CN111505434B - 一种低压配电表箱线路、表箱故障隐患识别方法 - Google Patents

Abstract

本发明涉及电网技术领域，尤其涉及一种低压配电表箱线路、表箱故障隐患识别方法，包括如下步骤：S1：按台区三相相位将低压用户分成三类；S2：对于各相用户的电压数据进行分析；S3：确定异常点的个数，若异常点数量小于第一设定阈值，则进入步骤S6；否则进入步骤S4；S4：提取异常用户历史电压测量数据之间的关联度；S5：若关联度大于第二设定阈值，则判断表箱线路存在故障，否则，则判断表箱存在故障；S6：将用户聚成自动确定簇数的分类簇；S7：统计聚类簇数，若聚类簇数小于4，则判断不存在线路故障，否则将其余的簇判断为线路故障；S8：输出台区各相异常用户户号以及故障类型。本发明可快速、准确的输出台区各相异常用户户号并排查故障类型。

Description

一种低压配电表箱线路、表箱故障隐患识别方法

技术领域

本发明涉及电网技术领域，尤其涉及一种低压配电表箱线路、表箱故障隐患识别方法。

背景技术

由于用电设备的类型的多样化和配电线路的结构的复杂化，配电线路中电气故障的产生模式也是复杂多样的，而且有些大规模的电气火灾也是由配电线路的电气故障引起的，造成的经济损失也无法估量。数据显示，近年来电气火灾占总火灾数的23％，对人们的财产及生命安全造成了很大的危害，对消防工作也有很大的挑战。目前，现有技术缺少对低压配电线路电气故障快速准确识别的方法。

发明内容

为解决上述问题，本发明提出一种低压配电表箱线路、表箱故障隐患识别方法。

一种低压配电表箱线路、表箱故障隐患识别方法，包括如下步骤：

S1：提取用户用电电压曲线，并按台区三相相位将低压用户分成三类；

S2：采取局部异常因子算法，对于各相用户的电压数据进行分析；

S3：采用肘部法确定异常点的个数，若异常点数量小于第一设定阈值，则进入步骤S6；否则进入步骤S4；

S4：基于异常用户历史电压测量数据进行分析，采用皮尔逊相关系数提取异常用户历史电压测量数据之间的关联度；

S5：若异常用户历史电压测量数据之间的关联度大于第二设定阈值，则判断表箱线路存在故障，否则，则判断表箱存在故障；

S6：选取排除异常用户后其余用户的电压数据，采用聚类方法将用户聚成自动确定簇数的分类簇；

S7：统计聚类簇数，若聚类簇数小于4，则判断不存在线路故障，否则将其中样本数目较多的3簇作为正常三相线路，其余的簇对应的样本集判断为线路故障；

S8：输出台区各相异常用户户号以及故障类型。

优选的，所述采取局部异常因子算法，对于各相用户的电压数据进行分析包括以下步骤：

S21：计算所有样本点p的第k距离；

S22：计算样本点p的第k距离邻域，包括第k距离；样本点p的第k邻域点的个数|Nk(p)|≥k；

S23：计算其余样本点o到样本点p的第k可达距离：

reach-dist_k(p,o)＝max{k-distance(o),d(p,o)}；

S24：计算样本点p的局部可达密度：

S25：计算样本点p的局部离群因子LOF：

优选的，所述采用肘部法确定异常点的个数包括以下步骤：

S31：将全部n个用户的LOF系数l(i)从高到低排列，并绘制系数变化曲线；

S32：计算并确定最大的相邻系数降落值：

maxΔl(i)＝max(l(i)-l(i+1)),(i＝1,2...n-1)；

S33：返回最大值所对应的i，并将离群用户个数确定为i，最终将前i个LOF系数所对应用户确定为异常用户。

优选的，所述基于异常用户历史电压测量数据进行分析，采用皮尔逊相关系数提取异常用户电压测量数据之间的关联度包括：

所述皮尔逊相关系数的计算公式为：

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,…,N)，

和

表示X_i和X_j的均值。

优选的，所述选取排除异常用户后其余用户的电压数据，采用聚类方法将用户聚成自动确定簇数的分类簇包括以下步骤：

S61：计算用户的邻近域样本集:

N_ε(x_i)＝{x_j∈D|d(x_i,x_j)≤ε}；

式中：d(x_i,x_j)为用户样本x_i和x_j在特征空间中的欧氏距离；N_ε(x_i)为用户样本x_i的ε-邻域样本集，|N_ε(x_i)|为样本集大小；ε为领域半径参数；D为排除异常用户后的全部电压数据；

S62：确定核心对象集及其邻域内的样本：

Ω＝{x_i∈D||N_ε(x_i)|≥minPts}；

Γ＝{x_j∈N_ε(x_i)|x_i∈Ω}；

式中：Ω为核心对象集，即邻域样本集大于minPts的样本集合；Γ为核心对象集及其邻域内的样本；minPts为邻域密度参数；

S63：确定噪声样本集用户A＝D\Γ，即不属于Γ的样本；

S64：将Γ划分成密度可达的分类簇C＝{C₁,C₂,..,C_k}，且满足：对于任意两个样本x_i,x_j∈C_s，存在可达序列

且p₁＝x_i，p_n＝x_j，使得d(p_t,p_t+1)≤ε，即任意两个样本可以通过C_k簇簇中的核心对象样本实现密度可达。

本发明的有益效果：本发明的设计原理如下：步骤一、从低压用户用电信息采集系统提取用户用电电压曲线，并按台区三相相位将低压用户分成三类；步骤二、采取局部异常因子算法，对于各相用户的电压数据进行分析；步骤三、采用肘部法确定异常点的个数，若异常点数量小于第一设定阈值，则进入步骤六，否则进入步骤四；步骤四、基于异常用户历史电压测量数据进行分析，采用皮尔逊相关系数提取异常用户历史电压测量数据之间的关联度；步骤五、若异常用户历史电压测量数据之间的关联度大于第二设定阈值，则判断表箱线路存在故障，否则，则判断表箱存在故障；步骤六：选取排除异常用户后其余用户的电压数据，采用聚类方法将用户聚成自动确定簇数的分类簇；步骤七、统计聚类簇数，若聚类簇数小于4，则判断不存在线路故障，否则将其中样本数目较多的3簇作为正常三相线路，其余的簇对应的样本集判断为线路故障；根据以上原理步骤，本发明可以快速、准确的输出台区各相异常用户户号并排查故障类型。

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S2的示意性流程图；

图3是本发明一实施例中步骤S3的示意性流程图；

图4是本发明一实施例中步骤S6的示意性流程图。

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。

本发明的基本思想遵循如下步骤：步骤一、从低压用户用电信息采集系统提取用户用电电压曲线，并按台区三相相位将低压用户分成三类；步骤二、采取局部异常因子算法，对于各相用户的电压数据进行分析；步骤三、采用肘部法确定异常点的个数，若异常点数量小于第一设定阈值，则进入步骤六，否则进入步骤四；步骤四、基于异常用户历史电压测量数据进行分析，采用皮尔逊相关系数提取异常用户历史电压测量数据之间的关联度；步骤五、若异常用户历史电压测量数据之间的关联度大于第二设定阈值，则判断表箱线路存在故障，否则，则判断表箱存在故障；步骤六、选取排除异常用户后其余用户的电压数据，采用聚类方法将用户聚成自动确定簇数的分类簇；步骤七、统计聚类簇数，若聚类簇数小于4，则判断不存在线路故障，否则将其中样本数目较多的3簇作为正常三相线路，其余的簇对应的样本集判断为线路故障；本发明可以快速、准确的输出台区各相异常用户户号并排查故障类型。

基于以上思想，本发明提出了一种低压配电表箱线路、表箱故障隐患识别方法，如图1所示，包括如下步骤：

S1：提取用户用电电压曲线，并按台区三相相位将低压用户分成三类。

从低压用户用电信息采集系统提取用户用电电压曲线，并按台区三相相位将低压用户分成三类。

S2：采取局部异常因子算法，对于各相用户的电压数据进行分析。

采取局部异常因子(LOF)算法，计算可达距离、局部可达密度和局部离群因子，判断该点是否与邻域同属于一个簇。

如图2所示，包括以下步骤：

S21：计算所有样本点p的第k距离；也就是欧式距离p第k远的点的距离(不包括p)。

S22：计算样本点p的第k距离邻域，就是p的第k距离即以内的所有点，包括第k距离；样本点p的第k邻域点的个数|Nk(p)|≥k；

S23：计算其余样本点o到样本点p的第k可达距离：

reach-dist_k(p,o)＝max{k-distance(o),d(p,o)}；

这表示离点o最近的k个点，o到它们的可达距离被认为相等，都等于d_k(o)。

S24：计算样本点p的局部可达密度：

局部可达密度样本点p的第k邻域内其余样本点到p的平均可达距离的倒数，这个值代表一个密度，密度越高，认为越可能属于同一簇，密度越低，越可能是离群点。

S25：计算样本点p的局部离群因子LOF：

局部离群因子LOF表示样本点p的邻域点N_k(p)的局部可达密度与样本点p的局部可达密度之比的平均数，如果这个比值越接近1，说明p的其邻域点密度差不多，p可能和邻域同属一簇；如果这个比值越小于1，说明p的密度高于其邻域点密度，p为密集点；如果这个比值越大于1，说明p的密度小于其邻域点密度，样本点p越可能是异常点。

S3：采用肘部法确定异常点的个数，若异常点数量小于第一设定阈值，则进入步骤S6；否则进入步骤S4。

在本实施例中，通过肘部法确定离群点用户名单并判定其存在电压故障隐患，如图3所示，采用肘部法确定异常点的个数包括以下步骤：

S31：将全部n个用户的LOF系数l(i)从高到低排列，并绘制系数变化曲线；

S32：计算并确定最大的相邻系数降落值：

maxΔl(i)＝max(l(i)-l(i+1)),(i＝1,2...n-1)；

S33：返回最大值所对应的i，并将离群用户个数确定为i，最终将前i个LOF系数所对应用户确定为异常用户。

S4：基于异常用户历史电压测量数据进行分析，采用皮尔逊相关系数提取异常用户历史电压测量数据之间的关联度。

其中，皮尔逊相关系数的计算公式为：

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,…,N)，

和

表示X_i和X_j的均值。

S5：若异常用户历史电压测量数据之间的关联度大于第二设定阈值，则判断表箱线路存在故障，否则，则判断表箱存在故障。

基于关联度的大小判定故障类型为表箱故障还是线路故障，一般认为关联度大于0.8的样本之间存在强相关性，故关联度大于0.8的异常用户集认为是表箱线路存在故障，其余则认为用户表箱存在故障。

S6：选取排除异常用户后其余用户的电压数据，采用聚类方法将用户聚成自动确定簇数的分类簇。

选取排除异常用户后的全部电压数据D＝{x₁,x₂,…,x_N}＝{X₁,X₂,…,X_N}，采用DBSCAN聚类方法，如图4所示，包括以下步骤：

S61：计算用户的邻近域样本集:

N_ε(x_i)＝{x_j∈D|d(x_i,x_j)≤ε}；

式中：d(x_i,x_j)为用户样本x_i和x_j在特征空间中的欧氏距离；N_ε(x_i)为用户样本x_i的ε-邻域样本集，|N_ε(x_i)|为样本集大小；ε为领域半径参数；D为排除异常用户后的全部电压数据；

S62：确定核心对象集及其邻域内的样本：

Ω＝{x_i∈D||N_ε(x_i)|≥minPts}；

Γ＝{x_j∈N_ε(x_i)|x_i∈Ω}；

式中：Ω为核心对象集，即邻域样本集大于minPts的样本集合；Γ为核心对象集及其邻域内的样本；minPts为邻域密度参数；

S63：确定噪声样本集用户A＝D\Γ，即不属于Γ的样本；

S64：将Γ划分成密度可达的分类簇C＝{C₁,C₂,..,C_k}，且满足：对于任意两个样本x_i,x_j∈C_s，存在可达序列

且p₁＝x_i，p_n＝x_j，使得d(p_t,p_t+1)≤ε，即任意两个样本可以通过C_k簇簇中的核心对象样本实现密度可达。

S7：统计聚类簇数，若聚类簇数小于4，则判断不存在线路故障，否则将其中样本数目较多的3簇作为正常三相线路，其余的簇对应的样本集判断为线路故障。

S8：输出台区各相异常用户户号以及故障类型。

为了进一步理解本发明，以某台区作为算例，整理全部用户的电压数据以及相关的户号，经过异常用户排查，最终输出的故障隐患用户请参阅附表1，经过相关系数计算后，以台区1093359的A相隐患用户为例，计算结果请参阅附表2。

表1两台区故障隐患用户排查表

表2台区1093359中A相隐患用户间相关系数

通过上表可以看出，户号1031200067和1250074267用户间相关系数为0.977，因此判定为线路故障，而另外户号1031200101和1031200118用户则为表箱故障。同理，经分析，台区1093359的B、C相中各故障隐患用户均为表箱故障隐患。台区1108355的A相用户1021120474，1021120529为线路故障，B相用户1021120505为表箱故障，C相无故障隐患用户。

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 (5)

1.一种低压配电表箱线路、表箱故障隐患识别方法，其特征在于，包括如下步骤：

S1：提取用户用电电压曲线，并按台区三相相位将低压用户分成三类；

S2：采取局部异常因子算法，对于各相用户的电压数据进行分析；

S3：采用肘部法确定异常点的个数，若异常点数量小于第一设定阈值，则进入步骤S6；否则进入步骤S4；

S4：基于异常用户历史电压测量数据进行分析，采用皮尔逊相关系数提取异常用户历史电压测量数据之间的关联度；

S5：若异常用户历史电压测量数据之间的关联度大于第二设定阈值，则判断表箱线路存在故障，否则，则判断表箱存在故障；

S6：选取排除异常用户后其余用户的电压数据，采用聚类方法将用户聚成自动确定簇数的分类簇；

S7：统计聚类簇数，若聚类簇数小于4，则判断不存在线路故障，否则将其中样本数目较多的3簇作为正常三相线路，其余的簇对应的样本集判断为线路故障；

S8：输出台区各相异常用户户号以及故障类型。

2.根据权利要求1所述的一种低压配电表箱线路、表箱故障隐患识别方法，其特征在于，所述采取局部异常因子算法，对于各相用户的电压数据进行分析包括以下步骤：

S21：计算所有样本点p的第k距离；

S22：计算样本点p的第k距离邻域，包括第k距离；样本点p的第k邻域点的个数|Nk(p)|≥k；

S23：计算其余样本点o到样本点p的第k可达距离：

reach-dist_k(p,o)＝max{k-distance(o),d(p,o)}；

S24：计算样本点p的局部可达密度：

S25：计算样本点p的局部离群因子LOF：

3.根据权利要求2所述的一种低压配电表箱线路、表箱故障隐患识别方法，其特征在于，所述采用肘部法确定异常点的个数包括以下步骤：

S31：将全部n个用户的LOF系数l(i)从高到低排列，并绘制系数变化曲线；

S32：计算并确定最大的相邻系数降落值：

maxΔl(i)＝max(l(i)-l(i+1)),(i＝1,2...n-1)；

S33：返回最大值所对应的i，并将离群用户个数确定为i，最终将前i个LOF系数所对应用户确定为异常用户。

4.根据权利要求1所述的一种低压配电表箱线路、表箱故障隐患识别方法，其特征在于，所述基于异常用户历史电压测量数据进行分析，采用皮尔逊相关系数提取异常用户电压测量数据之间的关联度包括：

所述皮尔逊相关系数的计算公式为：

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,…,N)，

和

表示X_i和X_j的均值。

5.根据权利要求1所述的一种低压配电表箱线路、表箱故障隐患识别方法，其特征在于，所述选取排除异常用户后其余用户的电压数据，采用聚类方法将用户聚成自动确定簇数的分类簇包括以下步骤：

S61：计算用户的邻近域样本集:

N_ε(x_i)＝{x_j∈D|d(x_i,x_j)≤ε}；

式中：d(x_i,x_j)为用户样本x_i和x_j在特征空间中的欧氏距离；N_ε(x_i)为用户样本x_i的ε-邻域样本集，|N_ε(x_i)|为样本集大小；ε为领域半径参数；D为排除异常用户后的全部电压数据；

S62：确定核心对象集及其邻域内的样本：

Ω＝{x_i∈D||N_ε(x_i)|≥minPts}；

Γ＝{x_j∈N_ε(x_i)|x_i∈Ω}；

式中：Ω为核心对象集，即邻域样本集大于minPts的样本集合；Γ为核心对象集及其邻域内的样本；minPts为邻域密度参数；

S63：确定噪声样本集用户A＝D\Γ，即不属于Γ的样本；

S64：将Γ划分成密度可达的分类簇C＝{C₁,C₂,..,C_k}，且满足：对于任意两个样本x_i,x_j∈C_s，存在可达序列

且p₁＝x_i，p_n＝x_j，使得d(p_t,p_t+1)≤ε，即任意两个样本可以通过C_k簇簇中的核心对象样本实现密度可达。

Images