CN116933104B - 一种低压配电网拓扑识别方法 - Google Patents
一种低压配电网拓扑识别方法 Download PDFInfo
- Publication number
- CN116933104B CN116933104B CN202311203387.6A CN202311203387A CN116933104B CN 116933104 B CN116933104 B CN 116933104B CN 202311203387 A CN202311203387 A CN 202311203387A CN 116933104 B CN116933104 B CN 116933104B
- Authority
- CN
- China
- Prior art keywords
- voltage
- user
- similarity
- low
- voltage distribution
- 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.)
- Active
Links
- 238000009826 distribution Methods 0.000 title claims abstract description 99
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000002347 injection Methods 0.000 claims abstract description 69
- 239000007924 injection Substances 0.000 claims abstract description 69
- 239000002245 particle Substances 0.000 claims abstract description 54
- 238000005457 optimization Methods 0.000 claims description 20
- 238000005070 sampling Methods 0.000 abstract description 4
- 239000000243 solution Substances 0.000 description 14
- 230000008859 change Effects 0.000 description 10
- 230000008569 process Effects 0.000 description 6
- 238000012850 discrimination method Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000004069 differentiation Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000000137 annealing Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000001747 exhibiting effect Effects 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 238000001507 sample dispersion Methods 0.000 description 2
- 238000009827 uniform distribution Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 238000009960 carding Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—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
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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]
-
- 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
- H02J2310/00—The network for supplying or distributing electric power characterised by its spatial reach or by the load
- H02J2310/70—Load identification
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明属于低压配电网领域，涉及一种低压配电网拓扑识别方法，包括：在设定的电压区间内随机生成电压注入量集，电压注入量集包含用于向台区分配的电压注入量；使用粒子群算法确定电压分配策略；利用电压分配策略对各台区馈电，统计用户和台区在一段时间内的电压时序数据，利用相似度算法计算用户与各台区关于电压时序数据的相似度值；选取高于相似度阈值的最大相似度值，将用户划分到最大相似度值对应的台区；基于用户和用户所属的台区确定低压配电网的网络拓扑。本方法通过分析台区与辖区用户之间的电压时序相似度来辨识出变户关系，对采样精度要求不高，具有较强的环境适用能力。
