一种基于机器学习的低压台区用户相位识别方法技术

本发明专利技术适用于机器学习技术领域，涉及一种基于机器学习的低压台区用户相位识别方法，包括：S10、获取低压台区的电能数据集；S20、分析判断电能数据集中是否存在缺失值和异常值；S30、对缺失值和异常值进行预处理；S40、构建多元线性回归模型，对单相电表的相位进行判断；S50、通过K

【技术实现步骤摘要】
一种基于机器学习的低压台区用户相位识别方法


[0001]本专利技术属于机器学习
，尤其涉及一种基于机器学习的低压台区用户相位识别方法。

技术介绍

[0002]400V低压供电网络是支撑社会发展和国民经济的重要公共基础设施，担负着直接面向用户供电的重要职责，是保证供电质量的关键环节，因此其建设水平的高低直接影响到对用户的供电服务水平。然而，低压供电网络在规划时，仅仅是以用户通电为目的，由于接线不规范，各用户实际用电负荷等差异，导致在低压供电网络中三相不平衡的问题时常发生，对于这种情况现场的维护人员需要将负荷较重的部分用户移到负荷较轻的相别上，让三相尽量保持平衡。但是对于维护人员来说在调整用户相别时并不知道用户具体属于哪个相别，因此用户的相位识别变成了一个难题。
[0003]现有技术中主要是通过人工观察火线走向或者“拉闸验电”以及通过硬件HPLC等方式来解决用户相别识别，但是通过人工的方式非常低效，并且对于复杂的现场环境人工是很难准确判断用户相别的，“拉闸验电”的方式对居民正常用电造成了很大的不便，对于供电公司的社会形象影响极大，而通过HPLC等硬件的方式识别用户相别成本过高，维护复杂。公开号为CN214335505U的专利提供了一种基于HPLC台区的现场相位识别装置，所述相位识别装置包括用于载波通信和相位识别的抄控器和用于参数设置、规约解析、结果展示的装有蓝牙和APP软件的手机，所述抄控器包括微型控制器、与所述微型控制器分别相连的载波模块和蓝牙模块，所述抄控器通过所述蓝牙模块与所述手机通信连接。此专利识别用户相位需要在手机上开发应用软件，并且需要人工现场高处作业，维护不便的同时精度也难以保证。
[0004]因此，如何提供一种识别准确率高且维护方便的低压台区用户相位识别方法是本
人员亟待解决的问题。

