CN112966219B - 识别户表与表箱关系的方法及系统、设备、介质 - Google Patents
识别户表与表箱关系的方法及系统、设备、介质 Download PDFInfo
- Publication number
- CN112966219B CN112966219B CN202110223871.XA CN202110223871A CN112966219B CN 112966219 B CN112966219 B CN 112966219B CN 202110223871 A CN202110223871 A CN 202110223871A CN 112966219 B CN112966219 B CN 112966219B
- Authority
- CN
- China
- Prior art keywords
- household
- branch
- box
- voltage
- watch
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 43
- 230000005611 electricity Effects 0.000 claims abstract description 57
- 238000012417 linear regression Methods 0.000 claims abstract description 37
- 239000011159 matrix material Substances 0.000 claims description 45
- 238000000513 principal component analysis Methods 0.000 claims description 13
- 238000012216 screening Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 238000010606 normalization Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 8
- 230000008859 change Effects 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 3
- 238000000611 regression analysis Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 abstract description 19
- 238000004458 analytical method Methods 0.000 abstract description 6
- 230000005540 biological transmission Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Mathematical Physics (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Operations Research (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Primary Health Care (AREA)
- Marketing (AREA)
- Evolutionary Biology (AREA)
- Human Resources & Organizations (AREA)
- General Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Probability & Statistics with Applications (AREA)
- Water Supply & Treatment (AREA)
- Algebra (AREA)
- Public Health (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种识别户表与表箱关系的方法及系统、设备、存储介质，该方法首先基于皮尔逊相关系数算法计算电压相关性来快速、准确地判断户表与分支的归属关系，大大缩短了计算时长和减少了后续计算的数据量。然后通过构建多元线性回归模型，基于各个模型的均方差计算结果准确得到单相户表所处的相位。最后，构建出每个分支下的所有户表与表箱关系的组合类型并进行依次编号，再计算得到组合类型下各个表箱的偏移损耗，并进行主成分分析，快速、准确地识别出每个分支下户表与表箱的关系。并且，不仅采用了用电量作为分析数据，而且采用了电流I、电压U、有功功率P，从而计算结果不会受到空户所带来的干扰，进一步确保了识别结果的准确度。
Description
技术领域
本发明涉及箱表关系识别技术领域，特别地，涉及一种识别户表与表箱关系的方法及系统、设备、计算机可读取的存储介质。
背景技术
随着电力行业迅速发展，用电需求的不断增加，电力行业趋于智能化、数字化、模型化。在低压拓扑中，拓扑结构是进行线损分析、故障诊断、状态评估、三相平衡等应用功能的基础，对于提高供电可靠性和供电服务能力至关重要。由于低压供电网络位于电网末端，直接面向众多用户，其拓扑信息主要依赖台区建设时的设计资料，通过人工手动录入的方式，这需要耗费大量的时间和人力，并且录入过程中可能会产生录入错误等问题，而且随着变电站的改扩建，设备的频繁更换和线路的变化会导致网络拓扑关系发生变化。通过台区普查，我们发现由于拓扑信息更新不及时，现场安装与系统档案不对应的问题普遍存在，在农村地区尤为突出，阻碍了电网的优化经济运行。现有的低压供电网络建设智能化水平较低，增加了电网日常运维的难度和工作量，影响了用户的用电质量，因此，如何智能化准确识别户表与表箱的关系成为电网运营亟待解决的关键问题。
发明内容
本发明提供了一种识别户表与表箱关系的方法及系统、设备、计算机可读取的存储介质，以解决现有技术在识别户表与表箱关系时采取人工手动录入的方式存在的准确度差、智能化水平低、耗时耗力的技术问题。
根据本发明的一个方面，提供一种识别户表与表箱关系的方法，包括以下步骤：
步骤S1：周期性抄读各个户表和各个分支单元的用电数据，基于皮尔逊相关系数算法得到与每个户表电压相关性最大的分支单元，该户表即属于该分支；
步骤S2：将该分支下的户表分别与该分支单元的A、B、C三相基于用电量W、电流I、电压U、有功功率P这四个用电参数构建多元线性回归模型，分别计算这三个多元线性回归模型的均方差，均方差最小者对应的相位即为该户表所处的相位；
步骤S3：构建该分支下的所有户表和表箱关系的组合类型，并对每个组合类型进行编号，计算得到所有组合类型下各个表箱对应上述四个用电参数的偏移损耗，并对偏移损耗数据进行主成分分析，从而得到该分支下表箱与户表的关系；
步骤S4：重复执行步骤S1～S3，完成其它分支的箱表关系识别和户表相位识别。
进一步地，所述步骤S2中在计算多元线性回归模型的均方差之前还包括以下内容：
判断四个用电参数之间是否存在多重共线性，若存在，则对四个用电参数进行筛选和剔除，得到最优组合的线性回归模型；
并在所述步骤S3中仅计算筛选后的用电参数所对应的偏移损耗，再进行主成分分析。
进一步地，所述步骤S2中判断四个用电参数之间是否存在多重共线性，若存在，则对四个用电参数进行筛选和剔除的过程具体包括以下内容：
步骤S21：计算方差扩大因子VIF，
式中，Ri表示第i个自变量对其余自变量作回归分析的复相关系数，自变量即用电参数，n为样本量个数，k为自变量个数，R2表示可决系数，yi为实际值，/>为平均值，/>为回归模型得到的值，若VIF＞10，则判定存在多重共线性，若VIF≤10，则判定不存在多重共线性；
步骤S22：当存在多重共线性时，对四个自变量进行两两组合判断，若其中两个自变量的VIF≤10，则不对这两个自变量进行筛选和剔除，若这两个自变量的VIF＞10，则判断这两个自变量对应的可决系数的大小，剔除掉可决系数较小者对应的自变量。
进一步地，所述步骤S2中经过多重共线性判断和用电参数筛选后得到以电压U和用电量W作为自变量的最优组合线性模型。
进一步地，所述步骤S2中在判断户表所处的相位时还包括以下内容：
增加分支单元和户表的负荷数据量，再次计算得到三个多元线性回归模型的均方差，均方差变化值最小者对应的相位即为该户表所处的相位。
进一步地，所述步骤S3包括以下内容：
步骤S31：构建该分支下的所有户表与表箱关系的组合类型，并对每个组合类型进行编号，分别为1、2、3…n；
步骤S32：计算得到所有组合类型下各个表箱的偏移损耗，其中，用电量W、电流I、有功功率P采用以下公式计算偏移损耗：
式中，Am(j)为表箱在j时间段内的用电量或电流或有功功率，m表示该分支下户表个数，为表箱在j时间段内的用电量偏移损耗或电流偏移损耗或有功功率偏移损耗，表示所有组合类型下户表的用电量之和或电流之和或有功功率之和，t的取值范围为[1,m]；
电压U采用以下公式计算偏移损耗：
式中，Um(j)表示表箱在j时刻的电压数据，表示某组合类型在j时刻的均值电压数据，φ(j)表示表箱在j时刻的电压偏移损耗；
步骤S33：根据N个时间段分别构建电量偏移矩阵、电流偏移矩阵、电压偏移矩阵和有功功率偏移矩阵中的至少两者，并对构建的矩阵进行归一化处理；
步骤S34：将归一化处理后的至少两个矩阵相加得到新的矩阵，并对新矩阵的每一行进行零均值化，得到新矩阵的协方差矩阵；
步骤S35：求协方差矩阵的多个特征值并按大小进行排序，选择最大的特征值并求出该特征值对应的特征向量，将该特征向量与新矩阵相乘得到新的向量；
步骤S36：找出该新向量中的最小值所处的下标值，该下标值代表组合类型的编号，该组合类型即对应该分支下表箱与户表的关系。
进一步地，所述步骤S2中构建多元线性回归模型的过程具体为：
利用多元线性回归构建模型：UA＝β0+β1IA1+β2UA1+β3PA1+β4WA1，其中，UA为分支单元A相的电压瞬时值，IA1为该分支下户表A1的电流瞬时值，UA1为户表A1的电压瞬时值，PA1为户表A1的有功功率瞬时值，WA1为户表A1的用电量，βi表示系数参数，i＝0,1,2…；
基于分支单元和户表的负荷数据，利用最小二乘法计算得到系数参数βi的估计量得到多元线性回归模型：
另外，本发明还提供一种识别户表与表箱关系的系统，包括：
分支关系识别模块，用于周期性抄读各个户表和
各个分支单元的用电数据，基于皮尔逊相关系数算法得到与每个户表电压相关性最大的分支单元，该户表即属于该分支；
相位识别模块，用于将某一分支下的户表分别与该分支单元的A、B、C三相基于用电量W、电流I、电压U、有功功率P这四个用电参数构建多元线性回归模型，分别计算这三个多元线性回归模型的均方差，均方差最小者对应的相位即为该户表所处的相位；
箱表关系识别模块，用于构建该分支下的所有户表和表箱关系的组合类型，并对每个组合类型进行编号，计算得到所有组合类型下各个表箱对应上述四个用电参数的偏移损耗，并对偏移损耗数据进行主成分分析，从而得到该分支下表箱与户表的关系。
另外，本发明还提供一种设备，包括处理器和存储器，所述存储器中存储有计算机程序，所述处理器通过调用所述存储器中存储的所述计算机程序，用于执行如上所述的方法的步骤。
另外，本发明还提供一种计算机可读取的存储介质，用于存储识别户表与表箱关系的计算机程序，该计算机程序在计算机上运行时执行如上所述的方法的步骤。
本发明具有以下效果：
本发明的识别户表与表箱关系的方法，首先基于皮尔逊相关系数算法计算电压相关性来快速、准确地判断户表与分支的归属关系，大大缩短了计算时长和减少了后续计算的数据量。然后，通过用电量W、电流I、电压U、有功功率P构建多元线性回归模型，基于各个模型的均方差计算结果准确得到单相户表所处的相位。最后，构建出每个分支下的所有户表与表箱关系的组合类型并进行依次编号，再计算得到组合类型下各个表箱对应上述四个用电参数的偏移损耗，并对偏移损耗数据进行主成分分析，快速、准确地识别出每个分支下户表与表箱的关系。并且，在进行主成分分析时，不仅采用了用电量作为分析数据，而且采用了电流I、电压U、有功功率P，从而计算结果不会受到空户所带来的干扰，进一步确保了识别结果的准确度。因此，本发明的识别户表与表箱关系的方法，可以快速、准确地识别出户表与表箱的关系，智能化程度高，效率高。
另外，本发明的识别户表与表箱关系的系统、设备和存储介质同样具有上述优点。
除了上面所描述的目的、特征和优点之外，本发明还有其它的目的、特征和优点。下面将参照图，对本发明作进一步详细的说明。
附图说明
构成本申请的一部分的附图用来提供对本发明的进一步理解，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是本发明优选实施例的识别户表与表箱关系的方法的流程示意图。
图2是低压台区线路拓扑的结构示意图。
图3是图1中步骤S2的子流程示意图。
图4是图1中步骤S3的子流程示意图。
图5是本发明另一实施例的识别户表与表箱关系的系统的模块结构示意图。
具体实施方式
以下结合附图对本发明的实施例进行详细说明，但是本发明可以由下述所限定和覆盖的多种不同方式实施。
如图1所示，本发明的优选实施例提供一种识别户表与表箱关系的方法，包括以下步骤：
步骤S1：周期性抄读各个户表和各个分支单元的用电数据，基于皮尔逊相关系数算法得到与每个户表电压相关性最大的分支单元，该户表即属于该分支；
步骤S2：将该分支下的户表分别与该分支单元的A、B、C三相基于用电量W、电流I、电压U、有功功率P这四个用电参数构建多元线性回归模型，分别计算这三个多元线性回归模型的均方差，均方差最小者对应的相位即为该户表所处的相位；
步骤S3：构建该分支下的所有户表和表箱关系的组合类型，并对每个组合类型进行编号，计算得到所有组合类型下各个表箱对应上述四个用电参数的偏移损耗，并对偏移损耗数据进行主成分分析，从而得到该分支下表箱与户表的关系；
步骤S4：重复执行步骤S1～S3，完成其它分支的箱表关系识别和户表相位识别。
可以理解，如图2所示，低压台区线路拓扑中的节点包括总表、分支单元、表箱和户表，其中，总节点可以是能源控制器、融合终端等设备，总节点可以对整个台区的负荷进行计量，分支节点可以是分支单元或者智能断路器等设备，分支节点可以对始于该节点的整个分支的负荷进行计量，表箱可以对该端点的负荷进行计量。在现有技术中，总表、分支单元和表箱组成的拓扑结构可以通过负荷识别方案得到，而由于表箱内的各个户表到表箱的距离很接近，负荷数据也都很接近，目前很难通过负荷识别方案准确识别户表与表箱之间的拓扑关系。
可以理解，在所述步骤S1中，周期性地抄读各个户表和各个分支单元的用电数据，例如按照15分钟级标准数据采集户表A1的数据U＝[A1(1)、A1(2)、…、A1(N)]，然后根据皮尔逊相关系数算法得到与户表A1电压相关性最大的分支A，则户表A1属于分支A，从而得到所有户表各自所在的分支并记录。在步骤S1中，先对户表进行分支分类，由于分支到户表之间的线路长、电流大，所以户表造成所在分支线路上的压降可以很明显地与其它分支区分开来，因此，通过电压相关性判断，可以准确地识别出户表属于哪一分支。其中，具体的皮尔逊相关系数算法计算电压相关性属于现有技术，故在此不再赘述。
可以理解，本实施例的识别户表与表箱关系的方法，首先基于皮尔逊相关系数算法计算电压相关性来快速、准确地判断户表与分支的归属关系，大大缩短了计算时长和减少了后续计算的数据量。然后，通过用电量W、电流I、电压U、有功功率P构建多元线性回归模型，基于各个模型的均方差计算结果准确得到单相户表所处的相位。最后，构建出每个分支下的所有户表与表箱关系的组合类型并进行依次编号，再计算得到组合类型下各个表箱对应上述四个用电参数的偏移损耗，并对偏移损耗数据进行主成分分析，快速、准确地识别出每个分支下户表与表箱的关系。并且，在进行主成分分析时，不仅采用了用电量作为分析数据，而且采用了电流I、电压U、有功功率P，从而计算结果不会受到空户所带来的干扰，进一步确保了识别结果的准确度。因此，本发明的识别户表与表箱关系的方法，可以快速、准确地识别出户表与表箱的关系，智能化程度高，效率高。
可以理解，通过步骤S1已经得到了各个单相户表与分支的关系，然后，在所述步骤S2中，将该分支下的户表分别与该分支单元的A、B、C三相基于用电量W、电流I、电压U、有功功率P这四个用电参数构建多元线性回归模型。具体地，利用多元线性回归构建模型：
UA＝β0+β1IA1+β2UA1+β3PA1+β4WA1
其中，UA为分支单元A相的电压瞬时值，IA1为该分支下户表A1的电流瞬时值，UA1为户表A1的电压瞬时值，PA1为户表A1的有功功率瞬时值，WA1为户表A1的用电量，βi表示系数参数，i＝0,1,2…。其中，系数参数βi会根据所使用的用电参数类型变化而变化，即回归模型不同，则对应的系数参数也会不同。
再基于分支单元和户表的历史负荷数据，利用最小二乘法计算得到系数参数βi的估计量从而得到多元线性回归模型：
然后分别计算这三个多元线性回归模型的均方差，计算公式如下：
其中，yi表示实际值，为回归模型得到的值，n表示样本量个数，k表示自变量个数，即用电参数的个数。最后，筛选出均方差最小者，其对应的相位即为户表A1所处的相位。
可以理解，作为优选的，所述步骤S2中在计算多元线性回归模型的均方差之前还包括以下内容：
判断四个用电参数之间是否存在多重共线性，若存在，则对四个用电参数进行筛选和剔除，得到最优组合的线性回归模型；
并在所述步骤S3中仅计算筛选后的用电参数所对应的偏移损耗，再进行主成分分析。
在得到多元线性回归模型后，根据方差扩大因子判断自变量是否存在多重共线性，若存在则对自变量进行筛选和剔除，得到最优的线性回归模型，大大减少了后续计算的数据量。
具体地，如图3所示，所述步骤S2中判断四个用电参数之间是否存在多重共线性，若存在，则对四个用电参数进行筛选和剔除的过程具体包括以下内容：
步骤S21：计算方差扩大因子VIF：
式中，Ri表示第i个自变量对其余自变量作回归分析的复相关系数，自变量即用电参数，n为样本量个数，k为自变量个数，R2表示可决系数，yi为实际值，/>为平均值，/>为回归模型得到的值，若VIF＞10，则判定存在多重共线性，若VIF≤10，则判定不存在多重共线性；
步骤S22：当存在多重共线性时，对四个自变量进行两两组合判断，若其中两个自变量的VIF≤10，则不对这两个自变量进行筛选和剔除，若这两个自变量的VIF＞10，则判断这两个自变量对应的可决系数的大小，剔除掉可决系数较小者对应的自变量。
先计算四个自变量的VIF，若VIF＞10，则意味着这四个自变量之间存在严重的多重共线性，若同时使用四个自变量则会带来大量的多余信息，极大地加重了后续计算的数据量，影响识别效率，则需要对四个自变量进行两两比对判断和筛选剔除。若VIF≤10，则同时选用四个自变量的数据进行计算，以确保识别结果的准确度。例如，若I和P之间存在多重共线性情况，通过分别构建线性模型：和来判断两个可决系数R1 2、R2 2的大小，其中，R1 2代表第一个回归模型对应的可决系数，R2 2代表第二个回归模型对应的可决系数，若R1 2＞R2 2，则剔除自变量P，得到由U、I、W组成的最优组合的线性模型。在实际应用中，经过多重共线性判断和用电参数筛选后最终得到以电压U和用电量W作为自变量的最优组合线性模型。
另外，所述步骤S2中在判断户表所处的相位时还包括以下内容：
增加分支单元和户表的负荷数据量，再次计算得到三个多元线性回归模型的均方差，均方差变化值最小者对应的相位即为该户表所处的相位。
例如，经过多重共线性判断和自变量筛选后得到单相户表A1和分支A三相之间的线性模型分别为：
然后，分别计算得到这三个线性模型的均方差MSEA、MSEB、MSEC，再增加分支A和户表A1的负荷数据量，即增加电压U和有功功率P的数据量，计算得到新的均方差MSE’A、MSE’B、MSE’C，最后选取均方差变化值最小者对应的相位即为该户表所处的相位。例如，ΔMSEA＝MSE’A-MSEA最小，则判断户表A1属于三相中的A相。
可以理解，根据步骤S1可以得到不同分支下的户表个数和地址，而由于“总-分支-表箱”的拓扑结构已知，则可以得到每个分支下的表箱和户表的个数、地址，但此时尚未识别出户表与表箱的关系。如图4所示，所述步骤S3具体包括以下内容：
步骤S31：构建该分支下的所有户表与表箱关系的组合类型，并对每个组合类型进行编号，分别为1、2、3…n；
步骤S32：计算得到所有组合类型下各个表箱的偏移损耗，其中，用电量W、电流I、有功功率P采用以下公式计算偏移损耗：
式中，Am(j)为表箱在j时间段内的用电量或电流或有功功率，m表示该分支下户表个数，为表箱在j时间段内的用电量偏移损耗或电流偏移损耗或有功功率偏移损耗，表示所有组合类型下户表的用电量之和或电流之和或有功功率之和，t的取值范围为[1,m]；
电压U采用以下公式计算偏移损耗：
式中，Um(j)表示表箱在j时刻的电压数据，表示某组合类型在j时刻的均值电压数据，φ(j)表示表箱在j时刻的电压偏移损耗；
步骤S33：根据N个时间段分别构建电量偏移矩阵、电流偏移矩阵、电压偏移矩阵和有功功率偏移矩阵中的至少两者，并对构建的矩阵进行归一化处理；
步骤S34：将归一化处理后的至少两个矩阵相加得到新的矩阵，并对新矩阵的每一行进行零均值化，得到新矩阵的协方差矩阵；
步骤S35：求协方差矩阵的多个特征值并按大小进行排序，选择最大的特征值并求出该特征值对应的特征向量，将该特征向量与新矩阵相乘得到新的向量；
步骤S36：找出该新向量中的最小值所处的下标值，该下标值代表组合类型的编号，该组合类型即对应该分支下表箱与户表的关系。
可以理解，以步骤S2中经过多重共线性判断和用电参数筛选后最终得到以电压U和用电量W作为自变量的最优组合线性模型为例，则在步骤S3中仅计算电压偏移损耗和电量偏移损耗，并对两者的数据进行主成分分析。同时，根据电能量守恒定律，表箱用电量应当等于表箱内各户表的用电量之和，且表箱的电压与户表的电压大致相同。具体地，
先构建一个分支下的所有户表与表箱可能存在的组合关系类型，并对每个组合类型进行编号，分别为1、2、…、n。
再计算所有组合类型下各个表箱的电量偏移损耗和电压偏移损耗，其中，电量偏移损耗为：电压偏移损耗为：/>
再根据N个时间段得到电量偏移矩阵X和电压偏移矩阵Y，表达式如下：
上式中，表示第N个时间段内该表箱相对于组合类型编号为n的户表组合的电量差值，φn(N)表示在时间点N该表箱相对于组合类型编号为n的户表组合的电压差值。
由于φi(j)属于不同量级，则需要对矩阵X、Y进行归一化。归一化处理的过程具体为：将/>组成关于时间j的向量归一化，归一化方程：
同样对φi(j)进行归一化得到φi′(j)。
则转化后得到的矩阵分别为X′，Y′，再将归一化后的电量偏移矩阵X’与电压偏移矩阵Y’相加得到新的矩阵Z：
再对矩阵Z的每一行进行0均值化，得到矩阵Z的协方差矩阵C：
上式中，n表示箱表关系组合类型的数量。
然后，求协方差矩阵C的多个特征值并按大小排序分别为λ1、λ2、...、λn，其中选择最大的特征值λ1，求出该特征值对应的特征向量β。将特征向量与矩阵Z相乘，得到新的向量α。
β＝[β1,β2,...,βN]
其中，ζ1表示编号为1的箱表关系组合，向量α中的每个元素即为每个组合类型的偏移量值与最大特征值对应的特征向量之间的累计和值，选出所得到的α向量中的最小值所处的下标值，该下标值即为组合类型的编号，该组合类型即为该分支下的户表与表箱的组合关系，从而得到该分支下所有的箱表关系。
在所述步骤S3中，由于选取最大特征值λ1得到特征向量，再与原矩阵Z相乘可在一定程度上消除同一分支的表箱组合类别存在重叠户表的问题，因为由于最大特征值代表原矩阵的最大成分关系，可以对数据进行一定的筛选和去除，即对于部分组合存在重叠户表的值进行了去除。本发明中，通过构建同一分支下的所有户表组合类型，再对用电量、电压数据偏移量的数据进行主成分分析，构建协方差矩阵并计算得到矩阵特征值，选择最大的特征值λ1，将多维数据降至一维，大大减少数据量和运算结果，并且得到了准确的箱表关系。
可以理解，重复执行上述步骤S1～S3，即可识别出台区内其它分支下的箱表关系和单相户表的相位。
另外，如图5所示，本发明的另一实施例还提供一种识别户表与表箱关系的系统，优选采用上述实施例的识别户表与表箱关系的方法，该系统包括：
分支关系识别模块，用于周期性抄读各个户表和各个分支单元的用电数据，基于皮尔逊相关系数算法得到与每个户表电压相关性最大的分支单元，该户表即属于该分支；
相位识别模块，用于将某一分支下的户表分别与该分支单元的A、B、C三相基于用电量W、电流I、电压U、有功功率P这四个用电参数构建多元线性回归模型，分别计算这三个多元线性回归模型的均方差，均方差最小者对应的相位即为该户表所处的相位；
箱表关系识别模块，用于构建该分支下的所有户表和表箱关系的组合类型，并对每个组合类型进行编号，计算得到所有组合类型下各个表箱对应上述四个用电参数的偏移损耗，并对偏移损耗数据进行主成分分析，从而得到该分支下表箱与户表的关系。
可以理解，本实施例的系统中的各个模块的工作过程与上述方法实施例的各个步骤相对应，故在此不再赘述。
可以理解，本实施例的识别户表与表箱关系的系统，首先基于皮尔逊相关系数算法计算电压相关性来快速、准确地判断户表与分支的归属关系，大大缩短了计算时长和减少了后续计算的数据量。然后，通过用电量W、电流I、电压U、有功功率P多元线性回归模型，基于各个模型的均方差计算结果准确得到单相户表所处的相位。最后，构建出每个分支下的所有户表与表箱关系的组合类型并进行依次编号，再计算得到组合类型下各个表箱对应上述四个用电参数的偏移损耗，并对偏移损耗数据进行主成分分析，快速、准确地识别出每个分支下户表与表箱的关系。并且，在进行主成分分析时，不仅采用了用电量作为分析数据，而且采用了电流I、电压U、有功功率P，从而计算结果不会受到空户所带来的干扰，进一步确保了识别结果的准确度。因此，本发明的识别户表与表箱关系的系统，可以快速、准确地识别出户表与表箱的关系，智能化程度高，效率高。
另外，本发明还提供一种设备，包括处理器和存储器，所述存储器中存储有计算机程序，所述处理器通过调用所述存储器中存储的所述计算机程序，用于执行如上所述的方法的步骤。
另外，本发明还提供一种计算机可读取的存储介质，用于存储识别户表与表箱关系的计算机程序，该计算机程序在计算机上运行时执行如上所述的方法的步骤。
一般计算机可读取介质的形式包括：软盘(floppy disk)、可挠性盘片(flexibledisk)、硬盘、磁带、任何其与的磁性介质、CD-ROM、任何其余的光学介质、打孔卡片(punchcards)、纸带(paper tape)、任何其余的带有洞的图案的物理介质、随机存取存储器(RAM)、可编程只读存储器(PROM)、可抹除可编程只读存储器(EPROM)、快闪可抹除可编程只读存储器(FLASH-EPROM)、其余任何存储器芯片或卡匣、或任何其余可让计算机读取的介质。指令可进一步被一传输介质所传送或接收。传输介质这一术语可包含任何有形或无形的介质，其可用来存储、编码或承载用来给机器执行的指令，并且包含数字或模拟通信信号或其与促进上述指令的通信的无形介质。传输介质包含同轴电缆、铜线以及光纤，其包含了用来传输一计算机数据信号的总线的导线。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种识别户表与表箱关系的方法，其特征在于，包括以下步骤：
步骤S1：周期性抄读各个户表和各个分支单元的用电数据，基于皮尔逊相关系数算法得到与每个户表电压相关性最大的分支单元，该户表即属于该分支；
步骤S2：将该分支下的户表分别与该分支单元的A、B、C三相基于用电量W、电流I、电压U、有功功率P这四个用电参数构建多元线性回归模型，分别计算这三个多元线性回归模型的均方差，均方差最小者对应的相位即为该户表所处的相位；
步骤S3：构建该分支下的所有户表和表箱关系的组合类型，并对每个组合类型进行编号，计算得到所有组合类型下各个表箱对应上述四个用电参数的偏移损耗，并对偏移损耗数据进行主成分分析，从而得到该分支下表箱与户表的关系；
步骤S4：重复执行步骤S1～S3，完成其它分支的箱表关系识别和户表相位识别。
2.如权利要求1所述的识别户表与表箱关系的方法，其特征在于，
所述步骤S2中在计算多元线性回归模型的均方差之前还包括以下内容：
判断四个用电参数之间是否存在多重共线性，若存在，则对四个用电参数进行筛选和剔除，得到最优组合的线性回归模型；
并在所述步骤S3中仅计算筛选后的用电参数所对应的偏移损耗，再进行主成分分析。
3.如权利要求2所述的识别户表与表箱关系的方法，其特征在于，
所述步骤S2中判断四个用电参数之间是否存在多重共线性，若存在，则对四个用电参数进行筛选和剔除的过程具体包括以下内容：
步骤S21：计算方差扩大因子VIF，
式中，Ri表示第i个自变量对其余自变量作回归分析的复相关系数，自变量即用电参数，n为样本量个数，k为自变量个数，R2表示可决系数，yi为实际值，/>为平均值，/>为回归模型得到的值，若VIF＞10，则判定存在多重共线性，若VIF≤10，则判定不存在多重共线性；
步骤S22：当存在多重共线性时，对四个自变量进行两两组合判断，若其中两个自变量的VIF≤10，则不对这两个自变量进行筛选和剔除，若这两个自变量的VIF＞10，则判断这两个自变量对应的可决系数的大小，剔除掉可决系数较小者对应的自变量。
4.如权利要求3所述的识别户表与表箱关系的方法，其特征在于，
所述步骤S2中经过多重共线性判断和用电参数筛选后得到以电压U和用电量W作为自变量的最优组合线性模型。
5.如权利要求1所述的识别户表与表箱关系的方法，其特征在于，
所述步骤S2中在判断户表所处的相位时还包括以下内容：
增加分支单元和户表的负荷数据量，再次计算得到三个多元线性回归模型的均方差，均方差变化值最小者对应的相位即为该户表所处的相位。
6.如权利要求1所述的识别户表与表箱关系的方法，其特征在于，
所述步骤S3包括以下内容：
步骤S31：构建该分支下的所有户表与表箱关系的组合类型，并对每个组合类型进行编号，分别为1、2、3…n；
步骤S32：计算得到所有组合类型下各个表箱的偏移损耗，其中，用电量W、电流I、有功功率P采用以下公式计算偏移损耗：
式中，Am(j)为表箱在j时间段内的用电量或电流或有功功率，m表示该分支下户表个数，为表箱在j时间段内的用电量偏移损耗或电流偏移损耗或有功功率偏移损耗，表示所有组合类型下户表的用电量之和或电流之和或有功功率之和，t的取值范围为[1,m]；
电压U采用以下公式计算偏移损耗：
式中，Um(j)表示表箱在j时刻的电压数据，表示某组合类型在j时刻的均值电压数据，φ(j)表示表箱在j时刻的电压偏移损耗；
步骤S33：根据N个时间段分别构建电量偏移矩阵、电流偏移矩阵、电压偏移矩阵和有功功率偏移矩阵中的至少两者，并对构建的矩阵进行归一化处理；
步骤S34：将归一化处理后的至少两个矩阵相加得到新的矩阵，并对新矩阵的每一行进行零均值化，得到新矩阵的协方差矩阵；
步骤S35：求协方差矩阵的多个特征值并按大小进行排序，选择最大的特征值并求出该特征值对应的特征向量，将该特征向量与新矩阵相乘得到新的向量；
步骤S36：找出该新向量中的最小值所处的下标值，该下标值代表组合类型的编号，该组合类型即对应该分支下表箱与户表的关系。
7.如权利要求1所述的识别户表与表箱关系的方法，其特征在于，
所述步骤S2中构建多元线性回归模型的过程具体为：
利用多元线性回归构建模型：UA＝β0+β1IA1+β2UA1+β3PA1+β4WA1，其中，UA为分支单元A相的电压瞬时值，IA1为该分支下户表A1的电流瞬时值，UA1为户表A1的电压瞬时值，PA1为户表A1的有功功率瞬时值，WA1为户表A1的用电量，βi表示系数参数，i＝0,1,2…；
基于分支单元和户表的负荷数据，利用最小二乘法计算得到系数参数βi的估计量得到多元线性回归模型：
8.一种识别户表与表箱关系的系统，其特征在于，包括：
分支关系识别模块，用于周期性抄读各个户表和各个分支单元的用电数据，基于皮尔逊相关系数算法得到与每个户表电压相关性最大的分支单元，该户表即属于该分支；
相位识别模块，用于将某一分支下的户表分别与该分支单元的A、B、C三相基于用电量W、电流I、电压U、有功功率P这四个用电参数构建多元线性回归模型，分别计算这三个多元线性回归模型的均方差，均方差最小者对应的相位即为该户表所处的相位；
箱表关系识别模块，用于构建该分支下的所有户表和表箱关系的组合类型，并对每个组合类型进行编号，计算得到所有组合类型下各个表箱对应上述四个用电参数的偏移损耗，并对偏移损耗数据进行主成分分析，从而得到该分支下表箱与户表的关系。
9.一种设备，其特征在于，包括处理器和存储器，所述存储器中存储有计算机程序，所述处理器通过调用所述存储器中存储的所述计算机程序，用于执行如权利要求1～7任一项所述的方法的步骤。
10.一种计算机可读取的存储介质，用于存储识别户表与表箱关系的计算机程序，其特征在于，该计算机程序在计算机上运行时执行如权利要求1～7任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110223871.XA CN112966219B (zh) | 2021-03-01 | 2021-03-01 | 识别户表与表箱关系的方法及系统、设备、介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110223871.XA CN112966219B (zh) | 2021-03-01 | 2021-03-01 | 识别户表与表箱关系的方法及系统、设备、介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112966219A CN112966219A (zh) | 2021-06-15 |
| CN112966219B true CN112966219B (zh) | 2023-09-19 |
Family
ID=76276034
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110223871.XA Active CN112966219B (zh) | 2021-03-01 | 2021-03-01 | 识别户表与表箱关系的方法及系统、设备、介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112966219B (zh) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113486971B (zh) * | 2021-07-19 | 2023-10-27 | 国网山东省电力公司日照供电公司 | 基于主成分分析和神经网络的用户状态识别方法、系统 |
| CN113724101B (zh) * | 2021-08-30 | 2023-12-22 | 北京市腾河科技有限公司 | 台区的箱表关系识别方法及系统、设备、存储介质 |
| CN113985339B (zh) * | 2021-09-22 | 2023-11-24 | 北京市腾河科技有限公司 | 智能电表的误差诊断方法及系统、设备、存储介质 |
| CN113866708B (zh) * | 2021-12-06 | 2022-03-25 | 青岛鼎信通讯股份有限公司 | 一种基于智能断路器的电能表计量误差分析方法 |
| CN114912526B (zh) * | 2022-05-13 | 2024-04-26 | 北京市腾河电子技术有限公司 | 台区识别方法及系统、电子设备、存储介质 |
| CN115207909B (zh) * | 2022-07-20 | 2023-09-15 | 北京三圣凯瑞科技有限公司 | 一种台区拓扑识别方法、装置、设备及存储介质 |
| CN115494382B (zh) * | 2022-10-25 | 2024-04-16 | 北京市腾河电子技术有限公司 | 判断智能开关上下级关系的方法及系统、设备、存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018027180A1 (en) * | 2016-08-05 | 2018-02-08 | The Regents Of The University Of California | Phase identification in power distribution systems |
| CN109753684A (zh) * | 2018-11-29 | 2019-05-14 | 国网江苏省电力有限公司盐城供电分公司 | 一种用于变电站能耗基准修正的多元线性回归建模方法 |
| CN111123188A (zh) * | 2019-12-20 | 2020-05-08 | 国网山东省电力公司电力科学研究院 | 基于改进最小二乘法的电能表综合检定方法及系统 |
| CN111624544A (zh) * | 2020-06-08 | 2020-09-04 | 南方电网科学研究院有限责任公司 | 一种台区户变关系识别方法及相关装置 |
| CN111817301A (zh) * | 2020-07-23 | 2020-10-23 | 国网浙江省电力有限公司营销服务中心 | 载波台区的低压分支拓扑识别方法 |
-
2021
- 2021-03-01 CN CN202110223871.XA patent/CN112966219B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018027180A1 (en) * | 2016-08-05 | 2018-02-08 | The Regents Of The University Of California | Phase identification in power distribution systems |
| CN109753684A (zh) * | 2018-11-29 | 2019-05-14 | 国网江苏省电力有限公司盐城供电分公司 | 一种用于变电站能耗基准修正的多元线性回归建模方法 |
| CN111123188A (zh) * | 2019-12-20 | 2020-05-08 | 国网山东省电力公司电力科学研究院 | 基于改进最小二乘法的电能表综合检定方法及系统 |
| CN111624544A (zh) * | 2020-06-08 | 2020-09-04 | 南方电网科学研究院有限责任公司 | 一种台区户变关系识别方法及相关装置 |
| CN111817301A (zh) * | 2020-07-23 | 2020-10-23 | 国网浙江省电力有限公司营销服务中心 | 载波台区的低压分支拓扑识别方法 |
Non-Patent Citations (3)
| Title |
|---|
| Topology identificaiton method of distribution network based on smart meter measurements;Mingze Zhang 等;《2018 China International Conference on Electricity Distribution》;第372-376页 * |
| 基于多元线性回归的单相电表相别判断方法;张丽强 等;《电力自动化设备》;第40卷(第5期);第144-149 * |
| 基于数据驱动的低压配电网线户关系识别方法;唐捷 等;《电力系统自动化》;第44卷(第11期);第127-134页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112966219A (zh) | 2021-06-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112966219B (zh) | 识别户表与表箱关系的方法及系统、设备、介质 | |
| CN111505433B (zh) | 一种低压台区户变关系纠错及相位识别方法 | |
| CN112117763B (zh) | 一种低压配电网拓扑识别与参数估计方法 | |
| CN111242391B (zh) | 用于电力负荷识别的机器学习模型训练方法及系统 | |
| CN110231528A (zh) | 基于负荷特征模型库的变压器户变异常识别方法及装置 | |
| CN108694470B (zh) | 一种基于人工智能的数据预测方法及装置 | |
| CN113078630B (zh) | 一种基于实时量测数据的低压配电网拓扑辨识方法 | |
| CN110070282A (zh) | 一种基于综合关联度的低压台区线损影响因素分析方法 | |
| CN112288303A (zh) | 确定线损率的方式、装置 | |
| CN116911471B (zh) | 一种供电系统的传输性能优化方法及系统 | |
| CN113985339B (zh) | 智能电表的误差诊断方法及系统、设备、存储介质 | |
| CN107871202A (zh) | 一种计及多电压等级的电网可靠性评估方法 | |
| CN110264032A (zh) | 一种直流配网规划方案评价结果的获取方法 | |
| CN113805138A (zh) | 一种基于参数有向遍历的智能电表误差估计方法及装置 | |
| CN111614066A (zh) | 一种配电网继电保护定值自动整定方法和系统 | |
| CN109613324A (zh) | 一种谐波放大的检测方法及装置 | |
| CN113724101B (zh) | 台区的箱表关系识别方法及系统、设备、存储介质 | |
| CN111999691A (zh) | 一种计量传感器装置的误差校准方法和误差校准装置 | |
| CN113505951A (zh) | 一种配网规划全过程评估管理系统 | |
| CN115494382B (zh) | 判断智能开关上下级关系的方法及系统、设备、存储介质 | |
| CN117040114A (zh) | 一种台区拓扑识别方法、介质及终端 | |
| CN115207909B (zh) | 一种台区拓扑识别方法、装置、设备及存储介质 | |
| CN113721094B (zh) | 低压台区用采系统的误差分析方法及系统、设备、存储介质 | |
| CN112583004B (zh) | 基于电压离散性识别线路拓扑的方法及系统、存储介质 | |
| CN114996635A (zh) | 一种配电网参数确定方法、装置、设备及存储介质 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |