CN114548226A - 基于K-Means聚类算法的台区户变关系识别方法和装置 - Google Patents

基于K-Means聚类算法的台区户变关系识别方法和装置 Download PDF

Info

Publication number
CN114548226A
CN114548226A CN202210070280.8A CN202210070280A CN114548226A CN 114548226 A CN114548226 A CN 114548226A CN 202210070280 A CN202210070280 A CN 202210070280A CN 114548226 A CN114548226 A CN 114548226A
Authority
CN
China
Prior art keywords
cluster
initial
centroid
sample set
clustering algorithm
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.)
Pending
Application number
CN202210070280.8A
Other languages
English (en)
Inventor
高晓雷
陈霄
庄宇峰
孙宇
梅道珺
倪文沁
钱炜妍
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.)
State Grid Corp of China SGCC
State Grid Jiangsu Electric Power Co Ltd
Changzhou Power Supply Co of State Grid Jiangsu Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
State Grid Jiangsu Electric Power Co Ltd
Changzhou Power Supply Co of State Grid Jiangsu Electric Power 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 State Grid Corp of China SGCC, State Grid Jiangsu Electric Power Co Ltd, Changzhou Power Supply Co of State Grid Jiangsu Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN202210070280.8A priority Critical patent/CN114548226A/zh
Publication of CN114548226A publication Critical patent/CN114548226A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • 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
    • 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
    • G06Q10/20—Administration of product repair or maintenance
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

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

Abstract

本发明提供了一种基于K‑Means聚类算法的台区户变关系识别方法和装置，其中，所述方法包括以下步骤：获取相邻台区的所有总表及所有用户电能表在预设时间段内的电压曲线数据；根据电压曲线数据构建初始样本集；对初始样本集进行有效性过滤得到有效样本集；基于K‑Means聚类算法聚类有效样本集；根据聚类结果得到每个用户电能表与每个台区总表之间的归属关系。本发明能够有效识别台区户变关系，从而能够在提升台区线损管理水平的同时，节约现场排查梳理的人力成本，并能够满足供电公司的业务需求。

Description

基于K-Means聚类算法的台区户变关系识别方法和装置
技术领域
本发明涉及电网管理技术领域，具体涉及一种基于K-Means聚类算法的台区户变关系识别方法和一种基于K-Means聚类算法的台区户变关系识别装置。
背景技术
随着智能电能表的普及应用和用电信息采集系统的全覆盖，信息采集技术的成熟发展，尤其是HPLC通信技术的推广应用，实现了居民用户电能表的高频数据采集功能，然而供电公司的业务需求也在不断提升，例如用户电能表的台区归属关系，公变负载不平衡的原因分析，线损分析要求更加精细化，对线路安全隐患提前预警，故障抢修的及时性等。
目前基于HPLC的台区识别技术仍旧不够成熟，尤其是在共零台区之间，台区识别的可靠性不高，远不能满足供电公司的刚性业务需求。
发明内容
本发明为解决上述技术问题，提供了一种基于K-Means聚类算法的台区户变关系识别方法，能够有效识别台区户变关系，从而能够在提升台区线损管理水平的同时，节约现场排查梳理的人力成本，并能够满足供电公司的业务需求。
本发明采用的技术方案如下：
一种基于K-Means聚类算法的台区户变关系识别方法，包括以下步骤：获取相邻台区的所有总表及所有用户电能表在预设时间段内的电压曲线数据；根据所述电压曲线数据构建初始样本集；对所述初始样本集进行有效性过滤得到有效样本集；基于K-Means聚类算法聚类所述有效样本集；根据聚类结果得到每个所述用户电能表与每个所述台区总表之间的归属关系。
根据本发明的一个实施例，根据所述电压曲线数据构建初始样本集，具体包括以下步骤：将所述预设时间段分为N个时刻点；选取所述电压曲线数据中第n个时刻点的所述相邻台区所有总表的电压数据，并提取其特征以得到第n个时刻点的总表子样本，其中，n∈N；选取所述电压曲线数据中第n个时刻点的所述相邻台区所有用户电能表的电压数据，并提取其特征以得到第n个时刻点的用户电能表子样本；根据所述第n个时刻点的总表子样本和用户电能表子样本构成所述第n个时刻点的初始样本子集；遍历所述N个时刻点得到N组初始样本子集；根据所述N组初始样本子集构建初始样本集。
根据本发明的一个实施例，对所述初始样本集进行有效性过滤得到有效样本集，具体包括以下步骤：判断每组所述初始样本子集中总表子样本是否满足聚类要求；若是，则判定所述初始样本子集有效以得到有效样本子集；根据所有有效样本子集构建有效样本集。
根据本发明的一个实施例，基于K-Means聚类算法聚类所述有效样本集，具体包括以下步骤：计算每组所述有效样本子集的初始质心，其中，所述初始质心包括第一初始质心和第二初始质心；利用所述K-Means聚类算法将每组所述有效样本子集围绕所述第一初始质心和所述第二初始质心分别聚类为第一簇和第二簇；利用所述K-Means聚类算法计算所述第一簇的簇内质心和所述第二簇的簇内质心；判断所述第一簇的簇内质心与所述第一初始质心是否相同、以及所述第二簇的簇内质心与所述第二初始质心是否相同；若否，则采用所述第一簇的簇内质心和所述第二簇的簇内质心分别对应更新所述第一初始质心和所述第二初始质心，并将每组所述有效样本子集重新聚类，直至聚类得到的簇内质心与聚类采用的初始质心相同。
根据本发明的一个实施例，基于K-Means聚类算法聚类所述有效样本集，还包括以下步骤：判断每组所述有效样本子集中的所有总表子样本是否同时存在于所述第一簇或所述第二簇中；若是，则聚类得到的第一簇和第二簇无效；若否，则聚类得到的第一簇和第二簇有效。
一种基于K-Means聚类算法的台区户变关系识别装置，包括：获取模块，所述获取模块用于获取相邻台区的所有总表及所有用户电能表在预设时间段内的电压曲线数据；第一处理模块，所述第一处理模块用于根据所述电压曲线数据构建初始样本集；有效过滤模块，所述有效过滤模块用于对所述初始样本集进行有效性过滤得到有效样本集；第二处理模块，所述第二处理模块用于基于K-Means聚类算法聚类所述有效样本集；第三处理模块，所述第三处理模块用于根据聚类结果得到每个所述用户电能表与每个所述台区总表之间的归属关系。
一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时，实现上述的基于K-Means聚类算法的台区户变关系识别方法。
一种非临时性计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现上述的基于K-Means聚类算法的台区户变关系识别方法。
本发明的有益效果：
本发明能够有效识别台区户变关系，从而能够在提升台区线损管理水平的同时，节约现场排查梳理的人力成本，并能够满足供电公司的业务需求。
附图说明
图1为本发明实施例的基于K-Means聚类算法的台区户变关系识别方法的流程图；
图2为本发明一个实施例的K-Means聚类算法的流程图；
图3为本发明实施例的基于K-Means聚类算法的台区户变关系识别装置的方框示意图。
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。
图1为本发明实施例的基于K-Means聚类算法的台区户变关系识别方法的流程图。
如图1所示，本发明实施例的基于K-Means聚类算法的台区户变关系识别方法，包括以下步骤：
S1，获取相邻台区的所有总表及所有用户电能表在预设时间段内的电压曲线数据。
具体地，可获取相邻两个台区的总表，即第一总表和第二总表，以及相邻两个台区的所有用户电能表在预设时间端，例如15分钟内的电源采样曲线数据。
S2，根据电压曲线数据构建初始样本集。
具体地，可将将预设时间段分为N个时刻点；选取电压曲线数据中第n个时刻点的相邻台区所有总表的电压数据，并提取其特征以得到第n个时刻点的总表子样本，其中，n∈N；选取电压曲线数据中第n个时刻点的相邻台区所有用户电能表的电压数据，并提取其特征以得到第n个时刻点的用户电能表子样本；根据第n个时刻点的总表子样本和用户电能表子样本构成第n个时刻点的初始样本子集；遍历N个时刻点得到N组初始样本子集；根据N组初始样本子集构建初始样本集。
更具体地，可分别选取电压曲线数据中第n个时刻点的第一总表和第二总表的电压数据，并提取其特征，从而得到第n个时刻点的第一总表子样本q0和第二总表子样本q'0，并且每个总表子样本中可包括两个元素，即ΔU和U，并且ΔU和U满足下列公式：
ΔU＝Un-Un-1
U＝Un
其中，Un表示第n时刻点的总表电压值，Un-1表示第n-1时刻点的总表电压值，并且若Un或者Un-1有一个值为无效值，则ΔU标定为无效值。
更具体地，当相邻台区所有用户电能表的数量为K时，可选取电压曲线数据中第n个时刻点的第k个用户电能表的电压数据，并提取其特征，从而得到第n个时刻点的第k个用户电能表的子样本qk，并且该子样本qk中可包括两个元素，即ΔU和U，并且ΔU和U满足下列公式：
ΔU＝Un-Un-1
U＝Un
其中，Un表示第n时刻点的第k个用户电能表的电压值，Un-1表示第n-1时刻点的第k个用户电能表的电压值，并且若Un或者Un-1有一个值为无效值，则ΔU标定为无效值，需要说明的是，当k＝0时，ΔU和U表示总表元素，当k＝1、2、……、K时，ΔU和U表示电能表元素。
进一步地，可参照上述第k个用户电能表的子样本qk提取过程，选取电压曲线数据中第n个时刻点的所有用户电能表，即K个用户电能表子样本，并提取其特征，从而得到第n个时刻点的所有用户电能表子样本，并可结合第n个时刻点的第一总表子样本q0和第二总表子样本q'0构成第n个时刻点初始样本子集Qn，Qn＝{q0，q’0，q1，q2，……，qK}。
进一步地，可遍历N个时刻点，例如可按照时间先后顺序依次提取构建初始样本子集，从而可得到N组初始样本集Q，Q＝{Q1，Q2，Q3，……，QN}，其中N表示时刻点总数。
S3，对初始样本集进行有效性过滤得到有效样本集。
具体地，判断每组初始样本子集中总表子样本是否满足聚类要求；若是，则判定初始样本子集有效以得到有效样本子集；根据所有有效样本子集构建有效样本集。
其中，聚类要求具体为每组初始样本子集中总表子样本中的元素ΔU满足下列公式：
Figure BDA0003481842940000061
其中，ΔUA表示总表A相电压变化量，即与上一时刻点的电压差值，ΔUB表示总表B相电压变化量，ΔUC表示总表C相电压变化量，有效聚类差值可通过下列公式得到：
MAX(电压测量最大允许误差×2，MAX(n时刻所有电表电压值)-MIN(n时刻所有电表电流值))。
需要说明的是，当每组初始样本子集中总表子样本，例如第一总表子样本和第二总表子样本中的元素ΔU满足上述聚类要求时，其对应的初始样本子集才可判定为有效。
进一步地，可通过上述步骤遍历所有初始样本子集，即N组初始样本子集，筛选出所有满足上述聚类要求的初始样本子集，并可根据所有有效的初始样本子集构建有效样本集R，R＝{R1，R2，R3，……RM}，其中M为有效的初始样本子集数量。
S4，基于K-Means聚类算法聚类有效样本集。
具体地，如图2所示，包括以下步骤：
S401，计算每组有效样本子集的初始质心，其中，初始质心包括第一初始质心和第二初始质心；
S402，利用K-Means聚类算法将每组有效样本子集围绕第一初始质心和第二初始质心分别聚类为第一簇和第二簇；
S403，利用K-Means聚类算法计算第一簇的簇内质心和第二簇的簇内质心；
S404，判断第一簇的簇内质心与第一初始质心是否相同、以及第二簇的簇内质心与第二初始质心是否相同，若否，则执行步骤S405，若是，则结束K-Means聚类算法；
S405，采用第一簇的簇内质心和第二簇的簇内质心分别对应更新第一初始质心和第二初始质心，并将每组有效样本子集重新聚类，直至聚类得到的簇内质心与聚类采用的初始质心相同。
此外，还可判断有效样本子集中的所有总表子样本是否同时存在于第一簇或第二簇中，若是，则聚类得到的两个簇无效，若否，则聚类得到的两个簇有效。
举例而言，可从有效样本集R中选取一个有效样本子集Rm，并可计算该有效样本子集Rm的初始质心，具体地，可从该有效样本子集Rm的中，提取提取ΔU的最大值ΔUmax与最小值ΔUmin，以及U的最大值Umax与最小值Umin，并可根据ΔU和U的最大值和最小值构成初始质心，即第一初始质心的元素为{ΔUmax，Umin}和第二初始质心的元素{ΔUmin，Umax}。
进一步地，可利用K-Means聚类算法，例如采用距离最近原则分别计算有效样本子集Rm中各个子样本到第一初始执行和第二初始质心的距离，然后比较每个子样本到第一初始质心和第二初始质心的距离，并根据比较结果将其划分到距离最近的初始质心所在位置，例如，若子样本到第一初始质心的距离小于到第二初始质心的距离，则可将该子样本划分到第一初始质心所在位置构成第一簇，若子样本到第二初始质心的距离小于到第一初始质心的距离，则可将该子样本划分到第二初始质心所在位置构成第二簇，由此，可将有效样本子集Rm中所有子样本分类为两个簇，即第一簇和第二簇。
进一步地，可利用K-Means聚类算法，例如采用平均值法分别计算第一簇和第二簇的簇内质心，具体地，可将第一簇子样本中的所有ΔU相加，并取其平均值
Figure BDA0003481842940000081
并可将第一簇子样本中的所有U相加，取其平均值
Figure BDA0003481842940000082
进而可将
Figure BDA0003481842940000083
作为第一簇的簇内质心；同样地，可将第二簇子样本中的所有ΔU相加，并取其平均值
Figure BDA0003481842940000084
并可将第二簇子样本中的所有U相加取其平均值
Figure BDA0003481842940000085
进而可将
Figure BDA0003481842940000086
作为第二簇的簇内质心。
进一步地，可判断有效样本子集Rm中第一总表子样本q0和第二总表子样本q'0是否同时存在于第一簇或第二簇中，若是，则判断聚类得到的两个簇无效，若否，则聚类得到的两个簇有效。
S5，根据聚类结果得到每个用户电能表与每个台区总表之间的归属关系。
具体地，可根据有效聚类结果，即根据有效的第一簇和第二簇统计每个用户电能表与每个台区总表之间的归属关系。
根据本发明实施例提出的基于K-Means聚类算法的台区户变关系识别方法，通过获取相邻台区的所有总表及所有用户电能表在预设时间段内的电压曲线数据，并根据电压曲线数据构建初始样本集，以及对初始样本集进行有效性过滤得到有效样本集，并基于K-Means聚类算法聚类有效样本集，然后根据聚类结果得到每个用户电能表与每个台区总表之间的归属关系，由此，能够有效识别台区户变关系，从而能够在提升台区线损管理水平的同时，节约现场排查梳理的人力成本，并能够满足供电公司的业务需求。
对应上述实施例，本发明还提出了一种基于K-Means聚类算法的台区户变关系识别装置。
如图3所示，本发明实施例的基于K-Means聚类算法的台区户变关系识别装置，包括获取模块10、第一处理模块20、有效过滤模块30、第二处理模块40和第三处理模块50。其中，获取模块10用于获取相邻台区的所有总表及所有用户电能表在预设时间段内的电压曲线数据；第一处理模块20用于根据电压曲线数据构建初始样本集；有效过滤模块30用于对初始样本集进行有效性过滤得到有效样本集；第二处理模块40用于基于K-Means聚类算法聚类有效样本集；第三处理模块50用于根据聚类结果得到每个用户电能表与每个台区总表之间的归属关系。
在本发明的一个实施例中，获取模块10可具体用于获取相邻两个台区的总表，即第一总表和第二总表，以及相邻两个台区的所有用户电能表在预设时间端，例如15分钟内的电源采样曲线数据。
在本发明的一个实施例中，第一处理模块20可具体用于将将预设时间段分为N个时刻点；选取电压曲线数据中第n个时刻点的相邻台区所有总表的电压数据，并提取其特征以得到第n个时刻点的总表子样本；选取电压曲线数据中第n个时刻点的相邻台区所有用户电能表的电压数据，并提取其特征以得到第n个时刻点的用户电能表子样本；根据第n个时刻点的总表子样本和用户电能表子样本构成第n个时刻点的初始样本子集；遍历N个时刻点得到N组初始样本子集；根据N组初始样本子集构建初始样本集。
更具体地，可分别选取电压曲线数据中第n个时刻点的第一总表和第二总表的电压数据，并提取其特征，从而得到第n个时刻点的第一总表子样本q0和第二总表子样本q'0，并且每个总表子样本中可包括两个元素，即ΔU和U，并且ΔU和U满足下列公式：
ΔU＝Un-Un-1
U＝Un
其中，Un表示第n时刻点的总表电压值，Un-1表示第n-1时刻点的总表电压值，并且若Un或者Un-1有一个值为无效值，则ΔU标定为无效值。
更具体地，当相邻台区所有用户电能表的数量为K时，可选取电压曲线数据中第n个时刻点的第k个用户电能表的电压数据，并提取其特征，从而得到第n个时刻点的第k个用户电能表的子样本qk，并且该子样本qk中可包括两个元素，即ΔU和U，并且ΔU和U满足下列公式：
ΔU＝Un-Un-1
U＝Un
其中，Un表示第n时刻点的第k个用户电能表的电压值，Un-1表示第n-1时刻点的第k个用户电能表的电压值，并且若Un或者Un-1有一个值为无效值，则ΔU标定为无效值，需要说明的是，当k＝0时，ΔU和U表示总表元素，当k＝1、2、……、K时，ΔU和U表示电能表元素。
进一步地，可参照上述第k个用户电能表的子样本qk提取过程，选取电压曲线数据中第n个时刻点的所有用户电能表，即K个用户电能表子样本，并提取其特征，从而得到第n个时刻点的所有用户电能表子样本，并可结合第n个时刻点的第一总表子样本q0和第二总表子样本q'0构成第n个时刻点初始样本子集Qn，Qn＝{q0，q’0，q1，q2，……，qK}。
进一步地，可遍历N个时刻点，例如可按照时间先后顺序依次提取构建初始样本子集，从而可得到N组初始样本集Q，Q＝{Q1，Q2，Q3，……，QN}，其中N表示时刻点总数。
在本发明的一个实施例中，有效过滤模块30可具体用于判断每组初始样本子集中总表子样本是否满足聚类要求；若是，则判定初始样本子集有效以得到有效样本子集；根据所有有效样本子集构建有效样本集。
其中，聚类要求具体为每组初始样本子集中总表子样本中的元素ΔU满足下列公式：
Figure BDA0003481842940000101
其中，ΔUA表示总表A相电压变化量，即与上一时刻点的电压差值，ΔUB表示总表B相电压变化量，ΔUC表示总表C相电压变化量，有效聚类差值可通过下列公式得到：
MAX(电压测量最大允许误差×2，MAX(n时刻所有电表电压值)-MIN(n时刻所有电表电流值))。
需要说明的是，当每组初始样本子集中总表子样本，例如第一总表子样本和第二总表子样本中的元素ΔU满足上述聚类要求时，其对应的初始样本子集才可判定为有效。
进一步地，可通过上述步骤遍历所有初始样本子集，即N组初始样本子集，筛选出所有满足上述聚类要求的初始样本子集，并可根据所有有效的初始样本子集构建有效样本集R，R＝{R1，R2，R3，……RM}，其中M为有效的初始样本子集数量。
在本发明的一个实施例中，如图2所示，第二处理模块40可具体用于：
S401，计算每组有效样本子集的初始质心，其中，初始质心包括第一初始质心和第二初始质心；
S402，利用K-Means聚类算法将每组有效样本子集围绕第一初始质心和第二初始质心分别聚类为第一簇和第二簇；
S403，利用K-Means聚类算法计算第一簇的簇内质心和第二簇的簇内质心；
S404，判断第一簇的簇内质心与第一初始质心是否相同、以及第二簇的簇内质心与第二初始质心是否相同，若否，则执行步骤S405，若是，则结束K-Means聚类算法；
S405，采用第一簇的簇内质心和第二簇的簇内质心分别对应更新第一初始质心和第二初始质心，并将每组有效样本子集重新聚类，直至聚类得到的簇内质心与聚类采用的初始质心相同。
此外，还可判断有效样本子集中的所有总表子样本是否同时存在于第一簇或第二簇中，若是，则聚类得到的两个簇无效，若否，则聚类得到的两个簇有效。
举例而言，可从有效样本集R中选取一个有效样本子集Rm，并可计算该有效样本子集Rm的初始质心，具体地，可从该有效样本子集Rm的中，提取提取ΔU的最大值ΔUmax与最小值ΔUmin，以及U的最大值Umax与最小值Umin，并可根据ΔU和U的最大值和最小值构成初始质心，即第一初始质心的元素为{ΔUmax，Umin}和第二初始质心的元素{ΔUmin，Umax}。
进一步地，可利用K-Means聚类算法，例如采用距离最近原则分别计算有效样本子集Rm中各个子样本到第一初始执行和第二初始质心的距离，然后比较每个子样本到第一初始质心和第二初始质心的距离，并根据比较结果将其划分到距离最近的初始质心所在位置，例如，若子样本到第一初始质心的距离小于到第二初始质心的距离，则可将该子样本划分到第一初始质心所在位置构成第一簇，若子样本到第二初始质心的距离小于到第一初始质心的距离，则可将该子样本划分到第二初始质心所在位置构成第二簇，由此，可将有效样本子集Rm中所有子样本分类为两个簇，即第一簇和第二簇。
进一步地，可利用K-Means聚类算法，例如采用平均值法分别计算第一簇和第二簇的簇内质心，具体地，可将第一簇子样本中的所有ΔU相加，并取其平均值
Figure BDA0003481842940000121
并可将第一簇子样本中的所有U相加，取其平均值
Figure BDA0003481842940000122
进而可将
Figure BDA0003481842940000123
作为第一簇的簇内质心；同样地，可将第二簇子样本中的所有ΔU相加，并取其平均值
Figure BDA0003481842940000124
并可将第二簇子样本中的所有U相加取其平均值
Figure BDA0003481842940000125
进而可将
Figure BDA0003481842940000126
作为第二簇的簇内质心。
进一步地，可判断有效样本子集Rm中第一总表子样本q0和第二总表子样本q'0是否同时存在于第一簇或第二簇中，若是，则判断聚类得到的两个簇无效，若否，则聚类得到的两个簇有效。
在本发明的一个实施例中，第三处理模块50可具体用于根据有效聚类结果，即根据有效的第一簇和第二簇统计每个用户电能表与每个台区总表之间的归属关系。
根据本发明实施例提出的基于K-Means聚类算法的台区户变关系识别装置，可通过获取模块获取相邻台区的所有总表及所有用户电能表在预设时间段内的电压曲线数据，并可通过第一处理模块根据电压曲线数据构建初始样本集，以及通过有效过滤模块对初始样本集进行有效性过滤得到有效样本集，并通过第二处理模块基于K-Means聚类算法聚类有效样本集，然后通过第三处理模块根据聚类结果得到每个用户电能表与每个台区总表之间的归属关系，由此，能够有效识别台区户变关系，从而能够在提升台区线损管理水平的同时，节约现场排查梳理的人力成本，并能够满足供电公司的业务需求。
对应上述实施例，本发明还提出一种计算机设备。
本发明实施例的计算机设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时，实现上述实施例的基于K-Means聚类算法的台区户变关系识别方法。
根据本发明实施例的计算机设备，能够有效识别台区户变关系，从而能够在提升台区线损管理水平的同时，节约现场排查梳理的人力成本，并能够满足供电公司的业务需求。
对应上述实施例，本发明还提出一种非临时性计算机可读存储介质。
本发明实施例的非临时性计算机可读存储介质上存储有计算机程序，该程序被处理器执行时实现上述实施例的基于K-Means聚类算法的台区户变关系识别方法。
根据本发明实施例的非临时性计算机可读存储介质，能够有效识别台区户变关系，从而能够在提升台区线损管理水平的同时，节约现场排查梳理的人力成本，并能够满足供电公司的业务需求。
在本发明的描述中，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。“多个”的含义是两个或两个以上，除非另有明确具体的限定。
在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
在本发明中，除非另有明确的规定和限定，第一特征在第二特征“上”或“下”可以是第一和第二特征直接接触，或第一和第二特征通过中间媒介间接接触。而且，第一特征在第二特征“之上”、“上方”和“上面”可是第一特征在第二特征正上方或斜上方，或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”可以是第一特征在第二特征正下方或斜下方，或仅仅表示第一特征水平高度小于第二特征。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必针对相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，在本发明各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (8)

1.一种基于K-Means聚类算法的台区户变关系识别方法，其特征在于，包括以下步骤：
获取相邻台区的所有总表及所有用户电能表在预设时间段内的电压曲线数据；
根据所述电压曲线数据构建初始样本集；
对所述初始样本集进行有效性过滤得到有效样本集；
基于K-Means聚类算法聚类所述有效样本集；
根据聚类结果得到每个所述用户电能表与每个所述台区总表之间的归属关系。
2.根据权利要求1所述的基于K-Means聚类算法的台区户变关系识别方法，其特征在于，根据所述电压曲线数据构建初始样本集，具体包括以下步骤：
将所述预设时间段分为N个时刻点；
选取所述电压曲线数据中第n个时刻点的所述相邻台区所有总表的电压数据，并提取其特征以得到第n个时刻点的总表子样本，其中，n∈N；
选取所述电压曲线数据中第n个时刻点的所述相邻台区所有用户电能表的电压数据，并提取其特征以得到第n个时刻点的用户电能表子样本；
根据所述第n个时刻点的总表子样本和用户电能表子样本构成所述第n个时刻点的初始样本子集；
遍历所述N个时刻点得到N组初始样本子集；
根据所述N组初始样本子集构建初始样本集。
3.根据权利要求2所述的基于K-Means聚类算法的台区户变关系识别方法，其特征在于，对所述初始样本集进行有效性过滤得到有效样本集，具体包括以下步骤：
判断每组所述初始样本子集中总表子样本是否满足聚类要求；
若是，则判定所述初始样本子集有效以得到有效样本子集；
根据所有有效样本子集构建有效样本集。
4.根据权利要求3所述的基于K-Means聚类算法的台区户变关系识别方法，其特征在于，基于K-Means聚类算法聚类所述有效样本集，具体包括以下步骤：
计算每组所述有效样本子集的初始质心，其中，所述初始质心包括第一初始质心和第二初始质心；
利用所述K-Means聚类算法将每组所述有效样本子集围绕所述第一初始质心和所述第二初始质心分别聚类为第一簇和第二簇；
利用所述K-Means聚类算法计算所述第一簇的簇内质心和所述第二簇的簇内质心；
判断所述第一簇的簇内质心与所述第一初始质心是否相同、以及所述第二簇的簇内质心与所述第二初始质心是否相同；
若否，则采用所述第一簇的簇内质心和所述第二簇的簇内质心分别对应更新所述第一初始质心和所述第二初始质心，并将每组所述有效样本子集重新聚类，直至聚类得到的簇内质心与聚类采用的初始质心相同。
5.根据权利要求4所述的基于K-Means聚类算法的台区户变关系识别方法，其特征在于，基于K-Means聚类算法聚类所述有效样本集，还包括以下步骤：
判断每组所述有效样本子集中的所有总表子样本是否同时存在于所述第一簇或所述第二簇中；
若是，则聚类得到的第一簇和第二簇无效；
若否，则聚类得到的第一簇和第二簇有效。
6.一种基于K-Means聚类算法的台区户变关系识别装置，其特征在于，包括：
获取模块，所述获取模块用于获取相邻台区的所有总表及所有用户电能表在预设时间段内的电压曲线数据；
第一处理模块，所述第一处理模块用于根据所述电压曲线数据构建初始样本集；
有效过滤模块，所述有效过滤模块用于对所述初始样本集进行有效性过滤得到有效样本集；
第二处理模块，所述第二处理模块用于基于K-Means聚类算法聚类所述有效样本集；
第三处理模块，所述第三处理模块用于根据聚类结果得到每个所述用户电能表与每个所述台区总表之间的归属关系。
7.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时，实现根据权利要求1-5中任一项所述的基于K-Means聚类算法的台区户变关系识别方法。
8.一种非临时性计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现根据权利要求1-5中任一项所述的基于K-Means聚类算法的台区户变关系识别方法。
CN202210070280.8A 2022-01-21 2022-01-21 基于K-Means聚类算法的台区户变关系识别方法和装置 Pending CN114548226A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210070280.8A CN114548226A (zh) 2022-01-21 2022-01-21 基于K-Means聚类算法的台区户变关系识别方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210070280.8A CN114548226A (zh) 2022-01-21 2022-01-21 基于K-Means聚类算法的台区户变关系识别方法和装置

Publications (1)

Publication Number Publication Date
CN114548226A true CN114548226A (zh) 2022-05-27

Family

ID=81671251

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210070280.8A Pending CN114548226A (zh) 2022-01-21 2022-01-21 基于K-Means聚类算法的台区户变关系识别方法和装置

Country Status (1)

Country Link
CN (1) CN114548226A (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110084718A (zh) * 2019-04-25 2019-08-02 国网湖南省电力有限公司 一种台区户变关系精准校验方法及装置
CN112750051A (zh) * 2020-12-30 2021-05-04 广东电网有限责任公司计量中心 基于随机森林算法的台区相序识别方法、装置及终端设备
CN113449980A (zh) * 2021-06-24 2021-09-28 广东电网有限责任公司 一种低压台区相序识别方法、系统、终端和存储介质
CN113572164A (zh) * 2021-08-06 2021-10-29 国网四川省电力公司营销服务中心 一种基于k-means聚类分析的配电网台区识别方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110084718A (zh) * 2019-04-25 2019-08-02 国网湖南省电力有限公司 一种台区户变关系精准校验方法及装置
CN112750051A (zh) * 2020-12-30 2021-05-04 广东电网有限责任公司计量中心 基于随机森林算法的台区相序识别方法、装置及终端设备
CN113449980A (zh) * 2021-06-24 2021-09-28 广东电网有限责任公司 一种低压台区相序识别方法、系统、终端和存储介质
CN113572164A (zh) * 2021-08-06 2021-10-29 国网四川省电力公司营销服务中心 一种基于k-means聚类分析的配电网台区识别方法

Similar Documents

Publication Publication Date Title
CN111061821B (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
de Souza et al. Detection and identification of energy theft in advanced metering infrastructures
CN109325545A (zh) 低压配电网拓扑结构校验方法、装置、设备及存储介质
CN109740641A (zh) 一种基于主成分分析和k-means聚类的台区用户识别方法
CN110518576B (zh) 基于回路矩阵识别低压台区拓扑结构的优化方法及系统
CN109444800B (zh) 基于无线通信采集的台区识别方法
CN113872204B (zh) 一种基于电网图拓扑计算的用电负荷性质确定方法及装置
CN113572164B (zh) 一种基于k-means聚类分析的配电网台区识别方法
CN112701675A (zh) 基于筛选电压数据的配电台区用户相别辨识方法及系统
CN112288303A (zh) 确定线损率的方式、装置
CN108922157A (zh) 一种自学习智能抄表方法及系统
CN112415304B (zh) 基于低压台区电压数据曲线分群的线路识别方法
CN118035916B (zh) 一种农村电网供电故障异常检测方法
CN111612074A (zh) 非侵入式负荷监测用电设备的辨识方法、装置及相关设备
CN116303480B (zh) 基于云计算的电能表误差校验方法
CN112198375A (zh) 单相用户的相位识别方法、装置、设备和存储介质
CN111415107A (zh) 配电网台区画像生成方法、装置、计算机设备和存储介质
CN109460419A (zh) 一种设备状态变化事件监测方法
CN112636335B (zh) 基于电压数据去相关遴选和相关分析的低压配电网户变关系校验方法及系统
CN114548226A (zh) 基于K-Means聚类算法的台区户变关系识别方法和装置
CN113627289A (zh) 一种基于深度学习的电力设备识别方法及其装置
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
CN109064353B (zh) 一种基于改进聚类融合的大型建筑用户行为分析方法
CN115659553A (zh) 一种低压供电网络拓扑识别方法及系统
CN113723671B (zh) 一种基于用电情况大数据的数据聚类分析方法

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20220527