本發(fā)明涉及電力系統(tǒng)監(jiān)測(cè)，尤其涉及基于多源數(shù)據(jù)融合的在線戶變關(guān)系識(shí)別方法及系統(tǒng)。

背景技術(shù)：

1、電力系統(tǒng)監(jiān)測(cè)技術(shù)領(lǐng)域涉及到對(duì)電力系統(tǒng)中的各種參數(shù)進(jìn)行實(shí)時(shí)或非實(shí)時(shí)的跟蹤、記錄和分析，以確保電力系統(tǒng)的穩(wěn)定運(yùn)行和高效管理，領(lǐng)域包括電壓、電流、頻率和功率的測(cè)量，以及更高級(jí)的功能如故障檢測(cè)、能效管理和負(fù)載預(yù)測(cè)。電力系統(tǒng)監(jiān)測(cè)技術(shù)還關(guān)注于從龐大的數(shù)據(jù)中提取有用信息，采用現(xiàn)代信息技術(shù)和通信手段，實(shí)現(xiàn)對(duì)電網(wǎng)的智能控制和自動(dòng)化管理。此技術(shù)領(lǐng)域的發(fā)展推動(dòng)了從傳統(tǒng)電網(wǎng)向智能電網(wǎng)的轉(zhuǎn)變，其中包括先進(jìn)的測(cè)量設(shè)備、通信網(wǎng)絡(luò)和數(shù)據(jù)處理系統(tǒng)的高度自動(dòng)化電網(wǎng)。

2、其中，在線戶變關(guān)系識(shí)別方法則是電力系統(tǒng)監(jiān)測(cè)技術(shù)領(lǐng)域中的一個(gè)具體應(yīng)用，利用從電力線上收集的數(shù)據(jù)確定電表和變壓器之間的連接關(guān)系，這種方法的主要用途是為了提高電力分配的準(zhǔn)確性和效率，降低能源損失，并幫助電力公司更好地管理和維護(hù)電網(wǎng)設(shè)備。通過自動(dòng)化識(shí)別戶變關(guān)系，電力公司可以迅速定位到具體的電力使用點(diǎn)，優(yōu)化負(fù)荷管理和故障響應(yīng)，這對(duì)于維持電網(wǎng)的穩(wěn)定性和提升用戶服務(wù)水平至關(guān)重要。

3、現(xiàn)有技術(shù)雖然涵蓋電壓、電流、頻率和功率的測(cè)量及故障檢測(cè)等功能，但在處理龐大數(shù)據(jù)集時(shí)，缺乏足夠精細(xì)的數(shù)據(jù)處理方法來識(shí)別短時(shí)變異和微小的電網(wǎng)異常。這種局限性導(dǎo)致在實(shí)時(shí)數(shù)據(jù)分析和故障預(yù)測(cè)方面的不足，不能有效識(shí)別和預(yù)防導(dǎo)致大范圍影響的微小畸變或異常，現(xiàn)有技術(shù)在自動(dòng)化管理和智能控制方面，很多時(shí)候還停留在依賴傳統(tǒng)閾值和規(guī)則的反應(yīng)機(jī)制，缺乏動(dòng)態(tài)自適應(yīng)的處理能力，這在處理復(fù)雜多變的電網(wǎng)環(huán)境時(shí)，會(huì)導(dǎo)致響應(yīng)不夠及時(shí)或準(zhǔn)確，從而影響電力系統(tǒng)的運(yùn)行效率和能源分配的公平性，導(dǎo)致故障響應(yīng)延遲，增加系統(tǒng)恢復(fù)時(shí)間和成本。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的目的是解決現(xiàn)有技術(shù)中存在的缺點(diǎn)，而提出的基于多源數(shù)據(jù)融合的在線戶變關(guān)系識(shí)別方法及系統(tǒng)。

2、為了實(shí)現(xiàn)上述目的，本發(fā)明采用了如下技術(shù)方案，基于多源數(shù)據(jù)融合的在線戶變關(guān)系識(shí)別方法，包括以下步驟：

3、s1：捕捉工頻電壓曲線、工頻同步序列、信噪比數(shù)據(jù)，并進(jìn)行數(shù)據(jù)格式化和噪聲濾除，對(duì)濾除后的數(shù)據(jù)執(zhí)行標(biāo)準(zhǔn)化處理，生成標(biāo)準(zhǔn)化特征數(shù)據(jù)集；

4、s2：基于所述標(biāo)準(zhǔn)化特征數(shù)據(jù)集，提取多類型數(shù)據(jù)的時(shí)間特征，應(yīng)用差分方法識(shí)別電壓和電流中的短時(shí)變異，匯總畸變特征，生成畸變時(shí)間序列特征集；

5、s3：對(duì)所述畸變時(shí)間序列特征集中的特征執(zhí)行偏差分析，設(shè)置閾值并標(biāo)識(shí)超范圍數(shù)據(jù)點(diǎn)，記錄異常點(diǎn)并排序出現(xiàn)頻率和強(qiáng)度，生成異常行為特征點(diǎn)集；

6、s4：根據(jù)所述異常行為特征點(diǎn)集，應(yīng)用分組算法將數(shù)據(jù)點(diǎn)分類，每個(gè)類別對(duì)應(yīng)臺(tái)區(qū)戶變關(guān)系，驗(yàn)證分類結(jié)果的穩(wěn)定性和重復(fù)性，生成戶變關(guān)系分組模型；

7、s5：使用所述戶變關(guān)系分組模型，在監(jiān)督學(xué)習(xí)框架內(nèi)選取特征集訓(xùn)練預(yù)測(cè)模型，執(zhí)行交叉驗(yàn)證并優(yōu)化輸出，生成戶變關(guān)系預(yù)測(cè)模型；

8、s6：部署所述戶變關(guān)系預(yù)測(cè)模型進(jìn)行實(shí)時(shí)數(shù)據(jù)分析，對(duì)新接入的數(shù)據(jù)進(jìn)行分類預(yù)測(cè)，對(duì)預(yù)測(cè)結(jié)果進(jìn)行實(shí)時(shí)更新，并對(duì)模型性能進(jìn)行持續(xù)監(jiān)控，生成實(shí)時(shí)戶變識(shí)別結(jié)果。

9、作為本發(fā)明的進(jìn)一步方案，所述標(biāo)準(zhǔn)化特征數(shù)據(jù)集包括電壓時(shí)間特征、電流時(shí)間特征、短時(shí)變異指標(biāo)，所述畸變時(shí)間序列特征集包括變異起始點(diǎn)、變異終止點(diǎn)、變異幅度，所述異常行為特征點(diǎn)集包括數(shù)據(jù)點(diǎn)偏差等級(jí)、數(shù)據(jù)點(diǎn)頻發(fā)區(qū)間、數(shù)據(jù)點(diǎn)強(qiáng)度評(píng)分，所述戶變關(guān)系分組模型包括分類標(biāo)準(zhǔn)、分組效果一致性指標(biāo)、可重復(fù)性驗(yàn)證結(jié)果，所述戶變關(guān)系預(yù)測(cè)模型包括特征選擇準(zhǔn)確性、預(yù)測(cè)準(zhǔn)確率、模型響應(yīng)時(shí)間，所述實(shí)時(shí)戶變識(shí)別結(jié)果包括新數(shù)據(jù)匹配度、預(yù)測(cè)更新頻率、性能監(jiān)控結(jié)果。

10、作為本發(fā)明的進(jìn)一步方案，捕捉工頻電壓曲線、工頻同步序列、信噪比數(shù)據(jù)，并進(jìn)行數(shù)據(jù)格式化和噪聲濾除，對(duì)濾除后的數(shù)據(jù)執(zhí)行標(biāo)準(zhǔn)化處理，生成標(biāo)準(zhǔn)化特征數(shù)據(jù)集的步驟具體為：

11、s101：捕捉工頻電壓曲線、工頻同步序列、信噪比數(shù)據(jù)，進(jìn)行數(shù)據(jù)格式校正，調(diào)整數(shù)據(jù)字段，得到格式化電壓同步數(shù)據(jù)；

12、s102：根據(jù)所述格式化電壓同步數(shù)據(jù)，設(shè)置濾波參數(shù)，進(jìn)行噪聲識(shí)別和消除，調(diào)整數(shù)據(jù)處理的濾波器配置，獲取處理后同步數(shù)據(jù)；

13、s103：對(duì)所述處理后同步數(shù)據(jù)進(jìn)行數(shù)值調(diào)整，設(shè)定標(biāo)準(zhǔn)化比例尺，應(yīng)用數(shù)值轉(zhuǎn)換處理標(biāo)準(zhǔn)化數(shù)據(jù)，生成標(biāo)準(zhǔn)化特征數(shù)據(jù)集。

14、作為本發(fā)明的進(jìn)一步方案，基于所述標(biāo)準(zhǔn)化特征數(shù)據(jù)集，提取多類型數(shù)據(jù)的時(shí)間特征，應(yīng)用差分方法識(shí)別電壓和電流中的短時(shí)變異，匯總畸變特征，生成畸變時(shí)間序列特征集的步驟具體為：

15、s201：根據(jù)所述標(biāo)準(zhǔn)化特征數(shù)據(jù)集，通過電壓和電流數(shù)據(jù)集，對(duì)每條數(shù)據(jù)進(jìn)行時(shí)間戳標(biāo)記，記錄數(shù)據(jù)的日期和時(shí)間，包括讀取數(shù)據(jù)的原始記錄，提取并附加時(shí)間信息到每個(gè)數(shù)據(jù)點(diǎn)，生成時(shí)間標(biāo)記數(shù)據(jù)集；

16、s202：根據(jù)所述時(shí)間標(biāo)記數(shù)據(jù)集，采用移動(dòng)窗口差分法，進(jìn)行差分分析，逐點(diǎn)計(jì)算連續(xù)數(shù)據(jù)點(diǎn)間的電壓和電流差值，并識(shí)別短時(shí)變異點(diǎn)，將短時(shí)變異點(diǎn)進(jìn)行標(biāo)記記錄，生成畸變記錄集；

17、s203：通過所述畸變記錄集，將畸變事件按發(fā)生的時(shí)間順序進(jìn)行排列，記錄監(jiān)測(cè)期間每個(gè)時(shí)間點(diǎn)的電壓和電流畸變情況，生成畸變時(shí)間序列特征集。

18、作為本發(fā)明的進(jìn)一步方案，所述移動(dòng)窗口差分法的公式如下：

19、

20、其中，δy表示電壓和電流的短時(shí)變異值，α代表電壓變化的權(quán)重，β代表電流變化的權(quán)重，γ代表標(biāo)準(zhǔn)化因子，twindow代表移動(dòng)窗口的時(shí)間長(zhǎng)度，vt和vt+1表示連續(xù)兩秒內(nèi)的電壓讀數(shù)，it+1和it表示連續(xù)兩秒內(nèi)的電流讀數(shù)。

21、作為本發(fā)明的進(jìn)一步方案，對(duì)所述畸變時(shí)間序列特征集中的特征執(zhí)行偏差分析，設(shè)置閾值并標(biāo)識(shí)超范圍數(shù)據(jù)點(diǎn)，記錄異常點(diǎn)并排序出現(xiàn)頻率和強(qiáng)度，生成異常行為特征點(diǎn)集的步驟具體為：

22、s301：從所述時(shí)間序列特征集中提取每個(gè)數(shù)據(jù)點(diǎn)，設(shè)置監(jiān)控閾值，比較每個(gè)數(shù)據(jù)點(diǎn)的值與設(shè)定的閾值，標(biāo)記超出閾值的點(diǎn)為異常，通過參數(shù)比較識(shí)別異常，得到異常數(shù)據(jù)點(diǎn)集；

23、s302：根據(jù)所述異常數(shù)據(jù)點(diǎn)集，統(tǒng)計(jì)每個(gè)異常點(diǎn)的出現(xiàn)頻率，測(cè)量偏離正常值的程度，對(duì)數(shù)據(jù)點(diǎn)根據(jù)頻率和偏差程度進(jìn)行排序，整理數(shù)據(jù)點(diǎn)成有序的異常列表，獲取排序異常數(shù)據(jù)；

24、s303：根據(jù)所述排序異常數(shù)據(jù)，結(jié)合記錄的頻率和偏差程度信息，反映異常點(diǎn)的特征，通過整合信息，生成異常行為特征點(diǎn)集。

25、作為本發(fā)明的進(jìn)一步方案，根據(jù)所述異常行為特征點(diǎn)集，應(yīng)用分組算法將數(shù)據(jù)點(diǎn)分類，每個(gè)類別對(duì)應(yīng)臺(tái)區(qū)戶變關(guān)系，驗(yàn)證分類結(jié)果的穩(wěn)定性和重復(fù)性，生成戶變關(guān)系分組模型的步驟具體為：

26、s401：基于所述異常行為特征點(diǎn)集，對(duì)數(shù)據(jù)點(diǎn)進(jìn)行分組，并對(duì)每個(gè)數(shù)據(jù)點(diǎn)分析行為模式，對(duì)數(shù)據(jù)進(jìn)行初步分類，分類代表戶變關(guān)系，獲取分類數(shù)據(jù)集；

27、s402：根據(jù)所述分類數(shù)據(jù)集，進(jìn)行穩(wěn)定性檢驗(yàn)，包括對(duì)分類數(shù)據(jù)集中的類別進(jìn)行一致性和重復(fù)性的測(cè)試，通過對(duì)比多次測(cè)試的結(jié)果，生成穩(wěn)定性檢驗(yàn)記錄；

28、s403：基于所述穩(wěn)定性檢驗(yàn)記錄，記錄每個(gè)類別的數(shù)據(jù)點(diǎn)和對(duì)應(yīng)的戶變關(guān)系，確定模型的結(jié)構(gòu)與分類準(zhǔn)確性，生成戶變關(guān)系分組模型。

29、作為本發(fā)明的進(jìn)一步方案，使用所述戶變關(guān)系分組模型，在監(jiān)督學(xué)習(xí)框架內(nèi)選取特征集訓(xùn)練預(yù)測(cè)模型，執(zhí)行交叉驗(yàn)證并優(yōu)化輸出，生成戶變關(guān)系預(yù)測(cè)模型的步驟具體為：

30、s501：根據(jù)所述戶變關(guān)系分組模型，從數(shù)據(jù)集中選擇特征集，調(diào)整模型的初始化參數(shù)，匹配目標(biāo)的監(jiān)督學(xué)習(xí)框架需求，通過調(diào)節(jié)訓(xùn)練配置并啟動(dòng)模型的訓(xùn)練，得到初步訓(xùn)練模型；

31、s502：基于所述初步訓(xùn)練模型，進(jìn)行交叉驗(yàn)證的設(shè)置，確定驗(yàn)證分割的比例和迭代次數(shù)，對(duì)模型進(jìn)行循環(huán)測(cè)試并評(píng)估預(yù)測(cè)性能，調(diào)控驗(yàn)證過程，生成驗(yàn)證優(yōu)化模型；

32、s503：基于所述驗(yàn)證優(yōu)化模型，進(jìn)行模型調(diào)優(yōu)，包括學(xué)習(xí)率和正則化參數(shù)微調(diào)，控制模型的輸出質(zhì)量和性能，通過參數(shù)調(diào)整，細(xì)化模型的預(yù)測(cè)能力，生成戶變關(guān)系預(yù)測(cè)模型。

33、作為本發(fā)明的進(jìn)一步方案，部署所述戶變關(guān)系預(yù)測(cè)模型進(jìn)行實(shí)時(shí)數(shù)據(jù)分析，對(duì)新接入的數(shù)據(jù)進(jìn)行分類預(yù)測(cè)，對(duì)預(yù)測(cè)結(jié)果進(jìn)行實(shí)時(shí)更新，并對(duì)模型性能進(jìn)行持續(xù)監(jiān)控，生成實(shí)時(shí)戶變識(shí)別結(jié)果的步驟具體為：

34、s601：根據(jù)所述戶變關(guān)系預(yù)測(cè)模型，進(jìn)行模型部署，配置數(shù)據(jù)接入接口，通過調(diào)整接收緩存大小和數(shù)據(jù)接入頻率，對(duì)實(shí)時(shí)數(shù)據(jù)流的進(jìn)行管理，得到數(shù)據(jù)接入配置；

35、s602：基于所述數(shù)據(jù)接入配置，調(diào)整預(yù)測(cè)模型并處理實(shí)時(shí)數(shù)據(jù)，設(shè)定數(shù)據(jù)批次處理大小和數(shù)據(jù)更新間隔，通過調(diào)節(jié)參數(shù)，對(duì)預(yù)測(cè)結(jié)果進(jìn)行迭代更新，得到實(shí)時(shí)預(yù)測(cè)更新結(jié)果；

36、s603：基于所述實(shí)時(shí)預(yù)測(cè)更新結(jié)果，設(shè)置性能監(jiān)控參數(shù)，包括誤差跟蹤和調(diào)整預(yù)警閾值，通過持續(xù)監(jiān)控模型的表現(xiàn)和反應(yīng)時(shí)間，調(diào)整模型并維持最優(yōu)性能，優(yōu)化模型的反應(yīng)能力和預(yù)測(cè)準(zhǔn)確性，生成實(shí)時(shí)戶變識(shí)別結(jié)果。

37、基于多源數(shù)據(jù)融合的在線戶變關(guān)系識(shí)別系統(tǒng)，所述基于多源數(shù)據(jù)融合的在線戶變關(guān)系識(shí)別系統(tǒng)用于執(zhí)行上述基于多源數(shù)據(jù)融合的在線戶變關(guān)系識(shí)別方法，所述系統(tǒng)包括：

38、數(shù)據(jù)捕捉與格式化模塊捕捉工頻電壓曲線、工頻同步序列、信噪比數(shù)據(jù)，進(jìn)行數(shù)據(jù)標(biāo)準(zhǔn)化，移除數(shù)據(jù)中的隨機(jī)噪聲，進(jìn)行數(shù)據(jù)對(duì)齊，生成標(biāo)準(zhǔn)化特征數(shù)據(jù)集；

39、時(shí)間特征提取模塊從所述標(biāo)準(zhǔn)化特征數(shù)據(jù)集中提取時(shí)間序列數(shù)據(jù)，對(duì)電壓和電流數(shù)據(jù)進(jìn)行時(shí)間窗口分割，使用差分技術(shù)識(shí)別多窗口內(nèi)的短時(shí)變異，將變異記錄并標(biāo)記，獲取畸變時(shí)間序列特征集；

40、異常行為分析模塊通過統(tǒng)計(jì)分析所述畸變時(shí)間序列特征集，識(shí)別異常數(shù)據(jù)點(diǎn)，設(shè)定異常檢測(cè)閾值，異常數(shù)據(jù)點(diǎn)根據(jù)出現(xiàn)頻率和強(qiáng)度進(jìn)行排序和記錄，形成異常行為特征點(diǎn)集；

41、戶變關(guān)系分組模塊利用所述異常行為特征點(diǎn)集，進(jìn)行數(shù)據(jù)分類，對(duì)數(shù)據(jù)進(jìn)行群體劃分，群體代表戶變關(guān)系類別，分類后的數(shù)據(jù)進(jìn)行穩(wěn)定性驗(yàn)證，生成戶變關(guān)系分組模型；

42、預(yù)測(cè)模型部署模塊基于所述戶變關(guān)系分組模型，應(yīng)用監(jiān)督學(xué)習(xí)方法訓(xùn)練預(yù)測(cè)模型，通過交叉驗(yàn)證評(píng)估模型性能，優(yōu)化參數(shù)，將模型部署于實(shí)時(shí)數(shù)據(jù)分析平臺(tái)，持續(xù)更新數(shù)據(jù)預(yù)測(cè)，構(gòu)建實(shí)時(shí)戶變識(shí)別結(jié)果。

43、與現(xiàn)有技術(shù)相比，本發(fā)明的優(yōu)點(diǎn)和積極效果在于：

44、本發(fā)明中，通過對(duì)電力數(shù)據(jù)進(jìn)行捕捉、格式化、濾除噪聲及執(zhí)行標(biāo)準(zhǔn)化處理，有效提高數(shù)據(jù)質(zhì)量和可用性，使得從數(shù)據(jù)中提取關(guān)鍵特征變得更為精確，進(jìn)一步通過差分方法識(shí)別短時(shí)變異，能夠在更細(xì)微的層面上監(jiān)控電力系統(tǒng)的動(dòng)態(tài)變化，利用閾值設(shè)置進(jìn)行偏差分析，不僅能夠及時(shí)發(fā)現(xiàn)異常行為，還能對(duì)異常點(diǎn)進(jìn)行排序和分類，從而對(duì)電網(wǎng)的實(shí)時(shí)監(jiān)控與故障預(yù)測(cè)提供了更為精確的支持，通過自動(dòng)化歸類與穩(wěn)定性檢驗(yàn)，提升對(duì)戶變關(guān)系識(shí)別的準(zhǔn)確性和操作效率，從而直接增強(qiáng)電力分配的精確度和系統(tǒng)的能效管理，這種精細(xì)化管理手段的引入，提高電力系統(tǒng)的整體穩(wěn)定性和用戶服務(wù)水平。