CN117034063A - 一种基于lttb-pfcm算法的配电台区相位识别方法 - Google Patents

一种基于lttb-pfcm算法的配电台区相位识别方法 Download PDF

Info

Publication number
CN117034063A
CN117034063A CN202310751565.2A CN202310751565A CN117034063A CN 117034063 A CN117034063 A CN 117034063A CN 202310751565 A CN202310751565 A CN 202310751565A CN 117034063 A CN117034063 A CN 117034063A
Authority
CN
China
Prior art keywords
algorithm
pfcm
lttb
data
phase
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
CN202310751565.2A
Other languages
English (en)
Inventor
刘斌
谈竹奎
时雷春
张秋雁
代吉玉蕾
唐赛秋
徐长宝
欧家祥
李鹏程
丛中笑
蔡永翔
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.)
Guizhou Power Grid Co Ltd
Original Assignee
Guizhou 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 Guizhou Power Grid Co Ltd filed Critical Guizhou Power Grid Co Ltd
Priority to CN202310751565.2A priority Critical patent/CN117034063A/zh
Publication of CN117034063A publication Critical patent/CN117034063A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R25/00—Arrangements for measuring phase angle between a voltage and a current or between voltages or currents
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof
    • G01R19/04—Measuring peak values or amplitude or envelope of ac or of pulses
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/10—Pre-processing; Data cleansing
    • G06F18/15—Statistical pre-processing, e.g. techniques for normalisation or restoring missing data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2337—Non-hierarchical techniques using fuzzy logic, i.e. fuzzy clustering
    • 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
    • G06F2123/00—Data types
    • G06F2123/02—Data types in the time domain, e.g. time-series data

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Probability & Statistics with Applications (AREA)
  • Mathematical Physics (AREA)
  • Fuzzy Systems (AREA)
  • Automation & Control Theory (AREA)
  • Software Systems (AREA)
  • Power Engineering (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开了一种基于LTTB‑PFCM算法的配电台区相位识别方法包括：采集台区配电变压器各相出线处及各用户电压曲线时序数据并进行预处理；对预处理后的数据采用LTTB算法降维，降维后的数据采用PFCM算法聚类；计算各簇聚类中心与台区配变各相出线的电压曲线的相关度，确定各簇中的电压曲线所属相位。本发明提供的基于LTTB‑PFCM算法的配电台区相位识别方法采用LTTB算法对电压曲线进行降维操作，并采用PFCM算法进行聚类。采用LTTB降维能够在去噪的过程中保留更多的曲线特征，避免降维后的曲线过于平滑，有利于提高识别的性能；相比于其他聚类算法，采用PFCM聚类能够进一步克服噪声带来的影响，提高算法的鲁棒性。

