CN112308459A - 电网户变关系的识别方法及识别装置、电子设备 - Google Patents

电网户变关系的识别方法及识别装置、电子设备 Download PDF

Info

Publication number
CN112308459A
CN112308459A CN202011323872.3A CN202011323872A CN112308459A CN 112308459 A CN112308459 A CN 112308459A CN 202011323872 A CN202011323872 A CN 202011323872A CN 112308459 A CN112308459 A CN 112308459A
Authority
CN
China
Prior art keywords
user
processing
relationship
data
variable
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202011323872.3A
Other languages
English (en)
Inventor
马龙飞
王培祎
张禄
徐蕙
陆斯悦
严嘉慧
焦然
李香龙
丁屹峰
张宝群
蒋紫娟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
State Grid Corp of China SGCC
State Grid Beijing Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
State Grid Beijing Electric Power Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by State Grid Corp of China SGCC, State Grid Beijing Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN202011323872.3A priority Critical patent/CN112308459A/zh
Publication of CN112308459A publication Critical patent/CN112308459A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Health & Medical Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Marketing (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开了一种电网户变关系的识别方法及识别装置、电子设备。其中，该方法包括：获取影响电网户变关系的多个基础特征；对多个基础特征的数据进行处理，得到多个标准化数据；基于多个标准化数据，构建多个户变关系识别模型；采用多个模型评估指标从多个户变关系识别模型中选取目标关系识别模型；采用目标关系识别模型确定正常户变关系和异常户变关系。本发明解决了相关技术中无法分析电网中户变关系调整状态的技术问题。

Description

电网户变关系的识别方法及识别装置、电子设备
技术领域
本发明涉及电网数据处理技术领域，具体而言，涉及一种电网户变关系的识别方法及识别装置、电子设备。
背景技术
相关技术中，随着智能电网快速建设，为电网数据挖掘的运用提供了基础。
户变关系指的是变压器(台区)和用户电表的连接关系，台区户变关系的正确性是实现台区线损准确计算分析的前提。当前智能电网建设过程中，无法有效分析出发生变更、删除、增加的户变关系，而户变关系的变化对电网节能增效具有重要的意义，无法分析户变关系的调整关系，使得电网电能效能会有明显下降。因此本发明采用一种模型融合的方式对用户的户变调整进行预测。
针对上述的问题，目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种电网户变关系的识别方法及识别装置、电子设备，以至少解决相关技术中无法分析电网中户变关系调整状态的技术问题。
根据本发明实施例的一个方面，提供了一种电网户变关系的识别方法，包括：获取影响电网户变关系的多个基础特征；对所述多个基础特征的数据进行处理，得到多个标准化数据；基于所述多个标准化数据，构建多个户变关系识别模型；采用多个模型评估指标从所述多个户变关系识别模型中选取目标关系识别模型；采用所述目标关系识别模型确定正常户变关系和异常户变关系。
可选地，获取影响电网户变关系的多个基础特征的步骤，包括：获取影响电网户变关系的多个户变指标；对所述多个户变指标进行线损率差分波动计算，以确定目标用户的用电电表对线损波动造成的第一影响特征，其中，所述第一影响特征至少包括：线损波动率特征；基于台区总表的电压与各个用户的电表电压进行皮尔逊相关性计算，得到电压皮尔逊相关系数，基于所述电压皮尔逊相关系数确定第二影响特征；以台区变压器低压侧三相智能电表的三相电压数据作为参考数列，以用户侧智能电表的电压数据作为比较数列，分析用户侧智能电表的电压数据与变压器低压侧智能电表数据之间的相似度，将所述相似度作为第三影响特征；基于用户尖峰平谷用电量和终端尖峰平谷电量，以确定第四影响特征；以所述第一影响特征、所述第二影响特征、所述第三影响特征和所述第四影响特征，确定多个基础特征。
可选地，对所述多个基础特征的数据进行处理，得到多个标准化数据的步骤，包括：对所述多个基础特征进行衍生处理，得到特征集合；对所述特征集合进行降维处理和归一化处理，得到多个标准化数据。
可选地，对所述多个基础特征进行衍生处理，得到特征集合的步骤，包括：确定在预设时间段内每个所述基础特征的参数变化曲线；以所述参数变化曲线为基础，基于所述多个基础特征衍生多个其它特征；基于所述多个基础特征和所述多个其它特征，确定所述特征集合。
可选地，对所述特征集合进行降维处理和归一化处理，得到多个标准化数据的步骤，包括：删除所述特征集合中稳定评估值低于预设评估阈值的特征；将删除后的特征集合进行主成分分析处理；根据主成分分析处理的处理结果，将所述特征集合中相关系数大于预设相关阈值的特征进行删除处理，以完成降维处理。
可选地，对所述特征集合进行降维处理和归一化处理，得到多个标准化数据的步骤，包括：采用预设归一化处理公式对所述特征集合中每个特征的特征参数进行归一化处理，得到多个标准化数据。
可选地，采用多个模型评估指标从所述多个户变关系识别模型中选取目标关系识别模型的步骤，包括：将多个标准化数据分别输入至每个所述户变关系识别模型；接收每个所述户变关系识别模型输出的户变关系异常预测值；基于多个模型评估指标，计算每个户变关系识别模型的指标值；对每个所述户变关系识别模型的多个指标值进行多次迭代处理，并根据迭代处理结果选取出所述目标关系识别模型。
根据本发明实施例的另一方面，还提供了一种电网户变关系的识别装置，包括：获取单元，用于获取影响电网户变关系的多个基础特征；处理单元，用于对所述多个基础特征的数据进行处理，得到多个标准化数据；构建单元，用于基于所述多个标准化数据，构建多个户变关系识别模型；选取单元，用于采用多个模型评估指标从所述多个户变关系识别模型中选取目标关系识别模型；确定单元，用于采用所述目标关系识别模型确定正常户变关系和异常户变关系。
可选地，所述获取单元包括：第一获取模块，用于获取影响电网户变关系的多个户变指标；第一确定模块，用于对所述多个户变指标进行线损率差分波动计算，以确定目标用户的用电电表对线损波动造成的第一影响特征，其中，所述第一影响特征至少包括：线损波动率特征；第一计算模块，用于基于台区总表的电压与各个用户的电表电压进行皮尔逊相关性计算，得到电压皮尔逊相关系数，基于所述电压皮尔逊相关系数确定第二影响特征；第一分析模块，用于以台区变压器低压侧三相智能电表的三相电压数据作为参考数列，以用户侧智能电表的电压数据作为比较数列，分析用户侧智能电表的电压数据与变压器低压侧智能电表数据之间的相似度，将所述相似度作为第三影响特征；第二确定模块，用于基于用户尖峰平谷用电量和终端尖峰平谷电量，以确定第四影响特征；第三确定模块，用于以所述第一影响特征、所述第二影响特征、所述第三影响特征和所述第四影响特征，确定多个基础特征。
可选地，所述处理单元包括：衍生模块，用于对所述多个基础特征进行衍生处理，得到特征集合；第一处理模块，用于对所述特征集合进行降维处理和归一化处理，得到多个标准化数据。
可选地，所述衍生模块包括：第一确定子模块，用于确定在预设时间段内每个所述基础特征的参数变化曲线；衍生子模块，用于以所述参数变化曲线为基础，基于所述多个基础特征衍生多个其它特征；第二确定子模块，用于基于所述多个基础特征和所述多个其它特征，确定所述特征集合。
可选地，所述第一处理模块包括：删除子模块，用于删除所述特征集合中稳定评估值低于预设评估阈值的特征；第一处理子模块，用于将删除后的特征集合进行主成分分析处理；第二处理子模块，用于根据主成分分析处理的处理结果，将所述特征集合中相关系数大于预设相关阈值的特征进行删除处理，以完成降维处理。
可选地，所述第一处理模块还包括：第三处理子模块，用于采用预设归一化处理公式对所述特征集合中每个特征的特征参数进行归一化处理，得到多个标准化数据。
可选地，所述选取单元包括：输入模块，用于将多个标准化数据分别输入至每个所述户变关系识别模型；接收模块，用于接收每个所述户变关系识别模型输出的户变关系异常预测值；第二计算模块，用于基于多个模型评估指标，计算每个户变关系识别模型的指标值；迭代模块，用于对每个所述户变关系识别模型的多个指标值进行多次迭代处理，并根据迭代处理结果选取出所述目标关系识别模型。
根据本发明实施例的另一方面，还提供了一种电子设备，包括：处理器；以及存储器，用于存储所述处理器的可执行指令；其中，所述处理器配置为经由执行所述可执行指令来执行上述任意一项所述的电网户变关系的识别方法。
根据本发明实施例的另一方面，还提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行上述任意一项所述的电网户变关系的识别方法。
本发明实施例中，获取影响电网户变关系的多个基础特征；对多个基础特征的数据进行处理，得到多个标准化数据；基于多个标准化数据，构建多个户变关系识别模型；采用多个模型评估指标从多个户变关系识别模型中选取目标关系识别模型；采用目标关系识别模型确定正常户变关系和异常户变关系。在该实施例中，可以通过户变关系识别模型识别出电网中发生户变调整的用户，对用户户变关系调整进行实时分析，从而解决相关技术中无法分析电网中户变关系调整状态的技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是根据本发明实施例的一种可选的电网户变关系的识别方法的流程图；
图2是根据本发明实施例的一种可选的电网户变关系的识别装置的示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
根据本发明实施例，提供了一种电网户变关系的识别方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
图1是根据本发明实施例的一种可选的电网户变关系的识别方法的流程图，如图1所示，该方法包括如下步骤：
步骤S102，获取影响电网户变关系的多个基础特征；
步骤S104，对多个基础特征的数据进行处理，得到多个标准化数据；
步骤S106，基于多个标准化数据，构建多个户变关系识别模型；
步骤S108，采用多个模型评估指标从多个户变关系识别模型中选取目标关系识别模型；
步骤S110，采用目标关系识别模型确定正常户变关系和异常户变关系。
通过上述步骤，可以获取影响电网户变关系的多个基础特征；对多个基础特征的数据进行处理，得到多个标准化数据；基于多个标准化数据，构建多个户变关系识别模型；采用多个模型评估指标从多个户变关系识别模型中选取目标关系识别模型；采用目标关系识别模型确定正常户变关系和异常户变关系。在该实施例中，可以通过户变关系识别模型识别出电网中发生户变调整的用户，对用户户变关系调整进行实时分析，从而解决相关技术中无法分析电网中户变关系调整状态的技术问题。
下面结合上述各步骤对本发明实施例进行详细说明。
步骤S102，获取影响电网户变关系的多个基础特征。
可选的，获取影响电网户变关系的多个基础特征的步骤，包括：获取影响电网户变关系的多个户变指标；对多个户变指标进行线损率差分波动计算，以确定目标用户的用电电表对线损波动造成的第一影响特征，其中，第一影响特征至少包括：线损波动率特征；基于台区总表的电压与各个用户的电表电压进行皮尔逊相关性计算，得到电压皮尔逊相关系数，基于电压皮尔逊相关系数确定第二影响特征；以台区变压器低压侧三相智能电表的三相电压数据作为参考数列，以用户侧智能电表的电压数据作为比较数列，分析用户侧智能电表的电压数据与变压器低压侧智能电表数据之间的相似度，将相似度作为第三影响特征；基于用户尖峰平谷用电量和终端尖峰平谷电量，以确定第四影响特征；以第一影响特征、第二影响特征、第三影响特征和第四影响特征，确定多个基础特征。
在获取户变指标时，可以是根据历史已知数据分析得到的，影响户变的指标包括但不限于：用户用电量、供电量、线损电量、线损率、用户电压、终端电压、停电记录、用电地址等。根据这些户变指标，结合时间特性，基于差分、相关性等统计量对基础特征进行处理。
对多个户变指标进行线损率差分波动计算，以确定目标用户的用电电表对线损波动造成的第一影响特征时，包括：采用如下第一预设公式计算线损率波动值，线损率一阶差分稳定性公式如下：
Figure BDA0002793714410000061
C＝Sp-Sq，
式中，Wi为台区第i天变压器读数，wi为台区用户第i天用电量之和，S代表线损率波动，Sq为原线损率波动，Sp为测试后新线损率波动，C为测试用户对线损波动造成的相对影响参数。
基于台区总表的电压与各个用户的电表电压进行皮尔逊相关性计算，得到电压皮尔逊相关系数，基于电压皮尔逊相关系数确定第二影响特征时，包括：采用如下第二预设公式计算皮尔逊相关系数，台区总表的电压与各个用户的电表电压进行皮尔逊相关性计算：
Figure BDA0002793714410000062
式中，
Figure BDA0002793714410000063
分别代表X、Y的均值。P的取值介于-1与1之间，P的绝对值越大，表明变量X与变量Y的相关性越高；P的绝对值越小，表明变量X与变量Y的相关性越低。
以台区变压器低压侧三相智能电表的三相电压数据作为参考数列，以用户侧智能电表的电压数据作为比较数列，分析用户侧智能电表的电压数据与变压器低压侧智能电表数据之间的相似度，将相似度作为第三影响特征时，包括：台区变压器低压侧三相智能电表的三相电压数据作为参考数列，各用户侧智能电表的电压数据作为比较数列，对以上数据进行灰色关联分析,得到各比较数列与参数数列的关联度，来衡量用户智能电表数据与变压器低压侧智能电表数据之间的相似度，从而识别用户所属台区是否发生户变。
基于用户尖峰平谷用电量和终端尖峰平谷电量，以确定第四影响特征时，包括：直接通过电表设备测量用户侧电压、用户尖峰平谷用电量和终端尖峰平谷电量。
步骤S104，对多个基础特征的数据进行处理，得到多个标准化数据。
可选的，对多个基础特征的数据进行处理，得到多个标准化数据的步骤，包括：对多个基础特征进行衍生处理，得到特征集合；对特征集合进行降维处理和归一化处理，得到多个标准化数据。
在本发明实施例中，对多个基础特征进行衍生处理，得到特征集合的步骤，包括：确定在预设时间段内每个基础特征的参数变化曲线；以参数变化曲线为基础，基于多个基础特征衍生多个其它特征；基于多个基础特征和多个其它特征，确定特征集合。
在进行特征衍生处理时，主要对上述基础特征，如用户电量、用户负荷、用户异常、用户停电、用户物理地址匹配、用户线损波动率等基础特征作二次衍生，并加上时间的维度。如近六个月用户用电的最大值/最小值/平均值/标准差；用户最近六个月用电电量连续上升/下降的月份数，用户最近六个月用电电量在所在台区排名连续上升/下降的月份数等。
在本发明实施例中，对特征集合进行降维处理和归一化处理，得到多个标准化数据的步骤，包括：删除特征集合中稳定评估值低于预设评估阈值的特征；将删除后的特征集合进行主成分分析处理；根据主成分分析处理的处理结果，将特征集合中相关系数大于预设相关阈值的特征进行删除处理，以完成降维处理。
在进行特征降维处理时，经过上述特征衍生处理后，特征数量众多，直接输入到模型中，计算量非常大、耗时、低效。可以通过特征降维的方式，把不稳定的特征、相关性强的特征等通过算法自动进行筛选，这样的方式，可以在不影响模型整体效果的情况下，达到降维的目的。例如，PSI(模型稳定性评估指标，Population Stability Index的简称)是衡量特征的稳定性，通过计算特征的PSI值，删除PSI高的也即波动性大的指标；通过主成分分析(PCA)及GLMSELECT算法对相关性强的特征进行降维。
在本发明实施例中，对特征集合进行降维处理和归一化处理，得到多个标准化数据的步骤，包括：采用预设归一化处理公式对特征集合中每个特征的特征参数进行归一化处理，得到多个标准化数据。
在进行特征归一化处理时，为消除各特征的量纲差异，可对特征进行归一化处理，本发明实施例可采用z-score标准化对数据进行标准化，具体公式为x＝(x-u)/σ，其中u是均值，σ是标准差，处理后的数据符合标准正态分布。原始数据经过数据标准化处理后，各指标处于同一数量级，适合进行综合对比评价。
步骤S106，基于多个标准化数据，构建多个户变关系识别模型。
在完成特征筛选后，构建多个户变关系识别模型，例如，分别构建LightGBM、LR、XGBoost、RF、CART、CatBoost等模型来分析用户户变关系是否发生调整、异常，并不断迭代，最终根据模型评估指标AUC(Area Under the Curve的简称，指示ROC曲线下的面积，ROC(receiver Operating characteristic curve)是用于评估概率值)和KS(Kolmogorov-Smirnov的简称，用于评估好坏样本累计分布之间的差值)值来选择最终用到的模型。
步骤S108，采用多个模型评估指标从多个户变关系识别模型中选取目标关系识别模型。
可选的，采用多个模型评估指标从多个户变关系识别模型中选取目标关系识别模型的步骤，包括：将多个标准化数据分别输入至每个户变关系识别模型；接收每个户变关系识别模型输出的户变关系异常预测值；基于多个模型评估指标，计算每个户变关系识别模型的指标值；对每个户变关系识别模型的多个指标值进行多次迭代处理，并根据迭代处理结果选取出目标关系识别模型。
例如，分别将筛选后并经过归一化后的特征分别输入到LightGBM、XGBoost、RF、CART、CatBoost等模型中；然后通过LightGBM、XGBoost、RF、CART、CatBoost模型分别输出户变关系异常的评估值；计算各模型的评估指标AUC、KS值，并不断迭代根据此选取表现最好的模型作为最终的户变异常关系识别模型。
步骤S110，采用目标关系识别模型确定正常户变关系和异常户变关系。
通过上述选取的目标关系识别模型来分析发生调整或者出现异常的户变关系，并将发生调整或者出现异常的户变关系发送至电网控制终端，从而及时调整户变关系，完成电网电能的高效使用。
图2是根据本发明实施例的一种可选的电网户变关系的识别装置的示意图，如图2所示，该识别装置可以包括：获取单元21，处理单元23，构建单元25，选取单元27，确定单元29，其中，
获取单元21，用于获取影响电网户变关系的多个基础特征；
处理单元23，用于对多个基础特征的数据进行处理，得到多个标准化数据；
构建单元25，用于基于多个标准化数据，构建多个户变关系识别模型；
选取单元27，用于采用多个模型评估指标从多个户变关系识别模型中选取目标关系识别模型；
确定单元29，用于采用目标关系识别模型确定正常户变关系和异常户变关系。
上述电网户变关系的识别装置，可以通过获取单元21获取影响电网户变关系的多个基础特征；通过处理单元23对多个基础特征的数据进行处理，得到多个标准化数据；通过构建单元25基于多个标准化数据，构建多个户变关系识别模型；通过选取单元27采用多个模型评估指标从多个户变关系识别模型中选取目标关系识别模型；通过确定单元29采用目标关系识别模型确定正常户变关系和异常户变关系。在该实施例中，可以通过户变关系识别模型识别出电网中发生户变调整的用户，对用户户变调整进行实时分析，从而解决相关技术中无法分析电网中户变关系调整状态的技术问题。
可选的，获取单元包括：第一获取模块，用于获取影响电网户变关系的多个户变指标；第一确定模块，用于对多个户变指标进行线损率差分波动计算，以确定目标用户的用电电表对线损波动造成的第一影响特征，其中，第一影响特征至少包括：线损波动率特征；第一计算模块，用于基于台区总表的电压与各个用户的电表电压进行皮尔逊相关性计算，得到电压皮尔逊相关系数，基于电压皮尔逊相关系数确定第二影响特征；第一分析模块，用于以台区变压器低压侧三相智能电表的三相电压数据作为参考数列，以用户侧智能电表的电压数据作为比较数列，分析用户侧智能电表的电压数据与变压器低压侧智能电表数据之间的相似度，将相似度作为第三影响特征；第二确定模块，用于基于用户尖峰平谷用电量和终端尖峰平谷电量，以确定第四影响特征；第三确定模块，用于以第一影响特征、第二影响特征、第三影响特征和第四影响特征，确定多个基础特征。
可选的，处理单元包括：衍生模块，用于对多个基础特征进行衍生处理，得到特征集合；第一处理模块，用于对特征集合进行降维处理和归一化处理，得到多个标准化数据。
可选的，衍生模块包括：第一确定子模块，用于确定在预设时间段内每个基础特征的参数变化曲线；衍生子模块，用于以参数变化曲线为基础，基于多个基础特征衍生多个其它特征；第二确定子模块，用于基于多个基础特征和多个其它特征，确定特征集合。
可选的，第一处理模块包括：删除子模块，用于删除特征集合中稳定评估值低于预设评估阈值的特征；第一处理子模块，用于将删除后的特征集合进行主成分分析处理；第二处理子模块，用于根据主成分分析处理的处理结果，将特征集合中相关系数大于预设相关阈值的特征进行删除处理，以完成降维处理。
可选的，第一处理模块还包括：第三处理子模块，用于采用预设归一化处理公式对特征集合中每个特征的特征参数进行归一化处理，得到多个标准化数据。
可选的，选取单元包括：输入模块，用于将多个标准化数据分别输入至每个户变关系识别模型；接收模块，用于接收每个户变关系识别模型输出的户变关系异常预测值；第二计算模块，用于基于多个模型评估指标，计算每个户变关系识别模型的指标值；迭代模块，用于对每个户变关系识别模型的多个指标值进行多次迭代处理，并根据迭代处理结果选取出目标关系识别模型。
上述的电网户变关系的识别装置还可以包括处理器和存储器，上述获取单元21，处理单元23，构建单元25，选取单元27，确定单元29等均作为程序单元存储在存储器中，由处理器执行存储在存储器中的上述程序单元来实现相应的功能。
上述处理器中包含内核，由内核去存储器中调取相应的程序单元。内核可以设置一个或以上，通过调整内核参数来采用目标关系识别模型确定正常户变关系和异常户变关系。
上述存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)，存储器包括至少一个存储芯片。
根据本发明实施例的另一方面，还提供了一种电子设备，包括：处理器；以及存储器，用于存储处理器的可执行指令；其中，处理器配置为经由执行可执行指令来执行上述任意一项的电网户变关系的识别方法。
根据本发明实施例的另一方面，还提供了一种计算机可读存储介质，计算机可读存储介质包括存储的计算机程序，其中，在计算机程序运行时控制计算机可读存储介质所在设备执行上述任意一项的电网户变关系的识别方法。
本申请还提供了一种计算机程序产品，当在数据处理设备上执行时，适于执行初始化有如下方法步骤的程序：获取影响电网户变关系的多个基础特征；对多个基础特征的数据进行处理，得到多个标准化数据；基于多个标准化数据，构建多个户变关系识别模型；采用多个模型评估指标从多个户变关系识别模型中选取目标关系识别模型；采用目标关系识别模型确定正常户变关系和异常户变关系。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.一种电网户变关系的识别方法，其特征在于，包括：
获取影响电网户变关系的多个基础特征；
对所述多个基础特征的数据进行处理，得到多个标准化数据；
基于所述多个标准化数据，构建多个户变关系识别模型；
采用多个模型评估指标从所述多个户变关系识别模型中选取目标关系识别模型；
采用所述目标关系识别模型确定正常户变关系和异常户变关系。
2.根据权利要求1所述的识别方法，其特征在于，获取影响电网户变关系的多个基础特征的步骤，包括：
获取影响电网户变关系的多个户变指标；
对所述多个户变指标进行线损率差分波动计算，以确定目标用户的用电电表对线损波动造成的第一影响特征，其中，所述第一影响特征至少包括：线损波动率特征；
基于台区总表的电压与各个用户的电表电压进行皮尔逊相关性计算，得到电压皮尔逊相关系数，基于所述电压皮尔逊相关系数确定第二影响特征；
以台区变压器低压侧三相智能电表的三相电压数据作为参考数列，以用户侧智能电表的电压数据作为比较数列，分析用户侧智能电表的电压数据与变压器低压侧智能电表数据之间的相似度，将所述相似度作为第三影响特征；
基于用户尖峰平谷用电量和终端尖峰平谷电量，以确定第四影响特征；
以所述第一影响特征、所述第二影响特征、所述第三影响特征和所述第四影响特征，确定多个基础特征。
3.根据权利要求1所述的识别方法，其特征在于，对所述多个基础特征的数据进行处理，得到多个标准化数据的步骤，包括：
对所述多个基础特征进行衍生处理，得到特征集合；
对所述特征集合进行降维处理和归一化处理，得到多个标准化数据。
4.根据权利要求3所述的识别方法，其特征在于，对所述多个基础特征进行衍生处理，得到特征集合的步骤，包括：
确定在预设时间段内每个所述基础特征的参数变化曲线；
以所述参数变化曲线为基础，基于所述多个基础特征衍生多个其它特征；
基于所述多个基础特征和所述多个其它特征，确定所述特征集合。
5.根据权利要求4所述的识别方法，其特征在于，对所述特征集合进行降维处理和归一化处理，得到多个标准化数据的步骤，包括：
删除所述特征集合中稳定评估值低于预设评估阈值的特征；
将删除后的特征集合进行主成分分析处理；
根据主成分分析处理的处理结果，将所述特征集合中相关系数大于预设相关阈值的特征进行删除处理，以完成降维处理。
6.根据权利要求5所述的识别方法，其特征在于，对所述特征集合进行降维处理和归一化处理，得到多个标准化数据的步骤，包括：
采用预设归一化处理公式对所述特征集合中每个特征的特征参数进行归一化处理，得到多个标准化数据。
7.根据权利要求6所述的识别方法，其特征在于，采用多个模型评估指标从所述多个户变关系识别模型中选取目标关系识别模型的步骤，包括：
将多个标准化数据分别输入至每个所述户变关系识别模型；
接收每个所述户变关系识别模型输出的户变关系异常预测值；
基于多个模型评估指标，计算每个户变关系识别模型的指标值；
对每个所述户变关系识别模型的多个指标值进行多次迭代处理，并根据迭代处理结果选取出所述目标关系识别模型。
8.一种电网户变关系的识别装置，其特征在于，包括：
获取单元，用于获取影响电网户变关系的多个基础特征；
处理单元，用于对所述多个基础特征的数据进行处理，得到多个标准化数据；
构建单元，用于基于所述多个标准化数据，构建多个户变关系识别模型；
选取单元，用于采用多个模型评估指标从所述多个户变关系识别模型中选取目标关系识别模型；
确定单元，用于采用所述目标关系识别模型确定正常户变关系和异常户变关系。
9.一种电子设备，其特征在于，包括：
处理器；以及
存储器，用于存储所述处理器的可执行指令；
其中，所述处理器配置为经由执行所述可执行指令来执行权利要求1至7中任意一项所述的电网户变关系的识别方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行权利要求1至7中任意一项所述的电网户变关系的识别方法。
CN202011323872.3A 2020-11-23 2020-11-23 电网户变关系的识别方法及识别装置、电子设备 Pending CN112308459A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011323872.3A CN112308459A (zh) 2020-11-23 2020-11-23 电网户变关系的识别方法及识别装置、电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011323872.3A CN112308459A (zh) 2020-11-23 2020-11-23 电网户变关系的识别方法及识别装置、电子设备

Publications (1)

Publication Number Publication Date
CN112308459A true CN112308459A (zh) 2021-02-02

Family

ID=74335557

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011323872.3A Pending CN112308459A (zh) 2020-11-23 2020-11-23 电网户变关系的识别方法及识别装置、电子设备

Country Status (1)

Country Link
CN (1) CN112308459A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113269397A (zh) * 2021-04-25 2021-08-17 云南电网有限责任公司信息中心 一种基于图谱技术的设备关联特征户变关系核查方法
CN113297539A (zh) * 2021-05-07 2021-08-24 天云融创数据科技（北京）有限公司 户变关系异常识别方法、装置、电子设备和介质
CN113781056A (zh) * 2021-09-17 2021-12-10 中国银行股份有限公司 预测用户欺诈行为的方法及装置
CN114862139A (zh) * 2022-04-19 2022-08-05 国网江苏省电力有限公司南通供电分公司 一种基于数据驱动的台区线损率异常诊断方法
CN115203286A (zh) * 2022-05-25 2022-10-18 广州番禺职业技术学院 一种基于知识驱动的台区户变关系识别方法

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113269397A (zh) * 2021-04-25 2021-08-17 云南电网有限责任公司信息中心 一种基于图谱技术的设备关联特征户变关系核查方法
CN113297539A (zh) * 2021-05-07 2021-08-24 天云融创数据科技（北京）有限公司 户变关系异常识别方法、装置、电子设备和介质
CN113781056A (zh) * 2021-09-17 2021-12-10 中国银行股份有限公司 预测用户欺诈行为的方法及装置
CN114862139A (zh) * 2022-04-19 2022-08-05 国网江苏省电力有限公司南通供电分公司 一种基于数据驱动的台区线损率异常诊断方法
CN114862139B (zh) * 2022-04-19 2023-12-22 国网江苏省电力有限公司南通供电分公司 一种基于数据驱动的台区线损率异常诊断方法
CN115203286A (zh) * 2022-05-25 2022-10-18 广州番禺职业技术学院 一种基于知识驱动的台区户变关系识别方法

Similar Documents

Publication Publication Date Title
CN112308459A (zh) 电网户变关系的识别方法及识别装置、电子设备
Sun et al. Probabilistic peak load estimation in smart cities using smart meter data
CN112699913A (zh) 一种台区户变关系异常诊断方法及装置
CN111126429A (zh) 一种基于PCA降维和K-Means聚类的低压台区用户接入点识别方法
CN112966219B (zh) 识别户表与表箱关系的方法及系统、设备、介质
CN110389269A (zh) 基于电流优化匹配的低压台区拓扑关系识别方法及其装置
CN111932069A (zh) 家庭电力用户用电能效分析方法、计算机设备、存储介质
CN111062620B (zh) 基于混合计费数据的电力计费公平性智能分析系统及方法
CN108428055B (zh) 一种考虑负荷纵向特性的负荷聚类方法
CN112001644B (zh) 一种配电网运行可靠性检测方法、装置、终端及存储介质
CN113189418B (zh) 一种基于电压数据的拓扑关系识别方法
CN112614004A (zh) 用电信息的处理方法及装置
Hashemipour et al. Optimal singular value decomposition based big data compression approach in smart grids
CN107274025B (zh) 一种实现用电模式智能识别与管理的系统和方法
CN110765351A (zh) 目标用户识别方法、装置、计算机设备和存储介质
CN114202179A (zh) 目标企业的识别方法以及装置
Grigoras et al. Processing of smart meters data for peak load estimation of consumers
CN112595918A (zh) 一种低压集抄故障的检测方法及装置
CN110851502B (zh) 一种基于数据挖掘技术的负荷特征场景分类方法
CN116502894A (zh) 光伏台区停电风险评估方法、装置、电子设备及存储介质
CN115051363B (zh) 一种配网台区户变关系辨识方法、装置及计算机存储介质
CN116249186A (zh) 无线网设备的数据处理方法、装置、存储介质及电子设备
CN111191946A (zh) 故障线路识别方法及装置、电子设备
CN110781959A (zh) 基于birch算法和随机森林算法的电力客户分群方法
CN116400266A (zh) 基于数字孪生模型的变压器故障检测方法、装置及介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination