一种农网台区箱表拓扑关系识别方法及用户用电监测方法与流程

1.本发明涉及箱表拓扑关系识别技术领域，更具体的说是涉及一种农网台区箱表拓扑关系识别方法及用户用电监测方法。


背景技术：

2.目前，台区配电网承担着电力网末端输送生活用电的关键职能，随着智能电网在配网领域的深入，农村电网是确保电力工作正常开展的重要基础，然而由于农网用户多，结构复杂，受“季节性”和“时段性”等用电特征影响，导致其电压质量低、故障频发、线损率高，无法适应及满足新时期农村地区电力使用需求，无法进一步推进农村地区配电网的智能化。另外现场重新替换表箱、现场更换表计及电能表停用后，需要现场运维人员手动重新在营销系统内更新信息，计量自动化系统不会主动与营销系统同步档案，计量自动化系统内涉及台区档案信需要人工手动重新下发，工作量较大。为帮助运维人员及时了解台区箱表关系状态，监控用户用电状态，对农网台区箱表关系的识别显得尤为重要。
3.现有的箱表拓扑关系识别方法主要分为两类，一类是基于台区瞬时停电法，其优点在于：排查结果准确可靠，识别率高。缺点在于：需要在特定时刻或场景下进行停电数据的获取，时效性不高；台区内用户如有更换表箱、换相等情况，如信息维护不及时需再次使用此方法进行识别，多次停电影响供电可靠性指标以及用户体验。且需要业务熟练的现场人员积极配合，对辖区内户与箱表位置、从属关系等情况清晰，方便快速定位状态异常的表箱，反复排查浪费大量人力和物力。另一类是基于电压过零时刻序列和snr数据融合技术，使用硬件采集电能表与路由、电能表与过零差异和snr值，识别准确性较高，但开启会影响数据采集，无法常态化开展。
4.因此，如何提供一种高效、可靠的农网台区箱表拓扑关系识别方法是本领域技术人员亟需解决的问题。


技术实现要素：

5.有鉴于此，本发明提供了一种农网台区箱表拓扑关系识别方法及用户用电监测方法，有效解决了现有的箱表拓扑关系识别方法时效性不高、耗费人力和物力、无法常态化开展等问题。
6.为了实现上述目的，本发明采用如下技术方案：
7.一方面，本发明提供了一种农网台区箱表拓扑关系识别方法，该方法包括以下步骤：
8.获取箱表数据：获取目标区域的电表电压和表箱数据，以台区为单位，对表箱和电表进行划分，得到目标区域的箱表数据；
9.辨识箱表关系：根据同一表箱的电表具有相同频率的电压特征，对所述箱表数据中的电表电压进行相关性分析，将同一表箱的电表聚成簇类，得到箱表关系辨识结果。
10.进一步地，所述辨识箱表关系的过程通过birch算法实现，具体包括：
11.构建cf：根据所述箱表数据中的电表电压数据对电表进行初步簇分类，计算电表电压数据之间的距离，并将计算得到的距离与预设的电表数据间的距离阈值进行比较，将所述电表电压数据分为稠密数据和稀疏数据，将所述稠密数据归为电表基础簇类，并将所述稀疏数据剔除；
12.构建cf树：设定分支因子和簇类间的距离阈值，并基于所述电表基础簇类构建得到cf树；
13.全局聚类：通过全局聚类或者半全局聚类操作所述cf树上所有的叶子节点，计算每个子簇的质心，用质心表示每个子簇；
14.簇类细化：将所述质心作为种子，并将电表电压数据重新分配到最近的种子，获得新的簇类，并对cf树进行更新，直至形成最终树结构，得到箱表关系辨识结果。
15.birch(balanced iterative reducing and clustering using hierarchies，使用层次结构的平衡迭代归约和聚类)能够识别出数据集中数据分布的不均衡性，将分布在稠密区域中的点聚类并移除将分布在稀疏区域中的异常点。此外，birch是一种增量聚类方法，针对每一个点的聚类决策都是基于当前已经处理过的数据点，而不是全局的数据点。
16.本发明中birch算法用到了cf(clustering feature，聚类特征)和聚类特征树两个概念，用于概括聚类描述。
17.进一步地，在构建cf树步骤之后、全局聚类步骤之前，还包括：
18.精简cf树：遍历初始化的cf树上的所有叶子节点，移除异常点，缩小聚类范围并进行分组。
19.精简cf树的过程是可选择的，这个步骤是连接构建cf树和全局聚类的桥梁，主要用于缩小聚类范围，提高了聚类过程的数据处理效率。
20.本发明提供的箱表拓扑关系识别方法，通过聚类算法可以识别电压特征并进行差异分析，从而理清真实的箱表关系，箱表关系识别准确性更高、且识别过程更加高效便捷。
21.另一方面，本发明还提供了一种用户用电监测方法，该方法使用上述的一种农网台区箱表拓扑关系识别方法，包括：
22.构建模型：根据箱表关系辨识结果，利用历史电压数据和svm算法构建并训练得到用户用电模型；
23.监测用电：将新增电压数据输入所述用户用电模型，输出对应电表的监测状态，根据电表的监测状态对用户用电进行监测。
24.本发明提供的用户用电监测方法，可以发现隐藏的表箱与用户电表的错乱关系，并能够发现异常用电用户，便于及时采取措施应对异常用电，从而保证用户用电安全。
25.进一步地，所述构建模型的过程，具体包括：
26.基于所述箱表辨识结果，以电表电压数据为特征值、电表的监测状态为结果值，并选用支持向量机为分类器；
27.在样板空间中，划分得到超平面，所述超平面用线性方程表示为：
28.w
t
x+b＝0
29.其中，w为法向量，决定超平面的方向，b为位移项，决定超平面与原点之间的距离；
30.通过函数间隔表示分类预测的确信程度，假设所述超平面能将训练样本正确分类，则存在以下关系：
[0031][0032]
将两个方程合并为：
[0033]
y(w
t
x+b)≥1
[0034]
其中，y为电表的监测状态，x为电压数据；
[0035]
将法向量w规范化，令||w||＝1，将所述函数间隔变为几何距离；
[0036]
将所述函数间隔最大化，获得等价的模型损失函数；
[0037]
根据所述模型损失函数构建得到拉格朗日函数；
[0038]
根据所述拉格朗日函数，求取法向量w和位移项b的极小值，并求取拉格朗日向量的极大值，得到最优的分离超平面，构建得到用户用电模型；
[0039]
以历史电压数据为训练集，对所述用户用电模型进行训练，得到训练后的用户用电模型。
[0040]
更进一步地，将所述函数间隔变为几何距离，公式为：
[0041][0042]
其中，r为几何距离，x为电压数据，y为电表的监测状态，w为法向量，b为位移项。
[0043]
更进一步地，所述等价的模型损失函数为：
[0044][0045]
其中，w为法向量，b为位移项。
[0046]
更进一步地，所述拉格朗日函数为：
[0047][0048]
其中，α为拉格朗日向量，w为法向量，b为位移项。
[0049]
经由上述的技术方案可知，与现有技术相比，本发明公开提供了一种农网台区箱表拓扑关系识别方法及用户用电监测方法，该农网台区箱表拓扑关系识别方法能够对台区下用户的电压数据进行聚类分析，从而对箱表拓扑关系进行准确的识别；该用户用电监测方法能够根据箱表关系的辨识结果，利用svm算法可以进一步获得电表的状态，通过电表的状态可以实现对用户用电的监测，从而为后续用电系统故障定位和台区线损精益化管理提供数据支持。
附图说明
[0050]
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的前提下，还可以根据提供的附图获得其他的附图。
[0051]
图1为本发明提供的一种农网台区箱表拓扑关系识别方法的实现流程示意图；
[0052]
图2为本发明提供的一种用户用电监测方法的实现流程示意图；
[0053]
图3为本发明实施例中箱表拓扑关系识别与用户用电监测的原理示意图；
[0054]
图4为birch聚类算法的实现流程示意图；
[0055]
图5为箱表关系辨识结果的可视化展示图表示意图；
[0056]
图6为用户用电监测数据的曲线示意图。
具体实施方式
[0057]
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。
[0058]
一方面，参见附图1和图3，本发明实施例公开了一种农网台区箱表拓扑关系识别方法，该方法包括：
[0059]
s11：获取箱表数据：获取目标区域的电表电压和表箱数据，以台区为单位，对表箱和电表进行划分，得到目标区域的箱表数据。
[0060]
本实施例从用电信息采集系统中获取电表电压和表箱数据，此时，电表和表箱关系是相互独立的，以台区为单位，进行表箱和电表的划分，得到小范围的箱表数据。
[0061]
s12：辨识箱表关系：根据同一表箱的电表具有相同频率的电压特征，对箱表数据中的电表电压进行相关性分析，将同一表箱的电表聚成簇类，得到箱表关系辨识结果。
[0062]
根据用电特性和规律，同一表箱的电能表具有相同频率的电压特征，对电表电压数据进行相关性分析，将同一表箱的电表聚成簇类，进而实现“箱表”关系辨识。
[0063]
本发明实施例通过birch算法对同台区下的所有电表进行聚类，如果电表和对应的簇类编号一致，则认为电表在同一个表箱内。参见附图4，具体过程如下：
[0064]
步骤1：构建cf，该过程为数据收集、筛选的过程，首先根据电压数据对电表进行初步簇分类，计算电压数据之间的距离，距离较近的分为一组，个别距离较远的点认为是离群点，发现后剔除。其中cf中也记录了每个簇中的电表数量、电表电压的线性和和平方和等特征数据。本实施例通过欧式距离计算方法计算电压数据之间的距离。
[0065]
步骤2：组合成cf树，该过程可以理解为聚类特征初始化的过程，获得电表基础簇类之后，开始构建cf树，设定分支因子和阈值t，分支因子用于控制树节点中的cf数量，超过分支因子数，该结点被分裂成两个结点，阈值t用于控制结点上cf之间的距离，电表的电压簇类之间的距离小于阈值t，距离相近的点，即小于阈值t的点为稠密数据，构建成cf，距离较远的点，即大于或等于阈值t的点为稀疏数据，需要被剔除。
[0066]
步骤3：缩小范围，精简聚类特征树，该过程可以理解为精细化聚类特征树的过程，该步骤是可选择的，这个部分是连接步骤2和步骤3的桥梁，相似于步骤2，该步骤需要遍历初始化的聚类特征树叶子节点，移除更多的异常点，缩小范围并进行分组。
[0067]
步骤4：全局聚类，使用全局聚类或者半全局聚类来操作所有的叶子节点，有数据点的聚类算法很容易适应一组子簇，每个子簇由其聚类特征向量表示。计算子簇的质心，然后每个子簇用质心表示，这部分可以捕捉到数据的主要分布规律。
[0068]
步骤5：簇类细化，因为步骤4中只是对数据进行了粗略总结，原数据只是被扫描了
一次，需要继续完善簇类。该步骤使用上阶段产生的簇的中心(即质心)作为种子，并将数据点重新分配到最近的种子，以获得一组新的簇。当有新的电表簇类需要加入cf树中，则进行树的插入操作，cf树对应更新，直到形成最终树结构。
[0069]
这不仅允许属于该子簇的点迁移，而且可以确保给定数据点的所有副本都迁移到同一个子簇中。同时，还提供了丢弃异常值的选项。也就是说，如果距离最近的点太远，种子可以作为离群值处理，而不包含在结果中。
[0070]
不难发现，birch算法可以不用指定簇类的个数，自己学习特征，并进行分类，能够实现较精准的箱表拓扑关系辨识。
[0071]
如图5所示，为箱表关系的辨识结果，图中每个点表示一块电表，不同的形状代表不同的表箱，从而将箱表关系进行可视化展示。
[0072]
另一方面，参见附图2和图3，本发明实施例还公开了一种用户用电监测方法，该方法使用上述的一种农网台区箱表拓扑关系识别方法，包括：
[0073]
s21：构建模型：根据箱表关系辨识结果，利用历史电压数据和svm算法构建并训练得到用户用电模型；
[0074]
s22：监测用电：将新增电压数据输入用户用电模型，输出对应电表的监测状态，根据电表的监测状态对用户用电进行监测。
[0075]
参考上述箱表拓扑关系识别方法得到的箱表关系辨识结果，本实例以电压数据为特征值x，电表的状态(异常、正常)为结果值y，选用适合小样本训练的支持向量机(svm)为分类器，进行监测用户用电，如果用户的电压特性与历史状态不一致，则认为用户用电存在异常。
[0076]
作为典型的二分类问题，svm(support vectormachine，支持向量机)是定义在特征空间上的间隔最大的线性分类器，目标是要在n维的数据空间中找到一个超平面，使得样本被分为两类，且超平面距离两边的数据的间隔最大。
[0077]
本实施例中通过svm算法构建并训练用户用电模型，实现用户用电监测的过程，如下：
[0078]
在样板空间中，划分超平面可通过如下线性方程来描述：
[0079]
w
t
x+b＝0
[0080]
其中，w是法向量，决定了超平面的方向，b为位移项，决定了超平面与原点之间的距离。分离超平面将样本数据分为两类，一部分是按容计算，一部分是按需计算。
[0081]
函数间隔可以用来表示分类预测的确信程度，假设超平面能将训练样本正确分类，则存在以下关系：
[0082][0083]
将两个方程合并为：
[0084]
y(w
t
x+b)≥1
[0085]
其中，y是电表的监测状态；
[0086]
但是，如果成比例改变w、b，超平面没有改变，函数间隔会变为原来的二倍，因此，需要对法向量w加某些约束，如规范化，即||w||＝1，使得函数间隔变为几何距离，公式为：
[0087][0088]
要找到具有“最大间隔”的划分超平面，则需使间隔最大化，即
[0089][0090]
为了最大化间隔，仅需最大化||w||
‑1，等价于最小化||w||2，模型的损失函数简化为：
[0091][0092]
求解有约束最优化问题，可使用拉格朗日乘子法求其“对偶问题”，构造拉格朗日函数，得到：
[0093][0094]
其中，α是拉格朗日向量。
[0095]
根据拉格朗日对偶性，原始问题的对偶问题是极大极小问题，需要先对w、b求极小，再对α求最大，从而得到最优的分离超平面，进而实现用户用电模型的构建，用户用电模型可以判别当前电表的电压数据是否异常。
[0096]
svm加入了容错机制，允许支持向量机在一些样本上出错，此外，考虑到数据的复杂性，本实施例又引入核函数解决训练样本不可分的问题。
[0097]
因此，选择历史电压数据做为训练集，进行用户用电模型的训练，模型发布之后，可以用新增电压数据进行实时状态监测，若发现异常，可以及时告警，既维护了公共资产，也避免了用户财产损失。
[0098]
在本实施例中，用户用电模型建立之后，每天定时对电表的前一天电压数据进行预测，如果电压数据正常，则返回“正常”，若异常，则返回“异常”，并及时告警。如图6所示，为用户用电的监测数据，通过电压数据的波动情况可以明显的看出用户用电是否正常，从而更加直观对用户用电状态进行监测。
[0099]
由此可见，上述方法能够清晰准确地识别电压特征并进行差异分析，从而理清真实的箱表关系，发现隐藏的表箱与用户电表的错乱关系或异常用电客户，提高台区箱表关系的准确性，继而提高“变
‑
线
‑
箱
‑
户”之间更高层级拓扑关系的校核，帮助运维人员及时了解台区箱表关系状态。
[0100]
综上所述，本发明实施例公开的上述方法，与现有技术相比，具有如下优点：
[0101]
1、对台区下用户的电压数据进行聚类、特征分析、精简优化、样本训练等操作，运用birth增量聚类方法，将用户聚合成与建档表箱数量相同的分组，使用分类器svm监测用户用电，如果用户的电压特性与历史状态不一致，则认为用户用电存在异常，形成“用户
‑
表箱”关系精准识别与用户用电监测。
[0102]
2、台区箱表关系拓扑识别是对电表电压数据进行相关性分析，根据同一表箱的电
能表具有相同频率的电压特征，来进行多维度分组，将同一表箱的电表聚成簇类，进而实现模拟表箱分组计算。
[0103]
3、能合理分析用户用电习惯，及时监测用电情况，进而为后续精准故障定位和台区线损精益化管理提供数据支持。
[0104]
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
[0105]
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。