CN113572164B - 一种基于k-means聚类分析的配电网台区识别方法 - Google Patents

Abstract

本发明公开了一种基于k‑means聚类分析的配电网台区识别方法，包括以下步骤：获取台区变压器下用户电表的电压数据；计算所述电压数据与所述台区变压器下用户电表的电压数据均值的相关系数；根据所述相关系数判断相邻台区变压器是否发生信号串扰现象，当所述相关系数大于或等于强相关阈值，相邻台区变压器未发生信号串扰现象。本发明提供了一种基于k‑means聚类分析的配电网台区识别方法，目的在于解决精准识别配电网相邻台区变压器信号串扰和定位的问题。

Description

一种基于k-means聚类分析的配电网台区识别方法

技术领域

本发明涉及电力系统技术领域，尤其涉及一种基于k-means聚类分析的配电网台区识别方法。

背景技术

目前四川电网公司实现了用电信息采集全覆盖，并进入了深化应用阶段，在新的需求之下，也对采集系统的准确性、高效性和及时性提出了更高的要求。基于成本、效率等多方面考虑，电网公司推出了高速宽带载波通信(high-speed power linecommunication,HPLC)技术与GPRS网络通信技术相结合的电力信息采集系统，以单个配电变压器供电的区域作为一个台区，台区下每一用户均安装智能电表，内含HPLC通信模块，智能电表所采集的数据通过电力线传输给配电变压器处的数据集中器，集中器再通过GPRS通信单元上传至主站。这一系统可以满足用户用电管理、能效管理、智能家庭互联、电价下发、终端升级等多种需求，是支撑能源互联网建设的重要一环。但现有的HPLC技术仍存在众多技术痛点。在实际应用中，两台配电变压器的距离会有很大差异，在乡村地带，可能会相隔数百米至几公里，而在城市地区，两台变压器的距离会很短，甚至是“背靠背”。对于相隔很近的变压器，即代表两个供电台区相隔很近，如果是共零线，一个台区的载波信号就有可能会通过零线串扰到另一个台区，导致电表所测数据不准确，造成户变归属关系错误的结果，这给台区档案整理和线损治理工作带来了极大的阻碍。

目前采取的台区识别方法有人工识别和在线识别，人工识别准确率高，但效率极低，而且对于走线复杂的区域难以完成识别工作，在线识别是根据利用配电变压器与用户之间载波通讯来识别用户的台区归属，提高了效率，但存在载波信号传输衰减和相邻配变信号耦合问题，导致跨台区识别异常。在同一台区下的用户，A、B、C三相的各相用电特征极为相似，而不同台区的用电特征存在极大的不同，通过采用相似度分析或者聚类分析，可以有效完成台区识别。但相邻台区存在信号共零串扰的现象，在这种情况下，两个台区的用电特征也会相似，现有的方法不能有效定位存在信号串扰的台区，也就造成了数据采集的准确性下降，为后续的分析和决策造成困难。

发明内容

本发明提供了一种基于k-means聚类分析的配电网台区识别方法，目的在于解决精准识别配电网相邻台区变压器信号串扰和定位的问题。

本发明通过下述技术方案实现：

一种基于k-means聚类分析的配电网台区识别方法，包括以下步骤：

S1：获取台区变压器下用户电表的电压数据；

S2：计算所述电压数据与所述台区变压器下用户电表的电压数据均值的相关系数；

S3：根据所述相关系数判断相邻台区变压器是否发生信号串扰现象，当所述相关系数大于或等于强相关阈值，相邻台区变压器未发生信号串扰现象。

在配电网中，由于两台变压器相隔太近，可能会发生信号共零串扰，这种串扰主要有两种产生方式，第一是相邻变压器共零串扰，由于两个台区共地，具有电气连接，所以载波信号可以直接通过零线串扰；第二种串扰是由于电力载波信号是高频信号，因此可以通过空间电磁耦合到另一个台区，这是一种感性耦合，会给另一台区的供电线路带来耦合电压。这两种串扰方式都会造成被干扰台区的电压特征值发生变化，从而在垮台区抄表时产生户变归属关系错误的结果。基于此，在本申请中，发明人基于同一台区下的各相电压特征值具有最大的相似性，而不同台区下的电压特征值具有最小的相似性这一特性，提出了一种基于k-means聚类分析的配电网台区识别方法，通过对同一台区下的各相用户电压数据进行聚类分析，以k-means算法为聚类模型，可以得到三相用户的聚类结果，每一个聚类的均值代表了与这一相上所有用户的电压特征值具有最大相似度。再利用斯皮尔曼秩相关系数获取待识别用户与台区下某一相的均值相关性大小，强相关性则视为同一类，即同一台区，弱相关性则视为不同台区，说明发生了信号串扰。

优选地，所述S2中的相关系数由下式获取：

其中，ρ表示相关系数，d_i表示秩次的差值，n为样本数量，i表示原始数据位置。

优选地，所述电压数据均值由k-means聚类算法对样本数据进行聚类获取，所述样本数据为所述台区变压器下用户电表的历史电压数据。

优选地，所述电压数据均值由k-means聚类算法对样本数据进行聚类获取包括以下子步骤：

子步骤1：根据所述样本数据选取3个初始聚类中心；

子步骤2：计算所有的所述样本数据分别到3个所述初始聚类中心的距离；

子步骤3：根据所述距离的大小将所述样本数据分配给最近的所述初始聚类中心，形成3个簇；

子步骤4：重新计算每个簇的聚类中心；

子步骤5：计算所有的所述样本数据分别到每个簇的聚类中心的距离，并根据所述距离的大小将所述样本数据分配给最近的簇；

子步骤6：重复子步骤4和子步骤5，直到完成所有样本的分类，且聚类中心不再移动。

优选地，所述样本数据到所述初始聚类中心或所述聚类中心的距离由下式获取：

其中，d表示距离；U_i为各个数据样本；U_j为聚类中心点或初始聚类中心点，A、B、C表示3个不同的聚类中心或初始聚类中心，n为样本数据的总个数。

优选地，所述子步骤4中由下式获取每个簇的聚类中心：

其中，U_j为聚类中心点，n为样本数据的总个数，U_i为各个数据样本。

优选地，还包括步骤S4，当相邻台区变压器发生信号串扰现象时，根据台区变压器的物理地址获得发生信号串扰的台区变压器的实际地址。

本发明与现有技术相比，具有如下的优点和有益效果：

同一台区下的各相供电线路电压值具有极大的相似性，不同台区下的电压值相似性极低，考虑到这个特性，对同一台区下的各相用户电压数据进行聚类分析，以k-means算法为聚类模型，可以得到三相用户的聚类结果，每一个聚类的均值代表了与这一相上所有用户的电压特征值具有最大相似度。再利用斯皮尔曼秩相关系数，即可判断待测电表与台区的归属关系，从而判断是否发生了信号串扰。

附图说明

此处所说明的附图用来提供对本发明实施例的进一步理解，构成本申请的一部分，并不构成对本发明实施例的限定。在附图中：

图1为本发明相邻共零台区用电信息采集系统拓扑图；

图2为本发明的流程图；

图3为k-means聚类算法流程图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施例和附图，对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。

实施例

一种基于k-means聚类分析的配电网台区识别方法，如图2所示，包括以下步骤：

S1：获取台区变压器下用户电表的电压数据；

如图1所示，主站给集中器下达采集指令，包括采集的节点范围、采集内容、采集频率以及采集周期起始信息等；集中器响应主站的采集指令，组装采集任务报文下发给中央协调器(Central Coordinator，简称CCO)；中央协调器(CCO)收到来自集中器的报文后，封装成HPLC协议帧发给站点(Station，简称STA)；站点(STA)收到中央协调器(CCO)的HPLC应用层协议后进行解析，再分别与智能电表进行通信，下发抄表命令；智能电表获得采集的电压数据，再依次上传，最后到达主站。

S2：计算电压数据与台区变压器下用户电表的电压数据均值的相关系数；

在本实施例中，采用斯皮尔曼秩相关系数(spearman correlation coefficient)来衡量关联程度。“秩”，可以理解成就是一种顺序或者排序，那么它就是根据原始数据的排序位置进行求解。其公式为：

对于待识别电表数据U_i与聚类中心均值U_j，首先对它们进行排序，然后记下排序以后的位置(U'_i,U'_j)，(U'_i,U'_j)就成为秩次，秩次的差值就是上式中的d_i，n就是变量中的数据个数，根据公式即可得到待识别用户与台区下某一相的均值相关性大小，强相关性则视为同一类，即同一台区，弱相关性则视为不同台区，说明发生了信号串扰。

以下，对本实施例中的电压数据均值进行解释说明，本实施例中的电压数据均值由k-means聚类算法对台区变压器下用户电表的历史电压数据进行聚类获取，以形成同一台区下A、B、C三相的用户聚类结果，得到每一组分类的中心值，即电压数据均值。具体地，如图3所示，包括以下步骤：

(1)首先根据原始聚类数据(历史数据)选择初始聚类中心，由于k-means聚类算法对初始中心点的选取较为敏感，所以在本申请中，初始聚类中心的选取应当尽量差距较大；又因为配电网是有A、B、C三相供电线路，同一相供电馈线上的电压数据特征值较为类似，所以选取3个初始聚类中心{U_A，U_B，U_C}；

(2)对于每个样本数据，基于样本数据之间的欧式距离对数据划分成3个簇，通常旨在找到目标的最小平方差，根据计算公式，即：

其中，d为数据簇的最小平方差(距离)；n为样本数据的总个数；U_i为各个数据样本；U_j为聚类中心点，根据计算结果将每个样本数据标记为距其最近一个类别的元素；

(3)每个类别更新之后，重新计算每个类别的聚类中心，即计算隶属该类别的所有样本数据的均值：

(4)重复第(2)步到第(3)步；直到完成所有样本的分类，且分类中心不再移动，即完成了整个聚类算法。

在本实施例中，算法的输出结果就是完成配电网的A、B、C三相的电表识别，同一相供电线上的电表具有最大的相似度，不同相上的电表数据具有最小的相似度。获得分类结果后，即可对未来该台区下的电表数据做信号串扰识别和精准定位。

S3：根据相关系数判断相邻台区变压器是否发生信号串扰现象，当相关系数大于或等于强相关阈值，相邻台区变压器未发生信号串扰现象。

在本实施例中，信号串扰识别的结果是采用相关性系数来衡量的，对于已经分好类的结果，其均值代表了本台区的平均电压特征值，根据电压数据均值与待识别用户电压数据的相关系数大小，即可判定该电表数据与本台区的关联程度，从而判断其是否属于本台区。具体地，若相关系数大小为强相关性则视为同一类，即同一台区，若相关系数大小为弱相关性则视为不同台区，说明发生了信号串扰。

进一步地，当判断为相邻台区变压器发生信号串扰现象时，可根据台区变压器的物理地址获得发生信号串扰的台区变压器的实际地址。

举例说明，每一台变压器均有一个实际的物理地址，例如某某小区一号配变、10kV某区某镇公变，因为信号串扰都来自于附近的变压器，所以如果确定了某台变压器发生了信号串扰，则可以根据物理地址，搜寻附近存在的变压器，然后通过人工排查或者变压器线路连接准确锁定发生了信号串扰的区域。

综上，在本方案中，基于同一台区下的各相供电线路电压值具有极大的相似性，不同台区下的电压值相似性极低这个特性，对同一台区下的各相用户电压数据进行聚类分析，以k-means算法为聚类模型，可以得到三相用户的聚类结果，每一个聚类的均值代表了与这一相上所有用户的电压特征值具有最大相似度。再利用斯皮尔曼秩相关系数，即可判断待测电表与台区的归属关系，从而判断是否发生了信号串扰，结合配电变压器的物理地址即可准确定位发生信号串扰的区域。

以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (1)

1.一种基于k-means聚类分析的配电网台区识别方法，其特征在于，包括以下步骤：

步骤S1：获取台区变压器下用户电表的电压数据；

步骤S2：计算所述电压数据与所述台区变压器下用户电表的电压数据均值的相关系数；

步骤S3：根据所述相关系数判断相邻台区变压器是否发生信号串扰现象，当所述相关系数大于或等于强相关阈值，相邻台区变压器未发生信号串扰现象；其中，信号串扰识别的结果是采用相关系数来衡量，对于已经分好类的结果，其均值代表了本台区的平均电压特征值，根据电压数据均值与待识别用户电压数据的相关系数大小，即可判定该电压数据与本台区的关联程度，从而判断其是否属于本台区，若相关系数大小为强相关性则视为同一类，即同一台区，若相关系数大小为弱相关性则视为不同台区，说明发生了信号串扰；

步骤S4：当相邻台区变压器发生信号串扰现象时，根据台区变压器的物理地址获得发生信号串扰的台区变压器的实际地址；

其中，所述步骤S1中，主站给集中器下达采集指令，包括采集的节点范围、采集内容、采集频率以及采集周期起始信息；集中器响应主站的采集指令，组装采集任务报文下发给中央协调器CCO；中央协调器CCO收到来自集中器的报文后，封装成HPLC协议帧发给站点STA；

站点STA收到中央协调器CCO的HPLC应用层协议后进行解析，再分别与智能电表进行通信，下发抄表命令；智能电表获得采集的电压数据，再依次上传，最后到达主站；

其中，所述步骤S2中的相关系数由下式获取：

其中，ρ表示相关系数，d_i表示秩次的差值，n为样本数量，i表示原始数据位置；所述电压数据均值由k-means聚类算法对样本数据进行聚类获取，所述样本数据为所述台区变压器下用户电表的历史电压数据；

所述电压数据均值由k-means聚类算法对样本数据进行聚类获取包括以下子步骤：

子步骤1：根据所述样本数据选取3个初始聚类中心；

子步骤2：计算所有的所述样本数据分别到3个所述初始聚类中心的距离；

子步骤3：根据所述距离的大小将所述样本数据分配给最近的所述初始聚类中心，形成3个簇；

子步骤4：重新计算每个簇的聚类中心；

子步骤5：计算所有的所述样本数据分别到每个簇的聚类中心的距离，并根据所述距离的大小将所述样本数据分配给最近的簇；

子步骤6：重复子步骤4和子步骤5，直到完成所有样本的分类，且聚类中心不再移动；

所述样本数据到所述初始聚类中心或所述聚类中心的距离由下式获取：

其中，d表示距离，其为数据簇的最小平方差；U_i为各个数据样本；U_j为聚类中心点，A、B、C表示3个不同的聚类中心或初始聚类中心，n为样本数据的总个数；

所述子步骤4中由下式获取每个簇的聚类中心：

其中，U_j为聚类中心点，n为样本数据的总个数，U_i为各个数据样本。