CN112085065A - 基于电压和有功功率读数的低压用户入户相别识别方法 - Google Patents

Abstract

本发明公开了基于电压和有功功率读数的低压用户入户相别识别方法，用于识别低压入户线的相线识别。首先收集用户数据，采取试错法优选一个使得3*M_D聚类效果比较好的M_D值。通过此聚类，将原用户集聚为3*M_D个虚拟用户。其次对3*M_D中心点电压序列集合，采取t‑SNE基于特征提取进行再次降维。对于特征空间的电压波形以及聚合功率，提出同时考虑功率平衡和电压时序波形双目标分类的多目标优化方法：先对仅考虑功率平衡的优化问题求解，得到初始解；再利用初始解得到双目标优化方法的解，得到最终的优化解。再由虚拟用户和实际用户的对应关系得到相别辨识的结果。

Description

基于电压和有功功率读数的低压用户入户相别识别方法

技术领域

本发明属于智能电网领域，具体涉及在智能电表量测条件下，一种基于电压和有功功率读数的低压用户入户相别识别方法。

背景技术

智能电网+电力物联网，是未来电力能源***的发展方向；作为服务客户最广泛的低压配电网，自然成为泛在电力物联网最核心的应用场合。台区低压配电网量大面广，扩接改接的几率很高，且存在一定的隐蔽布线工程；变-线-户之间的拓扑关系不明确，缺乏电网拓扑及技术参数是国内外普遍的现象，低压配电网可观可视的基本条件尚未达到，其内在能力补缺的空间仍很巨大，应成为泛在电力物联网建设的首要任务。

由于现有技术只在配变器低压侧而不在低压出线侧安装量测，因此目前只能进行相别识别，而不能进行相线识别；

智能电表在全球已得到广泛应用；国内外不少地区已具备96点/天的采样数据，且用电采集***可以确保较长连续天数的完整采集数据；公变作为中压配电网的末梢以及低压台区的主供电源，一般也都安装了公变终端以及公变信息采集***，可获取公变低压侧的电气及电能量量测数据，但是这些采集数据一般比用户计量用的智能电表精度低；以上采集数据为计量拓扑识别和电气拓扑识别提供了数据条件，为基于量测数据驱动的低压配电网相别识别提供了一定的研究基础。

相别识别的方法，主要可以分为以下几类：

(1)基于同相用户电压波形相似假设的相关性分析方法：此类方法原理比较简单，由于只关注节点间的电压波形相关，其辨识能力和适应性相对较差；

(2)基于同相用户电压波形相似或者波形特征相似假设的聚类方法：此类方法在近年得到比较大的发展；如受约束的k-means聚类，高斯混合模型(GMM)聚类，约束多叉树聚类(Constrained Multi-tree Clustering)，K-medoids聚类，BIRCH聚类，谱聚类；当相之间电压波动特性差异减小时，一些时段内甚至比同相内表箱间的电压波动特性差异还要小，这使得基于电压波形聚类方法失效；

(3)含人工智能方法的降维或精简模型：如主成因分析方法(PCA)，LASSO回归法；此类方法物理原理不够清晰，依据的数据驱动原理较为复杂，计算也较为复杂；

(4)基于同相用户功率之和与首端功率基本平衡的假设：将所有用户的相别作为变量，建立优化模型进行求解；当低压配电网节点数量增大，计算效率低，辨识能力也难以达到要求。

发明内容

针对现有技术的不足，本发明提供一种基于电压和有功功率读数的低压用户入户相别识别方法。

本发明方法包括以下步骤：

第一步、对数据进行预处理。首先准备数据、统计采集率，同时用前一个时间断面的数据补充空缺。

1)计算等效单相用户数量：

n＝n₁+3n₂ (1)

其中n₁为户单相用户数量、n₂为户三相用户数量，n为等效单相用户数量。

2)配变器低压出线电压历史数据U_tr∈R^3×T、有功历史数据P_tr∈R^3×T为：

R的上标表示矩阵的大小，式中t表示时段，t∈[1,T]；T为量测总次数，U_tr和P_tr的行向量U_tr,i和P_tr,i分别表示配变器低压侧i相在时段t内的电压和有功历史数据，其中i∈[A,B,C]。同样采集的用户电压历史数据U∈R^n×T和有功历史数据P∈R^n×T为：

其中n为等效单相计量用户。U和P行向量U_j和P_j分别表示第j个等效单相用户在时段1～T的电压和有功量测值。

用T-1时刻前的采集数据来补充T时刻，使得矩阵(2)(3)(4)(5)完整。

第二步，节点降维。采用kmedoids聚类算法对用户电压历史数据U进行降维，得到k个聚类中心点[c₁ c₂ … c_k]和对应的簇[C₁ C₂ … C_k]，其中k＝3M_D，M_D是线路分叉点的数量。电压按照线路分叉点数量M_D的聚类降维，形成用户降维，并产生k个虚拟用户，其电压、有功数据为Uc、Pc，即各自簇内中心点电压以及簇内样本的有功序列和。

其中Uc的元素为：

u_e,j＝c_e,j (8)

即电压时序波形与簇内中心点一致；

而Pc的元素为：

U_h∈C_i表示聚类簇内的电压；h是角标的集合；P_h,j为对应聚类簇内的有功量测；p_e,j是聚类簇内所有用户序列的和；即虚拟用户有功序列为簇内所有样本的和，称为虚拟用户的聚合功率。

第三步，再用t-SNE算法将Uc降至3维，得长度为[1,3]的电压数据Ut。

第四步，使用数据Pc和Ptr进行单目标优化。

单目标优化的优化变量是X∈Z^1×k：

X＝[x₁ x₂ … x_k] (10)

优化变量中的每一个元素x_i都指代一个虚拟用户，其可取整数1、2、3，分别代表A、B、C三相，即

x_i∈[1,2,3] (11)

单目标优化的目标函数为

并具有以下特性：

J(x)∈[0,+∞) (13)

单目标优化的优化模型为：

min J(x)→0 (14)

选用遗传算法进行优化，子代种群一致时终止迭代。这一步的结果X₁将作为下一步的初始解。

第五步，使用数据Pc、Ptr以及Ut进行双目标优化，初始解为X₁，目标函数为

其中SC(x)由下式定义：

并具有以下特性：

SC(x)∈[-1,1] (17)

其中s(j)作为轮廓系数由下定义：

其中：

其中a(j)，b(j)分别称为凝聚度和分离度；m是指离样本j最近的中心点c_m，C_m是最接近中心点c_m的所有样本的集合，k_m是最接近中心点c_m的簇内所有的样本数量；而n是指除m以外的中心点，k_n则是除m以外的中心点簇内的样本数量。凝聚度a(j)表征了样本j与电压特征簇内的其他样本点相关程度，分离度b(j)表征了样本j与不同电压特征簇下用户之间的相关程度，由凝聚度a(j)、分离度b(j)构成的轮廓系数s(j)则表示聚类结果的优劣情况。

选用遗传算法进行优化，子代种群一致时终止迭代。

得到最终输出的最优结果X^*，X^*是一串由数字1、2、3组成的序列，分别代表对应位置的虚拟用户在A、B、C相上，获得X^*后由虚拟用户和实际用户的对应关系可得相别辨识的结果，完成分相。

作为优选，在不清楚M_D数值，采取基于聚类效果的试错法获取。

作为优选，设置遗传算法的种群大小为1000，最大迭代次数为10。

本发明具有如下有益效果：

1、使用k个虚拟用户的样本代替包括大量零功率节点在内的原有样本，以及变大最小识别对象，可以降低对后续辨识算法的辨识能力的要求。

2、通过采取基于聚类效果的试错法获取线路分叉点个数M_D，增加识别方法的适应性。

3、实现台区相内表箱间的电压波动特性差异大而相间电压波动特性差异较小情况下的相线识别。

4、提高在较多节点的低压配电网中的计算效率与辨识准确度。

附图说明

图1本发明的主流程图。

图2为实施例一的辨识过程的可视化图。

图3为遗传算法的流程图。

图4为实施例二的辨识过程的可视化图。

具体实施方式

两个实施例分别选取浙江省某地2个具有一定典型特征的2#台区和6#台区3月26日至3月30日共计5天的数据，其中2#台区为新小区，6#台区为老旧改造小区，这2个台区均存在户用光伏接入。从电压波动特性来看，2#台区和6#台区存在一定的区别：其中6#台区具有一定的三相不平衡程度，相间电压波动特性差异较大，同时同相内表箱间的电压波动特性差异较小；2#台区相内表箱间的电压波动特性差异较大，但相间电压波动特性差异相对较小。部分量测数据参考表3至表4。

实施例一

本实施例选用的是6#台区的数据。

第一步、如图1所示，对数据进行预处理。首先准备数据、统计采集率，同时用前一个时间断面的数据补充空缺。为了增加辨识的准确率，去除了白天的量测，仅保留夜间6时至早晨6时间的量测。

1)计算等效单相用户数量：

n＝n₁+3n₂ (21)

其中n₁为户单相用户数量、n₂为户三相用户数量，n为等效单相用户数量。

2)配变器低压出线电压历史数据U_tr∈R^3×T、有功历史数据P_tr∈R^3×T为：

R的上标表示矩阵的大小，式中t表示时段，t∈[1,T]；T为量测总次数，U_tr和P_tr的行向量U_tr,i和P_tr,i分别表示配变器低压侧i相在时段t内的电压和有功历史数据，其中i∈[A,B,C]。同样采集的用户电压历史数据U∈R^n×T和有功历史数据P∈R^n×T为：

其中n为等效单相计量用户。U和P行向量U_j和P_j分别表示第j个等效单相用户在时段t的电压和有功量测值。

用T-1时刻前的采集数据来补充T时刻，使得矩阵(22)(23)(24)(25)完整。

第二步，节点降维。如图2(a)所示，用kmedoids聚类算法对用户电压历史数据U进行降维，得到k个聚类中心点[c₁ c₂ … c_k]和对应的簇[C₁ C₂ … C_k]，其中k＝3M_D，M_D是线路分叉点的数量；电压按照线路分叉点数量M_D的聚类降维，形成用户降维，并产生k个虚拟用户，其电压、有功数据为Uc、Pc，即各自簇内中心点电压以及簇内样本的有功序列和；

其中Uc的元素为：

u_e,j＝c_e,j (28)

即电压时序波形与簇内中心点一致；

而Pc的元素为：

U_h∈C_i表示聚类簇内的电压；h是角标的集合；P_h,j为对应聚类簇内的有功量测；p_e,j是聚类簇内所有用户序列的和；即虚拟用户有功序列为簇内所有样本的和，称为虚拟用户的聚合功率。第三步，再用t-SNE算法将Uc降至3维，得长度为[1,3]的电压数据Ut。

第四步，使用数据Pc和Ptr进行单目标优化。

单目标优化的优化变量是X∈Z^1×k：

X＝[x₁ x₂ … x_k] (30)

优化变量中的每一个元素x_i都指代一个虚拟用户，其可取整数1、2、3，分别代表A、B、C三相，即

x_i∈[1,2,3] (31)

单目标优化的目标函数为

并具有以下特性：

J(x)∈[0,+∞) (33)

单目标优化的优化模型为：

min J(x)→0 (34)

选用遗传算法进行优化，如图3所示。设置种群大小为1000，最大迭代次数10，子代种群一致时终止迭代。这一步的结果X₁将作为下一步的初始解。单目标优化结果如图2(b)所示，优化准确率为80.25％。

第五步，使用数据Pc、Ptr以及Ut进行双目标优化，初始解为X₁，目标函数为

其中SC(x)由下式定义：

并具有以下特性：

SC(x)∈[-1,1] (37)

其中s(j)作为轮廓系数由下定义：

其中：

其中a(j)，b(j)分别称为凝聚度和分离度；m是指离样本j最近的中心点c_m，C_m是最接近中心点c_m的所有样本的集合，k_m是簇内所有的样本数量；而n是指除m以外的中心点，k_n也是簇内的样本数量。凝聚度a(j)表征了样本j与电压特征簇内的其他样本点相关程度，分离度b(j)表征了样本j与不同电压特征簇下用户之间的相关程度，由凝聚度a(j)、分离度b(j)构成的轮廓系数s(j)则表示聚类结果的优劣情况。

遗传算法同样设置种群大小为1000，最大迭代次数10，子代种群一致时终止迭代。

得到最终输出的最优结果X^*，X^*是一串由数字1、2、3组成的序列，分别代表对应位置的虚拟用户在A、B、C相上，获得X^*后由虚拟用户和实际用户的对应关系可得相别辨识的结果，完成分相。三相辨识结果与供电局标注的三相信息分别如图2(c)、图2(d)所示，三相辨识结果准确率为100％。

实施例二

本实施例选用的是2#台区的数据。部分量测数据如表1、表2所示

表1

表2

图3为2#台区案例辨识过程的可视化图。图3(a)为聚类降维的结果，图3(b)为单目标优化的结果，识别准确率为64.81％；双目标优化后三相辨识的结果与供电局标注的三相分别如图3(c)和图3(d)所示，双目标优化后三相辨识的识别准确率为90.13％。

表3为实施例一和实施例二与其他简单聚类方法的辨识结果对比统计

表3

表4为实施例一与实施例二降维前后数据集方差与相关性的变化对比

表4

Claims (3)

1.基于电压和有功功率读数的低压用户入户相别识别方法，其特征在于：该方法包括以下步骤：

第一步、对数据进行预处理；首先准备数据、统计采集率，同时用前一个时间断面的数据补充空缺；

1)计算等效单相用户数量：

n＝n₁+3n₂ (1)

其中n₁为户单相用户数量、n₂为户三相用户数量，n为等效单相用户数量；

2)配变器低压出线电压历史数据U_tr∈R^3×T、有功历史数据P_tr∈R^3×T为：

R的上标表示矩阵的大小，式中t表示时段，t∈[1,T]；T为量测总次数，U_tr和P_tr的行向量U_tr,i和P_tr,i分别表示配变器低压侧i相在时段t内的电压和有功历史数据，其中i∈[A,B,C]；同样采集的用户电压历史数据U∈R^n×T和有功历史数据P∈R^n×T为：

其中n为等效单相计量用户；U和P行向量U_j和P_j分别表示第j个等效单相用户在时段t的电压和有功量测值；

用T-1时刻前的采集数据来补充T时刻，使得矩阵(2)(3)(4)(5)完整；

第二步，节点降维；采用kmedoids聚类算法对用户电压历史数据U进行降维，得到k个聚类中心点[c₁ c₂…c_k]和对应的簇[C₁ C₂…C_k]，其中k＝3M_D，M_D是线路分叉点的数量；电压按照线路分叉点数量M_D的聚类降维，形成用户降维，并产生k个虚拟用户，其电压、有功数据为Uc、Pc，即各自簇内中心点电压以及簇内样本的有功序列和；

其中Uc的元素为：

u_e,j＝c_e,j (8)

即电压时序波形与簇内中心点一致；

而Pc的元素为：

U_h∈C_i表示聚类簇内的电压；h是角标的集合；P_h,j为对应聚类簇内的有功量测；p_e,j是聚类簇内所有用户序列的和；即虚拟用户有功序列为簇内所有样本的和，称为虚拟用户的聚合功率；

第三步，再用t-SNE算法将Uc降至3维，得长度为[1,3]的电压数据Ut；

第四步，使用数据Pc和Ptr进行单目标优化；

单目标优化的优化变量是X∈Z^1×k：

X＝[x₁ x₂…x_k] (10)

优化变量中的每一个元素x_i都指代一个虚拟用户，其可取整数1、2、3，分别代表A、B、C三相，即

x_i∈[1,2,3] (11)

单目标优化的目标函数为

并具有以下特性：

J(x)∈[0,+∞) (13)

单目标优化的优化模型为：

min J(x)→0 (14)

选用遗传算法进行优化，子代种群一致时终止迭代；这一步的结果X₁将作为下一步的初始解；

第五步，使用数据Pc、Ptr以及Ut进行双目标优化，初始解为X₁，目标函数为

其中SC(x)由下式定义：

并具有以下特性：

SC(x)∈[-1,1] (17)

其中s(j)作为轮廓系数由下定义：

其中：

其中a(j)，b(j)分别称为凝聚度和分离度；m是指离样本j最近的中心点c_m，C_m是最接近中心点c_m的所有样本的集合，k_m是最接近中心点c_m的簇内所有的样本数量；而n是指除m以外的中心点，k_n则是除m以外的中心点簇内的样本数量；

选用遗传算法进行优化，子代种群一致时终止迭代；

得到最终输出的最优结果X^*，X^*是一串由数字1、2、3组成的序列，分别代表对应位置的虚拟用户在A、B、C相上，获得X^*后由虚拟用户和实际用户的对应关系可得相别辨识的结果，完成分相。

2.如权利要求1所述基于电压和有功功率读数的低压用户入户相别识别方法，其特征在于：所述M_D，采取基于聚类效果的试错法获取。

3.如权利要求1所述基于电压和有功功率读数的低压用户入户相别识别方法，其特征在于：所述遗传算法的种群大小设置为1000，最大迭代次数设置为10。

Images