CN113189418B - 一种基于电压数据的拓扑关系识别方法 - Google Patents

Abstract

本发明公开了一种基于电压数据的拓扑关系识别方法，包括：对用户用电信息采集系统所采集的电压数据进行预处理；利用皮尔逊相关系数对预处理后的电压数据进行相关性分析，确定台区总电表电压与分电表电压之间的相关密切程度，并基于相关密切程度划分不同台区；对各个台区的电压数据进行主成分提取，并根据提取的主成分对各台区电表按照相线进行聚类；基于聚类结果，对各台区各电表进行同相线分组；对各同相线分组的电表按照电压值高低进行排序，并结合电压衰减原理对同相线分组中各电表距离变压器的距离进行排序，确定各台区各电表的物理拓扑结构。本发明能够帮助运维人员及时了解台区运行状况，能对故障精准定位和台区线损精益化管理。

Description

一种基于电压数据的拓扑关系识别方法

技术领域

本发明涉及配电网线路运行维护技术领域，更具体的说是涉及一种基于电压数据的拓扑关系识别方法。

背景技术

线损是指电能通过时产生的电能损耗，而电能损耗直接影响了电力的使用效率和经济效益。此外，线损还是低压台区主要的考核指标，精准的台区拓扑关系是台区线损准确计算的前提。

随着电网发展和用户大量接入，低压台区存在用户多，结构复杂，投入不足的问题。台区拓扑关系是供电服务的基础性工作，但由于缺少相应的自动化和信息化手段，使得低压台区拓扑结构缺失或不准确，影响线损的管理水平，无法进行停电精准通知和设备抢修研判，以及延误终端事件上报和处理效率。如果台区问题不解决，长此以往，将会影响电力公司的服务质量和服务效率，降低客户的服务满意度。

目前，台区拓扑识别的方法主要分为两类，一是基于人工，需要现场人员积极配合，完成台区拓扑识别任务，但需浪费大量人力和物力。二是基于通讯技术，提出了一种基于LoRa技术和GPU加速的台区拓扑识别方法，通过LoRa通讯技术和高性能计算技术，对于智能电能表的数据进行分析和识别，但是易受传输距离和通信质量的影响。

因此，如何提供一种不受传输距离和通信质量影响，且能够对低压台区拓扑自动识别，并能精准定位故障的基于电压数据的拓扑关系识别方法是本领域技术人员亟需解决的问题。

发明内容

有鉴于此，本发明提供了一种基于电压数据的拓扑关系识别方法，通过分析用户用电信息采集系统的数据，从户变识别、相位识别、分组识别、拓扑识别四个方面逐步完成台区拓扑识别，进而帮助运维人员及时了解台区运行状况，更能精准故障定位和台区线损精益化管理。

为了实现上述目的，本发明采用如下技术方案：

一种基于电压数据的拓扑关系识别方法，包括以下步骤：

对用户用电信息采集系统所采集的电压数据进行预处理；

利用皮尔逊相关系数对预处理后的电压数据进行相关性分析，确定台区总电表电压与分电表电压之间的相关密切程度，并基于相关密切程度划分不同台区；

对各个台区的电压数据进行主成分提取，并根据提取的主成分对各台区电表按照相线进行聚类；

基于聚类结果，对各台区各电表进行同相线分组；

对各同相线分组的电表按照电压值高低进行排序，并结合电压衰减原理对同相线分组中各电表距离变压器的距离进行排序，确定各台区各电表的物理拓扑结构。

优选的，在上述一种基于电压数据的拓扑关系识别方法中，所述数据预处理包括：

删除用户用电信息采集系统所采集的电压数据中的重复数据；

对存在数据缺失的电表的电压数据进行数据补全；

根据正态分布的3sigma原则滤掉异常数据，获得最终的预处理后的电压数据。

优选的，在上述一种基于电压数据的拓扑关系识别方法中，所述对存在数据缺失的电表的电压数据进行数据补全，包括：

对与存在数据缺失电表同类型的其他电表的电压数据进行分析；选取其它电表中与数据缺失电表同时刻的电压数据进行相关性分析，结合相关性分析结果对存在数据缺失电表的电压数据进行数据补全。

优选的，在上述一种基于电压数据的拓扑关系识别方法中，皮尔逊相关系数的计算公式为：

上式中，ρ_X,Y表示X和Y两个变量的相关系数，

表示X变量的平均值，

表示Y变量的平均值，X变量表示总电表电压数据，Y变量表示分电表电压数据。

优选的，在上述一种基于电压数据的拓扑关系识别方法中，所述主成分提取的过程为：

对预处理后的电压数据进行标准化处理，基于标准化处理后的电压数据构建相关系数矩阵；

提取相关系数矩阵中的特征值和特征向量，计算主成分贡献率和累计贡献率；

选择累计贡献率达85％-95％的特征值作为主成分，并选取主成分对应的特征向量组成主成分矩阵；

对主成分矩阵进行降维处理，得到最终的主成分数据集。

优选的，在上述一种基于电压数据的拓扑关系识别方法中，所述对各台区各电表进行同相线分组时，按照待分组电表是否存在表箱档案对其进行分组；

存在表箱档案时，获取营配贯通数据，按照台区的实际表箱关系获得台区拓扑图，根据台区拓扑图对待分组电表进行拓扑分析；

不存在表箱档案时，根据两两待分组电表之间的相关系数，根据同一表箱电表电压变化趋势接近的原则，建立电表的分组关系。

优选的，在上述一种基于电压数据的拓扑关系识别方法中，对各台区各电表进行同相线分组后，还包括分相结果验证，所述分相结果验证包括：对同一分组中各电表的电压采样数据进行电压一致性对比，在一致性概率达到预设阈值时，则电表的分组结果准确。

经由上述的技术方案可知，与现有技术相比，本发明公开提供了一种基于电压数据的拓扑关系识别方法，具有以下有益效果：本发明通过分析用户用电信息采集系统的电压数据，并对电压数据依次进行户变分析、相位分析、分组分析和拓扑分析，并对电压数据进行相关性分析，根据电压变化趋势进行多维度分组，进而确定台区拓扑关系。本发明通过对台区拓扑关系的自动识别，不仅能够帮助运维人员及时了解台区运行状况，合理管理居民用电、及时监测用电情况，还能对故障进行精准定位和台区线损的精益化管理。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述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，还可以根据提供的附图获得其他的附图。

图1附图为本发明提供的基于电压数据的拓扑关系识别方法的流程框图；

图2附图为本发明提供的数据补全前后示意图；

图3附图为本发明提供的数据异常过滤示意图。

具体实施方式

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，都属于本发明保护的范围。

如图1所示，本发明实施例公开了一种基于电压数据的拓扑关系识别方法，包括以下步骤：

S1、数据预处理：对用户用电信息采集系统所采集的电压数据进行预处理。

本发明实施例获得电压数据后，依次对其进行数据校验、数据补全和数据过滤处理，具体为：

数据校验：对采集到的数据进行数据校验，初步确保数据的一致性和完整性，去除与分析无关的数据，或部分存在冗余的数据，即删除分析数据中的重复数据。

数据补全：电压数据的处理原则是尽量避免填充数据，删除掉有缺失点的列数据，但是需要保证每天至少有12个点以确保分析的准确性，如图2所示。由于受通信质量和采集设备的影响，个别电表会存在缺失数据严重，可以将此类型的其他电表进行单独分析，选取与个别电表同时刻的电表电压数据进行相关性分析，并对个别电表的电压数据进行数据补全。

数据过滤：电压数据的是分布在额定220V上下20％的浮动区间内的，可根据这一特性判断电压越限异常。但在进行低压拓扑分析中，需删除异常数据。电压数据是符合正态分布的，可参考正态分布的3sigma原则过滤异常数据，即范围在±|u-3σ|之间的电压数据为正常数据，如图3所示。

S2、户变分析：利用皮尔逊相关系数对预处理后的电压数据进行相关性分析，确定台区总电表电压与分电表电压之间的相关密切程度，并基于相关密切程度划分不同台区。

统计学中，经常用相关系数来衡量变量之间的关系，本实施例根据电压的特性，对电压数据进行相关性分析，利用相关系数来确定总电表电压和分电表电压之间的关系，从而进行低压台区的台区分析，对台区和相位进行划分。

由于同一台区同一相位的电压数据相似度高，不同台区的电压数据相似度低，可以按照相似度对同一台区的总电表和分电表进行划分。

相似度判断过程为：选择台区总电表作为基准表，比较总电表和分电表的电压数据的相似性。选择皮尔逊相关系数作为相似度的判定标准。两个变量之间的皮尔逊相关系数定义为两个变量之间的协方差和标准差的商，公式如下。

其中，ρ_X,Y表示X和Y两个变量的相关系数。

表示X变量的平均值，

表示Y变量的平均值，X变量表示总电表电压数据，Y变量表示分电表电压数据。

S3、相位分析：对各个台区的电压数据进行主成分提取，并根据提取的主成分对各台区电表按照相线进行聚类。

该步骤主要包括特征提取和聚类分析两个过程，其中，特征提取的具体过程如下：

考虑到数据维数灾难和数据可视化的问题，对数据进行降维操作，减少冗余数据，进行主成分分析。

首先对电压数据进行标准化处理，以减少量纲的影响。电压数据原变量指标为x₁,x₂,...,x_p，标准化处理之后，新变量指标为z₁,z₂,...,z_p，其中p为电压点数。

计算电压数据相关系数矩阵为：

其中，m为电能表数量，p为电压点数。

解相关系数矩阵R的特征方程λI-R＝0，求特征值λ_i(i＝1,...,p)和特征向量e_i(i＝1,...,p)，并计算主成分贡献率和累计贡献率，其中贡献率为：

累计贡献率为：

选择累计贡献率达85％-95％的特征值λ_i(i＝1,...,m)为m个主成分，选取主成分对应的特征向量组成矩阵W_m，最终计算可得到降维之后的数据集D。

D＝W_pm×Z_np；

其中，m为主成分个数，n为电能表数量，p为电压点数。

聚类分析的具体过程为：

聚类算法是经典的无监督学习算法，它是研究分类问题的一种统计分析方法。聚类所要求划分的类是未知的，正好符合电压数据特点。该聚类算法不需要事先指定分类的个数，由电压数据之间的距离来自动进行分类。聚类算法自动将与台区总表密度相差较大的电表自动归类于噪音值，即为户变关系异常。

其核心思想是从某个选定的核心点出发，不断向密度可达的区域扩张，从而得到一个包含核心点和边界点的最大化区域，区域中任意两点密度相连。

S4、分组分析：基于聚类结果，对各台区各电表进行同相线分组。

在户变分析和相位分析的基础上，对台区下的电表进行分组关系分析，可以分为有箱表档案和无箱表档案分析。

有表箱档案分析：

当有箱表档案时，采录营配贯通数据，利用台区的实际箱表关系绘制台区拓扑图，然后进行台区拓扑分析。

无表箱档案分析：

当无箱表档案时，将两两电表之间进行相关性分析获取相关系数，同一表箱电表电压变化趋势接近，建立电表的分组关系。

基于同一表箱同一时刻同一相线电压一致的理论，假定表计误差符合正态分布及在技术条件约束范围内，针对多电压采样数据进行电压一致性比对，一致性概率达到一定阈值则认为分相结果准确。

S5、拓扑分析：对各同相线分组的电表按照电压值高低进行排序，并结合电压衰减原理对同相线分组中各电表距离变压器的距离进行排序，确定各台区各电表的物理拓扑结构，最终得到台区拓扑识别结果。

拓扑分析是利用电表与分组关系，结合电压衰减原理对分组间进行上下层级、先后顺序进行排序，从而实现台区物理拓扑结构。

从理论上讲，各个电表在忽略电阻R的情况下，电表电压值一致，但真实电网中由于阻抗的存在电压值随着离变压器越来越远而越来也低，不同时间点电网负载越高电压下降越明显。

基于同一时刻同一分组电压一致性原理，取分组中所有电表的电压均值作为分组电压值，依据电表分组电压值高低对同相线分组进行距离排序，进而实现台区拓扑分析。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (6)

1.一种基于电压数据的拓扑关系识别方法，其特征在于，包括以下步骤：

对用户用电信息采集系统所采集的电压数据进行预处理；

利用皮尔逊相关系数对预处理后的电压数据进行相关性分析，确定台区总电表电压与分电表电压之间的相关密切程度，并基于相关密切程度划分不同台区；

对各个台区的电压数据进行主成分提取，并根据提取的主成分对各台区电表按照相线进行聚类；

基于聚类结果，对各台区各电表进行同相线分组；所述对各台区各电表进行同相线分组时，按照待分组电表是否存在表箱档案对其进行分组；

存在表箱档案时，获取营配贯通数据，按照台区的实际表箱关系获得台区拓扑图，根据台区拓扑图对待分组电表进行拓扑分析；

不存在表箱档案时，根据两两待分组电表之间的相关系数，根据同一表箱电表电压变化趋势接近的原则，建立电表的分组关系；

对各同相线分组的电表按照电压值高低进行排序，并结合电压衰减原理对同相线分组中各电表距离变压器的距离进行排序，确定各台区各电表的物理拓扑结构；基于同一时刻同一分组电压一致性原理，取分组中所有电表的电压均值作为分组电压值，依据电表分组电压值高低对同相线分组进行距离排序。

2.根据权利要求1所述的一种基于电压数据的拓扑关系识别方法，其特征在于，所述数据预处理包括：

删除用户用电信息采集系统所采集的电压数据中的重复数据；

对存在数据缺失的电表的电压数据进行数据补全；

根据正态分布的3sigma原则滤掉异常数据，获得最终的预处理后的电压数据。

3.根据权利要求2所述的一种基于电压数据的拓扑关系识别方法，其特征在于，所述对存在数据缺失的电表的电压数据进行数据补全，包括：

对与存在数据缺失电表同类型的其他电表的电压数据进行分析；选取其它电表中与数据缺失电表同时刻的电压数据进行相关性分析，结合相关性分析结果对存在数据缺失电表的电压数据进行数据补全。

4.根据权利要求1所述的一种基于电压数据的拓扑关系识别方法，其特征在于，皮尔逊相关系数的计算公式为：

上式中，ρ_X,Y表示X和Y两个变量的相关系数，

表示X变量的平均值，

表示Y变量的平均值，X变量表示总电表电压数据，Y变量表示分电表电压数据。

5.根据权利要求1所述的一种基于电压数据的拓扑关系识别方法，其特征在于，所述主成分提取的过程为：

对预处理后的电压数据进行标准化处理，基于标准化处理后的电压数据构建相关系数矩阵；

提取相关系数矩阵中的特征值和特征向量，计算主成分贡献率和累计贡献率；

选择累计贡献率达85％-95％的特征值作为主成分，并选取主成分对应的特征向量组成主成分矩阵；

对主成分矩阵进行降维处理，得到最终的主成分数据集。

6.根据权利要求1所述的一种基于电压数据的拓扑关系识别方法，其特征在于，对各台区各电表进行同相线分组后，还包括分相结果验证，所述分相结果验证包括：对同一分组中各电表的电压采样数据进行电压一致性对比，在一致性概率达到预设阈值时，则电表的分组结果准确。

Images