CN116502149A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN116502149A CN116502149A CN202310459499.1A CN202310459499A CN116502149A CN 116502149 A CN116502149 A CN 116502149A CN 202310459499 A CN202310459499 A CN 202310459499A CN 116502149 A CN116502149 A CN 116502149A
- Authority
- CN
- China
- Prior art keywords
- current
- time sequence
- current time
- sequence data
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 53
- 239000012634 fragment Substances 0.000 claims abstract description 36
- 230000008859 change Effects 0.000 claims abstract description 16
- 238000012216 screening Methods 0.000 claims abstract description 16
- 238000012549 training Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 8
- 239000013598 vector Substances 0.000 claims description 6
- 239000000284 extract Substances 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 230000005611 electricity Effects 0.000 description 3
- 238000004134 energy conservation Methods 0.000 description 3
- 238000002347 injection Methods 0.000 description 3
- 239000007924 injection Substances 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000004590 computer program Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 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
- 239000013307 optical fiber Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000011524 similarity measure Methods 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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]
-
- 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
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- Business, Economics & Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Primary Health Care (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Probability & Statistics with Applications (AREA)
- Power Engineering (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
Abstract
本发明公开了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,涉及智能电网配电技术领域,包括以下步骤:接收电流时序数据,将电流时序数据等距切分为相同长度的片段并进行标准化处理;对各个片段的电流时序数据内筛选出有电流变化的片段,然后将两两片段组合形成电流时序数据集;将电流时序数据集输入预先建立的CNN‑LSTM模型内进行分类,所有电流时序数据集的样本被分类为标签“1”或标签“2”;将分类标签为“1”的样本与每组样本总数相比,得到标签为“1”的样本所占的比例,选取比例值最高的数据组所表示的连接关系作为最终的识别结果。
Description
技术领域
本发明涉及智能电网配电技术领域,具体的是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。
背景技术
低压配电网的拓扑结构对于线损分析、故障排查、窃电预警和需求响应都有着重要的意义,正确的低压配电网拓扑关系是当前配电网管理精细化和降损节能的基础,也是提高低压配电网管理效率的前提,然而在城乡配电网的改造过程中,新增变压器或变压器增容、改动改线或均衡分配符合线路后,存在信息更新不及时导致用户信息与实际不符的问题,因此需要对低压配电网拓扑结构进行辨识,以校验和更正相关的台账信息。
国内外学者对低压配电网拓扑结构的研究做了大量工作,主流的方法主要包括信号注入法和数据分析法两大类,信号注入法采用电力载波通信方式或脉冲电流技术,信号注入法利用利用电力线的物理连接关系,能够直接地获取拓扑结构,这对少量的线路进行拓扑辨识是有效的,但应用在低压配电网时需要增加大量的终端设备,存在成本高、运维难等问题。
随着高级量测体系的日渐普及,低压配电网变得越来越透明化,为低压配电网的拓扑识别工作提供了重要的条件。数据分析法使用智能电表电气量量测数据进行辨识,它包括基于能量守恒定律和基于电压相似性两种方法,基于能量守恒或基尔霍夫电流定律的方法使用电能表电量数据或电流数据进行线性回归计算,得出拓扑结构,这类方法对于数据质量要求较高,在实际数据集上识别准确率将无法保证。基于电压相似性的方法利用用户侧电压时间序列的相似性,使用智能电表电压数据,通过聚类或相关度计算等方法得到低压配网的拓扑结构,这类方法利用配电网中电气距离近的负荷电压曲线相似的现象求解拓扑关系,但在实际中一些台区电气距离接近导致不同台区电压曲线相似,电压曲线的相似性在统计上会造成近似的结果,这会使得拓扑识别准确率降低。
发明内容
为解决上述背景技术中提到的不足,本发明的目的在于提供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,提高了低压配电网户变关系识别准确率,不受数据时间偏移影响,具有工程应用价值。
本发明的目的可以通过以下技术方案实现:基于电流特征传导的低压配电网户变关系识别方法,方法包括以下步骤:
接收电流时序数据,将电流时序数据等距切分为相同长度的片段并进行标准化处理;
对各个片段的电流时序数据内筛选出有电流变化的片段,然后将两两片段组合形成电流时序数据集;
将电流时序数据集输入预先建立的CNN-LSTM模型内进行分类,所有电流时序数据集的样本被分类为标签“1”或标签“2”;
将分类标签为“1”的样本与每组样本总数相比,得到标签为“1”的样本所占的比例,选取比例值最高的数据组所表示的连接关系作为最终的识别结果。
优选地,所述将电流时序数据等距切分为相同长度的片段的过程如下:
将电流时序数据等距切分为相同长度的片段:
L1=(x1,x2,...,xn) (1)
L2=(y1,y2,...,yn) (2)
Sm=(xm,xm+1,...,xm+l-1) (3)
Rm=(ym,ym+1,...,ym+l-1) (4)
其中,L1为用户表箱电流序列数据,L2为变压器电流序列数据,S为对于L1划分片段后的电流数据片段集合,R为对于L2划分片段后的电流数据片段集合,片段长度为l。
优选地,所述标准化处理的过程如下:
S'm=(xm',xm+1',...,xm+l-1') (5)
R'm=(ym',ym+1',...,ym+l-1') (6)
其中,S'和R'为标准化后的数据集合,x'和y'分别为S'和R'中的元素,μ1和μ2分别为Sm与Rm中元素的平均值。
优选地,所述筛选出有电流变化的片段的过程如下:
S”i=(xi',xi+1',...,xi+l-1') (11)
S”为S'经筛选后的电流数据片段集合,S”中第i个片段的数据符合以下条件:
其中,ε为设定的阈值。
优选地,所述电流时序数据集如下:
其中,Hi为电流时序数据集。
优选地,所述电流时序数据集按照7:3的比例划分训练集和测试集,训练集中,相连的表箱和变压器形成的电流数据片段组合给予标签“1”,不相连的表箱和变压器形成的电流数据片段组合给予标签“2”。
优选地,所述CNN-LSTM模型利用CNN进行空间特征提取,将电流时序数据集输入到CNN-LSTM模型中,利用卷积层提取特征,卷积核在每一个时间步上提取空间特征,以2×1的向量为单位提取特征,数据经过两层卷积层和一层池化层后进入序列展开层,序列展开层将向量序列输入到LSTM层,然后利用LSTM层提取隐藏在空间特征中的时间特征,数据经过两层LSTM层后进入全连接层,全连接层和softmax层起到分类作用。
优选地,所述训练集输入到CNN-LSTM模型中进行训练,其中标签为“1”的样本与标签为“2”的样本数量比例为1:1。
优选地,所述测试集输入至训练完毕的CNN-LSTM模型中进行分类,分类后,所有样本被分类为标签“1”或标签“2”。
基于电流特征传导的低压配电网户变关系识别系统,包括:
数据处理模块:用于接收电流时序数据,将电流时序数据等距切分为相同长度的片段并进行标准化处理;
数据筛选模块:用于对各个片段的电流时序数据内筛选出有电流变化的片段,然后将两两片段组合形成电流时序数据集;
模型训练模块:用于将电流时序数据集输入预先建立的CNN-LSTM模型内进行分类,所有电流时序数据集的样本被分类为标签“1”或标签“2”;
比例生成模块:用于将分类标签为“1”的样本与每组样本总数相比,得到标签为“1”的样本所占的比例,选取比例值最高的数据组所表示的连接关系作为最终的识别结果。
本发明的有益效果:
本发明通过对电流时序数据分段后组合生成数据集,并使用神经网络的工具对其学习分类,可以实现低压配电网拓扑关系的快速准确识别,准确率达到100%,基于电流时间序列的相似性进行拓扑识别,可避免基于电压的方法在某些电气距离相近的台区中,电压序列过于相似导致的拓扑识别错误问题,并且在数据不完整的情况下,相较于基于功率守恒的方法识别准确率更高,使用CNN-LSTM混合神经网络,相较于单一的CNN、LSTM分类模型,以及传统机器学习方法具有更优的分类性能,可在数据具有一定的时间偏移误差时达到100%的拓扑识别准确率,具有工程应用价值。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图;
图1是本发明整体流程示意图;
图2是本发明的适用的低压配电网辐射状网络图。
图3是本发明电流时间序列相似条件示意图。
图4是本发明电流时间序列长时间跨度下不相似示意图。
图5是本发明电流时间序列复杂波动环境下不相似示意图。
图6是本发明适用于电流序列分类的混合神经网络结构图。
具体实施方式
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作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
如图1所示,基于电流特征传导的低压配电网户变关系识别方法,方法包括以下步骤:
接收电流时序数据,将电流时序数据等距切分为相同长度的片段并进行标准化处理;
对各个片段的电流时序数据内筛选出有电流变化的片段,然后将两两片段组合形成电流时序数据集;
将电流时序数据集输入预先建立的CNN-LSTM模型内进行分类,所有电流时序数据集的样本被分类为标签“1”或标签“2”;
将分类标签为“1”的样本与每组样本总数相比,得到标签为“1”的样本所占的比例,选取比例值最高的数据组所表示的连接关系作为最终的识别结果。
S1、数据预处理。将电流数据按照记录时间对时,并剔除异常数据。
S2、生成数据集。首先将待研究电流时序数据等距切分为相同长度的片段:
L1=(x1,x2,...,xn) (4)
L2=(y1,y2,...,yn) (5)
Sm=(xm,xm+1,...,xm+l-1) (6)
Rm=(ym,ym+1,...,ym+l-1) (7)
其中,L1为用户表箱电流序列数据,L2为变压器电流序列数据,S为对于L1划分片段后的电流数据片段集合,R为对于L2划分片段后的电流数据片段集合,片段长度为l。
其次对数据进行标准化:
S'm=(xm',xm+1',...,xm+l-1') (8)
R'm=(ym',ym+1',...,ym+l-1') (9)
其中,S'和R'为标准化后的数据集合。
接着通过一定条件筛选出有电流变化的片段:
S”i=(xi',xi+1',...,xi+l-1') (14)
S”为S'经筛选后的电流数据片段集合,S”中第i个片段的数据符合以下条件:
其中,ε为设定的阈值,由经验确定。
最后将片段两两组合形成数据集:
S3、构建并训练CNN-LSTM模型。将CNN和LSTM组合形成CNN-LSTM混合神经网络,混合神经网络结构如图5所示。首先利用CNN进行空间特征提取,经过处理的数据集被输入到模型中,在Input层中每一个圆点代表一个数据点,第一行是变压器电流序列片段,第二行是用户电流序列片段,利用卷积层提取特征,卷积核在每一个时间步上提取空间特征,以2×1的向量为单位提取特征。数据经过两层卷积层和一层池化层后进入序列展开层,序列展开层将向量序列输入到LSTM层,然后利用LSTM层提取隐藏在空间特征中的时间特征,数据经过两层LSTM层后进入全连接层,全连接层和softmax层起到分类作用。神经网络参数如表3所示。将训练集输入到搭建的CNN-LSTM模型中学习,其中标签为“1”的样本与标签为“2”的样本数量比例为1:1。
表4神经网络参数
S4、输出测试结果。将测试集输入至训练完毕的CNN-LSTM模型中进行分类,分类后,所有样本被分类为标签“1”或标签“2”。
S5、生成拓扑关系。神经网络仅对于单个电流片段样本进行分类,确定表箱与变压器的连接关系需要基于分类结果进一步判断。设一个待测试表箱与N个变压器电流数据形成N组数据,对于每组数据,将分类标签为“1”的样本与每组样本总数相比,得到标签为“1”的样本所占的比例,选取比例值最高的数据组所表示的连接关系作为最终的判断结果。
基于电流特征传导的低压配电网户变关系识别系统,包括:
数据处理模块:用于接收电流时序数据,将电流时序数据等距切分为相同长度的片段并进行标准化处理;
数据筛选模块:用于对各个片段的电流时序数据内筛选出有电流变化的片段,然后将两两片段组合形成电流时序数据集;
模型训练模块:用于将电流时序数据集输入预先建立的CNN-LSTM模型内进行分类,所有电流时序数据集的样本被分类为标签“1”或标签“2”;
比例生成模块:用于将分类标签为“1”的样本与每组样本总数相比,得到标签为“1”的样本所占的比例,选取比例值最高的数据组所表示的连接关系作为最终的识别结果。
下面将结合附图对本发明技术方案做进一步的说明。
基于分段电流特征和CNN-LSTM深度学习的低压配电网户变关系识别方法适用于呈辐射状并且安装有高细粒度数据采集功能的智能监测终端的低压配电网络,所述呈辐射状以及安装有智能监测终端的低压配电网络具备下述特征:
低压配电台区是指10kV/400V配电变压器以下的低压供电区域,一般采用辐射状的结构,如图2所示。变压器将电压从10kV降为400V,并通过多条分支馈线将电能输送到不同的楼宇单元以及用户。从分支箱输送三相电能到楼宇单元表箱,从楼宇单元表箱引出单相线路连接用户。在台区变压器、分支箱、以及末端用户处安装监测终端,各个终端能够实时地监测电压、电流、功率等数据,并通过无线/载波等方式传输到主站。
所述配电网支路电流满足以下关系:
当用户使用电器,用户电表测得的电流值发生变化,根据基尔霍夫电流定律,配电变压器二次侧电流值等于连接在其下所有用户电表电流值之和,因此用户因负荷投切而产生的电流变化过程会同样在配变二次侧电流中出现,即:
式中,n为所有连接在配变下的用户表箱数量,ic t+1和ic t为配变二次侧在第t+1时刻和t时刻的电流值,ij t+1和ij t为用户表箱在第t+1时刻和t时刻的电流值,由于不同用户表箱在同一时刻发生电流变化的概率极低,设除第j个用户表箱外其他表箱在第t+1时刻和t时刻电流变化为0,可得:
ic t+1-ic t=ij t+1-ij t
所述配电网内用户表箱与配变侧电流序列相似存在以下条件和规律:
用户表箱电流时间序列与其所连接的配电变压器二次侧电流时间序列存在相似性,与不连接的配变电变压器二次侧电流时间序列之间不存在相似性。由于不同电器的电气特性,电流发生变化时时间序列的波形形状不同,波形持续时间由数秒至数分钟不等。但用户表箱侧和配变二次侧的电流时间序列总是相似的,在采样间隔为6秒时可以观察到时间序列的相似性,如图3(a)所示。用户表箱电流序列与不与之连接的配变二次侧电流序列不存在相似性,如图3(b)所示。需要注意的是,在用户不用电的时段,其电流序列和用户电流序列之间也不存在相似性,如图3(c)所示,在持续时间较长的序列时段上,变压器电流序列包含多个用户的用电特征,它与单个连接用户的电流序列也不相似,如图3(d)所示。因此,用户和变压器之间的电流序列相似性是局部的、有条件的,利用此现象进行拓扑识别,不能直接使用长达数天的电流序列数据作为输入数据,需要对原始数据进行处理。
对于长时间跨度下电流曲线相似性进行分析,截取较长时间片段下的变压器和用户电流数据,如图4所示,用户1与被观测变压器相连,其余用户属于其他台区。使用相关系数衡量其相似性,分别计算各个用户电流序列与变压器电流序列的相关系数,结果如表1所示。由结果可知,在较长时间跨度下,用户电流曲线与其所连的变压器电流曲线呈低相关性,且相关度与其他台区用户无显著差异。综合计算结果和图4可知电流相似性只存在于用户用电时刻,其他时刻不相关,因此需要对电流序列分段筛选得到有效时段的信息。
表1长时间跨度下电流相似性对比
变压器二次侧的电流序列曲线由多个用户曲线叠加而成,并且存在外在干扰,呈现复杂的波动状态,如何度量其与用户电流序列的相似性是需要考虑的问题。图5为某用户与数个台区变压器的电流曲线,图中用户归属于台变1,使用常见的度量时间序列相似性的参数对此用户与三个台变进行相似性度量,计算结果如表2所示。在多电器接入并且存在干扰的复杂情况下,用户与其所连接的变压器计算所得相似性参数并非最优,使用简单的相似性度量参数进行相似性判断极易混淆,甚至得出错误的结果。
表2某用户与台变相似性度量
基于同一种发明构思,本发明还提供一种计算机设备,该计算机设备包括包括:一个或多个处理器,以及存储器,用于存储一个或多个计算机程序;程序包括程序指令,处理器用于执行存储器存储的程序指令。处理器可能是中央处理单元(Central ProcessingUnit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor、DSP)、专用集成电路(Application SpecificIntegrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable GateArray,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等,其是终端的计算核心以及控制核心,其用于实现一条或一条以上指令,具体用于加载并执行计算机存储介质内一条或一条以上指令从而实现上述方法。
需要进一步进行说明的是,基于同一种发明构思,本发明还提供一种计算机存储介质,该存储介质上存储有计算机程序,所述计算机程序被处理器运行时执行上述方法。该存储介质可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是但不限于电、磁、光、电、磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
在本说明书的描述中,参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本公开的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上显示和描述了本公开的基本原理、主要特征和本公开的优点。本行业的技术人员应该了解,本公开不受上述实施例的限制,上述实施例和说明书中描述的只是说明本公开的原理,在不脱离本公开精神和范围的前提下,本公开还会有各种变化和改进,这些变化和改进都落入要求保护的本公开范围内容。
Claims (10)
1.基于电流特征传导的低压配电网户变关系识别方法,其特征在于,方法包括以下步骤:
接收电流时序数据,将电流时序数据等距切分为相同长度的片段并进行标准化处理;
对各个片段的电流时序数据内筛选出有电流变化的片段,然后将两两片段组合形成电流时序数据集;
将电流时序数据集输入预先建立的CNN-LSTM模型内进行分类,所有电流时序数据集的样本被分类为标签“1”或标签“2”;
将分类标签为“1”的样本与每组样本总数相比,得到标签为“1”的样本所占的比例,选取比例值最高的数据组所表示的连接关系作为最终的识别结果。
2.根据权利要求1所述的基于电流特征传导的低压配电网户变关系识别方法,其特征在于,所述将电流时序数据等距切分为相同长度的片段的过程如下:
将电流时序数据等距切分为相同长度的片段:
L1=(x1,x2,...,xn) (1)
L2=(y1,y2,...,yn) (2)
Sm=(xm,xm+1,...,xm+l-1) (3)
Rm=(ym,ym+1,...,ym+l-1) (4)
其中,L1为用户表箱电流序列数据,L2为变压器电流序列数据,S为对于L1划分片段后的电流数据片段集合,R为对于L2划分片段后的电流数据片段集合,片段长度为l。
3.根据权利要求1所述的基于电流特征传导的低压配电网户变关系识别方法,其特征在于,所述标准化处理的过程如下:
S'm=(xm',xm+1',...,xm+l-1') (5)
R'm=(ym',ym+1',...,ym+l-1') (6)
其中,S'和R'为标准化后的数据集合,x'和y'分别为S'和R'中的元素,μ1和μ2分别为Sm与Rm中元素的平均值。
4.根据权利要求1所述的基于电流特征传导的低压配电网户变关系识别方法,其特征在于,所述筛选出有电流变化的片段的过程如下:
S”i=(xi',xi+1',...,xi+l-1') (11)
S”为S'经筛选后的电流数据片段集合,S”中第i个片段的数据符合以下条件:
其中,ε为设定的阈值。
5.根据权利要求1所述的基于电流特征传导的低压配电网户变关系识别方法,其特征在于,所述电流时序数据集如下:
其中,Hi为电流时序数据集。
6.根据权利要求5所述的基于电流特征传导的低压配电网户变关系识别方法,其特征在于,所述电流时序数据集按照7:3的比例划分训练集和测试集,训练集中,相连的表箱和变压器形成的电流数据片段组合给予标签“1”,不相连的表箱和变压器形成的电流数据片段组合给予标签“2”。
7.根据权利要求1所述的基于电流特征传导的低压配电网户变关系识别方法,其特征在于,所述CNN-LSTM模型利用CNN进行空间特征提取,将电流时序数据集输入到CNN-LSTM模型中,利用卷积层提取特征,卷积核在每一个时间步上提取空间特征,以2×1的向量为单位提取特征,数据经过两层卷积层和一层池化层后进入序列展开层,序列展开层将向量序列输入到LSTM层,然后利用LSTM层提取隐藏在空间特征中的时间特征,数据经过两层LSTM层后进入全连接层,全连接层和softmax层起到分类作用。
8.根据权利要求6所述的基于电流特征传导的低压配电网户变关系识别方法,其特征在于,所述训练集输入到CNN-LSTM模型中进行训练,其中标签为“1”的样本与标签为“2”的样本数量比例为1:1。
9.根据权利要求6所述的基于电流特征传导的低压配电网户变关系识别方法,其特征在于,所述测试集输入至训练完毕的CNN-LSTM模型中进行分类,分类后,所有样本被分类为标签“1”或标签“2”。
10.基于电流特征传导的低压配电网户变关系识别系统,其特征在于,包括:
数据处理模块:用于接收电流时序数据,将电流时序数据等距切分为相同长度的片段并进行标准化处理;
数据筛选模块:用于对各个片段的电流时序数据内筛选出有电流变化的片段,然后将两两片段组合形成电流时序数据集;
模型训练模块:用于将电流时序数据集输入预先建立的CNN-LSTM模型内进行分类,所有电流时序数据集的样本被分类为标签“1”或标签“2”;
比例生成模块:用于将分类标签为“1”的样本与每组样本总数相比,得到标签为“1”的样本所占的比例,选取比例值最高的数据组所表示的连接关系作为最终的识别结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310459499.1A CN116502149A (zh) | 2023-04-26 | 2023-04-26 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310459499.1A CN116502149A (zh) | 2023-04-26 | 2023-04-26 | 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 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116502149A true CN116502149A (zh) | 2023-07-28 |
Family
ID=87325998
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310459499.1A Pending CN116502149A (zh) | 2023-04-26 | 2023-04-26 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116502149A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117833479A (zh) * | 2024-03-06 | 2024-04-05 | 国网山东省电力公司日照供电公司 | 配电线路私自改动监控报警装置 |
