CN111505446B - 台区空房用户线户关系识别方法、装置和设备 - Google Patents
台区空房用户线户关系识别方法、装置和设备 Download PDFInfo
- Publication number
- CN111505446B CN111505446B CN202010449364.3A CN202010449364A CN111505446B CN 111505446 B CN111505446 B CN 111505446B CN 202010449364 A CN202010449364 A CN 202010449364A CN 111505446 B CN111505446 B CN 111505446B
- Authority
- CN
- China
- Prior art keywords
- voltage
- time sequence
- sequence data
- electric
- line
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 68
- 238000005457 optimization Methods 0.000 claims abstract description 24
- 230000005611 electricity Effects 0.000 claims description 41
- 238000012545 processing Methods 0.000 claims description 23
- 239000011159 matrix material Substances 0.000 claims description 22
- 238000004590 computer program Methods 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 16
- 238000012216 screening Methods 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 description 8
- 239000000243 solution Substances 0.000 description 8
- 238000010219 correlation analysis Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000012423 maintenance Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000002347 injection Methods 0.000 description 2
- 239000007924 injection Substances 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000005251 gamma ray Effects 0.000 description 1
- 238000000819 phase cycle Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/08—Locating faults in cables, transmission lines, or networks
- G01R31/081—Locating faults in cables, transmission lines, or networks according to type of conductors
- G01R31/086—Locating faults in cables, transmission lines, or networks according to type of conductors in power transmission or distribution networks, i.e. with interconnected conductors
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/08—Locating faults in cables, transmission lines, or networks
- G01R31/088—Aspects of digital computing
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
Abstract
本发明涉及台区空房用户线户关系识别方法、装置和设备。台区空房用户线户关系识别方法包括:获取目标台区各电表的电压时序数据和有功电流时序数据,以及各相低压出线首端的有功电流时序数据;各电表包括空房用户的空房电表和用电用户的用电电表;根据各电表的电压时序数据确定各电表的电压相关性,将空房电表与相关性最大的用电电表聚类并分别计算各类别下所有电表的有功电流总和;根据各相低压出线首端的有功电流时序数据和各类别的有功电流总和,求解线户关系识别优化模型确定空房用户的线户关系。基于相同相线且电气距离较近的用户其电压相关性系数较高的用户电压特性,通过上述识别方法实现了低压台区空房用户线户关系的准确识别。
Description
技术领域
本发明涉及电力配电网技术领域,特别是涉及一种台区空房用户线户关系识别方法、装置和设备。
背景技术
在农村或者其他偏远地区,许多用户选择常年外出务工,通常在节假日返乡居住才会用电,使得这类用户的空房率较高,因此将平时不用电的用户称为空房用户。空房用户在节假日用电的高峰负荷中占据较大比重,而空房用户的线户关系缺失,严重制约了低压台区高峰负荷时的用电优化管理;因此,研究低压台区空房用户线户关系的识别方法显得尤为重要。
当前低压台区拓扑关系识别方法主要可分为注入信号法、数据标签法与数据分析法,注入信号法和数据标签法均需增加大量终端设备,且存在电子化移交的准确度要求高、投资大和运维难等问题,难以有效推广。数据分析法具备改造量小,投入产出比大等优点,已成为解决低压台区拓扑识别的户变关系校验和电表相序识别问题的重要技术方向。然而,在实现本发明过程中,发明人发现对传统的数据分析法存在着无法准确识别空房用户的线户关系的问题。
发明内容
基于此,有必要针对上述传统的数据分析法所存在的问题,提供一种能够准确识别台区空房用户的线户关系的台区空房用户线户关系识别方法、一种台区空房用户线户关系识别装置、一种计算机设备和一种计算机可读存储介质。
为了实现上述目的,本发明实施例提供以下技术方案:
一方面,本发明实施例提供一种台区空房用户线户关系识别方法,包括:
获取目标台区各电表的电压时序数据和有功电流时序数据,以及各相低压出线首端的有功电流时序数据;各电表包括空房用户的空房电表和用电用户的用电电表;
根据各电表的电压时序数据确定各电表的电压相关性,将空房电表与相关性最大的用电电表聚类并分别计算各类别下所有电表的有功电流总和;
根据各相低压出线首端的有功电流时序数据和各类别的有功电流总和,求解线户关系识别优化模型确定空房用户的线户关系;
线户关系识别优化模型为:
其中,min f表示最小电流差值,T表示各时序数据包含的总时段数,E表示配变低压出线总回数,表示t时刻相低压出线e首端的有功电流值,表示第g个类别在t时刻所有电表的有功电流总和值,表示电表类别g与目标台区各相低压出线归属关系的二进制变量,K表示聚类的总类别数。
在其中一个实施例中,获取目标台区各电表的有功电流时序数据的过程,包括:
获取目标台区各电表的有功功率时序数据和电压时序数据;
根据各电表的有功功率时序数据和电压时序数据,计算得到各电表的有功电流时序数据。
在其中一个实施例中,获取各相低压出线首端的有功电流时序数据的过程,包括:
获取目标台区低压侧三相母线的电压时序数据和各相低压出线首端的有功功率时序数据;
根据低压侧三相母线的电压时序数据和各相低压出线首端的有功功率时序数据,计算得到各相低压出线首端的有功电流时序数据。
在其中一个实施例中,上述方法还包括:
获取目标台区的抄表目录;
采集抄表目录上各电表的电压时序数据和有功功率时序数据、低压侧三相母线的电压时序数据以及各相低压出线首端的有功功率时序数据。
在其中一个实施例中,上述方法还包括:
采集抄表目录上各电表在设定周期内的电量数据;
根据电量数据从各电表中筛选出空房电表。
在其中一个实施例中,根据各电表的电压时序数据确定各电表的电压相关性,将空房电表与相关性最大的用电电表聚类的过程,包括:
根据各电表的电压时序数据计算空房电表与目标台区内所有电表的相关系数矩阵R;
根据相关系数矩阵R的相关系数值,将空房电表与相关性最大的用电电表聚类,得到电表类别库;
相关系数矩阵R为:
其中,R表示M个空房电表与目标台区内N个电表之间的相关系数矩阵,元素rij表示电表i与电表j的电压时序的相关系数;
其中,ui,t表示电表i在时刻t的电压值、uj,t表示电表j在时刻t的电压值,i、j=1,2,...,M,t=1,2,...,T。
另一方面,还提供一种台区空房用户线户关系识别装置,包括:
电流获取模块,用于获取目标台区各电表的电压时序数据和有功电流时序数据,以及各相低压出线首端的有功电流时序数据;各电表包括空房用户的空房电表和用电用户的用电电表;
聚类处理模块,用于根据各电表的电压时序数据确定各电表的电压相关性,将空房电表与相关性最大的用电电表聚类并分别计算各类别下所有电表的有功电流总和;
关系确定模块,用于根据各相低压出线首端的有功电流时序数据和各类别的有功电流总和,求解线户关系识别优化模型确定空房用户的线户关系;
线户关系识别优化模型为:
其中,min f表示最小电流差值,T表示各时序数据包含的总时段数,E表示配变低压出线总回数,表示t时刻相低压出线e首端的有功电流值,表示第g个类别在t时刻所有电表的有功电流总和值,表示电表类别g与目标台区各相低压出线归属关系的二进制变量,K表示聚类的总类别数。
在其中一个实施例中,还包括:
抄表获取模块,用于获取目标台区的抄表目录;
目录采集模块,用于采集抄表目录上各电表的电压时序数据和有功功率时序数据、低压侧三相母线的电压时序数据以及各相低压出线首端的有功功率时序数据。
又一方面,还提供一种计算机设备,包括存储器和处理器,存储器存储有计算机程序,处理器执行计算机程序时实现上述台区空房用户线户关系识别方法的步骤。
再一方面,还提供一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述台区空房用户线户关系识别方法的步骤。
上述各技术方案中的一个技术方案具有如下优点和有益效果:
上述台区空房用户线户关系识别方法、装置和设备,基于相同相线且电气距离较近的用户其电压相关性系数较高的用户电压特性,通过获取目标台区各电表的电压时序数据和有功电流时序数据,以及各相低压出线首端的有功电流时序数据,然后进行电压相关性分析将空房电表与用电电表聚成一类。进而,根据各相低压出线首端的有功电流时序数据和各类别的有功电流总和,求解线户关系识别优化模型,确定各个电表类别的相线归属关系,并由此得到空房用户的线户关系。在无需增加额外终端设备的前提下,实现了低压台区空房用户线户关系的准确识别,操作方便且成本低。
附图说明
为了更清楚地说明本申请实施例或传统技术中的技术方案,下面将对实施例或传统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申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为一个实施例中台区空房用户线户关系识别方法的第一流程示意图;
图2为一个实施例中其中一种实际台区网络接线示意图;
图3为一个实施例中有功电流时序数据的获取流程示意图;
图4为一个实施例中各电表在24个时刻内的电压时序曲线;
图5为一个实施例中各电表在24个时刻内的有功功率时序曲线;
图6为一个实施例中各电表在24个时刻的有功电流时序曲线;
图7为一个实施例中配变低压侧三相低压母线A、B和C在24个时刻内的电压时序曲线;
图8为一个实施例中各相低压出线首端的有功功率在24个时刻的时序曲线;
图9为一个实施例中各相低压出线首端在24个时刻的有功电流时序曲线;
图10为一个实施例中台区空房用户线户关系识别方法的第二流程示意图;
图11为一个实施例中台区空房用户线户关系识别方法的第三流程示意图;
图12为一个实施例中台区空房用户线户关系识别方法的第四流程示意图;
图13为一个实施例中台区空房用户线户关系识别装置的模块结构框图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
需要说明的是,除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体地实施方式的目的,不是旨在于限制本发明。本文所使用的术语“和/或”包括一个或多个相关的所列项目的任意的和所有的组合。
请参阅图1和图2,在一个实施例中,提供了一种台区空房用户线户关系识别方法,包括如下步骤S12至S16:
S12,获取目标台区各电表的电压时序数据和有功电流时序数据,以及各相低压出线首端的有功电流时序数据;各电表包括空房用户的空房电表和用电用户的用电电表。
可以理解,如图2所示为其中一种实际台区网络接线示意图,用于方便理解本申请提供的技术方案,而不是对本申请提供的技术方案应用场景的限定,本申请的技术方案可以应用于各种实际台区网络中。结合图2可知,该目标台区有1条低压出线,9个单相用户C1至C9,一个用户负载接入其中一相低压出线并从该相低压出线获取电功率,其对应的电表则会自动记录该用户负载取用的电功率相关数据。空房用户的电表对应称为空房电表,其在计量周期(或称时间段内)用电量为零,因此,可以通过电表记录的电功率相关数据,由人工识别或设备自动识别目标台区中哪些电表是空房电表,哪些是用电用户的用电电表。
其中,目标台区可以是配电网中任一需要识别空房用户的线户关系的台区,有功电流值为用户有功负载运行而从电源侧产生的电流值。各电表的电压时序数据是指目标台区各电表在当前识别周期内的电压随时间变化的数据,每一个电表对应着一份电压时序数据;同理,各电表的有功电流时序数据是指各电表在当前识别周期内的有功电流随时间变化的数据。各相低压出线首端的有功电流时序数据同理类似。
当前识别周期是指应用上述台区空房用户线户关系识别方法,对目标台区进行空房用户的线户关系识别的时间段,例如连续的12小时内、24小时内、48小时内或者其他时间段,具体可以根据识别处理的具体场景确定,只要能够确保识别所需的准确数据输入即可,例如非节假日可选择识别周期相对于节假日的长些。
具体的,上述台区空房用户线户关系识别方法可由计算机设备实现,该计算机设备可以从配电网的抄表***直接获取所需的电压和有功功率时序数据,也可以通过运维人员预先载入的方式获取所需的电压和有功功率时序数据。所需的电压和有功功率时序数据,还可以通过计算机设备或者其他数据处理设备基于各电表和各相低压出线首端的采集电功率数据,利用电流计算公式进行功率-电流转换而间接获得,只要能够在识别开始时获取所需的电压和有功功率时序数据均可。
S14,根据各电表的电压时序数据确定各电表的电压相关性,将空房电表与相关性最大的用电电表聚类并分别计算各类别下所有电表的有功电流总和。
可以理解,电压相关性可以采用本领域中的电压曲线相关性分析手段来直接确定,具体是用各电表的电压时序数据计算目标台区内所有电表的相关系数矩阵即可得到各电表间的相关系数,相关系数矩阵可以有多种变形,本实施例中不做具体限定,只要能够计算获得各电表之间的相关系数均可。
具体的,计算机设备根据各电表的电压时序数据,基于电压曲线相关性分析确定各电表的电压相关性。对于每个空房电表而言,将相关性最大的用电电表与空房电表聚成一类,其余相关性不是最大的用电电表则可各自单独成类,最终得到多个电表类别。进而,分别计算每个类别下所有电表的有功电流总和,将该有功电流总和作为相应电表类别的有功电流值。
其中,表示第g个类别在t时刻所有电表的有功电流总和。ΥK(g)表示各电表类别共同组成的类别集合。表示电表i在t时刻的有功电流值。K表示聚类的总类别数。i=1,2,…,M,M表示所有目标台区的电表总数。t=1,2,…,T,T表示当前识别周期包含的总小时数。
S16,根据各相低压出线首端的有功电流时序数据和各类别的有功电流总和,求解线户关系识别优化模型确定空房用户的线户关系;
线户关系识别优化模型为:
其中,min f表示最小电流差值,T表示各时序数据包含的总时段数,E表示配变低压出线总回数,表示t时刻相低压出线e首端的有功电流值,表示第g个类别在t时刻所有电表的有功电流总和值,表示电表类别g与目标台区各相低压出线归属关系的二进制变量,K表示聚类的总类别数。
具体的,可以预先构建上述基于基尔霍夫电流定律的线户关系识别优化模型并载入计算机设备中。线户关系识别优化模型的目标函数表示为:各相低压出线首端流出的有功电流,与属于该相出线的所有电表类别的有功电流之和的差值在数据采集周期(也即上述当前识别周期)内的绝对值和最小。分别计算得到各类别下所有电表的有功电流总和后,即可根据各相低压出线首端的有功电流时序数据,以及各类别的有功电流总和通过在计算机设备中求解计算,可得到归属于目标台区各相线的电表类别,而在同一类别的电表即在相同相线,因此从各个电表类别所属的相线,即确定空房用户的线户关系。
上述台区空房用户线户关系识别方法,基于相同相线且电气距离较近的用户其电压相关性系数较高的用户电压特性,通过获取目标台区各电表的电压时序数据和有功电流时序数据,以及各相低压出线首端的有功电流时序数据,然后进行电压相关性分析将空房电表与用电电表聚成一类。进而,根据各相低压出线首端的有功电流时序数据和各类别的有功电流总和,求解线户关系识别优化模型,确定各个电表类别的相线归属关系,并由此得到空房用户的线户关系。在无需增加额外终端设备的前提下,实现了低压台区空房用户线户关系的准确识别,操作方便且成本低。
请参阅图3,在一个实施例中,关于上述处理步骤S12中获取目标台区各电表的有功电流时序数据的过程,具体可以包括如下处理步骤S122和S124:
S122,获取目标台区各电表的有功功率时序数据和电压时序数据;
S124,根据各电表的有功功率时序数据和电压时序数据,计算得到各电表的有功电流时序数据。
可以理解,在一些实施方式中,对于各电表的数据,计算机设备可直接获取的是目标台区中各电表的有功功率时序数据及其电压时序数据。以9个单相用户C1至C9(其对应的电表以同样标号表示)在当前识别周期为24小时的识别为例,如图4所示的是各电表在24个时刻内的电压时序曲线,如图5所示的是各电表在24个时刻内的有功功率时序曲线,其中9个单相用户C1至C9中,用户电表C5、C7和C9对应的用户为空房用户,其在该24小时内用电量为零,因此其有功功率为零。此时,计算机设备可以通过功率-电流转换处理,分别计算得到各电表对应的有功电流时序数据:
Ii,t=Pi,t/ui,t
其中,Ii,t表示电表i在t时刻的有功电流值,Pi,t表示电表i在t时刻的有功功率,ui,t表示电表i在t时刻的电压。i=1,2,…,M,M表示所有目标台区的电表总数。t=1,2,…,T,T表示当前识别周期包含的总小时数。如图6所示的是根据各电表的电压和有功功率时序数据,计算得到各电表在24个时刻的有功电流时序曲线。
通过上述处理步骤,可以根据各电表的有功功率时序数据和电压时序数据,在线快速获取各电表的有功电流时序数据,提升识别效率。
在一个实施例中,如图3所示,关于上述处理步骤S12中获取各相低压出线首端的有功电流时序数据的过程,具体可以包括如下处理步骤S126和S128:
S126,获取目标台区低压侧三相母线的电压时序数据和各相低压出线首端的有功功率时序数据;
S128,根据低压侧三相母线的电压时序数据和各相低压出线首端的有功功率时序数据,计算得到各相低压出线首端的有功电流时序数据。
可以理解,在一些实施方式中,对于目标台区低压侧三相母线以及各相低压出线的有功电流数据,计算机设备也可直接获取的是目标台区低压侧三相母线的电压时序数据及各相低压出线首端的有功功率时序数据,进而通过功率-电流转换处理,计算得到各相低压出线首端的有功电流时序数据。
其中,表示t时刻相低压出线e首端的有功电流值、表示t时刻相低压出线e首端的有功功率,表示t时刻相低压母线的电压。i=1,2,…,M,M表示所有目标台区的电表总数。t=1,2,…,T,T表示当前识别周期包含的总小时数。e=1,2,…,E,E表示配变低压出线总回数,A、B和C也即三相低压母线。如图7所示的是配变低压侧三相低压母线A、B和C在24个时刻内的电压时序曲线,如图8所示的是各相低压出线首端的有功功率在24个时刻的时序曲线,如图9所示的是根据低压侧三相母线的电压时序数据和各相低压出线首端的有功功率时序数据,计算得到各相低压出线首端在24个时刻的有功电流时序曲线。
通过上述处理步骤,可以根据低压侧三相母线电压时序数据和各相低压出线首端的有功功率时序数据,在线快速获取各相低压出线首端的有功电流时序数据,进一步提升识别效率。
请参阅图10,在一个实施例中,上述台区空房用户线户关系识别方法,还可以包括如下处理步骤S08和S09:
S08,获取目标台区的抄表目录;
S09,采集抄表目录上各电表的电压时序数据和有功功率时序数据、低压侧三相母线的电压时序数据以及各相低压出线首端的有功功率时序数据。
可以理解,在本实施例中,可以将计算机设备与目标台区的抄表***直接或者通过数据库服务器间接联网,从而计算机设备可以直接在线提取目标台区的抄表目录。然后计算机设备采集抄表目录上各电表的电压和有功功率时序数据、低压侧母线的电压时序数据以及各相低压出线首端的有功功率时序数据,从而方便计算机设备更高效地获取所需的各电表的有功电流时序数据和各相低压出线首端的有功电流时序数据。
通过上述处理步骤,可以使得计算机设备获取数据更高效且实时性更强,进而能够更进一步地提升空房用户的线户关系识别效率,进一步简化识别操作。
请参阅图11,在一个实施例中,述台区空房用户线户关系识别方法,还可以包括如下处理步骤S10和S11:
S10,采集抄表目录上各电表在设定周期内的电量数据;
S11,根据电量数据从各电表中筛选出空房电表。
可以理解,在本实施例中,通过计算机设备自动筛选出空房电表。具体的,计算机设备在开始对目标台区进行空房用户的线户关系识别时,提取目标台区的抄表目录后,即可采集抄表目录上各电表的电量数据,如采集当前识别周期(也即设定周期)内各电表记录的电量数据,然后分别根据各电表对应的电量数据,判断各相应电表是空房电表还是用电电表。例如在该设定周期内,对应任一电表而言,该电表的电量数据表明其用电量为零,则确定电表为空房电表,否则为用电电表。
具体的,计算机设备基于采集的电量数据,筛选出空房电表后,在后续的识别处理过程中可以连续处理,而无需等待人工指示或者其他设备(如抄表***接入的数据库服务器)指示哪些电表是空房电表、哪些电表则是用户电表后再进行电表聚类处理。如此,可以进一步提升整个识别处理的效率,节省时间成本。
请参阅图12,在一个实施例中,关于上述的步骤S14中根据各电表的电压时序数据确定各电表的电压相关性,将空房电表与相关性最大的用电电表聚类的过程,具体可以包括如下处理步骤S142和S144:
S142,根据各电表的电压时序数据计算空房电表与目标台区内所有电表的相关系数矩阵R;
S144,根据相关系数矩阵R的相关系数值,将空房电表与相关性最大的用电电表聚类,得到电表类别库。
相关系数矩阵R为:
其中,R表示M个空房电表与目标台区内N个电表之间的相关系数矩阵,元素rij表示电表i与电表j的电压时序的相关系数;
其中,ui,t表示电表i在时刻t的电压值、uj,t表示电表j在时刻t的电压值,i、j=1,2,...,M,M表示所有目标台区的电表总数。t=1,2,...,T,T表示当前识别周期包含的总小时数。
具体的,在本实施例中,采用上述典型形式的相关系数矩阵R计算空房电表与用电电表之间的相关系数值,计算量小且效率更高。为便于理解上述方法处理过程,以上述9个单相用户C1至C9在当前识别周期为24小时的识别为例:
空房电表与目标台区内所有电表的相关系数矩阵R,其表格形式如表1所示,
表1
C1 | C2 | C3 | C4 | C5 | C6 | C7 | C8 | C9 | |
C5 | 0.8845 | 0.553 | 0.5381 | 1 | 1 | 0.9005 | 0.553 | 0.9294 | 0.9294 |
C7 | 0.8122 | 1 | 0.9994 | 0.553 | 0.553 | 0.5416 | 1 | 0.4632 | 0.4632 |
C9 | 0.7163 | 0.4636 | 0.4397 | 0.9294 | 0.9294 | 0.9887 | 0.4632 | 1 | 1 |
由表1可知,空房用户对应的空房电表C5与用电用户对应的用电电表C4的相关性最大,因此将电表C5和电表C4聚成一类,同理将电表C7和电表C2聚成一类,将电表C9和电表C8聚成一类。最终得到类别库ΥK(g):{[C1],[C2,C7],[C3],[C4,C5],[C6],[C8,C9]}。
进一步,对同一类别下的电表有功电流值求和,将该和值作为此类别的有功电流值。由于电表C5、电表C7和电表C9在当前识别周期内用电量为0,因此[C2,C7]、[C4,C5]和[C8,C9]三个类别的有功电流分别等于C2、C4和C8的有功电流值。[C1]、[C3]和[C6]三个类别均只包含的一个电表,因此这三个类别的有功电流值分别为C1、C3和C6的有功电流值。
最后,根据各相低压出线首端的有功电流时序数据,以及各类别的有功电流总和,利用本领域的运算软件(例如但不限于MATALB软件)求解线户关系识别优化模型,得到归属于目标台区各相线的电表类别,如表2所示:
表2
相线 | 待归属电表分类库 |
A | [C1]、[C4,C5] |
B | [C2,C7]、[C3] |
C | [C6]、[C8,C9] |
由表2可知,空房电表C5、C7和C9分别连接在A、B和C相上,与图2所示的接线示意对比可知,该识别结果准确反映了该目标台区内空房用户的线户关系。
应该理解的是,虽然图1、图3以及图10至图12的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且图1、图3以及图10至图12中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
请参阅图13,在一个实施例中,还提供一种台区空房用户线户关系识别装置100,包括电流获取模块11、聚类处理模块13和关系确定模块15。电流获取模块11用于获取目标台区各电表的电压时序数据和有功电流时序数据,以及各相低压出线首端的有功电流时序数据;各电表包括空房用户的空房电表和用电用户的用电电表。聚类处理模块13用于根据各电表的电压时序数据确定各电表的电压相关性,将空房电表与相关性最大的用电电表聚类并分别计算各类别下所有电表的有功电流总和。关系确定模块15用于根据各相低压出线首端的有功电流时序数据和各类别的有功电流总和,求解线户关系识别优化模型确定空房用户的线户关系;线户关系识别优化模型为:
其中,min f表示最小电流差值,T表示各时序数据包含的总时段数,E表示配变低压出线总回数,表示t时刻相低压出线e首端的有功电流值,表示第g个类别在t时刻所有电表的有功电流总和值,表示电表类别g与目标台区各相低压出线归属关系的二进制变量,K表示聚类的总类别数。
上述台区空房用户线户关系识别装置100,通过各模块的协作,基于相同相线且电气距离较近的用户其电压相关性系数较高的用户电压特性,通过获取目标台区各电表的电压时序数据和有功电流时序数据,以及各相低压出线首端的有功电流时序数据,然后进行电压相关性分析将空房电表与用电电表聚成一类。进而,根据各相低压出线首端的有功电流时序数据和各类别的有功电流总和,求解线户关系识别优化模型,确定各个电表类别的相线归属关系,并由此得到空房用户的线户关系。在无需增加额外终端设备的前提下,实现了低压台区空房用户线户关系的准确识别,操作方便且成本低。
在一个实施例中,上述电流获取模块11可以包括第一获取子模块和第一计算子模块。第一获取子模块用于获取目标台区各电表的有功功率时序数据和电压时序数据。第一计算子模块用于根据各电表的有功功率时序数据和电压时序数据,计算得到各电表的有功电流时序数据。
在一个实施例中,上述第一获取子模块还用于获取目标台区低压侧三相母线的电压时序数据和各相低压出线首端的有功功率时序数据。上述第一计算子模块还用于根据低压侧三相母线的电压时序数据和各相低压出线首端的有功功率时序数据,计算得到各相低压出线首端的有功电流时序数据。
在一个实施例中,上述台区空房用户线户关系识别装置100还可以包括抄表获取模块和目录采集模块。抄表获取模块用于获取目标台区的抄表目录,目录采集模块用于采集抄表目录上各电表的电压时序数据和有功功率时序数据、低压侧三相母线的电压时序数据以及各相低压出线首端的有功功率时序数据。
在一个实施例中,上述台区空房用户线户关系识别装置100还可以包括电表筛选模块。电表筛选模块用于采集抄表目录上各电表在设定周期内的电量数据,根据电量数据从各电表中筛选出空房电表。
在一个实施例中,上述聚类处理模块13具体可以用于根据各电表的电压时序数据计算空房电表与目标台区内所有电表的相关系数矩阵R;以及用于根据相关系数矩阵R的相关系数值,将空房电表与相关性最大的用电电表聚类,得到电表类别库;
相关系数矩阵R为:
其中,R表示M个空房电表与目标台区内N个电表之间的相关系数矩阵,元素rij表示电表i与电表j的电压时序的相关系数;
其中,ui,t表示电表i在时刻t的电压值、uj,t表示电表j在时刻t的电压值,i、j=1,2,...,M,M表示所有目标台区的电表总数。t=1,2,...,T,T表示当前识别周期包含的总小时数。
关于台区空房用户线户关系识别装置100的具体限定,可以参见上文中台区空房用户线户关系识别方法的相应限定,在此不再赘述。上述台区空房用户线户关系识别装置100中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作,该计算机设备可以是供电***的主控计算机,也可以是运维人员使用的个人电脑或者其他独立设置的监控电脑。
在一个实施例中,还提供一种计算机设备,该计算机设备包括存储器和处理器,存储器存储有计算机程序,处理器执行计算机程序时实现以下步骤:获取目标台区各电表的电压时序数据和有功电流时序数据,以及各相低压出线首端的有功电流时序数据;根据各电表的电压时序数据确定各电表的电压相关性,将空房电表与相关性最大的用电电表聚类并分别计算各类别下所有电表的有功电流总和;根据各相低压出线首端的有功电流时序数据和各类别的有功电流总和,求解线户关系识别优化模型确定空房用户的线户关系。其中,各电表包括空房用户的空房电表和用电用户的用电电表,且线户关系识别优化模型为:
其中,min f表示最小电流差值,T表示各时序数据包含的总时段数,E表示配变低压出线总回数,表示t时刻相低压出线e首端的有功电流值,表示第g个类别在t时刻所有电表的有功电流总和值,表示电表类别g与目标台区各相低压出线归属关系的二进制变量,K表示聚类的总类别数。
本领域技术人员可以理解,本实施例中的计算机设备除上述的存储器和处理器外,还可以包括其他的组成部分,具体可以根据实际应用中具体的计算机设备的结构组成及其实现的功能确定,本说明书中不再一一展开说明。前述计算机设备可以是供电***的主控计算机,也可以是运维人员使用的个人电脑或者其他独立设置的监控电脑。
在一个实施例中,处理器执行计算机程序时还可以实现上述台区空房用户线户关系识别方法各实施例中的增加的步骤或者子步骤。
在一个实施例中,还提供一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:获取目标台区各电表的电压时序数据和有功电流时序数据,以及各相低压出线首端的有功电流时序数据;根据各电表的电压时序数据确定各电表的电压相关性,将空房电表与相关性最大的用电电表聚类并分别计算各类别下所有电表的有功电流总和;根据各相低压出线首端的有功电流时序数据和各类别的有功电流总和,求解线户关系识别优化模型确定空房用户的线户关系。其中,各电表包括空房用户的空房电表和用电用户的用电电表,且线户关系识别优化模型为:
其中,min f表示最小电流差值,T表示各时序数据包含的总时段数,E表示配变低压出线总回数,表示t时刻相低压出线e首端的有功电流值,表示第g个类别在t时刻所有电表的有功电流总和值,表示电表类别g与目标台区各相低压出线归属关系的二进制变量,K表示聚类的总类别数。
在一个实施例中,计算机程序被处理器执行时,还可以实现上述台区空房用户线户关系识别方法各实施例中的增加的步骤或者子步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线式动态随机存储器(Rambus DRAM,简称RDRAM)以及接口动态随机存储器(DRDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。以上实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种台区空房用户线户关系识别方法,其特征在于,包括:
获取目标台区各电表的电压时序数据和有功电流时序数据,以及各相低压出线首端的有功电流时序数据;各所述电表包括空房用户的空房电表和用电用户的用电电表;
根据各所述电表的电压时序数据确定各所述电表的电压相关性,将所述空房电表与相关性最大的所述用电电表聚类并分别计算各类别下所有电表的有功电流总和;
根据各相低压出线首端的所述有功电流时序数据和各类别的所述有功电流总和,求解线户关系识别优化模型确定所述空房用户的线户关系;
所述线户关系识别优化模型为:
其中,min f表示最小电流差值,T表示各时序数据包含的总时段数,E表示配变低压出线总回数,表示t时刻相低压出线e首端的有功电流值,表示第g个类别在t时刻所有电表的有功电流总和值,表示电表类别g与所述目标台区各相低压出线归属关系的二进制变量,K表示聚类的总类别数;
根据各所述电表的电压时序数据确定各所述电表的电压相关性,将所述空房电表与相关性最大的所述用电电表聚类的过程,包括:
根据各电表的电压时序数据计算空房电表与目标台区内所有电表的相关系数矩阵R;
根据相关系数矩阵R的相关系数值,将空房电表与相关性最大的用电电表聚类,得到电表类别库;
其中,所述相关系数值是空房电表与用电电表之间的相关系数值。
2.根据权利要求1所述的台区空房用户线户关系识别方法,其特征在于,获取目标台区各电表的有功电流时序数据的过程,包括:
获取所述目标台区各电表的有功功率时序数据和所述电压时序数据;
根据所述各电表的有功功率时序数据和所述电压时序数据,计算得到所述各电表的所述有功电流时序数据。
3.根据权利要求1所述的台区空房用户线户关系识别方法,其特征在于,获取各相低压出线首端的有功电流时序数据的过程,包括:
获取所述目标台区低压侧三相母线的电压时序数据和所述各相低压出线首端的有功功率时序数据;
根据所述低压侧三相母线的电压时序数据和所述各相低压出线首端的有功功率时序数据,计算得到所述各相低压出线首端的有功电流时序数据。
4.根据权利要求1至3任一项所述的台区空房用户线户关系识别方法,其特征在于,还包括:
获取所述目标台区的抄表目录;
采集所述抄表目录上所述各电表的电压时序数据和有功功率时序数据、低压侧三相母线的电压时序数据以及所述各相低压出线首端的有功功率时序数据。
5.根据权利要求4所述的台区空房用户线户关系识别方法,其特征在于,所述方法还包括:
采集所述抄表目录上各电表在设定周期内的电量数据;
根据所述电量数据从各所述电表中筛选出所述空房电表。
7.一种台区空房用户线户关系识别装置,其特征在于,包括:
电流获取模块,用于获取目标台区各电表的电压时序数据和有功电流时序数据,以及各相低压出线首端的有功电流时序数据;各所述电表包括空房用户的空房电表和用电用户的用电电表;
聚类处理模块,用于根据各所述电表的电压时序数据确定各所述电表的电压相关性,将所述空房电表与相关性最大的所述用电电表聚类并分别计算各类别下所有电表的有功电流总和;
关系确定模块,用于根据各相低压出线首端的所述有功电流时序数据和各类别的所述有功电流总和,求解线户关系识别优化模型确定所述空房用户的线户关系;
所述线户关系识别优化模型为:
其中,min f表示最小电流差值,T表示各时序数据包含的总时段数,E表示配变低压出线总回数,表示t时刻相低压出线e首端的有功电流值,表示第g个类别在t时刻所有电表的有功电流总和值,表示电表类别g与所述目标台区各相低压出线归属关系的二进制变量,K表示聚类的总类别数;
聚类处理模块具体可以用于根据各电表的电压时序数据计算空房电表与目标台区内所有电表的相关系数矩阵R;以及用于根据相关系数矩阵R的相关系数值,将空房电表与相关性最大的用电电表聚类,得到电表类别库;其中,所述相关系数值是空房电表与用电电表之间的相关系数值。
8.根据权利要求7所述的台区空房用户线户关系识别装置,其特征在于,还包括:
抄表获取模块,用于获取所述目标台区的抄表目录;
目录采集模块,用于采集所述抄表目录上所述各电表的电压时序数据和有功功率时序数据、低压侧三相母线的电压时序数据以及所述各相低压出线首端的有功功率时序数据。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述台区空房用户线户关系识别方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至6中任一项所述台区空房用户线户关系识别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010449364.3A CN111505446B (zh) | 2020-05-25 | 2020-05-25 | 台区空房用户线户关系识别方法、装置和设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010449364.3A CN111505446B (zh) | 2020-05-25 | 2020-05-25 | 台区空房用户线户关系识别方法、装置和设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111505446A CN111505446A (zh) | 2020-08-07 |
CN111505446B true CN111505446B (zh) | 2022-07-26 |
Family
ID=71878537
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010449364.3A Active CN111505446B (zh) | 2020-05-25 | 2020-05-25 | 台区空房用户线户关系识别方法、装置和设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111505446B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112329806B (zh) * | 2020-09-01 | 2023-09-26 | 华南理工大学 | 一种用于低压台区拓扑识别的电表聚类方法 |
CN112557773B (zh) * | 2020-12-02 | 2024-02-23 | 广东电网有限责任公司广州供电局 | 一种单相户表的相别计算方法、装置和设备 |
CN112701700B (zh) * | 2020-12-24 | 2023-06-02 | 广东电网有限责任公司计量中心 | 一种基于多目标优化的台区三相不平衡治理方法和*** |
CN113176458B (zh) * | 2021-03-08 | 2022-08-30 | 深圳职业技术学院 | 一种针对数据不完整的低压台区相户关系识别方法 |
CN113075475B (zh) * | 2021-03-24 | 2022-12-23 | 南方电网科学研究院有限责任公司 | 一种台区内电能表分相识别方法、装置、终端及存储介质 |
CN113344450B (zh) * | 2021-07-02 | 2023-01-20 | 广东电网有限责任公司 | 低压台区线户识别方法、***、终端设备及存储介质 |
CN113612221B (zh) * | 2021-07-20 | 2023-03-17 | 国网湖南省电力有限公司 | Hplc台区集中器与台区总表的相位一致性判定方法 |
CN114897631A (zh) * | 2022-04-06 | 2022-08-12 | 北京志翔科技股份有限公司 | 一种特征分析的表户错位分析方法及装置 |
CN115577993B (zh) * | 2022-12-09 | 2023-04-07 | 江苏瑞电智芯信息科技有限公司 | 一种基于时序匹配的台区户变识别方法 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107517071B (zh) * | 2017-08-05 | 2021-08-20 | 青岛鼎信通讯股份有限公司 | 低压交流市电台区智能识别方法 |
CN109725219B (zh) * | 2018-12-29 | 2021-02-09 | 重庆邮电大学 | 一种电能表台区自动识别方法 |
CN109856507B (zh) * | 2019-03-19 | 2024-04-02 | 广东电网有限责任公司 | 一种基于电流畸变的低压台区线户关系识别方法和*** |
CN110120668B (zh) * | 2019-05-08 | 2021-09-07 | 许昌许继软件技术有限公司 | 一种台区拓扑自动识别方法及*** |
CN110389269B (zh) * | 2019-07-25 | 2021-08-31 | 广州市奔流电力科技有限公司 | 基于电流优化匹配的低压台区拓扑关系识别方法及其装置 |
CN110376469B (zh) * | 2019-07-29 | 2021-08-06 | 广州市奔流电力科技有限公司 | 台区相序与线户关系识别方法及其装置 |
CN110865237A (zh) * | 2019-11-15 | 2020-03-06 | 四川中电启明星信息技术有限公司 | 基于电压时间序列的配电台区户表相位关系校验方法 |
CN113176458B (zh) * | 2021-03-08 | 2022-08-30 | 深圳职业技术学院 | 一种针对数据不完整的低压台区相户关系识别方法 |
-
2020
- 2020-05-25 CN CN202010449364.3A patent/CN111505446B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN111505446A (zh) | 2020-08-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111505446B (zh) | 台区空房用户线户关系识别方法、装置和设备 | |
CN110376469B (zh) | 台区相序与线户关系识别方法及其装置 | |
CN111505433B (zh) | 一种低压台区户变关系纠错及相位识别方法 | |
CN110389269B (zh) | 基于电流优化匹配的低压台区拓扑关系识别方法及其装置 | |
CN112329806B (zh) | 一种用于低压台区拓扑识别的电表聚类方法 | |
CN111817291A (zh) | 一种基于电压关联特性的低压台区相户关系识别方法 | |
CN111505443B (zh) | 低压台区线户关系识别方法、装置和计算机设备 | |
CN108335229A (zh) | 一种基于电网运营数据的理论线损计算方法 | |
CN113176458B (zh) | 一种针对数据不完整的低压台区相户关系识别方法 | |
CN113283096B (zh) | 配网线路台账数据获取及异常数据分析的方法和相关装置 | |
CN111339491A (zh) | 一种城市配电网改造方案的评估方法 | |
CN113872204B (zh) | 一种基于电网图拓扑计算的用电负荷性质确定方法及装置 | |
CN113189418B (zh) | 一种基于电压数据的拓扑关系识别方法 | |
CN112198375B (zh) | 单相用户的相位识别方法、装置、设备和存储介质 | |
CN114355090A (zh) | 基于电力拓扑信息采集***的线损分析方法、装置及设备 | |
CN109816017A (zh) | 基于模糊聚类和拉格朗日插值的电网缺失数据填补方法 | |
CN112464059B (zh) | 配电网用户分类方法、装置、计算机设备和存储介质 | |
CN112016856B (zh) | 综合倍率异常识别方法、装置、计量***和存储介质 | |
CN108154259B (zh) | 热泵的负荷预测方法及装置、存储介质、处理器 | |
CN112182499A (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 | |
CN111680832A (zh) | 一种基于大数据技术的智能配电网接入方法 | |
CN112615375B (zh) | 一种融合智能开关的低压台区多级分支线户识别方法 | |
CN113806899B (zh) | 一种配电网拓扑关系的识别方法、装置及移动终端 | |
Procopiou et al. | Advanced Planning of PV-Rich Distribution Networks-Deliverable 1: HV-LV modelling of selected HV feeders | |
CN114996535A (zh) | 电网中电力设备的数据检索方法、***及电子设备 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |