CN117040114A - 一种台区拓扑识别方法、介质及终端 - Google Patents

一种台区拓扑识别方法、介质及终端 Download PDF

Info

Publication number
CN117040114A
CN117040114A CN202310934191.8A CN202310934191A CN117040114A CN 117040114 A CN117040114 A CN 117040114A CN 202310934191 A CN202310934191 A CN 202310934191A CN 117040114 A CN117040114 A CN 117040114A
Authority
CN
China
Prior art keywords
electric energy
user
node
box
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
CN202310934191.8A
Other languages
English (en)
Inventor
李林峰
韩跟伟
易世华
谢映海
陈永
赵晨阳
李峻
李俊
蒋鑫伟
范律
李先怀
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.)
Willfar Information Technology Co Ltd
Original Assignee
Willfar Information Technology 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 Willfar Information Technology Co Ltd filed Critical Willfar Information Technology Co Ltd
Priority to CN202310934191.8A priority Critical patent/CN117040114A/zh
Publication of CN117040114A publication Critical patent/CN117040114A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
    • H02J13/00006—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by information or instructions transport means between the monitoring, controlling or managing units and monitored, controlled or operated power network element or electrical equipment
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • 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
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/27—Regression, e.g. linear or logistic regression
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
    • H02J13/00002—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by monitoring
    • 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
    • H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
    • H02J13/00032—Systems characterised by the controlled or operated power network elements or equipment, the power network elements or equipment not otherwise provided for
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/04—Constraint-based CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/04—Power grid 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)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Pure & Applied Mathematics (AREA)
  • Power Engineering (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Databases & Information Systems (AREA)
  • Algebra (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Computing Systems (AREA)
  • Computer Hardware Design (AREA)
  • Operations Research (AREA)
  • Geometry (AREA)
  • Medical Informatics (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明适用于低压配电网技术领域，涉及一种台区拓扑识别方法、介质及终端，包括：S10、对采集到的节点电压DU(i)、电流数据DI(i)、电能数据W(i)进行筛选补值；S20、分别调和分支至表箱之间的电能值(Wbox(i))、表箱至用户之间的电能值(Wuser(i))；S30、通过用户节点的电压电流数据和变压器的相位电压，结合拟合优度检验判断用户所属相别；S40、通过最小化系统误差的方法消除分支至表箱之间的系统误差，得到分支至表箱的关联矩阵；S50、通过最小化系统误差的方法消除表箱至用户之间的系统误差，得到表箱至用户的关联矩阵；S60、将步骤S40和步骤S50得到的关联矩阵拼接得到最终邻接矩阵，并画出拓扑图。本发明过程简单、操作便捷，能够准确识别出本台区用户对应相别和拓扑结构。

Description

一种台区拓扑识别方法、介质及终端
技术领域
本发明属于低压配电网技术领域，尤其涉及一种台区拓扑识别方法、介质及终端。
背景技术
现有技术中为了获得台区用户对应相别和拓扑结构，一般采用电量平衡法、电压相关法、线路阻抗法和瞬时停上电法等多种方法。电量平衡法是利用台区总表与户表电量的平衡关系，取台区总表的总电量和同一时刻表箱的总电量进行回归分析，判断回归系数，得到户变关系；电压相关法是两个节点电气距离越近电压降越小，不同节点间电压曲线的吻合程度反映了节点间的电气距离；线路阻抗法是用于解决表箱到变压器中间的“分路-表箱”层级的识别，通过采集电表的电压、电流、功率、功率因数曲线，将电压电流汇聚到表箱节点，作为台区的末端底层节点，基于基尔霍夫电压和电流定律，由底层往上层迭代，直至剩一个节点；瞬时停上电法适用新建台区，通过对各个变压器、支路、计量箱逐层级分时停电或者送电，抄读电能表的停上电记录，比对停上电时间和时长，精确定位“变-分路-箱-表”关系。
以上方法虽然可以对台区进行简单拓扑识别，但是智能电表在实际数据采集过程中，由于受到供电环境、设备运行状态及时钟不同步等因素的影响，误差是不可避免且多种多样的，误差的存在会影响台区拓扑识别的精度。公开号为CN109507536A的专利提供了一种低压台区线损电量智能测量分析设备，包括多功能电能表、时控开关和连接线，多功能电能表具有电压采集端口和电流采集端口，并与所述时控开关通过连接线连接，多功能电能表内部包括数据处理单元、运算处理单元、时间控制单元、通讯单元和检测单元，与上位机连接，根据上位机获取的设定台区内所有多功能电能表采集的电压和电流数据，计算得到所属台区中每个用户的用电量、每条电缆的供出电量以及电缆自身所消耗的电量，并以此计算出每条电缆和电能表进出线的线损率，定位出损耗超过预设值的位置。虽然此专利能对低压台中线损率升高原因进行精准治理，但是对于台区当中智能电表内所产生的的系统误差并未给出相关的消除方案，最终还是会导致台区拓扑识别精度低。
因此，如何提供一种识别精度高的台区拓扑识别方法是本技术领域人员亟待解决的问题。
发明内容
针对现有技术的不足，本发明的目的是提供一种台区拓扑识别方法，以解决现有技术中台区拓扑识别精度低的问题；另外本发明还提供了一种台区拓扑识别介质及终端。
为了解决上述技术问题，本发明采用了如下的技术方案：
第一方面，本发明提供了一种台区拓扑识别方法，包括以下步骤：
S10、对采集到的节点电压DU(i)、电流数据DI(i)、电能数据W(i)进行筛选补值；
S20、分别调和分支至表箱之间的电能值表箱至用户之间的电能值
S30、通过用户节点的电压电流数据和变压器的相位电压，结合拟合优度检验判断用户所属相别；
S40、通过最小化系统误差的方法消除分支至表箱之间的系统误差，得到分支至表箱的关联矩阵；
S50、通过最小化系统误差的方法消除表箱至用户之间的系统误差，得到表箱至用户的关联矩阵；
S60、将所述步骤S40和步骤S50得到的关联矩阵拼接得到最终邻接矩阵，并画出拓扑图。
进一步的，所述步骤S10的具体步骤如下：
S101、对采集到的电能数据进行清洗，找到丢失数据的所有时刻tloss的电能数据W(tloss)，并对该数据赋值为0；
S102、将所述W(tloss)中数据的非零值划分成训练集与验证集，所有零值作为测试集，在所述训练集上训练随机森林模型，在所述验证集上筛选模型，在所述测试集上使用训练好的随机森林模型进行预测，并将所述W(tloss)中的0值替换为预测值。
进一步的，所述步骤S20的具体步骤如下：
S201、根据上级总表节点电能读数总和与下级分表电能读数总和计算i时刻的上下级总线损lossi，计算表达式如下：
其中，nupper为上级节点总数，nlower为下级节点总数；
根据上下线总线损lossi计算i时刻的上级节点j的电能纠正值计算表达书如下：
S202、对电能数据归一化，归一化表达式如下：
