CN109919514B - 一种基于线损标杆阈值的台区线损异常检测方法及装置 - Google Patents
一种基于线损标杆阈值的台区线损异常检测方法及装置 Download PDFInfo
- Publication number
- CN109919514B CN109919514B CN201910225283.2A CN201910225283A CN109919514B CN 109919514 B CN109919514 B CN 109919514B CN 201910225283 A CN201910225283 A CN 201910225283A CN 109919514 B CN109919514 B CN 109919514B
- Authority
- CN
- China
- Prior art keywords
- line loss
- area
- station area
- target
- threshold
- 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 47
- 239000003550 marker Substances 0.000 title claims abstract description 29
- 230000002159 abnormal effect Effects 0.000 claims abstract description 60
- 238000000034 method Methods 0.000 claims abstract description 28
- 238000003860 storage Methods 0.000 claims abstract description 20
- 238000012216 screening Methods 0.000 claims abstract description 12
- 238000009826 distribution Methods 0.000 claims description 42
- 238000004364 calculation method Methods 0.000 claims description 25
- 238000004590 computer program Methods 0.000 claims description 11
- 230000005856 abnormality Effects 0.000 claims description 8
- 230000000694 effects Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 4
- 238000005520 cutting process Methods 0.000 description 3
- 238000013480 data collection Methods 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Images
Landscapes
- Data Exchanges In Wide-Area Networks (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种基于线损标杆阈值的台区线损异常检测方法，该方法包括：获取目标台区和待选台区的台区位置信息，并利用台区位置信息从待选台区中筛选出目标台区的近邻台区；获取目标台区和近邻台区的历史线损数据，并利用历史线损数据计算目标台区的统计线损基准值；结合线损异常阈值系数和统计线损基准值确定目标台区的线损标杆阈值，并利用线损标杆阈值对目标台区的实时线损统计结果进行异常检测和目标判定。该方法仅需台区位置信息和历史统计数据便可确定出线损标杆阈值，可提升基于线损标杆阈值的台区线损异常检测的准确率。本发明还公开了一种基于线损标杆阈值的台区线损异常检测装置、设备及可读存储介质，具有相应的技术效果。
Description
技术领域
本发明涉及电力技术领域，特别是涉及一种基于线损标杆阈值的台区线损异常检测方法、装置、设备及可读存储介质。
背景技术
线损是在电能传输和营销过程中所产生的电能消耗和损失。线损综合反映了电网的规划设计、生产技术和运营管理水平，直接影响到企业的经济效益。其中，台区线损在电网总线损中占据了大头，是线损管理中最基础、最重要的工作内容。
线损的标杆阈值是判断某个台区线损是否存在异常的标准，传统的线损标杆阈值的上限通常是按照理论线损的计算结果乘以统一系数确定，如标杆阈值的下限通常统一为理论线损的-2％。损失电量可用理论计算的方法求得，称为理论线损。理论线损率＝(理论线损电量/理论线损供电量)*100％。其中，理论线损率为供电企业对其所属输、变、配电设备，根据设备参数、符合潮流、特性计算得出的线损率。可见，理论线损计算较为复杂，且需要收集大量的数据。因此，目前大多采用“一刀切”的方式对于所有的台区设置统一的标杆阈值。然而，不同台区在实际地理环境、布线情况、设备型号、用户用电情况大多存在差异，难以准确地检测出各个台区真实的线损异常情况。
综上所述，如何有效地提升基于线损标杆阈值的台区线损异常检测的准确率等问题，是目前本领域技术人员急需解决的技术问题。
发明内容
本发明的目的是提供一种基于线损标杆阈值的台区线损异常检测方法、装置、设备及可读存储介质，以提高基于线损标杆阈值的台区线损异常检测的准确率。
为解决上述技术问题，本发明提供如下技术方案：
一种基于线损标杆阈值的台区线损异常检测方法，包括：
获取目标台区和待选台区的台区位置信息，并利用所述台区位置信息从所述待选台区中筛选出所述目标台区的近邻台区；
获取所述目标台区和所述近邻台区的历史线损数据，并利用所述历史线损数据计算所述目标台区的统计线损基准值；
结合线损异常阈值系数和所述统计线损基准值确定所述目标台区的线损标杆阈值，并利用所述线损标杆阈值对所述目标台区的实时线损统计结果进行异常检测和目标判定。
优选地，利用所述历史线损数据计算所述目标台区的统计线损基准值，包括：
利用所述历史线损数据分别计算所述目标台区和所述近邻台区各自对应的加权线损；
计算所述加权线损的均值，并将所述均值作为所述统计线损基准值。
优选地，利用所述历史线损数据分别计算所述目标台区和所述近邻台区各自对应的加权线损，包括：
按照时间衰减系数，利用所述历史线损数据分别计算所述目标台区和所述近邻台区各自对应的加权线损。
优选地，按照时间衰减系数，分别计算所述目标台区和所述近邻台区各自对应的加权线损，包括：
将所述历史线损数据按照从当前周期往历史周期的方向进行排序；
利用所述时间衰减系数确定各个所述周期的权重系数，并利用所述权重系统对所述历史线损数据进行加权计算，获得所述加权线损。
优选地，所述结合线损异常阈值系数和所述统计线损基准值确定所述目标台区的线损标杆阈值，包括：
获取所述线损异常阈值系数中的上限阈值系数和下限阈值系数，计算所述统计线损基准值分别与所述上限阈值系数和下限阈值系数的乘积，获得所述线损标杆阈值；所述线损标杆阈值包括线损上限阈值和线损下限阈值。
优选地，利用所述线损标杆阈值对所述目标台区的实时线损统计结果进行异常检测和目标判定，包括：
获取所述目标台区的当前线损值，判断所述目标线损是否在所述线损标杆阈值范围内；
如果是，则确定所述目标台区的线损无异常；
如果否，则确定所述目标台区的线损异常。
优选地，在所述台区位置信息为台区经纬度时，利用所述台区位置信息从所述待选台区中筛选出所述目标台区的近邻台区，包括：
将所述台区位置信息转换为弧度形式，并按照距离计算公式计算目标台区与所述待选台区的间隔距离；
利用所述间隔距离从所述待选台区中筛选出所述近邻台区。
一种基于线损标杆阈值的台区线损异常检测装置，包括：
近邻台区确定模块，用于获取目标台区和待选台区的台区位置信息，并利用所述台区位置信息从所述待选台区中筛选出所述目标台区的近邻台区；
统计线损基准值计算模块，用于获取所述目标台区和所述近邻台区的历史线损数据，并利用所述历史线损数据计算所述目标台区的统计线损基准值；
线损异常检测模块，用于结合线损异常阈值系数和所述统计线损基准值确定所述目标台区的线损标杆阈值，并利用所述线损标杆阈值对所述目标台区的实时线损统计结果进行异常检测和目标判定。
一种基于线损标杆阈值的台区线损异常检测设备，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现上述基于线损标杆阈值的台区线损异常检测方法的步骤。
一种可读存储介质，所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述基于线损标杆阈值的台区线损异常检测方法的步骤。
应用本发明实施例所提供的方法，获取目标台区和待选台区的台区位置信息，并利用台区位置信息从待选台区中筛选出目标台区的近邻台区；获取目标台区和近邻台区的历史线损数据，并利用历史线损数据计算目标台区的统计线损基准值；结合统计线损基准值和统计线损基准值确定目标台区的线损标杆阈值，并利用线损标杆阈值对目标台区的实时线损统计结果进行异常检测和目标判定。
基于相邻台区之间，地理环境的差异、用户用电差异以及供电设备之间的差异相对较小，另外，历史线损数据也反应了台区的线损情况，基于此，该方法结合近邻台区以及近邻台区的历史线损数据，便可确定出目标台区的线损标杆阈值。利用台区位置信息便可从待选台区中筛选出目标台区的近邻台区，然后读取目标台区和近邻台区的历史线损数据。利用该历史线损数据确定出目标台区的统计线损基准值。确定出统计线损基准值之后，再结合线损异常阈值系数和统计线损基准值确定目标台区的线损标杆阈值。确定出线损标杆阈值之后，便可利用线损标杆阈值对目标台区的实时线损统计结果进行异常检测和目标判定。可见，该方法仅需台区位置信息和历史统计数据便可确定出线损标杆阈值，便可摒弃“一刀切”模式，利用近邻台区的历史线损数据，可弥补目标台区的历史线损数据中可能出现的异常值，可提升基于线损标杆阈值的台区线损异常检测的准确率。另外，还可省去大量的数据收集工作。
相应地，本发明实施例还提供了与上述基于线损标杆阈值的台区线损异常检测方法相对应的基于线损标杆阈值的台区线损异常检测装置、设备和可读存储介质，具有上述技术效果，在此不再赘述。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例中一种基于线损标杆阈值的台区线损异常检测方法的实施流程图；
图2为本发明实施例中一种基于线损标杆阈值的台区线损异常检测装置的结构示意图；
图3为本发明实施例中一种基于线损标杆阈值的台区线损异常检测设备的结构示意图；
图4为本发明实施例中一种基于线损标杆阈值的台区线损异常检测设备的具体结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面结合附图和具体实施方式对本发明作进一步的详细说明。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例一：
请参考图1，图1为本发明实施例中一种基于线损标杆阈值的台区线损异常检测方法的流程图，该方法包括以下步骤：
S101、获取目标台区和待选台区的台区位置信息，并利用台区位置信息从待选台区中筛选出目标台区的近邻台区。
其中，台区在电力系统中指代(一台)变压器的供电范围或区域。
基于“物以类聚，人以群分”的思想，相邻的台区之间的地理环境的差异、用户用电差异以及供电设备之间的差异相对较小，即各个相邻台区之间的线损也较为相似。基于此，可获取目标台区和待选台区的台区位置信息，并通过台区位置信息确定出与目标台区的地理距离较近的近邻台区。
其中，地理位置信息可具体为台区所处的经纬度，也可为具有位置信息记录的位置标签(如1号台区，2号台区)以及各个位置标签之间的距离关系。在地理位置信息包括：位置标签及位置标签之间的位置关系时，则可直接基于各个位置标签之间的距离关系确定出目标台区的近邻台区。
在台区位置信息为台区经纬度时，则可通过执行以下步骤，从待选台区中筛选出近邻台区：
步骤一、将台区位置信息转换为弧度形式，并按照距离计算公式计算目标台区与待选台区的间隔距离；
步骤二、利用间隔距离从待选台区中筛选出近邻台区。
为了便于描述，下面将上述两个步骤结合起来进行说明。
为了便于计算，可将目标台区和每个待选台区分别看作一个点，该点的作为由经纬度表示。为了便于计算，可将经纬度模式的台区位置信息转换为弧度形式。然后，将地球近似为一个球体，计算目标台区与待选台区之间的空间距离。下面以目标台区与其中一个待选台区为例，对目标台区与待选台区的间隔距离的计算过程进行详细说明。
R表示地球半径，A表示目标台区，(WA，JA)表示目标台区的经纬度、B表示待选台区，(WB，JB)表示待选台区的经纬度，其中W为纬度，J为经度，Distance表示AB两点之间的间隔距离，即空间距离。
将角度形式的经纬度转换成弧度形式，即：
wa＝WA×π÷180，wb＝WB×π÷180，ja＝JA×π÷180，jb＝JB×π÷180；
那么可以得到A、B两点的距离公式如下：
Distance＝R×arccos(coswa×coswb×cos(ja-jb)+sinwb×sinwa)
其中arccos为反余弦函数，cos为余弦函数，具体的公式推导过程不做详述。
对任意两个台区计算距离，构建台区距离矩阵，并从中选取排名前K的台区。假设有n个台区，编号为T1、T2…Tn，那么可以构建台区距离矩阵如下：
在实际应用中K值的选择不可过大也不可过小，过大会导致计算性能低下，过小则会弱化邻居的作用，一般来说K值选择范围为[5，10]，在本实施例中选择K为3，如此，便可从矩阵中可以得到T1最近的K个相邻台区分别为(Tn，T2，T3)，同理可以得到T2最近的K个相邻台区分别为(T1，T3，T5)，如此类推下去，可以得出每个台区的K个相邻台区。
S102、获取目标台区和近邻台区的历史线损数据，并利用历史线损数据计算目标台区的统计线损基准值。
确定目标台区的近邻台区之后，便可获取目标台区的历史线损数据和各个近邻台区各自对应的历史线损数据。因一个台区的线损在一定时间内不会发生较大差异，且由于相邻台区与目标台区在地理上较为接近，因此影响线损的因素也大致相同，因此，可利用相邻台区的历史线损数据对计算目标台区的统计线损基准值也具备一定的参考价值。基于此，在本发明实施例中，计算目标台区的统计线损基准值时，兼顾目标台区的历史线损数据和近邻台区的历史线损数据。
基于历史线损数据计算目标台区的统计线损基准值时，可利用历史线损数据分别计算目标台区和近邻台区各自对应的加权线损；计算加权线损的均值，并将均值作为统计线损基准值。即，直接按照将各个台区的单个统计周期的线损进行均值计算，将计算所得的均值直接作为目标台区的统计线损基准值。单个台区的加权线损即为基于历史线损数据预测出的该台区正常线损。为了避免因单个台区的历史线损数据存在统计误差的情况，因此可将目标台区和近邻台区的加权线损进行均值计算，并将计算所得的均值作为统计线损基准值。
优选地，季节、线损异常、突发事件等因素的存在，不同的时间周期的线损与当前时刻的时间周期的参考价值不同，因此还可结合多个统计周期的统计线损计算加权线损。如时间周期越久远的历史线损，由于时间的变迁，气候或环境会产生变化，例如春季的统计线损对衡量冬季线损是否异常的参考价值不如秋季的统计线损。因此，还可基于按照时间衰减系数，利用历史线损数据分别计算目标台区和近邻台区各自对应的加权线损。具体的，将历史线损数据按照从当前周期往历史周期的方向进行排序；利用时间衰减系数确定各个周期的权重系数，并利用权重系统对历史线损数据进行加权计算，获得加权线损。其中，该时间衰减系数可在(0，1)区间内取值，如当时间衰减系数为0.5时，即表明按照时间由近到远的顺序，各个统计周期的统计线损的权重比例为
其中n为统计周期，时间越近的周期n值越小
具体的，若以0.5作为时间衰减系数，从当前周期往历史周期排名分别为1(本期)、2(上期)…N(最早期)，对应的每期的统计线损为S1，S2…SN。
那么各个台区的加权线损的公式为：
其中，对于最早一期(第N期)累加了2次，其原因是基于0.5的衰减系数所得到的所有权重之和不为1，而缺了
的权重，所以最后补加了
若对于一个台区采用历史4个月(即以月为统计周期，周期次数为4)的统计线损值S1，S2，S3和S4，计算的4个月的加权线损的公式如下：
采用目标台区的加权线损及其K个相邻台区的加权线损值取平均值，可以作为该台区的统计线损基准值。
针对所有的n个台区，其加权线损记做SS1、SS2、SS3、…、SSn，同时对于第i个台区(目标台区)的K个邻居记做{Ti1、Ti2、…、Tik}，其对应的加权线损记做{SSi1、SSi2、…、SSik}。
那么对于任意的第i个台区(目标台区)，其统计线损基准值的计算公式为：
S103、结合线损异常阈值系数和统计线损基准值确定目标台区的线损标杆阈值，并利用线损标杆阈值对目标台区的实时线损统计结果进行异常检测和目标判定。
得到目标台区的统计线损基准值之后，便可利用该统计线损基准值确定目标台区的线损标杆阈值。具体的，可将统计线损基准值作为以理论线损计算方法计算出的理论线损值，并结合线损异常阈值系数，然后按照基于理论线损值确定线损标杆阈值的方式，确定出目标台区的线损标杆阈值。具体计算过程为：
按照统计线损基准值乘以线损异常阈值系数计算目标台区线损标杆阀值，线损异常阈值系数设置方法：统计线损基准值在-2％～3％之间，线损异常阈值系数为2；统计线损基准值在3％～6％之间，线损异常阈值系数为1.5；统计线损基准值在6％以上，线损异常阈值系数为1.2。原则上台区线损标杆阈值上限，城网不高于8％，农网不高于11％，台区线损标杆阈值下限不低于-2％。
其中，确定线损标杆阈值可具体为获取线损异常阈值系数中的上限阈值系数和下限阈值系数，计算统计线损基准值分别与上限阈值系数和下限阈值系数的乘积，获得线损标杆阈值；线损标杆阈值包括线损上限阈值和线损下限阈值。其中，下限阈值系统可采取-2％，上限阈值系统的取值范围通常为[1.5，2]。
在对目标台区进行异常检测和目标判定时，便可使用由统计线损基准值所确定的线损标杆阈值进行线损异常与否的检测，并确定出异常目标(出现线损异常的目标，如四分管理中的异常对象，该异常对象可具体为分区、分压、分线或分台区的异常范围)。进行线损异常与否的判断即为获取目标台区的当前线损值，判断目标线损是否在线损标杆阈值范围内；如果是，则确定目标台区的线损无异常；如果否，则确定目标台区的线损异常。即，在获取到目标线损之后，需与线损标杆阈值的线损上限阈值和线损下限阈值分别进行判断，确定目标线损是否在由线损下限阈值和线损上限阈值构成的线损阈值范围内，如果是，则正常；如果否，则线损异常。
应用本发明实施例所提供的方法，获取目标台区和待选台区的台区位置信息，并利用台区位置信息从待选台区中筛选出目标台区的近邻台区；获取目标台区和近邻台区的历史线损数据，并利用历史线损数据计算目标台区的统计线损基准值；结合统计线损基准值和统计线损基准值确定目标台区的线损标杆阈值，并利用线损标杆阈值对目标台区的实时线损统计结果进行异常检测和目标判定。
基于相邻台区之间，地理环境的差异、用户用电差异以及供电设备之间的差异相对较小，另外，历史线损数据也反应了台区的线损情况，基于此，该方法结合近邻台区以及近邻台区的历史线损数据，便可确定出目标台区的线损标杆阈值。利用台区位置信息便可从待选台区中筛选出目标台区的近邻台区，然后读取目标台区和近邻台区的历史线损数据。利用该历史线损数据确定出目标台区的统计线损基准值。确定出统计线损基准值之后，再结合线损异常阈值系数和统计线损基准值确定目标台区的线损标杆阈值。确定出线损标杆阈值之后，便可利用线损标杆阈值对目标台区的实时线损统计结果进行异常检测和目标判定。可见，该方法仅需台区位置信息和历史统计数据便可确定出线损标杆阈值，便可摒弃“一刀切”模式，利用近邻台区的历史线损数据，可弥补目标台区的历史线损数据中可能出现的异常值，可提升基于线损标杆阈值的台区线损异常检测的准确率。另外，还可省去大量的数据收集工作。
实施例二：
相应于上面的方法实施例，本发明实施例还提供了一种基于线损标杆阈值的台区线损异常检测装置，下文描述的基于线损标杆阈值的台区线损异常检测装置与上文描述的基于线损标杆阈值的台区线损异常检测方法可相互对应参照。
参见图2所示，该装置包括以下模块：
近邻台区确定模块101，用于获取目标台区和待选台区的台区位置信息，并利用台区位置信息从待选台区中筛选出目标台区的近邻台区；
统计线损基准值计算模块102，用于获取目标台区和近邻台区的历史线损数据，并利用历史线损数据计算目标台区的统计线损基准值；
线损异常检测模块103，用于结合线损异常阈值系数和统计线损基准值确定目标台区的线损标杆阈值，并利用线损标杆阈值对目标台区的实时线损统计结果进行异常检测和目标判定。
应用本发明实施例所提供的装置，获取目标台区和待选台区的台区位置信息，并利用台区位置信息从待选台区中筛选出目标台区的近邻台区；获取目标台区和近邻台区的历史线损数据，并利用历史线损数据计算目标台区的统计线损基准值；结合统计线损基准值和统计线损基准值确定目标台区的线损标杆阈值，并利用线损标杆阈值对目标台区的实时线损统计结果进行异常检测和目标判定。
基于相邻台区之间，地理环境的差异、用户用电差异以及供电设备之间的差异相对较小，另外，历史线损数据也反应了台区的线损情况，基于此，该装置结合近邻台区以及近邻台区的历史线损数据，便可确定出目标台区的线损标杆阈值。利用台区位置信息便可从待选台区中筛选出目标台区的近邻台区，然后读取目标台区和近邻台区的历史线损数据。利用该历史线损数据确定出目标台区的统计线损基准值。确定出统计线损基准值之后，再结合线损异常阈值系数和统计线损基准值确定目标台区的线损标杆阈值。确定出线损标杆阈值之后，便可利用线损标杆阈值对目标台区的实时线损统计结果进行异常检测和目标判定。可见，该装置仅需台区位置信息和历史统计数据便可确定出线损标杆阈值，便可摒弃“一刀切”模式，利用近邻台区的历史线损数据，可弥补目标台区的历史线损数据中可能出现的异常值，可提升基于线损标杆阈值的台区线损异常检测的准确率。另外，还可省去大量的数据收集工作。
在本发明的一种具体实施方式中，统计线损基准值计算模块102，具体用于利用历史线损数据分别计算目标台区和近邻台区各自对应的加权线损；计算加权线损的均值，并将均值作为统计线损基准值。
在本发明的一种具体实施方式中，统计线损基准值计算模块102，具体用于按照时间衰减系数，利用历史线损数据分别计算目标台区和近邻台区各自对应的加权线损。
在本发明的一种具体实施方式中，统计线损基准值计算模块102，具体用于将历史线损数据按照从当前周期往历史周期的方向进行排序；利用时间衰减系数确定各个周期的权重系数，并利用权重系统对历史线损数据进行加权计算，获得加权线损。
在本发明的一种具体实施方式中，线损异常检测模块103，具体用于获取线损异常阈值系数中的上限阈值系数和下限阈值系数，计算统计线损基准值分别与上限阈值系数和下限阈值系数的乘积，获得线损标杆阈值；线损标杆阈值包括线损上限阈值和线损下限阈值。
在本发明的一种具体实施方式中，线损异常检测模块103，具体用于获取目标台区的当前线损值，判断目标线损是否在线损标杆阈值范围内；如果是，则确定目标台区的线损无异常；如果否，则确定目标台区的线损异常。
在本发明的一种具体实施方式中，近邻台区确定模块101，具体用于将台区位置信息转换为弧度形式，并按照距离计算公式计算目标台区与待选台区的间隔距离；利用间隔距离从待选台区中筛选出近邻台区。
实施例三：
相应于上面的方法实施例，本发明实施例还提供了一种基于线损标杆阈值的台区线损异常检测设备，下文描述的一种基于线损标杆阈值的台区线损异常检测设备与上文描述的一种基于线损标杆阈值的台区线损异常检测方法可相互对应参照。
参见图3所示，该基于线损标杆阈值的台区线损异常检测设备包括：
存储器D1，用于存储计算机程序；
处理器D2，用于执行计算机程序时实现上述方法实施例的基于线损标杆阈值的台区线损异常检测方法的步骤。
具体的，请参考图4，图4为本实施例提供的一种基于线损标杆阈值的台区线损异常检测设备的具体结构示意图，该基于线损标杆阈值的台区线损异常检测设备可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器(central processingunits，CPU)322(例如，一个或一个以上处理器)和存储器332，一个或一个以上存储应用程序342或数据344的存储介质330(例如一个或一个以上海量存储设备)。其中，存储器332和存储介质330可以是短暂存储或持久存储。存储在存储介质330的程序可以包括一个或一个以上模块(图示没标出)，每个模块可以包括对数据处理设备中的一系列指令操作。更进一步地，中央处理器322可以设置为与存储介质330通信，在基于线损标杆阈值的台区线损异常检测设备301上执行存储介质330中的一系列指令操作。
基于线损标杆阈值的台区线损异常检测设备301还可以包括一个或一个以上电源326，一个或一个以上有线或无线网络接口350，一个或一个以上输入输出接口358，和/或，一个或一个以上操作系统341。例如，Windows ServerTM，Mac OS XTM，UnixTM，LinuxTM，FreeBSDTM等。
上文所描述的基于线损标杆阈值的台区线损异常检测方法中的步骤可以由基于线损标杆阈值的台区线损异常检测设备的结构实现。
实施例四：
相应于上面的方法实施例，本发明实施例还提供了一种可读存储介质，下文描述的一种可读存储介质与上文描述的一种基于线损标杆阈值的台区线损异常检测方法可相互对应参照。
一种可读存储介质，可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现上述方法实施例的基于线损标杆阈值的台区线损异常检测方法的步骤。
该可读存储介质具体可以为U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可存储程序代码的可读存储介质。
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
Claims (5)
1.一种基于线损标杆阈值的台区线损异常检测方法，其特征在于，包括：
获取目标台区和待选台区的台区位置信息，并利用所述台区位置信息从所述待选台区中筛选出所述目标台区的近邻台区；
获取所述目标台区和所述近邻台区的历史线损数据，并利用所述历史线损数据计算所述目标台区的统计线损基准值；
结合线损异常阈值系数和所述统计线损基准值确定所述目标台区的线损标杆阈值，并利用所述线损标杆阈值对所述目标台区的实时线损统计结果进行异常检测和目标判定；
利用所述历史线损数据计算所述目标台区的统计线损基准值，包括：
利用所述历史线损数据分别计算所述目标台区和所述近邻台区各自对应的加权线损；
计算所述加权线损的均值，并将所述均值作为所述统计线损基准值；
其中，利用所述历史线损数据分别计算所述目标台区和所述近邻台区各自对应的加权线损，包括：
按照时间衰减系数，利用所述历史线损数据分别计算所述目标台区和所述近邻台区各自对应的加权线损，具体包括：
将所述历史线损数据按照从当前周期往历史周期的方向进行排序；
利用所述时间衰减系数确定各个所述周期的权重系数，并利用所述权重系统对所述历史线损数据进行加权计算，获得所述加权线损；
其中，所述结合线损异常阈值系数和所述统计线损基准值确定所述目标台区的线损标杆阈值，包括：
获取所述线损异常阈值系数中的上限阈值系数和下限阈值系数，计算所述统计线损基准值分别与所述上限阈值系数和下限阈值系数的乘积，获得所述线损标杆阈值；所述线损标杆阈值包括线损上限阈值和线损下限阈值；
其中，利用所述线损标杆阈值对所述目标台区的实时线损统计结果进行异常检测和目标判定，包括：
获取所述目标台区的当前线损值，判断所述目标台区的当前线损值是否在所述线损标杆阈值范围内；
如果是，则确定所述目标台区的线损无异常；
如果否，则确定所述目标台区的线损异常。
2.根据权利要求1所述的基于线损标杆阈值的台区线损异常检测方法，其特征在于，在所述台区位置信息为台区经纬度时，利用所述台区位置信息从所述待选台区中筛选出所述目标台区的近邻台区，包括：
将所述台区位置信息转换为弧度形式，并按照距离计算公式计算目标台区与所述待选台区的间隔距离；
利用所述间隔距离从所述待选台区中筛选出所述近邻台区。
3.一种基于线损标杆阈值的台区线损异常检测装置，其特征在于，包括：
近邻台区确定模块，用于获取目标台区和待选台区的台区位置信息，并利用所述台区位置信息从所述待选台区中筛选出所述目标台区的近邻台区；
统计线损基准值计算模块，用于获取所述目标台区和所述近邻台区的历史线损数据，并利用所述历史线损数据计算所述目标台区的统计线损基准值；
线损异常检测模块，用于结合线损异常阈值系数和所述统计线损基准值确定所述目标台区的线损标杆阈值，并利用所述线损标杆阈值对所述目标台区的实时线损统计结果进行异常检测和目标判定；
所述统计线损基准值计算模块，具体用于利用所述历史线损数据分别计算所述目标台区和所述近邻台区各自对应的加权线损；
计算所述加权线损的均值，并将所述均值作为所述统计线损基准值；
其中，利用所述历史线损数据分别计算所述目标台区和所述近邻台区各自对应的加权线损，包括：
按照时间衰减系数，利用所述历史线损数据分别计算所述目标台区和所述近邻台区各自对应的加权线损，具体包括：
将所述历史线损数据按照从当前周期往历史周期的方向进行排序；
利用所述时间衰减系数确定各个所述周期的权重系数，并利用所述权重系统对所述历史线损数据进行加权计算，获得所述加权线损；
所述线损异常检测模块，具体用于获取所述线损异常阈值系数中的上限阈值系数和下限阈值系数，计算所述统计线损基准值分别与所述上限阈值系数和下限阈值系数的乘积，获得所述线损标杆阈值；所述线损标杆阈值包括线损上限阈值和线损下限阈值；
获取所述目标台区的当前线损值，判断所述目标台区的当前线损值是否在所述线损标杆阈值范围内；
如果是，则确定所述目标台区的线损无异常；
如果否，则确定所述目标台区的线损异常。
4.一种基于线损标杆阈值的台区线损异常检测设备，其特征在于，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如权利要求1或2所述基于线损标杆阈值的台区线损异常检测方法的步骤。
5.一种可读存储介质，其特征在于，所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1或2所述基于线损标杆阈值的台区线损异常检测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910225283.2A CN109919514B (zh) | 2019-03-22 | 2019-03-22 | 一种基于线损标杆阈值的台区线损异常检测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910225283.2A CN109919514B (zh) | 2019-03-22 | 2019-03-22 | 一种基于线损标杆阈值的台区线损异常检测方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109919514A CN109919514A (zh) | 2019-06-21 |
| CN109919514B true CN109919514B (zh) | 2022-10-18 |
Family
ID=66966409
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910225283.2A Active CN109919514B (zh) | 2019-03-22 | 2019-03-22 | 一种基于线损标杆阈值的台区线损异常检测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109919514B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110320445B (zh) * | 2019-07-05 | 2021-05-28 | 广东电网有限责任公司 | 一种用于110kV及以上母线的线损异常判别方法 |
| CN110174577B (zh) * | 2019-07-05 | 2021-05-28 | 广东电网有限责任公司 | 一种用于10kV及以上母线的线损异常判别方法 |
| CN110991825A (zh) * | 2019-11-18 | 2020-04-10 | 国网浙江宁波市鄞州区供电有限公司 | 基于大数据的线损判定方法 |
| CN111784210B (zh) * | 2020-07-31 | 2024-07-16 | 国网山东省电力公司鄄城县供电公司 | 降低台区线损的方法、装置和电子设备 |
| CN112115332A (zh) * | 2020-09-24 | 2020-12-22 | 国网山东省电力公司临沂供电公司 | 一种营销线损预分析服务终端 |
| CN115689074B (zh) * | 2023-01-05 | 2023-05-02 | 北京飞利信信息安全技术有限公司 | 一种台区电网建设规划方法、装置、电子设备及存储介质 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPS6214071A (ja) * | 1985-07-11 | 1987-01-22 | Hitachi Cable Ltd | 電力ケ−ブルの誘電正接異常部を検出する方法 |
| CN105303469A (zh) * | 2015-11-25 | 2016-02-03 | 广州供电局有限公司 | 线损异常原因数据挖掘分析的方法与系统 |
| CN107860987A (zh) * | 2017-09-30 | 2018-03-30 | 国网上海市电力公司 | 一种低压台区降损辅助决策系统 |
| CN107863770A (zh) * | 2017-09-30 | 2018-03-30 | 国网上海市电力公司 | 一种低压台区线损率异常原因的判定方法 |
| CN108345981A (zh) * | 2017-12-28 | 2018-07-31 | 国网上海市电力公司 | 一种基于负荷分类的典型台区线损率标杆值计算方法及其应用 |
| CN108492058A (zh) * | 2018-05-28 | 2018-09-04 | 国网江西省电力有限公司南昌供电分公司 | 一种线损管理方法 |
| CN108520357A (zh) * | 2018-04-10 | 2018-09-11 | 北京中电普华信息技术有限公司 | 一种线损异常原因的判别方法、装置及服务器 |
-
2019
- 2019-03-22 CN CN201910225283.2A patent/CN109919514B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPS6214071A (ja) * | 1985-07-11 | 1987-01-22 | Hitachi Cable Ltd | 電力ケ−ブルの誘電正接異常部を検出する方法 |
| CN105303469A (zh) * | 2015-11-25 | 2016-02-03 | 广州供电局有限公司 | 线损异常原因数据挖掘分析的方法与系统 |
| CN107860987A (zh) * | 2017-09-30 | 2018-03-30 | 国网上海市电力公司 | 一种低压台区降损辅助决策系统 |
| CN107863770A (zh) * | 2017-09-30 | 2018-03-30 | 国网上海市电力公司 | 一种低压台区线损率异常原因的判定方法 |
| CN108345981A (zh) * | 2017-12-28 | 2018-07-31 | 国网上海市电力公司 | 一种基于负荷分类的典型台区线损率标杆值计算方法及其应用 |
| CN108520357A (zh) * | 2018-04-10 | 2018-09-11 | 北京中电普华信息技术有限公司 | 一种线损异常原因的判别方法、装置及服务器 |
| CN108492058A (zh) * | 2018-05-28 | 2018-09-04 | 国网江西省电力有限公司南昌供电分公司 | 一种线损管理方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109919514A (zh) | 2019-06-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109919514B (zh) | 一种基于线损标杆阈值的台区线损异常检测方法及装置 | |
| Dunn et al. | Fragility curves for assessing the resilience of electricity networks constructed from an extensive fault database | |
| Doorman et al. | Vulnerability analysis of the Nordic power system | |
| CN111614316B (zh) | 光伏系统发电状态监测方法及其装置 | |
| Scherb et al. | Evaluating component importance and reliability of power transmission networks subject to windstorms: methodology and application to the nordic grid | |
| Chanda et al. | Quantifying resiliency of smart power distribution systems with distributed energy resources | |
| CN112070286A (zh) | 复杂地形流域的降水预报预警系统 | |
| US11105958B2 (en) | Systems and methods for distributed-solar power forecasting using parameter regularization | |
| WO2023109068A1 (zh) | 一种多云环境下基于用户体验的虚拟机自动迁移决策方法 | |
| CN104407688A (zh) | 基于树回归的虚拟化云平台能耗测量方法及系统 | |
| CN113177857B (zh) | 一种基于台风灾害预估的资源弹性调配方法 | |
| Babel et al. | Incorporating future climatic and socioeconomic variables in water demand forecasting: a case study in Bangkok | |
| CN110097220A (zh) | 一种风力发电月度电量预测方法 | |
| Mei et al. | Simulating land-use changes by incorporating spatial autocorrelation and self-organization in CLUE-S modeling: a case study in Zengcheng District, Guangzhou, China | |
| CN109359896A (zh) | 一种基于svm的电网线路故障风险预警方法 | |
| Liu et al. | A comprehensive risk analysis of transportation networks affected by rainfall‐induced multihazards | |
| CN111294841A (zh) | 一种无线网络问题的处理方法、装置及存储介质 | |
| CN103020290B (zh) | 电网信息校验方法及系统 | |
| CN103150605A (zh) | 电网规划辅助系统 | |
| Selga et al. | Analysis and enhancement of Barcelona’s power grid resilience | |
| CN112257329A (zh) | 一种判定台风对线路影响的方法 | |
| CN114118719A (zh) | 基于分区加权Voronoi和协同推荐的共享机房选址定容方法 | |
| CN112929887B (zh) | 基于流量预测设置室分站的方法、装置和电子设备 | |
| CN110174713B (zh) | 一种电力线路强对流天气监测预警方法及装置 | |
| Obringer et al. | Multivariate modeling for sustainable and resilient infrastructure systems and communities |
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 |