基于电压序列相似性的户变关系与相别识别方法及系统技术方案

一种基于电压序列相似性的户变关系与相别识别方法及系统，方法包括：采集台区内的各用户的日电压数据构建电压序列；基于改进的APAA算法从电压序列中获取不同类型的特征点，根据各类特征点的数量选择不同类型的特征点对电压序列进行降维重构，获得各用户的电压特征序列；引入动态时间规整距离，利用基于密度的聚类算法对各用户的电压特征序列进行聚类，获得户变关系聚类簇。本发明专利技术通过改进的APAA算法排除因不确定波动过小而出现的误扰动后，提取能够反映电压序列特征信息的低维向量；再利用改进的基于密度的聚类算法对所提取的特征向量进行聚类分析，能够准确的识别台区的户变关系和相别关系，保障识别准确率，减少人力的大量投入。大量投入。大量投入。

【技术实现步骤摘要】
基于电压序列相似性的户变关系与相别识别方法及系统


[0001]本专利技术涉及台区配电网络
，具体涉及一种基于电压序列相似性的户变关系与相别识别方法及系统。

技术介绍

[0002]低压配电网络中户变关系的正确与否直接影响着台区线损的统计，错误的户变关系记录将会造成线损误差增加，严重影响了台区三相平衡度的计算。随着电力行业的发展以及城市化进程的大力推进，低压配电网络中的用户数量迅速增长，台区用户的户变关系频繁改变所在相别也时有更新，但由于档案信息排查可能存在错误，信息更新效率较低严重影响了配电网络的精细化管理。因此，户变关系的识别与用户的相别识别成为了一个急需解决的问题。
[0003]现有技术中，采用瞬时停电法、脉冲电流法开展的台区户变关系识别，利用RS485通信或是载波通信方式进行识别，结合知识图谱技术，对多个低压配电台区网络的数据进行了整合，补全缺失的数据，构建了知识配电台区图谱系统，实现户变关系识别；利用用电信息采集系统里的相位识别以及瞬时冻结技术，结合电力线测距，重构台区拓扑结构；考虑自组织特征映射算法和K
‑
means算法相结合的阶段型聚类算法，实现同一台区、同一变压器下，相同相别用户的有效聚类；对负载进行通断操作，采集负载产生的谐波电流，利用DFT(Discrete Fourier Transform，离散傅里叶)对电流进行特征提取，将新的特征信息与原始特征信息进行对比，确定户变关系；在变压器低压侧注入小信号电压，增大电压有效值，对比注入小信号电压前后的电压有效值信息，实现户变关系的识别。但是，这些方法的准确率较低，同时需要投入大量的人力。
[0004]现有技术虽然能够在一定程度上实现户变关系的识别，但其识别精度仍然难以达到满意的效果，对于日益复杂的配电网户变信息，这些方法更是不胜其任。因此，对于户变关系识别精度的提升，开发更加优良的方法，依旧值得深入研究。

技术实现思路

[0005]为解决现有技术中存在的不足，本专利技术提供一种基于电压序列相似性的户变关系与相别识别方法及系统，通过改进的自适应分段聚合近似(Adaptive Piecewise Aggregate Approximation，APAA)算法排除因不确定波动过小而出现的误扰动后，提取能够反映电压序列特征信息的低维向量；再利用改进的基于密度的聚类(Ordering Points to Identify the Clustering Structure，OPTICS)算法对所提取的特征向量进行聚类分析，能够准确的识别台区的户变关系和相别关系，保障识别准确率，减少人力的大量投入。
[0006]本专利技术采用如下的技术方案。
[0007]本专利技术一方面提出了一种基于电压序列相似性的户变关系与相别识别方法，包括：
[0008]步骤1，采集台区内的各用户的日电压数据，构建各用户的电压序列；
[0009]步骤2，基于改进的APAA算法从电压序列中获取不同类型的特征点，根据各类特征点的数量选择不同类型的特征点对电压序列进行降维重构，获得各用户的电压特征序列；
[0010]步骤3，引入动态时间规整距离，利用基于密度的聚类算法对各用户的电压特征序列进行聚类，获得户变关系聚类簇。
[0011]优选地，步骤2包括：
[0012]步骤2.1，设置时间窗，每个时间窗的长度为T；
[0013]步骤2.2，记录各时间窗内电压序列上发生爬坡行为的数量；其中，将第i个时间窗内的电压序列中电压最大值与最小值的差值大于电压阈值的行为定义为爬坡行为；
[0014]步骤2.3，记录各时间窗内电压序列上边缘点的数量；其中，当第i个时间窗内的电压序列中任一点处的电压斜率变化幅度大于斜率阈值时，该点定义为边缘点；
[0015]步骤2.4，记录各时间窗内电压序列上序列特征点的数量；其中，第i个时间窗内的电压极大值大于极大值阈值时记录为极大值点，第i个时间窗内的电压极小值小于极小值阈值时记录为极小值点，以记录下的极大值点和极小值点构成序列特征点；
[0016]步骤2.5，根据爬坡行为的数量、边缘点的数量和序列特征点的数量，对第i个时间窗内的电压数据进行降维重构；
[0017]步骤2.6，统计降维重构后获得的低维向量的维数；判断维数与时间窗长度的一半的关系，若维数不大于T/2则继续步骤2.7，若维数大于T/2则增大电压阈值、斜率阈值以及极大值阈值，同时减小极小值阈值，并跳至步骤2.2；
[0018]步骤2.7，按照时间顺序利用各时间窗的低维向量构建得到电压特征序列。
[0019]优选地，步骤2.2中，第i个时间窗内的爬坡行为的统计模型满足如下关系式：
[0020][0021]Δα＝|U
imax
‑
U
imin
|
[0022]式中，
[0023]α
i
为第i个时间窗内爬坡行为的数量，其中i＝1，2，
…
，N，N为时间窗的数量，
[0024]U
imax
为第i个时间窗内的电压最大值，
[0025]U
imin
为第i个时间窗内的电压最小值，
[0026]Δα为第i个时间窗内的电压最大值与电压最小值的差值，
[0027]δ为电压阈值，为各窗Δα从大到小排列排在第60％位置的Δα的值。
[0028]优选地，步骤2.3中，第i个时间窗内的边缘点的统计模型满足如下关系式：
[0029][0030]k1＝U
j+1
‑
U
j
[0031]k2＝U
j
‑
U
j
‑1[0032]Δβ＝|k1‑
k2|
[0033]式中，
[0034]β
i
为第i个时间窗内边缘点的数量，
[0035]U
j
、U
j+1
、U
j
‑1分别为第i个时间窗内的点j处、点j+1处、点j
‑
1处的电压，
[0036]k1为第i个时间窗内点j到点j+1的电压斜率，
[0037]k2为第i个时间窗内点j
‑
1到点j的电压斜率，
[0038]Δβ为第i个时间窗内的点j处的电压斜率变化幅度，
[0039]d为斜率阈值，取值为1。
[0040]优选地，步骤2.4中，第i个时间窗内的序列特征点的统计模型满足如下关系式：
[0041][0042]式中，
[0043]γ
i
为第i个时间窗内极大值点和极小值点的数量，
[0044]U
imax
为第i个时间窗内的电压最大值，
[0045]U
imin
为第i个时间窗内的电压最小值，
[0046]a为极大值阈值，取值为电压最大值的0.95倍，
[0047]本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于电压序列相似性的户变关系与相别识别方法，其特征在于，所述方法包括：步骤1，采集台区内的各用户的日电压数据，构建各用户的电压序列；步骤2，基于改进的APAA算法从电压序列中获取不同类型的特征点，根据各类特征点的数量选择不同类型的特征点对电压序列进行降维重构，获得各用户的电压特征序列；步骤3，引入动态时间规整距离，利用基于密度的聚类算法对各用户的电压特征序列进行聚类，获得户变关系聚类簇。2.根据权利要求1所述的基于电压序列相似性的户变关系与相别识别方法，其特征在于，步骤2包括：步骤2.1，设置时间窗，每个时间窗的长度为T；步骤2.2，记录各时间窗内电压序列上发生爬坡行为的数量；其中，将第i个时间窗内的电压序列中电压最大值与最小值的差值大于电压阈值的行为定义为爬坡行为；步骤2.3，记录各时间窗内电压序列上边缘点的数量；其中，当第i个时间窗内的电压序列中任一点处的电压斜率变化幅度大于斜率阈值时，该点定义为边缘点；步骤2.4，记录各时间窗内电压序列上序列特征点的数量；其中，第i个时间窗内的电压极大值大于极大值阈值时记录为极大值点，第i个时间窗内的电压极小值小于极小值阈值时记录为极小值点，以记录下的极大值点和极小值点构成序列特征点；步骤2.5，根据爬坡行为的数量、边缘点的数量和序列特征点的数量，对第i个时间窗内的电压数据进行降维重构；步骤2.6，统计降维重构后获得的低维向量的维数；判断维数与时间窗长度的一半的关系，若维数不大于T/2则继续步骤2.7，若维数大于T/2则增大电压阈值、斜率阈值以及极大值阈值，同时减小极小值阈值，并跳至步骤2.2；步骤2.7，按照时间顺序利用各时间窗的低维向量构建得到电压特征序列。3.根据权利要求2所述的基于电压序列相似性的户变关系与相别识别方法，其特征在于，步骤2.2中，第i个时间窗内的爬坡行为的统计模型满足如下关系式：Δα＝|U
imax
‑
U
imin
|式中，α
i
为第i个时间窗内爬坡行为的数量，其中i＝1，2，
…
，N，N为时间窗的数量，U
imax
为第i个时间窗内的电压最大值，U
imin
为第i个时间窗内的电压最小值，Δα为第i个时间窗内的电压最大值与电压最小值的差值，δ为电压阈值，为各窗Δα从大到小排列排在第60％位置的Δα的值。4.根据权利要求2所述的基于电压序列相似性的户变关系与相别识别方法，其特征在于，步骤2.3中，第i个时间窗内的边缘点的统计模型满足如下关系式：
k1＝U
j+1
‑
U
j
k2＝U
j
‑
U
j
‑1Δβ＝|k1‑
k2|式中，β
i
为第i个时间窗内边缘点的数量，U
j
、U
j+1
、U
j
‑1分别为第i个时间窗内的点j处、点j+1处、点j
‑
1处的电压，k1为第i个时间窗内点j到点j+1的电压斜率，k2为第i个时间窗内点j
‑
1到点j的电压斜率，Δβ为第i个时间窗内的点j处的电压斜率变化幅度，d为斜率阈值，取值为1。5.根据权利要求2所述的基于电压序列相似性的户变关系与相别识别方法，其特征在于，步骤2.4中，第i个时间窗内的序列特征点的统计模型满足如下关系式：式中，γ
i
为第i个时间窗内极大值点和极小值点的数量，U
imax
为第i个时间窗内的电压最大值，U
imin
为第i个时间窗内的电压最小值，a为极大值阈值，取值为电压最大值的0.95倍，b为极小值阈值，取值为电压最小值的1.05倍。6.根据权利要求2所述的基于电压序列相似性的户变关系与相别识别方法，其特征在于，步骤2.5中，第i个时间窗内，当α
i
＜δ且β
i
＜d时，利用时间窗内电压的平均值作为时间窗内各点的电压数据；第i个时间窗内，当α
i
＜δ且β
i
＞d时，利用时间窗内的极大值点与极小值点全部替换时间窗内各点的电压数据；第i个时间窗内，当α
i
＜δ且β
i
＜d且γ
i
＞0时，用时间窗内的序列特征点对应的电压作为时间窗内各点的电压数据。7.根据权利要求1所述的基于电压序列相似性的户变关系与相别识别方法，其特征在于，步骤3包括：步骤3.1，预设初始聚类参数的邻域半径λ以及用户阈值ζ，对于m
q
∈D，其中D表示全部用户，计算各用户与用户m
p
的可达距离，若在用户m
p
的邻域可达距离小于半径λ的用户数量大于等于用户阈值ζ，则用户m
p
记为核心用户，用户m
q
在核心用户m
p
的核心距离cd(m
p
)以内，则称用户m
q
是核心用户m
p
的密度可达用户；
步骤3.2，初始化有序队列集合，选择任一核心用户存储在有序队列集合中，计算核心用户的各密度可达用户的电压特征序列到核心用户的电压特征序列的动态时间规整距离，并按动态时间规整距离的升序将各密度可达用户存入有序队列集合中；步骤3.3，初始化结果...

【专利技术属性】
技术研发人员：楚成博，方磊，朱丽萍，冯隆基，吴芳柱，张国利，樊清川，汪自虎，林鹤，戴宝琴，马安安，何映虹，吴蓉，杨文涛，陈丹华，
申请(专利权)人：国网江苏省电力有限公司南京供电分公司，
类型：发明
国别省市：