一种接入点暂态特征识别方法、装置和设备与流程

1.本发明涉及数据监测技术领域，具体涉及一种接入点暂态特征识别方法、装置和设备。


背景技术：

2.随着高端制造业的快速发展，电能质量扰动将对敏感用户带来更加严重的经济损失。为了提升电网安全、可靠、经济运行水平，在敏感用户新建时，需要结合用户发展、电力网运行现状和规划开展可研及设计工作。特别是敏感用户接入点选择应满足电力系统安全运行和供电可靠性的要求，不应与对供电质量产生的影响的干扰源接入同一公共连接点。
3.在电力电子装置的使用和用电设备的日趋集成化的背景下，存在电压暂降传播等包含多不确定因素的复杂问题，对扰动产生、传播、影响等各环节的精确建模更加困难。传统暂态特征分析依赖于精确模型，因而进行节点暂态特征分析将存在较大的难度，难以挖掘各种事件时空上的复杂规律，不利于敏感用户接入点筛选。


技术实现要素：

4.有鉴于此，本发明实施例提供一种接入点暂态特征识别方法、装置和设备，以实现敏感用户接入点的筛选。
5.为实现上述目的，本发明实施例提供如下技术方案：
6.一种接入点暂态特征识别方法，包括：
7.获取各个电能质量监测装置记录的各个暂态事件的记录时间；
8.基于所述记录时间对所述各个暂态事件进行筛选，将记录时间的差值在预设阈值之内的暂态事件归属为同一时段的事件记录组；
9.获取同一事件记录组中的各个暂态事件记录的监测点以及暂态事件类型；
10.将同一事件记录组中监测点以及暂态事件类型相同的暂态事件进行融合；
11.建立融合后的暂态事件对应的时空频次矩阵，所述时空频次矩阵中记录有不同的时间段在不同的监测点检测到的暂态事件的次数；
12.计算时空频次矩阵中的各个监测点的相关度；
13.判断所述相关度是否大于预设值；
14.当大于预设值时，将相应的两个监测点标记为强相关关系；
15.获取具有强相关关系的各个监测点对应的暂态事件的事件特征集以及事件频次；
16.基于所述事件特征集以及事件频次判断具有强相关关系的监测点是否可构建敏感用户接入点。
17.可选的，上述接入点暂态特征识别方法中，所述计算时空频次矩阵中的各个监测点的相关度，包括：
18.基于公式计算得到时空
频次矩阵中的各个元素的相关度ρ(x(i),x(j))；
19.式中：x(i)与x(j)分别代表第i，j个空间节点在各时间段内的频次矩阵，其元素构成分别为x(i)＝[x1(i),x2(i),
…
,xn(i)]，x(j)＝[x1(j),x2(j),
…
,xn(j)]，其中1≤i,j≤m，所述m为时空频次矩阵的元素数，每个元素对应一个空间节点。
[0020]
可选的，上述接入点暂态特征识别方法中，基于所述事件特征集以及事件频次判断具有强相关关系的监测点是否可构建敏感用户接入点，包括：
[0021]
判断所述事件特征集中的预设特征值大于预设值；
[0022]
判断所述事件频次是否大于预设频次；
[0023]
当所述事件特征集中的预设特征值大于预设值和/或事件频次大于预设频次时，表明所述监测点不可构建敏感用户接入点。
[0024]
可选的，上述接入点暂态特征识别方法中，包括：
[0025]
所述预设特征值包括残余电压幅值；
[0026]
所述预设频次为所述监测点对应的融合后的暂态特征的平均频次。
[0027]
可选的，上述接入点暂态特征识别方法中，所述预设阈值为：
[0028]
所述n1为融合之前的暂态事件的总条数，所述n2为融合之后的暂态事件的总条数；
[0029]
建立同时段筛选阈值time_max与所述λ之间的关系曲线；
[0030]
将所述关系曲线中的曲率最大的位置所对应的时段筛选阈值time_max作为所述预设阈值。
[0031]
一种接入点暂态特征识别装置，包括：
[0032]
筛选单元，用于获取各个电能质量监测装置记录的各个暂态事件的记录时间；基于所述记录时间对所述各个暂态事件进行筛选，将记录时间的差值在预设阈值之内的暂态事件归属为同一时段的事件记录组；
[0033]
融合单元，用于获取同一事件记录组中的各个暂态事件记录的监测点以及暂态事件类型；将同一事件记录组中监测点以及暂态事件类型相同的暂态事件进行融合；
[0034]
相关度分析单元，用于建立融合后的暂态事件对应的时空频次矩阵，所述时空频次矩阵中记录有不同的时间段在不同的监测点检测到的暂态事件的次数；计算时空频次矩阵中的各个监测点的相关度；
[0035]
强相关标记单元，用于判断所述相关度是否大于预设值；当大于预设值时，将相应的两个监测点标记为强相关关系；
[0036]
接入点分析单元，用于获取具有强相关关系的各个监测点对应的暂态事件的事件特征集以及事件频次；基于所述事件特征集以及事件频次判断具有强相关关系的监测点是否可构建敏感用户接入点。
[0037]
可选的，上述接入点暂态特征识别装置中，所述相关度分析单元在计算时空频次矩阵中的各个监测点的相关度时，具体用于：
[0038]
基于公式计算得到时空频次矩阵中的各个元素的相关度ρ(x(i),x(j))；
[0039]
式中：x(i)与x(j)分别代表第i，j个空间节点在各时间段内的频次矩阵，其元素构成分别为x(i)＝[x1(i),x2(i),
…
,xn(i)]，x(j)＝[x1(j),x2(j),
…
,xn(j)]，其中1≤i,j≤m，所述m为时空频次矩阵的元素数，每个元素对应一个空间节点。
[0040]
可选的，上述接入点暂态特征识别装置中，接入点分析单元在基于所述事件特征集以及事件频次判断具有强相关关系的监测点是否可构建敏感用户接入点时，具体用于：
[0041]
判断所述事件特征集中的预设特征值大于预设值；
[0042]
判断所述事件频次是否大于预设频次；
[0043]
当所述事件特征集中的预设特征值大于预设值和/或事件频次大于预设频次时，表明所述监测点不可构建敏感用户接入点。
[0044]
可选的，上述接入点暂态特征识别装置中，所述预设阈值为：
[0045]
所述n1为融合之前的暂态事件的总条数，所述n2为融合之后的暂态事件的总条数；
[0046]
建立同时段筛选阈值time_max与所述λ之间的关系曲线；
[0047]
将所述关系曲线中的曲率最大的位置所对应的时段筛选阈值time_max作为所述预设阈值。
[0048]
一种接入点暂态特征识别设备，包括：包括存储器和处理器；
[0049]
所述存储器，用于存储程序；
[0050]
所述处理器，用于执行所述程序，实现上述任一项所述的接入点暂态特征识别方法的各个步骤。
[0051]
基于上述技术方案，本发明实施例提供的上述方案，通过获取各个电能质量监测装置记录的各个暂态事件的记录时间；基于记录时间对各个暂态事件及暂态事件类型相同的暂态事件进行融合；建立融合后的暂态事件对应的时空频次矩阵；对时空频次矩阵分析得到具有强相关关系的监测点；获取具有强相关关系的各个监测点对应的暂态事件的事件特征集以及事件频次；基于事件特征集以及事件频次判断具有强相关关系的监测点是否可构建敏感用户接入点，从而实现了敏感用户接入点的筛选。
附图说明
[0052]
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。
[0053]
图1为本技术实施例公开的接入点暂态特征识别方法的流程示意图；
[0054]
图2为暂态事件清洗的最优预设阈值选取折线图；
[0055]
图3为暂态事件频次强相关阈值取值示意图；
[0056]
图4为本技术实施例公开的接入点暂态特征识别装置的结构示意图；
[0057]
图5为本技术实施例公开的接入点暂态特征识别设备的结构示意图。
具体实施方式
[0058]
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。
[0059]
针对于上述问题，本发明提出了一种基于事件时空关联分析的接入点暂态特征识别方法，在数据集样本数多、数据类型多、时空关系复杂的情况下，能够从节点、区域等不同层面精准快速提取关联规则与扰动模式，以便预先采取必要的治理措施或者选择更合适的敏感用户接入点。
[0060]
参见图1，本技术公开了一种接入点暂态特征识别方法，方法可以包括：
[0061]
步骤s101：获取各个电能质量监测装置记录的各个暂态事件的记录时间。
[0062]
在本方案中，同一变电站内设置有多个不同的电能质量监测装置，不同的电能质量监测装置用于记录该点检测到的各个暂态事件，在检测到暂态事件时，会记录检测到所述暂态事件的位置，以及所述电能质量监测装置的地址标识，所述地址标识可以指的是所述电能质量监测装置的地理坐标位置。
[0063]
步骤s102：基于所述记录时间对所述各个暂态事件进行筛选，将记录时间的差值在预设阈值之内的暂态事件归属为同一时段的事件记录组。
[0064]
在本方案中，电网中出现的暂态事件将在极短时间内被多个电能质量监测装置记录，为了初步区分不同暂态事件，可以以报表中“触发时间”为依据进行数据筛选，所述“触发时间”即为记录的检测到的暂态事件的时间，将记录时间特征t作为唯一属性，进行事件记录x同时段筛选，并设置预设阈值为time_max。原始的多维事件数据(记录的暂态事件)即可转换为以时间为变量的数据，记为xi,ti，可以理解为xi暂态事件对应的记录时间为ti，事件筛选条件如下述：
[0065]
if|t
i-tj|≤time_max:xi,xj∈g
x
[0066]
else:xi∈g
x1
,xj∈g
x2
[0067]
式中：ti和tj代表两个暂态事件xi和xj所对应的记录时间；g
x1
和g
x2
代表两个不同时段的事件记录组，即，如果ti和tj的时间差的绝对值小于等于time_max，则表明这两个暂态事件可以归属于同一事件记录组，如果ti和tj的时间差的绝对值大于time_max，则表明两个暂态事件归属于不同的事件记录组。
[0068]
步骤s103：获取同一事件记录组中的各个暂态事件记录的监测点以及暂态事件类型。
[0069]
经过步骤s102初步处理后，可以将暂态事件的原始记录按照检测到的时段进行分组，得到若干个同时段事件记录组，每一事件记录组内具有多个暂态事件，通过对暂态事件进行数据提取，可以得到各个暂态事件对应的监测点以及暂态事件类型。
[0070]
步骤s104：将同一事件记录组中监测点以及暂态事件类型相同的暂态事件进行融合。
[0071]
在相同时刻，同一扰动源引起的暂态事件将被同一变电站内及不同变电站内的电能质量监测装置重复记录，因此需要将这些电能质量监测装置的重复记录合并为同一事件，即，合并同一事件记录组的扰动源特征，合并条件如下：
[0072]
条件一：暂态事件对应的空间信息即监测点一致；
[0073]
条件二：暂态事件对应的暂态事件类型一致。
[0074]
在合并时，提取事件记录组中各个暂态事件对应的监测点以及暂态事件的时间类型，如果事件记录组中的两个或两个以上的多个暂态事件同时满足上述条件一和条件二，则认为这些暂态事件是由同一扰动源引起的，进而将这些暂态事件进行合并，并以最早记录到发生暂态事件的监测点作为空间参考，以最早记录的事件类型作为事件类型参考。
[0075]
假设原始的暂态事件记录条数为n1，经同时段分组、同扰动源重复记录融合后，得到清洗后的暂态事件记录条数为n2，根据清洗前后的事件记录条数偏差值计算得到事件重复率λ，计算公式如下所示：
[0076][0077]
暂态事件清洗过程中，事件重复率λ的高低依赖于同时段筛选阈值time_max的取值，若time_max越大，意味着将时间间隔相对较长的两条记录合成到同一事件记录组，得到的记录组组内条数越多，导致同组融合的事件条数越多，最终清洗后事件记录条数n2数值越小，重复率计算结果越高。因此，time_max和λ呈正相关关系。
[0078]
将以time_max为自变量，λ为因变量，可以得到如图2所示的折线图，记为f(time_max)＝λ，综合考虑重复率数值λ大小及变化程度，将f(time_max)＝λ构成的曲线中，折线曲率最大处对应的阈值f(time_max)作为最优筛选阈值，从而可实现暂态报表数据清洗的最优阈值选取。
[0079]
即，所述预设阈值的选取规则为建立同时段筛选阈值time_max与λ之间的关系曲线；将所述关系曲线中的曲率最大的位置所对应的时段筛选阈值time_max作为所述预设阈值。
[0080]
步骤s105：建立融合后的暂态事件对应的时空频次矩阵，所述时空频次矩阵中记录有不同的时间段在不同的控件内检测到的暂态事件的次数。
[0081]
本步骤中，对暂态事件进行数据清洗后，进一步建立暂态事件时空频次矩阵，所述时空频次矩阵用于分析扰动事件发生的时间特征与空间特征的关联关系，该时空频次矩阵中的每个元素分别用于表征监测点的名称表示或坐标标识以及其对应的一段时间内检测到的、清洗后的暂态事件的频次。对于某个市级电网区域暂态报表而言，可以依据监测点名称，即监测点数量，从空间上将该市的暂态事件划分为m个空间，并以月为基础时间统计单位，统计一年内各空间(监测点)、各月份检测到的暂态事件发生次数。以m个空间维度为行矩阵，以n个时间维度为列矩阵，形成如下形式的时空频次矩阵x，该矩阵的大小为m
×
n。
[0082][0083]
式中：xn代表第n个时间段内各监测点对应的暂态事件频次子矩阵；xi(j)代表第i个时间段内在第j个监测点内统计到的频次元素。可见暂态事件时空频次矩阵x是由不同时刻i(i＝1、2、
…
、n)的若干空间j(j＝1、2、
…
、m)内的暂态事件频次元素xi(j)构成的。矩阵x
的行向量x(j)表示特定监测点j的各时间频次向量，列向量xi为特定时间i的各空间频次向量。
[0084]
步骤s106：计算时空频次矩阵中的各个暂态事件频次的相关度。
[0085]
在本步骤中，综合考虑各空间的长时间暂态事件的频次大小及相关度，进行暂态事件时空分区，找出具有相同扰动频次规律的区域，便于敏感用户接入区域的筛选，也同时有助于暂态扰动的分层分区治理。
[0086]
在计算时空频次矩阵各个元素的对应的暂态事件频次的相关度时，可以以暂态事件时空频次矩阵x的行向量x(
·
)作为样本，利用pearson相关系数计算各个空间在长时间的暂态事件频次相关度，记为ρ(x(
·
),x(
·
))，简记为ρ。计算表达式如下：
[0087][0088]
式中：x(i)与x(j)分别代表第i，j个监测点在各时间段内的频次矩阵，其元素构成分别为x(i)＝[x1(i),x2(i),
…
,xn(i)]，x(j)＝[x1(j),x2(j),
…
,xn(j)]，其中1≤i,j≤m。
[0089]
步骤s107：判断所述相关度是否大于预设值；
[0090]
通常情况下，若相关度ρ(x(i),x(j))计算结果大于0.6(预设值)，则可判断两个频次矩阵为强相关；若ρ(x(i),x(j))落在[0.8,1](一预设值范围)范围内，则为极强相关。在暂态事件分析中，重点关注的是暂态事件高发的关联区域，若预设值取定值0.6可能使得最终得到的强相关区域组数过于多，不够有代表性。
[0091]
因此，可以依据ρ(x(i),x(j))的实际计算结果与频次大小对强相关的判定阈值θ(％)(预设值)作改进，以满足高相关且高频区域的筛选需求。
[0092]
假设一年内n1条原始记录经清洗后得到总条数为n2的事件记录，首先以全年事件记录总数的月均值为低频和中高频的分界线，即其中，表示向下取整操作，即取的整数部分。若则该区域为中高频区域；反之，为低频区域。
[0093]
取各个中高频区域频次矩阵与其他区域的相关系数最大值ρ
max，i
，依次标注在图3中，所有ρmax值均分布在图中的范围内。原始强相关阈值θ＝60将该区域划分为i和(ii+iii)上下两大区域，在上部区域(ii+iii)内，若存在ρ
max，i
不小于原始阈值60，则将该ρ
max，i
作为新的阈值θ
′
备选值，并将这组数值按从小到大排序，取θ
′
备选值集合中的最小值为新阈值，即把图3区域中的高相关阈值θ提高至θ
′
(θ
′
》60)，所述θ
′
即为上述预设值。
[0094]
步骤s108：当大于预设值时，将两者标记为强相关关系。
[0095]
在计算得到各个暂态事件频次的相关度后，将相关度与预设值进行比较，当大于所述预设值时，将两者标记为强相关关系，在这里，两者指的是两个监测点。
[0096]
步骤s109：获取具有强相关关系的各个监测点对应的暂态事件的事件特征集以及事件频次；
[0097]
所述事件特征，可以包括监测点检测到的暂态事件的电气特征信息和非电气特征信息，综合考虑电气特征信息和非电气特征信息，所述非电气特征可以包括天气参数等，基
于暂态事件报表和外部天气数据构建暂态事件关联规则特征集，该规则特征集可以包括电气特征信息和非电气特征信息，将各特征类信息转化成计算机便于处理的数据结构，以符号化标识作为后续的关联规则算法的输入量。
[0098]
由于暂态事件报表中绝大多数字段为文本型信息，针对变电站名称及电压等级、监测点名称及电压等级、星期等分类属性，均直接采用“字母+类别次序”的离散化形式，如“星期六”标识为“f5”。而对于天气和节点暂态事件特征两类量化属性，需作以下分类、离散化处理。
[0099]
a)天气特征离散化
[0100]
依据gb/t 35663-2017《天气预报基本术语》及ieee 346标准，将天气划分为以下3类：
[0101]
①
正常天气。天气关键词包含晴、阴、云、小雨、阵雨；
[0102]
②
恶劣天气。天气关键词包含中雨、大雨；
[0103]
③
极端天气。天气关键词包含暴、雷、台风等。
[0104]
天气信息离散化时识别相应关键词，并分别赋予g0、g1、g2编号以标识天气类型。
[0105]
b)节点暂态事件特征离散化
[0106]
从暂态事件类型上，可区分电压暂降、电压暂升和短时中断事件，结合各个事件的残余电压幅值数值区间特征，可以将暂态事件特征划分为以下3大类、18子类：
[0107]
表1各暂态事件离散化标识
[0108][0109]
综上，计及非电气因素及电气因素，形成的关联规则模式特征集如下02所示，从而得到每个暂态时间对应的电气特征和非电气特征。
[0110]
表2关联规则模式特征集
[0111][0112]
2)基于fp-growth算法的区域扰动模式提取
[0113]
在确定各个暂态事件的电气特征和非电气特征后，形成以不同维度下基于fp-growth算法的分区关联规则频繁项集，通过频繁项集生成候选关联规则，然后通过预设的支持度阈值对关联规则进行过滤，最终得到强关联规则，实现扰动模式和扰动源特征描述。
[0114]
首先，分析所选区域内所有监测节点对应的暂态事件的事件特征，所述事件特征包括电气特征和非电气特征，综合分析暂态事件的电气特征和非电气特征，基于所述电气特征和非电气特征，采用fp-growth算法分析评估最严重的暂态事件的电气特征和非电气特征，将这些电气特征和非电气特征作为暂态时间的事件特征集。
[0115]
接着，基于所划分的暂态事件空间区域，重点关注基于暂态事件存在强相关关系的监测点对应的暂态时间筛选出的事件特征集，以及获取存在强相关关系的监测点对应的事件频次，所述事件频次指的是该监测点检测到的暂态事件的次数。当然，所述事件特征集中，也可以仅包括一些预设的电气特征和非电气特征，不必通过fp-growth算法分析得到。
[0116]
步骤s110：基于所述事件特征集以及事件频次判断具有强相关关系的各个元素对应的位置是否可构建用户接入点。
[0117]
在获取所述具有强相关关系的监测点的事件特征以及事件频次以后，采用预设的分析规则对所述事件特征以及所述事件频次进行分析，基于分析结果判断这些具有强关联关系的监测点是否适合构建用户接入点。
[0118]
具体的，在本方案中，记某个接入点的暂态事件的事件特征集为e，该监测点对应的暂态事件发生总频次为x，若接入点的e和x同时满足如下规则一与二，则判定该监测点不适于敏感用户接入。
[0119]
规则一：表示该点为暂态事件高频发生区域；
[0120]
规则二：e中存在某个特定的暂态事件特征，例如，|残余电压幅值区间-100％|≥50％，表示该点事件残余电压幅值偏差超过50％。
[0121]
当某个监测点的事件特征集为e满足规则二和/或暂态事件发生总频次x满足规则一时，表明该监测点不适于敏感用户接入，否则，表明该监测点可接入敏感用户。
[0122]
由上述实施例公开的上述方案可见，本技术提出了一种基于事件时空关联的接入点暂态特征识别方法，可以合理评估各节点作为敏感用户接入点的不利影响；并且依据融合前后的记录条数变化率可确定最优的预设阈值，能够挖掘时间、空间上存在重复记录的
多维事件样本；能够根据时空频次矩阵综合考虑各空间的长时间暂态事件的频次大小及相关度，提出中高频区域的强相关度阈值选取方法，实现具有相同扰动频次规律的暂态事件时空分区，并且可以将现有电能质量监测装置检测到的暂态事件与外部环境的非电气信息形成符号化的特征集，精准快速提取关联规则与扰动模式。
[0123]
该分析方法的优点是能够在监测点记录的电压暂态事件样本数多、数据类型多、时空关系复杂的情况下，综合考虑电气因素与非电气因素，并根据实际数据分布选取筛选阈值，实现各节点扰动特征分析，为现有接入点用户治理方案设计和敏感用户接入点方案选择提供了技术支撑。
[0124]
本实施例中公开了一种接入点暂态特征识别装置，装置中的各个单元的具体工作内容，请参见上述方法实施例的内容。
[0125]
下面对本发明实施例提供的接入点暂态特征识别装置进行描述，下文描述的接入点暂态特征识别装置与上文描述的接入点暂态特征识别方法可相互对应参照。
[0126]
参见图4，本技术公开的接入点暂态特征识别装置可以包括：
[0127]
筛选单元a，用于获取各个电能质量监测装置记录的各个暂态事件的记录时间；基于所述记录时间对所述各个暂态事件进行筛选，将记录时间的差值在预设阈值之内的暂态事件归属为同一时段的事件记录组；
[0128]
融合单元b，用于获取同一事件记录组中的各个暂态事件记录的监测点以及暂态事件类型；将同一事件记录组中监测点以及暂态事件类型相同的暂态事件进行融合；
[0129]
相关度分析单元c，用于建立融合后的暂态事件对应的时空频次矩阵，所述时空频次矩阵中记录有不同的时间段在不同的监测点检测到的暂态事件的次数；计算时空频次矩阵中的各个监测点的相关度；
[0130]
强相关标记单元d，用于判断所述相关度是否大于预设值；当大于预设值时，将相应的两个监测点标记为强相关关系；
[0131]
接入点分析单元e，用于获取具有强相关关系的各个监测点对应的暂态事件的事件特征集以及事件频次；基于所述事件特征集以及事件频次判断具有强相关关系的监测点是否可构建敏感用户接入点。
[0132]
与上述方法相对应，所述相关度分析单元在计算时空频次矩阵中的各个监测点的相关度时，具体用于：
[0133]
基于公式计算得到时空频次矩阵中的各个元素的相关度ρ(x(i),x(j))；
[0134]
式中：x(i)与x(j)分别代表第i，j个空间节点在各时间段内的频次矩阵，其元素构成分别为x(i)＝[x1(i),x2(i),
…
,xn(i)]，x(j)＝[x1(j),x2(j),
…
,xn(j)]，其中1≤i,j≤m，所述m为时空频次矩阵的元素数，每个元素对应一个空间节点。
[0135]
与上述方法相对应，接入点分析单元在基于所述事件特征集以及事件频次判断具有强相关关系的监测点是否可构建敏感用户接入点时，具体用于：
[0136]
判断所述事件特征集中的预设特征值大于预设值；
[0137]
判断所述事件频次是否大于预设频次；
[0138]
当所述事件特征集中的预设特征值大于预设值和/或事件频次大于预设频次时，
表明所述监测点不可构建敏感用户接入点。
[0139]
图5为本发明实施例提供的服务器的硬件结构图，参见图5所示，可以包括：至少一个处理器100，至少一个通信接口200，至少一个存储器300和至少一个通信总线400；
[0140]
在本发明实施例中，处理器100、通信接口200、存储器300、通信总线400的数量为至少一个，且处理器100、通信接口200、存储器300通过通信总线400完成相互间的通信；显然，图5所示的处理器100、通信接口200、存储器300和通信总线400所示的通信连接示意仅是可选的；
[0141]
可选的，通信接口200可以为通信模块的接口，如gsm模块的接口；
[0142]
处理器100可能是一个中央处理器cpu，或者是特定集成电路asic(application specific integrated circuit)，或者是被配置成实施本发明实施例的一个或多个集成电路。
[0143]
存储器300可能包含高速ram存储器，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。
[0144]
其中，处理器100具体用于：
[0145]
获取各个电能质量监测装置记录的各个暂态事件的记录时间；
[0146]
基于所述记录时间对所述各个暂态事件进行筛选，将记录时间的差值在预设阈值之内的暂态事件归属为同一时段的事件记录组；
[0147]
获取同一事件记录组中的各个暂态事件记录的监测点以及暂态事件类型；
[0148]
将同一事件记录组中监测点以及暂态事件类型相同的暂态事件进行融合；
[0149]
建立融合后的暂态事件对应的时空频次矩阵，所述时空频次矩阵中记录有不同的时间段在不同的监测点检测到的暂态事件的次数；
[0150]
计算时空频次矩阵中的各个监测点的相关度；
[0151]
判断所述相关度是否大于预设值；
[0152]
当大于预设值时，将相应的两个监测点标记为强相关关系；
[0153]
获取具有强相关关系的各个监测点对应的暂态事件的事件特征集以及事件频次；
[0154]
基于所述事件特征集以及事件频次判断具有强相关关系的监测点是否可构建敏感用户接入点。
[0155]
为了描述的方便，描述以上系统时以功能分为各种模块分别描述。当然，在实施本发明时可以把各模块的功能在同一个或多个软件和/或硬件中实现。
[0156]
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统或系统实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的系统及系统实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
[0157]
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和
软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
[0158]
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(ram)、内存、只读存储器(rom)、电可编程rom、电可擦除可编程rom、寄存器、硬盘、可移动磁盘、cd-rom、或技术领域内所公知的任意其它形式的存储介质中。
[0159]
还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
[0160]
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。