一种基于配电台区大数据的户变拓扑关系识别方法技术

本发明专利技术公开了一种基于配电台区大数据的户变拓扑关系识别方法，包括以下步骤：1）建立网络模型：采用栈式自编码神经网络结构，包含3个隐含层、1个输入层、1个输出层；2）获取样本数据，所述样本数据类型包括：用户电表、分支箱、配电变压器的运行数据；3）进行网络模型训练，判断出用户电表与配电变压器的拓扑关系。本发明专利技术的方法可有效解决传统载波信号跨台区通信的问题，提高了拓扑辨识的准确性，实现了配电台区的数字化、互联网化、智能化发展。

【技术实现步骤摘要】
一种基于配电台区大数据的户变拓扑关系识别方法
本专利技术属于低压配电自动化技术及电力人工智能领域，特别涉及一种基于大数据分析的低压配电台区户变拓扑关系识别方法。
技术介绍
配电台区低压配电与用电的分界点，在台区用户拓扑关系不明确的情况下无法精确计算出线损、故障无法精确定位，无法实现低压配电的精益化管理。所以，户变拓扑关系的准确识别功能迫在眉睫。CN201811526142提出了一种用于低压台区的用户网络拓扑识别装置及方法，公开了以下方案：利用采集器和集中器获取个电能表的用电信息，根据用户电压之间的关系，获取电能表的相邻表，进而获取最终的台区用户网络拓扑图，解决户变关系(用户台区归属问题)，但对于低压供电网络的主要结构，即各个分支箱之间的关系及分支箱和用户箱间拓扑关系，没有提出解决方法。CN110350528A公开了一种低压台区拓扑自动辨识方法、利用相关性分析台区配电箱之间的拓扑关系，以提高判断台区网络拓扑的可靠性和准确性，但没有实现智能化。深度学习是人工智能的重要研究方向，它是一个复杂的机器学习算法，在语音和图像识别方面本文档来自技高网...

【技术保护点】
1.一种基于配电台区大数据的户变拓扑关系识别方法，其特征在于，包括以下步骤：/n1)建立网络模型：采用栈式自编码神经网络结构，包括隐含层、输入层和输出层；/n2)获取样本数据，所述样本数据类型包括：用户电表、分支箱、配电变压器的运行数据；/n3)进行网络模型训练，判断出用户电表与配电变压器的拓扑关系。/n

【技术特征摘要】
1.一种基于配电台区大数据的户变拓扑关系识别方法，其特征在于，包括以下步骤：
1)建立网络模型：采用栈式自编码神经网络结构，包括隐含层、输入层和输出层；
2)获取样本数据，所述样本数据类型包括：用户电表、分支箱、配电变压器的运行数据；
3)进行网络模型训练，判断出用户电表与配电变压器的拓扑关系。


2.根据权利要求1所述的基于配电台区大数据的户变拓扑关系识别方法，其特征在于：在所述步骤1)中，所述输入层的输入神经元数量为81，3个隐含层的神经元数量分别为s1＝40，s2＝20，s3＝10；输出层的神经元数量k＝3个。


3.根据权利要求1所述的基于配电台区大数据的户变拓扑关系识别方法，其特征在于：在所述步骤1)中，神经网络结构中，神经元对输入信号xi(i＝1～n)进行量化感知，激活函数f(x)采用sigmoid函数，i表示第i个神经元，n为神经元数量；
每一个隐含层的网络参数表示为Pj＝(Wj,bj)，j＝1～3,其中Pj指网络中隐含层每一层的权重系数，Wj、bj分别为权重矩阵与截距向量，j表示第j个隐含层。


4.根据权利要求1所述的基于配电台区大数据的户变拓扑关系识别方法，其特征在于：在所述步骤2)中，用户电表输入数据包括短时闪变值、长时闪变值、电压波动值、电压暂降、电压暂升、频率偏差、电压短时中断、电压偏差、载波信号强度、谐波电压含有量数据；
分支箱输入数据包括短时闪变值、长时闪变值、电压波动值、电压暂降、电压暂升、频率偏差、电压短时中断、电压偏差、载波信号强度、谐波电压含有量数据。


5.根据权利要求1所述的基于配电台区大数据的户变拓扑关系识别方法，其特征在于：在所述步骤3)中,具体包括以下步骤：
31)在步骤1)中的建立的网络模型中，获取用户电表、分支箱与配电变压器运行的数据，组成样本集一S1(x1,x2,x3,...,xe)T，由样本集一S1对网络模型进行训练，采用梯度下降法对网络进行逐层训练，先训练第一隐含层，再训练第二隐含层、第三隐含层；e表示神经网络输入层向量的维度；
32)输出用户电表-分支箱拓扑相关系数、配电变压器-分支箱拓扑相关系数信号，包括用户电表与配电变压器A相的相关系数PcoeAU、用户电表与配电变压器B相的相关系数PcoeBU、用户电表与配电变压器C相的相关系数PcoeCU、用户电表与分支箱的相关系数PcoeD；如果用户电表与配电变压器x相(x＝A/B/C)的相关系数PcoeXU在设定范围内，...

【专利技术属性】
技术研发人员：滕贤亮，王辉，吴海，胡国，周成，黄峰，许金宇，徐志华，
申请(专利权)人：国电南瑞科技股份有限公司，
类型：发明
国别省市：江苏;32