CN113724101B - 台区的箱表关系识别方法及***、设备、存储介质 - Google Patents
台区的箱表关系识别方法及***、设备、存储介质 Download PDFInfo
- Publication number
- CN113724101B CN113724101B CN202111005835.2A CN202111005835A CN113724101B CN 113724101 B CN113724101 B CN 113724101B CN 202111005835 A CN202111005835 A CN 202111005835A CN 113724101 B CN113724101 B CN 113724101B
- Authority
- CN
- China
- Prior art keywords
- household
- meter
- load
- box
- matrix
- 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 48
- 230000008014 freezing Effects 0.000 claims abstract description 96
- 238000007710 freezing Methods 0.000 claims abstract description 96
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 38
- 230000002068 genetic effect Effects 0.000 claims abstract description 17
- 239000011159 matrix material Substances 0.000 claims description 170
- 238000004364 calculation method Methods 0.000 claims description 35
- 230000005611 electricity Effects 0.000 claims description 34
- 239000013598 vector Substances 0.000 claims description 27
- 238000012216 screening Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 12
- 238000010276 construction Methods 0.000 claims description 4
- 230000008859 change Effects 0.000 abstract description 6
- 238000004891 communication Methods 0.000 description 7
- 238000004128 high performance liquid chromatography Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 230000001360 synchronised effect Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
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
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computing Systems (AREA)
- Strategic Management (AREA)
- Public Health (AREA)
- General Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- General Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Algebra (AREA)
- Marketing (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
Abstract
本发明公开了一种台区的箱表关系识别方法及***、设备、存储介质,所述台区的箱表关系识别方法通过采用冻结窗口采集正常负荷表箱终端的瞬时负荷数据与用电户表的瞬时负荷数据进行比对,消除了时间不同步的影响,并且采用统计学和二进制编码的遗传算法筛选出多个用电户表与多个正常负荷表箱终端的最优组合,从而自动识别出多个用电户表与多个正常负荷表箱终端之间的拓扑关系,识别精度高,并且基于负荷数据的变化可以及时更新箱表关系。
Description
技术领域
本发明涉及台区拓扑识别技术领域,特别地,涉及一种台区的箱表关系识别方法及***、设备、计算机可读取的存储介质。
背景技术
随着电力行业迅速发展,用电需求的不断增加,电力行业趋于智能化、数字化、模型化。而目前的低压供电网络建设智能化水平较低,增加了电网日常运维的难度和工作量,影响用户的用电质量。智能电表是泛在电力物联网感知层中极为重要的传感终端,担负细粒度电能计量功能。基于智能电表的量测数据,除完成电能计费外,还可以实现用电行为分析、需求响应策略设计、电力市场电价制定等高级应用,支撑点位的数字化转型。目前,传统户表与表箱之间的关系是通过人工录入地址的方式进行箱表关系拓扑,但是该方法采用人工地址录入可能存在错误操作,不能对户表变动信息进行及时更改等问题。
发明内容
本发明提供了一种台区的箱表关系识别方法及***、设备、计算机可读取的存储介质,以解决现有采用人工录入地址的方式进行箱表关系拓扑所存在的上述缺点。
根据本发明的一个方面,提供一种台区的箱表关系识别方法,包括以下内容:
步骤S1:周期性冻结处于同一相位的每个用电户表的瞬时负荷数据,采用冻结窗口周期性冻结每个正常负荷表箱终端在该相位下的瞬时负荷数据,所述冻结窗口包括每个冻结时刻的前n秒和后n秒;
步骤S2:基于多个用电户表在t时刻的瞬时负荷数据构建户表负荷矩阵,基于多个正常负荷表箱终端在t时刻对应的冻结窗口内的瞬时负荷数据构建冻结窗口内每个时刻的表箱负荷矩阵,共计2n+1个表箱负荷矩阵;
步骤S3:针对t时刻的表箱负荷矩阵和户表负荷矩阵,引入两个矩阵的系数矩阵和偏差矩阵,采用二进制编码的遗传算法对系数矩阵进行选择操作,计算得到t时刻的偏差矩阵中每行累加和值最小时对应的目标系数矩阵;
步骤S4:针对冻结窗口内剩余时刻对应的表箱负荷矩阵,将其分别与t时刻的户表负荷矩阵进行单独组合,重复执行步骤S3,计算得到冻结窗口内每个时刻的偏差矩阵中每行累加和值的最小值,从2n+1个最小值中筛选出最小者,并采用最小者对应的目标系数矩阵作为最优系数矩阵;
步骤S5:采用多组数据重复执行步骤S3和步骤S4,若最优系数矩阵未发生变化,则基于最优系数矩阵得到多个用电户表和多个正常负荷表箱终端之间的归属关系。
进一步地,所述步骤S5还包括以下内容:
若最优系数矩阵发生变化,即存在至少两个最优系数矩阵,则分别采用每个最优系数矩阵单独计算得到所有采样数据的偏差矩阵中每行累加和值的总和,从中筛选出最小者,并基于最小者对应的最优系数矩阵得到多个用电户表和多个正常负荷表箱终端之间的归属关系。
进一步地,还包括以下内容:
步骤S6:采集处于同一相位的每个空户户表的电压数据和每个小负荷表箱终端在该相位下的电压数据,利用皮尔逊相关系数算法计算每个空户户表的电压数据与每个小负荷表箱终端的电压数据之间的电压相关性,找到与每个小负荷表箱终端具有最大相关系数的空户户表,若每个小负荷表箱对应的具有最大相关系数的空户户表不重复,则记录每个小负荷表箱终端下具有最大相关系数的空户户表,利用多组电压数据重复计算,若小负荷表箱终端对应的具有最大相关系数的空户户表保持一致,则将具有最大相关系数的空户户表对应归属于该小负荷表箱终端。
进一步地,所述步骤S6还包括以下内容:
若每个小负荷表箱终端对应的具有最大相关系数的空户户表发生重复,或者,经过多组电压数据计算得到小负荷表箱终端对应的具有最大相关系数的空户户表不一致,则采用最大后验概率估计算法计算得到每个小负荷表箱终端下具有最大概率的空户户表,并将该空户户表对应归属于该小负荷表箱终端。
进一步地,还包括以下内容:
步骤S7:采集所有未知归属关系的空户户表和所有已知归属关系的户表的电压数据,利用近邻算法计算得到与每个未知归属关系的空户户表的电压波形最邻近的已知归属关系的户表,并将该未知归属关系的空户户表归属于该已知归属关系的户表所属的表箱终端。
进一步地,所述步骤S7中利用近邻算法计算得到与每个未知归属关系的空户户表的电压波形最邻近的已知归属关系的户表的过程具体包括以下内容:
步骤S71:利用Lp距离公式计算每个未知归属关系的空户户表的电压向量与所有已知归属关系的户表的电压向量之间的距离,找到与未知归属关系的空户户表距离最近的已知归属关系的户表,其中,Lp距离公式为:
其中,Ui表示未知归属关系的空户户表的电压向量,UI表示已知归属关系的户表的电压向量,Lp(Ui,UI)表示未知归属关系的空户户表的电压向量与已知归属关系的户表的电压向量之间的Lp距离,t表示每组电压数据的采样数量;
步骤S72:利用多组电压数据重复计算,若多组计算结果保持一致,则将未知归属关系的空户户表归属于该距离最近的已知归属关系的户表所属的表箱终端;若多组计算结果不一致,则采用最大后验概率估计算法计算得到每个未知归属关系的空户户表对应的具有最大概率的已知归属关系的户表,并将该未知归属关系的空户户表归属于该具有最大概率的已知归属关系的户表所属的表箱终端。
进一步地,瞬时负荷数据包括用电量、功率、电流和电压中的至少一种。
另外,本发明还提供一种台区的箱表关系识别***,包括:
瞬时负荷数据采集模块,用于周期性冻结处于同一相位的每个用电户表的瞬时负荷数据,并采用冻结窗口周期性冻结每个正常负荷表箱终端在该相位下的瞬时负荷数据,所述冻结窗口包括每个冻结时刻的前n秒和后n秒;
负荷矩阵构建模块,用于基于多个用电户表在t时刻的瞬时负荷数据构建户表负荷矩阵,基于多个正常负荷表箱终端在t时刻对应的冻结窗口内的瞬时负荷数据构建冻结窗口内每个时刻的表箱负荷矩阵,共计2n+1个表箱负荷矩阵;
目标系数矩阵计算模块,用于针对t时刻的表箱负荷矩阵和户表负荷矩阵,引入两个矩阵的系数矩阵和偏差矩阵,采用二进制编码的遗传算法对系数矩阵进行选择操作,计算得到t时刻的偏差矩阵中每行累加和值最小时对应的目标系数矩阵;还用于针对冻结窗口内剩余时刻对应的表箱负荷矩阵,将其分别与t时刻的户表负荷矩阵进行单独组合,计算得到冻结窗口内每个时刻的偏差矩阵中每行累加和值的最小值,
最优系数矩阵筛选模块,用于从2n+1个偏差矩阵中每行累加和值的最小值中筛选出最小者,并采用最小者对应的目标系数矩阵作为最优系数矩阵;
箱表关系识别模块,用于在采用多组数据计算的情况下最优系数矩阵未发生变化时,基于最优系数矩阵得到多个用电户表和多个正常负荷表箱终端之间的归属关系。
另外,本发明还提供一种设备,包括处理器和存储器,所述存储器中存储有计算机程序,所述处理器通过调用所述存储器中存储的所述计算机程序,用于执行如上所述的方法的步骤。
另外,本发明还提供一种计算机可读取的存储介质,用于存储对台区的箱表关系进行识别的计算机程序,所述计算机程序在计算机上运行时执行如上所述的方法的步骤。
本发明具有以下效果:
本发明的台区的箱表关系识别方法,考虑到户表与表箱终端之间由于计量芯、管理芯和HPLC通信延迟的影响,瞬时负荷数据会存在时序上的移动,而且为了保护用户用电安全和计费准确,户表数据无法移动,只能去冻结时刻的瞬时值,因此通过采用冻结窗口来采集每个正常负荷表箱终端的瞬时负荷数据,冻结窗口包括每个冻结时刻的前n秒和后n秒,即包括2n+1个时刻的瞬时负荷数据,即用电户表的一个冻结时刻的瞬时负荷数据同时对应正常负荷表箱终端在冻结窗口内的2n+1个瞬时负荷数据,以便于消除时间不同步导致数据失真的情况,确保了箱表关系识别的准确性。然后,基于多个正常负荷表箱终端在t时刻对应的冻结窗口内每个时刻的瞬时负荷数据构建每个时刻的表箱负荷矩阵,共计2n+1个表箱负荷矩阵,并基于多个用电户表在t时刻的瞬时负荷数据构建户表负荷矩阵,然后引入系数矩阵和偏差矩阵,并采用二进制编码的遗传算法进行选择操作,分别计算2n+1个表箱负荷矩阵与一个户表负荷矩阵的偏差值,即偏差矩阵中每行累加和值,筛选出偏差值最小者对应的目标系数矩阵作为最优系数矩阵。最后,通过多组数据进行重复计算,若多次计算结果保持一致,即最优系数矩阵不变,则基于该最优系数矩阵得到多个用电户表和多个正常负荷表箱终端之间的归属关系。本发明的台区的箱表关系识别方法,通过采用冻结窗口采集正常负荷表箱终端的瞬时负荷数据与用电户表的瞬时负荷数据进行比对,消除了时间不同步的影响,并且采用统计学和二进制编码的遗传算法筛选出多个用电户表与多个正常负荷表箱终端的最优组合,从而自动识别出多个用电户表与多个正常负荷表箱终端之间的拓扑关系,识别精度高,并且基于负荷数据的变化可以及时更新箱表关系。
另外,本发明的台区的箱表关系识别***、设备、计算机可读取的存储介质同样具有上述优点。
除了上面所描述的目的、特征和优点之外,本发明还有其它的目的、特征和优点。下面将参照图,对本发明作进一步详细的说明。
附图说明
构成本申请的一部分的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是本发明优选实施例的台区的箱表关系识别方法的流程示意图。
图2是本发明另一实施例的台区的箱表关系识别方法的流程示意图。
图3是本发明又一实施例的台区的箱表关系识别方法的流程示意图。
图4是图3中步骤S7的子流程示意图。
图5是本发明另一实施例的台区的箱表关系识别***的模块结构示意图。
具体实施方式
以下结合附图对本发明的实施例进行详细说明,但是本发明可以由下述所限定和覆盖的多种不同方式实施。
如图1所示,本发明的优选实施例提供一种台区的箱表关系识别方法,包括以下内容:
步骤S1:周期性冻结处于同一相位的每个用电户表的瞬时负荷数据,采用冻结窗口周期性冻结每个正常负荷表箱终端在该相位下的瞬时负荷数据,所述冻结窗口包括每个冻结时刻的前n秒和后n秒;
步骤S2:基于多个用电户表在t时刻的瞬时负荷数据构建户表负荷矩阵,基于多个正常负荷表箱终端在t时刻对应的冻结窗口内的瞬时负荷数据构建冻结窗口内每个时刻的表箱负荷矩阵,共计2n+1个表箱负荷矩阵;
步骤S3:针对t时刻的表箱负荷矩阵和户表负荷矩阵,引入两个矩阵的系数矩阵和偏差矩阵,采用二进制编码的遗传算法对系数矩阵进行选择操作,计算得到t时刻的偏差矩阵中每行累加和值最小时对应的目标系数矩阵;
步骤S4:针对冻结窗口内剩余时刻对应的表箱负荷矩阵,将其分别与t时刻的户表负荷矩阵进行单独组合,重复执行步骤S3,计算得到冻结窗口内每个时刻的偏差矩阵中每行累加和值的最小值,从2n+1个最小值中筛选出最小者,并采用最小者对应的目标系数矩阵作为最优系数矩阵;
步骤S5:采用多组数据重复执行步骤S3和步骤S4,若最优系数矩阵未发生变化,则基于最优系数矩阵得到多个用电户表和多个正常负荷表箱终端之间的归属关系。
可以理解,本实施例的台区的箱表关系识别方法,考虑到户表与表箱终端之间由于计量芯、管理芯和HPLC通信延迟的影响,瞬时负荷数据会存在时序上的移动,而且为了保护用户用电安全和计费准确,户表数据无法移动,只能去冻结时刻的瞬时值,因此通过采用冻结窗口来采集每个正常负荷表箱终端的瞬时负荷数据,冻结窗口包括每个冻结时刻的前n秒和后n秒,即包括2n+1个时刻的瞬时负荷数据,即用电户表的一个冻结时刻的瞬时负荷数据同时对应正常负荷表箱终端在冻结窗口内的2n+1个瞬时负荷数据,以便于消除时间不同步导致数据失真的情况,确保了箱表关系识别的准确性。然后,基于多个正常负荷表箱终端在t时刻对应的冻结窗口内每个时刻的瞬时负荷数据构建每个时刻的表箱负荷矩阵,共计2n+1个表箱负荷矩阵,并基于多个用电户表在t时刻的瞬时负荷数据构建户表负荷矩阵,然后引入系数矩阵和偏差矩阵,并采用二进制编码的遗传算法进行选择操作,分别计算2n+1个表箱负荷矩阵与一个户表负荷矩阵的偏差值,即偏差矩阵中每行累加和值,筛选出偏差值最小者对应的目标系数矩阵作为最优系数矩阵。最后,通过多组数据进行重复计算,若多次计算结果保持一致,即最优系数矩阵不变,则基于该最优系数矩阵得到多个用电户表和多个正常负荷表箱终端之间的归属关系。本发明的台区的箱表关系识别方法,通过采用冻结窗口采集正常负荷表箱终端的瞬时负荷数据与用电户表的瞬时负荷数据进行比对,消除了时间不同步的影响,并且采用统计学和二进制编码的遗传算法筛选出多个用电户表与多个正常负荷表箱终端的最优组合,从而自动识别出多个用电户表与多个正常负荷表箱终端之间的拓扑关系,识别精度高,并且基于负荷数据的变化可以及时更新箱表关系。
可以理解,在低压台区中,每个户表均为单相户表,户表的相位分为A、B、C三相,而每个表箱终端也包括A、B、C三相的负荷数据。因此,在步骤S1中,将某一相位的用电户表的负荷数据与表箱终端中该相位下的负荷数据进行分析,有利于减少计算的复杂程度和算力需求。另外,根据用电情况,户表可以分为用电户表和空户户表,空户户表仅有电压数据,而没有用电量、功率、电流等负荷数据,同样地,表箱终端也可以分为正常负荷表箱终端(一天用电量>0.1kw*h)和小负荷表箱终端(一天用电量≤0.1kw*h),小负荷表箱终端下的户表均为空户户表,小负荷表箱终端也仅有电压数据。
具体地,以处于A相的用电户表为例,具体相位可以根据实际需要进行选择,周期性冻结所有A相用电户表的瞬时负荷数据,瞬时负荷数据包括用电量、功率、电流和电压中的至少一种。考虑到用电户表与正常负荷表箱终端之间由于计量芯、管理芯和HPLC通信延迟的影响,瞬时负荷数据会存在时序上的移动,而且为了保护用户用电安全和计费准确,户表数据无法移动,只能去冻结时刻的瞬时值,因此通过采用冻结窗口来采集每个正常负荷表箱终端的瞬时负荷数据。所述冻结窗口包括每个冻结时刻的前n秒和后n秒,即所述冻结窗口内有2n+1个瞬时负荷数据,在每个冻结时刻,正常负荷表箱终端的瞬时负荷数据时间序列的长度是用电户表的瞬时负荷数据时间序列的2n+1倍,即用电户表的一个冻结时刻的瞬时负荷数据同时对应正常负荷表箱终端在冻结窗口内的2n+1个瞬时负荷数据,可以有效消除户表与表箱终端时间不同步的影响。其中,冻结周期可以按小时冻结、15分钟冻结、分钟冻结,一般优选15分钟冻结,具体可以根据需要进行设定。
可以理解,在所述步骤S2中,基于多个用电户表在t时刻的瞬时负荷数据构建户表负荷矩阵,基于多个正常负荷表箱终端在t时刻对应的冻结窗口内的瞬时负荷数据构建冻结窗口内每个时刻的表箱负荷矩阵,由于冻结窗口内包括2n+1个时刻,从而可以得到2n+1个表箱负荷矩阵。
例如,设置n=1,瞬时负荷数据采用用电量W、功率P和电流I,构建的户表负荷矩阵为:
其中,At表示1~i个A相用电户表在t时刻的户表负荷矩阵,表示第i个A相用电户表在t时刻的用电量,/>表示第i个A相用电户表在t时刻的瞬时功率,/>表示第i个A相用电户表在t时刻的瞬时电流。
构建的3个表箱负荷矩阵分别为:
其中,Bt-1表示1~j个正常负荷表箱终端在t-1时刻的表箱负荷矩阵,Bt表示1~j个正常负荷表箱终端在t时刻的表箱负荷矩阵,Bt+1表示1~j个正常负荷表箱终端在t+1时刻的表箱负荷矩阵,表示正常负荷表箱终端j在t-1时刻的用电量,/>表示正常负荷表箱终端j在t-1时刻的瞬时功率,/>表示正常负荷表箱终端j在t-1时刻的瞬时电流,其它依次类推。另外,i≥j,即用电户表的数量要大于等于正常负荷表箱终端的数量。
可以理解,在所述步骤S3中,针对t时刻的表箱终端负荷矩阵Bt和户表负荷矩阵At,引入两个矩阵的系数矩阵X和偏差矩阵Λ。由于每个正常负荷表箱终端下的用电户表都不可重复,即系数矩阵X的大小为i×j,具体地,系数矩阵则Bt=X×At+Λ,xij表示用电户表i与正常负荷表箱终端j之间的系数。
然后,采用二进制编码对系数矩阵X中的系数元素进行转换,每个元素的取值利用遗传算法进行选择操作,适应度较好的元素选择1,适应度差的元素选择0,并且系数矩阵X的每行向量只有一个1且在不同位置上。从而,通过二进制编码的遗传算法进行选择操作可以得到多个系数矩阵X。
然后,利用遗传算法进行最优解求解。具体地,Λ=Bt-XAt,根据偏差矩阵Λ中每行的累加和值的大小判断组合是否为最优组合,当偏差矩阵中每行累加和值最小时,即偏差值最小时,为全局最优组合,即偏差值最小时对应的系数矩阵则为t时刻的最优系数矩阵,将其作为一个目标系数矩阵。其中,ΔPk、ΔWk、ΔIk分别表示每个正常负荷表箱终端与其下的用电户表的功率差、用电量差、电流差。其中,遗传算法的具体工作原理属于现有技术,故在此不再赘述。
可以理解,在所述步骤S4中,针对冻结窗口内剩余时刻对应的表箱负荷矩阵,将其分别与t时刻的户表负荷矩阵进行单独组合,重复执行上述步骤S3中的计算过程,例如,针对t-1时刻的表箱负荷矩阵Bt-1和t+1时刻的表箱负荷矩阵Bt+1,分别将其与t时刻的表箱负荷矩阵At进行组合计算,即将上述计算过程中的Bt分别替换为Bt-1和Bt+1即可。从而可以得到2n+1个最小偏差值和目标系数矩阵,然后从2n+1个最小偏差值中再筛选出最小者,该最小者对应的目标系数矩阵则作为最终的最优系数矩阵,可以有效消除时间不同步的影响。其中,2n+1个最小偏差值可表示为
可以理解,在所述步骤S5中,利用多个周期的冻结数据重复进行步骤S3和步骤S4的计算,若多次计算结果得到的最优系数矩阵X保持一致,即未发生变化,则基于该最优系数矩阵X得到多个用电户表与多个正常负荷表箱终端之间的拓扑关系,从而完成台区的箱表关系识别。
可以理解,所述步骤S5还包括以下内容:
若最优系数矩阵发生变化,即存在至少两个最优系数矩阵,则分别采用每个最优系数矩阵单独计算得到所有采样数据的偏差矩阵中每行累加和值的总和,从中筛选出最小者,并基于最小者对应的最优系数矩阵得到多个用电户表和多个正常负荷表箱终端之间的归属关系。
例如,当存在三个正常负荷表箱终端M1、M2、M3,六个用电户表h1、h2、h3、h4、h5、h6,经过多个周期的冻结数据计算得到有两个最优系数矩阵,分别为:
然后,单独计算当多个采样周期的所有瞬时负荷数据均采用最优系数矩阵X1进行计算时,得到的偏差矩阵中每行累加和值的总和,即偏差值的总和再单独计算当多个采样周期的所有瞬时负荷数据均采用最优系数矩阵X2进行计算时,得到的偏差矩阵中每行累加和值的总和,即偏差值的总和/>其中,m表示采样数据的组数,εT表示第T组采样数据的偏差值。
最后,选出和/>中的最小者,并基于最小者对应的最优系数矩阵得到多个用电户表和多个正常负荷表箱终端之间的归属关系。
可以理解,针对其余相位的箱表关系识别,重复执行上述步骤S1~步骤S5即可,从而准确识别出台区内所有用电户表和正常负荷表箱终端之间的拓扑关系。
可以理解,如图2所示,在本发明的另一实施例中,所述台区的箱表关系识别方法还包括以下内容:
步骤S6:采集处于同一相位的每个空户户表的电压数据和每个小负荷表箱终端在该相位下的电压数据,利用皮尔逊相关系数算法计算每个空户户表的电压数据与每个小负荷表箱终端的电压数据之间的电压相关性,找到与每个小负荷表箱终端具有最大相关系数的空户户表,若每个小负荷表箱对应的具有最大相关系数的空户户表不重复,则记录每个小负荷表箱终端下具有最大相关系数的空户户表,利用多组电压数据重复计算,若小负荷表箱终端对应的具有最大相关系数的空户户表保持一致,则将具有最大相关系数的空户户表对应归属于该小负荷表箱终端。
通过上述步骤S1~S5可以识别出所有用电户表与所有正常负荷表箱终端之间的拓扑关系,但是对于有些入住率较低的低压台区,可能会存在空户户表和小负荷表箱终端。空户户表和小负荷表箱终端仅有电压数据,目前通常采用电压相关性算法识别出每个空户户表与表箱的归属关系,但是由于同一分支下的相邻表箱终端的电压波形相似度较高,因此,空户户表采用电压相关性容易找错相邻表箱。而本发明通过皮尔逊相关系数算法找到每个小负荷表箱终端下电压相关性最大的空户户表,仅识别出电压相关性最大的空户户表,确保了箱表拓扑关系识别的准确性,剩余的空户户表通过后续识别过程进行拓扑关系识别。
例如,采用多个A相空户户表的电压数据和多个小负荷表箱终端在A相的电压数据,然后,利用皮尔逊相关系数算法计算每个空户户表的电压数据与每个小负荷表箱终端的电压数据之间的电压相关性。皮尔逊相关系数计算公式为:
其中,ρ表示相关系数,相关系数越大,电压相关性越高,T表示电压序列的长度,表示小负荷表箱终端在t时刻的电压数据,/>表示小负荷表箱终端的电压序列的电压平均值,/>表示空户户表在t时刻的电压数据,/>表示空户户表的电压序列的电压平均值,表示小负荷表箱终端的电压序列的方差,/>表示空户户表的电压序列的方差。
通过上式可以计算出每个小负荷表箱终端下的ρmax空户户表,若每个小负荷表箱对应的ρmax空户户表不重复,并分别记录每个小负荷表箱终端下的ρmax空户户表的地址。
利用多组电压数据重复计算,如果小负荷表箱终端的ρmax空户户表不变,则确定该ρmax空户户表属于该小负荷表箱终端,从而为每个小负荷表箱终端精确地识别出其下的一个空户户表。
可以理解,所述步骤S6还包括以下内容:
若每个小负荷表箱终端对应的具有最大相关系数的空户户表发生重复,或者,经过多组电压数据计算得到小负荷表箱终端对应的具有最大相关系数的空户户表不一致,则采用最大后验概率估计算法计算得到每个小负荷表箱终端下具有最大概率的空户户表,并将该空户户表对应归属于该小负荷表箱终端。
具体地,若存在多次计算结果的ρmax空户户表不一致,或者,多个小负荷表箱终端对应的ρmax空户户表发生重复情况,则采用上述的最大相关系数判断方法不再适用。本发明针对这一问题,通过最大后验概率估计算法可以找到每个小负荷表箱终端下具有最大概率的空户户表,并将该空户户表对应归属于该小负荷表箱终端。
例如,已知共有i个空户户表和j个小负荷表箱终端,其中,最大后验概率估计计算公式为:
其中,表示估计的最大概率,P(θi|Mj)表示小负荷表箱终端为Mj时空户户表θi在该表箱终端下的概率,P(Mj)表示小负荷表箱终端选择Mj的概率,/>P(Mj|θi)表示当空户户表为θi时所归属表箱为Mj的概率,P(θi)表示在所有样本数据中空户户表为θi的概率,P(Mj|θi)和P(θi)通过实际统计数据得到。
从上述最大后验概率估计计算公式可以看出,由于最大后验概率融入了要估计量的先验分布在其中,根据期望风险最小化准则得到最大后验概率准则。通过样本数据中推导分布,在先验假设(即判断P(Mj|θi))比较靠谱的情况下效果显著,随着数据量增大,先验假设对于模型参数的主导作用会逐渐削弱。因此,可以基于最大后验概率估计算法得到每个小负荷表箱终端下最大概率的空户户表,从而得到准确的箱表关系。
可以理解,通过上述步骤S6可以识别出每个小负荷表箱终端下的一个空户户表,至此,每个表箱终端下均已准确识别出一个户表,只有剩余的空户户表暂未识别出归属关系。如图3所示,在本发明的另一实施例中,所述台区的箱表关系识别方法还包括以下内容:
步骤S7:采集所有未知归属关系的空户户表和所有已知归属关系的户表的电压数据,利用近邻算法计算得到与每个未知归属关系的空户户表的电压波形最邻近的已知归属关系的户表,并将该未知归属关系的空户户表归属于该已知归属关系的户表所属的表箱终端。
其中,已知归属关系的户表可以是空户户表或者用电户表。
可以理解,如图4所示,所述步骤S7中利用近邻算法计算得到与每个未知归属关系的空户户表的电压波形最邻近的已知归属关系的户表的过程具体包括以下内容:
步骤S71:利用Lp距离公式计算每个未知归属关系的空户户表的电压向量与所有已知归属关系的户表的电压向量之间的距离,找到与未知归属关系的空户户表距离最近的已知归属关系的户表,其中,Lp距离公式为:
其中,Ui表示未知归属关系的空户户表的电压向量,UI表示已知归属关系的户表的电压向量,/>t表示电压向量中的电压数据数量,对于15分钟冻结的采集频率,t为一天的时间节点长度,t=96,即电压向量包括96个采样点的数据。Lp(Ui,UI)表示未知归属关系的空户户表的电压向量与已知归属关系的户表的电压向量之间的Lp距离。另外,P=1、2、3、…,可以根据需要进行取值。
步骤S72:利用多组电压数据重复计算,若多组计算结果保持一致,则将未知归属关系的空户户表归属于该距离最近的已知归属关系的户表所属的表箱终端;若多组计算结果不一致,则采用最大后验概率估计算法计算得到每个未知归属关系的空户户表对应的具有最大概率的已知归属关系的户表,并将该未知归属关系的空户户表归属于该具有最大概率的已知归属关系的户表所属的表箱终端。其中,具体的最大后验概率估计算法与上述步骤S6相同,故在此不再赘述。可以理解,通过该方案可以有效解决台区空户占比较大情况下的箱表关系拓扑问题。
另外,如图5所示,本发明的另一实施例还提供一种台区的箱表关系识别***,优选采用上述实施例的识别方法,所述识别***包括:
瞬时负荷数据采集模块,用于周期性冻结处于同一相位的每个用电户表的瞬时负荷数据,并采用冻结窗口周期性冻结每个正常负荷表箱终端在该相位下的瞬时负荷数据,所述冻结窗口包括每个冻结时刻的前n秒和后n秒;
负荷矩阵构建模块,用于基于多个用电户表在t时刻的瞬时负荷数据构建户表负荷矩阵,基于多个正常负荷表箱终端在t时刻对应的冻结窗口内的瞬时负荷数据构建冻结窗口内每个时刻的表箱负荷矩阵,共计2n+1个表箱负荷矩阵;
目标系数矩阵计算模块,用于针对t时刻的表箱负荷矩阵和户表负荷矩阵,引入两个矩阵的系数矩阵和偏差矩阵,采用二进制编码的遗传算法对系数矩阵进行选择操作,计算得到t时刻的偏差矩阵中每行累加和值最小时对应的目标系数矩阵;还用于针对冻结窗口内剩余时刻对应的表箱负荷矩阵,将其分别与t时刻的户表负荷矩阵进行单独组合,计算得到冻结窗口内每个时刻的偏差矩阵中每行累加和值的最小值,
最优系数矩阵筛选模块,用于从2n+1个偏差矩阵中每行累加和值的最小值中筛选出最小者,并采用最小者对应的目标系数矩阵作为最优系数矩阵;
箱表关系识别模块,用于在采用多组数据计算的情况下最优系数矩阵未发生变化时,基于最优系数矩阵得到多个用电户表和多个正常负荷表箱终端之间的归属关系。
可以理解,本实施例的台区的箱表关系识别***,考虑到户表与表箱终端之间由于计量芯、管理芯和HPLC通信延迟的影响,瞬时负荷数据会存在时序上的移动,而且为了保护用户用电安全和计费准确,户表数据无法移动,只能去冻结时刻的瞬时值,因此通过采用冻结窗口来采集每个正常负荷表箱终端的瞬时负荷数据,冻结窗口包括每个冻结时刻的前n秒和后n秒,即包括2n+1个时刻的瞬时负荷数据,即用电户表的一个冻结时刻的瞬时负荷数据同时对应正常负荷表箱终端在冻结窗口内的2n+1个瞬时负荷数据,以便于消除时间不同步导致数据失真的情况,确保了箱表关系识别的准确性。然后,基于多个正常负荷表箱终端在t时刻对应的冻结窗口内每个时刻的瞬时负荷数据构建每个时刻的表箱负荷矩阵,共计2n+1个表箱负荷矩阵,并基于多个用电户表在t时刻的瞬时负荷数据构建户表负荷矩阵,然后引入系数矩阵和偏差矩阵,并采用二进制编码的遗传算法进行选择操作,分别计算2n+1个表箱负荷矩阵与一个户表负荷矩阵的偏差值,即偏差矩阵中每行累加和值,筛选出偏差值最小者对应的目标系数矩阵作为最优系数矩阵。最后,通过多组数据进行重复计算,若多次计算结果保持一致,即最优系数矩阵不变,则基于该最优系数矩阵得到多个用电户表和多个正常负荷表箱终端之间的归属关系。本发明的台区的箱表关系识别***,通过采用冻结窗口采集正常负荷表箱终端的瞬时负荷数据与用电户表的瞬时负荷数据进行比对,消除了时间不同步的影响,并且采用统计学和二进制编码的遗传算法筛选出多个用电户表与多个正常负荷表箱终端的最优组合,从而自动识别出多个用电户表与多个正常负荷表箱终端之间的拓扑关系,识别精度高,并且基于负荷数据的变化可以及时更新箱表关系。
可以理解,本实施例的***中的各个模块分别与上述方法实施例的各个步骤相对应,故各个模块的工作过程在此不再赘述,参考上述方法实施例即可。
另外,本发明的另一实施例还提供一种设备,包括处理器和存储器,所述存储器中存储有计算机程序,所述处理器通过调用所述存储器中存储的所述计算机程序,用于执行如上所述的方法的步骤。
另外,本发明的另一实施例还提供一种计算机可读取的存储介质,用于存储对台区的箱表关系进行识别的计算机程序,所述计算机程序在计算机上运行时执行如上所述的方法的步骤。
一般计算机可读取存储介质的形式包括:软盘(floppy disk)、可挠性盘片(flexible disk)、硬盘、磁带、任何其与的磁性介质、CD-ROM、任何其余的光学介质、打孔卡片(punch cards)、纸带(paper tape)、任何其余的带有洞的图案的物理介质、随机存取存储器(RAM)、可编程只读存储器(PROM)、可抹除可编程只读存储器(EPROM)、快闪可抹除可编程只读存储器(FLASH-EPROM)、其余任何存储器芯片或卡匣、或任何其余可让计算机读取的介质。指令可进一步被一传输介质所传送或接收。传输介质这一术语可包含任何有形或无形的介质,其可用来存储、编码或承载用来给机器执行的指令,并且包含数字或模拟通信信号或其与促进上述指令的通信的无形介质。传输介质包含同轴电缆、铜线以及光纤,其包含了用来传输一计算机数据信号的总线的导线。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种台区的箱表关系识别方法,其特征在于,包括以下内容:
步骤S1:周期性冻结处于同一相位的每个用电户表的瞬时负荷数据,采用冻结窗口周期性冻结每个正常负荷表箱终端在该相位下的瞬时负荷数据,所述冻结窗口包括每个冻结时刻的前n秒和后n秒;
步骤S2:基于多个用电户表在t时刻的瞬时负荷数据构建户表负荷矩阵,基于多个正常负荷表箱终端在t时刻对应的冻结窗口内的瞬时负荷数据构建冻结窗口内每个时刻的表箱负荷矩阵,共计2n+1个表箱负荷矩阵;
步骤S3:针对t时刻的表箱负荷矩阵和户表负荷矩阵,引入两个矩阵的系数矩阵和偏差矩阵,采用二进制编码的遗传算法对系数矩阵进行选择操作,计算得到t时刻的偏差矩阵中每行累加和值最小时对应的目标系数矩阵;
步骤S4:针对冻结窗口内剩余时刻对应的表箱负荷矩阵,将其分别与t时刻的户表负荷矩阵进行单独组合,重复执行步骤S3,计算得到冻结窗口内每个时刻的偏差矩阵中每行累加和值的最小值,从2n+1个最小值中筛选出最小者,并采用最小者对应的目标系数矩阵作为最优系数矩阵;
步骤S5:采用多组数据重复执行步骤S3和步骤S4,若最优系数矩阵未发生变化,则基于最优系数矩阵得到多个用电户表和多个正常负荷表箱终端之间的归属关系。
2.如权利要求1所述的台区的箱表关系识别方法,其特征在于,所述步骤S5还包括以下内容:
若最优系数矩阵发生变化,即存在至少两个最优系数矩阵,则分别采用每个最优系数矩阵单独计算得到所有采样数据的偏差矩阵中每行累加和值的总和,从中筛选出最小者,并基于最小者对应的最优系数矩阵得到多个用电户表和多个正常负荷表箱终端之间的归属关系。
3.如权利要求1所述的台区的箱表关系识别方法,其特征在于,还包括以下内容:
步骤S6:采集处于同一相位的每个空户户表的电压数据和每个小负荷表箱终端在该相位下的电压数据,利用皮尔逊相关系数算法计算每个空户户表的电压数据与每个小负荷表箱终端的电压数据之间的电压相关性,找到与每个小负荷表箱终端具有最大相关系数的空户户表,若每个小负荷表箱对应的具有最大相关系数的空户户表不重复,则记录每个小负荷表箱终端下具有最大相关系数的空户户表,利用多组电压数据重复计算,若小负荷表箱终端对应的具有最大相关系数的空户户表保持一致,则将具有最大相关系数的空户户表对应归属于该小负荷表箱终端。
4.如权利要求3所述的台区的箱表关系识别方法,其特征在于,所述步骤S6还包括以下内容:
若每个小负荷表箱终端对应的具有最大相关系数的空户户表发生重复,或者,经过多组电压数据计算得到小负荷表箱终端对应的具有最大相关系数的空户户表不一致,则采用最大后验概率估计算法计算得到每个小负荷表箱终端下具有最大概率的空户户表,并将该空户户表对应归属于该小负荷表箱终端。
5.如权利要求4所述的台区的箱表关系识别方法,其特征在于,还包括以下内容:
步骤S7:采集所有未知归属关系的空户户表和所有已知归属关系的户表的电压数据,利用近邻算法计算得到与每个未知归属关系的空户户表的电压波形最邻近的已知归属关系的户表,并将该未知归属关系的空户户表归属于该已知归属关系的户表所属的表箱终端。
6.如权利要求5所述的台区的箱表关系识别方法,其特征在于,所述步骤S7中利用近邻算法计算得到与每个未知归属关系的空户户表的电压波形最邻近的已知归属关系的户表的过程具体包括以下内容:
步骤S71:利用Lp距离公式计算每个未知归属关系的空户户表的电压向量与所有已知归属关系的户表的电压向量之间的距离,找到与未知归属关系的空户户表距离最近的已知归属关系的户表,其中,Lp距离公式为:
其中,Ui表示未知归属关系的空户户表的电压向量,UI表示已知归属关系的户表的电压向量,Lp(Ui,UI)表示未知归属关系的空户户表的电压向量与已知归属关系的户表的电压向量之间的Lp距离,t表示每组电压数据的采样数量;
步骤S72:利用多组电压数据重复计算,若多组计算结果保持一致,则将未知归属关系的空户户表归属于该距离最近的已知归属关系的户表所属的表箱终端;若多组计算结果不一致,则采用最大后验概率估计算法计算得到每个未知归属关系的空户户表对应的具有最大概率的已知归属关系的户表,并将该未知归属关系的空户户表归属于该具有最大概率的已知归属关系的户表所属的表箱终端。
7.如权利要求1~6任一项所述的台区的箱表关系识别方法,其特征在于,瞬时负荷数据包括用电量、功率、电流和电压中的至少一种。
8.一种台区的箱表关系识别***,其特征在于,包括:
瞬时负荷数据采集模块,用于周期性冻结处于同一相位的每个用电户表的瞬时负荷数据,并采用冻结窗口周期性冻结每个正常负荷表箱终端在该相位下的瞬时负荷数据,所述冻结窗口包括每个冻结时刻的前n秒和后n秒;
负荷矩阵构建模块,用于基于多个用电户表在t时刻的瞬时负荷数据构建户表负荷矩阵,基于多个正常负荷表箱终端在t时刻对应的冻结窗口内的瞬时负荷数据构建冻结窗口内每个时刻的表箱负荷矩阵,共计2n+1个表箱负荷矩阵;
目标系数矩阵计算模块,用于针对t时刻的表箱负荷矩阵和户表负荷矩阵,引入两个矩阵的系数矩阵和偏差矩阵,采用二进制编码的遗传算法对系数矩阵进行选择操作,计算得到t时刻的偏差矩阵中每行累加和值最小时对应的目标系数矩阵;还用于针对冻结窗口内剩余时刻对应的表箱负荷矩阵,将其分别与t时刻的户表负荷矩阵进行单独组合,计算得到冻结窗口内每个时刻的偏差矩阵中每行累加和值的最小值,
最优系数矩阵筛选模块,用于从2n+1个偏差矩阵中每行累加和值的最小值中筛选出最小者,并采用最小者对应的目标系数矩阵作为最优系数矩阵;
箱表关系识别模块,用于在采用多组数据计算的情况下最优系数矩阵未发生变化时,基于最优系数矩阵得到多个用电户表和多个正常负荷表箱终端之间的归属关系。
9.一种设备,其特征在于,包括处理器和存储器,所述存储器中存储有计算机程序,所述处理器通过调用所述存储器中存储的所述计算机程序,用于执行如权利要求1~7任一项所述的方法的步骤。
10.一种计算机可读取的存储介质,用于存储对台区的箱表关系进行识别的计算机程序,其特征在于,所述计算机程序在计算机上运行时执行如权利要求1~7任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111005835.2A CN113724101B (zh) | 2021-08-30 | 2021-08-30 | 台区的箱表关系识别方法及***、设备、存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111005835.2A CN113724101B (zh) | 2021-08-30 | 2021-08-30 | 台区的箱表关系识别方法及***、设备、存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113724101A CN113724101A (zh) | 2021-11-30 |
CN113724101B true CN113724101B (zh) | 2023-12-22 |
Family
ID=78679229
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111005835.2A Active CN113724101B (zh) | 2021-08-30 | 2021-08-30 | 台区的箱表关系识别方法及***、设备、存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113724101B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114896302B (zh) * | 2022-05-09 | 2024-03-26 | 湖南腾河智慧能源科技有限公司 | 小负荷用户的户变关系识别方法及***、设备、存储介质 |
CN114912526B (zh) * | 2022-05-13 | 2024-04-26 | 北京市腾河电子技术有限公司 | 台区识别方法及***、电子设备、存储介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN2247819Y (zh) * | 1995-12-01 | 1997-02-19 | 同济大学 | 一种集群式电子民用电能表 |
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 |
CN110932917A (zh) * | 2019-12-24 | 2020-03-27 | 深圳市国电科技通信有限公司 | 一种基于高频同步采集和边缘计算的台区拓扑发现方法 |
CN111817289A (zh) * | 2020-06-08 | 2020-10-23 | 华南理工大学 | 低压配电台区物理拓扑识别方法、装置、***、终端及介质 |
KR20210023127A (ko) * | 2019-08-22 | 2021-03-04 | 한국전력공사 | 배전계통 고장구간 식별 시스템 |
CN112886582A (zh) * | 2021-02-08 | 2021-06-01 | 国网上海市电力公司 | 基于负荷率和拓扑的电压相关性识别台区相位的方法 |
CN112948757A (zh) * | 2021-01-27 | 2021-06-11 | 国网浙江省电力有限公司丽水供电公司 | 一种基于改进皮尔逊相关系数的低压台区拓扑校验方法 |
CN112966219A (zh) * | 2021-03-01 | 2021-06-15 | 北京市腾河智慧能源科技有限公司 | 识别户表与表箱关系的方法及***、设备、介质 |
