CN113344450A - 低压台区线户识别方法、系统、终端设备及存储介质 - Google Patents

低压台区线户识别方法、系统、终端设备及存储介质 Download PDF

Info

Publication number
CN113344450A
CN113344450A CN202110753555.3A CN202110753555A CN113344450A CN 113344450 A CN113344450 A CN 113344450A CN 202110753555 A CN202110753555 A CN 202110753555A CN 113344450 A CN113344450 A CN 113344450A
Authority
CN
China
Prior art keywords
voltage
low
current
outgoing line
cluster
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.)
Granted
Application number
CN202110753555.3A
Other languages
English (en)
Other versions
CN113344450B (zh
Inventor
杨雨瑶
刘日荣
潘峰
彭策
马键
李慧
章娇娇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong Power Grid Co Ltd
Measurement Center of Guangdong Power Grid Co Ltd
Original Assignee
Guangdong Power Grid Co Ltd
Measurement Center of Guangdong Power Grid Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangdong Power Grid Co Ltd, Measurement Center of Guangdong Power Grid Co Ltd filed Critical Guangdong Power Grid Co Ltd
Priority to CN202110753555.3A priority Critical patent/CN113344450B/zh
Publication of CN113344450A publication Critical patent/CN113344450A/zh
Application granted granted Critical
Publication of CN113344450B publication Critical patent/CN113344450B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION 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
    • G06Q10/00Administration; Management
    • G06Q10/06Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063Operations research, analysis or management
    • G06Q10/0631Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06311Scheduling, planning or task assignment for a person or group
    • G06Q10/063114Status monitoring or status determination for a person or group
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/23Clustering techniques
    • G06F18/232Non-hierarchical techniques
    • G06F18/2321Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION 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
    • G06Q50/00Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06Energy or water supply

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Remote Monitoring And Control Of Power-Distribution Networks (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Probability & Statistics with Applications (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • General Engineering & Computer Science (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Life Sciences & Earth Sciences (AREA)

Abstract

本发明公开了一种低压台区线户识别方法、系统、终端设备及存储介质,所述方法包括:获取目标台区第一预设时间内各用户智能电表的电压时序数据;对电压时序数据进行降维;对降维后的电压时序数据进行聚类,得到多个聚类簇;获取目标台区第二预设时间内配变各出线首端、各用户智能电表的电流时序数据,并分别计算各出线首端的总电流及各聚类簇的总电流;对各聚类簇的总电流与各出线首端的总电流进行拟合,确定线户关系。本发明充分利用了电流和电压数据的信息,比单纯使用电压聚类或电流拟合的准确率更高;通过降维算法及聚类算法对数据进行处理,得到了质量更高的低维数据特征集,进而提高了识别结果的精度,具有成本小、效率高、适应性强的优点。

