本發(fā)明屬于電力系統(tǒng)配電網(wǎng)運行與維護，具體涉及一種基于電壓時空特征融合與電氣因果律校驗的低壓臺區(qū)串戶識別方法及系統(tǒng)。
背景技術：
1、低壓臺區(qū)作為電網(wǎng)的“最后一公里”，其拓撲關系的準確性直接關系到線損治理、故障搶修及三相負荷平衡等業(yè)務的開展。在實際運行中，由于施工改動、私拉亂接或檔案更新滯后，常出現(xiàn)用戶物理掛接位置與檔案不符的現(xiàn)象，特別是部分用戶私自跨接至其他用戶線路取電，形成“串戶”關系。
2、目前，針對串戶識別的現(xiàn)有技術主要分為兩類：一是基于硬件的脈沖注入法，通過在用戶側(cè)加裝信號發(fā)生器進行探測，該方法準確但成本高昂，難以在大規(guī)模臺區(qū)推廣；二是基于數(shù)據(jù)挖掘的電壓相似度分析法，通過計算用戶電壓曲線的皮爾遜相關系數(shù)來判斷關聯(lián)性。
3、然而，傳統(tǒng)的基于電壓相似度的方法在實際應用中面臨諸多挑戰(zhàn)：
4、（1）時空偏差干擾：智能電表數(shù)據(jù)采集可能存在時鐘漂移，導致兩條原本重合的曲線在時間軸上發(fā)生錯位，傳統(tǒng)的點對點歐氏距離計算會因此產(chǎn)生巨大誤差；
5、（2）數(shù)值敏感性不足：皮爾遜系數(shù)僅關注線性趨勢，忽略了電壓幅值的絕對差異。在同一臺區(qū)下，非串戶的鄰居用戶因受總線電壓波動影響，其電壓趨勢往往高度趨同，極易產(chǎn)生假陽性誤判；
6、（3）缺乏物理因果校驗：現(xiàn)有方法大多僅分析電壓這一單一維度的“相關性”，忽略了串戶關系的本質(zhì)是物理連接，未充分利用“電流突變（因）必然導致電壓突降（果）”這一核心電氣物理規(guī)律進行佐證；
7、（4）長鏈效應誤判：常用的聚類算法（如dbscan）容易產(chǎn)生傳遞性誤判，導致實際應用中串戶識別錯誤率高。
8、因此，亟需一種能夠融合電壓時空特征、具備抗噪聲能力且能利用電氣因果律進行自我校驗的低壓臺區(qū)串戶識別方法。
技術實現(xiàn)思路
1、發(fā)明目的：針對現(xiàn)有技術中存在的問題與不足，本發(fā)明提供了一種基于電壓時空特征融合與電氣因果律校驗的低壓臺區(qū)串戶識別方法及系統(tǒng)，旨在解決現(xiàn)有技術中因電表時鐘不同步、背景噪聲干擾及缺乏物理校驗機制導致的串戶識別準確率低、誤報率高的問題。本發(fā)明通過構(gòu)建雙維電壓相似度模型與電氣因果校驗閉環(huán)，在無需增加額外硬件投資的前提下，實現(xiàn)了對低壓臺區(qū)串戶關系的精準辨識與拓撲重構(gòu)。
2、技術方案：一種基于電壓時空特征融合與電氣因果律校驗的低壓臺區(qū)串戶識別方法，包括以下步驟：
3、步驟1：獲取待識別低壓臺區(qū)內(nèi)所有用戶的電壓時序數(shù)據(jù)和電流時序數(shù)據(jù)，對數(shù)據(jù)執(zhí)行基于插值容忍度的時序?qū)R與清洗處理，生成帶有可靠性狀態(tài)標記的標準化電壓數(shù)據(jù)矩陣與電流數(shù)據(jù)矩陣；
4、步驟2：引入魯棒統(tǒng)計學原理，自適應提取特征序列，對每個用戶的電壓與電流數(shù)據(jù)進行背景噪聲建模，構(gòu)建適應個體波動特性的自適應動態(tài)閾值，并據(jù)此從連續(xù)時序數(shù)據(jù)中離散化提取出表征關鍵電能質(zhì)量擾動的電壓突變事件特征序列與電流突升事件特征序列；
5、步驟3：構(gòu)建雙維電壓相似度評價模型，基于所述電壓時序數(shù)據(jù)計算能夠容忍采樣時間偏差的基于局部規(guī)整核的趨勢相似度指標，基于所述電壓突變事件特征序列計算弱化幅值影響的基于事件等級權(quán)重的突變共現(xiàn)相似度指標，并通過包含復活機制的動態(tài)考核策略篩選出電壓特征高度耦合的電壓疑似關聯(lián)用戶對；
6、步驟4：構(gòu)建用戶關聯(lián)圖，利用基于密度的聚類算法對所述電壓疑似關聯(lián)用戶對進行初步聚類，基于引入突變共現(xiàn)相似度權(quán)重的特征空間幾何距離對初步聚類結(jié)果進行質(zhì)心迭代吸附與分裂，生成幾何緊密的初步串戶群體；
7、步驟5：引入電氣物理層面的因果校驗機制，利用所述電流突升事件特征序列作為激勵信號，利用電壓時序數(shù)據(jù)作為響應信號，構(gòu)建包含強響應直通、絕對閾值兜底及相對比例通過的三元混合判據(jù)模型，對群體內(nèi)用戶進行兩兩交叉因果推斷，以驗證物理連接的真實性；
8、步驟6：基于因果推斷結(jié)果構(gòu)建強驗證關系圖，利用最大團提取算法迭代解析圖中的全連接子圖結(jié)構(gòu)，確保輸出群體內(nèi)部任意兩用戶均滿足電氣連接一致性，將解析出的全連接子圖確定為最終的物理串戶群體。
9、進一步的，所述獲取待識別低壓臺區(qū)內(nèi)所有用戶的電壓時序數(shù)據(jù)和電流時序數(shù)據(jù)，對數(shù)據(jù)執(zhí)行基于插值容忍度的時序?qū)R與清洗處理，生成帶有可靠性狀態(tài)標記的標準化電壓數(shù)據(jù)矩陣與電流數(shù)據(jù)矩陣，具體步驟如下：
10、步驟s11：根據(jù)臺區(qū)量測設備的采集頻率，設定標準采樣間隔和每日標準采樣點數(shù)，根據(jù)用戶原始數(shù)據(jù)的時間戳，將用戶原始數(shù)據(jù)映射至標準時間軸，生成包含缺失值的原始序列；同時，在此步驟初始化一個與所述原始序列等長的二值化可靠性掩碼序列，以精確追蹤每一個數(shù)據(jù)點的可信度。默認所有數(shù)據(jù)點均為“不可靠狀態(tài)”或根據(jù)原始數(shù)據(jù)存在性初始化；?此可靠性掩碼序列的維護邏輯如下：
11、設原始時序數(shù)據(jù)為：
12、；
13、對應定義可靠性掩碼序列：
14、；
15、其中：
16、；
17、步驟s12：遍歷原始序列，識別連續(xù)缺失數(shù)據(jù)段，計算每個缺失段的長度；對于每一個缺失段，記錄其起始時刻、結(jié)束時刻及該段的長度。?該步驟旨在區(qū)分“偶發(fā)性丟包”與“系統(tǒng)性故障”。偶發(fā)性丟包通常只缺失?1-3?個點，可以通過插值合理還原；而系統(tǒng)性故障（如停電或模塊損壞）可能導致數(shù)小時的數(shù)據(jù)空白，此類數(shù)據(jù)的物理意義已丟失，強行插值只會引入巨大的誤差。
18、步驟s13：引入插值容忍閾值作為數(shù)據(jù)修復的判定邊界；當檢測到時序數(shù)據(jù)中存在連續(xù)缺失區(qū)間，且所述連續(xù)缺失區(qū)間的長度不超過預設閾值時，即檢測到連續(xù)缺失長度，則視為偶發(fā)性缺失，利用線性插值算法填補缺失數(shù)據(jù)，計算公式如下：
19、；
20、式中，為待插值的時刻的數(shù)據(jù)，和分別為該缺失段前后的已知有效觀測值。計算后更新所述可靠性掩碼序列，將該填補時間段內(nèi)的數(shù)據(jù)點標記為“可靠狀態(tài)”，以保持后續(xù)特征提取的連續(xù)性；該操作的邏輯基礎是：在極短的時間窗口內(nèi)（如?45?分鐘），低壓電網(wǎng)的電壓和電流變化通常是平滑的，線性插值能夠以極高的置信度還原真實物理過程，因此這些插值點完全有資格參與后續(xù)的特征提取。
21、步驟s14：當檢測到時序數(shù)據(jù)中存在連續(xù)缺失區(qū)間，且所述連續(xù)缺失區(qū)間的長度大于預設閾值時，若檢測到連續(xù)缺失長度，雖然執(zhí)行線性插值以維持序列在數(shù)學運算上的完整性，但在所述可靠性掩碼序列中強制維持或標記該時間段內(nèi)所有插值點為“不可靠狀態(tài)”；在執(zhí)行差分計算或相似度計算之前，檢測參與所述差分計算或相似度計算的各數(shù)據(jù)點對應的可靠性掩碼狀態(tài)；當檢測到參與計算的任一數(shù)據(jù)點被標記為不可靠狀態(tài)時，屏蔽對應時間點的差分計算或相似度計算，或者將對應時間點在差分計算結(jié)果或相似度計算結(jié)果中的權(quán)重置為零，以抑制由連續(xù)缺失區(qū)間插值引入的數(shù)據(jù)對計算結(jié)果的影響。
22、進一步的，所述引入魯棒統(tǒng)計學原理，自適應提取特征序列，對每個用戶的電壓與電流數(shù)據(jù)進行背景噪聲建模，構(gòu)建適應個體波動特性的自適應動態(tài)閾值，并據(jù)此從連續(xù)時序數(shù)據(jù)中離散化提取出表征關鍵電能質(zhì)量擾動的電壓突變事件特征序列與電流突升事件特征序列，采用了一種能夠自適應區(qū)分背景波動與顯著擾動的動態(tài)閾值分割技術，具體步驟如下：
23、步驟s21：一階差分序列計算。?首先，對經(jīng)過清洗的用戶電壓時序數(shù)據(jù)進行離散一階差分運算，生成差分序列。其中，任意時刻的差分值按如下公式計算：
24、
25、該指標直接表征了時刻相對于前一時刻的電壓瞬時變化。在此過程中，實時讀取步驟s1生成的可靠性掩碼序列，若時刻或?qū)难诖a標記為“不可靠狀態(tài)”，則時刻的差分值將被置為無效值（nan）或零，以排除數(shù)據(jù)缺失對特征提取的干擾。
26、步驟s22：為了克服傳統(tǒng)標準差（standard?deviation）指標易受極端異常值（如電網(wǎng)故障或極個別大幅跌落）影響而導致估值虛高、進而產(chǎn)生閾值屏蔽效應的缺陷，本步驟利用?mad?算法（中位數(shù)絕對偏差算法）對差分序列的背景噪聲水平進行穩(wěn)健估計。具體計算邏輯如下：?首先，計算差分序列的中位數(shù)，該值反映了電壓變化的中心趨勢。其次，計算每個差分點與該中心趨勢的絕對偏差序列，并取該序列的中位數(shù)，得到原始的mad?值：
27、
28、上式中，表示電壓差分序列的中位數(shù)，代表了背景噪聲水平，計算第i個電壓差分點與背景噪聲的絕對差，對該絕對差序列取中位數(shù)得到，可以代表電壓數(shù)據(jù)的固有離散程度。最后，為了使?mad?值在量綱上與標準差保持一致以便于工程應用，引入正態(tài)分布一致性比例因子對?mad?值進行校準。對于標準正態(tài)分布，取值為。最終的背景噪聲標準差估計值計算如下：
29、
30、由此獲得的能夠精準表征該用戶電壓數(shù)據(jù)的固有離散程度，且不受偶發(fā)性劇烈波動的影響。
31、步驟s23：動態(tài)電壓突變閾值的構(gòu)建。基于上述背景噪聲標準差估計值，構(gòu)建隨用戶負荷特性自適應變化的動態(tài)電壓突變閾值。該閾值被定義為偏離中心趨勢一定倍數(shù)的噪聲標準差邊界：
32、
33、式中，為預設的電壓顯著性系數(shù)，用于調(diào)節(jié)算法對電壓跌落事件的敏感度。
34、步驟s24：事件序列的篩選與生成。?遍歷一階差分序列，逐一檢查每個時刻的有效差分值。若滿足條件，即發(fā)生了超過動態(tài)閾值的負向跌落，且時刻的數(shù)據(jù)掩碼為“可靠狀態(tài)”，則提取時刻及其對應的跌落幅值，構(gòu)成該用戶的電壓突變事件特征序列。
35、步驟s25：事件的分級標記。?為了在后續(xù)相似度計算中能夠量化不同事件的信息價值，本步驟根據(jù)突變幅度與背景噪聲標準差的倍數(shù)關系，對提取出的事件進行分級。具體地，引入高階倍數(shù)閾值（例如）：?若，則將該事件標記為“顯著突變事件”，此類事件通常對應大功率負荷的啟停，信噪比極高，具有核心識別價值；?若，則將該事件標記為“普通突變事件”。?通過這種分級策略，后續(xù)的雙維相似度模型可以賦予顯著事件更高的權(quán)重，從而顯著提升算法在復雜噪聲環(huán)境下的魯棒性。
36、進一步的，所述構(gòu)建雙維電壓相似度評價模型，基于所述電壓時序數(shù)據(jù)計算能夠容忍采樣時間偏差的基于局部規(guī)整核的趨勢相似度指標，具體步驟如下：
37、步驟s31：針對待比較的用戶a和用戶b，首先獲取其經(jīng)過清洗的電壓序列和。為了解決時鐘偏移問題，本發(fā)明引入了動態(tài)時間規(guī)整（dtw）的思想，為了降低計算復雜度，將其簡化為“局部規(guī)整”策略。對于任意時刻，定義一個覆蓋前后若干采樣點（例如個點，對應分鐘）的局部時間窗口。在該窗口內(nèi)，以用戶a的時刻為基準，搜索用戶b在范圍內(nèi)與用戶a在t時刻的電壓值最接近的那個點，計算二者之間的最小電壓偏差：
38、
39、式中，表示用戶a在t時刻的電壓值，表示用戶b在t+k時刻的電壓值，該步驟通過在局部范圍內(nèi)尋找“最佳匹配”，有效消除了時鐘不同步帶來的剛性誤差，使得評估結(jié)果更聚焦于電壓曲線本身的形態(tài)一致性。
40、步驟s32：在獲得時刻的最小電壓偏差后，將其轉(zhuǎn)化為一個歸一化的相似度得分，本發(fā)明利用高斯核函數(shù)?(gaussian?kernel)?進行非線性映射。高斯核函數(shù)具有“軟閾值”特性：當電壓偏差較小時，得分接近1；隨著偏差增大，得分平滑衰減，直到偏差超過一定程度后得分迅速趨近于0。具體的瞬時相似度得分計算公式為：
41、
42、其中，為預設的電壓容忍度參數(shù)（例如取?0.3v）。該參數(shù)決定了高斯函數(shù)的“帶寬”，即決定了相似度得分隨電壓偏差增加而衰減的速率。通過調(diào)整，可以靈活控制算法對電壓數(shù)值差異的“挑剔”程度。
43、步驟s33：在計算出全天所有時刻的瞬時相似度得分序列后，為排除個別極端值的干擾，本步驟執(zhí)行截尾均值聚合(trimmed?mean?aggregation)?操作。首先對進行升序排列，然后剔除序列中數(shù)值最低的（例如?10%）的數(shù)據(jù)點，僅對剩余的數(shù)據(jù)點計算算術平均值，作為最終的趨勢相似度。
44、進一步的，所述構(gòu)建雙維電壓相似度評價模型，基于電壓突變事件特征序列計算弱化幅值影響的基于事件等級權(quán)重的突變共現(xiàn)相似度指標，具體步驟如下：
45、步驟s34：根據(jù)步驟s2中自適應提取的電壓突變事件特征序列，分別獲取用戶a和用戶b在全時段內(nèi)的電壓突變事件時刻集合和。構(gòu)建兩者的并集集合。該并集涵蓋了任意一方發(fā)生電壓擾動的所有時刻，構(gòu)成了后續(xù)相似度計算的時間基準。
46、步驟s35：對于并集中的每一個時刻，不再關注其具體的電壓差分幅值，而是根據(jù)步驟s25中標記的事件等級（“顯著”或“普通”）賦予一個固定的基礎權(quán)重。該權(quán)重以用戶a和用戶b在時刻和時刻的電壓差分幅值來計算得到：；具體的權(quán)重分配邏輯如下：?若用戶a或用戶b在時刻發(fā)生的突變被標記為“顯著突變事件”（即大幅度跌落，通常對應強干擾源），則賦予該時刻較高的權(quán)重值（取值為2）；這體現(xiàn)了顯著事件在串戶判定中具有更高的“一票否決權(quán)”和“證據(jù)效力”。?若雙方均未發(fā)生顯著突變，僅有一方或雙方發(fā)生了“普通突變事件”（即小幅度跌落），則賦予該時刻較低的權(quán)重值（取值為1）。
47、步驟s36：?定義匹配指示函數(shù)，用于嚴格判定時刻是否構(gòu)成一次有效的“共現(xiàn)”事件。判定邏輯需同時滿足兩個條件：?條件一：事件共存。即時刻必須同時存在于集合和中（），表明兩用戶在該時刻均受到了擾動。?條件二：方向一致。即兩用戶在該時刻的電壓一階差分符號必須相同。對于串戶識別場景，重點關注的是電壓的同向跌落，即且。若一增一減，說明兩用戶受到的擾動源性質(zhì)相反（例如一個是負荷啟動，一個是光伏出力增加），顯然不具備串戶的物理特征。?當上述兩個條件同時滿足時，取值為1，否則取值為0。
48、步驟s37：突變共現(xiàn)相似度的計算。?基于上述定義的離散權(quán)重和匹配狀態(tài)，利用加權(quán)jaccard指數(shù)原理計算最終的突變共現(xiàn)相似度，計算公式如下：
49、
50、進一步的，所述構(gòu)建雙維電壓相似度評價模型，并通過包含復活機制的動態(tài)考核策略篩選出電壓特征高度耦合的電壓疑似關聯(lián)用戶對，具體步驟包括：
51、（1）主考核流程：基于日切片的時序一致性檢驗。?在低壓配電網(wǎng)的實際運行中，用戶的用電行為和電網(wǎng)的運行環(huán)境（如電壓波動、三相不平衡度）具有顯著的時變性。兩個非串戶用戶可能在某些特定時段（如深夜負荷低谷期）表現(xiàn)出偶然的電壓高度相似，但這種相似性無法在長周期內(nèi)持續(xù)維持。若簡單地將全月或全年的數(shù)據(jù)拼接成一條長序列計算總相似度，這些短時的偽相關性會被平均化，從而干擾最終的判斷。?為此，本發(fā)明提出了一種“化整為零”的考核策略。首先，將用戶的全量電壓時序數(shù)據(jù)按自然日劃分為若干個日切片。對于每一個日切片，獨立調(diào)用步驟2到步驟3所述的雙維電壓相似度評價模型分別計算當日的趨勢相似度和突變共現(xiàn)相似度。?隨后，利用加權(quán)融合公式計算該用戶對在當天的綜合得分：
52、
53、式中，為趨勢權(quán)重系數(shù)（例如?0.4）。?設定一個每日及格線（例如?0.60）。遍歷所有有效數(shù)據(jù)日，若發(fā)現(xiàn)存在任意一個有效日的，則說明該用戶對在此時段內(nèi)表現(xiàn)出了顯著的非相關性（即電壓特征發(fā)生了背離），這在物理上構(gòu)成了“非硬連接”的強證據(jù)。據(jù)此，將該用戶對初步判定為“拒絕狀態(tài)”（rejected）。反之，只有當用戶對在所有有效考核日內(nèi)均保持了穩(wěn)定的高相似度，才會被初步判定為“通過狀態(tài)”（passed）。這種機制極大地提升了算法的準確率（precision），有效剔除了大量的假陽性樣本。
54、（2）復活流程：基于長周期特征與高置信度事件的二次審查。?雖然“每日一票否決”的主考核流程能有效過濾誤報，但也帶來了一個副作用：它對數(shù)據(jù)的完美性要求極高。在實際場景中，可能會出現(xiàn)因個別天數(shù)數(shù)據(jù)質(zhì)量極差（如表計故障導致的數(shù)據(jù)漂移）或特殊用電行為（如用戶全天未使用大功率設備導致偏低）而導致的“誤殺”。對于真實的串戶而言，這種誤殺會降低算法的召回率（recall）。?為了解決這一矛盾，本發(fā)明引入了“特征復活機制”。針對所有在主流程中被判定為“拒絕狀態(tài)”的用戶對，不立即丟棄，而是進行二次深度的特征審查。統(tǒng)計該用戶對在全時段內(nèi)的以下兩個關鍵指標：?指標一：全時段平均趨勢相似度。該指標反映了兩用戶電壓曲線在長周期內(nèi)的整體形態(tài)重合度。?指標二：高置信度突變?nèi)仗鞌?shù)。即統(tǒng)計有多少天，兩用戶的突變共現(xiàn)相似度超過了一個極高的高分閾值（例如?0.8）。?復活判定邏輯為：若該用戶對同時滿足以下兩式：
55、
56、
57、（式中，為復活趨勢閾值，例如?0.85；為復活天數(shù)閾值，例如?3?天），則表明該用戶對雖然在個別天數(shù)存在波動，但在整體形態(tài)上極度相似（由高保證），且在多個關鍵日具有鐵證如山的同步特征（由保證）。據(jù)此，觸發(fā)復活機制，強制將該用戶對的狀態(tài)修正為“通過狀態(tài)”。這一機制巧妙地利用了“特長生”邏輯——只要在某些時刻表現(xiàn)出極強的物理連接特征，且平時表現(xiàn)不差，就可以容忍偶爾的失誤，從而在保證準確率的同時最大程度地挽回了真實串戶案例。
58、進一步的，所述構(gòu)建用戶關聯(lián)圖，利用基于密度的聚類算法對所述電壓疑似關聯(lián)用戶對進行初步聚類，基于引入突變共現(xiàn)相似度權(quán)重的特征空間幾何距離對初步聚類結(jié)果進行質(zhì)心迭代吸附與分裂，生成幾何緊密的初步串戶群體，具體步驟如下：
59、步驟s41：在由密度聚類算法生成的初始簇中，選取綜合相似度最高且大于預設核心閾值的一對用戶作為核心用戶對，并計算該核心用戶對的電壓均值曲線作為該簇的特征質(zhì)心曲線；
60、步驟s42：遍歷簇內(nèi)剩余的任意候選用戶，計算其電壓曲線與質(zhì)心曲線之間的均方根誤差，作為表征幾何距離的原始物理度量；
61、步驟s43：為了解決因線路阻抗不同導致的同源電壓幅值差異問題（即距離核心較遠的用戶電壓偏低），引入基于突變共現(xiàn)相似度的距離修正機制；獲取用戶與核心用戶對之間的最大突變共現(xiàn)相似度，引入突變寬容因子，按照如下公式計算有效特征距離：
62、；
63、該公式表明，突變同步性越高的用戶，其在特征空間中的有效距離將被壓縮得越小，從而更容易被聚類吸附，即使其物理電壓偏差較大；
64、步驟s44：將計算得到的有效特征距離與預設的吸附半徑閾值進行比較；若，則判定用戶屬于當前核心群體并予以保留；若，則判定用戶為通過弱連接混入的松散節(jié)點或長鏈節(jié)點，并將其從當前群體中剔除；
65、步驟s45：將已吸附的用戶從待處理集合中移除，在剩余用戶中重復執(zhí)行步驟s41至s44，直至無法找到滿足條件的核心用戶對，從而將可能存在誤判連接的松散大簇分裂為若干個內(nèi)部幾何緊密且特征一致的子群。
66、進一步的，所述利用電流突升事件特征序列作為激勵信號，利用電壓時序數(shù)據(jù)作為響應信號，構(gòu)建包含強響應直通、絕對閾值兜底及相對比例通過的三元混合判據(jù)模型，對群體內(nèi)用戶進行兩兩交叉因果推斷，以驗證物理連接的真實性。
67、本發(fā)明引入電流突升與電壓突降的匹配驗證機制，其電氣機理基于低壓配電網(wǎng)的等效電路模型與線路阻抗分壓原理。
68、在低壓臺區(qū)中，供電線路客觀存在不可忽略的線路阻抗（）。根據(jù)歐姆定律及電路原理，用戶側(cè)的端電壓（）與電源電壓（）、線路電流（）及線路阻抗之間的關系可近似表示為：
69、
70、當某用戶啟動大功率負荷時，會導致線路負載電流發(fā)生顯著的突升（）。由于線路阻抗的存在，這一電流增量會在供電線路上產(chǎn)生額外的電壓降（），進而直接導致用戶側(cè)端電壓發(fā)生突降（）。因此，在物理層面上，“電流突升”是因，“電壓突降”是果，二者在時間上具有嚴格的同步性，在方向上具有確定的反向性。
71、對于存在“串戶”關系的用戶群體而言，其本質(zhì)特征是物理上掛接在同一段分支線路或共用同一個接入點（pcc）。因此，該群體中任意一個用戶的負荷電流突變，都會流經(jīng)共用的線路阻抗，從而導致該串聯(lián)路徑上所有用戶的電壓同時發(fā)生跌落。反之，若兩個用戶僅是電壓曲線形態(tài)相似（例如受上級變壓器統(tǒng)一調(diào)壓影響），但不存在共用的線路阻抗，那么其中一個用戶的電流劇烈變化將無法在另一個用戶的電壓上產(chǎn)生可觀測的瞬時響應。基于此電氣機理，本發(fā)明利用“電流突升匹配電壓突降”作為判定物理連接真實性的標準，可有效剔除僅具備統(tǒng)計相關性但無物理聯(lián)系的假陽性樣本。
72、具體步驟如下：
73、步驟s51：激勵信號的自適應提取。?對于待驗證的用戶對?(ua,ub)，首先捕捉能夠作為驗證“探針”的顯著電流事件。基于前文步驟s2介紹的?mad?自適應閾值算法，提取發(fā)端用戶?a?的電流突升時刻集合?tspike。本步驟在?mad?統(tǒng)計閾值的基礎上，額外增加了一個物理底限約束（例如電流增量必須大于?3.0a）。這是因為微小的電流波動（如燈泡開關）在低壓配電網(wǎng)中產(chǎn)生的電壓降往往會被背景噪聲淹沒，不具備作為校驗源的資格。
74、步驟s52：響應信號的窗口化搜索。?對于步驟s51中提取的發(fā)端用戶的電流突升時刻集合中的任意時刻?t，為了克服通信傳輸延遲或電表采集時鐘微小偏差帶來的非同步問題，定義一個覆蓋時刻?t?前后若干采樣點（例如?±1?點，即前后?15?分鐘）的時間窗口。在該窗口內(nèi)，分別搜索并計算用戶?a?自身的電壓最大跌落幅值?δva,self?和目標用戶?b的電壓最大跌落幅值?δvb,target。
75、步驟s53：首先驗證?a?自身的響應是否有效。設置自身有效跌落閾值?vmin_valid（例如?-0.5v）。僅當?|δva,self|>|vmin_valid|?時，才認定該時刻用戶?a?發(fā)生了足以作為參考基準的有效電壓擾動。?對于自身跌落不足的時刻，本算法選擇直接跳過校驗，不將其計入成功或失敗的統(tǒng)計分母中，從而保證了考核的公平性。
76、步驟s54：三元混合判據(jù)的執(zhí)行。?對于通過有效性預判的時刻，執(zhí)行一套包含三種不同物理場景的混合判據(jù)模型。只要滿足以下任一條件，即判定該時刻的電氣因果匹配成功：
77、條件一（強響應直通）：?滿足?δvb,target≤δva,self。即目標用戶?b?的電壓跌落幅度大于或等于基準用戶?a?的跌落幅度。這種情況通常發(fā)生在用戶?b?位于用戶?a?的下游（線路更末端），或者用戶?b?所在支路的線路阻抗遠大于?a。根據(jù)歐姆定律和分壓原理，末端用戶往往會承受比首端用戶更劇烈的電壓波動。
78、條件二（絕對閾值兜底）：?滿足?δvb,target<-vabs_pass。即目標用戶?b?的電壓跌落幅度超過了預設的絕對通過電壓值（例如?0.35v），無論其與?a?的比例關系如何，均視為有效響應。
79、條件三（相對比例通過）：?滿足?δvb,target<δva,self×rratio。即目標用戶?b的電壓跌落幅度達到了基準用戶?a?跌落幅度的預設比例?rratio（例如?0.25）。
80、步驟s55：基于動態(tài)容忍度的因果判定。?統(tǒng)計所有有效校驗時刻的匹配成功率。若成功率高于動態(tài)容忍度，則判定用戶?a?對用戶?b?的單向因果關系成立。?若兩用戶在第一階段的電壓相似度極高?，可適當放寬電流驗證的通過率要求，以容忍偶發(fā)的數(shù)據(jù)不同步。若電壓相似度剛過及格線，必須要求電流驗證具有極高的通過率，以防止假陽性。
81、進一步的，所述基于因果推斷結(jié)果構(gòu)建強驗證關系圖，利用最大團提取算法迭代解析圖中的全連接子圖結(jié)構(gòu)，確保輸出群體內(nèi)部任意兩用戶均滿足電氣連接一致性，將解析出的全連接子圖確定為最終的物理串戶群體，具體步驟如下：
82、步驟s61：強驗證關系圖的構(gòu)建。?基于前述步驟的校驗結(jié)果，構(gòu)建一個無向圖。其中，節(jié)點集合包含了通過初步聚類篩選出的所有疑似串戶用戶。圖中的邊代表了經(jīng)過嚴格電氣因果律驗證的“強連接”關系。
83、步驟s62：對于任意兩用戶和，檢查它們之間的因果校驗記錄。在圖中建立連接邊的條件為：
84、（1）雙向驗證通過：即的電流突變導致了的電壓響應（成立），且的電流突變也導致了的電壓響應（成立）。
85、（2）無法證偽（疑罪從無）：若其中一方或雙方因數(shù)據(jù)缺失（如無電流數(shù)據(jù)）或未發(fā)生顯著突變而導致無法進行有效校驗，則暫時保留該連接邊，以免誤刪潛在的真實串戶。
86、步驟s63：應用最大團搜索算法在圖中尋找節(jié)點數(shù)最多的全連接子圖。?在圖論中，全連接子圖（clique）定義為圖中的一個子集，該子集內(nèi)的任意兩個節(jié)點之間都存在直接相連的邊。將這一概念映射到串戶識別場景中，全連接子圖意味著該群體內(nèi)部的所有成員均滿足“兩兩電氣連接一致性”。這一機制徹底排除了“a?連?b、b?連?c、但?a?與?c?無關”的傳遞性誤判，確保了最終輸出的每一個群體都是內(nèi)部緊密耦合的物理實體。
87、步驟s64：找到當前圖中的最大全連接子圖后，將其標記為一個確定的、獨立的串戶群體（例如“串戶組?#1”）。為了防止重復計算，從圖中移除該子圖包含的所有節(jié)點及其關聯(lián)邊。
88、步驟s65：重復上述搜索與移除步驟，在剩余的殘圖中繼續(xù)尋找下一個最大的全連接子圖。該過程持續(xù)進行，直至圖中剩余節(jié)點無法構(gòu)成包含至少兩個節(jié)點的全連接子圖（即只剩下孤立點）。最終，將圖中剩余的孤立節(jié)點標記為“非串戶用戶”并予以剔除。
89、基于電壓時空特征融合與電氣因果律校驗的低壓臺區(qū)串戶識別系統(tǒng)，包括：
90、數(shù)據(jù)預處理模塊，獲取待識別低壓臺區(qū)內(nèi)所有用戶的電壓時序數(shù)據(jù)和電流時序數(shù)據(jù)，對數(shù)據(jù)執(zhí)行基于插值容忍度的時序?qū)R與清洗處理，生成帶有可靠性狀態(tài)標記的標準化電壓數(shù)據(jù)矩陣與電流數(shù)據(jù)矩陣；
91、自適應特征提取模塊，自適應提取特征序列，對每個用戶的電壓與電流數(shù)據(jù)進行背景噪聲建模，構(gòu)建適應個體波動特性的自適應動態(tài)閾值，并據(jù)此從連續(xù)時序數(shù)據(jù)中離散化提取出表征關鍵電能質(zhì)量擾動的電壓突變事件特征序列與電流突升事件特征序列，采用了一種能夠自適應區(qū)分背景波動與顯著擾動的動態(tài)閾值分割技術；
92、雙維相似度計算模塊，構(gòu)建雙維電壓相似度評價模型，基于所述電壓時序數(shù)據(jù)計算能夠容忍采樣時間偏差的基于局部規(guī)整核的趨勢相似度指標，基于電壓突變事件特征序列計算弱化幅值影響的基于事件等級權(quán)重的突變共現(xiàn)相似度指標，基于上述相似度指標加權(quán)計算電壓雙維相似度；
93、聚類與精篩模塊，構(gòu)建復活機制的動態(tài)考核策略篩選出電壓特征高度耦合的電壓疑似關聯(lián)用戶對，構(gòu)建用戶關聯(lián)圖；利用基于密度的聚類算法對所述電壓疑似關聯(lián)用戶對進行初步聚類，基于引入突變共現(xiàn)相似度權(quán)重的特征空間幾何距離對初步聚類結(jié)果進行質(zhì)心迭代吸附與分裂，生成幾何緊密的初步串戶群體；
94、因果校驗與拓撲重構(gòu)模塊，利用電流突升事件特征序列作為激勵信號，利用電壓時序數(shù)據(jù)作為響應信號，構(gòu)建包含強響應直通、絕對閾值兜底及相對比例通過的三元混合判據(jù)模型，對群體內(nèi)用戶進行兩兩交叉因果推斷，以驗證物理連接的真實性；基于因果推斷結(jié)果構(gòu)建強驗證關系圖，利用最大團提取算法迭代解析圖中的全連接子圖結(jié)構(gòu)，確保輸出群體內(nèi)部任意兩用戶均滿足電氣連接一致性，將解析出的全連接子圖確定為最終的物理串戶群體。
95、所述系統(tǒng)的實現(xiàn)過程和方法相同，不再贅述。
96、一種計算機裝置，包括存儲器、處理器及存儲在存儲器上并可在處理器上運行的計算機程序，所述處理器執(zhí)行所述計算機程序時實現(xiàn)如第一方面所述的基于電壓時空特征融合與電氣因果律校驗的低壓臺區(qū)串戶識別方法的步驟。
97、一種存儲介質(zhì)，所述存儲介質(zhì)存儲有計算機程序，所述計算機程序被至少一個處理器執(zhí)行時實現(xiàn)如第一方面所述的基于電壓時空特征融合與電氣因果律校驗的低壓臺區(qū)串戶識別方法的步驟。
98、本發(fā)明具有以下有益效果：
99、（1）本發(fā)明提出了一種基于電壓時空特征融合與電氣因果律校驗的低壓臺區(qū)串戶識別方法，能夠利用現(xiàn)有的量測數(shù)據(jù)，實現(xiàn)對低壓臺區(qū)復雜串戶關系的精準辨識與拓撲重構(gòu)，為臺區(qū)線損治理、戶變關系校驗及安全用電管理提供了高效、可靠的技術手段；
100、（2）本發(fā)明構(gòu)建了融合趨勢相似度與突變共現(xiàn)相似度的雙維電壓評價模型，利用局部規(guī)整核解決了電表時鐘不同步導致的波形錯位問題，利用事件等級權(quán)重克服了線路阻抗差異引起的電壓幅值不一致干擾，并結(jié)合按日考核與復活機制的雙軌制策略，實現(xiàn)了對用戶電壓特征的全方位精準捕捉，顯著提升了復雜工況下的識別準確率與召回率；
101、（3）本發(fā)明引入了基于電氣因果律的兩兩交叉校驗機制，利用電流突升作為激勵、電壓突降作為響應，建立了包含強響應直通、絕對閾值兜底及相對比例通過的三元混合判據(jù)，從物理層面構(gòu)建了嚴密的閉環(huán)驗證體系，消除了僅憑電壓相似度易產(chǎn)生的假陽性誤判，確保了識別結(jié)果具有確鑿的物理證據(jù)支撐；
102、（4）本發(fā)明采用了基于mad統(tǒng)計學的自適應閾值算法與基于最大團提取的拓撲重構(gòu)技術，能夠自動適應不同臺區(qū)、不同用戶的負荷波動特性，無需人工頻繁調(diào)整參數(shù)即可應對長鏈效應與松散聚類問題，具有極強的算法魯棒性與工程普適性
103、（5）本發(fā)明計算簡單，原理明確，可實現(xiàn)對低壓臺區(qū)串戶關系的自動化精準識別與拓撲重構(gòu)，幫助運維人員快速定位異常連接、排查安全隱患及治理線損問題，提供了戶變關系校驗的有力抓手，具有良好的應用前景。