CN112598234A - 一种低压台区线损异常分析方法、装置和设备 - Google Patents
一种低压台区线损异常分析方法、装置和设备 Download PDFInfo
- Publication number
- CN112598234A CN112598234A CN202011466919.1A CN202011466919A CN112598234A CN 112598234 A CN112598234 A CN 112598234A CN 202011466919 A CN202011466919 A CN 202011466919A CN 112598234 A CN112598234 A CN 112598234A
- Authority
- CN
- China
- Prior art keywords
- line loss
- data
- decision tree
- low
- tree 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.)
- Pending
Links
- 238000004458 analytical method Methods 0.000 title claims description 30
- 230000002159 abnormal effect Effects 0.000 claims abstract description 129
- 238000003066 decision tree Methods 0.000 claims abstract description 122
- 238000012549 training Methods 0.000 claims abstract description 78
- 238000009826 distribution Methods 0.000 claims abstract description 68
- 230000001360 synchronised effect Effects 0.000 claims abstract description 68
- 238000000034 method Methods 0.000 claims abstract description 42
- 230000008569 process Effects 0.000 claims abstract description 22
- 238000013024 troubleshooting Methods 0.000 claims description 40
- 238000003745 diagnosis Methods 0.000 claims description 32
- 238000011835 investigation Methods 0.000 claims description 31
- 230000005856 abnormality Effects 0.000 claims description 15
- 238000012544 monitoring process Methods 0.000 claims description 15
- 238000004422 calculation algorithm Methods 0.000 claims description 14
- 238000005516 engineering process Methods 0.000 description 15
- 238000004891 communication Methods 0.000 description 13
- 230000008859 change Effects 0.000 description 8
- 239000000523 sample Substances 0.000 description 8
- 230000005611 electricity Effects 0.000 description 7
- 238000007726 management method Methods 0.000 description 7
- 230000005540 biological transmission Effects 0.000 description 6
- 238000001514 detection method Methods 0.000 description 6
- 230000007547 defect Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 241001465754 Metazoa Species 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000008030 elimination Effects 0.000 description 2
- 238000003379 elimination reaction Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 208000012661 Dyskinesia Diseases 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000003442 weekly effect Effects 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
- 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
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
