CN113659564B - 基于电压波动特征聚类的低压配电网拓扑识别方法及*** - Google Patents
基于电压波动特征聚类的低压配电网拓扑识别方法及*** Download PDFInfo
- Publication number
- CN113659564B CN113659564B CN202110810898.9A CN202110810898A CN113659564B CN 113659564 B CN113659564 B CN 113659564B CN 202110810898 A CN202110810898 A CN 202110810898A CN 113659564 B CN113659564 B CN 113659564B
- Authority
- CN
- China
- Prior art keywords
- voltage
- voltage fluctuation
- fluctuation characteristic
- clustering
- cluster
- 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
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000004422 calculation algorithm Methods 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000003064 k means clustering Methods 0.000 claims description 9
- 238000013075 data extraction Methods 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 description 7
- 230000009466 transformation Effects 0.000 description 6
- 239000011159 matrix material Substances 0.000 description 5
- 238000004088 simulation Methods 0.000 description 5
- 239000006185 dispersion Substances 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
-
- 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
- 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
- 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
- H02J13/00004—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 the power network being locally controlled
-
- 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
-
- 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]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
- Y02B90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02B90/20—Smart grids as enabling technology in buildings sector
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S40/00—Systems for electrical power generation, transmission, distribution or end-user application management characterised by the use of communication or information technologies, or communication or information technology specific aspects supporting them
- Y04S40/12—Systems for electrical power generation, transmission, distribution or end-user application management characterised by the use of communication or information technologies, or communication or information technology specific aspects supporting them characterised by data transport means between the monitoring, controlling or managing units and monitored, controlled or operated electrical equipment
