[发明专利]一种基于优化的监督学习进行台区用户识别的方法

权利要求书

1.一种基于优化的监督学习进行台区用户识别的方法，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；

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；

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识别，并输出识别结果。

2.如权利要求1所述的基于监督学习的台区用户识别及判别方法，其特征在于，步骤S1中l台台区变压器低压侧电压数据为其中：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A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。

3.如权利要求1所述的基于监督学习的台区用户识别及判别方法，其特征在于，所述步骤S2中当待处理数据的维度较大时对数据进行降维处理，把多维的数据化为少数主成分进行分析，以提高算法的计算效率；或当数据维度较小时不降维直接处理。

4.如权利要求1所述的基于监督学习的台区用户识别及判别方法，其特征在于，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。

5.如权利要求4所述的基于监督学习的台区用户识别及判别方法，其特征在于，所述步骤S3.1中训练集、验证集和测试集的数据占总数据的比例分别为80％、10％和10％。

6.如权利要求4或5所述的基于监督学习的台区用户识别及判别方法，其特征在于，所述利用优化后的KNN模型对验证集中的用户电压数据进行分类具体为：

S3.2.1，计算验证数据与各个训练数据之间的距离，并确定距离度量方式；

S3.2.2，按照距离值的递增关系对训练数据进行排序；

S3.2.3，选取训练数据中距离值最小的前k个点；

S3.2.4，统计并确定前k个点所属类别的出现频率；

S3.2.5，返回前k个点中出现频率最高的分类类别作为此次验证数据的预测分类。

7.如权利要求6所述的基于监督学习的台区用户识别及判别方法，其特征在于，所述距离度量方式采用相关系数、余弦相似度、欧式距离中的一种。

8.如权利要求7所述的基于监督学习的台区用户识别及判别方法，其特征在于，所述距离度量方式的定义如下：

所述距离L_pq采用余弦相似度来定义时，

式中，z_p′为行向量z_p的转置。z_q′为行向量z_q的转置。