CN115203286A - 一种基于知识驱动的台区户变关系识别方法 - Google Patents

Abstract

本发明基于知识驱动的台区户变关系识别方法，包括下列步骤：1)采集待识别台区及其邻近台区配电变压器低压侧母线的三相电压时序数据、用户的电压时序数据，构建原始电压数据矩阵；2)对所述原始电压数据矩阵中的原始数据进行标准化和特征提取处理，得到预处理后的电压数据矩阵；3)综合利用靠近配变首端和非靠近配变首端用户的电压关联特性的先验知识，确定台区户变关系。本发明为电网企业节省人力运维成本，提高台区户变识别的效率。

Description

一种基于知识驱动的台区户变关系识别方法

技术领域

本发明属于电网台区户变关系识别的领域，尤其是基于知识驱动的台区户变关系识别方法的技术。

背景技术

近年来，随着经济的发展和城市化进程的不断推进，低压台区下的用户数量增长迅速，台区户变关系信息变动频繁，但因为排查效率低、信息更新不及时等问题，电网公司关于台区的户变关系档案信息普遍存在错误。现阶段低压用户接线复杂，负荷转供频繁，加上人工录入误差等因素影响，台区中广泛存在户变关系错误问题。准确的户变关系是负荷业扩、台区线损管理、停复电处理、线路改造等业务开展的关键，同时也是后续准确识别台区相-线-户关系，实现台区全拓扑可视化的前提。传统依靠人力和信号注入设备校验户变关系的方法投资成本高、效率低且无法自动更新。因此，研究台区户变关系自动识别技术显得尤为重要。

台区户变关系识别的传统方法主要依赖负责各个片区的电工师傅的运维经验以及人工核查的方式。除人工核查之外，不少研究提出了利用信号发射设备和智能电表数据分析确定台区户变关系的方法。文献[1]提出一种基于宽带载波的台区网络拓扑动态自适应方法，通过采集器接收并解析台区集中器发送的电压特征信号，实现台区户变关系快速识别。文献[2]利用电表电压数据，提出了一种基于电压时序相关性和幅值大小比较用户间的相关性，以排查现有台账记录中变户关系错误的方法。文献[3]利用电表电压数据，通过比较用户和台区配电变压器低压侧三相母线电压时序相关性大小确定台区户变关系。

文献[1]：冬松.一种基于宽带载波的台区网络拓扑动态自适应方法[P].CN106781414A，2017-05-31。

文献[2]：Luan W，Peng P，Maras M，et al.Smart meter data analytics fordistribution network connectivity verification[J].IEEE transactions on SmartGrid，2015，6(4):1964–1971。

文献[3]：肖勇，赵云，涂治东，等.基于改进的皮尔逊相关系数的低压配电网拓扑结构校验方法[J].电力系统保护与控制，2019，47(11):37-43。

现有技术存在的缺点：

文献[1]中的方法仅适用于半载波方案台区，同时未考虑因台区间共零共地引起的窜抄问题，难以确保识别准确度。此外，文献[1]中的方法增加大量终端设备，且存在电子化移交的准确度要求高、投资大、运行维护困难等问题，难以有效推广。文献[2]和文献[3]通过分析智能电表计量数据确定户变关系，不需要额外加装设备，改造量小、投入产出比大，更适用于推广应用。

文献[2]和文献[3]分别单独比较了用户间的关联特性或用户与配变低压三相母线间的关联特性。然而，用户与低压三相母线以及其他用户间的电压曲线相关性与其所在的位置有很大的相关性，位于不同位置的用户间可能存在矛盾的关联特性。因此，已有文献[2]和文献[3]仅使用一种关联特性，不足以准确识别变户关系。

另外已有文献[2]和文献[3]中的方法缺乏数据预处理环节，对数据区分度和噪音鲁棒性较差。在实际台区中，经过三相不平衡度治理的台区，采集到的电压数据往往分布集中，用户特征间的差异很小，一定程度上影响了算法的精度。另一方面，受限于电表计量误差和通信问题，智能电表采集到的数据中常混有一些噪声。数据区分度较小和数据噪音的现状影响已有方法的性能。

发明内容

本发明的目的在于提供一种基于知识驱动的台区户变关系识别方法，为电网企业节省人力运维成本，提高台区户变识别的效率。

本发明的技术方案为：

一种基于知识驱动的台区户变关系识别方法，其特征在于所述基于知识驱动的台区户变关系识别方法包括下列步骤：

1)采集待识别台区及其邻近台区配电变压器低压侧母线的三相电压时序数据、用户的电压时序数据，构建原始电压数据矩阵；

2)对所述原始电压数据矩阵中的原始数据进行标准化和特征提取处理，得到预处理后的电压数据矩阵；

3)综合利用靠近配变首端和非靠近配变首端用户的电压关联特性的先验知识，确定台区户变关系，所述先验知识包括a)靠近配变首端的用户与所属台区的低压母线之间电压时序曲线相关性最大；b)对于非靠近配变首端的用户，本台区用户之间的电压相关性序列标准差和均值高于非本台区用户之间的电压相关性序列标准差和均值。

将LVDN即低压台区低压三相母线上的计量终端和用户侧的智能电表统称为计量点，所述原始电压数据矩阵U＝[U_L1；U_L2；…；U_Le；U_C1；U_C2；…；U_Ce]，其中U_L1和U_C1分别表示第1个LVDN的低压三相母线电压矩阵和用户电压矩阵，U_L2和U_C2分别表示第2个LVDN的低压三相母线电压矩阵和用户电压矩阵，U_Le和U_Ce分别表示第e个LVDN的低压三相母线电压矩阵和用户电压矩阵，e代表总LVDN数目。

对原始数据进行标准化的公式如下：

式中，

和

分别表示第u个计量点电压在t时刻的标准值和原始值，

为一个列向量，表示所有计量点在t时刻的电压值；

表示在t时刻所有计量点的电压均值；

表示在t时刻所有计量点的电压标准差；Ф为计量点集合。

以

表示所有计量点电压在t时刻的标准值向量，标准化后的计量点电压数据集表示为U_zs：

式中，

和

分别表示所有计量点在时刻1，时刻2和时刻T经式(1)标准化后的电压值，T为数据的总计量时刻数；

标准化后的电压数据集维度与原始电压数据集维度保持一致；

采用PCA分析法即主成分分析法对原始数据标准化后的电压数据集U_zs进行降维处理，得到保留a个主要特征的数据矩阵U_zs′，N表示计量点的总数目，U_zs′的维度为N×a，行数为N，列数为a。

所述步骤3)中的方法和规则为：

(3-1)：经数据标准化和主要特征提取处理后，原始计量点电压数据矩阵转变为U_zs′，基于U_zs′计算计量点间的CCVP即电压曲线相关性系数，得到矩阵维度为N×N的计量点电压相关性系数矩阵R，R分成四个分块矩阵：

式中，R₁为N₁×N₁维方阵，表示待识别LVDN的低压三相母线与邻近LVDN的低压三相母线间的电压相关性系数矩阵，N₁表示待识别LVDN和邻近LVDN的低压三相母线总数；R₂为N₁×N₂维矩阵，表示待识别LVDN和邻近LVDN中的用户与低压三相母线间的电压相关性系数矩阵；R₃为N₂×N₁维矩阵，是矩阵R2的转置；R₄为N₂×N₂维方阵，表示待识别LVDN和邻近LVDN所包含用户间的电压相关性系数矩阵；N₂表示待识别LVDN和邻近LVDN的用户总数；

(3-2)：矩阵R₂中的第h列向量为R₂(:，h)，h＝1，2，...，N₂，即为用户与各个LVDN低压三相母线的CCVP值，以每列向量中的最大值argmax{abs(R₂(:，h))}对应的低压三相母线所在LVDN，作为相应用户的变户关系，从而得到初步的变户关系，所述abs(R₂(:，h))表示对R₂(:，h)中的元素做绝对值运算处理；

(3-3)：将已有的LVDN台账信息表与步骤2)得到的变户关系结果对比，将第g个LVDN中，存在两个变户连接关系不一致的用户，纳入嫌疑用户集合ξ_g中，g＝1，2，…，b，b为LVDN数，共得到b个嫌疑用户集合；

用户的电压幅值越大，越靠近配变首端；利用用户的电压幅值来判断它的位置，具体为：

(3-4)：对每个LVDN台账信息上的用户，基于原始电压数据，计算计量周期内这些用户的电压平均值，并将用户按平均值由大到小排序，以前

个用户作为靠近第g个LVDN配变首端的用户，得到首端用户集合α_g，其中τ为阈值系数，τ∈[0，0.5]，M_g为第g个LVDN中待识别的用户数目，共得到b个首端用户集合，所述

是指τ乘以M_g的数值结果向上取整；

(3-5)：集合ξ_g中属于所述首端用户集合α_g的用户确认为变户关系错误用户，这些用户的变户关系以步骤3-2)中的变户关系为准，进一步将这部分从嫌疑用户集合ξ_g剔除，ξ_g更新为嫌疑用户集合ξ_1g，g＝1，2，…，b；

(3-6)：将每个LVDN中的用户划分为嫌疑用户集合和非嫌疑用户集合，例如第g个LVDN中的嫌疑用户集合和非嫌疑用户集合分别用ξ_1g和λ_1g表示，对嫌疑用户中的每个用户，从矩阵R₄中提取其与所有LVDN中的非嫌疑用户间的CCVP值，每个用户对应有b个电压相关性系数序列，其中ξ_1g中第k个用户的第g个电压相关性系数序列R_k，gg如下：

R_k,gg＝{ρ_1gk,1g1,ρ_1gk,1g2,...ρ_1gk,1go,...,ρ_1gk,1gO} (6)

式中，ρ_1gk，1g1和ρ_1gk，1g2分别表示ξ_1g中第k个用户与λ_1g中第1个用户和第2个用户间的CCVP值，ρ_1gk，1go和ρ_1gk，1gO分别表示表示ξ_1g中第k个用户与λ_1g中第o个用户和第O个用户间的CCVP值，O为集合λ_1g中的用户数目，o＝1，2，…，O，g＝1，2，…，b；

(3-7)：计算ξ_1g中第k个用户的b个电压相关性系数序列的均值E_1g，k和标准差序列F_1g，k，即：

E_1g,k＝{μ_kg1,μ_kg2,...,μ_kgv,...,μ_kgb} (7)

F_1g,k＝{σ_kg1,σ_kg2,...,σ_kgv,…,σ_kgb} (8)

式中，μ_kg1和σ_kg1分别为ξ_1g中第k个用户的第1个电压相关性系数序列R_k，g1的均值和标准差，μ_kg2和σ_kg2分别为ξ_1g中第k个用户的第2个电压相关性系数序列R_k，g2的均值和标准差，μ_kgb和σ_kgb分别为ξ_1g中第k个用户的第b个电压相关性系数序列R_k，gb的均值和标准差，μ_kgv和σ_kgv分别为ξ_1g中第k个用户的第v个电压相关性系数序列R_k，gv的均值和标准差，v＝1，2，…，b，g＝1，2，…，b。

对于ξ_1g中第k个用户，若第v个LVDN的电压相关性系数序列R_k，gv的均值和标准差的μ_kgv和σ_kgv均大于第g个LVDN的电压相关性系数序列R_k，gg的均值和标准差的μ_kgg和σ_kgg，则该用户的变户关系修正为连接于第v个LVDN，否则其变户关系以(3-2)中的变户关系为准，g＝1，2，…，b。

与现有技术相比，本发明技术方案的优点主要体现在以下三个方面：

(1)不需要人工核查，不需要增加额外的终端设备。低压配电网数量庞大，台区户变识别不需要人工核查和增加额外的终端设备，可以为电网企业节省人力运维成本，提高台区户变识别的效率。

(2)用户与低压三相母线以及其他用户间的电压曲线相关性与其所在的位置有很大的相关性，位于不同位置的用户间可能存在矛盾的关联特性。本发明综合利用靠近配变首端和非靠近配变首端用户的电压关联特性，相比仅使用一种电压关联特性的方法可以实现更高的识别准确率。

(3)本发明中增加了对数据的预处理环节，相比已有方法，可以提升方案对数据区分度和噪音的鲁棒性，有利于适应工程实际中的复杂数据场景。

附图说明

图1为本发明基于知识驱动的台区户变关系识别的原理流程图(一)；

图2为本发明基于知识驱动的台区户变关系识别的原理流程图(二)。

具体实施方式

下面结合附图进行详细描述：

如图1，本发明提供一种基于知识驱动的台区户变关系识别方法，其具体步骤为：首先，采集待识别台区及其邻近台区配电变压器低压侧母线的三相电压时序数据、用户的电压时序数据，构建原始电压数据矩阵；接着，联合Z-Score和主成分分析法对原始数据进行标准化和特征提取处理，得到预处理后的电压数据矩阵；最后，综合利用有关靠近配变首端和非靠近配变首端用户的电压关联特性的先验知识，确定台区户变关系。本发明提供的配置方案利用台区电压数据中蕴藏的户变关联先验知识确定台区变户关系，无需增加采集终端，具有成本低、工程应用价值高的特点，而配置方案中增加的数据预处理环节，增强了方案对数据区分度和噪音的鲁棒性。

如图2，数据预处理：读取待识别台区及其邻近台区的低压三相母线和用户电压时序数据；构建计量点原始数据矩阵U；进行Z-score标准化处理，得到矩阵U_zs；基于PCA算法提取a维主要特征，得到N×a维矩阵U_zs′。

变户识别：计算计量点之间的电压相关性系数矩阵R；比较用户与各台区低压三相母线的CCVP值大小，得到用户的初步变户关系；对比集中器的抄表档案和上述初步变户关系，将关系不一致的用户视为嫌疑用户，得到各台区的嫌疑用户集合；

基于电压幅值确定各台区的首端用户集合；

嫌疑用户集合中属于首端用户集合的用户视为变户错误，其变户关系以初步变户关系结果为淮，并从集合中剔除这部分用户，更新嫌疑用户集合；

比较嫌疑用户和不同台区的非嫌疑用户CCVP序列的均值和标准差，确定剩余嫌疑用户的变户关系。

更具体描述如下：

1.采集待识别台区及其邻近台区配电变压器低压侧母线的三相电压时序数据、用户的电压时序数据，构建原始电压数据矩阵；所述时序数据的采样间隔为15分钟；将LVDN低压三相母线上的计量终端和用户侧的智能电表统称为计量点，所述原始电压数据矩阵U＝[U_L1；U_L2；…；U_Le；U_C1；U_C2；…；U_Ce]，其中U_L1和U_C1分别表示第一个LVDN的低压三相母线电压矩阵和用户电压矩阵，如下式所示，e代表总LVDN数目，其余类推。

式中，u_TL1A、u_TL1B和u_TL1C分别表示第一个LVDN中A、B、C三相母线在时刻t的电压值；u_TC1f表示第一个LVDN中第f个用户在在时刻t的电压值；f为第一个LVDN中集中器抄表档案中的总用户数。

2.联合Z-Score(即公式(3)后续的内容)和主成分分析法对原始数据进行标准化和特征提取处理，得到预处理后的电压数据矩阵；所述Z-Score对原始数据的标准化公式如下：

式中，

表示第j个计量点电压在t时刻的Z-Score标准值，

为一个列向量，表示所有计量点在t时刻的电压值；

表示在t时刻所有计量点的电压均值；

表示在t时刻所有计量点的电压标准差；Ф为计量点集合。

以

表示所有计量点电压在t时刻的Z-Score标准值向量，标准化后的计量点电压数据集可以表示为U_zs：

标准化后的电压数据集维度与原始电压数据集维度保持一致。

进一步，利用主成分分析法对原始数据标准化后的电压数据集U_zs进行降维处理，得到保留a个主要特征的数据矩阵U_zs′，U_zs′的维度为N×a。所述主成分分析法是一种统计方法。通过正交变换将一组可能存在相关性的变量转换为一组线性不相关的变量，转换后的这组变量叫主成分。

3.综合利用有关靠近配变首端和非靠近配变首端用户的电压关联特性的先验知识，确定台区户变关系。所述先验知识如下：

先验知识1：靠近配变首端的用户与所属台区的低压三相母线之间电压时序曲线相关性最大；

先验知识2：对于非靠近配变首端的用户，本台区用户之间的电压相关性序列标准差和均值较大，而非本台区用户之间的电压相关性序列标准差和均值较小。

前述综合利用有关靠近配变首端和非靠近配变首端用户的电压关联特性的先验知识，确定台区户变关系的方法和规则为：

(3-1)：经数据标准化和主要特征提取处理后，原始计量点电压数据矩阵转变为U_zs′，基于U_zs′计算计量点间的CCVP值，得到维度为N×N的计量点电压相关性系数矩阵R，R可分成4个分块矩阵：

式中，R₁为N₁×N₁维方阵，表示待识别LVDN的低压三相母线与邻近LVDN的低压三相母线间的电压相关性系数矩阵，N₁表示待识别LVDN和邻近LVDN的低压三相母线总数；R₂为N₁×N₂维矩阵，表示待识别LVDN和邻近LVDN中的用户与低压三相母线间的电压相关性系数矩阵；R₃为N₂×N₁维矩阵，是矩阵R₂的转置；R₄为N₂×N₂维方阵，表示待识别LVDN和邻近LVDN所包含用户间的电压相关性系数矩阵；N₂表示待识别LVDN和邻近LVDN的用户总数。

(3-2)：R₂中的列向量R₂(:，h)，h＝1，2，..，N₂，即为用户与各个LVDN低压三相母线的CCVP值，以每列向量中的最大值argmax{abs(R₂(:，h))}对应的低压三相母线所在LVDN，作为相应用户的变户关系，从而得到初步的变户关系；

(3-3)：将已有的LVDN台账信息表与步骤2)得到的变户关系结果对比，将第g个LVDN中，存在两个变户连接关系不一致的用户，纳入嫌疑用户集合ξ_g中，g＝1，2，…，b，b为LVDN数，共得到b个嫌疑用户集合；

用户的电压幅值越大，越靠近配变首端。因此，利用用户的电压幅值来判断它的位置，具体为：

(3-4)：对每个LVDN台账信息上的用户，基于原始电压数据，计算计量周期内这些用户的电压平均值，并将用户按平均值由大到小排序，以前

个用户作为靠近第g个LVDN配变首端的用户，得到首端用户集合α_g，其中τ为阈值系数，τ∈[0，0.5]，Mg为第g个LVDN中待识别的用户数目，共得到b个首端用户集合；

(3-5)：集合ξ_g中属于α_g的用户确认为变户关系错误用户，这些用户的变户关系以步骤2)中的变户关系为准，进一步将这部分从集合ξ_g剔除，ξ_g更新为ξ_1g，g＝1，2，…，b；

(3-6)：将每个LVDN中的用户划分为嫌疑用户集合和非嫌疑用户集合，例如第g个LVDN中的嫌疑用户集合和非嫌疑用户集合分别用ξ_1g和λ_1g表示，对嫌疑用户中的每个用户，从矩阵R₄中提取其与所有LVDN中的非嫌疑用户间的CCVP值，每个用户对应有b个电压相关性系数序列，其中ξ_1g中第k个用户的第g个电压相关性系数序列R_k，gg如下：

R_k,gg＝{ρ_1gk,1g1,ρ_1gk,_1g2,…ρ_1gk,_1go,…,ρ_1gk,1gO} (6)

式中，ρ_1gk，1g1和ρ_1gk，1g2分别表示ξ_1g中第k个用户与λ_1g中第1个用户和第2个用户间的CCVP值，ρ_1gk，1go和ρ_1gk，1gO分别表示表示ξ_1g中第k个用户与λ_1g中第o个用户和第O个用户间的CCVP值，O为集合λ_1g中的用户数目，o＝1，2，…，O，g＝1，2，…，b。

(3-7)：计算ξ_1g中第k个用户的b个电压相关性系数序列的均值E_1g，k和标准差序列F_1g，k，即：

E_1g,k＝{μ_kg1,μ_kg2,…,μ_kgv,…,μ_kgb} (7)

F_1g,k＝{σ_kg1,σ_kg2,…,σ_kgv,…,σ_kgb} (8)

式中，μ_kgv和σ_kgv分别为ξ_1g中第k个用户的第v个电压相关性系数序列R_k，gv的均值和标准差，v＝1，2，…，b，g＝1，2，…，b。

对于ξ_1g中第k个用户，若第v个LVDN的μ_kgv和σ_kgv均大于第g个LVDN的μ_kgg和σ_kgg，则该用户的变户关系修正为连接于第v个LVDN，否则其变户关系以(3-2)中的变户关系为准，g＝1，2，…，b。

Claims (4)

1.一种基于知识驱动的台区户变关系识别方法，其特征在于所述基于知识驱动的台区户变关系识别方法包括下列步骤：

1)采集待识别台区及其邻近台区配电变压器低压侧母线的三相电压时序数据、用户的电压时序数据，构建原始电压数据矩阵；

2)对所述原始电压数据矩阵中的原始数据进行标准化和特征提取处理，得到预处理后的电压数据矩阵；

3)综合利用靠近配变首端和非靠近配变首端用户的电压关联特性的先验知识，确定台区户变关系，所述先验知识包括a)靠近配变首端的用户与所属台区的低压母线之间电压时序曲线相关性最大；b)对于非靠近配变首端的用户，本台区用户之间的电压相关性序列标准差和均值高于非本台区用户之间的电压相关性序列标准差和均值。

2.根据权利要求1所述基于知识驱动的台区户变关系识别方法，其特征在于将LVDN即低压台区低压三相母线上的计量终端和用户侧的智能电表统称为计量点，所述原始电压数据矩阵U＝[U_L1；U_L2；…；U_Le；U_C1；U_C2；…；U_Ce]，其中U_L1和U_C1分别表示第1个LVDN的低压三相母线电压矩阵和用户电压矩阵，U_L2和U_C2分别表示第2个LVDN的低压三相母线电压矩阵和用户电压矩阵，U_Le和U_Ce分别表示第e个LVDN的低压三相母线电压矩阵和用户电压矩阵，e代表总LVDN数目。

3.根据权利要求2所述基于知识驱动的台区户变关系识别方法，其特征在于对原始数据进行标准化的公式如下：

式中，

和

分别表示第u个计量点电压在t时刻的标准值和原始值，

为一个列向量，表示所有计量点在t时刻的电压值；

表示在t时刻所有计量点的电压均值；

表示在t时刻所有计量点的电压标准差；Ф为计量点集合；

以

表示所有计量点电压在t时刻的标准值向量，标准化后的计量点电压数据集表示为U_zs：

式中，

和

分别表示所有计量点在时刻1，时刻2和时刻T经式(1)标准化后的电压值，T为数据的总计量时刻数；

标准化后的电压数据集维度与原始电压数据集维度保持一致；

采用PCA分析法即主成分分析法对原始数据标准化后的电压数据集U_zs进行降维处理，得到保留a个主要特征的数据矩阵U_zs′，N表示计量点的总数目，U_zs′的维度为N×a，行数为N，列数为a。

4.根据权利要求2所述基于知识驱动的台区户变关系识别方法，其特征在于所述步骤3)中的方法和规则为：

(3-1)：经数据标准化和主要特征提取处理后，原始计量点电压数据矩阵转变为U_zs′，基于U_zs′计算计量点间的CCVP即电压曲线相关性系数，得到矩阵维度为N×N的计量点电压相关性系数矩阵R，R分成四个分块矩阵：

式中，R₁为N₁×N₁维方阵，表示待识别LVDN的低压三相母线与邻近LVDN的低压三相母线间的电压相关性系数矩阵，N₁表示待识别LVDN和邻近LVDN的低压三相母线总数；R₂为N₁×N₂维矩阵，表示待识别LVDN和邻近LVDN中的用户与低压三相母线间的电压相关性系数矩阵；R₃为N₂×N₁维矩阵，是矩阵R2的转置；R₄为N₂×N₂维方阵，表示待识别LVDN和邻近LVDN所包含用户间的电压相关性系数矩阵；N₂表示待识别LVDN和邻近LVDN的用户总数；

(3-2)：矩阵R₂中的第h列向量为R₂(:，h)，h＝1，2，...，N₂，即为用户与各个LVDN低压三相母线的CCVP值，以每列向量中的最大值argmax{abs(R₂(:，h))}对应的低压三相母线所在LVDN，作为相应用户的变户关系，从而得到初步的变户关系，所述abs(R₂(:，h))表示对R₂(:，h)中的元素做绝对值运算处理；

(3-3)：将已有的LVDN台账信息表与步骤2)得到的变户关系结果对比，将第g个LVDN中，存在两个变户连接关系不一致的用户，纳入嫌疑用户集合ξ_g中，g＝1，2，…，b，b为LVDN数，共得到b个嫌疑用户集合；

用户的电压幅值越大，越靠近配变首端；利用用户的电压幅值来判断它的位置，具体为：

(3-4)：对每个LVDN台账信息上的用户，基于原始电压数据，计算计量周期内这些用户的电压平均值，并将用户按平均值由大到小排序，以前

个用户作为靠近第g个LVDN配变首端的用户，得到首端用户集合α_g，其中τ为阈值系数，τ∈[0，0.5]，M_g为第g个LVDN中待识别的用户数目，共得到b个首端用户集合，所述

是指τ乘以M_g的数值结果向上取整；

(3-5)：集合ξ_g中属于所述首端用户集合α_g的用户确认为变户关系错误用户，这些用户的变户关系以步骤3-2)中的变户关系为准，进一步将这部分从嫌疑用户集合ξ_g剔除，ξ_g更新为嫌疑用户集合ξ_1g，g＝1，2，…，b；

(3-6)：将每个LVDN中的用户划分为嫌疑用户集合和非嫌疑用户集合，例如第g个LVDN中的嫌疑用户集合和非嫌疑用户集合分别用ξ_1g和λ_1g表示，对嫌疑用户中的每个用户，从矩阵R₄中提取其与所有LVDN中的非嫌疑用户间的CCVP值，每个用户对应有b个电压相关性系数序列，其中ξ_1g中第k个用户的第g个电压相关性系数序列R_k，gg如下：

R_k,gg＝{ρ_1gk,1g1,ρ_1gk,1g2,…ρ_1gk,1go,...,ρ_1gk,1gO} (6)

式中，ρ_1gk，1g1和ρ_1gk，1g2分别表示ξ_1g中第k个用户与λ_1g中第1个用户和第2个用户间的CCVP值，ρ_1gk，1go和ρ_1gk，1gO分别表示表示ξ_1g中第k个用户与λ_1g中第o个用户和第O个用户间的CCVP值，O为集合λ_1g中的用户数目，o＝1，2，…，O，g＝1，2，…，b；

(3-7)：计算ξ_1g中第k个用户的b个电压相关性系数序列的均值E_1g，k和标准差序列F_1g，k，即：

E_1g,k＝{μ_kg1,μ_kg2,...,μ_kgv,...,μ_kgb} (7)

F_1g,k＝{σ_kg1,σ_kg2,...,σ_kgv,...,σ_kgb} (8)

式中，μ_kg1和σ_kg1分别为ξ_1g中第k个用户的第1个电压相关性系数序列R_k，g1的均值和标准差，μ_kg2和σ_kg2分别为ξ_1g中第k个用户的第2个电压相关性系数序列R_k，g2的均值和标准差，μ_kgb和σ_kgb分别为ξ_1g中第k个用户的第b个电压相关性系数序列R_k，gb的均值和标准差，μ_kgv和σ_kgv分别为ξ_1g中第k个用户的第v个电压相关性系数序列R_k，gv的均值和标准差，v＝1，2，…，b，g＝1，2，…，b；

对于ξ_1g中第k个用户，若第v个LVDN的电压相关性系数序列R_k，gv的均值和标准差的μ_kgv和σ_kgv均大于第g个LVDN的电压相关性系数序列R_k，gg的均值和标准差的μ_kgg和σ_kgg，则该用户的变户关系修正为连接于第v个LVDN，否则其变户关系以(3-2)中的变户关系为准，g＝1，2，…，b。

Images