CN117076967A - 一种基于理论线损数据计算的台区拓扑修正方法及系统 - Google Patents

一种基于理论线损数据计算的台区拓扑修正方法及系统 Download PDF

Info

Publication number
CN117076967A
CN117076967A CN202311036477.0A CN202311036477A CN117076967A CN 117076967 A CN117076967 A CN 117076967A CN 202311036477 A CN202311036477 A CN 202311036477A CN 117076967 A CN117076967 A CN 117076967A
Authority
CN
China
Prior art keywords
line loss
theoretical line
topology
data
information
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
CN202311036477.0A
Other languages
English (en)
Inventor
谷哲飞
吴红林
张轩瑜
刘利则
卜广冲
孙海洋
晁思远
林萍
陈辉
陈国帅
黄辰
王羽新
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.)
State Grid Corp of China SGCC
State Grid Beijing Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
State Grid Beijing Electric Power 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 State Grid Corp of China SGCC, State Grid Beijing Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN202311036477.0A priority Critical patent/CN117076967A/zh
Publication of CN117076967A publication Critical patent/CN117076967A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Software Systems (AREA)
  • Water Supply & Treatment (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Public Health (AREA)
  • Computational Linguistics (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Power Engineering (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明属于电力系统自动化技术领域，具体涉及一种基于理论线损数据计算的台区拓扑修正方法及系统。本发明提供的台区拓扑修正方法，基于目标台区的理论线损数据对目标台区的拓扑关系进行修正，针对理论线损与同期线损差别较大的台区，结合聚类分析、插值法校验、相关性分析等算法实现户变及拓扑关系识别，确定可信拓扑结构。本方法具有通信可靠稳定、台区识别更加准确快速的特点，有效提升台区拓扑连接关系的正确性。

Description

一种基于理论线损数据计算的台区拓扑修正方法及系统
技术领域
本发明属于电力系统自动化技术领域，具体涉及一种基于理论线损数据计算的台区拓扑修正方法及系统。
背景技术
台区是支撑经济社会发展的重要设施。低压台区电压等级主要为400V，包括架空线路、电缆线路和混合线路三种线路，网络上的主要节点包括和输电网络连接的变电站、各种配电开关、环网柜、开闭站、变压器、低压分支箱、用户入口(电能表)等。低压台区量大、点多、面广，设备和网络数据维护管理复杂，多年来，电力公司基层运维人员定期不定期的开展了台区拓扑关系数据收集、整理与录入，在台区数据收集与整理过程中，仍存在数据量大、工作任务繁重等问题，同时，依赖人工统计数据难以保证数据质量和数据更新的及时性。故研究台区拓扑自动识别技术及应用对台区高效可靠运维具有十分重要的意义。
目前低压台区拓扑关系修正方法主要分为两大类。一是人工现场识别,采用人工携带台区识别仪巡测，然后重新进行系统挂接的方法。现有台区识别仪大多采用载波通信法和脉冲电流法。脉冲电流法指台区识别仪发出高频脉冲信号来识别台区用户,但此方法需在变压器出线端安装电流互感器,存在安全隐患且可控性差。载波通信法是指台区识别仪在电力线上发送载波信号,由于变压器感抗较大,在传输时不能通过变压器,因此只能在同台区里传输。另外一种方案是在线识别，例如台区停电识别、基于户变工频过零序列相关性分析、基于户变历史停电事件记录相关性判别等。在线识别效率高,但成功率会受到应用场景的限制。
发明内容
本发明的目的在于提供一种基于理论线损数据计算的台区拓扑修正方法及系统，以解决现有技术中低压台区拓扑关系修正方法存在限制，导致成功率低的问题。
为了实现上述目的，本发明采用如下技术方案：
本发明第一方面，提供了一种基于理论线损数据计算的台区拓扑修正方法，包括如下步骤：
采集目标台区的档案信息和拓扑信息，对所述档案信息和拓扑信息中的不良数据进行聚类分析识别，将识别出的不良数据剔除；
通过插值法对剔除不良数据后的空白值进行插值处理，得到目标台区修正后的档案信息和拓扑信息；
将修正后的档案信息和拓扑信息输入预先训练好的理论线损模型，所述理论线损模型输出目标台区的理论线损数据；
基于所述目标台区的理论线损数据对目标台区的拓扑关系进行修正。
作为本发明的进一步改进之处，将修正后的档案信息和拓扑信息输入预先训练好的理论线损模型，所述理论线损模型输出目标台区的理论线损数据的步骤中，按照如下方法训练理论线损模型：
获取实际的台区档案信息和台区拓扑信息；
获取台区当前的线损数据；
确定理论线损模型的神经网络结构；
基于所述台区当前的线损数据、台区档案信息、台区拓扑信息以及理论线损模型的神经网络结构，采用反向传播算法对理论线损模型进行训练，模型收敛后，得到训练好的理论线损模型。
作为本发明的进一步改进之处，对所述档案信息和拓扑信息中的不良数据进行聚类分析识别，包括：
获取所述档案信息和拓扑信息的原始数据；
对所述档案信息和拓扑信息的原始数据进行无量纲化处理，得到样本集；
定义一个距离函数，从样本集随机选取k个样本作为k个聚类中心，计算样本集中每个样本与所述k个聚类中心的距离，将每个样本归类于与其距离最小的聚类中心所表示的类，直至完成样本集所有样本的分类，得到k个聚类样本集；
依次从所述k个聚类样本集中选择一个聚类样本集作为测试样本，其余聚类样本集作为训练样本进行神经网络训练，对测试样本进行预测，根据预设条件将测试样本重新划归至不良样本集；
对不良样本集进行检验和校正，确定最终不良数据。
作为本发明的进一步改进之处，基于所述目标台区的理论线损数据对目标台区的拓扑关系进行修正，包括：
对目标台区进行网格化划分，将所述目标台区划分为若干个单独的网格；
基于所述理论线损数据计算每个网格的第一线损；
确定所述目标台区待修正的拓扑关系；
根据所述目标台区待修正的拓扑关系计算每个网格的第二线损；
将对应网格的第一线损和第二线损进行比较，确定第一线损和第二线损的差值；
基于所述差值，确定当前网格的拓扑关系是否需要修正，对于需要修正的网格，进行拓扑修正。
作为本发明的进一步改进之处，基于所述差值，确定当前网格的拓扑关系是否需要修正，包括：
当所述差值在预设的范围内时，判定当前网格的拓扑关系不需要修正；
当所述差值不在预设的范围内时，判定当前网格的拓扑关系需要修正。
作为本发明的进一步改进之处，对于需要修正的网格，进行拓扑修正，包括：
针对需要修正的网格，获取电压数据；
根据所述电压数据构建电压关联系数矩阵，并求取相关系数；
基于所述相关系数修正所述网格的拓扑关系。
作为本发明的进一步改进之处，基于所述目标台区的理论线损数据对目标台区的拓扑关系进行修正的步骤之后，还包括：
对修正后的拓扑关系进行校验，确定修正结果的有效性。
本发明第二方面，提供了一种基于理论线损数据计算的台区拓扑修正装置，包括：
数据采集模块，用于采集目标台区的档案信息和拓扑信息，对所述档案信息和拓扑信息中的不良数据进行聚类分析识别，将识别出的不良数据剔除；
插值处理模块，用于通过插值法对剔除不良数据后的空白值进行插值处理，得到目标台区修正后的档案信息和拓扑信息；
理论线损预测模块，用于将修正后的档案信息和拓扑信息输入预先训练好的理论线损模型，所述理论线损模型输出目标台区的理论线损数据；
拓扑修正模块，用于基于所述目标台区的理论线损数据对目标台区的拓扑关系进行修正。
本发明第三方面，提供了一种电子设备，包括处理器和存储器，所述处理器用于执行存储器中存储的计算机程序以实现如上任意一项所述的基于理论线损数据计算的台区拓扑修正方法。
本发明第四方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有至少一个指令，所述至少一个指令被处理器执行时实现如上任意一项所述的基于理论线损数据计算的台区拓扑修正方法。
与现有技术相比较，本发明的有益效果如下：
本发明提供的台区拓扑修正方法，基于目标台区的理论线损数据对目标台区的拓扑关系进行修正，针对理论线损与同期线损差别较大的台区，结合聚类分析、插值法校验、相关性分析等算法实现户变及拓扑关系识别，确定可信拓扑结构。本方法具有通信可靠稳定、台区识别更加准确快速的特点，有效提升台区拓扑连接关系的正确性。
附图说明
构成本申请的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1为本发明实施例一种基于理论线损数据计算的台区拓扑修正方法的流程示意图；
图2为本发明实施例一种基于理论线损数据计算的台区拓扑修正装置的结构框图；
图3为本发明实施例一种电子设备的结构框图。
具体实施方式
下面将参考附图并结合实施例来详细说明本发明。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
以下详细说明均是示例性的说明，旨在对本发明提供进一步的详细说明。除非另有指明，本发明所采用的所有技术术语与本申请所属领域的一般技术人员的通常理解的含义相同。本发明所使用的术语仅是为了描述具体实施方式，而并非意图限制根据本发明的示例性实施方式。
实施例1
如图1所示，一种基于理论线损数据计算的台区拓扑修正方法，包括如下步骤：
S1、采集目标台区的档案信息和拓扑信息，对所述档案信息和拓扑信息中的不良数据进行聚类分析识别，将识别出的不良数据剔除。
一个可选实施例中，对所述档案信息和拓扑信息中的不良数据进行聚类分析识别，包括：
获取所述档案信息和拓扑信息的原始数据；对所述档案信息和拓扑信息的原始数据进行无量纲化处理，得到样本集；为衡量数据点间的相似度，定义一个距离函数，从样本集随机选取k个样本作为k个聚类中心，计算样本集中每个样本与所述k个聚类中心的距离，将每个样本归类于与其距离最小的聚类中心所表示的类，直至完成样本集所有样本的分类，得到k个聚类样本集；通过验证法依次从所述k个聚类样本集中选择一个聚类样本集作为测试样本，其余聚类样本集作为训练样本进行神经网络训练，对测试样本进行预测，根据预设条件将测试样本重新划归至不良样本集；对不良样本集进行检验和校正，确定最终不良数据。
需要说明的是，本方案识别不良数据所采用的聚类分析是一种建立分类的多元统计分析方法，能将一批样本(或变量)数据根据其诸多特征，在没有先验知识的情况下，按照性质的亲疏程度进行自动分类，产生多个分类结果，其结果是同一个类之内的个体特征具有相似性，不同类的个体特征差异性较大。聚类分析方法，可以实现采集失败、异常数据的识别，为不良数据修正提供支撑。
一个具体实施例中，本方案中所获取的数据包括设备档案数据、拓扑数据、采集数据等，具体来说，可以包括台区档案信息和台区拓扑信息两大类；其中，台区档案信息数据主要包括配变、节点开关、用户分布等设备档案，以及表计、计量点、用户信息、台区信息等采集档案。台区拓扑信息接入GIS系统拓扑关系数据、营配贯通关系数据等。
根据上述获取的两大类信息，可以得到台区类型、台区供电回路数、供电半径、低压线路总长、电缆线路长度、台区用户数、台区三相用户数等数据。
S2、通过插值法对剔除不良数据后的空白值进行插值处理，得到目标台区修正后的档案信息和拓扑信息。
一个可选实施例中，利用插值法对出现采集失败、跳变等异常情况的数据进行修正。
需要说明的是，本方案所采用的插值法又称"内插法"，利用等比关系，用已知的未知函数的自变量的值和与它对应的函数值来求一种未知函数其它值的近似计算方法，是一种求未知函数。具体包括如下步骤：
步骤1：数据归类：对不良数据进行归类，如:归类为采集失败、跳变、丢帧等数据；
步骤2：函数建模：利用函数f(x)在某区间中插入若干点的函数值，作出适当的特定函数；
步骤3：近似值计算：利用已建立的特定函数，取历史已知值，在区间的其他点上用这特定函数的值作为函数f(x)的近似值；
步骤4：插值校验：带入函数的近似值，结果验证。
S3、将修正后的档案信息和拓扑信息输入预先训练好的理论线损模型，所述理论线损模型输出目标台区的理论线损数据。
一个可选实施例中，按照如下方法训练理论线损模型：
获取实际的台区档案信息和台区拓扑信息；获取台区当前的线损数据；确定理论线损模型的神经网络结构；基于所述台区当前的线损数据、台区档案信息、台区拓扑信息以及理论线损模型的神经网络结构，采用反向传播算法对理论线损模型进行训练，模型收敛后，得到训练好的理论线损模型。
其他的一些实施例中，也可以基于随机森林算法进行机器学习训练，得到理论线损模型。
需要说明的是，本方案中所提供的理论线损模型，在训练完成之后，能够依据输入的数据进行理论线损预测，作为线损计算的基础数据。
S4、基于所述目标台区的理论线损数据对目标台区的拓扑关系进行修正。
一个优选实施例中，还包括步骤：对修正后的拓扑关系进行校验，确定修正结果的有效性。
一个可选实施例中，基于所述目标台区的理论线损数据对目标台区的拓扑关系进行修正，包括：
对目标台区进行网格化划分，将所述目标台区划分为若干个单独的网格；基于所述理论线损数据计算每个网格的第一线损；确定所述目标台区待修正的拓扑关系；根据所述目标台区待修正的拓扑关系计算每个网格的第二线损；将对应网格的第一线损和第二线损进行比较，确定第一线损和第二线损的差值；基于所述差值，确定当前网格的拓扑关系是否需要修正，对于需要修正的网格，进行拓扑修正。
本方案中对台区进行网格划分，精细化的计算每个网格线损数据，能够缩小识别范围。
进一步具体的，基于所述差值，确定当前网格的拓扑关系是否需要修正，包括：
当所述差值在预设的范围内时，判定当前网格的拓扑关系不需要修正；当所述差值不在预设的范围内时，判定当前网格的拓扑关系需要修正。
进一步具体的，对于需要修正的网格，进行拓扑修正，包括：
针对需要修正的网格，获取电压数据；根据所述电压数据构建电压关联系数矩阵，并求取相关系数；基于所述相关系数修正所述网格的拓扑关系。
具体来说，电压数据可以包括配线出口电压、配变采集电压、节点电压等，基于这些数据构建电压关联系数矩阵，求取相关系数，实现台区拓扑关系修正。
例如，假设一个台区有M个表箱,该台区有N条分支上，各级分支电压为U1U2....Un,建立类簇K，为了保证各分支获得数据的准确，采用分支电压群优化法，对各分支采样数据进行有限次迭代求解，完成表箱归属判断。
(1)初始化K个簇集中心，然后计算各个数据对象到簇集中心的距离，把数据对象划分至距离其最近的聚类中心所在簇集中，并求距离和J1，跳转到(2)；
(x代表据具有m个属性的向量)
(2)根据所得簇集，得到新的簇集中心；定义第K个类簇的类簇中心为Centerk，同时计算新的距离和J2，跳转到(3)；
其中，Ck表示第k个类簇，∣Ck∣表示第k个类簇中数据对象的个数，这里的求和是指类簇Ck中所有元素在每列属性上的和，因此Centerk也是一个含有m个属性的行向量。
(3)计算ΔJ，判断ΔJ是否小于阈值或者循环次数是否大于T，如果小于阈值或者循环次数大于T，跳出循环，结束聚类。否则跳转到(4)；
(4)根据所得簇集，得到新的簇集中心；同时计算新的距离和J1。
在迭代的过程中，首先判断容差，等容差小于某个值时就停止迭代，但是如果长时间不收敛，就根据迭代次数停止迭代。
(5)根据输出的聚类簇集，在台区原始拓扑图逻辑结构的基础上进行数据搜索匹配,其主要方法是通过设置在图上搜索的广度和深度,从而确定各簇集数据在拓扑图上的位置，获得新的拓扑关系图.
具体步骤如下：
1)确定分析所在的拓扑图、分析的起始设备、搜索的深度、方向、停止条件等；
