[发明专利]一种基于电力载波的拓扑自动识别方法

说明书

本发明公开了一种基于电力载波的拓扑自动识别方法，包括：实时获取电力载波集中器的时间基准数据集；基于电力载波所在的分支进行随机上电，所述随机上电时间间隔大于预设阈值；利用所述电力载波集中器接收所述电力载波上电时刻及所有分支合闸完成后的时间基准及其对应的位移编码；基于深度神经网络对所述时间基准数据集进行分类，并计算每个类别中时间基准数据集进行处理得到强干扰项；剔除所述强干扰项，将剔除干扰项后的电力载波集合作为分支形成网络拓扑结构。本发明在无需增加任何外部设备的条件下，仅仅依赖载波通信模块即可实现拓扑识别，且本发明提出的拓扑识别方法，准确率高，操作简单，不增加成本，不增加运维难度，具有强鲁棒性。

技术领域

本发明涉及电力载波通信的技术领域，尤其涉及一种基于电力载波的拓扑自动识别方法。

背景技术

现有技术中的拓扑识别方法均需要依赖在分支上安装的外部设备，如电流脉冲发生器、分支电流检测器、晶闸管等外部设备，这种技术增加了拓扑识别的成本，增加了系统的复杂度，增加了电网故障发生的概率，同时由于需要外部增加设备，给电网的运维也带来了更大的困难。

发明内容

本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。

鉴于上述现有存在的问题，提出了本发明。

因此，本发明解决的技术问题是：现有技术增加了拓扑识别的成本，增加了系统的复杂度，增加了电网故障发生的概率，同时由于需要外部增加设备，给电网的运维也带来了更大的困难。

为解决上述技术问题，本发明提供如下技术方案：实时获取电力载波集中器的时间基准数据集；基于电力载波所在的分支进行随机上电，所述随机上电时间间隔大于预设阈值；利用所述电力载波集中器接收所述电力载波上电时刻及所有分支合闸完成后的时间基准及其对应的位移编码；基于深度神经网络对所述时间基准数据集进行分类，并计算每个类别中时间基准数据集进行处理得到强干扰项；剔除所述强干扰项，将剔除干扰项后的电力载波集合作为分支形成网络拓扑结构。

作为本发明所述的基于电力载波的拓扑自动识别方法的一种优选方案，其中：当所述电力载波处于未上电状态时对系统进行初始化。

作为本发明所述的基于电力载波的拓扑自动识别方法的一种优选方案，其中：定义所述电力载波所在分支上电时间间隔大于T，所述时间间隔T为100毫秒。

作为本发明所述的基于电力载波的拓扑自动识别方法的一种优选方案，其中：所述时间基准数据集包括所述集中器运行后实时获取的时间基准、所述集中器在收到所述电力载波集中器上电接入时刻的时间基准以及所有所述分支合闸完成后所述集中器所获得的所有电力载波上电的时间基准值。

作为本发明所述的基于电力载波的拓扑自动识别方法的一种优选方案，其中：所述深度神经网络包括聚类算法。

作为本发明所述的基于电力载波的拓扑自动识别方法的一种优选方案，其中：基于所述聚类算法对所述时间基准数据集进行分类包括，利用不同的聚类算法对数据集进行聚类；基于有效性评估策略对所述聚类结果进行评价，根据所述评价结果构建相关性矩阵；计算所述相关性矩阵的权重值，根据所述权重值计算结果选择最优聚类算法。

作为本发明所述的基于电力载波的拓扑自动识别方法的一种优选方案，其中：所述利用不同的聚类算法对数据集进行聚类包括，获取所述基准数据集，判断其是否有类标签；若有，则选择相似数据集作为训练数据集；若没有，则选择所述基准数据集的原始数据集作为训练数据集；利用所述不同的聚类算法分别对所述训练数据集进行聚类，得到所述聚类结果。

作为本发明所述的基于电力载波的拓扑自动识别方法的一种优选方案，其中：所述相关性矩阵的构建方法包括，计算所述聚类结果的有效性评价指标；基于所述有效性评价指标构建所述相关性矩阵。