Description

低压台区线户识别方法、系统、终端设备及存储介质
技术领域
本发明涉及配电网监控技术领域,具体涉及一种低压台区线户识别方法、系统、终端设备及存储介质。
背景技术
随着智能台区低压配电网络的用户量日渐增大,供电网络越来越复杂,继而增大了台区线户识别工作的难度。目前,针对低压台区的线户识别,常用的方法包括以下三种:
第一种是人工梳理法,即依靠人工现场对每一块用户智能电表进行梳理排查,确定每一块用户智能电表所归属的配电变压器低压侧一级出线。但是由于低压配电台区数量众多、线路搭接复杂,智能电表位置分散,单纯依靠人力梳理线户关系难度大、耗时长、成本高,且由于低压配电网中符合切割、迁移、线路改造及用户新装等作业较频繁,依靠人工也难以实现线户关系的动态更新。
第二种是信号收发法,即通过在配电变压器低压侧一级出线处注入电压或电流特征信号,根据台区内设备对信号的接受与反馈结果实现线户连接关系识别。但是该方法需要增加大量的终端设备,不仅成本高、运维工作量大,同时设备可靠性差、易损毁,进而影响电网正常运行。
第三种是数据标签法,即根据台区内各类设备的逻辑关系进行编码,实现台区线户关系变动管理。但该方法不仅对施工质量要求高、质量难以把控、且会加大运维难度,降低管理效率。
综上所述,急需一种低压台区线户识别方法,能够在降低工作成本和提高施工效率的前提下,确保线户关系识别的准确度,并实现线户关系的动态更新。
发明内容
本发明的目的在于提供一种低压台区线户识别方法、系统、终端设备及存储介质,以解决现有技术线户识别方法中存在的成本高、实施难度大、效率低下、实时性差问题。
为了克服上述现有技术中的缺陷,本发明提供了一种低压台区线户识别方法,包括:
获取目标台区第一预设时间内各用户智能电表的电压时序数据;
对所述电压时序数据进行降维;
对降维后的电压时序数据进行聚类,得到多个聚类簇;
获取目标台区第二预设时间内配变各出线首端、各用户智能电表的电流时序数据,并分别计算各出线首端的总电流及各聚类簇的总电流;
对所述各聚类簇的总电流与所述各出线首端的总电流进行拟合,确定线户关系。
进一步地,利用t-SNE算法对所述电压时序数据进行降维。
进一步地,利用DBSCAN算法对降维后的电压时序数据进行聚类,得到多个聚类簇。
进一步地,所述对所述各聚类簇的总电流与所述各出线首端的总电流进行拟合,确定线户关系,包括:
根据某一出线首端流出的电流值与该出线上所有智能电表流入的电流值,构建第一函数:
Figure BDA0003146265720000021
式中,
Figure BDA0003146265720000022
为配变低压侧出线p首端t时刻流出的电流值,α为电流采集的总时刻,φ(p)为配变低压侧出线p上所有电能表的集合,
Figure BDA0003146265720000023
为出线p上第a块智能电表t时刻的电流值,L为配变低压侧出线的集合,
Figure BDA0003146265720000024
为t时刻出线p上智能电表测量误差以及窃电漏电的误差总和;
对所述第一函数进行化简,得到第二函数:
Figure BDA0003146265720000031
式中,Ik.clu(t)为聚类簇电流值,xk.p为各聚类簇与各出线的归属关系,E为出线上智能电表的总数;
根据所述第二函数,构造优化模型:
Figure BDA0003146265720000032
根据优化模型求解xk.p,根据求解结果确定线户关系。
本发明还提供了一种低压台区线户识别系统,包括:
数据获取单元,用于获取目标台区第一预设时间内各用户智能电表的电压时序数据;
降维单元,用于对所述电压时序数据进行降维;
聚类单元,用于对降维后的电压时序数据进行聚类,得到多个聚类簇;
电流计算单元,用于获取目标台区第二预设时间内配变各出线首端、各用户智能电表的电流时序数据,并分别计算各出线首端的总电流及各聚类簇的总电流
拟合单元,用于对所述各聚类簇的总电流与所述各出线首端的总电流进行拟合,确定线户关系。
进一步地,所述降维单元利用t-SNE算法对所述电压时序数据进行降维。
进一步地,所述聚类单元利用DBSCAN算法对降维后的电压时序数据进行聚类,得到多个聚类簇。
进一步地,所述拟合单元包括:
第一函数构建单元,用于根据某一出线首端流出的电流值与该出线上所有智能电表流入的电流值,构建第一函数:
Figure BDA0003146265720000041
式中,
Figure BDA0003146265720000046
为配变低压侧出线p首端t时刻流出的电流值,α为电流采集的总时刻,φ(p)为配变低压侧出线p上所有电能表的集合,
Figure BDA0003146265720000042
为出线p上第a块智能电表t时刻的电流值,L为配变低压侧出线的集合,
Figure BDA0003146265720000043
的t时刻出线p上智能电表测量误差以及窃电漏电的误差总和;
第二函数构建单元,用于对所述第一函数进行化简,得到第二函数:
Figure BDA0003146265720000044
式中,Ik.clu(t)为聚类簇电流值,xk.p为各聚类簇与各出线的归属关系,E为出线上智能电表的总数;
优化模型构建单元,用于根据所述第二函数,构造优化模型:
Figure BDA0003146265720000045
优化模型求解单元,用于根据优化模型求解xk.p,根据求解结果确定线户关系。
本发明还提供了一种终端设备,包括:处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现如上任一项所述的低压台区线户识别方法。
本发明还提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行实现如上任一项所述的低压台区线户识别方法。
相对于现有技术,本发明的有益效果在于:
(1)本发明结合电压、电流等多元数据,能够实现低压台区线户关系的识别,方法适用于所有装设了用户智能电表的台区,适应性强。
(2)本发明充分利用了电流和电压数据的信息,比单纯使用电压聚类或电流拟合的方法准确率更高,适应性更强。
(3)本发明无需在台区内额外加装终端设备,仅依靠智能电表采集的数据即可实现线户关系的识别,成本小,经济性和工程实用性高。
(4)本发明采用非线性降维算法t-SNE进行降维,能保留原始电压序列的数据分布特性,得到质量较高低维电压特征集,从而提高识别结果的精确度。
(5)本发明采用DBSCAN算法进行聚类,能自适应数据集的聚类数,当台区出线数不明确时,方法也能很好适应。
附图说明
为了更清楚地说明本发明的技术方案,下面将对实施方式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方式,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他的附图。
图1是本发明某一实施例提供的低压台区线户识别方法的流程示意图;
图2是本发明某一实施例提供的经非线性降维算法t-SNE降维后的电压数据集;
图3是本发明某一实施例提供的降维后电压数据集经DBSCAN算法聚类后的聚类结果图;
图4是本发明某一实施例提供的经电流拟合后的线户关系识别结果图;
图5是本发明某一实施例提供的低压台区线户识别系统的结构示意图;
图6是本发明某一实施例提供的终端设备的结构示意图。
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作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。
应当理解,文中所使用的步骤编号仅是为了方便描述,不作为对步骤执行先后顺序的限定。
应当理解,在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
第一方面:
请参阅图1,本发明某一实施例提供了一种低压台区线户识别方法,包括:
S10、获取目标台区第一预设时间内各用户智能电表的电压时序数据。
