户变关系指的是用户电表与变压器（台区）的归属关系,户变关系识别就是确定用户是由哪个配电变压器为其供电。准确的低压台区户变关系识别是实现降损增效、窃电监测、故障定位排除、提升智能配电及供电服务质量的前提。我国电力系统智能化起步较晚,初期营配档案主要根据台区建设资料手工录入。随着近年来变电站增容扩建、设备更新维护及台区线路改造,使得户变关系发生了改变。电网公司一直致力于解决户变关系异常问题,便于实现台区智能化管控。本文基于电力营销大数据,采用机器学习算法自动识别用户与电力台区的真实拓扑关系,进而解决低压台区户变关系异常问题。主要研究内容如下:由于电压序列时间跨度长且趋势特征明显,传统机器学习方法不能有效处理这类数据,识别准确率不高且消耗时间长。基于此,本文提出一种基于双向长短期记忆网络与时间序列卷积（Bi LSTM-TCN）的并行神经网络,Bi LSTM可以结合提取到的前后向时间序列信息,具有对时间序列特征的长距离捕获能力。TCN通过引入扩张卷积和残差块使得网络层数相同时能够显著增大感受野。该网络利用台区下用户一周的电压波动曲线进行户变关系识别。该方法能够较好提取长时间序列电压数据特征,提高分类准确率,避免由于电压数据太少造成台区归属误判。最后从准确率、召回率及F1-score三个方面与其它经典神经网络进行对比分析,结果表明本方法经过较少的训练轮次即可实现较高的识别准确率。针对户变关系较为混乱的台区,本文提出一种基于半监督学习的户变关系异常识别方法。通常户变关系异常存在于相邻台区间,首先根据台区线损率及GIS系统定位户变关系异常台区及相邻台区,避免全局范围内户变关系调整。然后采用t-SNE算法提取用户电压数据特征,降低运算时长。接着根据配变侧及已标记用户数据确定聚类中心,根据相关系数值对降维后的电压曲线特征进行聚类,从而识别用户台区归属。针对离群点用户,传统方法难以准确识别其户变关系,本方法将这些用户分别划归到可能归属台区下,比较台区线损率变化。若线损率降低至正常阈值范围内,则可判定该用户属于此台区。与其它方法对比实验结果表明,本方法具有一定的实用价值。电压曲线数据是典型的时间序列数据。由于电压曲线数据规模大,趋势特征明显,直接对原数据集进行处理时间消耗较大,且户变关系识别效果不佳。为此,本文提出一种基于趋势特征的分段聚合近似与Shapelet（Trend Feature based on Piecewise Aggregate Approximation-Shapelet,TFPST）的户变关系异常识别方法。首先采用融合趋势特征的分段聚合近似（Trend Feature based on Piecewise Aggregate Approximation,TFPAA）算法对电压序列降维,通过均值和斜率两种度量方式实现对原曲线波动特性的有效拟合。然后将降维后生成序列输入到Shapelet算法,Shapelet算法采用滑动窗口技术从降维后电压序列中选择k个信息增益值最大的Shapelet序列用于分类。实验结果表明,基于TFPST的户变关系异常识别方法既能保证分类准确性,又能减少Shapelet算法运算量,降低时间复杂度,具有较好的户变关系识别效果。