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 PDFInfo
- 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
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
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以及数组预设单位时间ti内的用电能耗所述用电能耗为消费者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;
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:
可选地,当d=1时,所述异常系数ati,n的计算公式为:
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以及数组预设单位时间ti内的用电能耗所述用电能耗为消费者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内的用电能耗并将采集的用电能耗发送至聚合器。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。
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进行汇集,并经加密处理后发送至电表数据管理中心。
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:
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:
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:
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)
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)
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)
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 |
-
2020
- 2020-04-29 CN CN202010355446.1A patent/CN111366889B/zh active Active
Patent Citations (8)
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)
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)
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 |