针对配电台区复杂拓扑结构识别,以及统计数据缺失造成的识别准确率低的问题,融合最长公共子序列(longest common subsequence,LCSS)与动态时间规整(dynamic time warping,DTW)方法,提出了基于最长公共子序列动态时间规整距离(LCSS-DTW)...针对配电台区复杂拓扑结构识别,以及统计数据缺失造成的识别准确率低的问题,融合最长公共子序列(longest common subsequence,LCSS)与动态时间规整(dynamic time warping,DTW)方法,提出了基于最长公共子序列动态时间规整距离(LCSS-DTW)的低压配电台区拓扑结构识别方法。依据在低压配电台区中,分布在同一电压相别的用户之间存在相似的电压波动,计算低压配电台区内用户之间的距离矩阵。利用LCSS的局部动态对齐的特性,结合DTW全局对齐的方式,能够更准确地捕捉到用户时序电压数据的相似性,以及确保时序数据的完整性,通过聚类算法,成功识别了配电台区用户的相序归属,并引入了随机数据缺失和异常数据干扰进行验证,结果表明,本方法具有较强的鲁棒性。在不同数据缺失和异常数据干扰条件下,方法的识别准确率保持在95%以上,较传统方法有明显提高,有效解决了数据缺失对拓扑结构识别准确率的影响。展开更多
文摘针对配电台区复杂拓扑结构识别,以及统计数据缺失造成的识别准确率低的问题,融合最长公共子序列(longest common subsequence,LCSS)与动态时间规整(dynamic time warping,DTW)方法,提出了基于最长公共子序列动态时间规整距离(LCSS-DTW)的低压配电台区拓扑结构识别方法。依据在低压配电台区中,分布在同一电压相别的用户之间存在相似的电压波动,计算低压配电台区内用户之间的距离矩阵。利用LCSS的局部动态对齐的特性,结合DTW全局对齐的方式,能够更准确地捕捉到用户时序电压数据的相似性,以及确保时序数据的完整性,通过聚类算法,成功识别了配电台区用户的相序归属,并引入了随机数据缺失和异常数据干扰进行验证,结果表明,本方法具有较强的鲁棒性。在不同数据缺失和异常数据干扰条件下,方法的识别准确率保持在95%以上,较传统方法有明显提高,有效解决了数据缺失对拓扑结构识别准确率的影响。