- G06Q10/06375—Prediction of business process outcome or impact based on a proposed change
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Development Economics (AREA)
- General Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
Abstract
本发明公开了一种低压台区线损异常分析方法、装置和设备，方法包括：通过预置的决策树模型训练过程生成目标决策树模型，接收从待检测低压台区采集到的同期线损数据；根据所述待检测低压台区的负荷类型，确定与所述负荷类型对应的线损率区间；若所述同期线损数据不处于所述线损率区间，则获取所述同期线损数据对应的待分析数据特征；将所述待分析数据特征输入目标决策树模型，确定所述待检测低压台区对应的线损异常原因，该方法能够有效提高线损异常原因的分析速度，进而更为及时地对线损异常进行修复，保证用户的正常使用。
Description
技术领域
本发明涉及线损分析技术领域，尤其涉及一种低压台区线损异常分析方法、装置和设备。
背景技术
在智能电表、用电信息采集系统大规模推广应用进程中，低压台区同期线损诊断受到了广泛的关注。低压台区同期线损诊断主要是依据营配调全面贯通、采集全面覆盖方针，以供电量、用电量全面在线监测为核心，以精准降损为立足点，切实实现线损管理的信息化、集约化、精益化。但是，在低压台区同期线损精益化发展进程中，直接在海量数据内进行异常数据甄别难度较大。基于此，合理利用无线通信技术、大数据挖掘分析技术，搭建完善的低压台区同期线损异常诊断系统，就具有较为突出的现实意义。
受城乡一体化推进时间较晚，营销业务系统并轨时间较短等客观条件制约，近几年，电力企业营销基础数据质量提升幅度不足，也无法保障大量客户档案数据同步录入系统效率。再加上低压台区线损管理具有较为突出的需检测点多覆盖面广的特点，覆盖了配电网建设、整体营销业务管理链条等领域，可能还会由于人为因素直接导致系统流程运转不及时等问题出现，增加了低压台区同期线损异常数据出现率，对低压台区同期线损异常诊断造成了较大的干扰。
发明内容
本发明提供了一种低压台区线损异常分析方法、装置和设备，解决了现有技术中由于人为因素所导致的流程运转不及时，低压台区同期线损异常出现率增加，检测分析速度较慢的技术问题。
本发明提供的一种低压台区线损异常分析方法，包括：
接收从待检测低压台区采集到的同期线损数据；
根据所述待检测低压台区的负荷类型，确定与所述负荷类型对应的线损率区间；
若所述同期线损数据不处于所述线损率区间，则获取所述同期线损数据对应的待分析数据特征；
将所述待分析数据特征输入目标决策树模型，确定所述待检测低压台区对应的线损异常原因；其中，所述目标决策树模型通过预置的决策树模型训练过程生成。
可选地，所述决策树模型训练过程包括：
获取训练数据；
采用Adaboost算法结合所述训练数据，构建初始决策树模型；
将所述训练数据输入所述初始决策树模型，确定所述训练数据对应的线损异常原因；
基于所述训练数据对应的线损异常原因设置排查时间；
根据按照所述排查时间返回的线损异常原因排查结果，调整所述初始决策树模型，生成目标决策树模型。
可选地，所述根据按照所述排查时间返回的线损异常原因排查结果，调整所述初始决策树模型，生成目标决策树模型的步骤，包括：
当接收到按照所述排查时间返回的线损异常原因排查结果时，判断所述线损异常原因排查结果与所述线损异常原因是否相同；
若不相同，则按照预定规则调整所述初始决策树模型，返回所述将所述训练数据输入所述初始决策树模型，确定所述训练数据对应的线损异常原因的步骤，直至所述线损异常原因排查结果与所述线损异常原因相同，生成目标决策树模型。
可选地，涉及多个低压台区，在所述获取所述待检测低压台区采集的线损数据的步骤之前，还包括：
获取多个所述低压台区的负荷情况；
基于每个所述低压台区的负荷情况，为每个所述低压台区划分对应的负荷类型；
基于每个所述负荷类型对应的负荷情况，调整每个所述低压台区对应的预设初始线损率区间，得到每个负荷类型对应的线损率区间。
本发明还提供了一种低压台区线损异常分析装置，包括：
同期线损数据接收模块，用于接收从待检测低压台区采集到的同期线损数据；
线损率区间确定模块，用于根据所述待检测低压台区的负荷类型，确定与所述负荷类型对应的线损率区间；
待分析特征获取模块，用于若所述同期线损数据不处于所述线损率区间，则获取所述同期线损数据对应的待分析数据特征；
第一线损异常原因确定模块，用于将所述待分析数据特征输入目标决策树模型，确定所述待检测低压台区对应的线损异常原因；其中，所述目标决策树模型通过预置的决策树模型训练模块生成。
可选地，所述决策树模型训练模块包括：
训练数据获取子模块，用于获取训练数据；
初始决策树模型构建子模块，用于采用Adaboost算法结合所述训练数据，构建初始决策树模型；
第二线损异常原因确定子模块，用于将所述训练数据输入所述初始决策树模型，确定所述训练数据对应的线损异常原因；
排查时间设置子模块，用于基于所述训练数据对应的线损异常原因设置排查时间；
目标决策树模型生成子模块，用于根据按照所述排查时间返回的线损异常原因排查结果，调整所述初始决策树模型，生成目标决策树模型。
可选地，所述目标决策树模型生成子模块包括：
原因判断单元，用于当接收到按照所述排查时间返回的线损异常原因排查结果时，判断所述线损异常原因排查结果与所述线损异常原因是否相同；
调整单元，用于若不相同，则按照预定规则调整所述初始决策树模型，返回所述将所述训练数据输入所述初始决策树模型，确定所述训练数据对应的线损异常原因的步骤，直至所述线损异常原因排查结果与所述线损异常原因相同，生成目标决策树模型。
可选地，所述装置涉及多个低压台区，所述装置还包括：
负荷情况获取模块，用于获取多个所述低压台区的负荷情况；
负荷类型划分模块，用于基于每个所述低压台区的负荷情况，为每个所述低压台区划分对应的负荷类型；
线损率区间调整模块，用于基于每个所述负荷类型对应的负荷情况，调整每个所述低压台区对应的预设初始线损率区间，得到每个负荷类型对应的线损率区间。
本发明还提供了一种低压台区线损异常分析设备，包括电气量测量装置、远程数据诊断平台、采集器、监控端和移动终端；
所述电气量测量装置，用于采集待检测低压台区的同期线损数据和待分析数据特征；
所述采集器，用于从所述电气量测量装置获取所述同期线损数据和待分析数据特征并发送到所述远程数据诊断平台；
所述远程数据诊断平台，用于当所述同期线损数据不处于预设的线损率区间时，根据所述待分析数据特征和目标决策树模型，确定所述待检测低压台区对应的线损异常原因，发送所述线损异常原因和预设的排查时间到所述移动终端；其中，所述目标决策树模型通过预置的决策树模型训练过程结合所述监控端返回的比对结果生成；
所述移动终端，用于接收远程数据诊断平台发送的线损异常原因，按照所述排查时间执行对所述待检测低压台区进行线程异常排查，生成线损异常原因排查结果并返回到所述监控端；
所述监控端，用于接收所述线损异常原因排查结果并与所述线程异常原因进行比对，返回所述比对结果到所述远程数据诊断平台。
可选地，所述远程数据诊断平台还用于接收所述比对结果，对采用Adaboost算法结合所述训练数据所构建的初始决策树模型进行训练，生成所述目标决策树模型。
从以上技术方案可以看出，本发明具有以下优点：
本发明通过获取从待检测低压台区获取到的同期线损数据，基于低压台区的负荷类型确定同期线损数据对应的线损率区间，若是同期线损数据不处于该线损率区间，则进一步获取同期线损数据对应的待分析数据特征，采用训练过的目标决策树模型对待分析数据特征进行分析，确定待检测低压台区对应的线损异常原因，从而解决现有技术中由于人为因素所导致的流程运转不及时，低压台区同期线损异常出现率增加，检测分析速度较慢的技术问题，有效提高线损异常原因的分析速度，进而更为及时地对线损异常进行修复，保证用户的正常使用。
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，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。
图1为本发明实施例提供的一种低压台区线损异常分析方法的步骤流程图；
图2为本发明可选实施例提供的一种低压台区线损异常分析方法的步骤流程图；
图3为本发明实施例提供的一种低压台区线损异常分析装置的结构框图。
具体实施方式
本发明实施例提供了一种低压台区线损异常分析方法、装置和设备，用于解决现有技术中由于人为因素所导致的流程运转不及时，低压台区同期线损异常出现率增加，检测分析速度较慢的技术问题。
考虑到当前低压台区业务系统内影响同期线损主要数据类型较多，为了实现对低压台区同期线损异常的精确分析，可以利用大数据聚类分析技术，筛选数据，并利用机器学习技术，提升异常数据分析效率。
为使得本发明的发明目的、特征、优点能够更加的明显和易懂，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，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。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它实施例，都属于本发明保护的范围。
请参阅图1，图1为本发明实施例提供的一种低压台区线损异常分析方法的步骤流程图。
本发明提供的一种低压台区线损异常分析方法，包括：
步骤101，接收从待检测低压台区采集到的同期线损数据；
在本发明实施例中，由于以往统计线损供电量与售电量的周期不同，例如供电量为自然月1日0点至次月1日0点，但售电量根据各地区结算制度的不同而往往不同，月末25日至次月25日统计售电量，或者月末28日至次月28日统计售电量，而根据月份天数的多少、用电季节的变换，将会出现线损率计算结果忽高忽低的波动现象，无法对线损情况进行准确分析。为对低压台区的线损情况进行异常分析，可以通过从低压台区采集相同周期的线损数据，以便后续分析过程的实现。
同期线损数据指的是供电量与售电量为相同统计周期下计算的损耗电量与正常损耗电量的百分数比值。
低压台区指的是低压变压器的供电范围或区域。
步骤102，根据所述待检测低压台区的负荷类型，确定与所述负荷类型对应的线损率区间；
在具体实现中，由于不同的低压台区所能接收的线损率区间不同，此时可以基于待检测低压台区的负荷类型，确定负荷类型对应的线损率区间。
步骤103，若所述同期线损数据不处于所述线损率区间，则获取所述同期线损数据对应的待分析数据特征；
在本发明实施例中，若是同期线损数据不处于所述线损率区间，则该同期线损数据表明待检测低压台区处于异常状态，而由于同期线损数据是基于多个待分析数据特征所决定的，例如台区总表、用户电量、线损计算数据、气象历史数据、功率因数、用户电压电流等，此时可以获取同期线损数据对应的待分析数据特征，以便于后续基于待分析数据特征确定线损异常原因。
步骤104，将所述待分析数据特征输入目标决策树模型，确定所述待检测低压台区对应的线损异常原因；
值得一提的是，所述目标决策树模型通过预置的决策树模型训练过程生成，在获取到目标决策树模型和待分析数据特征后，可以将待分析数据特征输入到目标决策树模型进行分析，从而确定待检测低压台区对应的线损异常原因。
在本发明实施例中，通过获取从待检测低压台区获取到的同期线损数据，基于低压台区的负荷类型确定同期线损数据对应的线损率区间，若是同期线损数据不处于该线损率区间，则进一步获取同期线损数据对应的待分析数据特征，采用训练过的目标决策树模型对待分析数据特征进行分析，确定待检测低压台区对应的线损异常原因，从而解决现有技术中由于人为因素所导致的流程运转不及时，低压台区同期线损异常出现率增加，检测分析速度较慢的技术问题，有效提高线损异常原因的分析速度，进而更为及时地对线损异常进行修复，保证用户的正常使用。
请参阅图2，图2为本发明可选实施例提供的一种低压台区线损异常分析方法的步骤流程图。
本发明提供的一种低压台区线损异常分析方法，涉及多个低压台区，所述方法包括：
步骤201，获取多个所述低压台区的负荷情况；
在本发明实施例中，可以多个低压台区之间存在行业、线损标准等的不同，因此在对低压台区进行负荷类型划分之前，可以先获取多个低压台区的负荷情况，从而得到每个低压台区的线损趋势。
步骤202，基于每个所述低压台区的负荷情况，为每个所述低压台区划分对应的负荷类型；
在获取到每个低压台区的负荷情况后，也就是得知到每个低压台区的线损趋势后，可以基于负荷情况，对每个低压台区划分为不同的负荷类型，例如商业类、农林牧渔类、计算机类、交通运输类、金融房地产类、乡村类、城镇类和公共事业类等，具体负荷类型的数量可以根据用户实际情况和低压台区的负荷情况而设定。
步骤203，基于每个所述负荷类型对应的负荷情况，调整每个所述低压台区对应的预设初始线损率区间，得到每个负荷类型对应的线损率区间。
在本发明实施例中，可以为每个低压台区预先设定初始线损率区间，而由于每个低压台区的负荷情况不同，在将低压台区归类为对应的负荷类型后，可以根据对应的负荷情况，对初始线损率区间进行调整，以得到每个负荷类型对应的线损率区间。
例如，设定初始线损率区间为[0,11％]，根据不同负荷类型的负荷情况，可以将农林牧渔业负荷台区线损上、下限分别为5.8％、1.6％；建筑业负荷台区线损上、下限分别为5.0％、1.2％；商业、住宿和餐饮业负荷台区线损上、下限分别为2.4％、0.3％；信息传输、计算机服务和软件业负荷台区线损上、下限分别为2.1％、0.3％；交通运输、仓储和邮政业负荷台区线损上、下限分别为4.6％、0.5％；金融、房地产、商务及居民服务业负荷台区线损上、下限分别为2.5％、0.8％；乡村居民负荷台区线损上、下限分别为4.5％、1.3％；城镇居民负荷台区线损上、下限分别为1.3％、0.2％；公共事业及管理组织负荷台区线损上、下限分别为2.2％、1.3％，上述数值仅是示例说明，在实际操作中可以根据实际低压台区的负荷情况进行灵活调整，本发明实施例对此不作限制。
步骤204，接收从待检测低压台区采集到的同期线损数据；
步骤205，根据所述待检测低压台区的负荷类型，确定与所述负荷类型对应的线损率区间；
步骤206，若所述同期线损数据不处于所述线损率区间，则获取所述同期线损数据对应的待分析数据特征；
步骤207，将所述待分析数据特征输入目标决策树模型，确定所述待检测低压台区对应的线损异常原因；
在本发明实施例中，通过获取从待检测低压台区获取到的同期线损数据，基于低压台区的负荷类型确定同期线损数据对应的线损率区间，若是同期线损数据不处于该线损率区间，则进一步获取同期线损数据对应的待分析数据特征，采用训练过的目标决策树模型对待分析数据特征进行分析，确定待检测低压台区对应的线损异常原因。
值得一提的是，所述目标决策树模型通过预置的决策树模型训练过程生成。
在本发明实施例中，所述决策树模型训练过程可以包括以下步骤S1-S5：
S1、获取训练数据；
在本发明实施例中，所述训练数据可以为基于实际情况获取到的多个同期线损数据。
S2、采用Adaboost算法结合所述训练数据，构建初始决策树模型；
其中，Adaboost算法是一个弱分类算法提升过程，这个过程通过不断的训练，可以提高对数据的分类能力。整个过程如下所示：
1.先通过对N个训练样本的学习得到第一个弱分类器；
2.将分错的样本和其他的新数据一起构成一个新的N个的训练样本，通过对这个样本的学习得到第二个弱分类器；
3.将1和2都分错了的样本加上其他的新样本构成另一个新的N个的训练样本，通过对这个样本的学习得到第三个弱分类器；
4.最终经过提升的强分类器。即某个数据被分为哪一类要由各分类器权值决定。
由Adaboost算法的描述过程可知，该算法在实现过程中根据训练集的大小初始化样本权值，使其满足均匀分布，在后续操作中通过公式来改变和规范化算法迭代后样本的权值。样本被错误分类导致权值增大，反之权值相应减小，这表示被错分的训练样本集包括一个更高的权重。这就会使在下轮时训练样本集更注重于难以识别的样本，针对被错分样本的进一步学习来得到下一个弱分类器，直到样本被正确分类。在达到规定的迭代次数或者预期的误差率时，则强分类器构建完成。
决策树(Decision Tree)是在已知各种情况发生概率的基础上，通过构成决策树来求取净现值的期望值大于等于零的概率，评价项目风险，判断其可行性的决策分析方法，是直观运用概率分析的一种图解法。由于这种决策分支画成图形很像一棵树的枝干，故称决策树，其中每个内部节点表示一个属性上的测试，每个分支代表一个测试输出，每个叶节点代表一种类别。
例如：，可以利用AdaBoost算法，对生产管理系统、营销管理系统、用电信息采集系统中缺少异动、负荷量大、类型多等数据特征进行统计汇总，明确台区总表、用户电量、线损计算数据、气象历史数据、功率因数、用户电压电流等数据特征，并进行数据特征、线损变化间关联追踪，最终输出台区线损异常因素，逐步形成以总表异常、用户计量装置异常、采集异常、户变关系异常、总表异常、窃电等为子叶的决策树模型，为线损管理提供充足数据支撑。
S3、将所述训练数据输入所述初始决策树模型，确定所述训练数据对应的线损异常原因；
将所述训练数据输入到初始决策树模型，以对训练数据进行各方面的分类识别，得到对应的线损异常原因。
S4、基于所述训练数据对应的线损异常原因设置排查时间；
在具体实现中，由于初始决策树模型的准确性有待提高，此时需要基于确定的训练数据对应的线损异常原因设置排查时间，以便于技术人员在未标识真实线损异常原因的情况下，排查确定的线损异常原因是否准确。
S5、根据按照所述排查时间返回的线损异常原因排查结果，调整所述初始决策树模型，生成目标决策树模型。
在具体实现中，由技术人员对线损异常原因进行排查后，返回线损异常原因排查结果，再基于线损异常原因排查结果调整初始决策树模型，生成目标决策树模型。
技术人员可以结合低压台区同期线损现场排查数据，进行决策树各子叶的不断修建，逐步形成可随现场情况开展自我完善优化的低压台区线损治理缺陷模型。在模型中，将某一用户与其他同类负荷用户用电量变化趋势及气温差异性、线损率变化前后用户电量及功率因数的变化、用户变化与总表电量变化一致性及台区投运实际等作为指标，进行现场偏差，促使决策树模型内每一子叶输出数据一定，保障低压台区同期异常线损异常诊断工作高效率开展。
进一步地，所述步骤S5可以包括以下子步骤：
当接收到按照所述排查时间返回的线损异常原因排查结果时，判断所述线损异常原因排查结果与所述线损异常原因是否相同；
若不相同，则按照预定规则调整所述初始决策树模型，返回所述将所述训练数据输入所述初始决策树模型，确定所述训练数据对应的线损异常原因的步骤，直至所述线损异常原因排查结果与所述线损异常原因相同，生成目标决策树模型。
在本发明实施例中，通过比对线损异常原因排查结果与线损原因是否相同，若不相同，则按照预定规则调整初始决策树模型，例如对初始决策树的分类结果进行调整或者剪枝等，再重新输入该训练数据，得到对应的线损异常原因，若相同则将此时的初始决策树模型作为目标决策树模型；若不相同，则继续按照预定规则调整初始决策树模型。
在本发明的另一个示例中，还可以采用历史的同期线损数据进行模型训练，历史的同期线损数据分别标注各自的真实的线损异常原因。
在本发明实施例中，通过获取从待检测低压台区获取到的同期线损数据，基于低压台区的负荷类型确定同期线损数据对应的线损率区间，若是同期线损数据不处于该线损率区间，则进一步获取同期线损数据对应的待分析数据特征，采用训练过的目标决策树模型对待分析数据特征进行分析，确定待检测低压台区对应的线损异常原因，从而解决现有技术中由于人为因素所导致的流程运转不及时，低压台区同期线损异常出现率增加，检测分析速度较慢的技术问题，有效提高线损异常原因的分析速度，进而更为及时地对线损异常进行修复，保证用户的正常使用。
请参见图3，图3示出了本发明实施例的一种低压台区线损异常分析装置的结构框图。
本发明提供的一种低压台区线损异常分析装置，包括：
同期线损数据接收模块301，用于接收从待检测低压台区采集到的同期线损数据；
线损率区间确定模块302，用于根据所述待检测低压台区的负荷类型，确定与所述负荷类型对应的线损率区间；
待分析特征获取模块303，用于若所述同期线损数据不处于所述线损率区间，则获取所述同期线损数据对应的待分析数据特征；
第一线损异常原因确定模块304，用于将所述待分析数据特征输入目标决策树模型，确定所述待检测低压台区对应的线损异常原因；
其中，所述目标决策树模型通过预置的决策树模型训练模块生成。
可选地，所述决策树模型训练模块包括：
训练数据获取子模块，用于获取训练数据；
初始决策树模型构建子模块，用于采用Adaboost算法结合所述训练数据，构建初始决策树模型；
第二线损异常原因确定子模块，用于将所述训练数据输入所述初始决策树模型，确定所述训练数据对应的线损异常原因；
排查时间设置子模块，用于基于所述训练数据对应的线损异常原因设置排查时间；
目标决策树模型生成子模块，用于根据按照所述排查时间返回的线损异常原因排查结果，调整所述初始决策树模型，生成目标决策树模型。
可选地，所述目标决策树模型生成子模块包括：
原因判断单元，用于当接收到按照所述排查时间返回的线损异常原因排查结果时，判断所述线损异常原因排查结果与所述线损异常原因是否相同；
调整单元，用于若不相同，则按照预定规则调整所述初始决策树模型，返回所述将所述训练数据输入所述初始决策树模型，确定所述训练数据对应的线损异常原因的步骤，直至所述线损异常原因排查结果与所述线损异常原因相同，生成目标决策树模型。
可选地，所述装置涉及多个低压台区，所述装置还包括：
负荷情况获取模块，用于获取多个所述低压台区的负荷情况；
负荷类型划分模块，用于基于每个所述低压台区的负荷情况，为每个所述低压台区划分对应的负荷类型；
线损率区间调整模块，用于基于每个所述负荷类型对应的负荷情况，调整每个所述低压台区对应的预设初始线损率区间，得到每个负荷类型对应的线损率区间。
本发明实施例提供了一种低压台区线损异常分析设备，包括电气量测量装置、远程数据诊断平台、采集器、监控端和移动终端；
所述电气量测量装置，用于采集待检测低压台区的同期线损数据和待分析数据特征；
可选地，电气量测量装置主要部署在低压台区关键分支节点，可以由电流测量装置(低压穿心式电流互感器)、微型电压测量装置(穿刺线夹)、温度测量装置(无源供电的谐振型温度传感器)几个模块组成，并对低压台区的数据进行取值，例如直接取值，具体的取值方式本发明实施例并不限制。
所述采集器，用于从所述电气量测量装置获取所述同期线损数据和待分析数据特征并发送到所述远程数据诊断平台；
进一步地，采集器主要是利用高频ZigBee无线通信技术，获取电气量测量装置测量数据。同时配置RS485有线接口，与无线数据发送模块开展信息交互。无线通信数据发送模块则可以经GPRS通道，将采集器采集异常线损数据发送至云端，即远程数据诊断平台。
所述远程数据诊断平台，用于当所述同期线损数据不处于预设的线损率区间时，根据所述待分析数据特征和目标决策树模型，确定所述待检测低压台区对应的线损异常原因，发送所述线损异常原因和预设的排查时间到所述移动终端；其中，所述目标决策树模型通过预置的决策树模型训练过程结合所述监控端返回的比对结果生成；
所述移动终端，用于接收远程数据诊断平台发送的线损异常原因，按照所述排查时间执行对所述待检测低压台区进行线程异常排查，生成线损异常原因排查结果并返回到所述监控端；
在具体实现中，移动终端从远程数据诊断平台接收到的线损异常原因可以通过预警或工单等形式表示，为现场消缺提供依据，而消缺人员可以在现场处理之后，以静态图片拍摄、动态图像录制的形式，经移动终端或APP将消缺记录反馈至远程数据诊断处理平台，达到低压台区同期线损消缺全面闭环管控的目的。
所述监控端，用于接收所述线损异常原因排查结果并与所述线程异常原因进行比对，返回所述比对结果到所述远程数据诊断平台。
在本发明实施例中，考虑到低压台区地理条件、现场设备间差异较大，可以在基于大数据技术的低压台区同期线损异常诊断系统中引入无线通信技术，可供选择的无线通信技术为GPRS(通用无线分组业务)、无线数传电台、Bluetooth(蓝牙)，根据不同技术对环境变化适应能力，可以开展技术应用场景配置分析。
GPRS可为复杂应用及多个GPRS模块即时通讯提供支撑，实现多工作现场监控，但需在每一能耗采集终端上进行一GPRS通信模块外挂，且必须采用移动专线网络，方可实现后台计算机与现场GPRS终端信息交互，技术较为繁琐。同时在网络运行过程中，需要向电信运营商进行通信流量费、专线接入费的缴纳，费用损耗较高。
无线数传电台主要是借助无线电技术、DSP技术(数字信号处理)技术的电台，覆盖范围在220.0～240MHz，330～512MHz，可以实现多个电台间透明组网，价格较为低廉，但吞吐量及空中传输速率相对较低，可以基本满足低压台区同期线损异常诊断数据采集及传输需求。
Bluetooth/IEEE 802.15.1协议主要采用Frequency-hopping Spread Spectrum技术，即调频技术，通信频段在2.102GHz以上，2.480GHz以下，具有功率消耗低、运行速度快、安全风险小的优良特点，但因传输距离较短，网络节点较少，不适用于多点布控模式。
在无线通信技术确定后，技术人员可以在每一关键分支质点采集设备、台区变压器适当位置进行无线数传电台的恰当配置，促使台区变压器位置无线数传电台可以经GPRS通道与云端进行远距离数据共享，而云端也可与移动端经计算机网络完成数据共享。
在无线通信网络搭建完毕后，可以将营销系统内所属低压台区用户全部接入同期线损异常诊断系统，实现异常线损数据的全面采集。
可选地，所述远程数据诊断平台还用于接收所述比对结果，对采用Adaboost算法结合所述训练数据所构建的初始决策树模型进行训练，生成所述目标决策树模型。
在本发明实施例中，可以通过在移动终端、远程数据诊断平台或监控端的弹出窗口内选择所对应低压台区名称、供电单位，选择周期点击诊断(以0点冻结电量为依据)，确定相关低压台区每月、每周、每日线损值。同时考虑到台区低压电表系统接入率对同期线损诊断的干扰，可以将系统与营销系统连接，自动核查低压台区是否存在智能表未接入情况，并将其导入未接入用户明细表内，保证低压台区同期线损核查全面、准确性。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统和装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本发明所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种低压台区线损异常分析方法，其特征在于，包括：
接收从待检测低压台区采集到的同期线损数据；
根据所述待检测低压台区的负荷类型，确定与所述负荷类型对应的线损率区间；
若所述同期线损数据不处于所述线损率区间，则获取所述同期线损数据对应的待分析数据特征；
将所述待分析数据特征输入目标决策树模型，确定所述待检测低压台区对应的线损异常原因；其中，所述目标决策树模型通过预置的决策树模型训练过程生成。
2.根据权利要求1所述的方法，其特征在于，所述决策树模型训练过程包括：
获取训练数据；
采用Adaboost算法结合所述训练数据，构建初始决策树模型；
将所述训练数据输入所述初始决策树模型，确定所述训练数据对应的线损异常原因；
基于所述训练数据对应的线损异常原因设置排查时间；
根据按照所述排查时间返回的线损异常原因排查结果，调整所述初始决策树模型，生成目标决策树模型。
3.根据权利要求2所述的方法，其特征在于，所述根据按照所述排查时间返回的线损异常原因排查结果，调整所述初始决策树模型，生成目标决策树模型的步骤，包括：
当接收到按照所述排查时间返回的线损异常原因排查结果时，判断所述线损异常原因排查结果与所述线损异常原因是否相同；
若不相同，则按照预定规则调整所述初始决策树模型，返回所述将所述训练数据输入所述初始决策树模型，确定所述训练数据对应的线损异常原因的步骤，直至所述线损异常原因排查结果与所述线损异常原因相同，生成目标决策树模型。
4.根据权利要求1-3任一项所述的方法，其特征在于，涉及多个低压台区，在所述获取所述待检测低压台区采集的线损数据的步骤之前，还包括：
获取多个所述低压台区的负荷情况；
基于每个所述低压台区的负荷情况，为每个所述低压台区划分对应的负荷类型；
基于每个所述负荷类型对应的负荷情况，调整每个所述低压台区对应的预设初始线损率区间，得到每个负荷类型对应的线损率区间。
5.一种低压台区线损异常分析装置，其特征在于，包括：
同期线损数据接收模块，用于接收从待检测低压台区采集到的同期线损数据；
线损率区间确定模块，用于根据所述待检测低压台区的负荷类型，确定与所述负荷类型对应的线损率区间；
待分析特征获取模块，用于若所述同期线损数据不处于所述线损率区间，则获取所述同期线损数据对应的待分析数据特征；
第一线损异常原因确定模块，用于将所述待分析数据特征输入目标决策树模型，确定所述待检测低压台区对应的线损异常原因；其中，所述目标决策树模型通过预置的决策树模型训练模块生成。
6.根据权利要求5所述的装置，其特征在于，所述决策树模型训练模块包括：
训练数据获取子模块，用于获取训练数据；
初始决策树模型构建子模块，用于采用Adaboost算法结合所述训练数据，构建初始决策树模型；
第二线损异常原因确定子模块，用于将所述训练数据输入所述初始决策树模型，确定所述训练数据对应的线损异常原因；
排查时间设置子模块，用于基于所述训练数据对应的线损异常原因设置排查时间；
目标决策树模型生成子模块，用于根据按照所述排查时间返回的线损异常原因排查结果，调整所述初始决策树模型，生成目标决策树模型。
7.根据权利要求6所述的装置，其特征在于，所述目标决策树模型生成子模块包括：
原因判断单元，用于当接收到按照所述排查时间返回的线损异常原因排查结果时，判断所述线损异常原因排查结果与所述线损异常原因是否相同；
调整单元，用于若不相同，则按照预定规则调整所述初始决策树模型，返回所述将所述训练数据输入所述初始决策树模型，确定所述训练数据对应的线损异常原因的步骤，直至所述线损异常原因排查结果与所述线损异常原因相同，生成目标决策树模型。
8.根据权利要求5-7任一项所述的装置，其特征在于，涉及多个低压台区，所述装置还包括：
负荷情况获取模块，用于获取多个所述低压台区的负荷情况；
负荷类型划分模块，用于基于每个所述低压台区的负荷情况，为每个所述低压台区划分对应的负荷类型；
线损率区间调整模块，用于基于每个所述负荷类型对应的负荷情况，调整每个所述低压台区对应的预设初始线损率区间，得到每个负荷类型对应的线损率区间。
9.一种低压台区线损异常分析设备，其特征在于，包括电气量测量装置、远程数据诊断平台、采集器、监控端和移动终端；
所述电气量测量装置，用于采集待检测低压台区的同期线损数据和待分析数据特征；
所述采集器，用于从所述电气量测量装置获取所述同期线损数据和待分析数据特征并发送到所述远程数据诊断平台；
所述远程数据诊断平台，用于当所述同期线损数据不处于预设的线损率区间时，根据所述待分析数据特征和目标决策树模型，确定所述待检测低压台区对应的线损异常原因，发送所述线损异常原因和预设的排查时间到所述移动终端；其中，所述目标决策树模型通过预置的决策树模型训练过程结合所述监控端返回的比对结果生成；
所述移动终端，用于接收远程数据诊断平台发送的线损异常原因，按照所述排查时间执行对所述待检测低压台区进行线程异常排查，生成线损异常原因排查结果并返回到所述监控端；
所述监控端，用于接收所述线损异常原因排查结果并与所述线程异常原因进行比对，返回所述比对结果到所述远程数据诊断平台。
10.根据权利要求9所述的设备，其特征在于，所述远程数据诊断平台还用于接收所述比对结果，对采用Adaboost算法结合所述训练数据所构建的初始决策树模型进行训练，生成所述目标决策树模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011466919.1A CN112598234A (zh) | 2020-12-14 | 2020-12-14 | 一种低压台区线损异常分析方法、装置和设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011466919.1A CN112598234A (zh) | 2020-12-14 | 2020-12-14 | 一种低压台区线损异常分析方法、装置和设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112598234A true CN112598234A (zh) | 2021-04-02 |
Family
ID=75195516
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011466919.1A Pending CN112598234A (zh) | 2020-12-14 | 2020-12-14 | 一种低压台区线损异常分析方法、装置和设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112598234A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113267692A (zh) * | 2021-05-17 | 2021-08-17 | 国网吉林省电力有限公司营销服务中心 | 一种低压台区线损智能诊断分析方法和系统 |
| CN113721094A (zh) * | 2021-08-27 | 2021-11-30 | 北京市腾河电子技术有限公司 | 低压台区用采系统的误差分析方法及系统、设备、存储介质 |
| CN113902062A (zh) * | 2021-12-13 | 2022-01-07 | 国网江西省电力有限公司电力科学研究院 | 一种基于大数据的台区线损异常原因分析方法及装置 |
| CN114611396A (zh) * | 2022-03-15 | 2022-06-10 | 国网安徽省电力有限公司蚌埠供电公司 | 一种基于大数据分析线损的方法 |
| CN115392648A (zh) * | 2022-08-03 | 2022-11-25 | 中国电力科学研究院有限公司 | 一种台区线损融合诊断系统及其诊断方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105718490A (zh) * | 2014-12-04 | 2016-06-29 | 阿里巴巴集团控股有限公司 | 一种用于更新分类模型的方法及装置 |
| CN108765373A (zh) * | 2018-04-26 | 2018-11-06 | 西安工程大学 | 一种基于集成分类器在线学习的绝缘子异常自动检测方法 |
| CN109977535A (zh) * | 2019-03-22 | 2019-07-05 | 南方电网科学研究院有限责任公司 | 一种线损异常诊断方法、装置、设备及可读存储介质 |
-
2020
- 2020-12-14 CN CN202011466919.1A patent/CN112598234A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105718490A (zh) * | 2014-12-04 | 2016-06-29 | 阿里巴巴集团控股有限公司 | 一种用于更新分类模型的方法及装置 |
| CN108765373A (zh) * | 2018-04-26 | 2018-11-06 | 西安工程大学 | 一种基于集成分类器在线学习的绝缘子异常自动检测方法 |
| CN109977535A (zh) * | 2019-03-22 | 2019-07-05 | 南方电网科学研究院有限责任公司 | 一种线损异常诊断方法、装置、设备及可读存储介质 |
Non-Patent Citations (2)
| Title |
|---|
| 张蓝宇 等: "基于数据挖掘技术的台区线损智能诊断研究及应用", 《湖南电力》 * |
| 欧阳星明等: "一种新的增量决策树算法", 《微处理机》 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113267692A (zh) * | 2021-05-17 | 2021-08-17 | 国网吉林省电力有限公司营销服务中心 | 一种低压台区线损智能诊断分析方法和系统 |
| CN113721094A (zh) * | 2021-08-27 | 2021-11-30 | 北京市腾河电子技术有限公司 | 低压台区用采系统的误差分析方法及系统、设备、存储介质 |
| CN113721094B (zh) * | 2021-08-27 | 2024-03-22 | 北京市腾河电子技术有限公司 | 低压台区用采系统的误差分析方法及系统、设备、存储介质 |
| CN113902062A (zh) * | 2021-12-13 | 2022-01-07 | 国网江西省电力有限公司电力科学研究院 | 一种基于大数据的台区线损异常原因分析方法及装置 |
| CN114611396A (zh) * | 2022-03-15 | 2022-06-10 | 国网安徽省电力有限公司蚌埠供电公司 | 一种基于大数据分析线损的方法 |
| CN115392648A (zh) * | 2022-08-03 | 2022-11-25 | 中国电力科学研究院有限公司 | 一种台区线损融合诊断系统及其诊断方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112598234A (zh) | 一种低压台区线损异常分析方法、装置和设备 | |
| CN109597014A (zh) | 一种基于人工智能技术的电能表误差诊断方法 | |
| CN113904443B (zh) | 多维度空间可视化的现场变电设备监控与预警系统 | |
| CN113267692B (zh) | 一种低压台区线损智能诊断分析方法和系统 | |
| CN106126391A (zh) | 系统监控方法和装置 | |
| CN109800250B (zh) | 不再配置企业中心服务器的系统架构 | |
| CN103198139B (zh) | 用户电力数据的用能分析方法 | |
| CN103617568A (zh) | 稳态电能质量预警机制中的异常数据判定阈值设定方法 | |
| CN109285087A (zh) | 一种基于NB-IoT和GPU加速的台区拓扑识别方法 | |
| CN110516837A (zh) | 一种基于ai的智能化诊断方法、系统及装置 | |
| CN110309884A (zh) | 基于泛在电力物联网体系的用电数据异常识别系统 | |
| CN104777813A (zh) | 综合气象观测运行监控系统及其监控方法 | |
| CN102855525A (zh) | 一种居民用户负荷预测分析系统和方法 | |
| CN113098130A (zh) | 一种监测低压台区线损异常问题的分析系统 | |
| CN109902373A (zh) | 一种辖区变电站故障诊断、定位方法及系统 | |
| CN103926552A (zh) | 用电信息采集仿真测试平台 | |
| CN103617447B (zh) | 智能变电站的评价系统及评价方法 | |
| CN109581126A (zh) | 一种电力带电检测系统及方法 | |
| CN110687494A (zh) | 远程关口电能表故障监控的方法和系统 | |
| CN113469488B (zh) | 配电网设备拓扑结构在线诊断分析系统 | |
| CN106249681A (zh) | 建筑能耗异常监控方法和装置 | |
| CN107248036A (zh) | 一种智能化信用评级方法和装置 | |
| CN103532233B (zh) | 基于gprs技术的用电信息采集异常精确定位系统 | |
| CN105678456A (zh) | 一种电能计量装置运行状态自动评估方法及其系统 | |
| Zhang et al. | Analysis of influencing factors of transmission line loss based on GBDT algorithm |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210402 |
|
| RJ01 | Rejection of invention patent application after publication |