CN112952828A - 一种用于低压配电网的用户台区分析方法 - Google Patents

Abstract

本发明实施例公开了一种用于低压配电网的用户台区分析方法，涉及电力工程技术领域，能够提高户台区辨识分析的准确性和可靠性。本发明包括：从用户侧的智能电表和台区配变监测系统中采集数据，并对采集到的数据进行第一预处理，输出电压有效值时间序列数据；针对电压有效值时间序列数据，利用DTW进行第二预处理，第二预处理用于处理电压有效值时间序列数据中数据非同步；完成全部预处理后，获取用户侧的智能电表的电压监测时间序列数据，和台区配变监测系统的电压监测时间序列数据，采用改进的模糊C均值算法对用户智能电表及配变的电压监测数据进行聚类分析，通过聚类中心阈值对比，进行用户的台区辨识。本发明适用于低压配电网的用户台的区分析。

Description

一种用于低压配电网的用户台区分析方法

技术领域

本发明涉及电力工程技术领域，尤其涉及一种用于低压配电网的用户台区分析方法。

背景技术

随着用电负荷的不断增长，电力公司对配电网电力设施进行了迁建、改造、扩容等工作，然而由于配电网台区信息更新不及时，以及用户台区档案的遗失、错误、混乱等问题直接影响了智能电表的计量、台区线损的科学计算。不准确的台区户变关系容易造成电力公司容易与客户发生计量纠纷和台区线损计算误差，这对电网公司的企业形象和经济效益、用户电费合理计量都是不利的。因此，有必要对配电网台区户变关系进行精确识别及分析。

然而现有的台区户变关系识别方法存在一些不足之处：(1)人工进行用户台区户变关系识别，需要投入大量的人力、物力且通常需要配以停电核查，对用户的正常用电有较大影响。(2)基于电力载波技术的用户台区识别方法，虽然提高了识别效率，但载波在传输过程中存在信号衰减和跨配变耦合的问题，降低了台区识别的准确性。(3)对用户侧智能电表的采集电压进行相关分析的识别方法，当采集数据存在传输延时、缺失和噪声干扰时识别准确率大大降低。当不同台区内的用户端智能电表电压时序趋势图相近时，极易出现台区和户变关系误判的情况。

因此，急需要一种能够基于现有智能电表的硬件设备环境，和台区配变监测数据进行用户台区辨识分析方法，来提高户台区辨识分析的准确性和可靠性。

发明内容

本发明的实施例提供一种用于低压配电网的用户台区分析方法，能够提高户台区辨识分析的准确性和可靠性。

为达到上述目的，本发明的实施例采用如下技术方案：

S1、从用户侧的智能电表和台区配变监测系统中采集数据，并对采集到的数据进行第一预处理，输出电压有效值时间序列数据；

S2、针对所述电压有效值时间序列数据，利用动态时间规划(DTW)模型，进行第二预处理，其中所述第二预处理用于处理所述电压有效值时间序列数据中数据非同步；

S3、完成全部预处理后，获取用户侧的智能电表的电压监测时间序列数据，和所述台区配变监测系统的电压监测时间序列数据，并进行用户的台区辨识。

本发明实施例提供的用于低压配电网的用户台区分析方法，在低压配电网台区物联网架构下，首先对用户侧智能电表和台区配变监测系统采集到的电压有效值数据进行基于变动电压阈值的异常电压数据剔除和基于矩阵奇异值收缩算法的缺失电压数据填充两项数据预处理，有效保证用户台区辨识的电压有效值时间序列数据的准确性和完整性。其次，使用动态时间规划(DTW)算法对预处理后的用户和台区配变电压有效值时间序列数据进行台区聚类中心计算分析，使用动态时间规划算法替代聚类中心之间的欧式距离度量规则，有效解决数据采集和数据传输时延的电压有效值时间序列数据非同步问题。最后，采用动态时间规划改进模糊C均值聚类算法，对不同用户智能电表的电压监测时间序列数据和台区配变监测系统各相电压监测时间序列数据进行多元数据融合和聚类分析，根据模糊聚类隶属度值有效完成用户台区可靠辨识。从而提高户台区辨识分析的准确性和可靠性。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。

图1为本发明实施例提供的具体实例中低压配电网台区的结构示意图；

图2为本发明实施例提供的具体实例中，用户台区辨识的逻辑流程示意图。

具体实施方式

为使本领域技术人员更好地理解本发明的技术方案，下面结合附图和具体实施方式对本发明作进一步详细描述。下文中将详细描述本发明的实施方式，所述实施方式的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的任一单元和全部组合。本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。

本实施例的设计理念在于：在低压配电网物联网架构不断普及的背景下，深入研究获取用户与配变监测信息的多元数据融合，并充分考虑传输过程中存在异常、缺失、时延等情况的影响，结合先进模糊C均值算法聚类分析方法，将有可能明显改善台区识别方法的准确性和可靠性。

大致的设计思路在于：本发明提出一种能克服已有技术缺陷的多元数据融合用户台区辨识方法。该方法合理利用不同用户智能电表的单相电压监测数据与配变监测系统的三相电压监测数据，采用动态时间规划(DTW)改进模糊聚类算法有效融合多源时空监测数据，并有效克服融合过程中的多种电压监测数据异常、数据缺失、数据传输延时等问题，实现用户台区的精确辨识。最终提出的是一种用于低压配电网的用户台区分析方法用户台区辨识分析的具体方案。

本发明实施例提供一种用于低压配电网的用户台区分析方法，包括：

S1、从用户侧的智能电表和台区配变监测系统中采集数据，并对采集到的数据进行第一预处理，输出电压有效值时间序列数据。

S2、针对所述电压有效值时间序列数据，利用动态时间规划(DTW)模型，进行第二预处理，其中所述第二预处理用于处理所述电压有效值时间序列数据中数据非同步。具体的，针对用户台区辨识中采集到的电压有效值时间序列数据存在的时延性问题，对用户与配变各相电压监测数据构成的电压有效值时间序列聚类样本，引入动态时间规划(DTW)算法替代台区聚类中心之间的欧式距离，完成非同步数据下的台区聚类中心计算分析。通过上述动态时间规划算法有效处理数据采集和数据传输时延的数据非同步，从而保证用户台区辨识的可靠性。

S3、完成全部预处理后，获取用户侧的智能电表的电压监测时间序列数据，和所述台区配变监测系统的电压监测时间序列数据，并进行用户的台区辨识。

其中，具体可以采用改进的模糊C均值算法对用户智能电表及配变的电压监测数据进行聚类分析，通过聚类中心阈值对比，从而进行用户的台区辨识。

本实施例的实际应用中，在低压配电网台区物联网架构下，首先对用户侧智能电表和台区配变监测系统采集到的电压有效值数据进行基于变动电压阈值的异常电压数据剔除和基于矩阵奇异值收缩算法的缺失电压数据填充两项数据预处理，有效保证用户台区辨识的电压有效值时间序列数据的准确性和完整性。其次，使用动态时间规划(DTW)算法对预处理后的用户和台区配变电压有效值时间序列数据进行台区聚类中心计算分析，使用动态时间规划算法替代聚类中心之间的欧式距离度量规则，有效解决数据采集和数据传输时延的电压有效值时间序列数据非同步问题。最后，采用动态时间规划改进模糊C均值聚类算法，对不同用户智能电表的电压监测时间序列数据和台区配变监测系统各相电压监测时间序列数据进行多元数据融合和聚类分析，根据模糊聚类隶属度值有效完成用户台区可靠辨识。本发明所提方法改善了台区辨识数据源的准确性、完整性、同步性，具有更佳的用户台区辨识效果。

本实施例中，所述S1包括：对用户侧的智能电表和台区配变监测系统采集到的电压有效值数据，进行第一预处理，所述第一预处理包括：

S11、根据所设置的电压有效值变动的阈值范围，在采集到的电压有效值数据中，剔除超出阈值范围的异常电压数据。

S12、对待输出的电压有效值时间序列数据中缺失的电压数据进行补全填充。

其中，对用户侧的智能电表和台区配变监测系统采集到的电压有效值数据进行两项数据预处理：异常电压数据剔除和缺失电压数据填充。异常电压数据剔除是通过设置电压有效值变动阈值，剔除超出该阈值范围的异常电压数据。缺失电压数据填充则运用矩阵奇异值收缩算法对电压有效值时间序列中某些时刻缺失的电压数据进行补全填充，保证电压有效值时间序列数据的完整性。通过上述两项数据预处理有效保证用户台区辨识的电压有效值时间序列数据的准确性和完整性。

在优选方案中，针对0.4kV低压配电网台区内220V单相用户的电压波动，设置的阈值范围包括上限幅度为+7％和下限幅度为-10％。例如：目前比较普遍的低压配电网台区结构如图1所示，用户台区辨识方法基本数据来源为台区配电变压器的配变监测数据和大量电力用户的智能电表数据。目前低压配电网络中，可以采用0.4kV低压配电网台区内220V单相用户的电压波动上限幅度为+7％，下限幅度为-10％，的工况，超出该范围的电压数据往往为设备故障造成的异常数据。因此本实施例中对用户侧的智能电表的电压采集数据首先据此进行异常数据剔除预处理，即设定0.4kV低压配电网台区内220V单相用户的电压波动上限幅度为+7％，下限幅度为-10％，对于采集到用户端智能电表电压超出该波动范围(198V～236V)之外的异常数据进行数据剔除，并用该数据的前、后时刻电压有效值平均进行补全填充。

具体的，所述S12包括：基于模型

对待输出的电压有效值时间序列数据中缺失的电压数据进行补全填充，其中，X为数据补全填充之后的矩阵，其秩为rank(X)。M表示台区辨识综合数据矩阵，Ω为对应于M中被观测到元素的位置集合，若M_i,j非空，则有(i,j)∈Ω。||X||为X的核范数，表示的是X的所有奇异值之和，i,j分别表示台区辨识综合数据矩阵中第i行j列，i、j都为正整数。

其中，X的奇异值收缩算子为D_τ，D_τ(X)＝UD_τ(∑)V^T，U为m×m阶酉矩阵，∑为m×n阶非负实数对角矩阵，V为n×n阶酉矩阵,m为用户侧的智能电表单相电压有效值数据矩阵的数量，m为配变监测三相电压有效值数据矩阵的数量，D_τ＝diag({σ_i-τ}₊)表示将所有奇异值减去τ后，取其中仍为正数者，{t}₊＝max(0，t)，τ为奇异值收缩算子的收缩步长，t表示σ_i-τ，σ_i为矩阵的X的奇异值；τ为依据经验设置的一个数值。

本实施例中对于缺失电压数据填充主要过程，可以采用如下示例：

可以将某个用户侧的智能电表数据与某配变监测系统的某一相监测数据处理得到的p个连续电压有效值数据按时间序列因形成为电压时间序列数据向量l_k＝[l_k1，l_k2...，l_kp]，z_k＝[z_k1，z_k2...，z_kp]，k表示第k个用户或者第k个配变。待分析配电区域的用户和配变监测数据进行汇集，则可得n个用户侧的智能电表单相电压有效值数据矩阵:L＝[l₁，l₂...，l_n]，m个配变监测A、B、C三相电压有效值数据矩阵Z＝[z_1A，z_1B，z_1C，z_2A，z_2B，z_2C...，z_mA，z_mB，z_mC]。综合数据矩阵L、Z则形成台区辨识综合数据矩阵

当某些时刻的电压数据因数据采集、数据传输等各种原因存在缺失时，对于其所构建的台区辨识综合数据矩阵M∈R^m×n因存在数据缺失而不完整。如何从这个不完整的矩阵中推测出其中缺失元素的值，恢复出原本完整的电压数据，即为电压数据矩阵补全问题，进而实现缺失电压数据填充。运用矩阵奇异值收缩算法完成电压数据补全，即完成如下模型优化：

式中:X是数据补齐之后的矩阵，其秩为rank(X)。Ω为对应于M中被观测到元素的位置集合，即若M_i，j非空，则有(i，j)∈Ω。||X||，为X的核范数，即X的。矩阵奇异值收缩的数据补全过程如下：

定义矩阵X的奇异值收缩算子D_τ：

D_τ(X)＝UD_τ(Σ)V^T (2)

式中：U是m×m阶酉矩阵。∑为m×n阶非负实数对角矩阵。V是n×n阶酉矩阵。

D_τ表示将所有奇异值减去τ后，取其中仍为正数者：

D_τ＝diag({σ_i-τ}₊) (3)

式中：{t}₊＝max(0，t)。τ为奇异值收缩算子的收缩步长。

显然，对于矩阵X，其奇异值收缩算子D_τ的作用是将矩阵X的所有奇异值减小相同的τ值以后，恢复得到新的矩阵。从而，可以得到求解低秩矩阵补齐问题的迭代序列：

式中:Y是迭代过程中的中间矩阵，Y^K和Y^K-1分别表示第k次和第k-1次迭代中矩阵Y的估计值。δ_k是权重系数。P_Ω表示未缺失数据集合。

从而就利用矩阵奇异值收缩算法完成了台区辨识综合数据矩阵的缺失电压数据填充，从而为用户台区辨识提供了完成可靠的基础数据。

本实施例中，可以获取数据预处理后的不同用户侧的智能电表的电压监测时间序列数据和台区配变监测系统各相电压监测时间序列数据，利用动态时间规划改进模糊C均值聚类算法进行聚类分析，根据得到的用户电压序列数据到不同台区模糊聚类中心的隶属度值完成用户的台区辨识。具体在S3中包括：

S31、对用户侧的智能电表和所述台区配变监测系统各自的电压监测时间序列数据，进行聚类分析。其中，引入动态时间规划(DTW)算法替代聚类中心之间的欧式距离，完成非同步数据下的台区聚类中心计算分析，改进模糊C均值聚类算法，利用动态时间规划改进模糊C均值聚类算法进行聚类分析，根据得到的用户电压序列数据到不同台区模糊聚类中心的隶属度值完成用户的台区辨识。

S32、聚类分析后得到用户电压序列数据到不同台区模糊聚类中心的隶属度值，根据所得到的隶属度值进行用户的台区辨识。

具体的，在所述聚类分析的过程中，包括：

获取用户与配变各相电压监测数据构成的聚类样本矩阵H：

其中，用户电压数据矩阵:L＝[l₁,l₂...,l_n]，配变总表电压监测数据矩阵Z＝[z_n+1,z_n+2...,z_m]，p表示用户智能电表或者配变电压监测数据的维度，聚类得到的样本数据划分为c个模糊类，聚类中心矩阵V＝{v₁,v₂，…v_c}。

所述S32中，包括：获取表示样本数据与聚类组的隶属程度的隶属度矩阵U，其中，

u_ik表示第k个样本数据到第i个聚类中心的隶属度。

根据隶属度矩阵U得到模糊聚类的目标函数：

其中，d[l(ni)，Z(mi)]为第k个用户电压序列样本

数据到第i个聚类中心的DTW距离，l表示用户智能电表电压监测数据构成的向量，J(U,V)表示将用户及配变共计m个电压监测数据向量分为c个模糊组，并求每组的聚类中心；minJ(U,V)是使得相似性指标的目标函数达到最小值，f为模糊度加权指数，f＝2。

本实施例中引入动态时间规划(DTW)算法替代聚类中心之间的欧式距离，改进模糊C均值聚类算法，例如：

用户与配变各相电压监测数据构成的聚类样本矩阵如下：

式中，用户电压数据矩阵:L＝[l₁,l₂...,l_n]，配变总表电压监测数据矩阵Z＝[z_n+1,z_n+2...,z_m]。

聚类后样本数据可划分为c个模糊类，聚类中心矩阵V如下：

V＝{v₁,v₂,…v_c} (6)

式中：V_i＝{V₁₁,V₁₂,...,V_1p}，i＝1,2,...，c。

用隶属度矩阵U表示样本数据与聚类组的隶属程度，可得到如下公式：

改进模糊聚类算法的目标函数：

式中：d[l(ni)，Z(mi)]为第k个用户电压序列样本数据到第i个聚类中心的DTW距离。f为模糊度加权指数，取值为2。

根据得到的用户电压序列数据到不同台区模糊聚类中心的隶属度值完成用户的台区辨识。

通过上述方法流程，如图2所示的，本实施例中实现了基于动态时间规划模糊聚类多元数据融合的台区识别。针对传统台区识别存在的一些不足，本发明提出的一种用于低压配电网的用户台区分析方法，能够对用户侧的智能电表的电压序列数据进行预处理，针对数据传输的时延引起的数据非同步问题，引入动态时间规划(DTW)算法替代聚类中心之间的欧式距离，提出了动态时间规划改进模糊聚类方法，根据改进的聚类算法对不同用户与配变监测系统的三相电压监测数据进行多元数据融合与模糊聚类，根据聚类结果可靠完成用户台区辨识。

本实施例中，对用户侧智能电表和台区配变监测系统采集到的电压有效值数据进行两项数据预处理：异常电压数据剔除和缺失电压数据填充。异常电压数据剔除是通过设置电压有效值变动阈值，剔除超出该阈值范围的异常电压数据。缺失电压数据填充则运用矩阵奇异值收缩算法对电压有效值时间序列中某些时刻缺失的电压数据进行补全填充，保证电压有效值时间序列数据的完整性。通过上述两项数据预处理有效保证用户台区辨识的电压有效值时间序列数据的准确性和完整性。

针对用户台区辨识中采集到的电压有效值时间序列数据存在的时延性问题，对用户与配变各相电压监测数据构成的电压有效值时间序列聚类样本，引入动态时间规划(DTW)算法替代台区聚类中心之间的欧式距离，完成非同步数据下的台区聚类中心计算分析。通过上述动态时间规划算法有效处理数据采集和数据传输时延的数据非同步，从而保证用户台区辨识的可靠性。

获取数据预处理后的不同用户智能电表的电压监测时间序列数据和台区配变监测系统各相电压监测时间序列数据，利用动态时间规划DTW改进模糊C均值聚类算法进行聚类分析，根据得到的用户电压序列数据到不同台区模糊聚类中心的隶属度值完成用户的台区辨识。

由此可见，通过在台区电压数据聚类分析前，对用户侧智能电表电压采集数据进行异常电压数据剔除和缺失电压数据填充的预处理，有效保证用户台区辨识的电压有效值时间序列数据的准确性和完整性，从而改善用户台区辨识准确性。以及，通过在台区聚类辨识的聚类中心计算引入动态时间规划(DTW)算法替代聚类中心之间的欧式距离，有效克服采数据采集和数据传输时延，更好适应台区聚类辨识中不同用户采集电压时间序列数据的非同步，从而保证用户台区辨识的可靠性。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于设备实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。

Claims (8)

1.一种用于低压配电网的用户台区分析方法，其特征在于，包括：

S1、从用户侧的智能电表和台区配变监测系统中采集数据，并对采集到的数据进行第一预处理，输出电压有效值时间序列数据；

S2、针对所述电压有效值时间序列数据，利用动态时间规划(DTW)模型，进行第二预处理，其中所述第二预处理用于处理所述电压有效值时间序列数据中数据非同步；

S3、完成全部预处理后，获取用户侧的智能电表的电压监测时间序列数据，和所述台区配变监测系统的电压监测时间序列数据，并进行用户的台区辨识。

2.根据权利要求1所述的方法，其特征在于，所述S1包括：

对用户侧的智能电表和台区配变监测系统采集到的电压有效值数据，进行第一预处理，所述第一预处理包括：

S11、根据所设置的电压有效值变动的阈值范围，在采集到的电压有效值数据中，剔除超出阈值范围的异常电压数据；

S12、对待输出的电压有效值时间序列数据中缺失的电压数据进行补全填充。

3.根据权利要求2所述的方法，其特征在于，针对0.4kV低压配电网台区内220V单相用户的电压波动，设置的阈值范围包括上限幅度为+7％和下限幅度为-10％。

4.根据权利要求2所述的方法，其特征在于，所述S12包括：

基于模型

对待输出的电压有效值时间序列数据中缺失的电压数据进行补全填充，其中，X为数据补全填充之后的矩阵，其秩为rank(X)；M表示台区辨识综合数据矩阵，Ω为对应于M中被观测到元素的位置集合，若M_i,j非空，则有(i,j)∈Ω；||X||为X的核范数，表示的是X的所有奇异值之和，i,j分别表示台区辨识综合数据矩阵中第i行j列，i、j都为正整数。

5.根据权利要求4所述的方法，其特征在于，X的奇异值收缩算子为D_τ，D_τ(X)＝UD_τ(Σ)V^T，U为m×m阶酉矩阵，Σ为m×n阶非负实数对角矩阵，V为n×n阶酉矩阵,m为用户侧的智能电表单相电压有效值数据矩阵的数量，m为配变监测三相电压有效值数据矩阵的数量，D_τ＝diag({σ_i-τ}₊)表示将所有奇异值减去τ后，取其中仍为正数者，{t}₊＝max(0,t)，τ为奇异值收缩算子的收缩步长。

6.根据权利要求2所述的方法，其特征在于，所述S3包括：

S31、对用户侧的智能电表和所述台区配变监测系统各自的电压监测时间序列数据，进行聚类分析；

S32、聚类分析后得到用户电压序列数据到不同台区模糊聚类中心的隶属度值，根据所得到的隶属度值进行用户的台区辨识。

7.根据权利要求6所述的方法，其特征在于，在所述聚类分析的过程中，包括：

获取用户与配变各相电压监测数据构成的聚类样本矩阵H：

其中，用户电压数据矩阵:L＝[l₁,l₂...,l_n]，配变总表电压监测数据矩阵Z＝[z_n+1,z_n+2...,z_m]，p表示用户及配变各相电压监测数据的维度，聚类得到的样本数据划分为c个模糊类，聚类中心矩阵V＝{v₁,v₂,…v_c}。

8.根据权利要求7所述的方法，其特征在于，所述S32中，包括：

获取表示样本数据与聚类组的隶属程度的隶属度矩阵U，其中，

u_ik表示第k个样本数据到第i个聚类中心的隶属度。

根据隶属度矩阵U得到模糊聚类的目标函数：

其中，d[l(ni),Z(mi)]为第k个用户电压序列样本数据到第i个聚类中心的DTW距离，l表示表示用户智能电表电压监测数据向量，J(U,V)表示将用户及配变共计m个电压监测数据向量分为c个模糊组，并求每组的聚类中心，f为模糊度加权指数，f＝2。minJ(U,V)是使得相似性指标的目标函数达到最小值。

Images