CN114707789A - 一种低压配电网高频量测数据处理与拓扑识别方法和*** - Google Patents
一种低压配电网高频量测数据处理与拓扑识别方法和*** Download PDFInfo
- Publication number
- CN114707789A CN114707789A CN202210092608.6A CN202210092608A CN114707789A CN 114707789 A CN114707789 A CN 114707789A CN 202210092608 A CN202210092608 A CN 202210092608A CN 114707789 A CN114707789 A CN 114707789A
- Authority
- CN
- China
- Prior art keywords
- correlation
- voltage
- distribution network
- data
- topology
- 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
- 238000005259 measurement Methods 0.000 title claims abstract description 42
- 238000012545 processing Methods 0.000 title claims abstract description 37
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000010219 correlation analysis Methods 0.000 claims abstract description 21
- 238000007781 pre-processing Methods 0.000 claims abstract description 9
- 238000004458 analytical method Methods 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 238000000691 measurement method Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 125000002015 acyclic group Chemical group 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000000547 structure data Methods 0.000 description 1
- 238000013076 uncertainty analysis Methods 0.000 description 1
- 238000011144 upstream manufacturing 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- 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)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- General Engineering & Computer Science (AREA)
- Marketing (AREA)
- Artificial Intelligence (AREA)
- Educational Administration (AREA)
- Entrepreneurship & Innovation (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Optimization (AREA)
- Mathematical Physics (AREA)
- Evolutionary Biology (AREA)
- Power Engineering (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Primary Health Care (AREA)
- Computing Systems (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Algebra (AREA)
- Probability & Statistics with Applications (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
Abstract
本发明提供一种低压配电网高频量测数据处理与拓扑识别方法和***,其中方法包括:采用高频数据处理模块对高频数据进行预处理;采用时间序列相关性分析模块对预处理的高频数据进行时间序列相关性分析;采用拓扑辨识模块进行拓扑辨识。本发明充分结合工程实际,提出了配网高频数据处理算法,并在此基础上,利用时间序列相关性分析以及贝叶斯网络学习算法实现了低配网拓扑的快速辨,为保证电网的经济、安全、稳定运行,提供有力支撑。