技术实现思路

[0005]针对现有技术的不足，本专利技术的目的是提供一种基于机器学习的低压台区用户相位识别方法，以解决现有中用户相位识别准确率低和维护不便的问题。
[0006]为了解决上述技术问题，本专利技术采用了如下的技术方案：
[0007]本专利技术提供了一种基于机器学习的低压台区用户相位识别方法，包括以下步骤：
[0008]S10、获取低压台区的电能数据集；
[0009]S20、分析判断所述电能数据集中是否存在缺失值和异常值；
[0010]S30、对所述缺失值和异常值进行预处理；
[0011]S40、构建多元线性回归模型，对单相电表的相位进行判断；
[0012]S50、通过K
‑
Means聚类算法对低压台区用户相位进行识别。
[0013]进一步的，所述步骤S40中，以用户电压作为因变量、其余数据特征作为自变量构
建多元线性回归方程，所述多元线性回归模型为：
[0014]y＝β0+β1x1+
…
+β
m
x
m
+ε
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
[0015]其中，y为因变量即用户电压，x
f
(f＝1,2,
…
,m)为自变量即其余数据特征，m为自变量个数，β0为常数，β
f
为回归系数，ε为随机误差项，表示不由自变量决定的部分；
[0016]将历史样本数据代入公式(1)，并用最小二乘法求出β0、β1、
…
、β
m
的估计量得到线性回归方程为：
[0017][0018]其中，为方程拟合值；
[0019]根据多远线性回归算法对单相电表的相别进行判断。
[0020]进一步的，所述步骤S50中具体步骤如下：
[0021]S51、从所述电能数据集中读取电能数据，并通过所述步骤S40中多重共线性分析、F检验选择出最优的自变量；
[0022]S52、通过多元线性回归算法计算单相用户所属类别的评分；
[0023]S53、从所述电能数据集中选取电压数据计算皮尔逊相关系数；
[0024]S54、将所述步骤S52中的评分和所述步骤S53中的皮尔逊相关系数进行加权平均；
[0025]S55、将所述步骤S54中的结果应用于K
‑
Means聚类算法中得到最终的相位识别结果。
[0026]进一步的，对所述线性回归方程进行自变量多重共线性分析、偏相关系数计算、F检验及拟合优度检验。
[0027]进一步的，所述步骤S30中，缺失值的预处理包括：对于某一特征列的缺失值的前后有值时，通过求前后值相加后的平均值进行填充；对于某一特征列存在连续缺失值时，通过删除所述缺失值并同时删除相同时间节点上其他用户的对应数据特征；对于电能数据集较少时，通过随机森林进行填充。
[0028]进一步的，异常值的预处理是将所述异常值置零并通过随机森林填充，随机森林通过sklearn工具包调用参数使用默认值。
[0029]进一步的，还包括步骤S60，所述步骤S60是通过混淆矩阵对所述多元线性回归模型进行评估。
[0030]进一步的，基于混淆矩阵计算准确率、精确率、灵敏度和特异度，得到F1值。
[0031]进一步的，所述步骤S20中，通过打印所述电能数据集文档观察分析所述电能数据集中是否存在缺失值，通过绘制所述电能数据集的箱线图分析所述电能数据集中是否存在异常值。
[0032]进一步的，所述步骤S10中的电能数据包括电压、电流、频率、有功功率和用电量。
[0033]本专利技术提供的基于机器学习的低压台区用户相位识别方法与现有技术相比，至少具有如下有益效果：
[0034]本专利技术过程简单、操作方便，通过获取智能电表测量的电压、电流等数据，并分析识别出电压、电流数据中是否有缺失值和异常值，并对缺失值和异常值进行预处理，通过相关系数法、多元线性回归与K
‑
Means聚类算法对用户相位以及其他台区干扰用户进行识别，
识别精度高，区别于现有技术，减少了对硬件的依赖，且无需增加其他硬件，适用性强，维护便捷。
附图说明
[0035]为了更清楚地说明本专利技术的方案，下面将对实施例描述中所需要使用的图作一个简单的介绍，显而易见地，下面描述中的附图是本专利技术的一些实施例，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。
[0036]图1为本专利技术实施例提供的一种基于机器学习的低压台区用户相位识别方法的流程图；
[0037]图2为本专利技术实施例提供的一种基于机器学习的低压台区用户相位识别方法的低压台区仿真结构图；
[0038]图3为本专利技术实施例提供的一种基于机器学习的低压台区用户相位识别方法的箱线图；
[0039]图4为本专利技术实施例提供的一种基于机器学习的低压台区用户相位识别方法的K
‑
Means算法流程图；
[0040]图5为本专利技术实施例提供的一种基于机器本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于机器学习的低压台区用户相位识别方法，其特征在于，包括：S10、获取低压台区的电能数据集；S20、分析判断所述电能数据集中是否存在缺失值和异常值；S30、对所述缺失值和异常值进行预处理；S40、构建多元线性回归模型，对单相电表的相位进行判断；S50、通过K
‑
Means聚类算法对低压台区用户相位进行识别。2.根据权利要求1所述的一种基于机器学习的低压台区用户相位识别方法，其特征在于，所述步骤S40中，以用户电压作为因变量、其余数据特征作为自变量构建多元线性回归方程，所述多元线性回归模型为：y＝β0+β1x1+
…
+β
m
x
m
+ε
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)其中，y为因变量即用户电压，x
f
(f＝1,2,
…
,m)为自变量即其余数据特征，m为自变量个数，β0为常数，β
f
为回归系数，ε为随机误差项，表示不由自变量决定的部分；将历史样本数据代入公式(1)，并用最小二乘法求出β0、β1、
…
、β
m
的估计量得到线性回归方程为：其中，为方程拟合值；根据多远线性回归算法对单相电表的相别进行判断。3.根据权利要求2所述的一种基于机器学习的低压台区用户相位识别方法，其特征在于，所述步骤S50中具体步骤如下：S51、从所述电能数据集中读取电能数据，并通过所述步骤S40中多重共线性分析、F检验选择出最优的自变量；S52、通过多元线性回归算法计算单相用户所属类别的评分；S53、从所述电能数据集中选取电压数据计算皮尔逊相关系数；S54、将所述步骤S52中的评...

【专利技术属性】
技术研发人员：韩跟伟，李林峰，易世华，陈永，赵晨阳，谢映海，范律，李先怀，李峻，汤可，李俊，余伟峰，蒋鑫伟，
申请(专利权)人：威胜信息技术股份有限公司，
类型：发明
国别省市：