针对配电网线路径向分布、分支线复杂特性,存在多重估计的问题,提出一种基于孤立森林算法与大数据挖掘的配电网故障距离估计方法。首先,构建“云-管-边-端”新型配电物联网架构,实现数据的高效管理。然后,在配电边缘代理装置中引入孤立...针对配电网线路径向分布、分支线复杂特性,存在多重估计的问题,提出一种基于孤立森林算法与大数据挖掘的配电网故障距离估计方法。首先,构建“云-管-边-端”新型配电物联网架构,实现数据的高效管理。然后,在配电边缘代理装置中引入孤立森林算法提取故障时电压电流异常特征数据。最后,基于配电云主站汇集并获取海量装置中提取的异常特征数据集,利用基于代码库的大数据挖掘技术(Big data mining base on code repositories,BDMBCR)搜索故障事件间的关联关系,根据数据相似性归类分支分组,估算故障发生的具体位置。采用IEEE 34测试仿真系统进行试验。结果表明,提出的方法能够挖掘复杂数据特性,两相和三相接地故障多重估计长度相应减少了24%~27%和16%~20%,单相接地的故障影响距离仅为1.2 km,优于其他对比方法。展开更多
文摘针对配电网线路径向分布、分支线复杂特性,存在多重估计的问题,提出一种基于孤立森林算法与大数据挖掘的配电网故障距离估计方法。首先,构建“云-管-边-端”新型配电物联网架构,实现数据的高效管理。然后,在配电边缘代理装置中引入孤立森林算法提取故障时电压电流异常特征数据。最后,基于配电云主站汇集并获取海量装置中提取的异常特征数据集,利用基于代码库的大数据挖掘技术(Big data mining base on code repositories,BDMBCR)搜索故障事件间的关联关系,根据数据相似性归类分支分组,估算故障发生的具体位置。采用IEEE 34测试仿真系统进行试验。结果表明,提出的方法能够挖掘复杂数据特性,两相和三相接地故障多重估计长度相应减少了24%~27%和16%~20%,单相接地的故障影响距离仅为1.2 km,优于其他对比方法。