其中，为数据协调后电能数据的均值，为上级总表和下级分表采集的电能数据的方差；
S203、将分支节点作为上级节点，表箱节点作为下级节点，利用所述步骤S201和步骤S202中的公式计算分支至表箱之间的电能值将表箱节点作为上级节点，用户节点作为下级节点，利用所述步骤S201和步骤S202中的公式计算分支至表箱之间的电能值
进一步的，所述步骤S30中，单相电表相别判断的多元线性回归模型为：
y＝β0+β1x1+…+βmxm+ε
其中，xf(f＝1,2,...,m)为自变量，m为自变量个数，y为因变量，β0为常数，βf为回归系数，ε为随机误差项，表示不由自变量决定的部分，ε～N(0,σ2)。
进一步的，将时刻i下所有用户节点的电压、电流值作为自变量，变压器的A、B、C三相电压值分别作为因变量代入所述多元线性回归模型中，用最小二乘法求出β0、β1、…、βm的估计量的回归方程为：
计算决定系数R2以评价回归方程对样本观测值的拟合优度，R2计算方式如下：
其中，yq,分别为样本q的观察值、样本观察值的平均值；R2为决定系数，R2有随自变量的数目增加而增大的倾向，则采用调整后的决定系数代替R2：
根据决定系数大小判断自变量对因变量解释程度的高低，从而对单相电表的相别进行判断，得到用户所对应的相位矩阵P。
进一步的，所述决定系数为(3,n2)维矩阵，所述相位矩阵P的表达式如下：
进一步的，所述步骤S40中分支至表箱的关联矩阵为
进一步的，所述步骤S50中表箱至用户的关联矩阵为
第二方面，本发明还提供了一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上所述方法。
第三方面，本发明还提供了一种电子终端，包括：处理器及存储器；所述存储器用于存储计算机程序，所述处理器用于执行所述存储器存储的计算机程序，以使所述终端执行如上所述方法。
本发明提供的台区拓扑识别方法、介质及终端与现有技术相比，至少具有如下有益效果：
现有技术虽然可以对台区进行简单拓扑识别，但是智能电表在实际数据采集过程中存在误差，现有台区拓扑识别方法由于无法解决误差问题导致识别精度低。本发明过程简单、操作方便，以所采集的观测数据进行运行，无需现场施工，不注入电流，对电网无影响，能够梳理出本台区用户对应相别和拓扑结构，通过分析电表测量误差、电表时间同步误差、随机噪声对测量结果的影响，利用最小化系统误差的方法消除系统误差以提高台区拓扑识别精度，从而获得高精度的台区拓扑结构。
附图说明
为了更清楚地说明本发明的方案，下面将对实施例描述中所需要使用的图作一个简单的介绍，显而易见地，下面描述中的附图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的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种台区拓扑识别方法的流程图；
图2为本发明实施例提供的一种台区拓扑识别方法的场景模型示意图。
具体实施方式
为了便于理解本发明，下面将参照相关附图对本发明进行更全面的描述。附图中给出了本发明的较佳实施例。但是，本发明可以以许多不同的形式来实现，并不限于本文所描述的实施例。相反地，提供这些实施例的目的是使对本发明的公开内容的理解更加透彻全面。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。
本发明提供了一种台区拓扑识别方法，应用于低压配电网中的台区拓扑结构识别过程中，台区拓扑识别方法包括以下步骤：
S10、对采集到的节点电压DU(i)、电流数据DI(i)、电能数据W(i)进行筛选补值；
S20、分别调和分支至表箱之间的电能值表箱至用户之间的电能值
S30、通过用户节点的电压电流数据和变压器的相位电压，结合拟合优度检验判断用户所属相别；
S40、通过最小化系统误差的方法消除分支至表箱之间的系统误差，得到分支至表箱的关联矩阵；
S50、通过最小化系统误差的方法消除表箱至用户之间的系统误差，得到表箱至用户的关联矩阵；
S60、将步骤S40和步骤S50得到的关联矩阵拼接得到最终邻接矩阵，并画出拓扑图。
本发明过程简单、操作便捷，能够准确识别出本台区用户对应相别和拓扑结构。
为了使本技术领域的人员更好地理解本发明方案，下面将结合附图，对本发明实施例中的技术方案进行清楚、完整地描述。
本发明提供了一种台区拓扑识别方法，应用于低压配电网中的台区拓扑结构识别过程中，如图1所示，本实施例中，台区拓扑识别方法包括以下步骤：
S10、对采集到的节点电压DU(i)、电流数据DI(i)、电能数据W(i)进行筛选补值；
具体地，对i时刻采集到的电压DU(i)＝{U1,...,Un0,...,Un0+n1,...,Un0+n1+n2}T、电流数据DI(i)＝{I1,...,In0,...,In0+n1,...,In0+n1+n2}T，电能数据W(i)＝{w1(i),...,wj(i),...,wn0(i),...,wn0+n1(i),...,wn0+n1+n2(i)}T进行补值，其中n0为台区分支数目，n1为台区表箱数，n2为台区用户数，n＝n0+n1+n2为台区中采集数据节点总数，wj(i)为时刻i的节点j的电能观测值，W＝{W(1),W(2),...,W(N)}是N*n维矩阵，代表系统中所有节点(j∈n)所有测量时刻(i∈N)的电能观测值，若某个节点电能数据存在缺失，利用已有数据采用随机森林进行训练后进行预测补值。
进一步的，采用随机森林进行训练后进行预测补值的步骤为：
对采集到的电能数据进行清洗，找到丢失数据的所有时刻tloss的电能数据W(tloss)，并对该数据赋值为0；
将W(tloss)中数据的非零值划分成训练集和验证集，所有零值作为测试集，在训练集上训练随机森林模型，在验证集上筛选模型，在测试集上使用训练好的随机森林模型进行预测，并将W(tloss)中的0值替换为预测值。
S20、分别调和分支至表箱之间的电能值表箱至用户之间的电能值
具体地，根据上级总表节点电能读数总和与下级分表电能读数总和计算i时刻的上下级总线损lossi:
其中，nupper为上级节点总数，nlower为下级节点总数。
i时刻的上级节点j的电能纠正值为：
由上述公式可得到上级节点电能纠正值
对电能数据归一化可以消除由数据相差较大带来的影响，归一化方式为：
其中，为数据协调后电能数据的均值，为上级总表和下级分表采集的电能数据的方差。
更新上下级节点的电能调和归一化后的数据：
将分支节点作为上级节点，表箱节点作为下级节点，利用上述公式计算分支至表箱之间的电能值
将表箱节点作为上级节点，用户节点作为下级节点，利用上述公式计算表箱至用户之间的电能值
S30、通过用户节点的电压电流数据和变压器的相位电压，结合拟合优度检验判断用户所属相别；
具体地，单相电表相别判断的多元线性回归模型为：
y＝β0+β1x1+…+βmxm+ε
其中，xf(f＝1,2,…,m)为自变量，m为自变量个数；y为因变量；β0为常数；βf为回归系数；ε为随机误差项，表示不由自变量决定的部分，ε～N(0,σ2)。
进一步的，将时刻i下所有用户节点的电压、电流值作为自变量，变压器的A、B、C三相电压值分别作为因变量上述公式中，用最小二乘法求出β0、β1、…、βm的估计量得到回归方程为：
计算决定系数R2来评价回归方程对样本观测值的拟合优度，R2计算方式如下：
其中，yq,分别为样本q的观察值、样本观察值的平均值；R2为决定系数,描述回归平方和占总离差平方和的比重,值域为[0,1]，数值越大表示回归方程与样本拟合得越好。
R2有随自变量的数目增加而增大的倾向,可采用调整后的决定系数代替R2：
采用符合线性回归特征的自变量和因变量构建多元回归方程，通过上述公式计算各回归方程的决定系数根据决定系数大小判断自变量对因变量解释程度的高低，据此对单相电表的相别进行判断，得到用户所对应的相位矩阵P，是(3,n2)维矩阵，相位矩阵P的表达式如下：
S40、通过最小化系统误差的方法消除分支至表箱之间的系统误差，得到分支至表箱的关联矩阵；
具体地，根据用电信息采集系统收集的量测数据均存在电表测量误差、电表时间同步误差、随机噪声等。
一般时钟误差通常在毫秒到几秒不等。由于时钟不同步引起的误差可建模正态分布δ(i)：
其中，为节点j的读数平均值，T是读数的时间间隔。
通常，智能电表测量值均会受到随机噪声的干扰，从而导致采样误差。假设e(i)是由噪声引起的误差向量，正态分布独立且同分布：
其中，是误差方差，n*n是单位矩阵。
虽然智能电表比传统电表具有更高的精确度，但其计量误差仍然存在。当前最新的电表标准规定真值的误差在0.2％～0.5％之间。因此，任意两个智能电表之间的误差都是独立且不相关的：
ε(i)～N(0,∑ε)
其中，∑ε是不相关误差引起的对角线误差，∑ε的对角线元素与电表精度等级有关，设α为仪表的精度等级，由于正态分布的几乎所有值都在其标准差的3倍范围以内，所以我们将读数平均值的百分比估计为随机误差的标准偏差的三倍，其中，∑ε的第j个元素∑ε(j)为：
是第j个变量的均值。
故用电信息采集系统收集的系统数据误差ψ为：
ψ＝δ+e+ε
误差ψ归一化：
其中，E(ψ(i))为误差均值，D(ψ(i))为误差方差。
对系统误差的协方差进行平方根分解得到标准差矩阵K：
所有分支至表箱节点的电能值对应真值估计为Wtrue(i)可表示为：
Wtrue(i)＝W(i)-ψ(i)
其中，Wtrue(i)为所有节点在时刻i的真实值矩阵。
结合上述公式用系统未查的标准差矩阵K对包含随机误差的电能矩阵进行数据协调转换为
使用主成分分析进行模型识别的目的是估计n-p维真实数据子空间和p维约束子空间，通常主成分通过数据矩阵的奇异值分解(SVD)进行。的奇异值分解可表示为：
其中，U1是与的协方差矩阵的n-p个最大特征值相对应的正交特征向量的集合,而U2是与的协方差矩阵的最小的p个特征值相对应的正交特征向量的集合,Σ1和Σ2是由的奇异值组成的对角矩阵。
获取的测量值的归一化去噪估计为：
在降维时，要求重构时能消除误差，则约束条件如下：
通过将变量划分为一组因变量Wd(因变量个数nd＝p)和自变量Wi,(自变量个数ni＝n-p),可以获得回归模型。中对应于Wd和Wi的列也按方式划分，其中和分别是(nd×nd)和(nd×ni)维矩阵。
在估计模型约束矩阵和对电能协调的基础上，增加非线性优化，将PCA和非线性优化问题迭代求解，实现对误差方差的最大似然估计。
约束残差为L(i)：
约束残差L(i)的协方差矩阵为SL：
上述公式是关于未知对角元素的线性方程组。将上述方程式作为普通的最小二乘问题求解,以获得的对角线元素。求解上述误差协方差矩阵的最大似然公式P可表示为：
其中，为随机指定的初始值。
判断中包含约束信息的特征值之和b是否收敛，若是则进入下一步。
其中，为中第k个特征值。
其中，是满秩的，故可逆。则存在下述表达式：
其中，是(nd×ni)维回归矩阵。
分支至表箱的关联矩阵为：
S50、通过最小化系统误差的方法消除表箱至用户之间的系统误差，得到表箱至用户的关联矩阵；
具体地，所有表箱至用户节点的电能值由以上公式可得到表箱至用户关联矩阵
S60、将分支至表箱的关联矩阵和表箱至用户关联矩阵拼接得到台区拓扑关联矩阵G，由台区拓扑关联矩阵G可得到拓扑结构图。
实施例一
本实施例中，如图2所示为场景模型示意图，含有n个测量节点，其中包括n0＝3个分支，n1＝13个表箱(表箱中包含若干三相和单相智能电表)，n2＝26个用户(包括三相用户和单相用户)
步骤1-1，使用matlab simulink工具箱共仿真了N＝1667个时刻的数据，电能数据集W为一个(3+13+26)*1667的矩阵，掉能数据集W的示例数据如下表1所示：
表1
电压数据集DU为一个(3+13+26)*1667*3的矩阵，电压数据集DU的示例数据如下表2所示：
表2
电流数据集DI的示例数据如下表3所示：
表3
步骤S2-1，调和电能值：对W(i)进行电能调和。根据计算得到的如下表4和表5所示：
表4
表5
步骤S3-1，用户归属与相位识别，根公式计算得到分相回归方程的决定系数为一个(22*3)维度矩阵，如下表6所示：
表6
由决定系数矩阵可知，所有单相用户所属的相别为[AB AAB B C C C AAB C CC C AAB B C]。
步骤S4-1，由于采用的是仿真分析，用电信息采集系统收集的系统数据误差ψ指定为ψ*＝0.0005*I，其中为I单位阵。
步骤S4-2，对系统误差的协方差进行平方根分解得到标准差矩阵K，K为对称阵，K对角线元素如表7所示：
表7
步骤S4-3，用系统误差的标准差矩阵K对包含随机误差的电能矩阵进行数据协调转换为如下表8所示：
表8
步骤S4-4，获得的测量值的归一化去噪估计如下表9所示：
表9
步骤S4-5，在估计模型约束矩阵和对电能协调的基础上，增加非线性优化，将PCA和非线性优化问题迭代求解，实现对误差方差的最大似然估计。约束残差L(i)的协方差矩阵为SL为除对角线元素外其他元素均为0的对称阵，SL的对角线元素为tr(SL)＝[1,1,1]。
步骤S4-6，中包含约束信息的特征值之和b＝0.00886，返回步骤S4-4，直到上次循环的b值与本次循环的b值的比值小于1e-12，则进入下一步。
步骤S4-7，分支至表箱的关联矩阵1,2,2,2,2]。表示表箱1～13分别属于分支0～2。
步骤S5-1，由公式得到表箱至用户关联矩阵 表示用户1～26分别属于表箱1～13。
步骤S6-1，将分支至表箱的关联矩阵和表箱至用户关联矩阵拼接得到台区拓扑关联矩阵G，由台区拓扑关联矩阵G可得到拓扑结构图。
本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现本实施例中的任一项方法。
本发明实施例还提供了一种电子终端，包括：处理器及存储器；存储器用于存储计算机程序，处理器用于执行存储器存储的计算机程序，以使终端执行本实施例中任一项方法。
本实施例中的计算机可读存储介质，本领域普通技术人员可以理解：实现上述各方法实施例的全部或部分步骤可以通过计算机程序相关的硬件来完成。前述的计算机程序可以存储于一计算机可读存储介质中。该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
本实施例提供的电子终端，包括处理器、存储器、收发器和通信接口，存储器和通信接口与处理器和收发器连接并完成相互间的通信，存储器用于存储计算机程序，通信接口用于进行通信，处理器和收发器用于运行计算机程序，使电子终端执行如上方法的各个步骤。
上述实施例所述的台区拓扑识别方法、介质及终端，与现有技术相比，现有技术虽然可以对台区进行简单拓扑识别，但是智能电表在实际数据采集过程中存在误差，现有台区拓扑识别方法由于无法解决误差问题导致识别精度低。本发明过程简单、操作方便，以所采集的观测数据进行运行，无需现场施工，不注入电流，对电网无影响，能够梳理出本台区用户对应相别和拓扑结构，通过分析电表测量误差、电表时间同步误差、随机噪声对测量结果的影响，利用最小化系统误差的方法消除系统误差以提高台区拓扑识别精度，从而获得高精度的台区拓扑结构。
显然，以上所描述的实施例仅仅是本发明较佳实施例，而不是全部的实施例，附图中给出了本发明的较佳实施例，但并不限制本发明的专利范围。本发明可以以许多不同的形式来实现，相反地，提供这些实施例的目的是使对本发明的公开内容的理解更加透彻全面。尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来而言，其依然可以对前述各具体实施方式所记载的技术方案进行修改，或者对其中部分技术特征进行等效替换。凡是利用本发明说明书及附图内容所做的等效结构，直接或间接运用在其他相关的技术领域，均同理在本发明专利保护范围之内。

Claims (10)

1.一种台区拓扑识别方法，其特征在于，包括以下步骤：
S10、对采集到的节点电压DU(i)、电流数据DI(i)、电能数据W(i)进行筛选补值；
S20、分别调和分支至表箱之间的电能值(Wbox(i))、表箱至用户之间的电能值(Wuser(i))；
S30、通过用户节点的电压电流数据和变压器的相位电压，结合拟合优度检验判断用户所属相别；
S40、通过最小化系统误差的方法消除分支至表箱之间的系统误差，得到分支至表箱的关联矩阵；
S50、通过最小化系统误差的方法消除表箱至用户之间的系统误差，得到表箱至用户的关联矩阵；
S60、将所述步骤S40和步骤S50得到的关联矩阵拼接得到最终邻接矩阵，并画出拓扑图。
2.根据权利要求1所述的一种台区拓扑识别方法，其特征在于，所述步骤S10的具体步骤如下：
S101、对采集到的电能数据进行清洗，找到丢失数据的所有时刻tloss的电能数据W(tloss)，并对该数据赋值为0；
S102、将所述W(tloss)中数据的非零值划分成训练集与验证集，所有零值作为测试集，在所述训练集上训练随机森林模型，在所述验证集上筛选模型，在所述测试集上使用训练好的随机森林模型进行预测，并将所述W(tloss)中的0值替换为预测值。
3.根据权利要求1所述的一种台区拓扑识别方法，其特征在于，所述步骤S20的具体步骤如下：
S201、根据上级总表节点电能读数总和与下级分表电能读数总和计算i时刻的上下级总线损lossi，计算表达式如下：
其中，nupper为上级节点总数，nlower为下级节点总数；
根据上下线总线损lossi计算i时刻的上级节点j的电能纠正值计算表达式如下：
S202、对电能数据归一化，归一化表达式如下：
其中，为数据协调后电能数据的均值，为上级总表和下级分表采集的电能数据的方差；
S203、将分支节点作为上级节点，表箱节点作为下级节点，利用所述步骤S201和步骤S202中的公式计算分支至表箱之间的电能值(Wbox(i))；将表箱节点作为上级节点，用户节点作为下级节点，利用所述步骤S201和步骤S202中的公式计算分支至表箱之间的电能值(Wuser(i))。
4.根据权利要求3所述的一种台区拓扑识别方法，其特征在于，所述步骤S30中，单相电表相别判断的多元线性回归模型为：
y＝β0+β1x1+…+βmxm+ε
其中，xf(f＝1,2,…,m)为自变量，m为自变量个数，y为因变量，β0为常数，βf为回归系数，ε为随机误差项，表示不由自变量决定的部分，ε～N(0,σ2)。
5.根据权利要求4所述的一种台区拓扑识别方法，其特征在于，将时刻i下所有用户节点的电压、电流值作为自变量，变压器的A、B、C三相电压值分别作为因变量代入所述多元线性回归模型中，用最小二乘法求出β0、β1、…、βm的估计量的回归方程为：
计算决定系数R2以评价回归方程对样本观测值的拟合优度，R2计算方式如下：
其中，yq,分别为样本q的观察值、样本观察值的平均值；R2为决定系数，R2有随自变量的数目增加而增大的倾向，则采用调整后的决定系数代替R2：
根据决定系数大小判断自变量对因变量解释程度的高低，从而对单相电表的相别进行判断，得到用户所对应的相位矩阵P。
6.根据权利要求5所述的一种台区拓扑识别方法，其特征在于，所述决定系数为(3,n2)维矩阵，所述相位矩阵P的表达式如下：
7.根据权利要求1所述的一种台区拓扑识别方法，其特征在于，所述步骤S40中分支至表箱的关联矩阵为
8.根据权利要求1所述的一种台区拓扑识别方法，其特征在于，所述步骤S50中表箱至用户的关联矩阵为
9.一种计算机可读存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至8任一项所述方法。
10.一种电子终端，其特征在于，包括：处理器及存储器；
所述存储器用于存储计算机程序，所述处理器用于执行所述存储器存储的计算机程序，以使所述终端执行如权利要求1至8任一项所述方法。
CN202310934191.8A 2023-07-27 2023-07-27 一种台区拓扑识别方法、介质及终端 Pending CN117040114A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310934191.8A CN117040114A (zh) 2023-07-27 2023-07-27 一种台区拓扑识别方法、介质及终端

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310934191.8A CN117040114A (zh) 2023-07-27 2023-07-27 一种台区拓扑识别方法、介质及终端

Publications (1)

Publication Number Publication Date
CN117040114A true CN117040114A (zh) 2023-11-10

Family

ID=88630889

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310934191.8A Pending CN117040114A (zh) 2023-07-27 2023-07-27 一种台区拓扑识别方法、介质及终端

Country Status (1)

Country Link
CN (1) CN117040114A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117748499A (zh) * 2024-02-19 2024-03-22 北京智芯微电子科技有限公司 基于连接关系向量的低压台区的拓扑结构识别方法和装置

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117748499A (zh) * 2024-02-19 2024-03-22 北京智芯微电子科技有限公司 基于连接关系向量的低压台区的拓扑结构识别方法和装置
CN117748499B (zh) * 2024-02-19 2024-05-17 北京智芯微电子科技有限公司 基于连接关系向量的低压台区的拓扑结构识别方法和装置

Similar Documents

Publication Publication Date Title
CN111693931A (zh) 智能电能表误差远程计算方法、装置和计算机设备
CN112966219B (zh) 识别户表与表箱关系的方法及系统、设备、介质
CN110110907B (zh) 一种低压台区特征参数的提取方法
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
CN113078630B (zh) 一种基于实时量测数据的低压配电网拓扑辨识方法
CN117040114A (zh) 一种台区拓扑识别方法、介质及终端
CN113010998A (zh) 基于随动线损及遗忘因子最小二乘法的电表误差估计方法
CN109449923B (zh) 一种有源配电系统运行灵活性的量化分析方法及相关产品
CN109034490A (zh) 一种电力负荷预测方法、装置、设备及存储介质
CN106372440B (zh) 一种并行计算的配电网自适应抗差状态估计方法及装置
Lu et al. Adaptive weighted fuzzy clustering algorithm for load profiling of smart grid customers
CN105139157A (zh) 一种基于能源数据的企业管理方法和系统
CN110222098A (zh) 基于流数据聚类算法的电力大数据流异常检测
CN116304537B (zh) 基于智能量测终端的窃电用户核查方法
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
CN115333093A (zh) 基于仿射术的含分布式电源配网线损计算方法、装置及设备
CN107069710B (zh) 计及新能源时空相关性的电力系统状态估计方法
CN115561697A (zh) 一种智能电表误差分析方法
CN114154776A (zh) 配网运行规划综合评价及投资效益分析方法
CN112183823A (zh) 一种基于规则树的电能计量装置选型方法和系统
CN106296461B (zh) 基于粒子群优化算法及局部状态估计的电网参数辨识方法
Deng et al. Electricity Data Valuation Considering Attribute Weights
Zhong et al. Rapid Identification Method for the Sudden Change of Operating Errors in Smart Electricity Meters
CN108469553A (zh) 计及环境要素的特高压输电线路近地面工频电场强度预测方法
CN114624515B (zh) 一种配电网台区用户相位识别方法、装置、终端及介质

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