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Power Engineering (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Public Health (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- General Health & Medical Sciences (AREA)
- Water Supply & Treatment (AREA)
- Probability & Statistics with Applications (AREA)
- Primary Health Care (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种基于电压波动特征聚类的低压配电网拓扑识别方法及***,包括获取相邻台区各配电变压器低压侧在预设的时间段内的三相电压序列数据;获取所述相邻台区内各用户在所述预设的时间段内的电压序列数据;从每个所述配电变压器的所述电压序列数据中提取对应的电压波动特征参数,以得到第一电压波动特征参数;从每个用户的所述电压序列数据中提取对应的电压波动特征参数,以得到第二电压波动特征参数;根据所述第一电压波动特征参数和所述第二电压波动特征参数进行聚类识别,以确定所述台区配电变压器及相别与各用户之间的对应关系。本发明基于第一电压波动特征参数和第二电压波动特征参数进行聚类,可准确识别用户的户变关系和相位关系。
Description
技术领域
本发明涉及配电网技术领域,特别涉及一种基于电压波动特征聚类的低压配电网拓扑识别方法及***。
背景技术
准确的配电网拓扑结构是配电网安全运行、维护和故障定位的基础,用户所属配电变压器及相别是配电网拓扑结构的重要内容之一。当前,低压台区的拓扑数据基本上靠人工录入计算机***,缺乏有效手段识别人工录入的数据。随着社会经济的不断发展,居民用电负荷快速增长,造成低压台区电力设施迁建、扩容等变动,而计算机***中户变关系及用户相别并未及时更新,因此亟需有效的识别方法。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一。为此,本发明提出一种基于电压波动特征聚类的低压配电网拓扑识别方法及***,能够有效识别用户的户变关系和相位关系。
第一方面,根据本发明实施例的基于电压波动特征聚类的低压配电网拓扑识别方法,包括步骤:
获取相邻台区各配电变压器低压侧在预设的时间段内的三相电压序列数据;
获取所述相邻台区内各用户在所述预设的时间段内的电压序列数据;
从每个所述配电变压器的所述三相电压序列数据中提取对应的电压波动特征参数,以得到第一电压波动特征参数;
从每个用户的所述电压序列数据中提取对应的电压波动特征参数,以得到第二电压波动特征参数;
根据所述第一电压波动特征参数和所述第二电压波动特征参数进行聚类识别,以确定所述台区配电变压器与各用户之间的对应关系。
根据本发明实施例的基于电压波动特征聚类的低压配电网拓扑识别方法,至少具有如下有益效果:
从台变的电压序列数据和用户的电压序列数据中分别提取对应的第一电压波动特征参数和第二电压波动特征参数,并基于第一电压波动特征参数和第二电压波动特征参数进行聚类识别,可以有效识别用户的户变关系和相位关系。
根据本发明的一些实施例,所述第一电压波动特征参数和所述第二电压波动特征参数均包括标准差、峭度、偏斜度、斜率、波峰位置相同数目和波谷位置相同数目。
根据本发明的一些实施例,所述根据所述第一电压波动特征参数和所述第二电压波动特征参数进行聚类识别,包括步骤:
根据所述台区配电变压器的数量,确定所述聚类识别的聚类簇数为所述台区配电变压器数量的3倍;
根据所述聚类簇数,采用K-means聚类算法对所述第一电压波动特征参数和所述第二电压波动特征参数进行聚类识别,其中,确定所述相邻台区配电变压器的所述第一电压波动特征参数为初始聚类中心。
根据本发明的一些实施例,所述根据所述聚类簇数,采用K-means聚类算法对所述第一电压波动特征参数和所述第二电压波动特征参数进行聚类识别,包括步骤:
将所有的所述第一电压波动特征参数和所述第二电压波动特征参数确定为样本数据;
计算所述样本数据中的每一个样本与每个聚类中心之间的距离,得到距离数据;
在所述距离数据中,确定每一个所述样本对应的最小距离数据;
根据所述最小距离数据,将所述样本划分聚类到对应的簇;
更新所述聚类中心,并进行聚类结束检测。
根据本发明的一些实施例,所述距离数据中第i个样本Ci与第j个聚类中心aj的距离的计算公式为:
其中,s为样本的维度,s=2n+m+1,n为样本总数,m为每个电压序列的长度。
根据本发明的一些实施例,所述更新所述聚类中心的计算公式为:
更新后的聚类中心其中,aj为第j个聚类中心,nj为属于第j个聚类的样本总数。
根据本发明的一些实施例,所述进行聚类结束检测,包括:
根据目标函数确定目标函数值;
当所述目标函数值小于预设值时,聚类结束。
第二方面,根据本发明实施例的基于电压波动特征聚类的低压配电网拓扑识别***,包括:
第一数据获取模块,用于获取相邻台区配电变压器低压侧在预设的时间段内的三相电压序列数据;
第二数据获取模块,用于获取所述相邻台区内各用户在所述预设的时间段内的电压序列数据;
第一数据提取模块,用于从每个所述配电变压器的所述三相电压序列数据中提取对应的电压波动特征参数,以得到第一电压波动特征参数;
第二数据提取模块,用于从每个用户的所述电压序列数据中提取对应的第二电压波动特征参数,以得到第二电压波动特征参数;
聚类识别模块,用于根据所述第一电压波动特征参数和所述第二电压波动特征参数进行聚类识别,以确定所述台区配电变压器与各用户之间的对应关系。
第三方面,根据本发明实施例的低压配电网拓扑识别设备,包括处理器,所述处理器用于执行上述的基于电压波动特征聚类的低压配电网拓扑识别方法。
第四方面,根据本发明实施例的计算机可读存储介质,所述计算机可读存储介质存储有计算机成像,所述计算机程序被处理器执行时实现上述的基于电压波动特征聚类的低压配电网拓扑识别方法。
本发明的附加方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解,其中:
图1为本发明实施例的基于电压波动特征聚类的低压配电网拓扑识别方法的步骤流程图;
图2为本发明实施例的仿真示例的低压配电台区的拓扑结构;
图3为本发明实施例的仿真示例的台变和用户电压曲线;
图4为本发明实施例的基于电压波动特征聚类的低压配电网拓扑识别***的原理框图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本发明,而不能理解为对本发明的限制。
在本发明的描述中,“若干”的含义是一个或者多个,“多个”的含义是两个以上,大于、小于、超过等理解为不包括本数,“以上”、“以下”、“以内”等理解为包括本数。如果有描述到“第一”、“第二”等只是用于区分技术特征为目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。
在本发明的描述中,对方法步骤的连续标号是为了方便审查和理解,结合本发明的整体技术方案以及各个步骤之间的逻辑关系,调整步骤之间的实施顺序并不会影响本发明技术方案所达到的技术效果。
实施例1
请参照图1,本实施例公开了一种基于电压波动特征聚类的低压配电网拓扑识别方法,包括步骤:
S100、获取相邻台区各配电变压器低压侧在预设的时间段内的三相电压序列数据。
S200、获取相邻台区内各用户在该预设的时间段内的电压序列数据。
S300、从每个配电变压器的三相电压序列数据中提取对应的电压波动特征参数,以得到第一电压波动特征参数;
S400、从每个用户的电压序列数据中提取对应的电压波动特征参数,以得到第二电压波动特征参数;
S500、根据第一电压波动特征参数和第二电压波动特征参数进行聚类识别,以确定台区配电变压器与各用户之间的对应关系。
在电力***中,台区是指一台变压器的供电范围或区域,台区配电变压器,简称为台变,是指安装在某个台区内运行的配电变压器。在电力***的低压配电网中,受负荷及其它诸多因素的影响,台变电压和用户电压经常发生波动,通过安装在台变侧的智能终端和安装在用户侧的智能电表,可以获得相应的电压序列数据,从而形成电压波动曲线。值得注意的是,在通常情况下,台变的电压序列数据为三相电压序列数据,用户的电压序列数据为单相电压序列数据。其中,智能电表能够按照预先设定的时间间隔记录用户的多种用电信息,并通过通信网络将信息传送到数据中心。目前,变压器终端设备及大部分用户智能电表具有对电压、电流和电能等电气量进行采集的功能,可以获得低压配电网的运行数据。在低压配电网中,电气距离较近的用户电压的波动曲线相似度较高,而电气距离较远的用户电压的波动曲线相似度较低,本发明实施例基于这一原理对用户和台变进行聚类。考虑到若只根据台变的电压序列数据和用户的电压序列数据进行聚类,只是考虑电压序列的全局特征,而忽略了波形幅值的变化、波形趋势的变化以及波形起伏的变化等细节信息,对局部特征的分析不足,可能会导致聚类的结果出现错误,因此,本发明实施例从台变的电压序列数据和用户的电压序列数据中分别提取对应的第一电压波动特征参数和第二电压波动特征参数,并基于所有的第一电压波动特征参数和第二电压波动特征参数进行聚类识别,可以有效识别用户的户变关系和相位关系。在本实施例中,台变的三相电压序列数据和用户的电压序列数据统称为电压序列数据,第一电压波动特征参数和第二电压波动特征参数统称为电压波动特征参数。
其中,第一电压波动特征参数和第二电压波动特征参数均包括标准差、峭度、偏斜度、斜率、波峰位置相同数目和波谷位置相同数目。为了便于对反映电压曲线波动的全局特征参数和局部特征参数的理解,下面对各个参数进行具体解释:
(1)标准差(Std),标准差越大,电压序列数据的离散程度越大,反之,离散程度越小。
式中,Std为电压序列数据X的标准差,为电压序列数据X的均值,xi为第i个电压序列数据。
(2)峭度(Kurtosis),电压序列数据X的4阶标准矩峭度,其反应电压序列数据的分布特征。
式中,Kurtosis为电压序列数据X的峭度,μ为电压序列数据X的均值,Std为电压序列数据X的标准差。
(3)偏斜度(Skewness),电压序列数据X的3阶标准矩称为偏斜度,其反应电压序列数据的分布偏斜方向及程度。
式中,Skewness为电压序列数据X的偏斜度,μ为电压序列数据X的均值,Std为电压序列数据X的标准差。
(4)斜率(Slope),反映电压曲线在每一采集时刻电压波动的趋势。设电压序列X={x1,x2,...,xm},则斜率为:
式中,Slope为电压序列数据X的偏斜度。
(5)波峰位置相同数目(Equal Number of Crest Positions,ENCP),在采集时间内波峰位置表示电压波形的极大值点,一方面反映电压波形即将下降的位置,另一方面反映局部最大值。通过统计两个电压波形的波峰位置相同数目,得到两电压曲线波动起伏的局部特征。如果两个电压序列相近,那么这两个电压序列与所有样本电压序列的波峰位置相同数目组成的序列也具有较强的相似性。
(6)波谷位置相同数目(Equal Number of Trough Positions,ENTP),在采集时间内波谷位置表示电压波形的极小值点,一方面反映电压波形即将升高的位置,另一方面反映局部最小值。通过统计两个电压波形的波谷位置相同数目,得到两个电压曲线波动起伏的局部特征。
为了便于对数据进行处理,第一电压波动特征参数和第二电压波动特征参数可以采用矩阵形式表示,即电压波动特征参数
C=[Std,Kurtosis,Skewness,Slope,ENCP,ENTP] (5)
式中,特征参数Std、Kurtosis、Skewness和Slope均是根据每个电压序列自身求出,具体计算方式参见公式(1)~(4);
特征参数ENCP和ENTP,需要比较所有参与拓扑识别的电压序列数据(包括台变的三相电压序列数据和用户的电压序列数据)。
设所有参与拓扑关系识别的电压序列数据组成的矩阵为:
Y=[Y1,Y2,…,Yi,…,Yn] (6)
式中,n为所有参与拓扑关系识别的电压序列数据的总数,即样本总数;Yi为第i个样本的电压序列,Yi={y1,y2,…ym},m为电压序列的长度。
那么,特征参数波峰位置相同数目ENCP和波谷位置相同数目ENTP的计算如下:
ENCP=countP(Yi,Yk) (7)
ENTP=countT(Yi,Yk) (8)
式中,k∈[1,n],Yk为遍历样本矩阵Y的电压序列;countP(Yi,Yk)为电压序列Yi与所有样本电压序列波峰位置的相同数目组成的集合,大小为1×n;countT(Yi,Yk)为电压序列Yi与所有样本电压序列波谷位置的相同数目组成的集合,大小为1×n。
按照上述原理将所有样本的电压序列数据进行处理,将得到的6个特征参数进行组合,得到样本的电压波动特征参数矩阵Cs×n,其中s=2n+m+1,n为样本总数,m为每个电压序列的长度。
不同的电压序列的波动特征参数的幅值具有很大的差异,为了避免将不同幅值的参数进行比较,需对数据进行归一化,将有量纲的值转换成无量纲的值。对于组合参数C中的特征参数按列进行最值归一化,其归一化表达式为:
式中,i∈[1,s],j∈[1,n],Cij为C中第i行第j列元素;min(Cj)为第j列的最小值;max(Cj)为第j列的最大值;Ci′j中的每个元素均属于[0,1]。
K-means算法是一种比较简单的无监督学习方法,需要给定一个样本分类的个数K,然后将实现输入的数据按照一定的规则分成K个聚类,使得所获的聚类中的对象相似度高,而不同聚类中的对象相似度低。该算法的主要原理是以空间中K个点为中心进行聚类,将最靠近它们的对象归为一类,通过不断地迭代计算,逐步更新各自的聚类中心。在户变关系辨识和相别辨识中事先知道聚类的数目,应用K-means算法进行聚类较为简单方便。
因此,上述步骤S500、根据第一电压波动特征参数和第二电压波动特征参数进行聚类识别,包括步骤:
S510、根据台区配电变压器的数量,确定聚类识别的聚类簇数为台区配电变压器数量的3倍。
例如,以相邻的两个台区为例,每个台区设置有一个台变,因此台变(台区配电变压器)的数量为2台,每个台变的低压侧输出A相、B相和C相的三相电压,为了能够识别用户电压与台变之间的户变关系和相变关系,将每个台变的每相电压对应第一电压波动特征参数作为初始聚类中心,则可以确定聚类识别的聚类簇数K=2×3=6。
S520、根据聚类簇数,采用K-means聚类算法对第一电压波动特征参数和第二电压波动特征参数进行聚类识别,其中,确定相邻台区配电变压器的第一电压波动特征参数为初始聚类中心,具体的,步骤S520,包括步骤:
S521、将所有的第一电压波动特征参数和第二电压波动特征参数确定为样本数据。
假设第一个台变的A相、B相、C相电压的第一电压波动特征参数分别为C1、C2、C3,第二个台变的A相、B相、C相电压的第一电压波动特征参数分别为C4、C5、C6,第一个用户电压的第二电压波动特征参数为C7,第二个用户电压的第二电压波动特征参数为C8,...,如此可得到n个电压波动特征参数,第i个电压波动特征参数为Ci。所有的第一电压波动特征参数和第二电压波动特征参数组成一个样本数据,则样本数据的电压波动特征参数的集合C={C1,C2,…,Ci…,Cn},聚类的簇数为K,聚类中心为A={a1,a2,…,ak}。
S522、计算样本数据中的每一个样本与每个聚类中心之间的距离,得到距离数据,其中距离数据中第i个样本Ci与第j个聚类中心aj的距离的计算公式为:
其中,s为样本的维度,s=2n+m+1,n为样本总数,m为每个电压序列的长度。
S523、在距离数据中,确定每一个样本对应的最小距离数据。
例如,在距离数据中,样本Ci与聚类中心a1、a2、...、ak之间的距离分别为d1、d2、...、dk,则在d1、d2、...、dk中查找最小值,该最小值为样本Ci对应的最小距离数据。
S524、根据最小距离数据,将样本划分聚类到对应的簇。
根据聚类算法的原理,样本Ci与聚类中心之间的距离越小,则说明样本样本Ci越靠近聚类中心,将靠近该聚类中心的样本Ci归为一类。
S525、更新聚类中心,并进行聚类结束检测。
具体的,更新聚类中心的计算公式为:
更新后的聚类中心
其中,aj为第j个聚类中心,nj为属于第j个聚类的样本总数。
根据本发明的一些实施例,进行聚类结束检测,包括:
根据目标函数E,确定目标函数值;其中,
当目标函数值达到预设值时,聚类结束,否则重复步骤S522~步骤S525。
下面参照附图2和图3,以一个仿真示例来对本发明实施例的技术方案进行更加详细的分析验证。值得理解的是,以下描述仅是示例性说明,并非对本发明的具体限制。
某低压配电网拓扑结构如图2所示。采用Matlab/Simulink建立两个低压配电台区的仿真模型,两个台区中台变变比均为10/0.4,台变T1低压侧三相电压分别用U1A、U1B、U1C来表示。台变T2低压侧三相电压分别用U2A、U2B、U2C来表示。节点1~25表示25个用户。其中用户1~4挂接在台变T1的A相,用户5~8挂接在台变T1的B相,用户9~13挂接在台变T1的C相,用户14~16挂接在台变T2的A相,用户17~20挂接在台变T2的B相,用户21~25挂接在台变T2的C相。
按15分钟1次的频度在2~5kW间随机给出该台区各用户的有功功率值(即电压序列),并假定用户的功率因数为0.9~0.95。通过仿真,获得台变低压侧电压及三个台区用户电压的有效值,如图3所示。图3中显示一天中25个用户电压曲线与2个台变的三相电压曲线,电压曲线波形十分相似,从电压曲线的整体特征难以有效区分出拓扑关系。
本实施例从台变的电压序列和用户的电压序列中分别提取台变电压曲线和用户电压曲线的波动特征,得到台变和用户电压波动特征参数矩阵。采用K-means算法直接对25个用户的电压数据和2个台变的电压序列数据进行聚类,聚类结果见表1。提取电压曲线的波动特征,采用K-means算法对25个用户的和2个台变的电压波动特征参数进行聚类,聚类结果见表2。
表1
表2
由表1可知,利用电压数据对用户与台变进行聚类,可以聚出6类(台变的每相电压为一类),但是用户所属台变的相位关系判别出错。因此,从电压序列数据的整体特征进行聚类,无法区分出较为相近的电压曲线。由表2可得,利用电压波特征参数对用户与台变进行聚类,根据聚类结果判别出用户1~4挂接在台变T1的A相,用户5~8挂接在台变T1的B相,用户9~13挂接在台变T1的C相,用户14~16挂接在台变T2的A相,用户17~20挂接在台变T2的B相,用户21~25挂接在台变T2的C相,这与搭建的模型结果一致。因此,利用电压波动特征不仅可以准确地判别出用户所属台变,而且可以准确地判别出用户所属台变的具体相维,拓扑识别准确率高,简单易行。
根据上述的分析可知,本发明实施例的基于电压波动特征聚类的配电网户变关系识别方法具有以下特点:
1)深入分析台变和用户的电压曲线,归纳出电压曲线的特征参数,提出电压曲线波动特征参数,从全局特征和局部特征全面分析电压曲线。
2)采用k-means算法,基于用户和台变的电压波动特征,对用户和台变进行聚类,户变关系和相位关系识别准确率高,且方法简单易行。
3)利用历史电表电压已知数据对低压配电网络结构展开识别,不需要新增设备,减少了投资,减轻了运行人员的劳动强度。
实施例2
请参照图4,基于实施例1的低压配电网拓扑识别方法,本发明实施例公开一种基于电压波动特征聚类的低压配电网拓扑识别***,包括:
第一数据获取模块210,用于获取相邻台区各配电变压器低压侧在预设的时间段内的三相电压序列数据;
第二数据获取模块220,用于获取相邻台区内各用户在该预设的时间段内的电压序列数据;
第一数据提取模块230,用于从每个配电变压器的三相电压序列数据中提取对应的电压波动特征参数,以得到第一电压波动特征参数;
第二数据提取模块240,用于从每个用户的电压序列数据中提取对应的电压波动特征参数,以得到第二电压波动特征参数;
聚类识别模块250,用于根据第一电压波动特征参数和第二电压波动特征参数进行聚类识别,以确定台区配电变压器与各用户之间的对应关系。
本发明实施例从台变的电压序列数据和用户的电压序列数据中分别提取对应的第一电压波动特征参数和第二电压波动特征参数,并基于所有的第一电压波动特征参数和第二电压波动特征参数进行聚类识别,可以有效识别用户的户变关系和相位关系。
其中,聚类识别模块250用于执行以下步骤:
根据所述台区配电变压器的数量和电压的相位数量,确定所述聚类识别的聚类簇数;
根据所述聚类簇数,采用K-means聚类算法对所述第一电压波动特征参数和所述第二电压波动特征参数进行聚类识别,其中,确定所述相邻台区配电变压器的所述第一电压波动特征参数为初始聚类中心。其中,采用K-means聚类算法的具体步骤可参照实施例1的基于电压波动特征聚类的低压配电网拓扑识别方法中的相关叙述。为避免重复,本实施例不再累述。
实施例3
本发明实施例公开一种低压配电网拓扑识别设备,包括处理器,处理器用于执行上述的基于电压波动特征聚类的低压配电网拓扑识别方法。当该方法被执行时,可以从台变的电压序列数据和用户的电压序列数据中分别提取对应的第一电压波动特征参数和第二电压波动特征参数,并基于所有的第一电压波动特征参数和第二电压波动特征参数进行聚类识别,可以有效识别用户的户变关系和相位关系。
实施例4
本发明实施例公开一种计算机可读存储介质,计算机可读存储介质存储有计算机成像,计算机程序被处理器执行时实现上述的基于电压波动特征聚类的低压配电网拓扑识别方法。当该方法被实现时,可以从台变的电压序列数据和用户的电压序列数据中分别提取对应的第一电压波动特征参数和第二电压波动特征参数,并基于所有的第一电压波动特征参数和第二电压波动特征参数进行聚类识别,可以有效识别用户的户变关系和相位关系。
上面结合附图对本发明实施例作了详细说明,但是本发明不限于上述实施例,在所属技术领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下作出各种变化。
Claims (5)
1.一种基于电压波动特征聚类的低压配电网拓扑识别方法,其特征在于,包括步骤:
获取相邻台区各配电变压器低压侧在预设的时间段内的三相电压序列数据;
获取所述相邻台区内各用户在所述预设的时间段内的电压序列数据;
从每个所述配电变压器的所述三相电压序列数据中提取对应的电压波动特征参数,以得到第一电压波动特征参数;
从每个用户的所述电压序列数据中提取对应的电压波动特征参数,以得到第二电压波动特征参数;
根据所述第一电压波动特征参数和所述第二电压波动特征参数进行聚类识别,以确定台区配电变压器与各用户之间的对应关系;
所述根据所述第一电压波动特征参数和所述第二电压波动特征参数进行聚类识别,包括步骤:根据所述台区配电变压器的数量,确定所述聚类识别的聚类簇数为所述台区配电变压器数量的3倍;根据所述聚类簇数,采用K-means聚类算法对所述第一电压波动特征参数和所述第二电压波动特征参数进行聚类识别,其中,确定相邻台区配电变压器的所述第一电压波动特征参数为初始聚类中心;
所述根据所述聚类簇数,采用K-means聚类算法对所述第一电压波动特征参数和所述第二电压波动特征参数进行聚类识别,包括步骤:将所有的所述第一电压波动特征参数和所述第二电压波动特征参数确定为样本数据;计算所述样本数据中的每一个样本与每个聚类中心之间的距离,得到距离数据;在所述距离数据中,确定每一个所述样本对应的最小距离数据;根据所述最小距离数据,将所述样本划分聚类到对应的簇;更新所述聚类中心,并进行聚类结束检测;
所述距离数据中第i个样本Ci与第j个聚类中心aj的距离的计算公式为:其中s为样本的维度,s=2n+m+1,n为样本总数,m为每个电压序列的长度;
所述更新所述聚类中心的计算公式为:更新后的聚类中心其中,aj为第j个聚类中心,nj为属于第j个聚类的样本总数;
所述进行聚类结束检测,包括:根据目标函数确定目标函数值;当所述目标函数值小于预设值时,聚类结束。
2.根据权利要求1所述的基于电压波动特征聚类的低压配电网拓扑识别方法,其特征在于,所述第一电压波动特征参数和所述第二电压波动特征参数均包括标准差、峭度、偏斜度、斜率、波峰位置相同数目和波谷位置相同数目。
3.一种基于电压波动特征聚类的低压配电网拓扑识别***,其特征在于,包括:
第一数据获取模块,用于获取相邻台区配电变压器低压侧在预设的时间段内的三相电压序列数据;
第二数据获取模块,用于获取所述相邻台区内各用户在所述预设的时间段内的电压序列数据;
第一数据提取模块,用于从每个所述配电变压器的所述三相电压序列数据中提取对应的电压波动特征参数,以得到第一电压波动特征参数;
第二数据提取模块,用于从每个用户的所述电压序列数据中提取对应的电压波动特征参数,以得到第二电压波动特征参数;
聚类识别模块,用于根据所述第一电压波动特征参数和所述第二电压波动特征参数进行聚类识别,以确定所述台区配电变压器与各用户之间的对应关系;
所述聚类识别模块还用于根据所述台区配电变压器的数量,确定所述聚类识别的聚类簇数为所述台区配电变压器数量的3倍;根据所述聚类簇数,采用K-means聚类算法对所述第一电压波动特征参数和所述第二电压波动特征参数进行聚类识别,其中,确定相邻台区配电变压器的所述第一电压波动特征参数为初始聚类中心;
所述聚类识别模块还用于根据所述聚类簇数,采用K-means聚类算法对所述第一电压波动特征参数和所述第二电压波动特征参数进行聚类识别,包括步骤:将所有的所述第一电压波动特征参数和所述第二电压波动特征参数确定为样本数据;计算所述样本数据中的每一个样本与每个聚类中心之间的距离,得到距离数据;在所述距离数据中,确定每一个所述样本对应的最小距离数据;根据所述最小距离数据,将所述样本划分聚类到对应的簇;更新所述聚类中心,并进行聚类结束检测;
所述距离数据中第i个样本Ci与第j个聚类中心aj的距离的计算公式为:其中s为样本的维度,s=2n+m+1,n为样本总数,m为每个电压序列的长度;
所述更新所述聚类中心的计算公式为:更新后的聚类中心其中,aj为第j个聚类中心,nj为属于第j个聚类的样本总数;
所述进行聚类结束检测,包括:根据目标函数
标函数值;当所述目标函数值小于预设值时,聚类结束。
确定目
4.一种低压配电网拓扑识别设备,包括处理器,其特征在于,所述处理器用于执行权利要求1至2任意一项所述的基于电压波动特征聚类的低压配电网拓扑识别方法。
5.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至2任意一项所述的基于电压波动特征聚类的低压配电网拓扑识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110810898.9A CN113659564B (zh) | 2021-07-19 | 2021-07-19 | 基于电压波动特征聚类的低压配电网拓扑识别方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110810898.9A CN113659564B (zh) | 2021-07-19 | 2021-07-19 | 基于电压波动特征聚类的低压配电网拓扑识别方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113659564A CN113659564A (zh) | 2021-11-16 |
CN113659564B true CN113659564B (zh) | 2024-01-05 |
Family
ID=78477653
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110810898.9A Active CN113659564B (zh) | 2021-07-19 | 2021-07-19 | 基于电压波动特征聚类的低压配电网拓扑识别方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113659564B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114091608B (zh) * | 2021-11-24 | 2024-02-20 | 国网河南省电力公司许昌供电公司 | 一种基于数据挖掘的户变关系辨识方法 |
CN114966313B (zh) * | 2022-05-23 | 2023-03-21 | 四川交通职业技术学院 | 一种配电网故障定位方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109325545A (zh) * | 2018-10-16 | 2019-02-12 | 南方电网科学研究院有限责任公司 | 低压配电网拓扑结构校验方法、装置、设备及存储介质 |
EP2697888B1 (de) * | 2011-04-15 | 2019-09-04 | Siemens Aktiengesellschaft | Verfahren zur bestimmung der topologie eines niederspannungsnetzes |
CN110321919A (zh) * | 2019-04-30 | 2019-10-11 | 广东电网有限责任公司 | 一种用于低压单相用户户相关系辨识的聚类方法 |
CN110718908A (zh) * | 2019-09-29 | 2020-01-21 | 肖家锴 | 基于层次聚类法的配电网拓扑结构识别方法及*** |
CN111061821A (zh) * | 2019-11-12 | 2020-04-24 | 国网山东省电力公司聊城供电公司 | 基于改进k值聚类算法的低压配电网拓扑校验方法及*** |
CN112488478A (zh) * | 2020-11-24 | 2021-03-12 | 中能新电(浙江)电力发展有限公司 | 一种用于低压台区拓扑识别方法、装置及储存介质 |
CN112952828A (zh) * | 2021-04-14 | 2021-06-11 | 南京工程学院 | 一种用于低压配电网的用户台区分析方法 |
-
2021
- 2021-07-19 CN CN202110810898.9A patent/CN113659564B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2697888B1 (de) * | 2011-04-15 | 2019-09-04 | Siemens Aktiengesellschaft | Verfahren zur bestimmung der topologie eines niederspannungsnetzes |
CN109325545A (zh) * | 2018-10-16 | 2019-02-12 | 南方电网科学研究院有限责任公司 | 低压配电网拓扑结构校验方法、装置、设备及存储介质 |
CN110321919A (zh) * | 2019-04-30 | 2019-10-11 | 广东电网有限责任公司 | 一种用于低压单相用户户相关系辨识的聚类方法 |
CN110718908A (zh) * | 2019-09-29 | 2020-01-21 | 肖家锴 | 基于层次聚类法的配电网拓扑结构识别方法及*** |
CN111061821A (zh) * | 2019-11-12 | 2020-04-24 | 国网山东省电力公司聊城供电公司 | 基于改进k值聚类算法的低压配电网拓扑校验方法及*** |
CN112488478A (zh) * | 2020-11-24 | 2021-03-12 | 中能新电(浙江)电力发展有限公司 | 一种用于低压台区拓扑识别方法、装置及储存介质 |
CN112952828A (zh) * | 2021-04-14 | 2021-06-11 | 南京工程学院 | 一种用于低压配电网的用户台区分析方法 |
Non-Patent Citations (1)
Title |
---|
基于多维尺度分析和改进K-means的台户关系辨识方法;王家驹;万忠兵;何仲潇;汪佳;谢智;王枭;;电气自动化(第02期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113659564A (zh) | 2021-11-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113659564B (zh) | 基于电压波动特征聚类的低压配电网拓扑识别方法及*** | |
CN111368904B (zh) | 一种基于电力指纹的电器设备识别方法 | |
CN109165604A (zh) | 基于协同训练的非侵入式负荷识别方法及其测试*** | |
CN111080105A (zh) | 基于电压时序数据的台区户变关系识别方法及*** | |
CN111596167A (zh) | 基于模糊c均值聚类算法的故障区段定位方法及装置 | |
CN111628494B (zh) | 一种基于逻辑回归法的低压配电网拓扑识别方法及*** | |
Dashtaki et al. | A new loss estimation method in limited data electric distribution networks | |
CN111242161B (zh) | 一种基于智能学习的非侵入式非居民用户负荷辨识方法 | |
CN110659693A (zh) | 基于k近邻分类的配电网快速拓扑识别方法、***及可读存储介质 | |
CN104966161A (zh) | 一种基于高斯混合模型的电能质量录波数据计算分析方法 | |
CN114359674A (zh) | 基于度量学习的非侵入式负荷识别方法 | |
CN112819649A (zh) | 确定台区户变关系的方法及装置 | |
CN112615428A (zh) | 一种线损分析治理***及方法 | |
CN115758188A (zh) | 一种非侵入式的负荷识别方法、装置、设备和介质 | |
CN116845971A (zh) | 一种光伏并网低压台区拓扑结构自动识别方法 | |
CN111898694B (zh) | 一种基于随机树分类的非入侵式负荷识别方法及装置 | |
CN116861316B (zh) | 一种电器监测方法及装置 | |
CN113627289A (zh) | 一种基于深度学习的电力设备识别方法及其装置 | |
CN117236022A (zh) | 互感器剩余寿命预测模型训练方法、应用方法及电子设备 | |
CN117171586A (zh) | 一种基于电流序列相似度的户变关系识别方法及*** | |
Paul et al. | An intelligent system for domestic appliance identification using deep dense 1-D convolutional neural network | |
CN116467631A (zh) | 电力指纹识别模型训练方法、电力指纹识别方法及装置 | |
CN111239484A (zh) | 一种非居民用户非侵入式负荷用电信息采集方法 | |
CN115545422A (zh) | 一种基于改进决策机制的台区户变关系识别方法 | |
Panapakidis et al. | Three-stage clustering procedure for deriving the typical load curves of the electricity consumers |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |