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。     

基于电压时空聚合曲线的乡镇配电台区户变关系识别方法

户变关系是指用户电表与配电变压器之间的连接关系,是智能微电网的数据基础。乡镇配电台区供电半径大,受台区分布式能源并网影响,用户电表的电压变化规律与配电台区内多个电源电压变化相关,严重影响了电压相关性户变识别的准确率。因此,考虑分布式能源并网、电源到用户电表低压线路长度的影响因素,采用电压时空聚合方法计算用户电表理论电压波动曲线,并将其与用户电表的真实电压波动曲线进行比较,从而准确识别户变关系。所提方法在中国某地区乡镇示范配电台区进行了验证,户变关系识别准确率为99.8%。结果表明,所提方法较自适应分段聚合近似、关联卷积、密度拓扑聚类等主流的户变关系识别方法具有更好的识别效果。     

基于贝叶斯推断和谱聚类的户变关系动态辨识

低压台区线路的日常维护以及改造升级会导致台区户变关系变动频繁。针对低压台区户变关系难以人工维护的问题,提出了一种基于贝叶斯推断和谱聚类的户变关系动态辨识方法。首先运用高斯核函数和IIR滤波器方程计算节点间电压数据相似度,然后利用贝叶斯推断构建节点间相似度时序矩阵,最后对其进行谱聚类进而实现户变关系的动态辨识。该方法能够沿时序方向根据最新时刻的电压数据进行户变关系的动态辨识,不仅能够对用户更改台区的情况做出快速响应,还能有效提高数据缺失和节点投入或退出台区情况下辨识的鲁棒性。以广东省惠州市4个台区为例进行的算例分析结果良好,验证了所提方法在工程实践中的可行性和可靠性。     

基于DDTW距离与DBSCAN算法的户变关系识别方法

针对低压配电台区拓扑结构中户变关系缺失或异常的问题,提出了一种基于导数动态时间弯曲(DDTW)算法与基于密度的有噪空间聚类应用(DBSCAN)算法的户变关系识别方法.首先,采用DDTW算法对台区配电变压器(以下简称台变)低压侧电压和用户电压的时间序列进行相似性分析.然后,根据DDTW距离对台变和用户进行聚类得到户变关系的概率性结果,减小聚类算法参数对聚类结果的影响.该方法能够对时间间隔不同、不等长的电压时间序列进行分析,对电压数据缺失或异常不敏感,且不需要人为设定阈值,户变关系识别准确性高.最后,通过实例分析验证了所提方法的有效性.     

基于量子遗传和核模糊聚类的低压台区户变关系识别

户变关系对于营配融合、线损分析等业务的开展具有重要作用。为了得到准确的户变关系,提出一种基于量子遗传和模糊聚类的户变关系识别方法,该方法根据不同台区电能表的电压过零偏移特征不同,采用核模糊C均值聚类对电能表电压的过零偏移进行分类,通过与变压器端的过零偏移比较,实现户变关系识别。主要创新点为:采用量子遗传算法对模糊C均值聚类的聚类中心和核参数进行优化,提高聚类精度和效率;提出一种基于类间距离和类内距离的适应度函数构造方法;引入小生境协同进化策略、动态调整策略、Hadamard门变异策略,提高算法寻优能力。通过对Benchmark函数和UCI数据集特征的仿真测试,验证了所提出方法比标准核模糊C均值聚类具有更高的聚类精度和运算效率。采用文中方法对实际的台区变压器和电能表数据进行归属识别,结果表明,所提出方法得到的结果与真实户变关系一致,具有较好的应用效果。     

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...     

基于电压曲线形态特征聚类的低压台区相位辨识

针对电压曲线分布集中导致低压台区用户相位难以准确辨识的问题,提出基于电压曲线形态特征聚类的低压台区相位辨识方法。首先,采用分段聚合近似(PAA)对配电变压器低压侧三相以及低压用户的电压曲线进行分段,提取反映整体分布的主要特征信息,减少冗余噪声的干扰。引入一阶导数与动态时间弯曲(DTW)增加对每个分段序列局部趋势变化的分析,并将其集成到PAA距离度量中,既弥补了均值特征缺乏对电压曲线趋势变化信息的考量,又能降低DTW的时间复杂度。然后,通过该距离度量综合判定电压特征序列的相似度,并以此改进传统k-means聚类的相似性度量,构建低压台区相位辨识模型。最后,通过实际台区算例分析验证了所提方法的有效性。     