Description
技术领域
本发明属于低压配电网领域，涉及一种低压配电网拓扑识别方法。
背景技术
低压配电网（配电变压器台区，或简称配电台区）是配电系统的末端环节，直接服务于用户，它的可靠运行是整个电网运行可靠性链条中的重要组成部分。正确的低压配电网拓扑关系，特别是正确的变户关系，是当前配电网管理精细化和降损节能的基础和研究热点。所谓变户关系是指台区与使用该台区变压器供电的用户之间的供用电关系。通常，每台变压器都有固定的用户，供电所利用CAD图纸将这种对应关系绘制，作为该台区的变户关系资料。当配变的新增、重新规划或者用户的新增、迁移或销户，甚至一些历史遗留原因都可能造成变户关系发生变动，若管理不善便会产生变户关系错乱，错乱后会造成一系列问题如收费困难，线路故障维修定位困难，重新梳理线路关系困难，线损统计错误等难题。
综合国内外研究和应用情况来看，校验低压配网拓扑关系主要有人工现场识别和系统自动识别两种方式。
人工方式需要安排工作人员到现场识别，该法识别结果精准，但效率低，成本高，该法主要有人工现场清理、台区识别仪现场处理两种方式。
在线方式采用自动识别技术，识别效率高，但成功率受到应用场景的限制；其中最典型的是台区停电识别法，通过对电网线路逐条短时停电或因故障停电，利用表端上报停电信息可一一匹配变户关系，此方法几乎达到100%的正确率，但是停电会造成无法估量的损失，所以只可以作为安装阶段使用，或停电事件发生时启用，适用面较窄，且不好动态实时判定。除此之外，最常见的还有载波信号强度判别法和线路阻抗特性判别法，载波信号强度判别法利用较高频率的载波信号在跨工频变压器时信号衰减较大，信号强度大幅衰减特性，判定变户关系，但是此方法在有噪声干扰情况下，其识别效果不令人满意；线路阻抗特性判别法利用不同配电变压器的特性以及负载不同，网压的大小会略有不同这一特性，通过较高精度的交流电压采样，与附近台区网压比对，以此实现台区归属判别，本方法对交采精度提出较高要求，且当不同配变下网压一致性较好以至于超出交采精度范围时，此方法失效。
因此，需要提供一种方法来解决现有技术的低压配电网拓补识别难度较大的问题。
发明内容
本发明的目的在于克服上述一种或多种现有的技术问题，提供一种低压配电网拓扑识别方法。
为实现上述目的，本发明提供的一种低压配电网拓扑识别方法，包括：
在设定的电压区间内随机生成电压注入量集，电压注入量集包含用于向台区分配的电压注入量；
使用粒子群算法确定电压分配策略；
利用电压分配策略对各台区馈电，统计用户和台区在一段时间内的电压时序数据，利用相似度算法计算用户与各台区关于电压时序数据的相似度值；
选取高于相似度阈值的最大相似度值，将用户划分到最大相似度值对应的台区；
基于用户和用户所属的台区确定低压配电网的网络拓扑。
根据本发明的一个方面，电压分配策略按照如下方式获取：
随机生成粒子群，对粒子群中各粒子位置进行初始化，其中，粒子位置表示分布式部署在低压配电网上所有台区的电压分配策略；
以相邻台区之间电压注入量差异程度作为优化目标，采用粒子群算法对目标进行优化，在最大迭代运算次数完成后输出差异程度最大的粒子所对应的电压分配策略。
根据本发明的一个方面，电压注入量集按照如下的方式生成：
使用线性同余法生成均匀的随机数，使用均匀的随机数生成在设定的电压范围内的量化的电压注入量。
根据本发明的一个方面，电压注入量集按照如下的方式生成：
使用真随机数发生器生成随机数，使用随机数生成在设定的电压范围内的量化的电压注入量。
根据本发明的一个方面，电压注入量中的元素个数不少于低压配电网内待分配电压的台区总数。
根据本发明的一个方面，在用户和各台区关于电压时序数据的相似度值低于阈值时，基于用户和邻居用户的电压时序曲线确定电压时序数据的相似度，基于待识别用户和邻居用户的距离，生成单位距离上的电压时序数据相似度，将用户划分到最大近似度的邻居用户所属的台区。
根据本发明的一个方面，用户与各台区关于电压时序数据的相似度值为余弦相似度值。
本发明有益技术效果为：
本发明提供一种低压配电网拓扑识别方法及识别系统。本方法通过为分布式部署在低压配电网上的各台区匹配不同的电压注入量，然后监测并分析台区与辖区用户之间的电压时序相似度来辨识出变户关系，对采样精度要求不高，具有较强的环境适用能力。
附图说明
图1是本发明一种低压配电网拓扑识别方法的流程图。
具体实施方式
现在将参照若干示例性实施例来论述本发明的内容。应当理解，论述了这些实施例仅是为了使得本领域普通技术人员能够更好地理解且因此实现本发明的内容，而不是暗示对本发明的范围的任何限制。
如本文中所使用的，术语“包括”及其变体要被解读为意味着“包括但不限于”的开放式术语。术语“基于”要被解读为“至少部分地基于”。术语“一个实施例”和“一种实施例”要被解读为“至少一个实施例”。术语“另一个实施例”要被解读为“至少一个其他实施例”。
目前，对于用户终端普遍采用智能电表采集用电信息，智能电表不仅能采集用户用电量信息，还能够记录用户瞬时电压、电流、有功、无功数据；更进一步地，通过网络时间协议（network time protocol，NTP）同步时钟还可以确保某时刻采集数据能够准确反映该时间断面点运行状态。受各种突发事件、各处负荷不确定性的影响，导致用户的电压随其所属的台区电压同步波动。因此，可以通过智能电表实时采集用户电压时序数据，将用户与台区的电压时序曲线进行相似性比较，以此来校验台区所属用户，并区分出属于该台区的用户。但是还需要考虑电压采样序列数据差异性和特点，如相邻的多个台区在线路或配电变压器轻载、运行工况良好时通过电压序列相似性分析结果显示两个或多个相邻台区电压序列相似度均较高、数据离散度较小，从而淡化了不同台区之间的电压序列变化特征，降低了整个辨识结果精度，甚至当某个台区内大多数变户关系辨识错误时，后续所有待识别身份的用户均受影响，发生迭代性的识别错误。另外，电压等量测数据包含仪表固有精度等级和测量环境中随机性小扰动引起的误差，上述因素也会增加辨识难度。
根据本发明的一个实施例，图1为本发明中的一种低压配电网拓扑识别方法的流程图，如图1所示，一种低压配电网拓扑识别方法包括：
在设定的电压区间内随机生成电压注入量集，电压注入量集包含用于向台区分配的电压注入量；
使用粒子群算法确定电压分配策略；
利用电压分配策略对各台区馈电，统计用户和台区在一段时间内的电压时序数据，利用相似度算法计算用户与各台区关于电压时序数据的相似度值；
选取高于相似度阈值的最大相似度值，将用户划分到最大相似度值对应的台区；
基于用户和用户所属的台区确定低压配电网的网络拓扑。
为此，本发明对用于识别户变关系的电压注入量进行差异化处理，即在任意相邻的台区之间注入的电压差值较大，使得从属于不同台区的邻近用户之间的电压时序曲线也形成较大的差异，将用户与其所属的台区电压曲线相似度更为凸显，从而提高变户关系的识别精度。另外，由于电压注入的差异化，使得所有台区之间的识别作业互不影响，可以同步实施拓扑识别，提高了工作效率。
本发明使用粒子群算法生成了电压分配策略，本发明使用的粒子群算法对资源需求少，适用于本发明所解决的网络类型未知的场景，易于实现，可以在端侧以及服务器侧执行。其他近似的算法，例如遗传算法、退火算法在样本分散下经测试存在部分最优解的问题，并且对于初值依赖强，在构建拓补时可能会导致失真，对于拓补网络后续的测试也表明了此问题通过粒子群算法可以获得较好的解决。
进一步的，在确定电压分配策略后，基于馈电和馈电的结果可以获得各个台区以及台区内的用户的电压系列数据，基于电压系列数据可以用于确定用户和台区之间的关联，以及基于关联确定用户的归属；在用户所属的台区确定后，基于分类结果可以确定低压配电网的拓补。
根据本发明的一个实施例，电压注入量集按照如下的方式生成：
使用线性同余法生成均匀的随机数，使用均匀的随机数生成在设定的电压范围内的量化的电压注入量。
更为具体的，为了提高电压注入量在电压区间内分布的离散化程度，采用线性同余法（Linear congruential generator，简称LCG）为用户随机生成电压注入量集。
在本发明的另外一些实施例中，采用了真随机数算法产生电压注入量，虽然其分布并不能够呈现如上所示的均匀分布的特性，但其也可以用于下文的电压分配。
进一步的，电压注入量集中元素个数应不少于低压配电网内待分配电压的台区总数，以避免台区之间分配到相同的电压注入量。
根据本发明的一个实施例，电压分配策略按照如下方式获取：
随机生成粒子群，对粒子群中各粒子位置进行初始化，其中，粒子位置表示分布式部署在低压配电网上所有台区的电压分配策略；
以相邻台区之间电压注入量差异程度作为优化目标，采用粒子群算法对目标进行优化，在最大迭代运算次数完成后输出差异程度最大的粒子所对应的电压分配策略。粒子群算法具有收敛速度快、参数少、算法简单易实现的优点，本实施例中以相邻台区之间电压注入量差异程度作为优化目标，采用粒子群算法（Particle Swarm Optimization，简称PSO）对其进行优化，即在有限次迭代运算过程中寻找相邻台区之间电压注入量差值最大化的电压分配策略，使得相邻台区之间监测得到的曲线波形差异化最大。
上述粒子群算法的优化目标为相邻台区之间电压注入量差异程度，需要从低压配电网全域内考虑每个台区与其邻近台区的电压差异，因此优化目标并非指某个或某几个台区电压分配策略的局部最优解，而是域内所有台区的电压分配策略的全局最优解。
具体地，计算各台区与其邻近的所有台区电压注入量差值的均值，然后进一步获取当前台区关于电压注入量差值的标准差，标准差反映的是一个数据集的离散程度，标准差值越大，电压注入量差值之间的离散程度越高，反之则离散程度越低。
进一步地，统计所有台区的标准差的均值，将其作为粒子群算法的优化对象，在粒子群算法的每次迭代运算中，我们需要从各粒子反馈的标准差均值中推举出最大值对应的粒子作为全局最优解，该全局最优解反映的是当前迭代运算阶段完成后，能够找到的台区间电压差异程度最高的电压分配策略。
根据本发明的一个实施例，在用户和各台区关于电压时序数据的相似度值低于阈值时，基于用户和邻居用户的电压时序曲线确定电压时序数据的相似度，基于待识别用户和邻居用户的距离，生成单位距离上的电压时序数据相似度，将用户划分到最大近似度的邻居用户所属的台区。
相似度在一定程度上可以理解为相似度，可以采用传统的拓扑识别方法，其主要采用邻近算法（K-NearestNeighbor,KNN）找到待识别用户的k个邻居用户，从中选择大多数邻居用户所归属的台区，则判定该待识别用户也归属于该台区。通过此方式可以将用户划分到一个网络内。
根据本发明的一个实施例，用户与各台区关于电压时序数据的相似度值为余弦相似度值。
更为具体的，根据台区总表与用户智能电表采集到的电压数据，选取校验台区内用户最近一段时间的电压数据（与台区采集时间一致）组成电压时序数据。例如，设置总表和智能电表的采集频率是每秒钟采集2次，采集时长为2分钟，共获得240个数据点。将第L个台区的电压时序数据等长划分（N=240），以求取每段子序列均值的方式将电压时序数据转化为长度为M的特征序列，其中N>M，压缩比为T=N\ M，之后，采用余弦相似度算法计算特征序列之间的相似度，将第A个用户与所有台区的特征序列进行相似性比较，然后选取高于设定的相似度阈值的最大相似度值，相似度阈值一般设置为大于0.8，将用户划分到最大相似度值对应的台区。
使用向量空间中两个特征序列的夹角的余弦值作为衡量两个个体间差异的大小，从而确定两者是否可能指向同一方向。若两者的方向相反，则相似度值会更接近-1，即相似度较低。反之，若两者大致指向相同的方向，则它们的相似度值更接近1，这意味着它们具有高相似度。
更进一步的，如果某个用户与任意相邻台区的电压时序相似度值都小于阈值，如0.8时，此时无法通过传统的KNN算法判断该用户的变户关系，其原因为待识别用户正处于多个台区所管辖的交叉区域，此时设置不同的监控半径或k值，可能会产生不同的识别结果。然而在低压配电网中，10kV配电网为简化继电保护的需要运行时呈辐射状，例如配电变压器对10 kV馈线降压为400 V后，呈辐射状传递给台区所属的低压用户。辐射状的配电网可看成若干个以电源点为根的树。从数据结构来看，树结构是由根开始的节点集合，其组织方式是由根向外层节点扩展。而对于具有以上辐射结构的变户连接关系来说，同一台区用户的电压时序曲线变化具有如下规律特点：用户之间的电气距离越短，其电压时序曲线的相似程度越高；由于配变低压侧母线三相电压存在不平衡及负荷特性差异，同相用户电压曲线之间的相似性要比不同相用户之间的更高。
基于上述特性，针对无法从台区电压时序相似度比较中获得识别结果的用户来说，本发明将待识别用户与邻居用户的电压时序曲线进行相似度比较。由于邻居用户之间的电气距离较短，如果某个邻居用户与待识别用户属于同一台区，那么它们之间必然拥有较高的相似度，特别是当两个用户位于同相时，其相似程度达到最高。具体的实施过程为：为待识别用户划分邻近区域，邻近区域可采用拟定的距离阈值为半径所构成的圆形区域，将待识别用户所在位置定为圆心，在邻近区域内的所有用户定义为邻居用户；利用前述实施例中的余弦相似度算法，计算待识别用户与每个邻居用户关于电压时序数据的相似度；根据待识别用户与其邻居用户的距离，生成单位距离上的电压时序数据相似度；然后，从所有电压时序数据相似度中选择值最大值，将待识别用户划分到最大值的邻居用户所属的台区。
本发明提供的上述识别算法考虑到了距离对计算结果的影响，如果某个邻居用户与待识别用户具有较高的电压时序数据相似度，但两者相距较远，即邻居用户位于邻近区域边缘，那么我们认为在距离约束条件下两者并不具备相关性，发生这种情况只是一种巧合，计算得到的单位距离上的电压时序数据相似度会较低。
不仅如此，为实现上述发明目的，本发明还提供了一种低压配电网拓扑识别系统，包括：
电压注入量集生成单元，在设定的电压区间内随机生成电压注入量集，电压注入量集包含用于向台区分配的电压注入量；
电压分配策略单元，使用粒子群算法确定电压分配策略；
馈电和数据采集单元，利用电压分配策略对各台区馈电，统计用户和台区在一段时间内的电压时序数据，利用相似度算法计算用户与各台区关于电压时序数据的相似度值；
台区选取单元，选取高于相似度阈值的最大相似度值，将用户划分到最大相似度值对应的台区；
拓补形成单元，基于用户和用户所属的台区形成网络拓补。
为此，本发明对用于识别户变关系的电压注入量进行差异化处理，即在任意相邻的台区之间注入的电压差值较大，使得从属于不同台区的邻近用户之间的电压时序曲线也形成较大的差异，将用户与其所属的台区电压曲线相似度更为凸显，从而提高变户关系的识别精度。另外，由于电压注入的差异化，使得所有台区之间的识别作业互不影响，可以同步实施拓扑识别，提高了工作效率。
本发明使用粒子群算法生成了电压分配策略，本发明使用的粒子群算法对资源需求少，适用于本发明所解决的网络类型未知的场景，易于实现，可以在端侧以及服务器侧执行。其他近似的算法，例如遗传算法、退火算法在样本分散下经测试存在部分最优解的问题，并且对于初值依赖强，在构建拓补时可能会导致失真，对于拓补网络后续的测试也表明了此问题通过粒子群算法可以获得较好的解决。
进一步的，在确定电压分配策略后，基于馈电和馈电的结果可以获得各个台区以及台区内的用户的电压系列数据，基于电压系列数据可以用于确定用户和台区之间的关联，以及基于关联确定用户的归属；在用户所属的台区确定后，基于分类结果可以确定低压配电网的拓补。
根据本发明的一个实施例，电压注入量集按照如下的方式生成：
使用线性同余法生成均匀的随机数，使用均匀的随机数生成在设定的电压范围内的量化的电压注入量。
更为具体的，为了提高电压注入量在电压区间内分布的离散化程度，采用线性同余法（Linear congruential generator，简称LCG）为用户随机生成电压注入量集。
在本发明的另外一些实施例中，采用了计算机真随机数算法产生电压注入量，但是其分布并不能够呈现如上所示的均匀分布的特性，其也可以用于下文的电压分配。
进一步的，电压注入量集中元素个数应不少于低压配电网内待分配电压的台区总数，以避免台区之间分配到相同的电压注入量。
根据本发明的一个实施例，电压分配策略按照如下方式获取：
