针对低压配电台区智能电表采集的数据质量不高,且用户间电压相似度差异不明显导致相序识别结果较差的问题,提出一种基于双尺度相似性和改进的基于密度的噪声应用空间聚类(density-based spatial clustering of application with noise, ...针对低压配电台区智能电表采集的数据质量不高,且用户间电压相似度差异不明显导致相序识别结果较差的问题,提出一种基于双尺度相似性和改进的基于密度的噪声应用空间聚类(density-based spatial clustering of application with noise, DBSCAN)的低压配电台区相序识别方法。首先,考虑低压配电台区用户数据缺失的情况,提出基于矩阵补全的数据处理方法,以解决数据缺失对相序识别精度造成的不利影响;其次,提出了一种双尺度相似性度量方法,先采用欧氏距离来度量电压曲线的整体分布特征,再使用一阶差分和动态时间弯曲(dynamic time warping, DTW)距离来衡量电压曲线的局部动态特征,从整体与局部对DBSCAN的相似性度量方式进行改进,解决了传统度量方式在电压曲线相近时误判率高的问题;最后,采用麻雀搜索算法对DBSCAN的初始参数进行寻优选取,提升算法的鲁棒性。仿真实验表明,矩阵补全相对于传统插值补全在精度上提高了1.6~2.3倍,使用双尺度相似性与改进DBSCAN算法能够100%识别台区下所有用户的相序,使用麻雀搜索算法优化的领域半径(Eps)和密度阈值(MinPts)能够使DBSCAN获得最好的评价指标,解决了人工选取初始参数困难的问题。展开更多
文摘针对低压配电台区智能电表采集的数据质量不高,且用户间电压相似度差异不明显导致相序识别结果较差的问题,提出一种基于双尺度相似性和改进的基于密度的噪声应用空间聚类(density-based spatial clustering of application with noise, DBSCAN)的低压配电台区相序识别方法。首先,考虑低压配电台区用户数据缺失的情况,提出基于矩阵补全的数据处理方法,以解决数据缺失对相序识别精度造成的不利影响;其次,提出了一种双尺度相似性度量方法,先采用欧氏距离来度量电压曲线的整体分布特征,再使用一阶差分和动态时间弯曲(dynamic time warping, DTW)距离来衡量电压曲线的局部动态特征,从整体与局部对DBSCAN的相似性度量方式进行改进,解决了传统度量方式在电压曲线相近时误判率高的问题;最后,采用麻雀搜索算法对DBSCAN的初始参数进行寻优选取,提升算法的鲁棒性。仿真实验表明,矩阵补全相对于传统插值补全在精度上提高了1.6~2.3倍,使用双尺度相似性与改进DBSCAN算法能够100%识别台区下所有用户的相序,使用麻雀搜索算法优化的领域半径(Eps)和密度阈值(MinPts)能够使DBSCAN获得最好的评价指标,解决了人工选取初始参数困难的问题。
