CN108614154B

CN108614154B - 一种基于频谱分析的电力用户相位识别方法

Info

Publication number: CN108614154B
Application number: CN201810498584.8A
Authority: CN
Inventors: 胡飞虎; 孙凯敏; 陈瑾瑾
Original assignee: Xian Jiaotong University
Current assignee: Xian Jiaotong University
Priority date: 2018-05-23
Filing date: 2018-05-23
Publication date: 2020-01-21
Anticipated expiration: 2038-05-23
Also published as: CN108614154A

Abstract

本发明涉及一种基于频谱分析的电力用户相位识别方法，采用频谱分析技术，如傅利叶变换和反变换或小波分解和重构，对变压器台区下的用户电表用电量数据和变压器每个相位用电量数据进行分析计算，获得其时域数据高频分量的差值，或用电量差值的时域数据高频分量，再计算用户电表的特征值，排序后取前若干个，提取对应周期的时域数据高频分量的差值或用电量差值的时域数据高频分量构成特征集合，最后根据特征集合利用相关性分析方法获得超过指定阈值的最大的相似度值，以此判断用户电表所属相位。本发明无需对用户智能电表和抄表方式进行任何改造，只需用电量数据即可较为准确的判断用户所属相位，且用电量数据越多，识别率越高，便于推广应用。

Description

一种基于频谱分析的电力用户相位识别方法

技术领域

本发明属于电气工程(电力系统)领域，特别涉及一种基于频谱分析的电力用户相位识别方法。

背景技术

发电厂产生三相交流电压，为向家庭或建筑物供电，需通过变压器逐步降压。当最后分配电力到低压用户时，每个低压变压器供电约几十户到几百户。然而，低压用户使用的电力是单相的，每个低压用户都连接到低压变压器的三相之一：A相，B相或C相。

低压变压器三个相位上连接的低压用户负荷随时间变化不断波动，如果三相负荷差异较大，即三相负载不对称，会造成变压器损耗增大，严重时会危及用电安全。因此，需要定期检查变压器三相用户的负荷情况，必要时需要对低压用户的相位进行调整。

对低压用户相位进行调整的前提是知道低压用户所属的相位。目前国内的低压用户电表抄表方式包括有线和无线两大类，无线抄表的用户占低压用户总数的三分之一以上。无线抄表的低压用户无法获得其所属的变压器相位，如果将无线抄表方式更换为有线抄表方式，成本巨大。因此，如何识别无线抄表低压用户的相位，对变压器的稳定运行至关重要。

现有的技术方案，多采用人力现场观察确定或采用相位识别仪等专业仪器。使用人力现场观察确定，存在工程量巨大，耗时耗力，检查的准确性和效率较差等问题；而用专业的相位识别仪器多数基于载波通信技术和电流脉冲技术。对于载波通信技术而言，由于载波信号会在台变或电缆内跨相耦合，使得在某一相加载信息后，其他两相也可以接收到，即存在“信号串相”问题。对于电流脉冲技术而言，需要在变压器出线端安装电流互感器，操作上存在一定安全隐患，且可控制性差。而且使用专业仪器会增加电力监控管理设备的投入成本，增加电网的运维管理投入。所以目前亟需一种操作简单，且行之有效的相位识别方法。

公开号为107147430A的专利提供了一种基于载波通信的电力相位识别方法。方法要求一报文发送设备，存在硬件及其维护成本，同时也存在部署工程量大等问题。

公开号为107271946A的专利提供了一种利用智能电能表采集的电压与一致相位电能表的几个时刻的电压值做线性相关运算来确定相位的电能表相位识别方法。该方法要求用户的智能电表必须采集电压数据，并且对时间的精度要求较高，即需要同时采集变压器关口表和用户电表的电压读数，通过电压的相关性进行判断。国内低压用户的智能电表虽然具有采集电压读数的功能，但在电力系统的实际运行中，该数据并未采集和保存，低压用户智能电表采集并保存的数据通常只有用电量(电表读数)。并且，大多数低压用户智能电表也无法保证数据采集时间的准确性。总体来说，该方法缺乏实用性。

发明内容

为克服上述现有技术的缺点，本发明的目的在于提供一种基于频谱分析的电力用户相位识别方法，该方法只需采集变压器关口表每个相位和低压用户智能电表的用电量，即可较为准确的识别低压用户所属变压器相位。采集的用电量数据越多，识别率越高。

为了实现上述目的，本发明采用的技术方案是：

一种基于频谱分析的电力用户相位识别方法，包括以下步骤：

1)采集第i周期变压器关口表电表每一相位p的电量数据tm_i,p，p∈{A,B,C}，和每一用户电表j的电量数据um_i,j，j＝1,2,...,K，按T个周期汇总得如下集合：

TM_p＝{tm_i,p,i∈N且i∈[1,T]}，p∈{A,B,C}

UM_j＝{um_i,j,i∈N且i∈[1,T]}，j＝1,2,...,K

其中，i表示周期序号，A、B、C表示变压器关口表的三个相位，K为用户电表的数量，T表示周期个数，TM_p表示变压器关口表p相位的电量数据集合，UM_j表示用户电表j的电量数据集合，N表示自然数；

2)逐一对每个相位p按如下公式计算△tm_i,p：

△tm_i,p＝tm_i,p-tm_i-1,p,i∈N且i∈[2,T]

按T-1个周期汇总可得如下集合:

△TM_p＝{△tm_i,p,i∈N且i∈[2,T]}，p∈{A,B,C}

逐一对每个用户电表j按如下公式计算△um_i,j：

△um_i,j＝um_i,j-um_i-1,j,i∈N且i∈[2,T]

按T-1个周期汇总可得如下集合:

△UM_j＝{△um_i,j,i∈N且i∈[2,T]}，j＝1,2,...,K

3)逐一对每个相位p，用频谱分析方法处理△TM_p，获得如下形式的时域数据高频分量集合△TMH_p：

△TMH_p＝{△tmh_i,p,i∈N且i∈[2,T]}，p∈{A,B,C}

逐一对每个用户电表j，用频谱分析方法处理△UM_j，获得如下形式的时域数据高频分量集合△UMH_j：

△UMH_j＝{△umh_i,j,i∈N且i∈[2,T]}，j＝1,2,...,K

4)按如下公式逐一计算用户电表j的特征值f_i,j：

逐一对每个用户电表j，按f_i,j的大小降序排序并保留前X个，分别在集合△TMH_A、△TMH_B、△TMH_C和△UMH_j中依次找出特征值所对应周期序号的元素并构成特征集合△C_A,j、△C_B,j、△C_C,j和△C_j；

其中，所述X为提取的特征值的个数；

5)逐一对每个用户电表j，采用相似度计算方法分别对△C_A,j与△C_j、△C_B,j与△C_j、△C_C,j与△C_j进行计算，获得三个相位上的相似度值S_A,j、S_B,j和S_C,j,取S_A,j、S_B,j和S_C,j中最大的值并判断是否超过阈值；如是，则该最大值所对应相位即为用户电表j所属相位；如否，则无法判断所属相位。

在上述方案中，所述步骤2)，步骤3)，步骤4)和步骤5)可以如下步骤2a)，步骤3a)，步骤4a)和步骤5a)分别代替：

步骤2a)

逐一对每个相位p，用频谱分析方法处理TM_p，获得如下形式的时域数据高频分量集合HTM_p：

HTM_p＝{htm_i,p,i∈N且i∈[1,T]}，p∈{A,B,C}

逐一对每个用户电表j，用频谱分析方法处理UM_j，获得如下形式的时域数据高频分量集合HUM_j：

HUM_j＝{hum_i,j,i∈N且i∈[1,T]}，j＝1,2,...,K

步骤3a)

逐一对每个相位p按如下公式计算△htm_i,p：

△htm_i,p＝htm_i,p-htm_i-1,p,i∈N且i∈[2,T]

按T-1个周期汇总可得如下集合:

△HTM_p＝{△htm_i,p,i∈N且i∈[2,T]}，p∈{A,B,C}

逐一对每个用户电表j按如下公式计算△hum_i,j：

△hum_i,j＝hum_i,j-hum_i-1,j,i∈N且i∈[2,T]

按T-1个周期汇总可得如下集合:

△HUM_j＝{△hum_i,j,i∈N且i∈[2,T]}，j＝1,2,...,K

步骤4a)

按如下公式逐一计算用户电表j的特征值hf_i,j：

逐一对每个用户电表j，按hf_i,j的大小降序排序并保留前HX个，分别在集合△HTM_A、△HTM_B、△HTM_C和△HUM_j中依次找出特征值所对应周期序号的元素并构成特征集合△HC_A,j、△HC_B,j、△HC_C,j和△HC_j；

其中，所述HX为提取的特征值的个数；

步骤5a)

逐一对每个用户电表j，采用相似度计算方法分别对△HC_A,j与△HC_j、△HC_B,j与△HC_j、△HC_C,j与△HC_j进行计算，获得三个相位上的相似度值HS_A,j、HS_B,j和HS_C,j,取HS_A,j、HS_B,j和HS_C,j中最大的值并判断是否超过阈值；如是，则该最大值所对应相位即为用户电表j所属相位，如否，则无法判断所属相位。

所述频谱分析的方法为傅里叶变换和反变换。

所述频谱分析的方法为小波分解和重构。

所述相似度计算方法为Pearson相关性分析方法或余弦相似计算方法或hash相似度计算方法，对应的相似度为相关系数。

与现有技术相比，本发明无需对用户智能电表和抄表方式进行任何改造，不存在任何改造成本；本发明所提供的方法只需采集变压器关口表每个相位和低压用户智能电表的用电量，这些数据都是电力系统肯定会采集和保存的，因此实用性极高；与传统方式相比较，本发明提供的方法只需要通过计算即可对低压用户所属相位进行较为准确的识别，降低了相位识别的工作量和成本；本发明提供的方法只需在现有数据的基础上进行计算即可获得结果，可迅速见效，效率极高并便于推广应用。

具体实施方式

下面结合实施例详细说明本发明的实施方式，本发明一共有四类实施例。

一、实施例(一)

本发明的具体实施例(一)步骤如下：

步骤1)，采集第i周期变压器关口表电表每一相位p的电量数据tm_i,p，p∈{A,B,C}，和每一用户电表j的电量数据um_i,j，j＝1,2,...,K，按T个周期汇总可得如下集合：

TM_p＝{tm_i,p,i∈N且i∈[1,T]}，p∈{A,B,C}

UM_j＝{um_i,j,i∈N且i∈[1,T]}，j＝1,2,...,K

举实例如下：

采集总周期T＝10000的某变压器关口表和该关口表下10个用户电表的电量数据，电量数据单位为kwh，周期时间间隔为半小时，用从1到10的数字编号代表10个用户电表，用A,B,C代表关口表的三个相位。得到数据如下表1-1所示；

表1-1 采集数据部分举例表(受限于篇幅未能全部罗列)

在实际中，关口表不一定直接记录每个相位的电量数据，但会记录每个相位的电压值、电流值，因此某一相位的电量数据可以通过对该相位的电压值、电流值、周期时间进行计算获得近似值。

关口表A相位集合TM_A＝{tm_i,A,i∈N且i∈[1,10000]}，其余相位以此类推；

用户电表1的电量数据集合UM₁＝{um_i,1,i∈N且i∈[1,10000]}，其余用户电表以此类推。

步骤2)逐一对每个相位p按如下公式计算△tm_i,p：

△tm_i,p＝tm_i,p-tm_i-1,p,i∈N且i∈[2,T]

按T-1个周期汇总可得如下集合:

△TM_p＝{△tm_i,p,i∈N且i∈[2,T]}，p∈{A,B,C}

逐一对每个用户电表j按如下公式计算△um_i,j：

△um_i,j＝um_i,j-um_i-1,j,i∈N且i∈[2,T]

按T-1个周期汇总可得如下集合:

△UM_j＝{△um_i,j,i∈N且i∈[2,T]}，j＝1,2,...,K

以步骤1)例中的TM_A和UM₁为例，按相应的公式进行计算可得如下表1-2所示数据。

表1-2 以TM_A和UM₁为例的差值数据

关口表A相位集合△TM_A＝{△tm_i,A,i∈N且i∈[2,10000]}，其余相位以此类推；

用户电表1的电量数据集合△UM₁＝{△um_i,1,i∈N且i∈[2,10000]}，其余用户电表以此类推。

步骤3)逐一对每个相位p，用频谱分析方法处理△TM_p，获得如下形式的时域数据高频分量集合△TMH_p：

△TMH_p＝{△tmh_i,p,i∈N且i∈[2,T]}，p∈{A,B,C}

△UMH_j＝{△umh_i,j,i∈N且i∈[2,T]}，j＝1,2,...,K

以步骤2)中的△TM_A为例，用频谱分析方法处理△TM_A：

首先，对△TM_A进行离散傅里叶变换，可以得到下表1-3的数据；

表1-3 对△TM_A进行傅里叶变换的数据

随后，可设定截止频率fc＝1000，将变换后的数据中高于该频率位置的幅值置零，如下表1-4；

表1-4 对△TM_A进行傅里叶变换后再滤波的数据

然后，根据表1-4将滤波后的数据进行傅里叶反变换，取实数部分，此时得到的是低频信息，如下表1-5；

表1-5 将滤波后的数据反变换后的数据

	i＝2	i＝3	...	i＝10000
					低频信息数据	-0.7454	-0.9833		-0.4877

最后，由原始数据减去低频信息数据即为时域数据高频分量，得下表1-6：

表1-6 △TM_A经频谱分析后的时域数据高频分量

其余的相位同理可以获得时域数据高频分量，对用户电表也是同样的处理，在整个相位识别过程中的截止频率应当保持一致。对所有相位数据和用户电表数据都处理后，得到下表1-7；

表1-7 傅里叶方法的时域数据高频分量表

汇总可得相位A的时域数据高频分量集合，如下所示，其余相位以此类推。

△TMH_A＝{△tmh_i,A,i∈N且i∈[2,10000]}

汇总可得用户电表1的时域数据高频分量集合，如下所示，其余用户电表以此类推。

△UMH₁＝{△umh_i,1,i∈N且i∈[2,10000]}

步骤4),按如下公式逐一计算用户电表j的特征值f_i,j：

对表1-7中用户电表的有关数据，按下述公式逐一计算用户电表j的特征值f_i,j，得到下表1-8：

表1-8 用户电表的特征值表

以表1-8中j＝1为例，首先按f_i,1的大小降序排序并保留前X＝100个，分别在集合△TMH_A、△TMH_B、△TMH_C和△UMH₁中依次找出对应周期序号的元素值构成集合△C_A,1、△C_B,1、△C_C,1和△C₁。如下表1-9所示：

表1-9 j＝1时对应周期序号的△C_A,1、△C_B,1、△C_C,1和△C₁

表1-9中，第三行的数据△tmh_4056,A、△tmh_8758,A、...、△tmh_7921,A构成△C_A,1，以此类推。

步骤5)，逐一对每个用户电表j，采用相似度计算方法分别对△C_A,j与△C_j、△C_B,j与△C_j、△C_C,j与△C_j进行计算，获得三个相位上的相似度值S_A,j、S_B,j和S_C,j,取S_A,j、S_B,j和S_C,j中最大的值并判断是否超过阈值；如是，则该最大值所对应相位即为用户电表j所属相位，如否，则无法判断所属相位。

以用户电表1为例，取表1-9中数据分别计算三个Pearson相似度S_A,1、S_B,1和S_C,1，以计算S_A,1为例：

分别计算△C₁和△C_A,1的平均值和方差，见表1-10：

表1-10 平均值方差表

其中，△c_k,1和△c_k,A,1分别表示△C₁和△C_A,1中的第k个元素。计算Pearson相似度：

同理获得：

S_B,1＝0.0438

S_C,1＝-0.0077

最大相似度为S_A,1＝0.1850>S_B,1>S_C,1，且S_A,1>LS＝0.1，其中LS为设定的阈值，所以判别用户电表1属于相位A。其余用户电表同理判别。

二、实施例(二)

本实施例与实施例(一)的不同之处在于步骤3)，将实施例(一)中步骤3)的频谱分析采用小波分解和重构作为实施方法。

以△UM₁为例：基波函数采用dB2函数，分解层数为4层，得到的数据如下表2-1：

表2-1 对△UM₁用小波分解和重构后的数据

取D1+D2+D3+D4作为重构后的△UM₁的时域数据高频分量。

同理应用于其他行数据可以得到下表2-2：

表2-2 用小波分解和重构方法的时域数据高频分量表

用表2-2代替表1-7参与实施例(一)之后的步骤3)，步骤4)和步骤5)的运算即可。

三、实施例(三)

本实施例与实施例(一)比较而言，其步骤1)相同，都为采集数据，但之后对数据的处理不同，以表1-1的数据为例。

步骤2a)逐一对每个相位p，用频谱分析方法处理TM_p，获得如下形式的时域数据高频分量集合HTM_p：

HTM_p＝{htm_i,p,i∈N且i∈[1,T]}，p∈{A,B,C}

HUM_j＝{hum_i,j,i∈N且i∈[1,T]}，j＝1,2,...,K

对表1-1中的每行数据进行傅里叶变换，以TM_A为例，进行傅里叶变换，获得其频域的值，如下表3-1：

表3-1 对TM_A进行傅里叶变换的数据

在表3-1中，可设置截止频率fc＝1000，将傅里叶变换后数据中高于该频率位置的幅值置零，得到如下表3-2所示：

表3-2 对TM_A进行傅里叶变换后再滤波的数据

然后，根据表3-2将滤波后的数据进行傅里叶反变换，取实数部分，此时得到的是低频信息，由原始数据减去低频信息数据即为时域数据高频分量，如下表3-3：

表3-3 经频谱分析后的时域数据高频分量

其余的相位同理可以获得时域数据高频分量，对用户电表也是同样的处。对所有相位数据和用户电表数据都处理后。可以得到下表3-4：

表3-4 时域数据高频分量表

HTM_A＝{htm_i,A,i∈N且i∈[1,10000]}

HUM₁＝{hum_i,1,i∈N且i∈[1,10000]}

步骤3a)逐一对每个相位p按如下公式计算△htm_i,p：

△htm_i,p＝htm_i,p-htm_i-1,p,i∈N且i∈[2,T]

按T-1个周期汇总可得如下集合:

△HTM_p＝{△htm_i,p,i∈N且i∈[2,T]}，p∈{A,B,C}

逐一对每个用户电表j按如下公式计算△hum_i,j：

△hum_i,j＝hum_i,j-hum_i-1,j,i∈N且i∈[2,T]

按T-1个周期汇总可得如下集合:

△HUM_j＝{△hum_i,j,i∈N且i∈[2,T]}，j＝1,2,...,K

对于步骤2a)中的结果，以HTM_A和HUM₁为例可得到下表3-5。

表3-5 以HTM_A和HUM₁为例得到的差值数据

关口表A相位集合△HTM_A＝{△htm_i,A,i∈N且i∈[2,10000]}，其余相位以此类推；

用户电表1的电量数据集合△HUM₁＝{△hum_i,1,i∈N且i∈[2,10000]}，其余用户电表以此类推。

下表3-6列出关口表相位和用户电表的部分的差值数据。

表3-6 差值数据表

步骤4a)按如下公式逐一计算用户电表j的特征值hf_i,j：

其中，所述HX为提取的特征值的个数。

对步骤3a)中用户电表的有关数据，按下述公式逐一计算用户电表j的特征值hf_i,j，得到下表3-7：

表3-7 用户电表的特征值表

以表3-7中j＝1为例，首先按hf_i,1的大小降序排序并保留前HX＝100个，分别在集合△HTM_A、△HTM_B、△HTM_C和△HUM₁中依次找出对应周期序号的元素值构成集合△HC_A,1、△HC_B,1、△HC_C,1和△HC₁。如下表3-8所示：

表3-8 j＝1时对应周期的△HC_A,1、△HC_B,1、△HC_C,1和△HC₁

步骤5a)逐一对每个用户电表j，采用相似度计算方法分别对△HC_A,j与△HC_j、△HC_B,j与△HC_j、△HC_C,j与△HC_j进行计算，获得三个相位上的相似度值HS_A,j、HS_B,j和HS_C,j,取HS_A,j、HS_B,j和HS_C,j中最大的值并判断是否超过阈值；如是，则该最大值所对应相位即为用户电表j所属相位，如否，则无法判断所属相位。

以用户电表1为例，取表3-8中数据分别计算三个Pearson相似度HS_A,1、HS_B,1和HS_C,1，以计算HS_A,1为例：

分别计算△HC₁和△HC_A,1的平均值和方差，见表3-9：

表3-9 平均值方差表

其中，△hc_k,1和△hc_k,A,1分别表示△HC₁和△HC_A,1中的第k个元素。计算Pearson相似度：

同理获得

HS_B,1＝0.0437

HS_C,1＝-0.0079

最大相似度为HS_A,1＝0.1848>HS_B,1>HS_C,1，且HS_A,1>LS＝0.1，其中LS为设定的阈值，所以用户电表1属于相位A。

四、实施例(四)

本实施例与实施例(三)的不同之处在于步骤2a)，将实施例(三)中步骤2a)的频谱分析采用小波分解与重构作为实施方法。

以UM₁为例：基波函数采用dB2函数，分解层数为4层，得到的数据如下表4-1：

表4-1 对UM₁用小波分解和重构后的数据

取D1+D2+D3+D4作为重构后的UM₁的时域数据高频分量。

同理应用于其他相位和用户电表可以得到下表4-2：

表4-2 用小波分解和重构方法的时域数据高频分量表

用表4-2代替表3-4参与实施例(三)之后的步骤3a)，步骤4a)和步骤5a)的运算即可。

Claims

1.一种基于频谱分析的电力用户相位识别方法，其特征在于，包括以下步骤：

TM_p＝{tm_i,p,i∈N且i∈[1,T]}，p∈{A,B,C}

UM_j＝{um_i,j,i∈N且i∈[1,T]}，j＝1,2,...,K

2)逐一对每个相位p按如下公式计算△tm_i,p：

△tm_i,p＝tm_i,p-tm_i-1,p,i∈N且i∈[2,T]

按T-1个周期汇总可得如下集合:

△TM_p＝{△tm_i,p,i∈N且i∈[2,T]}，p∈{A,B,C}

逐一对每个用户电表j按如下公式计算△um_i,j：

△um_i,j＝um_i,j-um_i-1,j,i∈N且i∈[2,T]

按T-1个周期汇总可得如下集合:

△UM_j＝{△um_i,j,i∈N且i∈[2,T]}，j＝1,2,...,K

△TMH_p＝{△tmh_i,p,i∈N且i∈[2,T]}，p∈{A,B,C}

△UMH_j＝{△umh_i,j,i∈N且i∈[2,T]}，j＝1,2,...,K

4)按如下公式逐一计算用户电表j的特征值f_i,j：

i∈N且i∈[2,T]

其中，所述X为提取的特征值的个数；

2.根据权利要求1所述基于频谱分析的电力用户相位识别方法，其特征在于，利用如下步骤2a)，步骤3a)，步骤4a)和步骤5a)分别代替所述步骤2)，步骤3)，步骤4)和步骤5)

步骤2a)

HTM_p＝{htm_i,p,i∈N且i∈[1,T]}，p∈{A,B,C}

HUM_j＝{hum_i,j,i∈N且i∈[1,T]}，j＝1,2,...,K

步骤3a)

逐一对每个相位p按如下公式计算△htm_i,p：

△htm_i,p＝htm_i,p-htm_i-1,p,i∈N且i∈[2,T]

按T-1个周期汇总可得如下集合:

△HTM_p＝{△htm_i,p,i∈N且i∈[2,T]}，p∈{A,B,C}

逐一对每个用户电表j按如下公式计算△hum_i,j：

△hum_i,j＝hum_i,j-hum_i-1,j,i∈N且i∈[2,T]

按T-1个周期汇总可得如下集合:

△HUM_j＝{△hum_i,j,i∈N且i∈[2,T]}，j＝1,2,...,K

步骤4a)

按如下公式逐一计算用户电表j的特征值hf_i,j：

i∈N且i∈[2,T]

其中，所述HX为提取的特征值的个数；

步骤5a)

3.根据权利要求1或2所述基于频谱分析的电力用户相位识别方法，其特征在于，所述频谱分析的方法为傅里叶变换和反变换。

4.根据权利要求1或2所述基于频谱分析的电力用户相位识别方法，其特征在于，所述频谱分析的方法为小波分解和重构。

5.根据权利要求1或2所述基于频谱分析的电力用户相位识别方法，其特征在于，所述相似度计算方法为Pearson相关性分析方法或余弦相似计算方法或hash相似度计算方法，对应的相似度为相关系数。