US11069082B1 (en) * | 2015-08-23 | 2021-07-20 | AI Incorporated | Remote distance estimation system and method |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3510490B2 (ja) * | 1998-08-10 | 2004-03-29 | 三菱重工業株式会社 | 薄型表示装置用電極構造体の検査装置及びその検査方法 |
-
2021
- 2021-08-30 CN CN202111005835.2A patent/CN113724101B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN2247819Y (zh) * | 1995-12-01 | 1997-02-19 | 同济大学 | 一种集群式电子民用电能表 |
US11069082B1 (en) * | 2015-08-23 | 2021-07-20 | AI Incorporated | Remote distance estimation system and method |
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 |
KR20210023127A (ko) * | 2019-08-22 | 2021-03-04 | 한국전력공사 | 배전계통 고장구간 식별 시스템 |
CN110932917A (zh) * | 2019-12-24 | 2020-03-27 | 深圳市国电科技通信有限公司 | 一种基于高频同步采集和边缘计算的台区拓扑发现方法 |
CN111817289A (zh) * | 2020-06-08 | 2020-10-23 | 华南理工大学 | 低压配电台区物理拓扑识别方法、装置、***、终端及介质 |
CN112948757A (zh) * | 2021-01-27 | 2021-06-11 | 国网浙江省电力有限公司丽水供电公司 | 一种基于改进皮尔逊相关系数的低压台区拓扑校验方法 |
CN112886582A (zh) * | 2021-02-08 | 2021-06-01 | 国网上海市电力公司 | 基于负荷率和拓扑的电压相关性识别台区相位的方法 |
CN112966219A (zh) * | 2021-03-01 | 2021-06-15 | 北京市腾河智慧能源科技有限公司 | 识别户表与表箱关系的方法及***、设备、介质 |
Non-Patent Citations (1)
Title |
---|
"基于非接触测量的电表线路智能巡检***";林韬;《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113724101A (zh) | 2021-11-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108416695B (zh) | 基于深度学习的电力负荷概率密度预测方法和***、介质 | |
CN113724101B (zh) | 台区的箱表关系识别方法及***、设备、存储介质 | |
CN111624544B (zh) | 一种台区户变关系识别方法及相关装置 | |
CN112966219B (zh) | 识别户表与表箱关系的方法及***、设备、介质 | |
Pirbazari et al. | Evaluating feature selection methods for short-term load forecasting | |
CN108921358B (zh) | 一种电力负荷特征的预测方法、预测***及相关装置 | |
CN107437135B (zh) | 一种新型储能选型方法 | |
CA3017229A1 (en) | Power consumption analyzing server and power consumption analyzing method thereof | |
CN115267644A (zh) | 电能表失准检测方法以及装置 | |
CN112258337A (zh) | 一种自我补全修正的基站能耗模型预测方法 | |
CN115329899A (zh) | 一种聚类等效模型构建方法、***、设备和存储介质 | |
Porteiro et al. | Short term load forecasting of industrial electricity using machine learning | |
CN112614010A (zh) | 负荷预测方法及装置、存储介质及电子装置 | |
CN113176458A (zh) | 一种针对数据不完整的低压台区相户关系识别方法 | |
CN116308883A (zh) | 一种基于大数据的区域电网数据统筹管理*** | |
CN112508254B (zh) | 变电站工程项目投资预测数据的确定方法 | |
CN112508260B (zh) | 基于对比学习的配电变压器中长期负荷预测方法及装置 | |
CN110865328B (zh) | 基于ami的智能电表相位识别、拓扑辨识及阻抗估计方法 | |
CN111343664B (zh) | 用户定位方法、装置、设备及介质 | |
CN115494382A (zh) | 判断智能开关上下级关系的方法及***、设备、存储介质 | |
CN116662840A (zh) | 一种基于机器学习的低压台区用户相位识别方法 | |
CN116166886A (zh) | 向量指数平滑新分类法在季节时间序列预测中的应用*** | |
CN115374991A (zh) | 一种基于改进统计升尺度的光伏集群出力预测方法 | |
CN113780440A (zh) | 一种提升抗数据扰动能力的低压台区相别辨识方法 | |
CN113489005A (zh) | 配电网潮流计算的配变负荷估算方法及*** |
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 |