CN110231503A - 高损台区基于格兰杰因果检验的窃电用户识别定位方法 - Google Patents

高损台区基于格兰杰因果检验的窃电用户识别定位方法 Download PDF

Info

Publication number
CN110231503A
CN110231503A CN201910611236.1A CN201910611236A CN110231503A CN 110231503 A CN110231503 A CN 110231503A CN 201910611236 A CN201910611236 A CN 201910611236A CN 110231503 A CN110231503 A CN 110231503A
Authority
CN
China
Prior art keywords
user
stealing
area
time series
granger
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
Application number
CN201910611236.1A
Other languages
English (en)
Other versions
CN110231503B (zh
Inventor
钱斌
蔡梓文
肖勇
杨劲锋
郑楷洪
周密
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
CSG Electric Power Research Institute
Research Institute of Southern Power Grid Co Ltd
Original Assignee
Research Institute of Southern Power Grid Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Research Institute of Southern Power Grid Co Ltd filed Critical Research Institute of Southern Power Grid Co Ltd
Priority to CN201910611236.1A priority Critical patent/CN110231503B/zh
Publication of CN110231503A publication Critical patent/CN110231503A/zh
Application granted granted Critical
Publication of CN110231503B publication Critical patent/CN110231503B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R11/00—Electromechanical arrangements for measuring time integral of electric power or current, e.g. of consumption
    • G01R11/02—Constructional details
    • G01R11/24—Arrangements for avoiding or indicating fraudulent use
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • Marketing (AREA)
  • Health & Medical Sciences (AREA)
  • Educational Administration (AREA)
  • Theoretical Computer Science (AREA)
  • Development Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

一种高损台区基于格兰杰因果检验的窃电用户识别定位方法，利用协整检验方法分析高损台区单位时间损失电量和各用户单位时间用电量之间是否存在均衡关系，再使用格兰杰因果检验方法确定与高损台区损失电量存在均衡关系的用户用电量序列是否与损失电量存在影响关系，将通过检验的用户作为高损台区下属高危窃电用户。如此，通过协整检验及格兰杰检验能够在高损台区中定位发现造成台区线损率变化的用户，及时进行针对性稽查以减小由用户用电异常带来的损失。本方法同样适用于配电线路上窃电专变用户的识别。

Description

高损台区基于格兰杰因果检验的窃电用户识别定位方法
技术领域
本发明涉及电网线损分析领域，具体涉及一种高损台区基于格兰杰因果检验的窃电用户识别定位方法。
背景技术
智能电网条件下，先进计量装置(如传感器、智能仪表)采集得到的不同时间间隔的变压器或电力用户日消费数据构成了各检测点的日负荷曲线，为电网公司掌握用户用电情况提供了便利，同时也为需求侧管理和用户用电异常检测提供了数据上的有利支撑。
现有基于智能电表记录数据检测窃电行为的技术方法主要分为两大类：第一大类为基于规则的窃电检测，这些方法以低压居民单相用户零序电流不为零或三相电力用户单相失压或有功功率倒送等规则为依据，检测识别窃电行为。因为所凭借规则具有明确的物理意义，能精准定位窃电用户；第二类方法主要为基于数据驱动的人工智能类智能算法。这些算法以窃电导致用电量突然下降为背景，针对不同指标采用各种算法识别用电量的突变点。由于实际电力系统中，环保检查、设备故障、安全检查等各种原因都可能导致电力用户停工和用电量突变，这种基于用电量突变的检测算法本身就存在判据容易误判的问题，在工程实际应用中很难取得实用化。
由于窃电是造成线损率居高不下的重要原因，供电企业线损管理中，营销人员往往选择线损最高的台区进行用电稽查，如线损大于5％的台区一般认为存在窃电行为。尽管营销计量系统中记录有台区下属所有用户的详细用电数据，但由于缺乏有效的数据挖掘分析方法，营销人员只能在选定高线损台区后根据经验逐个排查窃电用户，亟待研究适用的高损台区电用户定位识别算法，提高用电稽查工作效率。
发明内容
常用窃电方法中，分压法和分流法均可等比例的降低用电负荷的电能量计量读数，采用该类方法窃电的用户用电量越大则台区/线路线损电量和线损率越高。利用这种关联特性，有可能根据台区记录的供电量时序数据和下属电力用户用电量时序数据，进行挖掘分析，从中识别出导致台区/线路线损电量增加的高危窃电用户，以便营销人员有针对性地开展现场稽查。
因而，本发明的目的是，针对上述现有技术的不足，提供一种高损台区基于格兰杰因果检验的窃电用户识别定位方法。
为了达到上述目的，本发明所采用的技术方案是：一种高损台区基于格兰杰因果检验的窃电用户识别定位方法，该方法步骤如下：
步骤1：确定窃电高危台区，建立该窃电高危台区的单位时间损失电量时间序列Y＝{Y1，Y2，…，Yn}，及下属各用户的单位时间用电量时间序列Xi＝{Xi1，Xi2，…Xin}；其中，n为时间序列中的元素个数，i＝1，2，…，N；
步骤2：通过协整检验确定窃电高危台区的单位时间损失电量时间序列Y与下属各用户的单位时间用电量时间序列Xi之间是否存在均衡关系，若单位时间损失电量时间序列与下属各用户的单位时间用电量时间序列之间存在均衡关系，则进入步骤3；
步骤3：对与窃电高危台区的单位时间损失电量时间序列Y存在协整关系的下属各用户的单位时间用电量时间序列Xi进行格兰杰因果检验，若检验结果显示拒绝假设“Xi不是Y的格兰杰原因”而接受假设“Y不是Xi的格兰杰原因”，则Xi对应的用户为高危窃电用户(异常用电用户)，反之，Xi对应的用户为正常用电用户。
上述步骤1中，窃电高危台区的确定可根据各台区的线损率或线损波动率来确定，皆为本领域的常规技术。以线损率来确定时，由供电企业根据当地实际情况决定，因10kV配电台区理论线损多在2％-3％之间，一般认为线损高于5％的台区为高损台区即窃电高危台区。
上述步骤1中的单位时间可为具体的时段。当单位时间为日(即24小时)时，则可直接获取用户日用电量数据，则可直接建立下属各用户的日用电量时间序列；当单位时间为15分钟、30分钟、60分钟或12小时等其他时段时，则可根据获取的各用户用电量数据计算出时段用电量数据后再建立下属各用户的具体时段用电量时间序列。在序列建立时，单位时间损失电量时间序列及下属各用户的单位时间用电量时间序列的单位时间要一致，即若损失电量时间序列采用的单位时间是60分钟时，则下属各用户的用电量时间序列采用的单位时间亦为60分钟。
上述步骤2中，通过协整检验确定窃电高危台区的单位时间损失电量时间序列Y与下属各用户的单位时间用电量时间序列Xi之间是否存在均衡关系时，由于Engle-Granger协整检验法适用于两变量的协整检验，对各用户用电量时间序列与台区单位时间损失电量时间序列之间的关系分别进行相关性分析，考虑建立多个两变量的协整关系检验模型，因此，本申请利用Engle-Granger协整检验法对序列间关系进行检验。
Engle-Granger协整检验适用对象为同阶单整的时间序列。由于台区单位时间损失电量时间序列与用户用电量时间序列都存在一定程度上的波动，故对序列进行单位根检验发现异常台区单位时间损失电量时间序列与台区下属用户用电量时间序均为非平稳序列且同阶单整，可进行协整检验。具体地，Engle-Granger协整检验法对Y和Xi进行单位根检验，检验二者是否均为1阶单整。用最小二乘法对Xi＝a1Y+μt+b1进行参数估计，a1和b1为序列拟合系数，对于残差序列μt＝Xi-a1Y-b1进行单位根检验，如果μt平稳，Xi和Y具有协整关系，如果μt不平稳，Xi和Y不具有协整关系。
上述提及的Engle-Granger协整检验法和格兰杰因果检验皆为本领域的常规技术。
本方法是确定窃电高危台区后，再以该台区的单位时间损失电量和用户单位时间用电量序列，通过协整检验及格兰杰因果检验判断用户是否为高危窃电用户；但也可以直接用某台区的线损率和用户用电量序列进行协整检验及格兰杰检验分析异常用电用户，虽然指标准确性不如本发明，但也不失为一判断方法。
本发明在台区线损出现异常情况时，通过协整检验及格兰杰因果检验分析用户单位时间用电量时间序列对窃电高危台区单位时间损失电量时间序列的影响，与传统的相关性和回归分析相比，能够直接给出用户用电量与台区损失电量之间的具体影响关系，相较于对窃电高危台区下属用户进行上门逐一稽查，该方法缩小了窃电稽查的范围，能够找到高危窃电台区下引以线损率波动的窃电用户。将台区线损电量替换为配电线路线损电量，用户用电量替换为配电变压器用电量时，本方法同样适用于配电线路上窃电专变用户的识别。
附图说明
图1为本发明方法流程图。
具体实施方式
结合参见图1，本发明为一种高损台区基于格兰杰因果检验的窃电用户识别定位方法，该方法具体步骤如下：
步骤1：确定窃电高危台区，建立该窃电高危台区的单位时间损失电量时间序列Y＝{Y1，Y2，…，Yn}，及下属各用户的单位时间用电量时间序列Xi＝{Xi1，Xi2，…Xin}；其中，n为时间序列中的元素个数，i＝1，2，…，N；
上述窃电高危台区的确定可根据各台区的线损率或线损波动率来确定，皆为本领域的常规技术。以线损率来确定时，由供电企业根据当地实际情况决定，因10kV配电台区理论线损多在2％-3％之间，一般认为线损高于5％的台区为高损台区即窃电高危台区。
上述提及的单位时间可为具体的时段。当单位时间为日(即24小时)时，则可直接获取用户日用电量数据，则可直接建立下属各用户的日用电量时间序列；当单位时间为15分钟、30分钟、60分钟或12小时等其他时段时，则可根据获取的各用户用电量数据计算出时段用电量数据后再建立下属各用户的具体单位时间用电量时间序列。在序列建立时，单位时间损失电量时间序列及下属各用户的单位时间用电量时间序列的单位时间要一致，即若损失电量时间序列采用的单位时间是60分钟时，下属各用户的用电量时间序列采用的单位时间亦为60分钟。
步骤2：通过协整检验确定窃电高危台区的单位时间损失电量时间序列Y与下属各用户的单位时间用电量时间序列Xi之间是否存在均衡关系，若单位时间损失电量时间序列与下属各用户的单位时间用电量时间序列之间存在均衡关系，则进入步骤3；
协整检验法主要有Engle-Granger协整检验法以及Johansen协整检验法，其中，Engle-Granger协整检验法适用于两变量的协整检验。对各用户用电量时间序列与台区单位时间损失电量时间序列之间的关系分别进行相关性分析，考虑建立多个两变量的协整关系检验模型，所以本申请利用Engle-Granger协整检验法对序列间关系进行检验。
Engle-Granger协整检验适用对象为同阶单整的时间序列。由于台区单位时间损失电量时间序列与用户用电量时间序列都存在一定程度上的波动，故对序列进行单位根检验发现异常台区单位时间损失电量时间序列与台区下属用户用电量时间序均为非平稳序列且同阶单整，可进行协整检验。具体地，Engle-Granger协整检验法对Y和Xi进行单位根检验，检验二者是否均为1阶单整。用最小二乘法对Xi＝a1Y+μt+b1进行参数估计，a1和b1为序列拟合系数，对于残差序列μt＝Xi-a1Y-b1进行单位根检验，如果μt平稳，Xi和Y具有协整关系，如果μt不平稳，Xi和Y不具有协整关系。
上述提及的Engle-Granger协整检验法为本领域的常规技术。
步骤3：对与窃电高危台区的单位时间损失电量时间序列Y存在协整关系的下属各用户的单位时间用电量时间序列Xi进行格兰杰因果检验，若检验结果显示拒绝假设“Xi不是Y的格兰杰原因”而接受假设“Y不是Xi的格兰杰原因”，则Xi对应的用户为高危窃电用户，反之，Xi对应的用户为正常用电用户。
通过协整检验只能验证两时间序列之间是否具有均衡关系，需进一步通过格兰杰因果检验检验时间序列之间的因果关系(为现有技术)，格兰杰因果检验步骤简述如下：
1)估计下列两个回归模型：
无约束回归模型(u)：
有约束回归模型(r)：
式中，α0表示常数项，p和q分别为变量Y和Xi的最大滞后期数，εt为白噪声；
2)利用所构建的无约束回归模型和有约束回归模型的残差平方和RSSu、RSSr构造F统计量：其中n为样本容量；
检验原假设“H0：Xi不是引起Y变化的原因”(等价于检验H0：β1＝β2＝…＝βq＝0)是否成立，如果F≥Fα(q，n-p-q-1)，则β1、β2、…、βq显著不为0，应拒绝原假设“H0：Xi不是引起Y变化的格兰杰原因”；反之，则不能拒绝原假设“H0：X不是引起Y变化的格兰杰原因”。
3)以将通过协整检验及格兰杰因果检验的用户用电量时间序列对应的用户作为高危窃电用户。
实施例1
以某窃电高危台区的序列Y(代表该台区每小时/日损失电量的时间序列)和序列X1，X2，…，X6(代表该台区下属6家用户每小时/日用电量时间序列)为例。通过对该台区损失电量时间序列与用户用电量时间序列进行单位根检验，发现序列均为1阶单整序列，单位根检验结果如表1所示。
表1单位根检验结果
注：(1)ADF检验的滞后期根据SIC准则自动选择；(2)Δ表示序列的一阶差分。
再分别对该台区4月1日-6月30日的损失电量时间序列与台区下属用户用电量时间序列进行Engle-Granger协整检验。采用表1中Y，X1，X2…，X6的数据，对X1，X2…，X6与Y进行普通最小二乘回归，回归结果如表2所示。在此基础上，对X1，X2…，X6与Y进行普通最小二乘回归后模型的残差序列进行单位根检验。通过查找协整检验临界值表并计算临界值，得临界值C(a)＝-3.5466。对残差序列得单位根检验结果进行验证时，若检验值大于临界值，则认为不存在协整关系；若检验值小于临界值，则认为存在协整关系。残差序列单位根检验的结果如表3所示。由表3所得结果可知，除模型(6)的检验值小于临界值，其他模型的检验值均大于临界值，说明模型(6)中所对应的序列X6与序列Y之间存在均衡关系，而序列X1…，X5与序列Y之间不存在均衡关系。
表2最小二乘回归结果
模型 检验值
模型(1) X<sub>1</sub>＝70.8355-0.05195Y
模型(2) X<sub>2</sub>＝47.22367-0.034633Y
模型(3) X<sub>3</sub>＝82.59533-0.11669Y
模型(4) X<sub>4</sub>＝148.5386-0.097057Y
模型(5) X<sub>5</sub>＝67.34817-0.088753Y
模型(6) X<sub>6</sub>＝-24.52067-1.334885Y
表3残差序列单位根检验结果
最后对与该台区损失电量时间序列存在协整关系的用户用电量序列进行格兰杰因果检验，检验结果如表4所示。
表4格兰杰因果检验结果
假设 F(检验值) Prob.
Y不是X<sub>6</sub>的格兰杰原因 2.82755 0.0648
X<sub>6</sub>不是Y的格兰杰原因 10.4740 9e<sup>-9</sup>
由表4中的检验结果可知，在5％的临界水平下，Fα(q，n-p-q-1)＝F(0.05，2，91-2-2-1)＝3.102552，而2.82755＜Fα＜10.4740，拒绝假设“Y不是X6的格兰杰原因”，检验过程中系数估计值βq(q＝1，2)＝0，接受假设“X6不是Y的格兰杰原因”，检验过程中系数估计值βq(q＝1，2)显著不为0，说明X6是Y的原因而Y不是X6的原因，存在用户6用电量序列到台区线损序列的格兰杰因果关系，X6的异常波动对Y会造成一定程度上的影响。

Claims (3)

1.一种高损台区基于格兰杰因果检验的窃电用户识别定位方法，其特征在于，该方法步骤如下：
步骤1：确定窃电高危台区，建立该窃电高危台区的单位时间损失电量时间序列Y＝{Y1，Y2，…，Yn}，及下属各用户的单位时间用电量时间序列Xi＝{Xi1，Xi2，…Xin}；其中，n为时间序列中的元素个数，i＝1，2，…，N；
步骤2：通过协整检验确定窃电高危台区的单位时间损失电量时间序列Y与下属各用户的单位时间用电量时间序列Xi之间是否存在均衡关系，若单位时间损失电量时间序列与下属各用户的单位时间用电量时间序列之间存在均衡关系，则进入步骤3；
步骤3：对与窃电高危台区的单位时间损失电量时间序列Y存在协整关系的下属各用户的单位时间用电量时间序列Xi进行格兰杰因果检验，若检验结果显示拒绝假设“Xi不是Y的格兰杰原因”而接受假设“Y不是Xi的格兰杰原因”，则Xi对应的用户为高危窃电用户，反之，Xi对应的用户为正常用电用户。
2.如权利要求1所述的一种高损台区基于格兰杰因果检验的窃电用户识别定位方法，其特征在于，所述步骤1中的窃电高危台区的确定是根据各台区的线损率或线损波动率来确定。
3.如权利要求1所述的一种高损台区基于格兰杰因果检验的窃电用户识别定位方法，其特征在于，所述步骤2中的协整检验是指Engle-Granger协整检验法。
CN201910611236.1A 2019-07-08 2019-07-08 高损台区基于格兰杰因果检验的窃电用户识别定位方法 Active CN110231503B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910611236.1A CN110231503B (zh) 2019-07-08 2019-07-08 高损台区基于格兰杰因果检验的窃电用户识别定位方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910611236.1A CN110231503B (zh) 2019-07-08 2019-07-08 高损台区基于格兰杰因果检验的窃电用户识别定位方法

Publications (2)

Publication Number Publication Date
CN110231503A true CN110231503A (zh) 2019-09-13
CN110231503B CN110231503B (zh) 2020-08-04

Family

ID=67856832

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910611236.1A Active CN110231503B (zh) 2019-07-08 2019-07-08 高损台区基于格兰杰因果检验的窃电用户识别定位方法

Country Status (1)

Country Link
CN (1) CN110231503B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112257013A (zh) * 2020-10-19 2021-01-22 长沙理工大学 高损台区基于动态时间弯曲算法的窃电用户识别定位方法
CN112785456A (zh) * 2021-01-28 2021-05-11 长沙理工大学 基于向量自回归模型的高损线路窃电检测方法
CN113506190A (zh) * 2021-07-29 2021-10-15 广东电网有限责任公司 一种异常用电行为辨识方法、装置、设备及存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105373865A (zh) * 2015-12-11 2016-03-02 国网四川省电力公司经济技术研究院 一种基于产业结构的用电需求预测方法
CN107844906A (zh) * 2017-11-10 2018-03-27 东南大学 一种计及外部经济因素的用电市场景气指数的构建方法
US20180103302A1 (en) * 2016-10-10 2018-04-12 Utilidata, Inc. Systems and methods for system measurements integrity determination
CN108717585A (zh) * 2018-05-14 2018-10-30 国网福建省电力有限公司 一种远期电力需求预测方法
CN109948678A (zh) * 2019-03-08 2019-06-28 国网浙江省电力有限公司 一种基于模糊贝叶斯理论的长期用电量预测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105373865A (zh) * 2015-12-11 2016-03-02 国网四川省电力公司经济技术研究院 一种基于产业结构的用电需求预测方法
US20180103302A1 (en) * 2016-10-10 2018-04-12 Utilidata, Inc. Systems and methods for system measurements integrity determination
CN107844906A (zh) * 2017-11-10 2018-03-27 东南大学 一种计及外部经济因素的用电市场景气指数的构建方法
CN108717585A (zh) * 2018-05-14 2018-10-30 国网福建省电力有限公司 一种远期电力需求预测方法
CN109948678A (zh) * 2019-03-08 2019-06-28 国网浙江省电力有限公司 一种基于模糊贝叶斯理论的长期用电量预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
吕佳倍等: "基于GDP-电能消费耦合关系的中长期电量预测", 《电网与清洁能源》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112257013A (zh) * 2020-10-19 2021-01-22 长沙理工大学 高损台区基于动态时间弯曲算法的窃电用户识别定位方法
CN112785456A (zh) * 2021-01-28 2021-05-11 长沙理工大学 基于向量自回归模型的高损线路窃电检测方法
CN113506190A (zh) * 2021-07-29 2021-10-15 广东电网有限责任公司 一种异常用电行为辨识方法、装置、设备及存储介质

Also Published As

Publication number Publication date
CN110231503B (zh) 2020-08-04

Similar Documents

Publication Publication Date Title
CN110120668B (zh) 一种台区拓扑自动识别方法及系统
CN110322371A (zh) 基于多元线性回归分析的高损台区用电异常用户检测定位方法
Hare et al. Fault diagnostics in smart micro-grids: A survey
Salinas et al. Privacy-preserving energy theft detection in microgrids: A state estimation approach
CN110231503A (zh) 高损台区基于格兰杰因果检验的窃电用户识别定位方法
US7402993B2 (en) Electrical profile monitoring system for detection of atypical consumption
KR100998577B1 (ko) 전력변환장치의 노화상태 진단장치 및 이의 진단방법
US10852362B2 (en) Transformer monitoring and data analysis systems and methods
CN105548949B (zh) 一种智能电能表的故障远程判断方法及其系统
CN110412347B (zh) 一种基于非侵入式负荷监测的窃电行为识别方法与装置
US20130076534A1 (en) Process, Device and System For Mapping Transformers to Meters and Locating Non-Technical Line Losses
CN111651721B (zh) 一种基于时空关联矩阵的反窃电预警方法
Arya et al. Voltage-based clustering to identify connectivity relationships in distribution networks
CN109374995A (zh) 低压配电系统、线路老化和反窃电监测方法及对应系统
CN111242391A (zh) 用于电力负荷识别的机器学习模型训练方法及系统
Zhang et al. An improved non-intrusive load monitoring method for recognition of electric vehicle battery charging load
Salinas et al. State estimation for energy theft detection in microgrids
CN105974220A (zh) 一种居民小区用电负荷识别系统
CN116203351A (zh) 线路阻抗异常的检测方法及系统
CN111650424B (zh) 一种基于最小二乘法的零火线电流异常监测方法及系统
Santoso et al. Power quality data analytics: Tracking, interpreting, and predicting performance
CN103049661A (zh) Gis剩余使用寿命评估方法和系统
CN114675212B (zh) 一种配电变压器中性点连接异常研判方法
CN109444498A (zh) 一种防窃电方法、装置及系统
Gasch et al. Assessment of Power quality performance in distribution networks part I-Measurement campaign and initial analysis

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