CN108535599A - 基于电压曲线聚类分析的低压台区用户相位识别方法 - Google Patents

Abstract

一种基于电压曲线聚类分析的低压台区用户相位识别方法。首先，从用电信息采集系统提取三相不平衡比较严重的台区变压器及其所属用户智能电表电压序列数据；接着，计算不同用户电压曲线之间离散Fréchet距离，并基于离散Fréchet距离计算每个用户的局部离群点因子进而判断用户的台区变压器连接关系是否正确；然后,对于台区变压器连接关系正确的用户集合,采用基于不同用户电压曲线之间离散Fréchet距离的K‑medoids算法将台区用户聚类为3个不同用户组，进而实现低压台区用户相位准确识别。该方法可在线开展低压台区用户相位识别，无需人工现场巡测，有效解决了低压台区用户相位识别准确率低、工作效率低下、成本高问题。

Description

基于电压曲线聚类分析的低压台区用户相位识别方法

技术领域

本发明输配电技术领域，具体涉及低压配电网拓扑结构识别，尤其涉及一种基于智能电表电压曲线聚类分析的低压台区用户相位识别方法。

技术背景

我国低压配电网采用三相四线制接线方式,由于用户侧几乎都是单相负载，而且用电具有很强随机性，低压配电变压器极易出现三相不平衡。三相不平衡不仅会引起变压器容量减小(与最高负荷相比较)、资产寿命缩短、线路损耗增加，而且会带来电能质量问题。为了解决上述问题，需要将负载较重相的一些用电户移到较轻的另外一相进行供电，以平衡三相的负载。在负载重新调配过程，不仅需要准确掌握配电变压器每相负载变化规律，同时更需要准确识别每个用户所属的相位，以便合理制订负载调配策略。目前，低压台区用户相位识别主要依靠人工现场巡测，耗费大量人力和物力。

公开号CN106383265A的专利申请公开了一种台区及接入相位自动识别的装置和方法，台区及接入相位自动识别系统包括三相载波模块和单相载波模块。三相载波模块安装在集中器端，单相载波模块安装在用户电表端。各模块均由过零检测单元、电力载波通信单元和微控制器构成。其中，三相载波模块包含三路电力载波通信单元和对应的过零检测单元。电力载波通信单元用于传输电力载波信号，过零检测单元用于检测低压交流电的过零时刻。台区及接入相位自动识别的方法是基于低压电力线上的交流市电在不同台区间及不同相位之间存在相位偏移的现象。该发明不足之处在于：需要在集中器和用户电表安装载波模块，需要投入大量人力、物力。

公开号105372496A的专利申请公开了一种供电网络中的相位识别装置及方法，所述方法包括：主控终端记录供电点处的第一相位交流电从指定方向到达指定相角的各个时刻；主控终端接收从终端发送的、从终端对应的用电点处的交流电从指定方向到达指定相角的时刻t_s；主控终端根据供电点处的第一相位交流电从指定方向到达指定相角的各个时刻以及t_s，确定用电点处的交流电的相位。该发明不足之处在于：需要在主控终端和终端安装硬件装置，需要投入大量人力、物力。

近年来，随着智能电表和用电信息采集系统的全面推广应用，积累了海量的用户用电数据，如何利用这些数据进行更加高效地用户相位识别，具有重要的现实意义。公开号CN107271946A的专利申请公开了一种电能表相位识别方法，以变压器台区总表的A、B、C三相作为参照，通过用户电能表几个时刻的电压值与变压器台区总表的对应相同时刻的各电压值分别进行相关性运算，选择相关度最高的来确定相位。该方法不足之处在于采用皮尔逊相关系数度量用户电能表电压序列数据与变压器台区总表A、B、C各相电压序列数据之间的相关性，对数据质量要求较高、准确性较差(要求两个序列线性相关、长度相等而且是正态分布)。

发明内容

为了解决现有技术中存在的上述技术问题，本发明提出了一种基于电压曲线聚类分析的低压台区用户相位识别方法，可在线开展低压用户相位识别，有效解决了低压台区相位识别准确率低、工作效率低下、成本高问题。

本发明采用了以下技术方案：

一种基于电压曲线聚类分析的低压台区用户相位识别方法，其特征在于，所述相位识别方法包括如下步骤：

步骤1：从配电网运行监测系统选取三相不平衡度大于不平衡阈值的台区变压器；从用电信息采集系统提取三相不平衡度大于不平衡阈值的台区变压器及其所属用户智能电表电压序列数据；

步骤2：计算不同用户电压曲线之间离散Fréchet距离；

步骤3：基于用户电压曲线之间离散Fréchet距离计算每个用户的局部离群点因子进而判断用户的台区变压器连接关系是否正确；

步骤4：对于台区变压器连接关系正确的用户集合,采用基于离散Fréchet距离的K-medoids算法将台区用户聚类为3个不同用户组；

步骤5：对比分析该台区变压器三相电流数据和三个不同用户组用户电流求和结果，判定每个用户的相位。

优选的，在步骤1中，所述不平衡阈值取值为20％。

在所述步骤2中离散Fréchet距离是一种曲线相似性判别分析的方法，它通过提取关键特征参数分析判别曲线之间相似性。离散Fréchet距离的定义如下：

(1)给定一个有n个至高点的多边形链P＝<p₁,p₂,...,p_n>，一个沿着P的k步(k-walk)，分割P的至高点成为k个不相交的非空子集{P_i}_i＝1,...,k，使得和0＝n₀<n₁<...<n_k＝n。

(2)给定两个多边形链A＝<a₁,...,a_m>，B＝<b₁,...,b_n>，一个沿着A和B的组合步(paired work)是由一个沿着A的k步{A_i}_i＝1,...,k和一个沿着B的k步{B_i}_i＝1,...,k组成，使得对于1≤i≤k，要么|A_i|＝1,要么|B_i|＝1(即A_i，B_i中有一个恰好包含一个至高点)。

(3)一个沿着链A和B的组合步W＝{(A_i,B_i)}的花费(cost)就是则链A和B间的离散Fréchet距离为这个组合步称为链A和B之间的Fréchet排列。

但是，离散Fréchet距离只反映了两条曲线至高点(波峰点)之间距离，判别两条负荷曲线之间的相似性还不够全面，还需要考虑它们至低点(波谷点)之间的距离。

设A＝<a₁,a₂,...,a_m>，B＝<b₁,b₂,...,b_n>为两条由离散点组成的负荷曲线，为它们波峰点之间的离散Fréchet距离，为它们波谷点之间的离散Fréchet距离，则定义两条负荷曲线之间的离散Fréchet距离为

优选的，在本发明中，在所述步骤3中基于用户电压曲线之间离散Fréchet距离计算每个用户的局部离群点因子进而判断用户的台区变压器连接关系是否正确，所述局部离群点因子定义如下：

定义1：对象o的k-距离dist_k(o):在给定对象集D中，对象o与另一个对象p∈D之间的距离dist(o,p)，满足：

(1)至少存在k个对象o′∈D-{o}，满足dist(o,o′)≤dist(o,p)；

(2)至少存在k-1个对象o′∈D-{o}，满足dist(o,o′)<dist(o,p)。

即dist_k(o)是o与其第k个最近邻之间的距离；

定义2：对象o的k-距离邻域N_k(o)：在给定对象集D中，到对象o的距离不超过dist_k(o)的所有对象集合：N_k(o)＝{o′|o′∈D,dist(o,o′)≤dist_k(o)}，其中N_k(o)中的对象可能超过k个；

定义3：从对象o到对象o′的可达距离reachdist_k(o′←o)：reachdist_k(o′←o)＝max{dist_k(o′),dist(o,o′)}，且reachdist_k(o′←o)≠reachdist_k(o←o′)。

定义4：对象o的局部可达密度lrd_k(o)：对象o与它的N_k(o)对象的平均可达距离的倒数：

其中，|N_k(o)|为N_k(o)对象的数量；

定义5：对象o的局部离群点因子LOF_k(o)：

可得出，对象o局部离群点因子是它的k-距离邻域对象的局部可达密度与它本身的局部可达密度之比的平均值。如果对象o的离群程度较高，并且o的k-距离邻域对象离群程度较低，则对象o的相对密度较低。对象o的离群程度越高，它的局部可达密度越低；对象o的k-距离邻域对象离群度越低，他们的局部可达密度越高，对象o的局部离群点因子越大。换言之，对象o的相对密度较低，LOF_k(o)越高。局部离群点因子恰好捕获了对象o与其k-距离邻域对象的相对密度，局部离群点的相对密度较低。局部离群点因子具有很好的性质，对于一个深藏在一致簇内部对象，局部离群点因子接近于1。这一性质确保，无论簇是稠密的还是稀疏的，簇内的对象永远不会标记为离群点。

优选的，在本发明中，在所述步骤3中基于用户电压曲线之间离散Fréchet距离计算每个用户的局部离群点因子进而判断用户的台区变压器连接关系是否正确，如果某用户的局部离群点因子大于2，则判定该用户的台区变压器连接关系错误。

优选的，在本发明中，在所述步骤4中采用基于离散Fréchet距离的K-medoids算法将的台区用户聚类为3个不同用户组，包括：

步骤41：根据对象o的k-距离dist_k(o)的定义计算台区每个用户对象o_i的dist_|D|/3(o_i)(即k＝|D|/3，其中|D|为台区用户数量)，并依据大小将台区用户升序排序；

步骤42：从台区用户集合中选取dist_|D|/3(o_i)值最小的用户o′作为第1个簇的初始中心对象，并根据对象o的k-距离邻域N_k(o)的定义删除该用户及其|D|/3-距离邻域N_|D|/3(o′)(即k＝|D|/3，其中|D|为台区用户数量)中的所有用户。

步骤43：重复步骤:41至步骤42直至选取出3个簇的初始中心对象。

步骤44：采用K-medoids算法将台区用户聚类为3个不同用户组。

优选的，在本发明中，在所述步骤41中对象o的k-距离dist_k(o)的定义：在给定对象集D中，对象o与另一个对象p∈D之间的距离dist(o,p)，满足：

(1)至少存在k个对象o′∈D-{o}，满足dist(o,o′)≤dist(o,p)；

(2)至多存在k-1个对象o′∈D-{o}，满足dist(o,o′)<dist(o,p)。

换言之，dist_k(o)是o与其第k个最近邻之间的距离。

对象o的k-距离dist_k(o)越小，说明对象o周围k个对象分布越稠密，对象o密度越大。

优选的，在本发明中，在所述步骤42中对象o的k-距离邻域N_k(o)的定义：在给定对象集D中，到对象o的距离不超过dist_k(o)的所有对象的集合：N_k(o)＝{o′|o′∈D,dist(o,o′)≤dist_k(o)}。

优选的，在本发明中，在所述步骤44中采用K-medoids算法将台区用户聚类为3个不同用户组，包括：

步骤441：对于台区用户集合D，除3个簇的初始中心对象将剩余对象分配至与其最近的中心对象所代表的簇中；

步骤442：选取一个未选取过的中心对象o_i；

步骤443：选取一个未选取过的非中心对象o_j；如果用o_j替换o_i聚类质量评价函数变小，则用o_j替换o_i并形成新3个中心对象的聚类集合；

步骤444：重复步骤443直至所有非中心对象都被选取过；

步骤445：重复步骤442直至所有中心对象都被选取。

优选的，在本发明中，在所述步骤443中聚类质量评价函数定义如下：

其中，E是数据集D中所有对象p与其所属簇C_i的中心对象的绝对误差之和。

优选的，在本发明中，在所述步骤5中对比分析该台区变压器三相电流数据和三个不同用户组用户电流求和结果判定每个用户的相位，包括：

步骤51：对于用户组1的用户集合{u₁,u₂,...,u_m}，将相同时间点t_i(1≤i≤n)用户电流值{i_1i,i_1i,...,i_mi}求和形成一个新的电流序列数据

步骤52：计算新的电流序列与台区变压器A、B、C三相电流序列之间的离散Fréchet距离，用户组1的相位是离散Fréchet距离最小的相位。

步骤53：重复步骤51和步骤52直至判断出用户组2和用户组3的相位。

本发明的有益效果是：

近年来，随着智能电表和用电信息采集系统的全面推广应用，积累了海量的用户用电数据，利用这些数据开展低压用户相位在线识别具有重要现实意义。本发明提出基于智能电表电压曲线相似性分析的低压台区用户相位识别方法，可在线识别用户相位，无需人工现场巡测，有效解决了低压台区用户相位识别准确率低、工作效率低下、成本高问题。

附图说明

图1为本发明一实施例的台区用户电压曲线相似性分布图；

图2为本发明一实施例的流程图；

图3为某台区变压器某天96点三相电流曲线；

图4为某台区用户96点电压曲线；

图5为台区用户电压曲线聚类效果图；

图6为用户负载调整后变压器96点三相电流曲线。

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，下面将结合本发明实施例的附图，对本发明实施例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的一部分实施例，而不是全部的实施例。基于所描述的本发明的实施例，本领域普通技术人员所获得的所有其他实施例，都属于本发明保护的范围。

当前，电网公司推广普及的智能电表不仅能采集用户用电量信息，还能够记录用户瞬时电压、电流、有功、无功数据；更进一步，通过NTP同步时钟还可以确保某时刻采集数据能够准确反映该时间断面点运行状态。在低压配电网中，受各种突发事件影响电压经常波动。通常情况下，与配电变压器或高压配电网引起的突发事件相比，由用户用电行为(例如大功率家用电器启动)引起的电压波动事件对同一相位其他用户的影响更大，而且供电半径越长影响越明显。同步时钟后，在相同时间点不间断地采集用户智能电表瞬时电压数据，随着时间的推移足够数量的电压波动事件将被记录在电压序列数据。同一相位用户电压曲线波动比较相似，不同相位用户电压曲线波动相似性较差。

某台区用户电压曲线相似性分布如图1所示，其中各用户对象之间的距离代表其电压曲线波动相似性的大小，二者之间的距离越大则两条曲线的波动相似性越低。用户A、B和C是某台区的三个用户，其中用户A和B相位相同，用户A和C相位不同。从图1可以看出，用户A和B电压曲线波动比较相似，用户A和C电压曲线波动相似性较差。基于电压曲线相似性的聚类分析，可以将低压台区用户电压曲线波动相似性高的用户归集到同相位集合，准确地将用户聚类为3个不同簇，进而有效识别出低压用户连接的配电变压器相位。

图2为本发明一实施例的流程图，具体方法流程如下：

步骤1：从配电网运行监测系统选取三相不平衡比较严重台区变压器；从用电信息采集系统提取三相不平衡比较严重台区变压器及其所属用户智能电表电压序列数据。

步骤2：计算不同用户电压曲线之间离散Fréchet距离。

步骤3：基于用户电压曲线之间离散Fréchet距离计算每个用户的局部离群点因子进而判断用户的台区变压器连接关系是否正确；

步骤4：对于台区变压器连接关系正确的用户集合,采用基于离散Fréchet距离的K-medoids算法将台区用户聚类为3个不同用户组。

步骤5：对比分析该台区变压器三相电流数据和三个不同用户组用户电流求和结果，判定每个用户的相位。

本发明一具体实施例

(1)从配电网运行监测系统选取三相不平衡比较严重台区变压器。某台区变压器2017年11月份某天96点三相电流曲线如图3所示，该变压器该天平均三相不平衡度高达23.6％。从用电信息采集系统提取该台区用户该天96点电压序列数据，台区123个用户电压曲线如图4所示。

(2)计算不同用户电压曲线之间离散Fréchet距离。

表1部分用户电压序列数据之间离散Fréchet距离

	用户1	用户2	用户3	用户4	用户5	用户6	用户7
								用户1	0	1.8	1.554	1.479	1.632	1.479	1.593
用户2	1.8	0	1.712	1.9	2.693	1.745	2.07
								用户3	1.554	1.712	0	1	1.226	0.99	1.85
用户4	1.479	1.9	1	0	1.921	1.05	1.177
								用户5	1.632	2.693	1.226	1.921	0	1.1	1.786
用户6	1.479	1.745	0.99	1.05	1.1	0	1.36
								用户7	1.593	2.07	1.85	1.177	1.786	1.36	0

(3)基于用户电压曲线之间离散Fréchet距离计算每个用户的局部离群点因子进而判断用户的台区变压器连接关系是否正确；若局部离群点因子大于2则判断该用户的台区变压器连接关系错误；

表2部分用户离群点因子

序号	用户名称	局部离群点因子
			1	用户6	2.762904
2	用户5	1.334405
			3	用户63	1.121338
4	用户8	0.965186
			5	用户12	0.958524
6	用户1	0.937044
			7	用户24	0.933926

用户6的局部离群点因子大于2，判定该用户的台区变压器连接关系错误，该用户的相位不是该台区变压器A、B、C三相中的任何一相。

(4)采用基于离散Fréchet距离的K-medoids算法将台区用户聚类为3个不同用户组，实际聚类效果如图5所示。

(5)对比分析该台区变压器该天96点三相电流数据和聚类形成的三组用户96点电流数据求和结果，判定每个用户组与变压器3个相别对应关系，进而该台区低压用户所属相位具体判定结果如下表所示。

表2相位识别结果与人工现场识别结果对比

为了验证本算法相位识别实际效果，对该台区每个用户的线路进行了人工相位识别。该台区低压用户均为单相用电，共有119户计算值与实际值匹配，正确性达到了95％。

该台区变压器B相负载大部分时间都在C相之上。对比分析A相、B相、C相96点电流曲线和各相用户96点电流曲线，如果将B相用户9和用户35从B调整到C相，那么调整后该变压器该天96点三相电流曲线将如图6所示，该台区三相不平衡度降低为15.68％,三相不平衡问题明显改善。

最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，本领域普通技术人员对本发明的技术方案所做的其他修改或者等同替换，只要不脱离本发明技术方案的精神和范围，均应涵盖在本发明的权利要求范围当中。

Claims (6)

1.一种基于电压曲线聚类分析的低压台区用户相位识别方法，其特征在于，所述用户相位识别方法包括如下步骤：

步骤1：从配电网运行监测系统选取三相不平衡度大于不平衡阈值的台区变压器；从用电信息采集系统提取三相不平衡度大于不平衡阈值的台区变压器及其所属用户智能电表电压序列数据；

步骤2：计算不同用户智能电表电压曲线之间离散Fréchet距离；

步骤3：基于用户电压曲线之间离散Fréchet距离计算每个用户的局部离群点因子进而判断用户的台区变压器连接关系是否正确；

步骤4：对于台区变压器连接关系正确的用户集合,采用基于不同用户智能电表电压曲线之间离散Fréchet距离的K-medoids算法将的台区用户聚类为3个不同用户组；

步骤5：对比分析该台区变压器三相电流数据和三个不同用户组用户电流求和结果，判定每个用户的相位。

2.根据权利要求1所述的低压台区用户相位识别方法，其特征在于：

在步骤1中，所述不平衡阈值取值为20％。

3.根据权利要求1所述的低压台区用户相位识别方法，其特征在于：

所述步骤3，基于用户电压曲线之间离散Fréchet距离计算每个用户的局部离群点因子进而判断用户的台区变压器连接关系是否正确，如果某用户的局部离群点因子大于2，则判定该用户的台区变压器连接关系错误。

4.根据权利要求1所述的低压台区用户相位识别方法，其特征在于：

所述步骤4，采用基于不同用户智能电表电压曲线之间离散Fréchet距离的K-medoids算法将台区用户聚类为3个不同用户组，包括：

步骤41：根据对象o的k-距离dist_k(o)的定义计算台区每个用户对象o_i的dist_|D|/3(o_i)(即k＝|D|/3，其中|D|为台区用户数量)，并依据大小将台区用户升序排序；

步骤42：从台区用户集合中选取dist_|D|/3(o_i)值最小的用户o′作为第1个簇的初始中心对象，并根据对象o的k-距离邻域N_k(o)的定义删除该用户及其|D|/3-距离邻域N_|D|/3(o′)(即k＝|D|/3，其中|D|为台区用户数量)中的所有用户；

步骤43：重复步骤:41至步骤42直至选取出3个簇的初始中心对象；

步骤44：采用K-medoids算法将台区用户聚类为3个不同用户组。

5.根据权利要求4所述的低压台区用户相位识别方法，其特征在于：

在所述步骤44中采用K-medoids算法将台区用户聚类为3个不同用户组，包括：

步骤441：对于台区用户集合D，除3个簇的初始中心对象将剩余对象分配至与其最近的中心对象所代表的簇中；

步骤442：选取一个未选取过的中心对象o_i；

步骤443：选取一个未选取过的非中心对象o_j；如果用o_j替换o_i聚类质量评价函数变小，则用o_j替换o_i并形成新3个中心对象的聚类集合；

步骤444：重复步骤443直至所有非中心对象都被选取过；

步骤445：重复步骤442直至所有中心对象都被选取。

6.根据权利要求1所述的低压台区用户相位识别方法，其特征在于：

所述步骤5，对比分析该台区变压器三相电流数据和三个不同用户组用户电流求和结果判定每个用户的相位，包括：

步骤51：对于用户组1的用户集合{u₁,u₂,...,u_m}，将相同时间点t_i(1≤i≤n)用户电流值{i_1i,i_1i,...,i_mi}求和形成一个新的电流序列数据

步骤52：计算新的电流序列与台区变压器A、B、C三相电流序列之间的离散Fréchet距离，用户组1的相位是离散Fréchet距离最小的相位；

步骤53：重复步骤51和步骤52直至判断出用户组2和用户组3的相位。