2)以起始设备为中心，根据搜索条件中的方向(无向或有向)和深度，在图上作广度的拓扑分析；
3)若分析到符合搜索的深度则停止分析，确定位置；
4)若分析到符合的停止条件则停止所在支路的分析，确定位置；
5)停止分析后得到修正的拓扑关系图。
一个可选实施例中，还可以根据修正的拓扑关系图和设备参数重新计算理论线损率，并判断该线路理论线损率是否高于标准线损率，若是，则重新计算拓扑修正，修改拓扑结构图中的拓扑关系，对理论线损率进行重新计算，直至线路理论线损率不高于标准线损率，实现拓扑智能修正。
实施例2
如图2所示，基于与上述实施例的同一发明构思，本发明还提供了一种基于理论线损数据计算的台区拓扑修正装置，包括：
数据采集模块，用于采集目标台区的档案信息和拓扑信息，对所述档案信息和拓扑信息中的不良数据进行聚类分析识别，将识别出的不良数据剔除；
插值处理模块，用于通过插值法对剔除不良数据后的空白值进行插值处理，得到目标台区修正后的档案信息和拓扑信息；
理论线损预测模块，用于将修正后的档案信息和拓扑信息输入预先训练好的理论线损模型，所述理论线损模型输出目标台区的理论线损数据；
拓扑修正模块，用于基于所述目标台区的理论线损数据对目标台区的拓扑关系进行修正。
实施例3
如图3所示，本发明还提供一种用于实现实施例1一种基于理论线损数据计算的台区拓扑修正方法的电子设备100；电子设备100包括存储器101、至少一个处理器102、存储在存储器101中并可在至少一个处理器102上运行的计算机程序103及至少一条通讯总线104。
存储器101可用于存储计算机程序103，处理器102通过运行或执行存储在存储器101内的计算机程序，以及调用存储在存储器101内的数据，实现实施例1一种基于理论线损数据计算的台区拓扑修正方法步骤。
存储器101可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据电子设备100的使用所创建的数据(比如音频数据)等。此外，存储器101可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。
至少一个处理器102可以是中央处理单元(Central Processing Unit，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 Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，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。处理器102可以是微处理器或者该处理器102也可以是任何常规的处理器等，处理器102是电子设备100的控制中心，利用各种接口和线路连接整个电子设备100的各个部分。
电子设备100中的存储器101存储多个指令以实现一种基于理论线损数据计算的台区拓扑修正方法，处理器102可执行多个指令从而实现：
采集目标台区的档案信息和拓扑信息，对所述档案信息和拓扑信息中的不良数据进行聚类分析识别，将识别出的不良数据剔除；
通过插值法对剔除不良数据后的空白值进行插值处理，得到目标台区修正后的档案信息和拓扑信息；
将修正后的档案信息和拓扑信息输入预先训练好的理论线损模型，所述理论线损模型输出目标台区的理论线损数据；
基于所述目标台区的理论线损数据对目标台区的拓扑关系进行修正。
实施例4
电子设备100集成的模块/单元如果以软件功能单元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，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，计算机程序包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器及只读存储器(ROM，Read-Only Memory)。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
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发明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。
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)

1.一种基于理论线损数据计算的台区拓扑修正方法，其特征在于，包括如下步骤：
采集目标台区的档案信息和拓扑信息，对所述档案信息和拓扑信息中的不良数据进行聚类分析识别，将识别出的不良数据剔除；
通过插值法对剔除不良数据后的空白值进行插值处理，得到目标台区修正后的档案信息和拓扑信息；
将修正后的档案信息和拓扑信息输入预先训练好的理论线损模型，所述理论线损模型输出目标台区的理论线损数据；
基于所述目标台区的理论线损数据对目标台区的拓扑关系进行修正。
2.根据权利要求1所述的基于理论线损数据计算的台区拓扑修正方法，其特征在于，将修正后的档案信息和拓扑信息输入预先训练好的理论线损模型，所述理论线损模型输出目标台区的理论线损数据的步骤中，按照如下方法训练理论线损模型：
获取实际的台区档案信息和台区拓扑信息；
获取台区当前的线损数据；
确定理论线损模型的神经网络结构；
基于所述台区当前的线损数据、台区档案信息、台区拓扑信息以及理论线损模型的神经网络结构，采用反向传播算法对理论线损模型进行训练，模型收敛后，得到训练好的理论线损模型。
3.根据权利要求1所述的基于理论线损数据计算的台区拓扑修正方法，其特征在于，对所述档案信息和拓扑信息中的不良数据进行聚类分析识别，包括：
获取所述档案信息和拓扑信息的原始数据；
对所述档案信息和拓扑信息的原始数据进行无量纲化处理，得到样本集；
定义一个距离函数，从样本集随机选取k个样本作为k个聚类中心，计算样本集中每个样本与所述k个聚类中心的距离，将每个样本归类于与其距离最小的聚类中心所表示的类，直至完成样本集所有样本的分类，得到k个聚类样本集；
依次从所述k个聚类样本集中选择一个聚类样本集作为测试样本，其余聚类样本集作为训练样本进行神经网络训练，对测试样本进行预测，根据预设条件将测试样本重新划归至不良样本集；
对不良样本集进行检验和校正，确定最终不良数据。
4.根据权利要求1所述的基于理论线损数据计算的台区拓扑修正方法，其特征在于，基于所述目标台区的理论线损数据对目标台区的拓扑关系进行修正，包括：
对目标台区进行网格化划分，将所述目标台区划分为若干个单独的网格；
基于所述理论线损数据计算每个网格的第一线损；
确定所述目标台区待修正的拓扑关系；
根据所述目标台区待修正的拓扑关系计算每个网格的第二线损；
将对应网格的第一线损和第二线损进行比较，确定第一线损和第二线损的差值；
基于所述差值，确定当前网格的拓扑关系是否需要修正，对于需要修正的网格，进行拓扑修正。
5.根据权利要求4所述的基于理论线损数据计算的台区拓扑修正方法，其特征在于，基于所述差值，确定当前网格的拓扑关系是否需要修正，包括：
当所述差值在预设的范围内时，判定当前网格的拓扑关系不需要修正；
当所述差值不在预设的范围内时，判定当前网格的拓扑关系需要修正。
6.根据权利要求1所述的基于理论线损数据计算的台区拓扑修正方法，其特征在于，对于需要修正的网格，进行拓扑修正，包括：
针对需要修正的网格，获取电压数据；
根据所述电压数据构建电压关联系数矩阵，并求取相关系数；
基于所述相关系数修正所述网格的拓扑关系。
7.根据权利要求4所述的基于理论线损数据计算的台区拓扑修正方法，其特征在于，基于所述目标台区的理论线损数据对目标台区的拓扑关系进行修正的步骤之后，还包括：
对修正后的拓扑关系进行校验，确定修正结果的有效性。
8.一种基于理论线损数据计算的台区拓扑修正装置，其特征在于，包括：
数据采集模块，用于采集目标台区的档案信息和拓扑信息，对所述档案信息和拓扑信息中的不良数据进行聚类分析识别，将识别出的不良数据剔除；
插值处理模块，用于通过插值法对剔除不良数据后的空白值进行插值处理，得到目标台区修正后的档案信息和拓扑信息；
理论线损预测模块，用于将修正后的档案信息和拓扑信息输入预先训练好的理论线损模型，所述理论线损模型输出目标台区的理论线损数据；
拓扑修正模块，用于基于所述目标台区的理论线损数据对目标台区的拓扑关系进行修正。
9.一种电子设备，其特征在于，包括处理器和存储器，所述处理器用于执行存储器中存储的计算机程序以实现如权利要求1至7中任意一项所述的基于理论线损数据计算的台区拓扑修正方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有至少一个指令，所述至少一个指令被处理器执行时实现如权利要求1至7中任意一项所述的基于理论线损数据计算的台区拓扑修正方法。
CN202311036477.0A 2023-08-16 2023-08-16 一种基于理论线损数据计算的台区拓扑修正方法及系统 Pending CN117076967A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311036477.0A CN117076967A (zh) 2023-08-16 2023-08-16 一种基于理论线损数据计算的台区拓扑修正方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311036477.0A CN117076967A (zh) 2023-08-16 2023-08-16 一种基于理论线损数据计算的台区拓扑修正方法及系统

Publications (1)

Publication Number Publication Date
CN117076967A true CN117076967A (zh) 2023-11-17

Family

ID=88718882

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311036477.0A Pending CN117076967A (zh) 2023-08-16 2023-08-16 一种基于理论线损数据计算的台区拓扑修正方法及系统

Country Status (1)

Country Link
CN (1) CN117076967A (zh)

Similar Documents

Publication Publication Date Title
CN112215374B (zh) 电网中长期检修计划的校核方法、系统、设备及介质
CN108020750A (zh) 一种配电网停电范围分析方法和分析装置
CN111931318B (zh) 一种基于图计算的供电路径分析方法及系统
CN115422788B (zh) 一种配电网线损分析管理方法、装置、存储介质及系统
CN113139570A (zh) 一种基于最优混合估值的大坝安全监测数据补全方法
CN115423013A (zh) 电力系统运行方式分类方法、装置、设备及介质
CN114814420B (zh) 一种基于冻结数据的低压配电网拓扑识别方法及系统
CN111294841A (zh) 一种无线网络问题的处理方法、装置及存储介质
CN111582630A (zh) 一种用于确定低压台区线损率评估值的方法及系统
CN105426915A (zh) 基于支持向量机的预测方法及系统
CN112528762B (zh) 一种基于数据关联分析的谐波源识别方法
CN110797865B (zh) 一种数据驱动的供电薄弱环节识别方法及系统
CN115207909B (zh) 一种台区拓扑识别方法、装置、设备及存储介质
CN117076967A (zh) 一种基于理论线损数据计算的台区拓扑修正方法及系统
CN111178679A (zh) 一种基于聚类算法和网络搜索的相位识别方法
CN110135511A (zh) 电力系统时间断面的确定方法、装置以及电子设备
CN115470854A (zh) 信息系统故障分类方法及分类系统
CN115684792A (zh) 一种基于人工智能的电气自动化设备检测系统
CN114201481A (zh) 一种基于配变可信度的配电网故障管理系统
CN111092425B (zh) 一种基于拓扑特性的网架聚类分析方法及系统
CN111144540A (zh) 反窃电仿真数据集的生成方法
CN113570345B (zh) 一种基于施工项目电路图的停电范围自动识别系统
Lin et al. Research on clustering analysis of new energy charging user behavior based on spark
CN111597415B (zh) 基于神经网络的配电网台账数据贯通方法及装置
CN115085274B (zh) 新能源设备接入的自动识别方法、装置、电子设备及介质

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