CN106771862B - 一种网格与空间距离相结合的采集异常故障点聚合方法 - Google Patents
一种网格与空间距离相结合的采集异常故障点聚合方法 Download PDFInfo
- Publication number
- CN106771862B CN106771862B CN201611127804.3A CN201611127804A CN106771862B CN 106771862 B CN106771862 B CN 106771862B CN 201611127804 A CN201611127804 A CN 201611127804A CN 106771862 B CN106771862 B CN 106771862B
- Authority
- CN
- China
- Prior art keywords
- abnormal
- point
- urgency
- factor
- data
- 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.)
- Active
Links
- 238000006116 polymerization reaction Methods 0.000 title claims abstract description 31
- 230000002159 abnormal effect Effects 0.000 claims abstract description 91
- 230000005611 electricity Effects 0.000 claims description 87
- 230000007547 defect Effects 0.000 claims description 32
- 238000012545 processing Methods 0.000 claims description 22
- 238000012423 maintenance Methods 0.000 claims description 18
- 238000000034 method Methods 0.000 claims description 13
- 238000004458 analytical method Methods 0.000 claims description 12
- 230000001594 aberrant effect Effects 0.000 claims description 10
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 claims description 9
- 230000005856 abnormality Effects 0.000 claims description 6
- 230000002045 lasting effect Effects 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000001186 cumulative effect Effects 0.000 claims description 4
- 238000007405 data analysis Methods 0.000 claims description 4
- 238000000556 factor analysis Methods 0.000 claims description 2
- 230000008859 change Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000012512 characterization method Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000009434 installation Methods 0.000 description 4
- 238000007726 management method Methods 0.000 description 4
- 230000002776 aggregation Effects 0.000 description 3
- 238000004220 aggregation Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000013468 resource allocation Methods 0.000 description 3
- 238000013024 troubleshooting Methods 0.000 description 3
- 230000004888 barrier function Effects 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 108091064702 1 family Proteins 0.000 description 1
- 201000004569 Blindness Diseases 0.000 description 1
- 241001269238 Data Species 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000006467 substitution reaction 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
-
- 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
- G01R31/081—Locating faults in cables, transmission lines, or networks according to type of conductors
- G01R31/086—Locating faults in cables, transmission lines, or networks according to type of conductors in power transmission or distribution networks, i.e. with interconnected conductors
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种网格与空间距离相结合的采集异常故障点聚合方法，属于电力设备技术领域。现有技术对异常故障点聚合的不合理，不能合理的分配资源。并且现有技术无法快速准确判定各异常点的紧急程度，导致一些紧急的异常情况无法及时解决。本发明不是简单的以网格区域进行划分异常故障点，而是结合异常故障点的空间距离进行区域划分，首先确定某一区域所有异常故障点的中心点，根据中心点进行聚合分组，最大程度的合理派工。本发明进一步建立异常总紧急程度判定模型，提供一种切实可行的技术方案，较为完善的解决了紧急度判定问题，为后续的精准派工提供基础，使得资源更为合理的利用。
Description
技术领域
本发明涉及一种网格与空间距离相结合的采集异常故障点聚合方法，属于电力设备技术领域。
背景技术
我国的电力采集系统的现场运维模式基本可以概括为人员统筹运维模式和网格责任制运维模式。其中人员统筹运维模式是县公司/供电所责任范围内的故障统一进行人员和任务安排的运维模式，一般是一遇到故障就进行派单，运维工作管理处于粗放阶段，无法合理的分配任务。网格责任制运维模式是先将地域相邻的台区组合成最小的运维单元，然后为每个网格都分配有唯一的责任人，该网格内的故障由该网格责任班组负责处理，由于运维人员只对自己所辖区域负责，因此哪怕故障异常点与运维人员在空间位置上很接近，只要隶属不用责任区就不能把该异常故障点进行聚合，不能合理的分配资源。并且现有技术无法快速准确判定各异常故障点的紧急程度，导致一些紧急的异常情况无法及时解决，进而导致更严重的情况出现。针对目前现有技术中存在的上述缺陷，实有必要进行研发，解决现有技术中存在的缺陷。
发明内容
针对现有技术的缺陷，本发明的目的在于提供一种科学、合理的异常故障点聚合方法，能够把所有相邻的异常故障点聚合在一起，避免运维资源分配不合理，进一步地能够更为准确的判定各异常点的紧急程度，为后续的精准派工提供基础，使得资源更为合理的利用。
为实现上述目的，本发明的技术方案为：
一种网格与空间距离相结合的采集异常故障点聚合方法，包括以下步骤：
S1，采集异常故障点数据信息，所述异常故障点数据信息包括异常故障点位置坐标、现场采集数据和工单流转数据，涉及到多个区域的各种用户的一段时间内的用电量、电能表数量，进而对大批量用户的地理位置以及异常故障进行大数据分析。
S2，收集运维人员数据信息，所述运维人员数据信息包括运维人员位置坐标信息、处理能力信息、人数。
S3，确定异常故障点中心点，根据中心点对异常故障点进行聚合分组，把某一区域内的所有异常故障点聚合为一组。
S4，根据聚合分组情况，对电路运行系统进行维护，异常故障点聚合方法在聚合过程中考虑到聚合点总工作量，避免单个聚合点工作量过大超出一个派工周期法定工作时间，而出现无法按时完成工作的情况。
本发明不是简单的以网格区域进行划分异常故障点，而是结合异常故障点的空间距离进行区域划分， 首先确定某一区域所有异常故障点的中心点，根据中心点进行聚合分组，能够把所有相邻的异常故障点聚合在一起，避免运维资源分配不合理，最大程度的合理派工。
进一步地，所述中心点是某一区域内异常故障点的质心，所述聚合分组方法包括以下步骤：
a)将若干异常故障点位置范围划分成指定尺寸的正方形或者圆形；
b)将相近区域的所有异常故障点落到其对应的正方形或者圆形网格内；
c)求解各个网格异常点的质心，保存该质心的坐标点、异常总紧急度和所有异常类型；
d)判断各个质心是否在某一范围内，如果在则进行合并计算出新的质心。
首先求取同一区域内的异常故障点的质心，然后把相邻近的质心进行合并，避免把邻近的异常故障点分配给不同的运维人员，使得运维资源效率更高。
进一步地，选中位于中间位置的质心点，以此质心点为中心画一矩形或者圆，如果当落在矩形或者圆范围内则需要合并计算出新的质心。利用规则形状进行划分范围，容易统计异常故障点以及分配任务。
进一步地，所述矩形或者圆的大小需要根据运维人员的交通能力、人数以及业务能力进行确定。
进一步地，异常总紧急度的计算方法：包括以下步骤：
第一步，初步确定采集异常紧急度的影响因子
由电力运维系统专家讨论确定采集异常紧急度的影响因子，初步确定影响因子包括：月平均用电量、异常持续时间、距离抄表天数、间歇性故障、电能表效用值；
第二步，收集电路运行系统的数据
所述数据包括现场采集数据和工单流转数据，涉及到多个区域的各种用户的一段时间内的用电量、电能表的品牌、数量，进而对大批量用户的用电量进行波动分析；
第三步，分析影响因子并建立模型
紧急度影响因子判断模型就是通过系统已有运行数据，按照各因素影响进行数据分析，当结果表明影响因子与最终结果存在明显聚合关系或函数连续时则表明应该将该因数计入紧急度计算，当结果为离散不连续时则表明不应该将该因数计入紧急度计算；
第四步，建立异常总紧急程度判定模型
通过对现有收集的采集异常紧急程度的影响因子进行分析，得到对紧急度有确切影响的影响因子，剔除不合适影响因子；异常总紧急度值是该区域包含的所有异常紧急度值的累加，将产生影响的影响因子综合建模；
第五步，根据判定模型，确定异常处理的先后次序，对电路运行系统进行维护。
对异常故障点进行紧急度估算，进而得到某一区域内所有异常故障点的异常总紧急度值，根据异常总紧急度进行运维，为后续的精准派工提供基础，使得资源更为合理的利用。
进一步地，建立月均用电量的判定模型，分析月均用电量对采集异常紧急程度的影响程度，直接用用户的月用电量作为输入，会导致该因素的影响波动过大，因此需要将用户月用电量按一定区间进行划分；将台区根据容量分布进行分类，并统计某一年度台区公变用电量及相应容量公变下居民、非居民电量情况，观察当用户电量缺失时，是否会引起台区线损波动，如果有波动，则需要将月均用电量作为影响因子，如果没有波动，则不需要将月均用电量作为影响因子。
进一步地，建立异常持续天数的判定模型，对每户每日用电量标准偏差度进行分析，分析用户的日用电量波动是否平缓，如果大部分用户的日用电量波动平缓则可将异常持续天数所损失的电量作为紧急程度计算因子，如果大部分用户的日用电量波动较大则不能将异常持续天数所损失的电量作为紧急程度计算因子。
进一步地，建立距离抄表日天数的判定模型，抄表例日的抄表数据在一个月当中最为重要，该日数据缺失将导致人工抄表，计算人工抄表的成本，如果成本较高，则需要把距离抄表日天数作为影响紧急度的影响因子，如果成本较低，则不需要。
进一步地，建立间歇性故障的判定模型，按照不同的分类统计方法，分析各种电能表故障率是否具有离散特性，如果各种电能表故障率具有离散型，该因素不作为紧急度值输出的影响因素，反之，该因素作为紧急度值输出的影响因素。间歇性故障没有呈现聚集性效应，存在一定的离散特性，且短时间内自动恢复的间歇性故障占比90％以上，因此采集运维闭环管理中的故障处理时限并不能表征故障处理的难易程度，故该因素不作为紧急度值输出的影响因子。
进一步地，建立终端下挂接电能表数量效用值判定模型，异常工单的紧急度值是该工单所包含的故障电表紧急度值的累加，因此把终端下挂接电能表数量效用值作为影响紧急度的影响因子，对目前采集系统内某一时间段产生的全部采集异常影响的故障数及处理时长统计分析，系统可通过分析各个处理工单下所有故障电表的效用值总和来判断其优先级。
与现有技术相比，本发明具有以下有益效果：
本发明不是简单的以网格区域进行划分异常故障点，而是结合异常故障点的空间距离进行区域划分，首先确定某一区域所有异常故障点的中心点，根据中心点进行聚合分组，能够把所有相邻的异常故障点聚合在一起，避免运维资源分配不合理，最大程度的合理派工。
本发明进一步建立异常总紧急程度判定模型，提供一种切实可行的技术方案，较为完善的解决了紧急度判定问题，为后续的精准派工提供基础，使得资源更为合理的利用。
附图说明
图1为本发明流程图；
图2-1为本发明一种实施例异常故障点分布示意图；
图2-2为本发明对图2-1网格质心化示意图；
图2-3为本发明对图2-2合并聚合示意图；
图3为本发明影响因子分析流程图；
图4为本发明公变容量分类及公变用电量、公变下居民、非居民电量情况；
图5为本发明相应公变容量下居民、非居民(单、三相)电量情况；
图6为本发明公变下单户居民、非居民电量缺失引起的线损波动率数据表；
图7为本发明公变下单户居民、非居民电量缺失引起的线损波动率折线图；
图8为本发明低压居民用户日用电量标准偏差曲线图；
图9为本发明低压非居民用户日用电量标准偏差曲线图；
图10为本发明持续N天无抄电能表数据的电能表数量分布统计表；
图11为本发明持续N天无抄电能表数据的电能表数分布图；
图12为本发明发生间歇性故障的表计按地区分类统计表(I型集中器)；
图13为本发明发生间歇性故障的表计按地区分类统计图(I型集中器)；
图14为本发明发生间歇性故障的用户按地区分类统计表(II型集中器)；
图15为本发明发生间歇性故障的用户按地区分类统计表(II型集中器)；
图16为本发明发生间歇性故障的用户按电能表厂家分类统计表(I型集中器)；
图17为本发明发生间歇性故障的用户按集中器厂家分类统计表(I型集中器)；
图18为本发明发生间歇性故障的用户按电能表厂家分类统计表(II型集中器)；
图19为本发明发生间歇性故障的用户按集中器厂家分类统计表(II型集中器)；
图20为本发明发生间歇性故障的I型集中器各故障类型统计表；
图21为本发明发生间歇性故障的I型集中器各故障类型统计图；
图22为本发明发生间歇性故障的II型集中器各故障类型统计表；
图23为本发明不同故障类型影响的故障电能表数及处理时长统计表；
图24为本发明不同故障类型影响的故障电能表数及处理时长统计图；
图25为本发明II型采集器挂接电能表数量分布统计；
图26为本发明II型采集器挂接电能表数量分布图。
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仅用以解释本发明，并不用于限定本发明。
相反，本发明涵盖任何由权利要求定义的在本发明的精髓和范围上做的替代、修改、等效方法以及方案。进一步，为了使公众对本发明有更好的了解，在下文对本发明的细节描述中，详尽描述了一些特定的细节部分。对本领域技术人员来说没有这些细节部分的描述也可以完全理解本发明。
如图1所示，一种网格与空间距离相结合的采集异常故障点聚合方法，包括以下步骤：
S1，采集异常故障点数据信息，所述异常故障点数据信息包括异常故障点位置坐标、现场采集数据和工单流转数据，涉及到多个区域的各种用户的一段时间内的用电量、电能表数量，进而对大批量用户的地理位置以及异常故障进行大数据分析。
S2，收集运维人员数据信息，所述运维人员数据信息包括运维人员位置坐标信息、处理能力信息、人数。
S3，确定异常故障点中心点，根据中心点对异常故障点进行聚合分组，把某一区域内的所有异常故障点聚合为一组。
如图2-1、2-2、2-3所示，所述中心点是某一区域内异常故障点的质心，所述聚合分组方法包括以下步骤：
a)将若干异常故障点位置范围划分成指定尺寸的正方形或者圆形；
b)将相近区域的所有异常故障点落到其对应的正方形或者圆形网格内；
c)求解各个网格异常点的质心，保存该质心的坐标点、异常总紧急度和所有异常类型；
d)判断各个质心是否在某一范围内，如果在则进行合并计算出新的质心。
选中位于中间位置的质心点，以此质心点为中心画一矩形或者圆，如果当落在矩形或者圆范围内则需要合并计算出新的质心。所述矩形或者圆的大小需要根据运维人员的交通能力、人数以及业务能力进行确定。
异常总紧急度的计算方法：包括以下步骤：
第一步，初步确定采集异常紧急度的影响因子
由电力运维系统专家讨论确定采集异常紧急度的影响因子，可能存在的影响因子包括：月平均用电量、异常持续时间、距离抄表天数、间歇性故障、电能表效用值。
第二步，收集电路运行系统的数据
所述数据包括现场采集数据和工单流转数据，涉及到多个区域的各种用户的一段时间内的用电量、电能表的品牌、数量，进而对大批量用户的用电量的进行波动分析。
第三步，分析影响因子并建立模型
为准确评估影响因子，需要设置标准用电户。标准用电户是在抽取大部分用户的实际用电情况基础上统计出各类用户的月平均用电量，然后依据用户最多类型的用电户平均电量作为标准用电户用电量，所有影响因子对紧急度的影响最终都折算为标准用电户。
目前系统的异常紧急程度判断主要依靠人的经验和主观估算来进行派单处理，这种方法存在很大的不科学性和随意性。为了使得异常紧急度的判断能够更科学和可量测，本发明引入标准用电户概念，将所有影响因子对紧急度的影响最终都折算为标准用电户。并且在实际运维过程中，一方面异常紧急度影响因子多而且属于不同类型，另一方面在全国范围内各地方有不同影响因子，各种因素对最终紧急度影响大小也存在差别，很难在系统一开始就全面掌握所有影响因子，存在添加、删除和修改的可能。因此，利用标准用电户概念，将所有影响因子对紧急度的影响最终都折算为标准用电户。标准用电户是在抽取大部分用户的实际用电情况基础上统计出各类用户的月平均用电量，然后依据用户最多类型的用电户平均电量作为标准用电户用电量。
如图3所示，一方面由于全国范围内各区域对采集系统具体要求存在差异，另外一方面采集异常紧急度影响因子很多，因此各区域需要根据其实际情况进行判断各个影响因子是否应该计入紧急度计算。紧急度影响因子判断模型就是通过系统已有运行数据，按照各因素影响进行数据分析，当结果表明影响因子与最终结果存在明显聚合关系或函数连续时则表明应该将该因数计入紧急度计算，当结果为离散不连续时则表明不应该将该因数计入紧急度计算。
S1建立月均用电量的判定模型
分析月均用电量对采集异常紧急程度的影响程度，直接用用户的月用电量作为输入，会导致该因素的影响波动过大，因此需要将用户月用电量按一定区间进行划分。将台区根据容量分布进行分类，并统计某一年度台区公变用电量及相应容量公变下居民、非居民(单相、三相)电量情况。
具体统计分析过程如下所述，将某一区域242402个台区根据容量分布进行分类，并统计某一年度台 区公变用电量及相应容量公变下居民、非居民(单相、三相)电量情况。
如图4-5所示，以250千伏安及以下居民用户电量为100千瓦时左右，315千伏安及以上单相用户是其2倍左右，250千伏安及以下非居民三相表是其3倍左右，315千伏安及以上非居民三相表是其10倍左右。
如果仅使用电量作为紧急度值的单位，最后计算出的数值比较大，需要进行换算，根据用户实际月用电量确定该用户处于统计数据的具体分布区间，最终确定该用户为N个标准用电户。
由图6-7可知，当一个单相用户电量缺失时，将引起台区线损波动在0.6％-0.7％，当一个非居三相用户电量缺失时，将引起台区线损波动在3.5％左右。因此，月均用电量能够作为影响紧急度的影响因子。
以居民用户和非居民单相表用户月用电量为标准户电量分界点(小于等于200千瓦时)为1户标准户，(大于200千瓦时且小于等于1000千瓦时)为2户标准户，(大于1000千瓦时)为3户标准户。
用户实际月用电量等同的标准户数r(xi)：
g(xi)为指定用户当前月的用电量，Xi为第i个电能表的用户
S2建立异常持续天数的判定模型
对每户每日用电量标准偏差度进行分析，分析用户的日用电量波动是否平缓，如果大部分用户的日用电量波动平缓则可将异常持续天数所损失的电量作为紧急程度计算因子，如果大部分用户的日用电量波动较大则不能将异常持续天数所损失的电量作为紧急程度计算因子。
收集某一月份10000户居民和非居民的日用电量数据，计算每日用电量标准偏差，并从小到大排列，得出曲线图如图8所示。确定其电量标准偏差值小于17的用户数占总数的92％，是标准偏差曲线图的拐点。
同样的，在某一区域随即挑选10000户非居民，计算每日用电量标准偏差，并从小到大排列，得出曲线图如图9所示。确定其电量标准偏差值小于17的用户数占总数的88.75％，是标准偏差曲线图的拐点。
由图8和图9可知，认定90％左右的用户日均电量波动小，因此，异常持续天数能够作为影响紧急度的影响因子。
本发明以一个月之内的日平均电量作为故障天数造成的单日损失监控电量。异常持续天数所损失的电量＝异常持续天数乘以指定用户当前月的平均日用电量，指定用户当前月的用电量需要参考该用户上一年同月份用电量、上一个月用电量和前三日用电量。
计算公式如下：
为更为精确的预估指定用户的月用电量，增加农历公历、历年温度湿度影响、本用户年度同比增长 用电量等的影响因数。
异常持续时间的紧急度值公式如下：
(n：故障持续天数，r(xi)：标准户数)。
S3建立距离抄表日天数的判定模型
抄表例日的抄表数据在一个月当中最为重要，该日数据缺失将导致人工抄表，使得成本提高。距离下一抄表日越近，异常处理紧急度越高。因此，需要把距离抄表日天数作为影响紧急度的影响因子。
统计持续N天无抄表数据的电能表数分布情况，分析故障电表与持续天数的关系，确定能够处理绝大多数故障电表的天数M。采用断面统计方式对数据进行统计，统计某一段时间内仍未恢复的异常电能表，记录持续N天无抄表数据的电能表数分布情况。
从图10-11中可以看出持续2天至8天的故障电表用户占总故障用户数的59.06％，将近60％，持续9天至21天无抄电能表数据的用户占总故障用户数的30.72％，将近30％，持续22天及以上占比10.22％，将近10％。
从分析数据看出，将近60％的采集异常在8天时间内都会被处理，所以选择8天作为阈值，距离天数超过阀值的该因数影响为0，距离天数在阀值内越小处理紧急度值越大。
距离抄表日天数异常处理紧急度判定模型如下：
(n：处理时间阈值，m：距离抄表日天数)，r(xi)：标准户数)。
S4建立间歇性故障的判定模型
通过运维系统数据进行针对性分析，当结果表明影响因子与最终结果存在明显关系或函数连续时则表明应该将该因数计入紧急度计算，当结果为离散不连续时则表明不应该将该因数计入紧急度计算。
按照集中器类型、地域、集中器的厂家分别进行统计故障电能表数量、电能表数量。计算同一集中器类型，不同地域的电能表故障率。计算同一集中器类型，不同生产厂家的电能表故障率。分析各种电能表故障率是否具有离散特性，如果各种电能表故障率具有离散型，该因素不作为紧急度值输出的影响因子，反之，该因素作为紧急度值输出的影响因子。
在优化采集运维闭环管理系统的研讨会和基层调研过程发现，目前存在抄表数据时有时无的间歇性现象，即对单个表计来说采集失败但无须人工介入可自行恢复的现象较为明显。对抄表数据情况进行定量分析：1代表抄表成功，0代表抄表失败，其抄表数据的组合为101...、1001...、10001....。该类故障用户一个月内反复出现现象为101...、1001...、10001....、100001....的组合情况。
收集某一月份，某区域24907294户低压用户全月抄表数据为分析样本，即一个月内至少出现三次及以上101...、1001...、10001....、100001....组合情况的用户按照集中器类型、地域进行统计。
如图12-13所示，对数据进行计算分析：I型集中器出现间歇性故障的表计采集故障率平均值为5.49％，表征组内个体间的离散程度的标准偏差值为0.0107。
同样的，针对某一月份出现的间歇性故障的II型集中器下的单个表计采集故障率按地域进行统计，
如图14-15所示，对数据进行计算分析分析：II型集中器出现间歇性故障的表计采集故障率平均值为2.73％，表征组内个体间的离散程度的标准偏差值为0.0071。
根据图12-15可知，分析不同类型的集中器时，需要参考台区线路分支数量、延伸地域面积、现场用电环境以及线型。I型集中器出现间歇性故障的表计采集故障率明显高于II型集中器，主要原因为低压台区线路分支多、延伸地域广、现场用电环境复杂等，导致低压电力线载波通信不稳定，而II型集中器下行通信主要是RS485双绞线通信，因此更为稳定，但对于同一类型集中器，间歇性故障发生比率较为稳定。
继续针对一个月出现3次、5次、6次及7次间歇性故障的I型集中器下的用户清单按电能表厂家进行统计，发现故障主要集中于深圳市航天泰瑞捷电子有限公司、深圳科陆、杭州海兴、杭州西力、浙江万胜，但这五个电能表厂家的安装数量也很大，进一步计算了这五个电能表厂家发生故障比率，基本在0.227％左右，如图16所示。
同理，我们对终端厂家也进行了统计，发现故障主要集中于江苏光一、杭州炬华科技、创维、江苏林洋电子股份有限公司、青岛高科通信股份有限公司，同样，这五个终端厂家的安装数量也很大，进一步计算了这五个终端厂家的发生故障比率，基本在0.247％左右，如图17所示。
针对一个月出现4次、5次、6次及7次间歇性故障的II型集中器下的用户清单按电能表进行统计，发现故障主要集中于电能表厂家为杭州海兴、德力西、浙江正泰、杭州西力、浙江万胜，但这五个电能表厂家的安装数量也很大，进一步计算了这五个电能表厂家发生故障比率，基本在0.061％左右，如图18所示。
同理，我们对终端厂家也进行了统计，发现故障主要集中于八达、江苏林洋电子股份有限公司、杭州炬华科技、杭州炬华科、江苏光一技，同样，这五个终端厂家的安装数量也很大，进一步计算了这五个终端厂家发生故障比率，基本在0.055％左右，如图19所示。
从上述数据可以看出，间歇性故障没有呈现聚集性效应(如按表计厂家、终端厂家、分布地区、集中器类型等)，均存在一定的离散特性。
继续对出现各故障的类型(101...、1001...、10001....、100001...)数量及比例进行统计。如图20-22所示，无论是I型集中器还是II型集中器，一个月出现3次及以上间歇性故障的集中器故障类型主要集中在101、1001这两种类型上，三天内自动恢复的间歇性故障占间歇性故障总数量的90％以上。
间歇性故障没有呈现聚集性效应(如表计厂家、终端厂家、终端类型、地区分布等)，存在一定的离散特性，且三天内自动恢复的间歇性故障占比90％以上，因此采集运维闭环管理中的故障处理时限并不能表征故障处理的难易程度，故该因素不作为紧急度值输出的影响因子。
S5建立终端下挂接电能表效用值的判定模型
对目前采集系统内某一时间段产生的全部采集异常影响的故障数及处理时长统计分析。
如图23-24所示，存在问题一：一个故障类型影响的电能表数越多，则处理优先级越高，故障处理效益排序应该为：I型集中器下全无数据＞I型终端与主站无通信＞II型集中器全无数据＞II型终端与主站无通信＞采集器下电表全无数据＞N天无抄电能表数据，按照处理紧急程度递减排列，原理上处理时限应递增，但在I型集中器与主站无通讯和N天无数据两类异常出现了平均处理时限下降明显的趋势，说明存在问题。
存在问题二：II型采集器下电能表下挂接电表分布比例
如图25-26所示，可以看出II型采集器只挂载1块电能表的情况占了94.91％。根据数据结果进行调查分析，由于基层单位并不了解该类型计算的是挂接2块电能表及以上的II型采集器异常，盲目的认为II型采集器挂接电能表绝大多数是1块电能表，导致检修积极性不高。在运维时输出效用值需要考虑挂载故障电能表数，而不仅仅是终端下挂接电能表数，否则不能达到运维效用的最大化。
综上分析，需要把终端下挂接电能表数量效用值作为影响紧急度的影响因子，系统可通过分析各个处理工单下所有故障电表的效用值总和来判断其优先级，即所有的异常紧急度值的累加，总体效用值模型如下：
Y(紧急度值)＝∑f(xi)(i表示归集后的第1......n的电能表)
xi为第i个电能表的用户，f(xi)表示第i个电能表用户紧急度
第四步，建立异常总紧急程度判定模型
通过对现有收集的采集异常紧急程度影响因子分析，对于单个表计紧急度值来说，目前主要有“距离抄表天数”、“异常持续时间”和“月平均用电量”、“电能表效用值”四方面影响，和“间歇性故障”不发生直接关系，故该因素不考虑。异常总紧急度值是该区域包含的所有异常紧急度值的累加，将产生影响的影响因子综合建模。异常总紧急程度判定模型为：
Y(紧急度值)＝∑f(xi)(i表示归集后的第1......n的电能表)
f(xi)＝j(xi)+s(xi)，其中：
(m：距离抄表日天数)
(n：故障持续天数，r(xi)：标准户数)
由此得到单表的总紧急度值，用于指导异常处理的先后次序，能够使得日常采集运维工作有的放矢，达到事半功倍的效果。
第五步，根据判定模型，确定异常处理的先后次序，对电路运行系统进行维护。
S4，根据聚合分组情况，对电路运行系统进行维护，异常故障点聚合方法在聚合过程中考虑到聚合点总工作量，避免单个聚合点工作量过大超出一个派工周期法定工作时间，而出现无法按时完成工作的情况。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (8)
1.一种网格与空间距离相结合的采集异常故障点聚合方法，其特征在于，包括以下步骤：
S1，采集异常故障点数据信息，所述异常故障点数据信息包括异常故障点位置坐标、现场采集数据和工单流转数据，涉及到多个区域的各种用户的一段时间内的用电量、电能表数量，进而对大批量用户的地理位置以及异常故障进行大数据分析；
S2，收集运维人员数据信息，所述运维人员数据信息包括运维人员位置坐标信息、处理能力信息、人数；
S3，确定异常故障点中心点，根据中心点对异常故障点进行聚合分组，把某一区域内的所有异常故障点聚合为一组；所述中心点是某一区域内异常故障点的质心，所述聚合分组方法包括以下步骤：
a)将若干异常故障点位置范围划分成指定尺寸的正方形或者圆形；
b)将相近区域的所有异常故障点落到其对应的正方形或者圆形网格内；
c)求解各个网格异常故障点的质心，保存该质心的坐标点、异常总紧急度和所有异常类型；
d)判断各个质心是否在某一范围内，如果在则进行合并计算出新的质心；选中位于中间位置的质心点，以此质心点为中心画一矩形或者圆，如果当其他质心点落在矩形或者圆范围内则需要合并计算出新的质心；
S4，根据聚合分组情况，对电路运行系统进行维护，异常故障点聚合方法在聚合过程中考虑到聚合点总工作量，避免单个聚合点工作量过大超出一个派工周期法定工作时间，而出现无法按时完成工作的情况。
2.如权利要求1所述的一种网格与空间距离相结合的采集异常故障点聚合方法，其特征在于，所述矩形或者圆的大小需要根据运维人员的交通能力、人数以及业务能力进行确定。
3.如权利要求1-2任一所述的一种网格与空间距离相结合的采集异常故障点聚合方法，其特征在于，
异常总紧急度的计算方法：包括以下步骤：
第一步，初步确定采集异常紧急度的影响因子
由电力运维系统专家讨论确定采集异常紧急度的影响因子，初步确定影响因子包括：月平均用电量、异常持续时间、距离抄表天数、间歇性故障、电能表效用值；
第二步，收集电路运行系统的数据
所述数据包括现场采集数据和工单流转数据，涉及到多个区域的各种用户的一段时间内的用电量、电能表的品牌、数量，进而对大批量用户的用电量进行波动分析；
第三步，分析影响因子并建立模型
紧急度影响因子判断模型就是通过系统已有运行数据，按照各因素影响进行数据分析，当结果表明影响因子与最终结果存在明显聚合关系或函数连续时则表明应该将该因数计入紧急度计算，当结果为离散不连续时则表明不应该将该影响因子计入紧急度计算；
第四步，建立异常总紧急程度判定模型
通过对现有收集的采集异常紧急程度的影响因子进行分析，得到对紧急度有确切影响的影响因子，剔除不合适影响因子；异常总紧急度值是该区域包含的所有异常紧急度值的累加，将产生影响的影响因子综合建模；
第五步，根据判定模型，确定异常处理的先后次序，对电路运行系统进行维护。
4.如权利要求3所述的一种网格与空间距离相结合的采集异常故障点聚合方法，其特征在于，建立月均用电量的判定模型，分析月均用电量对采集异常紧急程度的影响程度，直接用用户的月用电量作为输入，会导致该因素的影响波动过大，因此需要将用户月用电量按一定区间进行划分；将台区根据容量分布进行分类，并统计某一年度台区公变用电量及相应容量公变下居民、非居民电量情况，观察当用户电量缺失时，是否会引起台区线损波动，如果有波动，则需要将月均用电量作为影响因子，如果没有波动，则不需要将月均用电量作为影响因子。
5.如权利要求4所述的一种网格与空间距离相结合的采集异常故障点聚合方法，其特征在于，建立异常持续天数的判定模型，对每户每日用电量标准偏差度进行分析，分析用户的日用电量波动是否平缓，如果大部分用户的日用电量波动平缓则可将异常持续天数所损失的电量作为紧急程度计算因子，如果大部分用户的日用电量波动较大则不能将异常持续天数所损失的电量作为紧急程度计算因子。
6.如权利要求5所述的一种网格与空间距离相结合的采集异常故障点聚合方法，其特征在于，建立距离抄表日天数的判定模型，抄表例日的抄表数据在一个月当中最为重要，该日数据缺失将导致人工抄表，计算人工抄表的成本，如果成本较高，则需要把距离抄表日天数作为影响紧急度的影响因子，如果成本较低，则不需要。
7.如权利要求6所述的一种网格与空间距离相结合的采集异常故障点聚合方法，其特征在于，建立间歇性故障的判定模型，按照不同的分类统计方法，分析各种电能表故障率是否具有离散特性，如果各种电能表故障率具有离散型，该因素不作为紧急度值输出的影响因素，反之，该因素作为紧急度值输出的影响因素。
8.如权利要求7所述的一种网格与空间距离相结合的采集异常故障点聚合方法，其特征在于，建立终端下挂接电能表效用值判定模型，异常工单的紧急度值是该工单所包含的故障电表紧急度值的累加，因此把终端下挂接电能表效用值作为影响紧急度的影响因子，对目前采集系统内某一时间段产生的全部采集异常影响的故障数及处理时长统计分析，系统可通过分析各个处理工单下所有故障电表的效用值总和来判断其优先级。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201611127804.3A CN106771862B (zh) | 2016-12-08 | 2016-12-08 | 一种网格与空间距离相结合的采集异常故障点聚合方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201611127804.3A CN106771862B (zh) | 2016-12-08 | 2016-12-08 | 一种网格与空间距离相结合的采集异常故障点聚合方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN106771862A CN106771862A (zh) | 2017-05-31 |
| CN106771862B true CN106771862B (zh) | 2019-01-01 |
Family
ID=58877711
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201611127804.3A Active CN106771862B (zh) | 2016-12-08 | 2016-12-08 | 一种网格与空间距离相结合的采集异常故障点聚合方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106771862B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109656913B (zh) * | 2018-12-20 | 2022-12-27 | 江苏昂内斯电力科技股份有限公司 | 基于物联网的数据采集异常补招方法 |
| CN109934459B (zh) * | 2019-01-31 | 2023-08-22 | 国网浙江省电力有限公司 | 基于可视化网格的低压台区电能表运行误差异常派工方法 |
| CN112560934B (zh) * | 2020-12-10 | 2024-03-01 | 国家电网有限公司 | 多尺度电力消费行为分析方法 |
| CN113486078B (zh) * | 2021-06-15 | 2023-11-21 | 国网山东省电力公司金乡县供电公司 | 一种分布式配电网运行监控方法及系统 |
| CN117240614B (zh) * | 2023-11-13 | 2024-01-23 | 中通服网盈科技有限公司 | 一种基于互联网的网络信息安全监测预警系统 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103268273A (zh) * | 2013-05-24 | 2013-08-28 | 北京航空航天大学 | 一种功能解析和机理分析的故障判据确定方法 |
| CN103630869A (zh) * | 2013-11-29 | 2014-03-12 | 国网安徽省电力公司 | 基于聚类算法对异常事件分析评价电能表整体状态的方法 |
| CN104123600A (zh) * | 2014-08-14 | 2014-10-29 | 国家电网公司 | 一种面向典型行业大数据的电力经理指数趋势预测方法 |
| CN104881961A (zh) * | 2015-06-19 | 2015-09-02 | 陈毅然 | 基于移动互联网的全球地震地磁异常大数据监测预警系统及监测预警方法 |
| CN104954180A (zh) * | 2015-06-04 | 2015-09-30 | 广东省广播电视网络股份有限公司中山分公司 | 一种广电网络综合运维支撑系统及运维方法 |
| CN105119750A (zh) * | 2015-09-08 | 2015-12-02 | 南京联成科技发展有限公司 | 一种基于大数据的分布式信息安全运维管理平台 |
| CN105303259A (zh) * | 2015-11-06 | 2016-02-03 | 国网上海市电力公司 | 一种基于网格化理念的配电网规划管理方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8781756B2 (en) * | 2011-07-19 | 2014-07-15 | Arizona Public Service Company | Method and system for estimating transformer remaining life |
-
2016
- 2016-12-08 CN CN201611127804.3A patent/CN106771862B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103268273A (zh) * | 2013-05-24 | 2013-08-28 | 北京航空航天大学 | 一种功能解析和机理分析的故障判据确定方法 |
| CN103630869A (zh) * | 2013-11-29 | 2014-03-12 | 国网安徽省电力公司 | 基于聚类算法对异常事件分析评价电能表整体状态的方法 |
| CN104123600A (zh) * | 2014-08-14 | 2014-10-29 | 国家电网公司 | 一种面向典型行业大数据的电力经理指数趋势预测方法 |
| CN104954180A (zh) * | 2015-06-04 | 2015-09-30 | 广东省广播电视网络股份有限公司中山分公司 | 一种广电网络综合运维支撑系统及运维方法 |
| CN104881961A (zh) * | 2015-06-19 | 2015-09-02 | 陈毅然 | 基于移动互联网的全球地震地磁异常大数据监测预警系统及监测预警方法 |
| CN105119750A (zh) * | 2015-09-08 | 2015-12-02 | 南京联成科技发展有限公司 | 一种基于大数据的分布式信息安全运维管理平台 |
| CN105303259A (zh) * | 2015-11-06 | 2016-02-03 | 国网上海市电力公司 | 一种基于网格化理念的配电网规划管理方法 |
Non-Patent Citations (2)
| Title |
|---|
| 浙江电力用电信息采集系统的技术研究与深化应用;杨宁;《中国硕士学位论文全文数据库》;20151231;第16-48页 |
| 用电信息采集系统运行监控提升技术;张占清等;《广东电力》;20161031;第29卷(第10期);第69-74页 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN106771862A (zh) | 2017-05-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106771862B (zh) | 一种网格与空间距离相结合的采集异常故障点聚合方法 | |
| CN106651161B (zh) | 采集运维动态派工方法 | |
| CN109460833B (zh) | 配网故障的设备数据和报修工单数据处理方法及系统 | |
| CN106780125A (zh) | 一种基于月均用电量的采集异常紧急程度计算方法 | |
| CN106803125B (zh) | 一种基于标准用电户折算的采集异常紧急程度计算方法 | |
| JP2009089594A (ja) | 検針データを利用した電力設備の時空間負荷分析システム及び負荷の計算方法 | |
| CN110346661B (zh) | 一种用户电压异常自动巡检的方法及系统 | |
| CN113189418B (zh) | 一种基于电压数据的拓扑关系识别方法 | |
| WO2018209913A1 (zh) | 一种考虑电压质量的配电网台区缺供电量预测方法 | |
| CN105373877A (zh) | 一种用电趋势异常嫌疑分析及反窃电监控系统 | |
| CN109934459B (zh) | 基于可视化网格的低压台区电能表运行误差异常派工方法 | |
| CN106600114A (zh) | 一种采集运维系统多维度质量评价方法 | |
| CN108490285B (zh) | 一种基于电压降落法的低压台区线损率计算方法 | |
| CN106814268A (zh) | 一种基于间歇性故障的大数据分析方法 | |
| CN107944680A (zh) | 一种基于智能电能表的变电站电能量平衡监测方法 | |
| CN110866706A (zh) | 一种地区用电需求差异化综合分析和评估的方法 | |
| CN110348637A (zh) | 一种考虑场-网因素的风电爬坡事件预警方法 | |
| CN110533291B (zh) | 一种基于风险评估的中压配电网薄弱环节辨识方法 | |
| CN106682817A (zh) | 一种采集异常紧急程度的判定方法 | |
| CN115270974A (zh) | 基于大数据分析的智能窃电检测系统 | |
| CN108256770A (zh) | 基于移动应用的光伏发电站运维管控系统 | |
| CN106711998B (zh) | 一种基于异常持续时间的采集异常紧急程度计算方法 | |
| CN109460946A (zh) | 采集任务的分配系统及基于国产操作系统的电能计量系统 | |
| CN109035062A (zh) | 一种客户电费异常分析及策略应用系统 | |
| CN112557745A (zh) | 一种线损监测的功率叠加对比系统及方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |