CN112819649A - 确定台区户变关系的方法及装置 - Google Patents
确定台区户变关系的方法及装置 Download PDFInfo
- Publication number
- CN112819649A CN112819649A CN202011626842.XA CN202011626842A CN112819649A CN 112819649 A CN112819649 A CN 112819649A CN 202011626842 A CN202011626842 A CN 202011626842A CN 112819649 A CN112819649 A CN 112819649A
- Authority
- CN
- China
- Prior art keywords
- determining
- station area
- user
- time sequence
- transformer
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 63
- 230000008859 change Effects 0.000 title claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 47
- 238000012545 processing Methods 0.000 claims abstract description 46
- 239000011159 matrix material Substances 0.000 claims description 50
- 238000012880 independent component analysis Methods 0.000 claims description 18
- 230000009466 transformation Effects 0.000 claims description 17
- 230000002087 whitening effect Effects 0.000 claims description 13
- 230000009467 reduction Effects 0.000 claims description 11
- 238000004458 analytical method Methods 0.000 claims description 4
- 230000001419 dependent effect Effects 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 6
- 230000008569 process Effects 0.000 description 10
- 239000013598 vector Substances 0.000 description 8
- 230000006870 function Effects 0.000 description 6
- 238000005070 sampling Methods 0.000 description 6
- 238000000354 decomposition reaction Methods 0.000 description 5
- 238000001514 detection method Methods 0.000 description 5
- 230000005611 electricity Effects 0.000 description 5
- 230000006854 communication Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 238000013178 mathematical model Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 238000000926 separation method Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007175 bidirectional communication Effects 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
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
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
-
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
