CN111366889A - 一种智能电表异常用电检测方法 - Google Patents

一种智能电表异常用电检测方法 Download PDF

Info

Publication number
CN111366889A
CN111366889A CN202010355446.1A CN202010355446A CN111366889A CN 111366889 A CN111366889 A CN 111366889A CN 202010355446 A CN202010355446 A CN 202010355446A CN 111366889 A CN111366889 A CN 111366889A
Authority
CN
China
Prior art keywords
abnormal
consumption
energy
electricity
total energy
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.)
Granted
Application number
CN202010355446.1A
Other languages
English (en)
Other versions
CN111366889B (zh
Inventor
魏龄
肖勇
翟少磊
金鑫
曹敏
罗鸿轩
陈叶
廖耀华
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.)
CSG Electric Power Research Institute
Electric Power Research Institute of Yunnan Power Grid Co Ltd
Original Assignee
CSG Electric Power Research Institute
Electric Power Research Institute of Yunnan Power Grid Co Ltd
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 CSG Electric Power Research Institute, Electric Power Research Institute of Yunnan Power Grid Co Ltd filed Critical CSG Electric Power Research Institute
Priority to CN202010355446.1A priority Critical patent/CN111366889B/zh
Publication of CN111366889A publication Critical patent/CN111366889A/zh
Application granted granted Critical
Publication of CN111366889B publication Critical patent/CN111366889B/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
    • G01R35/00—Testing or calibrating of apparatus covered by the other groups of this subclass
    • G01R35/04—Testing or calibrating of apparatus covered by the other groups of this subclass of instruments for measuring time integral of power or current

Abstract

本申请公开了一种智能电表异常用电检测方法，采集供应方的供应总能量与消费者的用电能耗，利用数据聚合模型和深度信念网络进行特征数据提取，即计算异常系数，异常系数可表征能量供应方提供的供应总能量与消费者智能电表报告的用电能耗之间的匹配失衡度，由此可查找异常数据，从而检测能量窃取者或缺陷异常的智能电表，以进行损坏电表的更换以及不良信用消费者的清查。相较于传统的检测方法，本申请的智能电表异常用电检测方法可利用每日的电能数据进行异常用电检测，不需要依赖于历史数据集，检测周期短，且检测的准确率高，提高了智能电表异常用电进行日常检测的实用性。

Description

一种智能电表异常用电检测方法
技术领域
本申请涉及智能抄表技术领域，尤其涉及一种智能电表异常用电检测方法。
背景技术
随着电力技术的发展，智能电表已经开始普及，智能电表(Smart Meters，SM)作为智能电网数据采集的基本设备之一，除了具备传统电能表基本用电量的计量功能以外，还具有双向多种费率计量功能、用户端控制功能、多种数据传输模式的双向数据通信功能、防窃电功能等智能化的功能，为计量数据采集带来极大的便利。
受到环境、人为、设计因素的影响，智能电表在使用中仍会出现异常用电问题，例如电表故障或能源窃取，从而造成非技术损失(non-technical losses,NTL)，所谓NTL是指由配电网侧电力用户的窃电、欺诈等一系列欺骗性用电行为所导致的电能损失。
目前，常利用高级量测体系(advanced metering infrastructure，AMI)检测智能电表的异常用电，检测过程中，利用AMI数据的精细粒度，将事件随时间推移以及整个消费者群中的事件与其他信息相关联，从而识别NTL。但是，该检测过程高度依赖于历史数据集，若缺乏完整的攻击样本数据集，将限制检测的准确率。
发明内容
本申请提供了一种智能电表异常用电检测方法，以解决现有的智能电表异常用电检测方法高度依赖于历史数据集，若缺乏完整的攻击样本数据集，将限制检测的准确率的问题。
本申请提供一种智能电表异常用电检测方法，包括：
采集能源供应方提供的供应总能量
Figure BDA0002473279190000011
以及数组预设单位时间ti内的用电能耗
Figure BDA0002473279190000012
所述用电能耗
Figure BDA0002473279190000013
为消费者n在第d天的第i个实时用电能耗，其中，ti∈T＝{t1,t2,…,tT},n＝1、2、3、……、N,d＝1、2、3、……、D；
采用分布式数据聚合模型对采集的数组用电能耗
Figure BDA0002473279190000014
进行聚合，得到消耗总能量
Figure BDA0002473279190000015
利用深度信念网络对供应总能量
Figure BDA0002473279190000016
用电能耗
Figure BDA0002473279190000017
与消耗总能量
Figure BDA0002473279190000018
进行特征数据提取，提取的特征数据包括异常系数ati,n,n＝1、2、3……；
判断异常系数ati,n是否大于0.05或小于-0.05，若异常系数ati,n大于0.05或小于-0.05，则判定智能电表存在异常用电。
可选地，所述异常系数ati,n的计算公式为：
Figure BDA0002473279190000021
其中，
Figure BDA0002473279190000022
为在第d天、预设单位时间ti时的损耗因子；
Figure BDA0002473279190000023
为在第d天、预设单位时间ti时的抄表误差，根据供应总能量
Figure BDA0002473279190000024
与消耗总能量
Figure BDA0002473279190000025
计算抄表误差
Figure BDA0002473279190000026
所述抄表误差
Figure BDA0002473279190000027
的计算公式为：
Figure BDA0002473279190000028
可选地，当d＝1时，所述异常系数ati,n的计算公式为：
Figure BDA0002473279190000029
其中，
Figure BDA00024732791900000210
为在第d＝1天、预设单位时间ti时的损耗因子；
yti为在第d＝1天、预设单位时间ti时的抄表误差，根据供应总能量sti与消耗总能量
Figure BDA00024732791900000211
计算抄表误差yti，所述抄表误差yti的计算公式为：
Figure BDA00024732791900000212
可选地，所述抄表误差
Figure BDA00024732791900000213
的计算公式为：
Figure BDA00024732791900000214
其中，
Figure BDA00024732791900000215
为邻域网数据汇聚中存在技术误差；
Figure BDA00024732791900000216
n＝1为能量窃取；
Figure BDA00024732791900000217
n＝1为电表缺陷异常。
可选地,对用电能耗
Figure BDA00024732791900000218
进行聚合，得到消耗总能量
Figure BDA00024732791900000219
之后还包括步骤：对消耗总能量
Figure BDA00024732791900000220
进行加密处理。
本申请提供了一种智能电表异常用电检测方法，采集供应方的供应总能量和消费者的用电能耗，利用数据聚合模型和深度信念网络进行特征数据提取，即计算异常系数，异常系数可表征能量供应方提供的供应总能量与消费者智能电表报告的用电能耗之间的匹配失衡度，由此可查找异常数据，从而检测能量窃取者或缺陷异常的智能电表，以进行损坏电表的更换以及不良信用消费者的清查。相较于传统的检测方法，本申请的智能电表异常用电检测方法可利用每日的电能数据进行异常用电检测，不需要依赖于历史数据集，检测周期短，且检测的准确率高，提高了智能电表异常用电进行日常检测的实用性。
附图说明
为了更清楚地说明本申请的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本申请智能电表异常用电检测方法的流程图；
图2为本申请分布式数据聚合模型的模型图；
图3为本申请智能电表计量模型图；
图4为采用本申请方法检测的10个消费者(用户)异常系数的数值统计图。
具体实施方式
本申请提供一种智能电表异常用电检测方法，用于对智能电表的异常用电进行日常检测。图1为申请智能电表异常用电检测方法的流程图，如图1所示，智能电表异常用电检测方法包括：步骤S100，采集能源供应方提供的供应总能量
Figure BDA0002473279190000031
以及数组预设单位时间ti内的用电能耗
Figure BDA0002473279190000032
所述用电能耗
Figure BDA0002473279190000033
为消费者n在第d天的第i个实时用电能耗，其中，ti∈T＝{t1,t2,…,tT},n＝1、2、3、……、N,d＝1、2、3、……、D。
本申请中，智能电表采集消费者的在预设单位时间ti内的用电能耗
Figure BDA0002473279190000034
并将采集的用电能耗
Figure BDA0002473279190000035
发送至聚合器。应当说明，本领域技术人员可根据实际需要设置预设单位时间ti，例如10min、20min等，其均属于本申请的保护范围。
步骤S200，采用分布式数据聚合模型对采集的数组用电能耗
Figure BDA0002473279190000036
进行聚合，得到消耗总能量
Figure BDA0002473279190000037
本申请中，聚合器采用分布式数据聚合模型，对采集的数组用电能耗
Figure BDA0002473279190000038
进行聚合，得到消耗总能量
Figure BDA0002473279190000039
并将消耗总能量
Figure BDA00024732791900000310
发送至电表数据管理中心。
图2为分布式数据聚合模型的结构示意图，如图2所示，智能电表向聚合器发送消费者的用电能耗
Figure BDA00024732791900000311
为保证消费者的隐私安全，本申请采用分布式数据聚合模型，分布式数据聚合模型包括智能电表(A、B、D、E、F、G)和聚合器(m、n、p)。其中，智能电表用于采集消费者的用电能耗
Figure BDA00024732791900000312
并将数据传输至聚合器。聚合器对智能电表采集的用电能耗
Figure BDA00024732791900000313
进行汇集，并经加密处理后发送至电表数据管理中心。
为确保消费者的电力供应总能量的隐私安全，本申请中，对用电能耗
Figure BDA00024732791900000314
进行聚合，得到消耗总能量
Figure BDA00024732791900000315
之后还包括步骤S300，对消耗总能量
Figure BDA00024732791900000316
进行加密处理，再将加密处理的消耗总能量
Figure BDA00024732791900000317
上传至电表数据管理中心。
步骤S400，利用深度信念网络对供应总能量
Figure BDA00024732791900000318
用电能耗
Figure BDA00024732791900000319
与消耗总能量
Figure BDA00024732791900000320
进行特征数据提取，提取的特征数据包括异常系数ati,n,n＝1、2、3……。
本申请中，电表数据管理中心利用深度信念网络对供应总能量
Figure BDA0002473279190000041
用电能耗
Figure BDA0002473279190000042
与消耗总能量
Figure BDA0002473279190000043
进行特征数据提取，提取的特征数据包括异常系数ati,n,n＝1、2、3……。
深度信念网络作为降维工具，将高维的输入向量X∈Rn×d通过压缩提取后，输出低维的特征向量Y∈Rn×s，其中s＜d，即电表能量管理中心利用深度信念网络将数据降维后再进行特征提取。
本申请中，异常系数ati,n的计算公式为：
Figure BDA0002473279190000044
其中，
Figure BDA0002473279190000045
为在第d天、预设单位时间ti时的损耗因子，应当说明，
Figure BDA0002473279190000046
为本领域常用的经验数据，在此将不对其获取过程进行详述。
Figure BDA0002473279190000047
为在第d天、预设单位时间ti时的抄表误差，本申请中，根据供应总能量
Figure BDA0002473279190000048
与消耗总能量
Figure BDA0002473279190000049
计算抄表误差
Figure BDA00024732791900000410
抄表误差
Figure BDA00024732791900000411
的计算公式为：
Figure BDA00024732791900000412
若检测一天内智能电表异常用电情况，即d＝1时，异常系数ati,n的计算公式为：
Figure BDA00024732791900000413
其中，
Figure BDA00024732791900000414
为在第d＝1天、预设单位时间ti时的损耗因子，应当说明，
Figure BDA00024732791900000415
为本领域常用的经验数据，在此将不对其获取过程进行详述。
yti为在第d＝1天、预设单位时间ti时的抄表误差，根据供应总能量sti与消耗总能量
Figure BDA00024732791900000416
计算抄表误差yti，所述抄表误差yti的计算公式为：
Figure BDA00024732791900000417
本申请中，抄表误差
Figure BDA00024732791900000418
的计算公式为：
Figure BDA00024732791900000419
其中，
Figure BDA00024732791900000420
为邻域网数据汇聚中存在技术误差；
Figure BDA00024732791900000421
n＝1为能量窃取；
Figure BDA0002473279190000051
n＝1为电表缺陷异常。
步骤S500，判断异常系数ati,n是否大于0.05或小于-0.05，若异常系数ati,n大于0.05或小于-0.05，则判定智能电表存在异常用电；若-0.05≤ati,n≤0.05，则判定智能电表用电正常。
本申请中，设定异常系数进行智能电表的异常用电分析，由N个消费者组成的集群，为每个消费者定义一个异常系数ati,n，若异常系数ati,n接近零，即-0.05≤ati,n≤0.05，则判定消费者的电量是准确的；若异常系数ati,n偏离零较大范围，即ati,n＞0.05或ati,n＜-0.05，则判定消费者的电量存在能量窃取和缺陷异常状况。
为便于本领域人员更好的理解本申请的方案，以下将结合实例对智能电表进行说明，图3为智能电表计量模型图，如图3所示，高级量测体系包括智能电表(DS)、聚合器、电表数据管理中心(MDMS)和各种通信网络，智能电表将收集的数据集成到软件平台和接口中。高级量测体系由两种类型的网络组成，即智能电表侧邻域网(NAN)和用于数据信息收发的广域网(WAN)。
在配电变电站中安装用于数据收集的主智能电表，记录在统计时间内流经变电站所有消费者的用电能耗(用电量)，以及在每个消费者室内安装具有网络接口的分智能电表，主智能电表与各消费者侧的分智能电表采用放射状拓扑结构。
由于有功功率是可加的，因此根节点提供给NAN的总能量是所有叶子节点在预设单位时间ti的用电量之和，即为：
Figure BDA0002473279190000052
其中，λ为技术损失，θ和γ分别为由于能量盗窃或故障智能电表造成的不准确仪表读数。
消费者在不同电表异常状况下，其异常系数的数值如图4所示。针对10个消费者(用户)的规模设置了不同的能量窃取/故障情况，提取30天的能耗数据(即D＝30)以解决智能电表各种异常用电问题，本实例中，预设单位时间ti为15min。从图4可以看出，用户4的能源消耗从15日到19日低报了60％，并报告其分智能电表的读数从第35位到第39位减少了50％时间间隔，由此可判定用户4的分智能电表存在异常用电。
利用智能电表对供应方的供应总能量和消费者的用电能耗进行采集，对采集的数据进行处理，其具体包括：基于分布式数据聚合模型，将智能电表采集的用电能耗上传至聚合器，聚合器汇集数据得到供应总能量，并将供应总能量进行相应加密处理后上传至电表能量管理中心；电表能量管理中心利用深度信念网络将用电能耗与供应总能量进行降维并提取数据特征，即计算得到异常系数，异常系数用于分析能量供应方提供的供应总能量与消费者智能电表每日报告的用电能耗之间的匹配失衡度，由此可查找异常数据；最后根据异常系数的数值查找能量窃取者或缺陷异常的智能电表，从而精确地进行NTL检测分析，实现智能电表异常用电的检测。
相较于传统的检测方法，本申请的智能电表异常用电检测方法可利用每日的电能数据进行异常用电检测，不需要依赖于历史数据集，检测周期短，且检测的准确率高，提高了智能电表异常用电进行日常检测的实用性。
以上所述的本申请实施方式并不构成对本申请保护范围的限定。

Claims (5)

1.一种智能电表异常用电检测方法，其特征在于，包括：
采集能源供应方提供的供应总能量
Figure FDA0002473279180000011
以及数组预设单位时间ti内的用电能耗
Figure FDA0002473279180000012
所述用电能耗
Figure FDA0002473279180000013
为消费者n在第d天的第i个实时用电能耗，其中，ti∈T＝{t1,t2,…,tT},n＝1、2、3、……、N,d＝1、2、3、……、D；
采用分布式数据聚合模型对采集的数组用电能耗
Figure FDA0002473279180000014
进行聚合，得到消耗总能量
Figure FDA0002473279180000015
利用深度信念网络对供应总能量
Figure FDA0002473279180000016
用电能耗
Figure FDA0002473279180000017
与消耗总能量
Figure FDA0002473279180000018
进行特征数据提取，提取的特征数据包括异常系数ati,n,n＝1、2、3……；
判断异常系数ati,n是否大于0.05或小于-0.05，若异常系数ati,n大于0.05或小于-0.05，则判定智能电表存在异常用电。
2.根据权利要求1所述的智能电表异常用电检测方法，其特征在于，所述异常系数ati,n的计算公式为：
Figure FDA0002473279180000019
其中，
Figure FDA00024732791800000110
为在第d天、预设单位时间ti时的损耗因子；
Figure FDA00024732791800000111
为在第d天、预设单位时间ti时的抄表误差，根据供应总能量
Figure FDA00024732791800000112
与消耗总能量
Figure FDA00024732791800000113
计算抄表误差
Figure FDA00024732791800000114
所述抄表误差
Figure FDA00024732791800000115
的计算公式为：
Figure FDA00024732791800000116
3.根据权利要求2所述的智能电表异常用电检测方法，其特征在于，当d＝1时，所述异常系数ati,n的计算公式为：
Figure FDA00024732791800000117
其中，
Figure FDA00024732791800000118
为在第d＝1天、预设单位时间ti时的损耗因子；
yti为在第d＝1天、预设单位时间ti时的抄表误差，根据供应总能量sti与消耗总能量
Figure FDA0002473279180000021
计算抄表误差yti，所述抄表误差yti的计算公式为：
Figure FDA0002473279180000022
4.根据权利要求3所述的智能电表异常用电检测方法，其特征在于，所述抄表误差yti的计算公式为：
Figure FDA0002473279180000023
其中，
Figure FDA0002473279180000024
为邻域网数据汇聚中存在技术误差；
Figure FDA0002473279180000025
n＝1为能量窃取；
Figure FDA0002473279180000026
n＝1为电表缺陷异常。
5.根据权利要求1所述的智能电表异常用电检测方法，其特征在于,对用电能耗
Figure FDA0002473279180000027
进行聚合，得到消耗总能量
Figure FDA0002473279180000028
之后还包括步骤：对消耗总能量
Figure FDA0002473279180000029
进行加密处理。
CN202010355446.1A 2020-04-29 2020-04-29 一种智能电表异常用电检测方法 Active CN111366889B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010355446.1A CN111366889B (zh) 2020-04-29 2020-04-29 一种智能电表异常用电检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010355446.1A CN111366889B (zh) 2020-04-29 2020-04-29 一种智能电表异常用电检测方法

Publications (2)

Publication Number Publication Date
CN111366889A true CN111366889A (zh) 2020-07-03
CN111366889B CN111366889B (zh) 2022-01-25

Family

ID=71207617

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010355446.1A Active CN111366889B (zh) 2020-04-29 2020-04-29 一种智能电表异常用电检测方法

Country Status (1)

Country Link
CN (1) CN111366889B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113824109A (zh) * 2020-10-23 2021-12-21 国网山东省电力公司兰陵县供电公司 区域拓扑网络用电数据一致性核算方法
US11449315B2 (en) * 2014-09-24 2022-09-20 C3.Ai, Inc. Systems and methods for utilizing machine learning to identify non-technical loss

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005147766A (ja) * 2003-11-12 2005-06-09 Toshiba Corp 電力料金の課金システム及びその電力量計
JP2005233804A (ja) * 2004-02-20 2005-09-02 Toshiba Corp 電力量の課金システム及びその電力量計
CN108964894A (zh) * 2018-06-28 2018-12-07 上海电力学院 一种基于状态估计且具备隐私保护的电网盗电检测方法
CN109193649A (zh) * 2018-10-23 2019-01-11 东南大学 基于深度信念网络的分布式光伏集群动态等值建模方法
CN109614997A (zh) * 2018-11-29 2019-04-12 武汉大学 一种基于深度学习的窃电风险预测方法及装置
CN110580543A (zh) * 2019-08-06 2019-12-17 天津大学 一种基于深度信念网络的电力负荷预测方法及系统
CN110739686A (zh) * 2019-10-15 2020-01-31 福建网能科技开发有限责任公司 一种基于总表异常分析的台区线损治理方法及系统
CN110929843A (zh) * 2019-10-29 2020-03-27 国网福建省电力有限公司 一种基于改进深度自编码网络的异常用电行为辨识方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005147766A (ja) * 2003-11-12 2005-06-09 Toshiba Corp 電力料金の課金システム及びその電力量計
JP2005233804A (ja) * 2004-02-20 2005-09-02 Toshiba Corp 電力量の課金システム及びその電力量計
CN108964894A (zh) * 2018-06-28 2018-12-07 上海电力学院 一种基于状态估计且具备隐私保护的电网盗电检测方法
CN109193649A (zh) * 2018-10-23 2019-01-11 东南大学 基于深度信念网络的分布式光伏集群动态等值建模方法
CN109614997A (zh) * 2018-11-29 2019-04-12 武汉大学 一种基于深度学习的窃电风险预测方法及装置
CN110580543A (zh) * 2019-08-06 2019-12-17 天津大学 一种基于深度信念网络的电力负荷预测方法及系统
CN110739686A (zh) * 2019-10-15 2020-01-31 福建网能科技开发有限责任公司 一种基于总表异常分析的台区线损治理方法及系统
CN110929843A (zh) * 2019-10-29 2020-03-27 国网福建省电力有限公司 一种基于改进深度自编码网络的异常用电行为辨识方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
YUFAN ZHANG: "Energy theft detection in an edge data center using threshold-based abnormality detector", 《ELECTRICAL POWER AND ENERGY SYSTEMS》 *
李丹丹: "DBN 深度学习算法在反窃电系统中的应用", 《运营技术广角》 *
肖勇: "基于深度信念网络与数据聚合模型的智能电表数据异常检测方法", 《南方电网技术》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11449315B2 (en) * 2014-09-24 2022-09-20 C3.Ai, Inc. Systems and methods for utilizing machine learning to identify non-technical loss
US11886843B2 (en) 2014-09-24 2024-01-30 C3.Ai, Inc. Systems and methods for utilizing machine learning to identify non-technical loss
CN113824109A (zh) * 2020-10-23 2021-12-21 国网山东省电力公司兰陵县供电公司 区域拓扑网络用电数据一致性核算方法
CN113824109B (zh) * 2020-10-23 2023-08-18 国网山东省电力公司兰陵县供电公司 区域拓扑网络用电数据一致性核算方法

Also Published As

Publication number Publication date
CN111366889B (zh) 2022-01-25

Similar Documents

Publication Publication Date Title
CN105740975B (zh) 一种基于数据关联关系的设备缺陷评估与预测方法
CN104794206B (zh) 一种变电站数据质量评价系统及方法
CN111600296B (zh) 基于边缘计算的电力负荷预测系统及其预测方法
CN109633321B (zh) 一种台区户变关系区分系统、方法及台区高损监测方法
CN110222991B (zh) 基于rf-gbdt的计量装置故障诊断方法
CN110739686B (zh) 一种基于总表异常分析的台区线损治理方法及系统
CN111366889B (zh) 一种智能电表异常用电检测方法
CN113011481B (zh) 一种基于决策树算法的电能表功能异常评估方法及系统
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
CN107589391A (zh) 一种检测电能计量装置整体误差的方法、装置和系统
CN106709823A (zh) 一种电力用户用电信息采集系统的运行性能评价方法
CN115081795A (zh) 多维场景下企业能耗异常成因分析方法及系统
Fragkioudaki et al. Detection of non-technical losses in smart distribution networks: A review
CN114240086A (zh) 碳排放监测方法、装置、存储介质及处理器
CN103529337B (zh) 设备故障与电气量信息间非线性相关关系的识别方法
CN115409120A (zh) 一种基于数据驱动的用户窃电行为检测辅助方法
CN115759708A (zh) 一种考虑电力时空分布特性的线损分析方法及系统
CN110555619A (zh) 一种基于智能配电网的供电能力评估方法
CN111311089B (zh) 一种电力物联网的大数据统计方法及系统
CN112613711A (zh) 一种基于六何分析法的水务大数据指标管理方法及系统
CN112182499A (zh) 一种基于时序电量数据的低压配电网拓扑结构辨识方法
CN117331017A (zh) 一种三相四线电能表错接线研判方法及系统
CN107611940A (zh) 一种基于历史数据分析的配电网异常监测方法与系统
CN115905319B (zh) 一种海量用户电费异常的自动识别方法及系统
CN115603318A (zh) 基于营配数据的跨地区大面积停电故障研判方法及系统

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