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
一种基于大数据分析的台区异常户变关系识别方法 Download PDFInfo
- Publication number
- CN111951125A CN111951125A CN202010805583.0A CN202010805583A CN111951125A CN 111951125 A CN111951125 A CN 111951125A CN 202010805583 A CN202010805583 A CN 202010805583A CN 111951125 A CN111951125 A CN 111951125A
- Authority
- CN
- China
- Prior art keywords
- increment
- line loss
- date
- user
- daily
- 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
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 37
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000007405 data analysis Methods 0.000 title claims abstract description 16
- 230000005611 electricity Effects 0.000 claims abstract description 50
- 238000012216 screening Methods 0.000 claims description 40
- 238000004364 calculation method Methods 0.000 claims description 9
- 230000001419 dependent effect Effects 0.000 claims description 3
- 239000006185 dispersion Substances 0.000 claims description 3
- 230000007547 defect Effects 0.000 abstract description 2
- 230000009466 transformation Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- 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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
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
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Aj;对多个数据集合进行日期筛选,生成线损增量集合Sj;
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,Av],集合SV=[S1,Λ,Sv](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MV;
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,Mv](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:
S12、筛选集合Z ri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{W1ΛWjΛWn}(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Aj;对多个数据集合进行日期筛选,生成线损增量集合Sj具体包括以下步骤:
S21、对数据集合Wj计算台区线损日增量、总用电量日增量,生成集合Aj,式中,i代表日期,Δli=li-li-1,Δpi=pi-pi-1,Δli为线损增量,li为当前日期的台区线损,li-1为另一日期下的台区线损;Δpi为台区总用电量增量,pi为当前日期的台区总用电量,pi-1为另一日期下的台区总用电量;
S22、对集合Aj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Dj及日期对应的线损增量集合Sj;
其中d为符合条件的日期,Δld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Wj(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,Dj],A=[A1,Λ,Aj],S=[S1,Λ,Sj](j=1...n,n=i/di);
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,Av],集合SV=[S1,Λ,Sv](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Dj形成集合DV,DV=[D1,Λ,Dv],与DV相对应的集合A、S筛选出的集合AV=[A1,Λ,Av],集合SV=[S1,Λ,Sv](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MV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Uv,
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:
Δum,k=um,k-um-1,k(m,m-1均代表日期);
S53、根据集合Uv计算生成用户用电量增量集合ΔUv:
S54、保留在集合ΔUv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;
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Mv:
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,mum,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;
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Qv;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Qv;
S63、遍历集合SV、MV,生成集合,Q=[Q1,Λ,Qv],(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Qv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Aj;对多个数据集合进行日期筛选,生成线损增量集合Sj;
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,Av],集合SV=[S1,Λ,Sv](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MV;
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,Mv](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:
S12、筛选集合Z ri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{W1ΛWjΛWn}(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Aj;对多个数据集合进行日期筛选,生成线损增量集合Sj具体包括以下步骤:
S21、对数据集合Wj计算台区线损日增量、总用电量日增量,生成集合Aj,式中,i代表日期,Δli=li-li-1,Δpi=pi-pi-1,Δli为线损增量,li为当前日期的台区线损,li-1为另一日期下的台区线损;Δpi为台区总用电量增量,pi为当前日期的台区总用电量,pi-1为另一日期下的台区总用电量;
S22、对集合Aj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Dj及日期对应的线损增量集合Sj;
其中d为符合条件的日期,Δld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Wj(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,Dj],A=[A1,Λ,Aj],S=[S1,Λ,Sj](j=1...n,n=i/di);
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,Av],集合SV=[S1,Λ,Sv](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Dj形成集合DV,DV=[D1,Λ,Dv],与DV相对应的集合A、S筛选出的集合AV=[A1,Λ,Av],集合SV=[S1,Λ,Sv](v=1...v,v<=i/di)。
DV是大集合DV中的小集合,SV、AV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MV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Uv,
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:
Δum,k=um,k-um-1,k(m,m-1均代表日期);
S53、根据集合Uv计算生成用户用电量增量集合ΔUv:
S54、保留在集合ΔUv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;
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Mv:
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,mum,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;
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Qv;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Qv;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,Qv],(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Qv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Aj;对多个数据集合进行日期筛选,生成线损增量集合Sj;
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,Av],集合SV=[S1,Λ,Sv](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MV;
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,Mv](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。
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Aj;对多个数据集合进行日期筛选,生成线损增量集合Sj具体包括以下步骤:
S21、对数据集合Wj计算台区线损日增量、总用电量日增量,生成集合Aj,式中,i代表日期,Δli=li-li-1,Δpi=pi-pi-1,Δli为线损增量,li为当前日期的台区线损,li-1为另一日期下的台区线损;Δpi为台区总用电量增量,pi为当前日期的台区总用电量,pi-1为另一日期下的台区总用电量;
S22、对集合Aj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Dj及日期对应的线损增量集合Sj;
其中d为符合条件的日期,Δld为符合条件的日期下的线损增量。
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,Av],集合SV=[S1,Λ,Sv](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Dj形成集合DV,DV=[D1,Λ,Dv],与DV相对应的集合A、S筛选出的集合AV=[A1,Λ,Av],集合SV=[S1,Λ,Sv](v=1...v,v<=i/di)。
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MV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Uv,
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:
Δum,k=um,k-um-1,k(m,m-1均代表日期);
S53、根据集合Uv计算生成用户用电量增量集合ΔUv:
S54、保留在集合ΔUv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Mv:
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,mum,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;
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Qv;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Qv;
S63、遍历集合SV、MV,生成集合,Q=[Q1,Λ,Qv],(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Qv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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010805583.0A CN111951125B (zh) | 2020-08-12 | 2020-08-12 | 一种基于大数据分析的台区异常户变关系识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010805583.0A CN111951125B (zh) | 2020-08-12 | 2020-08-12 | 一种基于大数据分析的台区异常户变关系识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111951125A true CN111951125A (zh) | 2020-11-17 |
CN111951125B CN111951125B (zh) | 2022-04-22 |
Family
ID=73333390
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010805583.0A Active CN111951125B (zh) | 2020-08-12 | 2020-08-12 | 一种基于大数据分析的台区异常户变关系识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111951125B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113033897A (zh) * | 2021-03-26 | 2021-06-25 | 国网上海市电力公司 | 基于用户分支的电量相关性识别台区户变关系的方法 |
CN113297539A (zh) * | 2021-05-07 | 2021-08-24 | 天云融创数据科技(北京)有限公司 | 户变关系异常识别方法、装置、电子设备和介质 |
CN114862139A (zh) * | 2022-04-19 | 2022-08-05 | 国网江苏省电力有限公司南通供电分公司 | 一种基于数据驱动的台区线损率异常诊断方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108318759A (zh) * | 2018-01-25 | 2018-07-24 | 国网浙江海宁市供电有限公司 | 一种多维度台区户变关系识别方法 |
US10127255B1 (en) * | 2015-10-07 | 2018-11-13 | Applied Predictive Technologies, Inc. | Computer system and method of initiative analysis using outlier identification |
CN109034585A (zh) * | 2018-07-18 | 2018-12-18 | 国网湖北省电力有限公司 | 基于用电信息和地理位置的台区户变关系判别算法及系统 |
CN109919425A (zh) * | 2019-01-23 | 2019-06-21 | 国网浙江省电力有限公司 | 一种基于相关性分析的台区用户关系纠错方法 |
CN110011423A (zh) * | 2019-05-22 | 2019-07-12 | 上海拜安实业有限公司 | 基于大数据实现户变关系在线动态智能监管功能的系统及方法 |
CN110084718A (zh) * | 2019-04-25 | 2019-08-02 | 国网湖南省电力有限公司 | 一种台区户变关系精准校验方法及装置 |
CN110516912A (zh) * | 2019-07-24 | 2019-11-29 | 长沙恒电聚能电子科技有限公司 | 一种配电台区户变关系的识别方法 |
CN111026927A (zh) * | 2019-12-26 | 2020-04-17 | 国网福建省电力有限公司电力科学研究院 | 一种低压台区运行状态智能监测系统 |
CN111444241A (zh) * | 2020-03-26 | 2020-07-24 | 南京工程学院 | 一种基于数据挖掘的台区线损异常关联用户精准定位方法 |
-
2020
- 2020-08-12 CN CN202010805583.0A patent/CN111951125B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10127255B1 (en) * | 2015-10-07 | 2018-11-13 | Applied Predictive Technologies, Inc. | Computer system and method of initiative analysis using outlier identification |
CN108318759A (zh) * | 2018-01-25 | 2018-07-24 | 国网浙江海宁市供电有限公司 | 一种多维度台区户变关系识别方法 |
CN109034585A (zh) * | 2018-07-18 | 2018-12-18 | 国网湖北省电力有限公司 | 基于用电信息和地理位置的台区户变关系判别算法及系统 |
CN109919425A (zh) * | 2019-01-23 | 2019-06-21 | 国网浙江省电力有限公司 | 一种基于相关性分析的台区用户关系纠错方法 |
CN110084718A (zh) * | 2019-04-25 | 2019-08-02 | 国网湖南省电力有限公司 | 一种台区户变关系精准校验方法及装置 |
CN110011423A (zh) * | 2019-05-22 | 2019-07-12 | 上海拜安实业有限公司 | 基于大数据实现户变关系在线动态智能监管功能的系统及方法 |
CN110516912A (zh) * | 2019-07-24 | 2019-11-29 | 长沙恒电聚能电子科技有限公司 | 一种配电台区户变关系的识别方法 |
CN111026927A (zh) * | 2019-12-26 | 2020-04-17 | 国网福建省电力有限公司电力科学研究院 | 一种低压台区运行状态智能监测系统 |
CN111444241A (zh) * | 2020-03-26 | 2020-07-24 | 南京工程学院 | 一种基于数据挖掘的台区线损异常关联用户精准定位方法 |
Non-Patent Citations (8)
Title |
---|
CHEN LIU: "Research on the Transformer Area Recognition Method Based on Improved K-Means Clustering Algorith", 《2019 IEEE INNOVATIVE SMART GRID TECHNOLOGIES - ASIA (ISGT ASIA)》 * |
GUOAI ZHAO: "Research on Line-transformer-user Topological Anomaly Recognition Model Based on Multi-source Data Mining", 《2020 5TH ASIA CONFERENCE ON POWER AND ELECTRICAL ENGINEERING (ACPEE)》 * |
李平: "基于数据驱动的台区户-变关系核查方法研究", 《电力需求侧管理》 * |
李源林: "顾及空间约束的户变关系识别与调整方法", 《电脑知识与技术》 * |
谷海彤: "基于数据挖掘的户变拓扑关系辨识算法研究", 《数字技术与应用》 * |
邱志辉: "基于HPLC通信模块的智能电表深化应用研究", 《江西电力》 * |
陈迪松: "基于载波通信的台区区分技术研究及应用", 《电工技术》 * |
青志明: "基于电表数据的户变关系与计量异常识别装置研制及应用", 《科学技术创新》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113033897A (zh) * | 2021-03-26 | 2021-06-25 | 国网上海市电力公司 | 基于用户分支的电量相关性识别台区户变关系的方法 |
CN113297539A (zh) * | 2021-05-07 | 2021-08-24 | 天云融创数据科技(北京)有限公司 | 户变关系异常识别方法、装置、电子设备和介质 |
CN114862139A (zh) * | 2022-04-19 | 2022-08-05 | 国网江苏省电力有限公司南通供电分公司 | 一种基于数据驱动的台区线损率异常诊断方法 |
CN114862139B (zh) * | 2022-04-19 | 2023-12-22 | 国网江苏省电力有限公司南通供电分公司 | 一种基于数据驱动的台区线损率异常诊断方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111951125B (zh) | 2022-04-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111951125B (zh) | 一种基于大数据分析的台区异常户变关系识别方法 | |
CN108535599B (zh) | 基于电压曲线聚类分析的低压台区用户相位识别方法 | |
CN111505433B (zh) | 一种低压台区户变关系纠错及相位识别方法 | |
CN111817291B (zh) | 一种基于电压关联特性的低压台区相户关系识别方法 | |
CN105740975B (zh) | 一种基于数据关联关系的设备缺陷评估与预测方法 | |
WO2016008263A1 (zh) | 一种通过电压特征区分台区和相别的方法 | |
CN108629525A (zh) | 一种考虑负荷重要程度的节点电压暂降严重程度评估方法 | |
CN106356844A (zh) | 一种配电网台区线损异常原因的分析方法 | |
CN110768256B (zh) | 一种基于电压谐波图谱的台区拓扑识别方法、装置及系统 | |
CN108490285B (zh) | 一种基于电压降落法的低压台区线损率计算方法 | |
CN110687361A (zh) | 一种用于识别低压配网台区相序的方法及系统 | |
CN113176458B (zh) | 一种针对数据不完整的低压台区相户关系识别方法 | |
CN112701675A (zh) | 基于筛选电压数据的配电台区用户相别辨识方法及系统 | |
Chang et al. | Distribution transformer load modeling using load research data | |
CN112198375A (zh) | 单相用户的相位识别方法、装置、设备和存储介质 | |
CN116307844A (zh) | 一种低压台区线损评估分析方法 | |
CN111651448B (zh) | 一种基于降噪差分进化的低压拓扑识别方法 | |
CN112508254B (zh) | 变电站工程项目投资预测数据的确定方法 | |
CN118174276A (zh) | 一种低压光伏台区相序自动识别方法及装置 | |
CN109615114A (zh) | 基于光伏发电作为集中式电源并网的经济效益评估方法 | |
CN112611997B (zh) | 一种台区关口表挂接关系在线校验方法和系统 | |
CN114707860A (zh) | 一种基于eci的用户用电信息管理系统 | |
CN109541308B (zh) | 基于分布式准同步电网测量系统的谐波分析方法 | |
CN112712104A (zh) | 一种基于离群点检测的用户与变压器拓扑连接关系校验方法 | |
CN112380490A (zh) | 台区接入分布式电源的电压波动性评价方法 |
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 |