[发明专利]一种用户相别分析方法、系统、设备和存储介质

说明书

本申请公开了一种用户相别分析方法、系统、设备和存储介质，方法包括：采集台区关口表和用户用电数据并生成电压数据随时间变化的样本曲线图像；通过VAE网络对样本曲线图像进行样本重构得到大量多样性的曲线图像，并作为训练样本数据；通过训练样本数据对SNN模型进行训练，采用网格搜索优化参数方法对SNN模型超参数进行优化，从而构建孪生神经网络对图像特征进行提取和处理，输出关口表电压和用户电压的特征向量；计算用户电压和关口表不同相别电压数据的特征向量的相似度，并得到用户所属相别的概率值，根据概率值大小确定低压台区单相用户的相别分析结果。从而解决了现有技术对用户相别分析准确性较差的技术问题。

技术领域

本申请涉及电力技术领域，尤其涉及一种用户相别分析方法、系统、设备和存储介质。

背景技术

随着低压台区供电系统中负载数量和负载扩接改接工作的增加，使得大量单相负载相别信息不明确，易造成台区三相负载不平衡治理难，线路损耗增加、电能质量下降等问题。为实现电网公司营销精细化管理、降损增效以及正确计算线损，精确的户变关系是基础，因此开展用户相别推理工作，明确各单相用户的相别信息，便于对台区的相负荷进行调整。

目前台区用户相别判断方法主要有基于台区识别仪的识别方法、基于载波通信的识别方法、相关性分析和广泛采用的聚类算法等，实际应用中，借助台区识别仪来进行相别判断需要耗费大量的人力和时间，载波通信识别信号易受到干扰、中断或其他意外情况，均会影响识别的准确性。还有采用相关性分析进行相别识别，即依据单相电表与台区关口电表电气量间的关联关系进行识别，基于聚类算法进行识别，即进行用户聚类，对比每类用户与台区变压器的电量得出各类用户所连接的相别。这两种方法对于三相不平衡度较小的台区，识别精度不够理想，且对关口电表和各用户电表数据采集的同步性和完整性要求较高。

发明内容

本申请提供了一种用户相别分析方法、系统、设备和存储介质，用于解决现有技术对用户相别分析准确性较差的技术问题。

有鉴于此，本申请第一方面提供了一种用户相别分析方法，所述方法包括：

采集台区关口表和用户用电数据并生成电压数据随时间变化的样本曲线图像；

通过VAE网络对所述样本曲线图像进行样本重构得到大量多样性的曲线图像，并作为训练样本数据；

通过所述训练样本数据对SNN模型进行训练，采用网格搜索优化参数方法对SNN模型超参数进行优化，从而构建孪生神经网络对图像特征进行提取和处理，输出关口表电压和用户电压的特征向量；

计算用户电压和关口表不同相别电压数据的特征向量的相似度，并得到用户所属相别的概率值，根据概率值大小确定低压台区单相用户的相别分析结果。

可选地，所述通过VAE变分自编码器对所述样本曲线图像进行样本重构得到大量多样性的曲线图像，并作为训练样本数据，具体包括：

通过VAE网络的编码器将所样本述曲线图像转换为潜在空间的统计分布，统计分布参数为均值和方差；通过VAE网络的解码器对统计分布参数进行有效输出变量分布，得到训练样本数据。

可选地，所述通过所述训练样本数据对SNN模型进行训练，采用网格搜索优化参数方法对SNN模型超参数进行优化，从而构建卷积神经网络对图像特征进行提取和处理，输出关口表电压和用户电压的特征向量，具体包括：

构建基于单样本学习的SNN模型，通过所述训练样本数据对SNN模型进行训练；

将网格搜索法和交叉验证法结合对SNN模型的若干参数组合实行交叉验证，确定最优参数组合，从而构建两个权值共享、结构一致的孪生神经网络对图像特征进行提取和处理，输出关口表电压和用户电压的特征向量。

可选地，所述计算用户电压和关口表不同相别电压数据的特征向量的相似度，并得到用户所属相别的概率值，根据概率值大小确定低压台区单相用户的相别分析结果，具体包括：