电流、各个用户及分支电表的电压、各个用户及分支电表的有功功率和各个用户及分支电表的电流。
3.根据权利要求2中所述的一种低压台区的拓扑识别方法，其特征在于：
所述预处理首先对所述量测数据进行归一化，随后从所述量测数据中提取特征参数。
4.根据权利要求3中所述的一种低压台区的拓扑识别方法，其特征在于：
以每个台区中每个相位的量测数据为聚类中心，对所述低压台区中各个用户的量测数据进行聚类划分。
5.根据权利要求4中所述的一种低压台区的拓扑识别方法，其特征在于：
所述聚类划分的依据为所述各个用户的量测数据与聚类中心之间的相关度。
6.根据权利要求5中所述的一种低压台区的拓扑识别方法，其特征在于：
所述相关度基于皮尔逊相关系数或灰色关联分析中的相似度模型实现计算；
所述量测数据为用户和台区配变低压侧的单相电压序列、单相功率序列。
7.根据权利要求6中所述的一种低压台区的拓扑识别方法，其特征在于：
将每个聚类集合内的用户量测数据进行排序，以获取所述用户的上下游关系。
8.根据权利要求6中所述的一种低压台区的拓扑识别方法，其特征在于：
采用混淆矩阵方法对低压台区的拓扑模型进行检验；或者，
基于数据时序完整度、有效电表数、三相不平衡度、用户用电比和数据时刻数对所述低压台区的拓扑模型进行检验。
9.一种低压台区的拓扑识别系统，其特征在于：
所述系统包括采集模块、识别模块、排序模块和拓扑生成模块；其中，
所述采集模块，用于采集低压台区中的量测数据，并对所述量测数据进行预处理；
所述识别模块，用于将预处理后的量测数据输入相关聚类模型以实现低压台区拓扑中户变关系与相位关系的识别；
所述排序模块，用于基于所述户变关系与所述相位关系，对低压台区用户进行排序，以确定所述低压台区拓扑中的用户上下游关系；
所述拓扑生成模块，用于基于所述户变关系、所述相位关系和所述用户上下游关系，生成低压台区拓扑。
10.一种终端，包括处理器及存储介质；其特征在于：
所述存储介质用于存储指令；
所述处理器用于根据所述指令进行操作以执行根据权利要求1-8任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211599777.5A CN116011158A (zh) | 2022-12-14 | 2022-12-14 | 一种低压台区的拓扑识别方法、系统及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211599777.5A CN116011158A (zh) | 2022-12-14 | 2022-12-14 | 一种低压台区的拓扑识别方法、系统及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116011158A true CN116011158A (zh) | 2023-04-25 |
Family
ID=86020915
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211599777.5A Pending CN116011158A (zh) | 2022-12-14 | 2022-12-14 | 一种低压台区的拓扑识别方法、系统及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116011158A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116599055A (zh) * | 2023-05-26 | 2023-08-15 | 联桥科技有限公司 | 一种低压配网台区的拓扑网络识别方法及系统 |
| CN118017506A (zh) * | 2024-04-09 | 2024-05-10 | 云南电网有限责任公司 | 一种低压台区拓扑识别方法及系统 |
-
2022
- 2022-12-14 CN CN202211599777.5A patent/CN116011158A/zh active Pending
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116599055A (zh) * | 2023-05-26 | 2023-08-15 | 联桥科技有限公司 | 一种低压配网台区的拓扑网络识别方法及系统 |
| CN116599055B (zh) * | 2023-05-26 | 2023-12-01 | 联桥科技有限公司 | 一种低压配网台区的拓扑网络识别方法及系统 |
| CN118017506A (zh) * | 2024-04-09 | 2024-05-10 | 云南电网有限责任公司 | 一种低压台区拓扑识别方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112699913B (zh) | 一种台区户变关系异常诊断方法及装置 | |
| CN116011158A (zh) | 一种低压台区的拓扑识别方法、系统及装置 | |
| CN113702895B (zh) | 一种电压互感器误差状态在线定量评估方法 | |
| CN111505433A (zh) | 一种低压台区户变关系纠错及相位识别方法 | |
| CN110879377B (zh) | 基于深度信念网络的计量装置故障溯源方法 | |
| CN110750524A (zh) | 一种有源配电网故障特征的确定方法及系统 | |
| CN115618732B (zh) | 核反应堆数字孪生关键参数自主优化数据反演方法 | |
| CN112001441A (zh) | 一种基于Kmeans-AHC混合聚类算法的配电网线损异常检测方法 | |
| 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 | |
| Dong | Combining unsupervised and supervised learning for asset class failure prediction in power systems | |
| CN110991741B (zh) | 一种基于深度学习的断面约束概率预警方法及系统 | |
| CN115684792A (zh) | 一种基于人工智能的电气自动化设备检测系统 | |
| CN115526258A (zh) | 基于Spearman相关系数特征提取的电力系统暂稳评估方法 | |
| CN115204698A (zh) | 一种低压台区供电稳定性的实时分析方法 | |
| CN118330408A (zh) | 基于数据分析的电缆寿命智能预测方法及系统 | |
| Zhao et al. | Evaluation of operating state for smart electricity meters based on transformer–encoder–BiLSTM | |
| CN112926686B (zh) | 基于brb和lstm模型的电力大数据用电异常检测方法及装置 | |
| CN114487643A (zh) | 一种特高压gil设备现场交接验收综合测试平台 | |
| CN117154716B (zh) | 一种分布式电源接入配电网的规划方法及系统 | |
| CN113033898A (zh) | 基于k均值聚类与bi-lstm神经网络的电负荷预测方法及系统 | |
| CN116502149A (zh) | 基于电流特征传导的低压配电网户变关系识别方法及系统 | |
| CN115659553A (zh) | 一种低压供电网络拓扑识别方法及系统 | |
| CN115598459A (zh) | 一种配电网10kV馈线故障停电预测方法 | |
| CN117371623B (zh) | 一种电能表运行状态预警方法及系统 | |
| CN118551259B (zh) | 一种无监督失稳检测与故障模块定位一体化方法及装置 |
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 |