Description
技术领域
本发明属于配电***分析领域,尤其涉及一种低压配电网高频量测数据处理与拓扑识别方法和***。
背景技术
正确的配电网拓扑结构是保证配电网安全分析和控制决策的重要基础。随着技术的发展,智能监测设备已有对高压和中压电网信息的准确监控,但由于低压侧的智能设备部署不完整,且低压用户侧存在频繁的线路更改、地下布线不易检查、人为私自改动线路、配电网线路数目庞大等问题,导致配电网拓扑结构经常出现错误,使得电力调度人员无法及时掌握正确的拓扑关系,进而严重影响配电***的运行和管理。配电网拓扑识别技术可以更新开关状态的变化,形成新的拓扑结构,为配电网管理***中的高级应用如状态估计、故障诊断、潮流计算、无功优化、电网重构等提供必要的网络结构数据。
近年来,高比例可再生能源大规模并网,其发电出力具有较强的随机性,这对电力***不确定性分析与优化提出了更高的要求。随着智能电网建设的不断推进,高级量测体系(advanced meter infrastructure,AMI)在配电网中配置越来越多,其最直观的变化就是用户侧智能电表量测数据粒度的大幅度提升,这使得数据的量测、传输与存储具有较好积累,为配网拓扑关系的识别提供了有效的数据信息。另一方面,数据分析与处理技术近年来飞速发展,全球各行各业在对数据的获取、分析与处理这一全新维度上,已经进行了大量的投入并展开了激烈的竞争,高频的低压配网量测数据在为配网提效升级提供机遇的同时,也为配网数据驱动方法的性能带来了巨大挑战。
现阶段,如何高效处理分析低压配网高频量测数据,并进而改善目前配电网频繁的更新、配线复杂等因素导致的配电网拓扑辨识困难,亟待解决。
发明内容
本发明的目的是提供一种低压配电网高频量测数据处理与拓扑识别方法和***,可以解决现有技术中由于配电网频繁的更新、配线复杂等因素导致的配电网拓扑辨识困难的问题。
本发明的目的是通过以下技术方案实现的:
第一方面,本发明提供一种低压配电网高频量测数据处理与拓扑识别***,包括高频数据处理模块、时间序列相关性分析模块和拓扑辨识模块,其中:
高频数据处理模块,内置有效序列时间窗定位算法和高频时序数据时间断面同步算法,对分钟级或秒级用户节点量测数据进行运算分析;
时间序列相关性分析模块,内置时间序列相似性度量算法,对不同量测单元上传的时间序列进行相关性分析;
拓扑辨识模块,对已完成分析的量测阶段相关性进行排序,并利用加权树生成算法以及电压幅值关系,完成对目标区域的拓扑辨识。
第二方面,本发明提供一种低压配电网高频量测数据处理与拓扑识别方法,包括以下步骤:
步骤S1:采用高频数据处理模块对高频数据进行预处理;
步骤S2:采用时间序列相关性分析模块对预处理的高频数据进行时间序列相关性分析;
步骤S3:采用拓扑辨识模块进行拓扑辨识。
进一步的,所述对高频数据进行预处理包括:
选取同时段内有效时间序列时间窗口,获取该时段内所有用户的时间序列电压幅值数据;
对获取的用户的时间序列电压幅值数据进行时间断面同步处理。
进一步的,所述选取同时段内有效时间序列时间窗口的过程包括:选取某一时间段,获取该时间段内所有的电压数据,如果某一用户的电压数据存在缺失值和/或重复值,则另行选取时间段,直至选取的时间段内所有用户的电压数据不存在缺失值和/或重复值。
进一步的,所述步骤S2采用距离度量法或信息熵法对各个时间序列相关性进行分析。
进一步的,采用信息熵法对各个时间序列相关性进行分析的过程包括:
首先定义信息熵:
H(x)=E[I(xi)]=E[log(2,1/P(xi))]=-∑P(x)log(2,P(xi));
式中,i=1,2,…,n,P(xi)为第i个用户x电压幅值的概率分布;E(·)表示期望;H表示信息熵;I为互信息;
再定义互近似熵的计算公式为:
式中,P(x,y)分别为用户x、y的电压幅值联合概率分布;P(x)为用户x电压幅值的概率分布,P(y)为用户y电压幅值的概率分布,X表示用户x电压数据集合,Y表示用户y电压数据集合。
进一步的,所述步骤S3包括:
步骤S31:分别计算所有用户之间的互相关性得到互相关性矩阵;
步骤S32:依次计算用户之间的互信息存入用户互相关性集合;定义互相关性集合为组成最大加权生成树的集合;将互相关性的集合降序排列,并且剔除相同的数值;
步骤S33:遍历互相关性集合,如果在其中检测到一组节点(i,j)则继续,否则把这组节点(i,j)加入互相关性集合中,如果互相关性集合中的节点对数目达到n-2个停止;
步骤S34:取前n-2个互相关性的值所对应节点对放入互相关性集合中,最终生成低压配电网拓扑的两两组合的节点集合。
正确的配电网拓扑结构是保证配电网安全分析和控制决策的重要基础,但由于低压侧的智能设备部署不完整,且低压用户侧存在频繁的线路更改、人为私自改动线路等问题,导致配电网拓扑结构经常出现错误,进而严重影响配电***的运行和管理。考虑到用户侧智能电表量测数据粒度的大幅度提升,本发明的低压配电网高频量测数据处理与拓扑识别方法和***,充分结合工程实际,提出了配网高频数据处理算法,并在此基础上,利用时间序列相关性分析以及贝叶斯网络学习算法实现了低配网拓扑的快速辨,为保证电网的经济、安全、稳定运行,提供有力支撑。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图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他的附图。
图1为实际低压配网拓扑示意图;
图2为本发明的低压配电网高频量测数据处理与拓扑识别***的框图;
图3为本发明的低压配电网高频量测数据处理与拓扑识别方法的步骤图。
具体实施方式
下面结合附图对本公开实施例进行详细描述。
以下通过特定的具体实例说明本公开的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本公开的其他优点与功效。显然,所描述的实施例仅仅是本公开一部分实施例,而不是全部的实施例。本公开还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本公开的精神下进行各种修饰或改变。需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。基于本公开中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本公开保护的范围。
鉴于低压配网为典型树状结构,其拓扑如下图1所示,图中A为根节点,B、C、D、E为分支节点,{1,2,…,17}为叶节点(用户节点)。本发明的目的是针对上述现有技术存在的不足,提供一种低压配电网高频量测数据处理与拓扑识别方法,该方法首先借助AMI用户节点提供的负荷量测信息,得出同一配电变压器下的各负荷所属耦合节点电压相关性强弱,进行相关性分析,即相关性强的负荷同属于同一馈线,进而确定各负荷所属的馈线;之后根据负荷的耦合节点电压幅值大小,以及树状拓扑特性,确定各负荷在所属馈线中的上下游关系,最后通过相关性分析结果以及负荷的耦合节点电压分布,完成低压配电网络拓扑的快速辨识或修正。
本发明的低压配电网高频量测数据处理与拓扑识别***,如图2所示,包括高频数据处理模块、时间序列相关性分析模块和拓扑辨识模块,其中:
高频数据处理模块,内置有效序列时间窗定位算法和高频时序数据时间断面同步算法,具有较高运算能力,可对分钟级乃至秒级用户节点量测数据进行运算分析。
时间序列相关性分析模块,内置时间序列相似性度量算法,进而可对不同量测单元上传的时间序列进行相关性分析。
拓扑辨识模块,负责对已完成分析的量测阶段相关性进行排序,并据此利用加权树生成算法以及电压幅值关系,完成对目标区域的拓扑辨识。
本发明的低压配电网高频量测数据处理与拓扑识别方法,包括以下步骤:
步骤S1:采用高频数据处理模块对高频数据进行预处理。
进一步的,对高频数据进行预处理包括:
步骤S11:选取同时段内有效时间序列时间窗口,获取该时段内所有低压配电台区用户的时间序列电压幅值数据。
鉴于数据会存在有缺失值、重复值等问题,在使用之前需要进行数据预处理。数据预处理通常针对不同的任务和数据集属性的不同而不同。对于所采集的低压配电网用户节点智能电表的时间序列电压幅值信息数据,为有效计算其相互之间的关联关系,需确保各个用户节点时间序列中数据点一一对应。因此,需遍历同时段内目标区域每一用户,当所有用户数据均没有缺失值和/或重复值问题时开始截取数据,反之则跳过该时段,直至截取所需数量的同时段电压数据,形成数据为U={U1,…,Ui,…,Un},(500-1000个时间截面),作为识别低压配电台区拓扑的输入,n代表电表下的用户数,Ui代表一个用户i下的电压向量。
步骤S12:对步骤S11获取的低压配电台区用户的时间序列电压幅值数据进行时间断面同步处理。
实际工程中,不同量测节点的数据尽管采集频率相同,但其采样时刻可能存在偏移,这将影响后续相关性度量的准确性,而高频数据采样间隔相对较短,且电网电压变化具有惯性,可采用样条插值法对采样时刻不同的用户量测数据进行填补,使得各用户数据时间断面保持同步。
步骤S2:采用时间序列相关性分析模块对预处理的高频数据进行时间序列相关性分析。
由于不同用户间量测数据为同步时间断面序列,可采用距离度量法或信息熵法对各个时间序列相关性进行分析。
以互近似熵为例,首先定义信息熵:
H(x)=E[I(xi)]=E[log(2,1/P(xi))]=-∑P(x)log(2,P(xi)) (1)
式中,i=1,2,…,n,P(xi)为第i个用户x电压幅值的概率分布;E(·)表示期望;H表示信息熵;I为互信息。
则互近似熵的计算公式为:
式中,P(x,y)分别为用户x、y的电压幅值联合概率分布;P(x)为用户x电压幅值的概率分布,P(y)为用户y电压幅值的概率分布,X表示用户x电压数据集合,Y表示用户y电压数据集合。
步骤S3:采用拓扑辨识模块进行拓扑辨识。
可利用Chow-Liu算法根据相关性信息使用Kruskal算法构造最大权重生成树。按照权重的降序,一次构建一条边,如果所有权重都大于0,则会得到一个连接的结果。同理,若采用距离度量法,则相关信息为一组时间序列{X,Y}间的相似性度量,
进一步的,步骤S3包括:
步骤S31:采用相关性信息的计算公式分别计算所有用户之间的互相关性得到互相关性矩阵。
步骤S33:遍历互相关性集合Θ,如果在互相关性集合Θ中检测到一组节点(i,j)则继续,否则把这组节点(i,j)加入互相关性集合Θ中,如果互相关性集合Θ中的节点对数目达到n-2个停止。
步骤S34:取前n-2个互相关性的值所对应节点对放入互相关性集合Θ中,最终生成低压配电网拓扑的两两组合的节点集合。
本发明的上述方法,举例说明如下:
定义各个支路,所对应的Vi、Vj表示支路i和支路j的时序电压,且i,j∈{1,2,…,N},N为连接到某相线上的所有支路的总数。假设连接到A相的支路共有6个,则可根据6个支路的电压相关系数得到一个6×6的对称方阵矩阵,这里令或(保证与前文一致),且ai,j=aj,i,因为这两个值均为支路i和支路j时序电压间的相关系数。所得出的表示各个支路时序电压间的相关系数矩阵形式如下式3。
利用上述矩阵,根据其相关性强弱,以及先验互相关性信息,可完成有向无环贝叶斯网络学习。进而,选取距离变压器电气距离最近的支路i为始发点,利用电压幅值信息可对个节点上下游关系进行整定,同时间断面内幅值愈大,则距离根节点越近。将全部6个支路都连接到线路中,所得到的便是属于A相的用户的网络拓扑逻辑结构。
同理可以得到属于相位B和相位C的用户的网络拓扑结构,并根据所得结果,以作为基准的母线的电压间相关系数大的基准母线相连,求作为基准的分别属于A相、B相及C相的母线的时序电压间的相关系数,整合A相、B相和C相三组重建的拓扑网络,形成一个完整的拓扑网络结构,完成对低压配电台区拓扑的识别。
以上仅为说明本发明的实施方式,并不用于限制本发明,对于本领域的技术人员来说,凡在本发明的精神和原则之内,不经过创造性劳动所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种低压配电网高频量测数据处理与拓扑识别***,其特征在于,包括高频数据处理模块、时间序列相关性分析模块和拓扑辨识模块,其中:
高频数据处理模块,内置有效序列时间窗定位算法和高频时序数据时间断面同步算法,对分钟级或秒级用户节点量测数据进行运算分析;
时间序列相关性分析模块,内置时间序列相似性度量算法,对不同量测单元上传的时间序列进行相关性分析;
拓扑辨识模块,对已完成分析的量测阶段相关性进行排序,并利用加权树生成算法以及电压幅值关系,完成对目标区域的拓扑辨识。
2.一种低压配电网高频量测数据处理与拓扑识别方法,其特征在于,包括以下步骤:
步骤S1:采用高频数据处理模块对高频数据进行预处理;
步骤S2:采用时间序列相关性分析模块对预处理的高频数据进行时间序列相关性分析;
步骤S3:采用拓扑辨识模块进行拓扑辨识。
3.根据权利要求2所述的低压配电网高频量测数据处理与拓扑识别方法,其特征在于,所述对高频数据进行预处理包括:
选取同时段内有效时间序列时间窗口,获取该时段内所有用户的时间序列电压幅值数据;
对获取的用户的时间序列电压幅值数据进行时间断面同步处理。
4.根据权利要求3所述的低压配电网高频量测数据处理与拓扑识别方法,其特征在于,所述选取同时段内有效时间序列时间窗口的过程包括:选取某一时间段,获取该时间段内所有的电压数据,如果某一用户的电压数据存在缺失值和/或重复值,则另行选取时间段,直至选取的时间段内所有用户的电压数据不存在缺失值和/或重复值。
5.根据权利要求2所述的低压配电网高频量测数据处理与拓扑识别方法,其特征在于,所述步骤S2采用距离度量法或信息熵法对各个时间序列相关性进行分析。
7.根据权利要求2所述的低压配电网高频量测数据处理与拓扑识别方法,其特征在于,所述步骤S3包括:
步骤S31、分别计算所有用户之间的互相关性得到互相关性矩阵;
步骤S32、依次计算用户之间的互信息存入用户互相关性集合;定义互相关性集合为组成最大加权生成树的集合;将互相关性的集合降序排列,并且剔除相同的数值;
步骤S33、遍历互相关性集合,如果在其中检测到一组节点(i,j)则继续,否则把这组节点(i,j)加入互相关性集合中,如果互相关性集合中的节点对数目达到n-2个停止;
步骤S34、取前n-2个互相关性的值所对应节点对放入互相关性集合中,最终生成低压配电网拓扑的两两组合的节点集合。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210092608.6A CN114707789A (zh) | 2022-01-26 | 2022-01-26 | 一种低压配电网高频量测数据处理与拓扑识别方法和*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210092608.6A CN114707789A (zh) | 2022-01-26 | 2022-01-26 | 一种低压配电网高频量测数据处理与拓扑识别方法和*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114707789A true CN114707789A (zh) | 2022-07-05 |
Family
ID=82167177
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210092608.6A Pending CN114707789A (zh) | 2022-01-26 | 2022-01-26 | 一种低压配电网高频量测数据处理与拓扑识别方法和*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114707789A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116317094A (zh) * | 2022-09-07 | 2023-06-23 | 东南大学溧阳研究院 | 一种基于物联网设备量测数据的低压配电网拓扑识别方法 |
-
2022
- 2022-01-26 CN CN202210092608.6A patent/CN114707789A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116317094A (zh) * | 2022-09-07 | 2023-06-23 | 东南大学溧阳研究院 | 一种基于物联网设备量测数据的低压配电网拓扑识别方法 |
CN116317094B (zh) * | 2022-09-07 | 2024-03-19 | 东南大学溧阳研究院 | 一种基于物联网设备量测数据的低压配电网拓扑识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109274095B (zh) | 基于互信息的低压配电网用户拓扑估计方法及*** | |
CN113937764A (zh) | 一种低压配电网高频量测数据处理与拓扑识别方法 | |
CN108683180B (zh) | 一种三相低压配电网拓扑重建方法 | |
CN107104442B (zh) | 计及参数模糊性的含风电场电力***概率潮流计算方法 | |
Khoshkhoo et al. | On-line dynamic voltage instability prediction based on decision tree supported by a wide-area measurement system | |
CN101958543B (zh) | 一种变电站三相无阻抗非线性多源状态估计方法 | |
CN111654392A (zh) | 基于互信息的低压配电网拓扑识别方法及*** | |
CN111628494A (zh) | 一种基于逻辑回归法的低压配电网拓扑识别方法及*** | |
CN110348114A (zh) | 一种电网完备性状态信息重构的非精确故障识别方法 | |
CN111313403A (zh) | 一种基于马尔可夫随机场的低压配电***网络拓扑识别方法 | |
CN115693661A (zh) | 一种基于图神经网络的连锁故障风险关键线路辨识方法 | |
CN114707789A (zh) | 一种低压配电网高频量测数据处理与拓扑识别方法和*** | |
CN114720819A (zh) | 一种基于自校验学习的故障区段二分定位方法 | |
CN112350318B (zh) | 基于广度优先搜索算法的交流配电网拓扑辨识方法 | |
CN105701265B (zh) | 一种双馈风电机组建模方法及装置 | |
CN111475915B (zh) | 基于故障概率和时域仿真准稳态的相继故障在线评估方法 | |
Khare et al. | Optimal PMU placement using matrix modification based integer linear programming | |
Wang et al. | Analysis of network loss energy measurement based on machine learning | |
Zhang et al. | Distributed Architecture of Power Grid Asset Management and Future Research Directions | |
Wang et al. | A novel design framework for smart operating robot in power system | |
Givaki et al. | Machine learning based impedance estimation in power system | |
Xu et al. | A Modified Maximum Spanning Tree Based Topology Identification Method for Distribution Network | |
CN107546742B (zh) | 一种日前计划潮流有功及电压计算误差分析方法 | |
Chen et al. | A Bayesian Network Model for Distribution Network Topology Modification | |
Zhong et al. | Low-voltage distribution network topology identification method based on segmented current features and cnn-lstm deep learning |
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 |