一种用于识别低压配网台区相序的方法及系统与流程

本发明涉及数据处理
技术领域：
，并且更具体地，涉及一种用于识别低压配网台区相序的方法及系统。
背景技术：
：当前电力系统市场化的发展趋势要求线损进行精细化管理，尤其是低压用户的用电管理具有更大提升空间。由于近年来大规模电网改造，城市改造和线路故障等，新增的许多变压器和用电线路，加上存在一些低压用户窃电、私自架设供电线路等情况，使得供电单位在低压用户管理方面存在一些漏洞；而在实际管理过程中，由于当前电能终端只能读取电能表数据和相关时间，无法知道所抄电能表是由哪个台区供电，接在哪一相序上。因此供电单位无法统计出每台变压器供电用户所在电能表的总用电量、各相序的用电量，也无法计算清楚每台变压器的供电损耗，三相电能是否平衡等。要查清每一线路，必须沿着配电线路实地逐条逐段进行勘察，甚至需要停电配合，这将导致非常大的工作量。要解决以上这些问题，就需要一种能识别该线路所在变压器台区编号的方法，同时能判定具体在哪一相序上。因此，自动识别户变关系和相序识别，能为生产部门开展台区智能运检和营配协同提供有力支撑。目前实现这一目标的技术中只有借助数据分析方法不需要额外增加成本，而且无任何侵害性，有利于大面积推广。具体的数据分析方法包括相关系数法、k-均值聚类方法。但这两种方法在实际应用中都存在准确率不高的情况。究其原因是因为这两种方法都需要将各分表的曲线与某个基准曲线进行一对一的相似度匹配，而实际用电线路上各测量点的电压曲线是随着线路距离增大导致曲线之间相似度逐渐衰减的现象。因此，一对一的相似度匹配方法对导致分类结果的精确性下降。因此该方法仍存在一定的技术缺陷。技术实现要素：针对上述问题，本发明提出了一种用于识别低压配网台区相序的方法，包括：1、一种用于识别低压配网台区相序的方法，所述方法包括：获取低压配网台区信息数据，获取信息数据的空缺率和完整率，根据空缺率删除预设范围内的数据，进而根据完整率选取完整数据作为目标日数据；获取多类别聚类数据曲线，根据目标日数据中电能表总表或电能表3相表的电压数据与所述多类别聚类数据曲线的相似度，确定多类别聚类数据曲线对于低压配网台区相序属性。可选的，信息数据包括：电能表总表编号、测量点编号、电能表总表的相序、电能表3相表的相序、电能表总表和电能表分表的预设点日电压数据和采集时间。可选的，预设点为96点或24点。可选的，方法还包括：低压配网台区相序属性与历史低压配网台区信息数据进行比对，核查结果不一致的电能表。可选的，方法还包括：当确定目标日数据为非完整数据时，对删除空缺率后信息数据确定电压异常数据，对电压异常数据进行平滑处理，平滑处理后进行数据填充，获取目标日数据。可选的，完整数据为低压配网台区所有用户任意一日的日数据。可选的，n小于或等于9。可选的，预设范围为空缺率大于或等于30％。可选的，多类别聚类数据曲线是对目标日数据进行dbscan聚类分析获取，所述对目标日数据进行dbscan聚类分析，具体包括：设置搜索半径ε及最小对象数目m，调整搜索半径ε及最小对象数目m，使搜索半径ε及最小对象数目m能聚为3类或3的n倍类。可选的，低压配网台区相序属性是对所述聚类数据曲线与电能表总表或电能表3相表的电压数据进行匹配确定。本发明还一种用于识别低压配网台区相序的系统，所述系统包括：筛选模块，获取低压配网台区信息数据，获取信息数据的空缺率和完整率，根据空缺率删除预设范围内的数据，进而根据完整率选取完整数据作为目标日数据；识别模块，获取多类别聚类数据曲线，根据目标日数据中电能表总表或电能表3相表的电压数据与所述多类别聚类数据曲线的相似度，确定多类别聚类数据曲线对于低压配网台区相序属性。可选的，信息数据包括：电能表总表编号、测量点编号、电能表总表的相序、电能表3相表的相序、电能表总表和电能表分表的预设点日电压数据和采集时间。可选的，预设点为96点或24点。可选的，系统还包括：比对模块，低压配网台区相序属性与历史低压配网台区信息数据进行比对，核查结果不一致的电能表。可选的，系统还包括：判断模块，当确定目标日数据为非完整数据时，对删除空缺率后信息数据确定电压异常数据，对电压异常数据进行平滑处理，平滑处理后进行数据填充，获取目标日数据。可选的，完整数据为低压配网台区所有用户任意一日的日数据。可选的，n小于或等于9。可选的，预设范围为空缺率大于或等于30％。可选的，多类别聚类数据曲线是对目标日数据进行dbscan聚类分析获取，所述对目标日数据进行dbscan聚类分析，具体包括：设置搜索半径ε及最小对象数目m，调整搜索半径ε及最小对象数目m，使搜索半径ε及最小对象数目m能聚为3类或3的n倍类。可选的，低压配网台区相序属性是对所述聚类数据曲线与电能表总表或电能表3相表的电压数据进行匹配确定。本发明的解决了低压配网台区内所有供电用户的电能表究竟对应哪些线路相序及其所在的台区变压器编号的问题，仅通过无监督学习的数据分析方法就能自动识别户变关系和相序识别，能为生产部门开展台区智能运检和营配协同提供有力支撑。本发明能有效提高对不同供电用户的电能表相序识别的准确率，选取密度聚类这一分析方法不仅能增加相序识别的准确率，同时也能提高户变关系的正确率。本发明不仅能对未知档案的新用户电能表进行相序识别，还能智能矫正历史档案中存在的错误户变关系。本发明仅利用电能表所采集的用电数据进行分析计算，相对于借助通信载波技术等其它相序识别分析方法，不需要增添任何硬件设备，属于便捷无损性分析技术。附图说明图1为本发明一种用于识别低压配网台区相序的方法流程图；图2为本发明一种用于识别低压配网台区相序的方法效果图；图3为本发明一种用于识别低压配网台区相序的系统结构图。具体实施方式现在参考附图介绍本发明的示例性实施方式，然而，本发明可以用许多不同的形式来实施，并且不局限于此处描述的实施例，提供这些实施例是为了详尽地且完全地公开本发明，并且向所属
技术领域：
的技术人员充分传达本发明的范围。对于表示在附图中的示例性实施方式中的术语并不是对本发明的限定。在附图中，相同的单元/元件使用相同的附图标记。除非另有说明，此处使用的术语(包括科技术语)对所属
技术领域：
的技术人员具有通常的理解含义。另外，可以理解的是，以通常使用的词典限定的术语，应当被理解为与其相关领域的语境具有一致的含义，而不应该被理解为理想化的或过于正式的意义。本发明提出了一种用于识别低压配网台区相序的方法，如图1所示，包括：获取低压配网台区信息数据，对信息数据进行统计，获取信息数据的空缺率和完整率，根据空缺率删除预设范围为空缺率大于或等于30％内的数据，进而根据完整率选取完整数据作为目标日数据；当确定目标日数据为非完整数据时，对删除空缺率后信息数据确定电压异常数据，对电压异常数据进行平滑处理，平滑处理后进行数据填充，获取目标日数据。完整数据为低压配网台区所有用户任意一日的日数据。所述信息数据包括：电能表总表编号、测量点编号、电能表总表的相序、电能表3相表的相序、电能表总表和电能表分表的预设点为96点或24点的日电压数据和采集时间。对目标日数据进行dbscan(density-basedspatialclusteringofapplicationswithnoise，具有噪声的基于密度的聚类方法)聚类分析，获取多类别聚类数据曲线；对目标日数据进行dbscan聚类分析：具体包括：设置搜索半径ε及最小对象数目m，调整搜索半径ε及最小对象数目m，使搜索半径ε及最小对象数目m能聚为3类或3的n倍类，n小于或等于9。聚类分析：数据曲线间差异程度抽象成一种距离来度量，曲线相似度高，则距离近，相似度低，则距离远，距离近的多，则密度大。后面的搜索半径是指，一个曲线距离的设定，最小对象数目是半径内包括的曲线数目，也就是设定一个最小密度，高于这个密度的是核心对象，由各核心对象密度可达的区域集合构成不同簇类。根据目标日数据中电能表总表或电能表3相表的电压数据与所述多类别聚类数据曲线的相似度，对所述聚类数据曲线与电能表总表或电能表3相表的电压数据进行匹配，确定多类别聚类数据曲线对于低压配网台区相序属性。低压配网台区相序属性可与历史低压配网台区信息数据进行比对，核查结果不一致的电能表。下面结合某区用电采集系统所采集某台区内连续多日内连续96点日电流电压数据，共有1个总表，6个3相表，324个单向表相序未知，因此共有1234条记录；首先删除空缺率较高的行和列，剩余1021行89列数据，汇总统计数据完整率较高的日期，选取完整率最高的日期作2018-5-13日为目标分析日，共计356行89列数据，对这一数据集内所包含的所有空缺值使用近邻相似法进行数据填充；对于明显的电压异常数据进行均值平滑处理；对2018-5-13日的数据集进行预处理后，对该数据集内的日电压数据进行dbscan聚类分析，通过设置发现将搜索半径ε设置为4.5及最小对象数目minpts设置为5时，刚好能聚为3类；从聚类所得的3类电压曲线中，每类各选1条典型曲线，分别与某一3相表的电压曲线数据进行pearson相关分析，3条曲线c1，c2，c3与3相表a、b、c相序曲线的相似度分别如表1所述：表1识别结果c1类c2类c3类a0.7430.9980.643b0.9960.8520.713c0.4720.6510.876与依据最大相似度进行匹配，进而确定每类曲线对应的相序属性，结果如表2所示，效果图如图2所示：表2再通过同期内其他5个台区内的96点的电压数据，同时利用k-means算法和dbscan密度算法进行相位识别分析自动识别出台区分表所属相位信息，利用台区停电与现场核查，k-means算法分析准确率达95.2％，dbscan密度算法准确率达98.4％，具体如下表3所示：表3将分析后所识别的相序结果与历史档案数据进行对比分析，核查相序结果不一致的电能表，可发现历史档案中存在户变关系错误的用户记录以及异常用电用户，可反馈给相关业务人员进行校核和修正。本发明还提出了一种用于识别低压配网台区相序的系统200，如图3所示，包括：筛选模块201，获取低压配网台区信息数据，对信息数据进行统计，获取信息数据的空缺率和完整率，根据空缺率删除预设范围为空缺率大于或等于30％内的数据，进而根据完整率选取完整数据作为目标日数据；信息数据包括：电能表总表编号、测量点编号、电能表总表的相序、电能表3相表的相序、电能表总表和电能表分表的预设点为96点或24点的日电压数据和采集时间。判断模块204，当确定目标日数据为非完整数据时，对删除空缺率后信息数据确定电压异常数据，对电压异常数据进行平滑处理，平滑处理后进行数据填充，获取目标日数据。完整数据为低压配网台区所有用户任意一日的日数据。识别模块202，对目标日数据进行dbscan聚类分析，获取多类别聚类数据曲线，根据目标日数据中电能表总表或电能表3相表的电压数据与所述多类别聚类数据曲线的相似度，对所述聚类数据曲线与电能表总表或电能表3相表的电压数据进行匹配，确定多类别聚类数据曲线对于低压配网台区相序属性。对目标日数据进行dbscan聚类分析具体包括：设置搜索半径ε及最小对象数目m，调整搜索半径ε及最小对象数目m，使搜索半径ε及最小对象数目m能聚为3类或3的n倍类，n小于或等于9。比对模块203，低压配网台区相序属性可与历史低压配网台区信息数据进行比对，核查结果不一致的电能表。本发明的解决了低压配网台区内所有供电用户的电能表究竟对应哪些线路相序及其所在的台区变压器编号的问题，仅通过无监督学习的数据分析方法就能自动识别户变关系和相序识别，能为生产部门开展台区智能运检和营配协同提供有力支撑。本发明能有效提高对不同供电用户的电能表相序识别的准确率，选取密度聚类这一分析方法不仅能增加相序识别的准确率，同时也能提高户变关系的正确率。本发明不仅能对未知档案的新用户电能表进行相序识别，还能智能矫正历史档案中存在的错误户变关系。本发明仅利用电能表所采集的用电数据进行分析计算，相对于借助通信载波技术等其它相序识别分析方法，不需要增添任何硬件设备，属于便捷无损性分析技术。当前第1页1 2 3