CN106093707A - 智能防窃电分析系统的数据处理方法 - Google Patents
智能防窃电分析系统的数据处理方法 Download PDFInfo
- Publication number
- CN106093707A CN106093707A CN201610543675.XA CN201610543675A CN106093707A CN 106093707 A CN106093707 A CN 106093707A CN 201610543675 A CN201610543675 A CN 201610543675A CN 106093707 A CN106093707 A CN 106093707A
- Authority
- CN
- China
- Prior art keywords
- user
- index
- data
- ammeter
- event
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 230000005611 electricity Effects 0.000 title claims abstract description 314
- 238000003672 processing method Methods 0.000 title claims abstract description 70
- 238000004458 analytical method Methods 0.000 claims description 124
- 230000005856 abnormality Effects 0.000 claims description 113
- 230000006837 decompression Effects 0.000 claims description 30
- 238000007405 data analysis Methods 0.000 claims description 15
- 230000002159 abnormal effect Effects 0.000 claims description 8
- 238000005192 partition Methods 0.000 claims description 6
- 230000001186 cumulative effect Effects 0.000 claims description 3
- 230000009329 sexual behaviour Effects 0.000 claims 1
- 238000000034 method Methods 0.000 description 48
- 230000008569 process Effects 0.000 description 32
- 238000009826 distribution Methods 0.000 description 20
- 230000006399 behavior Effects 0.000 description 18
- 230000006870 function Effects 0.000 description 13
- 230000002085 persistent effect Effects 0.000 description 13
- 238000012545 processing Methods 0.000 description 12
- 230000008859 change Effects 0.000 description 11
- 230000002354 daily effect Effects 0.000 description 11
- 238000001514 detection method Methods 0.000 description 9
- 230000006872 improvement Effects 0.000 description 8
- 238000005303 weighing Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 7
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 description 6
- 230000004048 modification Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000006378 damage Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000003203 everyday effect Effects 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 230000008676 import Effects 0.000 description 3
- 238000004451 qualitative analysis Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 230000001360 synchronised effect Effects 0.000 description 3
- 238000012384 transportation and delivery Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000013523 data management Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000000556 factor analysis Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 239000013642 negative control Substances 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 102100037651 AP-2 complex subunit sigma Human genes 0.000 description 1
- 206010000117 Abnormal behaviour Diseases 0.000 description 1
- 101000806914 Homo sapiens AP-2 complex subunit sigma Proteins 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 230000037396 body weight Effects 0.000 description 1
- 238000000205 computational method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000005034 decoration Methods 0.000 description 1
- 210000004247 hand Anatomy 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000000819 phase cycle Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/08—Locating faults in cables, transmission lines, or networks
- G01R31/088—Aspects of digital computing
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Emergency Alarm Devices (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种智能防窃电分析系统的数据处理方法，包括：对常规的电量平衡信息、电表事件及用户用电特征的各单项指标分别赋予相应的指标状态值；建立包括上述各指标状态值的指标数据库；建立窃电指标体系，划分为：第一指标层包括用电用户的窃电嫌疑指数；第二指标层包括用电用户实际的电量平衡信息、用电用户实际的电表事件及用电用户实际的用电特征；第三指标层包括用电用户实际的电量平衡信息、实际的电表事件及实际的用电特征的各单项指标；获取用电用户的电表数据，将指标数据库中与用电用户实际的电量平衡信息、实际的电表事件以及实际的用电特征的各单项指标相匹配的指标状态值进行累加，以确定用电用户的窃电嫌疑指数。
Description
技术领域
本发明涉及供配电管理的技术领域，尤其是指一种智能防窃电分析系统的数据处理方法。
背景技术
目前电力企业担负着社会稳定，经济发展的重要使命。在市场经济条件下，电力企业按照国家有关规定，对电力用户依据用电量的多少以及负荷的性质收取相应的电费，是保证电力企业健康发展的重要手段。同时，随着电力用户对用电服务质量要求越来越高，电力企业还肩负着对电力用户提供优质供电和用电服务义务。在用电现场存在各种用电行为异常现象：少数电力用户受利益的驱使，主观上采取各种不法手段，实施用电异常，造成国家电能大量流失，损失惊人；超负荷用电，用电用户主观和客观上进行超负荷用电，长时间的超负荷用电对用电设备和电网都会造成较大的危害；等等各种异常用电行为不但严重损害了电力企业的合法权益，扰乱了正常的供用电秩序，严重影响了电力事业的发展，而且给电网安全带来了严重威胁，同时用电异常行为也给用电用户带来很多不良的影响，会导致用电设备报废、老化快，甚至有可能导致安全事故，危及用电用户的人身和财产安全。
发明内容
有鉴于上述问题，本发明提供了一种智能防窃电分析系统的数据处理方法，包括：
对常规的电量平衡信息的各单项指标、常规的电表事件的各单项指标、以及常规的用户用电特征的各单项指标分别赋予相应的指标状态值；
建立指标数据库，所述指标数据库包括：常规的电量平衡信息的各单项指标、常规的电表事件的各单项指标、以及常规的用户用电特征的各单项指标各自的指标状态值；
建立窃电指标体系，将所述窃电指标体系划分为第一指标层、第二指 标层以及第三指标层；所述第一指标层包括用电用户的窃电嫌疑指数；所述第二指标层包括用电用户实际的电量平衡信息、用电用户实际的电表事件以及用电用户实际的用电特征；所述第三指标层包括用电用户实际的电量平衡信息的各单项指标、用电用户实际的电表事件的各单项指标、以及用电用户实际的用电特征的各单项指标；
获取用电用户的电表数据并进行电量平衡分析、电表事件分析以及电表历史数据分析，将所述指标数据库中与用电用户实际的电量平衡信息的各单项指标、用电用户实际的电表事件的各单项指标、以及用电用户实际的用电特征的各单项指标相匹配的指标状态值进行累加，以确定用电用户的窃电嫌疑指数。
本发明的智能防窃电分析系统的数据处理方法，通过分析用电异常用户的电量平衡信息、电表事件以及用电特征，并借助用电行为异常分析的模型来分析用户用电行为习惯，以及与用户用电相关的数据，筛选出用电异常用户，并提供对用户用电行为异常的程度分析，最后得出用电异常用户的窃电嫌疑指数。可以在配用电海量数据处理和智能配用电服务方面建立起一套示范型项目，在电力大数据在实际电力营销业务应用上具有重要的意义。
本发明智能防窃电分析系统的数据处理方法的进一步改进在于：
通过一数据获取模块获取不同用户的电表数据；
通过一数据分析模块对所述数据获取模块获取的不同用户的电表数据进行电量平衡分析，以确定用电异常用户以及用电异常用户实际的电量平衡信息；
通过一电表事件分析模块对用电异常用户的电表数据进行电表事件分析，以确定用电异常用户实际的电表事件；
通过一用电特征分析模块对用电异常用户的电表历史数据进行分析，以确定用电异常用户实际的用电特征；
通过一窃电分析模块将所述指标数据库中与用电异常用户实际的电量平衡信息的各单项指标、用电异常用户实际的电表事件的各单项指标、以及用电异常用户实际的用电特征的各单项指标相匹配的指标状态值进行累加，以确定用电异常用户的窃电嫌疑指数。
本发明智能防窃电分析系统的数据处理方法的进一步改进在于，确定用电异常用户以及用电异常用户实际的电量平衡信息，包括：
对不同用户的电表数据进行电量平衡分析时，计算不同用户的电表数据的线损率，根据线损率确定用电异常用户；
通过一区域模型划分划分模块将常规的电量平衡信息的各单项指标进行电量平衡区域模型划分，并对每个电量平衡区域模型赋予相应的指标状态值；
通过一比对模块将用电异常用户实际的电量平衡信息与常规的电量平衡信息的全部电量平衡区域模型进行比对，得到与用电异常用户实际的电量平衡信息相匹配的电量平衡区域模型。
本发明智能防窃电分析系统的数据处理方法的进一步改进在于，确定用电异常用户实际的电表事件，包括：
常规的电表事件的各单项指标的类型包括：表计失流事件、表计失压事件、反极性事件、持续0电量事件、非费率时段走字事件、三相电流不平衡事件、主备表电量超差、以及电量波动数据事件；
通过所述区域模型划分划分模块将常规的电表事件的各单项指标进行电表事件区域模型划分，并对每个电表事件区域模型赋予相应的指标状态值；
通过所述比对模块将用电异常用户实际的电表数据与常规的电表事件的全部电表事件区域模型进行比对，得到与用电异常用户实际的电表事件相匹配的电表事件区域模型。
本发明智能防窃电分析系统的数据处理方法的进一步改进在于，确定用电异常用户实际的用电特征，包括：
常规的用户用电特征的各单项指标的类型包括：电流纵向信息、电流横向信息、负载率信息、以及作业习惯信息；
通过所述区域模型划分划分模块将常规的用户用电特征的各单项指标进行用电特征区域模型划分，并对每个用电特征区域模型赋予相应的指标状态值；
通过所述比对模块将用电异常用户实际的用电特征与常规的用户用电特征的全部用电特征区域模型进行比对，得到与用电异常用户实际的用电特征相匹配的用电特征区域模型。
本发明智能防窃电分析系统的数据处理方法的进一步改进在于，将所述指标数据库中与用电异常用户实际的电量平衡信息的各单项指标、用电异常用户实际的电表事件的各单项指标、以及用电异常用户实际的用电特 征的各单项指标相匹配的指标状态值进行累加，以确定用电异常用户的窃电嫌疑指数，包括：
将用电异常用户实际的电量平衡信息所对应的电量平衡区域模型的指标状态值作为电量平衡指数；
将用电异常用户实际的电表事件所对应的电表事件区域模型的指标状态值作为电表事件指数；
将用电异常用户的用电特征所对应的用电特征区域模型的指标状态值作为用电特征指数；
将所述电量平衡指数、所述电表事件指数、以及所述用电特征指数进行累加，得到用电异常用户的窃电嫌疑指数。
本发明智能防窃电分析系统的数据处理方法的进一步改进在于，还包括：通过一中间数据库储存所述数据获取模块获取的电表数据。
本发明智能防窃电分析系统的数据处理方法的进一步改进在于，还包括：
通过一数据存储模块储存所述窃电分析模块的分析结果；
通过一应用模块向供电用户展示所述窃电分析模块的分析结果。
本发明智能防窃电分析系统的数据处理方法的进一步改进在于，还包括：通过一预处理模块对所述数据获取模块获取的电表数据进行预处理，将获取的电表数据中的非法数据进行过滤。
附图说明
图1是本发明智能防窃电分析系统的数据处理方法的流程示意图。
图2是本发明智能防窃电分析系统的数据处理方法中的线损平衡分析处理流程。
图3是本发明智能防窃电分析系统的数据处理方法中的电表事件分析处理流程。
图4和图5是本发明智能防窃电分析系统的数据处理方法中的日电流曲线相似性分析图。
图6是本发明智能防窃电分析系统的数据处理方法中的电流区间分析的正态分布图。
图7是本发明智能防窃电分析系统的数据处理方法中的负载率正态分布分析图。
图8是本发明智能防窃电分析系统的数据处理方法中的作业习惯分析图。
图9是本发明智能防窃电分析系统的数据处理方法中的电表历史数据分析处理流程。
图10是本发明智能防窃电分析系统的数据处理方法中的权重分配图。
图11是本发明智能防窃电分析系统的数据处理方法中的智能防窃电分析系统的结构框图。
图12是本发明智能防窃电分析系统的数据处理方法中的智能防窃电分析系统的架构图。
图13是本发明智能防窃电分析系统的数据处理方法中的智能防窃电分析系统的物理部署拓扑图。
图14是本发明智能防窃电分析系统的数据处理方法中的智能防窃电分析系统的功能框架图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
配合参看图1所示，图1是本发明智能防窃电分析系统的数据处理方法的流程示意图。本发明智能防窃电分析系统的数据处理方法，包括：
步骤S1：对常规的电量平衡信息的各单项指标、常规的电表事件的各单项指标、以及常规的用户用电特征的各单项指标分别赋予相应的指标状态值；
步骤S2：建立指标数据库，所述指标数据库包括：常规的电量平衡信息的各单项指标、常规的电表事件的各单项指标、以及常规的用户用电特征的各单项指标各自的指标状态值；
步骤S3：建立窃电指标体系，将所述窃电指标体系划分为第一指标层、第二指标层以及第三指标层；所述第一指标层包括用电用户的窃电嫌疑指数；所述第二指标层包括用电用户实际的电量平衡信息、用电用户实际的电表事件以及用电用户实际的用电特征；所述第三指标层包括用电用户实际的电量平衡信息的各单项指标、用电用户实际的电表事件的各单项指标、以及用电用户实际的用电特征的各单项指标；
步骤S4：获取用电用户的电表数据并进行电量平衡分析、电表事件分析以及电表历史数据分析，将所述指标数据库中与用电用户实际的电量平衡信息的各单项指标、用电用户实际的电表事件的各单项指标、以及用电用户实际的用电特征的各单项指标相匹配的指标状态值进行累加，以确定用电用户的窃电嫌疑指数。
在本发明的一个较佳实施例中，本发明智能防窃电分析系统的数据处理方法，还包括：
步骤S01：通过一数据获取模块获取不同用户的电表数据；
步骤S02：通过一数据分析模块对所述数据获取模块获取的不同用户的电表数据进行电量平衡分析，以确定用电异常用户以及用电异常用户实际的电量平衡信息；
步骤S03：通过一电表事件分析模块对用电异常用户的电表数据进行电表事件分析，以确定用电异常用户实际的电表事件；
步骤S04：通过一用电特征分析模块对用电异常用户的电表历史数据进行分析，以确定用电异常用户实际的用电特征；
步骤S05：通过一窃电分析模块将所述指标数据库中与用电异常用户实际的电量平衡信息的各单项指标、用电异常用户实际的电表事件的各单项指标、以及用电异常用户实际的用电特征的各单项指标相匹配的指标状态值进行累加，以确定用电异常用户的窃电嫌疑指数。
本发明的智能防窃电分析系统的数据处理方法，通过分析用电异常用户的电量平衡信息、电表事件以及用电特征，并借助用电行为异常分析的模型来分析用户用电行为习惯，以及与用户用电相关的数据，筛选出用电异常用户，并提供对用户用电行为异常的程度分析，最后得出用电异常用户的窃电嫌疑指数。可以在配用电海量数据处理和智能配用电服务方面建立起一套示范型项目，在电力大数据在实际电力营销业务应用上具有重要的意义。
在本发明的一个较佳实施例中，本发明智能防窃电分析系统的数据处理方法，还包括：通过一中间数据库储存所述数据获取模块获取的电表数据。
在本发明的一个较佳实施例中，本发明智能防窃电分析系统的数据处理方法，还包括：
通过一数据存储模块储存所述窃电分析模块的分析结果；
通过一应用模块向供电用户展示所述窃电分析模块的分析结果。
在本发明的一个较佳实施例中，本发明智能防窃电分析系统的数据处理方法，还包括：通过一预处理模块对所述数据获取模块获取的电表数据进行预处理，将获取的电表数据中的非法数据进行过滤。
以下结合具体实施例，对本发明智能防窃电分析系统的数据处理方法进行详细介绍。
在步骤S01中，通过一数据获取模块获取不同用户的电表数据，包括：
主要是通过接口程序从用电信息采集系统同步电网及设备档案，同时每天定时同步电网运行数据，将通过过来的数据发送给数据处理模块。数据来源于用户用电信息采集系统的中间数据库，通过接口程序，定期获取用户的电力相关数据；周期一般为一天一次或一天两至六次；极少数重点跟踪用户(不超过10个)可以考虑每15分钟更新一次数据。取数周期还与用采系统更新中间数据库的频率有关。中间数据库是本系统的数据来源，用于缓存用户用电信息采集系统的电能量数据和营销系统的档案数据，由于电能量数据量较大，采用实时直接同步数据的方式，可能会造成对用电信息采集系统的性能造成影响，采用中间数据库方式，可以在系统相对空闲时，进行数据同步。同时，采用中间数据库方式交互数据，当接口出现问题时，有利于问题分析。
在步骤S02中，确定用电异常用户以及用电异常用户实际的电量平衡信息，包括：
对不同用户的电表数据进行电量平衡分析时，计算不同用户的电表数据的线损率，根据线损率确定用电异常用户；
通过一区域模型划分划分模块将常规的电量平衡信息的各单项指标进行电量平衡区域模型划分，并对每个电量平衡区域模型赋予相应的指标状态值；
通过一比对模块将用电异常用户实际的电量平衡信息与常规的电量平衡信息的全部电量平衡区域模型进行比对，得到与用电异常用户实际的电量平衡信息相匹配的电量平衡区域模型。
具体地，电量平衡分析的过程如下：
2.1.用户发生窃电行为，在线损数据很容易表现出来，通过对分线线损率数据进行对比分析，可以锁定窃电嫌疑用户。在分析线损数据时，通过不同的分析手段可以得出窃电嫌疑的严重程度。分析结果直接写入数据 库，供后续的窃电嫌疑分析使用。
2.2.在防窃电分析系统中，系统需要计算线路电量平衡。电量平衡计算公式为：线损率＝[(供电量－售电量)]/供电量×100％，其中供电量为线路厂站端计量点电量之和，售电量为线路上所有用电用户的用电量之和。其中档案之间的关联关系可以根据档案定义来得到。
2.3.参见图2所示，图2是本发明智能防窃电分析系统的数据处理方法中的线损平衡分析处理流程。线损平衡分析处理流程说明：
1.线损数据来源有两类：一是源系统提供，二是在防窃电系统中计算得到；鉴于源系统不能提供准确的线损数据，采用在防窃电系统来计算分线线损数据；
2.基于日线损数据分析；
3.分析的数据有分线线损、台区线损，暂时先分析分线线损，主要是分析专变用户的窃电嫌疑，下一步分析台区线损来分析居民用户的窃电行为。
2.4.区域模型划分。根据有无表计事件和电量变化率来进行区域划分，表计事件主要包括失流、失压、非费率时段走字、数据对比偏差四类表计报警事件，那么，将常规的电量平衡信息的各单项指标进行电量平衡区域模型划分，并对每个电量平衡区域模型赋予相应的指标状态值，划分方式如下表1：
表1
2.5.将用电异常用户实际的电量平衡信息与常规的电量平衡信息的全部电量平衡区域模型进行比对，得到与用电异常用户实际的电量平衡信息相匹配的电量平衡区域模型，并将用电异常用户实际的电量平衡信息所对应的电量平衡区域模型的指标状态值作为电量平衡指数。
在步骤S03中，确定用电异常用户实际的电表事件，包括：
常规的电表事件的各单项指标的类型包括：表计失流事件、表计失压事件、反极性事件、持续0电量事件、非费率时段走字事件、三相电流不平衡事件、主备表电量超差、以及电量波动数据事件；
通过所述区域模型划分划分模块将常规的电表事件的各单项指标进行电表事件区域模型划分，并对每个电表事件区域模型赋予相应的指标状态值；
通过所述比对模块将用电异常用户实际的电表数据与常规的电表事件的全部电表事件区域模型进行比对，得到与用电异常用户实际的电表事件相匹配的电表事件区域模型。
具体地，电表事件分析的过程如下：
3.1.系统通过接口程序接收到源系统的数据后，对数据进行判断，根据判断规则，产生一定的电表事件。在防窃电分析流程中，结合评估模型，通过对电表事件的分析，得到各类电表事件的窃电嫌疑指数。
电表事件分析主要从事件发生时间、发生次数来进行分析，有些事件是通过事件的发生时间进行分析，如：失流、失压等事件，有些事件是通过事件发生的次数来进行分析，如：三相不平衡率。
3.2.标准的电表事件的每个类型以及各自的分析方法为：
3.2.1.失流/二次侧开路/二次侧短路分析
采用欠流法窃电时，常采用使CT二次侧电流回路开路或短路，改变电路接法等手法，其影响的直接结果是使得计量电流小于实际使用电流。通过检测是否存在电流的突然大幅度减少可以判断是否存在窃电嫌疑。
1.A/B/C相失流
(1)三相电流中任一相或两相小于启动电流。
(2)其他相线的负荷电流大于额定电流的5％。
(3)持续时间大于指定的持续时间，默认为4小时。
2.A/B/C相CT二次侧开路
(1)发生时间之后的第一个时间点电表的本相电流为0。
(2)在设定的持续时间范围内电表的本相电流都为0。
(3)持续时间大于指定的持续时间，默认为4小时。
3.A/B/C相CT二次侧短路
(1)发生时间之后的第一个时间点电表的本相电流低于发生前一个时点电流值的50％。
(2)在设定的持续时间范围内电表的本相电流都低于发生前一个时点电流值的50％。
(3)持续时间大于指定的持续时间，默认为4小时。
3.2.2.失压/断相/缺相事件
1.失压事件
通常，电压是恒定的，欠压法窃电直接影响电压计量结果，使得计量电压小于实际使用电压，通过检测电压是否低于额定电压来判断是否存在窃电嫌疑。不同的窃电手法导致电压降低的幅度不同，失压、断相、缺相分开判断有助于具体分析窃电手法，提高现场勘查取证的工作效率。
(1)当某相电压持续低于电压Un*失压比率，超过一定时间后，判断为该相失压。
(2)失压比率见表《失压比率阀值配置》。
(3)电压Un见《启动电压Un配置》。
2.A/B/C相断相
(1)判定条件：电压小于启动电压，同时电流小于启动电流，且持续时间大于设定的判断时间。
(2)启动电压：默认为失压比率阀值*Un，Un见表《启动电压Un配置》。
(3)启动电流：默认为10％Ib，Ib见表《启动电流Ib配置》。
(4)失压比率见表《失压比率阀值配置》。
3.A/B/C相缺相
(1)电压小于启动电压，电流大于启动电流，且持续时间大于设定的判断时间。
(2)启动电压：同断相。
(3)启动电流：同断相。
4.阀值配置
启动电压Un配置，如下表2。
表2
启动电流Ib配置，如下表3。
| 直连时，即CT＝1时 | 80A |
| 有互感时，即CT>1时 | 5A |
表3
失压比率阀值配置，如下表4。
| 失压比率阀值 | 0.8 |
表4
3.2.3.反极性事件
通过改变电流回路的接法，达到降低功率因数，从而降低计量电量的目的。反极性检测是与此对应的窃电嫌疑检测算法。
判断方法1：
(1)本相电流值大于0.05A。
(2)总功率与分相功率之和的偏差率大于5％。
偏差公式为：|分相和-总功率|/总功率。
(3)持续时间大于指定的持续时间，默认为4小时。
判断方法2：
计算电压、电流的相位角，分析电压、电流的相序和相位差，可以清 晰的展示和判断是否存在反极性接线错误。
3.2.4.电量持续为0
当用户采取了一定的窃电手法，绕过计量表时，得到的用户电量将变为0，为排除偶发事件，当0电量持续n天时才认为存在窃电嫌疑，对于居民家庭考虑到确实外出未使用点这种情况，持续天数可适当设长一些。
(1)用户电量由非0值变为0值。
(2)持续时间超过n天，n可配置。
(3)一天之内持续0电量事件判断，可以考虑用整点电量进行判断；判断过程中考虑节假日和度假高峰期，能提高判断精准度。
3.2.5.非费率时段走字
分时电价政策中，每个费率时段的费率不同，且差价较大，修改电表内设置的费率时段虽不影响计量精度，但是可显著减少用户实际支付的电费，也是窃电手法之一。通过数据分析，检测表码走字与费率时段的一致性，结合电表“费率时段发生变化”事件共同分析，可提高判断精准度。
选定某一天24小时表码，电表每个费率每个小时的示度值变化，需要与费率时段设置一致。例如，当费率时段分为以下三个时段：[0:00,7:00)和[22:00,0:00)为谷时段；[7:00,9:00)、[12:00,15:00)和[18:00,23:00)为平时段；[9:00,12:00)和[15:00,18:00)为峰时段。那么该表中:
(1)在时段[0:00,7:00)和[22:00,0:00)，只有谷时段的表码示度能发生变化；
(2)在时段[7:00,9:00)、[12:00,15:00)和[18:00,23:00)，只有平时段的表码示度能发生变化；
(3)在时段[9:00,12:00)和[15:00,18:00)，只有峰时段的表码示度能发生变化；
若与上述规则不一致，则认为该表存在非费率时段走字异常。
3.2.6.主备表电量超差
专变负控终端的交流采样装置可以采集电量数据，且具有较高的测量精度，可以作为核表校验主表计量数据是否正确。当主表(计量表)的计量数据比交采装置的数据小时，主表可能存在窃电嫌疑。交采数据超差检测可以排除实际电气运行中电流不断波动带来的判断干扰，当主表数据与交采电流数据存在差异时，该用户的窃电嫌疑度将加大。
指定时间点，电表和交采表，或主表与备表(核表)的电流数据比较， 当误差率＝|主表日电量-备表日电量|/主表日电量，大于设定误差率阀值(缺省为1％)，认为存在用电异常。
3.2.7.三相电流不平衡分析
(1)在窃电过程中，对接线模式或电路的改动会导致三相电流可能存在不平衡，三相电流不平衡检测也是窃电嫌疑判断因子之一。算法如下至少有一相大于0.05A，负控至少有一相大于0.1A。
(2)不平衡率超过指定阀值且持续时间超过指定的持续时间。
(3)其阀值与误判相同。
三相不平衡率＝MAX((Ia-AVG(Ia,Ib,Ic))/AVG(Ia,Ib,Ic),(Ib-AVG(Ia,Ib,Ic))/AVG(Ia,Ib,Ic),(Ic-AVG(Ia,Ib,Ic))/AVG(Ia,Ib,Ic))，
其中如果是三相三线，B相不参与计算，三相不平衡阀值配置如下表5所示。
表5
3.2.8.电量波动数据
通过对当日电量与该日的前N天特征日的的电量平均做比较，判断电量波动率，如当天是周一与前N个周一(非节假日)数据比较，如当天为节假日，则与前N个节假日平均电量比较。电量波动率数据单独写入数据库表。需要进行比较的数据包括正反向有功电量。
3.3.参见图3所示，图3是本发明智能防窃电分析系统的数据处理方法中的电表事件分析处理流程。电表事件分析处理流程说明：
1.所有的事件分析都是基于电表已经产生的电表事件进行，电表事件都是在数据处理流程中产生；
2.事件分析主要是对事件发生的时长或者次数进行统计后再进行分析；
3.窃电嫌疑的分析要结合通过配置的窃电评估模型来实现；
4.每一步的分析过程都会将评估得到的窃电嫌疑指数保存在系统的 数据库中，以便后续的综合评估使用；
3.4.将常规的电表事件的各单项指标进行电表事件区域模型划分，并对每个电表事件区域模型赋予相应的指标状态值，标准的电表事件的各单项指标的划分方式如下表6～表13。
3.4.1.表计失流事件
| 区域 | 说明 | 指标状态值 |
| Ⅰ | 有表计失流事件，失流事件小于1小时 | 5 |
| Ⅱ | 有表计失流事件，失流事件小于5小时 | 25 |
| Ⅲ | 有表计失流事件，失流事件小于10小时 | 45 |
| Ⅳ | 有表计失流事件，失流事件小于15小时 | 65 |
| V | 有表计失流事件，失流事件小于20小时 | 85 |
| VI | 有表计失流事件，失流事件小于24小时 | 100 |
表6
3.4.2.表计失压
| 区域 | 说明 | 指标状态值 |
| Ⅰ | 有表计失压事件，失压事件发生时间小于1小时 | 5 |
| Ⅱ | 有表计失压事件，失压事件发生时间小于5小时 | 25 |
| Ⅲ | 有表计失压事件，失压事件发生时间小于10小时 | 45 |
| Ⅳ | 有表计失压事件，失压事件发生时间小于15小时 | 65 |
| V | 有表计失压事件，失压事件发生时间小于20小时 | 85 |
| VI | 有表计失压事件，失压事件发生时间小于24小时 | 100 |
表7
3.4.3.非费率时段走字
| 区域 | 说明 | 指标状态值 |
| Ⅰ | 有非费率时间走字事件 | 100 |
| Ⅱ | 无非费率时间走字事件 | 0 |
表8
3.4.4.反极性事件
表9
3.4.5.持续0电量
| 区域 | 说明 | 指标状态值 |
| Ⅰ | 有持续0电量事件，且无停电事件， | 100 |
| Ⅱ | 有持续0电量事件，且有停电事件 | 0 |
表10
3.4.6.主备表电量超差
| 区域 | 说明 | 指标状态值 |
| Ⅰ | 有主备表电量超差事件，偏差率小于1％ | 5 |
| Ⅱ | 有主备表电量超差事件，偏差率小于10％ | 30 |
| Ⅲ | 有主备表电量超差事件，偏差率小于30％ | 50 |
| Ⅳ | 有主备表电量超差事件，偏差率小于50％ | 80 |
| V | 有主备表电量超差事件，偏差率大于50％ | 100 |
表11
3.4.7.三相电流不平衡分析
表12
3.4.8.电量波动数据
| 区域 | 说明 | 指标状态值 |
| Ⅰ | 是节假日，波动率绝对值小于10％ | 10 |
| Ⅱ | 是节假日，波动率绝对值小于30％ | 30 |
| Ⅲ | 是节假日，波动率绝对值小于70％ | 60 |
| Ⅳ | 是节假日，波动率绝对值大于100％ | 100 |
| V | 非节假日，波动率绝对值小于10％ | 15 |
| VI | 非节假日，波动率绝对值小于30％ | 40 |
| VII | 非节假日，波动率绝对值小于70％ | 70 |
| VIII | 非节假日，波动率绝对值大于100％ | 100 |
表13
3.5.将用电异常用户实际的电表数据与常规的电表事件的全部电表事件区域模型进行比对，得到与用电异常用户实际的电表事件相匹配的电表事件区域模型，并将用电异常用户实际的电表事件所对应的电表事件区域模型的指标状态值作为电表事件指数。
在步骤S04中，确定用电异常用户实际的用电特征，包括：
常规的用户用电特征的各单项指标的类型包括：电流纵向信息、电流横向信息、负载率信息、以及作业习惯信息；
通过所述区域模型划分划分模块将常规的用户用电特征的各单项指标进行用电特征区域模型划分，并对每个用电特征区域模型赋予相应的指标状态值；
通过所述比对模块将用电异常用户实际的用电特征与常规的用户用电特征的全部用电特征区域模型进行比对，得到与用电异常用户实际的用电特征相匹配的用电特征区域模型。
具体地，电表历史数据分析的过程如下：
4.1.通过对电表历史数据比较，得到用户用电行为分析数据，结合用户窃电嫌疑分析模型，从用户用电行为上对用户窃电嫌疑的可能性进行分析评估，主要分析的数据有电流数据、电量数据、负载率数据等。用户不同的用电行为，体现在电力数据上的特征会不一样，用电数据的特征是分析用户窃电嫌疑的主要依据。
4.2.电流纵向分析、电流横向分析、负载率分析、以及作业习惯分析 各自的算法如下：
4.2.1电流日月规律纵向分析
Pearson相关系数用来衡量两个数据集合是否在一条线上面，它用来衡量定距变量间的线性关系。如衡量国民收入和居民储蓄存款、身高和体重、高中成绩和高考成绩等变量间的线性相关关系。当两个变量都是正态连续变量，而且两者之间呈线性关系时，表现这两个变量之间相关程度用积差相关系数，主要有Pearson简单相关系数。其计算公式为：
关系数的绝对值越大，相关性越强，相关系数越接近于1或-1，相关度越强，相关系数越接近于0，相关度越弱。
通常情况下通过以下取值范围判断变量的相关强度：
-相关系数0.8-1.0极强相关；
-0.6-0.8强相关；
-0.4-0.6中等程度相关；
-0.2-0.4弱相关；
-0.0-0.2极弱相关或无相关；
在窃电分析中，我们用Pearson相关系数做如下分析：
(1)日电流曲线相似性分析
通常情况下，绝大多数企业或用户具备一定的生产生活规律，以日、周、月、年分析这些用电规律可找出用户的用电特性，从而也可发现因窃电带来的异常。对于指定用户，选定两个相同性质的日期，比如说都是工作日或节假日，计算电流的Pearson相关系数，即分析两天的用电趋势的一致性，若某天出现与平常习惯较大差异的用电行为，可作为窃电判断的依据之一。
参见图4和图5所示，图4和图5是本发明智能防窃电分析系统的数据处理方法中的日电流曲线相似性分析图。其中，图4中的Pearson相关系数＝1，图5中的Pearson相关系数＝0.37。不同日期的电流1与电流2，虽然幅值变化有差异，当电流的曲线趋势一致时Pearson的取值将接近于1；当电流曲线的趋势有较大差异时Pearson取值较小，图5‘Pearson相关系数＝0.37’中，用电曲线明显不同，其Pearson系数为0.37，该用户存在窃电嫌疑。
(2)日电量曲线相似性分析
同样的原理，每周工作日或休息日同样存在用电规律，对于指定用户，选定两个周/月，按周/月计算日电量曲线Pearson相关系数，标记出周末和节假日。用于发现用户与惯常用电特性不一致的异常，作为窃电嫌疑判断依据。
(3)月电量曲线相似性分析
一年中，随着季节不同，作息习惯和生产规模具备一定的规律性，选定指定用户的两个月，计算月电量曲线Pearson相关系数，标记出春节等特殊假日。用于发现用户与往年用电特性不一致的异常，作为窃电嫌疑判断依据。
4.2.2电流日月规律横向分析
同行业、同区域的用户具备相同的生产生活环境，具备相同的工艺流程，是的其用电行为存在一定的共性。采用大数据分析算法，分析不同群体的用电特性，发现个性差异，作为窃电嫌疑判断依据。
(1)电流区间分析
通过比较指定日期电流数据，分析指定用户与同性质群体用户(同行业、同容量)日常用电特性，分析个别用户的用电特性背离情况发现窃电嫌疑。
-计算同性质群体用户的正态分布，得到正态分布的参数，均值μ是和方差σ2；
-计算指定用户的概率密度；
-计算指定用户的某一日概率密度落在区间(-∞,-2σ)的比率R；
若比率R大于70％时，则认为该用户的用电量偏低。
正态分布在实践上是一种常见的分布，连续随机变量概率分布的一种。正态分布的特点是“两头大，中间小”，其密度函数f(x)的图上系关于x＝μ对称的钟形曲线，其高度在x＝μ处的高度是且方差σ越小，分布曲线越趋于陡峭[2]。当σ＝1，μ＝1时，称x服从标准正态分布函数，概率密度函数为f(x)的图形参见图6所示，图6是本发明智能防窃电分析系统的数据处理方法中的电流区间分析的正态分布图。
查正态分布表可以得到正态分布曲线与横轴围成的面积等于1，当以μ为中心加减一个平均误差σ为范围时所包含的面积为68.27％，表明落在此范围内的各个抽样指标占总体所有可能样本的68.27％。而当x以加减2σ为范围时所包括曲线的面积为95.45％，表明落在此范围内的各个抽样指标占总体所有可能样本指标的95.45％，等等。
同性质用户指具备一些相似的特征的用电用户，例如使用同性质用电设备，在同一个区域而具备相同的气候条件和经济环境，从而在用电特征上也具备一定的相似性。同性质用户可以从以下几个维度来划分：同行业、同容量、是否高能耗设备、同区域、同线路等。
基于正态分布原理，求得所有同性质用户的指定日每个小时的电能用量的平均值和均方差得到正态分布中心和用电波动范围，将指定用户的用电情况与同性质用户平均用电水平、68％同性质用户的用电水平以及95％同性质用户的用电水平的对比分析。
(2)有功功率或电流曲线相似性分析
在指定日，选定两个用户的电流，计算电流的Pearson相关系数，标记出周末和节假日。
(3)日电量曲线相似性分析
按周/月计算两个指定用户的日电量曲线Pearson相关系数，标记出周末和节假日。
(4)月电量曲线相似性分析
按年计算两个指定用户的某月月电量曲线Pearson相关系数，标记出春节、端午、清明、中秋、国庆、五一等特殊假日。
4.2.3负载率分析法
变压器长期欠载(窃电)或长期超载(违约用电)是窃电行为的一个数据表现，分析负载率的分布，可作为窃电嫌疑判断的一个辅助依据。
参见图7所示，图7是本发明智能防窃电分析系统的数据处理方法中的负载率正态分布分析图。统计查询按日选取时间段，默认为上月1日至上月未；系统选取这个时间段内的整点负载率为样本；将0％到115％以上分为24个负载率区间，统计落在各区间内的整点负载率的个数。当统计时间段内
(1)用户负载很低，如上图中蓝色曲线的用户，其用电负载率低于20％的次数占总次数的比率超过80％时，则
-该用户存在窃电嫌疑，通过技术手段使得计量的负载远远低于实际负载。
(2)用户用电负载均匀分布，且中央点位于70％左右，如图上红色曲线代表的用户。
-该用户的用电负载负荷常规的用电习惯，且负载均衡。
(3)用户用电负载经常性超载，其用电负载率高于100％的次数占总次数的比率超过80％时，则如图上黄色曲线代表的用户。
-该用户存在违约用电嫌疑，虚报报装容量。
以上参数在系统中都可配置。
4.2.4作业习惯分析
取某用户指定日期96点电流数据，根据用户的负荷大小(也就是电流的大小)来估算用户的作息时间，一般认为用电量较多的的时段为其工作时间。
(1)工作时间区段计算：一天内电流值大于平均电流的连续时段。
(2)比较某用户下多个计量点的作息时间的一致性；
(3)比较某用户与该行业其他用户的作息时间的一致性。
(4)当工作时间交叉小时数超过70％时，则认为相比较的两个对象的作息时间基本一致。
参见图8所示，图8是本发明智能防窃电分析系统的数据处理方法中的作业习惯分析图。图8中，分析可知：
(1)用户的计量点1与计量点2作息时间不一致。
(2)用户的计量点1与行业其他用户的作息时间不一致。
(3)用户的计量点2与行业其他用户的作息时间基本一致。
作息时间是判断错峰用电还是窃电的一个参考依据之一，若作息时间合理，且一个用户下多个计量点的作息时间基本一致，则窃电嫌疑较小，否则窃电嫌疑较大。
参见图9所示，图9是本发明智能防窃电分析系统的数据处理方法中的电表历史数据分析处理流程。电表历史数据分析处理流程说明：
1、历史数据的分析主要是针对日电流数据、日电量数据、负载率数据等进行分析；
2、历史数据的分析目前是针对已经有较高窃电嫌疑指数的表计进行分析；
3、历史数据主要从数据库中直接读取；
4、历史数据分析的评估结果要及时写入系统数据库，便于后续的综合窃电评估；
5、历史数据分析过程性能会比前几项分析性能慢。
4.3将常规的用户用电特征的各单项指标进行用电特征区域模型划分，并对每个用电特征区域模型赋予相应的指标状态值，划分方式如下表14～表17。
4.3.1电流纵向分析
| 区域 | 说明 | 指标状态值 |
| Ⅰ | 日电流相关系数大于0.8，小于1 | 5 |
| Ⅱ | 日电流相关系数大于0.6，小于0.8 | 30 |
| Ⅲ | 日电流相关系数大于0.4，小于0.6 | 50 |
| Ⅳ | 日电流相关系数大于0.2，小于0.4 | 80 |
| V | 日电流相关系数大于0，小于0.2 | 100 |
表14
4.3.2电流横向分析
| 区域 | 说明 | 指标状态值 |
| Ⅰ | 日电流相关系数大于0.8，小于1 | 5 |
| Ⅱ | 日电流相关系数大于0.6，小于0.8 | 30 |
| Ⅲ | 日电流相关系数大于0.4，小于0.6 | 50 |
| Ⅳ | 日电流相关系数大于0.2，小于0.4 | 80 |
| V | 日电流相关系数大于0，小于0.2 | 100 |
表15
433负载率分析
表16
4.3.4作业习惯分析
表17
4.4.将用电异常用户实际的用电特征与常规的用户用电特征的全部用电特征区域模型进行比对，得到与用电异常用户实际的用电特征相匹配的用电特征区域模型，并将用电异常用户的用电特征所对应的用电特征区域模型的指标状态值作为用电特征指数。
在步骤S05中，确定用电异常用户的窃电嫌疑指数，包括：
将用电异常用户实际的电量平衡信息所对应的电量平衡区域模型的指标状态值作为电量平衡指数；
将用电异常用户实际的电表事件所对应的电表事件区域模型的指标状态值作为电表事件指数；
将用电异常用户的用电特征所对应的用电特征区域模型的指标状态值作为用电特征指数；
将所述电量平衡指数、所述电表事件指数、以及所述用电特征指数进行累加，得到用电异常用户的窃电嫌疑指数。
具体地，综合分析过程如下：
5.1.评估模型定义。由于用户的窃电方法有很多，要能对用户的用电行为做出客观地定性分析，需要采用一定的科学方法来进行分析，在该系统中，我们使用层次分析法来对用户的窃电行为进行定性分析。该方法只提供窃电嫌疑的定性分析，不支持定量分析。
5.2.指标体系构建。根据层次分析原理分层建立窃电指标体系，指标层从上至下分别为：O＝{用户的窃电嫌疑指数}，A＝{电量平衡分析，电表事件分析、电表历史数据分析}，以及包含各单项指标的B层，按照指标对用户窃电嫌疑指数的影响，指标值越高，窃电嫌疑就越大。
参见图10所示，图10是本发明智能防窃电分析系统的数据处理方法中的权重分配图。图10所示仅作为本发明的一个较佳实施例，并不仅限于此。设置B层指标对于综合窃电指数权重。W＝[w1,w2,w3,…,w18]。设由层次分析法指标对于总目标的层次总排序权重为W＝[w1,w2,…,w1]，各指标状态值为S＝[s1,s2,…,sn]，先得到A层指标，
由于a1对应的下层指标为b1,b2,则a1的综合指标的计算方法为：
Va＝W1*S1+W2*S2，S为B层指标对应的状态指标值W为各指标对应的权重系数。
则窃电嫌疑指数，即最后综合分值的计算公式为：通过对B层指标的分体及加权计算可以得到A层指标的具体指标值，通过对A层指标值进行累加可以得到防窃电综合评估指标，即窃电嫌疑指数，指标值约大，窃电嫌疑就约大。
举例说明：假设各状态值的权重都为1，某窃电嫌疑用户的电量平衡信息为当前线损率不超阈值，且表计电量变化率绝对值大于等于30％，且小于70％，对应的状态值为45；电表事件为表计失流事件，且有表计失流事件，失流事件小于20小时，对应的状态值为85；用电特征的电流横向分析为日电流相关系数大于0.8，小于1，对应的状态值为5；用电特征的负载率分析为每天负载率小于20％，或者大于85％所占比例小于20％，对应的状态值为30；用电特征的3作业习惯分析同一用户下计量点1日电流与计量点2电流相关系数大于0.8，小于1，对应的状态值为5。那么根据上述综合分值的计算公式，得到该窃电嫌疑用户的窃电嫌疑指数为1*45+1*85+1*5+1*30+1*5＝170，判定结果为窃电行为的可能性较大。
特别地，上述用到的所有状态值及基准值区域划分根据行业经验得到，不同的指标对应不同的区域划分，不同的区域划分对应不同的指标状态值。状态值也是根据经验得到，这些指标参数都是根据行业经验预先设置好，供数据处理过程进行调用。
以下介绍本发明智能防窃电分析系统的数据处理方法中的智能防窃电分析系统，该系统中将运用上述本发明智能防窃电分析系统的数据处理方法。
参见图11所示，图11是本发明智能防窃电分析系统的数据处理方法中的智能防窃电分析系统的结构框图。如图11所示，本发明智能防窃电分析系统的数据处理方法中的智能防窃电分析系统，包括：
指标数据库，所述指标数据库包括：常规的电量平衡信息的各单项指标、常规的电表事件的各单项指标、以及常规的用户用电特征的各单项指标各自分别赋予的指标状态值；
如图11所示，窃电指标体系，所述窃电指标体系划分为第一指标层O层、第二指标层A层以及第三指标层B层；所述第一指标层包括用电用户的窃电嫌疑指数；所述第二指标层包括用电用户实际的电量平衡信息、用电用户实际的电表事件以及用电用户实际的用电特征；所述第三指标层包括用电用户实际的电量平衡信息的各单项指标、用电用户实际的电表事件的各单项指标、以及用电用户实际的用电特征的各单项指标；
计算模块，用于将所述指标数据库中与用电用户实际的电量平衡信息的各单项指标、用电用户实际的电表事件的各单项指标、以及用电用户实际的用电特征的各单项指标相匹配的指标状态值进行累加，以确定用电用户的窃电嫌疑指数。
在本发明的一个较佳实施例中，本发明智能防窃电分析系统的数据处理方法中的智能防窃电分析系统，还包括：
数据获取模块10，用于获取不同用户的电表数据；
数据分析模块20，与数据获取模块10连接，对数据获取模块10获取的不同用户的电表数据进行电量平衡分析，以确定用电异常用户以及用电异常用户实际的电量平衡信息；
电表事件分析模块30，与数据获取模块10连接，用于对用电异常用户的电表数据进行电表事件分析，以确定用电异常用户实际的电表事件；
用电特征分析模块40，与数据获取模块10连接，用于对用电异常用 户的电表历史数据进行分析，以确定用电异常用户实际的用电特征；
窃电分析模块50，与数据分析模块20、电表事件分析模块30、以及用电特征分析模块40连接，用于将所述指标数据库中与用电异常用户实际的电量平衡信息的各单项指标、用电异常用户实际的电表事件的各单项指标、以及用电异常用户实际的用电特征的各单项指标相匹配的指标状态值进行累加，以确定用电异常用户的窃电嫌疑指数。
在本发明的一个较佳实施例中，本发明智能防窃电分析系统的数据处理方法中的智能防窃电分析系统，还包括：中间数据库60，与数据获取模块10连接，用于储存数据获取模块10获取的电表数据。
在本发明的一个较佳实施例中，本发明智能防窃电分析系统的数据处理方法中的智能防窃电分析系统，还包括：数据存储模块70，与窃电分析模块50连接，用于储存窃电分析模块50的分析结果；应用模块80，与数据存储模块70连接，用于向供电用户展示窃电分析模块50的分析结果。
在本发明的一个较佳实施例中，本发明智能防窃电分析系统的数据处理方法中的智能防窃电分析系统，还包括：预处理模块90，与数据获取模块10连接，用于对数据获取模块10获取的电表数据进行预处理，将获取的电表数据中的非法数据进行过滤。优选地，通过一接口模块将数据传给预处理模块90。
在本发明的一个较佳实施例中，本发明智能防窃电分析系统的数据处理方法中的智能防窃电分析系统，还包括：区域模型划分划分模块，用于将常规的电量平衡信息的各单项指标进行电量平衡区域模型划分、将常规的电表事件的各单项指标进行电表事件区域模型划分、以及将常规的用户用电特征的各单项指标进行用电特征区域模型划分。
在本发明的一个较佳实施例中，本发明智能防窃电分析系统的数据处理方法中的智能防窃电分析系统，还包括：比对模块，用于将用电异常用户实际的电量平衡信息与常规的电量平衡信息的全部电量平衡区域模型进行比对，得到与用电异常用户实际的电量平衡信息相匹配的电量平衡区域模型、将用电异常用户实际的电表事件与常规的电表事件的全部电表事件区域模型进行比对，得到与用电异常用户实际的电表事件相匹配的电表事件区域模型、以及将用电异常用户实际的用电特征与常规的用户用电特征的全部用电特征区域模型进行比对，得到与用电异常用户实际的用电特征相匹配的用电特征区域模型。
本发明智能防窃电分析系统的数据处理方法中的智能防窃电分析系统的设计开发主要是基于多功能电子式电能表在所有类型的电力用户侧的普及安装使用后可以提供大量丰富的用电数据和信息。这些海量的数据目前主要还是应用于电量计量计费、负荷分析、负荷管理、电量统计、线损分析等方面。在不增加硬件设备投资的前提下，其实利用这些电量、负荷数据，再结合事件记录数据，以大数据处理分析技术多维度从线损分析、相位角分析、用户用电负荷特性等多方面进行分析，可以快速定位用电行为异常的用户。
本发明智能防窃电分析系统的数据处理方法，是一套基于配用电大数据分析，识别用电行为异常的嫌疑用户的软、硬件系统，为供电企业实现用电行为异常分析功能。本发明智能防窃电分析系统的数据处理方法，通过与电力用户用电信息采集系统、营销系统对接，获取用户用电的真实数据，并通过用电行为异常分析的模型来分析用户用电行为习惯，以及与用户用电相关的数据，筛选可以的用电异常用户，并提供对用户用电行为异常的程度分析。
本发明智能防窃电分析系统的数据处理方法，可以根据查获的用电异常实际案例，自动学习并完善用电行为异常的分析模型。通过该系统的建设，可以在配用电海量数据处理和智能配用电服务方面建立起一套示范型项目，在电力大数据在实际电力营销业务应用上具有重要的意义。
其中的数据处理模块接收到接口模块同步过来的运行数据后，通过数据辨识、修补、数据计算、数据分析，同时结合用电行为异常模型对用户用电行为异常指数进行评估，得出各用户的用电行为异常嫌疑指数，同时将同步过来的数据及加工处理的数据全部实现入库操作。在数据处理模块中使用实时数据库技术，同时数据处理模块支持分布式处理。
其中的接口模块主要是通过接口程序从用电信息采集系统同步电网及设备档案，同时每天定时同步电网运行数据，将通过过来的数据发送给数据处理模块。
其中的WEB应用模块主要是面向供电用户对数据处理分析出来的数据进行数据展示。
本发明智能防窃电分析系统的数据处理方法，主要具有以下有益效果：
1、完成用电行为异常分析系统的软件的设计、开发和测试，软件范 围主要有：
1)提供数据清洗功能，过滤识别无效数据。并能根据配置的参数，修补数据，保证数据的完整性；
2)系统提供防用电行为异常的分析模型维护功能，可根据需要调整模型参数；
3)提供用电行为异常的用户嫌疑查询和分析功能，能查询嫌疑用户，并能分析原因；
4)提供历史嫌疑的分析；
5)提供电力历史数据的查询功能；
6)提供每月分析报告；
7)提供某个指定用户的分析报告。
2、完成用电行为异常分析系统的软件、硬件平台的搭建实施工作。
3、完成本系统与用户用电信息采集系统之间的数据交互接口开发，构建用电行为异常的分析数据库。
4、完成本系统的技术服务培训工作。
本发明智能防窃电分析系统的数据处理方法中的智能防窃电分析系统，用电行为异常分析项目，采用Oracle数据库(即数据存储模块70，图12中所示为用电异常分析数据库)和实时库技术，实现用电行为异常处理功能。系统总体架构如图12所示，图12是本发明智能防窃电分析系统的数据处理方法中的智能防窃电分析系统的架构图。
数据来源于用户用电信息采集系统的中间数据库，通过接口程序，定期获取用户的电力相关数据；周期一般为一天一次或一天两至六次；极少数重点跟踪用户(不超过10个)可以考虑每15分钟更新一次数据。取数周期还与用采系统更新中间数据库的频率有关。中间数据库是本系统的数据来源，用于缓存用户用电信息采集系统的电能量数据和营销系统的档案数据，由于电能量数据量较大，采用实时直接同步数据的方式，可能会造成对用电信息采集系统的性能造成影响，采用中间数据库方式，可以在系统相对空闲时，进行数据同步。同时，采用中间数据库方式交互数据，当接口出现问题时，有利于问题分析。
电能量数据同步举例：
1.用户用电信息采集系统通过OGG方式，将电能量数据同步到中间库。
2.接口程序，通过定时触发方式，向中间数据库取数。
3.将取出的数据按系统要求，处理后导入到本系统。
原始数据采用先进先出的原则。数据分析完成后，系统保留分析数据的结果，如：行业用电趋势、不同报装容量的用户用电趋势。对于原始数据，只保留极小部分有用电行为异常嫌疑的用户原始数据，不会存储全部原始数据。正常用户数据根据保存数据的设置(如：设置为保留最近30天)，采用先进先出的滚动方式予以删除。系统现阶段只针对专变用户进行用电行为异常嫌疑分析，也不需存储配变用户的负荷数据。数据清洗和预处理是保证进入系统的数据的正确性。数据清洗和预处理，主要是通过设置一些阈值，将一些非法数据过滤掉。
存储在系统中的数据主要有：档案信息、电量日数据、有用电行为异常嫌疑用户的负荷数据、原始数据经过处理后的分析数据。
数据处理可支持分布式部署，根据数据规模，划分不同的数据处理区间，可以动态灵活扩展。参见图13所示，图13是本发明智能防窃电分析系统的数据处理方法中的智能防窃电分析系统的物理部署拓扑图。如图13所示，分布式部署的意思是可以根据用户接入数据量的规模，灵活扩展。比如：目前接入的是3万用户，每台机器假设可以处理一万户，需要3台服务器；当客户发展到5万用户的时候，只需增加两台服务器，做一些配置即可。
数据预处理采用实时库技术，对数据进行缓存及粗加工，类似上述的预处理。
数据预处理结果写入Oracle数据库。
用电行为异常分析基于Oracle数据库进行处理，并将用电行为异常分析结果写入Oracle数据库
上述内容中的数据分析方法参见上述本发明智能防窃电分析系统的数据处理方法。
参见图14所示，图14是本发明智能防窃电分析系统的数据处理方法中的智能防窃电分析系统的功能框架图。根据用电行为异常业务功能需求及供电局内部管理业务流程，需要对用电行为异常分析系统的功能划分为几个模块，即：设备档案同步及用电数据同步、数据处理及分析、WEB应用。
功能说明：通过与第三方系统接入数据，本系统对用户用电的历史数 据进行多维度分析，最终过滤出用电行为异常嫌疑用户，并给软件使用者提供判断的依据。主要的功能需求如下：
数据导入接口：本系统定义数据导入规范，所有遵循本规范的数据都可以导入到系统中，数据包括：电网逻辑关系、用户信息、用户与电网的挂接关系、换表、换CT信息、报停报开信息；接口支持数据重新导入，覆盖原有数据，不影响用电行为异常分析。
数据的辨识和修补：为使后续的数据处理更加准确，需将“脏”数据过滤掉，并提供合适的数据修补算法，将数据修补好；系统至少应支持：内插值法(直线修补)、外插值法。
系统支持新增新的检测模型，当需要新增检测模型时，除后台运算逻辑需要编写程序外，其余可以通过界面配置实现。
支持指定用电行为异常算法的启用和停用。用户可以根据实际需要，设置某个或某些用电行为异常算法启用或停用。
支持用电行为异常检测算法的参数调整。用户可以通过界面，修改用电行为异常算法的参数。
用电行为异常识别运算：构造用电行为异常识别模型，从历史数据，用户可以根据实际情况对模型进行微调。
提供用电行为异常分析钻取功能：当系统确定某个用户为用电行为异常嫌疑用户时，能借助分析工具，分析用户被列为用电行为异常用户的原因，以便于人工判断。
以月度为最小查询单位，查询用电行为异常用户名单。
以上所述仅是本发明的较佳实施例而已，并非对本发明做任何形式上的限制，虽然本发明已以较佳实施例揭露如上，然而并非用以限定本发明，任何熟悉本专业的技术人员，在不脱离本发明技术方案的范围内，当可利用上述揭示的技术内容做出些许更动或修饰为等同变化的等效实施例，但凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均仍属于本发明技术方案的范围内。
Claims (9)
1.一种智能防窃电分析系统的数据处理方法，其特征在于，包括：
对常规的电量平衡信息的各单项指标、常规的电表事件的各单项指标、以及常规的用户用电特征的各单项指标分别赋予相应的指标状态值；
建立指标数据库，所述指标数据库包括：常规的电量平衡信息的各单项指标、常规的电表事件的各单项指标、以及常规的用户用电特征的各单项指标各自的指标状态值；
建立窃电指标体系，将所述窃电指标体系划分为第一指标层、第二指标层以及第三指标层；所述第一指标层包括用电用户的窃电嫌疑指数；所述第二指标层包括用电用户实际的电量平衡信息、用电用户实际的电表事件以及用电用户实际的用电特征；所述第三指标层包括用电用户实际的电量平衡信息的各单项指标、用电用户实际的电表事件的各单项指标、以及用电用户实际的用电特征的各单项指标；
获取用电用户的电表数据并进行电量平衡分析、电表事件分析以及电表历史数据分析，将所述指标数据库中与用电用户实际的电量平衡信息的各单项指标、用电用户实际的电表事件的各单项指标、以及用电用户实际的用电特征的各单项指标相匹配的指标状态值进行累加，以确定用电用户的窃电嫌疑指数。
2.如权利要求1所述的智能防窃电分析系统的数据处理方法，其特征在于：
通过一数据获取模块获取不同用户的电表数据；
通过一数据分析模块对所述数据获取模块获取的不同用户的电表数据进行电量平衡分析，以确定用电异常用户以及用电异常用户实际的电量平衡信息；
通过一电表事件分析模块对用电异常用户的电表数据进行电表事件分析，以确定用电异常用户实际的电表事件；
通过一用电特征分析模块对用电异常用户的电表历史数据进行分析，以确定用电异常用户实际的用电特征；
通过一窃电分析模块将所述指标数据库中与用电异常用户实际的电量平衡信息的各单项指标、用电异常用户实际的电表事件的各单项指标、以及用电异常用户实际的用电特征的各单项指标相匹配的指标状态值进行累加，以确定用电异常用户的窃电嫌疑指数。
3.如权利要求2所述的智能防窃电分析系统的数据处理方法，其特征在于，确定用电异常用户以及用电异常用户实际的电量平衡信息，包括：
对不同用户的电表数据进行电量平衡分析时，计算不同用户的电表数据的线损率，根据线损率确定用电异常用户；
通过一区域模型划分划分模块将常规的电量平衡信息的各单项指标进行电量平衡区域模型划分，并对每个电量平衡区域模型赋予相应的指标状态值；
通过一比对模块将用电异常用户实际的电量平衡信息与常规的电量平衡信息的全部电量平衡区域模型进行比对，得到与用电异常用户实际的电量平衡信息相匹配的电量平衡区域模型。
4.如权利要求3所述的智能防窃电分析系统的数据处理方法，其特征在于，确定用电异常用户实际的电表事件，包括：
常规的电表事件的各单项指标的类型包括：表计失流事件、表计失压事件、反极性事件、持续0电量事件、非费率时段走字事件、三相电流不平衡事件、主备表电量超差、以及电量波动数据事件；
通过所述区域模型划分划分模块将常规的电表事件的各单项指标进行电表事件区域模型划分，并对每个电表事件区域模型赋予相应的指标状态值；
通过所述比对模块将用电异常用户实际的电表数据与常规的电表事件的全部电表事件区域模型进行比对，得到与用电异常用户实际的电表事件相匹配的电表事件区域模型。
5.如权利要求4所述的智能防窃电分析系统的数据处理方法，其特征在于，确定用电异常用户实际的用电特征，包括：
常规的用户用电特征的各单项指标的类型包括：电流纵向信息、电流横向信息、负载率信息、以及作业习惯信息；
通过所述区域模型划分划分模块将常规的用户用电特征的各单项指标进行用电特征区域模型划分，并对每个用电特征区域模型赋予相应的指标状态值；
通过所述比对模块将用电异常用户实际的用电特征与常规的用户用电特征的全部用电特征区域模型进行比对，得到与用电异常用户实际的用电特征相匹配的用电特征区域模型。
6.如权利要求5所述的智能防窃电分析系统的数据处理方法，其特征在于，将所述指标数据库中与用电异常用户实际的电量平衡信息的各单项指标、用电异常用户实际的电表事件的各单项指标、以及用电异常用户实际的用电特征的各单项指标相匹配的指标状态值进行累加，以确定用电异常用户的窃电嫌疑指数，包括：
将用电异常用户实际的电量平衡信息所对应的电量平衡区域模型的指标状态值作为电量平衡指数；
将用电异常用户实际的电表事件所对应的电表事件区域模型的指标状态值作为电表事件指数；
将用电异常用户的用电特征所对应的用电特征区域模型的指标状态值作为用电特征指数；
将所述电量平衡指数、所述电表事件指数、以及所述用电特征指数进行累加，得到用电异常用户的窃电嫌疑指数。
7.如权利要求2所述的智能防窃电分析系统的数据处理方法，其特征在于，还包括：通过一中间数据库储存所述数据获取模块获取的电表数据。
8.如权利要求2所述的智能防窃电分析系统的数据处理方法，其特征在于，还包括：
通过一数据存储模块储存所述窃电分析模块的分析结果；
通过一应用模块向供电用户展示所述窃电分析模块的分析结果。
9.如权利要求2所述的智能防窃电分析系统的数据处理方法，其特征在于，还包括：通过一预处理模块对所述数据获取模块获取的电表数据进行预处理，将获取的电表数据中的非法数据进行过滤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610543675.XA CN106093707B (zh) | 2016-07-12 | 2016-07-12 | 智能防窃电分析系统的数据处理方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610543675.XA CN106093707B (zh) | 2016-07-12 | 2016-07-12 | 智能防窃电分析系统的数据处理方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN106093707A true CN106093707A (zh) | 2016-11-09 |
| CN106093707B CN106093707B (zh) | 2018-11-30 |
Family
ID=57219748
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610543675.XA Expired - Fee Related CN106093707B (zh) | 2016-07-12 | 2016-07-12 | 智能防窃电分析系统的数据处理方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106093707B (zh) |
Cited By (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106990285A (zh) * | 2017-03-20 | 2017-07-28 | 万帮充电设备有限公司 | 一种充电桩防偷电与损耗检测方法 |
| CN107992520A (zh) * | 2017-11-01 | 2018-05-04 | 广州供电局有限公司 | 一种基于用电行为轨迹的异常用电识别方法 |
| CN108490288A (zh) * | 2018-03-09 | 2018-09-04 | 华南师范大学 | 一种窃电检测方法及系统 |
| CN109307811A (zh) * | 2018-08-06 | 2019-02-05 | 国网浙江省电力有限公司宁波供电公司 | 一种基于大数据挖掘的用户专用变压器用电监测方法 |
| CN109655664A (zh) * | 2018-12-11 | 2019-04-19 | 全球能源互联网研究院有限公司 | 一种基于负荷特征模型库的窃电智能诊断方法和设备 |
| CN109726461A (zh) * | 2018-12-21 | 2019-05-07 | 国网山西省电力公司长治供电公司 | 一种基于用户用电数据的用电异常判断方法 |
| CN110264015A (zh) * | 2019-06-28 | 2019-09-20 | 国网河南省电力公司电力科学研究院 | 反窃电稽查监控方法及平台 |
| CN110261810A (zh) * | 2019-06-11 | 2019-09-20 | 国家电网有限公司 | 一种研判存在反向有功电量低压电力用户类型的方法 |
| CN110736888A (zh) * | 2019-10-24 | 2020-01-31 | 国网上海市电力公司 | 一种用户用电行为异常的监测方法 |
| CN110945368A (zh) * | 2017-06-14 | 2020-03-31 | 伊顿智能动力有限公司 | 用于利用完整性检查分析来检测电力盗窃的系统和方法 |
| CN111046250A (zh) * | 2018-10-11 | 2020-04-21 | 内蒙古科电数据服务有限公司 | 一种基于大数据分析的窃电对象筛查方法 |
| CN112099413A (zh) * | 2020-09-24 | 2020-12-18 | 苏州七采蜂数据应用有限公司 | 一种家庭用电数据监控方法及装置 |
| CN112098917A (zh) * | 2020-08-31 | 2020-12-18 | 国网福建省电力有限公司莆田供电公司 | 一种基于用电数据分析的低压电能表反向走字异常排查方法 |
| CN112305943A (zh) * | 2020-09-27 | 2021-02-02 | 深圳市拓邦软件技术有限公司 | 一种基于智能多表合一平台的安全预警方法及系统 |
| CN113077240A (zh) * | 2021-04-20 | 2021-07-06 | 广东电网有限责任公司 | 电能数据的自动核对方法、装置、设备及存储介质 |
| CN113447712A (zh) * | 2021-08-30 | 2021-09-28 | 广东电网有限责任公司中山供电局 | 一种多维度结合发现专变计量装置窃电的方法 |
| CN114280527A (zh) * | 2021-12-21 | 2022-04-05 | 青岛鼎信通讯股份有限公司 | 一种基于低压物联感知终端的电能表失准分析方法 |
| CN114839889A (zh) * | 2022-05-05 | 2022-08-02 | 罗剑云 | 一种基于大数据分析的模式切换的方法及系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7796505B2 (en) * | 2005-01-26 | 2010-09-14 | M-Stack Limited | Method for processing traffic data in a wireless communications system |
| CN102692534A (zh) * | 2012-06-08 | 2012-09-26 | 上海市电力公司 | 一种防窃电的方法 |
| CN103208091A (zh) * | 2013-04-25 | 2013-07-17 | 国家电网公司 | 一种基于用电负荷管理系统数据挖掘的反窃电方法 |
| CN103455855A (zh) * | 2013-09-12 | 2013-12-18 | 国家电网公司 | 一种基于用电信息数据分析的反间歇性窃电检测方法 |
| CN104036357A (zh) * | 2014-06-12 | 2014-09-10 | 国家电网公司 | 用户用电窃电行为模式的分析方法 |
| CN105205531A (zh) * | 2014-06-30 | 2015-12-30 | 国家电网公司 | 一种基于机器学习的反窃电预测方法及装置 |
-
2016
- 2016-07-12 CN CN201610543675.XA patent/CN106093707B/zh not_active Expired - Fee Related
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7796505B2 (en) * | 2005-01-26 | 2010-09-14 | M-Stack Limited | Method for processing traffic data in a wireless communications system |
| CN102692534A (zh) * | 2012-06-08 | 2012-09-26 | 上海市电力公司 | 一种防窃电的方法 |
| CN103208091A (zh) * | 2013-04-25 | 2013-07-17 | 国家电网公司 | 一种基于用电负荷管理系统数据挖掘的反窃电方法 |
| CN103455855A (zh) * | 2013-09-12 | 2013-12-18 | 国家电网公司 | 一种基于用电信息数据分析的反间歇性窃电检测方法 |
| CN104036357A (zh) * | 2014-06-12 | 2014-09-10 | 国家电网公司 | 用户用电窃电行为模式的分析方法 |
| CN105205531A (zh) * | 2014-06-30 | 2015-12-30 | 国家电网公司 | 一种基于机器学习的反窃电预测方法及装置 |
Cited By (25)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106990285A (zh) * | 2017-03-20 | 2017-07-28 | 万帮充电设备有限公司 | 一种充电桩防偷电与损耗检测方法 |
| CN110945368A (zh) * | 2017-06-14 | 2020-03-31 | 伊顿智能动力有限公司 | 用于利用完整性检查分析来检测电力盗窃的系统和方法 |
| CN107992520A (zh) * | 2017-11-01 | 2018-05-04 | 广州供电局有限公司 | 一种基于用电行为轨迹的异常用电识别方法 |
| CN107992520B (zh) * | 2017-11-01 | 2021-05-04 | 广东电网有限责任公司广州供电局 | 一种基于用电行为轨迹的异常用电识别方法 |
| CN108490288B (zh) * | 2018-03-09 | 2019-04-16 | 华南师范大学 | 一种窃电检测方法及系统 |
| CN108490288A (zh) * | 2018-03-09 | 2018-09-04 | 华南师范大学 | 一种窃电检测方法及系统 |
| CN109307811A (zh) * | 2018-08-06 | 2019-02-05 | 国网浙江省电力有限公司宁波供电公司 | 一种基于大数据挖掘的用户专用变压器用电监测方法 |
| CN111046250A (zh) * | 2018-10-11 | 2020-04-21 | 内蒙古科电数据服务有限公司 | 一种基于大数据分析的窃电对象筛查方法 |
| CN111046250B (zh) * | 2018-10-11 | 2023-09-29 | 内蒙古科电数据服务有限公司 | 一种基于大数据分析的窃电对象筛查方法 |
| CN109655664A (zh) * | 2018-12-11 | 2019-04-19 | 全球能源互联网研究院有限公司 | 一种基于负荷特征模型库的窃电智能诊断方法和设备 |
| CN109726461A (zh) * | 2018-12-21 | 2019-05-07 | 国网山西省电力公司长治供电公司 | 一种基于用户用电数据的用电异常判断方法 |
| CN110261810A (zh) * | 2019-06-11 | 2019-09-20 | 国家电网有限公司 | 一种研判存在反向有功电量低压电力用户类型的方法 |
| CN110261810B (zh) * | 2019-06-11 | 2021-07-23 | 国家电网有限公司 | 一种研判存在反向有功电量低压电力用户类型的方法 |
| CN110264015A (zh) * | 2019-06-28 | 2019-09-20 | 国网河南省电力公司电力科学研究院 | 反窃电稽查监控方法及平台 |
| CN110736888A (zh) * | 2019-10-24 | 2020-01-31 | 国网上海市电力公司 | 一种用户用电行为异常的监测方法 |
| CN112098917A (zh) * | 2020-08-31 | 2020-12-18 | 国网福建省电力有限公司莆田供电公司 | 一种基于用电数据分析的低压电能表反向走字异常排查方法 |
| CN112098917B (zh) * | 2020-08-31 | 2022-09-06 | 国网福建省电力有限公司莆田供电公司 | 一种基于用电数据分析的低压电能表反向走字异常排查方法 |
| CN112099413A (zh) * | 2020-09-24 | 2020-12-18 | 苏州七采蜂数据应用有限公司 | 一种家庭用电数据监控方法及装置 |
| CN112099413B (zh) * | 2020-09-24 | 2022-04-01 | 湖南能源大数据中心有限责任公司 | 一种家庭用电数据监控方法及装置 |
| CN112305943A (zh) * | 2020-09-27 | 2021-02-02 | 深圳市拓邦软件技术有限公司 | 一种基于智能多表合一平台的安全预警方法及系统 |
| CN113077240A (zh) * | 2021-04-20 | 2021-07-06 | 广东电网有限责任公司 | 电能数据的自动核对方法、装置、设备及存储介质 |
| CN113447712A (zh) * | 2021-08-30 | 2021-09-28 | 广东电网有限责任公司中山供电局 | 一种多维度结合发现专变计量装置窃电的方法 |
| CN113447712B (zh) * | 2021-08-30 | 2022-01-25 | 广东电网有限责任公司中山供电局 | 一种多维度结合发现专变计量装置窃电的方法 |
| CN114280527A (zh) * | 2021-12-21 | 2022-04-05 | 青岛鼎信通讯股份有限公司 | 一种基于低压物联感知终端的电能表失准分析方法 |
| CN114839889A (zh) * | 2022-05-05 | 2022-08-02 | 罗剑云 | 一种基于大数据分析的模式切换的方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN106093707B (zh) | 2018-11-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106093707A (zh) | 智能防窃电分析系统的数据处理方法 | |
| CN106203832A (zh) | 智能防窃电分析系统及分析方法 | |
| CN110097297B (zh) | 一种多维度窃电态势智能感知方法、系统、设备及介质 | |
| CN106570581B (zh) | 能源互联网环境下基于属性关联的负荷预测系统及其方法 | |
| CN107742127B (zh) | 一种改进的防窃电智能预警系统及方法 | |
| CN110223196A (zh) | 基于典型行业特征库和反窃电样本库的反窃电分析方法 | |
| CN113267692B (zh) | 一种低压台区线损智能诊断分析方法和系统 | |
| CN107633050A (zh) | 一种基于大数据分析用电行为判定窃电概率的方法 | |
| Nizar et al. | Load profiling method in detecting non-technical loss activities in a power utility | |
| CN109546659B (zh) | 基于随机矩阵和智能场景匹配的配电网无功优化方法 | |
| CN110807550B (zh) | 基于神经网络的配变重过载识别预警方法及终端设备 | |
| CN111291076A (zh) | 基于大数据的异常用水监测报警系统及其构建方法 | |
| CN107169145A (zh) | 一种基于聚类算法的用户窃电严重等级检测的方法 | |
| CN110045209A (zh) | 用电数据异常的检测方法、装置、设备及可读存储介质 | |
| CN111861211B (zh) | 一种具有双层反窃电模型的系统 | |
| CN110288039B (zh) | 基于用户用电负荷特征窃电检测方法 | |
| CN112149873B (zh) | 一种基于深度学习的低压台区线损合理区间预测方法 | |
| Babu et al. | Detecting unusual customer consumption profiles in power distribution systems—APSPDCL | |
| CN112688428A (zh) | 一种基于物联网技术的10千伏电网同期线损治理方法 | |
| CN111177208A (zh) | 基于大数据分析的用电异常检测方法 | |
| CN115905319B (zh) | 一种海量用户电费异常的自动识别方法及系统 | |
| CN110232061A (zh) | 一种配电网多源数据质量控制方法 | |
| CN106408125A (zh) | 一种智能低压集抄复核管控系统 | |
| CN111178690A (zh) | 基于风控评分卡模型的用电客户窃电风险评估方法 | |
| CN115689290B (zh) | 房地产市场地块开发空置监测预警分析方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CP01 | Change in the name or title of a patent holder |
Address after: Room A690-02, Building No. 2, 351 GuoShoujing Road, China (Shanghai) Free Trade Pilot Area, Pudong New Area, Shanghai, 201203 Patentee after: Yimit (Shanghai) Data Technology Co.,Ltd. Address before: Room A690-02, Building No. 2, 351 GuoShoujing Road, China (Shanghai) Free Trade Pilot Area, Pudong New Area, Shanghai, 201203 Patentee before: YIMITE (SHANGHAI) INFORMATION TECHNOLOGY CO.,LTD. |
|
| CP01 | Change in the name or title of a patent holder | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20181130 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |