Details

Данная работа посвящена анализу особенностей функционирования распределительных сетей низкого напряжения и разработке алгоритма идентификации фаз потребителей по данным интеллектуальных приборов учёта. Задачи, которые решались в ходе исследования: 1. Моделирование функционирования распределительной сети и анализ значения напряжения и количества потерь электроэнергии при различном уровне несимметрии. 2. Рассмотрение существующих методов идентификации фаз потребителей. 3. Анализ мирового опыта разработки алгоритма идентификации фаз. 4. Рассмотрение методов, применимых для реализации алгоритма идентификации фаз. 5. Настройка параметров разработанного алгоритма. Практическая реализация оценки потерь напряжения и мощности при исследовании несимметричных режимов была произведена на примере реального участка распределительной сети низкого напряжения. В результате был разработан алгоритм идентификации фаз потребителей, представляющий собой комбинацию таких методов как вейвлет-преобразование и модель гауссовой смеси.

The given work is devoted to analysing the peculiarities of low-voltage distribution network and creating an algorithm for identifying the phases of consumers using data from smart metering devices. The research set the following goals: 1. Modelling of distribution network operation and analysis of voltage value and amount of power losses at different level of asymmetry. 2. Consideration of existing methods for identifying consumer phases. 3. Analysis of the world experience in the development of the phase identification algorithm. 4. Consideration of the methods applicable to the implementation of the phase identification algorithm. 5. Adjusting the parameters of the developed algorithm. Practical implementation of voltage and power losses estimation in the study of asymmetric modes was made on the example of a real section of the low-voltage distribution network. As a result, a consumer phase identification algorithm was developed which is a combination of techniques such as wavelet transform and Gaussian mixture model.