CN112308348A - 一种中压线损异常智能分析方法 - Google Patents
一种中压线损异常智能分析方法 Download PDFInfo
- Publication number
- CN112308348A CN112308348A CN202011386224.2A CN202011386224A CN112308348A CN 112308348 A CN112308348 A CN 112308348A CN 202011386224 A CN202011386224 A CN 202011386224A CN 112308348 A CN112308348 A CN 112308348A
- Authority
- CN
- China
- Prior art keywords
- line loss
- analysis model
- analysis
- electricity
- electric quantity
- 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.)
- Pending
Links
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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06Q10/067—Enterprise or organisation modelling
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
Abstract
本发明涉及一种中压线损异常智能分析方法,属于电网防窃电技术领域。包括采用电量波动分析模型、聚类分析模型、相关系数分析模型和时间序列预测分析模型进行算法分析,依照日线损值、客户日电量和电网拓扑关系数据,针对线损异常拐,根据电量波动分析模型、聚类分析模型、相关系数分析模型和时间序列预测分析模型数据分析结果取交集,自动识别异常用户并提供数据支撑。本发明的有益效果是:改变原有传统人工分析统计模式,不仅节约了大量的人力、物力、财力,提高了人员工作效率,同时也提高了分析精准度,为用电检查人员分析查处窃电行为提供了技术保障和有效的手段,提升了用电检查工作的精益化水平。
Description
技术领域
本发明涉及一种中压线损异常智能分析方法,属于电网防窃电技术领域。
背景技术
近年来在电力体制改革大背景下,电力企业利润逐年降低,如何通过自身系统挖掘数据价值,更加快速精准锁定问题点,辅助工作人员查缺补漏,提升电力企业运营经济效益,助力公司挖潜增效迫在眉睫。电力系统长期以来关注低压台区线损治疗,在国网公司推行同期线损的背景下,分压综合线损、10千伏中压线损治理的要求越来越高。
现在国内电网企业在防窃电技术上行的研究主要是引入远程监控分析的系统平台,或利用己有的需求侧管理平台加以改造,实现特定客户的计量监测,出现异常自动报警通知工作人员。
目前电网企业普遍投入使用了远程负荷管理系统。电网企业的负荷管理系统24小时监测用户的用电和计量状态,将计量装置运行数据定时发回后台服务器,通过系统不间断的挂机工作,采集用电情况,监测计量装置二次侧的电压、电流、功率、电量等参数的变化。经过一定改造后的负荷管理系统,对部分监测数据设置一定报警阀值,实现计量运行数据异常变化或它们反映的参数异常变化报警,极大地减轻了工作的工作负担,提高了防窃电工作效率。
部分电网企业还在负荷管理系统平台增加对各变电站关口及线路关口的计量装置的数据采集,录入线变关系,分析实时电量采集数据,实现线损的实时采集与异常监控。负荷管理系统具各计量数据实时采集、传输功能,通过定时冻结各线路关口计量装置、台区配电终端计量装置及线路挂接用户计量装置的计量抄见电量,每30分钟采集一次召回后台数据库进行数据处理,对半小时线损电量、线损率进行计算,借助于系统平台对台区、线路用户电量曲线以及线损率曲线进行实时演算,实时报警线损率曲线较富的线路,转由反窃电工作人员进行线路排查。
利用负荷管理系统实时监控窃电行为只能用于点对点监控,如果要全面铺开,对所有高压供电客户进行监控,成本较高,因此,只能进行小范围、有针对性的改造与监控。线损与负控数据模型平台的反窃电分析需要监控工作人员花费大量时间定期、逐条对比线路线损电量值来进行排查,整体工作依赖于投入的大量人力资源数量、业务人员的业务经验等,不具备可持续性。
发明内容
为了克服上述现有技术的不足之处,本发明提供一种中压线损异常智能分析方法,运用电量波动分析、聚类分析、相关系数分析、时间序列分析等算法,采集中压线路每日供电量、线路日线损率、线路下专变与公配变日冻结电量等数据,基于线路线损异常拐点,结合分析结果获得交集,智能运算分析锁定问题清单,进而快速、准确地为相关人员稽查现场提供参考数据。
本发明是通过如下技术方案实现的:一种中压线损异常智能分析方法,其特征在于:包括采用电量波动分析模型、聚类分析模型、相关系数分析模型和时间序列预测分析模型进行算法分析,依照日线损值、客户日电量和电网拓扑关系数据,针对线损异常拐,根据电量波动分析模型、聚类分析模型、相关系数分析模型和时间序列预测分析模型数据分析结果取交集,自动识别异常用户并提供数据支撑。
所述的电量波动分析模型包括线损出现异常波动,用电量发生变化,确保客户电量变化情况和供电量变化情况是否相符,将线损值、供电量和售电量转换成供电量波动率,不超过50%,售电量波动率不低于10%,线损波动率高于5%,售电量波动率大于20%,在组合分析的情况下,线损出现异常拐点是因为存在窃电客户。
所述的聚类分析模型包括处理完专用客户负荷功率曲线后,进行聚类分析,通过初步分析确定聚类的两大类顺利生产和非顺利生产,从而获得客户历史生产负荷特点;非归一化处理历史负载率曲线,获取用电量负载率特点;按照线损异常拐点时间比较负荷曲线和负载率曲线,设置阈值区间,对于不属于区间范围内的被判定为异常。
所述的相关系数分析模型包括依照日电量数据得出售电量波动率,在此基础上计算出线损日波动率,将其当成结果Y,售电量波动率代表影响因子X1、X2……,运用多元一次方程得出线损日波动和售电量间的比例关系,并计算出客户斜率值,系数值的大小表示其影响力的强弱,数值愈大影响力愈强,关系依赖程度愈强。
所述的时间序列预测分析模型包括结合负荷曲线数据,应用LSTM时间序列模型进行预测分析,比较实际负荷曲线,明确偏差阈值,一旦偏差值较大则为窍电异常。
本发明的有益效果是:改变原有传统人工分析统计模式,不仅节约了大量的人力、物力、财力,提高了人员工作效率,同时也提高了分析精准度,为用电检查人员分析查处窃电行为提供了技术保障和有效的手段,提升了用电检查工作的精益化水平。
由于用户违约用电、窃电等异常用电行为是造成线路损耗的重要原因,通过线损波动分析,在为用电检查人员分析查处窃电行为提供了技术保障和有效手段的同时,也为公司开展“线损大会战”提供了有力的技术支撑,在提高数据分析准确度的同时,为反窃电工作提供有效手段,实现了线损合格率的全面提升。
附图说明
下面根据附图和实施例对本发明进一步说明。
图1是本发明的电量波动分析模型原理图;
图2是本发明的聚类分析模型原理图;
图3是本发明的相关系数分析模型原理图;
图4是本发明的时间序列预测分析模型原理图;
图5是本发明的拓扑关系图。
具体实施方式
一种中压线损异常智能分析方法,其特征在于:包括采用电量波动分析模型、聚类分析模型、相关系数分析模型和时间序列预测分析模型进行算法分析,依照日线损值、客户日电量和电网拓扑关系数据,针对线损异常拐,根据电量波动分析模型、聚类分析模型、相关系数分析模型和时间序列预测分析模型数据分析结果取交集,自动识别异常用户并提供数据支撑。
如图1所示的电量波动分析模型包括线损出现异常波动,用电量发生变化,确保客户电量变化情况和供电量变化情况是否相符,将线损值、供电量和售电量转换成供电量波动率,不超过50%,售电量波动率不低于10%,线损波动率高于5%,售电量波动率大于20%,在组合分析的情况下,线损出现异常拐点是因为存在窃电客户。
如图2所示的聚类分析模型包括处理完专用客户负荷功率曲线后,进行聚类分析,通过初步分析确定聚类的两大类顺利生产和非顺利生产,从而获得客户历史生产负荷特点;非归一化处理历史负载率曲线,获取用电量负载率特点;按照线损异常拐点时间比较负荷曲线和负载率曲线,设置阈值区间,对于不属于区间范围内的被判定为异常。
如图3所示的相关系数分析模型包括依照日电量数据得出售电量波动率,在此基础上计算出线损日波动率,将其当成结果Y,售电量波动率代表影响因子X1、X2……,运用多元一次方程得出线损日波动和售电量间的比例关系,并计算出客户斜率值,系数值的大小表示其影响力的强弱,数值愈大影响力愈强,关系依赖程度愈强。
如图4所示的的时间序列预测分析模型包括结合负荷曲线数据,应用LSTM时间序列模型进行预测分析,比较实际负荷曲线,明确偏差阈值,一旦偏差值较大则为窍电异常。
如图5所示数据来源和数据存储:
数据来源:依托用电信息采集系统、负荷控制系统、电能量采集系统、同期线损系统,利用Python、Java、易语言等网络数据抓取技术为基础,建立营销业务平台数据库,实现跨系统数据整合,保障智能分析模型常态开展海量数据的自动分析与监控。
数据存储:协同互联网信通部门,共同部署在公司数据中心,借助第三方DM管理工具,实现市县各供电公司营销人员共享应用,市营销部开放数据导出权限、县公司开放数据查看权限;依照需求开展BI模块大屏展示场景推送。
模型搭建和工具支撑:利用中压线路与其所属用户本身存来的拓扑归属关系,结合大数据技术,建立电量比对模型、相关系数模型、聚类分析模型、时间序列模型,通过上述模型组合验证分析,能够有效从中压线路整体宏观角度,准确定位线损变化拐点时的疑似用户,结合现场稽查,大大提高营销稽查人员工作效率。同时借助数据中心硬件资源、大数据平台,来完成整个项目,不需外购其他工具。
Claims (5)
1.一种中压线损异常智能分析方法,其特征在于:包括采用电量波动分析模型、聚类分析模型、相关系数分析模型和时间序列预测分析模型进行算法分析,依照日线损值、客户日电量和电网拓扑关系数据,针对线损异常拐,根据电量波动分析模型、聚类分析模型、相关系数分析模型和时间序列预测分析模型数据分析结果取交集,自动识别异常用户并提供数据支撑。
2.根据权利要求1所述的一种中压线损异常智能分析方法,其特征在于:所述的电量波动分析模型包括线损出现异常波动,用电量发生变化,确保客户电量变化情况和供电量变化情况是否相符,将线损值、供电量和售电量转换成供电量波动率,不超过50%,售电量波动率不低于10%,线损波动率高于5%,售电量波动率大于20%,在组合分析的情况下,线损出现异常拐点是因为存在窃电客户。
3.根据权利要求1所述的一种中压线损异常智能分析方法,其特征在于:所述的聚类分析模型包括处理完专用客户负荷功率曲线后,进行聚类分析,通过初步分析确定聚类的两大类顺利生产和非顺利生产,从而获得客户历史生产负荷特点;非归一化处理历史负载率曲线,获取用电量负载率特点;按照线损异常拐点时间比较负荷曲线和负载率曲线,设置阈值区间,对于不属于区间范围内的被判定为异常。
4.根据权利要求1所述的一种中压线损异常智能分析方法,其特征在于:所述的相关系数分析模型包括依照日电量数据得出售电量波动率,在此基础上计算出线损日波动率,将其当成结果Y,售电量波动率代表影响因子X1、X2……,运用多元一次方程得出线损日波动和售电量间的比例关系,并计算出客户斜率值,系数值的大小表示其影响力的强弱,数值愈大影响力愈强,关系依赖程度愈强。
5.根据权利要求1所述的一种中压线损异常智能分析方法,其特征在于:所述的时间序列预测分析模型包括结合负荷曲线数据,应用LSTM时间序列模型进行预测分析,比较实际负荷曲线,明确偏差阈值,一旦偏差值较大则为窍电异常。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011386224.2A CN112308348A (zh) | 2020-12-02 | 2020-12-02 | 一种中压线损异常智能分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011386224.2A CN112308348A (zh) | 2020-12-02 | 2020-12-02 | 一种中压线损异常智能分析方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112308348A true CN112308348A (zh) | 2021-02-02 |
Family
ID=74487742
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011386224.2A Pending CN112308348A (zh) | 2020-12-02 | 2020-12-02 | 一种中压线损异常智能分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112308348A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113095372A (zh) * | 2021-03-22 | 2021-07-09 | 国网江苏省电力有限公司营销服务中心 | 一种基于鲁棒神经网络的低压台区线损合理区间计算方法 |
-
2020
- 2020-12-02 CN CN202011386224.2A patent/CN112308348A/zh active Pending
Non-Patent Citations (1)
Title |
---|
毕祥银等: "大数据分析在用电采集数据分析与智能监测系统的设计与实现", 《电子世界》, pages 136 - 137 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113095372A (zh) * | 2021-03-22 | 2021-07-09 | 国网江苏省电力有限公司营销服务中心 | 一种基于鲁棒神经网络的低压台区线损合理区间计算方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107909295B (zh) | 一种停电信息监控与分析系统 | |
CN101789628B (zh) | 企业电能节能管理系统 | |
CN110633889A (zh) | 一种区域现货市场技术支持系统 | |
CN104124756A (zh) | 一种基于全网数据的省级配电网运行监测系统 | |
CN106357414B (zh) | 用于基站发电管理的信息交互方法和系统 | |
US20140114489A1 (en) | Sustainable energy efficiency management system | |
WO2022041264A1 (zh) | 一种大数据支持轨交电力系统运营的方法 | |
CN112131441A (zh) | 一种快速识别用电异常行为的方法及系统 | |
CN110717784A (zh) | 一种基于智能管理平台的电力营销系统及方法 | |
CN113822547B (zh) | 一种精细化需求侧管理综合信息平台系统及管理方法 | |
CN111614160A (zh) | 一种低压用户负荷调控业务承载平台 | |
CN111835083A (zh) | 电源信息监控系统、方法、装置、计算机设备和存储介质 | |
CN113949155A (zh) | 一种具有实时监测功能的全景式电能质量监测系统 | |
CN112308348A (zh) | 一种中压线损异常智能分析方法 | |
CN113673725A (zh) | 一种配电网设备差异化检修策略制定方法及系统 | |
CN116522746A (zh) | 高耗能企业配电托管方法 | |
CN115526738A (zh) | 一种电力数据采集处理系统、方法、电子设备及存储介质 | |
CN112598257A (zh) | 一种基于大数据特征挖掘的停电分析方法及系统 | |
CN112132457B (zh) | 基于数据中心平台的95598数据质量稽查评价方法及系统 | |
CN111768177B (zh) | 一种县级供电公司运营分析系统及方法 | |
Draber et al. | How operation data helps manage life-cycle costs | |
CN112557745A (zh) | 一种线损监测的功率叠加对比系统及方法 | |
Xu et al. | Hazard Trend Identification Model Based on Statistical Analysis of Abnormal Power Generation Behavior Data | |
CN110852588A (zh) | 电网系统终端客户用能需求一体化分析系统 | |
Lu et al. | Analysis on Influencing Factors of Repair Order of Power Supply Station based on Grey Correlation Analysis |
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 |