CN108564485A

CN108564485A - 基于电压曲线相似性分析的低压台区用户相位识别方法

Info

Publication number: CN108564485A
Application number: CN201810335766.3A
Authority: CN
Inventors: 耿俊成; 郭志民; 张小斐; 袁少光; 郭祥富; 吴博; 马文栋; 万迪明
Original assignee: State Grid Corp of China SGCC; Electric Power Research Institute of State Grid Henan Electric Power Co Ltd
Current assignee: State Grid Corp of China SGCC; Electric Power Research Institute of State Grid Henan Electric Power Co Ltd
Priority date: 2018-04-16
Filing date: 2018-04-16
Publication date: 2018-09-21
Anticipated expiration: 2038-04-16
Also published as: CN108564485B

Abstract

本发明涉及低压配电网拓扑结构识别领域，尤其涉及一种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。首先，从用电信息采集系统提取台区变压器及其所属用户智能电表电压序列数据；接着，计算不同用户电压序列之间DTW距离，并基于DTW距离计算每个用户的局部离群点因子判断用户的台区变压器连接关系是否正确；然后，计算每个台区变压器连接关系正确的用户与台区变压器A、B、C三相电压序列之间DTW距离，该用户相位是A、B、C三相中DTW距离最小的相位。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

基于电压曲线相似性分析的低压台区用户相位识别方法

技术领域

本发明电力系统配电技术领域，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相似性分析的低压台区用户相位识别方法。

背景技术

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。为了提高配变利用率，而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，这就需要准确判断这些用电户所在的相位。目前，低压台区用户相位识别通常依靠人工现场巡测，耗费大量人力和物力。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

为了解决上述技术问题，本发明提出了一种基于电压曲线相似性分析的低压台区用户相位识别方法，可有效提高用户相位识别准确性，解决了用户相位识别工作效率低下、成本高问题。

本发明采用了以下技术方案：

一种基于电压曲线相似性识别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：从用电信息采集系统提取台区变压器A、B、C三相和所属用户智能电表电压序列数据；

步骤2：计算不同用户电压序列数据之间DTW距离；

步骤3、基于用户电压序列数据之间DTW距离计算每个用户的局部离群点因子，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；其中，对象的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；

步骤4：计算每个台区变压器连接关系正确的用户与台区变压器A、B、C三相电压序列数据之间DTW距离，用户相位是A、B、C三相中DTW距离最小的相位。

优选的，在本发明中，所述步骤2中DTW距离的计算是一种时间序列相似性度量有效方法，它通过调整时间序列不同时间点对应元素之间的关系来获取一条最优弯曲路径，使其能很好地度量时间序列之间的相似性。假设有两条时间序列A＝{a₁,...,a_i,...,a_m}和B＝{b₁,...,b_j,...,b_n}，m和n分别表示时间序列A和B的长度，首先构造一个m*n的矩阵M，元素M(i,j)为a_i与b_j之间的距离，然后在矩阵中寻找一条使两条序列间累积距离最小的弯曲路径。弯曲路径W＝{w₁,...w_k,...,w_K}是矩阵M一组连续的元素集合，并且满足以下约束：

(1)有界约束：max(m,n)≤K≤m+n-1。

(2)边界约束：元素w₁＝M(1,1)和w_K＝M(m,n)分别是弯曲路径的起点和终点。

(3)连续性约束：给定元素w_k＝M(i,j)，其相邻元素w_k-1＝M(i′,j′)需满足i-i′≤1，j-j′≤1，即弯曲路径元素是相邻的。

(4)单调性约束：给定元素w_k＝M(i,j)，其相邻元素w_k-1＝M(i′,j′)需满足i-i′≥0，j-j′≥0。

矩阵M中存在多条满足上述约束条件的弯曲路径，但是时间序列A和B的DTW距离是最小的弯曲路径。弯曲路径是一种利用动态规划算法求解的最优化问题，其最优解子结构为：

d(i,j)＝M(i,j)+min{d(i-1,j-1),d(i-1,j),d(i,j-1)}(1)

其中i＝1,2,...,m，j＝1,2,...,n，d(0,0)＝0，d(i,0)＝d(0,j)＝+∞。

因此，上述时间序列A＝{a₁,...,a_i,...,a_m}和B＝{b₁,...,b_j,...,b_n}的DTW距离为D_dtw(A,B)＝d(m,n)。相比于欧氏距离度量，DTW的度量结果能更准确地反映两个序列之间的相似程度。

优选的，在本发明中，所述步骤3中基于用户电压序列数据之间DTW距离计算每个用户的局部离群点因子，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。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。

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某台区变压器及其所属用户智能电表电压曲线。

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。

在配电网中，由于各处负荷的不确定性，电压经常在波动。电气距离比较近的负荷，其电压波动曲线比较相似(相关度高)，而电气距离比较远的负荷，其电压波动曲线相似度比较低(相关度低)。某台区变压器及其用户智能电表电压曲线相似性分布如图1所示，其中各对象之间距离代表它们电压曲线相似性的大小，距离越大两条曲线的相似性越小。从图中可以看出，大部分用户(例如用户U₁、U₂、U₃)比较相似，大部分用户与变压器A、B、C三相电压曲线比较相似；个别用户(例如用户U₄)与它用户、变压器三相电压曲线相似性都比较较差，是该台区用户集合的离群点，与该台区变压器连接关系错误，相位不是该台区变压器A、B、C三相任何一相。因此，开展低压台区用户相位识别，首先需要检测用户与台区变压器拓扑关系是否正确。

图2为本发明一实施例的流程图，具体方法流程如下：

一种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，包括如下步骤：

步骤1：从用电信息采集系统提取台区变压器和所属用户智能电表电压序列数据。某台区变压器及其所属用户智能电表电压曲线如图3所示。

步骤2：计算不同用户电压序列数据之间DTW距离；某台区部分用户电压序列数据之间DTW距离如下表所示。

表1部分用户电压序列数据之间DTW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	0.37	0.54	0.75	0.39	0.33	1.06
用户2	0.37	0	0.17	0.38	0.14	0.06	0.69
								用户3	0.54	0.17	0	0.21	0.15	0.21	0.52
用户4	0.75	0.38	0.21	0	0.36	0.42	0.31
								用户5	0.39	0.14	0.15	0.36	0	0.2	0.67
用户6	0.33	0.06	0.21	0.42	0.2	0	0.73
								用户7	1.06	0.69	0.52	0.31	0.67	0.73	0

步骤3、基于用户电压序列数据之间DTW距离计算每个用户的局部离群点因子，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部分用户局部离群点因子

序号	用户名称	局部离群点因子
			1	用户6	2.362904
2	用户3	1.421338
			3	用户5	1.034405
4	用户8	0.966186
			5	用户12	0.948524
6	用户1	0.940044
			7	用户24	0.923426

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。

	A相	B相	C相	所属相位
					用户1	0.69	1.08	0.81	A相
用户2	0.29	0.56	0.94	A相
					用户3	0.33	0.28	1.01	B相
用户4	0.46	0.85	0.81	A相
					用户5	0.23	0.2	1.09	B相
用户7	0.52	0.79	0.9	A相
					...	...	...	...	...

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123个低压用户均为单相用电，其中有1户不属于该台区，剩余122个用户相位识别中，有120个用户相位识别结果与实际现场匹配。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，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。

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

1.一种基于电压曲线相似性识别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2：计算不同用户电压序列数据之间DTW距离；

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2中，所述DTW距离的计算是指通过调整不同用户电压序列不同时间点对应元素之间的关系来获取一条最优弯曲路径。

3.根据权利要求1或2所述的低压台区用户相位识别方法，其特征在于：

在步骤2中，若两个不同用户电压序列数据分别为两条时间序列A＝{a₁,...,a_i,...,a_m}和B＝{b₁,...,b_j,...,b_n}，m和n分别表示时间序列A和B的长度，首先构造一个m*n的矩阵M，元素M(i,j)为a_i与b_j之间的距离，然后在矩阵中寻找一条使两条序列间累积距离最小的弯曲路径；弯曲路径W＝{w₁,...w_k,...,w_K}是矩阵M一组连续的元素集合，并且满足以下约束：

(1)有界约束：max(m,n)≤K≤m+n-1；

(2)边界约束：元素w₁＝M(1,1)和w_K＝M(m,n)分别是弯曲路径的起点和终点；

4.根据权利要求3所述的低压台区用户相位识别方法，其特征在于：

弯曲路径采用动态规划的算法求解，其最优解子结构为：

d(i,j)＝M(i,j)+min{d(i-1,j-1),d(i-1,j),d(i,j-1)}；

其中i＝1,2,...,m，j＝1,2,...,n，d(0,0)＝0，d(i,0)＝d(0,j)＝+∞；

上述时间序列A＝{a₁,...,a_i,...,a_m}和B＝{b₁,...,b_j,...,b_n}的DTW距离为D_dtw(A,B)＝d(m,n)。