随机生成粒子群，对粒子群中各粒子位置进行初始化，其中，粒子位置表示分布式部署在低压配电网上所有台区的电压分配策略；
以相邻台区之间电压注入量差异程度作为优化目标，采用粒子群算法对目标进行优化，在最大迭代运算次数完成后输出差异程度最大的粒子所对应的电压分配策略。粒子群算法具有收敛速度快、参数少、算法简单易实现的优点，本实施例中以相邻台区之间电压注入量差异程度作为优化目标，采用粒子群算法（Particle Swarm Optimization，简称PSO）对其进行优化，即在有限次迭代运算过程中寻找相邻台区之间电压注入量差值最大化的电压分配策略，使得相邻台区之间监测得到的曲线波形差异化最大。
上述粒子群算法的优化目标为相邻台区之间电压注入量差异程度，需要从低压配电网全域内考虑每个台区与其邻近台区的电压差异，因此优化目标并非指某个或某几个台区电压分配策略的局部最优解，而是域内所有台区的电压分配策略的全局最优解。
具体地，计算各台区与其邻近的所有台区电压注入量差值的均值，然后进一步获取当前台区关于电压注入量差值的标准差，标准差反映的是一个数据集的离散程度，标准差值越大，电压注入量差值之间的离散程度越高，反之则离散程度越低。
进一步地，统计所有台区的标准差的均值，将其作为粒子群算法的优化对象，在粒子群算法的每次迭代运算中，我们需要从各粒子反馈的标准差均值中推举出最大值对应的粒子作为全局最优解，该全局最优解反映的是当前迭代运算阶段完成后，能够找到的台区间电压差异程度最高的电压分配策略。
根据本发明的一个实施例，在用户和各台区关于电压时序数据的相似度值低于阈值时，基于用户和邻居用户的电压时序曲线确定电压时序数据的相似度，基于待识别用户和邻居用户的距离，生成单位距离上的电压时序数据相似度，将用户划分到最大近似度的邻居用户所属的台区。
相似度在一定程度上可以理解为相似度，可以采用传统的拓扑识别方法，其主要采用邻近算法（K-NearestNeighbor, KNN）找到待识别用户的k个邻居用户，从中选择大多数邻居用户所归属的台区，则判定该待识别用户也归属于该台区。通过此方式可以将用户划分到一个网络内。
根据本发明的一个实施例，用户与各台区关于电压时序数据的相似度值为余弦相似度值。
更为具体的，根据台区总表与用户智能电表采集到的电压数据，选取校验台区内用户最近一段时间的电压数据（与台区采集时间一致）组成电压时序数据。例如，设置总表和智能电表的采集频率是每秒钟采集2次，采集时长为2分钟，共获得240个数据点。将第L个台区的电压时序数据等长划分（N=240），以求取每段子序列均值的方式将电压时序数据转化为长度为M的特征序列，其中N>M，压缩比为T=N\M，之后，采用余弦相似度算法计算特征序列之间的相似度，将第A个用户与所有台区的特征序列进行相似性比较，然后选取高于设定的相似度阈值的最大相似度值，相似度阈值一般设置为大于0.8，将用户划分到最大相似度值对应的台区。
使用向量空间中两个特征序列的夹角的余弦值作为衡量两个个体间差异的大小，从而确定两者是否可能指向同一方向。若两者的方向相反，则相似度值会更接近-1，即相似度较低。反之，若两者大致指向相同的方向，则它们的相似度值更接近1，这意味着它们具有高相似度。
更进一步的，如果某个用户与任意相邻台区的电压时序相似度值都小于0.8时，此时无法通过传统的KNN算法判断该用户的变户关系，其原因为待识别用户正处于多个台区所管辖的交叉区域，此时设置不同的监控半径或k值，可能会产生不同的识别结果。然而在低压配电网中，10kV配电网为简化继电保护的需要运行时呈辐射状，例如配电变压器对10kV馈线降压为400 V后，呈辐射状传递给台区所属的低压用户。辐射状的配电网可看成若干个以电源点为根的树。从数据结构来看，树结构是由根开始的节点集合，其组织方式是由根向外层节点扩展。而对于具有以上辐射结构的变户连接关系来说，同一台区用户的电压时序曲线变化具有如下规律特点：用户之间的电气距离越短，其电压时序曲线的相似程度越高；由于配变低压侧母线三相电压存在不平衡及负荷特性差异，同相用户电压曲线之间的相似性要比不同相用户之间的更高。
基于上述特性，针对无法从台区电压时序相似度比较中获得识别结果的用户来说，本发明将待识别用户与邻居用户的电压时序曲线进行相似度比较。由于邻居用户之间的电气距离较短，如果某个邻居用户与待识别用户属于同一台区，那么它们之间必然拥有较高的相似度，特别是当两个用户位于同相时，其相似程度达到最高。具体的实施过程为：为待识别用户划分邻近区域，邻近区域可采用拟定的距离阈值为半径所构成的圆形区域，将待识别用户所在位置定为圆心，在邻近区域内的所有用户定义为邻居用户；利用前述实施例中的余弦相似度算法，计算待识别用户与每个邻居用户关于电压时序数据的相似度；根据待识别用户与其邻居用户的距离，生成单位距离上的电压时序数据相似度；然后，从所有电压时序数据相似度中选择值最大值，将待识别用户划分到最大值的邻居用户所属的台区。
本发明提供的上述识别算法考虑到了距离对计算结果的影响，如果某个邻居用户与待识别用户具有较高的电压时序数据相似度，但两者相距较远，即邻居用户位于邻近区域边缘，那么我们认为在距离约束条件下两者并不具备相关性，发生这种情况只是一种巧合，计算得到的单位距离上的电压时序数据相似度会较低。
本发明的有益效果在于：
本发明通过计算用户与台区之间电压时序曲线的相似度来识别变户关系，分配给台区的电压进行差异化处理，使得相邻台区之间电压注入量差异较大，进一步使得从属于不同台区的邻近用户之间的电压时序曲线也形成较大的差异，用户与其所属的台区电压曲线相似度更为凸显，避免相邻台区的用户之间因电压时序数据离散度较小，导致网络拓扑关系难以识别的问题，提高了识别精度。
以相邻台区之间电压注入量差异程度作为优化目标，采用粒子群算法对其进行优化，相比于采用人工调压方式，利用本发明的优化算法能够获取效果更优的电压分配策略，由于粒子群算法具有收敛速度快、参数少、算法简单易实现的优点，能够快速获得电压分配策略的最优解，提高了工作效率。
采用线性同余法生成均匀的随机数，然后利用随机数进一步生成量化的电压注入量，提高了电压注入量在电压区间内分布的离散化程度，离散化程度越高，为粒子群优化算法提供的训练数据质量越高，最终获得相邻台区之间的电压注入量差异也就越大，识别的结果也就越可靠。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的模块及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，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发明的范围。
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，上述描述的装置和设备的具体工作过程，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，所述模块的划分，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，例如多个模块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，装置或模块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模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本发明实施例方案的目的。
另外，在本发明实施例中的各功能模块可以集成在一个处理模块中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个模块中。
所述功能如果以软件功能模块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，本发明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)执行本发明各个实施例节能信号发送/接收的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、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离所述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
应理解，本发明的发明内容及实施例中各步骤的序号的大小并不绝对意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。出于示例和描述的目的，已经给出了本公开实施的前述说明。前述说明并非是穷举性的也并非要将本公开限制到所公开的确切形式，根据上述教导还可能存在各种变形和修改，或者是可能从本公开的实践中得到各种变形和修改。选择和描述这些实施例是为了说明本公开的原理及其实际应用，以使得本领域的技术人员能够以适合于构思的特定用途来以各种实施方式和各种修改而利用本公开。
Claims (6)
1.一种低压配电网拓扑识别方法，其特征在于，包括：
在设定的电压区间内随机生成电压注入量集，电压注入量集包含用于向台区分配的电压注入量；
以相邻台区之间电压注入量差异程度作为优化目标，使用粒子群算法确定电压分配策略；
利用电压分配策略对各台区馈电，统计用户和台区在一段时间内的电压时序数据，利用相似度算法计算用户与各台区关于电压时序数据的相似度值；
选取高于相似度阈值的最大相似度值，将用户划分到最大相似度值对应的台区；
基于用户和用户所属的台区确定低压配电网的网络拓扑；
在用户和各台区关于电压时序数据的相似度值低于阈值时，基于用户和邻居用户的电压时序曲线确定电压时序数据的相似度，基于待识别用户和邻居用户的距离，生成单位距离上的电压时序数据相似度，将用户划分到最大近似度的邻居用户所属的台区。
2.如权利要求1所述的一种低压配电网拓扑识别方法，其特征在于，电压分配策略按照如下方式获取：
随机生成粒子群，对粒子群中各粒子位置进行初始化，其中，粒子位置表示分布式部署在低压配电网上所有台区的电压分配策略；
以相邻台区之间电压注入量差异程度作为优化目标，采用粒子群算法对目标进行优化，在最大迭代运算次数完成后输出差异程度最大的粒子所对应的电压分配策略。
3.如权利要求2所述的一种低压配电网拓扑识别方法，其特征在于，电压注入量集按照如下的方式生成：
使用线性同余法生成均匀的随机数，使用均匀的随机数生成在设定的电压范围内的量化的电压注入量。
4.如权利要求3所述的一种低压配电网拓扑识别方法，其特征在于，电压注入量集按照如下的方式生成：
使用真随机数发生器生成随机数，使用随机数生成在设定的电压范围内的量化的电压注入量。
5.如权利要求4所述的一种低压配电网拓扑识别方法，其特征在于，电压注入量中的元素个数不少于低压配电网内待分配电压的台区总数。
6.如权利要求1所述的一种低压配电网拓扑识别方法，其特征在于，用户与各台区关于电压时序数据的相似度值为余弦相似度值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311203387.6A CN116933104B (zh) | 2023-09-19 | 2023-09-19 | 一种低压配电网拓扑识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311203387.6A CN116933104B (zh) | 2023-09-19 | 2023-09-19 | 一种低压配电网拓扑识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116933104A CN116933104A (zh) | 2023-10-24 |
| CN116933104B true CN116933104B (zh) | 2023-12-01 |
Family
ID=88381102
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311203387.6A Active CN116933104B (zh) | 2023-09-19 | 2023-09-19 | 一种低压配电网拓扑识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116933104B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CA2915674A1 (fr) * | 2015-12-17 | 2017-06-17 | Francois Leonard | Mise a jour d'une topologie d'un reseau de distribution par reattribution successive des compteurs |
| CN111313403A (zh) * | 2020-02-26 | 2020-06-19 | 上海电力大学 | 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 |
| CN111404157A (zh) * | 2020-04-17 | 2020-07-10 | 国网湖南省电力有限公司 | 一种低压配电网台区拓扑结构自动校验方法及系统 |
| CN112187518A (zh) * | 2020-09-07 | 2021-01-05 | 佳源科技有限公司 | 智能融合终端台区拓扑识别方法及系统 |
| WO2022088192A1 (zh) * | 2020-10-30 | 2022-05-05 | 福建网能科技开发有限责任公司 | 一种电力智能台区自动拓扑识别方法及系统 |
| CN114565779A (zh) * | 2022-04-08 | 2022-05-31 | 武汉中原电子信息有限公司 | 一种低压台区户变拓扑辨识方法及系统 |
| CN115842342A (zh) * | 2022-12-30 | 2023-03-24 | 北京飞利信信息安全技术有限公司 | 一种分布式配电网的拓扑识别方法及装置 |
| CN116482471A (zh) * | 2023-06-21 | 2023-07-25 | 四川中电启明星信息技术有限公司 | 一种基于电压时空聚合曲线的户变关系识别方法 |
-
2023
- 2023-09-19 CN CN202311203387.6A patent/CN116933104B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CA2915674A1 (fr) * | 2015-12-17 | 2017-06-17 | Francois Leonard | Mise a jour d'une topologie d'un reseau de distribution par reattribution successive des compteurs |
| CN111313403A (zh) * | 2020-02-26 | 2020-06-19 | 上海电力大学 | 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 |
| CN111404157A (zh) * | 2020-04-17 | 2020-07-10 | 国网湖南省电力有限公司 | 一种低压配电网台区拓扑结构自动校验方法及系统 |
| CN112187518A (zh) * | 2020-09-07 | 2021-01-05 | 佳源科技有限公司 | 智能融合终端台区拓扑识别方法及系统 |
| WO2022088192A1 (zh) * | 2020-10-30 | 2022-05-05 | 福建网能科技开发有限责任公司 | 一种电力智能台区自动拓扑识别方法及系统 |
| CN114565779A (zh) * | 2022-04-08 | 2022-05-31 | 武汉中原电子信息有限公司 | 一种低压台区户变拓扑辨识方法及系统 |
| CN115842342A (zh) * | 2022-12-30 | 2023-03-24 | 北京飞利信信息安全技术有限公司 | 一种分布式配电网的拓扑识别方法及装置 |
| CN116482471A (zh) * | 2023-06-21 | 2023-07-25 | 四川中电启明星信息技术有限公司 | 一种基于电压时空聚合曲线的户变关系识别方法 |
Non-Patent Citations (3)
| Title |
|---|
| A survey on different techniques for distribution network reconfiguration;Astamita Mishra etc.;Journal of Engineering Research;全文 * |
| Topology identification method for residential areas in low-voltage distribution networks based on unsupervised learning and graph theory;Haifeng Li etc.;Electric Power Systems Research;全文 * |
| 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;肖勇;赵云;涂治东;钱斌;常润勉;;电力系统保护与控制(11);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116933104A (zh) | 2023-10-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20220196714A1 (en) | Transformer area identification method and computer-readable storage medium | |
| CN109799474B (zh) | 一种基于数据相关性的多表位表箱电能表相位识别方法及系统 | |
| CN109444800B (zh) | 基于无线通信采集的台区识别方法 | |
| CN111650431A (zh) | 一种电表台区识别方法 | |
| CN112463849A (zh) | 进行台区户变关系识别的方法、计算机可读取的存储介质 | |
| CN110084719A (zh) | 一种配电网负荷种类辨识装置 | |
| CN110554235A (zh) | 一种基于相邻周期相位差的台区识别方法及系统 | |
| CN116933104B (zh) | 一种低压配电网拓扑识别方法 | |
| Chen et al. | Big data analysis based identification method of low-voltage substation area | |
| CN112636335B (zh) | 基于电压数据去相关遴选和相关分析的低压配电网户变关系校验方法及系统 | |
| CN113258583A (zh) | 一种台区侧负荷用电优化方法 | |
| CN111711469B (zh) | 基于信噪比的台区识别方法、系统、存储介质及sta节点 | |
| CN111953025A (zh) | 配电网分布式光伏消纳能力确定方法及系统 | |
| CN112820091B (zh) | 电能质量数据传输方法、装置、终端设备和介质 | |
| CN115207909B (zh) | 一种台区拓扑识别方法、装置、设备及存储介质 | |
| CN116756506A (zh) | 区域电缆网络碳排放检测方法、系统、装置及存储介质 | |
| Liu et al. | Research on the transformer area recognition method based on improved K-means clustering algorithm | |
| CN111815022A (zh) | 一种基于延时坐标嵌入法的电力负荷预测方法 | |
| CN111598374B (zh) | 低压交流市电台区智能识别方法 | |
| CN116979514B (zh) | 一种用电功率智能调控系统 | |
| CN111193808B (zh) | 一种变电站自动化信息规范完整性校核方法 | |
| CN112734264B (zh) | 一种负荷侧资源参与电网控制过程数据稽查方法及系统 | |
| Li et al. | Research on Recognition of Topological Relations Between Residential Lines in Low Voltage Station Area Based on Correlation Analysis Algorithm and Probabilistic Decision Method | |
| CN110297145B (zh) | 一种基于多用户电能量数据深度分析的电压暂降检测方法 | |
| CN115809761B (zh) | 一种基于低压台区的电压质量分析方法及系统 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |