CN108376982B - 负载相序的识别方法及装置 - Google Patents

Abstract

本发明提供了一种负载相序的识别方法及装置，涉及配电技术领域，该方法包括：通过智能电表获取配电网馈线上所连接的若干负载的电压幅值；提取相邻时间点的电压幅值的差值作为聚类特征；基于聚类特征，通过设定的聚类算法进行聚类分析；对聚类分析的结果进行评估；当结果满足终止条件时，输出相序识别结果；当结果不满足终止条件时，继续执行通过设定的聚类算法进行聚类分析的步骤。本发明实施例提供的负载相序的识别方法及装置，可以对负载的相序进行自动识别，成本低且准确率高，可以避免昂贵的手动检测和现场维修与维护。

Description

负载相序的识别方法及装置

技术领域

本发明涉及配电技术领域，尤其是涉及一种负载相序的识别方法及装置。

背景技术

可靠的负载相序连接信息对于配电网的规划，运行和维护至关重要，配电网自动化的许多解决方案都需要以负载相序连接信息作为输入。然而，配电网运营商目前面临的问题是如何获取相序连接的准确记录。在实际情况中，获取可靠的三相相序信息面临诸多挑战，例如：

(1)无相序连接记录或相序连接信息丢失，尤其对于建设时间较早的低压配电网；

(2)相序连接的统计信息不准确或已过时；

(3)由于修理和维护而导致的更改，此信息未能准确并及时地被记录；

(4)用户通过自有设备切换相序，例如发生跳闸时。

在传统的配电网，识别负载三相相序常用的方法有诸如手动验证、手动干预和信号注入等。一方面，由于其额外的硬件、人力成本与不尽如人意的准确度，在实际操作中无法大规模应用；另一方面，上述方法更适用于相对较小规模的电力网络，然而随着全社会电力需求的不断增长，电力网络越来越大型化，上述方法的实施成本将成倍增加且工作效率大大降低。

针对现有技术中对负载的三相相序进行识别存在的上述问题，目前尚未提出有效的解决方案。

发明内容

有鉴于此，本发明的目的在于提供一种负载相序的识别方法及装置，可以对负载的相序进行自动识别，成本低且准确率高。

基于先进的数据挖掘方法进行自动化推断，以避免昂贵的手动检测和现场维修与维护。

第一方面，本发明实施例提供了一种负载相序的识别方法，包括：通过智能电表获取配电网馈线上所连接的若干负载的电压幅值；电压幅值包括在设定时间内采集的负载的多个幅值；提取相邻前后时间点的电压幅值的差值作为聚类特征；基于聚类特征，通过设定的聚类算法进行聚类分析；聚类算法至少包括以下之一：分裂法、层次法、密度法或网格法；对聚类分析的结果进行评估；当结果满足终止条件时，输出相序识别结果；当结果不满足终止条件时，继续执行通过设定的聚类算法进行聚类分析的步骤。

结合第一方面，本发明实施例提供了第一方面的第一种可能的实施方式，其中，通过设定的聚类算法进行聚类分析的步骤，包括：选取距离度量的种类；基于距离度量的种类执行设定的聚类算法以进行聚类分析。

结合第一方面，本发明实施例提供了第一方面的第二种可能的实施方式，其中，对聚类分析的结果进行评估的步骤，包括：计算结果的轮廓系数，并判断轮廓系数是否大于预设的阈值；如果是，确定结果不满足终止条件；如果否，确定结果满足终止条件。

结合第一方面，本发明实施例提供了第一方面的第三种可能的实施方式，其中，输出相序识别结果的步骤，包括：输出属于各相序的负载数量及每个负载所对应的相序。

结合第一方面，本发明实施例提供了第一方面的第四种可能的实施方式，在提取相邻时间点的电压幅值的差值作为聚类特征的步骤之前，上述方法还包括：对电压幅值进行数据预处理；数据预处理包括:数据清理、数据集成、数据变换或数据归约。

第二方面，本发明实施例还提供一种负载相序的识别装置，包括：数据获取模块，用于通过智能电表获取配电网馈线上的若干负载的电压幅值；电压幅值包括在设定时间内采集的负载的多个幅值；特征提取模块，用于提取相邻时间点的电压幅值的差值作为聚类特征；聚类模块，用于基于聚类特征，通过设定的聚类算法进行聚类分析；聚类算法至少包括以下之一：分裂法、层次法、密度法或网格法；结果评估模块，用于对聚类分析的结果进行评估；输出模块，用于当结果满足终止条件时，输出相序识别结果；重复执行模块，用于当结果不满足终止条件时，继续执行通过设定的聚类算法进行聚类分析的步骤。

结合第二方面，本发明实施例提供了第二方面的第一种可能的实施方式，其中，聚类模块还用于：选取距离度量的种类；基于距离度量的种类执行设定的聚类算法以进行聚类分析。

结合第二方面，本发明实施例提供了第二方面的第二种可能的实施方式，其中，结果评估模块还用于：计算结果的轮廓系数，并判断轮廓系数是否大于预设的阈值；如果是，确定结果不满足终止条件；如果否，确定结果满足终止条件。

结合第二方面，本发明实施例提供了第二方面的第三种可能的实施方式，其中，输出模块还用于：输出属于各相序的负载数量及每个负载所对应的相序。

第三方面，本发明实施例还提供一种具有处理器可执行的非易失的程序代码的计算机可读介质，程序代码使处理器执行上述第一方面及其各可能的实施方式提供的方法。

本发明实施例带来了以下有益效果：

本发明实施例提供的负载相序的识别方法及装置，采用聚类技术来识别电力系统的三相相序，通过智能电表获取待识别相序的负载的电压幅值，采用相邻时间点的电压幅值的差值作为提取特征，再通过设定的聚类算法进行聚类分析以及对聚类分析的结果进行评估，当结果满足聚类终止条件时，输出相序识别结果，可以对负载的相序进行自动识别，成本低且准确率高，可以避免昂贵的手动检测和现场维修与维护。

本公开的其他特征和优点将在随后的说明书中阐述，或者，部分特征和优点可以从说明书推知或毫无疑义地确定，或者通过实施本公开的上述技术即可得知。

为使本公开的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的连接负载的典型低压配电网示意图；

图2为本发明实施例提供的一种负载相序的识别方法的流程示意图；

图3为本发明实施例提供的欧洲低压测试馈线网络示意图；

图4为本发明实施例提供的另一种负载相序的识别方法的流程示意图；

图5为本发明实施例提供的聚类结果示意图；

图6为本发明实施例提供的一种负载相序的识别装置的结构示意图；

图7为本发明实施例提供的一种服务器的结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

考虑到技术和经济方面的优势，大多数电力在大型发电厂以三相交流电的形式产生，并通过输电网络到达配电网。输电网是通过高压或超高压输电线将发电厂与变电所连接起来，完成电力传输的专用网络；配电网是从输电网或地区发电厂获取电力，通过配电设施就地或逐级分配给用户的网络。

配电网按照电压等级可分为高压配电网、中压配电网和低压配电网，不同电压等级的配电网均包括配电线、配电所、配电变压器等配电设施。配电网从为地理上相邻的客户提供服务的配电变电器开始，根据客户需求将电力以三相或单相的方式输送给消费者。根据《城市电力网规定设计规则》，低压配电网为电压等级低于1kV的配电网，通过低压配电变压器进一步降低电压，为电力用户提供电力传输的最后一公里服务。

通常情况下，一个低压配网变电站通过若干条三相馈线服务几千个客户，而同一条馈线可以服务几百个客户。对于单相用户，其用电设备通过馈线连接到配电变压器A相，B相或C相的其中某一相；而三相用户则将其用电设备同时连接到A，B，C三相。连接负载的典型低压配电网如图1所示。

可靠的负载相序连接信息对于配电网的规划，运行和维护至关重要，配电网自动化的许多解决方案都需要以负载相序连接信息作为输入。例如：减轻变压器或馈线的单相过载问题；平衡三相负载，提升配电效率并减少电能损失；治理三相电压不平衡问题；提升配电网潮流分析与状态估计的精度；当配电网资产(例如变压器)发生故障时，需要相序连接信息来识别可能受到故障影响的客户和互连资产；当客户拥有分布式发电和储能等资源形式时，可以帮助能量在电网与用户之间合理地流动。

中低压配电网作为输配电系统的最后一个环节，其实现自动化的程度与供用电的质量和可靠性密切相关，只有实现中低压配电网的自动化，才可能最大限度地提高供电质量，减少故障次数，缩小事故范围，缩短事故时间，为恢复供电、快速分析、诊断、报告事故原因提供有效的依据。

负载相序连接的自动识别是配电网自动化智能化的重要环节。随着智能电网技术的成熟，世界各地的很多配电网都在进行智能电网改造。配电网相关利益攸关方正在用户端安装更多的智能电表。这些仪表能以更高的频率对配电网终端用户的电气行为进行测量，并将测量值以固定频率或实时的方式传输至数据中心。

在部署了密集的智能电表和自动抄表系统之后，配电网相关利益攸关方力求通过测量得到的数据提供配电网管理的许多解决方案。对于负载相序的自动识别问题，一种可能的解决方案是基于先进的数据挖掘方法进行自动化推断，以避免昂贵的手动检测和现场维修与维护。

作为智能电网终端之一的智能电表利用现代电子技术、通信技术、计算机及网络技术，将配电网实时信息、离线信息、用户信息等进行集成，为实现配电网自动化提供了必要条件。对于国内的电网公司来说，配网有超过几十万公里线路、几千万甚至上亿用户，智能电表还随之产生了海量的数据。但是孤立的数据没有使用价值，只有把这些数据通过数据挖掘的方式进行整理、分析，才可以发挥大的作用。数据挖掘是从海量的原始数据集中提取有用信息的统计方法之一。因此，数据挖掘方法正在蓬勃发展，常用于图像处理和机器人工业等人工智能领域。在本发明工作中，以从位于低压配电网馈线上的终端用户处采集的智能电表数据为支撑，采用数据挖掘方法中的聚类技术来识别电力系统负载的三相相序。

为便于对本发明进行理解，首先对本发明实施例所公开的一种负载相序的识别方法进行详细介绍。

实施例1

本发明实施例提供了一种负载相序的识别方法，如图2所示的一种负载相序的识别方法的流程示意图，该方法包括以下步骤：

步骤S202，通过智能电表获取配电网馈线上若干负载的电压幅值。

当前智能电表能够采集的数据类型繁多，根据从用户端智能电表处采集到的电气量中选择数量，类型和特征的标度。本实施例以选取电压测量值(电压幅值)为数据挖掘对象为例进行说明。该电压幅值指在一个周期内，交流电压的有效值。上述电压幅值包括在设定时间内采集的若干个负载的多个幅值，可以对若干个负载按照一定频率进行周期采集，该若干个负载指负载的数量大于两个。上述电压幅值存储于向量中，具体可以采用矩阵的形式存储。

步骤S204，提取相邻时间点的电压幅值的差值作为聚类特征。

特征提取指通过对所选择的特征(即上述电压幅值)进行转换形成新的突出特征。在本实施例中，以相邻前后两个时间点对应的电压幅值的差值作为提取的特征，即时间序列一阶差分值。

步骤S206，基于上述聚类特征，通过设定的聚类算法进行聚类分析。

具体地，包括：(1)选取距离度量的种类；(2)基于距离度量的种类执行设定的聚类算法以进行聚类分析。由于相似性是定义一个类/簇的基础，因此不同数据之间在同一个特征空间相似度的衡量对于聚类结果很重要。鉴于特征类型和特征标度的多样性，选取距离度量的种类非常重要，可以根据实际情况采用以下类型：欧氏距离，曼哈顿距离，切比雪夫距离，幂距离，余弦相似度，皮尔森相似度，Jaccard相似度，汉明距离，相关距离，马氏距离等。其中，聚类算法至少包括以下之一：分裂法、层次法、密度法或网格法。上述聚类算法可以单独执行聚类分析，也可以两种或两种以上的聚类算法先后执行聚类分析，以得到更好的聚类结果。

步骤S208，对聚类分析的结果进行评估。

对结果进行评估的目的是评估聚类结果的质量，评估主要有3种：外部有效性评估、内部有效性评估和相关性测试评估。例如可以采用轮廓系数(silhouettecoefficient)，该轮廓系数结合了凝聚度和分离度，适用于实际类别信息未知的情况。对于单个样本，设a是与它同类别中其他样本的平均距离，b是与它距离最近不同类别中样本的平均距离，其轮廓系数为：

对于一个样本集合，它的轮廓系数是所有样本轮廓系数的平均值。轮廓系数的取值范围是[-1,1]，同类别样本距离越相近且不同类别样本距离越远，则数值越高。

通过轮廓系数进行评估的方式，可以计算结果的轮廓系数，并判断轮廓系数是否大于预设的阈值；如果是，确定结果满足终止条件；如果否，确定结果不满足终止条件。

如果有了类别标签，那么聚类结果还可以使用聚类评测指标:纯度和F值。其中，F值的计算包括两个指标：召回率(Recall Rate)和准确率(Precision Rate)。

步骤S210，判断上述结果是否满足终止条件。如果是，执行步骤S212；如果否，执行步骤S206。

当上述结果满足聚类的终止条件时，不再进行聚类计算，执行输出识别结果的步骤；当上述结果不满足聚类的终止条件时，继续执行上述步骤S206进行聚类分析。

步骤S212，输出相序识别结果。

具体地，输出相序识别结果包括输出属于各相序的负载数量及每个负载所对应的相序，从而得到配电网中智能电表连接的负载的相序，完成负载相序的自动识别。

本发明实施例提供的负载相序的识别方法，采用聚类技术来识别电力系统负载的三相相序，通过智能电表获取待识别相序的负载的电压幅值，采用相邻时间点的电压幅值的差值作为提取特征，再通过设定的聚类算法进行聚类分析以及对聚类分析的结果进行评估，当结果满足聚类终止条件时，输出相序识别结果，可以对负载的相序进行自动识别，成本低且准确率高，可以避免昂贵的手动检测和现场维修与维护。

在自动识别负载的相序的基础上，才可以实现中低压配电网的自动化，进而最大限度地提高供电质量，减少故障次数，缩小事故范围，缩短事故时间，为恢复供电、快速分析、诊断、报告事故原因提供有效的依据。作为配电网自动化智能化的重要环节，实现负载相序连接的自动推断，可以提高整个电力系统的经济效益与管理水平；减轻维护人员的劳动强度；减少操作人员；增强电力系统的免维护性。

在本实施例中，聚类的算法考虑以下四种类型：

分裂法：又称划分方法，首先创建k个划分，k为要创建的划分个数，然后利用一个循环定位技术通过将对象从一个划分移到另一个划分来帮助改善划分质量。典型方法包括：k-means,k-medoids,CLARA(Clustering LARge Application),CLARANS(ClusteringLarge Application based upon RANdomized Search)等。

层次法：创建一个层次以分解给定的数据集。该方法可以分为分解和合并两种操作方式。为弥补分解与合并的不足，层次合并经常要与其它聚类方法相结合，如循环定位。典型方法包括：BIRCH(Balanced Iterative Reducing and Clustering usingHierarchies)方法，首先利用树的结构对对象集进行划分；然后再利用其它聚类方法对这些聚类进行优化。CURE(Clustering Using REprisentatives)方法，利用固定数目代表对象来表示相应聚类；然后对各聚类按照指定量(向聚类中心)进行收缩。ROCK方法，它利用聚类间的连接进行聚类合并。CHEMALOEN方法，在层次聚类时构造动态模型。

密度法：根据密度完成对象的聚类，根据对象周围的密度不断增长聚类。典型方法包括：DBSCAN(Densit-based Spatial Clustering of Application with Noise):该算法通过不断生长足够高密度区域来进行聚类；能从含有噪声的空间数据库中发现任意形状的聚类。此方法将一个聚类定义为一组“密度连接”的点集。OPTICS(Ordering Points ToIdentify the Clustering Structure):并不明确产生一个聚类，而是为自动交互的聚类分析计算出一个增强聚类顺序。

网格法：首先将对象空间划分为有限个单元以构成网格结构，然后利用网格结构完成聚类。典型方法包括：STING(STatisticalINformation Grid)是一个利用网格单元保存的统计信息进行基于网格聚类的方法。CLIQUE(Clustering In QUEst)和Wave-Cluster是一个将基于网格与基于密度相结合的方法。

考虑到提高聚类分析的准确度，在上述步骤S204之前，上述方法还包括：对电压幅值进行数据预处理。其中数据预处理的方式包括以下四个步骤:数据清理：空缺值处理、格式标准化、异常数据清除、错误纠正、重复数据的清除；数据集成：将多个数据源中的数据结合起来并统一存储，建立数据仓库的过程实际上就是数据集成；数据变换：平滑、聚集、规范化、最小最大规范化等；数据归约：维归(删除不相关的属性(维))、数据压缩(PCA、LDA、SVD、小波变换)、数值归约(回归和对数线形模型、线形回归、对数线形模型、直方图)。

实施例2

本发明实施例提供了一种负载相序的识别方法，以IEEE European Low VoltageTest Feeder(欧洲低压测试馈线)网络为例进行说明。

参见图3所示的欧洲低压测试馈线网络示意图，IEEE European Low VoltageTest Feeder是一个典型的欧洲三相低压配电网，频率为50Hz。该网络呈放射状，有906条母线和55个有效负载。如图4所示的一种负载相序的识别方法的流程示意图，该方法包括以下步骤：

步骤S402，数据采集。

通过智能电表等装置采集55个用户侧的负载电压幅值，并存储为(L_t×R_t)×55的矩阵，其中L_t表示数据采集的时间长度(小时)，R_t表示数据采集的频率(次/小时)。例如:在采集频率为每分钟1次的设置下，时长24小时的数据存储为(24×60)×55的矩阵。

步骤S404，数据预处理。

数据预处理是指在主要的处理以前对数据进行的一些处理包括:数据清理、数据集成、数据变换和数据归约。数据清理：空缺值处理、格式标准化、异常数据清除、错误纠正、重复数据的清除；数据集成：将多个数据源中的数据结合起来并统一存储，建立数据仓库的过程实际上就是数据集成；数据变换：平滑、聚集、规范化、最小最大规范化等；数据归约：维归(删除不相关的属性(维))、数据压缩(PCA、LDA、SVD、小波变换)、数值归约(回归和对数线形模型、线形回归、对数线形模型、直方图)。

步骤S406，聚类分析。

(1)针对每一个用户k(1,…,55)，选取相邻前后两个时间点对应的电压幅值的差值作为提取的特征，即:

(2)选取度量不同时间序列间相似性的距离测度。本实施例中以欧式距离Euclidean distance为例，其计算方法为:

其中

(3)选取聚类算法并进行聚类分析，本实施例中以分裂法中的K-means方法为例，其计算步骤为:

1.随机选取3个点作为初始聚类质心(cluster centroids):

μ₁,μ₂,μ₃∈R^24×60

2.对每一个用户k(1,…,55)所对应的电压幅值向量

计算其与上述3个质心的欧式距离，并将用户k指派给与其距离最近的类/簇:

3.根据上一步的3个质心及其对应的非质心集，重新计算每一个类新的聚类质心。

4.检验是否满足收敛条件，即聚类算法终止条件。若不满足算法终止条件，转步骤2。

步骤S408，结果检验。

计算当前聚类结果下的轮廓系数，并与预设的阈值进行对比。若该轮廓系数大于所设定的阈值，则跳转至步骤S406；若小于等于所设定的阈值，则执行步骤S410。

步骤S410，结果输出。

聚类的输出结果为分属于3类的用户数量及每个用户所对应的类/簇信息，参见表1所示的类/簇数目信息及图5所示的聚类结果示意图，包括连接至三种相序的负载的数量和各负载的相序。在图5中圆形代表A相负载，正方形代表B相负载，三角形代表C相负载。

表1

基于上述聚类方法，本实施例通过现代智能电网技术构架与大数据分析方法，非侵入式地、低成本地实现负载相序连接自动识别。

本发明实施例提供的负载相序的识别方法，采用聚类算法中的K-means方法进行负载的相序识别，识别成本低且准确率高，可以避免昂贵的手动检测和现场维修与维护。

实施例3

本发明实施例提供了一种负载相序的识别装置，参见图6所示的负载相序的识别装置的结构示意图，包括数据获取模块10、特征提取模块20、聚类模块30、结果评估模块40、输出模块50和重复执行模块60，上述各模块的功能如下：

数据获取模块10，用于通过智能电表获取配电网馈线上所连接的若干负载的电压幅值；电压幅值包括在设定时间内采集的负载的多个幅值；

特征提取模块20，用于提取相邻时间点的电压幅值的差值作为聚类特征；

聚类模块30，用于基于聚类特征，通过设定的聚类算法进行聚类分析；聚类算法至少包括以下之一：分裂法、层次法、密度法或网格法；

结果评估模块40，用于对聚类分析的结果进行评估；

输出模块50，用于当结果满足聚类终止条件时，输出相序识别结果；

重复执行模块60，用于当结果不满足聚类终止条件时，继续执行重新设定的聚类算法进行聚类分析的步骤。

上述聚类模块30还用于：选取距离度量的种类；基于距离度量的种类执行设定的聚类算法以进行聚类分析。

上述结果评估模块40还用于：计算结果的轮廓系数，并判断轮廓系数是否大于预设的阈值；如果是，确定结果满足聚类终止条件；如果否，确定结果不满足聚类终止条件。

上述输出模块50还用于：输出属于各相序的负载数量及每个负载所对应的相序。

本发明实施例提供的负载相序的识别装置，与上述实施例提供的负载相序的识别装置具有相同的技术特征，所以也能解决相同的技术问题，达到相同的技术效果。

参见图7，本发明实施例还提供一种服务器，包括：处理器70，存储器71，总线72和通信接口73，处理器70、通信接口73和存储器71通过总线72连接；处理器70用于执行存储器71中存储的可执行模块，例如计算机程序。

其中，存储器71可能包含高速随机存取存储器(RAM，RandomAccessMemory)，也可能还包括非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。通过至少一个通信接口73(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接，可以使用互联网，广域网，本地网，城域网等。

总线72可以是ISA总线、PCI总线或EISA总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示，图7中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。

其中，存储器71用于存储程序，处理器70在接收到执行指令后，执行程序，前述本发明实施例任一实施例揭示的流过程定义的装置所执行的方法可以应用于处理器70中，或者由处理器70实现。

处理器70可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器70中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器70可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(Digital SignalProcessing，简称DSP)、专用集成电路(Application Specific Integrated Circuit，简称ASIC)、现成可编程门阵列(Field-Programmable Gate Array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器71，处理器70读取存储器71中的信息，结合其硬件完成上述方法的步骤。

本实施例还提供了一种具有处理器可执行的非易失的程序代码的计算机可读介质，上述程序代码使处理器执行上述实施例提供的方法。具体实现可参见方法实施例，在此不再赘述。

在本发明所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。

Claims (10)

1.一种负载相序的识别方法，其特征在于，包括：

通过智能电表获取配电网馈线上所连接的若干负载的电压幅值；所述电压幅值包括在设定时间内采集的所述负载的多个幅值；

提取相邻时间点的所述电压幅值的差值作为聚类特征；

基于所述聚类特征，通过设定的聚类算法进行聚类分析；所述聚类算法至少包括以下之一：分裂法、层次法、密度法或网格法；

对聚类分析的结果进行评估；

当所述结果满足终止条件时，输出相序识别结果；

当所述聚类分析的结果不满足终止条件时，继续执行所述通过设定的聚类算法进行聚类分析的步骤。

2.根据权利要求1所述的方法，其特征在于，所述通过设定的聚类算法进行聚类分析的步骤，包括：

选取距离度量的种类；

基于所述距离度量的种类执行设定的聚类算法以进行聚类分析。

3.根据权利要求1所述的方法，其特征在于，所述对聚类分析的结果进行评估的步骤，包括：

计算所述结果的轮廓系数，并判断所述轮廓系数是否大于预设的阈值；

如果是，确定所述结果不满足终止条件；

如果否，确定所述结果满足终止条件。

4.根据权利要求1所述的方法，其特征在于，所述输出相序识别结果的步骤，包括：

输出属于各相序的负载数量及每个所述负载所对应的相序。

5.根据权利要求1所述的方法，其特征在于，在所述提取相邻时间点的所述电压幅值的差值作为聚类特征的步骤之前，所述方法还包括：

对所述电压幅值进行数据预处理；所述数据预处理包括:数据清理、数据集成、数据变换或数据归约。

6.一种负载相序的识别装置，其特征在于，包括：

数据获取模块，用于通过智能电表获取配电网馈线上所连接的若干负载的电压幅值；所述电压幅值包括在设定时间内采集的所述负载的多个幅值；

特征提取模块，用于提取相邻时间点的所述电压幅值的差值作为聚类特征；

聚类模块，用于基于所述聚类特征，通过设定的聚类算法进行聚类分析；所述聚类算法至少包括以下之一：分裂法、层次法、密度法或网格法；

结果评估模块，用于对聚类分析的结果进行评估；

输出模块，用于当所述结果满足终止条件时，输出相序识别结果；

重复执行模块，用于当所述聚类分析的结果不满足终止条件时，继续执行所述通过设定的聚类算法进行聚类分析的步骤。

7.根据权利要求6所述的装置，其特征在于，所述聚类模块还用于：

选取距离度量的种类；

基于所述距离度量的种类执行设定的聚类算法以进行聚类分析。

8.根据权利要求6所述的装置，其特征在于，所述结果评估模块还用于：计算所述结果的轮廓系数，并判断所述轮廓系数是否大于预设的阈值；

如果是，确定所述结果不满足终止条件；

如果否，确定所述结果满足终止条件。

9.根据权利要求6所述的装置，其特征在于，所述输出模块还用于：

输出属于各相序的负载数量及每个所述负载所对应的相序。

10.一种具有处理器可执行的非易失的程序代码的计算机可读介质，其特征在于，所述程序代码使所述处理器执行权利要求1-5任一项所述的方法。

Images