Description

一种基于LTTB-PFCM算法的配电台区相位识别方法
技术领域
本发明涉及低压配电网技术领域，具体为一种基于LTTB-PFCM算法的配电台区相位识别方法。
背景技术
准确的配电台区相位信息是三相不平衡治理及线损治理的基础。然而由于低压配电网长期以来未能得到足够重视，当前供电企业所拥有的配电台区相位信息存在空缺或错误的情况，需要高效的配电台区相位识别方法对这种空缺或错误的信息进行校正与补齐。
当前配电台区相位识别方法主要分为两类：基于专用设备的识别方法与基于台区数据的识别方法。前者在网架中加装了专用通信设备,通过信号的注入和读取来判断配电台区用户所属相位，如公开号为CN214335505U的中国专利与公开号为CN207782805U的中国专利；后者则根据高级量测体系(AMI)采集的电压、电流等电气量数据，挖掘用户与台区配变出线的潜在关联关系，进而实现配电台区相位识别，如公开号为CN108519514A的中国专利。基于专用设备的识别方法识别准确率较高，但需要安装额外的辅助设备，存在成本高及安装维护困难等问题；相比之下，基于台区数据的识别方法改造量和成本更小，然而基于数据分析的方法受限于量测终端的性能，数据可能出现异常、缺失或带有噪声的情况，影响识别准确率。
发明内容
本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。
鉴于上述存在的问题，提出了本发明。
因此，本发明解决的技术问题是：现有的基于专用设备的识别方法存在成本高及安装维护困难等问题，而基于台区数据的识别方法存在数据可能出现异常、缺失或带有噪声的情况，影响识别准确率。
为解决上述技术问题，本发明提供如下技术方案：一种基于LTTB-PFCM算法的配电台区相位识别方法，包括：采集台区配电变压器各相出线处及各用户电压曲线时序数据并进行预处理；
对预处理后的数据采用LTTB算法降维，降维后的数据采用PFCM算法聚类；
计算各簇聚类中心与台区配变各相出线的电压曲线的相关度，确定各簇中的电压曲线所属相位。
作为本发明所述的基于LTTB-PFCM算法的配电台区相位识别方法的一种优选方案，其中：获取所述台区配电变压器各相出线处及各用户电压曲线时序数据的采样间隔小于15分钟。
作为本发明所述的基于LTTB-PFCM算法的配电台区相位识别方法的一种优选方案，其中：所述预处理包括：检验台区电压曲线数据中的异常值和缺失值并进行替换和补齐；对数据进行归一化处理。
作为本发明所述的基于LTTB-PFCM算法的配电台区相位识别方法的一种优选方案，其中：所述LTTB算法包括：
确定降维后的电压曲线长度，设置对应数量的桶，将原曲线第一个点放入第一个桶，最后一个点放入最后一个桶，其余点平分到中间的桶中；
选中第一个桶的点作为第一个桶的代表点；
从第二个桶开始，遍历桶中的点，从该桶中选出这样一个点，该点、上一个桶的代表点、下一个桶所有点的聚类中心三点构成的三角形面积最大，将该点作为该桶的代表点，如此反复，直到选出除最后一个桶的所有桶的代表点；
选中最后一个桶的点作为最后一个桶的代表点；
将所有桶的代表点按顺序排列，即为降维后的时间序列。
作为本发明所述的基于LTTB-PFCM算法的配电台区相位识别方法的一种优选方案，其中：所述PFCM算法包括：
初始化：设定超参数的值与初始聚类中心计算用户电压曲线数据的方差：
其中，σ2为用户电压曲线数据的方差；N为用户总数；i表示第i个用户，vi为第i个用户的电压曲线；为曲线的均值；
依据当前聚类中心，按照下式更新隶属度矩阵中U(r)的元素
其中，表示在当前迭代次数r下，第i个用户的电压曲线对第j类的隶属度；r为当前迭代次数；m为隶属度因子；k是一个遍历各聚类中心的过程量；/>代表r-1次迭代中第j类的聚类中心；/>代表r-1次迭代中第k类的聚类中心；
依据当前聚类中心，按照下式更新可能性矩阵T(r)中的元素
其中，表示在当前迭代次数r下，第i个用户的电压曲线对第j类的可能性划分度；q为可能性因子；
依据当前的隶属度矩阵与可能性矩阵，按照当前下式更新聚类中心：
作为本发明所述的基于LTTB-PFCM算法的配电台区相位识别方法的一种优选方案，其中：所述PFCM算法还包括：
当聚类中心的变化大于等于设定的阈值并且没有到达最大迭代次数时，迭代次数加一，再次更新隶属度矩阵、可能性矩阵和聚类中心；
当聚类中心的变化小于设定的阈值或者到达最大迭代次数时，对于每一组用户电压数据，选择该列中隶属度矩阵最大值对应的类别作为该组数据所属类。
作为本发明所述的基于LTTB-PFCM算法的配电台区相位识别方法的一种优选方案，其中：所述相关度为采用皮尔逊相关系数衡量各聚类中心与台区配变各相出线的电压曲线得到的。
第二方面，本发明还提供了一种基于LTTB-PFCM算法的配电台区相位识别的装置，包括，采集系统，采集台区配电变压器各相出线处及各用户电压曲线时序数据，检验台区电压曲线数据中的异常值和缺失值并进行替换和补齐，对数据进行归一化处理，将处理后的数据上传到降维模块；
LTTB-PFCM算法模块，利用LTTB算法对处理后的数据进行降维，将降维后的时间序列采用PFCM算法聚类并上传到相位确定模块；
相位确定模块，采用皮尔逊相关系数衡量各聚类中心与台区配变各相出线的电压曲线的相关度，确定各簇中的电压曲线所属相位。
第三方面，本发明还提供了一种计算设备，包括：存储器和处理器；
所述存储器用于存储计算机可执行指令，所述处理器用于执行所述计算机可执行指令，该计算机可执行指令被处理器执行时实现所述基于LTTB-PFCM算法的配电台区相位识别方法的步骤。
第四方面，本发明还提供了一种计算机可读存储介质，其存储有计算机可执行指令，该计算机可执行指令被处理器执行时实现所述基于LTTB-PFCM算法的配电台区相位识别方法的步骤。
本发明的有益效果：本发明提供的基于LTTB-PFCM算法的配电台区相位识别方法采用LTTB算法对电压曲线进行降维操作，并采用PFCM算法进行聚类。采用LTTB降维能够在去噪的过程中保留更多的曲线特征，避免降维后的曲线过于平滑，有利于提高识别的性能；相比于其他聚类算法，采用PFCM聚类能够进一步克服噪声带来的影响，提高算法的鲁棒性。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：
图1为本发明一个实施例提供的一种基于LTTB-PFCM算法的配电台区相位识别方法的整体流程图；
图2为本发明第二个实施例提供的一种基于LTTB-PFCM算法的配电台区相位识别方法中LTTB算法的示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通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，都应当属于本发明的保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。
本发明结合示意图进行详细描述，在详述本发明实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。
同时在本发明的描述中，需要说明的是，术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一、第二或第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
本发明中除非另有明确的规定和限定，术语“安装、相连、连接”应做广义理解，例如：可以是固定连接、可拆卸连接或一体式连接；同样可以是机械连接、电连接或直接连接，也可以通过中间媒介间接相连，也可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
实施例1
参照图1，为本发明的一个实施例，提供了一种基于LTTB-PFCM算法的配电台区相位识别方法，包括：
S1：采集台区配电变压器各相出线处及各用户电压曲线时序数据并进行预处理。
进一步的，获取台区配电变压器各相出线处及各用户电压曲线时序数据的采样间隔小于15分钟。
更进一步的，所述预处理包括：检验台区电压曲线数据中的异常值和缺失值并进行替换和补齐，采用绝对中位差(Median Absolute Deviation,MAD)检验数据中的异常值并剔除。绝对中位差MAD表示为电压曲线内各采样点与采样点中位数绝对差值的中位数，计算方式如下：
其中，表示各点的中位数。
设置参数λ，若则认为/>为异常值并剔除。
对剔除后的异常值与缺失值的补齐，需要分两种情况讨论：对于小比例(小于5％)且待补齐值较为分散的情况，考虑到后续将进行降维操作，此处补齐仅是维持降维前的维度与时标一致，故本实施例采用分段线性插值进行补齐，具体操作为：寻找待补齐值两端的采样点构造函数
则待补齐值
再进一步的，采用最大最小值归一化的方法对数据进行归一化处理：
需要说明的是，台区配电变压器各相出线处的电压曲线时序数据是指在一定时间范围内，该配电变压器每个相位的电压值随时间变化的记录。这些数据可以用来分析电网运行稳定性、功率质量和故障诊断等方面。
每个用户的电压曲线时序数据则表示该用户在一定时间范围内所接收到的电压值随时间变化的记录。这些数据可以用于分析用户用电情况、电能质量以及判断用户是否存在电力问题等方面。
S2：对预处理后的数据采用LTTB算法降维，降维后的数据采用PFCM算法聚类。
进一步的，LTTB算法包括：
①确定降维后的电压曲线长度，设置对应数量的“桶”，将原曲线第一个点放入第一个桶，最后一个点放入最后一个桶，其余点平分到中间的桶中；
②选中第一个桶的点作为第一个桶的代表点；
③从第二个桶开始，遍历桶中的点，从该桶中选出这样一个点，该点、上一个桶的代表点、下一个桶所有点的聚类中心三点构成的三角形面积最大，将该点作为该桶的代表点；
④对下一个桶重复②和③的操作，如此反复，直到选出除最后一个桶的所有桶的代表点；
⑤选中最后一个桶的点作为最后一个桶的代表点；
⑥将所有桶的代表点按顺序排列，即为降维后的时间序列。
更进一步的，PFCM算法包括：
⑴初始化：设定超参数的值，超参数包括隶属度因子m及可能性因子q，m和q的推荐范围均为[1.5,2.5]，设定初始聚类中心计算用户电压曲线数据的方差：
其中，σ2为用户电压曲线数据的方差；N为用户总数；i表示第i个用户，vi为第i个用户的电压曲线；为曲线的均值；
⑵依据当前聚类中心，按照下式更新隶属度矩阵中U(r)的元素
其中，表示在当前迭代次数r下，第i个用户的电压曲线对第j类的隶属度；r为当前迭代次数；m为隶属度因子；k是一个遍历各聚类中心的过程量；/>代表r-1次迭代中第j类的聚类中心；/>代表r-1次迭代中第k类的聚类中心；
⑶依据当前聚类中心，按照下式更新可能性矩阵T(r)中的元素
其中，表示在当前迭代次数r下，第i个用户的电压曲线对第j类的可能性划分度；q为可能性因子；
⑷依据当前的隶属度矩阵与可能性矩阵，按照当前下式更新聚类中心：
当聚类中心的变化大于等于设定的阈值并且没有到达最大迭代次数时，重复所述⑵～⑷的步骤；
当聚类中心的变化小于设定的阈值或者到达最大迭代次数时，对于每一组用户电压数据，选择该列中隶属度矩阵最大值对应的类别作为该组数据所属类。
需要说明的是，LTTB算法是一种数据降采样算法，全称为"Largest-Triangle-Three-Buckets"。该算法主要用于处理大量的时间序列数据，并将其压缩为适当的大小，以便在可视化或其他分析任务中使用。它能够快速地降低数据量，而且在保留数据关键特征的同时，尽可能减小数据的失真程度。
需要说明的还有，PFCM算法是一种基于模糊聚类的改进算法，全称为"possibilistic fuzzy c-means"算法。该算法主要用于数据聚类和模式识别领域，可以有效地处理具有模糊性和不确定性的数据。
PFCM算法是对传统的模糊聚类算法FCM(fuzzy c-means)的扩展和改进。与FCM算法不同的是，PFCM算法认为每个数据点属于每个簇的概率不完全相同，而是根据每个簇对该数据点的影响程度来赋予其不同的概率值。因此，PFCM算法在处理数据时更加灵活、准确，能够更好地反映数据间的差异性和复杂性。
PFCM算法的基本思想是，将数据点划分到多个簇中，并计算每个簇对每个数据点的影响程度。这里的“影响程度”指的是每个簇代表的特征向量与每个数据点之间的欧氏距离，距离越小，则说明该数据点属于该簇的可能性越大。同时，PFCM算法还引入了一个可调参数，用于控制数据点与各个簇之间的模糊程度。
S3：计算各簇聚类中心与台区配变各相出线的电压曲线的相关度，确定各簇中的电压曲线所属相位。
进一步的，采用皮尔逊相关系数计算各聚类中心与台区配变各相出线的电压曲线的相关度，确定各簇中的电压曲线所属相位。向量x与向量y的皮尔逊相关系数ρx,y表示为：
更进一步的，计算各聚类中心与台区配变各相出线的电压曲线的皮尔逊相关系数，形成相关度矩阵Pcorr：
选取矩阵中相关度最高的元素，确定该簇中的电压曲线所属相位，删除相关度最高的元素所在行和列；
重复上一步骤直至各簇中的电压曲线所属相位均已确定。
本实施例还提供一种计算设备，包括，存储器和处理器；存储器用于存储计算机可执行指令，处理器用于执行计算机可执行指令，实现如上述实施例提出的实现基于LTTB-PFCM算法的配电台区相位识别方法。
本实施例还提供一种存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述实施例提出的基于LTTB-PFCM算法的配电台区相位识别方法。
本实施例提出的存储介质与上述实施例提出的基于LTTB-PFCM算法的配电台区相位识别方法属于同一发明构思，未在本实施例中详尽描述的技术细节可参见上述实施例，并且本实施例与上述实施例具有相同的有益效果。
通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。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可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器(ReadOnly，Memory，ROM)、随机存取存储器(RandomAccessMemory，RAM)、闪存(FLASH)、硬盘或光盘等，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的方法。
实施例2
参照图2，为本发明的一个实施例，提供了一种基于LTTB-PFCM算法的配电台区相位识别方法，为了验证本发明的有益效果，通过实验进行科学论证。
步骤1，获取台区配电变压器各相出线处及各用户某日电压曲线时序数据并进行预处理。
某日期下单一用户及配电变压器A、B、C任一相出线电压曲线原始数据为长度为M的行向量，即：
本实施例采用采样间隔为5min的智能测控终端，S＝288；
获取原始数据后，首先需要检验台区电压曲线数据中的异常值、缺失值并进行替换和补齐。采用绝对中位差检验数据中的异常值并剔除，
设置参数λ，若则认为/>为异常值并剔除。本实施例选用λ＝1.4826，该值是正态分布下标准偏差和绝对中位差之间的倍数关系。对剔除后的异常值与缺失值的补齐并进行归一化处理。
步骤2，采用LTTB算法降维。
本实施例将降维后的曲线长度设为96，对于无法完全平分的情况，可将多余的点分配到序列头部及尾部的桶中，每个桶表示为：
步骤3，对降维后的各用户电压曲线数据采用PFCM算法聚类。
设定超参数包括隶属度因子m和可能性因子q，选取m＝q＝2.0。设置阈值ε＝0.0001，最大迭代次数rmax＝100；对于第i组用户电压数据，选择该行中隶属度矩阵最大值对应的类别作为该组数据所属类即：
步骤4，采用皮尔逊相关系数计算各聚类中心与台区配变各相出线的电压曲线的相关度。
应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (10)

1.一种基于LTTB-PFCM算法的配电台区相位识别方法，其特征在于，包括：
采集台区配电变压器各相出线处及各用户电压曲线时序数据并进行预处理；
对预处理后的数据采用LTTB算法降维，降维后的数据采用PFCM算法聚类；
计算各簇聚类中心与台区配变各相出线的电压曲线的相关度，确定各簇中的电压曲线所属相位。
2.如权利要求1所述的基于LTTB-PFCM算法的配电台区相位识别方法，其特征在于：获取所述台区配电变压器各相出线处及各用户电压曲线时序数据的采样间隔小于15分钟。
3.如权利要求2所述的基于LTTB-PFCM算法的配电台区相位识别方法，其特征在于：所述预处理包括：检验台区电压曲线数据中的异常值和缺失值并进行替换和补齐；
对数据进行归一化处理。
4.如权利要求3所述的基于LTTB-PFCM算法的配电台区相位识别方法，其特征在于：所述LTTB算法包括：
确定降维后的电压曲线长度，设置对应数量的桶，将原曲线第一个点放入第一个桶，最后一个点放入最后一个桶，其余点平分到中间的桶中；
选中第一个桶的点作为第一个桶的代表点；
从第二个桶开始，遍历桶中的点，从该桶中选出这样一个点，该点、上一个桶的代表点、下一个桶所有点的聚类中心三点构成的三角形面积最大，将该点作为该桶的代表点，如此反复，直到选出除最后一个桶的所有桶的代表点；
选中最后一个桶的点作为最后一个桶的代表点；
将所有桶的代表点按顺序排列，即为降维后的时间序列。
5.如权利要求4所述的基于LTTB-PFCM算法的配电台区相位识别方法，其特征在于：所述PFCM算法包括：
初始化：设定超参数的值与初始聚类中心计算用户电压曲线数据的方差：
其中，σ2为用户电压曲线数据的方差；N为用户总数；i表示第i个用户，vi为第i个用户的电压曲线；为曲线的均值；
依据当前聚类中心，按照下式更新隶属度矩阵中U(r)的元素
其中，表示在当前迭代次数r下，第i个用户的电压曲线对第j类的隶属度；r为当前迭代次数；m为隶属度因子；k是一个遍历各聚类中心的过程量；/>代表r-1次迭代中第j类的聚类中心；/>代表r-1次迭代中第k类的聚类中心；
依据当前聚类中心，按照下式更新可能性矩阵T(r)中的元素
其中，表示在当前迭代次数r下，第i个用户的电压曲线对第j类的可能性划分度；q为可能性因子；
依据当前的隶属度矩阵与可能性矩阵，按照当前下式更新聚类中心：
6.如权利要求5所述的基于LTTB-PFCM算法的配电台区相位识别方法，其特征在于：所述PFCM算法还包括：
当聚类中心的变化大于等于设定的阈值并且没有到达最大迭代次数时，迭代次数加一，再次更新隶属度矩阵、可能性矩阵和聚类中心；
当聚类中心的变化小于设定的阈值或者到达最大迭代次数时，对于每一组用户电压数据，选择该列中隶属度矩阵最大值对应的类别作为该组数据所属类。
7.如权利要求6所述的基于LTTB-PFCM算法的配电台区相位识别方法，其特征在于：所述相关度为采用皮尔逊相关系数衡量各聚类中心与台区配变各相出线的电压曲线得到的。
8.一种采用如权利要求1～7任一所述的基于LTTB-PFCM算法的配电台区相位识别方法的识别装置，其特征在于，包括，
采集系统，采集台区配电变压器各相出线处及各用户电压曲线时序数据，检验台区电压曲线数据中的异常值和缺失值并进行替换和补齐，对数据进行归一化处理，将处理后的数据上传到降维模块；
LTTB-PFCM算法模块，利用LTTB算法对处理后的数据进行降维，将降维后的时间序列采用PFCM算法聚类并上传到相位确定模块；
相位确定模块，采用皮尔逊相关系数衡量各聚类中心与台区配变各相出线的电压曲线的相关度，确定各簇中的电压曲线所属相位。
9.一种计算设备，包括：存储器和处理器；
所述存储器用于存储计算机可执行指令，所述处理器用于执行所述计算机可执行指令，该计算机可执行指令被处理器执行时实现权利要求1至7任意一项所述基于LTTB-PFCM算法的配电台区相位识别方法的步骤。
10.一种计算机可读存储介质，其存储有计算机可执行指令，该计算机可执行指令被处理器执行时实现权利要求1至7任意一项所述基于LTTB-PFCM算法的配电台区相位识别方法的步骤。
CN202310751565.2A 2023-06-25 2023-06-25 一种基于lttb-pfcm算法的配电台区相位识别方法 Pending CN117034063A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310751565.2A CN117034063A (zh) 2023-06-25 2023-06-25 一种基于lttb-pfcm算法的配电台区相位识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310751565.2A CN117034063A (zh) 2023-06-25 2023-06-25 一种基于lttb-pfcm算法的配电台区相位识别方法

Publications (1)

Publication Number Publication Date
CN117034063A true CN117034063A (zh) 2023-11-10

Family

ID=88640132

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310751565.2A Pending CN117034063A (zh) 2023-06-25 2023-06-25 一种基于lttb-pfcm算法的配电台区相位识别方法

Country Status (1)

Country Link
CN (1) CN117034063A (zh)

Similar Documents

Publication Publication Date Title
US11043808B2 (en) Method for identifying pattern of load cycle
CN110796173B (zh) 一种基于改进kmeans的负荷曲线形态聚类算法
CN113267692A (zh) 一种低压台区线损智能诊断分析方法和系统
CN112819299A (zh) 一种基于中心优化的差分K-means负荷聚类方法
CN116089777B (zh) 一种基于信息智能匹配的新能源智能结算方法及系统
CN113744089B (zh) 一种台区户变关系辨识方法及设备
CN111709668A (zh) 基于数据挖掘技术的电网设备参数风险识别方法及装置
CN113595071A (zh) 台区用户辨识与电压影响评估方法
CN111856209A (zh) 一种输电线路故障分类方法及装置
CN114610706A (zh) 基于过采样和改进随机森林的窃电检测方法、系统及装置
CN116821832A (zh) 针对高压工商业用户用电负荷的异常数据辨识与修正方法
CN114997321A (zh) 一种台区户变关系识别方法、装置、电子设备及存储介质
CN111091223B (zh) 一种基于物联网智能感知技术的配变短期负荷预测方法
CN116995653A (zh) 一种基于ddtw距离的低压台区相户拓扑识别方法
CN115329899A (zh) 一种聚类等效模型构建方法、系统、设备和存储介质
CN117353751A (zh) 基于大数据的无人充电桩交易数据智能管理系统
CN114626487A (zh) 基于随机森林分类算法的线变关系校核方法
CN112766590B (zh) 一种居民典型电力消费模式的提取方法与系统
CN114594398A (zh) 储能锂离子电池数据预处理方法
CN114266457A (zh) 一种配电线路异损诱因检测的方法
CN115051363B (zh) 一种配网台区户变关系辨识方法、装置及计算机存储介质
CN110414776B (zh) 分行业用电特性快速响应分析系统
CN112508260A (zh) 基于对比学习的配电变压器中长期负荷预测方法及装置
Jin et al. Power load curve clustering algorithm using fast dynamic time warping and affinity propagation
CN117034063A (zh) 一种基于lttb-pfcm算法的配电台区相位识别方法

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