CN111951125A - 一种基于大数据分析的台区异常户变关系识别方法 - Google Patents

Abstract

一种基于大数据分析的台区异常户变关系识别方法，该方法利用现有线损及台区用户用电量数据，利用台区线损波动与异常户变关系之间的联系，通过对数据进行拆解，筛选台区日期、用户用电增量，计算用户用电量增量对台区线损增量的影响系数，识别台区异常户变关系，摒除人工识别人力成本及添加专属识别设备成本的弊端，提高了识别准确率、效率。

Description

一种基于大数据分析的台区异常户变关系识别方法

技术领域

本发明涉及变压器台区户变关系识别技术领域，具体地说是一种基于大数据分析的台区异常户变关系识别方法。

背景技术

台区(指一台变压器的供电范围或区域，文本所述方法针对公变台区，文中所述台区均指公变台区，下文中不再进行特别描述)线损是在电能传输和营销过程中自台区配变出线起，至用户电能表止所产生的电能损耗和损失(台区线损＝台区总供电量-台区总用电量)

户变关系指的是变压器(台区)和用户电表的连接关系，台区户变关系的正确性是实现台区线损准确计算分析的前提。近年由于城市的快速发展，以及历史电网管理遗留的问题，配电网管理仍存在亟需改进之处。其中，户变关系对配电网管理影响较大，影响包括停电通知到户、台区同期线损、设备管理、业扩等大量营销业务。户变关系的准确核查有助于治理台区线损异常，提高用电负荷精细化管理水平。

户变关系的判别一直以来都是各供电企业台区线损管理的一大难题。传统台区停电方法虽然可以逐一排查停电台区变压器和户表的对应关系，但是为保证用户供电可靠性，全面停电排查方法无法实施。国内有供电企业采用台区识别仪通过载波通讯方式识别台区，但是需要在线路上加装集中器和采集器等硬件，全面开展受成本条件限制。目前,户变关系准确性已达到较高水平。考虑到剩下的户变关系异常用户数量相对不多且用电行为较隐蔽，再使用人工或通过加装设备进行排查，需花费大量的时间、人力和资金成本，投入产出比极低。

发明内容

本发明实施例提供了一种基于大数据分析的台区异常户变关系识别方法，用于解决现有技术中识别台区异常户变关系人力物力的成本以及耗时高、效率低的问题。

为了解决上述技术问题，本发明实施例公开了如下技术方案：

一种基于大数据分析的台区异常户变关系识别方法，该方法包括以下步骤：

选取最少一年的台区日总用电量、日线损、日抄表成功率数据，并对数据拆分成多个数据集合；

计算台区线损日增量、总用电量日增量，生成集合A_j；对多个数据集合进行日期筛选，生成线损增量集合S_j；

分别计算线损增量集合中线损增量的离散系数，生成集合CV；

对集合CV做聚类操作，选择聚类中心大的一类cv对应的集合形成集合DV，与DV相对应的集合A、S筛选出的集合AV＝[A₁,Λ,A_v]，集合SV＝[S₁,Λ,S_v](v＝1...v,v<＝i/di)；

对集合DV的用户用电增量进行筛选，筛选出某一用户任一日期下的用电增量绝对值大于阈值α的用户及其对应的用户用电量增量，形成集合M_V；

遍历集合DV下的各个集合，进行用户用电增量的筛选，形成集合MV＝[M₁,Λ,M_v](v＝1...v,v<＝i/di)；

遍历集合SV和MV，计算用户用电量增量对台区线损增量的影响系数，生成集合Q；

根据集合Q通过预设阈值判断是否为异常用户。

在第一种可能实现的方式中，选取最少一年的台区日总用电量、日线损、日抄表成功率数据，并对数据拆分成多个数据集合具体包括以下步骤：

S11、选取最少一年的台区日总用电量、日线损、日抄表成功率数据，形成集合Z，

式中，i代表日期，p_i表示日期i台区总用电量，l_i表示日期i台区总线损，r_i表示日期i台区抄表成功率；

S12、筛选集合Z r_i为1.0的数据，并将集合Z拆分为行数为di的多个小集合，丢弃行数不足di的数据，生成的多个集合分别记为{W_1ΛW_jΛW_n}(j＝1,2...n,n＝i/di)。

在第二种可能实现的方式中，计算台区线损日增量、总用电量日增量，生成集合A_j；对多个数据集合进行日期筛选，生成线损增量集合S_j具体包括以下步骤：

S21、对数据集合W_j计算台区线损日增量、总用电量日增量，生成集合A_j，

式中，i代表日期，Δl_i＝l_i-l_i-1，Δp_i＝p_i-p_i-1，Δl_i为线损增量，l_i为当前日期的台区线损，l_i-1为另一日期下的台区线损；Δp_i为台区总用电量增量，p_i为当前日期的台区总用电量，p_i-1为另一日期下的台区总用电量；

S22、对集合A_j中进行筛查，筛选出台区线损增量为负值，台区总用电量增量为正值的日期集合D_j及日期对应的线损增量集合S_j；

其中d为符合条件的日期，Δl_d为符合条件的日期下的线损增量。

在第三种可能实现的方式中，所述分别计算线损增量集合中线损增量的离散系数，生成集合CV具体包括以下步骤：

S31、对所有的集合W_j(j＝1...n,n＝i/di)，执行S21、S22中的筛选工作，得到集合D，S，A；D＝[D₁,Λ,D_j]，A＝[A₁,Λ,A_j]，S＝[S₁,Λ,S_j](j＝1...n,n＝i/di)；

S32、分别计算集合S中各个集合关于线损增量的离散系数(指标为CV，标准差系数)，生成集合CV；CV＝[cv₁,Λ,cv_j]，

在第四种可能实现的方式中，对集合CV做聚类操作，选择聚类中心大的一类cv对应的集合形成集合DV，与DV相对应的集合A、S筛选出的集合AV＝[A₁,Λ,A_v]，集合SV＝[S₁,Λ,S_v](v＝1...v,v<＝i/di)具体包括以下步骤：

S41、选择聚类中心大的一类cv(标准差系数)对应的集合D_j形成集合DV，DV＝[D₁,Λ,D_v]，与DV相对应的集合A、S筛选出的集合AV＝[A₁,Λ,A_v]，集合SV＝[S₁,Λ,S_v](v＝1...v,v<＝i/di)。

在第五种可能实现的方式中，所述cv的计算方法包括：

在第六种可能实现的方式中，所述对集合DV的用户用电增量进行筛选，筛选出某一用户任一日期下的用电增量绝对值大于阈值α的用户及其对应的用户用电量增量，形成集合M_V具体包括以下步骤：

S51、选择日期集合DV下的用户用电量生成用户用电量集合U_v，

其中m为集合DV中的日期，k代表用户；

S52、计算日期m台区用户的日用电量增量：

Δu_m,k＝u_m,k-u_m-1,k(m，m-1均代表日期)；

S53、根据集合U_v计算生成用户用电量增量集合ΔU_v：

S54、保留在集合ΔU_v中任一日期下的用电增量绝对值大于阈值α的用户，移除在所有日期下的增量均小于α的用户；

S55、计算用户在日期下的用电量增量的离散系数：

S56、选择离散系数大于阈值β的用户及其对应的用户用电量增量形成集合M_v：

其中，h表示符合筛选条件的用户，m表示符合筛选条件的日期，mu_m,h为符合条件用户在符合条件日期下的用电量增量。

在第七种可能实现的方式中，所述遍历集合SV和MV，计算用户用电量增量对台区线损增量的影响系数，生成集合Q具体包括以下步骤：

S61、根据公式XC＝S回归计算得到线损增量的影响系数；

式中，自变量

表示用户用电量的增量；b_m为计算添加的截距，m表示符合筛选条件的日期，mu_m,h为符合条件用户在符合条件日期下的用电量增量；因变量

S_v为集合SV中的小集合；

回归取得用户用电增量与台区总用电量增量的线损增量的影响系数

(h代表用户),(h＝1...t,t<＝us)；

S62、对线损增量的影响系数进行分析，如果回归计算不能收敛，则表示用户用电量增量与台区线损增量之间的关联关系并不强烈，生成空的集合Q_v；如果回归计算能收敛，且线损增量的影响系数中的负值占比小于阈值γ，根据线损增量的影响系数进行聚类操作，挑选出系数为负值且绝对值较大的一类用户、系数小于阈值η的用户加入集合Q_v；

S63、遍历集合SV、MV，生成集合，Q＝[Q₁,Λ,Q_v]，(v＝1...v,v<＝i/di)。

在第八种可能实现的方式中，所述根据集合Q通过预设阈值判断是否为异常用户具体包括以下步骤：

S71、统计集合Q中某用户出现的次数记为c，集合Q中小集合Q_v的个数为v；

S72、如果c/v＞θ，θ为阈值，将此用户放入集合G中，若集合G不为空，集合G中的用户判定为异常用户。

由以上技术方案可见，本发明提供的台区异常户变关系识别方法为利用台区用户日用电量及台区日线损数据，基于大数据技术分析用户日用电量增量与台区日线损增量间的强相关关系来识别异常户变关系，避免了人工排查的大量人力成本、减少了人工排查容易出现的人为识别错误。3)避免了增加设备进行排查时的设备和施工成本，提高识别效率。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述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为一种基于大数据分析的台区异常户变关系识别方法流程示意图；

具体实施方式

为了使本技术领域的人员更好地理解本发明中的技术方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。

影响台区日线损波动的原因有很多，其中包含台区下用户的异常户变关系。如果某用户从档案判断属于此台区，然而实际并不由此台区的配电供电，则该用户对台区线损的波动有较大影响，具体表现为：该用户日用电量的正增量(用户当日用电量相较于前一日用电量增加)与台区线损的负增量(台区当日线损相较于前一日线损减少)之间具有强的负相关。本发明利用台区用户用电量及台区日线损数据，基于大数据技术分析用户日用电量与台区日线损增量间的强相关关系来识别异常户变关系，具体如图1所示：

一种基于大数据分析的台区异常户变关系识别方法，该方法包括以下步骤：

S1、选取最少一年的台区日总用电量、日线损、日抄表成功率数据，并对数据拆分成多个数据集合；

S2、计算台区线损日增量、总用电量日增量，生成集合A_j；对多个数据集合进行日期筛选，生成线损增量集合S_j；

S3、分别计算线损增量集合中线损增量的离散系数，生成集合CV；

S4、对集合CV做聚类操作，选择聚类中心大的一类cv对应的集合形成集合DV，与DV相对应的集合A、S筛选出的集合AV＝[A₁,Λ,A_v]，集合SV＝[S₁,Λ,S_v](v＝1...v,v<＝i/di)；

S5、对集合DV的用户用电增量进行筛选，筛选出某一用户任一日期下的用电增量绝对值大于阈值α的用户及其对应的用户用电量增量，形成集合M_V；

S6、遍历集合DV下的各个集合，进行用户用电增量的筛选，形成集合MV＝[M₁,Λ,M_v](v＝1...v,v<＝i/di)；

S7、遍历集合SV和MV，计算用户用电量增量对台区线损增量的影响系数，生成集合Q；

S8、根据集合Q通过预设阈值判断是否为异常用户。

步骤S1中，选取最少一年的台区日总用电量、日线损、日抄表成功率数据，并对数据拆分成多个数据集合具体包括以下步骤：

S11、选取最少一年的台区日总用电量、日线损、日抄表成功率数据，形成集合Z，

式中，i代表日期，p_i表示日期i台区总用电量，l_i表示日期i台区总线损，r_i表示日期i台区抄表成功率；

S12、筛选集合Z r_i为1.0的数据，并将集合Z拆分为行数为di的多个小集合，丢弃行数不足di的数据，生成的多个集合分别记为{W_1ΛW_jΛW_n}(j＝1,2...n,n＝i/di)。

步骤S2中，计算台区线损日增量、总用电量日增量，生成集合A_j；对多个数据集合进行日期筛选，生成线损增量集合S_j具体包括以下步骤：

S21、对数据集合W_j计算台区线损日增量、总用电量日增量，生成集合A_j，

式中，i代表日期，Δl_i＝l_i-l_i-1，Δp_i＝p_i-p_i-1，Δl_i为线损增量，l_i为当前日期的台区线损，l_i-1为另一日期下的台区线损；Δp_i为台区总用电量增量，p_i为当前日期的台区总用电量，p_i-1为另一日期下的台区总用电量；

S22、对集合A_j中进行筛查，筛选出台区线损增量为负值，台区总用电量增量为正值的日期集合D_j及日期对应的线损增量集合S_j；

其中d为符合条件的日期，Δl_d为符合条件的日期下的线损增量。

步骤S3中，分别计算线损增量集合中线损增量的离散系数，生成集合CV具体包括以下步骤：

S31、对所有的集合W_j(j＝1...n,n＝i/di)，执行S21、S22中的筛选工作，得到集合D，S，A；D＝[D₁,Λ,D_j]，A＝[A₁,Λ,A_j]，S＝[S₁,Λ,S_j](j＝1...n,n＝i/di)；

S32、分别计算集合S中各个集合关于线损增量的离散系数(指标为CV，标准差系数)，生成集合CV；CV＝[cv₁,Λ,cv_j]，

cv的计算方法包括：

步骤S4中，对集合CV做聚类操作，选择聚类中心大的一类cv对应的集合形成集合DV，与DV相对应的集合A、S筛选出的集合AV＝[A₁,Λ,A_v]，集合SV＝[S₁,Λ,S_v](v＝1...v,v<＝i/di)具体包括以下步骤：

选择聚类中心大的一类cv(标准差系数)对应的集合D_j形成集合DV，DV＝[D₁,Λ,D_v]，与DV相对应的集合A、S筛选出的集合AV＝[A₁,Λ,A_v]，集合SV＝[S₁,Λ,S_v](v＝1...v,v<＝i/di)。

D_V是大集合DV中的小集合，S_V、A_V同理。

步骤S5中，对集合DV的用户用电增量进行筛选，筛选出某一用户任一日期下的用电增量绝对值大于阈值α的用户及其对应的用户用电量增量，形成集合M_V具体包括以下步骤：

S51、选择日期集合DV下的用户用电量生成用户用电量集合U_v，

其中m为集合DV中的日期，k代表用户；

S52、计算日期m台区用户的日用电量增量：

Δu_m,k＝u_m,k-u_m-1,k(m，m-1均代表日期)；

S53、根据集合U_v计算生成用户用电量增量集合ΔU_v：

S54、保留在集合ΔU_v中任一日期下的用电增量绝对值大于阈值α的用户，移除在所有日期下的增量均小于α的用户；

S55、计算用户在日期下的用电量增量的离散系数：

S56、选择离散系数大于阈值β的用户及其对应的用户用电量增量形成集合M_v：

其中，h表示符合筛选条件的用户，m表示符合筛选条件的日期，mu_m,h为符合条件用户在符合条件日期下的用电量增量。

步骤S6中遍历集合SV和MV，计算用户用电量增量对台区线损增量的影响系数，生成集合Q具体包括以下步骤：

S61、根据公式XC＝S回归计算得到线损增量的影响系数；

式中，自变量

表示用户用电量的增量；b_m为计算添加的截距，m表示符合筛选条件的日期，mu_m,h为符合条件用户在符合条件日期下的用电量增量；因变量

S_v为集合SV中的小集合；

回归取得用户用电增量与台区总用电量增量的线损增量的影响系数

(h代表用户),(h＝1...t,t<＝us)；

S62、对线损增量的影响系数进行分析，如果回归计算不能收敛，则表示用户用电量增量与台区线损增量之间的关联关系并不强烈，生成空的集合Q_v；如果回归计算能收敛，且线损增量的影响系数中的负值占比小于阈值γ，根据线损增量的影响系数进行聚类操作，挑选出系数为负值且绝对值较大的一类用户、系数小于阈值η的用户加入集合Q_v；回归计算是否收敛是根据计算影响系数C的过程中的误差来判断，如果误差大，则不能很好的收敛，如果误差小则能很好的收敛。

S63、遍历集合SV、MV，生成集合，Q＝[Q₁,Λ,Q_v]，(v＝1...v,v<＝i/di)。

步骤S7中根据集合Q通过预设阈值判断是否为异常用户具体包括以下步骤：

S71、统计集合Q中某用户出现的次数记为c，集合Q中小集合Q_v的个数为v；

S72、如果c/v＞θ，θ为阈值，将此用户放入集合G中，若集合G不为空，集合G中的用户判定为异常用户。

本发明充分利用现有线损及台区用户用电量数据，利用台区线损波动与异常户变关系之间的联系，识别台区异常户变关系，摒除人工识别人力成本及添加专属识别设备成本的弊端，提高了识别准确率、效率。

以上所述仅是本发明的具体实施方式，使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (9)

1.一种基于大数据分析的台区异常户变关系识别方法，其特征是，该方法包括以下步骤：

选取最少一年的台区日总用电量、日线损、日抄表成功率数据，并对数据拆分成多个数据集合；

计算台区线损日增量、总用电量日增量，生成集合A_j；对多个数据集合进行日期筛选，生成线损增量集合S_j；

分别计算线损增量集合中线损增量的离散系数，生成集合CV；

对集合CV做聚类操作，选择聚类中心大的一类cv对应的集合形成集合DV，与DV相对应的集合A、S筛选出的集合AV＝[A₁,Λ,A_v]，集合SV＝[S₁,Λ,S_v](v＝1...v,v<＝i/di)；

对集合DV的用户用电增量进行筛选，筛选出某一用户任一日期下的用电增量绝对值大于阈值α的用户及其对应的用户用电量增量，形成集合M_V；

遍历集合DV下的各个集合，进行用户用电增量的筛选，形成集合MV＝[M₁,Λ,M_v](v＝1...v,v<＝i/di)；

遍历集合SV和MV，计算用户用电量增量对台区线损增量的影响系数，生成集合Q；

根据集合Q通过预设阈值判断是否为异常用户。

2.根据权利要求1所述的一种基于大数据分析的台区异常户变关系识别方法，其特征是，选取最少一年的台区日总用电量、日线损、日抄表成功率数据，并对数据拆分成多个数据集合具体包括以下步骤：

S11、选取最少一年的台区日总用电量、日线损、日抄表成功率数据，形成集合Z，

式中，i代表日期，p_i表示日期i台区总用电量，l_i表示日期i台区总线损，r_i表示日期i台区抄表成功率；

S12、筛选集合Z r_i为1.0的数据，并将集合Z拆分为行数为di的多个小集合，丢弃行数不足di的数据，生成的多个集合分别记为{W_1Λ W_jΛ W_n}(j＝1,2...n,n＝i/di)。

3.根据权利要求2所述的一种基于大数据分析的台区异常户变关系识别方法，其特征是，计算台区线损日增量、总用电量日增量，生成集合A_j；对多个数据集合进行日期筛选，生成线损增量集合S_j具体包括以下步骤：

S21、对数据集合W_j计算台区线损日增量、总用电量日增量，生成集合A_j，

式中，i代表日期，Δl_i＝l_i-l_i-1，Δp_i＝p_i-p_i-1，Δl_i为线损增量，l_i为当前日期的台区线损，l_i-1为另一日期下的台区线损；Δp_i为台区总用电量增量，p_i为当前日期的台区总用电量，p_i-1为另一日期下的台区总用电量；

S22、对集合A_j中进行筛查，筛选出台区线损增量为负值，台区总用电量增量为正值的日期集合D_j及日期对应的线损增量集合S_j；

其中d为符合条件的日期，Δl_d为符合条件的日期下的线损增量。

4.根据权利要求3所述的一种基于大数据分析的台区异常户变关系识别方法，其特征是，所述分别计算线损增量集合中线损增量的离散系数，生成集合CV具体包括以下步骤：

S31、对所有的集合W_j(j＝1...n,n＝i/di)，执行S21、S22中的筛选工作，得到集合D，S，A；D＝[D₁,Λ,D_j]，A＝[A₁,Λ,A_j]，S＝[S₁,Λ,S_j](j＝1...n,n＝i/di)；

S32、分别计算集合S中各个集合关于线损增量的离散系数(指标为CV，标准差系数)，生成集合CV；CV＝[cv₁,Λ,cv_j]，

5.根据权利要求4所述的一种基于大数据分析的台区异常户变关系识别方法，其特征是，对集合CV做聚类操作，选择聚类中心大的一类cv对应的集合形成集合DV，与DV相对应的集合A、S筛选出的集合AV＝[A₁,Λ,A_v]，集合SV＝[S₁,Λ,S_v](v＝1...v,v<＝i/di)具体包括以下步骤：

S41、选择聚类中心大的一类cv(标准差系数)对应的集合D_j形成集合DV，DV＝[D₁,Λ,D_v]，与DV相对应的集合A、S筛选出的集合AV＝[A₁,Λ,A_v]，集合SV＝[S₁,Λ,S_v](v＝1...v,v<＝i/di)。

6.根据权利要求5所述的一种基于大数据分析的台区异常户变关系识别方法，其特征是，所述cv的计算方法包括：

CV＝[cv₁,Λ,cv_j]，

7.根据权利要求5所述的一种基于大数据分析的台区异常户变关系识别方法，其特征是，所述对集合DV的用户用电增量进行筛选，筛选出某一用户任一日期下的用电增量绝对值大于阈值α的用户及其对应的用户用电量增量，形成集合M_V具体包括以下步骤：

S51、选择日期集合DV下的用户用电量生成用户用电量集合U_v，

其中m为集合DV中的日期，k代表用户；

S52、计算日期m台区用户的日用电量增量：

Δu_m,k＝u_m,k-u_m-1,k(m，m-1均代表日期)；

S53、根据集合U_v计算生成用户用电量增量集合ΔU_v：

S54、保留在集合ΔU_v中任一日期下的用电增量绝对值大于阈值α的用户，移除在所有日期下的增量均小于α的用户；

S55、计算用户在日期下的用电量增量的离散系数：

S56、选择离散系数大于阈值β的用户及其对应的用户用电量增量形成集合M_v：

其中，h表示符合筛选条件的用户，m表示符合筛选条件的日期，mu_m,h为符合条件用户在符合条件日期下的用电量增量。

8.根据权利要求1所述的一种基于大数据分析的台区异常户变关系识别方法，其特征是，所述遍历集合SV和MV，计算用户用电量增量对台区线损增量的影响系数，生成集合Q具体包括以下步骤：

S61、根据公式XC＝S回归计算得到线损增量的影响系数；

式中，自变量

表示用户用电量的增量；b_m为计算添加的截距，m表示符合筛选条件的日期，mu_m,h为符合条件用户在符合条件日期下的用电量增量；因变量

S_v为集合SV中的小集合；

回归取得用户用电增量与台区总用电量增量的线损增量的影响系数

(h代表用户),(h＝1...t,t<＝us)；

S62、对线损增量的影响系数进行分析，如果回归计算不能收敛，则表示用户用电量增量与台区线损增量之间的关联关系并不强烈，生成空的集合Q_v；如果回归计算能收敛，且线损增量的影响系数中的负值占比小于阈值γ，根据线损增量的影响系数进行聚类操作，挑选出系数为负值且绝对值较大的一类用户、系数小于阈值η的用户加入集合Q_v；

S63、遍历集合SV、MV，生成集合，Q＝[Q₁,Λ,Q_v]，(v＝1...v,v<＝i/di)。

9.根据权利要8所述的一种基于大数据分析的台区异常户变关系识别方法，其特征是，所述根据集合Q通过预设阈值判断是否为异常用户具体包括以下步骤：

S71、统计集合Q中某用户出现的次数记为c，集合Q中小集合Q_v的个数为v；

S72、如果c/v＞θ，θ为阈值，将此用户放入集合G中，若集合G不为空，集合G中的用户判定为异常用户。

Images