CN107730395B - 一种针对低压用户的基于用电量偏差率的用电异常检测方法 - Google Patents
一种针对低压用户的基于用电量偏差率的用电异常检测方法 Download PDFInfo
- Publication number
- CN107730395B CN107730395B CN201710822439.6A CN201710822439A CN107730395B CN 107730395 B CN107730395 B CN 107730395B CN 201710822439 A CN201710822439 A CN 201710822439A CN 107730395 B CN107730395 B CN 107730395B
- Authority
- CN
- China
- Prior art keywords
- power consumption
- day
- rate
- deviation rate
- measured
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 13
- 230000005611 electricity Effects 0.000 claims abstract description 46
- 230000002159 abnormal effect Effects 0.000 claims abstract description 36
- 238000000034 method Methods 0.000 claims abstract description 20
- 238000005516 engineering process Methods 0.000 claims abstract description 8
- 238000013528 artificial neural network Methods 0.000 claims abstract description 4
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000005856 abnormality Effects 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- FFBHFFJDDLITSX-UHFFFAOYSA-N benzyl N-[2-hydroxy-4-(3-oxomorpholin-4-yl)phenyl]carbamate Chemical compound OC1=C(NC(=O)OCC2=CC=CC=C2)C=CC(=C1)N1CCOCC1=O FFBHFFJDDLITSX-UHFFFAOYSA-N 0.000 abstract description 2
- 239000010410 layer Substances 0.000 description 25
- 238000011156 evaluation Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 239000002356 single layer Substances 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
Abstract
本发明涉及一种针对低压用户的基于用电量偏差率的用电异常检测方法,步骤如下:步骤(1):获取低压用户待检测日实际用电量,同时采用神经网络预测技术获取其预测用电量;步骤(2):通过比较预测值与实际用电量得出用电量偏差率;步骤(3):采用层次分析法计算待测日与待测日前两天用电量偏差率所占比重w1、w2、w3;步骤(4):获得待测日前两天用电量偏差率,按权重来计算用电异常率;步骤(5):将用电异常率与设定好的阈值比较,若用电异常率超出阈值,则判定该低压用户用电异常。本发明采用了权重方法将待测日用电量偏差率与前两天结合起来,避免因用户电表机械故障或突发性用电导致的检测失误,使最终检测的结果更为精确。
Description
技术领域
本发明属涉及权重技术在用电量偏差率处理上的应用,尤其是一种针对低压用户的基于用电量偏差率的用电异常检测方法。
背景技术
目前,由于低压用户用电影响因素很多,例如用电量受天气、季节、工作日与非工作日等可观测条件和家中招待客人等其他不可观测条件,可能造成用电量突增、突变率较高的问题,从而导致用电异常误判。本发明采用了权重技术将待检日与待检日前两天的用电量偏差率联系起来,即采用层次分析法赋权技术。
所谓层次分析法,是指将一个复杂的多目标决策问题作为一个系统,将目标分解为多个目标或准则,进而分解为多指标(或准则、约束)的若干层次,通过定性指标模糊量化方法算出层次单排序(权数)和总排序,以作为目标(多指标)、多方案优化决策的系统方法。
层次分析法是将决策问题按总目标、各层子目标、评价准则直至具体的备投方案的顺序分解为不同的层次结构,然后得用求解判断矩阵特征向量的办法,求得每一层次的各元素对上一层次某元素的优先权重,最后再加权和的方法递阶归并各备择方案对总目标的最终权重,此最终权重最大者即为最优方案。这里所谓“优先权重”是一种相对的量度,它表明各备择方案在某一特点的评价准则或子目标,标下优越程度的相对量度,以及各子目标对上一层目标而言重要程度的相对量度。层次分析法比较适合于具有分层交错评价指标的目标系统,而且目标值又难于定量描述的决策问题。其用法是构造判断矩阵,求出其最大特征值。及其所对应的特征向量W,归一化后,即为某一层次指标对于上一层次某相关指标的相对重要性权值。
发明内容
本发明的目的在于克服现有技术的不足之处,提供一种针对低压用户的基于用电量偏差率的用电异常检测方法,本方法可以将待检日与待检日前两天的用电量偏差率联系起来,有效提高检测的准确度。
本发明解决其技术问题是采取以下技术方案实现的:
一种针对低压用户的基于用电量偏差率的用电异常检测方法,其特征在于:步骤如下:
步骤(1):获取低压用户待检测日实际用电量,同时采用神经网络预测技术获取其预测用电量;
步骤(2):通过比较预测值与实际用电量得出用电量偏差率;
步骤(3):采用层次分析法计算待测日,以及待测日前两天的用电量偏差率所占比重;
步骤(4):获得待测日前两天用电量偏差率,按权重来计算用电异常率;
步骤(5):将用电异常率与设定好的阈值比较,若用电异常率超出阈值,则判定该低压用户用电异常。
而且,所述步骤(2)的计算公式为:
而且,步骤(3)中,所述层次分析法具体步骤为:
①构建层次分析模型,设置为目标层、准则层、指标层以及方案层;
②确定指标层的全部指标来构造判断矩阵,并分析每个指标的标度;
③矩阵构造完成后,采用公式Aw=nw计算出各指标权重,其中A为判断矩阵,w为权重,n为指标数;
④按层次结构图将各指标权重分别相加,得到各天用电量偏差率权重w1、w2以及w3。
而且,所述准则层分为前2天用电异常率、前1天用电异常率、待测日用电异常率的三个用电量偏差率权重,该三个用电量偏差率权重分别分解为指标层的各天日期类型、温度、天气状况共九个指标,步骤③公式中的n=9,|w|=1。
而且,步骤(4)中,待测日以及待测日前两天的用电量偏差率权重w1、w2、w3,用电异常率的计算公式为:
用电异常率=σ1*w1+σ2*w2+σ3*w3,其中σ1为待测日前2天用电量偏差率,σ2为待测日前1天用电量偏差率,σ3为待测日用电量偏差率。
本发明的优点和积极效果是:
本发明采用了权重方法将待测日用电量偏差率与前两天结合起来,当用户连续3天用电量异常时,用电异常率才会超出阈值,避免因用户电表机械故障或突发性用电导致的检测失误,使最终检测的结果更为精确。
附图说明
图1是本发明的整体流程图。
图2是层次分析法说明图。
具体实施方式
下面结合附图并通过具体实施例对本发明作进一步详述,以下实施例只是描述性的,不是限定性的,不能以此限定本发明的保护范围。
一种针对低压用户的基于用电量偏差率的用电异常检测方法,本发方法采用了层次分析法赋权技术,分别赋予待测日与其前两天不同的权重,若用电异常持续时间越久,则用电异常率越高。此时给用电异常率设定一个阈值,若用电异常率超出这个阈值,则判定该用户用电异常。
本方法的检测流程图参见图1所示,实施步骤如下:
步骤1:获取低压用户待检测日实际用电量,同时采用神经网络预测技术获取其预测用电量。
步骤2:通过比较预测值与实际用电量得出用电量偏差率,计算公式为:
步骤3:采用层次分析法计算待测日与待测日前两天用电量偏差率所占比重w1、
w2、w3,其中,在建立层次模型时,将准则层的各天用电量偏差率权重分解为当天日期类型、温度、天气状况等指标。
步骤4:获得待测日前两天用电量偏差率,按权重w1、w2、w3来计算用电异常率,计算公式为用电异常率=σ1*w1+σ2*w2+σ3*w3,其中σ1为待测日前2天用电量偏差率,σ2为待测日前1天用电量偏差率,σ3为待测日用电量偏差率。
步骤5:将用电异常率与设定好的阈值比较,若用电异常率超出阈值,则判定该低压用户用电异常。
图2是采用层次分析法确定权重的说明图,
建立层次分析模型,层次模型由上向下设置为目标层、准则层、指标层以及方案层,目标层为确定用电异常率,目标层向下分解为准则层的前2天用电异常率、前1天用电异常率、待测日用电异常率,准则层的各天用电量偏差率权重分解为当天日期类型、温度、天气状况,具体为前2两日期类型、前2天温度、前2天天气状况、前1两日期类型、前1天温度、前1天天气状况、待测日日期类型、待测日温度、待测日天气状况;利用指标层的9个指标来构造判断矩阵,最终计算获得方案层的用电异常率,矩阵中权重比按表1中的标度计算。
表1标度说明表
其中同因素下,第1天比第2天稍微重要,标度为3,第1天比第3天强烈重要标度为7;在同一天内,温度比工作日期稍微重要,标度为3,温度与天气状况同等重要,标度为1;对于不同天的不同因素,采用累加原则,即先不同天同一因素比较然后同一天不同因素比较,例如前1天温度对比前2天工作日期标度为5。此处的稍微重要、明显重要、强烈重要以及极端重要的判断值,主要由行业标准手册以及经验综合判定。
矩阵构造完成后利用公式Aw=nw与条件n=9,|w|=1计算出各指标权重,其中A为判断矩阵,w为权重,n为指标数。最后按层次结构图将各指标权重分别相加即可得到各天用电量偏差率权重w1、w2、w3。
尽管为说明目的公开了本发明的实施例和附图,但是本领域的技术人员可以理解:在不脱离本发明及所附权利要求的精神和范围内,各种替换、变化和修改都是可能的,因此,本发明的范围不局限于实施例和附图所公开的内容。
Claims (1)
1.一种针对低压用户的基于用电量偏差率的用电异常检测方法,其特征在于:步骤如下:
步骤(1):获取低压用户待检测日实际用电量,同时采用神经网络预测技术获取其预测用电量;
步骤(2):通过比较预测值与实际用电量得出用电量偏差率;
计算公式为:
步骤(3):采用层次分析法计算待测日,以及待测日前两天的用电量偏差率所占比重;
层次分析法具体步骤为:
①构建层次分析模型,设置为目标层、准则层、指标层以及方案层;
②确定指标层的全部指标来构造判断矩阵,并分析每个指标的标度;
所述准则层分为前2天用电异常率、前1天用电异常率、待测日用电异常率的三个用电量偏差率权重,该三个用电量偏差率权重分别分解为指标层的各天日期类型、温度、天气状况共九个指标;
③矩阵构造完成后,采用公式Aw=nw计算出各指标权重,其中A为判断矩阵,w为权重,n为指标数;公式中的n=9,|w|=1;
④按层次结构图将各指标权重分别相加,得到各天用电量偏差率权重w1、w2以及w3;
步骤(4):获得待测日前两天用电量偏差率,按权重来计算用电异常率;
待测日以及待测日前两天的用电量偏差率权重w1、w2、w3,用电异常率的计算公式为:
用电异常率=σ1*w1+σ2*w2+σ3*w3,其中σ1为待测日前2天用电量偏差率,σ2为待测日前1天用电量偏差率,σ3为待测日用电量偏差率;
步骤(5):将用电异常率与设定好的阈值比较,若用电异常率超出阈值,则判定该低压用户用电异常。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710822439.6A CN107730395B (zh) | 2017-09-13 | 2017-09-13 | 一种针对低压用户的基于用电量偏差率的用电异常检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710822439.6A CN107730395B (zh) | 2017-09-13 | 2017-09-13 | 一种针对低压用户的基于用电量偏差率的用电异常检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107730395A CN107730395A (zh) | 2018-02-23 |
CN107730395B true CN107730395B (zh) | 2021-05-18 |
Family
ID=61206130
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710822439.6A Active CN107730395B (zh) | 2017-09-13 | 2017-09-13 | 一种针对低压用户的基于用电量偏差率的用电异常检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107730395B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109614997A (zh) * | 2018-11-29 | 2019-04-12 | 武汉大学 | 一种基于深度学习的窃电风险预测方法及装置 |
CN109636667A (zh) * | 2018-12-07 | 2019-04-16 | 国网江苏省电力有限公司扬州供电分公司 | 一种基于用户周用电特征的低压用户用电异常检测方法 |
CN110210723B (zh) * | 2019-05-15 | 2022-11-22 | 电子科技大学 | 一种基于层次分析法和孤立森林的窃电辨识方法 |
CN110069019B (zh) * | 2019-06-14 | 2022-04-19 | 泉州昌荣贸易有限公司 | 智能家居的电器管理方法 |
CN111832910B (zh) * | 2020-06-24 | 2024-03-12 | 陕西法士特齿轮有限责任公司 | 一种多指标异响判定阈值确定方法、系统和计算机设备 |
CN111984705B (zh) * | 2020-08-20 | 2022-05-17 | 广东电网有限责任公司电力科学研究院 | 一种电能质量监测装置的精度评估管理方法和装置 |
CN113128867B (zh) * | 2021-04-20 | 2021-11-02 | 四川瑞康智慧能源有限公司 | 一种售电偏差管理系统及其方法 |
CN116881617A (zh) * | 2023-07-12 | 2023-10-13 | 武汉万数科技有限公司 | 设备异常检测方法及装置 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102682349A (zh) * | 2012-05-14 | 2012-09-19 | 云南电力试验研究院(集团)有限公司电力研究院 | 一种用电量智能预测系统及方法 |
CN102855525A (zh) * | 2012-08-16 | 2013-01-02 | 中国电力科学研究院 | 一种居民用户负荷预测分析系统和方法 |
CN105630885A (zh) * | 2015-12-18 | 2016-06-01 | 国网福建省电力有限公司泉州供电公司 | 一种用电异常检测方法及系统 |
CN105678407A (zh) * | 2015-12-31 | 2016-06-15 | 国网上海市电力公司 | 一种基于人工神经网络的日用电量预测方法 |
CN106022951A (zh) * | 2016-05-09 | 2016-10-12 | 北京智芯微电子科技有限公司 | 一种用电异常分析的方法及装置 |
CN106156269A (zh) * | 2016-06-01 | 2016-11-23 | 国网河北省电力公司电力科学研究院 | 一种反窃电精准定位在线监测方法 |
CN106682441A (zh) * | 2017-01-06 | 2017-05-17 | 国网北京市电力公司 | 一种基于层次分析法的指标权重量化方法及系统 |
CN107085153A (zh) * | 2017-04-27 | 2017-08-22 | 深圳市欧瑞博电子有限公司 | 一种用电异常火灾预警方法及系统 |
-
2017
- 2017-09-13 CN CN201710822439.6A patent/CN107730395B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102682349A (zh) * | 2012-05-14 | 2012-09-19 | 云南电力试验研究院(集团)有限公司电力研究院 | 一种用电量智能预测系统及方法 |
CN102855525A (zh) * | 2012-08-16 | 2013-01-02 | 中国电力科学研究院 | 一种居民用户负荷预测分析系统和方法 |
CN105630885A (zh) * | 2015-12-18 | 2016-06-01 | 国网福建省电力有限公司泉州供电公司 | 一种用电异常检测方法及系统 |
CN105678407A (zh) * | 2015-12-31 | 2016-06-15 | 国网上海市电力公司 | 一种基于人工神经网络的日用电量预测方法 |
CN106022951A (zh) * | 2016-05-09 | 2016-10-12 | 北京智芯微电子科技有限公司 | 一种用电异常分析的方法及装置 |
CN106156269A (zh) * | 2016-06-01 | 2016-11-23 | 国网河北省电力公司电力科学研究院 | 一种反窃电精准定位在线监测方法 |
CN106682441A (zh) * | 2017-01-06 | 2017-05-17 | 国网北京市电力公司 | 一种基于层次分析法的指标权重量化方法及系统 |
CN107085153A (zh) * | 2017-04-27 | 2017-08-22 | 深圳市欧瑞博电子有限公司 | 一种用电异常火灾预警方法及系统 |
Non-Patent Citations (1)
Title |
---|
针对非技术性损失的智能用电异常检测方法;刘杰等;《华东电力》;20140430;第650-655页 * |
Also Published As
Publication number | Publication date |
---|---|
CN107730395A (zh) | 2018-02-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107730395B (zh) | 一种针对低压用户的基于用电量偏差率的用电异常检测方法 | |
CN108053148B (zh) | 一种电力信息系统故障高效诊断方法 | |
CN110210681B (zh) | 一种基于距离的监测站点pm2.5值的预测方法 | |
CN110264112B (zh) | 基于双向加权灰色关联的配电网可靠性影响因素分析方法 | |
CN111191191B (zh) | 一种精准预测混凝土坝变形效应的组合模型的构建方法 | |
CN109583520B (zh) | 一种云模型与遗传算法优化支持向量机的状态评估方法 | |
CN110400231B (zh) | 一种加权非线性贝叶斯的电能计量设备失效率预估方法 | |
CN107798210B (zh) | 一种多模型滑坡位移预测方法及其系统 | |
CN105242155A (zh) | 一种基于熵权法和灰色关联分析的变压器故障诊断方法 | |
CN104657788A (zh) | 基于行业景气指数的重点行业用电量预测方法 | |
CN109002781B (zh) | 一种储能变流器故障预测方法 | |
CN108461150A (zh) | 一种职业卫生预测研究方法 | |
CN113627735A (zh) | 工程建设项目安全风险的预警方法及系统 | |
CN110737975B (zh) | 基于经验模态分解与自回归模型的风电场风速、功率预测和异常修正方法 | |
CN110188399B (zh) | 一种基于多相关序列的大坝安全监测单测点评价方法 | |
CN116401516A (zh) | 一种基于深度学习的电力负荷异常数据检测与修正方法 | |
CN105741184B (zh) | 一种变压器状态评估方法及装置 | |
CN103952724B (zh) | 用于铝电解槽况故障诊断的优化权重相对主元分析方法 | |
CN110378610B (zh) | 基于用户重要度和设备运行状态的配网薄弱环节辨识方法 | |
CN112541296A (zh) | 一种基于pso-lssvm的so2预测方法 | |
CN112307672A (zh) | 基于布谷鸟算法优化的bp神经网络短期风功率预测方法 | |
CN111932081A (zh) | 一种电力信息系统运行状态评估方法及系统 | |
CN109919362A (zh) | 一种考虑水利工程调度影响的中长期径流预报方法 | |
CN105699043B (zh) | 一种提高风洞传感器测量稳定性和精准度的方法 | |
CN111913463B (zh) | 一种核电厂化学容积控制系统状态监测方法 |
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 |