一种低压台区拓扑自动识别方法及装置制造方法及图纸

本发明专利技术涉及一种低压台区拓扑自动识别方法及装置，本发明专利技术包括：在预设时间内采集低压台区的用电信息数据；将所述用电信息数据组成数据矩阵后将所述数据矩阵映射至低维空间中，得到目标低维数据矩阵；根据所述目标低维数据矩阵绘制所述低压台区对应的第一拓扑结构；将所述目标低维数据矩阵和所述第一拓扑结构通过预设神经网络模型生成目标拓扑结构。本发明专利技术通过将数据进行降维后再利用神经网络模型进行学习训练，可以实现毫秒级别的低压台区拓扑自动识别，且有效提高低压台区拓扑自动识别的准确率。准确率。准确率。

【技术实现步骤摘要】
一种低压台区拓扑自动识别方法及装置


[0001]本专利技术涉及电力线拓扑
，尤其涉及一种低压台区拓扑自动识别方法及装置。

技术介绍

[0002]随着高速电力线载波通信技术的深入应用，逐渐发现电力线拓扑仅实现逻辑拓扑功能，只掌握电力网络的中心节点和用户节点，对上述节点间连接关系不清。目前低压配电系统的台区变压器、表箱和分支箱这些通信节点无自动监测手段，电力线物理拓扑关系识别大量依靠人工现场核查，缺乏有效手段进行拓扑分析及校核识别。
[0003]现有技术中，低压台区拓扑识别方法主要分为硬件拓扑识别和软件算法识别两种模式，基于硬件的拓扑识别方法采用在表箱、分支箱和户表等各层级别加装具有拓扑识别功能的模块和通信终端等，并更换新型模组化集中器。基于软件拓扑识别算法的方式是通过大数据相似性识别、数据关联分析等实现低压配电网络之间的拓扑关系识别。但是由于使用大数据作为基础，数据量比较大，识别时间较长，使得识别结果的准确率比较低。

技术实现思路

[0004]本专利技术的目的在于提供一种低压台区拓扑自动识别方法及装置，用于提高拓扑识别的准确率。
[0005]本专利技术第一方面提供了一种低压台区拓扑自动识别方法，包括：
[0006]在预设时间内采集低压台区的用电信息数据；
[0007]将所述用电信息数据组成数据矩阵后将所述数据矩阵映射至低维空间中，得到目标低维数据矩阵；
[0008]根据所述目标低维数据矩阵绘制所述低压台区对应的第一拓扑结构；
[0009]将所述目标低维数据矩阵和所述第一拓扑结构通过预设神经网络模型生成目标拓扑结构。
[0010]可选的，在所述将所述目标低维数据矩阵和所述第一拓扑结构通过预设神经网络模型生成目标拓扑结构之前，所述方法还包括：
[0011]将所述目标低维数据矩阵和所述第一拓扑结构作为训练样本对训练预设神经网络模型。
[0012]可选的，所述将所述目标低维数据矩阵和所述第一拓扑结构作为训练样本对训练预设神经网络模型，包括：
[0013]将第一样本对输入至初始神经网络模型中，所述第一样本对为n个样本对中的任意一组样本对，所述第一样本对包含所述目标低维数据矩阵和所述第一拓扑结构，n表示样本对的数量；
[0014]基于所述第一样本对的第一预测值计算预设神经网络模型的学习率，所述第一预测值包括第一样本对的第1个预测值至第m个预测值，m表示预测值的数量；
[0015]根据所述学习率对所述n个样本对进行第k次迭代后输出目标拓扑结构，k表示迭代次数。
[0016]可选的，所述基于所述第一样本对的第一预测值计算预设神经网络模型的学习率，所述第一预测值包括第一样本对的第1个预测值至第m个预测值，m表示预测值的数量，包括：
[0017]基于所述第一样本对计算第一参数，所述第一参数为所述第一样本对的第i个预测值与第i个真实值的误差平均值，其中i的取值范围为[1,m]，m表示预测值的数量；
[0018]根据第一参数计算第二参数，所述第二参数为所述第一参数的方差；
[0019]基于所述第一参数和所述第二参数调整预设神经网络的学习率。
[0020]可选的，在所述将所述用电信息数据组成数据矩阵后将所述数据矩阵映射至低维空间中，得到目标低维数据矩阵之前，所述方法还包括：
[0021]将所述用电信息数据组成数据矩阵后对所述数据矩阵进行预处理，得到标准化数据矩阵。
[0022]可选的，所述将所述用电信息数据组成数据矩阵后将所述数据矩阵映射至低维空间中，得到目标低维数据矩阵，包括：
[0023]根据所述标准化数据矩阵和初始低维数据矩阵计算第一相似度矩阵和第二相似度矩阵，所述初始低维数据矩阵为预设维数的低维空间中的任意一组低维数据矩阵，所述预设维数小于所述标准化数据矩阵的维数；
[0024]根据所述第一相似度矩阵和所述第二相似度矩阵之间的差异值确定目标低维数据矩阵。
[0025]本专利技术第二方面提供了一种低压台区拓扑自动识别装置，包括：
[0026]采集单元，用于在预设时间内采集低压台区的用电信息数据；
[0027]映射单元，用于将所述用电信息数据组成数据矩阵后将所述数据矩阵映射至低维空间中，得到目标低维数据矩阵；
[0028]绘制单元，用于根据所述目标低维数据矩阵绘制所述低压台区对应的第一拓扑结构；
[0029]生成单元，用于将所述目标低维数据矩阵和所述第一拓扑结构通过预设神经网络模型生成目标拓扑结构。
[0030]可选的，在所述生成单元之前，所述装置还包括：
[0031]训练单元，用于将所述目标低维数据矩阵和所述第一拓扑结构作为训练样本对训练预设神经网络模型。
[0032]可选的，所述生成单元包括：
[0033]输入模块，用于将第一样本对输入至初始神经网络模型中，所述第一样本对为n个样本对中的任意一组样本对，所述第一样本对包含所述目标低维数据矩阵和所述第一拓扑结构，n表示样本对的数量；
[0034]第二计算模块，用于基于所述第一样本对计算第一参数，所述第一参数为所述第一样本对的第i个预测值与第i个真实值的误差平均值，其中i的取值范围为[1,m]，m表示预测值的数量；
[0035]第三计算模块，用于根据第一参数计算第二参数，所述第二参数为所述第一参数
的方差；
[0036]调整模块，用于基于所述第一参数和所述第二参数调整预设神经网络的学习率；
[0037]输出模块，用于根据所述学习率对所述n个样本对进行第k次迭代后输出目标拓扑结构，k表示迭代次数。
[0038]可选的，在所述映射单元之前，所述装置还包括：
[0039]预处理单元，用于将所述用电信息数据组成数据矩阵后对所述数据矩阵进行预处理，得到标准化数据矩阵。
[0040]可选的，所述映射单元包括：
[0041]第一计算单元，用于根据所述标准化数据矩阵和初始低维数据矩阵计算第一相似度矩阵和第二相似度矩阵，所述初始低维数据矩阵为预设维数的低维空间中的任意一组低维数据矩阵，所述预设维数小于所述标准化数据矩阵的维数；
[0042]确定单元，用于根据所述第一相似度矩阵和所述第二相似度矩阵之间的差异值确定目标低维数据矩阵。
[0043]从以上技术方案可以看出，本申请具有以下优点：在本申请中，首先在预设时间内采集低压台区的用电信息数据，将用电信息数据组成数据矩阵后，再将数据矩阵映射至低维空间中，得到目标低维数据矩阵，根据目标低维数据矩阵绘制低压台区对应的第一拓扑结构，最后将目标低维数据矩阵和第一拓扑结构通过预设神经网络模型生成目标拓扑结构。本专利技术可以实现毫秒级别的低压台区拓扑自动识别，且有效提高基于大数据下的识别准确率。
附图说明
[0044]图1为本专利技术中低压台区拓扑自动识别方法的一个实施例流程示意图；
[0045]图2本专利技术中低压台区拓扑自动识别方法的另一个实施例流程示意图；...

【技术保护点】

【技术特征摘要】
1.一种低压台区拓扑自动识别方法，其特征在于，包括：在预设时间内采集低压台区的用电信息数据；将所述用电信息数据组成数据矩阵后将所述数据矩阵映射至低维空间中，得到目标低维数据矩阵；根据所述目标低维数据矩阵绘制所述低压台区对应的第一拓扑结构；将所述目标低维数据矩阵和所述第一拓扑结构通过预设神经网络模型生成目标拓扑结构。2.根据权利要求1所述的方法，其特征在于，在所述将所述目标低维数据矩阵和所述第一拓扑结构通过预设神经网络模型生成目标拓扑结构之前，所述方法还包括：将所述目标低维数据矩阵和所述第一拓扑结构作为训练样本对训练预设神经网络模型。3.根据权利要求2所述的方法，其特征在于，所述将所述目标低维数据矩阵和所述第一拓扑结构作为训练样本对训练预设神经网络模型，包括：将第一样本对输入至初始神经网络模型中，所述第一样本对为n个样本对中的任意一组样本对，所述第一样本对包含所述目标低维数据矩阵和所述第一拓扑结构，n表示样本对的数量；基于所述第一样本对的第一预测值计算预设神经网络模型的学习率，所述第一预测值包括第一样本对的第1个预测值至第m个预测值，m表示预测值的数量；根据所述学习率对所述n个样本对进行第k次迭代后输出目标拓扑结构，k表示迭代次数。4.根据权利要求3所述的方法，其特征在于，所述基于所述第一样本对的第一预测值计算预设神经网络模型的学习率，所述第一预测值包括第一样本对的第1个预测值至第m个预测值，m表示预测值的数量，包括：基于所述第一样本对计算第一参数...

【专利技术属性】
技术研发人员：陈世景，张竞芬，黄海宁，罗大丰，肖飞，陈哲，韦英财，王琛，李民强，陈应富，
申请(专利权)人：广西电网有限责任公司河池供电局，
类型：发明
国别省市：