CN117833479B (zh) * | 2024-03-06 | 2024-06-07 | 国网山东省电力公司日照供电公司 | 配电线路私自改动监控报警装置 |
-
2023
- 2023-04-26 CN CN202310459499.1A patent/CN116502149A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117833479A (zh) * | 2024-03-06 | 2024-04-05 | 国网山东省电力公司日照供电公司 | 配电线路私自改动监控报警装置 |
CN117833479B (zh) * | 2024-03-06 | 2024-06-07 | 国网山东省电力公司日照供电公司 | 配电线路私自改动监控报警装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110082640B (zh) | 一种基于长短时记忆网络的配网单相接地故障辨识方法 | |
CN112149873B (zh) | 一种基于深度学习的低压台区线损合理区间预测方法 | |
CN109193635B (zh) | 一种基于自适应稀疏回归方法的配电网拓扑结构重建方法 | |
Ma et al. | Topology identification of distribution networks using a split-EM based data-driven approach | |
CN111008641B (zh) | 一种基于卷积神经网络的输电线路杆塔外力破坏检测方法 | |
CN109359665A (zh) | 一种基于支持向量机的家电负荷识别方法及装置 | |
CN109241944A (zh) | 一种基于改进多分类支持向量机的配电网故障识别方法 | |
Yoon et al. | Deep learning-based method for the robust and efficient fault diagnosis in the electric power system | |
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 | |
CN117171586A (zh) | 一种基于电流序列相似度的户变关系识别方法及系统 | |
CN108802565B (zh) | 一种基于机器学习的中压配电网断线不接地故障检测方法 | |
Xue et al. | An efficient and robust case sorting algorithm for transient stability assessment | |
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 | |
CN113092934B (zh) | 基于聚类和lstm的单相接地故障判定方法及系统 | |
CN117764547A (zh) | 一种光伏组串故障诊断方法及系统 | |
CN114841266A (zh) | 一种小样本下基于三元组原型网络的电压暂降识别方法 | |
Liu et al. | Fault diagnosis of photovoltaic array based on XGBoost method | |
Hu et al. | A data-driven method of users-transformer relationship identification in the secondary power distribution system | |
Ding et al. | Research on power grid fault diagnosis method based on PMU data and convolutional neural network | |
Zhong et al. | Low-Voltage Distribution Network Topology Identification Method Based on Segmented Current Features and CNN-LSTM Deep Learning | |
Givaki et al. | Machine learning based impedance estimation in power system | |
Feng et al. | A method for identifying major disturbance sources in a regional grid | |
Zheng et al. | Transformer Vibration Analysis Based on Double Branch Convolutional Neural Network | |
CN116881703B (zh) | 一种电缆多源信号识别方法、装置及存储介质 | |
Miao et al. | A Transformer District Line Loss Calculation Method Based on Data Mining and Machine Learning |
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 |