CN110322371A - 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 - Google Patents

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 Download PDF

Info

Publication number
CN110322371A
CN110322371A CN201910611254.XA CN201910611254A CN110322371A CN 110322371 A CN110322371 A CN 110322371A CN 201910611254 A CN201910611254 A CN 201910611254A CN 110322371 A CN110322371 A CN 110322371A
Authority
CN
China
Prior art keywords
user
linear regression
time series
multiple linear
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.)
Pending
Application number
CN201910611254.XA
Other languages
English (en)
Inventor
苏盛
金晟
曹一家
杜章华
付青
殷涛
毛源军
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.)
Changsha University of Science and Technology
Original Assignee
Changsha University of Science and Technology
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 Changsha University of Science and Technology filed Critical Changsha University of Science and Technology
Priority to CN201910611254.XA priority Critical patent/CN110322371A/zh
Publication of CN110322371A publication Critical patent/CN110322371A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/903—Querying
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/906—Clustering; Classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Economics (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Water Supply & Treatment (AREA)
  • Strategic Management (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Public Health (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

一种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，是通过建立台区单位时间损失电量时间序列与下属各用户单位时间用电量时间序列之间的多元线性回归模型，分析判断sig值以确定各个（用户用电量）自变量对台区单位时间损失电量时间序列的影响大小，并将对因变量具有显著影响的自变量作为高损台区下的用电异常用户。如此，通过所建立的多元线性回归模型能够在台区线损异常时检测定位台区下属用电异常用户，及时进行稽查以减小由用户窃电带来的损失。本方法同样适用于配电线路上窃电专变用户的识别。

Description

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
技术领域
本发明涉及电网线损分析领域，具体涉及一种基于台区线损异常以多元线性回归分析检测和定位用电异常用户的方法，以对异常用电用户(窃电用户)进行定位识别。
背景技术
电力系统中长期存在的窃电现象，直接造成供电企业收益损失，对供电企业发展乃至生存构成突出威胁。智能电网中具有通信能力智能电表的普及应用，使得供电企业能够掌握电力用户的分时段用电负荷数据，为利用用电数据挖掘分析识别窃电用户奠定了重要基础。
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。
实际工作中，供电企业营销管理部门往往按照台区和线路考核供电线损。其中，台区是指的单台配电变压器所供电范围，台区线损是配电变压器供电量与台区各电力用户电表计量用电量的电量差值，台区线损率是台区线损电量与配电变压器供电量的百分比。无窃电台区的线损率一般在2％-3％之间。类似的，配电线路供电电量与接入该线路用户用电量的差值为线路线损，而线路线损率则是线路线损与线路供电量的百分比。
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/线路进行用电稽查，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/线路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/线路窃电用户定位识别算法，提高用电稽查工作效率。
常用窃电方法中，分压法、分流法和单相失压、失流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/线路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。
发明内容
本发明的目的是，针对上述现有技术的不足，提供一种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。
为了达到上述目的，本发明所采用的技术方案是：一种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，该方法步骤如下：
步骤1：确定窃电高危台区，并获取该窃电高危台区的单位时间损失电量数据及下属各用户的单位时间用电量数据，建立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；
上述窃电高危台区中，单位时间损失电量时间序列Y＝{Y1，Y2，…，Yn}，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：根据步骤1所获取的时间序列，以Xi为自变量、Y为因变量构建多元线性回归模型；
步骤3：根据构建的多元线性回归模型分析各用户单位时间用电量时间序列Xi对单位时间损失电量时间序列Y影响程度的大小，若自变量的Sig.值≥0.05，则该自变量对应的用户用电正常，若自变量的Sig.值＜0.05，则该自变量对因变量具有显著影响，对应的用户为用电异常用户。
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，获取的各用户用电量数据中直接包含日用电量数据，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，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小时用电量时间序列。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。
上述步骤2中多元线性回归模型的构建为现有技术，如采用SPSS软件进行构建。
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，建立多元线性回归模型来分析确定异常用电用户；但也可以直接用某台区的线损率和用户用电量序列建立多元线性回归模型分析异常用电用户，虽然指标准确性不如本发明，但也不失为一判断方法。
供电企业一般将线损超过一定门槛值的高线损台区视为窃电高危台区，需要在窃电高危台区中检测识别窃电用户。当台区下属用户采用等比例方式窃电时，窃电用户用电量越大则台区线损率或线损波动率越高。在台区线损出现异常情况时，通过构建多元线性回归模型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，建立了多组变量之间的线性因果关系，能够同时并直观地确定台区下属多个用户单位时间用电量对台区单位时间损失电量的影响，从而找到对窃电高危台区单位时间损失电量时间序列产生显著影响的用户。相较于对窃电高危台区下属用户进行上门逐一稽查，该方法减少了窃电稽查的成本，缩小了稽查范围，能够针对该方法所确定的用电异常用户进行针对性的重点稽查。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为本发明的方法流程图。
具体实施方式
结合参见图1，本发明为一种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，该方法步骤具体如下：
步骤1：确定窃电高危台区，并获取该窃电高危台区的单位时间损失电量数据及下属各用户的用电量数据，建立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；
上述窃电高危台区中，单位时间损失电量时间序列Y＝{Y1，Y2，…，Yn}，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，获取的各用户用电量数据中直接包含日用电量数据，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，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小时用电量时间序列。
步骤2：根据步骤1所获取的时间序列，以用户用电量Xi为自变量、台区损失电量Y为因变量构建多元线性回归模型；
上述提及的多元线性回归模型的构建为现有常规技术，如采用SPSS软件进行构建，具体地，通过构建多元线性回归模型分析多个自变量Xi(i＝1，2，…，N)与因变量Y之间存在的关系，多元线性回归模型可以表示为：
Y＝β0+β1X1+β2X2+…+βNXN+ε
式中，β0为常数项，ε为随机误差，表示由于客观因素而没有考虑到的其他因素，β1，β2，…βN为回归系数。
对于M组样本观测值Yj，X1j，X2j，…，XNj，其方程组形式为；
表示成矩阵形式为：其中为因变量的观测值，为自变量的观测值矩阵，为总体回归参数向量，为随机误差向量。
由于参数β0，β1，β2，…βN都是未知的，可以利用样本观测值Yj，X1j，X2j，…，XNj对它们进行估计，设计算得到的参数估计值为用参数估计值替换总体回归函数的位置参数β1，β2，…βN，则得到多元线性回归样本回归方程：
其中，为参数估计值，为Yj的样本估计值。
观测值Yj和估计值的残差ej为：通过最小二乘回归估计可知，应使得全部观测值Yj与的残差平方和最小，即使：取得最小值，根据多元函数的极值原理，SSE分别对求一阶偏导，并令其等于0，有：
通过求解这一组方程就可以得到β0，β1，β2，…βN的估计值
对所构建的多元线性回归模型进行回归方程的拟合程度测定和回归方程及回归系数的显著性检验(为现有常规技术)。
1)测定多元线性回归方程的拟合程度
使用R2作为对多元线性回归方程拟合程度衡量的系数： 式中，SSR为回归平方和，SSE为残差平方和，SST为总离差平方和。0≤R2≤1，R2越接近1，回归平面拟合程度越高，反之，R2越接近0，拟合程度越低。
2)回归方程显著性检验
F检验值和显著性检验Sig值均可以作为回归方程显著性检验指标，当sig值小于0.05时，回归方程才有价值；当F＞Fa(k,k-n-1)时，也可以认为回归方程有意义，其中k为自变量个数，n为样本容量。
3)回归系数显著性检验
根据自变量的T检验sig值判断自变量对因变量是否具有显著影响，sig小于0.05，说明具有与显著性影响，反之，则不具有显著性影响。
步骤3：根据构建的多元线性回归模型分析各用户单位用电量时间序列Xi对日损失电量时间序列Y影响程度的大小，若自变量的Sig.值≥0.05，则该自变量对应的用户用电正常，若自变量的Sig.值＜0.05，则该自变量对因变量具有显著影响，该自变量对应的用户为用电异常用户，可指派相关稽查人员对该用户进行现场稽查。
实施例1
以序列Y(代表异常台区日损失电量时间序列)和序列X1，X2，…，X10(代表该异常台区下属9家用户日用电量时间序列)为例，通过SPSS统计软件对序列Y和序列X1，X2，…，X10进行多元线性回归分析，得到以下结果，如表1至表3所示。
表1多元线性回归模型摘要
模型 R R方 调整R方 标准估算的误差
1 0.983 0.966 0.962 5.1993
注：R方为对多元线性回归方程拟合程度衡量的系数。
表2方差分析结果
注.因变量：Y；预测变量：(常量)x6,x4,x1,x3,x2,x5。
表3系数
注：因变量：Y；B：自变量在回归方程里的回归系数。
由表1得出拟合优度R方为0.966，说明多元线性回归模型的拟合效果较好。同时，表2中的F检验显著通过，说明回归模型总体线性关系显著成立。表3列出了自变量的显著性检验结果，所构建多元线性回归模型为Y＝-0.037X1+0.009X2+0.042X3+0.002X4-0.007X5-0.014X6+0.003X7+0.029X8+0.723X9+18.176(模型1表示SPSS只给出了一个多元线性回归模型),由Sig.值可知，除X9，其他用户用电量序列显著性检验结果均大于0.05，说明只有X9对因变量具有显著影响，同时X9的标准化系数绝对值大于其他用户的标准化系数绝对值，故将台区下属用户X9确定为用电异常用户，可指派相关稽查人员对该用户进行现场稽查。

Claims (1)

1.一种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，其特征在于：该方法步骤如下：
步骤1：确定窃电高危台区，并获取该窃电高危台区的单位时间损失电量数据及下属各用户的单位时间用电量数据，建立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；
上述窃电高危台区中，单位时间损失电量时间序列Y＝{Y1，Y2，…，Yn}，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：根据步骤1所获取的时间序列，以Xi为自变量、Y为因变量构建多元线性回归模型；
步骤3：根据构建的多元线性回归模型分析自变量Xi对因变量Y的影响程度，若自变量的Sig.值≥0.05，则该自变量对应的用户用电正常，若自变量的Sig.值＜0.05，则该自变量对因变量具有显著影响，对应的用户为用电异常用户。
CN201910611254.XA 2019-07-08 2019-07-08 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 Pending CN110322371A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910611254.XA CN110322371A (zh) 2019-07-08 2019-07-08 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

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910611254.XA CN110322371A (zh) 2019-07-08 2019-07-08 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

Publications (1)

Publication Number Publication Date
CN110322371A true CN110322371A (zh) 2019-10-11

Family

ID=68123084

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910611254.XA Pending CN110322371A (zh) 2019-07-08 2019-07-08 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

Country Status (1)

Country Link
CN (1) CN110322371A (zh)

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111783308A (zh) * 2020-07-08 2020-10-16 西南交通大学 一种精确预测隧道围岩位移的方法
CN112084678A (zh) * 2020-09-22 2020-12-15 国网冀北电力有限公司承德供电公司 一种基于多元回归的配线线损率处理方法及装置
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
CN112816774A (zh) * 2020-12-15 2021-05-18 国网宁夏电力有限公司营销服务中心(国网宁夏电力有限公司计量中心) 一种基于大数据的窃电排查方法
CN113009221A (zh) * 2021-02-25 2021-06-22 深圳市国电科技通信有限公司 用于检测窃电的方法、智能断路器和电表
CN113177043A (zh) * 2021-05-25 2021-07-27 内蒙古电力(集团)有限责任公司内蒙古电力科学研究院分公司 一种基于多元线性回归的单相电表相别判断方法
CN113325231A (zh) * 2021-05-21 2021-08-31 国网山东省电力公司济南供电公司 一种台区线损监测分析定位装置
CN113406558A (zh) * 2021-07-29 2021-09-17 天目数据(福建)科技有限公司 基于线性回归的电表失准检测方法、装置及电子设备
CN113466520A (zh) * 2021-07-07 2021-10-01 国网福建省电力有限公司营销服务中心 一种在线识别失准电能表的方法
CN113850422A (zh) * 2020-12-29 2021-12-28 国网江西省电力有限公司南昌供电分公司 一种基于多元非线性回归或/和平行向量的快速查找台区线损点的方法
CN113933585A (zh) * 2021-11-26 2022-01-14 长沙理工大学 一种基于欧氏距离的漏电台区断零窃电用户检测方法
CN114862139A (zh) * 2022-04-19 2022-08-05 国网江苏省电力有限公司南通供电分公司 一种基于数据驱动的台区线损率异常诊断方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105354830A (zh) * 2015-09-30 2016-02-24 中国民用航空总局第二研究所 基于多重回归模型的管制员疲劳检测方法、装置及系统
CN106991524A (zh) * 2017-03-20 2017-07-28 国网江苏省电力公司常州供电公司 一种台区线损率预估方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105354830A (zh) * 2015-09-30 2016-02-24 中国民用航空总局第二研究所 基于多重回归模型的管制员疲劳检测方法、装置及系统
CN106991524A (zh) * 2017-03-20 2017-07-28 国网江苏省电力公司常州供电公司 一种台区线损率预估方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
潘明明等: "基于智能电表数据的台区识别与窃电检测方法研究", 《智慧电力》 *

Cited By (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111783308A (zh) * 2020-07-08 2020-10-16 西南交通大学 一种精确预测隧道围岩位移的方法
CN112084678A (zh) * 2020-09-22 2020-12-15 国网冀北电力有限公司承德供电公司 一种基于多元回归的配线线损率处理方法及装置
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
CN112816774A (zh) * 2020-12-15 2021-05-18 国网宁夏电力有限公司营销服务中心(国网宁夏电力有限公司计量中心) 一种基于大数据的窃电排查方法
CN113850422A (zh) * 2020-12-29 2021-12-28 国网江西省电力有限公司南昌供电分公司 一种基于多元非线性回归或/和平行向量的快速查找台区线损点的方法
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
CN113009221A (zh) * 2021-02-25 2021-06-22 深圳市国电科技通信有限公司 用于检测窃电的方法、智能断路器和电表
CN113325231B (zh) * 2021-05-21 2022-06-24 国网山东省电力公司济南供电公司 一种台区线损监测分析定位装置
CN113325231A (zh) * 2021-05-21 2021-08-31 国网山东省电力公司济南供电公司 一种台区线损监测分析定位装置
CN113177043A (zh) * 2021-05-25 2021-07-27 内蒙古电力(集团)有限责任公司内蒙古电力科学研究院分公司 一种基于多元线性回归的单相电表相别判断方法
CN113466520A (zh) * 2021-07-07 2021-10-01 国网福建省电力有限公司营销服务中心 一种在线识别失准电能表的方法
CN113466520B (zh) * 2021-07-07 2024-05-17 国网福建省电力有限公司营销服务中心 一种在线识别失准电能表的方法
CN113406558A (zh) * 2021-07-29 2021-09-17 天目数据(福建)科技有限公司 基于线性回归的电表失准检测方法、装置及电子设备
CN113406558B (zh) * 2021-07-29 2024-04-09 天目数据(福建)科技有限公司 基于线性回归的电表失准检测方法、装置及电子设备
CN113933585A (zh) * 2021-11-26 2022-01-14 长沙理工大学 一种基于欧氏距离的漏电台区断零窃电用户检测方法
CN114862139A (zh) * 2022-04-19 2022-08-05 国网江苏省电力有限公司南通供电分公司 一种基于数据驱动的台区线损率异常诊断方法
CN114862139B (zh) * 2022-04-19 2023-12-22 国网江苏省电力有限公司南通供电分公司 一种基于数据驱动的台区线损率异常诊断方法

Similar Documents

Publication Publication Date Title
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
de Souza et al. Detection and identification of energy theft in advanced metering infrastructures
CN110097297A (zh) 一种多维度窃电态势智能感知方法、系统、设备及介质
CN110516912B (zh) 一种配电台区户变关系的识别方法
US20130035885A1 (en) Topology identification in distribution network with limited measurements
CN110222991B (zh) 基于rf-gbdt的计量装置故障诊断方法
CN107221927A (zh) 一种基于量化评估模型窃电嫌疑分析算法的反窃电分析方法
CN103576050A (zh) 一种电容式电压互感器的运行状态评估方法
CN112288303B (zh) 确定线损率的方式、装置
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
CN116125361B (zh) 电压互感器误差评估方法、系统、电子设备及存储介质
CN113641723B (zh) 一种基于线路阻抗参数估计的窃电预测方法
CN109657966A (zh) 基于模糊测度评价的输电线路风险复合评估方法
CN112418687B (zh) 基于用电特征的用户用电异常识别方法、装置和存储介质
CN112257013A (zh) 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
CN111310854A (zh) 基于用电负荷指纹的低误报率窃电检测二次筛选方法
CN110231503B (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
CN102930408B (zh) 一种基于信息融合的750kV电网二次设备状态评估方法
CN104834305B (zh) 基于dms系统的配网自动化终端遥测异常分析系统及方法
EP3449267B1 (en) A method for identifying the phases of a multi-phase distribution grid
CN109409629B (zh) 基于多属性决策模型的采集终端生产厂商评价方法
Lin et al. A static state estimation approach including bad data detection and identification in power systems
CN107944573A (zh) 一种变电站在线监测系统数据准确性的校对方法及系统
CN109784777B (zh) 基于时序信息片段云相似度度量的电网设备状态评估方法

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20191011