本技术公开了考虑多源量测数据质量的配电台区违规用电智能识别方法,包括以下步骤:分别对各个节点的电压时序数据和功率时序数据进行初步的异常数据点筛选,得到异常时序数据簇;对异常时序数据簇通过关联规则挖掘进行关联性分析,得到数据质量异常数据;基于条件扩散模型对被标记的数据质量异常数据进行修复,得到修复后的电压时序数据和功率时序数据;对修复后的电压时序数据和功率时序数据对应的电压时序图与功率时序图进行多图像融合,得到节点时序融合图像;将节点时序融合图像输入训练后的违规用电识别模型进行图像异常点检测,得到异常像素点,并将其映射回节点电压时序数据与节点功率时序数据,实现配电台区违规用电的溯源定位。
背景技术
配电台区违规用电识别对于提高电力系统供电质量、保障供电安全、提升台区精益化管理水平等具有重要意义。近年来随着透明配电台区的建设,台区用户违规用电识别的实时性和准确性逐步提高,然而由于分布式光伏、储能以及充电桩等大量新型源荷接入低压配网,其随机、间歇、分散、不可控特性使得台区运行复杂程度与管控难度呈指数级上升,给台区用户违规用电识别带来了更多的挑战。一方面,配电台区作为连接海量用户终端的桥梁,其量测数据是提升配网状态感知能力和运维管理水平的核心生产要素。工程实际中由于设备通信质量、数据结构差异等因素,台区智能终端采集的数据质量参差不齐,极大影响了配电台区违规用电识别的准确性。另一方面,随着大量新型源荷接入配电台区,使得台区量测数据的多样性和复杂性增加,节点间电气耦合特性发生变化,大大降低了配电台区违规用电的识别效率。
目前配电台区异常数据的检测与修复仅着眼于数据质量异常数据,常用的异常数据检测方法包括统计分析法、基于密度的空间数据聚类法与孤立森林算法等方法,异常数据修复方法包括三次Hermite插值法、长短期记忆神经网络与基于浅层神经网络的回归算法等方法。然而上述异常数据检测与修复方法并未考虑违规用电异常数据与数据质量异常数据的混淆,可能导致配电台区真实运行状态量测数据的误判,影响台区状态感知的结果。虽然配电台区违规用电识别也受到了诸多学者的关注,常用的违规用电识别方法主要运用机器学习算法对台区量测数据进行分析挖掘,如基于人工事先标记的异常量测数据利用随机森林、神经网络等算法构建违规用电识别模型,但由于大量新型源荷接入配电台区,造成台区电压、功率等电气量产生波动,台区量测数据的多样性与复杂性增加,对台区违规用电识别构成了巨大挑战。
实现思路