CN110689279B - 一种居民用电安全隐患的分析方法 - Google Patents
一种居民用电安全隐患的分析方法 Download PDFInfo
- Publication number
- CN110689279B CN110689279B CN201910967353.1A CN201910967353A CN110689279B CN 110689279 B CN110689279 B CN 110689279B CN 201910967353 A CN201910967353 A CN 201910967353A CN 110689279 B CN110689279 B CN 110689279B
- Authority
- CN
- China
- Prior art keywords
- electricity
- resident
- abnormal
- data
- load
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 18
- 230000005611 electricity Effects 0.000 title claims description 121
- 238000009826 distribution Methods 0.000 claims abstract description 15
- 238000007405 data analysis Methods 0.000 claims abstract description 6
- 238000004364 calculation method Methods 0.000 claims abstract 3
- 230000002159 abnormal effect Effects 0.000 claims description 31
- 238000000034 method Methods 0.000 claims description 17
- 230000005856 abnormality Effects 0.000 claims description 6
- 238000012544 monitoring process Methods 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 claims description 4
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 claims description 4
- 238000010224 classification analysis Methods 0.000 claims description 2
- 238000004445 quantitative analysis Methods 0.000 claims description 2
- 230000005612 types of electricity Effects 0.000 claims 1
- 238000013480 data collection Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 230000003442 weekly effect Effects 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
- G06F16/9035—Filtering based on additional data, e.g. user or group profiles
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
Abstract
居民用电安全一直是社区管理和用电安全方面非常重要的内容,随着城市的发展,如何在城市管理运用智能化的方法,大数据的分析可以应用于寻找可能存在的居民用电安全隐患,本发明公开了一种通过分析电力负荷情况识别居民用电安全隐患的分析方法,其特征在于在居民用电负荷数据的分析中引入轶和特征值分布的计算,标记用户用户用电异常类型,结合自回归移动平均模型分析,对居民用户进行用电情况异常分析。
Description
技术领域
本发明涉及用电安全监测技术领域,具体涉及基于电力负荷数据分析居民用电安全隐患的系统及方法。
背景技术
随着城市发展,居民用电的负荷量以及用电环境的复杂性愈加提升,如何根据用电负荷大数据要求也越来越高,电力负荷预测作为保证用电稳定的一个基本工具,得到了越来越多的关注。由于用电成本的不同,在居民区实行作坊式的工业生产等情况时有发生,再由于对于电压等的要求不同,存在一定的安全隐患。另一方面,群租房或者在特定时刻的非规律性用电也在一定程度上加大了居民用电的安全性。传统的用电安全管理方式多依靠于上门检查或者线路排查等方式,但这些传统的方式需要耗费很大的人力物力与时间,并且无法做到在大尺度上的综合用电安全管理,而又随着智能电表在城市中的广泛推广应用,越来越多的实时用电负荷数据被供电方很好的收集到,如何应用这些实时的用电负荷数据,在社区的大范围内分析,管理用电安全成为了一个重要的课题。本发明旨在通过对实时的用电负荷数据,运用数理统计方面的模型,来迅速识别出用电异常的区域,排查用电异常原因,为城市管理者及供电,用电方对于用电安全的监管提过决策性的意见。
发明内容
本发明提出了一种基于电力负荷数据分析居民用电安全隐患的分析方法,其主要的应用在于在大量的用电负荷数据中识别异常用电现象,对用电不安全行为提出预警。整个过程包括了数据收集预处理模块,秩和排序模块,数据自回归异常监测模块以及报告模块,如图1所示,
电力负荷数据预处理数据模块通过智能电表等终端设备采集,存储并处理居民用电负荷数据与相关的环境数据,并对这些数据进行分析,整合,校正,填补缺失值,以及标准化处理:
电力负荷分类模块,主要用于对电力负荷数据根局设定的不同阈值条件进行初步筛选,剔选出用电负荷异常高低值。秩和排序模块将对电力负荷数据根据负荷大小或其他参数进行排序后求和,对每一位居民用户求出时间段用电特征值,数据自回归监测模块将对居民电力负荷数据进行自回归运算以筛选用电无规律用户。用电异常报告模块将结合用户用电负荷,用户小时用电特征值及自回归运算结果报告用电异常用户。
附图说明
图1是本发明实施例中用电负荷数据分析模块流程图。
具体实施方式
步骤一、数据收集整理:居民用电负荷将采集于居民电表,收集的用电负荷数据将根据电表序列针对每一户居民编号。用电负荷数据将根据采集不同采集频率进行初步处理,求和或再分配为不同时间段颗粒度的用电负荷值。针对原始数据缺失情况,将使用平均值,中位数或移动平均方法补全缺失用电值。如出现数据值偏差较大等情况,将对原始数据进行标准化处理。
步骤二、根据步骤一中所取得的处理后的用电负荷数据进行异常值剔选。针对每个居民用户,分别计算其一定时间范围内用电负荷平均值μ单用户,针对所有用电安全监测范围内的居民用户,计算总体对应时间范围内的总体平均值μ总及方差σ总。由于居民用电负荷整体在较大多数情况下负荷高斯分布,居民用户相对用电负荷大小分为三类用电量用户:
大用电居民用户μ单用户>μ总+3σ总
正常用电居民用户μ总+3σ总≥μ单用户≥μ总+3σ总
小用电居民用户μ单用户<μ总+3σ总
对于大用电居民用户及小用电居民用户将归类为用电量异常用户,结合后续数据分析进行进一步居民用电安全异常分类解析。
步骤三、根据步骤一中所取得的处理后的用电负荷数对每个居民用户一个设置期间T1(24小时)内每一个固定时间段T2(15分钟,30分钟,1小时)内的用电数据进行排序,并将排序数据在一段时间T3内(周,双周,月)对每一个固定时间段T2的秩值求和,得出T1(24小时)内的秩和特征值分布(分布精度为T2)。居民用户的用电秩和特征值分布将被用于用电异常分析,主要用于三方面分析:
1)不同T3时间段(不同周,不同月)的单个居民用户用电秩和值比较。比较单个居民用户每周的秩和特征值,当其中特定小时的秩和值超出期间内平均值一定阈值范围,则标记为秩和特征值用电异常类型I。时间段内单个居民用电秩和特征值分布应符合高斯分布;
2)居民用户间用电秩和特征值比较。比较不同居民用户间的指定同一时间段的用电秩和特征值,当其中特定用户的用电秩和特征值高于整体居民用电秩和特征值平均值一定阈值范围,则标记为秩和特征值用电异常类型II。单一时间段内整体居民用电秩和特征值分布应符合高斯分布;
3)居民用电秩和值结合自回归移动平均模型分析。
步骤四、根据步骤一中所取得的处理后的用电负荷数对每个居民用户的用电负荷时间序列进行自回归移动平均ARIMA模型运算,通过比较预测值与实际用电负荷y的差异值大小判定用电情况是否异常。预测值/>由如下公式计算得出:
其中,
μ表示现预测值与前一时刻用电量差值,Φ为t时刻的自回归系数,θ为t时刻的移动平均系数,e为移动平均方差,p为自回归阶数,q为移动平均阶数。p,q值为模型自定义值,通常取值为0,1,2.Φ及θ为模型计算动态值,e为数据运算值。模型运算结果为针对特定时间序列的用电负荷预测值。通过与同样时间序列的实际用电负荷y进行差值预算,当累计差值达到设定阈值时,则标记该居民用户为用电规律异常,自回归移动平均ARIMA模型也可应用于单个居民用电负荷的秩和特征值建模,步骤同用电负荷数ARIMA模型,当差值达到设定阈值时,标记该居民用户为用电负荷秩和特征值异常。
步骤五、用电异常情况将通过以上数据分析结果进行用电安全报告分析:
1)分析单一居民用户的用电安全矩阵。通过用电量异常,秩和特征值异常I,秩和特征值异常II,用电规律异常,用电负荷秩和特征值异常五个方面对居民用户进行用电情况异常分析,建立用电安全矩阵,识别不同用电安全风险;2)对居民用电异常情况进行量化分析。通过对五种不同异常类别的差值设定系数值,计算单一居民用户的总体风险指标Hindex,Hindex=a×用电量差值+b×秩和特征值异常I差值+c×秩和特征值异常II差值+d×用电规律异常差值+用电负荷秩和特征值异常差值,其中系数值a,b,c,d,e由总体居民用户数据进行多元回归计算求出。Hindex将代表该居民用户的整体用电风险指标。
本发明通过对用电负荷数据的深度数据挖掘分析,定义了几种不同用电异常情况,针对单一用户建立了用电情况异常分析,并量化计算居民用电安全风险,将在规模化管理特定区域的用电安全情况有十分多的应用,并在很大程度上节省相关人员工作量与筛查速率,将改善行政管理用电安全的效率。
Claims (6)
1.一种基于电力负荷数据的居民用电安全隐患的分析方法,其特征在于在居民用电负荷数据的分析中引入秩和特征值分布的计算,标记用户用电异常类型,结合自回归移动平均模型分析,对居民用户进行用电情况异常分析,步骤包括:
用电数据根据不同采集频率进行初步处理分为不同时间段长度的用电负荷值;
对原始采集数据在时间序列上的缺失值补全以保证数据完整性;
对居民用电负荷数据进行高斯分布异常值剔选;
对每个居民用户的用电负荷时间序列进行自回归移动平均模型运算判定用电情况是否异常,结合居民用电数据分析结果进行用电安全报告分析。
2.如权利要求1所述的方法,居民用电负荷将采集自居民电表读取的用电负荷数据,收集的用电负荷数据将根据电表序列针对每一户居民编号,用电负荷数据将根据不同采集频率进行初步处理,求和或再分配为不同时间跨度的用电负荷值,针对原始数据缺失情况,将使用平均值,中位数或移动平均方法补全缺失用电值。
3.如权利要求1所述的方法,对居民用电负荷数据进行高斯分布异常值剔选,针对每个居民用户,分别计算其一定时间范围内,包括月,季度,年的用电负荷平均值μ单用户,针对所有用电安全监测范围内的居民用户,计算总体对应时间范围内的总体平均值μ总及方差σ总;由于居民用电负荷整体在较大多数情况下负荷高斯分布,居民用户相对用电负荷大小分为三类用电量用户:
大用电居民用户μ单用户>μ总+3σ总
正常用电居民用户μ总+3σ总≥μ单用户≥μ总+3σ总
小用电居民用户μ单用户<μ总+3σ总
在异常值剔选后,被标记为大用电居民用户及小用电居民用户将归类为用电量异用户,结合后续数据分析进行居民用电安全异常分类解析。
4.如权利要求1所述的方法,对居民用电负荷数据对每个居民用户一个设置期间T1,24小时内,每一个固定时间段T2,15分钟/30分钟/1小时内的用电数据进行排序,并将排序数据在一段时间T3内.周/双周/月,对每一个固定时间段T2的排序秩值求和,得出T1,24小时,内的秩和特征值,分布精度为T2,居民用户的用电量的秩和特征值分布将被用于三方面用电异常分析:
1)不同T3时间段的单个居民用户用电秩和值比较,比较单个居民用户每周的秩和特征值,当其中特定小时的秩和值超出期间内平均值一定阈值范围,则标记为秩和特征值用电异常类型I,时间段内单个居民用电秩和特征值分布应符合高斯分布;
2)居民用户间用电秩和特征值比较,比较不同居民用户间的指定同一时间段的用电秩和特征值,当其中特定用户的用电秩和特征值高于整体居民用电秩和特征值平均值一定阈值范围,则标记为秩和特征值用电异常类型II,单一时间段内整体居民用电秩和特征值分布应符合高斯分布;
3)居民用电秩和值结合自回归移动平均模型分析。
5.如权利要求1所述的方法,对居民用电负荷数据的用电负荷数对每个居民用户的用电负荷时间序列进行自回归移动平均ARIMA模型运算,通过比较预测值与实际用电负荷y的差异值大小判定用电情况是否异常;预测值/>由如下公式计算得出:
其中,
μ表示现预测值与前一时刻用电量差值,Φ为t时刻的自回归系数,θ为t时刻的移动平均系数,e为移动平均方差,p为自回归阶数,q为移动平均阶数,p,q值为模型自定义值,通常取值为0,1,2;Φ及θ为模型计算动态值,e为数据运算值,模型运算结果为针对特定时间序列的用电负荷预测值,通过与同样时间序列的实际用电负荷y进行差值预算,当累计差值达到设定阈值时,则标记该居民用户为用电规律异常,自回归移动平均ARIMA模型应用于单个居民用电负荷的秩和特征值建模,步骤同用电负荷数ARIMA模型,当差值达到设定阈值时,标记该居民用户为用电负荷秩和特征值异常。
6.如权利要求1所述的方法,结合居民用电数据分析结果进行用电安全报告分析:
1)分析单一居民用户的用电安全矩阵,通过用电量异常,秩和特征值异常I,秩和特征值异常II,用电规律异常,用电负荷秩和特征值异常五个方面对居民用户进行用电情况异常分析,建立用电安全矩阵,识别不同用电安全风险;
2)对居民用电异常情况进行量化分析,通过对五种不同异常类别的差值设定系数值,计算单一居民用户的总体风险指标H index,H index=a×用电量差值+b×秩和特征值异常I差值+cX秩和特征值异常II差值+d×用电规律异常差值+用电负荷秩和特征值异常差值,其中系数值a,b,c,d,e由总体居民用户数据进行多元回归计算求出,H index将代表该居民用户的整体用电风险指标。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910967353.1A CN110689279B (zh) | 2019-10-12 | 2019-10-12 | 一种居民用电安全隐患的分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910967353.1A CN110689279B (zh) | 2019-10-12 | 2019-10-12 | 一种居民用电安全隐患的分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110689279A CN110689279A (zh) | 2020-01-14 |
CN110689279B true CN110689279B (zh) | 2023-11-17 |
Family
ID=69112221
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910967353.1A Active CN110689279B (zh) | 2019-10-12 | 2019-10-12 | 一种居民用电安全隐患的分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110689279B (zh) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111489103A (zh) * | 2020-04-28 | 2020-08-04 | 上海积成能源科技有限公司 | 一种基于自回归分析归类居民用电情况的系统及方法 |
CN111506635A (zh) * | 2020-05-11 | 2020-08-07 | 上海积成能源科技有限公司 | 一种基于自回归和朴素贝叶斯算法的居民用电行为分析的系统及方法 |
CN111506636A (zh) * | 2020-05-12 | 2020-08-07 | 上海积成能源科技有限公司 | 一种基于自回归和近邻算法的居民用电行为分析的系统及方法 |
CN111859302A (zh) * | 2020-07-28 | 2020-10-30 | 上海积成能源科技有限公司 | 一种居民用电安全分析中应用广义极致学生检验算法发现异常数据的方法 |
CN111861587A (zh) * | 2020-08-04 | 2020-10-30 | 上海积成能源科技有限公司 | 一种基于隐马尔可夫模型和向前算法的居民用电行为分析的系统及方法 |
CN111932138A (zh) * | 2020-08-17 | 2020-11-13 | 上海积成能源科技有限公司 | 一种基于高斯混合模型和期望极大算法的居民用电行为分析的系统及方法 |
CN112396813A (zh) * | 2020-10-30 | 2021-02-23 | 四川天翼网络服务有限公司 | 一种水表数据分析预警系统 |
CN113268030A (zh) * | 2021-06-01 | 2021-08-17 | 中国华能集团有限公司河北雄安分公司 | 一种基于5g技术的城市综合能源智慧用能终端系统 |
CN113591334A (zh) * | 2021-09-30 | 2021-11-02 | 深圳市景星天成科技有限公司 | 基于潮流调整的自愈电路馈线负荷率提高算法 |
CN115329907B (zh) * | 2022-10-14 | 2023-01-31 | 杭州致成电子科技有限公司 | 基于dbscan聚类的电负荷补全方法和系统 |
CN116977435A (zh) * | 2023-09-15 | 2023-10-31 | 广州志正电气有限公司 | 靠岸船舶自动识别的岸电系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102708427A (zh) * | 2012-06-29 | 2012-10-03 | 山东电力集团公司电力科学研究院 | 大规模充电桩对小区配电系统影响分析决策系统及方法 |
CN202771469U (zh) * | 2012-06-29 | 2013-03-06 | 山东电力集团公司电力科学研究院 | 大规模充电桩对小区配电系统影响分析决策系统 |
CN105678398A (zh) * | 2015-12-24 | 2016-06-15 | 国家电网公司 | 基于大数据技术的电力负荷预测方法及基于该方法的研究应用系统 |
WO2018129829A1 (zh) * | 2017-01-12 | 2018-07-19 | 沃太能源南通有限公司 | 一种新型微网系统以及基于该系统的组网调度方法 |
-
2019
- 2019-10-12 CN CN201910967353.1A patent/CN110689279B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102708427A (zh) * | 2012-06-29 | 2012-10-03 | 山东电力集团公司电力科学研究院 | 大规模充电桩对小区配电系统影响分析决策系统及方法 |
CN202771469U (zh) * | 2012-06-29 | 2013-03-06 | 山东电力集团公司电力科学研究院 | 大规模充电桩对小区配电系统影响分析决策系统 |
CN105678398A (zh) * | 2015-12-24 | 2016-06-15 | 国家电网公司 | 基于大数据技术的电力负荷预测方法及基于该方法的研究应用系统 |
WO2018129829A1 (zh) * | 2017-01-12 | 2018-07-19 | 沃太能源南通有限公司 | 一种新型微网系统以及基于该系统的组网调度方法 |
Non-Patent Citations (2)
Title |
---|
居民用户需求响应行为影响因素辨识与响应特性提取;蔡珑等;《电网技术》(第07期);全文 * |
新疆某地区不同类型负荷特性分析;阿衣布拉克汗·吐尔洪等;《科技创新导报》(第34期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN110689279A (zh) | 2020-01-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110689279B (zh) | 一种居民用电安全隐患的分析方法 | |
CN110223196B (zh) | 基于典型行业特征库和反窃电样本库的反窃电分析方法 | |
CN110097297B (zh) | 一种多维度窃电态势智能感知方法、系统、设备及介质 | |
CN108830510B (zh) | 一种基于数理统计的电力数据预处理方法 | |
CN110826641B (zh) | 一种基于聚类分析归类居民用电情况的系统及方法 | |
CN112307003B (zh) | 电网数据多维辅助分析方法、系统、终端及可读存储介质 | |
CN114004296A (zh) | 一种基于电力负荷特征反向提取监测点的方法及系统 | |
CN110378510B (zh) | 一种基于时间序列和层次聚合的配网物资需求预测方法 | |
CN111506635A (zh) | 一种基于自回归和朴素贝叶斯算法的居民用电行为分析的系统及方法 | |
CN113792939B (zh) | 基于混合威布尔分布的电能表可靠性预测方法及装置 | |
CN111160626A (zh) | 一种基于分解融合的电力负荷时间序列控制方法 | |
CN116402187A (zh) | 一种基于电力大数据的企业排污预测方法 | |
CN116340437A (zh) | 一种面向大规模多源异构数据的多聚类方法 | |
CN111612019A (zh) | 一种基于大数据模型对智能电表故障异常辨识分析的方法 | |
CN109409629B (zh) | 基于多属性决策模型的采集终端生产厂商评价方法 | |
Toussaint et al. | Clustering residential electricity consumption data to create archetypes that capture household behaviour in south africa | |
CN111489073A (zh) | 一种基于分类算法的用户用电廉情预警方法 | |
CN111506636A (zh) | 一种基于自回归和近邻算法的居民用电行为分析的系统及方法 | |
CN114676931B (zh) | 一种基于数据中台技术的电量预测系统 | |
CN114399407A (zh) | 一种基于动静态选择集成的电力调度监控数据异常检测方法 | |
CN114386204A (zh) | 基于灰色模型的电网夏季空调负荷峰值精细化预测方法及系统 | |
CN113947273A (zh) | 一种基于大数据的多途径配网成本核算系统 | |
Huang et al. | An intelligent operation and maintenance system for power consumption based on deep learning | |
CN112001551A (zh) | 一种基于大用户电量信息的地市电网售电量预测方法 | |
CN112884000A (zh) | 一种基于数据挖掘的用电检查智能诊断方法及诊断系统 |
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 |