本步骤中需要说明的是,对目标台区各用户智能电表电压采集的时间断面数不应少于台区内的用户智能电表总数。
S20、对所述电压时序数据进行降维。
需要说明的是,由于采集的用户智能电表的电压时序数据中存在很多噪声数据,在后续步骤中无需使用。通过此处降维可以去干扰,从而得到更高质量的样本并提升数据处理的效率。
在某一实施例中,采用t分布随机邻域嵌入(T-Distribution StochasticNeighbour Embedding,t-SNE)算法对原始电压时序数据进行降维,得到保留原始电压序列主要特征的低维电压特征集。其中,降维后的电压数据集如图2所示。
具体地,该降维过程具体步骤如下:
2.1)基于高斯概率分布函数,将高维空间中台区用户智能电表电压时序之间的欧氏距离转化为相似性概率pi|j与pj|i
Figure BDA0003146265720000071
Figure BDA0003146265720000072
式中,xi和xj表示高维数据中的点i和点j,i、j均表示电表的编号;xk表示高斯分布中心,δi表示高斯模型的方差。
2.2)计算高维空间数据间的联合概率pij
Figure BDA0003146265720000073
式中,N为台区内的用户智能电表总数。
2.3)在低维空间中随机创建一个数据合集,基于t分布函数将低维空间中数据之间的欧式距离转化为联合概率qij
Figure BDA0003146265720000074
式中,yi和yj表示高维数据中的点i和点j,yk表示t分布中心,yl表示一个随机生成的数据点。
2.4)计算pij与qij之间的KL散度:
Figure BDA0003146265720000075
2.5)令KL散度等于目标函数O,对初始化低维数据集合采用梯度下降法进行迭代调整,待KL散度收敛后,即可得到降维后的数据集,梯度公式描述如下:
Figure BDA0003146265720000081
S30、对降维后的电压时序数据进行聚类,得到多个聚类簇。
在某一实施例中,主要采用DBSCAN聚类算法对降维后的电压时序数据进行聚类,其聚类结果如图3所示。
具体地,利用DBSCAN聚类算法进行聚类的步骤如下:
a)定义Eps邻域,给定空间中的一点p,p的Eps邻域点集为以p为中心,Eps为半径的超球体区域内包含样本点的集合,即:
NEps(p)={q∈D|dist(p,q)≤Eps} (7)
式中,D为样本数据集,dist(p,q)为点p与q之间的距离。
b)定义核心点和边界点,给定参数Eps和MinPts,对于对象p∈D,若|NEps(p)|≥MinPts,则称p为核心点;非核心点但在某个核心点的Eps邻域内的对象称为边界点。
c)定义直接密度可达,对于参数Eps和MinPts,满足p∈NEps(q)及|NEps(p)|≥MinPts,则称p是从q关于Eps和MinPts直接密度可达的,且不满足对称性。
d)定义密度可达,对于D且pi∈D,当存在对象点,p1,p2,…,pn,其中p1=q,pn=p,pi+1是从pi直接密度可达的,则称p是从q关于Eps和MinPts密度可达的,且不满足对称性。
e)定义密度相连,若D中蹲在一个对象点o,使得点p和q是从o关于Eps和MinPts密度可达的,那么对象p和q关于Eps和MinPts密度相连,且满足对称性。
f)定义类,数据集D的非空子集C是一个类。
g)定义噪声,不属于任何一个核心点的邻域的点为噪声点。
进一步地,根据上述a)-g)定义,得到算法的简要步骤:
3.1)输入数据集,邻域半径Eps,阈值MinPts;
3.2)在数据集中选取任意的一个点p,进行区域查询;
3.3)若p是核心点,则寻找所有从p密度可达的点,然后得到一个包含p的类;
3.4)否则,p被暂时标记为噪声点;
3.5)考察数据集中的下一个点,重复步骤3.2)至3.4)直到数据集中所有的点都被标记为已处理。
S40、获取目标台区第二预设时间内配变各出线首端、各用户智能电表的电流时序数据,并分别计算各出线首端的总电流及各聚类簇的总电流。
在本步骤中,聚类簇的总电流为聚类簇中所有用户智能电表的电流和:
Figure BDA0003146265720000091
式中,Ik.clu为第k个类别中所有智能电表的电流之和,Iu为智能电表u的电流值,E为聚类簇总数。
S50、对所述各聚类簇的总电流与所述各出线首端的总电流进行拟合,确定线户关系。
需要说明的是,任意时刻配变某一出线首端流出的电流值总与该出线上所有智能电表流入的电流值相等,即:
Figure BDA0003146265720000092
式中,
Figure BDA0003146265720000093
为配变低压侧出线p首端t时刻流出的电流值,α为电流采集的总时刻,φ(p)为配变低压侧出线p上所有电能表的集合,
Figure BDA0003146265720000094
为出线p上第a块智能电表t时刻的电流值,L为配变低压侧出线的集合。
在某一实施例中,根据公式(9)的原理,考虑到量测误差以及窃电漏电,进一步可得步骤S50的子步骤,包括:
5.1)根据某一出线首端流出的电流值与该出线上所有智能电表流入的电流值,构建第一函数,如公式(10)所示:
Figure BDA0003146265720000101
式中,
Figure BDA0003146265720000102
为t时刻出线p上智能电表测量误差以及窃电漏电的误差总和。
5.2)对所述第一函数进行化简,得到第二函数,如公式(11)所示:
需要说明的是,聚类合集y中同一类别的智能电表归属于相同出线,采用聚类簇电流值Ik.clu替代单个智能电表的电流值。采用0-1变量x表示各聚类簇与各出线的归属关系,若聚类簇k归属于出线p,则xk.p=1,反之为0。因此对公式(10)进行化简,即得到公式(11)
Figure BDA0003146265720000103
式中,Ik.clu(t)为聚类簇电流值,xk.p为各聚类簇与各出线的归属关系,E为出线上智能电表的总数;
5.3)根据所述第二函数,构造优化模型,如公式(11)所示:
Figure BDA0003146265720000104
需要说明的是,则此时线户识别问题可转化为一个0-1整数二次规划问题,根据公式(12)求解xk.p,根据求解结果即可确定线户关系。其中,经电流拟合后的线户关系识别结果图如图4所示。
本发明实施例提供的低压台区线户识别方法,充分利用了电流和电压数据的信息,比单纯使用电压聚类或电流拟合的准确率更高;通过降维算法及聚类算法对数据进行处理,得到了质量更高的低维数据特征集,进而提高了识别结果的精度,具有成本小、效率高、适应性强的优点。
为了帮助理解本发明提供的方法,在某一实施例中,给出了本发明方法的具体算例。其中,低压台区配电变压器低压侧共有出线三条,并配备了出线监测单元以及配变监测计量终端,共计供电用户215户,连接到出线1、出线3的用户智能电表都为72块,连接到出现2的用户智能电表为71块。
进一步地,采用python语言编程求解,线户识别结果如图4所示。分析可得本发明方法的线户识别结果与台区的实际线户归属关系一致,继而验证了本发明提供方法的有效性与可行性。
第二方面:
请参阅图5,本发明某一实施例还提供了一种低压台区线户识别系统,包括:
数据获取单元01,用于获取目标台区第一预设时间内各用户智能电表的电压时序数据;
降维单元02,用于对所述电压时序数据进行降维;
聚类单元03,用于对降维后的电压时序数据进行聚类,得到多个聚类簇;
电流计算单元04,用于获取目标台区第二预设时间内配变各出线首端、各用户智能电表的电流时序数据,并分别计算各出线首端的总电流及各聚类簇的总电流;
拟合单元05,用于对所述各聚类簇的总电流与所述各出线首端的总电流进行拟合,确定线户关系。
在某一实施例中,降维单元02利用t-SNE算法对所述电压时序数据进行降维。
在某一实施例中,聚类单元03利用DBSCAN算法对降维后的电压时序数据进行聚类,得到多个聚类簇。
在某一实施例中,所述拟合单元05,包括:
第一函数构建单元,用于根据某一出线首端流出的电流值与该出线上所有智能电表流入的电流值,构建第一函数:
Figure BDA0003146265720000121
式中,
Figure BDA0003146265720000122
为配变低压侧出线p首端t时刻流出的电流值,α为电流采集的总时刻,φ(p)为配变低压侧出线p上所有电能表的集合,
Figure BDA0003146265720000123
为出线p上第a块智能电表t时刻的电流值,L为配变低压侧出线的集合,
Figure BDA0003146265720000124
为t时刻出线p上智能电表测量误差以及窃电漏电的误差总和;
第二函数构建单元,用于对所述第一函数进行化简,得到第二函数:
Figure BDA0003146265720000125
式中,Ik.clu(t)为聚类簇电流值,xk.p为各聚类簇与各出线的归属关系,E为出线上智能电表的总数;
优化模型构建单元,用于根据所述第二函数,构造优化模型:
Figure BDA0003146265720000126
优化模型求解单元,用于根据优化模型求解xk.p,根据求解结果确定线户关系。
需要说明的是,本发明实施例提供的低压台区线户识别系统用于执行如第一方面所述的低压台区线户识别方法。该系统充分利用了电流和电压数据的信息,比单纯使用电压聚类或电流拟合的准确率更高;通过降维算法及聚类算法对数据进行处理,得到了质量更高的低维数据特征集,进而提高了识别结果的精度,具有成本小、效率高、适应性强的优点。
第三方面
请参阅图6,本发明某一实施例还提供了一种终端设备,该终端设备包括:
处理器、存储器和总线;
所述总线,用于连接所述处理器和所述存储器;
所述存储器,用于存储操作指令;
所述处理器,用于通过调用所述操作指令,可执行指令使处理器执行如本申请的第一方面所示的低压台区线户识别方法对应的操作。
在一个可选实施例中提供了一种终端设备,如图6所示,图6所示的终端设备包括:处理器001和存储器003。其中,处理器001和存储器003相连,如通过总线002相连。可选地,终端设备还可以包括收发器004。需要说明的是,实际应用中收发器004不限于一个,该终端设备的结构并不构成对本申请实施例的限定。
处理器001可以是CPU,通用处理器,DSP,ASIC,FPGA或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本申请公开内容所描述的各种示例性的逻辑方框,模块和电路。处理器001也可以是实现计算功能的组合,例如包含一个或多个微处理器组合,DSP和微处理器的组合等。
总线002可包括一通路,在上述组件之间传送信息。总线002可以是PCI总线或EISA总线等。总线002可以分为地址总线、数据总线、控制总线等。为便于表示,图6中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
存储器003可以是ROM或可存储静态信息和指令的其他类型的静态存储设备,RAM或者可存储信息和指令的其他类型的动态存储设备,也可以是EEPROM、CD-ROM或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。
存储器003用于存储执行本申请方案的应用程序代码,并由处理器001来控制执行。处理器001用于执行存储器003中存储的应用程序代码,以实现前述任一方法实施例所示的内容。
其中,终端设备包括但不限于:移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。
本申请的又一实施例提供了一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,当其在计算机上运行时,使得计算机可以执行前述方法实施例中的相应内容。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也视为本发明的保护范围。

Claims (8)

1.一种低压台区线户识别方法,其特征在于,包括:
获取目标台区第一预设时间内各用户智能电表的电压时序数据;
对所述电压时序数据进行降维;
对降维后的电压时序数据进行聚类,得到多个聚类簇;
获取目标台区第二预设时间内配变各出线首端、各用户智能电表的电流时序数据,并分别计算各出线首端的总电流及各聚类簇的总电流;
对所述各聚类簇的总电流与所述各出线首端的总电流进行拟合,确定线户关系。
2.根据权利要求1所述的低压台区线户识别方法,其特征在于,利用t-SNE算法对所述电压时序数据进行降维。
3.根据权利要求1所述的低压台区线户识别方法,其特征在于,利用DBSCAN算法对降维后的电压时序数据进行聚类,得到多个聚类簇。
4.根据权利要求1-3任一项所述的低压台区线户识别方法,其特征在于,所述对所述各聚类簇的总电流与所述各出线首端的总电流进行拟合,确定线户关系,包括:
根据某一出线首端流出的电流值与该出线上所有智能电表流入的电流值,构建第一函数:
Figure FDA0003146265710000011
式中,
Figure FDA0003146265710000012
为配变低压侧出线p首端t时刻流出的电流值,α为电流采集的总时刻,φ(p)为配变低压侧出线p上所有电能表的集合,
Figure FDA0003146265710000013
为出线p上第a块智能电表t时刻的电流值,L为配变低压侧出线的集合,
Figure FDA0003146265710000021
为t时刻出线p上智能电表测量误差以及窃电漏电的误差总和;
对所述第一函数进行化简,得到第二函数:
Figure FDA0003146265710000022
式中,Ik.clu(t)为聚类簇电流值,xk.p为各聚类簇与各出线的归属关系,E为出线上智能电表的总数;
根据所述第二函数,构造优化模型:
Figure FDA0003146265710000023
根据优化模型求解xk.p,根据求解结果确定线户关系。
5.一种低压台区线户识别系统,其特征在于,包括:
数据获取单元,用于获取目标台区第一预设时间内各用户智能电表的电压时序数据;
降维单元,用于对所述电压时序数据进行降维;
聚类单元,用于对降维后的电压时序数据进行聚类,得到多个聚类簇;
电流计算单元,用于获取目标台区第二预设时间内配变各出线首端、各用户智能电表的电流时序数据,并分别计算各出线首端的总电流及各聚类簇的总电流;
拟合单元,用于对所述各聚类簇的总电流与所述各出线首端的总电流进行拟合,确定线户关系。
6.根据权利要求5所述的低压台区线户识别系统,其特征在于,所述降维单元利用t-SNE算法对所述电压时序数据进行降维。
7.根据权利要求5所述的低压台区线户识别系统,其特征在于,所述聚类单元利用DBSCAN算法对降维后的电压时序数据进行聚类,得到多个聚类簇。
8.根据权利要求5-7任一项所述的低压台区线户识别系统,其特征在于,所述拟合单元包括:
第一函数构建模块,用于根据某一出线首端流出的电流值与该出线上所有智能电表流入的电流值,构建第一函数:
Figure FDA0003146265710000031
式中,
Figure FDA0003146265710000032
为配变低压侧出线p首端t时刻流出的电流值,α为电流采集的总时刻,φ(p)为配变低压侧出线p上所有电能表的集合,
Figure FDA0003146265710000033
为出线p上第a块智能电表t时刻的电流值,L为配变低压侧出线的集合,
Figure FDA0003146265710000034
为t时刻出线p上智能电表测量误差以及窃电漏电的误差总和;
第二函数构建模块,用于对所述第一函数进行化简,得到第二函数:
Figure FDA0003146265710000035
式中,Ik.clu(t)为聚类簇电流值,xk.p为各聚类簇与各出线的归属关系,E为出线上智能电表的总数;
优化模型构建模块,用于根据所述第二函数,构造优化模型:
Figure FDA0003146265710000036
优化模型求解模块,用于根据优化模型求解xk.p,根据求解结果确定线户关系。
CN202110753555.3A 2021-07-02 2021-07-02 低压台区线户识别方法、系统、终端设备及存储介质 Active CN113344450B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110753555.3A CN113344450B (zh) 2021-07-02 2021-07-02 低压台区线户识别方法、系统、终端设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110753555.3A CN113344450B (zh) 2021-07-02 2021-07-02 低压台区线户识别方法、系统、终端设备及存储介质

Publications (2)

Publication Number Publication Date
CN113344450A true CN113344450A (zh) 2021-09-03
CN113344450B CN113344450B (zh) 2023-01-20

Family

ID=77482541

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110753555.3A Active CN113344450B (zh) 2021-07-02 2021-07-02 低压台区线户识别方法、系统、终端设备及存储介质

Country Status (1)

Country Link
CN (1) CN113344450B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113839384A (zh) * 2021-09-24 2021-12-24 华南理工大学 基于矩阵补全的低压配电网相户关系识别方法
CN114997694A (zh) * 2022-06-20 2022-09-02 广东电网有限责任公司 台区相序拓扑识别方法、装置及电子设备
CN115204319A (zh) * 2022-09-15 2022-10-18 广东电网有限责任公司中山供电局 一种低压配电网拓扑参数识别方法及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107273471A (zh) * 2017-06-07 2017-10-20 国网上海市电力公司 一种基于Geohash的二元电力时序数据索引构建方法
US20190339687A1 (en) * 2016-05-09 2019-11-07 Strong Force Iot Portfolio 2016, Llc Methods and systems for data collection, learning, and streaming of machine signals for analytics and maintenance using the industrial internet of things
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
CN111505446A (zh) * 2020-05-25 2020-08-07 广州市奔流电力科技有限公司 台区空房用户线户关系识别方法、装置和设备
CN111897888A (zh) * 2020-08-17 2020-11-06 国网辽宁省电力有限公司沈阳供电公司 基于Spark框架和凝聚层次聚类算法的户变关系识别方法
CN112819649A (zh) * 2020-12-30 2021-05-18 国网北京市电力公司 确定台区户变关系的方法及装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190339687A1 (en) * 2016-05-09 2019-11-07 Strong Force Iot Portfolio 2016, Llc Methods and systems for data collection, learning, and streaming of machine signals for analytics and maintenance using the industrial internet of things
CN107273471A (zh) * 2017-06-07 2017-10-20 国网上海市电力公司 一种基于Geohash的二元电力时序数据索引构建方法
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
CN111505446A (zh) * 2020-05-25 2020-08-07 广州市奔流电力科技有限公司 台区空房用户线户关系识别方法、装置和设备
CN111897888A (zh) * 2020-08-17 2020-11-06 国网辽宁省电力有限公司沈阳供电公司 基于Spark框架和凝聚层次聚类算法的户变关系识别方法
CN112819649A (zh) * 2020-12-30 2021-05-18 国网北京市电力公司 确定台区户变关系的方法及装置

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113839384A (zh) * 2021-09-24 2021-12-24 华南理工大学 基于矩阵补全的低压配电网相户关系识别方法
CN114997694A (zh) * 2022-06-20 2022-09-02 广东电网有限责任公司 台区相序拓扑识别方法、装置及电子设备
CN115204319A (zh) * 2022-09-15 2022-10-18 广东电网有限责任公司中山供电局 一种低压配电网拓扑参数识别方法及系统

Also Published As

Publication number Publication date
CN113344450B (zh) 2023-01-20

Similar Documents

Publication Publication Date Title
CN113344450B (zh) 低压台区线户识别方法、系统、终端设备及存储介质
CN110492480B (zh) 配电网拓扑识别方法、装置、计算机设备和可读存储介质
CN111061821A (zh) 基于改进k值聚类算法的低压配电网拓扑校验方法及系统
CN111080105A (zh) 基于电压时序数据的台区户变关系识别方法及系统
CN113342842A (zh) 基于计量知识的语义查询方法、装置和计算机设备
CN105447082A (zh) 一种海量负荷曲线的分布式聚类方法
CN109449923B (zh) 一种有源配电系统运行灵活性的量化分析方法及相关产品
CN111177216A (zh) 综合能源消费者行为特征的关联规则生成方法及装置
CN115563477B (zh) 谐波数据识别方法、装置、计算机设备和存储介质
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
CN103606032B (zh) 一种二维电网gis数据集中的方法
CN112865089A (zh) 一种改进的主动配电网大规模场景分析方法
CN113570345B (zh) 一种基于施工项目电路图的停电范围自动识别系统
CN116910602B (zh) 一种基于关联性分析的线损分析方法及系统
CN116484805B (zh) 结合知识图谱和语义分析的电力报告智能清洗处理方法
CN106127602B (zh) 一种基于约简离群点算法的窃电辨识方法及装置
CN116151477A (zh) 计及负荷不确定性的含氢综合能源系统选址方法及系统
CN115688729A (zh) 一种输变电工程造价数据集成管理系统及其方法
CN116502149A (zh) 基于电流特征传导的低压配电网户变关系识别方法及系统
CN114611869B (zh) 一种低压台区台户识别方法
CN113987164A (zh) 一种基于领域事件知识图谱的项目研判方法及装置
CN114123190A (zh) 确定电表所属目标台区的方法、装置、电子设备及存储介质
CN112801817A (zh) 一种电能质量数据中心构建方法及其系统
CN113806899A (zh) 一种配电网拓扑关系的识别方法、装置及移动终端
Jiao et al. Topology Identification Method for Low-Voltage Distribution Node Networks Based on Density Clustering Using Smart Meter Real-time Measurement Data

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