CN113255096A - 基于向前逐步回归的高损线路异常台区定位方法及系统 - Google Patents
基于向前逐步回归的高损线路异常台区定位方法及系统 Download PDFInfo
- Publication number
- CN113255096A CN113255096A CN202110348731.5A CN202110348731A CN113255096A CN 113255096 A CN113255096 A CN 113255096A CN 202110348731 A CN202110348731 A CN 202110348731A CN 113255096 A CN113255096 A CN 113255096A
- Authority
- CN
- China
- Prior art keywords
- electricity
- variable
- loss
- subset
- goodness
- 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
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 29
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000009826 distribution Methods 0.000 title abstract description 24
- 230000005611 electricity Effects 0.000 claims abstract description 93
- 238000012417 linear regression Methods 0.000 claims abstract description 51
- 238000012353 t test Methods 0.000 claims description 26
- 238000001134 F-test Methods 0.000 claims description 13
- 238000000692 Student's t-test Methods 0.000 claims description 7
- 238000001514 detection method Methods 0.000 abstract description 8
- 238000007689 inspection Methods 0.000 abstract description 6
- 238000004458 analytical method Methods 0.000 abstract description 3
- 238000012360 testing method Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 9
- 238000004590 computer program Methods 0.000 description 7
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010224 classification analysis Methods 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000005612 types of electricity 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
- 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
- G01R31/08—Locating faults in cables, transmission lines, or networks
- G01R31/081—Locating faults in cables, transmission lines, or networks according to type of conductors
- G01R31/086—Locating faults in cables, transmission lines, or networks according to type of conductors in power transmission or distribution networks, i.e. with interconnected conductors
-
- 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
- G01R31/08—Locating faults in cables, transmission lines, or networks
- G01R31/088—Aspects of digital computing
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Geometry (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种基于向前逐步回归的高损线路异常台区定位方法及系统,属于电网线损分析领域。本发明方法包括:确定窃电高损线路,获取所述窃电高损线路单位时间损失的电量数据及下属台区单位时间的用电量数据,建立损失电量时间序列,根据用电量数据建立用电量时间序列;根据损失电量时间序列及用电量时间序列,建立多个一元对数线性回归模型,获取一元线性模型的拟合优度集合;针对拟合优度集合,选取最优的用电量时间序列的子集;建立回归模型,确定回归模型中,对损失电量时间序列具备显著影响的子集中的变量所对应的下属台区,为异常台区。本发明将窃电稽查的范围缩小,为高损线路的窃电检测提供了新路径,节约了时间、人力与物力成本。
Description
技术领域
本发明涉及电网线损分析领域,并且更具体地,涉及一种基于向前逐步回归的高损线路异常台区定位方法及系统。
背景技术
市场经济条件下,部分不法经营者采用各种手段窃取电能,直接造成供电企业收益损失。传统上,用电异常检测主要依靠人工排查,因数据匮乏、异常检测缺乏指向性,往往消耗大量人力、物力但收效不彰。目前,我国电网企业已基本实现用电信息的完整采集,能及时准确掌握电力用户的用电数据和客户信息,为利用用电数据挖掘分析识别窃电用户提供了有效技术支撑。
供电企业生产技术人员根据经验总结了低压用户零序电流、功率反向和电表失压等具有确切物理意义的指标,能准确标识用电异常行为,但该类方法仅适用于特定类型的窃电手法,无法检出绕表用电等其它形式的窃电。
