CN105303469A - 线损异常原因数据挖掘分析的方法与系统 - Google Patents

Abstract

本发明提供一种线损异常原因数据挖掘分析的方法与系统，建立线损原因分析规范，获取线损资源信息，并根据线损原因分析规范，进行线损资源信息分析，构建线损基础信息模型，获取电网业务数据，根据电网业务数据、线损资源信息以及线损基础信息模型，进行线损异常原因数据挖掘与关联信息特性分析，查找导致线损异常的大概率原因，根据EMS与DMS状态估计的理念，进行计量坏数据辨识，以修正导致线损异常的大概率原因，获得修正后的导致线损异常的大概率原因。整个过程中，针对电网业务数据以及电网线损资源实际情况进行挖掘与分析，实现对线损异常原因的准确分析。

Description

线损异常原因数据挖掘分析的方法与系统

技术领域

本发明涉及电力电网技术领域，特别是涉及线损异常原因数据挖掘分析的方法与系统。

背景技术

线损指的是以热能形式散发的能量损失，即为电阻、电导消耗的有功功率。电能在传输过程中产生线损的原因有电阻作用、磁场作用以及管理方面的原因。

以往对于线损管理的研究和成果尽管已经有了很多的理论，但这些措施和研究往往都是从线损的理论知识来进行研究和分析的，未能充分考虑针对具体地区供电企业线损管理情况进行分析。

若不对具体地区供电企业线损管理情况进行分析，其线损管理研究结果将会存在较大误差。

发明内容

基于此，有必要针对一般线损管理研究存在较大误差的问题，提供一种分析准确的线损异常原因数据挖掘分析的方法与系统。

一种线损异常原因数据挖掘分析的方法，包括步骤：

建立线损原因分析规范，其中，所述线损原因分析规范包括线损异常原因定义、线损异常分析指引以及线损异常处理指引；

获取线损资源信息，根据所述线损原因分析规范和所述线损资源信息进行线损资源信息分析，构建线损基础信息模型；

获取电网业务数据，根据所述电网业务数据、所述线损资源信息以及所述线损基础信息模型，进行线损异常原因数据挖掘与关联信息特性分析，查找导致线损异常的大概率原因；

根据EMS(EnergyManagementSystem，能源管理系统)与DMS(DistributionManagementSystem，配电管理系统)状态估计的理念，进行计量坏数据辨识，以修正所述导致线损异常的大概率原因，获得修正后的所述导致线损异常的大概率原因。

一种线损异常原因数据挖掘分析的系统，包括：

分析规范建立模块，用于建立线损原因分析规范，其中，所述线损原因分析规范包括线损异常原因定义、线损异常分析指引以及线损异常处理指引；

模型构建模块，用于获取线损资源信息，根据所述线损原因分析规范和所述线损资源信息进行线损资源信息分析，构建线损基础信息模型；

查找模块，用于获取电网业务数据，根据所述电网业务数据、所述线损资源信息以及所述线损基础信息模型，进行线损异常原因数据挖掘与关联信息特性分析，查找导致线损异常的大概率原因；

修正模块，用于根据EMS与DMS状态估计的理念，进行计量坏数据辨识，以修正所述导致线损异常的大概率原因，获得修正后的所述导致线损异常的大概率原因。

本发明线损异常原因数据挖掘分析的方法与系统，建立线损原因分析规范，获取线损资源信息，并根据线损原因分析规范，进行线损资源信息分析，构建线损基础信息模型，获取电网业务数据，根据电网业务数据、线损资源信息以及线损基础信息模型，进行线损异常原因数据挖掘与关联信息特性分析，查找导致线损异常的大概率原因，根据EMS与DMS状态估计的理念，进行计量坏数据辨识，以修正导致线损异常的大概率原因，获得修正后的导致线损异常的大概率原因。整个过程中，针对电网业务数据以及电网线损资源实际情况进行挖掘与分析，实现对线损异常原因的准确分析。

附图说明

图1为本发明线损异常原因数据挖掘分析的方法第一个实施例的流程示意图；

图2为本发明线损异常原因数据挖掘分析的方法第二个实施例的流程示意图；

图3为本发明线损异常原因数据挖掘分析的系统第一个实施例的结构示意图；

图4为本发明线损异常原因数据挖掘分析的系统第二个实施例的结构示意图。

具体实施方式

如图1所示，一种线损异常原因数据挖掘分析的方法，包括步骤：

S100：建立线损原因分析规范，其中，所述线损原因分析规范包括线损异常原因定义、线损异常分析指引以及线损异常处理指引。

线损原因分析规范建立所需数据可以从历史经验数据或者专家库数据中获取。具体来说，步骤S100具体为：基于实际线损分析工作流程及业务内涵，梳理线损异常原因图谱。结合业务术语给出线损异常原因定义，规范线损异常原因定义及应用规则，针对各项线损异常原因给出线损异常分析指引及处理指引。

S200：获取线损资源信息，根据所述线损原因分析规范和所述线损资源信息进行线损资源信息分析，构建线损基础信息模型。

可以以历史经验数据为基础，并结合电网当前实际情况获取线损资源信息，并且根据线损原因分析规范，对线损资源信息进行梳理，构建线损基础信息模块。线损基础信息模型构建对营销、配电等多个系统的结构化数据分析，主要以分线、分台区以及相应粒度的数据仓库为数据模型基础，在此基础上可以获得分压分区的数据查询结果。

S300：获取电网业务数据，根据所述电网业务数据、所述线损资源信息以及所述线损基础信息模型，进行线损异常原因数据挖掘与关联信息特性分析，查找导致线损异常的大概率原因。

综合电网业务系统、数据资源信息和线损基础信息模型，针对典型线损异常原因进行数据挖掘与关联信息特性分析，查找到线损异常的大概率原因。

S400：根据EMS与DMS状态估计的理念，进行计量坏数据辨识，以修正所述导致线损异常的大概率原因，获得修正后的所述导致线损异常的大概率原因。

根据EMS与DMS状态估计的理念，进行计量坏数据辨识，将周期的积分量根据电网拓扑关系进行判别，利用现有的状态估计算法进行修改。得出线损状态估计的结果，更加有利于得到真实值。具体来说，首先结合研究对象长期历史资料进行跟踪与报警将研究对象的各关口供售电量进行历史跟踪，对于长期跳跃变化关口供售电量不予关注，对于长期不变化，而近期的变化率超过一定倍率阀值的关口供售电量进行提醒，特别是某一对象的供售电量变化综合。进一步利用线损的实时计算和分析算法，有效判别计量装置异常，并进行理论线损和统计线损比较分析。

本发明线损异常原因数据挖掘分析的方法，建立线损原因分析规范，获取线损资源信息，并根据线损原因分析规范，进行线损资源信息分析，构建线损基础信息模型，获取电网业务数据，根据电网业务数据、线损资源信息以及线损基础信息模型，进行线损异常原因数据挖掘与关联信息特性分析，查找导致线损异常的大概率原因，根据EMS与DMS状态估计的理念，进行计量坏数据辨识，以修正导致线损异常的大概率原因，获得修正后的导致线损异常的大概率原因。整个过程中，针对电网业务数据以及电网线损资源实际情况进行挖掘与分析，实现对线损异常原因的准确分析。

如图2所示，在其中一个实施例中，步骤S400之后还包括：

S500：根据所述线损原因分析规范，对所述修正后的所述导致线损异常的大概率原因进行处理。

原因分析规范中携带有线损异常分析指引以及线损异常处理指引，基于这些内容，针对修正查找到的导致线损异常的大概率原因进行处理。

下面将以“配电转供电”为导致线损异常的大概率原因为例，详细解释对修正后的所述导致线损异常的大概率原因进行处理的过程。

遍历一定区域内的电网系统，如果相邻台区均发生线损率异常，且两个台区合并计算时线损率恢复正常很有可能是有过转供电操作。首先梳理台区的相邻关系，对所有台区进行分区排列组合计算，再与原有台区线损率情况进行比较，得出有可能转供电的台区，实现转供电自动侦测功能。利用沃罗诺伊图(是由俄国数学家GeorgyFedoseevichVoronoi建立的空间分割算法。灵感来源于笛卡尔用凸域分割空间的思想。在几何，晶体学建筑学，地理学，气象学，信息系统等许多领域有广泛的应用)来提高排查效率，梳理台区的相邻关系。它的数学表示如下：

设点集S＝{p1,p2,…,pn}。

V(pi)＝{x∈V(pi)|d(x,pi)≤d(x,pj),j＝1,2,…,n,j≠i}。

沃罗诺伊图在几何上意义可以看作是点集中每个顶点p＝{p1,p2,…,pn}以相同的速度向外扩张，直到彼此相遇为止而在平面上形成的图形[12,13]。进一步对所有台区进行分区排列组合计算时，考虑距离遥远的变电站是不太可能发生转供电的，这样就可以利用估算等效距离的方法，来排除巧合的排列组合结果，而匹配可能的转供电信息。以变电站为电源点，计算机自动画出各区市局的线路，将线路归属到各个沃罗诺伊图区域中，相聚很“远”的区域是不能发生转供电的，这样就提高了该功能排查转供电发生的效率。

在其中一个实施例中，所述建立线损原因分析规范的步骤具体包括：

获取实际线损分析工作流程以及电网业务内涵；

根据所述实际线损分析工作流程以及电网业务内涵，梳理线损异常原因图谱，

根据所述线损异常原因图谱，构建线损原因分析规范。

在历史经验数据中获取线损分析工作流程和电网业务内涵的基础数据，再根据当前电网线损的实际情况，对基础数据进行更新和扩展，获得实际线损分析工作流程以及电网业务内涵。梳理线损异常原因图谱，图谱中记录有检查五大原因线损异常、现场检查与处置、后续跟踪、效益评估、线损异常情况发起以及全景数据分析与挖掘。上述处理过程可以理解为：集成跨专业、跨区域线损分析所需的基础数据，行成统一的线损高级应用分析平台(线损原因分析规范)，所需集成的基础数据包括电能量数据、电网模型数据、电网运行数据、营销主题数据。分析线损异常主要是分析处理计量原因、技术线损、抄表原因、系统档案原因与偷窃电这五大类原因造成的线损异常。

在其中一个实施例中，所述获取线损资源信息，根据所述线损原因分析规范和所述线损资源信息进行线损资源信息分析，构建线损基础信息模型的步骤具体包括：

根据所述线损原因分析规范，梳理电网中诱发线损异常的相关专业业务；

获取线损资源信息；

根据所述电网中诱发线损异常的相关专业业务以及所述线损资源信息，对电网中线损异常原因进行分析，构建线损基础信息模型。

根据线损原因分析规范，梳理诱发线损异常的相关专业业务和现有系统资源情况针对典型线损异常原因分析构建基础信息模型。数据模型构建对营销、配电等多个系统的结构化数据分析。主要以分线、分台区以及相应粒度的数据仓库为数据模型基础，在此基础上可以获得分压分区的数据查询结果。任何有可能与线损分析对象有关的数据将作为分线、分台区数据记录的属性进行记录。建立以10kV线路与低压台区为粒度单位的分析对象。以对象为单位，扩充有关信息系统的相关信息内容，包括转供电信息，装表换表信息，设备更动等。

在其中一个实施例中，所述获取电网业务数据，根据所述电网业务数据、所述线损资源信息以及所述线损基础信息模型，进行线损异常原因数据挖掘与关联信息特性分析，查找导致线损异常的大概率原因的步骤具体包括：

通过电网业务系统，获取电网业务数据；

根据所述电网业务数据、所述线损资源信息以及所述线损基础信息模型，在电网业务范围内分析导致线损异常的大概率原因，获得导致线损异常的大概率原因分析结果；

采用挖掘关联规则Apriori算法(关联规则算法)对电网线损和电网运行情况进行关联分析，获得关联分析结果；

根据所述导致线损异常的大概率原因分析结果以及所述关联分析结果，查找导致线损异常的大概率原因。

Apriori算法是一种挖掘关联规则的频繁项集算法，其核心思想是通过候选集生成和情节的向下封闭检测两个阶段来挖掘频繁项集。而且算法已经被广泛的应用到商业、网络安全等各个领域。电网的业务数据可以直接从电网业务系统中获取。

具体来说，综合电网业务系统、数据资源信息和线损基础信息模型，针对典型线损异常原因进行特性分析。与线损异常原因图谱相结合，在更大的业务范围内分析导致线损异常的大概率原因。用数据挖掘中的关联规则Apriori算法挖掘来对大型城市电网线损与电网运行情况进行关联分析,关联规则中Apriori算法的特点是使用候选项集找频繁项集。关联规则挖掘的第一阶段必须从原始资料集合中，找出所有高频项目组，关联规则挖掘的第二阶段是要产生关联规则。从线损异常原因高频项目组产生关联规则。

如图3所示，一种线损异常原因数据挖掘分析的系统，包括：

分析规范建立模块100，用于建立线损原因分析规范，其中，所述线损原因分析规范包括线损异常原因定义、线损异常分析指引以及线损异常处理指引；

模型构建模块200，用于获取线损资源信息，根据所述线损原因分析规范和所述线损资源信息进行线损资源信息分析，构建线损基础信息模型；

查找模块300，用于获取电网业务数据，根据所述电网业务数据、所述线损资源信息以及所述线损基础信息模型，进行线损异常原因数据挖掘与关联信息特性分析，查找导致线损异常的大概率原因；

修正模块400，用于根据EMS与DMS状态估计的理念，进行计量坏数据辨识，以修正所述导致线损异常的大概率原因，获得修正后的所述导致线损异常的大概率原因。

本发明线损异常原因数据挖掘分析的系统，分析规范建立模块100建立线损原因分析规范，模型构建模块200获取线损资源信息，并根据线损原因分析规范，进行线损资源信息分析，构建线损基础信息模型，查找模块300获取电网业务数据，根据电网业务数据、线损资源信息以及线损基础信息模型，进行线损异常原因数据挖掘与关联信息特性分析，查找导致线损异常的大概率原因，修正模块400根据EMS与DMS状态估计的理念，进行计量坏数据辨识，以修正导致线损异常的大概率原因，获得修正后的导致线损异常的大概率原因。整个过程中，针对电网业务数据以及电网线损资源实际情况进行挖掘与分析，实现对线损异常原因的准确分析。

如图4所示，在其中一个实施例中，所述线损异常原因数据挖掘分析的系统还包括：

处理模块500，用于根据所述线损原因分析规范，对所述修正后的所述导致线损异常的大概率原因进行处理。

在其中一个实施例中，所述分析规范建立模块100具体包括：

获取单元，用于获取实际线损分析工作流程以及电网业务内涵；

梳理单元，用于根据所述实际线损分析工作流程以及电网业务内涵，梳理线损异常原因图谱，

构建单元，用于根据所述线损异常原因图谱，构建线损原因分析规范。

在其中一个实施例中，所述模型构建模块200具体包括：

业务梳理单元，用于根据所述线损原因分析规范，梳理电网中诱发线损异常的相关专业业务；

线损资源信息获取单元，用于获取线损资源信息；

模型构建单元，用于根据所述电网中诱发线损异常的相关专业业务以及所述线损资源信息，对电网中线损异常原因进行分析，构建线损基础信息模型。

在其中一个实施例中，所述查找模块300具体包括：

电网业务数据获取单元，用于通过电网业务系统，获取电网业务数据；

大概率原因分析单元，用于根据所述电网业务数据、所述线损资源信息以及所述线损基础信息模型，在电网业务范围内分析导致线损异常的大概率原因，获得导致线损异常的大概率原因分析结果；

关联反洗单元，用于采用挖掘关联规则Apriori算法对电网线损和电网运行情况进行关联分析，获得关联分析结果；

查找单元，用于根据所述导致线损异常的大概率原因分析结果以及所述关联分析结果，查找导致线损异常的大概率原因。

以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种线损异常原因数据挖掘分析的方法，其特征在于，包括步骤：

建立线损原因分析规范，其中，所述线损原因分析规范包括线损异常原因定义、线损异常分析指引以及线损异常处理指引；

获取线损资源信息，根据所述线损原因分析规范和所述线损资源信息进行线损资源信息分析，构建线损基础信息模型；

获取电网业务数据，根据所述电网业务数据、所述线损资源信息以及所述线损基础信息模型，进行线损异常原因数据挖掘与关联信息特性分析，查找导致线损异常的大概率原因；

根据EMS与DMS状态估计的理念，进行计量坏数据辨识，以修正所述导致线损异常的大概率原因，获得修正后的所述导致线损异常的大概率原因。

2.根据权利要求1所述的线损异常原因数据挖掘分析的方法，其特征在于，所述根据EMS与DMS状态估计的理念，进行计量坏数据辨识，以修正所述导致线损异常的大概率原因，获得修正后的所述导致线损异常的大概率原因的步骤之后还包括：

根据所述线损原因分析规范，对所述修正后的所述导致线损异常的大概率原因进行处理。

3.根据权利要求1或2所述的线损异常原因数据挖掘分析的方法，其特征在于，所述建立线损原因分析规范的步骤具体包括：

获取实际线损分析工作流程以及电网业务内涵；

根据所述实际线损分析工作流程以及电网业务内涵，梳理线损异常原因图谱；

根据所述线损异常原因图谱，构建线损原因分析规范。

4.根据权利要求1或2所述的线损异常原因数据挖掘分析的方法，其特征在于，所述获取线损资源信息，根据所述线损原因分析规范和所述线损资源信息进行线损资源信息分析，构建线损基础信息模型的步骤具体包括：

根据所述线损原因分析规范，梳理电网中诱发线损异常的相关专业业务；

获取线损资源信息；

根据所述电网中诱发线损异常的相关专业业务以及所述线损资源信息，对电网中线损异常原因进行分析，构建线损基础信息模型。

5.根据权利要求1或2所述的线损异常原因数据挖掘分析的方法，其特征在于，所述获取电网业务数据，根据所述电网业务数据、所述线损资源信息以及所述线损基础信息模型，进行线损异常原因数据挖掘与关联信息特性分析，查找导致线损异常的大概率原因的步骤具体包括：

通过电网业务系统，获取电网业务数据；

根据所述电网业务数据、所述线损资源信息以及所述线损基础信息模型，在电网业务范围内分析导致线损异常的大概率原因，获得导致线损异常的大概率原因分析结果；

采用挖掘关联规则Apriori算法对电网线损和电网运行情况进行关联分析，获得关联分析结果；

根据所述导致线损异常的大概率原因分析结果以及所述关联分析结果，查找导致线损异常的大概率原因。

6.一种线损异常原因数据挖掘分析的系统，其特征在于，包括：

分析规范建立模块，用于建立线损原因分析规范，其中，所述线损原因分析规范包括线损异常原因定义、线损异常分析指引以及线损异常处理指引；

模型构建模块，用于获取线损资源信息，根据所述线损原因分析规范和所述线损资源信息进行线损资源信息分析，构建线损基础信息模型；

查找模块，用于获取电网业务数据，根据所述电网业务数据、所述线损资源信息以及所述线损基础信息模型，进行线损异常原因数据挖掘与关联信息特性分析，查找导致线损异常的大概率原因；

修正模块，用于根据EMS与DMS状态估计的理念，进行计量坏数据辨识，以修正所述导致线损异常的大概率原因，获得修正后的所述导致线损异常的大概率原因。

7.根据权利要求6所述的线损异常原因数据挖掘分析的系统，其特征在于，还包括：

处理模块，用于根据所述线损原因分析规范，对所述修正后的所述导致线损异常的大概率原因进行处理。

8.根据权利要求6或7所述的线损异常原因数据挖掘分析的系统，其特征在于，所述分析规范建立模块具体包括：

获取单元，用于获取实际线损分析工作流程以及电网业务内涵；

梳理单元，用于根据所述实际线损分析工作流程以及电网业务内涵，梳理线损异常原因图谱；

构建单元，用于根据所述线损异常原因图谱，构建线损原因分析规范。

9.根据权利要求6或7所述的线损异常原因数据挖掘分析的系统，其特征在于，所述模型构建模块具体包括：

业务梳理单元，用于根据所述线损原因分析规范，梳理电网中诱发线损异常的相关专业业务；

线损资源信息获取单元，用于获取线损资源信息；

模型构建单元，用于根据所述电网中诱发线损异常的相关专业业务以及所述线损资源信息，对电网中线损异常原因进行分析，构建线损基础信息模型。

10.根据权利要求6或7所述的线损异常原因数据挖掘分析的系统，其特征在于，所述查找模块具体包括：

电网业务数据获取单元，用于通过电网业务系统，获取电网业务数据；

大概率原因分析单元，用于根据所述电网业务数据、所述线损资源信息以及所述线损基础信息模型，在电网业务范围内分析导致线损异常的大概率原因，获得导致线损异常的大概率原因分析结果；

关联反洗单元，用于采用挖掘关联规则Apriori算法对电网线损和电网运行情况进行关联分析，获得关联分析结果；

查找单元，用于根据所述导致线损异常的大概率原因分析结果以及所述关联分析结果，查找导致线损异常的大概率原因。