摘" 要：針對(duì)低壓配電網(wǎng)接線錯(cuò)綜復(fù)雜、線路的拓?fù)潢P(guān)系以及特征呈現(xiàn)出多樣化，且在對(duì)配電網(wǎng)進(jìn)行人工拓?fù)浣Y(jié)構(gòu)校驗(yàn)時(shí)所需的成本較高、實(shí)時(shí)性不強(qiáng)，因此該文研究一種基于AHP-GRA分析與KNN算法的低壓配電網(wǎng)拓?fù)湫ｒ?yàn)方法。首先對(duì)一天內(nèi)的時(shí)間段劃分為凌晨、上午、下午、夜晚4個(gè)階段，由于4個(gè)階段的電壓波動(dòng)范圍不同，因此通過(guò)AHP算法進(jìn)行權(quán)值確定以反映其波動(dòng)程度。然后，通過(guò)GRA分析法分別確定各個(gè)時(shí)間段的電壓關(guān)聯(lián)度，并通過(guò)權(quán)值與對(duì)應(yīng)階段的關(guān)聯(lián)度相結(jié)合，從而確定用戶(hù)之間的關(guān)聯(lián)程度，由此找出異常用戶(hù)，然后對(duì)異常用戶(hù)進(jìn)行再次校驗(yàn)以確定其所屬臺(tái)區(qū)，對(duì)于異常用戶(hù)通過(guò)GIS系統(tǒng)的數(shù)據(jù)和《配電網(wǎng)規(guī)劃設(shè)計(jì)技術(shù)導(dǎo)則》剪輯生成用戶(hù)樣本集，運(yùn)用KNN算法對(duì)樣本集進(jìn)行分析，從而確定異常用戶(hù)的所屬臺(tái)區(qū)。經(jīng)過(guò)驗(yàn)證，該方法能夠自動(dòng)識(shí)別異常用戶(hù)及其所屬臺(tái)區(qū)，可以有效降低出錯(cuò)率，具有一定的實(shí)用性。

關(guān)鍵詞：低壓拓?fù)湫ｒ?yàn);GRA分析;AHP算法;KNN算法;配電網(wǎng)

中圖分類(lèi)號(hào)：TM71" " " "文獻(xiàn)標(biāo)志碼：A" " " " " 文章編號(hào)：2095-2945（2023）18-0031-06

Abstract： In view of the complexity of low-voltage distribution network wiring， the diversity of line topology and characteristics， the cost of manual topology verification of distribution network is high， and the timeliness is not strong. Therefore， this paper studies a low-voltage distribution network topology verification method based on AHP-GRA and KNN algorithm. First of all， the time period of the day is divided into four stages： early morning， morning， afternoon and night. Because the voltage fluctuation ranges of the four stages are different， the weights are determined by AHP algorithm to reflect the degree of fluctuation. Then the voltage correlation degree of each time period is determined by GRA analysis， and the correlation degree between users is determined by combining the weight with the correlation degree of the corresponding stage， so as to find out the abnormal users. Then the abnormal users are checked again to determine the station area to which they belong. For abnormal users， the user sample set is generated by editing the data of GIS system and \"Technical Guidelines for Distribution Network Planning and Design\"， and the KNN algorithm is used to analyze the sample set to determine the station area of abnormal users. After verification， this method can automatically identify abnormal users and their stations， with low error rate and certain practicality.

Keywords： low voltage topology verification; GRA analysis; AHP algorithm; KNN algorithm; distribution network

長(zhǎng)期以來(lái)配電臺(tái)區(qū)與用戶(hù)間存在接線復(fù)雜、其間關(guān)系不易區(qū)分等問(wèn)題，給故障排查帶來(lái)一定的挑戰(zhàn)[1]。目前，最常用的方法是采取人工摸查的方式進(jìn)行戶(hù)變關(guān)系識(shí)別，但是該方法人工成本較高，且統(tǒng)計(jì)數(shù)據(jù)不夠完善，難以進(jìn)行低壓配電臺(tái)區(qū)拓?fù)渥R(shí)別與校驗(yàn)[2]。隨著當(dāng)今泛在物聯(lián)網(wǎng)的興起，各個(gè)低壓配電臺(tái)區(qū)及用戶(hù)側(cè)都安裝有智能監(jiān)測(cè)等設(shè)備，這為低壓配電臺(tái)區(qū)拓?fù)渥詣?dòng)識(shí)別提供了條件[3-5]。

低壓配電網(wǎng)拓?fù)潢P(guān)系識(shí)別中主要面臨的問(wèn)題是戶(hù)變關(guān)系所屬問(wèn)題，針對(duì)這個(gè)問(wèn)題目前已涌現(xiàn)出大量研究方法。文獻(xiàn)[6]通過(guò)皮爾遜相關(guān)系數(shù)法確定用戶(hù)與臺(tái)區(qū)間的相關(guān)度，將此相關(guān)度作為ROF算法中的相關(guān)性度量，從而計(jì)算用戶(hù)環(huán)域內(nèi)的離群程度，最終校驗(yàn)出所屬臺(tái)區(qū)錯(cuò)誤的用戶(hù)組。但此方法容易受到待校驗(yàn)用戶(hù)的環(huán)域范圍的影響。文獻(xiàn)[7]通過(guò)對(duì)GRA分析法進(jìn)行改進(jìn)確定戶(hù)變間的關(guān)聯(lián)度，在一定程度上克服了傳統(tǒng)GRA容易受到極值差的影響，但是此改進(jìn)GRA仍在很大程度上受到主觀判斷性的影響。文獻(xiàn)[8]通過(guò)皮爾遜相關(guān)系數(shù)進(jìn)行改進(jìn)，確定戶(hù)變關(guān)系，通過(guò)KNN算法分析用戶(hù)樣本，確定所屬臺(tái)區(qū)，此方法計(jì)算速度較快，實(shí)時(shí)性較強(qiáng)，但是由于皮爾遜相關(guān)系數(shù)仍然是從總體上進(jìn)行相似度判斷，所以出錯(cuò)率較高，容易出現(xiàn)戶(hù)變關(guān)系錯(cuò)誤等問(wèn)題。文獻(xiàn)[9]通過(guò)信號(hào)注入法進(jìn)行拓?fù)潢P(guān)系辨識(shí)，此方法實(shí)施過(guò)程相對(duì)簡(jiǎn)便，但是由于電力載波技術(shù)的通信會(huì)受到共高壓、共地、共電纜溝等因素的影響，因此容易出現(xiàn)串?dāng)_情況。

綜合上述方法存在的局限性，本文對(duì)GRA分析法進(jìn)行改進(jìn)，采用AHP-GRA分析與KNN算法來(lái)對(duì)低壓配電網(wǎng)進(jìn)行拓?fù)湫ｒ?yàn)，該方法能夠更精確地識(shí)別配電臺(tái)區(qū)間的拓?fù)浣Y(jié)構(gòu)，相對(duì)于上文提到的方法及人工識(shí)別等方法成本更低，準(zhǔn)確率更高，實(shí)時(shí)性能更好。

1" 智能電表電壓曲線分析

眾所周知，用戶(hù)的用電負(fù)荷時(shí)刻發(fā)生變化，從而影響到電壓曲線的變化，因此用戶(hù)電壓會(huì)呈現(xiàn)出一定的波動(dòng)性，但是單個(gè)臺(tái)區(qū)間的用戶(hù)電壓變化趨勢(shì)基本一致，而不同臺(tái)區(qū)間用戶(hù)電壓變化趨勢(shì)就呈現(xiàn)出較大差別。圖1是臺(tái)區(qū)A中6個(gè)用戶(hù)智能電表的電壓曲線。

通過(guò)曲線可以分析出2個(gè)基本信息。

1）曲線6的電壓變化趨勢(shì)以及大小與其他5條曲線明顯不同，曲線1—5電壓變化趨相近且差值相差不大。

2）從趨勢(shì)上看，0—6時(shí)和13—18時(shí)趨勢(shì)變化較小，電壓大小相差也較小;7—12時(shí)及19—24時(shí)電壓趨勢(shì)變化較為明顯，且差值較大。

通過(guò)查閱用戶(hù)1—6的相關(guān)信息以及所屬臺(tái)區(qū)，可以發(fā)現(xiàn)用戶(hù)6與其他5個(gè)用戶(hù)不在一個(gè)臺(tái)區(qū)，由此將其視為異常用戶(hù)。

2" AHP-GRA原理

灰色關(guān)聯(lián)法（GRA）主要是通過(guò)對(duì)數(shù)列之間的幾何關(guān)系進(jìn)行比較，從而確定系統(tǒng)中多個(gè)因數(shù)之間的關(guān)聯(lián)程度，如果形狀越接近，說(shuō)明關(guān)聯(lián)性更強(qiáng)[9]。但是傳統(tǒng)GRA存在一定的局限性，主要表現(xiàn)在：對(duì)關(guān)聯(lián)指標(biāo)進(jìn)行加和后再通過(guò)求平均值的方式處理，此種方法一旦差異過(guò)小就無(wú)法反映重要程度。此種局限性在拓?fù)渥R(shí)別上造成的后果較嚴(yán)重，一旦分析的不同臺(tái)區(qū)間電壓差異過(guò)小就無(wú)法反映戶(hù)變的所屬關(guān)系。因此本文采用AHP-GRA進(jìn)行關(guān)聯(lián)度分析，將一天之內(nèi)各個(gè)時(shí)間段電壓趨勢(shì)變化程度進(jìn)行量化后賦權(quán)給各個(gè)指標(biāo)，給客觀評(píng)價(jià)以經(jīng)驗(yàn)參考，有效地彌補(bǔ)了傳統(tǒng)GRA法的不足。

2.1" AHP法確定權(quán)值

2.1.1" 建立層次分析模型

AHP法解決問(wèn)題主要分為3個(gè)層次，分別是最高層、中間層、最底層，其中最高層是預(yù)定問(wèn)題的理想目標(biāo)這一層只有一個(gè)元素，中間層包含多個(gè)層次，是實(shí)現(xiàn)目標(biāo)層的中間環(huán)節(jié)，最底層表示為實(shí)現(xiàn)目標(biāo)可提供選擇的各種方案，因此也稱(chēng)方案層[10]。

2.1.2" 構(gòu)建判斷矩陣

本文采用九標(biāo)度法對(duì)判別矩陣進(jìn)行構(gòu)建[11]，A=（aij）n×n其中aij就是Ai對(duì)Aj的重要程度，本文根據(jù)對(duì)圖1的分析可知，一天之內(nèi)電壓波動(dòng)情況主要分為4段，其中7—12時(shí)，以及19—24時(shí)電壓波動(dòng)較大且曲線變化趨勢(shì)較大;0—6時(shí)，以及13—18時(shí)電壓波動(dòng)范圍及變化趨勢(shì)較小，從統(tǒng)計(jì)學(xué)的角度上講，偏差大的特征更能反映類(lèi)型之間的差別，因此可以認(rèn)為差異程度越大的特征越重要，由此可對(duì)一天4段時(shí)間進(jìn)行等級(jí)劃分[12]。其具體判斷準(zhǔn)則見(jiàn)表1。

2.1.3" 計(jì)算權(quán)重

目前存在計(jì)算相對(duì)權(quán)重的方法主要有特征根法、和法、對(duì)數(shù)最小二乘法等，本文考慮到特征根法在層次分析法中具有重要的使用價(jià)值，應(yīng)用該方法對(duì)權(quán)重進(jìn)行計(jì)算，由Aw=λw，得到對(duì)應(yīng)特征向量w，最終得到的權(quán)重為

w=（w1，w2，w3，…，wt） 。 " （1）

2.1.4 一致性校驗(yàn)

通過(guò)權(quán)重的計(jì)算方法獲取了最大特征值λmax，從而可以獲得C.R的值，若C.R小于0.1，則該矩陣的一致性是可以接受的。

C.R= ， （2）

式中：t為準(zhǔn)則層內(nèi)指標(biāo)個(gè)數(shù);RI為平均隨機(jī)一致性指標(biāo)，具體取值規(guī)則見(jiàn)表2。

2.2 GRA確定關(guān)聯(lián)度

2.2.1 確定參考、比較序列

選取參考序列xi和比較序列xj，則有

式中：Aij為參考序列為xi，比較序列為xj組成的一組序列;k為所選取的2個(gè)樣本序列中元素的個(gè)數(shù)，本文中指電壓的數(shù)值，大小為24。

通過(guò)上文分析，根據(jù)時(shí)間段進(jìn)行劃分?？蓪組序列分為Aij，1，Aij，2，Aij，3，Aij，4 4組，其中

2.2.2 歸一化處理

由于系統(tǒng)的比較序列和參考序列可能差異較大，因此需要對(duì)兩序列進(jìn)行歸一化處理。將其線性映射到[0，1]之間。

2.2.3" 確定關(guān)聯(lián)度

計(jì)算參考序列和比較序列的關(guān)聯(lián)系數(shù)為

式中：ρ為分辨系數(shù)，其取值為[0，1]，一般取0.5;λij，k（m）為比較序列i第k段的第m個(gè)樣本與其對(duì)應(yīng)參考序列j的關(guān)聯(lián)系數(shù)，1≤m≤k。

計(jì)算各段時(shí)間比較序列與參考序列之間的灰色關(guān)聯(lián)度。

式中：a為一段時(shí)間內(nèi)樣本變量的個(gè)數(shù);m為第m個(gè)樣本變量;γij，k為第k個(gè)時(shí)間段內(nèi)參考序列i與比較序列j的關(guān)聯(lián)度。

2.3" 計(jì)算整體關(guān)聯(lián)度

通過(guò)2.1.3得到的各個(gè)時(shí)間段內(nèi)的權(quán)重，與式（4）相結(jié)合，可以得到評(píng)價(jià)模型的整體關(guān)聯(lián)度矩陣γ為

3 KNN算法原理及樣本集獲取

3.1 KNN算法原理

臨近算法（KNN）是一種最基本的分類(lèi)方法，在多學(xué)科領(lǐng)域都有應(yīng)用，相比于其他分類(lèi)方法該方法所需樣本數(shù)目較少，只需依靠臨近樣本進(jìn)行決策，在確定所屬類(lèi)別時(shí)不需要對(duì)類(lèi)域進(jìn)行判別，因此在實(shí)際應(yīng)用上KNN算法更為合適。其核心思想可以理解為：在一個(gè)空間內(nèi)存在K個(gè)臨近的樣本，如果想判斷其中一個(gè)樣本屬于什么類(lèi)別，可以先判斷在這K個(gè)樣本中哪個(gè)樣本的數(shù)目最多，則該樣本類(lèi)別與數(shù)目最多的樣本類(lèi)別一致[13]。

在已經(jīng)識(shí)別了異常用戶(hù)的情況下，需要對(duì)其所屬臺(tái)區(qū)進(jìn)行識(shí)別，選擇可疑用戶(hù)周?chē)P(guān)聯(lián)度大的k個(gè)用戶(hù)作為樣本，視為臨近用戶(hù)，選擇k=9，從圖2中可以看出可疑用戶(hù)周邊臺(tái)區(qū)T1的用戶(hù)最多，因此可以判斷可疑用戶(hù)屬于T1。

3.2 樣本集的獲取

通過(guò)上文分析可知，在進(jìn)行KNN算法進(jìn)行分類(lèi)時(shí)，需要對(duì)可疑用戶(hù)周邊用戶(hù)的信息進(jìn)行獲取，但是由于配電網(wǎng)中用戶(hù)數(shù)目較多，且接線復(fù)雜多樣，通過(guò)人工獲取周邊臨近用戶(hù)不現(xiàn)實(shí)，因此需要通過(guò)其他方式獲取臨近用戶(hù)信息。根據(jù)《配電網(wǎng)規(guī)劃設(shè)計(jì)技術(shù)導(dǎo)則》中第9.6.4條規(guī)定：220/380 V線路應(yīng)有明確的供電范圍，供電半徑應(yīng)滿足末端電壓量的要求。原則上A+、A類(lèi)供電區(qū)域供電半徑不宜超過(guò)150 m，B類(lèi)不宜超過(guò)250 m，C類(lèi)不宜超過(guò)400 m，D類(lèi)不宜超過(guò)500 m，E類(lèi)供電區(qū)域供電半徑應(yīng)根據(jù)需要經(jīng)計(jì)算確定[14]。因此，樣本集的組成包括本臺(tái)區(qū)的用戶(hù)及相鄰臺(tái)區(qū)的所有用戶(hù)。圖3為2個(gè)臺(tái)區(qū)間的物理位置示意圖[15]。

2個(gè)臺(tái)區(qū)之間的距離為

式中：臺(tái)區(qū)A、B的經(jīng)緯度分別為（jA，ωA）、（jB，ωB）;地球半徑為R。

首先需要通過(guò)GIS系統(tǒng)獲取2個(gè)臺(tái)區(qū)的經(jīng)緯度，采用式（12）獲得待校驗(yàn)用戶(hù)所屬臺(tái)區(qū)附近的其他臺(tái)區(qū)，然后構(gòu)建KNN算法的樣本集，KNN樣本集的生成有效縮小了搜索范圍，提高了算法效率。最后通過(guò)KNN算法對(duì)獲取的樣本集進(jìn)行分析，得到最鄰近的K個(gè)用戶(hù)，其中樣本集中哪個(gè)臺(tái)區(qū)的用戶(hù)最多，則待校驗(yàn)戶(hù)就屬于哪個(gè)臺(tái)區(qū)。

4" 算法流程

本文算法的整體流程如圖4所示。具體步驟如下。

1）通過(guò)智能電表獲取臺(tái)區(qū)內(nèi)所有用戶(hù)24 h的電壓，通常的采集頻率是15 min/次，但為了降低計(jì)算量減少內(nèi)存，一天選取24個(gè)數(shù)據(jù)，即每個(gè)小時(shí)獲取一個(gè)電壓值。

2）對(duì)所有用戶(hù)24 h的電壓進(jìn)行分段，每6 h一段，通過(guò)AHP-GRA獲取各個(gè)用戶(hù)之間的關(guān)聯(lián)度，從而找到異常用戶(hù)作為待校驗(yàn)用戶(hù)。

3）通過(guò)GIS得到的地理信息數(shù)據(jù)，以及《配電網(wǎng)規(guī)劃設(shè)計(jì)技術(shù)導(dǎo)則》，通過(guò)式（12）獲得校驗(yàn)用戶(hù)相鄰上的臺(tái)區(qū)，并獲取所屬臺(tái)區(qū)及相鄰臺(tái)區(qū)的所有用戶(hù)數(shù)據(jù)，組成KNN算法的樣本集。

4）通過(guò)KNN算法對(duì)所獲得的樣本集進(jìn)行分析從而找出待校驗(yàn)用戶(hù)所屬的正確臺(tái)區(qū)。

5 應(yīng)用分析

5.1 個(gè)別用戶(hù)表所屬臺(tái)區(qū)錯(cuò)誤

根據(jù)上文所述的拓?fù)渥R(shí)別原理，識(shí)別臺(tái)區(qū)A中異常用戶(hù)并通過(guò)分析找到其所屬臺(tái)區(qū)，首先通過(guò)傳統(tǒng)GRA對(duì)各個(gè)用戶(hù)電壓的相似度計(jì)算，臺(tái)區(qū)A各個(gè)用戶(hù)間的灰色關(guān)聯(lián)度見(jiàn)表3。

通過(guò)對(duì)表3進(jìn)行分析可以看出，用戶(hù)6與其余用戶(hù)關(guān)聯(lián)度較小，鎖定6為其他臺(tái)區(qū)的用戶(hù)。但是通過(guò)對(duì)表3的分析，該灰色關(guān)聯(lián)法所顯示出的各個(gè)用戶(hù)關(guān)聯(lián)度差距并不明顯，一旦應(yīng)用于用戶(hù)較多的臺(tái)區(qū)容易造成誤判斷。下面用基于AHP算法的GRA進(jìn)行關(guān)聯(lián)度計(jì)算，見(jiàn)表4。

對(duì)表4進(jìn)行分析也可以得出用戶(hù)6為異常用戶(hù)，但是對(duì)比表3和表4可以看出，表4中用戶(hù)6與其他5個(gè)用戶(hù)的關(guān)聯(lián)值差距明顯，相比于其他用戶(hù)間的關(guān)聯(lián)值，用戶(hù)6與其他用戶(hù)的關(guān)聯(lián)值更小。

5.2 判斷異常用戶(hù)屬于哪個(gè)臺(tái)區(qū)

由表4可以判斷出用戶(hù)6臺(tái)區(qū)A內(nèi)的異常用戶(hù)需要待校驗(yàn)，找出用戶(hù)6所屬的臺(tái)區(qū)。首先通過(guò)GIS數(shù)據(jù)及式（12）獲取臺(tái)區(qū)A相鄰的臺(tái)區(qū)，并構(gòu)建用戶(hù)6的KNN算法樣本集。經(jīng)過(guò)計(jì)算可以得到臺(tái)區(qū)A臨近的臺(tái)區(qū)有2個(gè)，分別為B臺(tái)區(qū)和C臺(tái)區(qū)。

其中，A臺(tái)區(qū)中有7個(gè)用戶(hù)，B臺(tái)區(qū)有5個(gè)用戶(hù)，C臺(tái)區(qū)有6個(gè)用戶(hù)，總計(jì)18個(gè)用戶(hù)，其中6號(hào)為異常用戶(hù)作為待校驗(yàn)用戶(hù)。將其中17個(gè)用戶(hù)（不包括待校驗(yàn)用戶(hù)）命名為用戶(hù)1～用戶(hù)17。通過(guò)KNN算法對(duì)待校驗(yàn)用戶(hù)組成的KNN算法樣本集進(jìn)行分析，最終找到其所屬臺(tái)區(qū)。

KNN算法的效果整理之后見(jiàn)表5。

表格第一欄是待校驗(yàn)用的KNN算法樣本集里的用戶(hù)號(hào)，第二欄是關(guān)聯(lián)度，第三欄為所屬臺(tái)區(qū);因?yàn)?K=7，所以只看前7個(gè)關(guān)聯(lián)度。由表5可以發(fā)現(xiàn)：前7個(gè)相關(guān)系數(shù)中，有4個(gè)用戶(hù)屬于臺(tái)區(qū)C，2個(gè)用戶(hù)屬于臺(tái)區(qū)B，1個(gè)用戶(hù)屬于臺(tái)區(qū)A，臺(tái)區(qū)C中用戶(hù)占比為4/7，可以得出待校驗(yàn)用戶(hù)最有可能屬于臺(tái)區(qū)C。

GRA改進(jìn)后得到的KNN算法效果見(jiàn)表6。

通過(guò)對(duì)表6分析可以看出，前7個(gè)用戶(hù)中，有5 個(gè)用戶(hù)屬于臺(tái)區(qū)C，2個(gè)用戶(hù)屬于臺(tái)區(qū)B，臺(tái)區(qū)C中用戶(hù)占比為5/7，對(duì)比表5通過(guò)傳統(tǒng)GRA確定關(guān)聯(lián)度，可以得出結(jié)論：AHP-GRA相比于傳統(tǒng)GRA的計(jì)算精度更精準(zhǔn)。

6 結(jié)束語(yǔ)

本文針對(duì)低壓配電網(wǎng)用戶(hù)關(guān)系復(fù)雜，通常面臨拓?fù)渥R(shí)別錯(cuò)誤等問(wèn)題，提出了基于AHP-GRA與KNN算法的低壓配電網(wǎng)拓?fù)渥R(shí)別方法。首先通過(guò)AHP-GRA對(duì)所需校驗(yàn)臺(tái)區(qū)用戶(hù)的電壓進(jìn)行關(guān)聯(lián)分析，然后通過(guò)GIS系統(tǒng)獲取相關(guān)臺(tái)區(qū)位置，并通過(guò)計(jì)算得知待校用戶(hù)的臨近臺(tái)區(qū)，并對(duì)待校驗(yàn)用戶(hù)臨近臺(tái)區(qū)的所有用戶(hù)構(gòu)建成一個(gè)樣本集，通過(guò)KNN算法對(duì)樣本集進(jìn)行分類(lèi)。最終通過(guò)驗(yàn)證該方法能夠有效識(shí)別臺(tái)區(qū)中的異常用戶(hù)，以及待校驗(yàn)用戶(hù)的所屬臺(tái)區(qū)。該方法的優(yōu)點(diǎn)如下。

1）AHP-GRA相比于傳統(tǒng)的GRA在一定程度上克服了其受主觀判斷的影響，這種方法計(jì)算的不同臺(tái)區(qū)用戶(hù)間的關(guān)聯(lián)度值更小，有效區(qū)分了臺(tái)區(qū)內(nèi)所屬用戶(hù)與異常用戶(hù)。

2）通過(guò)AHP-GRA獲取關(guān)聯(lián)度，再通過(guò)KNN算法進(jìn)行分類(lèi)，使得拓?fù)渥R(shí)別結(jié)果更加精確。

3）通過(guò)GIS系統(tǒng)獲取相關(guān)地理信息數(shù)據(jù)，再通過(guò)計(jì)算待校驗(yàn)用戶(hù)附近臺(tái)區(qū)，在一定程度上降低了人工成本。

參考文獻(xiàn)：

[1] MEI G， WU X， WANG Y， et al. Compressive-sensing-based structure identification for multilayer networks[J]. IEEE Transactions on Cybernetics， 2017：1-11.

[2] SATYA J P， RAJESWARAN A， BHATT N P， et al. A novel approach for phase identification in smart grids using graph theory and principal component analysis[C]// American Control Conference. IEEE， 2016.

[3] ZHANG B， HAO Z， BO Z. New development in relay protection for smart grid[J]. Protection and Control of Modern Power Systems， 2016， 1（1）：14.

[4] 李軒，董永樂(lè)，海鴻業(yè)，等.基于跨平臺(tái)多源數(shù)據(jù)融合的復(fù)雜低壓臺(tái)區(qū)拓?fù)渥R(shí)別方法研究[J].電氣傳動(dòng)，2022，52（8）：55-59.

[5] 余佳，王曉榮，戴月升，等.配電網(wǎng)實(shí)時(shí)建模技術(shù)及關(guān)鍵問(wèn)題研究綜述[J].電氣傳動(dòng)，2022，52（12）：3-9.

[6] 郭屾，林佳穎，王鵬，等.基于ROF離群組檢測(cè)的低壓配電網(wǎng)拓?fù)湫ｒ?yàn)[J].控制工程，2020，27（1）：201-206.

[7] 陳招安，黃純，張志丹，等.基于T型灰色關(guān)聯(lián)度和KNN算法的低壓配電網(wǎng)臺(tái)區(qū)拓?fù)渥R(shí)別方法[J].電力系統(tǒng)保護(hù)與控制，2021，49（1）：163-169.

[8] 肖勇，趙云，涂治東，等.基于改進(jìn)的皮爾遜相關(guān)系數(shù)的低壓配電網(wǎng)拓?fù)浣Y(jié)構(gòu)校驗(yàn)方法[J].電力系統(tǒng)保護(hù)與控制，2019， 47（11）：37-43.

[9] 馬碧燕.低壓臺(tái)區(qū)拓?fù)浔孀R(shí)方法綜述[J].現(xiàn)代信息科技，2021，5（8）：71-74，77.

[10] 李曦.基于層次分析法的內(nèi)部審計(jì)外包內(nèi)容決策研究[J].現(xiàn)代商業(yè)，2014（2）：242.

[11] 張?jiān)?風(fēng)險(xiǎn)評(píng)估方法[M].北京：機(jī)械工業(yè)出版社，2017.

[12] 余鶴，夏水斌，魏偉，等.改進(jìn)灰色關(guān)聯(lián)分析在臺(tái)區(qū)智能識(shí)別中的應(yīng)用研究[J].電子測(cè)量技術(shù)，2019，42（8）：32-35.

[13] 閉小梅，閉瑞華.KNN算法綜述[J].科技創(chuàng)新導(dǎo)報(bào)，2009（14）：31.

[14] 配電網(wǎng)規(guī)劃設(shè)計(jì)技術(shù)導(dǎo)則：Q/GDW1738—2012[S].2012.

[15] 耿俊成，張小斐，郭志民，等.基于離散Fréchet距離和剪輯近鄰法的低壓配電網(wǎng)拓?fù)浣Y(jié)構(gòu)校驗(yàn)方法[J].電測(cè)與儀表，2017，54（5）：50-55.