一种用于电表更换的智能电表集群化归类方法与流程

1.本发明涉及电表运维领域，尤其涉及一种用于电表更换的智能电表集群化归类方法。


背景技术：

2.智能电表作为连接智能电网与电力消费用户的终端枢纽，承担着电能数据采集、计量、传输和事件记录等重要功能，是电费结算的唯一依据，因此成为了智能电网中不可或缺的重要组成部分，其运行健康水平将直接影响电能销售的公平性和精确性。随着智能电表的广泛安装和应用，对智能电表的维护成为电网公司的重要业务之一，电表维护按照重要度和优先级的高低，一般包括电表更换、运行抽检、现场检验、现场巡视等业务。其中，电表更换作为重要度和优先级最高的业务，是保证电表运行质量的重要手段。目前由于作业计划之间未统筹考虑关联性，计划的填报、调整缺少标准化审批流程，导致实际制定计划未能做到全覆盖，因此，研究一种新的智能电表更换计划生成方法，实现由手动制定计划向以数据为支撑的智能型计划转变，由人工方式转变为智能为主，人工审核相结合的方式，对提高工作效率有重要的实际意义。
3.目前已有的电表更换计划制定方法主要研究环境因素对于智能电能表性能演变规律的影响，有一种对智能电能表外围采样电路、采样信号在计量芯片中各个环节的处理过程进行定量分析的方法，确认了智能电能表性能衰退主要是由于计量芯片在严重过负荷工况下的数据溢出所致；另一种方法利用peck加速模型进行智能电能表加速寿命试验，研究了基于温湿度应力回归分析的智能表性能退化；还有一种基于统计抽样评估批次电能表剩余寿命的方法。但这些方法都只预判了电能表寿命，并没有涉及具体的电表更换计划制定方法。目前对智能电表更换计划生成方法的研究很少，电表更换时间不能有效生成，当电表更换过晚则影响公平性和精确性，当电表更换过早则影响成本。


技术实现要素：

4.本发明要解决的技术问题和提出的技术任务是对现有技术方案进行完善与改进，提供一种用于电表更换的智能电表集群化归类方法，以达到制定可靠、科学的电表更换时间，使电表能准确更换的目的。为此，本发明采取以下技术方案。
5.一种用于电表更换的智能电表集群化归类方法，其特征在于：包括以下步骤：
6.步骤1.获取待更换电表清单，并根据待更换电表清单，生成所有电表的时空分布矩阵，得到每一电表的时空三维参数数据；
7.步骤2.对于每一个电表的时空三维参数数据，采用基于密度峰值的快速聚类算法，计算数据点的局部密度；
8.步骤3.计算每一个电表数据点到具有更高密度点的距离，若该数据点为密度最高的点，则距离取其与其他电表数据点之间距离的最大值；
9.步骤4.根据局部密度和高密度点距离的分布，生成电表的聚类决策图，确定各聚
类中心；
10.步骤5.除选为聚类中心的电表外剩余电表的数据点按照与各聚类中心的距离，确定其归属的类别，对全部电表归类后，得到各电表集群；
11.步骤6.对于每一个电表集群，分别考虑约束条件，生成对应各电表集群的电表更换安排计划，并最终生成电表更换日计划。
12.作为优选技术手段：在步骤1中，电表位置数据通过一种经纬度映射至二维坐标系的方法，得到地理位置映射坐标，电表时间数据采用电表最晚更换时间，最后得到电表的时空三维坐标(x,y,t)。
13.在步骤3中，因为密度最高的点已经没有密度比它更大的点了，密度最高的点显然是一个聚类中心，在后续确定聚类中心的规则中(取距离乘密度为确定聚类中心的指标)要给它定义一个相对较大的距离，就定义为和其他数据点的最大值，这样这个点在决策图里肯定是在右上角。最大密度点的距离定义作为一种选择，距离也可以比这个定义再大，其对于后续选中心不影响。
14.作为优选技术手段：在步骤2中，对于每一个电表的时空三维参数数据，计算数据点的局部密度。数据点的局部密度的定义为：
[0015][0016]
式中，dc为截断距离，即确定密度的重要阈值，d
ij
为第i个数据点到第j个数据点的距离。函数ρi即第i个数据点的密度。
[0017]
作为优选技术手段：在步骤3中，基于步骤2计算得到的各数据点密度，计算每一个电表数据点到具有更高密度点的距离，若该数据点为密度最高的点，则距离取其与其他电表数据点之间距离的最大值。距离定义如下：
[0018][0019]
式中，为比点i密度更大的点集，is为所有数据点集。
[0020]
若存在比点i密度更大的点，即非空，则取点集中与点i的最小距离为局部距离；若点i为密度最大的点，即为空，则距离取其与其他数据点之间距离的最大值。
[0021]
作为优选技术手段：在步骤4中，对局部密度和距离两个属性进行归一化，再根据聚类决策图中电表两个不同属性的分布，选择聚类中心，确定聚类中心的数目。由于距离和密度这两个指标的量纲不一致，及需要对局部密度和距离两个属性进行归一化，归一化后的局部密度与距离相乘可作为后续选取聚类中心的指标。
[0022]
作为优选技术手段：在步骤5中，规定数据点的类别标签与高于自身密度的最近的点的标签一致，将所有数据点归于各聚类中心，得到各电表集群。
[0023]
作为优选技术手段：在步骤6中，对于每一个电表集群，分别考虑的约束条件包括：每月实际更换量不得超过库存量、每月更换量不得超过工作人员工作能力、每日更换量不
得超过工作人员工作能力、实际更换日期不得晚于最晚更换日期，根据约束条件对各电表集群安排计划，最终生成电表更换日计划。
[0024]
有益效果：本技术方案首先采集待更换电能表清单，根据电表的位置信息与时间信息生成时空分布矩阵；然后使用基于密度峰值的快速聚类算法得到时空近似的电表分类结果；最后建立优化模型求解，生成智能电表的更换计划。本发明结合电表区域性分布特征和时间相邻性特征提取时空相近电表簇，有效降低了优化模型的计算复杂度，有助于电力系统人员制定更加可靠、更加科学的电表更换计划。
[0025]
由于目前待更换电表清单中的计划量过多，会导致优化模型中设置的优化变量过多，计算量大。本技术方案经过聚类，再建立优化模型求解更换计划，有效减少变量，提高计算速度。
[0026]
通过密度峰值聚类算法对电表位置信息聚类后，将整个电表清单分成了多个相近区域的电表清单，再对聚类后的各个电表清单建立优化模型求解，使得单个电表清单中的计划量相对较少，求解较容易。有效降低需求解的问题的规模大小。
附图说明
[0027]
图1是本发明的流程图。
[0028]
图2是本发明的采集电表的时空坐标分布。
[0029]
图3是本发明的电表的聚类决策图。
[0030]
图4是本发明的各电表集群化分布图。
具体实施方式
[0031]
以下结合说明书附图对本发明的技术方案做进一步的详细说明。
[0032]
如图1所示，本发明包括以下步骤：
[0033]
步骤1.获取待更换电表清单，并根据待更换电表清单，生成所有电表的时空分布矩阵，得到每一电表的时空三维参数数据；
[0034]
根据待更换电能表清单，生成所有电表的时空分布矩阵，电表位置数据通过一种一种经纬度映射至二维坐标系的方法，得到地理位置映射坐标，电表时间数据采用电表最晚更换时间，最后得到电表的时空三维坐标(x,y,t)。
[0035]
步骤2.对于每一个电表的时空三维参数数据，采用基于密度峰值的快速聚类算法，计算数据点的局部密度；
[0036]
对于每一个电表的时空三维参数数据，计算数据点的局部密度。数据点密度的定义为其中，dc为截断距离，即确定密度的重要阈值，一般取合适值使得平均密度为总数据量的1％-2％。d
ij
为第i个数据点到第j个数据点的距离。函数ρi即第i个数据点的密度。
[0037]
步骤3.基于步骤2计算得到的各数据点密度，计算每一个电表数据点到具有更高密度点的距离，若该数据点为密度最高的点，则距离取其与其他电表数据点之间距离的最大值；
[0038]
步骤4.根据局部密度和高密度点距离的分布，生成电表的聚类决策图，确定各聚类中心；
[0039]
在聚类前，先对密度和最短距离两个属性进行归一化，再根据聚类决策图中不同电表两个属性的分布，选择聚类中心，确定聚类中心的数目。
[0040]
步骤5.除选为聚类中心的电表外剩余电表的数据点按照与各聚类中心的距离，确定其归属的类别，对全部电表归类后，得到各电表集群；
[0041]
在确定归属类别时，规定数据点的类别标签与高于自身密度的最近的点的标签一致，根据此规定将所有数据点归于各聚类中心，得到各电表集群。
[0042]
步骤6.对于每一个电表集群，分别考虑约束条件，生成对应各电表集群的电表更换安排计划，并最终生成电表更换日计划。
[0043]
其中，约束条件包括：每月实际更换量不得超过库存量、每月更换量不得超过工作人员工作能力、每日更换量不得超过工作人员工作能力、实际更换日期不得晚于最晚更换日期。
[0044]
以我国某区域内的1000台电能表为算例，电表的时空坐标分布请参阅附图2，通过基于密度峰值的快速聚类算法计算电表的局部密度和高密度点距离指标后，生成智能电表的聚类决策图如图3所示，其中，局部密度和高密度点距离均明显较高的数据点1-5被选定为聚类中心，最后确定其余电表归属的类别，对全部电表归类后，得到各电表集群如图4所示，附图4最后得到5个电表集群，对于每一个电表集群，建立电表更换计划优化模型生成电表更换日计划，从而降低对于全部电表统一安排更换计划的计算复杂度，提升了更换计划的安排效率。
[0045]
以上图1所示的一种用于电表更换的智能电表集群化归类方法是本发明的具体实施例，已经体现出本发明实质性特点和进步，可根据实际的使用需要，在本发明的启示下，对其进行形状、结构等方面的等同修改，均在本方案的保护范围之列。