一种低压台区用户相位识别方法、装置、设备及存储介质与流程

本技术涉及电力信息化的，尤其涉及一种低压台区用户相位识别方法、装置、设备及存储介质。

背景技术：

1、低压配电网中，用户接入相位的准确识别是实现三相负荷平衡、线损精细化分析与台区拓扑优化的基础环节。随着分布式光伏、电动汽车充电桩等新型源荷大规模接入，台区电压呈现高频波动、双向潮流等非平稳特征，传统基于电压时序相关性的相位识别方法面临适应性不足的挑战。

2、现有的用户相位识别技术主要分为两类。一类是基于电气特征的相关性分析方法，通常通过计算用户电压与台区三相电压的相似度来判断相位归属，但该类方法在实际应用中，当电网出现电压异常波动时，其识别结果的准确性容易受到影响。另一类方法是利用载波通信或拓扑分析，此类技术或需额外部署专用硬件，导致成本显著增加，或对数据采集系统的完整性要求极高，在存在计量误差或线路老化的台区中，识别成功率会大打折扣。

3、因此，如何在不增加硬件成本的前提下，提升在复杂运行环境中相位识别的准确率，是目前亟需解决的一个问题。

技术实现思路

1、本技术的主要目的在于提供一种低压台区用户相位识别方法、装置、设备及存储介质，旨在解决如何在不增加硬件成本的前提下，提升在复杂运行环境中相位识别准确率的技术问题。

2、为实现上述目的，本技术提出一种低压台区用户相位识别方法，所述方法包括：

3、获取台区中各用户的电压时序数据以及各用户的地理空间位置数据；

4、根据所述电压时序数据和所述地理空间位置数据进行时空耦合特征提取，构建每个用户对应的时空耦合特征；

5、根据所述地理空间位置数据和所述电压时序数据对台区中的用户进行空间与电气聚类，得到每个用户所属聚类簇的空间相位先验概率；

6、将所述时空耦合特征输入至预先训练的学习模型，得到所述学习模型预测的模型相位概率；

7、将所述电压时序数据、所述空间相位先验概率以及所述模型相位概率进行层次决策融合，得到用户的相位识别结果。

8、在一实施例中，所述根据所述地理空间位置数据和所述电压时序数据对台区中的用户进行空间与电气聚类，得到每个用户所属聚类簇的空间相位先验概率的步骤包括：

9、根据所述地理空间位置数据，计算各用户之间的地理空间距离，得到空间距离矩阵；

10、根据所述电压时序数据计算各用户之间的动态时间规整距离，并将所述动态时间规整距离作为电气距离矩阵；

11、根据自适应权重系数对所述空间距离矩阵和所述电气距离矩阵进行加权融合，得到复合距离矩阵；

12、基于所述复合距离矩阵，采用基于密度的聚类算法对用户进行聚类，得到聚类簇，并根据所述聚类簇内已标注用户的相位分布，计算每个用户所属聚类簇的空间相位先验概率。

13、在一实施例中，所述根据自适应权重系数对所述空间距离矩阵和所述电气距离矩阵进行加权融合，得到复合距离矩阵的步骤包括：

14、计算所述空间距离矩阵的变异系数和所述电气距离矩阵的变异系数；

15、根据所述空间距离矩阵的变异系数与所述电气距离矩阵的变异系数之间的比值，确定自适应权重系数；

16、将所述自适应权重系数限制在预设区间内，并根据限制后的自适应权重系数对所述空间距离矩阵和所述电气距离矩阵进行加权融合，得到复合距离矩阵。

17、在一实施例中，所述根据所述电压时序数据和所述地理空间位置数据进行时空耦合特征提取，构建每个用户对应的时空耦合特征的步骤包括：

18、对所述电压时序数据进行相对变化特征提取，计算每个用户的电压相对于台区三相电压的相对变化量；

19、对所述电压时序数据进行多尺度小波分解，提取每个用户的电压与台区三相电压在不同频段上的小波系数差值特征和能量差特征；

20、对所述电压时序数据进行符号与幅值解耦，提取每个用户的电压与台区三相电压的符号一致性特征和幅值比特征；

21、根据所述地理空间位置数据，计算每个用户相对于台区变压器的空间特征；

22、将所述相对变化量、所述小波系数差值特征、所述能量差特征、所述符号一致性特征、所述幅值比特征以及所述空间特征在特征维度上进行拼接，得到时空耦合特征。

23、在一实施例中，所述将所述电压时序数据、所述空间相位先验概率以及所述模型相位概率进行层次决策融合，得到用户的相位识别结果的步骤包括：

24、根据所述电压时序数据，计算用户电压与台区三相电压之间的传统电气特征，所述传统电气特征包括皮尔逊相关系数、多尺度动态时间规整距离以及符号一致率中的一个或多个；

25、对所述传统电气特征进行评分并归一化，得到第一相位概率分布和对应的第一置信度；

26、将所述空间相位先验概率作为第二相位概率分布，并计算所述第二相位概率分布对应的第二置信度；

27、将所述模型相位概率作为第三相位概率分布，并计算所述第三相位概率分布对应的第三置信度；

28、根据所述第一置信度、所述第二置信度和所述第三置信度进行加权融合，得到融合置信度权重；

29、根据所述融合置信度权重，对所述第一相位概率分布、所述第二相位概率分布和所述第三相位概率分布进行加权求和，得到目标相位概率分布；

30、将所述目标相位概率分布中概率最大的相位确定为用户的相位识别结果。

31、在一实施例中，所述将所述电压时序数据、所述空间相位先验概率以及所述模型相位概率进行层次决策融合，得到用户的相位识别结果的步骤之后，还包括：

32、在所述融合后的相位概率分布对应的融合置信度低于预设第一置信度阈值或用户属于边缘用户类别或孤立用户类别时，获取用户在不同时间窗口下的历史电压时序数据；

33、对每个时间窗口的所述历史电压数据执行相位识别，得到多个时间对应的窗口识别结果，并基于所述窗口识别结果的置信度进行加权投票，得到多时间窗投票结果；

34、计算所述用户到所有已判定相位用户的地理距离，并根据所述地理距离的距离梯度突变点确定邻域规模；

35、基于所述邻域规模内的所有已判定相位用户进行邻域投票，得到邻域投票结果；

36、将所述多时间窗投票结果与所述邻域投票结果进行加权集成，得到边缘用户或孤立用户的修正相位识别结果。

37、在一实施例中，所述将所述时空耦合特征输入至预先训练的学习模型，得到所述学习模型预测的模型相位概率的步骤之前，还包括：

38、基于皮尔逊相关系数从台区的所有用户中筛选出与预设相位高度相关的种子用户，并将所述种子用户作为种子样本；

39、根据所述种子样本训练初始学习模型，并基于所述初始学习模型对未标注标签的用户进行预测，计算预测不确定性、空间代表性以及数据质量的综合评分；

40、选择所述综合评分最高的预设比例的用户进行人工标注，并迭代扩充标注样本集直至模型验证准确率达到预设标准，得到扩充后的标注样本集；

41、根据扩充后的标注样本集重新训练所述初始学习模型，以根据重新训练后的初始学习模型对剩余未标注标签的用户进行预测，并将预测置信度高于预设第二置信度阈值的预测结果作为伪标签，所述预设第二置信度阈值大于预设第一置信度阈值；

42、根据所述伪标签和一致性正则化策略构建半监督训练集，并基于所述半监督训练集对重新训练后的初始学习模型进行半监督训练，得到预先训练的学习模型。

43、此外，为实现上述目的，本技术还提出一种低压台区用户相位识别装置，所述装置包括：

44、数据采集模块，用于获取台区中各用户的电压时序数据以及各用户的地理空间位置数据；

45、特征提取模块，用于根据所述电压时序数据和所述地理空间位置数据进行时空耦合特征提取，构建每个用户对应的时空耦合特征；

46、电气与空间聚类模块，用于根据所述地理空间位置数据和所述电压时序数据对台区中的用户进行空间与电气聚类，得到每个用户所属聚类簇的空间相位先验概率；

47、深度学习预测模块，用于将所述时空耦合特征输入至预先训练的学习模型，得到所述学习模型预测的模型相位概率；

48、层次决策融合模块，用于将所述电压时序数据、所述空间相位先验概率以及所述模型相位概率进行层次决策融合，得到用户的相位识别结果。

49、此外，为实现上述目的，本技术还提出一种低压台区用户相位识别设备，所述设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序配置为实现如上文所述的低压台区用户相位识别方法的步骤。

50、此外，为实现上述目的，本技术还提出一种存储介质，所述存储介质为计算机可读存储介质，所述存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上文所述的低压台区用户相位识别方法的步骤。

51、此外，为实现上述目的，本技术还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，所述计算机程序被处理器执行时实现如上文所述的低压台区用户相位识别方法的步骤。

52、本技术提供了一种低压台区用户相位识别方法，本技术的方法包括：获取台区中各用户的电压时序数据以及各用户的地理空间位置数据；根据所述电压时序数据和所述地理空间位置数据进行时空耦合特征提取，构建每个用户对应的时空耦合特征；根据所述地理空间位置数据和所述电压时序数据对台区中的用户进行空间与电气聚类，得到每个用户所属聚类簇的空间相位先验概率；将所述时空耦合特征输入至预先训练的学习模型，得到所述学习模型预测的模型相位概率；将所述电压时序数据、所述空间相位先验概率以及所述模型相位概率进行层次决策融合，得到用户的相位识别结果。综上可知，本技术通过将电压时序数据与地理空间位置数据进行时空耦合特征提取，使电气变化特征与空间拓扑约束在特征维度上深度融合，并通过空间与电气双重聚类得到空间相位先验概率，以及将电压时序数据、空间相位先验概率与模型相位概率进行层次决策融合，实现了多源信息的深度协同与互补，提高了在复杂运行环境中用户相位识别的准确率。