基于自适应分段聚合近似的户变关系聚类识别方法

低压配电变压器台区广泛存在户变关系不准确的现象，导致台区线损统计异常、停复电通知不及时等问题。目前，台区档案校验主要依靠电力员工现场排查，过程耗时耗力。针对此，依据智能电表记录的电压数据，提出基于自适应分段聚合近似和谱聚类的低压台区户变关系识别方法。首先，采用零均值标准化放大原始电压数据间的相对差异；其次，采用自适应分段聚合近似方法对电压数据进行降维处理，提取电压曲线特征；然后，应用谱聚类算法对电压特征数据进行聚类，实现用户与所属台区的识别；最后，通过算例分析的结果验证了所提模型的可行性和有效性。     

基于多维特征的电网台区线损数据异常识别研究

随着智能电表及用电管理终端的广泛应用,电网台区相关监测终端每天可收集到海量线损数据,并且可对存在的异常情况进行识别。但是数据噪声对电网台区线损数据的干扰,导致识别的准确率和召回率下降。针对这些问题,提出了一种基于多维特征的电网台区线损数据异常识别方法。该方法首先将电网台区线损数据样本形成对应的二维数据,采用二维小波阈值法进行去噪。根据去噪后二维数据的位置特征以及时间数据特征,对Hasusdorff距离公式进行改进,用以计算电网台区线损数据的多维特征相似度,得到线损数据之间的相似性矩阵。最后将多维Hasusdorff距离应用到层次聚类算法中去识别电网台区线损数据中的异常。仿真实验结果表明,所提方法的准确率和召回率较高。电网台区线损数据异常识别时间较短,满足工程实际使用要求。     

基于分段电流特征和随机森林算法的低压配电网拓扑识别方法

低压配电网的拓扑结构对于实现台区线损分析、故障定位、需求响应等应用功能有着重要意义。针对当前低压配网户变关系在线识别难题,提出了一种基于分段电流特征和随机森林算法的低压配电网拓扑识别方法。首先,基于电流特性纵向传导机理,构建电流特征指标体系,并提出基于电流时间序列的分段特征提取方法。其次,根据分段电流特征生成特征向量集,建立基于随机森林算法的拓扑识别模型,可快速有效识别用户连接变压器关系。最后,利用实际配电网的量测数据进行算例分析,结果证明该方法拓扑识别准确率达到98.02%,所需样本时间短,能够快速有效地识别低压配网拓扑关系。     

基于ICS-K-means聚类算法和WNN的有源低压台区线损估算方法

针对传统的线损理论计算方法已不适用于含分布式电源的低压台区线损估算的问题,提出一种基于改进布谷鸟搜索K均值（ICS-K-means）聚类算法和小波神经网络（WNN）的有源台区线损估算方法。首先,基于最大互信息系数筛选线损影响因子,建立有源台区线损指标体系;然后,提出改进布谷鸟搜索聚类算法对样本数据集进行聚类,减少对初始聚类中心的依赖;最后,采用小波神经网络对每类聚类数据集进行训练及测试。算例分析验证了所提方法的准确性和有效性。     

基于APAA和改进DBSCAN算法的户变关系及相位识别方法

随着低压台区线路改造升级,台区户变关系以及用户相位信息变动频繁。为解决因排查效率低、更新不及时等造成的户变相位档案错误问题,提出了一种基于电压特征提取和聚类算法的户变关系及相位识别方法。首先采用自适应分段聚合近似(adaptivepiecewiseaggregateapproximation,APAA)方法提取电压曲线特征,然后采用改进DBSCAN(density-based spatial clustering of application with noise)算法识别户变关系不匹配的用户,以及对户变关系正常用户进行相位识别,该改进方法通过自适应确定DBSCAN算法的参数和检验聚类结果中噪声用户的相关性,提高了算法聚类结果的准确度。实际台区算例分析验证了所提方法的准确性。     

基于电压聚类和关联卷积的配电网户变关系识别方法

准确的低压配电网户变关系是电力营销管理和台区线损治理的重要基础,传统的户变关系识别方法排查成本高、识别效果欠佳,无法适用于规模日趋庞大的低压配电网.在此背景下,提出了一种基于智能电表量测数据和用户档案信息的低压配电网户变关系识别方法.首先利用用户地理位置信息实现邻近用户的初步合并,再基于GMM聚类算法对电压时序数据进行聚类划分,用户划分结果作为下一步的迭代初值.然后基于能量供需平衡建立配变与用户的关联卷积识别模型实现低压配电台区户变关系的辨识.最后,在实际的低压配电系统中验证了该方法在提升户变关系识别效率和准确率等方面具有显著优势,具备一定的实践应用价值和工程指导作用.     

基于改进聚类和RBF神经网络的台区电网线损计算研究

电网线损是反映低压台区配电网输配电性能好坏的重要技术指标,针对低压台区线损计算不精确和效率不高的问题提出了一种有效的计算方法,即基于改进K-Means聚类和正交最小二乘法（OLS）优化的径向基（RBF）神经网络计算模型。首先通过层次分析法（AHP）对线损的电气指标进行提取,根据得到的线损指标用改进的K-Means聚类算法进行分类处理,然后用OLS改进的RBF网络和标准的RBF网络分别对得到的分类样本进行训练,再用训练好的模型计算台区电网线损。最后利用某地区低压台区的68组样本验证了所提方法的有效性。     

基于数据挖掘的新型低压窃电识别方法

针对现今反窃电技术往往采用单一算法分析,导致反窃电效果差强人意的现状,文中提出一种针对低压用户窃电的识别方法.剥离台区线损当中的技术线损部分,采用K-means聚类算法对处理过的线损数据进行分析,识别出线损率异常波动或持续偏高的台区,并根据聚类结果定义时间离散度来衡量窃电疑似度.分析异常台区下的用户,通过相关性分析研究...     

基于电压时序数据的配电台区户变关系智能识别

为解决低压配电网络户变关系不准确带来的台区线损统计、排查困难等问题,根据电力大数据技术,提出了基于变压器低压侧和用户侧电压时序数据聚类的配电台区户变关系智能识别方法.首先,采用改进的动态时间规整算法计算用户时序电压序列的相似度;其次,提出基于自组织特征映射算法与K-means算法相结合的两阶段聚类方法,结合时序数据相似...     

基于小波模糊熵GG聚类的同调机群识别

针对同调机群识别面临的特征提取片面及计算过程复杂相互制约的问题,提出一种基于小波模糊熵-GG(Gath-Geva)聚类的同调机组识别新方法。根据广域测量系统获取的故障后系统机组功角信息,利用多尺度小波分解将功角摇摆曲线分解为整体趋势和细节信息,计算各个尺度小波系数的模糊熵,并作为发电机的特征向量,再通过GG模糊聚类算法对其进行同调聚类。对IEEE 39节点系统和某实际电网进行仿真,算例分析结果表明所提方法能够根据故障后系统机组功角信息的变化更新功角数据库,实现快速准确的同调机群识别。