CN117171586A - 一种基于电流序列相似度的户变关系识别方法及系统 - Google Patents
一种基于电流序列相似度的户变关系识别方法及系统 Download PDFInfo
- Publication number
- CN117171586A CN117171586A CN202311264056.3A CN202311264056A CN117171586A CN 117171586 A CN117171586 A CN 117171586A CN 202311264056 A CN202311264056 A CN 202311264056A CN 117171586 A CN117171586 A CN 117171586A
- Authority
- CN
- China
- Prior art keywords
- data
- current
- time sequence
- transformer
- data set
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 32
- 239000012634 fragment Substances 0.000 claims abstract description 54
- 238000013528 artificial neural network Methods 0.000 claims abstract description 18
- 238000007781 pre-processing Methods 0.000 claims abstract description 18
- 238000012216 screening Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000004134 energy conservation Methods 0.000 abstract description 5
- 230000008859 change Effects 0.000 description 6
- 230000005611 electricity Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 239000013078 crystal Substances 0.000 description 2
- 238000004891 communication Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种基于电流序列相似度的户变关系识别方法及系统,包括,获取变压器电流时序数据和对应的用户表箱电流时序数据,并对获取的时序数据进行预处理,得到电流时序数据的数据集,所述电流时序数据的数据集至少包括用户表箱电流片段数据与对应时刻的变压器电流片段数据;将电流时序数据的数据集作为输入项输入预先训练的神经网络判别模型,对单个电流片段样本进行分类,得到分类结果;根据分类结果统计各类单个电流片段样本的所占比例,并选取比例值最高的数据组所表示的连接关系作为最终的识别结果。本发明避免基于电压的方法在某些电气距离相近的台区中,电压序列过于相似导致的拓扑识别错误,基于能量守恒的方法对数据质量要求过高。
Description
技术领域
本发明涉及户变关系识别技术领域,特别是涉及一种基于电流序列相似度的户变关系识别方法及系统。
背景技术
正确的低压配电网拓扑关系是当前配电网管理精细化和降损节能的基础,也是提高低压配电网管理效率的前提。常见的户变关系分析方法主要包括基于通信设备和用电信息分析两类,前者受信号衰弱或共地串扰影响存在误辨识,后者中基于能量守恒的拓扑识别方法对数据质量的要求较高,基于电压相似度的识别方法难以区分相邻台区用户存在局限。
发明内容
本发明的目的在于,提出一种基于电流序列相似度的户变关系识别方法及系统,解决受信号衰弱或共地串扰影响存在误辨识,难以区分相邻台区用户存在局限的技术问题。
一方面,提供一种基于电流序列相似度的户变关系识别方法,包括:
获取变压器电流时序数据和对应的用户表箱电流时序数据,并对获取的时序数据进行预处理,得到电流时序数据的数据集,所述电流时序数据的数据集至少包括用户表箱电流片段数据与对应时刻的变压器电流片段数据;
将电流时序数据的数据集作为输入项输入预先训练的神经网络判别模型,对单个电流片段样本进行分类,得到分类结果;
根据分类结果统计各类单个电流片段样本的所占比例,并选取比例值最高的数据组所表示的连接关系作为最终的识别结果。
优选地,所述对获取的时序数据进行预处理包括:
将变压器电流时序数据和用户表箱电流时序数据分别等距切分为预设长度的若干片段;
对所有电流片段数据进行标准化,按照预设的方差阈值对用户表箱电流片段数据进行筛选;
将筛选过后的用户表箱电流片段数据与对应时刻的变压器电流片段数据两两组合形成数据集。
优选地,还包括:
对于电流时序数据的数据集中,若一组数据集中用户表箱电流片段数据与变压器电流片段数据相连,则将该组数据集标注第一标签;
若一组数据集中用户表箱电流片段数据与变压器电流片段数据不相连,则将该组数据集标注第二标签。
优选地,所述神经网络判别模型通过以下方式训练:
选取标注第一标签的数据集和标注第二标签的数据集,并将两者按照一比一的比例组合输入预先设置的基础神经网络的判别模型,进行分类计算,直到分类准确度达到预设的准确度标准为止,将此时训练完的判别模型输出为最终的判别模型。
优选地,所述根据分类结果统计各类单个电流片段样本的所占比例包括:
将一个待测试表箱与多个变压器电流数据形成多组数据;
对于每组数据,将分类标签为第一标签的样本与每组样本总数相比,得到标签为第一标签的样本所占的比例;
选取比例值最高的数据组所表示的连接关系作为最终的判断结果。
另一方面,还提供一种基于电流序列相似度的户变关系识别系统,用以实现所述基于电流序列相似度的户变关系识别方法,包括:
预处理模块,用以获取变压器电流时序数据和对应的用户表箱电流时序数据,并对获取的时序数据进行预处理,得到电流时序数据的数据集,所述电流时序数据的数据集至少包括用户表箱电流片段数据与对应时刻的变压器电流片段数据;
分类模块,用以将电流时序数据的数据集作为输入项输入预先训练的神经网络判别模型,对单个电流片段样本进行分类,得到分类结果;
识别模块,用以根据分类结果统计各类单个电流片段样本的所占比例,并选取比例值最高的数据组所表示的连接关系作为最终的识别结果。
优选地,所述预处理模块具体用以,将变压器电流时序数据和用户表箱电流时序数据分别等距切分为预设长度的若干片段;
对所有电流片段数据进行标准化,按照预设的方差阈值对用户表箱电流片段数据进行筛选;
将筛选过后的用户表箱电流片段数据与对应时刻的变压器电流片段数据两两组合形成数据集。
优选地,所述预处理模块还用以,对于电流时序数据的数据集中,若一组数据集中用户表箱电流片段数据与变压器电流片段数据相连,则将该组数据集标注第一标签;
若一组数据集中用户表箱电流片段数据与变压器电流片段数据不相连,则将该组数据集标注第二标签。
优选地,所述分类模块还用以,选取标注第一标签的数据集和标注第二标签的数据集,并将两者按照一比一的比例组合输入预先设置的基础神经网络的判别模型,进行分类计算,直到分类准确度达到预设的准确度标准为止,将此时训练完的判别模型输出为最终的判别模型。
优选地,所述识别模块还用以,将一个待测试表箱与多个变压器电流数据形成多组数据;
对于每组数据,将分类标签为第一标签的样本与每组样本总数相比,得到标签为第一标签的样本所占的比例;
选取比例值最高的数据组所表示的连接关系作为最终的判断结果。
综上,实施本发明的实施例,具有如下的有益效果:
本发明提供的基于电流序列相似度的户变关系识别方法及系统,基于电流时间序列的相似性进行拓扑识别,可避免基于电压的方法在某些电气距离相近的台区中,电压序列过于相似导致的拓扑识别错误的问题,以及基于能量守恒的方法对数据质量要求过高的问题。直接使用变压器侧事件提取进行相似匹配判别时存在变压器侧事件提取的效果受复杂用电环境影响,匹配效果受时钟偏差影响的问题,本方法能充分兼容设备受晶振稳定性、电源以及温度变化引起的设备间时钟偏差问题,同时通过模型学习器充分分析现场环境以提高不同用电环境下的相似匹配适用性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述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例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,根据这些附图获得其他的附图仍属于本发明的范畴。
图1为本发明实施例中一种基于电流序列相似度的户变关系识别方法的主流程示意图。
图2为本发明实施例中一种基于电流序列相似度的户变关系识别方法的逻辑示意图。
图3为本发明实施例中一种基于电流序列相似度的户变关系识别系统的示意图。
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,下面将结合附图对本发明作进一步地详细描述。
如图1和图2所示,为本发明提供的一种基于电流序列相似度的户变关系识别方法的一个实施例的示意图。在该实施例中,所述方法包括以下步骤:
步骤S1,获取变压器电流时序数据和对应的用户表箱电流时序数据,并对获取的时序数据进行预处理,得到电流时序数据的数据集,所述电流时序数据的数据集至少包括用户表箱电流片段数据与对应时刻的变压器电流片段数据;可理解的,选择一个小区内多个不同台区用户及变压器电流序列数据作为分析数据,构建局部电流相似度判断模型训练样本。首先将变压器和用户表箱电流时序数据分别等距切分为长度为n的若干片段,其次对所有电流片段数据进行标准化,接着按照方差阈值对用户表箱电流片段数据进行筛选,最后将筛选过后的用户表箱电流片段数据与对应时刻的变压器电流片段数据两两组合形成数据集,其中相连的表箱和变压器形成的电流片段组合给予标签“1”,不相连的表箱和变压器形成的电流片段组合给予标签“0”。
具体实施例中,将变压器电流时序数据和用户表箱电流时序数据分别等距切分为预设长度的若干片段;对所有电流片段数据进行标准化,按照预设的方差阈值对用户表箱电流片段数据进行筛选;将筛选过后的用户表箱电流片段数据与对应时刻的变压器电流片段数据两两组合形成数据集。对于电流时序数据的数据集中,若一组数据集中用户表箱电流片段数据与变压器电流片段数据相连,则将该组数据集标注第一标签;若一组数据集中用户表箱电流片段数据与变压器电流片段数据不相连,则将该组数据集标注第二标签。
当用户使用电器,用户电表测得的电流值发生变化,根据基尔霍夫电流定律,配电变压器二次侧电流值等于连接在其下所有用户电表电流值之和,因此用户因负荷投切而产生的电流变化过程会同样在配变二次侧电流中出现。由于不同用户表箱在同一时刻发生电流变化的概率极低,设除第j个用户表箱外其他表箱在第t+1时刻和t时刻电流变化为0,则第j个用户的用电变化体现在变压器侧,即
Ic t+1-Ic t=Ij t+1-Ij t
式中,n为所有连接在配变下的用户表箱数量,Ic t+1和Ic t为配变二次侧在第t+1时刻和t时刻的电流值,Ij t+1和Ij t为用户表箱在第t+1时刻和t时刻的电流值。
利用这种局部性的特征可以进行户变关系识别,考虑到设备时钟存在差异、上下端事件发生时间不一致且上端包含各类负荷事件难以准确识别的客观因素,设计以用户电流突变的序列为基础截取变压器侧电流序列的进行相似度对比的方式实现拓扑辨识。
步骤S2,将电流时序数据的数据集作为输入项输入预先训练的神经网络判别模型,对单个电流片段样本进行分类,得到分类结果;可理解的,设计基于神经网络的判别模型,将训练集输入神经网络模型中学习,其中标签为“1”的样本与标签为“0”的样本数量比例为1:1。
具体地,所述神经网络判别模型通过以下方式训练:选取标注第一标签的数据集和标注第二标签的数据集,并将两者按照一比一的比例组合输入预先设置的基础神经网络的判别模型,进行分类计算,直到分类准确度达到预设的准确度标准为止,将此时训练完的判别模型输出为最终的判别模型。可理解的,设计的深度网络结构如下:
输入层:长度为2*n的向量
层一:一维卷积,参数为k=3,c=64;层二:一维卷积,参数为k=3,c=32;层四:双向LSTM,n=256;层五:双向LSTM,n=128;层六:全连接层
层七:输出层,N=1。
步骤S3,根据分类结果统计各类单个电流片段样本的所占比例,并选取比例值最高的数据组所表示的连接关系作为最终的识别结果。具体地,将一个待测试表箱与多个变压器电流数据形成多组数据;对于每组数据,将分类标签为第一标签的样本与每组样本总数相比,得到标签为第一标签的样本所占的比例;选取比例值最高的数据组所表示的连接关系作为最终的判断结果。可理解的,使用生成的神经网络仅对于单个电流片段样本进行分类,确定表箱与变压器的连接关系需要基于分类结果进一步判断。设一个待测试表箱与N个变压器电流数据形成N组数据,对于每组数据,将分类标签为“1”的样本与每组样本总数相比,得到标签为“1”的样本所占的比例,选取比例值最高的数据组所表示的连接关系作为最终的判断结果。
如图3所示,本发明还提供一种基于电流序列相似度的户变关系识别系统,用以实现所述的方法,包括:
预处理模块,用以获取变压器电流时序数据和对应的用户表箱电流时序数据,并对获取的时序数据进行预处理,得到电流时序数据的数据集,所述电流时序数据的数据集至少包括用户表箱电流片段数据与对应时刻的变压器电流片段数据;
分类模块,用以将电流时序数据的数据集作为输入项输入预先训练的神经网络判别模型,对单个电流片段样本进行分类,得到分类结果;
识别模块,用以根据分类结果统计各类单个电流片段样本的所占比例,并选取比例值最高的数据组所表示的连接关系作为最终的识别结果。
具体地,所述预处理模块具体用以,将变压器电流时序数据和用户表箱电流时序数据分别等距切分为预设长度的若干片段;对所有电流片段数据进行标准化,按照预设的方差阈值对用户表箱电流片段数据进行筛选;将筛选过后的用户表箱电流片段数据与对应时刻的变压器电流片段数据两两组合形成数据集。
所述预处理模块还用以,对于电流时序数据的数据集中,若一组数据集中用户表箱电流片段数据与变压器电流片段数据相连,则将该组数据集标注第一标签;若一组数据集中用户表箱电流片段数据与变压器电流片段数据不相连,则将该组数据集标注第二标签。
所述分类模块还用以,选取标注第一标签的数据集和标注第二标签的数据集,并将两者按照一比一的比例组合输入预先设置的基础神经网络的判别模型,进行分类计算,直到分类准确度达到预设的准确度标准为止,将此时训练完的判别模型输出为最终的判别模型。
所述识别模块还用以,将一个待测试表箱与多个变压器电流数据形成多组数据;对于每组数据,将分类标签为第一标签的样本与每组样本总数相比,得到标签为第一标签的样本所占的比例;选取比例值最高的数据组所表示的连接关系作为最终的判断结果。
需说明的是,上述实施例所述系统与上述实施例所述方法对应,因此,上述实施例所述系统未详述部分可以参阅上述实施例所述方法的内容得到,此处不再赘述。
综上,实施本发明的实施例,具有如下的有益效果:
本发明提供的基于电流序列相似度的户变关系识别方法及系统,基于电流时间序列的相似性进行拓扑识别,可避免基于电压的方法在某些电气距离相近的台区中,电压序列过于相似导致的拓扑识别错误的问题,以及基于能量守恒的方法对数据质量要求过高的问题。直接使用变压器侧事件提取进行相似匹配判别时存在变压器侧事件提取的效果受复杂用电环境影响,匹配效果受时钟偏差影响的问题,本方法能充分兼容设备受晶振稳定性、电源以及温度变化引起的设备间时钟偏差问题,同时通过模型学习器充分分析现场环境以提高不同用电环境下的相似匹配适用性。
以上所揭露的仅为本发明较佳实施例而已,当然不能以此来限定本发明之权利范围,因此依本发明权利要求所作的等同变化,仍属本发明所涵盖的范围。
Claims (10)
1.一种基于电流序列相似度的户变关系识别方法,其特征在于,包括:
获取变压器电流时序数据和对应的用户表箱电流时序数据,并对获取的时序数据进行预处理,得到电流时序数据的数据集,所述电流时序数据的数据集至少包括用户表箱电流片段数据与对应时刻的变压器电流片段数据;
将电流时序数据的数据集作为输入项输入预先训练的神经网络判别模型,对单个电流片段样本进行分类,得到分类结果;
根据分类结果统计各类单个电流片段样本的所占比例,并选取比例值最高的数据组所表示的连接关系作为最终的识别结果。
2.如权利要求1所述的方法,其特征在于,所述对获取的时序数据进行预处理包括:
将变压器电流时序数据和用户表箱电流时序数据分别等距切分为预设长度的若干片段;
对所有电流片段数据进行标准化,按照预设的方差阈值对用户表箱电流片段数据进行筛选;
将筛选过后的用户表箱电流片段数据与对应时刻的变压器电流片段数据两两组合形成数据集。
3.如权利要求2所述的方法,其特征在于,还包括:
对于电流时序数据的数据集中,若一组数据集中用户表箱电流片段数据与变压器电流片段数据相连,则将该组数据集标注第一标签;
若一组数据集中用户表箱电流片段数据与变压器电流片段数据不相连,则将该组数据集标注第二标签。
4.如权利要求3所述的方法,其特征在于,所述神经网络判别模型通过以下方式训练:
选取标注第一标签的数据集和标注第二标签的数据集,并将两者按照一比一的比例组合输入预先设置的基础神经网络的判别模型,进行分类计算,直到分类准确度达到预设的准确度标准为止,将此时训练完的判别模型输出为最终的判别模型。
5.如权利要求4所述的方法,其特征在于,所述根据分类结果统计各类单个电流片段样本的所占比例包括:
将一个待测试表箱与多个变压器电流数据形成多组数据;
对于每组数据,将分类标签为第一标签的样本与每组样本总数相比,得到标签为第一标签的样本所占的比例;
选取比例值最高的数据组所表示的连接关系作为最终的判断结果。
6.一种基于电流序列相似度的户变关系识别系统,用以实现如权利要求1-5任一项所述的方法,其特征在于,包括:
预处理模块,用以获取变压器电流时序数据和对应的用户表箱电流时序数据,并对获取的时序数据进行预处理,得到电流时序数据的数据集,所述电流时序数据的数据集至少包括用户表箱电流片段数据与对应时刻的变压器电流片段数据;
分类模块,用以将电流时序数据的数据集作为输入项输入预先训练的神经网络判别模型,对单个电流片段样本进行分类,得到分类结果;
识别模块,用以根据分类结果统计各类单个电流片段样本的所占比例,并选取比例值最高的数据组所表示的连接关系作为最终的识别结果。
7.如权利要求6所述的系统,其特征在于,所述预处理模块具体用以,将变压器电流时序数据和用户表箱电流时序数据分别等距切分为预设长度的若干片段;
对所有电流片段数据进行标准化,按照预设的方差阈值对用户表箱电流片段数据进行筛选;
将筛选过后的用户表箱电流片段数据与对应时刻的变压器电流片段数据两两组合形成数据集。
8.如权利要求7所述的系统,其特征在于,所述预处理模块还用以,对于电流时序数据的数据集中,若一组数据集中用户表箱电流片段数据与变压器电流片段数据相连,则将该组数据集标注第一标签;
若一组数据集中用户表箱电流片段数据与变压器电流片段数据不相连,则将该组数据集标注第二标签。
9.如权利要求8所述的系统,其特征在于,所述分类模块还用以,选取标注第一标签的数据集和标注第二标签的数据集,并将两者按照一比一的比例组合输入预先设置的基础神经网络的判别模型,进行分类计算,直到分类准确度达到预设的准确度标准为止,将此时训练完的判别模型输出为最终的判别模型。
10.如权利要求9所述的系统,其特征在于,所述识别模块还用以,将一个待测试表箱与多个变压器电流数据形成多组数据;
对于每组数据,将分类标签为第一标签的样本与每组样本总数相比,得到标签为第一标签的样本所占的比例;
选取比例值最高的数据组所表示的连接关系作为最终的判断结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311264056.3A CN117171586A (zh) | 2023-09-27 | 2023-09-27 | 一种基于电流序列相似度的户变关系识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311264056.3A CN117171586A (zh) | 2023-09-27 | 2023-09-27 | 一种基于电流序列相似度的户变关系识别方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117171586A true CN117171586A (zh) | 2023-12-05 |
Family
ID=88931824
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311264056.3A Pending CN117171586A (zh) | 2023-09-27 | 2023-09-27 | 一种基于电流序列相似度的户变关系识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117171586A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117884816A (zh) * | 2024-03-18 | 2024-04-16 | 苏芯物联技术(南京)有限公司 | 一种基于历史焊接电流工艺区间的快速工艺推荐方法 |
-
2023
- 2023-09-27 CN CN202311264056.3A patent/CN117171586A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117884816A (zh) * | 2024-03-18 | 2024-04-16 | 苏芯物联技术(南京)有限公司 | 一种基于历史焊接电流工艺区间的快速工艺推荐方法 |
CN117884816B (zh) * | 2024-03-18 | 2024-05-17 | 苏芯物联技术(南京)有限公司 | 一种基于历史焊接电流工艺区间的快速工艺推荐方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111505433B (zh) | 一种低压台区户变关系纠错及相位识别方法 | |
Wang et al. | Phase identification in electric power distribution systems by clustering of smart meter data | |
CN106845717B (zh) | 一种基于多模型融合策略的能源效率评价方法 | |
CN109829497B (zh) | 一种基于监督学习的台区用户识别及判别方法 | |
CN109145949A (zh) | 基于集成学习的非侵入式电力负荷监测与分解方法及系统 | |
US20130138651A1 (en) | System and method employing a self-organizing map load feature database to identify electric load types of different electric loads | |
CN109816033A (zh) | 一种基于优化的监督学习进行台区用户识别的方法 | |
CN110687361A (zh) | 一种用于识别低压配网台区相序的方法及系统 | |
CN117171586A (zh) | 一种基于电流序列相似度的户变关系识别方法及系统 | |
Ma et al. | Topology identification of distribution networks using a split-EM based data-driven approach | |
CN105469219A (zh) | 一种基于决策树的电力负荷数据处理方法 | |
CN111628494B (zh) | 一种基于逻辑回归法的低压配电网拓扑识别方法及系统 | |
Shin et al. | Spatiotemporal load-analysis model for electric power distribution facilities using consumer meter-reading data | |
CN106779066A (zh) | 一种雷达电路板故障诊断方法 | |
CN113659564B (zh) | 基于电压波动特征聚类的低压配电网拓扑识别方法及系统 | |
CN113866552B (zh) | 一种基于机器学习的中压配网用户用电异常诊断方法 | |
CN112926686B (zh) | 基于brb和lstm模型的电力大数据用电异常检测方法及装置 | |
CN112182499B (zh) | 一种基于时序电量数据的低压配电网拓扑结构辨识方法 | |
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 | |
Liu et al. | A Density-Based Spatial Clustering of Application with Noise Algorithm and its Empirical Research | |
CN115545422A (zh) | 一种基于改进决策机制的台区户变关系识别方法 | |
CN116125199A (zh) | 一种低压配电网线路故障预警方法及系统 | |
Aguas et al. | EDPD’S experience with data analytics and stochastic simulation methods for risk-controlled network planning | |
Dehghani et al. | Distribution feeder classification based on self organized maps (case study: Lorestan province, Iran) | |
Khumchoo et al. | Cluster analysis for primary feeder identification using metering 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 |