CN110516912B - 一种配电台区户变关系的识别方法 - Google Patents

Abstract

本发明的公开了一种配电台区户变关系的识别方法，包括以下步骤：1)数据获取；2)构建矩阵；3)有监督的回归方法；4)SVM分类；本发明根据配电线路网络连接关系，推导出了在同一台区内各用户用电量之间具有相互影响的公式，利用有监督的线性回归法先初步判断一部分用户是否属于台区，并将结果作为分类的样本，再进一步利用支持向量机进行训练，从而获得属于或不属于台区的特征；再对未确定户变关系的用户进行分类，最后识别出所有用户的户变关系归属。本发明中无需使用多余的设备，成本较低，而且本发明以仿真数据和实际数据为例，采用本方法对户变关系进行计算，结果表明本算法给出的精度达到了91％以上的识别率，识别率高，在数据量足够的情况下，识别准确率可达100％。

Description

一种配电台区户变关系的识别方法

技术领域

本发明涉及电力电子信息技术领域，具体涉及一种配电台区户变关系的识别方法。

背景技术

精准的台区户变系是实现电力公司精细化管理的基础，因存在部分台区因线路的临时改变使户变关系档案更新不及时或记录错误等原因，导致在考核台区时出现负线损或高线损等异常情况。针对台区户变关系识别问题，现有方法主要有停电排查法，安装微同步器、信号发生器、鉴别器等以准确识别低压配电网网络拓扑。为保证用户用电的可靠性，停电排查法存在很大的局限性，无法进行全面停电排查。而安装额外的设备，如文献李建等的《多功能低压台区识别设备的研制》中研制了一种基于工频负荷传输和准同步采用技术的多功能低压台区识别设备，可实现低压台区用户档案归属，但往往造成较大的经济成本。

随着用电信息采集系统的普及与推广，电网企业现可获得海量的电压、电流、电量等运行数据。现在有很多研究利用智能电表的电压或电流数据，或结合载波通信，或进行相关性分析，或利用电压降之间存在的关系进行线性回归，从而判断用户归属；但是目前这些方法通常实用性较差。

发明内容

本发明的目的是提供一种成本低，识别率高的配电台区户变关系的识别方法。

本发明这种配电台区户变关系的识别方法，包括以下步骤：

1)数据获取：从用电信息采集系统中获取到目标台区及邻近台区的总表和各户表的日冻结电量后，并对数据进行预处理；

2)构建矩阵：根据步骤1)获取的数据，建立日用电量的矩阵和特征矩阵；

3)有监督的回归方法：根据步骤2)中的矩阵，构建输入矩阵和校验矩阵，接着建立权值矩阵，并在约束条件下采用最小二乘法求解权值矩阵，以求解得到的权值矩阵作为随机梯度下降过程的初始解，构建目标函数，通过不断的迭代训练更正权值矩阵，使得目标函数获得最小值；其中，在计算目标函数时，针对每一次计算出的权值矩阵，选取一个阈值，使得利用大于该阈值的用户的数据计算出的线损率波动最小；在最终的权值矩阵中，大于阈值的用户认为属于本台区，否则认为不属于本台区，初步确定用户归属；

4)SVM分类：根据步骤3)中有监督的回归法计算得到的权值按降序对用户排列，选取一定规模的正确户变数据和错误户变数据作为训练集，利用SVM进行二分类模型训练，模型训练成功之后再对其他待校验用户进行判别。

所述步骤1)中，数据预处理的具体步骤为：针对大量缺失数据，补0；针对少量缺失数据，采用平均值填充。

所述步骤2)中，矩阵构建的具体步骤如下：根据步骤1)获取的数据，做一阶差分得到各用户及总表的日用电量X和Y，为了能更好的突出负荷特征，做二阶差分运算得到特征矩阵X_d和Y_d；其中：个用户日用电量矩阵X为2-1，总表日用电量矩阵Y为2-2，用户日用电量特征矩阵X_d为2-3，总表日用电量特征矩阵Y_d为2-4；

Y＝[y₁ y₂…y_m]^T 2-2

X_d-ij＝X_(i+1)j-X_ij 2-3

Y_d-ij＝Y_(i+1)j-Y_ij 2-4

其中x_ij表示第j块表第i天的用电量，y_i表示总表第i天的用电量。

所述步骤3)中，所述的输入矩阵X_input由用户日用电量X与特征矩阵X_d合并构成：

所述的校验矩阵Y_T由总表日用电量Y与特征矩阵Y_d合并构成：

所述的权值矩阵W：

W＝[w₁ w₂ … w_m]^T 3-3

其中，w_i代表每个用户分配到的权值，初始化为w_i＝0(i＝1，2，...，m)所述的在约束条件下利用最小二乘法求解权值矩阵的步骤为：

令学习输出O为：

O＝X_input·W 3-4

约束条件为：

|O_i|≤|Y_Ti| 3-5

0≤w_j≤1 3-6

其中，L为台区默认的正常线路损耗，一般取0～5％。

所述的目标函数E为训练输出矩阵与校验矩阵的偏差率：

所述步骤步骤4)中，SVM进行二分类模型训练的具体步骤为：

①对选取的训练集中的错误数据和正确数据分别加0、1标签；

②根据数据规模选取合适的核函数，当数据规模较小时，优先选取多项式核函数，否则选取RBF核函数；

③通过交叉验证选取最佳参数C(惩罚系数)和g(选取RBF核函数时自带的参数)；

④采用最佳参数C与g对整个训练集进行训练获取分类模型；

⑤利用获取的模型对未验证的数据进行分类校验。

本发明的有益效果：本发明根据配电线路网络连接关系，推导出了在同一台区内各用户用电量之间具有相互影响的公式，证明了在同一台区内的用户用电量方面，某个用户都具有其他用户的影子，具备相同的属性；利用有监督的线性回归法先初步判断一部分用户是否属于台区，把初步确定属于或不属于台区的两类用户作为分类的样本，再进一步利用支持向量机(SVM)进行训练，从而获得属于或不属于台区的特征；再对未确定户变关系的用户进行分类，最后识别出所有用户的户变关系归属。本发明中无需使用多余的设备，成本较低，而且本发明以仿真数据和实际数据为例，采用本方法对户变关系进行计算，结果表明本算法给出的精度达到了91％以上的识别率，识别率高，在数据量足够的情况下，识别准确率可达到100％。

附图说明

图1供电网络的结构模型。

图2本发明的低压配电网问题台区的户变关系识别方法流程。

具体实施方式

实施例1

1、供电网络模型

低压配电网台区户变关系模型如图1所示，变压器低压侧电压为U，网络中每一段线路电阻为r_i，每个用户的阻抗为Z_i。考察在时间T内，每段线路电阻消耗的能量为W_ri，每个用户消耗的能量为W_i。线路电阻r_i远远小于用户阻抗Z_i，每个用户两端的电压近似为U。可得线路电阻r_i上消耗的能量与用户消耗的能量之间的关系为：

即该段线路上损耗的能量与其对应的用户及之后的用户所消耗的能量有关。该台区消耗的总能量与各用户消耗的能量之间的关系为：

针对某一实际低压配电网台区，其各段线路阻值基本保持不变，从而可以根据(2)式利用用户负荷数据区分不同台区，外来台区的用户负荷数据与本台区总表数据之间不存在上述关系。

同时，处于同一台区的各个用户消耗的能量之间相互影响。以二级网络为例，当网络中只存在两个用户时，其两端电压分别为U₁、U₂，功率分别为P₁、P₂，则两者功率之比为：

其中，线路电阻r₂为固定值，在用户1阻抗不发生改变而用户2阻抗改变时，用户1的功率将随着用户2功率的变化而改变。当用户2阻抗减少时，网络总阻抗降低，致使线路电阻r₁上的电流增大，分压变大，用户1的分压降低，致使用户1的功率降低。同理扩展到多个用户，供电线路越长，线路电阻越大，某个用户负载变化对其他用户的影响就越大。

2、低压配电网问题台区的户变关系识别方法

本步骤的流程图如图2所示，具体如下：

数据获取：从用电信息采集系统中获取到目标台区及邻近台区的总表和各户表的日冻结电量后，并对数据进行预处理；预处理主要是针对大量缺失数据，补0；针对少量缺失数据，采用平均值填充，即将缺失前后两天的用电量计量之差平均分配到缺失的天数当中；将户表日用电量明显高于总表日用电量的用户删除(该用户肯定不属于本台区)；以平均值修正明显错误的数据(例如出现负值，修改为前后两天用电量的平均值)。

对上述数据做一阶差分得到各用户及总表的日用电量X和Y，为了能更好的突出负荷特征，做二阶差分运算得到特征矩阵X_d和Y_d。各用户日用电量矩阵X如式(4)所示，总表日用电量矩阵Y如式(5)所示，用户日用电量特征矩阵X_d如式(6)所示，总表日用电量特征矩阵Y_d如式(7)所示；

Y＝[y₁ y₂ … y_m]^T (5)

X_d-ij＝X_(i+1)j-X_ij (6)

Y_d-ij＝Y_(i+1)j-Y_ij (7)

其中x_ij表示第j块表第i天的用电量，y_i表示总表第i天的用电量。有监督的回归法：

输入矩阵X_input由用户日用电量X与特征矩阵X_d合并构成：

将总表日用电量矩阵与特征矩阵合并构成校验矩阵Y_T：

设权值矩阵为W：

W＝[w₁ w₂ … w_m]^T (10)

其中，w_i代表每个用户分配到的权值，初始化为w_i＝O(i=1，2，...，m)

其中，学习输出为：

O＝X_input·W (11)

约束条件为：

|O_i|≤|Y_Ti| (12)

0≤w_j≤1 (13)

其中，L为台区默认的正常线路损耗，一般取0～5％。

目标函数为训练输出矩阵与校验矩阵的偏差率：

按照上述的公式，首先构建输入矩阵X_input和校验矩阵Y_T，接着建立权值矩阵W，并在约束条件下采用最小二乘法求解权值矩阵，以求解得到的权值矩阵作为随机梯度下降过程的初始解，构建目标函数(15)，通过不断的迭代训练更正权值矩阵，使得目标函数获得最小值；其中，在计算目标函数时，针对每一次计算出的权值矩阵，选取一个阈值，使得利用大于该阈值的用户的数据计算出的线损率波动最小(公式(14)为第i天线损率计算公式，依次计算出每天的线损率，线损率波动即为其中最大值与最小值之差)；在最终的权值矩阵中，大于阈值的用户，用户系数设置为1认为属于本台区，否则设为0，认为不属于本台区，初步确定用户归属。

SVM分类：

依据有监督的回归法计算得到的权值按降序对用户排列，选取一定规模的正确户变数据和错误户变数据作为训练集，利用SVM进行二分类模型训练，模型训练成功之后再对其他待校验用户进行判别。

使用LIBSVM工具，其详细步骤为：

1.对选取的训练集中的错误数据和正确数据分别加0、1标签；

2.根据数据规模选取合适的核函数，当数据规模较小时，优先选取多项式核函数，否则选取RBF核函数；

3.通过交叉验证选取最佳参数C(惩罚系数)和g(选取RBF核函数时自带的参数)；

4.采用最佳参数C与g对整个训练集进行训练获取分类模型；

5.利用获取的模型对未验证的数据进行分类校验。

3、识别的效果：

表1对现场台区数据的训练结果

从表1中我们可以看出，其识别率最低可达91.67，大部分的识别率达到了100％。

Claims (2)

1.一种配电台区户变关系的识别方法，包括以下步骤：

1)数据获取：从用电信息采集系统中获取到目标台区及邻近台区的总表和各户表的日冻结电量后，并对数据进行预处理；数据预处理的具体步骤为：针对大量缺失数据，补0；针对少量缺失数据，采用平均值填充；

2)构建矩阵：根据步骤1)获取的数据，建立日用电量的矩阵和特征矩阵；矩阵构建的具体步骤如下：根据步骤1)获取的数据，做一阶差分得到各用户及总表的日用电量X和Y，为了能更好的突出负荷特征，做二阶差分运算得到特征矩阵X_d和Y_d；其中：个用户日用电量矩阵X为2-1，总表日用电量矩阵Y为2-2，用户日用电量特征矩阵X_d为2-3，总表日用电量特征矩阵Y_d为2-4；

Y＝[y₁ y₂…y_m]^T 2-2

X_d-ij＝X_(i+1)j-X_ij 2-3

Y_d-ij＝Y_(i+1)j-Y_ij 2-4

其中x_ij表示第j块表第i天的用电量，y_i表示总表第i天的用电量；

3)有监督的回归方法：根据步骤2)中的矩阵，构建输入矩阵和校验矩阵，接着建立权值矩阵，并在约束条件下采用最小二乘法求解权值矩阵，以求解得到的权值矩阵作为随机梯度下降过程的初始解，构建目标函数，通过不断的迭代训练更正权值矩阵，使得目标函数获得最小值；其中，在计算目标函数时，针对每一次计算出的权值矩阵，选取一个阈值，使得利用大于该阈值的用户的数据计算出的线损率波动最小；在最终的权值矩阵中，大于阈值的用户认为属于本台区，否则认为不属于本台区，初步确定用户归属；

所述的输入矩阵X_input由用户日用电量X与特征矩阵X_d合并构成：

所述的校验矩阵Y_T由总表日用电量Y与特征矩阵Y_d合并构成：

所述的权值矩阵W：

W＝[w₁ w₂…w_m]^T 3-3

其中，w_j代表每个用户分配到的权值，初始化为w_j＝0，j＝1,2,…,m；

所述的在约束条件下利用最小二乘法求解权值矩阵的步骤为：

令学习输出O为：

O＝X_input·W 3-4

约束条件为：

|O_i|≤|Y_Ti| 3-5

0≤w_j≤1 3-6

其中，L为台区默认的正常线路损耗，一般取0～5％

目标函数E为训练输出矩阵与校验矩阵的偏差率：

4)SVM分类：根据步骤3)中有监督的回归法计算得到的权值按降序对用户排列，选取一定规模的正确户变数据和错误户变数据作为训练集，利用SVM进行二分类模型训练，模型训练成功之后再对其他待校验用户进行判别。

2.根据权利要求1所述的配电台区户变关系的识别方法，其特征在于，所述步骤4)中，SVM进行二分类模型训练的具体步骤为：

①对选取的训练集中的错误数据和正确数据分别加0、1标签；

②根据数据规模选取合适的核函数，当数据规模较小时，优先选取多项式核函数，否则选取RBF核函数；

③通过交叉验证选取最佳参数C-惩罚系数和g-选取RBF核函数时自带的参数；

④采用最佳参数C与g对整个训练集进行训练获取分类模型；

⑤利用获取的模型对未验证的数据进行分类校验。

Images