基于改进K-means聚类和皮尔逊相关系数户变关系异常诊断

用电信息采集系统易出现台区户变关系错误问题,传统诊断技术主要针对少用户台区出现异常用户情况,但对于多达数百用户台区,存在多相邻台区异常用户特征提取难题。本文首先通过主成分分析对GIS系统获取台区总表和用户电表电压数据实现降维,建立改进K-means聚类提取电压数据特征,提出改进皮尔逊相关系数算法分析待检测用户,据此建立基于改进K-means聚类和改进皮尔逊相关系数的户变关系异常诊断方法,实现多异常用户所属正确台区诊断。实际算例分析结果表明,本文提出算法在识别同一台区一个及多个异常用户、不同台区多个异常用户情况下均能有效实现异常用户的准确检测与分析,相比传统检测方法,实现简单且准确性更高。     

采用自适应分段聚合近似的典型负荷曲线形态聚类算法

对海量负荷数据进行降维聚类处理是提取负荷关键信息,深度挖掘其内在规律的前提。根据负荷曲线的形态特征,文中提出了一种基于可变时间分辨率自适应分段聚合近似方法的曲线形态聚类算法。首先,根据负荷爬坡事件及基于斜率提取的边缘点来衡量负荷曲线的形态特征及其变化趋势,采用自适应分段聚合近似算法对用户日负荷数据集进行可变时间分辨率重构,进一步采用一种基于负荷曲线形态聚类的k-shape算法进行聚类处理,该聚类算法以一种基于曲线形态相似性的距离量度方式作为相似性判据,并依据斯坦纳树优化方法进行聚类中心计算。利用模拟数据、实测数据算例分析验证了所提算法在数据降维、负荷聚类中的实用性和有效性。     

基于TensorFlow框架的改进BP户变关系识别方法

为了理清供电台区和用户之间的挂接关系,传统方法是依托人工或专用装置辨识,但存在效率低下和运行工况受限等问题。对此,在数据挖掘和机器学习技术基础之上,提出一种基于TensorFlow框架的改进BP(反向传播)户变关系识别方法。首先以Spearman相关系数作为K-means聚类的距离度量,对部分历史电压数据聚类,将聚类结果匹配所属台区进而构建训练样本,利用学习后的BP识别当前用户所对应的变压器及相别。为改善BP容易出现局部最优和收敛速度慢的问题,采用零均值化和Adam(自适应矩估计)对BP进行优化,并将BP部署在TensorFlow框架以进一步减小算法耗时。算例表明,所提算法能够有效提高户变关系识别准确率,提高辨识效率,具有良好的理论和应用价值。     

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.     

基于深度学习与谐波谱相关分析的台区识别

为了提高用户台区识别的效率和精度,提出了一种基于深度学习与谐波谱相关分析的台区识别方法。采集配变出口电压进行谐波频谱分析,并通过深度置信网络(DBN)的特征提取模型自适应提取配变电压特征谐波谱。提取用户端智能电表的电压特征谐波谱,利用谱相关分析法计算智能电表与配变间电压特征谐波谱的皮尔逊相关系数,进而通过谱相关程度对比判断用户所属台区和相别。选取南京市某低压配电网进行现场测试,实测结果表明,所提方法提高了用户台区和相别识别效率,为电网公司对台区精细化管理提供新技术。     

基于改进FCM和最小互信息算法的户变关系辨识方法

随着低压分布式光伏的高比例接入,传统的户变关系辨识方法利用电压与功率特征进行判断,受光伏出力影响较大。针对分布式光伏大规模接入下低压配电网的电气特征,提出了一种基于数据驱动的低压配电网户变关系辨识方法。首先,基于改进模糊C均值(fuzzy C-means, FCM)聚类算法,利用电压相关性对用户进行初步聚类划分。其次,在初步聚类的基础上,利用最小互信息算法排除光伏出力的影响,建立配变与用户的连接关系识别模型并用回归分析的思想求解,实现对户变关系的精确辨识。最后,通过对某地实际数据进行算例分析,验证了基于改进FCM和最小互信息算法的户变关系辨识方法在大规模光伏接入场景下的有效性。实验表明,该方法相比传统的电压和功率特征判别方法具有更高的准确率。     

基于量测数据的台区拓扑自动识别模型及算法

电网新业务的迅速发展对低压配电网的智能化水平提出了更高的要求。传统低压配电网的拓扑关系主要依靠人工档案维护,导致电压问题治理效率和抢修效率低下。在此背景下,提出了利用台区智能终端和采集设备的电气运行数据的台区两级分支线户关系和户表相位的识别方法。构建了用以解决台区两级分支和户表拓扑关系的台区设备从属关系识别模型,将上下级拓扑识别问题转化成二次规划问题求解,并通过户表聚类减少二次规划问题的数据维度。在分支和户表关系确定的基础上,提出了综合利用户表电压和电流数据的户表相位识别方法,提高户表相位识别的准确性。最后,进行了二级分支户表拓扑关系和户表相位识别的算例验证。基于台区电气大数据的拓扑识别方法为提升台区的全面感知和精益化管理提供了工程应用指导。     

基于离散弗雷歇距离的户变关系识别方法

针对高速电力线载波(HPLC)户变关系识别中的电表时钟漂移与共用零线台区识别信号串扰问题,提出了一种基于离散弗雷歇距离的户变关系识别方法.首先,构建配电台区户变关系辨识方法,在电压过零点时刻,向低压线路叠加改进多载波调频特征识别信号进行户变关系识别;其次,构建辨识特征数据清洗方法,消除辨识特征数据时间轴偏移对户变关系识...     

基于自适应分段云模型的单相用户相别辨识方法

针对低压配电台区拓扑结构中相别关系错误的问题,利用台区配电变压器低压侧相电压序列和用户电压序列的相似性,提出了一种基于自适应分段云模型的单相用户相别辨识方法。首先,利用云模型的数字特征刻画电压序列的数据分布;然后,利用自适应分段云模型算法自适应地确定电压序列的分段总数以及每个分段的起始时刻和结束时刻;最后,计算电压序列分段云模型的相似度,确定用户与台区配电变压器的相别关系。该方法不受台区拓扑结构和负荷变化的影响,具有通用性;与现有相似性算法相比,该方法针对台区配电变压器三相电压很接近的情况相别辨识结果区分度更好、准确率更高。算例仿真和实例分析验证了所提方法的有效性。     

基于自适应分段云模型的单相用户相别辨识方法

针对低压配电台区拓扑结构中相别关系错误的问题,利用台区配电变压器低压侧相电压序列和用户电压序列的相似性,提出了一种基于自适应分段云模型的单相用户相别辨识方法.首先,利用云模型的数字特征刻画电压序列的数据分布;然后,利用自适应分段云模型算法自适应地确定电压序列的分段总数以及每个分段的起始时刻和结束时刻;最后,计算电压序列...     

基于改进DBSCAN的退役动力电池分选方法

退役动力电池梯次利用时电池单体不一致性对于分选后电池组性能具有重要影响，高效的分选方法能够降低电池不一致性，提高电池组的使用性能和安全性。针对目前常用的电池检测系统采样频率较低等问题，首先使用自适应分段拟合方法对充放电数据进行拟合，从充放电曲线中提取表征电池不一致性的动态特征电压上升高度（VR）、电压下降深度（DVF），并与容量、开路电压静态特征结合构成分选特征向量；然后提出一种基于核密度估计的DBSCAN算法（KDEDBSCAN），通过核密度估计自适应确定聚类算法参数，对特征聚类实现电池的分选；最后通过实验验证该分选方法的有效性。     

基于t-SNE降维和BIRCH聚类的单相用户相位及表箱辨识

低压台区单相用户的相位及接入表箱信息的准确性对户变关系纠错和线损治理分析有重要影响。目前,拓扑档案的校验主要依靠电力员工现场排查,人力物力消耗大且排查效率低下。因此,亟需一种效率较高的低压台区拓扑档案校验方法。在此背景下,文中提出了一种基于智能电表电压数据的低压台区单相用户相位及接入表箱辨识方法,可以为低压台区的拓扑辨识及排查提供参考。首先,采用t分布的随机近邻嵌入(t-SNE)技术对原始负荷数据进行降维处理,解决台区用户原始负荷特征维度过高带来的冗余性问题;接着,应用BIRCH方法对降维后的负荷数据进行聚类,实现台区下单相用户所属相位和接入表箱的辨识。最后,以浙江省海宁市某台区为例进行验证,算例分析的结果表明所提模型具有可行性和有效性。     

基于用电大数据的台户关系识别方法研究

在电网的低压台区,在用户接线改动或者为了负荷均衡分配而进行线路改造后,由于信息更新不及时,经常导致用户进线端与集中器归属关系记录不准确、台户关系与实际不符等问题。单纯依靠人工去识别台户关系不仅费时费力而且效果不佳,同时需要成本高昂的专用设备。为解决上述问题,文章提出一种基于用电大数据的台户关系智能识别方法。首先搭建台区模型,并采集和预处理台区各用户的海量电压时序数据作为观测变量;然后采用FastICA技术对处理后的数据进行独立成分分析与特征提取,从而获得用于估计观测变量的一系列相互独立的随机变量和混合矩阵;最后利用K均值聚类的方法对特征提取后数据进行聚类分析,从而实现台户关系识别。同时文章对电压数据采样精度和数据量对结果的影响进行了分析比较。仿真算例表明,所提方法能够在保证精度的情况下仅采用电压时序数据就实现台户关系的智能识别。