CN114118304A - 用户电能表相位识别方法、系统及存储介质 - Google Patents

用户电能表相位识别方法、系统及存储介质 Download PDF

Info

Publication number
CN114118304A
CN114118304A CN202210083503.4A CN202210083503A CN114118304A CN 114118304 A CN114118304 A CN 114118304A CN 202210083503 A CN202210083503 A CN 202210083503A CN 114118304 A CN114118304 A CN 114118304A
Authority
CN
China
Prior art keywords
electric energy
energy meter
phase
subsequence
transformer
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
CN202210083503.4A
Other languages
English (en)
Other versions
CN114118304B (zh
Inventor
姜磊
胡晶豆
杨钊
芦明德
王茜
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.)
Brilliant Data Analytics Inc
Original Assignee
Brilliant Data Analytics Inc
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 Brilliant Data Analytics Inc filed Critical Brilliant Data Analytics Inc
Priority to CN202210083503.4A priority Critical patent/CN114118304B/zh
Publication of CN114118304A publication Critical patent/CN114118304A/zh
Application granted granted Critical
Publication of CN114118304B publication Critical patent/CN114118304B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R22/00—Arrangements for measuring time integral of electric power or current, e.g. electricity meters
    • G01R22/06—Arrangements for measuring time integral of electric power or current, e.g. electricity meters by electronic methods
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R25/00—Arrangements for measuring phase angle between a voltage and a current or between voltages or currents
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/285—Selection of pattern recognition techniques, e.g. of classifiers in a multi-classifier system
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/259—Fusion by voting

Landscapes

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

Abstract

本发明涉及对电能表相位识别分析技术，为用户电能表相位识别方法、系统及存储介质，其方法包括：使用关联度分析模型构建基分类器，度量变压器、用户电能表之间的电压数据相似度；利用基分类器，通过投票方法训练得到强分类器模型，利用强分类器模型输出用户电能表相位的最终分类结果。本发明根据台区变压器三相电压数据与用户电能表相位电压数据的波动一致性特征，利用系统每日多个时间点电压数据，以每个用户作为分析对象，使用关联度分析模型作为基分类器，度量单一时间点条件下两者的电压数据相似度；再通过投票算法，叠加分析多时段识别结果，预测用户电能表相位类别，识别过程无需检测仪器，降低成本，提高相位类别识别的准确性。

Description

用户电能表相位识别方法、系统及存储介质
技术领域
本发明涉及对电力行业台区用户电能表的相位识别分析，具体为用户电能表相位识别方法、系统及存储介质。
背景技术
电力系统中三相不平衡主要是由负荷不平衡、系统三相阻抗不对称以及消弧线圈的不正确调谐所导致的。三相不平衡会给用电企业造成用电困扰，引起零线电流，从而导致故障停电，严重影响用户安全、可靠用电。因此，治理三相不平衡是解决用电故障的重要内容，而用户电能表相位的准确识别是治理三相不平衡的首要前置条件。
传统的用户电能表相位识别方法依赖现场仪器检测，存在工作量大、成本高、判别准确性低等问题。
发明内容
为解决现有技术所存在的问题，本发明提供用户电能表相位识别方法、系统及存储介质，根据台区下的变压器A、B、C三相电压数据与用户电能表相位的电压数据的波动一致性特征，充分利用用电采集系统的每日多个时间点电压数据，以每个用户作为分析对象，使用关联度分析模型作为基分类器，度量单一时间点条件下变压器各相位与用户电能表相位的电压数据相似度；最后通过投票算法，通过多时段识别结果叠加分析，预测用户电能表相位类别，识别过程无需检测仪器，降低了设备成本，同时还提高了相位类别识别的准确性。
本发明识别方法采用如下的技术方案：用户电能表相位识别方法，包括以下步骤：
S1、使用关联度分析模型构建基分类器，度量用电采集系统中变压器、用户电能表之间的电压数据相似度；
S2、利用步骤S1中所构建的基分类器，通过投票方法训练，得到强分类器模型；利用强分类器模型输出用户电能表相位的最终分类结果；
步骤S1包括：
步骤S11、选择台区及其下辖用户，选择指定时间段，以台区变压器关口表及用户电能表的每日多个时间点用电负荷数据作为样本集，形成台区清单，作为模型预测的训练样本数据集；
步骤S12、在所获得的台区清单中，提取对应时间点下用电采集系统中台区变压器及用户电能表的电压数据，按照时间点顺序形成用户电能表与台区变压器的关联关系，构造用户电能表与台区变压器三相电压的一对三数据格式，并进行数据预处理，使数据规整及对齐；
步骤S13、使用关联度分析模型对步骤S12预处理后的数据进行建模，计算用户电能表与台区变压器的三相电压数据相似度；
步骤S14、对步骤S13所计算的三相电压数据相似度，选取最大相似度对应的变压器相位作为单一时间点下用户电能表相位分类结果。
本发明的识别系统采用如下技术方案：用户电能表相位识别系统，包括：
基分类器构建模块，使用关联度分析模型构建基分类器，度量用电采集系统中变压器、用户电能表之间的电压数据相似度；
强分类器构建模块，利用基分类器构建模块所构建的基分类器，通过投票方法训练，得到强分类器模型；利用强分类器模型输出用户电能表相位的最终分类结果；
所述基分类器构建模块包括：
训练样本集生成模块，用于选择台区及其下辖用户，选择指定时间段，以台区变压器关口表及用户电能表的每日多个时间点用电负荷数据作为样本集，形成台区清单，作为模型预测的训练样本数据集；
数据预处理模块，在所获得的台区清单中，提取对应时间点下用电采集系统中台区变压器及用户电能表的电压数据，按照时间点顺序形成用户电能表与台区变压器的关联关系，构造用户电能表与台区变压器三相电压的一对三数据格式，并进行数据预处理，使数据规整及对齐；
相似度计算模块，使用关联度分析模型对预处理后的数据进行建模，计算用户电能表与台区变压器的三相电压数据相似度；
相位分类模块，对所计算的三相电压数据相似度，选取最大相似度对应的变压器相位作为单一时间点下用户电能表相位分类结果。
本发明的存储介质，其上存储有计算机指令，所述计算机指令被处理器执行时，实现本发明用户电能表相位识别方法的步骤。
与现有技术相比，本发明具有以下有益效果：
1、本发明基于关联度分析及投票算法对用户电能表相位进行识别，通过对用户采集系统的电压数据进行大数据分析，研究变压器、用户电能表之间的关联关系，挖掘数据间的趋势关系，量化用电采集系统中变压器、用户电能表的每日多个时间点（如96时间点）电压数据相关关系，实现用户电能表相位的自动智能识别。
2、本发明基于大数据的用户相位识别分类分析，和传统基于电力检测仪器的用户相位识别不同，有利于节约设备成本、人工成本。
3、本发明基于bagging算法，同传统的相关系数分析方法比较，能大幅提高模型的泛化能力，分类判别的准确性。
附图说明
图1是本发明实施例中用户电能表相位识别方法的主流程图；
图2是本发明实施例中步骤S1的子流程图；
图3是本发明实施例中步骤S2的子流程图；
图4是本发明实施例中用户电能表相位识别系统的结构示意图。
具体实施方式
下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。
实施例1
本实施例提供了基于关联度分析及投票算法的用户电能表相位识别方法，通过用电采集系统内数据实现对用户电能表相位的自动识别，如图1所示，具体包括以下步骤：
S1、使用关联度分析模型构建基分类器，度量用电采集系统中变压器、用户电能表之间的电压数据相似度。
在本实施例中，如图2所示，步骤S1具体包括：
步骤S11、选择台区及其下辖用户，选择指定时间段，以台区变压器关口表及用户电能表的每日96时间点用电负荷数据（即每隔15分钟采集一次数据）作为样本集，形成台区清单，作为模型预测的训练样本数据集。在本实施例中，所形成的台区清单为宽表，宽表包括台区信息（台区编码、台区名称、台区位置等）、用户信息(用户ID，用户类型、用户地址等)。
步骤S12、在步骤S11中获得的台区清单中，提取对应时间点下用电采集系统中台区变压器及用户电能表的电压数据，并进行数据预处理。在数据预处理过程中，针对缺失数据采用数据删除方式进行处理，针对异常数据采用箱线图剔除异常值，最终确保数据规整及对齐。
本实施例中，步骤S12设定时间点，并按照时间点顺序形成用户电能表与台区变压器的关联关系，构造用户电能表与台区变压器A、B、C三相电压的一对三数据格式，并进行数据预处理，最终实现数据规整及对齐，如下表一所示：
Figure 202810DEST_PATH_IMAGE001
步骤S13、使用关联度分析模型对步骤S12预处理后的数据进行建模，计算用户电能表与台区变压器关口表的A、B、C三相电压数据相似度。
在本实施例中，步骤S13使用关联度分析模型进行建模，具体包括如下步骤：
步骤S131、对于步骤12中预处理后的对齐数据，选择对应时间点下的用户电能表电压数据作为母序列
Figure DEST_PATH_IMAGE002
，对应的台区变压器电压数据作为子序列
Figure 414348DEST_PATH_IMAGE003
,
Figure DEST_PATH_IMAGE004
。
步骤S132、按照时间点0:00,0:15,0:30，……，23:45对步骤S131中母序列和子序列进行排序，计算每个时间点下每个子序列与母序列差值的绝对值（即L1范式），以如下公式表示：
Figure DEST_PATH_IMAGE005
式中，
Figure 100002_DEST_PATH_IMAGE006
表示第k个时间点下，子序列与母序列差值的绝对值；
Figure 264886DEST_PATH_IMAGE002
表示第k个时间点下，母序列的取值；
Figure 889771DEST_PATH_IMAGE003
表示第k个时间点下，子序列的取值；
Figure DEST_PATH_IMAGE008
表示台区变压器的相位，枚举值为
Figure 716913DEST_PATH_IMAGE009
；其中k的取值范围为1到90之间的自然数。本步骤最终获得子母序列的差值绝对值集合。
步骤S133、对步骤S132获取的差值绝对值集合取最大值及最小值，以如下公式表示：
Figure DEST_PATH_IMAGE010
Figure DEST_PATH_IMAGE011
式中，
Figure DEST_PATH_IMAGE012
表示子序列与母序列差值绝对值的最大值；
Figure DEST_PATH_IMAGE013
表示子序列与母序列差值绝对值的最小值。
步骤S134、设定分辨系数p，利用步骤S133中最大值、最小值结果，计算每个子序列与母序列的关联系数，以如下公式表示：
Figure DEST_PATH_IMAGE014
式中，
Figure 318313DEST_PATH_IMAGE015
表示第k个时间点下，子序列与母序列的关联系数；p为分辨系数，用来控制关联系数区分度，取值为0<p<1，本实施例中设定分辨系数p为0.5。
步骤S135、对步骤S134所计算的关联系数进行加权平均，得到每个子序列与母序列的相似度，以如下公式表示：
Figure DEST_PATH_IMAGE016
式中，
Figure 556396DEST_PATH_IMAGE017
表示子序列与母序列的相似度；K表示子序列或母序列的长度。
优选地，步骤S13要求输入数据量纲一致。步骤S13中使用的关联度分析模型本质上是提供了一种度量两个向量之间距离的方法，对于定长的时间序列，向量可以看成一条时间曲线，而关联度分析模型就是度量两条曲线的形态和走势是否相近。同时为了凸出形态特征的影响，分析模型通过全局最小值（min min）和全局最大值（max max）进行修正，保证最终输出的结果落在0～1之间，从而符合关联系数的一般定义。此外，通过分辨系数p调节输出的分布，即不同关联系数之间的差异，使其可以变得更加稀疏或紧密；也就是说，本发明通过调节参数p的高低来影响模型的准确率和召回率，p越大模型的准确率越高、召回率越高，p越小模型的准确越高、召回率越低。本发明的关联度分析模型从统计学角度看，即度量标准化的子向量与母向量的每一维度的L1-norm距离的倒数之和，并将其映射到0～1区间内，作为子母向量关联性的量化分析结果。
步骤S14、对步骤S13所计算的三相电压数据相似度，选取最大相似度对应的变压器相位作为单一时间点下用户电能表相位分类结果。
在本实施例中，步骤S14选取的用户电能表相位分类结果以如下公式表示：
Figure DEST_PATH_IMAGE018
式中，
Figure 609190DEST_PATH_IMAGE019
表示用户电能表的识别相位；
Figure DEST_PATH_IMAGE020
表示A相的子序列与母序列的相似度,
Figure 941820DEST_PATH_IMAGE021
表示B相的子序列与母序列的相似度，
Figure DEST_PATH_IMAGE022
表示C相的子序列与母序列的相似度。
S2、利用步骤S1中所构建的基分类器，通过投票方法训练得到强分类器模型；利用强分类器模型输出用户电能表相位的最终分类结果。
优选地，如图3所示，本实施例中步骤S2具体包括：
步骤S21、设定时间范围（例如多天的多个时间段）和台区清单，根据设定的时间范围、台区清单按照步骤S11从用电采集系统采集对应的电压数据，并按步骤S12进行数据预处理。
步骤S22、设定训练集大小为S，从步骤S21预处理后的数据中每个用户放回随机抽样（Bootstrapping）s天作为抽样样本，生成s组训练样本集。
步骤S23、将步骤S22中生成的每个训练样本集按照步骤S1进行模型拟合，每个训练样本集根据关联度分析模型可以得到一个基分类器，s组训练样本集最终生成s个基分类器。
步骤S24、根据相对多数投票策略，将步骤S23中s个基分类器结合成为强分类器。
步骤S25、基于投票算法生成的强分类器，对给定用户的电能表相位进行分类分析，并输出分类结果。
优选地，步骤S21中，抽取得到的电压数据按照步骤S12进行处理，构造用户电能表与变压器A、B、C三相的一对三电压数据，并进行数据处理，最终确保数据规整及对齐。
优选地，步骤S22中，对每个用户进行有放回随机抽样（Bootstrapping）形成训练集，训练样本集以天为时间维度，每个训练样本集数据格式为用户电能表与变压器A、B、C三相电压的一对三数据格式，如下表二所示：
Figure DEST_PATH_IMAGE023
优选地，步骤S24中，使用投票法的结合策略（即少数服从多数），对s个基分类器的分类结果作一个统计，将出现次数最多的类作为预测类，以如下公式表示：
Figure DEST_PATH_IMAGE024
Figure 984076DEST_PATH_IMAGE025
其中，
Figure DEST_PATH_IMAGE026
表示用户电能表最终预测结果；
Figure 658640DEST_PATH_IMAGE027
表示每个相位的累计出现次数；
Figure DEST_PATH_IMAGE028
为示性函数，当条件为真时返回1，条件为假时返回0；
Figure 212112DEST_PATH_IMAGE029
表示第s个基分类器的分类结果；S表示训练集样本数量，s表示训练集样本数量S中的样本序号；i表示用电相位类别，枚举值为A,B,C。
优选地，步骤S2中，投票算法对样本进行有放回的随机抽样，实现了多时段识别结果的叠加分析，最终结果是各个基分类器结果次数最多的类。由于有放回的随机抽样的样本集具有相似性，以及使用相同的相似度模型，因此各基分类器的结果相近，即各基分类器有近似相等的偏差和方差。进一步，假设
Figure DEST_PATH_IMAGE030
为第 s 组训练样本集，各组训练样本集是相互独立的，由概率论可知：
Figure 364744DEST_PATH_IMAGE031
Figure DEST_PATH_IMAGE032
式中，
Figure 657579DEST_PATH_IMAGE030
表示第s组训练样本集，S表示训练集样本数量。
可以发现，投票算法集成后模型的均值没变，但是模型的方差减小到初始值的
Figure DEST_PATH_IMAGE033
。因此，Bagging法是显著的减小了学习器的方差，即模型的泛化能力得到增强。
通过步骤S2实现了多时段识别结果的叠加分析-随机抽样，减小了学习器的方差，即模型的泛化能力得到增强。
实施例2
本实施例与实施例1基于相同的发明构思，提供的是用户电能表相位识别系统，如图4所示，包括以下模块：
基分类器构建模块，使用关联度分析模型构建基分类器，度量用电采集系统中变压器、用户电能表之间的电压数据相似度；
强分类器构建模块，利用基分类器构建模块所构建的基分类器，通过投票方法训练，得到强分类器模型；利用强分类器模型输出用户电能表相位的最终分类结果；
所述基分类器构建模块包括：
训练样本集生成模块，用于选择台区及其下辖用户，选择指定时间段，以台区变压器关口表及用户电能表的每日多个时间点用电负荷数据作为样本集，形成台区清单，作为模型预测的训练样本数据集；
数据预处理模块，在所获得的台区清单中，提取对应时间点下用电采集系统中台区变压器及用户电能表的电压数据，按照时间点顺序形成用户电能表与台区变压器的关联关系，构造用户电能表与台区变压器三相电压的一对三数据格式，并进行数据预处理，使数据规整及对齐；
相似度计算模块，使用关联度分析模型对预处理后的数据进行建模，计算用户电能表与台区变压器的三相电压数据相似度；
相位分类模块，对所计算的三相电压数据相似度，选取最大相似度对应的变压器相位作为单一时间点下用户电能表相位分类结果。
此外，相似度计算模块使用关联度分析模型进行建模的过程，包括：
对预处理后的数据，选择对应时间点下的用户电能表电压数据作为母序列，对应的台区变压器电压数据作为子序列；
按照时间点对母序列和子序列进行排序，计算每个时间点下每个子序列与母序列差值的绝对值，获得子序列与母序列的差值绝对值集合；
对获取的差值绝对值集合取最大值及最小值；
设定分辨系数p，利用最大值、最小值结果，计算每个子序列与母序列的关联系数：
Figure 971886DEST_PATH_IMAGE014
式中，
Figure 809392DEST_PATH_IMAGE015
表示第k个时间点下，子序列与母序列的关联系数；p为分辨系数，用来控制关联系数区分度，取值为0<p<1；
Figure 562453DEST_PATH_IMAGE012
表示子序列与母序列差值绝对值的最大值；
Figure 801804DEST_PATH_IMAGE013
表示子序列与母序列差值绝对值的最小值；
对所计算的关联系数进行加权平均，得到每个子序列与母序列的相似度：
Figure 83750DEST_PATH_IMAGE016
式中，
Figure 674131DEST_PATH_IMAGE017
表示子序列与母序列的相似度；K表示子序列或母序列的长度。
而强分类器构建模块包括以下子模块：
预处理模块，设定时间范围和台区清单，根据设定的时间范围、台区清单按照基分类器构建模块的训练样本集生成模块从用电采集系统采集对应的电压数据，并按基分类器构建模块的数据预处理模块进行数据预处理；
训练样本集生成模块，设定训练集大小为S，从预处理后的数据中每个用户放回随机抽样s天作为抽样样本，生成s组训练样本集；
拟合投票模块，将每个训练样本集进行模型拟合，每个训练样本集根据关联度分析模型得到一个基分类器，s组训练样本集最终生成s个基分类器；根据相对多数投票策略，将s个基分类器结合成为强分类器；
分类分析模块，基于投票算法生成的强分类器，对给定用户的电能表相位进行分类分析，并输出分类结果。
实施例3
本实施例与实施例1基于相同的发明构思，提供的是存储介质，存储介质上存储有计算机指令，当计算机指令被处理器执行时，实现实施例1所提出的用户电能表相位识别方法的各步骤。
上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (10)

1.用户电能表相位识别方法，其特征在于，包括以下步骤：
S1、使用关联度分析模型构建基分类器，度量用电采集系统中变压器、用户电能表之间的电压数据相似度；
S2、利用步骤S1中所构建的基分类器，通过投票方法训练，得到强分类器模型；利用强分类器模型输出用户电能表相位的最终分类结果；
步骤S1包括：
步骤S11、选择台区及其下辖用户，选择指定时间段，以台区变压器关口表及用户电能表的每日多个时间点用电负荷数据作为样本集，形成台区清单，作为模型预测的训练样本数据集；
步骤S12、在所获得的台区清单中，提取对应时间点下用电采集系统中台区变压器及用户电能表的电压数据，按照时间点顺序形成用户电能表与台区变压器的关联关系，构造用户电能表与台区变压器三相电压的一对三数据格式，并进行数据预处理，使数据规整及对齐；
步骤S13、使用关联度分析模型对步骤S12预处理后的数据进行建模，计算用户电能表与台区变压器的三相电压数据相似度；
步骤S14、对步骤S13所计算的三相电压数据相似度，选取最大相似度对应的变压器相位作为单一时间点下用户电能表相位分类结果。
2.根据权利要求1所述的用户电能表相位识别方法，其特征在于，步骤S13使用关联度分析模型进行建模，包括：
步骤S131、对步骤12预处理后的数据，选择对应时间点下的用户电能表电压数据作为母序列，对应的台区变压器电压数据作为子序列；
步骤S132、按照时间点对母序列和子序列进行排序，计算每个时间点下每个子序列与母序列差值的绝对值，获得子序列与母序列的差值绝对值集合；
步骤S133、对获取的差值绝对值集合取最大值及最小值；
步骤S134、设定分辨系数p，利用步骤S133中最大值、最小值结果，计算每个子序列与母序列的关联系数：
Figure 46520DEST_PATH_IMAGE001
式中，
Figure 150612DEST_PATH_IMAGE002
表示第k个时间点下，子序列与母序列的关联系数；p为分辨系数，用来控制关联系数区分度，取值为0<p<1；
Figure 868032DEST_PATH_IMAGE003
表示子序列与母序列差值绝对值的最大值；
Figure 951657DEST_PATH_IMAGE004
表示子序列与母序列差值绝对值的最小值；
步骤S135、对步骤S134所计算的关联系数进行加权平均，得到每个子序列与母序列的相似度：
Figure 703712DEST_PATH_IMAGE005
式中，
Figure DEST_PATH_IMAGE006
表示子序列与母序列的相似度；K表示子序列或母序列的长度。
3.根据权利要求1所述的用户电能表相位识别方法，其特征在于，步骤S14选取的用户电能表相位分类结果为：
Figure 916387DEST_PATH_IMAGE007
式中，
Figure 603327DEST_PATH_IMAGE008
表示用户电能表的识别相位；
Figure 5490DEST_PATH_IMAGE009
表示A相的子序列与母序列的相似度,
Figure 861319DEST_PATH_IMAGE010
表示B相的子序列与母序列的相似度，
Figure 792366DEST_PATH_IMAGE011
表示C相的子序列与母序列的相似度。
4.根据权利要求1所述的用户电能表相位识别方法，其特征在于，步骤S2包括：
步骤S21、设定时间范围和台区清单，根据设定的时间范围、台区清单按照步骤S11从用电采集系统采集对应的电压数据，并按步骤S12进行数据预处理；
步骤S22、设定训练集大小为S，从步骤S21预处理后的数据中每个用户放回随机抽样s天作为抽样样本，生成s组训练样本集；
步骤S23、将步骤S22中生成的每个训练样本集按照步骤S1进行模型拟合，每个训练样本集根据关联度分析模型得到一个基分类器，s组训练样本集最终生成s个基分类器；
步骤S24、根据相对多数投票策略，将步骤S23中s个基分类器结合成为强分类器；
步骤S25、基于投票算法生成的强分类器，对给定用户的电能表相位进行分类分析，并输出分类结果。
5.根据权利要求4所述的用户电能表相位识别方法，其特征在于，步骤S24使用投票法的结合策略，对s个基分类器的分类结果作统计，将出现次数最多的类作为预测类：
Figure 235111DEST_PATH_IMAGE012
Figure 909806DEST_PATH_IMAGE013
其中，
Figure 620142DEST_PATH_IMAGE014
表示用户电能表最终预测结果；
Figure 987669DEST_PATH_IMAGE009
表示A相的子序列与母序列的相似度,
Figure 914781DEST_PATH_IMAGE010
表示B相的子序列与母序列的相似度，
Figure 330850DEST_PATH_IMAGE011
表示C相的子序列与母序列的相似度；
Figure 630113DEST_PATH_IMAGE015
表示每个相位的累计出现次数；
Figure 699700DEST_PATH_IMAGE016
为示性函数，当条件为真时返回1，条件为假时返回0；
Figure 117037DEST_PATH_IMAGE017
表示第s个基分类器的分类结果；S表示训练集样本数量，s表示训练集样本数量S中的样本序号；i表示用电相位类别，枚举值为A,B,C。
6.用户电能表相位识别系统，其特征在于，包括：
基分类器构建模块，使用关联度分析模型构建基分类器，度量用电采集系统中变压器、用户电能表之间的电压数据相似度；
强分类器构建模块，利用基分类器构建模块所构建的基分类器，通过投票方法训练，得到强分类器模型；利用强分类器模型输出用户电能表相位的最终分类结果；
所述基分类器构建模块包括：
训练样本集生成模块，用于选择台区及其下辖用户，选择指定时间段，以台区变压器关口表及用户电能表的每日多个时间点用电负荷数据作为样本集，形成台区清单，作为模型预测的训练样本数据集；
数据预处理模块，在所获得的台区清单中，提取对应时间点下用电采集系统中台区变压器及用户电能表的电压数据，按照时间点顺序形成用户电能表与台区变压器的关联关系，构造用户电能表与台区变压器三相电压的一对三数据格式，并进行数据预处理，使数据规整及对齐；
相似度计算模块，使用关联度分析模型对预处理后的数据进行建模，计算用户电能表与台区变压器的三相电压数据相似度；
相位分类模块，对所计算的三相电压数据相似度，选取最大相似度对应的变压器相位作为单一时间点下用户电能表相位分类结果。
7.根据权利要求6所述的用户电能表相位识别系统，其特征在于，相似度计算模块使用关联度分析模型进行建模，包括：
对预处理后的数据，选择对应时间点下的用户电能表电压数据作为母序列，对应的台区变压器电压数据作为子序列；
按照时间点对母序列和子序列进行排序，计算每个时间点下每个子序列与母序列差值的绝对值，获得子序列与母序列的差值绝对值集合；
对获取的差值绝对值集合取最大值及最小值；
设定分辨系数p，利用最大值、最小值结果，计算每个子序列与母序列的关联系数：
Figure 586065DEST_PATH_IMAGE001
式中，
Figure 818463DEST_PATH_IMAGE002
表示第k个时间点下，子序列与母序列的关联系数；p为分辨系数，用来控制关联系数区分度，取值为0<p<1；
Figure 527793DEST_PATH_IMAGE003
表示子序列与母序列差值绝对值的最大值；
Figure 632759DEST_PATH_IMAGE004
表示子序列与母序列差值绝对值的最小值；
对所计算的关联系数进行加权平均，得到每个子序列与母序列的相似度：
Figure 436635DEST_PATH_IMAGE005
式中，
Figure 992382DEST_PATH_IMAGE006
表示子序列与母序列的相似度；K表示子序列或母序列的长度。
8.根据权利要求6所述的用户电能表相位识别系统，其特征在于，所述强分类器构建模块包括：
预处理模块，设定时间范围和台区清单，根据设定的时间范围、台区清单按照基分类器构建模块的训练样本集生成模块从用电采集系统采集对应的电压数据，并按基分类器构建模块的数据预处理模块进行数据预处理；
训练样本集生成模块，设定训练集大小为S，从预处理后的数据中每个用户放回随机抽样s天作为抽样样本，生成s组训练样本集；
拟合投票模块，将每个训练样本集进行模型拟合，每个训练样本集根据关联度分析模型得到一个基分类器，s组训练样本集最终生成s个基分类器；根据相对多数投票策略，将s个基分类器结合成为强分类器；
分类分析模块，基于投票算法生成的强分类器，对给定用户的电能表相位进行分类分析，并输出分类结果。
9.根据权利要求8所述的用户电能表相位识别系统，其特征在于，拟合投票模块使用投票法的结合策略，对s个基分类器的分类结果作统计，将出现次数最多的类作为预测类：
Figure 623345DEST_PATH_IMAGE012
Figure 998963DEST_PATH_IMAGE013
其中，
Figure 809793DEST_PATH_IMAGE014
表示用户电能表最终预测结果；
Figure 220046DEST_PATH_IMAGE009
表示A相的子序列与母序列的相似度,
Figure 42419DEST_PATH_IMAGE010
表示B相的子序列与母序列的相似度，
Figure 905333DEST_PATH_IMAGE011
表示C相的子序列与母序列的相似度；
Figure 316591DEST_PATH_IMAGE015
表示每个相位的累计出现次数；
Figure 581351DEST_PATH_IMAGE016
为示性函数，当条件为真时返回1，条件为假时返回0；
Figure 554117DEST_PATH_IMAGE017
表示第s个基分类器的分类结果；S表示训练集样本数量，s表示训练集样本数量S中的样本序号；i表示用电相位类别，枚举值为A,B,C。
10.存储介质，其上存储有计算机指令，其特征在于，所述计算机指令被处理器执行时，实现权利要求1-5中任一项所述用户电能表相位识别方法的步骤。
CN202210083503.4A 2022-01-25 2022-01-25 用户电能表相位识别方法、系统及存储介质 Active CN114118304B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210083503.4A CN114118304B (zh) 2022-01-25 2022-01-25 用户电能表相位识别方法、系统及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210083503.4A CN114118304B (zh) 2022-01-25 2022-01-25 用户电能表相位识别方法、系统及存储介质

Publications (2)

Publication Number Publication Date
CN114118304A true CN114118304A (zh) 2022-03-01
CN114118304B CN114118304B (zh) 2022-06-24

Family

ID=80360881

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210083503.4A Active CN114118304B (zh) 2022-01-25 2022-01-25 用户电能表相位识别方法、系统及存储介质

Country Status (1)

Country Link
CN (1) CN114118304B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107271946A (zh) * 2017-06-01 2017-10-20 宁波迦南智能电气股份有限公司 一种电能表相位识别方法
CN108535543A (zh) * 2018-05-22 2018-09-14 宁波三星医疗电气股份有限公司 基于集中器与电表同步采样的台区相位识别方法
CN108614154A (zh) * 2018-05-23 2018-10-02 西安交通大学 一种基于频谱分析的电力用户相位识别方法
US20190041436A1 (en) * 2017-08-07 2019-02-07 Landis+Gyr Innovations, Inc. Determining meter phase using interval voltage measurements
CN110488218A (zh) * 2019-08-26 2019-11-22 国网重庆市电力公司电力科学研究院 一种电能表运行状态评估方法和评估装置
CN110874916A (zh) * 2018-08-31 2020-03-10 重庆曼龙科技有限公司 一种基于相位切换的台区户变关系识别方法
US20210293576A1 (en) * 2020-03-18 2021-09-23 Landis+Gyr Innovations, Inc. Programming electric meter global positioning system coordinates using smart device

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107271946A (zh) * 2017-06-01 2017-10-20 宁波迦南智能电气股份有限公司 一种电能表相位识别方法
US20190041436A1 (en) * 2017-08-07 2019-02-07 Landis+Gyr Innovations, Inc. Determining meter phase using interval voltage measurements
CN108535543A (zh) * 2018-05-22 2018-09-14 宁波三星医疗电气股份有限公司 基于集中器与电表同步采样的台区相位识别方法
CN108614154A (zh) * 2018-05-23 2018-10-02 西安交通大学 一种基于频谱分析的电力用户相位识别方法
CN110874916A (zh) * 2018-08-31 2020-03-10 重庆曼龙科技有限公司 一种基于相位切换的台区户变关系识别方法
CN110488218A (zh) * 2019-08-26 2019-11-22 国网重庆市电力公司电力科学研究院 一种电能表运行状态评估方法和评估装置
US20210293576A1 (en) * 2020-03-18 2021-09-23 Landis+Gyr Innovations, Inc. Programming electric meter global positioning system coordinates using smart device

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
范洁 等: "RS485通信及相位差结合的电能表相位识别方法", 《电子设计工程》 *

Also Published As

Publication number Publication date
CN114118304B (zh) 2022-06-24

Similar Documents

Publication Publication Date Title
Zhu et al. Time series shapelet classification based online short-term voltage stability assessment
CN107220906A (zh) 基于用电采集系统的多时间尺度用电异常分析方法
CN110991786A (zh) 基于相似日负荷曲线的10kV静态负荷模型参数辨识方法
CN110739686B (zh) 一种基于总表异常分析的台区线损治理方法及系统
CN112152201A (zh) 基于卷积长短时记忆神经网络的用电负荷预测方法及系统
Cheng et al. Enhanced state estimation and bad data identification in active power distribution networks using photovoltaic power forecasting
CN106980910B (zh) 中长期电力负荷测算系统及方法
Lemes et al. Load disaggregation based on time window for HEMS application
CN108334894B (zh) 基于无监督机器学习的变压器油温异常识别方法
CN108920868A (zh) 基于智能电表数据的负荷辨识模型参数修正方法
CN112308124A (zh) 一种面向用电信息采集系统的智能防窃电方法
Hernandez et al. Development of a non-intrusive load monitoring (nilm) with unknown loads using support vector machine
CN112330030B (zh) 业扩物资需求预测系统及方法
CN114399076A (zh) 基于大数据分析的窃电嫌疑用户筛选方法
CN114118304B (zh) 用户电能表相位识别方法、系统及存储介质
CN117236022A (zh) 互感器剩余寿命预测模型训练方法、应用方法及电子设备
Jazizadeh et al. Unsupervised clustering of residential electricity consumption measurements for facilitated user-centric non-intrusive load monitoring
CN111553434A (zh) 一种电力系统负荷分类方法及系统
CN116662840A (zh) 一种基于机器学习的低压台区用户相位识别方法
Nithiyananthan et al. Enhanced R package-based cluster analysis fault identification models for three phase power system network
Khaleghian et al. Electric vehicle identification in low-sampling non-intrusive load monitoring systems using machine learning
Ma et al. Short-term prediction model of photovoltaic power generation based on rough set-BP neural network
CN106816871B (zh) 一种电力系统状态相似性分析方法
CN114066219A (zh) 一种关联矩阵下用电异常点智能识别的窃电分析方法
Wu et al. Power system bad load data detection based on an improved fuzzy C-means clustering algorithm

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