CN110739686B - 一种基于总表异常分析的台区线损治理方法及系统 - Google Patents

Abstract

本发明涉及一种基于总表异常分析的台区线损治理方法，包括如下步骤：提取总表数据与台区线损数据；对提取到的数据进行过滤分类；对线损异常的台区线损数据和总表数据进行特征提取，得到总表特征数据和台区线损特征数据；使用总表特征数据，通过对总表的电能示值、电压曲线、电流曲线、时钟信息进行分析确定总表的异常类型，确定总表的异常类型；总表运行异常数据结合总表异常发生时间对应的台区线损特征数据，建立台区线损诊断模型，获取导致台区线损的影响因子；根据造成线损异常的影响因子，自动生成运维工单，实现台区线损异常的治理工作。本发明能够识别总表计量异常情况，并进一步发现通过制造总表计量异常实现窃电或消除台区线损的情况。

Description

一种基于总表异常分析的台区线损治理方法及系统

技术领域

本发明涉及一种基于总表异常分析的台区线损治理方法及系统，属于电力系统领域。

背景技术

近年来，随着市场经济的日益发展，电能作为一种清洁能源被广泛使用于国民经济的各个领域和人民的生产、生活中。台区是国家电网营销管理体系的末端，当前台区的管理过于强调专业分工，人为造成了台区管理工作中的专业壁垒、数据分割；而总表的正常运行关系可以对台区整体运行情况进行监控，对台区线损的衡量起到直观作用。目前总表异常通过计量在线监测定时分析，但是，分析结果独立消缺，未与台区线损进行组合分析。因此，目前技术对于总表异常的分析不够全面，存在部分异常无法发现的情况。对于总表异常造成的影响未进行关联分析，总表异常会导致计量不准确，进而导致部分窃电和高损台区无法发现。

发明内容

为了解决上述技术问题，本发明提供一种基于总表异常分析的台区线损治理方法，其能够识别总表计量异常情况，并进一步发现通过制造总表计量异常实现窃电或消除台区线损的情况。

本发明技术方案一如下：

一种基于总表异常分析的台区线损治理方法，包括如下步骤：步骤1、提取总表数据与台区线损数据；步骤2、对提取到的数据进行过滤分类，以线损率为分类条件，筛选出线损异常的台区线损数据和总表数据；步骤3、对线损异常的台区线损数据进行基础特征提取，对总表数据进行基础特征提取和业务特征提取，得到总表特征数据和台区线损特征数据；所述基础特征是指用于计量用电量的参数，所述业务特征是指在设定周期内的用电量特征；步骤4、使用总表特征数据，通过对总表的电能示值、电压曲线、电流曲线、时钟信息进行分析确定总表的异常类型；步骤5、以所述总表运行异常数据为基础，结合总表异常发生时间对应的台区线损特征数据，采用主成分分析法建立台区线损诊断模型，通过台区线损诊断模型获取导致台区线损的影响因子；步骤6、根据造成线损异常的影响因子，自动生成运维工单，并发送至台区管理人员进行异常消缺，实现台区线损异常的治理工作。

更优地，所述步骤1中，通过Sqoop抽取采集电力用户用电信息采集系统总表历史运行数据和台区线损历史数据，使用Flume配合Kafka抽取采集系统后台不断更新的准实时数据，将抽取的数据转存到大数据平台Hbase库中。

更优地，所述步骤2中，以下三种情况中的任意一种均判定为线损异常：1)线损率达到10％以上；2)负线损率；3)总表示数缺失导致线损不可计算。

更优地，所述步骤3中，以总表电量、电流、电压、功率的计量异常数据为基础进行分析，提取此类相关计量的用电数据的基础特征，基础特征的特征值包括最大值、最小值、平均值、方差、偏度、峰度、迷你距、中位数、上四分位数、下四分位数、四分位差、0值特征、空值特征、随机性特征和/或正态性特征，提取总表数据的业务特征，包括日用电量、周平均用电量、月平均用电量、季平均用电量特征和/或年平均用电量特征。

更优地，所述步骤4中，通过关联分析法的方式建立总表异常分析模型，然后对总表异常分析模型进行分析计算；所述总表的异常类型包括电表倒走、电表跳字、电流失流、严重超载、总表电量超容、时钟异常和总表电流三相不平衡。

本发明还提供一种基于总表异常分析的台区线损治理系统。

本发明技术方案二如下：

一种基于总表异常分析的台区线损治理系统，包括数据抽取模块、数据过滤模块、特征提取模块、总表异常分析模块、异常诊断模块和运维工单模块；所述数据抽取模块，提取总表数据与台区线损数据；所述数据过滤模块，对提取到的数据进行过滤分类，以线损率为分类条件，筛选出线损异常的台区线损数据和总表数据；所述特征提取模块，对线损异常的台区线损数据进行基础特征提取，对总表数据进行基础特征提取和业务特征提取，得到总表特征数据和台区线损特征数据；所述基础特征是指用于计量用电量的参数，所述业务特征是指在设定周期内的用电量特征；所述总表异常分析模块，使用总表特征数据，通过对总表的电能示值、电压曲线、电流曲线、时钟信息进行分析确定总表的异常类型；所述异常诊断模块，以所述总表运行异常数据为基础，结合总表异常发生时间对应的台区线损特征数据，采用主成分分析法建立台区线损诊断模型，通过台区线损诊断模型获取导致台区线损的影响因子；所述运维工单模块根据造成线损异常的影响因子，自动生成运维工单，并发送至台区管理人员进行异常消缺，实现台区线损异常的治理工作。

更优地，所述数据抽取模块通过Sqoop抽取采集电力用户用电信息采集系统总表历史运行数据和台区线损历史数据，使用Flume配合Kafka抽取采集系统后台不断更新的准实时数据，将抽取的数据转存到大数据平台Hbase库中。

更优地，所述数据过滤模块将以下三种情况中的任意一种均判定为线损异常：1)线损率达到10％以上；2)负线损率；3)总表示数缺失导致线损不可计算。

更优地，所述特征提取模块以总表电量、电流、电压、功率的计量异常数据为基础进行分析，提取此类相关计量的用电数据的基础特征，基础特征的特征值包括最大值、最小值、平均值、方差、偏度、峰度、迷你距、中位数、上四分位数、下四分位数、四分位差、0值特征、空值特征、随机性特征和/或正态性特征，提取总表数据的业务特征，包括日用电量、周平均用电量、月平均用电量、季平均用电量特征和/或年平均用电量特征。

更优地，所述总表异常分析模块通过关联分析法的方式建立总表异常分析模型，然后对总表异常分析模型进行分析计算；所述总表的异常类型包括电表倒走、电表跳字、电流失流、严重超载、总表电量超容、时钟异常和总表电流三相不平衡。

本发明具有如下有益效果：

本发明一种基于总表异常分析的台区线损治理方法及系统，通过建立大数据分析模型——总表异常分析模型，对所有总表运行数据进行分析，能够准确发现总表的异常情况，再结合台区线损特征数据，可以发现通过制造总表计量异常来消除台区同期线损和窃电的情况，进而能够有力揭发窃电户与电工勾结的窃电行为。

附图说明

图1为本发明一种基于总表异常分析的台区线损治理方法的流程图；

图2为本发明一种基于总表异常分析的台区线损治理系统的框图。

具体实施方式

下面结合附图和具体实施例来对本发明进行详细的说明。

请参阅图1，一种基于总表异常分析的台区线损治理方法，包括如下步骤：

步骤1、提取总表数据与台区线损数据；所述台区线损数据包括供电量、售电量、损失电量、线损率等；所述总表数据包括：供电量、售电量、昨日和前日电能示值、电压曲线、电流曲线、事件数据等。具体地，通过Sqoop抽取电力用户用电信息采集系统总表历史运行数据和台区线损历史数据(Sqoop是一款开源的工具，主要用于在Hadoop(Hive)与传统的数据库(mysql、postgresql...)间进行数据的传递，可以将一个关系型数据库(MySQL、Oracle、Postgres等)中的数据导进到Hadoop的HDFS中，也可以将HDFS的数据导进到关系型数据库中)，使用Flume配合Kafka抽取采集系统后台不断更新的准实时数据(Flume是Cloudera提供的一个高可用的，高可靠的，分布式的海量日志采集、聚合和传输的系统，Flume支持在日志系统中定制各类数据发送方，用于收集数据，Kafka是由Apache软件基金会开发的一个开源流处理平台)，将抽取的数据转存到大数据平台Hbase库中。

步骤2、对提取到的数据进行过滤分类，以线损率为分类条件，筛选出线损异常的台区线损数据和总表数据；所述线损异常是达到以下三种条件之一：1)指线损率达到10％以上；2)负线损率；3)总表示数缺失导致线损不可计算。

步骤3、对线损异常的台区线损数据进行基础特征提取，对总表数据进行基础特征提取和业务特征提取，得到总表特征数据和台区线损特征数据。具体地，以总表或台区线损数据的电量、电流、电压、功率等相关计量异常数据为基础进行分析，提取此类相关计量的用电数据的基础特征，基础特征的特征值包括最大值、最小值、平均值、方差、偏度、峰度、迷你距、中位数、上四分位数、下四分位数、四分位差、0值特征、空值特征、随机性特征、正态性特征等；所述总表数据的业务特征，包括日用电量、周平均用电量、月平均用电量、季平均用电量特征、年平均用电量特征等。提取特征的主要目的是为了获取一些不易发现的规律，消除数据本身的敏感性。

步骤4、使用总表特征数据，通过对总表的电能示值、电压曲线、电流曲线、时钟信息进行分析确定总表的异常类型，所述总表的异常类型包括电表倒走、电表跳字、电流失流、严重超载、总表电量超容、时钟异常、总表电流三相不平衡等。所述分析计算过程具体为：

电表倒走：日正/反向有功总电能示值-前一天正/反向有功总电能示值<0

或日正向(组合)无功总电能示值-前一天正向(组合)无功总电能示值<0

电表跳字：日电量/日理论最大电量>100％，日理论最大电量计算方法：

Un为额定线电压，Imax为电能表最大电流。

电流失流：电压在当0.7×U_n≤U≤0.9×U_n时，

三相三线：I_a＜0.5％I_n,I_c≥5％I_n或I_c＜0.5％I_n,I_a≥5％I_n

三相四线：I_a＜0.5％I_n,I_b|I_c≥10％I_n或I_b＜0.5％I_n,I_a|I_c≥10％I_n

或I_c＜0.5％I_n,I_a|I_b≥10％I_n

其中，Un为额定电压，In为额定电流，Ia为A相电流，Ib为B相电流，Ic为C相电流。

严重超载：

K＝130％，P为有功功率，CT为总表电流变比，PT为总表电压变比。

总表电量超容：单日电量>运行容量*24*2

时钟异常：|(T_s-T_p)+(T_c-T_m)|≥K|T_s-T_m|≥K，其中Ts：标准时间；Tp：终端日历时钟；Tc：终端抄表时间；Tm：电能表日历时钟；K：电能表时钟超差的阈值(K取值范围3min～15min)。

总表电流三相不平衡：

三相三线：

三相四线：

步骤5、以所述总表运行异常数据为基础，结合总表异常发生时间对应的台区线损特征数据，采用主成分分析法建立台区线损诊断模型，主成分分析法(PCA算法)：以日期、线损率、供电量、售电量、电表倒走、电表跳字、电流失流、严重超载、总表电量超容、时钟异常、总表电流三相不平衡构建N维相量，采用PCA算法不断降维，降到k维(k<N)相量后，获取偏移量最大的点或偏移量最大的两个点，就是前1或2的主要成分，通过台区线损诊断模型获取导致台区线损的影响因子，例如，在一组数据分析后，获得结果前2的主成分是电流失流、严重超载，那么影响该台区的线损的影响因子就是电流失流、严重超载。

所述PCA算法的原理是：1)将原始数据按列组成m列矩阵A；2)将矩阵A的每一行进行零均值化，即减去这一行的均值，得到矩阵X。3)求出协方差矩阵

4)求出协方差矩阵的特征值及对应的特征相量；5)将特征相量按特征值大小从上到下按列排列成矩阵，取前k行组成相量P；6)Y＝PX即为降维到k维后的数据。下面举例说明主成分分析法计算过程：

取两个月的总表异常数据和台区线损数据为样本进行数据分析，从该月的异常数据中提取下列参数构建五维向量：电量超容次数，电表倒走次数，电表跳字次数，电流失流次数，严重超载次数。

以两月异常数据组成的矩阵A如下(其中每一行表示1个月的异常数据，第一列对应电量超容次数，第二列对应电表倒走次数，第三列对应电表跳字次数，第四列对应电流失流次数，第五列对应严重超载次数)：

将矩阵数据去中心化，得到：

求矩阵X协方差：

通过矩阵C求出特征值和特征向量：

对特征向量进行标准化：

将标准化后的矩阵按特征值大小从上到下按列排列成矩阵P，

取矩阵P的第1行特征相量，与矩阵X相乘，就得到降维后的矩阵Y：

从结果可以看出影响最大的是第1个和第4个变量，即将电量超容和电流失流确定为台区线损的影响因子。

步骤6、根据造成线损异常的影响因子，自动生成运维工单，并发送至台区管理人员进行异常消缺，实现台区线损异常的治理工作。例如，台区管理人员根据影响因子，配合现场稽查，具体地，总表存在异常导致总表计量供电量是50KW，损失电量是0，线损率是0，无法发现损失电量，结合台区数据：A台区实际供电量100kw，售电量50kW，损失电量50KW，线损率50％，则可以推断出存在窃电或高损。

实施例二

请参阅图1和图2，一种基于总表异常分析的台区线损治理系统，包括：数据抽取模块、数据过滤模块、特征提取模块、总表异常分析模块、异常诊断模块、运维工单模块。

所述数据抽取模块，提取总表数据与台区线损数据，具体地，通过Sqoop抽取采集系统总表历史运行数据和台区线损历史数据，使用Flume配合Kafka抽取采集系统后台不断更新的准实时数据，将抽取的数据转存到大数据平台Hbase库中；

所述数据过滤模块，对提取到的数据进行过滤分类，以线损率为分类条件，筛选出线损异常的台区线损数据和总表数据；所述线损异常是指线损率达到10％以上，或负线损率或总表示数缺失导致线损不可计算；

所述特征提取模块，对线损异常的台区线损数据进行基础特征提取，对总表数据进行基础特征提取和业务特征提取，得到总表特征数据和台区线损特征数据。具体地，以总表电量、电流、电压、功率等相关计量异常数据为基础进行分析，提取此类相关计量的用电数据的基础特征，基础特征的特征值包括最大值、最小值、平均值、方差、偏度、峰度、迷你距、中位数、上四分位数、下四分位数、四分位差、0值特征、空值特征、随机性特征、正态性特征等，提取总表数据的业务特征，包括日用电量、周平均用电量、月平均用电量、季平均用电量特征、年平均用电量特征等。

所述总表异常分析模块，使用总表特征数据，通过对总表的电能示值、电压曲线、电流曲线、时钟信息进行分析确定总表的异常类型，所述总表的异常类型包括电表倒走、电表跳字、电流失流、严重超载、总表电量超容、时钟异常、总表电流三相不平衡等。具体地，通过关联分析法的方式建立总表异常分析模型，然后对总表异常分析模型进行分析计算。

所述异常诊断模块，以所述总表运行异常数据为基础，结合总表异常发生时间对应的台区线损特征数据，采用主成分分析法建立台区线损诊断模型，通过台区线损诊断模型获取导致台区线损的影响因子，主成分分析法(PCA算法)：以日期、线损率、供电量、售电量、电表倒走、电表跳字、电流失流、严重超载、总表电量超容、时钟异常、总表电流三相不平衡构建N维相量，采用PCA算法不断降维，降到二维相量后，获取偏移量最大的点或偏移量最大的两个点，就是前1或2的主要成分，通过台区线损诊断模型获取导致台区线损的影响因子，例如，在一组数据分析后，获得结果前2的主成分是电流失流、严重超载，那么影响该台区的线损的影响因子就是电流失流、严重超载。

所述运维工单模块根据造成线损异常的影响因子，自动生成运维工单，并发送至台区管理人员进行异常消缺，实现台区线损异常的治理工作。

本实施例的其他未详尽描述的实施方式与实施例一中的相同。

以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种基于总表异常分析的台区线损治理方法，其特征在于，包括如下步骤：步骤1、从电力用户用电信息采集系统提取总表数据与台区线损数据；

步骤2、对提取到的数据进行过滤分类，以线损率为分类条件，筛选出线损异常的台区线损数据和总表数据；

步骤3、对线损异常的台区线损数据进行基础特征提取，对总表数据进行基础特征提取和业务特征提取，得到总表特征数据和台区线损特征数据；所述基础特征是指用于计量用电量的参数，所述业务特征是指在设定周期内的用电量特征；

步骤4、使用总表特征数据，通过对总表的电能示值、电压曲线、电流曲线、时钟信息进行分析确定总表的异常类型；

步骤5、以所述总表运行异常数据为基础，结合总表异常发生时间对应的台区线损特征数据，采用主成分分析法建立台区线损诊断模型，通过台区线损诊断模型获取导致台区线损的影响因子，其中，所述采用主成分分析法建立台区线损诊断模型，通过台区线损诊断模型获取导致台区线损的影响因子具体为以日期、线损率、供电量、售电量、电表倒走、电表跳字、电流失流、严重超载、总表电量超容、时钟异常、总表电流三相不平衡构建N维相量，采用PCA算法不断降维，降到小于N的k维相量后，分析获取偏移量最大的点或偏移量最大的两个点确定为台区线损的影响因子；

步骤6、根据造成线损异常的影响因子，自动生成运维工单，并发送至台区管理人员进行异常消缺，实现台区线损异常的治理工作。

2.根据权利要求1所述的一种基于总表异常分析的台区线损治理方法，其特征在于：所述步骤1中，通过Sqoop抽取采集电力用户用电信息采集系统总表历史运行数据和台区线损历史数据，使用Flume配合Kafka抽取采集系统后台不断更新的准实时数据，将抽取的数据转存到大数据平台Hbase库中。

3.根据权利要求1所述的一种基于总表异常分析的台区线损治理方法，其特征在于：所述步骤2中，以下三种情况中的任意一种均判定为线损异常：1）线损率达到10%以上；2）负线损率；3）总表示数缺失导致线损不可计算。

4.根据权利要求1所述的一种基于总表异常分析的台区线损治理方法，其特征在于：所述步骤3中，以总表电量、电流、电压、功率的计量异常数据为基础进行分析，提取此类相关计量的用电数据的基础特征，基础特征的特征值包括最大值、最小值、平均值、方差、偏度、峰度、迷你距、中位数、上四分位数、下四分位数、四分位差、0值特征、空值特征、随机性特征和/或正态性特征，提取总表数据的业务特征，包括日用电量、周平均用电量、月平均用电量、季平均用电量特征和/或年平均用电量特征。

5.根据权利要求1所述的一种基于总表异常分析的台区线损治理方法，其特征在于：所述步骤4中，所述总表的异常类型包括电表倒走、电表跳字、电流失流、严重超载、总表电量超容、时钟异常和总表电流三相不平衡。

6.一种基于总表异常分析的台区线损治理系统，其特征在于：包括数据抽取模块、数据过滤模块、特征提取模块、总表异常分析模块、异常诊断模块和运维工单模块；

所述数据抽取模块，提取总表数据与台区线损数据；

所述数据过滤模块，对提取到的数据进行过滤分类，以线损率为分类条件，筛选出线损异常的台区线损数据和总表数据；

所述特征提取模块，对线损异常的台区线损数据进行基础特征提取，对总表数据进行基础特征提取和业务特征提取，得到总表特征数据和台区线损特征数据；所述基础特征是指用于计量用电量的参数，所述业务特征是指在设定周期内的用电量特征；

所述总表异常分析模块，使用总表特征数据，通过对总表的电能示值、电压曲线、电流曲线、时钟信息进行分析确定总表的异常类型；

所述异常诊断模块，以所述总表运行异常数据为基础，结合总表异常发生时间对应的台区线损特征数据，采用主成分分析法建立台区线损诊断模型，通过台区线损诊断模型获取导致台区线损的影响因子；

所述运维工单模块根据造成线损异常的影响因子，自动生成运维工单，并发送至台区管理人员进行异常消缺，实现台区线损异常的治理工作；

其中，异常诊断模块中所述采用主成分分析法建立台区线损诊断模型，通过台区线损诊断模型获取导致台区线损的影响因子具体为以日期、线损率、供电量、售电量、电表倒走、电表跳字、电流失流、严重超载、总表电量超容、时钟异常、总表电流三相不平衡构建N维相量，采用PCA算法不断降维，降到小于N的k维相量后，分析获取偏移量最大的点或偏移量最大的两个点确定为台区线损的影响因子。

7.根据权利要求6所述的一种基于总表异常分析的台区线损治理系统，其特征在于：所述数据抽取模块通过Sqoop抽取采集电力用户用电信息采集系统总表历史运行数据和台区线损历史数据，使用Flume配合Kafka抽取采集系统后台不断更新的准实时数据，将抽取的数据转存到大数据平台Hbase库中。

8.根据权利要求6所述的一种基于总表异常分析的台区线损治理系统，其特征在于：所述数据过滤模块将以下三种情况中的任意一种均判定为线损异常：1）线损率达到10%以上；2）负线损率；3）总表示数缺失导致线损不可计算。

9.根据权利要求6所述的一种基于总表异常分析的台区线损治理系统，其特征在于：所述特征提取模块以总表电量、电流、电压、功率的计量异常数据为基础进行分析，提取此类相关计量的用电数据的基础特征，基础特征的特征值包括最大值、最小值、平均值、方差、偏度、峰度、迷你距、中位数、上四分位数、下四分位数、四分位差、0值特征、空值特征、随机性特征和/或正态性特征，提取总表数据的业务特征，包括日用电量、周平均用电量、月平均用电量、季平均用电量特征和/或年平均用电量特征。

10.根据权利要求6所述的一种基于总表异常分析的台区线损治理系统，其特征在于：所述总表的异常类型包括电表倒走、电表跳字、电流失流、严重超载、总表电量超容、时钟异常和总表电流三相不平衡。

Images