Abstract
本申请公开了一种确定台区户变关系的方法及装置。其中，该方法包括：采集台区内变压器侧与用户侧的时序数据，其中，时序数据至少包括：电压时序数据和电流时序数据；根据电压时序数据得到多个观测变量，基于预设算法对多个观测变量进行处理，得到初步台区户变关系；根据电流时序数据确定整数规划模型；将初步台区户变关系输入至整数规划模型进行处理，得到目标台区户变关系。本申请解决了由于相关技术中在识别台区户变关系时，基于人工识别和使用专用台区识别设备进行识别等识别方式造成的识别效率低下、求解速度较慢且受变压器供电范围的限制操作难度较大的技术问题。
Description
技术领域
本申请涉及台区户变关系识别领域，具体而言，涉及一种确定台区户变关系的方法及装置。
背景技术
随着电网规模的迅速发展和电力用户的快速增长，建设坚强的智能电网已成为我国电力工业发展的新目标。在城乡电网深入改造的过程中，需要在用户侧和配变处安装智能电表和智能配变终端等设备。然而在一些老旧城区尤其是一些乡镇，配电网台区的用户信息混乱、丢失或不准确，严重制约了智能电网的建设进程：在老城区随着用电量的增加，供电公司新增了变压器或变压器增容，在接线改动或均衡分配负荷线路改造后，信息更新不及时导致用户信息与实际不符。为了便于管理，电力公司对低压配电网用户实行分台区管理，而台户关系识别是实现营销精益化、降耗减损的基础，也是窃电检测的前提。为保证线损计算的准确性，电力部门需要经常排查用户的台区信息。在低压台区，部分老旧街区的线路复杂，由于台区信息的不完善和更新不及时等原因，台区用户资料往往不准确甚至缺失。此外，由于用户接线改动或因均衡负荷分配进行线路改造导致的用户进线端和集中器归属关系记录不准确、台户关系与实际不符的问题时有发生，因此在不断电的情况下对台户关系进行有效地识别尤为重要。
目前台区户变(台户)关系识别方法主要分为人工识别和使用专用台区识别设备。人工识别主要依靠电力人员到现场住户排查用户台区归属，随着用电人口与日俱增，人工识别费时费力且效率低下。专用台区识别设备主要采用脉冲电流法，脉冲电流法在变压器端发送脉冲电流信号，在识别终端接受脉冲电流信号完成识别。但该方法无法双向通讯，通常需要载波通信作为辅助通信配合使用，此外脉冲电流信号通过变压器时不会产生交变磁场，无法通过变压器，因此只能在同一台区同一相线范围内传输，因此，相关技术中在确定台区户变关系时存在效率低下，且受变压器供电范围的限制操作难度较大的技术问题。
针对上述的问题，目前尚未提出有效的解决方案。
发明内容
本申请实施例提供了一种确定台区户变关系的方法及装置，以至少解决由于相关技术中在识别台区户变关系时，基于人工识别和使用专用台区识别设备进行识别等识别方式造成的识别效率低下、求解速度较慢且受变压器供电范围的限制操作难度较大的技术问题。
根据本申请实施例的一个方面，提供了一种确定台区户变关系的方法，包括：采集台区内变压器侧与用户侧的时序数据，其中，时序数据至少包括：电压时序数据和电流时序数据；根据电压时序数据得到多个观测变量，基于预设算法对多个观测变量进行处理，得到初步台区户变关系；根据电流时序数据确定整数规划模型；将初步台区户变关系输入至整数规划模型进行处理，得到目标台区户变关系。
可选地，预设算法，包括独立成分分析算法和聚类算法，基于预设算法对多个观测变量进行处理，得到初步台区户变关系，包括：基于独立成分分析算法对多个观测变量进行降维处理，得到多个观测变量对应的混合矩阵；基于聚类算法对混合矩阵进行聚类分析，得到聚类结果，根据聚类结果确定初步台区户变关系。
可选地，在基于独立成分分析算法对多个观测变量进行降维处理前，方法包括：确定多个观测变量的平均值；将多个观测变量中每个观测变量减去平均值，得到多个观测变量对应的去中心化值。
可选地，在基于独立成分分析算法对多个观测变量进行降维处理前，方法还包括：通过白化矩阵对多个观测变量进行白化变换。
可选地，在根据电流时序数据确定整数规划模型之前，方法包括：对电流时序数据进行离散多阶小波变换，得到电流时序数据对应的高频分量。
可选地，得到电流时序数据对应的高频分量之后，方法还包括：确定高频分量之和与台区总表电流高频分量的误差。
可选地，在根据电流时序数据确定整数规划模型之前，方法还包括：基于台区内每个用户必须且仅连接1个变压器，对户变关系进行建模得到户变约束关系。
可选地，根据电流时序数据确定整数规划模型，包括：确定高频分量对应的对角矩阵；至少根据对角矩阵、高频分量之和与台区总表电流高频分量的误差及户变约束关系得到整数规划模型。
可选地，将初步台区户变关系输入至整数规划模型进行处理，包括：将初步台区户变关系转化矩阵；将矩阵作为整数规划模型的初始值，得到目标台区户变关系。
根据本申请实施例的一个方面，还提供了一种确定台区户变关系的装置，包括：采集模块，用于采集台区内变压器侧与用户侧的时序数据，其中，时序数据至少包括：电压时序数据和电流时序数据；第一处理模块，用于根据电压时序数据得到多个观测变量，基于预设算法对多个观测变量进行处理，得到初步台区户变关系；确定模块，用于根据电流时序数据确定整数规划模型；第二处理模块，用于将初步台区户变关系输入至整数规划模型进行处理，得到目标台区户变关系。
根据本申请实施例的一个方面，还提供了一种非易失性存储介质，非易失性存储介质包括存储的程序，其中，在程序运行时控制非易失性存储介质所在设备执行任意一种确定台区户变关系的方法。
根据本申请实施例的一个方面，还提供了一种处理器，处理器用于运行程序，其中，程序运行时执行任意一种确定台区户变关系的方法。
在本申请实施例中，采用分析台区内变压器侧与用户侧的时序数据的方式，通过电压时序数据得到多个观测变量，再基于预设算法对多个观测变量进行处理，得到初步台区户变关系，然后，根据电流时序数据确定整数规划模型，最后，将初步台区户变关系输入至整数规划模型进行处理，得到目标台区户变关系，达到了无需安装额外的识备和装置，无需人工检测，只需根据一定的采样频率采集用户电压、电流时序数据实现户变关系的识别，以及将基于电压时序数据得到的初步台区户变关系作为整数规划模型的输入，大大提升了模型的求解速度的目的，从而实现了快速、简单、准确识别台区户变关系的技术效果，进而解决了由于相关技术中在识别台区户变关系时，基于人工识别和使用专用台区识别设备进行识别等识别方式造成的识别效率低下、求解速度较慢且受变压器供电范围的限制操作难度较大的技术问题。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1是根据本申请实施例的一种可选的确定台区户变关系的方法的流程示意图；
图2是根据本申请实施例的一种可选的时序观测变量的特征提取的流程示意图；
图3是根据本申请实施例一种可选的台区户变关系识别流程示意图；
图4是根据本申请实施例的一种确定台区户变关系的装置的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请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申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，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，都应当属于本申请保护的范围。
需要说明的是，本申请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，以便这里描述的本申请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。
根据本申请实施例，提供了一种确定台区户变关系的方法实施例，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是根据本申请实施例的确定台区户变关系的方法，如图1所示，该方法包括如下步骤：
步骤S102，采集台区内变压器侧与用户侧的时序数据，其中，时序数据至少包括：电压时序数据和电流时序数据；
步骤S104，根据电压时序数据得到多个观测变量，基于预设算法对多个观测变量进行处理，得到初步台区户变关系；
步骤S106，根据电流时序数据确定整数规划模型；
步骤S108，将初步台区户变关系输入至整数规划模型进行处理，得到目标台区户变关系。
该确定台区户变关系的方法中，首先，可采集台区内变压器侧与用户侧的时序数据，其中，时序数据至少包括：电压时序数据和电流时序数据，然后，根据电压时序数据得到多个观测变量，基于预设算法对多个观测变量进行处理，得到初步台区户变关系；再根据电流时序数据确定整数规划模型；最后，将初步台区户变关系输入至整数规划模型进行处理，得到目标台区户变关系，达到了无需安装额外的识备和装置，无需人工检测，只需根据一定的采样频率采集用户电压、电流时序数据实现户变关系的识别，以及将基于电压时序数据得到的初步台区户变关系作为整数规划模型的输入，大大提升了模型的求解速度的目的，从而实现了快速、简单、准确识别台区户变关系的技术效果，进而解决了由于相关技术中在识别台区户变关系时，基于人工识别和使用专用台区识别设备进行识别等识别方式造成的识别效率低下、求解速度较慢且受变压器供电范围的限制操作难度较大的技术问题。
本申请一些可选的实施例中，预设算法，包括但不限于：独立成分分析算法和聚类算法，可基于预设算法对多个观测变量进行处理，得到初步台区户变关系，具体地：基于独立成分分析算法对多个观测变量进行降维处理，得到多个观测变量对应的混合矩阵；基于聚类算法对混合矩阵进行聚类分析，得到聚类结果，根据聚类结果确定初步台区户变关系，需要说明的是，独立成分分析算法包括但不限于：FastICA算法，聚类算法包括但不限于：K-means算法。
需要说明的是，上述台区内变压器侧与用户侧的时序数据可从电力公司营销系统中进行采集。
本申请一些实施例中，在基于独立成分分析算法对多个观测变量进行降维处理前，可对多个观测变量进行去中心化处理，具体地：确定多个观测变量的平均值；将多个观测变量中每个观测变量减去平均值，得到多个观测变量对应的去中心化值。
本申请一些实施例中，在基于独立成分分析算法对多个观测变量进行降维处理前，可通过白化矩阵对多个观测变量进行白化变换。
具体地，根据电压时序数据得到多个观测变量，基于预设算法对多个观测变量进行处理，得到初步台区户变关系可通过如下方式实现：
(1)基于负熵最大的FastICA
FastICA算法数据预处理：利用FastICA对混合矩阵和独立成分进行估计时首先需要对观测变量进行数据预处理，包括去中心化与白化变换。
对于采样点数为n的m个观测变量，首先利用式(1)计算观测变量的平均值，然后将每个观测变量的每个采样点减去该观测变量的均值得到去中心化的观测变量，如式(2)所示。
利用白化变换去除各观测变量之间的相关性，以简化后续独立成分的提取过程，对观测变量x1(t),x2(t),…,xm(t)进行白化变换，即：
z(t)＝Bx(t) (3)
其中
是白化矩阵，E是以协方差矩阵E{x(t)x(t)T}的单位正交特征向量为列的矩阵；Γ＝diag(γ1,γ2,...γm)是以E{x(t)x(t)T}的特征值为对角元素的对角矩阵，Γ-1/2是Γ对角元素取平方根再取倒数得到的对角矩阵。
FastICA算法的步骤：FastICA算法的目标是找到一个分离矩阵Wz使得s(t)＝WzZ(t)具有最大的非高斯性，其中Wz是观测变量白化后对应的分离矩阵。与观测变量对应的分离矩阵W和与白化变量对应的分离矩阵Wz之间有如下关系：
W＝WzB (4)
利用FastICA求解得到Wz后根据式(6)得到W，再求解W的逆矩阵或广义逆矩阵最终得到观测变量的混合矩阵A。
FastICA具体步骤如下：
1)对观测变量X(t)进行白化变换，得到具有零均值、单位方差特性的Z(t)；
2)选择随机的初始权向量Wz_p，下标p表示第p迭代，令p＝1；
3)根据式(5)对权向量Wz_p进行调整，式中E(·)为均值运算，g(·)为非线性函数；
4)对权向量Wz_p进行正交化操作；
5)对权向量Wz_p进行归一化处理；
Wz_p＝Wz_p/||Wz_p|| (7)
6)若Wz_p不收敛则返回3)继续迭代；
7)令p＝p+1，若p≤m，返回2)
可以理解的，ICA本质上可以看成用一组独立随机变量的线性组合表示原始观测变量，将时序观测变量x(t)展开写成如下形式：
所有观测变量均可用随机变量线性表示，如果将这一组随机变量看作高维空间下的一组基，则混合矩阵A中的行向量ai对应一个观测变量在该高维空间下的坐标，从而实现了用静态数据对时序数据的表示。从时序数据特征提取的角度看可以将这一组基s(t)作为时序数据的特征，则行向量ai表示相应的特征值。时序观测变量的特征提取的基本流程如图2所示。
(2)基于K-means算法的聚类
从线性空间下基和坐标之间的关系看，混合矩阵A的行向量之间的相似关系反映了观测变量x(t)之间的相似关系。因此对A的行向量进行聚类即可实现对观测变量的聚类。混合矩阵A的维度与时间t无关，从而大大降低时序数据的维度和聚类分析的复杂度。
在台户关系识别中，需要进行聚类分析的用户用电数据的类别数是可以事先确定的，十分适合采用K-means算法，因此本文采用基于ICA的K-means算法对用户用电时序数据进行聚类。K-means的目标函数为：
式中，dij为样本点到距离中心的欧式距离，k为聚类数目，ni为样本i的数目，ci是第i类样本的聚类中心。K-means的聚类过程如下：
1)选取k个样本作为初始聚类中心；
2)将各个样本归类到距离最近的聚类中心所在的那一类；
3)重新计算聚类中心；
4)重复2)和3)直至目标函数收敛或达到最大迭代次数。在得到聚类结果之后，即得到初步户变关系的结果。
本申请一些实施例中，在根据电流时序数据确定整数规划模型之前，可对电流时序数据进行离散多阶小波变换，得到电流时序数据对应的高频分量。
本申请一些可选的实施例中，得到电流时序数据对应的高频分量之后，可确定高频分量之和与台区总表电流高频分量的误差。
本申请一些可选的实施例中，在根据电流时序数据确定整数规划模型之前，可基于台区内每个用户必须且仅连接1个变压器这一关系，对户变关系进行建模得到户变约束关系。
本申请一些实施例中，可根据电流时序数据确定整数规划模型，具体地：确定高频分量对应的对角矩阵；至少根据对角矩阵、高频分量之和与台区总表电流高频分量的误差及户变约束关系得到整数规划模型。
本申请一些可选的实施例中，将初步台区户变关系输入至整数规划模型进行处理，可通过如下步骤实现：将初步台区户变关系转化矩阵；将矩阵作为整数规划模型的初始值，得到目标台区户变关系。
具体地，根据电流时序数据确定整数规划模型可以通过如下步骤实现：假设数据中共k个台区(变压器)，m个用户。时序中共采集n个从智能电表取得的数据点。定义hmn为用户m在n时刻的电流值，定义pkn为变压器k在n时刻的电流值，得到如下矩阵，矩阵中每一列为用户m采集到的数据：
定义c为公式(10)(11)中用户或变压器电流数据的任意一列时间序列数据，针对c离散多阶小波分解，其中j为设定的阶数。
c＝c0+w0+...+wj-1 (12)
电流数据的低频成分大多遵循一定的规律，而高频成分则因不同用电习惯有较大差异。在分解后，取(12)中高频含量wj-1则可以获得时序数据中的高频特性。
通过对矩阵H与矩阵P进行离散多阶小波分解并取高频分量，可得到相对应的高频分量矩阵Hhigh，Phigh：
基于整数线性规划求解户变关系
定义xmk为用户m与变压器k之间的户变关系指示符，如果xmk为1则用户m与变压器k相连接，如果为0则不连接。定义如下矩阵：
xmk∈{0,1} (15)
计量表量测误差与线损的存在，定义每个台区用户电流高频含量之和与台区总表电流高频含量的误差为ek＝[e1k...enk]T，因此定义：
Ehigh＝[e1,..,ek]T (16)
从能量守恒定律与基尔霍夫电流定律可推导出，同一时刻相连接的台区内所有用户电流之和，加上量测误差与线损，等于台区变压器电流，便于构成模型，定义Ahigh为k行Hhigh构成的对角矩阵：
为了方便构成等式，重新定义公式(14)：
可以得到：
AhighX+Ehigh＝Phigh (19)
其中X为户变关系指示符，由于每个用户必须且仅连接一个变压器，所以针对每个用户：
xm1+xm2...+xmk＝1 (20)
综合以上公式，定义Dk：
Dk＝[Im1,Im2,...,Imk] (21)
其中Imk为m×m阶单位矩阵。
综合公式(19)(20)(21)可得到最终需要利用整数规划求解的公式(整数规划模型)，其中1m×1为m×1行值为1的列矩阵：
AhighX+Ehigh＝Phigh
DkX＝1m×1
X∈{0,1}k×m (22)
将初步台区户变关系输入至整数规划模型进行处理，得到目标台区户变关系，即将电压相关性方法得到的初步户变关系结果转化为矩阵X的形式，以其作为公式(22)求解的初始值，可以极大提升整数规划数学模型的求解速度，最终得到台区内户变关系的识别结果。
图3是本申请一种可选的台区户变关系识别流程图，如图3所示，该流程图中，可首先输入用户电压时序数据，然后对该电压时序数据进行白化变换，再用独立成分分析法(ICA)得到独立成分与混合矩阵，对混合矩阵进行K-means聚类，得到初步户变关系结果，再输入用户电流时序数据，并对该用户电流时序数据进行离散多阶小波分解提取时序数据高频含量，然后依据同一时刻连接的台区内用户电流之和，加上量测误差与线损等于台区变压器电流，由此建立数学模型，在将该数学模型(电流模型)转化为混合整数线性规划问题，利用电压法(电压时序数据)得到的结果作为该数学模型的变量初始值，进行求解，最后，输入求解结果，得到台区对应的户变关系，显而易见的，上述确定台区户变关系的方式，具有如下有益效果：
(1)无需安装额外的设备和装置，无需人工检测，只需根据一定的采样率采集用户电压，电流时序数据，可以节约人力物力实现户变关系识别；
(2)独立成分分析将电压时序数据转化为静态特征，减少利用电压时序数据相关性计算时的计算量，提高了效率；
(3)离散多阶小波分解提取了电流时序数据中的高频含量，让不同电流曲线的特征更加明显，滤去了电流曲线之间近似的低频特征，提升了识别的准确率；
(4)使用电压相关性方法得到初步结果作为线性规划求解的输入，可以极大提升线性规划的求解速度，提升了方法的效率与适应性。
图4是根据本申请实施例的一种确定台区户变关系的装置，如图4所示，该装置包括：
采集模块40，用于采集台区内变压器侧与用户侧的时序数据，其中，时序数据至少包括：电压时序数据和电流时序数据；
第一处理模块42，用于根据电压时序数据得到多个观测变量，基于预设算法对多个观测变量进行处理，得到初步台区户变关系；
确定模块44，用于根据电流时序数据确定整数规划模型；
第二处理模块46，用于将初步台区户变关系输入至整数规划模型进行处理，得到目标台区户变关系。
该确定台区户变关系的装置中，采集模块40，用于采集台区内变压器侧与用户侧的时序数据，其中，时序数据至少包括：电压时序数据和电流时序数据；第一处理模块42，用于根据电压时序数据得到多个观测变量，基于预设算法对多个观测变量进行处理，得到初步台区户变关系；确定模块44，用于根据电流时序数据确定整数规划模型；第二处理模块46，用于将初步台区户变关系输入至整数规划模型进行处理，得到目标台区户变关系，达到了无需安装额外的识备和装置，无需人工检测，只需根据一定的采样频率采集用户电压、电流时序数据实现户变关系的识别，以及将基于电压时序数据得到的初步台区户变关系作为整数规划模型的输入，大大提升了模型的求解速度的目的，从而实现了快速、简单、准确识别台区户变关系的技术效果，进而解决了由于相关技术中在识别台区户变关系时，基于人工识别和使用专用台区识别设备进行识别等识别方式造成的识别效率低下、求解速度较慢且受变压器供电范围的限制操作难度较大的技术问题。
根据本申请实施例的一个方面，还提供了一种非易失性存储介质，非易失性存储介质包括存储的程序，其中，在程序运行时控制非易失性存储介质所在设备执行任意一种确定台区户变关系的方法。
具体地，上述存储介质用于存储执行以下功能的程序指令，实现以下功能:采集台区内变压器侧与用户侧的时序数据，其中，时序数据至少包括：电压时序数据和电流时序数据；根据电压时序数据得到多个观测变量，基于预设算法对多个观测变量进行处理，得到初步台区户变关系；根据电流时序数据确定整数规划模型；将初步台区户变关系输入至整数规划模型进行处理，得到目标台区户变关系。
根据本申请实施例的一个方面，还提供了一种处理器，处理器用于运行程序，其中，程序运行时执行任意一种确定台区户变关系的方法。
具体地，上述处理器用于调用存储器中的程序指令，实现以下功能：采集台区内变压器侧与用户侧的时序数据，其中，时序数据至少包括：电压时序数据和电流时序数据；根据电压时序数据得到多个观测变量，基于预设算法对多个观测变量进行处理，得到初步台区户变关系；根据电流时序数据确定整数规划模型；将初步台区户变关系输入至整数规划模型进行处理，得到目标台区户变关系。
上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。
在本申请的上述实施例中，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，在本申请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，本申请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)执行本申请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-OnlyMemory)、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。
以上所述仅是本申请的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本申请的保护范围。
Claims (12)
1.一种确定台区户变关系的方法，其特征在于，包括：
采集台区内变压器侧与用户侧的时序数据，其中，所述时序数据至少包括：电压时序数据和电流时序数据；
根据所述电压时序数据得到多个观测变量，基于预设算法对所述多个观测变量进行处理，得到初步台区户变关系；
根据所述电流时序数据确定整数规划模型；
将初步台区户变关系输入至所述整数规划模型进行处理，得到目标台区户变关系。
2.根据权利要求1所述的方法，其特征在于，所述预设算法，包括独立成分分析算法和聚类算法，基于预设算法对所述多个观测变量进行处理，得到初步台区户变关系，包括：
基于独立成分分析算法对所述多个观测变量进行降维处理，得到所述多个观测变量对应的混合矩阵；
基于聚类算法对所述混合矩阵进行聚类分析，得到聚类结果，根据所述聚类结果确定所述初步台区户变关系。
3.根据权利要求2所述的方法，其特征在于，在基于独立成分分析算法对所述多个观测变量进行降维处理前，所述方法包括：
确定所述多个观测变量的平均值；
将所述多个观测变量中每个观测变量减去所述平均值，得到多个观测变量对应的去中心化值。
4.根据权利要求2所述的方法，其特征在于，在基于独立成分分析算法对所述多个观测变量进行降维处理前，所述方法还包括：
通过白化矩阵对所述多个观测变量进行白化变换。
5.根据权利要求1所述的方法，其特征在于，在根据所述电流时序数据确定整数规划模型之前，所述方法包括：
对所述电流时序数据进行离散多阶小波变换，得到所述电流时序数据对应的高频分量。
6.根据权利要求5所述的方法，其特征在于，得到所述电流时序数据对应的高频分量之后，所述方法还包括：
确定所述高频分量之和与所述台区总表电流高频分量的误差。
7.根据权利要求5所述的方法，其特征在于，在根据所述电流时序数据确定整数规划模型之前，所述方法还包括：
基于所述台区内每个用户必须且仅连接1个变压器，对户变关系进行建模得到户变约束关系。
8.根据权利要求7所述的方法，其特征在于，根据所述电流时序数据确定整数规划模型，包括：
确定所述高频分量对应的对角矩阵；
至少根据所述对角矩阵、所述高频分量之和与所述台区总表电流高频分量的误差及所述户变约束关系得到整数规划模型。
9.根据权利要求1所述的方法，其特征在于，将初步台区户变关系输入至所述整数规划模型进行处理，包括：
将所述初步台区户变关系转化矩阵；
将所述矩阵作为所述整数规划模型的初始值，得到所述目标台区户变关系。
10.一种确定台区户变关系的装置，其特征在于，包括：
采集模块，用于采集台区内变压器侧与用户侧的时序数据，其中，所述时序数据至少包括：电压时序数据和电流时序数据；
第一处理模块，用于根据所述电压时序数据得到多个观测变量，基于预设算法对所述多个观测变量进行处理，得到初步台区户变关系；
确定模块，用于根据所述电流时序数据确定整数规划模型；
第二处理模块，用于将初步台区户变关系输入至所述整数规划模型进行处理，得到目标台区户变关系。
11.一种非易失性存储介质，其特征在于，所述非易失性存储介质包括存储的程序，其中，在所述程序运行时控制所述非易失性存储介质所在设备执行权利要求1至9中任意一项所述确定台区户变关系的方法。
12.一种处理器，其特征在于，所述处理器用于运行程序，其中，所述程序运行时执行权利要求1至9中任意一项所述确定台区户变关系的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011626842.XA CN112819649A (zh) | 2020-12-30 | 2020-12-30 | 确定台区户变关系的方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011626842.XA CN112819649A (zh) | 2020-12-30 | 2020-12-30 | 确定台区户变关系的方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112819649A true CN112819649A (zh) | 2021-05-18 |
Family
ID=75856341
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011626842.XA Pending CN112819649A (zh) | 2020-12-30 | 2020-12-30 | 确定台区户变关系的方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112819649A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113344450A (zh) * | 2021-07-02 | 2021-09-03 | 广东电网有限责任公司 | 低压台区线户识别方法、系统、终端设备及存储介质 |
| CN115329814A (zh) * | 2022-08-09 | 2022-11-11 | 广州番禺职业技术学院 | 一种基于图像信号处理的低压用户链路识别方法及装置 |
| CN115577993A (zh) * | 2022-12-09 | 2023-01-06 | 江苏瑞电智芯信息科技有限公司 | 一种基于时序匹配的台区户变识别方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111080105A (zh) * | 2019-12-06 | 2020-04-28 | 国网辽宁省电力有限公司沈阳供电公司 | 基于电压时序数据的台区户变关系识别方法及系统 |
| CN111861789A (zh) * | 2020-07-14 | 2020-10-30 | 国网湖南省电力有限公司 | 基于电流数据整数规划求解的户变关系识别方法及系统 |
-
2020
- 2020-12-30 CN CN202011626842.XA patent/CN112819649A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111080105A (zh) * | 2019-12-06 | 2020-04-28 | 国网辽宁省电力有限公司沈阳供电公司 | 基于电压时序数据的台区户变关系识别方法及系统 |
| CN111861789A (zh) * | 2020-07-14 | 2020-10-30 | 国网湖南省电力有限公司 | 基于电流数据整数规划求解的户变关系识别方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| 吴奇;陈相;周昊;朱富明;: "基于主成分分析法和改进K-means算法的台区用户识别方法", 电气自动化, no. 05, 30 September 2020 (2020-09-30) * |
| 梁力、李明: "《土木工程结构数值计算与仿真分析方法》", 30 April 2019, 东北大学出版社, pages: 24 - 26 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113344450A (zh) * | 2021-07-02 | 2021-09-03 | 广东电网有限责任公司 | 低压台区线户识别方法、系统、终端设备及存储介质 |
| CN113344450B (zh) * | 2021-07-02 | 2023-01-20 | 广东电网有限责任公司 | 低压台区线户识别方法、系统、终端设备及存储介质 |
| CN115329814A (zh) * | 2022-08-09 | 2022-11-11 | 广州番禺职业技术学院 | 一种基于图像信号处理的低压用户链路识别方法及装置 |
| CN115329814B (zh) * | 2022-08-09 | 2023-04-07 | 广州番禺职业技术学院 | 一种基于图像信号处理的低压用户链路识别方法及装置 |
| CN115577993A (zh) * | 2022-12-09 | 2023-01-06 | 江苏瑞电智芯信息科技有限公司 | 一种基于时序匹配的台区户变识别方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112819649A (zh) | 确定台区户变关系的方法及装置 | |
| CN111080105A (zh) | 基于电压时序数据的台区户变关系识别方法及系统 | |
| CN111505433B (zh) | 一种低压台区户变关系纠错及相位识别方法 | |
| CN112699913A (zh) | 一种台区户变关系异常诊断方法及装置 | |
| Liu et al. | High-precision identification of power quality disturbances under strong noise environment based on FastICA and random forest | |
| CN110781332A (zh) | 基于复合聚类算法的电力居民用户日负荷曲线聚类方法 | |
| CN104966161B (zh) | 一种基于高斯混合模型的电能质量录波数据计算分析方法 | |
| CN110110907B (zh) | 一种低压台区特征参数的提取方法 | |
| CN110717619A (zh) | 一种自下而上配电网多尺度时空负荷预测方法及系统 | |
| CN111861789A (zh) | 基于电流数据整数规划求解的户变关系识别方法及系统 | |
| CN115618249A (zh) | 一种基于LargeVis降维与DBSCAN聚类的低压配电台区相位识别方法 | |
| CN113659564B (zh) | 基于电压波动特征聚类的低压配电网拓扑识别方法及系统 | |
| CN112615428A (zh) | 一种线损分析治理系统及方法 | |
| CN112510817A (zh) | 一种台区低压拓扑关系智能识别方法 | |
| CN111654392A (zh) | 基于互信息的低压配电网拓扑识别方法及系统 | |
| CN113595071A (zh) | 台区用户辨识与电压影响评估方法 | |
| CN110503145A (zh) | 一种基于k-shape聚类的典型负荷曲线获取方法 | |
| CN116861316B (zh) | 一种电器监测方法及装置 | |
| Grigoras et al. | Processing of smart meters data for peak load estimation of consumers | |
| CN113627289A (zh) | 一种基于深度学习的电力设备识别方法及其装置 | |
| CN112215482A (zh) | 一种户变关系识别方法和装置 | |
| CN111898694A (zh) | 一种基于随机树分类的非入侵式负荷识别方法及装置 | |
| CN116845971A (zh) | 一种光伏并网低压台区拓扑结构自动识别方法 | |
| CN111259965A (zh) | 一种对基于降维的电气特征数据进行均值聚类的方法及系统 | |
| Wang et al. | Application of clustering technique to electricity customer classification for load forecasting |
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 |