[发明专利]一种基于监督学习的台区用户识别及判别方法

权利要求书

1.一种基于监督学习的台区用户识别及判别方法，其特征在于，包括以下步骤：

步骤S1，获取台区变压器低压侧电压数据及待识别的用户电表电压数据；

所述台区变压器低压侧电压数据为l表示台区数，其中：表示第n个时刻第f台变压器A相的低压侧电压；表示第n个时刻第f台变压器B相的低压侧电压；表示第n个时刻第f台变压器C相的低压侧电压；而待识别的m台用户电表电压数据其中，表示第n个时刻第f台待识别用户电表电压；

步骤S2，对获取的电压数据进行预处理；

步骤S3，确定已知台户拓扑关系的用户及用户所属台区和相别，根据用户所属台区和相别确定用户数据的对应标签建立训练集、验证集和测试集，采用交叉验证的方式对KNN模型中的K参数进行确定，并完成模型的训练；

所述步骤S3中采用交叉验证的方式对KNN模型中的K参数进行确定，并完成模型的训练具体包括以下步骤：

步骤S3.1，选取一部分已知台户关系的用户电压数据和对应标签、及变压器的电压数据和对应标签作为训练集；一部分已知台户关系的用户电压数据和对应标签作为验证集；剩余的已知台户关系的用户电压数据和对应标签作为测试集；

步骤S3.2，在训练集中数据和标签已知的情况下，确定距离度量方式，输入验证集的数据，遍历所有可能出现的K值，利用优化后的KNN模型对验证集中的用户电压数据进行分类，评估输入不同的K值时，对验证集用户分类结果的准确度，并选取准确度最高时的K值作为输入参数；

步骤S3.3，对前一步骤中确定的K值进行判断，判断其是否满足预定的目标条件，当满足预定目标条件时继续下一步骤，当不满足预定目标条件时返回步骤S3.2、并进一步地利用训练模型对测试集数据进行分类，从而进一步确认K值的合理性；

步骤S4，采用已训练好的训练模型和确定的K值对待识别用户的电压数据进行识别分类，进而实现对待识别用户电压数据中台区用户的初次识别，并输出初次识别结果；

步骤S5，建立台区用户识别结果可靠度的量化评价指标，并计算台区用户初次识别结果的可靠度；

步骤S6，设定可靠度阈值，该阈值的选取可根据实际情况而定，基于该可靠度阈值将第一次分类的台区用户初次识别结果中可靠度超过该阈值的用户视作辨识可靠的用户，并将该可靠用户及用户所属台区和相别加入已知台户拓扑关系数据中，并更新已知用户数据和相应标签；而可靠度低于阈值的用户视作下一次待识别的“争议用户”；

步骤S7，基于更新后的用户数据和对应标签，重新建立训练集、验证集和测试集，并对分类模型进行重新训练，待模型重新训练完毕后，对第二次待识别的“争议用户”开展新一轮的分类识别；

步骤S8，重复步骤S7-S9并进行验证判别，直到所有用户的识别可靠度均大于所述设定的可靠度阈值，和/或达到设定的迭代次数；

步骤S9，迭代结束后将获得的台区用户识别结果作为最终的台区用户识别结果，并提供最终识别结果的可靠度指标；

所述可靠度指标是指经计算后，前K个点离待识别用户q的距离和所属类别分别为L＝(L_1q(c₁),L_2q(c₂),...,L_pq(c_p),...,L_kq(c_k))，其中L_pq表示前K个点中第p个点到待识别用户q的距离，c_p＝s则表示前K个点中第p个点是属于s类的；假设D＝(D_1q(c₁),D_2q(c₂),...,D_pq(c_p),...,D_kq(c_k))，其中D_pq＝1-L_pq,D_pq表示对象p与待识别用户q之间相关性的大小，当D_pq越大时，对象p与待识别用户q之间的相关性越大，用户q与对象p属于同一类的概率越大；

因此，定义用户q属于s类的可靠度R_qs为：

步骤S3.3中对K值进行判断其是否满足预定的目标条件，当出现如下两种情况中的至少一种时，即认为该K值不满足预定的目标条件：

(1)准确度最高的情况对应了多个K值；

(2)准确度最高的情况只对应了1个K值；

此时需要在步骤S3.3中利用测试集进一步进行确认K值的合理性和唯一性。