【技术实现步骤摘要】
基于图小波神经网络的低压配电网台区拓扑识别方法
[0001]本专利技术属于电力拓扑大数据分析领域,尤其涉及基于图小波神经网络的低压配电网台区拓扑识别方法。
技术介绍
[0002]随着城镇化进程快速推进,城市低压配电网络前期规划不完善、实施不到位、更新不及时等造成的台区拓扑网络不完整、不准确的问题愈发严重。主要表现有:(1)部分台区网络未按照规划铺设,没有记录准确的网络拓扑信息;(2)部分用户为方便快捷用电,私自走线,可能出现同一用户拥有两条不同台区的入户线,进而导致其实际用电量和分支总表记录的用电量存在出入;(3)用户数目不断增加或减少,但是用户档案信息却没有同步更新。上述问题不仅阻碍电网智能化管理、配电精细化营销,还可能给电力抢修人员带来极大的人身安全隐患。因此,有必要开展城市低压配电网台区拓扑关系异常识别的研究。
[0003]目前,城市低压配电网台区拓扑结构核校主要依靠人工排查,不但耗时耗力,而且准确率较低。因此,亟需一种高效、准确的台区拓扑结构异常识别方法。伴随电力物联网建设地快速推进,城市低压配电网大规模配备了智能终端和传感器,可快速、实时采集电压、电流和功率等数据,为研究设计城市低压配电网台区拓扑结构异常识别方法奠定基础。通常,配电网中电气距离较近的负荷电压或电流曲线波动比较相似。基于这一观察,研究者提出了许多拓扑结构识异常别方法如离群点检测、皮尔逊相关系数法、灰色关联分析法和逻辑回归模型等。这些研究方法仅从不同用户的电气特征数据相关性分析入手,忽视了变压器和不同用户间的拓扑结构,具有识别准确率低、 ...
【技术保护点】
【技术特征摘要】
1.基于图小波神经网络的低压配电网台区拓扑识别方法,包括以下步骤:S1:低压配电网台区拓扑异常识别问题建模;S2:构建图小波神经网络;该图小波神经网络由输入层、L层图卷积层和输出层组成,其以编码图局部拓扑结构信息的邻接矩阵A和编码用户用电特征数据的顶点特征矩阵X为输入,输出顶点类别标签预测矩阵;S3:输入电力用户数据,输出拓扑异常用户。2.如权利要求1所述的基于图小波神经网络的低压配电网台区拓扑识别方法,其特征在于,所述的S1:低压配电网台区拓扑异常识别问题建模是指,给定一个无向带权图G=(V,E,A)及其顶点属性矩阵X,已知G中包括v0在内的部分顶点具有标签y∈{0,1}2,推断每个无标签顶点v∈V
U
的标签y∈{0,1}2,并输出所有与v0类别标签不同的顶点,即异常供电用户;其中,V表示顶点集合,包括一个表示变压器的顶点和n
‑
1个表示所属供电用户的顶点;E表示变压器与所属供电用户间的连接边集合;A是一个n
×
n维的邻接矩阵,元素a
ij
=1表示顶点v
i
和v
j
相连,a
ij
=0表示两者未相连。3.如权利要求1所述的基于图小波神经网络的低压配电网台区拓扑识别方法,其特征在于,所述的S2:构建图小波神经网络的L层图卷积层,是指根据图小波变换及其逆变换,定义图卷积操作为:其中,
⊙
表示Hadamard积;g
θ
(Λ)由对角化谱域图小波卷积核得到;为减少网络参数,将第l层(1≤l≤L)图卷积操作分解为特征变换和图卷积两个阶段:得到;为减少网络参数,将第l层(1≤l≤L)图卷积操作分解为特征变换和图卷积两个阶段:其中,H
l
和H
l+1
分别为第l层图卷积层的输入和输出数据;Θ
l
是第l层的特征变换矩阵;F
l
是第l层的图卷积核矩...
【专利技术属性】
技术研发人员:朱铮,许堉坤,黄锋,俞磊,蒋超,陈海宾,戴辰,王晋,沈华,甄昊涵,江剑峰,赵舫,肖爽,闫景瑞,
申请(专利权)人:朗新科技集团股份有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。