37
Использование данной метрики необходимо для
разработки алгоритма идентификации фаз, так как
показания потребителей, находящихся на одной и той же
фазе, но на различных расстояниях от питающего
фидера, могут иметь некоторый временной сдвиг.
Реализация алгоритма кластеризации методом k-
средних с метрикой DTW обеспечило такую же точность
работы алгоритма, как и методом иерархической
кластеризации корреляционной матрицы. То есть 26 из
30 значений было определено верно: точность составила
87 %.
C.
Алгоритм кластеризаци DBSCAN
Также было рассмотрено применение алгоритма
DBSCAN – пространственной кластеризации, которая
заключается в определении основных выборок с высокой
плотностью и последующем образовании кластеров из
них. В отличие от рассмотренных ранее методов,
количество кластеров, на которые программа должна
разделить входные данные, не подаётся на вход
программы: оно зависит от того, сколько значений
плотности будет определено алгоритмом. Таким
образом, использование алгоритма DBSCAN позволит
регистрировать выбросы и тем самым определять
потребителей, интеллектуальные счётчики которых были
ошибочно отнесены к исследуемому фидеру. В то же
время расчёт количества кластеров алгоритмом может
являться и недостатком алгоритма DBSCAN: не
исключено ошибочное отнесение в отдельный кластер
какого-либо потребителя. Поэтому данный алгоритм
лучше всего подходит для данных, содержащих кластеры
с одинаковой плотностью.
Реализация алгоритма DBSCAN позволила получить
самые точные результаты: всего одно значение фазы
было определено ошибочно. Таким образом, точность
идентификации фаз составила 97 %.
IV.
З
АКЛЮЧЕНИЕ
В данной статье была обоснована актуальность
проведения исследований, связанных с идентификацией
фаз. Также были изучены и сопоставлены основные
методы, которые могут являться решением проблемы,
обусловленной специфичностью данных, передаваемых с
интеллектуальных приборов учёта.
Было установлено, что алгоритм иерархической
кластеризации имеет довольно высокую точность –
около 87 %. Алгоритм кластеризации k-средних с
метрикой евклидового расстояния показала результат в
83 %, а с метрикой DTW – в 87 %, что говорит о
важности учёта особенностей входных данных.
Реализация метода DBSCAN позволила увеличить
точность выполнения алгоритма до 97%.
В дальнейшем авторами предполагается разработка
дополнительных способов идентификации фаз в
электрических сетях низкого напряжения, которые
позволят объединить между собой достоинства всех
рассмотренных методов, что сделает возможным
повысить точность определения фазы и произвести
оценку объема количественных данных, достаточных для
выполнения задачи.
Список литературы
[1]
Энергетическая стратегия – [Электронный ресурс] - Режим
доступа:
(дата
обращения 26.02.2022)
[2]
Энергопотери – [Электронный ресурс] - Режим доступа:
(дата
обращения
26.02.2022)
[3]
Федеральный закон от 27.12.2018 № 522-ФЗ «О внесении
изменений в отдельные законодательные акты Российской
Федерации в связи с развитием систем учета электрической
энергии (мощности) в Российской Федерации»
[4]
H. Pezeshki and P. J. Wolfs. Consumer phase identification in a three
phase unbalanced LV distribution network. // in Proc. 3rd IEEE PES
Innovative Smart Grid Technol. Europe (ISGT Europe), Berlin,
Germany, Oct. 2012.
[5]
W. Luan, J. Peng, M. Maras, J. Lo, and B. Harapnuk, “Smart meter
data analytics for distribution network connectivity verification,” IEEE
Trans. Smart Grid, vol. 6, no. 4, pp. 1964–1971, Jul. 2015.
[6]
V. Arya, D. Seetharam, S. Kalyanaraman, K. Dontas, C. Pavlovski, S.
Hoy, and J. R. Kalagnanam, “Phase identification in smart grids,” in
IEEE SmartGridComm, Brussels, Belgium, 2011, pp. 25–30.
[7]
T. A. Short, “Advanced metering for phase identification, transformer
identification, and secondary modeling,” IEEE Trans. Smart Grid, vol.
4, no. 2, pp. 651–658, Jun. 2013.
[8]
M. Xu, R. Li, and F. Li, “Phase identification with incomplete data,”
IEEE Trans. Smart Grid, vol. 9, no. 4, pp. 2777–2785, Jul. 2018
[9]
N. Zaragoza and V. Rao, "Phase Identification of Power Distribution
Systems using Hierarchical Clustering Methods," 2021 North
American Power Symposium (NAPS), 2021, pp. 1-6
[10]
Исследуемые данные – [Электронный ресурс] - Режим доступа:
(дата
обращения
14.02.2022)
[11]
Hosseini Z.S. A. Khodaei, and A. Paaso. Machine learning-enabled
distribution network phase identication. // IEEE Trans. Power Syst,
Mar. 2021. pp. 842-850.
[12]
Santos J.L.T. Phase identification in low voltage smart grids using
smart meter data Lisboa. // Lisbon: Ph.D. dissertation, Dept. Elect.
Comput. Eng., Técnico, 2019.
[13]
V. Vycital, M. Ptacek, P. Toman, D. Topolanek, J. Drapela, and J.
Zamphiropolos. Phase identification in smart metering pilot project
Komorany. // in Proc. Conf. Elect. Distribution (CIRED), Madrid,
Spain, Jun. 2019.
[14]
M. Xu, R. Li, and F. Li. Phase identification with incomplete data. //
IEEE Trans. Smart Grid, vol. 9, no. 4, pp. 2777–2785, Jul. 20
[15]
Short T.A. Advanced metering for phase identification, transformer
identification and secondary modeling. // IEEE Trans. Smart Grid, Vol.
4, No. 2, Jun. 2013. pp. 651-658.
[16]
V. Arya and R. Mitra. Voltage-based clustering to identify connectivity
relationships in distribution networks. in Proc. // IEEE Int. Conf. Smart
Grid Commun. (SmartGridComm), Vancouver, BC, CA, 2
[17]
Y. Ma. Phase identification of smart meters by spectral clustering. in
Proc. // IEEE Conf. Energy Internet Energy Syst. Integration (EI2),
Beijing, China, Oct. 2
[18]
Satya Jayadev Pappu, Aravind Rajeswaran, Nirav P Bhatt, Ramkrishna
Pasumarthy. A novel approach for phase identification in smart grids
using Graph Theory and Principal Component Analysis. // American
Control Conference (ACC). Boston, MA, USA. July, 2016. 5026-5031
pp.
