CN112072789B - 低电压台区识别方法、检修方法及其预警方法 - Google Patents

Abstract

本发明公开了一种低电压台区识别方法，包括获取待分析区域的用电数据信息并清理数据；计算得到各个台区低电压评分；将各个台区的低电压评分按月进行串联得到年度用户低电压表征矩阵；对年度用户低电压表征矩阵进行聚类分析得到台区低电压问题分类集；根据台区低电压问题分类集和台区电气运行指标形成台区月度低电压运行状态判定矩阵；根据台区月度低电压运行状态判定矩阵进行低电压台区的识别。本发明还提供了一种包括所述低电压台区识别方法的检修方法。本发明还提供了一种包括所述低电压台区识别方法和检修方法的预警方法。本发明方法更加科学、可靠、客观且实用性强。

Description

低电压台区识别方法、检修方法及其预警方法

技术领域

本发明属于电气自动化领域，具体涉及一种低电压台区识别方法、检修方法及其预警方法。

背景技术

随着经济技术的发展和人们生活水平的提高，电能已经成为了人们生产和生活中必不可少的二次能源，给人们的生产和生活带来了无尽的便利。因此，电力系统的稳定可靠运行，就成为了电力系统最重要的任务之一。

台区低电压问题，严重影响着电网用户的用电。分析低电压成因及其影响范围，已成为供电单位的重点工作。以国内中部省份的一个三线城市供电公司为例，根据数据统计，该公司2020年春节期间1月存在出现低电压用户的台区共11803个，占台区总数44.12％，其影响范围非常大。其中出口侧低电压台区5001个，三相不平衡台区5543台，既是出口低电压，又是三相不平衡的台区共2795台。而影响用户低电压因素远不止这些，还有例如户均容量、供电半径长短，是否重过载等其他多方面因素。

由于低电压成因因素复杂，再加上专业能力、技术背景等因素，导致对于低电压成因的分析、对于低电压成因所采用的针对性地解决方法等，都是依靠经验成熟的运行人员进行处理，严重依赖于运行人员的经验和技术，并无统一标准、无度量手段等科学的分析手段。

发明内容

本发明的目的之一在于提供一种科学、可靠、客观且实用性强的低电压台区识别方法。

本发明的目的之二在于提供一种包括了所述低电压台区识别方法的检修方法。

本发明的目的之三在于提供一种包括了所述低电压台区识别方法、检修方法的预警方法。

本发明提供的这种低电压台区识别方法，包括如下步骤：

S1.获取待分析区域的用电数据信息；

S2.对步骤S1获取的用电数据信息进行数据清理；

S3.根据步骤S2得到的清理后数据，计算得到各个台区低电压评分；

S4.将步骤S3得到的各个台区的低电压评分按月进行串联，从而得到年度用户低电压表征矩阵；

S5.对步骤S4得到的年度用户低电压表征矩阵进行聚类分析，从而得到台区低电压问题分类集；

S6.根据步骤S5得到的台区低电压问题分类集，结合台区电气运行指标，形成台区月度低电压运行状态判定矩阵；

S7.根据步骤S6得到的台区月度低电压运行状态判定矩阵，进行低电压台区的识别。

步骤S1所述的用电数据信息，具体包括台区名称、所属县公司、所属供电所、台区容量、台区编号、PMS线路名称、台区用户数、户均容量、连续最大负载率、过载时间、重载时间、监测到低电压用户数、低电压数据总点数、用户采集总点数、用户低电压点数、用户电压平均值、用户低电压最低值、出口低电压次数、出口低电压时间占比和出口电压最低值。

步骤S2所述的对步骤S1获取的用电数据信息进行数据清理，具体为采用如下步骤进行数据清理：

A.对用电信息数据进行清理：将不匹配数据、空数据和重复数据删除；

B.以台区名称和台区编号做诶关联属性，对用电信息数据进行关联；

C.将低电压用户电压值关联到用户所属台区，从而计算得到各个台区的低电压用户的低电压累计时间占比、最低电压值和平均电压值，并统计各个台区的低电压用户数量。

步骤S3所述的根据步骤S2得到的清理后数据，计算得到各个台区低电压评分，具体为采用如下步骤计算得到各个台区低电压评分：

a.将步骤S2得到的各个台区的低电压用户的低电压累计时间占比、最低电压值和平均电压值进行细粒度划分；

b.统计各个台区的低电压用户在步骤a划分的各个细粒度的用户数量；

c.采用加权求和的方式计算得到各个台区的低电压评分值。

步骤S5所述的对步骤S4得到的年度用户低电压表征矩阵进行聚类分析，从而得到台区低电压问题分类集，具体为采用无监督训练的基于距离的KMeans聚类算法对年度用户低电压表征矩阵进行聚类分析，从而得到台区低电压问题分类集。

步骤S6所述的根据步骤S5得到的台区低电压问题分类集，结合台区电气运行指标，形成台区月度低电压运行状态判定矩阵，具体为采用如下步骤得到台区月度低电压运行状态判定矩阵：

(1)采用如下规则设定影响因素判定规则：

户均容量：判定规则为户均容量小于或等于1；

台区出口低电压：判定规则为：月运行数据中，三相电压中存在任意一相的最低电压值小于198V；

三相不平衡：判定规则为：月运行数据中，电流三相不平衡度大于或等于50％的月累积时间占比大于0.3；

重载：判定规则为：出现重载即判定为重载；

过载：判定规则为：出现过载即判定为过载；

定义高损和负损为辅助因素：判定规则为：月线损率大于10％定义为高损，月线损率小于-1定义为负损；

(2)根据步骤S5得到的台区低电压问题分类集，以及台区电气运行指标，根据步骤(1)中定的判定规则，判定并形成台区月度低电压运行状态判定矩阵。

本发明还提供了一种包括了上述低电压台区识别方法的检修方法，具体还包括如下步骤：

S8.根据步骤S7识别得到的低电压台区，对低电压台区进行检修，从而修正台区的低电压问题，并记录检修数据。

本发明还提供了一种包括了上述低电压台区识别方法和检修方法的预警方法，具体还包括如下步骤：

S9.对步骤S1～步骤S8得到的数据进行归一化处理，从而统一区间基准；

S10.采用步骤S7得到的低电压台区识别结果，以及步骤S8得到的检修数据，训练分类器，从而得到台区低电压问题预警分类器；

S11.将实时用电数据输入到步骤S10得到的台区低电压问题预警分类器，从而对待识别区域的台区低电压问题进行实时预警，并给出推荐的检修数据。

步骤S9所述的对步骤S1～步骤S8得到的数据进行归一化处理，从而统一区间基准，具体为采用基于区域范围的自适应分层特征表示算法进行处理，包括如下步骤：

Ⅰ.获取待处理的数据；

Ⅱ.进行特征表示：

以一个指标为单位，在特定区域范围内，绘制所有拥有该指标对象值的概率分布曲线；概率分布曲线的实现方法为：

将指标j用zb_j表示，对应所有台区样本的值为value_ij，其中i表示第i个台区且i＝1,2,...,n，j表示第j个指标且j＝1,2,...,s；将指标的值划分为bin＝X的直方图，X为设定值，从而得到序列{(x_1j,y_1j),(x_2j,y_2j),...,(x_kj,y_kj),...,(x_Xj,y_Xj)}，其中x_kj为指标j在其值所跨范围内划分成的X个区间中每一个区间末端对应的值，y_kj表示在区间[x_(k-1)j,x_kj]内台区的个数；

Ⅲ.根据步骤Ⅱ得到的概率分布曲线，利用回归函数将概率分布曲线拟合成为具体函数，计算拐点值，并将拐点值作为区间分层断点；最后采用不同权重和距离度量算法进行特征表征，从而将每个指标的表征范围统一到区间[0,1]。

步骤S10所述的采用步骤S7得到的低电压台区识别结果，以及步骤S8得到的检修数据，训练分类器，从而得到台区低电压问题预警分类器，具体为采用如下步骤进行训练：

ⅰ.将引发低电压问题的原因作为模式识别的类别标签Y(y₁,y₂,...,y_c)，将台区每月运行指标作为表征向量X(x₁,x₂,...,x_c)；

ⅱ.针对每一个类别，设计SVM支持向量机作为二元分类器，将结果表示为p(y_c|x_i)概率的形式，意义为：原因y_c造成低电压的概率为p(y_c|x_i)；针对每一个SVM_c，求解得到w_c；w_c为将台区运行特征向量判定为类别y_c各指标的权重系数。

本发明提供的这种低电压台区识别方法、检修方法及其预警方法，以低电压用户作为研究导向，利用台区运行数据和线路数据进行低电压台区的识别，并指导台区进行检修；最后、再利用识别数据和检修数据进行分类、评估和预警。因此，本发明方法更加科学、可靠、客观且实用性强。

附图说明

图1为本发明的识别方法的方法流程示意图。

图2为本发明的检修方法的方法流程示意图。

图3为本发明的预警方法的方法流程示意图。

图4为本发明的预警方法的实施例的低电压用户总数分布示意图。

具体实施方式

如图1所示为本发明的识别方法的方法流程示意图：本发明提供的这种低电压台区识别方法，包括如下步骤：

S1.获取待分析区域的用电数据信息；具体包括台区名称、所属县公司、所属供电所、台区容量、台区编号、PMS线路名称、台区用户数、户均容量、连续最大负载率、过载时间、重载时间、监测到低电压用户数、低电压数据总点数、用户采集总点数、用户低电压点数、用户电压平均值、用户低电压最低值、出口低电压次数、出口低电压时间占比和出口电压最低值等；

S2.对步骤S1获取的用电数据信息进行数据清理；具体为采用如下步骤进行数据清理：

A.对用电信息数据进行清理：将不匹配数据、空数据和重复数据删除；

B.以台区名称和台区编号做诶关联属性，对用电信息数据进行关联；

C.将低电压用户电压值关联到用户所属台区，从而计算得到各个台区的低电压用户的低电压累计时间占比、最低电压值和平均电压值，并统计各个台区的低电压用户数量；

如表1所示，即为用户侧的低压用户的样例表：

表1用户侧低电压样例表

S3.根据步骤S2得到的清理后数据，计算得到各个台区低电压评分；具体为采用如下步骤计算得到各个台区低电压评分：

a.将步骤S2得到的各个台区的低电压用户的低电压累计时间占比、最低电压值和平均电压值进行细粒度划分；

b.统计各个台区的低电压用户在步骤a划分的各个细粒度的用户数量；

c.采用加权求和的方式计算得到各个台区的低电压评分值；

具体实施时，低电压累计时间占比、平均低电压值和最低电压所在时刻指标属性按照低电压值区段([0,154]，[154,174]，[176,198])，时间占比区段([25％,50％]，[50％,75％]，[75％,100％])以及时刻点([7,11,15,19])进行细粒度划分；再将户表关联到台区，统计当月每个台区这些子指标的用户数，即得到表2所示的用户侧低电压指标：

表2用户低电压台区特征提取及分值赋予明细表

然后，台区的低电压评分值等于台区三个维度九个区间的分值加权和：

式中n(k)表示指标对应的用户个数；s(k)表示对应的权重值；表3和表4表明了两个台区的示例：

表3台区低电压问题量化评分范例1

表4台区低电压问题量化评分范例2

S4.将步骤S3得到的各个台区的低电压评分按月进行串联，从而得到年度用户低电压表征矩阵；矩阵中，每一行表示一个台区在12个月份中的得分，每一列表示所有台区在1个月中的得分；

S5.对步骤S4得到的年度用户低电压表征矩阵进行聚类分析，从而得到台区低电压问题分类集；具体为采用无监督训练的基于距离的KMeans聚类算法对年度用户低电压表征矩阵进行聚类分析，从而得到台区低电压问题分类集；

S6.根据步骤S5得到的台区低电压问题分类集，结合台区电气运行指标，形成台区月度低电压运行状态判定矩阵；具体为采用如下步骤得到台区月度低电压运行状态判定矩阵：

(1)采用如下规则设定影响因素判定规则：

户均容量：判定规则为户均容量小于或等于1；

台区出口低电压：判定规则为：月运行数据中，三相电压中存在任意一相的最低电压值小于198V；

三相不平衡：判定规则为：月运行数据中，电流三相不平衡度大于或等于50％的月累积时间占比大于0.3；

重载：判定规则为：出现重载即判定为重载；

过载：判定规则为：出现过载即判定为过载；

定义高损和负损为辅助因素：判定规则为：月线损率大于10％定义为高损，月线损率小于-1定义为负损；

(2)根据步骤S5得到的台区低电压问题分类集，以及台区电气运行指标，根据步骤(1)中定的判定规则，判定并形成台区月度低电压运行状态判定矩阵；

S7.根据步骤S6得到的台区月度低电压运行状态判定矩阵，进行低电压台区的识别。

如图2所示为本发明的检修方法的方法流程示意图：本发明提供的这种包括了上述低电压台区识别方法的检修方法，具体还包括如下步骤：

S8.根据步骤S7识别得到的低电压台区，对低电压台区进行检修，从而修正台区的低电压问题，并记录检修数据；

比如，根据识别的低电压台区，首先该台区为出口低电压台区，先查明是否为电源侧电压质量问题，如是则通过增加线路调压器、提升母线电压或者进行线路改造，如不是则通过调档解决。其次该台区在所关注月份未出现出口低电压且无三相不平衡及重过载问题，此时仍有大量低电压用户，可以初步得出结论，该台区需网改立项解决；并将检修或者解决的数据信息进行存储。

如图3所示为本发明的预警方法的方法流程示意图：本发明提供的这种包括了上述低电压台区识别方法和检修方法的预警方法，具体还包括如下步骤：

S9.对步骤S1～步骤S8得到的数据进行归一化处理，从而统一区间基准；具体为采用基于区域范围的自适应分层特征表示算法进行处理，包括如下步骤：

Ⅰ.获取待处理的数据；

Ⅱ.进行特征表示：

以一个指标为单位，在特定区域范围内，绘制所有拥有该指标对象值的概率分布曲线；概率分布曲线的实现方法为：

将指标j用zb_j表示，对应所有台区样本的值为value_ij，其中i表示第i个台区且i＝1,2,...,n，j表示第j个指标且j＝1,2,...,s；将指标的值划分为bin＝X的直方图，X为设定值，从而得到序列{(x_1j,y_1j),(x_2j,y_2j),...,(x_kj,y_kj),...,(x_Xj,y_Xj)}，其中x_kj为指标j在其值所跨范围内划分成的X个区间中每一个区间末端对应的值，y_kj表示在区间[x_(k-1)j,x_kj]内台区的个数；

Ⅲ.根据步骤Ⅱ得到的概率分布曲线，利用回归函数将概率分布曲线拟合成为具体函数，计算拐点值，并将拐点值作为区间分层断点；最后采用不同权重和距离度量算法进行特征表征，从而将每个指标的表征范围统一到区间[0,1]；

在具体实施时，首先获取数据；

然后，执行特征表示算法：以一个指标为单位，绘制在特定区域范围内所有拥有该指标对象值的概率分布曲线，如图4为某地市供电公司所有台区2月监测低压用户总数的分布图，横坐标表示用户总数范围，纵坐标表示台区占比。概率分布曲线的实现方法：将指标j用zb_j表示，对应所有台区样本的值value_ij；将每个指标所有值划分成bin＝100的直方图，得到{(x_1j,y_1j),(x_2j,y_2j),...,(x_kj,y_kj),...,(x_Xj,y_Xj)}；

最后，根据分布曲线，拟合分布函数，然后计算拐点的值，作为区间分层断点，记为x_dj；然后根据不同区间和该指标的实际物理意义，采用不同权重和不同的距离度量算法进行特征表征，并将每个指标的表征范围规定在[0,1]区间。如图4所示，监测低电压用户数值越大，台区占比越少，其物理意义上而言就越严重，这样的台区就越应该突出表征。峰谷作为断点，将监测低电压用户数值的范围分成两段，第一段，台区集中，每个样本差距很小，即采用基于第一范式的算法进行归一化，并给该段一个物理意义合理的区间基准[0,Score_dj](Score_dj＜1)，即代表在区间[argmin_{i∈{1,2,...,n}}{value_ij},x_dj]内，所有值只能在[0,Score_dj](Score_dj＜1)范围内按照距离进行评分，评分公式如下，其中x_dj代表拟合分布函数f(x_j)的拐点值：

score_mj＝Score_dj(value_mj-argmin_{i∈{1,2,3,...n}}{value_ij})/(x_dj-argmin_{i∈{1,2,3,...n}}{value_ij})(j∈{1,2,3,...,s},m∈{1,2,3,...,n})

第二段则采用基于排位距离的方式，原因是该区间段所有的样本整体跨度大，且问题程度都严重，样本个数少。操作方法是将其值按顺序排列，然后以排位序号做为其二次表征，得到[Idx_1j,Idx_2j,....,Idx_tj],(t＝n-n(value_mj＜＝x_dj))，t代表的是落在区间[x_dj,argmax_{m∈{1,2,3,...,n}}{value_mj}]台区总个数。同时该段在计算时给定的区间基准即为[Score_dj,1](Score_dj＜1)；

score_mj＝Score_dj+Idx_mj*(1-Score_dj)/t_j(j∈{1,2,3,...,s},m∈{1,2,3,...,n})

S10.采用步骤S7得到的低电压台区识别结果，以及步骤S8得到的检修数据，训练分类器，从而得到台区低电压问题风险预警分类器；具体为采用如下步骤进行训练：

ⅰ.将引发低电压问题的原因作为模式识别的类别标签Y(y₁,y₂,...,y_c)，将台区每月运行指标作为表征向量X(x₁,x₂,...,x_c)；

ⅱ.针对每一个类别，设计SVM支持向量机作为二元分类器，将结果表示为p(y_c|x_i)概率的形式，意义为：原因y_c造成低电压的概率为p(y_c|x_i)；针对每一个SVM_c，求得的w_c，就是将台区运行特征向量判定为类别y_c各指标的贡献程度即权重系数；

具体实施时，首先特征表示：其将引发低电压问题的各类原因作为模式识别的类别标签Y(y₁,y₂,...,y_c)；针对台区每月台区运行指标作为表征向量x_i(x_i1,x_i2,...,x_is)，即代表某月某台区运行状态样本的特征向量表征；

然后，训练阶段：根据获取台区的类别标签，并将其问题月份的运行数据以特征方式进行表征作为训练样本，然后针对每一个类别，设计SVM支持向量机(加入松弛因子)作为二元分类器，将结果表示为p(y_c|x_i)概率的形式。其表示：原因y_c造成低电压的概率即为p(y_c|x_i)；针对每个SVM_c，求得的w_c，就是将台区运行特征向量判定为类别y_c各指标的贡献程度，或者理解为权重系数；

S11.将实时用电数据输入到步骤S10得到的台区低电压问题预警分类器，从而对待识别区域的台区低电压问题进行实时预警，并给出推荐的检修数据；具体实施时，根据训练好的模型，结合提出的特征表征算法，每个月对所有存在低压用户的台区，利用每个SVM分类器计算每个原因造成低电压的概率p(y_c|x_i)，将结果作为辅助决策的工具，即台区的一个诊断结果。

同时，本发明的方法，还可以推广到运行线路上，进行运行线路的台区出口电压的(低电压累计时间占比、最低电压值，低电压平均值)三个纬度进行量化评分，作为线路的低电压月总分；然后按照线路低电压量化评分也按照月度进行数据串联再进行聚类分析；接下来，根据线路的问题进行规则判定然后形成判定矩阵。同时结合现场问题核实进行标签备注，作为有监督学习训练样本；最后形成运行线路低电压问题预警分类器，并利用分类器进行预警即可。

Claims (8)

1.一种低电压台区识别方法，包括如下步骤：

S1.获取待分析区域的用电数据信息；

S2.对步骤S1获取的用电数据信息进行数据清理；

S3.根据步骤S2得到的清理后数据，计算得到各个台区低电压评分；

S4.将步骤S3得到的各个台区的低电压评分按月进行串联，从而得到年度用户低电压表征矩阵；

S5.对步骤S4得到的年度用户低电压表征矩阵进行聚类分析，从而得到台区低电压问题分类集；具体为采用无监督训练的基于距离的KMeans聚类算法对年度用户低电压表征矩阵进行聚类分析，从而得到台区低电压问题分类集；

S6.根据步骤S5得到的台区低电压问题分类集，结合台区电气运行指标，形成台区月度低电压运行状态判定矩阵；具体为采用如下步骤得到台区月度低电压运行状态判定矩阵：

(1)采用如下规则设定影响因素判定规则：

户均容量：判定规则为户均容量小于或等于1；

台区出口低电压：判定规则为：月运行数据中，三相电压中存在任意一相的最低电压值小于198V；

三相不平衡：判定规则为：月运行数据中，电流三相不平衡度大于或等于50％的月累积时间占比大于0.3；

重载：判定规则为：出现重载即判定为重载；

过载：判定规则为：出现过载即判定为过载；

定义高损和负损为辅助因素：判定规则为：月线损率大于10％定义为高损，月线损率小于-1定义为负损；

(2)根据步骤S5得到的台区低电压问题分类集，以及台区电气运行指标，根据步骤(1)中定的判定规则，判定并形成台区月度低电压运行状态判定矩阵；

S7.根据步骤S6得到的台区月度低电压运行状态判定矩阵，进行低电压台区的识别。

2.根据权利要求1所述的低电压台区识别方法，其特征在于步骤S1所述的用电数据信息，具体包括台区名称、所属县公司、所属供电所、台区容量、台区编号、PMS线路名称、台区用户数、户均容量、连续最大负载率、过载时间、重载时间、监测到低电压用户数、低电压数据总点数、用户采集总点数、用户低电压点数、用户电压平均值、用户低电压最低值、出口低电压次数、出口低电压时间占比和出口电压最低值。

3.根据权利要求2所述的低电压台区识别方法，其特征在于步骤S2所述的对步骤S1获取的用电数据信息进行数据清理，具体为采用如下步骤进行数据清理：

A.对用电信息数据进行清理：将不匹配数据、空数据和重复数据删除；

B.以台区名称和台区编号做诶关联属性，对用电信息数据进行关联；

C.将低电压用户电压值关联到用户所属台区，从而计算得到各个台区的低电压用户的低电压累计时间占比、最低电压值和平均电压值，并统计各个台区的低电压用户数量。

4.根据权利要求3所述的低电压台区识别方法，其特征在于步骤S3所述的根据步骤S2得到的清理后数据，计算得到各个台区低电压评分，具体为采用如下步骤计算得到各个台区低电压评分：

a.将步骤S2得到的各个台区的低电压用户的低电压累计时间占比、最低电压值和平均电压值进行细粒度划分；

b.统计各个台区的低电压用户在步骤a划分的各个细粒度的用户数量；

c.采用加权求和的方式计算得到各个台区的低电压评分值。

5.一种包括了权利要求1～4之一所述的低电压台区识别方法的检修方法，其特征在于具体还包括如下步骤：

S8.根据步骤S7识别得到的低电压台区，对低电压台区进行检修，从而修正台区的低电压问题，并记录检修数据。

6.一种包括了权利要求5所述的检修方法的预警方法，其特征在于具体还包括如下步骤：

S9.对步骤S1～步骤S8得到的数据进行归一化处理，从而统一区间基准；

S10.采用步骤S7得到的低电压台区识别结果，以及步骤S8得到的检修数据，训练分类器，从而得到台区低电压问题预警分类器；

S11.将实时用电数据输入到步骤S10得到的台区低电压问题预警分类器，从而对待识别区域的台区低电压问题进行实时预警，并给出推荐的检修数据。

7.根据权利要求6所述的预警方法，其特征在于步骤S9所述的对步骤S1～步骤S8得到的数据进行归一化处理，从而统一区间基准，具体为采用基于区域范围的自适应分层特征表示算法进行处理，包括如下步骤：

Ⅰ.获取待处理的数据；

Ⅱ.进行特征表示：

以一个指标为单位，在特定区域范围内，绘制所有拥有该指标的 对象值的概率分布曲线；概率分布曲线的实现方法为：

将指标j用zb_j表示，对应所有台区样本的值为value_ij，其中i表示第i个台区且i＝1,2,...,n，j表示第j个指标且j＝1,2,...,s；将指标的值划分为bin＝X的直方图，X为设定值，从而得到序列{(x_1j,y_1j),(x_2j,y_2j),...,(x_kj,y_kj),...,(x_Xj,y_Xj)}，其中x_kj为指标j在其值所跨范围内划分成的X个区间中每一个区间末端对应的值，y_kj表示在区间[x_(k-1)j,x_kj]内台区的个数；

Ⅲ.根据步骤Ⅱ得到的概率分布曲线，利用回归函数将概率分布曲线拟合成为具体函数，计算拐点值，并将拐点值作为区间分层断点；最后采用不同权重和距离度量算法进行特征表征，从而将每个指标的表征范围统一到区间[0,1]。

8.根据权利要求7所述的预警方法，其特征在于步骤S10所述的采用步骤S7得到的低电压台区识别结果，以及步骤S8得到的检修数据，训练分类器，从而得到台区低电压问题预警分类器，具体为采用如下步骤进行训练：

ⅰ.将引发低电压问题的原因作为模式识别的类别标签Y(y₁,y₂,...,y_c)，将台区每月运行指标作为表征向量x_i(x_i1,x_i2,...,x_is)；

ⅱ.针对每一个类别，设计SVM支持向量机作为二元分类器，将结果表示为p(y_c|x_i)概率的形式，意义为：原因y_c造成低电压的概率为p(y_c|x_i)；针对每一个SVM_c，求解得到w_c；w_c为将台区运行特征向量判定为类别y_c各指标的权重系数。

Images