基于AP-LOF离群组检测的配电网连接验证

doi:10.12068/j.issn.1005-3026.2020.08.002

东北大学学报:自然科学版 ›› 2020, Vol. 41 ›› Issue (8): 1070-1074.DOI: 10.12068/j.issn.1005-3026.2020.08.002

基于AP-LOF离群组检测的配电网连接验证

司方远¹，韩英华²，赵强³，汪晋宽¹

(1.东北大学信息科学与工程学院，辽宁沈阳110819；2.东北大学秦皇岛分校计算机与通信工程学院，河北秦皇岛066004；3.东北大学秦皇岛分校控制工程学院，河北秦皇岛066004)

收稿日期:2019-08-24 修回日期:2019-08-24 出版日期:2020-08-15 发布日期:2020-08-28
通讯作者: 司方远
作者简介:司方远(1992-)，男，河北迁安人，东北大学博士研究生；韩英华(1979-)，女，吉林白山人，东北大学教授；汪晋宽(1957-)，男，辽宁沈阳人，东北大学教授，博士生导师.
基金资助:
国家重点研发计划项目(2016YFB0901900)；国家自然科学基金资助项目(U1908213)；中央高校基本科研业务费专项资金资助项目(N182303037)；东北大学秦皇岛分校校内基金资助项目(XNB201803).

Verification of Distribution Network Connectivity Based on AP-LOF Outlier Group Detection

SI Fang-yuan¹， HAN Ying-hua²， ZHAO Qiang³， WANG Jin-kuan¹

1.School of Information Science & Engineering， Northeastern University， Shenyang 110819， China; 2.School of Computer & Communication Engineering， Northeastern University at Qinhuangdao， Qinhuangdao 066004， China; 3.School of Control Engineering， Northeastern University at Qinhuangdao， Qinhuangdao 066004， China.

Received:2019-08-24 Revised:2019-08-24 Online:2020-08-15 Published:2020-08-28
Contact: HAN Ying-hua
About author:-
Supported by:
-

摘要/Abstract

摘要： 现有配电网连接验证工作将可疑异常值视为具有二元属性的独立个体，因此难以有效识别和验证具有高度内在相关性的局部离群组.针对这一问题，提出了基于AP-LOF离群组检测的配电网连接验证方法.通过引入近邻传播(affinity propagation，AP)聚类方法，将待校验台区用户聚类为多簇，并基于局部离群因子(local outlier factor，LOF)算法对所有簇心进行离群点检测，从而准确识别出台区内的离群组用户.以某电力公司实际用户电压数据进行算例分析，结果证明了AP-LOF算法在配电网连接验证中的适用性和有效性.

关键词: 电压数据分析, 配电网连接验证, 局部离群组检测, 近邻传播聚类, LOF算法

Abstract: In the existing methods for the verification of distribution network connectivity， the suspicious outliers are usually regarded as independent individuals with binary attributes， which is difficult to effectively identify and validate local outlier groups which are correlated with each other. Therefore， a verification method for distribution network connectivity is proposed based on AP-LOF outlier group detection. Users are clustered into multiple clusters by introducing affinity propagation (AP) clustering， and all of the cluster centers are then detected by the local outlier factor (LOF) algorithm. In this way， the outlier groups can be accurately identified. The actual user voltage data of a power company are used in the case study， and the results demonstrate the applicability and effectiveness of the AP-LOF algorithm in the verification of distribution network connectivity.

Key words: voltage data analysis, distribution network connectivity verification, local outlier group detection, affinity propagation clustering, LOF algorithm

中图分类号:

TP277

司方远，韩英华，赵强，汪晋宽. 基于AP-LOF离群组检测的配电网连接验证[J]. 东北大学学报:自然科学版, 2020, 41(8): 1070-1074.

SI Fang-yuan， HAN Ying-hua， ZHAO Qiang， WANG Jin-kuan. Verification of Distribution Network Connectivity Based on AP-LOF Outlier Group Detection[J]. Journal of Northeastern University Natural Science, 2020, 41(8): 1070-1074.

参考文献

[1]Short T A.Advanced metering for phase identification transformer identification，and secondary modeling［J］.IEEE Transactions on Smart Grid，2013，4(2):651-658.
[2]Luan W，Sharp D，LaRoy S.Data traffic analysis of utility smart metering network［C］//IEEE Power Energy Society General Meeting.Vancouver:IEEE，2013.DOI:10.1109/PESMG.2013.6672750.
[3]Wang Y，Qiu H，Tu Y，et al.A review of smart metering for future Chinese grids［J］.Energy Procedia，2018，152:1194-1199.
[4]栾文鹏，余贻鑫，王兵.AMI数据分析方法［J］.中国电机工程学报，2015，35(1):29-36.(Luan Wen-peng，Yu Yi-xin，Wang Bing.AMI data analytics［J］.Proceedings of CSEE，2015，35(1):29-36.)
[5]Luan W P，Peng J，Maras M，et al.Smart meter data analytics for distribution network connectivity verification［J］.IEEE Transactions on Smart Grid，2015，6(4):1964-1971.
[6]Luan W P，Peng J，Maras M，et al.Distribution network topology error correction using smart meter data analytics［C］//IEEE Power Energy Society General Meeting.Vancouver:IEEE，2013.DOI:10.1109/PESMG.2013.6672786.
[7]Bolognani S，Bof N，Michelotti D，et al.Identification of power distribution network topology via voltage correlation analysis［C］//IEEE Conference on Decision and Control.Florence:IEEE，2013:1659-1664.
[8]耿俊成，张小斐，郭志民，等.基于离散 Fréchet 距离和剪辑近邻法的低压配电网拓扑结构校验方法［J］.电测与仪表，2017，54(5):50-55.(Geng Jun-cheng，Zhang Xiao-fei，Guo Zhi-min，et al.Topology verification of low-voltage transformer areas based on discrete Fréchet distance and editing nearest-neighbors method［J］.Electrical Measurement & Instrumentation，2017，54(5):50-55.)
[9]Breunig M M，Kriegel H P，Ng R T，et al.LOF:identifying density-based local outliers［C］//Proceedings of the 2000 ACM SIGMOD International Conference on Management of Data.New York:ACM，2000:93-104.
[10]孙毅，李世豪，崔灿，等.基于高斯核函数改进的电力用户用电数据离群点检测方法［J］.电网技术，2018，42(5):1595-1604.(Sun Yi，Li Shi-hao，Cui Can，et al.Improved outlier detection method of power consumer data based on Gaussian kernel function［J］.Power System Technology，2018，42(5):1595-1604.)
[11]Wang C，Lai J，Suen C Y，et al.Multi-exemplar affinity propagation［J］.IEEE Transactions on Pattern Analysis & Machine Intelligence，2013，35(9):2223-2237.
[12]Jiang M，Faloutsos C，Han J.CatchTartan:representing and summarizing dynamic multicontextual behaviors［C］//Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery & Data Mining.New York:ACM，2016:945-954.
[15]关守平，房少纯.一种新型的区间-粒子群优化算法［J］.东北大学学报(自然科学版)，2012，33(10):1381-1384.(Guan Shou-ping，Fang Shao-chun.A new interval particle swarm optimization algorithm［J］.Journal of Northeastern University(Natural Science)，2012，33(10):1381-1384.)

基于AP-LOF离群组检测的配电网连接验证

Verification of Distribution Network Connectivity Based on AP-LOF Outlier Group Detection

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 9

编辑推荐

Metrics

本文评价

[1]	李鸿儒，王奕文，邓靖川. 基于信息融合的电熔镁炉熔炼异常工况等级识别[J]. 东北大学学报:自然科学版, 2020, 41(2): 153-157.
[2]	纪英俊，勇晓玥，刘英林，刘士新. 基于随机森林的热轧带钢质量分析与预测方法[J]. 东北大学学报:自然科学版, 2019, 40(1): 11-15.
[3]	刘宇，王迁，刘阔，张义民. 基于小波奇异性和支持向量机微铣刀破损检测[J]. 东北大学学报:自然科学版, 2017, 38(10): 1426-1430.
[4]	张淑美，王福利，王姝，李嫱嫱. 基于数据特性分析的多变量过程监测[J]. 东北大学学报:自然科学版, 2017, 38(5): 609-614.
[5]	商亮亮，刘建昌，谭树彬，王国柱. 基于递推规范变量分析的时变过程故障检测[J]. 东北大学学报:自然科学版, 2016, 37(12): 1673-1677.
[6]	刘晓琴，王大志，张翠玲，宁一. 基于模型预测和溯因推理网络的电网故障诊断方法[J]. 东北大学学报:自然科学版, 2016, 37(4): 472-477.
[7]	王姝，赵珍，常玉清，谭帅. 基于故障特征时段识别的间歇过程故障诊断方法[J]. 东北大学学报(自然科学版), 2013, 34(6): 761-765.
[8]	常玉清，赵炜炜，刘乐源，康孝云. 基于实例迁移的磨煤机过程监测建模[J]. 东北大学学报（自然科学版）, 2021, 42(10): 1369-1375.
[9]	林清扬，陈晓方，谢永芳. 基于残差卷积自注意力神经网络的铝电解过热度识别方法[J]. 东北大学学报（自然科学版）, 2023, 44(1): 8-17.