CN118133068B - 一种电网拓扑自动识别与构建方法及系统 - Google Patents
一种电网拓扑自动识别与构建方法及系统 Download PDFInfo
- Publication number
- CN118133068B CN118133068B CN202410573810.XA CN202410573810A CN118133068B CN 118133068 B CN118133068 B CN 118133068B CN 202410573810 A CN202410573810 A CN 202410573810A CN 118133068 B CN118133068 B CN 118133068B
- Authority
- CN
- China
- Prior art keywords
- data
- power grid
- topology
- clustering algorithm
- basic 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.)
- Active
Links
- 238000010276 construction Methods 0.000 title claims description 21
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 101
- 238000009826 distribution Methods 0.000 claims abstract description 46
- 230000009467 reduction Effects 0.000 claims abstract description 43
- 238000000034 method Methods 0.000 claims abstract description 35
- 230000002159 abnormal effect Effects 0.000 claims abstract description 33
- 238000012545 processing Methods 0.000 claims abstract description 23
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 238000012544 monitoring process Methods 0.000 claims abstract description 9
- 238000004590 computer program Methods 0.000 claims abstract description 7
- 238000004458 analytical method Methods 0.000 claims description 17
- 238000004364 calculation method Methods 0.000 claims description 16
- 238000001514 detection method Methods 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 13
- 230000008439 repair process Effects 0.000 claims description 12
- 238000012800 visualization Methods 0.000 claims description 11
- 230000000694 effects Effects 0.000 claims description 8
- 238000010801 machine learning Methods 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 7
- 230000005856 abnormality Effects 0.000 claims description 6
- 230000002776 aggregation Effects 0.000 claims description 6
- 238000004220 aggregation Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000007405 data analysis Methods 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 claims description 3
- 238000003860 storage Methods 0.000 claims description 3
- 238000013461 design Methods 0.000 abstract description 6
- 238000007726 management method Methods 0.000 description 5
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Abstract
发明涉及电网设计与管理的技术领域,公开了一种电网拓扑自动识别与构建方法及系统,包括通过数据采集基础数据,并对基础数据进行预处理,然后对预处理后的基础数据进行降维处理,得出降维后的基础数据,再通过降维后的基础数据选择聚类算法,通过DBI对聚类算法拟合的配电网拓扑图进行评估,确定聚类算法,根据最佳聚类算法的聚类结果,确定用户的接入相位、表箱归属等信息,从而构建配电网的拓扑结构,对配电网的拓扑结构的异常值进行实时监测和预测,完成配电网拓扑的自动识别和自动建立,实现了计算机程序自动处理电网数据,减少了人工干预,降低了操作错误的风险。
Description
技术领域
本发明涉及电网设计与管理的技术领域,公开了一种电网拓扑自动识别与构建方法及系统。
背景技术
在低压配电网拓扑结构识别领域,现有技术通常采用基于电量或电压数据的分析和聚类算法进行识别。拓扑识别方法主要集中在以下几类:基于电量数据的线性回归方法:利用变压器侧和用户侧的电量数据,构建线性回归模型。通过求解回归系数,判断用户和变压器之间的归属关系。这种方法可以识别用户与变压器的关系,但在遇到多重共线性或数据量不足时,可能无法得出准确的结果;基于电压相似性的聚类算法:通过分析低压配电网各节点的电压数据,采用聚类算法来识别拓扑结构。这类方法通常采用K-means、层次聚类等来识别用户的相位和表箱归属。然而,这些方法可能会受到聚类算法自身参数设定的影响,导致识别结果不稳定;基于特征信号的识别方法:通过在线路中注入特征信号,根据信号的接收和传输情况判断用户和变压器的关系。这种方法需要额外的硬件设备,成本较高,并且可能受到噪声干扰;基于关联规则和知识图谱的方法:通过分析配电网中的各种数据,挖掘数据间的关联关系,从而推断拓扑结构。
这类方法复杂度较高,对数据的质量和关联度要求较高。尽管传统方法在一定程度上可以满足基本需求,但它们存在一些明显的缺点和局限性:在多重共线性或数据不足的情况下,识别结果可能不准确;一些方法需要额外的硬件设备,成本较高,难以大规模推广;特征信号方法可能受到噪声等干扰,影响识别准确性;现有技术往往依赖固定的参数或算法,难以根据数据特点进行自适应调整。
例如现有的授权公开号为CN107741999B涉及一种基于图计算及机器学习的电网拓扑结构跨系统自动匹配与构建的方法,基于图数据库构建营销、生产、调度三大系统各自的拓扑关系;然后通过向量空间模型根据节点的图结构特征和文本特征建立不同系统间相似节点自动匹配模型;对匹配结果利用分箱得到异常阈值,进而建立差异节点识别模型;对于存在差异的节点,根据节点其他属性及差异度进行纠正;最后将三大系统的拓扑结构以相同节点为锚点进行关联,建立跨系统的电网全图谱。该发明通过对电网不同系统间的拓扑结构匹配与建立,实现“营配调一张图”,开展营配调一体化应用,全面推进电力公司营销和配网现代化管理方式的根本转变。
但是上述专利中存在:
在从不同系统构建拓扑结构并匹配节点时,最大的挑战是确保数据的准确性和一致性。如果各个系统的数据质量不高或存在错误,可能会导致匹配模型不准确或产生大量误差;上述专利所描述的方法并未对异常故障问题进行检测和校正,而且对匹配结果进行异常检测和纠正是一个关键环节,然而如何确定异常阈值以及如何对存在差异的节点进行准确的纠正,需要充分考虑不同系统之间的数据特点及误差来源。
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。
为解决上述技术问题,本发明的主要目的在于提供一种电网拓扑自动识别与构建方法,包括:
S1、采集基础数据,并对基础数据进行标准化、去除异常值和填补缺失值;
S2、对基础数据进行降维处理,得出降维后的基础数据;
S3、通过降维后的基础数据选择聚类算法,通过DBI对聚类算法拟合的配电网拓扑图进行评估,最终确定聚类算法;
算法选择单元通过建立可靠性系数函数对多种聚类算法建立的电网拓扑图的可靠性进行计算,进而对每一种聚类算法建立的电网拓扑图进行评估,从而选出高拟合度的聚类算法对电网拓扑图进行建立,可靠性系数函数计算表达式如下所示:
其中,为电网拓扑图的可靠性,z为拓扑图结构载荷能力值,γ为抗力值,τ为极限拓扑图负载荷能力值;
所述电网拓扑图的可靠性实质为计算每一种聚类算法针对不同结构的电网自动建立的拓扑图的联合密度系数,若联合密度系数越高,则拓扑图稳定性越好,则聚合密度越强,准确性越高,若联合密度系数越低,则拓扑图稳定性越差,则聚合密度越弱,准确性越低;
通过算法选择单元选择最佳聚类算法,拓扑构建单元根据最佳聚类结果,确定用户的接入相位、表箱归属的信息,从而构建低压配电网的拓扑结构;
S4、根据最佳聚类算法的聚类结果,确定用户的接入相位、表箱归属的信息,从而构建配电网的拓扑结构;
S5、对配电网的拓扑结构的异常值进行实时监测和预测;
所述故障检测单元通过可靠性系数函数对配电网拓扑节点阈值进行自动计算,根据设置阈值对比异常阈值进行故障检测;
所述优化单元用于对电网拓扑结构进行实时更新的同时,也对电网拓扑节点异常进行校正;
故障检测和异常校正首先通过异常数据分析得出节点异常部位,然后对故障和异常的部位进行分类,通过分类后的异常进行修复策略选择,包括自动修复、数据补偿、数据回滚措施,最终将异常修复添加至故障日志中;
检测出的故障问题通过建立机器学习模型对故障问题进行实时监测和预测;
所述机器学习模型通过建立深度学习网络和循环神经网络对配电网拓扑图各节点运行状态及故障类别进行学习和优化以及预测,通过预测结果采取解决故障措施;
S6、完成配电网拓扑的自动识别和自动建立。
作为本发明一种电网拓扑自动识别与构建方法的一种优选方案,其中:
所述降维处理流程包括:
S21、整合预处理后的基础数据;
S22、对预处理后的基础数据进行条件概率计算,得出高维度数据相似度;
S23、通过降维计算低维度数据的相似度;
S24、通过计算最小化散度来舒缓降维后的数据空间拥挤度。
作为本发明一种电网拓扑自动识别与构建方法的一种优选方案,其中:
所述通过DBI对聚类算法拟合的配电网拓扑图进行评估的过程包括:
S31、集成多种聚类算法,对采集的基础数据建立拓扑图;
S32、建立可靠性系数函数对多种聚类算法建立的电网拓扑图的可靠性进行计算;
S33、选择DBI最小的聚类算法作为最佳聚类算法。
一种电网拓扑自动识别与构建系统,包括:
数据采集模块,用于采集建立电网拓扑图的基础数据;
数据采集模块,用于采集建立电网拓扑图的基础数据;
数据处理模块,包括用于对基础数据进行预处理的预处理单元,用于对高维度数据进行降维处理的维度处理单元;
拓扑识别算法模块,包括用于分析处理后的基础数据的分析单元,用于识别处理后的基础数据中的拓扑结构的拓扑识别单元;
拓扑建立模块,包括用于自适应聚类算法的聚类选择单元,用于评估聚类算法为最佳算法的算法选择单元,用于自动构建电网拓扑结构的拓扑构建单元;
异常检测与更新模块,包括用于检测构建的拓扑结构准确性和异常性的故障检测单元,用于对电网拓扑结构进行实时更新的优化单元;
安全隐私保护模块,用于保护数据机密性、完整性和可用性;
可视化模块,用于展示拓扑结构及聚类结果。
作为本发明一种电网拓扑自动识别与构建系统的一种优选方案,其中:
所述基础数据包括收集的低压配电网的电压、电流、电量的数据;
所述基础数据来源于实时监测数据、历史数据、设备档案。
作为本发明一种电网拓扑自动识别与构建系统的一种优选方案,其中:
所述预处理单元用于对基础数据进行标准化、去除异常值和填补缺失值;
所述维度处理单元采用t-SNE对高维数据进行降维处理,保留数据中的关键信息;
通过t-SNE对基础数据中的高维数据进行降维时,首先要通过相似性对高维数据进行计算,即通过条件概率反映第一基础数据与第二基础数据近邻的可能性,进而进行降维,高维度数据相似度的计算表达式如下所示:
其中,为第i个数据点与第j个数据点的条件概率,为第i个数据点,为第j个数据点,e为指数常数,k为序数取1,2,3,...,为第k个数据点,为高斯分布方差,i取任意正整数,j取任意正整数”,n取1,2,3,...;
所述条件概率用于反映数据点与数据点之间的可能性;
所述高斯 分布方差用于决定数据点与数据点之间的近邻范围;
计算低维数据相似度,计算表达式如下所示:
其中,为第i个数据点与第j个数据点的条件概率, 为第i个数据点,为第j个数据点,e为指数常数,k为序数取1,2,3,...,为第k个数据点,为高斯分布方差,i取任意正整数,j取任意正整数”,n取1,2,3,...;
通过最小化散度来计算降维数据空间拥挤度,计算表达式如下所示:
其中,T为降维散度;
所述降维散度用于降维数据,同时设置最小化散度防止数据降维后出现拥挤,进一步优化数据降维。
作为本发明一种电网拓扑自动识别与构建系统的一种优选方案,其中:
所述分析单元分析降维后的基础数据的特征相似性和连接关系;
所述拓扑识别单元用于接收分析单元对于拓扑结构的分析结果,通过分析结果识别出连接节点和连接关系;
所述聚类选择单元集成多种聚类算法,通过多种聚类算法对不同电网建立电网拓扑图;
所述算法选择单元通过计算每一种聚类算法建立电网拓扑图的DBI来评估每种聚类算法的效果,选择DBI最小的聚类算法作为最佳聚类算法。
作为本发明一种电网拓扑自动识别与构建系统的一种优选方案,其中:
通过所述安全隐私保护模块保护数据采集安全和隐私保护安全,同时建立电网拓扑图时,确保敏感信息不被泄露。
作为本发明一种电网拓扑自动识别与构建系统的一种优选方案,其中:
可视化模块通过可视化工具,展示聚类结果,验证聚类效果。
一种计算机设备,包括,存储器,用于存储指令;处理器,用于执行所述指令,使得所述设备执行实现一种电网拓扑自动识别与构建方法。
一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被执行时,实现一种电网拓扑自动识别与构建方法。
本发明的有益效果:
本发明通过自动化地模拟、识别、构建及可视化电网的五级拓扑结构,有效提升了电网设计与管理的效率和准确性。该方法利用计算机程序自动处理电网数据,减少了人工干预,降低了操作错误的风险。同时,它支持快速适应电网结构变化,为电网的动态管理和优化决策提供了强大支撑。此外,通过可视化技术,本发明使得电网的层级关系和连接方式一目了然,极大地促进了对电网结构的理解和分析,进一步增强了电网故障诊断与预防的能力,对提高电网的稳定性和安全性具有重要意义。总之,本发明为电力系统的自动化监控、管理及优化提供了一种高效、准确、直观的技术方案。
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为本发明一种电网拓扑自动识别与构建方法的流程图;
图2为本发明一种电网拓扑自动识别与构建系统的系统组成图;
图3为本发明一种电网拓扑自动识别与构建系统的总体详细流程图;
图4为本发明一种电网拓扑自动识别与构建系统的DBI选择K-means聚类算法可视化图。
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。
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。
实施例一
如图1所示,一种电网拓扑自动识别与构建方法,包括:
S1、采集基础数据,并对基础数据进行标准化、去除异常值和填补缺失值;
S2、对基础数据进行降维处理,得出降维后的基础数据;
其中,所述降维处理流程包括:
S21、整合预处理后的基础数据;
S22、对预处理后的基础数据进行条件概率计算,得出高维度数据相似度;
S23、通过降维计算低维度数据的相似度;
S24、通过计算最小化散度来舒缓降维后的数据空间拥挤度。
S3、通过降维后的基础数据选择聚类算法,通过DBI对聚类算法拟合的配电网拓扑图进行评估,最终确定聚类算法;
其中,所述通过DBI对聚类算法拟合的配电网拓扑图进行评估的过程包括:
S31、集成多种聚类算法,对采集的基础数据建立拓扑图;
S32、建立可靠性系数函数对多种聚类算法建立的电网拓扑图的可靠性进行计算;
S33、选择DBI最小的聚类算法作为最佳聚类算法;
S4、根据最佳聚类算法的聚类结果,确定用户的接入相位、表箱归属等信息,从而构建配电网的拓扑结构;
S5、对配电网的拓扑结构的异常值进行实时监测和预测;
S6、完成配电网拓扑的自动识别和自动建立。
实施例二
如图2所示,一种电网拓扑自动识别与构建系统,包括:
数据采集模块,用于采集建立电网拓扑图的基础数据;
其中,基础数据包括收集的低压配电网的电压、电流、电量等数据;
进一步的,基础数据来源于实时监测数据、历史数据、设备档案等;
进一步的,基础数据还可以通过数据采集器进行采集,数据采集器用于从各个数据源中收集数据,可以根据不同的数据源设计相应的采集方法,例如通过API接口、数据库连接、文件导入等方式获取数据。
数据处理模块,包括用于对基础数据进行预处理的预处理单元,用于对高维度数据进行降维处理的维度处理单元;
其中,预处理单元用于对基础数据进行标准化、去除异常值和填补缺失值。确保数据的质量和一致性,以便后续的拓扑识别和构建;
进一步的,维度处理单元采用t-SNE对高维数据进行降维处理,保留数据中的关键信息;
进一步的,t-SNE是一种非线性降维算法,它可以将高维数据映射到低维空间,同时保持数据间的相对距离不变。t-SNE通常用于可视化高维数据,它可以将高维数据映射到二维或三维空间,从而可以通过图形的方式展示数据的特征,t-SNE与自适应聚类的结合:将t-SNE降维与自适应聚类结合,实现更准确、更灵活的拓扑结构识别。t-SNE可以有效地降维,同时自适应聚类可以选择最佳聚类算法。
通过t-SNE对基础数据中的高维数据进行降维时,首先要通过相似性对高维数据进行计算,即通过条件概率反映第一基础数据与第二基础数据近邻的可能性,进而进行降维,但是降维容易出现数据之间可用空间降低,导致数据拥挤,则通过困惑度来决定近邻范围,进而使得降维数据更准确更规范,高维度数据相似度的计算表达式如下所示:
其中,为第i个数据点与第j个数据点的条件概率,为第i个数据点,为第j个数据点,e为指数常数,k为序数取1,2,3,...,为第k个数据点,为高斯分布方差,i取任意正整数,j取任意正整数”,n取1,2,3,...;
所述条件概率用于反映数据点与数据点之间的可能性;
所述高斯分布方差用于决定数据点与数据点之间的近邻范围;
计算低维数据相似度,计算表达式如下所示:
其中,为第i个数据点与第j个数据点的条件概率, 为第i个数据点,为第j个数据点,e为指数常数,k为序数取1,2,3,...,为第k个数据点,为高斯分布方差,i取任意正整数,j取任意正整数”,n取1,2,3,...;
通过最小化散度来计算降维数据空间拥挤度,计算表达式如下所示:
其中,T为降维散度;
所述降维散度用于降维数据,同时还可以设置最小化散度防止数据降维后出现拥挤,进一步优化数据降维;
拓扑识别算法模块,包括用于分析处理后的基础数据的分析单元,用于识别处理后的基础数据中的拓扑结构的拓扑识别单元;
其中,分析单元分析降维后的基础数据的特征相似性和连接关系,实现不同系统或时间点下拓扑结构的自动匹配。
进一步的,拓扑识别单元用于接收分析单元对于拓扑结构的分析结果,通过分析结果识别出连接节点和连接关系;
拓扑建立模块,包括用于自适应聚类算法的聚类选择单元,用于评估聚类算法为最佳算法的算法选择单元,用于自动构建电网拓扑结构的拓扑构建单元;
如图3所示,其中,聚类选择单元集成多种聚类算法,包括K-means、DBSCAN、层次聚类等,通过多种聚类算法对不同电网建立电网拓扑图;
算法选择单元通过计算每一种聚类算法建立电网拓扑图的DBI来评估每种聚类算法的效果,选择DBI最小的聚类算法作为最佳聚类算法,通过计算DBI系数评估聚类效果,确保选择最佳聚类算法。这种评估方式增强了聚类算法选择的科学性和准确性。
进一步的,算法选择单元通过建立可靠性系数函数对多种聚类算法建立的电网拓扑图的可靠性进行计算,进而对每一种聚类算法建立的电网拓扑图进行评估,从而选出高拟合度的聚类算法对电网拓扑图进行建立,可靠性系数函数计算表达式如下所示:
其中,为电网拓扑图的可靠性,z为拓扑图结构载荷能力值,γ为抗力值,τ为极限拓扑图负载荷能力值;
所述电网拓扑图的可靠性实质为计算每一种聚类算法针对不同结构的电网自动建立的拓扑图的联合密度系数,联合密度系数越高,拓扑图稳定性越好,则聚合密度越强,准确性越高,反之则相反;
进一步的,通过算法选择单元选择最佳聚类算法,拓扑构建单元根据最佳聚类结果,确定用户的接入相位、表箱归属等信息,从而构建低压配电网的拓扑结构;
异常检测与更新模块,包括用于检测构建的拓扑结构准确性和异常性的故障检测单元,用于对电网拓扑结构进行实时更新的优化单元;
其中,故障检测单元通过可靠性系数函数对配电网拓扑节点阈值进行自动计算,根据设置阈值对比异常阈值进行故障检测;
确定异常阈值以及如何对存在差异的节点进行准确的纠正,需要充分考虑不同系统之间的数据特点及误差来源。
进一步的,优化单元用于对电网拓扑结构进行实时更新的同时,也对电网拓扑节点异常进行校正;
进一步的,故障检测和异常校正首先通过异常数据分析得出节点异常部位,然后对故障和异常的部位进行分类,通过分类后的异常进行修复策略选择,包括自动修复、数据补偿、数据回滚等措施,最终将异常修复添加至故障日志中;
进一步的,检测出的故障问题可以建立机器学习模型对故障问题进行实时监测和预测,提高系统的智能度和自动化程度,进一步减少故障问题引发的安全事故,确保数据质量;
进一步的,机器学习模型通过建立深度学习网络和循环神经网络对配电网拓扑图各节点运行状态及故障类别进行学习和优化以及预测,通过预测结果采取解决故障措施,较少故障引发的严重后果;
安全隐私保护模块,用于保护数据机密性、完整性和可用性;
其中,在设计数据采集模块时,要考虑数据安全和隐私保护的问题。采取合适的措施确保数据的机密性、完整性和可用性,同时遵守相关的法律法规和标准。
可视化模块,用于展示拓扑结构及聚类结果;
其中,可视化模块使用3D散点图等可视化工具,展示聚类结果,验证聚类效果。
如图4所示,根据模拟数据计算的DBI系数(Davies-Bouldin Index)和最佳聚类算法:
K-means的DBI系数:0.1591;
DBSCAN的DBI系数:1.1218;
层次聚类的DBI系数:0.7324;
最佳聚类算法是K-means,它的DBI系数最小。
如图4所示,K-means可视化结果展示了最佳聚类算法的3D散点图。如图4所示,空间中不同位置的点聚合点的集合代表不同的簇,横轴为第一特征(Feature1),纵轴代表第二特征(Feature2),竖轴代表第三特征(Feature3)。可以看到,K-means对这组模拟数据的聚类效果较好。
实施例三
本实施例中,提供了一种电子设备,包括存储器和处理器,存储器用于存储指令,处理器用于执行该指令,使得设备执行实现上述一种电网拓扑自动识别与构建方法。
实施例四
一种计算机可读存储介质,其上存储有可擦写的计算机程序;
当计算机程序在计算机设备上运行时,使得计算机设备执行上述的一种电网拓扑自动识别与构建方法。
重要的是,应注意,在多个不同示例性实施方案中示出的本申请的构造和布置仅是例示性的。尽管在此公开内容中仅详细描述了两个实施方案,但参阅此公开内容的人员应容易理解,在实质上不偏离该申请中所描述的主题的新颖教导和优点的前提下,许多改型是可能的例如,各种元件的尺寸、尺度、结构、形状和比例、以及参数值(例如,温度、压力等)、安装布置、材料的使用、颜色、定向的变化等。例如,示出为整体成形的元件可以由多个部分或元件构成,元件的位置可被倒置或以其它方式改变,并且分立元件的性质或数目或位置可被更改或改变。因此,所有这样的改型旨在被包含在本发明的范围内。可以根据替代的实施方案改变或重新排序任何过程或方法步骤的次序或顺序。任何“装置加功能”的条款都旨在覆盖在本文中所描述的执行功能的结构,且不仅是结构等同而且还是等同结构。在不背离本发明的范围的前提下,可以在示例性实施方案的设计、运行状况和布置中做出其他替换、改型、改变和省略。因此,本发明不限制于特定的实施方案,而是扩展至仍落在所附的权利要求书的范围内的多种改型。
此外,为了提供示例性实施方案的简练描述,可以不描述实际实施方案的所有特征(即,与当前考虑的执行本发明的最佳模式不相关的那些特征,或于实现本发明不相关的那些特征)。
应理解的是,在任何实际实施方式的开发过程中,如在任何工程或设计项目中,可做出大量的具体实施方式决定。这样的开发努力可能是复杂的且耗时的,但对于那些得益于此公开内容的普通技术人员来说,不需要过多实验,开发努力将是一个设计、制造和生产的常规工作。
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 (11)
1.一种电网拓扑自动识别与构建方法,其特征在于,包括:
S1、采集基础数据,并对基础数据进行标准化、去除异常值和填补缺失值;
S2、对基础数据进行降维处理,得出降维后的基础数据;
S3、通过降维后的基础数据选择聚类算法,通过DBI对聚类算法拟合的配电网拓扑图进行评估,最终确定聚类算法;
算法选择单元通过建立可靠性系数函数对多种聚类算法建立的电网拓扑图的可靠性进行计算,进而对每一种聚类算法建立的电网拓扑图进行评估,从而选出高拟合度的聚类算法对电网拓扑图进行建立,可靠性系数函数计算表达式如下所示:
;
其中,为电网拓扑图的可靠性,z为拓扑图结构载荷能力值,γ为抗力值,τ为极限拓扑图负载荷能力值;
所述电网拓扑图的可靠性实质为计算每一种聚类算法针对不同结构的电网自动建立的拓扑图的联合密度系数,若联合密度系数越高,则拓扑图稳定性越好,则聚合密度越强,准确性越高,若联合密度系数越低,则拓扑图稳定性越差,则聚合密度越弱,准确性越低;
通过算法选择单元选择最佳聚类算法,拓扑构建单元根据最佳聚类结果,确定用户的接入相位、表箱归属的信息,从而构建低压配电网的拓扑结构;
S4、根据最佳聚类算法的聚类结果,确定用户的接入相位、表箱归属的信息,从而构建配电网的拓扑结构;
S5、对配电网的拓扑结构的异常值进行实时监测和预测;
故障检测单元通过可靠性系数函数对配电网拓扑节点阈值进行自动计算,根据设置阈值对比异常阈值进行故障检测;
优化单元用于对电网拓扑结构进行实时更新的同时,也对电网拓扑节点异常进行校正;
故障检测和异常校正首先通过异常数据分析得出节点异常部位,然后对故障和异常的部位进行分类,通过分类后的异常进行修复策略选择,包括自动修复、数据补偿、数据回滚措施,最终将异常修复添加至故障日志中;
检测出的故障问题通过建立机器学习模型对故障问题进行实时监测和预测;
所述机器学习模型通过建立深度学习网络和循环神经网络对配电网拓扑图各节点运行状态及故障类别进行学习和优化以及预测,通过预测结果采取解决故障措施;
S6、完成配电网拓扑的自动识别和自动建立。
2.根据权利要求1所述的一种电网拓扑自动识别与构建方法,其特征在于:
所述降维处理流程包括:
S21、整合预处理后的基础数据;
S22、对预处理后的基础数据进行条件概率计算,得出高维度数据相似度;
S23、通过降维计算低维度数据的相似度;
S24、通过计算最小化散度来舒缓降维后的数据空间拥挤度。
3.根据权利要求2所述的一种电网拓扑自动识别与构建方法,其特征在于:
所述通过DBI对聚类算法拟合的配电网拓扑图进行评估的过程包括:
S31、集成多种聚类算法,对采集的基础数据建立拓扑图;
S32、建立可靠性系数函数对多种聚类算法建立的电网拓扑图的可靠性进行计算;
S33、选择DBI最小的聚类算法作为最佳聚类算法。
4.一种电网拓扑自动识别与构建系统,基于权利要求1-3中任一项所述的一种电网拓扑自动识别与构建方法实现,其特征在于:包括:
数据采集模块,用于采集建立电网拓扑图的基础数据;
数据处理模块,包括用于对基础数据进行预处理的预处理单元,用于对高维度数据进行降维处理的维度处理单元;
拓扑识别算法模块,包括用于分析处理后的基础数据的分析单元,用于识别处理后的基础数据中的拓扑结构的拓扑识别单元;
拓扑建立模块,包括用于自适应聚类算法的聚类选择单元,用于评估聚类算法为最佳算法的算法选择单元,用于自动构建电网拓扑结构的拓扑构建单元;
异常检测与更新模块,包括用于检测构建的拓扑结构准确性和异常性的故障检测单元,用于对电网拓扑结构进行实时更新的优化单元;
安全隐私保护模块,用于保护数据机密性、完整性和可用性;
可视化模块,用于展示拓扑结构及聚类结果。
5.根据权利要求4所述的一种电网拓扑自动识别与构建系统,其特征在于:
所述基础数据包括收集的低压配电网的电压、电流、电量的数据;
所述基础数据来源于实时监测数据、历史数据、设备档案。
6.根据权利要求5所述的一种电网拓扑自动识别与构建系统,其特征在于:
所述预处理单元用于对基础数据进行标准化、去除异常值和填补缺失值;
所述维度处理单元采用t-SNE对高维数据进行降维处理,保留数据中的关键信息;
通过t-SNE对基础数据中的高维数据进行降维时,首先要通过相似性对高维数据进行计算,即通过条件概率反映第一基础数据与第二基础数据近邻的可能性,进而进行降维,高维度数据相似度的计算表达式如下所示:
;
其中,为第i个高维数据点与第j个高维数据点的条件概率,为第i个高维数据点,为第j个高维数据点,e为指数常数,k为序数取1,2,3,...,为第k个高维数据点,为高斯分布方差,i取任意正整数,j取任意正整数”,n取1,2,3,...;
所述条件概率用于反映数据点与数据点之间的可能性;
所述高斯分布方差用于决定数据点与数据点之间的近邻范围;
计算低维数据相似度,计算表达式如下所示:
;
其中,为第i个低维数据点与第j个低维数据点的条件概率, 为第i个低维数据点,为第j个低维数据点,e为指数常数,k为序数取1,2,3,...,为第k个低维数据点,为高斯分布方差,i取任意正整数,j取任意正整数”,n取1,2,3,...;
通过最小化散度来计算降维数据空间拥挤度,计算表达式如下所示:
;
其中,T为降维散度;
所述降维散度用于降维数据,同时设置最小化散度防止数据降维后出现拥挤,进一步优化数据降维。
7.根据权利要求6所述的一种电网拓扑自动识别与构建系统,其特征在于:
所述分析单元分析降维后的基础数据的特征相似性和连接关系;
所述拓扑识别单元用于接收分析单元对于拓扑结构的分析结果,通过分析结果识别出连接节点和连接关系;
所述聚类选择单元集成多种聚类算法,通过多种聚类算法对不同电网建立电网拓扑图;
所述算法选择单元通过计算每一种聚类算法建立电网拓扑图的DBI来评估每种聚类算法的效果,选择DBI最小的聚类算法作为最佳聚类算法。
8.根据权利要求7所述的一种电网拓扑自动识别与构建系统,其特征在于:
通过所述安全隐私保护模块保护数据采集安全和隐私保护安全,同时建立电网拓扑图时,确保敏感信息不被泄露。
9.根据权利要求8所述的一种电网拓扑自动识别与构建系统,其特征在于:
可视化模块通过可视化工具,展示聚类结果,验证聚类效果。
10.一种计算机设备,其特征在于:包括:
存储器,用于存储指令;
处理器,用于执行所述指令,使得所述设备执行实现如权利要求1-3中任一项所述的一种电网拓扑自动识别与构建方法。
11.一种计算机可读存储介质,其上存储有计算机程序,其特征在于:该计算机程序被执行时,实现如权利要求1-3中任一项所述的一种电网拓扑自动识别与构建方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410573810.XA CN118133068B (zh) | 2024-05-10 | 一种电网拓扑自动识别与构建方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410573810.XA CN118133068B (zh) | 2024-05-10 | 一种电网拓扑自动识别与构建方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN118133068A CN118133068A (zh) | 2024-06-04 |
CN118133068B true CN118133068B (zh) | 2024-07-16 |
Family
ID=
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4412288A (en) * | 1980-04-01 | 1983-10-25 | Michael Herman | Experiment-machine |
CN113570200A (zh) * | 2021-06-30 | 2021-10-29 | 国电南瑞科技股份有限公司 | 一种基于多维信息的电网运行状态监测方法及系统 |
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4412288A (en) * | 1980-04-01 | 1983-10-25 | Michael Herman | Experiment-machine |
CN113570200A (zh) * | 2021-06-30 | 2021-10-29 | 国电南瑞科技股份有限公司 | 一种基于多维信息的电网运行状态监测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109086913B (zh) | 一种基于深度学习的电力系统暂态稳定评估方法及系统 | |
CN116865258B (zh) | 一种层级构造的分布式电源智能电网构建方法 | |
CN113887846B (zh) | 一种电容式电压互感器的超差风险预警方法 | |
CN111950585A (zh) | 一种基于XGBoost的地下综合管廊安全状况评估方法 | |
CN112035544B (zh) | 一种配电网数据异常监测和诊断方法 | |
CN117114454B (zh) | 一种基于Apriori算法的直流套管状态评估方法及系统 | |
CN115878603A (zh) | 基于k近邻算法与gan网络的水质缺失数据插补算法 | |
CN117078048B (zh) | 基于数字孪生的智慧城市资源管理方法及系统 | |
CN111832974A (zh) | 车辆故障预警方法及存储介质 | |
CN116388402B (zh) | 一种应用于变电设备的异常报警分析方法 | |
CN116933010A (zh) | 一种基于多源数据融合与深度学习的负载率分析评价方法和系统 | |
CN110766320A (zh) | 一种机场智能电网运行安全评价方法及装置 | |
CN117114449A (zh) | 一种电力大数据可视化分析系统及方法 | |
CN113592314A (zh) | 基于西格玛水平的制丝工艺质量评价方法 | |
CN116468426A (zh) | 基于Apriori算法的电网故障确定方法及存储介质 | |
CN115409120A (zh) | 一种基于数据驱动的用户窃电行为检测辅助方法 | |
CN116738192A (zh) | 一种基于数字孪生的安全数据评估方法及系统 | |
CN110597792A (zh) | 基于同期线损数据融合的多级冗余数据融合方法及装置 | |
CN116365519B (zh) | 一种电力负荷预测方法、系统、存储介质及设备 | |
CN118133068B (zh) | 一种电网拓扑自动识别与构建方法及系统 | |
CN117154716A (zh) | 一种分布式电源接入配电网的规划方法及系统 | |
CN118133068A (zh) | 一种电网拓扑自动识别与构建方法及系统 | |
CN116664098A (zh) | 一种光伏电站的异常检测方法及系统 | |
CN113554079B (zh) | 一种基于二次检测法的电力负荷异常数据检测方法及系统 | |
CN116126807A (zh) | 一种日志分析方法及相关装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant |