CN112131441A - 一种快速识别用电异常行为的方法及系统 - Google Patents
一种快速识别用电异常行为的方法及系统 Download PDFInfo
- Publication number
- CN112131441A CN112131441A CN202011035967.5A CN202011035967A CN112131441A CN 112131441 A CN112131441 A CN 112131441A CN 202011035967 A CN202011035967 A CN 202011035967A CN 112131441 A CN112131441 A CN 112131441A
- Authority
- CN
- China
- Prior art keywords
- data
- power
- abnormal
- utilization
- model
- 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
- 238000000034 method Methods 0.000 title claims abstract description 30
- 206010000117 Abnormal behaviour Diseases 0.000 title claims abstract description 17
- 230000002159 abnormal effect Effects 0.000 claims abstract description 64
- 238000004458 analytical method Methods 0.000 claims abstract description 29
- 238000005516 engineering process Methods 0.000 claims abstract description 7
- 238000007405 data analysis Methods 0.000 claims abstract description 4
- 230000005611 electricity Effects 0.000 claims description 64
- 238000004422 calculation algorithm Methods 0.000 claims description 12
- 230000008859 change Effects 0.000 claims description 8
- 238000012937 correction Methods 0.000 claims description 6
- 230000005856 abnormality Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000013499 data model Methods 0.000 claims description 4
- 238000013211 curve analysis Methods 0.000 claims description 2
- 238000005457 optimization Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 claims description 2
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 238000013024 troubleshooting Methods 0.000 abstract description 2
- 238000011835 investigation Methods 0.000 description 18
- 238000007726 management method Methods 0.000 description 8
- 230000006399 behavior Effects 0.000 description 6
- 238000013523 data management Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000010205 computational analysis Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000004141 dimensional analysis Methods 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/903—Querying
- G06F16/90335—Query processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Human Resources & Organizations (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明提供一种快速识别用电异常行为的方法及系统，其系统包括：用电差值趋势分析模块，基于用电信息大数据分析方法计算用电差值趋势，比较不同用户、不同时期之间用电差值趋势的相似性，以此推断出电量异常的概率；用电曲线相似度分析模块，建立线路、用户、台区的电量曲线和线损曲线，并计算电量曲线与线损曲线的形态相似度，用最短距离法计算各类曲线的相似度；台区用户信息异常分析模块，利用大数据技术分析台区供电量、售电量和台区线损，结合台区最大供电半径、台区直线距离等参数，计算台区用户信息异常的概率。本发明的有益效果是：快速识别用电异常行为，计算台区用户信息异常概率，尽最大可能减少排查工作量及停电范围。
Description
技术领域
本发明适用于用电管理领域，提供了一种快速识别用电异常行为的方法和系统。
背景技术
电力系统包含发电、输电、变电、配电和用电等五大环节，其中用电管理直接面向电力用户，加强用电管理不仅可以提高用户满意度，提升企业形象，还可以规范用电行为，减少电费损失，提高企业经济效益。
供用电网络非常复杂，基础资料非常庞大，并且随着经济快速发展，用电规模迅猛增长，有些地方还存在用电信息资料缺失和错误、计量装置故障、计量装置遭人为破坏、运行环境恶劣、三相负载严重不均衡等情况。此外，极少数电力用户为了自身经济利益，经常做出违反合约用电的行为，例如故意改变用电性质，以高电价类型用电，以低电价类型交费，或者私拉乱接，破坏电网设备的负载均衡，甚至绕过计量器具用电，故意破坏计量器具等。这些现象不仅给供电企业带来了直接的经济损失，还使供电企业无法掌握真实的供用电情况，难以制定合理的用电规划，破坏良好的用电秩序。
准确掌握用电信息，及时发现电量异常和用电异常行为，一直是供电部门的难题。最近几年信息技术迅猛发展，特别是大数据技术和物联网技术快速发展，为解决该问题带来了契机。出现了很多基于电量(或功率)分析和用电现场实时监控的软件系统，用于分析用电特性，排查用电异常行为。
发明内容
本发明所要解决的技术问题之一，是充分利用用电现场的监测数据，对现有数据进行多维度分析，发现不同用电规模、不同用电类型的用户用电规律，分析用户用电特性，计算用电异常行为的概率，及时发现疑似用电异常的用户，提高现场排查的针对性。
本发明所要解决的技术问题之二，是对电力检测数据进行精准分析，采用差值趋势分析、用电曲线相似度分析等方法，快速查找用电异常概率较高的用户，提高排查速度。
为解决上述技术问题，本发明的技术方案是：涉及一种快速识别用电异常行为的系统，包括：
用电差值趋势分析模块，本模块基于用电信息大数据分析方法计算用电差值趋势，并用专门的算法比较不同用户、不同时期之间用电差值趋势的相似性，以此推断出电量异常的概率，实现电量异常分析和预警的“快速、精准、全覆盖”。
在计算和分析用电差值趋势之前，利用已经确定电量异常的线路和用户数据，建立先验概率模型，利用该模型对新的线路数据和该线路下的用户数据进行分析判断，根据结果修正模型，达到自我修正、持续优化的目的。算法的主要步骤为：
(1)获取线路、用户的电量数据及相关参数，并检查完整性；
(2)提取电量异常线路的数据特征；
(3)提取电量异常用户的数据特征；
(4)建立电量异常数据模型；
(5)模拟线路电量、线损与用户电量之间的关系曲线；
(6)构建差值趋势模型库，利用待分析线路或用户的数据与模型库比对，从而预测该线路或用户的异常概率；
(7)根据预测结果反向优化数据模型。
用电曲线相似度分析模块，建立线路、用户、台区的电量曲线和线损曲线，并计算电量曲线与线损曲线的形态相似度，用最短距离法计算各类曲线的相似度。在获得各类曲线并计算相似度后，利用已经建立的电量异常数据库，将曲线分为“电量异常”和“待分析”两个大类，并各自提取曲线特征，进行比较。这种方法可以更直观的体现用户用电量对线损的贡献比例，更快速的查找产生线损的主要用户，从而锁定电量异常的嫌疑用户。
台区用户信息异常分析模块，利用大数据技术分析台区供电量、售电量和台区线损，结合台区最大供电半径、台区直线距离等参数，计算台区用户信息异常的概率，为台区用户排查工作提供依据，减少盲目核查，提高工作效率。
在居民用户比较密集的地区，台区之间的距离非常近，经常出现台区与用户的实际对应情况与登记资料不一致的情况。这种现象对电力系统的危害很大，主要体现在两个方面：一是无法准确计算台区线损，增加管理难度；二是造成台区供电不均衡，部分台区负荷太小，造成电力资源浪费，而另一些台区的负荷太大，影响设备使用寿命，容易产生停电、设备损毁等事故，威胁电网安全稳定。
供电部门为了解决此类问题，通常安排人员到现场逐个排查，但是现场排查的工作量非常大，而且会对居民的正常用电造成影响。本系统采用创新的算法，根据基础资料和用电数据计算台区用户信息异常的概率，供电部门据此进行针对性排查，可有效提高针对性，大幅度降低成本，减少对居民用电的影响。
为解决上述技术问题，本发明还涉及另一技术方案：一种快速识别用电异常行为的方法，包括以下步骤：
(1)建立用电差值趋势模型库：在现有用电用户中选取一批不同行业、不同规模、不同用电类型的用户，获取他们的历史用电数据，计算用电变化率的导数，即用电数据的二阶导数，并按照用电情况进行分类，建立用电差值趋势模型。用电情况分为正常用电和异常用电，其中异常用电又分为多种类型，包括表计失压、表计缺相、表计失流、互感器故障、接线端故障、用电性质不符、扩差窃电、机械窃电等。对每个用电差值趋势模型，均分配相应的时间跨度、加权系数，以用于计算分析。
(2)分析用电差值趋势：首先从电能量采集系统取得待分析用户的历史数据，并按照15分钟、30分钟、60分钟等跨度计算实际用电量，形成不同跨度的数据曲线。对不同跨度的每组数据计算，得到变化率数据，即一阶倒数。然后对变化率数据进一步计算，得到变化率导数，即用电差值趋势。最后，将得到的差值趋势与事先存储的用电差值趋势模型库进行比对，结合每个模型的加权系数，计算得到该用户的用电异常概率。
本步骤包含两个关键算法。
算法一，特定用户用电差值趋势(用户数据)与用电差值趋势模型(模型数据)比对的算法。以时间刻度为横坐标，用户数据和模型数据为纵坐标，对每个时间点计算两个数据的差值绝对值，除以两个数据的绝对值的平均值，得到每个时间点的相似度。最后计算所有时间点的相似度的平均值，得到用户数据与模型数据的相似度。
算法二，根据用户数据与模型数据的相似度，计算该用户异常用电的概率。把模型数据分为正常用电和异常用电两个大类，计算与每个模型数据相似度的加权平局值，即得到该用户的用电异常概率。其中正常用电的加权系数为正数，异常用电的加权系数为负数。
(3)建立用电曲线模型库：根据行业、规模、用电类型等，选取典型用户并获取历史负荷数据，建立用电曲线模型库。与用电差值趋势模型库类似，也分为正常用电和异常用电，其中异常用电分为多种子类型。为每个用电曲线模型分配时间跨度、加权系数，建立用电曲线模型库，作为下一步分析的基础资料。
为确保用电曲线分析的准确性，在建立用电曲线模型库时需要对模型数据进行动态规整，即计算每条曲线的平均值，并计算该平均值与标准平均值的比例，最后将曲线中每个数据都乘以该比例。这样，可确保模型库中每条曲线的平均值是相同的，有利于比较曲线相似度，提高结果的准确性。
(4)分析用电曲线相似度：首先从电能量采集系统取得待分析用户的用电负荷数据，并按照15分钟、30分钟、60分钟等时间段跨度分类存储。将各种跨度的用电曲线与用电曲线模型库中的数据进行逐个比对，计算用电曲线相似度，结合每个模型的加权系数，计算得到该用户的用电异常概率。
(5)分析台区用户信息异常概率，具体过程为：①获取每个台区的配电变压器的最大供电半径，作为参数存储备用。②根据每个台区的地理位置，计算临近台区之间的距离。③预先设定台区距离加权系数和线损率加权系数，两者的乘积作为概率常数。④以月为单位，获取每个台区的线损率。⑤根据供电半径、台区距离、线损率以及概率常数，计算台区用户信息异常的概率。⑥针对性排查若干台区，根据实际异常比例，优化概率常数。
本步骤采用的核心算法为：
P＝W×(R1+R2-D)×|(L1-L2)|×100％
其中P为台区居民信息异常概率，W为概率常数，R1、R2为台区的供电半径，D为临近台区的距离，L1、L2为台区线损率。
本发明与现有技术相比所带来的有益效果是：
本发明充分利用现有资料和数据，研究大部分用户的用电规律和用电异常行为的常见特征，提炼出针对性的数学公式，用数学和统计学方法计算用电异常行为概率和台区用户信息异常概率，为供电部门现场排查提供依据，避免盲目排查，以降低人力成本，并减少因排查引起的停电情况。
很多供电部门，特别是基层供电部门在用电管理领域普遍存在两大难题。第一个难题是有些地方用电异常甚至人为窃电现象较多，台区用户资料不符情况较多，但是因为人力有限，难以进行全面排查。第二个难题是用户的维权意识日益提高，如果因排查造成的停电次数太多，范围太大，就难免引发用户投诉事件，影响供电部门的社会形象。采用本发明提供的技术后，可以快速识别用电异常行为，快速计算台区用户信息异常概率，进行针对性排查，尽最大可能减少工作量，减少停电范围。
附图说明
图1本发明快速识别用电异常行为系统的功能模块图。
图2本发明快速识别用电异常方法的步骤流程图。
具体实施方式
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，都属于本发明保护的范围。
请参阅图1，其为本发明快速识别用电异常行为系统功能模块图。该系统包括用电差值趋势分析模块11，用电曲线相似度分析模块12，台区用户信息异常分析模块13。所述用电差值趋势分析模块11包括差值趋势模型管理模块111，趋势模型修正模块112，趋势异常分析模块113。所述用电曲线相似度分析模块12包括用电曲线模型管理模块121，用电曲线校正模块122，曲线相似度分析模块123。所述台区用户信息异常分析模块13包括数据获取模块131，异常概率计算模块132，概率常熟校正模块133。
图2为快速识别用电异常行为的方法流程图，该方法包括如下步骤：
步骤S101，建立用电差值趋势模型库；
在此步骤中，资料管理部门选取一批有代表性的用户，获取他们的历史用电数据，按照用电情况进行分类，建立用电差值趋势模型。对每个用电差值趋势模型，均分配相应的时间跨度、加权系数，以用于计算分析。
步骤S102，分析用电差值趋势；
在此步骤中，取得用户历史数据，并按照各种时间跨度计算实际用电量，形成不同跨度的数据曲线，并逐个计算用电差值趋势。将得到的差值趋势与事先存储的用电差值趋势模型库进行比对，结合每个模型的加权系数，计算得到该用户的用电异常概率。
步骤S103，建立用电曲线模型库；
在此步骤中，根据行业、规模、用电类型等，选取典型用户并获取历史负荷数据，建立用电曲线模型库。与用电差值趋势模型库类似，也分为正常用电和异常用电，其中异常用电分为多种子类型。为每个用电曲线模型分配时间跨度、加权系数，建立用电曲线模型库，作为下一步分析的基础资料。
步骤S104，分析用电曲线相似度；
在此步骤中，从电能量采集系统取得待分析用户的用电负荷数据，并按照15分钟、30分钟、60分钟等跨度分类存储。将各种跨度的用电曲线与用电曲线模型库中的数据进行逐个比对，计算用电曲线相似度，结合每个模型的加权系数，计算得到该用户的用电异常概率。
步骤S105，分析台区用户信息异常概率；
在此步骤中，获取每个台区的配电变压器的最大供电半径，作为参数存储备用；根据每个台区的地理位置，计算临近台区之间的距离；预先设定台区距离加权系数和线损率加权系数；以月为单位，获取每个台区的线损率；根据供电半径、台区距离、线损率以及概率常数，计算台区用户信息异常的概率；针对性排查若干台区，根据实际异常比例，优化概率常数。
本发明采用J2EE+Web服务构成，即企业级的基于J2EE构架基础的数据分析和数据服务发布软件构架，该系统能支持高强度的数据并发传输和数据服务，支持海量数据查询，具有极高的实用性。
该快速识别用电异常行为系统采用分级管理模式，具体为：资料管理部门负责整理用户档案、台区资料；数据管理部门负责获取用户和台区的历史数据、当前用电情况等；异常分析部门利用数据资源，快速识别出用电异常概率较高的用户和台区，针对性的派发现场作业工单；现场排查部门根据工单实施排查工作，并反馈相关结果。
作为本发明的一优选实施例，该用台区用户信息异常分析模块13提出了概率常数自动校正概念。用户密集地区的台区之间的距离非常近，经常出现台区与用户的实际对应情况与登记资料不一致的情况。因台区和用户数量庞大，需要在排查之前对异常的概率进行计算，进行现场排查后上报结果，软件系统自动获取该结果用于修正概率常数，以提高下次计算的准确性，如此循环，不断提高计算准确性，提高排查针对性。
本发明快速识别用电异常行为系统从全新的角度利用电量数据和负荷数据，从原始数据中提炼出差值趋势数据和曲线相似度数据，并利用创新的算法计算用电异常行为的概率。同时，把现场排查结果作为算法的输入，自动校正相关系数，自动优化算法，实现算法的自我学习，不断提供预测的准确性。
本发明快速识别用电异常行为系统为供电部门提供一种高效、客观、稳定、准实时的用电异常预测手段和台区用户信息异常排查手段，充分利用用电现场的监测数据，对现有数据进行多维度分析，发现不同用电规模、不同用电类型的用户用电规律，分析用户用电特性，估算用电异常的概率，及时发现疑似用电异常的用户，提高现场排查的针对性。
综上所述，本发明解决了现有技术中所存在的既要全面管控用户和台区，又要节约人力成本，减少现场停电等矛盾问题。其中主站系统采用J2EE+WebService的方法，用Weblogic中间件系统，可同时管理50万个台区，适应国内所有的省级和地市电力公司。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
Claims (9)
1.一种快速识别用电异常行为的系统，其特征在于，包括：
用电差值趋势分析模块，基于用电信息大数据分析方法计算用电差值趋势，比较不同用户、不同时期之间用电差值趋势的相似性，以此推断出电量异常的概率；
用电曲线相似度分析模块，建立线路、用户、台区的电量曲线和线损曲线，并计算电量曲线与线损曲线的形态相似度，用最短距离法计算各类曲线的相似度；
台区用户信息异常分析模块，利用大数据技术分析台区供电量、售电量和台区线损，结合台区最大供电半径、台区直线距离等参数，计算台区用户信息异常的概率。
2.根据权利要求1所述的系统，其特征在于，在计算和分析用电差值趋势之前，利用已经确定电量异常的线路和用户数据，建立先验概率模型，利用该模型对新的线路数据和该线路下的用户数据进行分析判断，根据结果修正模型，达到自我修正、持续优化的目的，主要步骤为：
(1)获取线路、用户的电量数据及相关参数，并检查完整性；
(2)提取电量异常线路的数据特征；
(3)提取电量异常用户的数据特征；
(4)建立电量异常数据模型；
(5)模拟线路电量、线损与用户电量之间的关系曲线；
(6)构建差值趋势模型库，利用待分析线路或用户的数据与模型库比对，从而预测该线路或用户的异常概率；
(7)根据预测结果反向优化数据模型。
3.根据权利要求1所述的系统，其特征在于，在获得各类曲线并计算相似度后，利用已经建立的电量异常数据库，将曲线分为“电量异常”和“待分析”两个大类，并各自提取曲线特征，进行比较。
4.一种快速识别用电异常行为的方法，其特征在于，包括以下步骤：
步骤S101、建立用电差值趋势模型库：在现有用电用户中选取一批不同行业、不同规模、不同用电类型的用户，获取他们的历史用电数据，计算用电变化率的导数，即用电数据的二阶导数，并按照用电情况进行分类，建立用电差值趋势模型；
步骤S102、分析用电差值趋势：首先从电能量采集系统取得待分析用户的历史数据，并按照时间段跨度计算实际用电量，形成不同跨度的数据曲线；对不同跨度的每组数据计算，得到变化率数据，即一阶倒数；然后对变化率数据进一步计算，得到变化率导数，即用电差值趋势；最后，将得到的差值趋势与事先存储的用电差值趋势模型库进行比对，结合每个模型的加权系数，计算得到该用户的用电异常概率；
步骤S103、建立用电曲线模型库：根据行业、规模、用电类型等，选取典型用户并获取历史负荷数据，建立用电曲线模型库；
步骤S104、分析用电曲线相似度：首先从电能量采集系统取得待分析用户的用电负荷数据，并按照15分钟、30分钟、60分钟等跨度分类存储；
步骤S105、分析台区用户信息异常概率。
5.根据权利要求4所述的方法，其特征在于，步骤S102中，本步骤包含用户数据与模型数据的相似度的计算方法和用电异常概率计算方法：
用户数据与模型数据的相似度的计算方法是：特定用户用电差值趋势(用户数据)与用电差值趋势模型(模型数据)比对的算法：以时间刻度为横坐标，用户数据和模型数据为纵坐标，对每个时间点计算两个数据的差值绝对值，除以两个数据的绝对值的平均值，得到每个时间点的相似度，最后计算所有时间点的相似度的平均值，得到用户数据与模型数据的相似度；
用电异常概率计算方法是：根据用户数据与模型数据的相似度，计算该用户异常用电的概率：把模型数据分为正常用电和异常用电两个大类，计算与每个模型数据相似度的加权平局值，即得到该用户的用电异常概率，其中正常用电的加权系数为正数，异常用电的加权系数为负数。
6.根据权利要求4所述的方法，其特征在于，步骤S103中，与用电差值趋势模型库类似，也分为正常用电和异常用电，其中异常用电分为多种子类型，为每个用电曲线模型分配时间跨度、加权系数，建立用电曲线模型库，作为下一步分析的基础资料；
为确保用电曲线分析的准确性，在建立用电曲线模型库时需要对模型数据进行动态规整，即计算每条曲线的平均值，并计算该平均值与标准平均值的比例，最后将曲线中每个数据都乘以该比例，这样，可确保模型库中每条曲线的平均值是相同的，有利于比较曲线相似度，提高结果的准确性。
7.根据权利要求4所述的方法，其特征在于，步骤S104中，将各种跨度的用电曲线与用电曲线模型库中的数据进行逐个比对，计算用电曲线相似度，结合每个模型的加权系数，计算得到该用户的用电异常概率。
8.根据权利要求4所述的方法，其特征在于，步骤S105中，分析具体过程为：
步骤1051、获取每个台区的配电变压器的最大供电半径，作为参数存储备用；
步骤1052、根据每个台区的地理位置，计算临近台区之间的距离；
步骤1053、预先设定台区距离加权系数和线损率加权系数，两者的乘积作为概率常数；
步骤1054、以月为单位，获取每个台区的线损率；
步骤1055、根据供电半径、台区距离、线损率以及概率常数，计算台区用户信息异常的概率；
步骤1056、针对性排查若干台区，根据实际异常比例，优化概率常数。
9.根据权利要求4所述的方法，其特征在于，步骤105中，计算台区用户信息异常概率的公式为：
P＝W×(R1+R2-D)×|(L1-L2)|×100％
其中：P为台区居民信息异常概率，W为概率常数，R1、R2为台区的供电半径，D为临近台区的距离，L1、L2为台区线损率。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011035967.5A CN112131441B (zh) | 2020-09-27 | 2020-09-27 | 一种快速识别用电异常行为的方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011035967.5A CN112131441B (zh) | 2020-09-27 | 2020-09-27 | 一种快速识别用电异常行为的方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112131441A true CN112131441A (zh) | 2020-12-25 |
| CN112131441B CN112131441B (zh) | 2023-09-19 |
Family
ID=73840315
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011035967.5A Active CN112131441B (zh) | 2020-09-27 | 2020-09-27 | 一种快速识别用电异常行为的方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112131441B (zh) |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113156358A (zh) * | 2021-03-19 | 2021-07-23 | 国网陕西省电力公司营销服务中心(计量中心) | 一种架空输电线路异常线损分析方法及系统 |
| CN113298535A (zh) * | 2021-04-25 | 2021-08-24 | 云南电网有限责任公司信息中心 | 一种基于空间位置的户变关系异常识别方法 |
| CN113506190A (zh) * | 2021-07-29 | 2021-10-15 | 广东电网有限责任公司 | 一种异常用电行为辨识方法、装置、设备及存储介质 |
| CN113538051A (zh) * | 2021-07-16 | 2021-10-22 | 广州电力交易中心有限责任公司 | 基于用户行为的电力交易平台安全预警方法 |
| CN113884734A (zh) * | 2021-10-27 | 2022-01-04 | 广东电网有限责任公司 | 一种非侵入式用电异常诊断方法及装置 |
| CN114048245A (zh) * | 2021-11-09 | 2022-02-15 | 国网江苏省电力有限公司常州供电分公司 | 线损率异常的关联用户排查方法 |
| CN114217160A (zh) * | 2022-02-18 | 2022-03-22 | 青岛鼎信通讯股份有限公司 | 一种中压配电线路负荷监测单元安装定位方法 |
| CN114330583A (zh) * | 2021-12-31 | 2022-04-12 | 四川大学 | 一种异常用电识别方法和异常用电识别系统 |
| CN116701947A (zh) * | 2023-08-02 | 2023-09-05 | 成都汉度科技有限公司 | 一种窃电行为检测方法及系统 |
| CN118036905A (zh) * | 2024-04-12 | 2024-05-14 | 国网山西省电力公司临汾供电公司 | 一种异常用电用户检测方法、装置、存储介质及电子设备 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170315855A1 (en) * | 2016-05-02 | 2017-11-02 | Agt International Gmbh | Method of detecting anomalies on appliances and system thereof |
| KR101793625B1 (ko) * | 2016-06-08 | 2017-11-06 | 연세대학교 산학협력단 | 기후변화를 고려한 비정상성 지역빈도해석에서의 확률강우량 산출방법 및 그 시스템 |
| CN111160791A (zh) * | 2019-12-31 | 2020-05-15 | 国网北京市电力公司 | 一种基于gbdt算法及因素融合的异常用户识别方法 |
| 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
- 2020-09-27 CN CN202011035967.5A patent/CN112131441B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170315855A1 (en) * | 2016-05-02 | 2017-11-02 | Agt International Gmbh | Method of detecting anomalies on appliances and system thereof |
| KR101793625B1 (ko) * | 2016-06-08 | 2017-11-06 | 연세대학교 산학협력단 | 기후변화를 고려한 비정상성 지역빈도해석에서의 확률강우량 산출방법 및 그 시스템 |
| CN111160791A (zh) * | 2019-12-31 | 2020-05-15 | 国网北京市电力公司 | 一种基于gbdt算法及因素融合的异常用户识别方法 |
| 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 (1)
| Title |
|---|
| 陈仕军;王长江;: "基于曲线相似度和关联分析的窃电智能识别与预警", 浙江电力, no. 12 * |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113156358A (zh) * | 2021-03-19 | 2021-07-23 | 国网陕西省电力公司营销服务中心(计量中心) | 一种架空输电线路异常线损分析方法及系统 |
| CN113156358B (zh) * | 2021-03-19 | 2023-09-22 | 国网陕西省电力公司营销服务中心(计量中心) | 一种架空输电线路异常线损分析方法及系统 |
| CN113298535A (zh) * | 2021-04-25 | 2021-08-24 | 云南电网有限责任公司信息中心 | 一种基于空间位置的户变关系异常识别方法 |
| CN113538051A (zh) * | 2021-07-16 | 2021-10-22 | 广州电力交易中心有限责任公司 | 基于用户行为的电力交易平台安全预警方法 |
| CN113506190A (zh) * | 2021-07-29 | 2021-10-15 | 广东电网有限责任公司 | 一种异常用电行为辨识方法、装置、设备及存储介质 |
| CN113884734A (zh) * | 2021-10-27 | 2022-01-04 | 广东电网有限责任公司 | 一种非侵入式用电异常诊断方法及装置 |
| CN113884734B (zh) * | 2021-10-27 | 2024-04-19 | 广东电网有限责任公司 | 一种非侵入式用电异常诊断方法及装置 |
| CN114048245A (zh) * | 2021-11-09 | 2022-02-15 | 国网江苏省电力有限公司常州供电分公司 | 线损率异常的关联用户排查方法 |
| CN114330583A (zh) * | 2021-12-31 | 2022-04-12 | 四川大学 | 一种异常用电识别方法和异常用电识别系统 |
| CN114217160A (zh) * | 2022-02-18 | 2022-03-22 | 青岛鼎信通讯股份有限公司 | 一种中压配电线路负荷监测单元安装定位方法 |
| CN116701947A (zh) * | 2023-08-02 | 2023-09-05 | 成都汉度科技有限公司 | 一种窃电行为检测方法及系统 |
| CN116701947B (zh) * | 2023-08-02 | 2023-11-03 | 成都汉度科技有限公司 | 一种窃电行为检测方法及系统 |
| CN118036905A (zh) * | 2024-04-12 | 2024-05-14 | 国网山西省电力公司临汾供电公司 | 一种异常用电用户检测方法、装置、存储介质及电子设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112131441B (zh) | 2023-09-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112131441B (zh) | 一种快速识别用电异常行为的方法及系统 | |
| Kang et al. | Big data analytics in China's electric power industry: modern information, communication technologies, and millions of smart meters | |
| CN111160791A (zh) | 一种基于gbdt算法及因素融合的异常用户识别方法 | |
| CN113111053A (zh) | 一种基于大数据的线损诊断与反窃电系统、方法及模型 | |
| CN106570778A (zh) | 一种基于大数据的数据集成与线损分析计算的方法 | |
| CN104933631A (zh) | 一种配电网运行在线分析评价系统 | |
| CN111552686B (zh) | 一种电力数据质量评估方法及其装置 | |
| CN116596512B (zh) | 一种基于信息系统的电力运维安全强化方法和系统 | |
| CN111506618A (zh) | 一种结合lightgbm-stacking算法的异常用电行为分析方法 | |
| CN112052966A (zh) | 基于现场抢修工单的电力客户满意度分析系统和方法 | |
| AU2021106109A4 (en) | Evaluation index screening strategy for lean management of power system line loss under big data environment | |
| CN117856245A (zh) | 基于网格化管理的台区线损分析方法、装置及存储介质 | |
| CN113642933A (zh) | 一种配电台区低电压诊断方法及装置 | |
| CN110873857A (zh) | 基于多源数据融合的智能电能表运行状态评价方法及系统 | |
| WO2019140553A1 (zh) | 配电系统的健康指数确定方法及装置、计算机存储介质 | |
| CN112557745A (zh) | 一种线损监测的功率叠加对比系统及方法 | |
| CN112598257A (zh) | 一种基于大数据特征挖掘的停电分析方法及系统 | |
| Makanju et al. | Machine Learning Approaches for Power System Parameters Prediction: A Systematic Review | |
| Domínguez et al. | Analysis of electric power consumption using Self-Organizing Maps. | |
| CN116450625A (zh) | 一种基于用电信息采集系统的计量异常数据甄别装置 | |
| Yang et al. | AI-Based Detection of Power Consumption Behavior of People in a Smart City | |
| CN114168662A (zh) | 一种基于多数据源的配电网问题梳理分析方法及系统 | |
| CN112633692A (zh) | 查窃电阈值的获取方法和装置、查窃电装置和方法 | |
| CN112308348A (zh) | 一种中压线损异常智能分析方法 | |
| CN104361422A (zh) | 一种基于经济评估的电力用户电能质量数据收集方法 |
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 |