基于多元分析模型的台区户变关系识别方法与流程

本发明属于电力领域，更具体的说涉及基于多元分析模型的台区户变关系识别方法。

背景技术：

1、户变关系指的是用户电表与变压器(台区)的归属关系，户变关系识别就是确定用户是由哪个配电变压器为其供电。随着人类社会随电能依赖的增强，我国的户-变关系网也日益复杂。如何设计合理的基于数据分析的户变关系自动识别校验技术，充分挖掘数据价值，成为电力企业的研究重点。由于造成户变关系异常的因素复杂，任务1与任务2分别从停电相关性以及线损角度出发，对户变关系进行研究，为进一步提升户变关系识别准确率，需进一步对基于台区和用户采集时间关系的户变异常分析模型构建技术进行研究，从电气距离及数据采集时间相关性出发，对户变关系进行研究，以解决低压供电台区网络变化频繁，通过普查方式难以获取准确的拓扑结构、低压台区普遍存在真实拓扑关系与系统档案不一致、户变关系异常使得台区线损异常点排查定位困难等问题。

技术实现思路

1、为解决上述问题，本发明取数据完整、质量达标的台区对停、上电时间数据进行召测。首先为进一步增加各类数据间的区分度，将局部主成分分析引入t分布随机邻域嵌入，同时结合rvn聚类算法对停电相关性、采集时间、线损波动和用户地址相关数据进行降维处理，基于前期建立的特征指标体系，然后步利用回声状态网络(echo state network，esn)预测线损情况，依据线损相关性对识别结果进行验证。

2、为了实现上述目的，本发明采用以下技术方案实现的：基于多元分析模型的台区户变关系识别方法，其特征在于：所述的台区户变关系识别方法包括：

3、通过计量自动化系统采集数据，采用自下而上的模式进行采集；

4、建立户变关系的数学模型；从数学的角度描述台区配电变压器-用户连接关系；

5、对采集到的数据进行数据处理；基于t分布随机邻域嵌入算法对停电相关性、采集时间、线损波动和用户地址相关数据进行降维处理；使用rvn聚类算法对所有样本点进行聚类分析；

6、利用粒子群优化算法对回声状态网络的关键参数进行优化，建立了pso-esn线损预测模型。

7、进一步地，所述的通过计量自动化系统采集数据过程如下：

8、集中器通过定时自动启动自动搜表，通过计量自动化系统手动下发命令实时启动搜表业务；搜索到电能表后plc/wireless进行从节点注册上报，此时启动测量点信息与路由搜索到的电能表进行档案同步比对工作，确保搜索到电能表在实际执行任务时正常抄读；

9、集中器如果核实到集中器内存在不存在测量点地址会启动告警，上报至计量自动化系统；同时计量自动化系统主动召测集中器内计量点信息与营销系统原始档案进行比对，如果差异过大，需要人工核实是否存在现场重新划分台区或现场批量轮换导致信息未及时更新。

10、进一步地，所述的建立户变关系的数学模型如下：

11、定义变压器集合与用户集合简化低压配电系统；设定城市社区中包含有m个配变和n个终端用户，配变和终端用户集合分别为m＝{1,2,…,m}和n＝{1,2,…,n}；

12、邻接矩阵用以表述不同节点之间的连通性关系，因此引入m×n维邻接矩阵x＝[xj,i]来描述配变与用户之间的连接关系；

13、定义邻接矩阵中的二元变量xj,i＝{0,1}表征配变j与用户i之间的连通性关系，若配变节点j与用户节点i之间存在连通支路，则xj,i＝1，否则xj,i＝0；

14、邻接矩阵中的元素没有正负，不描述支路的方向，只描述节点之间是否存在连接关系。

15、进一步地，所述的降维处理具体流程如下：

16、(1)t-sne参数初始化；包括困惑度prep、梯度下降最大迭代次数t、学习率η；动量因子α、投影空间维度m′、kl散度c的阈值cmin；

17、(2)计算高维空间联合概率；通过prep值计算测井数据方差σi，进而计算测井数据的联合概率pij；

18、(3)低维空间投影数据初始化；将每个投影数据随机初始化为m′维向量，将总投影数据记为n×m′的矩阵x*(0)；

19、(4)通过最小化kl散度找到最优投影结果；

20、首先使用x*(0)计算低维联合概率qij；然后计算kl散度c(0)；最后使用梯度更新规则对投影数据进行迭代更新；若第k次更新后的投影数据为x*(k)，迭代次数k＞t或c(k)＜c(min)，则迭代结束，输出x*(k)；否则重新计算qij。

21、进一步地，所述的聚类分析具体果然如下：

22、rvn聚类算法以数据点之间的相似度距离构成的相似度矩阵s作为输入，采用数据点之间欧式距离的值定义相似度矩阵元素，假如以二维空间为例，相似度计算公式为：

23、

24、式中：xi和xk分别为二维数据点i和k的横坐标；yi和yk分别为二维数据点i和k的纵坐标，其他维空间的相似度计算公式亦是同理；越大，说明点i和点k越相似，也表示点k作为点i的聚类中心的能力越强；

25、对于相似度矩阵主对角线元素s(k,k)，称其为参考度p，s(k,k)表示的是点k作为聚类中心的可能程度，由相似度的概念可知s(k,k)应为0，在rvn聚类算法中，s(k,k)设置为相似度矩阵的平均值。

26、进一步地，所述的聚类分析具体步骤如下：

27、1)计算除初始聚类中心以外的每个样本点到各个初始聚类中心的距离，将样本点分配到距其最近的初始聚类中心所代表的类中；

28、2)在每一类中，计算属于该类的各个样本点的类内距离准则函数ji，公式为：

29、

30、式中：ji为样本xi的类内距离；mi为样本xi所在类所有样本的集合；选出类内距离准则最小的样本点作为该类新的聚类中心；

31、3)重复步骤1)和2)，直至各类的聚类中心不再变化；使用rvn算法将各个历史采样时刻的量测数据分成了多个聚类簇，并建立了聚类簇与配电网运行方式之间的对应关系。

32、进一步地，所述的建立了pso-esn线损预测模型具体流程如下：

33、(1)初始化粒子群，包括粒子群数目和随机初始化各个粒子的速度v和位置p；本发明数据需要优化的数据空间为4维，由于其中三个参数，包括esn中动态储备池的规模n，储备池内部链接权值谱半径p，选择种群数量为100；

34、(2)计算每个粒子的适应度，适应度就是目标函数的值；根据目标函数，寻找使粒子适应度最小的esn中动态储备池的参数设置；

35、(3)对每个粒子，用它的适应度和个体极值比较，如果适应度函数值小于个体极值则用适应度函数值替换个体极值；

36、(4)对每个粒子，如果它更新了个体极值，则用它的适应度和全局极值比较，如果适应度小于全局机智，则用适应度替换掉全局极值；

37、(5)更新粒子公式后，判断是否满足约束，如果满足结束条件(误差足够好或者到达最大循环次数)退出，否则返回(2)。

38、本发明有益效果：

39、将局部主成分分析引入t-sne降维框架，以增加各类数据间的区分度，进一步保证数据降维效果，同时保持数据集的局部与全局几何结构特征基本一致。基于建立的特征指标体系，结合手肘法与rvn聚类算法对各模型所需数据进行特征提取，以提高数据的区分度和模型性能。

40、基于台区线损异常的户变关系模型筛选出户变关系异常台区，为线损异常提供了新的识别方法，从而提高了电网异常检测的准确性和效率。利用回声状态网络对识别结果进行验证，通过引入机器学习算法，提高了异常台区户变关系识别的准确率和稳定性。采用pso优化回声状态网络参数，提升了验证准确率，为异常台区户变关系的识别提供了更加精确的工具和方法。