CN113128024B - 一种基于大数据分析的低压窃电客户及窃电手段确定方法 - Google Patents
一种基于大数据分析的低压窃电客户及窃电手段确定方法 Download PDFInfo
- Publication number
- CN113128024B CN113128024B CN202110287215.6A CN202110287215A CN113128024B CN 113128024 B CN113128024 B CN 113128024B CN 202110287215 A CN202110287215 A CN 202110287215A CN 113128024 B CN113128024 B CN 113128024B
- Authority
- CN
- China
- Prior art keywords
- electricity stealing
- electricity
- model
- suspected
- stealing
- 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.)
- Active
Links
- 230000005611 electricity Effects 0.000 title claims abstract description 239
- 238000007405 data analysis Methods 0.000 title claims abstract description 15
- 238000000034 method Methods 0.000 title claims abstract description 14
- 238000004458 analytical method Methods 0.000 claims abstract description 53
- 238000012216 screening Methods 0.000 claims abstract description 27
- 230000035772 mutation Effects 0.000 claims abstract description 7
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 230000002265 prevention Effects 0.000 abstract description 2
- 230000002354 daily effect Effects 0.000 description 9
- 238000013024 troubleshooting Methods 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000001816 cooling Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000010438 heat treatment 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
-
- 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
- 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
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Quality & Reliability (AREA)
- Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- General Engineering & Computer Science (AREA)
- Operations Research (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Mathematical Analysis (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Algebra (AREA)
- Computational Mathematics (AREA)
- Educational Administration (AREA)
- Computer Hardware Design (AREA)
- Mathematical Optimization (AREA)
- Geometry (AREA)
- Pure & Applied Mathematics (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
Abstract
本发明公开了一种基于大数据分析的低压窃电客户及窃电手段确定方法,主要涉及防窃电领域。包括如下步骤:1)、基于已处理窃电案件的物理特征分析,从电量突变、电流异常、强磁干扰事件的不同分析维度建立多种窃电预警模型和窃电手段判断模型;2)、通过指定窃电预警模型对电参量、电能表事件、工单信息数据进行大数据分析,确定对应窃电预警模式下窃电手段的疑似窃电初步明细,筛选出疑似窃电客户;3)、利用窃电手段判断模型,对筛选出的疑似窃电初步明细进行比对,筛选出窃电数据,确定窃电客户及窃电手段。本发明的有益效果在于:它能够提高对窃电客户及窃电手段判断的准确性,大大提高判断的效率,避免电量的损失。
Description
技术领域
本发明涉及防窃电领域,具体是一种基于大数据分析的低压窃电客户及窃电手段确定方法。
背景技术
现有的供电方式,一些用电量较大的客户,会采用多种窃电手段进行窃电,以避免高额的电费,这给供电公司造成了高额的损失,这种违法行为不利于供电公司正常的运转,给企业造成巨大的潜在损失,现有技术中的防窃电的方法,筛选出的窃电数据与实际窃电量仍存在巨大的差异,防窃电的方法的准确性有待于进一步提高。
发明内容
本发明的目的在于提供一种基于大数据分析的低压窃电客户及窃电手段确定方法,它能够提高对窃电客户及窃电手段判断的准确性,大大提高判断的效率,避免电量的损失。
本发明为实现上述目的,通过以下技术方案实现:
一种基于大数据分析的低压窃电客户及窃电手段确定方法,包括如下步骤:
1)、基于已处理窃电案件的物理特征分析,从电量突变、电流异常、强磁干扰事件的不同分析维度建立多种窃电预警模型和窃电手段判断模型;
2)、通过指定窃电预警模型对电参量、电能表事件、工单信息数据进行大数据分析,确定对应窃电预警模式下窃电手段的疑似窃电初步明细,筛选出疑似窃电客户;
3)、利用一种或多种窃电手段判断模型,对筛选出的疑似窃电初步明细进行比对,筛选出符合对应窃电手段判断模型下的窃电数据,确定窃电客户及窃电手段。
进一步的,所述窃电手段包括疑似表内短接火线窃电、疑似表外短接火线窃电、疑似强磁干扰窃电、疑似打开表内电压钩窃电。
进一步的,所述窃电预警模型包括零火电流不一致模型、强磁干扰事件模型、电压异常模型。
进一步的,所述零火电流不一致模型用于筛选疑似表内短接火线窃电、疑似表外短接火线窃电的数据,本模型通过零火电流差别率筛选疑似短接火线窃电客户,零火差别率大于20%的为疑似数据,零火电流差别率计算公式为:
零火电流差别率=|(|火线电流值|-|零线电流值|)|/|火线电流值|*100%;
所述强磁干扰事件模型用于筛选疑似强磁干扰窃电的数据;
所述电压异常模型用于筛选疑似打开表内电压钩窃电的数据,本模型通过电压差别率筛选疑似打开表内电压钩窃电客户,电压差别率大于30%为疑似数据,电压差别率计算公式为:
电压差别率=|(采集到的电压值-额定电压值)|/|额定电压值|)*100%。
进一步的,窃电手段判断模型包括电量分析模型、台区电量趋势分析模型、台区电量损耗模型、连续多天异常分析模型。
进一步的,所述疑似表内短接火线窃电的窃电方式使用的窃电手段判断模型为电量分析模型、台区电量趋势分析模型、台区电量损耗模型、连续多天异常分析模型;
所述疑似表外短接火线窃电方式使用的窃电手段判断模型为台区电量损耗模型、连续多天异常分析模型;
所述疑似强磁干扰窃电方式使用的窃电手段判断模型为电量分析模型、台区电量趋势分析模型、台区电量损耗模型、连续多天异常分析模型;
所述疑似打开表内电压钩窃电方式使用的窃电手段判断模型为电量分析模型、台区电量趋势分析模型、台区电量损耗模型、连续多天异常分析模型。
对比现有技术,本发明的有益效果在于:
本发明针对现有已经处理的窃电案件所采用的窃电手段的物理特征进行分析,利用这些数据从电量突变、电流异常、强磁干扰事件的不同分析维度建立多种窃电预警模型和窃电手段判断模型,利用窃电预警模型对公司的电参量、电能表事件、工单信息数据进行大数据分析,初步筛选出对应模型下的疑似窃电初步明细,筛选出疑似窃电客户,这就大大缩小了筛选的范围,降低了筛选的工作量;然后根据这些数据,利用不同的窃电手段判断模型所具备的窃电手段的特征,对上述的初步数据进行比对,筛选出符合特征的用户和数据,从而利用多种窃电手段判断模型的结合,大大提高了对数据进行比对处理时的准确性,能够筛选出更多更准确的窃电数据,使现场的工作人员在进行排查时更有针对性,排查的效率更高,从而有效降低窃电损失的电量,本发明的确定方法准确性高,能够适用于当下大部分窃电手段的判断使用,符合当前国家供电方式的现状。
附图说明
附图1是本发明的整体流程图。
附图2是本发明的疑似表内短接火线窃电和表外短接火线窃电方式确定流程图。
附图3是本发明的疑似强磁干扰窃电方式确定流程图。
附图4是本发明的疑似打开表内电压钩窃电方式确定流程图。
具体实施方式
下面结合具体实施例,进一步阐述本发明。应理解,这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解,在阅读了本发明讲授的内容之后,本领域技术人员可以对本发明作各种改动或修改,这些等价形式同样落于本申请所限定的范围。
本发明所述是一种基于大数据分析的低压窃电客户及窃电手段确定方法,主要包括如下步骤:
1)、基于已处理窃电案件的物理特征分析,从电量突变、电流异常、强磁干扰事件的不同分析维度建立多种窃电预警模型和窃电手段判断模型,窃电预警模型和窃电手段判断模型均为多种,依据现有公司能够获取到的数据,利用已经处理过的窃电案件中窃电手段的特征,构建出窃电预警模型和窃电手段判断模型,窃电预警模型用于对公司的数据进行初步排查,窃电手段判断模型用于对窃电的具体手段进行判断;
2)、通过指定窃电预警模型对电参量、电能表事件、工单信息数据进行大数据分析,确定对应窃电预警模式下窃电手段的疑似窃电初步明细,筛选出疑似窃电客户,这样的筛选方式,能够对公司的大批量数据如电参量包括电流或者电压数据、电能表事件、工单信息数据等信息,利用窃电预警模型对应的特征进行筛选,筛选出符合相应模型特征的数据,这些数据有很大的可能属于窃电数据,这就大大缩小了需要确定的数据范围,降低了筛选的工作量,提高了筛选效率;
3)、利用一种或多种窃电手段判断模型,对筛选出的疑似窃电初步明细进行比对,筛选出符合对应窃电手段判断模型下的窃电数据,确定窃电客户及窃电手段,由于每种窃电手段对应多种特征,因此利用多种窃电手段判断模型的组合对步骤2)筛选出的疑似名单进行比对,进一步对筛选的数据进行剔除或选择,使筛选出的数据的准确性更高,使对窃电用户的判断更加准确,有效避免窃电造成的电量损失,保证供电公司的正常运营。
优选的,所述窃电手段包括疑似表内短接火线窃电、疑似表外短接火线窃电、疑似强磁干扰窃电、疑似打开表内电压钩窃电,依据当前的供电方式和设备,以上四种方式包含了绝大多数的窃电方式,因此对这四种窃电方式进行判断后,能够有利于现场工作人员核查时,直接去到指定地点进行核实,大大提高了现场核查的效率,全国的所有人口都有用电需求,再次庞大基数下窃电客户数量也非常众多,因此对如此数量庞大的疑似用户进行排查时能够大大降低排查做出的无用功,使排查更加迅速和准确。
优选的,所述窃电预警模型包括零火电流不一致模型、强磁干扰事件模型、电压异常模型,正常用电客户,零线、火线在同一回路,零线电流与火线电流应相同,有些窃电方式会因窃电使客户存在零火电流不一致的情况,通过对电流差别的计算能够有效对公司现有的电流数据进行分析;强磁干扰事件模型中,强磁干扰窃电是通过对电能表施加较强磁场,使电能表电流互感器线圈饱和,从而电能表检测到的电流小于实际电流,达到窃电目的,通过对电能表数据和实际电流数据的比对,能够筛选出此窃电方式下的异常数据;单相电能表正常工作电压应该在220V左右,打开表内电压钩窃电客户通过打开电能表表内电压钩,使电能表检测到的电压低于正常工作电压,从而起到窃电的目的,利用公司的电压数据和电压表的数据信息比对,能够对电压异常的客户数据进行准确分析,便于得出此方式下的疑似窃电数据。
优选的,所述零火电流不一致模型用于筛选疑似表内短接火线窃电、疑似表外短接火线窃电的数据,本模型通过零火电流差别率筛选疑似短接火线窃电客户,零火差别率大于20%的为疑似数据,零火电流差别率计算公式为:
零火电流差别率=|(|火线电流值|-|零线电流值|)|/|火线电流值|*100%,当采用上述两种窃电方式进行窃电时,必然会导致零火电流差别率产生变化,通过对零火差别率大于20%的数据进行筛选,能够剔除客观因素造成影响的数据,使筛选出的数据更加准确;
所述强磁干扰事件模型用于筛选疑似强磁干扰窃电的数据,此窃电方式下的电流表的数值明显小于实际电流的数据,因此通过对电流表数据的分析能够快速准确的找出疑似数据,筛选效率更高;
所述电压异常模型用于筛选疑似打开表内电压钩窃电的数据,本模型通过电压差别率筛选疑似打开表内电压钩窃电客户,电压差别率大于30%为疑似数据,电压差别率计算公式为:
电压差别率=|(采集到的电压值-额定电压值)|/|额定电压值|)*100%,此窃电方式下的电压表数据明显异常,因此对电压表数据的筛选能够对疑似数据进行快速筛查。
优选的,窃电手段判断模型包括电量分析模型、台区电量趋势分析模型、台区电量损耗模型、连续多天异常分析模型,电量分析模型中,正常客户用电连续几天不会有太大变化,而与窃电前相比,窃电客户在窃电后,电能表记录的日电量显著降低,对比开盖时间前后平均日电量变化,尤其是平均日电量差别率大于大于0.35的用户接近度更高,筛选表内短接火线窃电和打开表内电压钩窃电客户,平均日电量变化率计算公式为:
平均日电量差别率=(|(换表前5天正向有功电量-换表后5天正向有功电量)|/换表前5天正向有功电量)*100%;
台区电量趋势分析模型中,客户日用电量和当日天气存在一定的关系,某天天气突然变化,如突然变冷、变热,会导致客户日用电量发生突变,从而影响计量差错判断,本文通过增加同一台区所有客户电量变化情况,来剔除天气、季节等因素对日电量变化影响。对电量异常客户所属台区所有用户电量进行分析,当该台区75%以上客户电量波动具有相同趋势,则认为是由于天气、季节等偶然因素导致客户用电量波动;
台区电量损耗模型中,正常台区每天供电电量与售电电量是平衡的,当台区存在窃电时,供电电量会明显大于售电电量,通过台区线损电量,尤其是线损电流大于10kW·h,来筛选疑似窃电客户,线损率计算公式为:
线损电量=台区日供电总量-台区日总售电量;
连续多天异常分析模型中,为防止因电能表误差、采集误差等偶然因素导致零火电流不一致、电量突变等异常,我们采取多天数据综合分析,提高数据分析准确性,本发明采用3天数据进行综合比对分析,每户设置一个异常累加变量Y,Y的初始值设为0,若该户某天出现异常时则对Y进行累加,Y=Y+1,若某天未出现异常,则对异常累加变量Y进行赋值,Y=0,当连续3天出现异常时,即异常累加变量Y=n,该户进入疑似窃电明细,通过此方法可以筛选出连续三天出现异常的客户,从而可以剔除由于某天偶然因素导致的异常误报。
优选的,所述疑似表内短接火线窃电的窃电方式使用的窃电手段判断模型为电量分析模型、台区电量趋势分析模型、台区电量损耗模型、连续多天异常分析模型,具体步骤如图2所示;
所述疑似表外短接火线窃电方式使用的窃电手段判断模型为台区电量损耗模型、连续多天异常分析模型,具体步骤如图2所示;
所述疑似强磁干扰窃电方式使用的窃电手段判断模型为电量分析模型、台区电量趋势分析模型、台区电量损耗模型、连续多天异常分析模型,具体步骤如图3所示;
所述疑似打开表内电压钩窃电方式使用的窃电手段判断模型为电量分析模型、台区电量趋势分析模型、台区电量损耗模型、连续多天异常分析模型,具体步骤如图4所示。
工作原理:本发明针对现有已经处理的窃电案件所采用的窃电手段的物理特征进行分析,利用这些数据从电量突变、电流异常、强磁干扰事件的不同分析维度建立多种窃电预警模型和窃电手段判断模型,利用窃电预警模型对公司的电参量、电能表事件、工单信息数据进行大数据分析,初步筛选出对应模型下的疑似窃电初步明细,筛选出疑似窃电客户,这就大大缩小了筛选的范围,降低了筛选的工作量;然后根据这些数据,利用不同的窃电手段判断模型所具备的窃电手段的特征,对上述的初步数据进行比对,筛选出符合特征的用户和数据,从而利用多种窃电手段判断模型的结合,大大提高了对数据进行比对处理时的准确性,能够筛选出更多更准确的窃电数据,使现场的工作人员在进行排查时更有针对性,排查的效率更高,从而有效降低窃电损失的电量,本发明的确定方法准确性高,能够适用于当下大部分窃电手段的判断使用,符合当前国家供电方式的现状。
Claims (2)
1.一种基于大数据分析的低压窃电客户及窃电手段确定方法,其特征在于,包括如下步骤:
1)、基于已处理窃电案件的物理特征分析,从电量突变、电流异常、强磁干扰事件的不同分析维度建立多种窃电预警模型和窃电手段判断模型;
2)、通过指定窃电预警模型对电参量、电能表事件、工单信息数据进行大数据分析,确定对应窃电预警模式下窃电手段的疑似窃电初步明细,筛选出疑似窃电客户;
3)、利用一种或多种窃电手段判断模型,对筛选出的疑似窃电初步明细进行比对,筛选出符合对应窃电手段判断模型下的窃电数据,确定窃电客户及窃电手段;
所述窃电手段包括疑似表内短接火线窃电、疑似表外短接火线窃电、疑似强磁干扰窃电、疑似打开表内电压钩窃电;
所述窃电预警模型包括零火电流不一致模型、强磁干扰事件模型、电压异常模型;
所述零火电流不一致模型用于筛选疑似表内短接火线窃电、疑似表外短接火线窃电的数据,本模型通过零火电流差别率筛选疑似短接火线窃电客户,零火差别率大于20%的为疑似数据,零火电流差别率计算公式为:
零火电流差别率=|(|火线电流值|-|零线电流值|)|/|火线电流值|*100%;
所述强磁干扰事件模型用于筛选疑似强磁干扰窃电的数据;
所述电压异常模型用于筛选疑似打开表内电压钩窃电的数据,本模型通过电压差别率筛选疑似打开表内电压钩窃电客户,电压差别率大于30%为疑似数据,电压差别率计算公式为:
电压差别率=|(采集到的电压值-额定电压值)|/|额定电压值|)*100%;
窃电手段判断模型包括电量分析模型、台区电量趋势分析模型、台区电量损耗模型、连续多天异常分析模型。
2.根据权利要求1所述一种基于大数据分析的低压窃电客户及窃电手段确定方法,其特征在于:所述疑似表内短接火线窃电的窃电方式使用的窃电手段判断模型为电量分析模型、台区电量趋势分析模型、台区电量损耗模型、连续多天异常分析模型;
所述疑似表外短接火线窃电方式使用的窃电手段判断模型为台区电量损耗模型、连续多天异常分析模型;
所述疑似强磁干扰窃电方式使用的窃电手段判断模型为电量分析模型、台区电量趋势分析模型、台区电量损耗模型、连续多天异常分析模型;
所述疑似打开表内电压钩窃电方式使用的窃电手段判断模型为电量分析模型、台区电量趋势分析模型、台区电量损耗模型、连续多天异常分析模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110287215.6A CN113128024B (zh) | 2021-03-17 | 2021-03-17 | 一种基于大数据分析的低压窃电客户及窃电手段确定方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110287215.6A CN113128024B (zh) | 2021-03-17 | 2021-03-17 | 一种基于大数据分析的低压窃电客户及窃电手段确定方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113128024A CN113128024A (zh) | 2021-07-16 |
CN113128024B true CN113128024B (zh) | 2023-02-07 |
Family
ID=76773357
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110287215.6A Active CN113128024B (zh) | 2021-03-17 | 2021-03-17 | 一种基于大数据分析的低压窃电客户及窃电手段确定方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113128024B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114154999A (zh) * | 2021-10-27 | 2022-03-08 | 国网河北省电力有限公司营销服务中心 | 一种反窃电方法、装置、终端及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106156269A (zh) * | 2016-06-01 | 2016-11-23 | 国网河北省电力公司电力科学研究院 | 一种反窃电精准定位在线监测方法 |
CN106291253A (zh) * | 2016-09-23 | 2017-01-04 | 国网天津市电力公司 | 一种防窃电预警分析方法 |
CN107742127A (zh) * | 2017-10-19 | 2018-02-27 | 国网辽宁省电力有限公司 | 一种改进的防窃电智能预警系统及方法 |
CN110097297A (zh) * | 2019-05-21 | 2019-08-06 | 国网湖南省电力有限公司 | 一种多维度窃电态势智能感知方法、系统、设备及介质 |
CN110264015A (zh) * | 2019-06-28 | 2019-09-20 | 国网河南省电力公司电力科学研究院 | 反窃电稽查监控方法及平台 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7206657B2 (ja) * | 2017-09-15 | 2023-01-18 | 東京電力ホールディングス株式会社 | 盗電監視システム、盗電監視装置、盗電監視方法及びプログラム |
CN112434942A (zh) * | 2020-11-24 | 2021-03-02 | 国网河南省电力公司技能培训中心 | 一种反窃电智能预警及用户用电行为分析方法 |
-
2021
- 2021-03-17 CN CN202110287215.6A patent/CN113128024B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106156269A (zh) * | 2016-06-01 | 2016-11-23 | 国网河北省电力公司电力科学研究院 | 一种反窃电精准定位在线监测方法 |
CN106291253A (zh) * | 2016-09-23 | 2017-01-04 | 国网天津市电力公司 | 一种防窃电预警分析方法 |
CN107742127A (zh) * | 2017-10-19 | 2018-02-27 | 国网辽宁省电力有限公司 | 一种改进的防窃电智能预警系统及方法 |
CN110097297A (zh) * | 2019-05-21 | 2019-08-06 | 国网湖南省电力有限公司 | 一种多维度窃电态势智能感知方法、系统、设备及介质 |
CN110264015A (zh) * | 2019-06-28 | 2019-09-20 | 国网河南省电力公司电力科学研究院 | 反窃电稽查监控方法及平台 |
Also Published As
Publication number | Publication date |
---|---|
CN113128024A (zh) | 2021-07-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107340492B (zh) | 基于大数据挖掘和场景预判的电能计量装置故障分析方法 | |
CN111103565B (zh) | 一种基于智能电能表计量误差分析的数据变换方法及系统 | |
CN111008193B (zh) | 一种数据清洗与质量评价方法及系统 | |
CN110703009B (zh) | 台区线损率异常分析及处理方法 | |
CN115018139A (zh) | 基于相间特征的电流互感器误差状态在线辨识方法及系统 | |
CN111177208A (zh) | 基于大数据分析的用电异常检测方法 | |
CN113128024B (zh) | 一种基于大数据分析的低压窃电客户及窃电手段确定方法 | |
CN110994599A (zh) | 基于大数据的特高压交直流送出型电网稳定性判断方法 | |
CN105510864B (zh) | 一种电能表误差计量的检测方法 | |
CN110675018B (zh) | 一种基于专家规则的线损异常分析与闭环管理的方法 | |
CN115684776A (zh) | 高压输电线路线损支路的确定方法及其装置、处理器 | |
CN108062616B (zh) | 一种具有约束条件的用电异常检测系统 | |
CN112015724A (zh) | 一种对电力运营数据计量异常进行分析的方法 | |
CN113687293A (zh) | 基于大数据的线损异常智能分析方法 | |
CN106646106B (zh) | 基于变点探测技术的电网故障检测方法 | |
CN111612054A (zh) | 一种基于非负矩阵分解和密度聚类的用户窃电行为识别方法 | |
Hossain et al. | Distribution high impedance fault location using localized voltage magnitude measurements | |
CN110873857B (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 | |
CN115328965A (zh) | 一种基于mk突变检验的用电异常分析方法 | |
CN115146715A (zh) | 用电安全隐患诊断方法、装置、设备及存储介质 | |
CN115166625A (zh) | 智能电表误差估计方法及装置 | |
CN112994002B (zh) | 一种电力可移动负荷识别方法 | |
CN115587635A (zh) | 一种基于中性点偏移判断的台区线损分析方法、系统 | |
CN114065129A (zh) | 一种基于谱聚类方法的线变关系检测方法及检测系统 | |
Lin et al. | Identification of electricity theft based on the k-means clustering method |
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 |