一种基于改进决策机制的台区户变关系识别方法技术

本发明专利技术公开了一种基于改进决策机制的台区户变关系识别方法，步骤包括：获取各台区所有用户的电压时间序列数据并进行数据降维和特征提取后得到训练集；用训练集训练SVDD模型得到各台区一一对应的超球体；获取目标用户的电压时间序列数据并进行数据降维和特征提取后得到实测集；分别计算实测集中每个用户样本与各超球体的位置关系，用户样本x没有在任何超球体内则不属于任何台区，用户样本x仅在一个超球体内则属于该超球体对应的台区，用户样本x在至少两个超球体内则其所属台区与最邻近k个目标用户样本中最多目标样本所属的台区相同。本发明专利技术有效解决了多个台区的供电范围重叠时用户跨台区误归档而不能准确识别户变关系的情况。的情况。的情况。

【技术实现步骤摘要】
一种基于改进决策机制的台区户变关系识别方法


[0001]本专利技术涉及配电网管理领域，尤其涉及一种基于改进决策机制的台区户变关系识别方法。

技术介绍

[0002]户变关系是台区内各个用电客户与台区供电变压器的供电归属关系,正确的户变关系是配电网台区线损计算、线路改造等业务开展的重要基石。但考虑到现有配电系统中量测装置相较于输电网而言数量有限，加之时常发生配电网改建、扩建等情况，可能存在用户台区归属记录混乱等问题。
[0003]现阶段常用的户变关系识别方法主要有拉闸验电法与电力载波通信法两种，考虑到拉闸验电法严重影响居民生活难以大规模执行；同时电力载波通信法对设备的要求较高且容易受干扰，因此上述两种方法都不能广泛的在实际中运用。
[0004]随着智能电表的大规模推广，依托用电信息采集系统可源源不断的获取各台区变压器与用户节点的实时电力数据，这使得从海量数据中挖掘出有用信息实现台区户变关系精准识别成为可能。现已有学者提出了基于量测数据的户变识别方法，但仅针对单一台区的户变关系进行讨论，未涉及相邻台区不确定用户与变压器隶属关系判别困难的问题。

技术实现思路

[0005]本专利技术要解决的技术问题就在于：针对现有技术存在的技术问题，本专利技术提供一种基于改进决策机制的台区户变关系识别方法，有效解决了现有低压配网因多个低压台区的供电范围重叠，部分用户可能存在跨台区误归档而不能准确识别的情况，可为现场实际的排查提供参考，使工作人员排查更有针对性，效率更高。
[0006]为解决上述技术问题，本专利技术提出的技术方案为：
[0007]一种基于改进决策机制的台区户变关系识别方法，包括以下步骤：
[0008]获取各台区所有用户的电压时间序列数据并构建各台区的电压时间序列矩阵，对每个电压时间序列矩阵进行数据降维和特征提取后得到各台区的训练集；
[0009]构建SVDD模型，用所述训练集训练SVDD模型得到各台区对应的超球体；
[0010]获取目标用户的电压时间序列数据并构建目标用户的电压时间序列矩阵，对该电压时间序列矩阵进行数据降维和特征提取后得到实测集；
[0011]分别计算实测集中每个用户样本与各超球体的位置关系，若用户样本x仅在一个超球体内，则用户样本x属于该超球体对应的台区，若用户样本x在至少两个超球体内或在所有超球体之外，则获取与用户样本x最邻近的k个目标用户样本，这k个目标用户样本中最多目标用户样本所属的台区为用户样本x属于的台区。
[0012]进一步的，进行数据降维和特征提取的步骤具体包括：
[0013]对电压时间序列中每个元素均进行归一化处理，得到低维数据样本集；
[0014]用高斯核函数Φ(X)，将低维数据样本集映射到高维空间中构建特征矩阵，然后提
取特征矩阵的主元特征矢量，生成新的特征数据矩阵。
[0015]进一步的，归一化处理的表达式如下：
[0016][0017]上式中，为电压时间序列矩阵中第i个节点用户在第j时刻的量测值，与为电压时间序列矩阵中第i个节点用户所有量测点数据的平均值和标准差，n为预设时间段的时刻数量。
[0018]进一步的，所述主元特征矢量表达式如下：
[0019][0020]上式中，p为核主元的总个数，Φ(X)为高斯核函数，x
i
为样本X
i
的子集，α
i
为拉格朗日乘子，N为台区用户总数。
[0021]进一步的，步骤S2)中所述SVDD模型表达式如下：
[0022][0023][0024]上式中，ξ
i
为松弛变量，C为权重参数，N为样本数目，x
i
为训练集中的用户样本，a和R分别为超球体的球心和半径。
[0025]进一步的，构建SVDD模型之后还包括模型转化的步骤，具体包括：
[0026]引入核函数，将SVDD模型的原始问题转化为对偶问题，表达式如下：
[0027][0028]约束条件为：
[0029][0030]上式中，α
i
与α
j
均为拉格朗日乘子，x
i
、x
j
分别为输入数据集X中的不同的两个样本，K(x
i
,x
j
)＝<Φ(x
i
),Φ(x
j
)>是核函数，n为台区数量。
[0031]进一步的，计算实测集中每个用户样本与各超球体的位置关系为：计算实测集中每个用户样本与各超球体的中心的绝对距离，若当前用户样本与当前超球体的中心的绝对距离r小于当前超球体的半径R，当前用户样本在当前超球体内部，否则当前用户样本在当前超球体外部。
[0032]进一步的，计算实测集中每个用户样本与各超球体的中心的绝对距离的表达式如下：
[0033][0034]上式中，α
i
与α
j
均为拉格朗日乘子，x
i
、x
j
分别为输入数据集X中的不同的两个样本，K(x
i
,x
j
)＝<Φ(x
i
),Φ(x
j
)>是核函数，z为实测集中的用户样本。
[0035]进一步的，计算目标用户样本中与用户样本x最邻近的k个用户样本包括以下步骤：
[0036]用户样本x在至少两个超球体内时，提取用户样本x所在的各超球体中提取所有训
练集的用户样本作为目标用户样本，当用户样本x在所有超球体之外时，提取所有超球体内的训练集用户样本作为目标用户样本；
[0037]计算用户样本x与所提取的每个训练集的用户样本之间的距离；
[0038]按距离从小到大的顺序，获取所提取的训练集的用户样本中最接近用户样本x的k个用户样本。
[0039]进一步的，计算用户样本x与所提取的每个训练集的用户样本之间的距离表达式如下：
[0040][0041]上式中，p
i
，q
i
分别为用户样本x与进行距离计算的训练集的用户样本的第i维，h为用户样本x与进行距离计算的训练集的用户样本的维数。
[0042]与现有技术相比，本专利技术的优点在于：
[0043]本专利技术将SVDD算法应用在户变关系识别领域，通过建立台区SVDD模型，计算SVDD模型的超球体与基于用户电压数据建立的实测集中用户样本的位置关系，对用户台区的隶属关系进行第一次判别，考虑到实际配电台区相邻台区边界存在着户变关系确定困难的用户，引入KNN算法，对在SVDD超球体交叉区域的用户样本计算最邻近k个用户样本，并根据这k个用户样本所属台区进行第二次判别，通过二次判别来确定所有用电客户与台区供电变压器的供电归属关系，在保留SVDD分类精度高、训练时间短的优点的同时，还克服了相邻台区用户归属难以确定的问题。
附图说明
...

【技术保护点】

【技术特征摘要】
1.一种基于改进决策机制的台区户变关系识别方法，其特征在于，包括以下步骤：获取各台区所有用户的电压时间序列数据并构建各台区的电压时间序列矩阵，对每个电压时间序列矩阵进行数据降维和特征提取后得到各台区的训练集；构建SVDD模型，用所述训练集训练SVDD模型得到各台区对应的超球体；获取目标用户的电压时间序列数据并构建目标用户的电压时间序列矩阵，对该电压时间序列矩阵进行数据降维和特征提取后得到实测集；分别计算实测集中每个用户样本与各超球体的位置关系，若用户样本x仅在一个超球体内，则用户样本x属于该超球体对应的台区，若用户样本x在至少两个超球体内或在所有超球体之外，则获取与用户样本x最邻近的k个目标用户样本，这k个目标用户样本中最多目标用户样本所属的台区为用户样本x属于的台区。2.根据权利要求所述的基于改进决策机制的台区户变关系识别方法，其特征在于，进行数据降维和特征提取的步骤具体包括：对电压时间序列中每个元素均进行归一化处理，得到低维数据样本集；用高斯核函数Φ(X)，将低维数据样本集映射到高维空间中构建特征矩阵，然后提取特征矩阵的主元特征矢量，生成新的特征数据矩阵。3.根据权利要求2所述的基于改进决策机制的台区户变关系识别方法，其特征在于，归一化处理的表达式如下：上式中，为电压时间序列矩阵中第i个节点用户在第j时刻的量测值，与为电压时间序列矩阵中第i个节点用户所有量测点数据的平均值和标准差，n为预设时间段的时刻数量。4.根据权利要求2所述的基于改进决策机制的台区户变关系识别方法，其特征在于，所述主元特征矢量表达式如下：上式中，p为核主元的总个数，Φ(X)为高斯核函数，x
i
为样本X
i
的子集，α
i
为拉格朗日乘子，N为台区用户总数。5.根据权利要求1所述的基于改进决策机制的台区户变关系识别方法，其特征在于，所述SVDD模型表达式如下：上式中，ξ
i
为松弛变量，C为权重参数，N为样本数目，x
i
为训练集中的用户样本，a和R分别为超球体的球心和半径。6.根据权利要求5所述的基于改进决策机制的台区户变关系识别方法，其特征在于，构建SVDD模型之后还包括模型转化的步骤，具体包括：引入核函数，将SVDD模型的原始问题转化为对偶问题，表达式如下：
约束条件为：上式中，α
i
与α
j
均为拉格朗日乘子，x
i
、x
j
分别为输入数据集X中的不同的...

【专利技术属性】
技术研发人员：刘奕玹，
申请(专利权)人：国网湖南省电力有限公司岳阳供电分公司国家电网有限公司，
类型：发明
国别省市：