CN110298513A - 一种预测购电下发异常的方法 - Google Patents
一种预测购电下发异常的方法 Download PDFInfo
- Publication number
- CN110298513A CN110298513A CN201910589677.6A CN201910589677A CN110298513A CN 110298513 A CN110298513 A CN 110298513A CN 201910589677 A CN201910589677 A CN 201910589677A CN 110298513 A CN110298513 A CN 110298513A
- Authority
- CN
- China
- Prior art keywords
- power purchase
- data
- issues
- issue
- success rate
- 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.)
- Pending
Links
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 27
- 238000000034 method Methods 0.000 title claims abstract description 18
- 238000012549 training Methods 0.000 claims abstract description 5
- 239000000284 extract Substances 0.000 claims abstract description 3
- 230000005611 electricity Effects 0.000 claims description 7
- 230000000295 complement effect Effects 0.000 claims description 3
- 230000008054 signal transmission Effects 0.000 abstract description 2
- 238000012545 processing Methods 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000009510 drug design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种预测购电下发异常的方法,要解决的是现有购电异常中存在的问题。本发明具体步骤如下:步骤一,预测未来一段时间内即将发生购电的用户,得到即将发生的购电行为;步骤二,采集并提取历史数据;步骤三,对数据进行处理,确定特征变量和目标变量,得到处理后的数据;步骤四,使用处理后的数据对分类模型进行有监督的训练,得到训练好的模型;步骤五,利用训练好的模型对即将发生的购电行为进行判断,预测是否发生下发异常。本发明预测结果准确度较高;可以进行有针对性的提前检查电能表、集中器、信号传输等是否发生故障,并在用户购电前,解决故障,降低购电下发平均时长,提高购电下发成功率,降低投诉,增强用户满意度。
Description
技术领域
本发明涉及购电异常分析领域,具体是一种预测购电下发异常的方法。
背景技术
20世纪出现的大规模电力系统是人类工程科学史上最重要的成就之一,是由发电、输电、变电、配电和用电等环节组成的电力生产与消费系统,它将自然界的一次能源通过机械能装置转化成电力,再经输电、变电和配电将电力供应到各用户。
电力系统需要对电力的各种情况进行分析,用户购电异常分析就是其中的一种。用户购电异常分析是一个非常复杂、耗时较长的工作。由于用户购电发生异常的原因较多,如采集失败,电表故障等,因此当用户购电发生故障时,需要运维人员对异常原因进行剖析,并且进行被动的送电运维,由此会带来许多潜在的服务风险,并会引起客户投诉,由于各种故障原因,经常会导致用户购电长时间无法下发,甚至下发失败,现有技术中当用户购电发生购电异常时,运维闭环系统6小时后自动生成故障工单,现场运维人员进行现场故障排查处理,这就意味着用户购电失败6个小时后,才能下发工单,时间较长,导致用户满意度较低,人们也在进行相关方面的研究。
发明内容
本发明实施例的目的在于提供一种预测购电下发异常的方法,以解决上述背景技术中提出的问题。
为实现上述目的,本发明实施例提供如下技术方案:
一种预测购电下发异常的方法,具体步骤如下:
步骤一,预测未来一段时间内即将发生购电的用户,得到即将发生的购电行为;
步骤二,采集并提取历史数据;
步骤三,对数据进行处理,确定特征变量和目标变量,得到处理后的数据;
步骤四,使用处理后的数据对分类模型进行有监督的训练,得到训练好的模型;
步骤五,利用训练好的模型对即将发生的购电行为进行判断,预测是否发生下发异常。
作为本发明实施例进一步的方案:步骤二中利用电能表、集中器等设备采集数据,设备简单运行稳定,数据量大而密集。
作为本发明实施例进一步的方案:步骤二中数据包括剩余金额数据、冻结示数数据、购电单、采集成功率、终端档案、购电下发成功率和购电下发笔数,数据维度广,便于得到准确的模型。
作为本发明实施例进一步的方案:步骤三中数据处理包括对数据缺失值进行补值以及去异常值,保证数据的准确性,便于得到准确的结果。
作为本发明实施例进一步的方案:步骤三中处理后的数据包括表号、采集点、购电时长、购电下发笔数、采集成功率、剩余金额采集成功率、一小时下发成功率、集中器评分、剩余金额采集质量、投抄采集质量、历史购电下发情况比值和购电是否异常。
作为本发明实施例进一步的方案:步骤三中数据处理还包括对数据进行标准化,使得数据统一,适用于各种算法模型,提高运算速度。
作为本发明实施例进一步的方案:步骤四中分类模型采用XGBoost算法,技术成熟,使用效果好。
与现有技术相比,本发明实施例的有益效果是:
本发明设计合理,通过预测出的即将购电用户数据,预测用户购电是否会发生下发异常,预测结果准确度不低于79%;
本发明可以对预测出较大概率会发生购电异常的用户进行有针对性的提前检查电能表、集中器、信号传输等是否发生故障,并在用户购电前,解决故障,降低购电下发平均时长,提高购电下发成功率,降低投诉,提升用户体验,增强用户满意度,使用前景广阔。
具体实施方式
下面结合具体实施方式对本专利的技术方案作进一步详细地说明。
实施例1
一种预测购电下发异常的方法,具体步骤如下:
步骤一,预测即将购电的用户购电时,是否会发生异常;
步骤二,利用关联电表采集数据,数据来源于营销系统和用电信息采集系统,数据包括剩余金额数据、冻结示数数据、购电单、采集成功率、终端档案、购电下发成功率和购电下发笔数,数据完整,便于得到准确的模型;
步骤三,对数据进行处理,确定特征变量和目标变量,得到处理后的数据,处理后的数据包括表号、采集点、购电时长、购电下发笔数、采集成功率、剩余金额采集成功率、一小时下发成功率、集中器评分、剩余金额采集质量、投抄采集质量、历史购电下发情况比值和购电是否异常,其中历史购电下发情况比值、购电时长、购电下发笔数、剩余金额采集质量、投抄采集质量、采集成功率、一小时下发成功率、剩余金额采集成功率和集中器评分为特征变量,购电是否异常为目标变量,执行时长大于等于6分钟的购电单定为购电异常,历史购电下发情况比值为购电下发异常笔数/总购电下发笔数,集中器评分为一小时下发成功率*0.5+采集成功率*0.25+剩余金额采集成功率*0.25,购电下发笔数大于30笔定义为30笔,购电时长大于24h定义为24h,负数定义为0;
步骤四,使用处理后的数据对采用XGBoost算法的分类模型进行有监督的训练,得到训练好的模型;
步骤五,利用训练好的模型对即将发生的购电行为进行判断,预测是否发生下发异常,本方法通过统计建模,机器学习算法等人工智能算法,对购电下发异常情况进行预测,进而得到即将发生异常的设备信息,根据预测结果提前对相应的设备进行检修等处理,可以达到压缩购电时长、降低投诉风险、提高客户满意度、主动运维、减少工单量、工作人员工作量和减低人工成本的效果。
采用实施例1的方法对某市购电异常情况进行预测,预测出购电用户其中53万条在本周有购电行为,占实际购电用户的81.8%,通过表号、集中器号将预测购电用户结果关联用户电表历史购电下发情况比值、最近三天投抄质量、最近三天剩余金额采集质量、集中器采集成功率、一小时下发成功率、剩余金额采集成功率、购电下发笔数、购电时长、集中器评分,并对数据缺失值进行补值、去异常值等,随机抽取其中的1万条数据,购电异常与非异常比例为3:7,再利用这些数据采用决策树算法的分类模型进行有监督的训练,得到训练好的模型,使用训练好的模型对用户数据进行预测,结果见表1。
表1
从表1中可以看出,实施例1的预测方法的准确率超过45%。
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、改进等,均应包含在本发明的保护范围之内。
此外,应当理解,虽然本说明书按照实施方式加以描述,但并非每个实施方式仅包含一个独立的技术方案,说明书的这种叙述方式仅仅是为清楚起见,本领域技术人员应当将说明书作为一个整体,各实施例中的技术方案也可以经适当组合,形成本领域技术人员可以理解的其他实施方式。
Claims (7)
1.一种预测购电下发异常的方法,其特征在于,具体步骤如下:
步骤一,预测未来一段时间内即将发生购电的用户,得到即将发生的购电行为;
步骤二,采集并提取历史数据;
步骤三,对数据进行处理,确定特征变量和目标变量,得到处理后的数据;
步骤四,使用处理后的数据对分类模型进行有监督的训练,得到训练好的模型;
步骤五,利用训练好的模型对即将发生的购电行为进行判断,预测是否发生下发异常。
2.根据权利要求1所述的预测购电下发异常的方法,其特征在于,所述步骤二中利用电能表和集中器采集数据。
3.根据权利要求1或2所述的预测购电下发异常的方法,其特征在于,所述步骤二中数据包括剩余金额数据、冻结示数数据、购电单、采集成功率、终端档案、购电下发成功率和购电下发笔数。
4.根据权利要求1所述的预测购电下发异常的方法,其特征在于,所述步骤三中数据处理包括对数据缺失值进行补值以及去异常值。
5.根据权利要求1所述的预测购电下发异常的方法,其特征在于,所述步骤三中处理后的数据包括表号、采集点、购电时长、购电下发笔数、采集成功率、剩余金额采集成功率、一小时下发成功率、集中器评分、剩余金额采集质量、投抄采集质量、历史购电下发情况比值和购电是否异常。
6.根据权利要求4所述的预测购电下发异常的方法,其特征在于,所述步骤三中数据处理还包括对数据进行标准化。
7.根据权利要求1所述的预测购电下发异常的方法,其特征在于,所述步骤四中分类模型采用XGBoost算法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910589677.6A CN110298513A (zh) | 2019-07-02 | 2019-07-02 | 一种预测购电下发异常的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910589677.6A CN110298513A (zh) | 2019-07-02 | 2019-07-02 | 一种预测购电下发异常的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110298513A true CN110298513A (zh) | 2019-10-01 |
Family
ID=68029973
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910589677.6A Pending CN110298513A (zh) | 2019-07-02 | 2019-07-02 | 一种预测购电下发异常的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110298513A (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102468983A (zh) * | 2010-10-29 | 2012-05-23 | 北京市电力公司 | 用电信息采集系统的测试方法、装置及系统 |
CN104036357A (zh) * | 2014-06-12 | 2014-09-10 | 国家电网公司 | 用户用电窃电行为模式的分析方法 |
CN106154209A (zh) * | 2016-07-29 | 2016-11-23 | 国电南瑞科技股份有限公司 | 基于决策树算法的电能表故障预测方法 |
CN107492043A (zh) * | 2017-09-04 | 2017-12-19 | 国网冀北电力有限公司电力科学研究院 | 窃电分析方法及装置 |
CN108320040A (zh) * | 2017-01-17 | 2018-07-24 | 国网重庆市电力公司 | 基于贝叶斯网络优化算法的采集终端故障预测方法及系统 |
CN109359962A (zh) * | 2018-09-20 | 2019-02-19 | 国网天津市电力公司电力科学研究院 | 一种基于采集故障消缺模块的远程充值成功率提升方法 |
CN109726885A (zh) * | 2018-07-17 | 2019-05-07 | 平安科技(深圳)有限公司 | 用电量异常评估方法、装置、设备和计算机存储介质 |
CN109858886A (zh) * | 2019-02-18 | 2019-06-07 | 国网吉林省电力有限公司电力科学研究院 | 一种基于集成学习的费控成功率提升分析方法 |
-
2019
- 2019-07-02 CN CN201910589677.6A patent/CN110298513A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102468983A (zh) * | 2010-10-29 | 2012-05-23 | 北京市电力公司 | 用电信息采集系统的测试方法、装置及系统 |
CN104036357A (zh) * | 2014-06-12 | 2014-09-10 | 国家电网公司 | 用户用电窃电行为模式的分析方法 |
CN106154209A (zh) * | 2016-07-29 | 2016-11-23 | 国电南瑞科技股份有限公司 | 基于决策树算法的电能表故障预测方法 |
CN108320040A (zh) * | 2017-01-17 | 2018-07-24 | 国网重庆市电力公司 | 基于贝叶斯网络优化算法的采集终端故障预测方法及系统 |
CN107492043A (zh) * | 2017-09-04 | 2017-12-19 | 国网冀北电力有限公司电力科学研究院 | 窃电分析方法及装置 |
CN109726885A (zh) * | 2018-07-17 | 2019-05-07 | 平安科技(深圳)有限公司 | 用电量异常评估方法、装置、设备和计算机存储介质 |
CN109359962A (zh) * | 2018-09-20 | 2019-02-19 | 国网天津市电力公司电力科学研究院 | 一种基于采集故障消缺模块的远程充值成功率提升方法 |
CN109858886A (zh) * | 2019-02-18 | 2019-06-07 | 国网吉林省电力有限公司电力科学研究院 | 一种基于集成学习的费控成功率提升分析方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108537394B (zh) | 一种智能电网实时安全预警方法和装置 | |
CN106374831B (zh) | 一种带有发电预测的分布式光伏监控系统及监控方法 | |
CN108282026A (zh) | 一种高压开关设备远程运维系统 | |
CN108170073B (zh) | 一种智能光伏云平台 | |
CN202167018U (zh) | 适用于电力系统的供电可靠性数据统计处理装置 | |
CN103544652B (zh) | 电网行业分类负荷自动统计方法及系统 | |
CN107622342B (zh) | 一种基于mvc架构的配网台区数据分析系统 | |
CN109787295B (zh) | 一种计及风电场状态的风电功率超短期预测计算方法 | |
CN104112242A (zh) | 电力系统10kV母线电压合格率分析系统及方法 | |
WO2020140393A1 (zh) | 一种大规模风电场群辅助调度方法及装置 | |
CN112085258A (zh) | 一种基于大数据技术的区域光伏发电量异常实时监测方法 | |
CN113902062A (zh) | 一种基于大数据的台区线损异常原因分析方法及装置 | |
CN107422180A (zh) | 一种基于云监控的光伏电站的功率预测系统 | |
CN117394535A (zh) | 交直流混合配电网数字孪生系统 | |
CN117614137A (zh) | 基于多源数据融合的配电网优化系统 | |
CN117390944A (zh) | 一种变电站运行工况仿真系统 | |
CN106651113A (zh) | 一种基于超前n‑1分析的调度员操作风险评估方法 | |
CN110298513A (zh) | 一种预测购电下发异常的方法 | |
CN104318739B (zh) | 电力安全、质量现场监察主站-无线数据终端管理系统 | |
CN102882279A (zh) | 电网负荷的实时实测与在线分析方法 | |
CN105024379B (zh) | 一种风机检修管理调度系统 | |
CN104601396B (zh) | 电网数据监控方法和装置 | |
CN107871177A (zh) | 一种新能源功率预测集中式架构及其实现方法 | |
CN201717634U (zh) | 用于多层电网的事故集处理系统 | |
Lingang et al. | Research on integrated calculation method of theoretical line loss of MV and LV distribution Network based on Adaboost integrated learning |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191001 |
|
RJ01 | Rejection of invention patent application after publication |