CN113362076A - 一种配电网10kV双电源户变关系分析方法 - Google Patents
一种配电网10kV双电源户变关系分析方法 Download PDFInfo
- Publication number
- CN113362076A CN113362076A CN202110554796.5A CN202110554796A CN113362076A CN 113362076 A CN113362076 A CN 113362076A CN 202110554796 A CN202110554796 A CN 202110554796A CN 113362076 A CN113362076 A CN 113362076A
- Authority
- CN
- China
- Prior art keywords
- power
- distribution network
- dual
- power distribution
- transformer
- 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
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 32
- 238000000034 method Methods 0.000 claims abstract description 16
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 238000012216 screening Methods 0.000 claims abstract description 7
- 230000005540 biological transmission Effects 0.000 claims abstract description 5
- 238000012545 processing Methods 0.000 claims description 14
- 230000008859 change Effects 0.000 claims description 11
- 230000002159 abnormal effect Effects 0.000 claims description 7
- 238000012795 verification Methods 0.000 claims description 7
- 238000011835 investigation Methods 0.000 claims description 6
- 238000013459 approach Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 4
- 238000013024 troubleshooting Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 2
- 230000009977 dual effect Effects 0.000 description 9
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- 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
- G06Q30/00—Commerce
- G06Q30/01—Customer relationship services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2474—Sequence data queries, e.g. querying versioned data
-
- 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
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Artificial Intelligence (AREA)
- Finance (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Fuzzy Systems (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Databases & Information Systems (AREA)
- Power Engineering (AREA)
- Evolutionary Biology (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Primary Health Care (AREA)
- Tourism & Hospitality (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
Abstract
本发明公开一种配电网10kV双电源户变关系分析方法,包括以下步骤:S1:筛选出配电网10kV双电源用户数据;S2:对于配电网10kV双电源用户数据进行判断,储存和预处理,获取配电网10kV双电源用户的有效数据信息;S3:根据所获取到的有效数据信息,根据配电变压器和输电线路本身带有的感性和容性,提取各台区的特征,构建台区数据特征结构;S4:计算配电网10kV双电源用户关联程度;S5:对低于设定阈值的可疑用户,再运用KNN算法判断电能表对变压器的归属关系;S6:真正确定配电网10kV双电源用户户变关系,能够解决低成本,高识别率的问题。
Description
技术领域
本发明涉及电力电子信息技术领域,尤其涉及一种基于T型灰色关联度和KNN算法的配电网10kV双电源户变关系分析方法。
背景技术
户变关系是台区内各个用电客户与台区供电变压器的供电归属关系,是台区线损分析、拓扑识别、故障研判的基础。户变关系不明确,会造成台区线损分析数据误差大、业扩新增负荷安排不合理、影响负载均衡、降低抢修效率等问题,影响基础业务的实施,也进一步制约电能表的在线监测以及深化应用业务的开展。
而双电源问题是线变异常问题的特殊情况,指的是一个高压用户存在两个或多个计量点,每个计量点分别对应着一条线路。然而,在线路建档以及后期运维过程中,由于档案记录未及时更新,如部分台区因线路的临时改变使户变关系档案更新不及时或记录错误等原因,导致10kV双电源线路中存在部分变压器与用户的对应关系(简称户变关系)存在异常。急需一种方便实用的技术,能够快速准确的梳理出配电网10kV双电源户变关系。
目前配电网10kV双电源户变关系确定主要依靠人工巡线的方式,针对异常的线路进行检查和定位,同时,人工对线路的相关指标进行监控,从而识别出存在异常关系的配电网10kV双电源户变关系。巡线场景主要包括两类:第一种架空线台区,多见于农网台区,由于架空线线路清晰可见,可通过人巡线方式理清户变关系,第二种为地埋电缆台区,多见于经济发达、人口密集的城网台区,由于电缆长埋地下导致人工巡线困难。其中采用停电排查法能够准确识别户变关系,但是影响供电可靠性,只适用于可以停电的台区,应用场景有很大局限性,无法大范围推广。
同时,电力采集***的广泛应用,企业可以获取到大量的电量,电流以及电压等运行中的数据,利用电力降之间存在的关系进行线线性回归判断用户归属以及利用智能电表的电压或电流数据结合载波通信进行相关性分析等,但是这些方法的实用性都比较不理想。
目前依然难以区分定位变压器与线路对应关系的异常,对电网的评价缺少实质性内容,无法有效识别双电源用户中线变错误的用电用户。因此,需要寻找安全、可靠、易于推广的方法理清户变关系。特别是配电网10kV双电源户变关系。
发明内容
本发明提供一种配电网10kV双电源户变关系分析方法,该方法基于T型灰色关联度和KNN算法,能够解决低成本,高识别率的问题。
为解决上述技术问题,本发明采用的方案是:该配电网10kV双电源户变关系分析方法,包括以下步骤:
S1:通过在台区内分类进行设定排查区域,从所有的变压器中筛选出专变用户,通过专变采集终端设备和用电信息采集***,进行双电源供电数据的采集,汇总至主站进行处理,最终筛选出配电网10kV双电源用户数据;
S2:对于所述步骤S1中筛选出的配电网10kV双电源用户数据进行判断,储存和预处理,获取配电网10kV双电源用户的有效数据信息;
S3:根据所述步骤S2中所获取到的有效数据信息,根据配电变压器和输电线路本身带有的感性和容性,提取各台区的特征,构建台区数据特征结构;
S4:利用T型灰色关联度,使用电压时间序列曲线的相对变化势态的接近程度,计算配电网10kV双电源用户关联程度;
S5:对低于设定阈值的可疑用户,再运用KNN算法判断电能表对变压器的归属关系,完成配电网10kV双电源用户户变关系的进一步校验;
S6:根据所述步骤S4和所述步骤S5综合计算得出的结果,对双电源用户进行异常排查分析,从而真正确定配电网10kV双电源用户户变关系。
作为本发明优选技术方案,在所述步骤S1中,首先设定分析区域,对所设定的分析区域内的变压器和电能表的类型、属性和位置进行分别标记,然后专变采集终端设备和用电信息采集***按照分析区域通过无线方式和后台管理中心进行连接传输,专变采集终端设备通过变压器标记的所属资产性质,将从变压器中选出专变用户,再根据每个专变用户对应的电表,以及每块电表对应不同线路的规则进行分析过滤,最后经过主控器处理的数据汇总至主站进行处理,最终形成配电网10kV双电源用户数据。
