CN111505433B - 一种低压台区户变关系纠错及相位识别方法 - Google Patents

Abstract

本发明涉及电网技术领域，尤其涉及一种低压台区户变关系纠错及相位识别方法，包括如下步骤：按照用户户号，输入台区全部单相用户的历史电压数据及对应的采集时刻；基于同台区用户的历史电压数据进行分析，采用皮尔逊相关系数提取同台区用户的历史电压数据之间的关联度；计算各个用户的关联性特征向量，建立待分析台区的特征集矩阵；依据各用户的电压特征，排查异常用户；建立正常用户的原始电压数据集合，对原始电压的数据集合作降维处理，输出集合；使用聚类算法，将全体正常用户分为三类，完成三相识别工作。本发明的有益效果：可快速、有效地验证电网GIS系统中用户与台区变压器拓扑连接关系的正确性；可快速、准确地识别出各用户地相位关系。

Description

一种低压台区户变关系纠错及相位识别方法

技术领域

本发明涉及电网技术领域，尤其涉及一种低压台区户变关系纠错及相位识别方法。

背景技术

近年来由于电网建设和发展引起的频繁变动(如迁建、扩容、割接、布点)、用电户数增多和用户用电地址变更等原因，导致低压台区户变关系出现变更。而由于各种条件限制，如线路交叉，地埋线路等，用户表计与户变的隶属关系信息难以得到及时的更新，影响了电网基础数据的准确性。而通过传统方式很难及时、准确地排查台区户变关系，进而造成营配业务系统中的电网拓扑关系数据与现场不一致，异损台区屡屡冒出，使得配网线损的治理工作进入了瓶颈阶段。因而需要研发出新的能够快速准确识别档案记载错误的用户台区户变关系的方法。

针对低压台区中存在的拓扑档案错误问题，传统的纠错方法有现场线路排查和载波通信校验两种方式，且均需投入一定的人力。现场线路排查主要针对线路架设年代较早且未安装智能电表的台区，一线工作人员通过排查现场所有线路完成台区用户接入点的校验，遇到过于复杂的情况需要“拉闸验电”，这将较大程度上影响用户的日常生活。载波通信技术目前应用较为广泛，工作人员使用位于变压器的载波通信终端和用户电表侧的手持接收端进行载波通信，通过分析通信报文特性判断用户所属相位和台区。该方法识别率较高，但仅限于用户电表支持载波通信协议的台区；另一方面，载波通信的噪声源较多且易受干扰，因此该方法在负荷波动较大的台区效果不佳。

发明内容

为解决上述问题，本发明提出一种低压台区户变关系纠错及相位识别方法。

一种低压台区户变关系纠错及相位识别方法，包括如下步骤：

按照用户户号，输入台区全部单相用户的历史电压数据及对应的采集时刻；

基于同台区用户的历史电压数据进行分析，采用皮尔逊相关系数提取同台区用户的历史电压数据之间的关联度；

将相关性系数序列作为各个用户的固有特征，计算各个用户的关联性特征向量Q_i＝[C_i1,C_i2,…,C_ij,…,C_in]，并基于各个用户的关联性特征向量，建立待分析台区的特征集矩阵Q＝[Q₁,Q₂,…,Q_n]；

以特征集矩阵为输入量，调用孤立森林算法，依据各用户的电压特征，排查异常用户A₁；

排除异常用户，建立正常用户的原始电压数据集合A₂，使用主成分分析法，对原始电压的数据集合作降维处理，输出集合A₃；

以A₃为输入量，使用聚类算法，指定聚类簇数为3，将全体正常用户分为三类，完成三相识别工作，记录各相户号B₁，B₂，B₃；

输出户变关系异常用户A₁户号，输出各相户号B₁，B₂，B₃。

优选的，所述基于同台区用户的历史电压数据进行分析，采用皮尔逊相关系数提取同台区用户的历史电压数据之间的关联度包括：

同台区用户的历史电压数据之间的关联度的计算公式为：

式中：C_ij表示用户i和用户j之间的相关系数，其值介于1与-1之间；X_i和X_j分别代表用户i和用户j的电压测量数据(i,j＝1,2,…)，

和

表示X_i和X_j的均值。

优选的，所述以特征集矩阵为输入量，调用孤立森林算法，依据各用户的电压特征，排查异常用户A₁包括：

调用孤立森林算法排查异常点，排查依据为输入的相关系数特征矩阵，对数据进行训练时，不断随机选择一个切分属性和一个切分点，然后对每个样本，根据其属性的值将其划分，对预测数据进行异常检验，根据其划分所用的次数计算异常评分，从而判断用户是否异常。

优选的，所述排除异常用户，建立正常用户的原始电压数据集合A₂，使用主成分分析法，对原始电压的数据集合作降维处理，输出集合A₃包括：

将原始数据按列组成n行m列矩阵X；

将X的每一行进行零均值化；

求出协方差矩阵：

求出协方差矩阵的特征值及对应的特征向量；

将特征向量按对应特征值大小从上到下按行排列成矩阵，取前k行组成矩阵P，即为降维到k维后的数据。

优选的，所述聚类算法包括：Birch聚类算法，所述Birch聚类算法将划分在同一个特征树下的点归为同一聚类簇。

本发明的有益效果：

1.以特征集矩阵为输入量，调用孤立森林算法，依据各用户的电压特征，排查异常用户A₁，可快速、有效地验证电网GIS系统中用户与台区变压器拓扑连接关系的正确性。

2.在户变关系排查纠错的基础上，基于正常匹配用户的电压特征，使用了降维算法，提取各用户的主要特征，最后通过聚类算法，可以快速、准确地识别出各用户地相位关系。

附图说明

下面结合附图和具体实施方式对本发明作进一步详细的说明。

图1是本发明一实施例的示意性流程图；

图2是本发明一实施例中步骤S5的示意性流程图；

图3是本发明一实施例中各用户的相位识别结果示意图。

具体实施方式

以下结合附图，对本发明的技术方案作进一步的描述，但本发明并不限于这些实施例。

本发明的基本思想是以特征集矩阵为输入量，调用孤立森林算法，依据各用户的电压特征，排查异常用户A₁，可快速、有效地验证电网GIS系统中用户与台区变压器拓扑连接关系的正确性；在户变关系排查纠错的基础上，基于正常匹配用户的电压特征，使用了降维算法，提取各用户的主要特征，最后通过聚类算法，可以快速、准确地识别出各用户地相位关系。

基于以上思想，本发明提出了一种低压台区户变关系纠错及相位识别方法，包括如下步骤：

S1：按照用户户号，输入台区全部单相用户的历史电压数据及对应的采集时刻。

需要采集同一台区下所有单相用户的历史电压数据，历史电压数据应具有即时性、丰富性的基本特点，而且各用户的采集时刻应该保持相同，而对于其采样跨度不做要求。

S2：基于同台区用户的历史电压数据进行分析，采用皮尔逊相关系数提取同台区用户的历史电压数据之间的关联度。

同台区用户的历史电压数据之间的关联度的计算公式为：

式中：C_ij表示用户i和用户j之间的相关系数，其值介于1与-1之间；X_i和X_j分别代表用户i和用户j的电压测量数据(i,j＝1,2,…)，

和

表示X_i和X_j的均值。

S3：将相关性系数序列作为各个用户的固有特征，计算各个用户的关联性特征向量Q_i＝[C_i1,C_i2,…,C_ij,…,C_in]，并基于各个用户的关联性特征向量，建立待分析台区的特征集矩阵Q＝[Q₁,Q₂,…,Q_n]。

将步骤S2中计算得到的用户间历史电压数据之间的关联度，需要按照编号顺序，建立待分析台区的特征集矩阵Q。

S4：以特征集矩阵为输入量，调用孤立森林算法，依据各用户的电压特征，排查异常用户A₁。

调用孤立森林算法排查异常点，排查依据为输入的相关系数特征矩阵，对数据进行训练时，不断随机选择一个切分属性和一个切分点，然后对每个样本，根据其属性的值将其划分，对预测数据进行异常检验，根据其划分所用的次数计算异常评分，从而判断用户是否异常。

S5：排除异常用户，建立正常用户的原始电压数据集合A₂，使用主成分分析法，对原始电压的数据集合作降维处理，输出集合A₃。

主成分分析法(PCA)是一种常用的数据分析方法，主成分分析法通过线性变换将原始数据变换为一组各维度线性无关的表示，可用于提取数据的主要特征分量，常用于高维数据的降维。

如图2所示，具体包括以下步骤：

S51：将原始数据按列组成n行m列矩阵X；

S52：将X的每一行进行零均值化；

S53：求出协方差矩阵：

S54：求出协方差矩阵的特征值及对应的特征向量；

S55：将特征向量按对应特征值大小从上到下按行排列成矩阵，取前k行组成矩阵P，即为降维到k维后的数据。

S6：以A₃为输入量，使用聚类算法，指定聚类簇数为3，将全体正常用户分为三类，完成三相识别工作，记录各相户号B₁，B₂，B₃。

本实施例中所采用的聚类算法为Birch聚类算法。

Birch聚类算法需要建立一个聚类特征树，树的构造过程实际是一个数据对象的插入过程,最后将划分在同一个特征树下的点归为同一聚类簇。

S7：输出户变关系异常用户A₁户号，输出各相户号B₁，B₂，B₃。

以某台区作为算例，整理全部单相用户的历史电压数据及对应的户号，采集时刻等，通过本发明一种低压台区户变关系纠错及相位识别方法经过异常用户排查，最终输出的户变关系不匹配用户请参阅附表1。

表1户变关系不匹配用户表

经过三相识别后，各用户的相位识别结果请参阅图3。

本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。

Claims (4)

1.一种低压台区户变关系纠错及相位识别方法，其特征在于，包括如下步骤：

按照用户户号，输入台区全部单相用户的历史电压数据及对应的采集时刻；

基于同台区用户的历史电压数据进行分析，采用皮尔逊相关系数提取同台区用户的历史电压数据之间的关联度；

将相关性系数序列作为各个用户的固有特征，计算各个用户的关联性特征向量Q_i＝[C_i1,C_i2,...,C_ij,...,C_in]，并基于各个用户的关联性特征向量，建立待分析台区的特征集矩阵Q＝[Q₁,Q₂,...,Q_n]；

以特征集矩阵为输入量，调用孤立森林算法，依据各用户的电压特征，排查异常用户A₁；

排除异常用户，建立正常用户的原始电压数据集合A₂，使用主成分分析法，对原始电压的数据集合作降维处理，输出集合A₃；

以A₃为输入量，使用聚类算法，指定聚类簇数为3，将全体正常用户分为三类，完成三相识别工作，记录各相户号B₁，B₂，B₃；

输出户变关系异常用户A₁户号，输出各相户号B₁，B₂，B₃；

所述以特征集矩阵为输入量，调用孤立森林算法，依据各用户的电压特征，排查异常用户A₁包括：

调用孤立森林算法排查异常点，排查依据为输入的相关系数特征矩阵，对数据进行训练时，不断随机选择一个切分属性和一个切分点，然后对每个样本，根据其属性的值将其划分，对预测数据进行异常检验，根据其划分所用的次数计算异常评分，从而判断用户是否异常。

2.根据权利要求1所述的一种低压台区户变关系纠错及相位识别方法，其特征在于，所述基于同台区用户的历史电压数据进行分析，采用皮尔逊相关系数提取同台区用户的历史电压数据之间的关联度包括：

同台区用户的历史电压数据之间的关联度的计算公式为：

式中：C_ij表示用户i和用户j之间的相关系数，其值介于1与-1之间；X_i和X_j分别代表用户i和用户j的电压测量数据(i,j＝1,2,…)，

和

表示X_i和X_j的均值。

3.根据权利要求1所述的一种低压台区户变关系纠错及相位识别方法，其特征在于，所述排除异常用户，建立正常用户的原始电压数据集合A₂，使用主成分分析法，对原始电压的数据集合作降维处理，输出集合A₃包括：

将原始数据按列组成n行m列矩阵X；

将X的每一行进行零均值化；

求出协方差矩阵：

求出协方差矩阵的特征值及对应的特征向量；

将特征向量按对应特征值大小从上到下按行排列成矩阵，取前k行组成矩阵P，即为降维到k维后的数据。

4.根据权利要求1所述的一种低压台区户变关系纠错及相位识别方法，其特征在于，所述聚类算法包括：Birch聚类算法，所述Birch聚类算法将划分在同一个特征树下的点归为同一聚类簇。

Images