基于AKNN异常检验与ADPC聚类的低压台区拓扑识别方法

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。

基于改进kShape聚类的谐波污染分区方法

针对大量电力电子负荷接入后,谐波源数量大幅增加,全网谐波源位置追溯困难的问题,利用电能质量监测数据,提出一种基于双层聚类的谐波分区溯源方案。首先,使用基于波形相似性的kShape时间序列聚类算法,通过计算谐波电压序列的形态距离来度量数据波动相似性,挖掘谐波污染关联信息;然后,引入自适应密度峰值聚类改进kShape算法,解决初始聚类中心随机选取导致的局部最小化问题,实现最佳聚类数目的自适应选择。该方法能够有效实现多谐波源的区域化定位,缩小主导谐波源的嫌疑范围,适用于大规模谐波源接入场景的溯源分析。基于IEEE123节点网络和监测平台的实测数据,验证了方法的有效性和实用性。