作为本发明优选技术方案,在所述步骤S2中具有主站处理中心,根据所述步骤S1中从专变采集终端所获取到的配电网10kV双电源用户数据进行判断,储存和预处理,所述配电网10kV双电源用户数据包括电压、电流和功率;针对大量缺失的双电源用户数据,进行补零处理;针对少量缺失数据,采用平均值填充的处理方式;根据规定时间内采集台区变压器及用户的电压和电流数据,其中成功率较高的变压器作为最终配电网10kV双电源用户的有效数据。
作为本发明优选技术方案,在所述步骤S4中,根据所述步骤S2中最终获取到的配电网10kV双电源用户有效数据,利用T型灰色关联度,使用电压时间序列曲线的相对变化势态的接近程度,计算配电网10kV双电源用户关联程度;对于电压时间序列,两条曲线的接近程度即为在对应相同时间段内电压增量的相似度,两条曲线的增量越接近,则代表它们之间的T型关联度就越大。
作为本发明优选技术方案,在所述步骤S4中,T型灰色关联度值的计算方法为:
对于时间区间[a,b],b>a≥0;
Δtk=tk-tk-1;
上述公式中n为[a,b]内时间段的个数;tk为曲线第k个点所处的时刻;两条原始曲线的取值如下:
X1={X1(t1),X1(t2),…,X1(tn)};
X2={X2(t1),X2(t2),…,X2(tn)};
S4-1:标准化,使序列之间拥有可比性;
y1={X1(t1)/D1,k=1,2,…,n}
同理可求得曲线x2对应的D2和y2;
S4-2:求增量序列,
Δy1={Δy1(tk)=y1(tk)-y1(tk-1),k=2,3,...,n}
同理可求得Δy2,
S4-3:计算各时段关联系数,
当Δy1(tk)γΔy2(tk)≠0时,
当Δy1(tk)γΔy2(tk)=0时,
作为本发明优选技术方案,在所述步骤S5中,根据所述步骤S4中所获得关联程度,当有用户与台区距离较远或存在负荷低于设定阈值的可疑用户,单纯的依靠关联度难以判断,需要运用KNN算法判断电能表对变压器的归属关系,进而完成配电网10kV双电源用户户变关系的进一步校验。
与现有技术相比,本发明的具有以下有益效果:本发明主要解决现有的技术存在无法有效识别配电网10kV双电源用户户变关系,通过T型灰色关联度和KNN算法的有效结合,然后计算出每个双电源用户的嫌疑程度,按照嫌疑度的大小,从大到小的顺序进行排列,从嫌疑度大的用户开始重点排查,准确地梳理出变压器和电能表的归属关系,有效识别配电网10kV双电源用户户变关系,从而减少双电源用户的排查时间和成本,同时,极大的降低了供电企业和用电客户的经济损失。
附图说明
下面结合附图和本发明的实施方式进一步详细说明:
图1是本发明的实现流程示意图;
图2是KNN算法计算中分类标签的示意图;
具体实施方式
本发明的配电网10kV双电源户变关系分析方法,包括以下步骤:
S1:通过在台区内分类进行设定排查区域,从所有的变压器中筛选出专变用户,通过专变采集终端设备和用电信息采集***,进行双电源供电数据的采集,汇总至主站进行处理,最终筛选出配电网10kV双电源用户数据;
S2:对于所述步骤S1中筛选出的配电网10kV双电源用户数据进行判断,储存和预处理,获取配电网10kV双电源用户的有效数据信息;
S3:根据所述步骤S2中所获取到的有效数据信息,根据配电变压器和输电线路本身带有的感性和容性,提取各台区的特征,构建台区数据特征结构;
S4:利用T型灰色关联度,使用电压时间序列曲线的相对变化势态的接近程度,计算配电网10kV双电源用户关联程度;
S5:对低于设定阈值的可疑用户,再运用KNN算法判断电能表对变压器的归属关系,完成配电网10kV双电源用户户变关系的进一步校验;
设定阀值为输入待识别台区及其台区下所有用户电压时间序列,计算各用户与台区间T型关联度R,当R大于阀值,则用户属于此台区,当R小于阀值,标记为可疑用户,计算可疑用户与此台区,相邻台区所有用户的T型关联度,由T型关联度和KNN算法确定可疑用户所属台区。
阀值确定台区内所有用户从智能配变终端采集的电压数据,并根据监测的历史数据得出台区变压器和各处用户的电压时间曲线。最终经过拓扑图和采集的数据信息,运用T型关联度和KNN方法识别其台区,多次数据分析后,最终得出T型灰色关联度的阀值;
S6:根据所述步骤S4和所述步骤S5综合计算得出的结果,对双电源用户进行异常排查分析,从而真正确定配电网10kV双电源用户户变关系;
具体的,根据步骤S4计算配电网10kV双电源用户关联程度以及步骤S5的进一步校验,判断用户所属台区时,选择本台区下所有用户和相邻台区下所有用户作为总样本,仅用T型灰色关联度难以判断所属台区的用户为可疑用户;选择其中关联度最大的K个样本,这K个样本中大多数属于哪一台区则判断用户也属于该台区。越接近圆心代表与可疑用户的T型灰色关联度越大;可知可疑用户最近邻中大多数属于一个台区,则判断可疑用户属于同一个台区,从而得出配电网10KV双电源户变关系。
在所述步骤S1中,首先设定分析区域,对所设定的分析区域内的变压器和电能表的类型、属性和位置进行分别标记,然后专变采集终端设备和用电信息采集***按照分析区域通过无线方式和后台管理中心进行连接传输,专变采集终端设备通过变压器标记的所属资产性质,将从变压器中选出专变用户,再根据每个专变用户对应的电表,以及每块电表对应不同线路的规则进行分析过滤,最后经过主控器处理的数据汇总至主站进行处理,最终形成配电网10kV双电源用户数据。
在所述步骤S2中具有主站处理中心,根据所述步骤S1中从专变采集终端所获取到的配电网10kV双电源用户数据进行判断,储存和预处理,所述配电网10kV双电源用户数据包括电压、电流和功率;针对大量缺失的双电源用户数据,进行补零处理;针对少量缺失数据,采用平均值填充的处理方式;根据规定时间内采集台区变压器及用户的电压和电流数据,其中成功率较高的变压器作为最终配电网10kV双电源用户的有效数据。
在所述步骤S4中,根据所述步骤S2中最终获取到的配电网10kV双电源用户有效数据,利用T型灰色关联度,使用电压时间序列曲线的相对变化势态的接近程度,计算配电网10kV双电源用户关联程度;对于电压时间序列,两条曲线的接近程度即为在对应相同时间段内电压增量的相似度,两条曲线的增量越接近,则代表它们之间的T型关联度就越大。
在所述步骤S4中,T型灰色关联度值的计算方法为:
对于时间区间[a,b],b>a≥0;
Δtk=tk-tk-1;
上述公式中n为[a,b]内时间段的个数;tk为曲线第k个点所处的时刻;两条原始曲线的取值如下:
X1={X1(t1),X1(t2),…,X1(tn)};
X2={X2(t1),X2(t2),…,X2(tn)};
S4-1:标准化,使序列之间拥有可比性;
y1={X1(t1)/D1,k=1,2,…,n}
同理可求得曲线x2对应的D2和y2;
S4-2:求增量序列,
Δy1={Δy1(tk)=y1(tk)-y1(tk-1),k=2,3,...,n}
同理可求得Δy2,
S4-3:计算各时段关联系数,
当Δy1(tk)γΔy2(tk)≠0时,
当Δy1(tk)γΔy2(tk)=0时,
在所述步骤S5中,根据所述步骤S4中所获得关联程度,当有用户与台区距离较远或存在负荷低于设定阈值的可疑用户,单纯的依靠关联度难以判断,需要运用KNN算法判断电能表对变压器的归属关系,进而完成配电网10kV双电源用户户变关系的进一步校验。
本实施例中的KNN算法,即K-最邻近算法,输入没有标签的数据后,将这个没有标签的数据的每个特征与训练集中的数据对应的特征进行比较,然后提取特征最相近的数据(最近邻)的分类标签。一般而言,只选择样本数据集中前k个最相似的数据,这就是kNN算法中k的由来,通常k是不大于20的整数。最后,选择k个最相似数据中出现次数最多的类别,作为新数据的分类。
用图2来说明下,分类标签有两类:正方形,三角形。我们待分类的数据是圆形点。
每个样本都可以用与它最接近的K个邻居来代表火在与待校验样本最接近的K个样本中,如果大多数属于特征空间中的某一类,则判断此样本为这一类,且与该类具有相同的特征。
如果k=3,那么离圆形点最近的3个点(2个三角形和1个正方形)(圆形实线以内)中三角形所占比例最大(2/3),于是圆形点属于三角形;如果k=5,那么离圆形点最近5个点(2个三角形和3个正方形)(圆形虚线以内)中正方形所占比例最大(3/5),于是圆形点属于正方形。同时也说明了KNN算法的结果很大程度取决于k的选择。
判断用户所属台区时,选择本台区下所有用户和相邻台区下所有用户作为总样本,仅用T型灰色关联度难以判断所属台区的用户为可疑用户。计算可疑用户与总样本之间的T型灰色关联度,选择其中关联度最大的K个样本,这K个样本中大多数属于哪一台区则判断用户也属于该台区。越接近圆心代表与可疑用户的T型灰色关联度越大。可知可疑用户最近邻中大多数属于一个台区,则判断可疑用户属于台区同一个台区。
对未知类别属性的数据集中的每个点依次执行以下操作步骤如下:
(1)计算已知类别数据集中的点与当前点之间的距离;
(2)按照距离递增依次排序;
(3)选取与当前点距离最小的k个点;
(4)确定前k个点所在类别的出现频率;
返回前k个点出现频率最高的类作为当前点的预测分类。
具体的,如图1所示,首先设定分析区域,对所设定的分析区域内的变压器和电能表的类型、属性和位置进行分别标记,然后专变采集终端设备和用电信息采集***按照分析区域通过无线方式和后台管理中心进行连接传输,专变采集终端设备通过变压器标记的所属资产性质,将从变压器中选出专变用户,再根据每个专变用户对应的电表,以及每块电表对应不同线路的规则进行分析过滤,最后经过主控器处理的数据汇总至主站进行处理,最终形成配电网10kV双电源用户数据。针对于获取到的配电网10kV双电源用户数据,如监测到的电压、电流、功率等数据进行判断,储存和预处理。针对大量缺失的双电源用户数据,进行补零处理。针对少量缺失数据,采用平均值填充的处理方式。根据一定规定时间内(每隔15min)采集台区变压器及用户的电压、电流等数据,其中成功率较高的变压器作为最终配电网10kV双电源用户的有效数据。根据配电变压器和输电线路本身带有的感性和容性,提取各台区的特征,构建台区数据特征结构。利用T型灰色关联度,使用电压时间序列曲线的相对变化势态的接近程度,计算配电网10kV双电源用户关联程度。对于电压时间序列,两条曲线的接近程度即为在对应相同时间段内电压增量的相似度。两条曲线的增量越接近,则代表它们之间的T型关联度就越大。当有用户与台区距离较远或存在负荷低于设定阈值的可疑用户,单纯的依靠关联度难以判断,需要运用KNN算法判断电能表对变压器的归属关系,进而完成配电网10kV双电源用户户变关系的进一步校验。对双电源用户进行异常排查分析,得出每个双电源用户的嫌疑程度,按照嫌疑度的大小,从大到小的顺序进行排列,从嫌疑度大的用户开始重点排查,从而真正确定配电网10kV双电源用户户变关系。
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施例而已,并不用于限制本发明;凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种配电网10kV双电源户变关系分析方法,其特征在于,包括以下步骤:
S1:通过在台区内分类进行设定排查区域,从所有的变压器中筛选出专变用户,通过专变采集终端设备和用电信息采集***,进行双电源供电数据的采集,汇总至主站进行处理,最终筛选出配电网10kV双电源用户数据;
S2:对于所述步骤S1中筛选出的配电网10kV双电源用户数据进行判断,储存和预处理,获取配电网10kV双电源用户的有效数据信息;
S3:根据所述步骤S2中所获取到的有效数据信息,根据配电变压器和输电线路本身带有的感性和容性,提取各台区的特征,构建台区数据特征结构;
S4:利用T型灰色关联度,使用电压时间序列曲线的相对变化势态的接近程度,计算配电网10kV双电源用户关联程度;
S5:对低于设定阈值的可疑用户,再运用KNN算法判断电能表对变压器的归属关系,完成配电网10kV双电源用户户变关系的进一步校验;
S6:根据所述步骤S4和所述步骤S5综合计算得出的结果,对双电源用户进行异常排查分析,从而真正确定配电网10kV双电源用户户变关系。
2.根据权利要求1中所述的配电网10kV双电源户变关系分析方法,其特征在于,在所述步骤S1中,首先设定分析区域,对所设定的分析区域内的变压器和电能表的类型、属性和位置进行分别标记,然后专变采集终端设备和用电信息采集***按照分析区域通过无线方式和后台管理中心进行连接传输,专变采集终端设备通过变压器标记的所属资产性质,将从变压器中选出专变用户,再根据每个专变用户对应的电表,以及每块电表对应不同线路的规则进行分析过滤,最后经过主控器处理的数据汇总至主站进行处理,最终形成配电网10kV双电源用户数据。
3.根据权利要求2中所述的配电网10kV双电源户变关系分析方法,其特征在于,在所述步骤S2中具有主站处理中心,根据所述步骤S1中从专变采集终端所获取到的配电网10kV双电源用户数据进行判断,储存和预处理,所述配电网10kV双电源用户数据包括电压、电流和功率;针对大量缺失的双电源用户数据,进行补零处理;针对少量缺失数据,采用平均值填充的处理方式;根据规定时间内采集台区变压器及用户的电压和电流数据,其中成功率较高的变压器作为最终配电网10kV双电源用户的有效数据。
4.根据权利要求1中所述的配电网10kV双电源户变关系分析方法,其特征在于,在所述步骤S4中,根据所述步骤S2中最终获取到的配电网10kV双电源用户有效数据,利用T型灰色关联度,使用电压时间序列曲线的相对变化势态的接近程度,计算配电网10kV双电源用户关联程度;对于电压时间序列,两条曲线的接近程度即为在对应相同时间段内电压增量的相似度,两条曲线的增量越接近,则代表它们之间的T型关联度就越大。
5.根据权利要求4中所述的配电网10kV双电源户变关系分析方法,其特征在于,在所述步骤S4中,T型灰色关联度值的计算方法为:
对于时间区间[a,b],b>a≥0;
Δtk=tk-tk-1;
上述公式中n为[a,b]内时间段的个数;tk为曲线第k个点所处的时刻;
两条原始曲线的取值如下:
X1={X1(t1),X1(t2),…,X1(tn)};
X2={X2(t1),X2(t2),…,X2(tn)};
S4-1:标准化,使序列之间拥有可比性;
y1={X1(t1)/D1,k=1,2,…,n}
同理可求得曲线x2对应的D2和y2;
S4-2:求增量序列,
Δy1={Δy1(tk)=y1(tk)-y1(tk-1),k=2,3,...,n}
同理可求得Δy2,
S4-3:计算各时段关联系数,
当Δy1(tk)γΔy2(tk)≠0时,
当Δy1(tk)γΔy2(tk)=0时,
6.根据权利要求1中所述的配电网10kV双电源户变关系分析方法,其特征在于,在所述步骤S5中,根据所述步骤S4中所获得关联程度,当有用户与台区距离较远或存在负荷低于设定阈值的可疑用户,单纯的依靠关联度难以判断,需要运用KNN算法判断电能表对变压器的归属关系,进而完成配电网10kV双电源用户户变关系的进一步校验。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110554796.5A CN113362076A (zh) | 2021-05-21 | 2021-05-21 | 一种配电网10kV双电源户变关系分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110554796.5A CN113362076A (zh) | 2021-05-21 | 2021-05-21 | 一种配电网10kV双电源户变关系分析方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113362076A true CN113362076A (zh) | 2021-09-07 |
Family
ID=77527204
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110554796.5A Pending CN113362076A (zh) | 2021-05-21 | 2021-05-21 | 一种配电网10kV双电源户变关系分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113362076A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115577993A (zh) * | 2022-12-09 | 2023-01-06 | 江苏瑞电智芯信息科技有限公司 | 一种基于时序匹配的台区户变识别方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106250927A (zh) * | 2016-07-29 | 2016-12-21 | 国网河南省电力公司电力科学研究院 | 基于k最近邻分类算法的配电网拓扑结构校验方法 |
CN109344144A (zh) * | 2018-09-06 | 2019-02-15 | 葛得辉 | 一种低压台区户变关系识别方法和*** |
CN111191915A (zh) * | 2019-12-27 | 2020-05-22 | 国网浙江海盐县供电有限公司 | 一种基于配电网运行数据的10kV双电源用户线变关系分析方法 |
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*** |
CN111596232A (zh) * | 2020-06-15 | 2020-08-28 | 四川中电启明星信息技术有限公司 | 一种基于电压序列变点检测的户变关系校验方法 |
CN112288015A (zh) * | 2020-10-30 | 2021-01-29 | 国网四川省电力公司电力科学研究院 | 基于边缘计算改进knn的配网电气拓扑识别方法及*** |
CN112636335A (zh) * | 2020-12-07 | 2021-04-09 | 云南电网有限责任公司昆明供电局 | 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*** |
-
2021
- 2021-05-21 CN CN202110554796.5A patent/CN113362076A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106250927A (zh) * | 2016-07-29 | 2016-12-21 | 国网河南省电力公司电力科学研究院 | 基于k最近邻分类算法的配电网拓扑结构校验方法 |
CN109344144A (zh) * | 2018-09-06 | 2019-02-15 | 葛得辉 | 一种低压台区户变关系识别方法和*** |
CN111191915A (zh) * | 2019-12-27 | 2020-05-22 | 国网浙江海盐县供电有限公司 | 一种基于配电网运行数据的10kV双电源用户线变关系分析方法 |
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*** |
CN111596232A (zh) * | 2020-06-15 | 2020-08-28 | 四川中电启明星信息技术有限公司 | 一种基于电压序列变点检测的户变关系校验方法 |
CN112288015A (zh) * | 2020-10-30 | 2021-01-29 | 国网四川省电力公司电力科学研究院 | 基于边缘计算改进knn的配网电气拓扑识别方法及*** |
CN112636335A (zh) * | 2020-12-07 | 2021-04-09 | 云南电网有限责任公司昆明供电局 | 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*** |
Non-Patent Citations (2)
Title |
---|
冯鹤林: "一种改进的T型灰色关联度及应用研究", 《统计与决策》 * |
肖勇等: "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", 《电力***保护与控制》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115577993A (zh) * | 2022-12-09 | 2023-01-06 | 江苏瑞电智芯信息科技有限公司 | 一种基于时序匹配的台区户变识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110097297B (zh) | 一种多维度窃电态势智能感知方法、***、设备及介质 | |
CN106022592B (zh) | 一种用电行为异常检测与治安风险预警方法及装置 | |
CN109829497B (zh) | 一种基于监督学习的台区用户识别及判别方法 | |
CN113189451A (zh) | 配电网故障定位研判方法、***、计算机设备和存储介质 | |
CN111080105A (zh) | 基于电压时序数据的台区户变关系识别方法及*** | |
CN109190916A (zh) | 基于大数据分析的反窃电方法 | |
CN112307435A (zh) | 一种基于模糊聚类和趋势判断筛查用电量异常的方法 | |
CN110690699B (zh) | 一种基于泛在电力物联网的变电站智慧检测*** | |
Han et al. | FNFD: A fast scheme to detect and verify non-technical loss fraud in smart grid | |
CN115170000A (zh) | 一种基于电能表通信模块的远程监测方法及*** | |
CN108415885A (zh) | 基于近邻回归的实时公交客流预测方法 | |
CN112257013A (zh) | 高损台区基于动态时间弯曲算法的窃电用户识别定位方法 | |
CN115345466A (zh) | 基于网架拓扑与多源数据融合的配电网在线评估*** | |
CN114091549A (zh) | 一种基于深度残差网络的设备故障诊断方法 | |
CN113362076A (zh) | 一种配电网10kV双电源户变关系分析方法 | |
Zhang et al. | Theories, applications and trends of non-technical losses in power utilities using machine learning | |
CN116845863A (zh) | 基于时空轨迹的末端电网异常设备接入告警方法及装置 | |
Lin et al. | Voltage sag severity analysis based on improved FP-Growth algorithm and AHP algorithm | |
CN115146735A (zh) | 用户用电异常识别 | |
CN110995465B (zh) | 信通点位全景视图信息运维方法及*** | |
CN111191915B (zh) | 一种基于配电网运行数据的10kV双电源用户线变关系分析方法 | |
Biscarri et al. | A data mining method based on the variability of the customer consumption-A special application on electric utility companies | |
CN114066219A (zh) | 一种关联矩阵下用电异常点智能识别的窃电分析方法 | |
CN112258338A (zh) | 一种基于最近邻算法的基站费用自动化稽核方法 | |
Narang et al. | Anomaly detection in diurnal CPS monitoring data using a local density approach |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210907 |