Дослідження процесів ідентифікації топології «користувач-фідер» у низьковольтних житлових електричних мережах при кластерном об’єднанні

Abstract

У цьому дослідженні розроблена керована даними структура для ідентифікації топології зв'язку між користувачем та фідером у низьковольтних житлових електричних мережах з використанням вимірювань навколишнього середовища (струму та напруги) від інтелектуальних лічильників. Структура спочатку отримує необроблений набір даних за допомогою вейвлет-шумозаглушення, зменшення розмірності на основі аналізу головних компонент та вилучення часових ознак на основі глибокого навчання. Крім того, також застосовується підхід до виявлення аномалій на основі глибокого навчання. Для ідентифікації зв'язку між користувачем та фідером використовуються сім алгоритмів кластеризації, а потім результати об'єднуються за допомогою стратегії об'єднання результатів для подальшого підвищення точності ідентифікації. Експерименти на трьох реальних житлових електричних мережах показують, що запропонований підхід значно перевершує результати, отримані методом одного кластеризації, та результати, отримані простим об'єднанням на основі голосування. Запропонований підхід досягає точності ідентифікації до 88% у розглянутих тематичних дослідженнях. Також проводяться дослідження похибки для підтвердження важливості кожного модуля в запропонованій структурі.

In this study, a data-driven framework is developed for identifying the topology of the connection between the user and the feeder in low-voltage residential electrical networks using environmental measurements (current and voltage) from smart meters. The framework first obtains a raw data set using wavelet denoising, dimensionality reduction based on principal component analysis, and temporal feature extraction based on deep learning. In addition, a deep learning-based anomaly detection approach is also applied. Seven clustering algorithms are used to identify the connection between the user and the feeder, and then the results are combined using a result aggregation strategy to further improve the identification accuracy. Experiments on three real residential power grids show that the proposed approach significantly outperforms the results obtained by the single clustering method and the results obtained by simple voting-based aggregation. The proposed approach achieves identification accuracy of up to 88% in the considered case studies. Ablation studies are also conducted to confirm the importance of each module in the proposed structure.