CN113341253A - 一种用于智能电表的无扰台区识别方法 - Google Patents

Abstract

本发明公开了一种用于智能电表的无扰台区识别方法，该方法包括如下步骤：步骤一，时钟产生；步骤二，时钟传输；步骤三，数据采集；步骤四，数据融合；步骤五，台区信息纠错。本发明的有益效果是：识别精准，采样灵活,算法科学、可靠性强。

Description

一种用于智能电表的无扰台区识别方法

技术领域

本发明涉及智能电表技术领域，特别是一种用于智能电表的无扰台区识别方法。

背景技术

台区识别方法用来判断用户电表的相位归属、线路归属及变压器归属。文献CN211554159U---低压分支线台区识别仪、 CN210894537U---一种简约式台区识别仪、CN209979765U---一种台区识别仪等提供的台区识别仪器是硬件设备，通过电力公司技术人员操作，停电入户，来实现人工排查台区信息。不同于硬件的方法，文献CN111711469A---基于信噪比的台区识别方法、系统、存储介质及STA节点、CN111711588A---一种基于多载波调频特征识别信号的户变关系识别方法、CN112383151A基于差分互相关算法的配电网用户群网络在线识别方法等提出的无扰台区识别无需人为干预，仅仅利用智能电表自身采集到的大量数据，通过数据分析与研判算法，来获得准确的台区信息。无扰台区识别利用的数据样本，如电压、频率、相位、过零、信噪比等信息，依赖于采样时间的精准，但利用电力线设备自身的系统内时钟产生的采样时间，存在较大的抖动。同时，电力线系统内负载变化、串扰等问题，会造成某些样点数据的失真，体现在台区识别信息错误率较高。对于上述后三编文献中提到的算法，均为某一个或者两个数据来做判断，判断的依据是预先设立的规则，无法全面的利用台区信息以及台区信息内在的未知的关系，无法做到稳定的可靠识别，会产生乒乓效应。

发明内容

本发明的目的是为了解决上述问题，设计了一种用于智能电表的无扰台区识别方法。

为实现上述目的本发明的技术方案包括如下步骤：

步骤一，时钟产生：在CCO上配置时钟芯片，通过时钟芯片来获得标准GPS 1PPS时间数据，从而来获得精准的等间隔时间 t₀ t₁ t₂……t_N-1；

步骤二，时钟传输：由CCO、代理CCO和STA组成的电力线载波通信网络，把步骤一中产生的t₀ t₁ t₂……t_N-1由CCO传递给每个STA，其中CCO、代理CCO和STA按照NTB时间来完成传输时间误差△t的校正；

步骤三，数据采集：定义数据细胞为t_n时刻一系列标准台区信息的组合，该数据细胞由t_n时刻各类传感器采样所得；基本的，按照标准时间t₀ t₁ t₂……t_N-1的对应顺序来获得的采样电压数据V₀ V₁ V₂……V_N-1，保留了完整的台区频域数据信息；

步骤四，数据融合：同一台区的数据细胞有较强的相关性，采用新型的深度学习聚类器，把属于一个台区的数据细胞归为一类，完成STA所处台区的判断；

步骤五，台区信息纠错：在深度学习的过程中，降低虚警概率规则器的比重，提高漏警概率规则器的比重，对于无法判断台区信息的用户，需要上报至平台，并把数据细胞序列保存下来待进一步分析。

进一步地，所述CCO中带有4G LTE芯片，4G LTE芯片的功能是用于抄表数据并回传，步骤一中通过4G LTE芯片来获取GPS 1PPS时间信息。

进一步地，所述步骤三中的数据细胞里面的数据包括但不限于电压，还可以包括电流、信号场强、信噪比和人工标记数据，数据细胞的数据是可扩展的；根据运算负载、复杂程度可以灵活选择数据细胞的数量；当电网相对简单，台区识别准确率较高时，可以选择较少的数据，当台区识别相对较困难，可以选择较多的数据。

进一步地，所述步骤四中的深度学习聚类器不需要提炼模型，仅依赖预先设计的规则，让深度学习自己提炼数据内在的模型特点。

进一步地，所述步骤四中的深度学习分类器主要包括特征提取和特征聚类两部分，具体步骤如下：

步骤1：将采集的细胞数据划分为训练数据集和测试数据集。基本的，训练集{V₀ V₁V₂……V_0.8N-1}和测试集{V_0.8N V₁ V₂……V_N-1} 数据完全不重复；

步骤2：构建多层自编码器模型，主要包括编码网络和解码网络。其中编码网络的输入尺寸和解码网络的输出尺寸根据数据细胞V_n维度定义且保持一致，解码网络的输入尺寸和编码网络的输出尺寸保持一致。两个网络的组成包括但不限于全连接神经网络，还可以根据数据细胞的复杂程度灵活地添加卷积层,池化层和归一化层等；

步骤3：设定最大训练周期，批量训练数据大小，初始学习率等超参数。以数据细胞V_n作为编码网络的输入以及解码网络的输出标签，并将编码网络的输出作为解码网络的输入，训练上述自编码器模型；

步骤4：以均方误差为损失函数，计算解码网络预测输出与对应编码网络输入之间的损失值。通过将该损失值在自编码器模型上反向传播，获得梯度信息，并使用梯度下降法迭代地更新模型参数；

步骤5：保存训练过程中的自编码器模型，并从中选取使得测试数据集误差最小的模型，用于后期无扰台区的特征提取；

步骤6：数据特征聚类，基于编码网络得到的特征集合，从中随机选择K(K为台区类别数)个数据样本作为聚类中心。计算其他各样本与K个中心的距离，将其分配到距离最近的聚类中心。在分配数据样本的同时不断更新每个聚类的中心，并基于新的聚类中心分配特征数据。如此反复，直至聚类中心不再发生改变，即完成了不同台区数据的分类聚合。

有益效果

利用本发明的技术方案制作的用于智能电表的无扰台区识别方法，其具有如下优势：

1、本方法基于北斗芯片来获得的时钟数据，同时结合CCO 中4G LTE模块来获取1PPS，进而得到精准采样时间序列；

2、本方法采用数据细胞的方式，根据电力网络情况取舍数据，达到精确度和计算复杂度之间的平衡，进而获得可灵活扩展的采样数据信息的技术效果；

3、采用深度学习聚类器，无须预先指定数据信息模型，完全靠深度学习内在的算法能力，从而获得未知的信息，最大限度的利用了数据信息；

4、依据深度学习的虚警漏警规则设计，获得可信度高的台区识别结果，增强了可靠性。

附图说明

图1是本发明所述用于智能电表的无扰台区识别方法的流程示意图；

图2是本发明实施例1所述的时钟系统的结构示意图；

图3是本发明实施例1所述的数据细胞的结构体示意图。

具体实施方式

实施例1

下面结合附图对本发明进行具体描述，如图1-3所示；

装置1CCO，配备有4G LTE芯片，通过读取LTE网络的时钟信息，获取GPS 1PPS时间数据，该时间数据精确同步于GPS 卫星或者北斗卫星，不仅精度高，而且稳定。利用1PPS时钟数据，产生等间隔时间序列t₀ t₁ t₂…t_N-1；该过程由CCO上4G LTE 芯片和软件共同来实现；

装置2代理CCO，通过载波通信或者无线通信链路，接收 CCO产生的等间隔时间序列，并根据载波通信或者无线通信协议中的网络基本时间NTB的机制，完成对CCO和代理CCO之间的传输时间Δt₁的矫正，然后将矫正后的时间序列转发给各STA，该过程由代理CCO上的软件来实现；

装置STA接收代理CCO产生的等间隔时间序列，并根据载波通信或者无线通信协议中的网络基本时间NTB的机制，完成对代理CCO和STA之间的传输时间Δt2的矫正，至此，完成各STA 于CCO的精准时间同步，该过程由STA基于国网电力线宽带载波 (HPLC)通信标准来实现；

装置STA在各时间序列的触发下，完成该STA数据信息的收取，包括电压的采样、电流的采样、信噪比的读取、过零时刻的计算以及先验标记台区信息的读取，进而组成该时刻下的数据细胞，该过程由STA通过电能表获取或通过HPLC标准定义的方法来获取和实现；

装置STA将各时间序列下的数据细胞发送给装置CCO，完成数据的集合；

装置CCO采用深度学习计算模型，完成各数据细胞的计算与聚类，聚类的规则是台区的数据的内在相关性等，装置CCO的深度学习聚类方法主要包括特征提取和特征聚类两部分，具体步骤如下：

步骤1：将采集的细胞数据划分为训练数据集和测试数据集。基本的，训练集{V0V1 V2……V0.8N-1}和测试集{V0.8N V1 V2……VN-1}数据完全不重复；

步骤2：构建多层自编码器模型，主要包括编码网络和解码网络。其中编码网络的输入尺寸和解码网络的输出尺寸根据数据细胞Vn维度定义且保持一致，解码网络的输入尺寸和编码网络的输出尺寸保持一致。两个网络的组成包括但不限于全连接神经网络，还可以根据数据细胞的复杂程度灵活地添加卷积层,池化层和归一化层等；

步骤3：设定最大训练周期，批量训练数据大小，初始学习率等超参数。以数据细胞Vn作为编码网络的输入以及解码网络的输出标签，并将编码网络的输出作为解码网络的输入，训练上述自编码器模型；

步骤4：以均方误差为损失函数，计算解码网络预测输出与对应编码网络输入之间的损失值。通过将该损失值在自编码器模型上反向传播，获得梯度信息，并使用梯度下降法迭代地更新模型参数；

步骤5：保存训练过程中的自编码器模型，并从中选取使得测试数据集误差最小的模型，用于后期无扰台区的特征提取；

步骤6：数据特征聚类，基于编码网络得到的特征集合，从中随机选择K(K为台区类别数)个数据样本作为聚类中心。计算其他各样本与K个中心的距离，将其分配到距离最近的聚类中心。在分配数据样本的同时不断更新每个聚类的中心，并基于新的聚类中心分配特征数据。如此反复，直至聚类中心不再发生改变，即完成了不同台区数据的分类聚合。

装置CCO同时设置聚类判决的可信度指标，完成虚警概率和漏警概率的计算，并把容易误判的STA上报给平台，指导人工的参与。从而实现接近百分之百精准的台区识别。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下。由语句“包括一个......限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素”。

上述技术方案仅体现了本发明技术方案的优选技术方案，本技术领域的技术人员对其中某些部分所可能做出的一些变动均体现了本发明的原理，属于本发明的保护范围之内。

Claims (5)

1.一种用于智能电表的无扰台区识别方法，其特征在于，该方法包括如下步骤：

步骤一，时钟产生：在CCO上配置时钟芯片，通过时钟芯片来获得标准GPS 1PPS时间数据，从而来获得精准的等间隔时间t₀ t₁ t₂……t_N-1；

步骤二，时钟传输：由CCO、代理CCO和STA组成的电力线载波通信网络，把步骤一中产生的t₀ t₁ t₂……t_N-1由CCO传递给每个STA，其中CCO、代理CCO和STA按照NTB时间来完成传输时间误差△t的校正；

步骤三，数据采集：定义数据细胞为t_n时刻一系列标准台区信息的组合，该数据细胞由t_n时刻各类传感器采样所得；基本的，按照标准时间t₀ t₁ t₂……t_N-1的对应顺序来获得的采样电压数据V₀ V₁ V₂……V_N-1，保留了完整的台区频域数据信息；

步骤四，数据融合：同一台区的数据细胞有较强的相关性，采用新型的深度学习聚类器，把属于一个台区的数据细胞归为一类，完成STA所处台区的判断；

步骤五，台区信息纠错：在深度学习的过程中，降低虚警概率规则器的比重，提高漏警概率规则器的比重，对于无法判断台区信息的用户，需要上报至平台，并把数据细胞序列保存下来待进一步分析。

2.根据权利要求1所述的用于智能电表的无扰台区识别方法，其特征在于，所述CCO中带有4G LTE芯片，4G LTE芯片的功能是用于抄表数据并回传；所述步骤一中通过4G LTE芯片来回传1PPS信息。

3.根据权利要求1所述的用于智能电表的无扰台区识别方法，其特征在于，所述步骤三中的数据细胞里面的数据包括但不限于电压，还可以包括电流、信号场强、信噪比和人工标记数据，数据细胞的数据是可扩展的；根据运算负载、复杂程度可以灵活选择数据细胞的数量；当电网相对简单，台区识别准确率较高时，可以选择较少的数据，当台区识别相对较困难，可以选择较多的数据。

4.根据权利要求1所述的用于智能电表的无扰台区识别方法，其特征在于，所述步骤四中的深度学习聚类器不需要提炼模型，仅依赖预先设计的规则，让深度学习自己提炼数据内在的模型特点。

5.根据权利要求1所述的用于智能电表的无扰台区识别方法，其特征在于，所述步骤四中的深度学习分类器主要包括特征提取和特征聚类两部分，具体步骤如下：

步骤1：将采集的细胞数据划分为训练数据集和测试数据集。基本的，训练集{V₀ V₁V₂……V_0.8N-1}和测试集{V_0.8N V₁ V₂……V_N-1}数据完全不重复；

步骤2：构建多层自编码器模型，主要包括编码网络和解码网络。其中编码网络的输入尺寸和解码网络的输出尺寸根据数据细胞V_n维度定义且保持一致，解码网络的输入尺寸和编码网络的输出尺寸保持一致。两个网络的组成包括但不限于全连接神经网络，还可以根据数据细胞的复杂程度灵活地添加卷积层,池化层和归一化层等；

步骤3：设定最大训练周期，批量训练数据大小，初始学习率等超参数。以数据细胞V_n作为编码网络的输入以及解码网络的输出标签，并将编码网络的输出作为解码网络的输入，训练上述自编码器模型；

步骤4：以均方误差为损失函数，计算解码网络预测输出与对应编码网络输入之间的损失值。通过将该损失值在自编码器模型上反向传播，获得梯度信息，并使用梯度下降法迭代地更新模型参数；

步骤5：保存训练过程中的自编码器模型，并从中选取使得测试数据集误差最小的模型，用于后期无扰台区的特征提取；

步骤6：数据特征聚类，基于编码网络得到的特征集合，从中随机选择K(K为台区类别数)个数据样本作为聚类中心。计算其他各样本与K个中心的距离，将其分配到距离最近的聚类中心。在分配数据样本的同时不断更新每个聚类的中心，并基于新的聚类中心分配特征数据。如此反复，直至聚类中心不再发生改变，即完成了不同台区数据的分类聚合。

Images