CN110231528B - 基于负荷特征模型库的变压器户变异常识别方法及装置 - Google Patents

基于负荷特征模型库的变压器户变异常识别方法及装置 Download PDF

Info

Publication number
CN110231528B
CN110231528B CN201910522289.6A CN201910522289A CN110231528B CN 110231528 B CN110231528 B CN 110231528B CN 201910522289 A CN201910522289 A CN 201910522289A CN 110231528 B CN110231528 B CN 110231528B
Authority
CN
China
Prior art keywords
area
distribution transformer
users
line loss
transformer area
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
Application number
CN201910522289.6A
Other languages
English (en)
Other versions
CN110231528A (zh
Inventor
李刚
尹心
侯兴哲
周全
胡晓锐
黄磊
乔俊峰
杨佩
胡斌
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.)
Electric Power Research Institute of State Grid Chongqing Electric Power Co Ltd
State Grid Corp of China SGCC
Global Energy Interconnection Research Institute
Original Assignee
Electric Power Research Institute of State Grid Chongqing Electric Power Co Ltd
State Grid Corp of China SGCC
Global Energy Interconnection Research Institute
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 Electric Power Research Institute of State Grid Chongqing Electric Power Co Ltd, State Grid Corp of China SGCC, Global Energy Interconnection Research Institute filed Critical Electric Power Research Institute of State Grid Chongqing Electric Power Co Ltd
Priority to CN201910522289.6A priority Critical patent/CN110231528B/zh
Publication of CN110231528A publication Critical patent/CN110231528A/zh
Application granted granted Critical
Publication of CN110231528B publication Critical patent/CN110231528B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

一种基于负荷特征模型库的变压器户变异常识别方法及装置，包括：获取识别目标及其相邻配变电台区的配变电能表及所有用户的电能表在多个时刻的历史负荷数据和n个用户的电能表在多个时刻的电压数据；计算配变电台区在多个时刻的管理线损；计算相邻各配变电台区对应的管理线损曲线两两之间的相关性系数；对n个用户的电能表在多个时刻的电压数据对应的电压曲线进行聚类；找出电压曲线特征与配变电台区内大多数用户电压曲线特征明显不符的用户，判定为户变关系异常的用户，该发明能够提高户变关系异常识别的效率和准确性。

Description

基于负荷特征模型库的变压器户变异常识别方法及装置
技术领域
本发明涉及电力信息技术领域，特别是一种基于负荷特征模型库的变压器户变异常识别方法及装置。
背景技术
我国供电企业的管理范围是以一个变压器的管理范围为基本单元，本发明研究涉及的对象是公用变压器，一个公用变压器对应着固定的多个用户。通常情况下，供电企业都会采用CAD图纸将这种关系绘制下来，记录在信息系统中，但是由于变压器的新增或者重新规划，以及用户的迁移和销户等一系列活动，会导致变压器和用户之间的对应关系出现问题。确保变压器和用户之间的对应准确是实现对供电台区管理效益的准确评价的前提。
传统的户变关系异常识别，一般都是通过人工上门逐户根据电能表的布线情况进行排查，或者借助在台区故障停电或者计划停电期间，排查没有停电的电能表来查找户变异常情况，这些方法具有较强的随机性，准确性不高，且工作量巨大。
发明内容
本发明的其中一个目的就是提供一种基于负荷特征模型库的变压器户变异常识别方法及装置，它可以通过数据分析来识别台区户变关系异常的表计，节省人力物力，提高台区户变关系档案的准确度。
本发明的该目的是通过这样的技术方案实现的，具体步骤如下：
1)获取目标及相邻配变电台区在多个时刻的历史负荷数据、目标及相邻配变电台区内所有用户在多个时刻的历史负荷数据、目标及相邻配变电台区内所有用户在相同多个时刻的电压数据；
2)根据目标及相邻配变电台区在多个时刻的历史负荷数据和目标及相邻配变电台区内所有用户在多个时刻的历史负荷数据，计算每个配变电台区在多个时刻内的管理线损；
3)根据配变电台区在多个时刻的管理线损和目标及相邻配变电台区内所有用户在相同多个时刻的电压数据，计算任意相邻配变电台区a和相邻配变电台区b的管理线损的相关性系数；
4)取相关性系数值最大时对应的配变电台区a和配变电台区b，再根据配变电台区a和相邻配变电台区b中所有用户在相同多个时刻的电压数据，描绘成曲线；
5)使用K-MEANS聚类方法分别对配变电台区a和配变电台区b中的所有用户的电压曲线进行聚类；
6)根据步骤5)中所述配变电台区a和配变电台区b中电压曲线聚类结果，确定配变电台区内的户变关系异常嫌疑用户。
进一步，步骤2)中所述计算每个配变电台区在多个时刻内的管理线损的具体公式为：
Figure BDA0002097100780000021
其中，[dq1，dq2，dq3，...，dqm]表示所述配变电1台区总电能表时刻1至时刻m的历史负荷数据，[q11，q21，…，qn1]表示时刻1所述配变电1台区内的n个用户的电能表的历史负荷数据，[q12，q22，…，qn2]表示时刻2所述n个用户的电能表的历史负荷数据，[q13，q23，…，qn3]表示时刻3所述n个用户的电能表的历史负荷数据，[q1m，q2m，…，qnm]表示时刻m所述n个用户的电能表的历史负荷数据。
进一步，步骤3)中所述计算任意相邻配变电台区a和相邻配变电台区b的管理线损的相关性系数具体公式为：
Figure BDA0002097100780000031
其中，[p1，2，…，ρ1，k，ρ2，3，…，ρ2，k，…，ρk-1，k]分别表示所述k个配变电台区1、2、…，k对应的管理线损曲线两两之间的相关性系数，[L1，i，L2，i，…，Lk，i]表示时刻i所述k个配变电台区的历史管理线损值，
Figure BDA0002097100780000032
表示配变电台区1在m个时刻的管理线损的平均值，
Figure BDA0002097100780000033
表示配变电台区2在m个时刻的管理线损的平均值，
Figure BDA0002097100780000034
表示配变电台区k在m个时刻的管理线损的平均值。
进一步，步骤5)中所述使用K-MEANS聚类方法分别对配变电台区a和配变电台区b中的所有用户的电压曲线进行聚类的具体方法为：
将配变电台区a和配变电台区b中的所有用户的电压曲线聚成两类kmeans，将波动性明显异于其他大部分曲线的波动性的曲线取成一类，其他曲线聚成一类。
进一步，步骤6)中确定配变电台区内的户变关系异常嫌疑用户的具体方法为：
若配变电台区a的聚类结果中存在对应的曲线数量i，i小于预设值，则该类曲线对应的用户集合P＝[User1，User2，...，Useri]中的用户确定为户变关系异常嫌疑用户，若台区b的聚类结果中存在对应的曲线数量j，j小于预设值，则该类曲线对应的用户集合B＝[User1，User2，...，Userj]中的用户确定为户变关系异常嫌疑用户，A和B两个集合的并集：User＝A∪B中的用户为所有户变关系异常嫌疑用户。
进一步，预设值为5。
本发明的另一个目的就是为了提供一种基于负荷特征模型库的变压器户变异常识别装置。
本发明的该目的是通过这样的技术方案实现的，包括数据采集模块、管理线损计算模块、管理线损相关性系数计算模块、电压曲线生成模块、电压曲线聚类模块和户变异常认定模块；
采集模块，用于获取目标及相邻配变电台区在多个时刻的历史负荷数据、目标及相邻配变电台区内所有用户在多个时刻的历史负荷数据、目标及相邻配变电台区内所有用户在相同多个时刻的电压数据；
管理线损计算模块，根据采集模块采集到的目标及相邻配变电台区在多个时刻的历史负荷数据和目标及相邻配变电台区内所有用户在多个时刻的历史负荷数据，计算每个配变电台区在多个时刻内的管理线损；
管理线损相关性系数计算模块，根据管理线损计算模块计算出的配变电台区在多个时刻的管理线损和采集模块采集到的目标及相邻配变电台区内所有用户在相同多个时刻的电压数据，计算任意相邻配变电台区a和相邻配变电台区b的管理线损的相关性系数；
电压曲线生成模块，根据管理线损相关性系数计算模块计算的结果，取相关性系数值最大时对应的配变电台区a和配变电台区b，再根据采集模块采集到的配变电台区a和相邻配变电台区b中所有用户在相同多个时刻的电压数据，描绘成曲线；
电压曲线聚类模块，对电压曲线生成模块生成的曲线使用K-MEANS聚类方法分别对配变电台区a和配变电台区b中的所有用户的电压曲线进行聚类；
户变异常认定模块，根据电压曲线聚类模块的聚类结果，确定配变电台区内的户变关系异常嫌疑用户。
由于采用了上述技术方案，本发明具有如下的优点：
本发明相比传统的人工排查的方式，在不借助于增加设备和人员工作量的情况下，通过数据分析来识别台区户变关系异常的表计，节省人力物力，提高台区户变关系档案的准确度。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书和权利要求书来实现和获得。
附图说明
本发明的附图说明如下。
图1为本发明的户变异常识别流程示意图；
图2为本发明实施例中配电台区线损曲线相关性示意图；
图3为本发明实施例中嫌疑台区中的各个用户用电电压曲线聚类结果图；
图4为本发明实施例中户变关系异常识别方法的整体流程示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步说明。
一种基于负荷特征模型库的配电公用变压器户变异常识别方法，如图1所示，包括有以下步骤：
步骤1：获取某相邻的多个配电变压器对应的总电能表及配电变压器下的所有用户的电能表在多个时刻的历史负荷数据和所有用户的电能表在所述相同的多个时刻的电压数据；
根据配电变压器总电能表及配电变压器对应配变电台区的所有用户的电能表在多个时刻的历史负荷数据，得到每个配电变压器对应配变电台区相应时刻的管理线损；
同理，同样方法可计算该配电变压器对应配变电台区的各个相邻配变电台区在相应时刻的管理线损。为方便描述，本文假定共有k个配变电台区是相互临近的，分别为配变电台区1、2、…、k。
步骤2：计算所述每个配变电台区在所述多个时刻的管理线损，以配变电台区1为例：
Figure BDA0002097100780000051
其中，[dq1，dq2，dq3，...，dqm]表示所述配变电1台区总电能表时刻1至时刻m的历史负荷数据，[q11，q21，…，qn1]表示时刻1所述配变电1台区内的n个用户的电能表的历史负荷数据，[q12，q22，…，qn2]表示时刻2所述n个用户的电能表的历史负荷数据，[q13，q23，…，qn3]表示时刻3所述n个用户的电能表的历史负荷数据，…，[q1m，q2m，…，qnm]表示时刻m所述n个用户的电能表的历史负荷数据。
根据所述配变电能表及所述配变电能表对应的n个用户的电能表在多个时刻的历史负荷数据，得到配电台区在所述多个时刻的管理线损：[L1，1，L1，2，L1，3，...，L1，m]为该配变电1台区在时刻1至时刻m的管理线损，同理，[L2，1，L2，2，L2，3，...，L2，m]，…，[Lk，1，Lk，2，Lk，3，...，Lk，m]为配电台k区，在时刻1至时刻m的管理线损，；
步骤3：所述相邻配变电台区的管理线损曲线的相关性系数，如图2所示：
Figure BDA0002097100780000061
其中，[p1，2，…，ρ1，k，ρ2，3，…，ρ2，k，…，ρk-1，k]分别表示所述k个配变电台区1、2、…，k对应的管理线损曲线两两之间的相关性系数，[L1，i，L2，i，…，Lk，i]表示时刻i所述k个配变电台区的历史管理线损值，
Figure BDA0002097100780000062
表示配变电1台区在m个时刻的管理线损的平均值，
Figure BDA0002097100780000063
表示配变电2台区在m个时刻的管理线损的平均值，Lk表示配变电3台区在m个时刻的管理线损的平均值，取相关性系数值最大时对应的两个配变电台区，假定为配变电台区a和配变电台区b，如图2所示，图片中上方的曲线和下方的曲线的波动性特征存在明显不同，两条曲线的相关性系数值较大，对应的两个台区为存在户变关系异常情况的台区。
步骤4：根据步骤3确定的配变电台区a和配变电台区b中所有用户的对应相同时间段内的电压数据，假定每个配变电台区中有n个用户，用户1在时刻1-m的电压数据为：[U11，U12，U13，...，U1m]，用户2在时刻1-m的电压数据为：[U21，U22，U23，...，U2m]，...，用户n在时刻1-m的电压数据为：[Un1，Un2，Un3，...，Unm]，描绘成曲线。
步骤5：使用K-MEANS聚类方法分别对配变电台区a和配变电台区b中的所有用户的电压曲线进行聚类，聚成2类：kmeans(dara_vol，2)，查看聚类结果，如图3所示，其中一条曲线的波动性明显异于其他大部分曲线的波动性，那么在聚类结果中，这类少数的曲线会被聚成一类，其他曲线被聚成一类。
步骤6：如果配变电台区a的聚类结果中存在某一类对应的曲线数量i，i小于5，那么该类曲线对应的用户集合P1＝[User1，User2，...，Useri]中的用户可以确定为户变关系异常嫌疑用户，如果配变电台区b的聚类结果中存在某一类对应的曲线数量j，j小于5，那么该类曲线对应的用户集合P2＝[User1，User2，...，Userj]也可以确定为户变关系异常嫌疑用户，P1和P2两个集合的并集：P3＝P1∪P2中的用户即为所有户变关系异常嫌疑用户。
具体的实施例如图4所示，具体步骤为：
步骤1、获取相邻多个配变电台区总电能表在一定时期内的历史负荷数据及所有用户相应时间内的电压数据；
步骤2、根据配变电台区历史负荷数据和用户历史负荷数据，计算台区管理线损；
步骤3、计算管理线损曲线的两两时间的相关性系数，找出相关系数值最大对应的两个台区；
步骤4、获取该两个台区中所有用户的相应时间内的电压数据，分别对这两个台区的用户的电压数据进行聚类，聚成2类；
步骤5、根据聚类结果，取每个台哎聚类结果中类数小于5的那一类；
步骤6、分别取该类曲线对应的用户集合P1和P2，求并集P3＝P1∪P2；
步骤7、若集合P3为空则转入步骤步骤8，若集合P3不为空则转入步骤9；
步骤8、P本台区无户变关系异常情况；
步骤9、集合P3中的用户为本台区的户变关系异常嫌疑用户。
一种基于负荷特征模型库的变压器户变异常识别装置包括数据采集模块、管理线损计算模块、管理线损相关性系数计算模块、电压曲线生成模块、电压曲线聚类模块和户变异常认定模块；采集模块，用于获取目标及相邻配变电台区在多个时刻的历史负荷数据、目标及相邻配变电台区内所有用户在多个时刻的历史负荷数据、目标及相邻配变电台区内所有用户在相同多个时刻的电压数据；管理线损计算模块，根据采集模块采集到的目标及相邻配变电台区在多个时刻的历史负荷数据和目标及相邻配变电台区内所有用户在多个时刻的历史负荷数据，计算每个配变电台区在多个时刻内的管理线损；管理线损相关性系数计算模块，根据管理线损计算模块计算出的配变电台区在多个时刻的管理线损和采集模块采集到的目标及相邻配变电台区内所有用户在相同多个时刻的电压数据，计算任意相邻配变电台区a和相邻配变电台区b的管理线损的相关性系数；电压曲线生成模块，根据管理线损相关性系数计算模块计算的结果，取相关性系数值最大时对应的配变电台区a和配变电台区b，再根据采集模块采集到的配变电台区a和相邻配变电台区b中所有用户在相同多个时刻的电压数据，描绘成曲线；电压曲线聚类模块，对电压曲线生成模块生成的曲线使用K-MEANS聚类方法分别对配变电台区a和配变电台区b中的所有用户的电压曲线进行聚类；户变异常认定模块，根据电压曲线聚类模块的聚类结果，确定配变电台区内的户变关系异常嫌疑用户。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。

Claims (7)

1.一种基于负荷特征模型库的变压器户变异常识别方法，其特征在于，具体步骤如下：
1)获取目标及相邻配变电台区在多个时刻的历史负荷数据、目标及相邻配变电台区内所有用户在多个时刻的历史负荷数据、目标及相邻配变电台区内所有用户在相同多个时刻的电压数据；
2)根据目标及相邻配变电台区在多个时刻的历史负荷数据和目标及相邻配变电台区内所有用户在多个时刻的历史负荷数据，计算每个配变电台区在多个时刻内的管理线损；
3)根据配变电台区在多个时刻的管理线损和目标及相邻配变电台区内所有用户在相同多个时刻的电压数据，计算任意相邻配变电台区a和相邻配变电台区b的管理线损的相关性系数；
4)取相关性系数值最大时对应的配变电台区a和配变电台区b，再根据配变电台区a和相邻配变电台区b中所有用户在相同多个时刻的电压数据，描绘成曲线；
5)使用K-MEANS聚类方法分别对配变电台区a和配变电台区b中的所有用户的电压曲线进行聚类；
6)根据步骤5)中所述配变电台区a和配变电台区b中电压曲线聚类结果，确定配变电台区内的户变关系异常嫌疑用户。
2.如权利要求1所述的基于负荷特征模型库的变压器户变异常识别方法，其特征在于，步骤2)中所述计算每个配变电台区在多个时刻内的管理线损的具体公式为：
Figure FDA0002982173360000011
其中，[dq1，dq2，dq3，...，dqm]表示所述配变电1台区总电能表时刻1至时刻m的历史负荷数据，[q11，q21，…，qn1]表示时刻1所述配变电1台区内的n个用户的电能表的历史负荷数据，[q12，q22，…，qn2]表示时刻2所述n个用户的电能表的历史负荷数据，[q13，q23，…，qn3]表示时刻3所述n个用户的电能表的历史负荷数据，[q1m，q2m，…，qnm]表示时刻m所述n个用户的电能表的历史负荷数据。
3.如权利要求1所述的基于负荷特征模型库的变压器户变异常识别方法，其特征在于，步骤3)中所述计算任意相邻配变电台区a和相邻配变电台区b的管理线损的相关性系数具体公式为：
Figure FDA0002982173360000021
其中，[ρ1，2，…，ρ1，k，ρ2，3，…，ρ2，k，…，ρk-1，k]分别表示所述k个配变电台区1、2、…，k对应的管理线损曲线两两之间的相关性系数，[L1，i，L2，i，…，Lk，i]表示时刻i所述k个配变电台区的历史管理线损值，
Figure FDA0002982173360000022
表示配变电台区1在m个时刻的管理线损的平均值，
Figure FDA0002982173360000023
表示配变电台区2在m个时刻的管理线损的平均值，
Figure FDA0002982173360000024
表示配变电台区k在m个时刻的管理线损的平均值。
4.如权利要求1所述的基于负荷特征模型库的变压器户变异常识别方法，其特征在于，步骤5)中所述使用K-MEANS聚类方法分别对配变电台区a和配变电台区b中的所有用户的电压曲线进行聚类的具体方法为：
将配变电台区a和配变电台区b中的所有用户的电压曲线聚成两类kmeans，将波动性明显异于其他大部分曲线的波动性的曲线取成一类，其他曲线聚成一类。
5.如权利要求1所述的基于负荷特征模型库的变压器户变异常识别方法，其特征在于，步骤6)中确定配变电台区内的户变关系异常嫌疑用户的具体方法为：
若配变电台区a的聚类结果中存在对应的曲线数量i，i小于预设值，则该类曲线对应的用户集合P＝[User1，User2，...，Useri]中的用户确定为户变关系异常嫌疑用户，若台区b的聚类结果中存在对应的曲线数量j，j小于预设值，则该类曲线对应的用户集合B＝[User1，User2，...，Userj]中的用户确定为户变关系异常嫌疑用户，A和B两个集合的并集：User＝A∪B中的用户为所有户变关系异常嫌疑用户。
6.如权利要求5所述的基于负荷特征模型库的变压器户变异常识别方法，其特征在于，所述预设值为5。
7.利用权利要求1至6任意一项所述方法的变压器户变异常识别装置，其特征在于，所述装置包括数据采集模块、管理线损计算模块、管理线损相关性系数计算模块、电压曲线生成模块、电压曲线聚类模块和户变异常认定模块；
采集模块，用于获取目标及相邻配变电台区在多个时刻的历史负荷数据、目标及相邻配变电台区内所有用户在多个时刻的历史负荷数据、目标及相邻配变电台区内所有用户在相同多个时刻的电压数据；
管理线损计算模块，根据采集模块采集到的目标及相邻配变电台区在多个时刻的历史负荷数据和目标及相邻配变电台区内所有用户在多个时刻的历史负荷数据，计算每个配变电台区在多个时刻内的管理线损；
管理线损相关性系数计算模块，根据管理线损计算模块计算出的配变电台区在多个时刻的管理线损和采集模块采集到的目标及相邻配变电台区内所有用户在相同多个时刻的电压数据，计算任意相邻配变电台区a和相邻配变电台区b的管理线损的相关性系数；
电压曲线生成模块，根据管理线损相关性系数计算模块计算的结果，取相关性系数值最大时对应的配变电台区a和配变电台区b，再根据采集模块采集到的配变电台区a和相邻配变电台区b中所有用户在相同多个时刻的电压数据，描绘成曲线；
电压曲线聚类模块，对电压曲线生成模块生成的曲线使用K-MEANS聚类方法分别对配变电台区a和配变电台区b中的所有用户的电压曲线进行聚类；
户变异常认定模块，根据电压曲线聚类模块的聚类结果，确定配变电台区内的户变关系异常嫌疑用户。
CN201910522289.6A 2019-06-17 2019-06-17 基于负荷特征模型库的变压器户变异常识别方法及装置 Active CN110231528B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910522289.6A CN110231528B (zh) 2019-06-17 2019-06-17 基于负荷特征模型库的变压器户变异常识别方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910522289.6A CN110231528B (zh) 2019-06-17 2019-06-17 基于负荷特征模型库的变压器户变异常识别方法及装置

Publications (2)

Publication Number Publication Date
CN110231528A CN110231528A (zh) 2019-09-13
CN110231528B true CN110231528B (zh) 2021-05-28

Family

ID=67860070

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910522289.6A Active CN110231528B (zh) 2019-06-17 2019-06-17 基于负荷特征模型库的变压器户变异常识别方法及装置

Country Status (1)

Country Link
CN (1) CN110231528B (zh)

Families Citing this family (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111693795B (zh) * 2020-03-30 2023-07-18 贵州电网有限责任公司 一种基于智能电表的台区线损率评估以及异常判断方法
CN111505433B (zh) * 2020-04-10 2022-06-28 国网浙江余姚市供电有限公司 一种低压台区户变关系纠错及相位识别方法
CN111507611A (zh) * 2020-04-15 2020-08-07 北京中电普华信息技术有限公司 一种确定窃电嫌疑用户的方法及系统
CN112186740B (zh) * 2020-09-09 2022-04-08 北京市腾河电子技术有限公司 对小负荷用户进行台区识别的方法及系统、存储介质
CN112087056B (zh) * 2020-09-14 2022-01-21 广东电网有限责任公司计量中心 一种台区户变关系的识别方法和装置
CN112198375B (zh) * 2020-09-29 2022-10-11 南方电网数字电网研究院有限公司 单相用户的相位识别方法、装置、设备和存储介质
CN112215482B (zh) * 2020-09-29 2023-06-02 广东电网有限责任公司广州供电局 一种户变关系识别方法和装置
CN112611997B (zh) * 2020-12-01 2022-05-06 国网河南省电力公司电力科学研究院 一种台区关口表挂接关系在线校验方法和系统
CN113033897B (zh) * 2021-03-26 2024-08-02 国网上海市电力公司 基于用户分支的电量相关性识别台区户变关系的方法
CN113253014B (zh) * 2021-04-07 2022-08-23 国网河北省电力有限公司衡水供电分公司 台区变户拓扑关系异常检测方法、装置及设备
CN113269397A (zh) * 2021-04-25 2021-08-17 云南电网有限责任公司信息中心 一种基于图谱技术的设备关联特征户变关系核查方法
CN113762373B (zh) * 2021-08-30 2024-07-16 广东电网有限责任公司 一种负荷特性的异常识别方法、装置、电子设备及介质
CN115423250B (zh) * 2022-07-28 2023-07-28 国网浙江省电力有限公司营销服务中心 一种台区户变关系分析方法
CN115542062B (zh) * 2022-11-07 2024-01-09 北京志翔科技股份有限公司 户变关系异常的识别方法、装置、设备和存储介质
CN116482471B (zh) * 2023-06-21 2023-09-08 四川中电启明星信息技术有限公司 一种基于电压时空聚合曲线的户变关系识别方法

Family Cites Families (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103500999B (zh) * 2013-09-24 2015-06-24 国家电网公司 基于实时损耗的低压台区供电半径优化方法
CN203630240U (zh) * 2013-12-01 2014-06-04 国家电网公司 一种相邻台区的线损检测系统
CN104678196A (zh) * 2013-12-01 2015-06-03 国家电网公司 一种相邻台区的线损检测方法及其系统
CN106250927B (zh) * 2016-07-29 2017-10-03 国网河南省电力公司电力科学研究院 基于k最近邻分类算法的配电网拓扑结构校验方法
CN107340492B (zh) * 2017-05-31 2020-01-21 国网上海市电力公司 基于大数据挖掘和场景预判的电能计量装置故障分析方法
CN107169145B (zh) * 2017-06-19 2019-11-26 武汉大学 一种基于聚类算法的用户窃电严重等级检测的方法
CN108445324A (zh) * 2018-03-26 2018-08-24 杭州讯能科技有限公司 一种识别方法、系统、装置及可读存储介质
CN108734603A (zh) * 2018-05-24 2018-11-02 河南工业大学 基于聚类的大数据相位识别方法
CN108805457B (zh) * 2018-06-19 2021-05-14 宁波迦南智能电气股份有限公司 一种电能表台区识别方法
CN109461096A (zh) * 2018-11-05 2019-03-12 杭州致成电子科技有限公司 一种基于电量关联性的户变关系异常判别方法
CN109447490B (zh) * 2018-11-05 2022-05-27 杭州致成电子科技有限公司 一种基于用户地址的户变关系异常判别方法
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
CN109740641A (zh) * 2018-12-18 2019-05-10 清华四川能源互联网研究院 一种基于主成分分析和k-means聚类的台区用户识别方法
CN109858522A (zh) * 2018-12-29 2019-06-07 国网天津市电力公司电力科学研究院 一种基于数据挖掘的管理线损异常识别方法

Also Published As

Publication number Publication date
CN110231528A (zh) 2019-09-13

Similar Documents

Publication Publication Date Title
CN110231528B (zh) 基于负荷特征模型库的变压器户变异常识别方法及装置
WO2018176863A1 (zh) 配电网可靠性投资经济效益分析方法及装置、存储介质
US9292794B2 (en) Voltage-based clustering to infer connectivity information in smart grids
US9310865B2 (en) Method and system for optimizing a composite load disaggregation
CN109726865A (zh) 基于emd-qrf的用户负荷概率密度预测方法、装置和存储介质
CN112182720B (zh) 一种基于建筑能源管理应用场景的建筑能耗模型评价方法
CN102982489A (zh) 一种基于海量计量数据的电力客户在线分群方法
CN112149873A (zh) 一种基于深度学习的低压台区线损合理区间预测方法
CN111177208A (zh) 基于大数据分析的用电异常检测方法
CN112116205B (zh) 针对台区用电特征的画像方法、装置和存储介质
CN113516192A (zh) 一种用户用电异动识别方法、系统、装置及存储介质
CN110555619A (zh) 一种基于智能配电网的供电能力评估方法
CN115293257A (zh) 一种针对异常用电用户的检测方法及系统
Frank et al. Extracting operating modes from building electrical load data
CN115166625A (zh) 智能电表误差估计方法及装置
CN114202179A (zh) 目标企业的识别方法以及装置
CN116384622A (zh) 基于电力大数据的碳排放监测方法及装置
CN110852621A (zh) 电力客户负荷特性分析及分类方法、装置及可读存储介质
CN107194529B (zh) 基于挖掘技术的配电网可靠性经济效益分析方法及装置
CN110717244B (zh) 基于平均偏离度算法的数据信任度分析计算机仿真方法
CN109871998B (zh) 一种基于专家样本库的配电网线损率预测方法及装置
CN115130924A (zh) 一种源网荷储背景下微电网电力设备资产评估方法及系统
Ya’An Application of artificial intelligence in computer network technology in the era of big data
Labate et al. SHAPE: A new Business Analytics web platform for getting insights on electrical load patterns
Manojlović et al. Load pattern recognition method for probabilistic short-term load forecasting at low voltage level

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