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.     

基于数据挖掘的户变关系辨识技术

低压台区长期面临拓扑结构缺失、户变关系不明确的问题,而近年来对配电网的精细化管理及控制需求明确的户变关系.针对此提出了一种基于数据挖掘技术的户变关系辨识方案.所提方法首先基于台区内节点的电压波动相似特点,以电压序列相似性为距离标准,利用DBSCAN算法聚类出疑似的不属于目标台区的离群节点;其次基于上下游设备的电度数据相似性确认疑似节点是否属于目标台区,采用Apriori算法生成符合约束条件的台区从属节点集,再使用余弦相似度判别得到最可能的户变从属结果.最后,以某市供电公司一实际台区数据通过结果对比验证了文中算法的有效性.     

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。     

基于电压集群特性分析的台区户变关系校验方法

由于技术与管理的滞后,低压配电变压器(简称"配变")台区广泛存在变压器与用户(以下简称"户变")关系不准确问题,导致台区线损统计异常、停复电通知不及时等问题,严重制约了台区运维管理水平与客户用电满意度的提升.传统依靠人力梳理台区户变关系的方式难度大,成本高,且准确性难以保证.为此,通过研究低压用户电压时序的相似性,提出...     

基于数据驱动的台区户-变关系核查方法研究

经济的不断发展使得低压配电网的规模日趋庞大,但同时暴露了台区线损管理中的一些问题。台区的户-变隶属关系错误是导致台区线损异常的主要原因之一。为了弥补检修人员需要对所有用户逐户排查方法的缺陷,提出了一种基于数据驱动的台区户-变隶属关系核查的方法。模型利用台区供、用电的历史数据,以台区折算后日线损率最稳定为优化目标,采用长时间尺度下滚动优化的方式,最终给出疑似发生户-变隶属关系错误的用户。最后通过两个实际的案例进行分析,结果表明该模型能够给出疑似档案错误的用户集合,实现台区户-变隶属关系核查的高效化。     

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。     

基于欠完备电压数据的户变关系识别方法

当前采集的台区用户数据存在一定比例的缺失,使得传统基于数据驱动的户变关系核查方法难以实际应用。为此,提出一种基于欠完备电压数据的户变关系识别方法。通过掩码自编码器直接从欠完备电压数据中提取特征编码;对特征编码应用参数自适应的基于密度的噪声应用空间聚类(DBSCAN)算法进行聚类,实现低压台区户变关系的准确识别。所提方法无须进行缺失数据填充,避免了数据填充误差对特征提取效果的影响。同时,该方法无须人工调参,降低了工程应用难度,提升了低压台区管理自动化水平。算例结果表明,在缺失率达80 % 的情况下,所提方法的户变关系识别准确率依然可达80 %。     

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...     

基于改进鸽群算法的台区三相负荷不平衡相序调整方法

低压台区拓扑信息的准确记录是进行台区线损分析、三相不平衡治理等工作的基础。针对目前拓扑档案排查成本高且效率低的问题,提出一种基于自适应k近邻（adaptive k nearest neighbor,AKNN）异常检验和自适应密度峰值（adaptive density peaks clustering,ADPC）聚类的低压台区拓扑识别方法。该方法利用动态时间弯曲（dynamic time warping,DTW）距离度量低压台区用户间电压序列的相似性,通过AKNN异常检验算法检验并校正异常的用户与变压器之间的关系（简称“户变关系”）,在得到正确户变关系的基础上,采用ADPC聚类算法对台区内用户进行相位识别;最后,通过实际台区算例分析验证了该方法不需要人为设置参数,能有效实现低压台区的拓扑识别,具有较高的适用性与准确性。

     

融合已知相别和地址信息的低压用户计量表箱识别

用户电能表与表箱的关系不清楚可能导致严重后果,用户电能表的所属计量表箱识别是低压配电网计量拓扑识别问题之一.由于同一计量箱的用户入线共用同一条配电箱母线,若已知总等效单相计量箱数量N,则原问题可转换为基于用户电压时序波形的N类分类问题.在分析这种方法在实际工程应用中缺点的基础上,提出了一种融合已知相别和地址信息的低压配...     

基于CNN-AE-MAML的低压配电网自适应分类方法

低压配电网分类有利于提高低压配电网经济运行管理措施及新能源规划运行方案制定的效率。随着各类新能源、充电桩等新型源荷的不断接入,低压配电网原有负荷特征发生变化,一方面导致配电网负荷特征复杂,另一方面导致变化后可用的新负荷特征数据较少,给配电网分类带来挑战。针对以上挑战,提出一种基于卷积自编码器和模型不可知元学习(convolutional neural network-auto encoder-model agnostic meta learning, CNN-AE-MAML)的低压配电网自适应分类方法。首先,利用卷积自编码器(convolutional neural network auto encoder, CNN-AE)提取可表征低压配电网的配变负荷、光伏发电特征,采用谱聚类(spectral clustering, SC)对低压配电网进行分类;然后,构建基于softmax配电网类型识别方法,利用低压配电网实际数据的降维特征识别配电网类型;此外,利用模型不可知元学习(model-agnostic meta-learning, MAML)方法训练CNN-AE特征提取模型,使CNN-AE模型在少量数据下能自适应提取配电网新负荷特征,最终实现低压配电网准确、快速自适应分类。最后,利用低压配电网实际数据验证了所提方法的有效性。     

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...     

谱聚类算法在家用负荷识别中的应用

家用负荷识别可提高用户对用电情况的认知度,优化用电模式,响应节能政策。提出一种分步识别的方法。识别前依据谱聚类方法得到负荷类别及其聚类中心,建立标准模板库,存储各负荷类别的特征量,特征量主要包括6项:负荷投入或者切除时刻变化的暂态有功功率、无功功率波形标幺值及各自幅值和稳态的有功功率、无功功率值。首先以综合负荷的功率变化为依据,提取负荷变化时刻及稳定运行后的功率确定特征量。第一步粗选,依据其投入或切除瞬时波形进行调整后与标准模板库波形进行匹配确定负荷所在大类;第二步精选,依据其瞬时波形幅值与稳态运行功率值与所在类别中的负荷相应特征量进行比较得到识别结果。该方法能精准确定负荷类别,简单可靠,可为家庭负荷建模提供数据支持。实例也验证了该方法的有效性。     

基于扩散映射理论的谱聚类算法的风电场机群划分

针对地形复杂或布局不规则的风电场,将谱聚类方法应用于风电场机群划分,提出了一种风电场的机群分类方法.该方法以风电机组具有相同或相近运行点为机组分群原则,应用基于扩散映射理论的谱聚类算法对风电场各机组的实测运行数据进行聚类分析,找到风电机组之间动态运行过程的相似性,从而实现对风电场内所有风电机组的聚类划分.通过算例仿真验证了所提出的机群划分方法的有效性.