电力工作者围绕数据驱动的用电异常检测,从无监督的聚类分析和有监督的分类分析两方面开展了大量研究。这些研究一般根据用户窃电会表现出用电量的趋势性下降、日负荷曲线的异常以及报装容量利用率偏低等共有的特征,再结合客户信息、缴费记录和被稽查次数等信息来设计特征指标项,再针对性的选择分类或聚类算法识别用电异常。这些研究往往将用电量的异常变化作为核心要素来设计特征指标项,本身就容易出现误报,原因如下:不同行业用户的用电行为特性存在显著差异,相当部分行业用电需求直接取决于订单需量,用户用电量的大幅或趋势性波动是常态;用电需求相对稳定的行业用户,可能在环保检查和安全检查等外界干扰下出现低电量异常。
在供电企业的线损管理中,配电线路的线损管理,历来是线损管理的重点和难点。调查显示,在配电环节,10kV及以下线损,占到了总线损的65%~70%。由于窃电是造成线损率居高不下的重要原因,实际工作中,营销人员往往选择线损率最高的配电线路进行用电稽查,如线损率大于5%的线路一般认为存在窃电行为。尽管一体化线损管理系统中记录有配电线路下属所有台区的详细用电数据,但由于缺乏有效的数据挖掘分析方法,营销人员只能在选定高损线路后根据经验逐个排查窃电用户,亟待研究适用的高损线路窃电用户定位识别算法,提高用电稽查工作效率。
发明内容
本发明针对上述现有技术的不足,而提供一种基于向前逐步回归的高损线路异常台区检测定位方法,包括:
确定窃电高损线路,并获取所述窃电高损线路单位时间损失的电量数据及下属台区单位时间的用电量数据,根据电量数据建立损失电量时间序列,根据用电量数据建立用电量时间序列;
根据损失电量时间序列及用电量时间序列,建立多个一元对数线性回归模型,并获取一元线性模型的拟合优度集合;
针对一元对数线性回归模型的拟合优度集合,选取最优的用电量时间序列的子集;
根据最优的用电量时间序列的子集建立回归模型,确定回归模型中,对损失电量时间序列具备显著影响的子集中的变量所对应的下属台区,为异常台区。
可选的,一元对数线性回归模型及回归模型中,用电量时间序列作为解释变量,损失电量时间序列作为被解释变量。
可选的,针对一元对数线性回归模型的拟合优度集合,选取最优的用电量时间序列的子集,具体包括:
选取用电量时间序列中的解释变量子集{Xm}与剩余解释变量Xj分别同被解释变量Y建立n-1个二元对数线性回归模型,其中1≤j≤n,j≠m,n为下属台区个数;
将解释变量子集{Xm}和未被剔除的解释变量作为最优的用电量时间序列的子集。
可选的,F检验和t检验预先给定显著性水平
本发明还提出了一种基于向前逐步回归的高损线路异常台区定位系统,包括:
确定高损线路单元,确定窃电高损线路,并获取所述窃电高损线路单位时间损失的电量数据及下属台区单位时间的用电量数据,根据电量数据建立损失电量时间序列,根据用电量数据建立用电量时间序列;
获取模型拟合优度集合单元,根据损失电量时间序列及用电量时间序列,建立多个一元对数线性回归模型,并获取一元线性模型的拟合优度集合;
建立最优时间序列单元,针对一元对数线性回归模型的拟合优度集合,选取最优的用电量时间序列的子集;
确定异常台区单元,根据最优的用电量时间序列的子集建立回归模型,确定回归模型中,对损失电量时间序列具备显著影响的子集中的变量所对应的下属台区,为异常台区。
可选的,一元对数线性回归模型及回归模型中,用电量时间序列作为解释变量,损失电量时间序列作为被解释变量。
可选的,针对一元对数线性回归模型的拟合优度集合,选取最优的用电量时间序列的子集,具体包括:
选取用电量时间序列中的解释变量子集{Xm}与剩余解释变量Xj分别同被解释变量Y建立n-1个二元对数线性回归模型,其中1≤j≤n,j≠m,n为下属台区个数;
将解释变量子集{Xm}和未被剔除的解释变量作为最优的用电量时间序列的子集。
可选的,F检验和t检验预先给定显著性水平。
本发明将窃电稽查的范围缩小,为高损线路的窃电检测提供了新路径,节约了时间、人力与物力成本。
附图说明
图1为本发明一种基于向前逐步回归的高损线路异常台区定位方法流程图;
图2为本发明一种基于向前逐步回归的高损线路异常台区定位系统结构图。
具体实施方式
现在参考附图介绍本发明的示例性实施方式,然而,本发明可以用许多不同的形式来实施,并且不局限于此处描述的实施例,提供这些实施例是为了详尽地且完全地公开本发明,并且向所属技术领域的技术人员充分传达本发明的范围。对于表示在附图中的示例性实施方式中的术语并不是对本发明的限定。在附图中,相同的单元/元件使用相同的附图标记。
除非另有说明,此处使用的术语(包括科技术语)对所属技术领域的技术人员具有通常的理解含义。另外,可以理解的是,以通常使用的词典限定的术语,应当被理解为与其相关领域的语境具有一致的含义,而不应该被理解为理想化的或过于正式的意义。
本发明提供了一种基于向前逐步回归的高损线路异常台区检测定位方法,如图1所示,包括:
确定窃电高损线路,并获取所述窃电高损线路单位时间损失的电量数据及下属台区单位时间的用电量数据,根据电量数据建立损失电量时间序列,根据用电量数据建立用电量时间序列;
根据损失电量时间序列及用电量时间序列,建立多个一元对数线性回归模型,并获取一元线性模型的拟合优度集合;
针对一元对数线性回归模型的拟合优度集合,选取最优的用电量时间序列的子集;
根据最优的用电量时间序列的子集建立回归模型,确定回归模型中,对损失电量时间序列具备显著影响的子集中的变量所对应的下属台区,为异常台区。
其中,一元对数线性回归模型及回归模型中,用电量时间序列作为解释变量,损失电量时间序列作为被解释变量。
其中,针对一元对数线性回归模型的拟合优度集合,选取最优的用电量时间序列的子集,具体包括:
选取用电量时间序列中的解释变量子集{Xm}与剩余解释变量Xj分别同被解释变量Y建立n-1个二元对数线性回归模型,其中1≤j≤n,j≠m,n为下属台区个数;
将解释变量子集{Xm}和未被剔除的解释变量作为最优的用电量时间序列的子集。
其中,F检验和t检验预先给定显著性水平。
本发明方法步骤具体如下:
步骤1:确定窃电高损线路,并获取该窃电高损线路的单位时间损失电量数据及下属各台区的单位时间用电量数据,建立单位时间损失电量时间序列及下属各用户的单位时间用电量时间序列;
上述窃电高损线路中,单位时间损失电量时间序列Y={Y1,Y2,…,Yt},下属第i个台区的单位时间用电量时间序列Xi={Xi1,Xi2,…Xit},i=1,2,…,n;其中,t为单位电量时间序列的长度,n为下属全部台区的数量;
上述步骤1中,窃电高损线路的确定可根据各线路的线损率或线损波动率来确定,皆为本领域的常规技术。以线损率来确定时,由供电企业根据当地实际情况决定,因10kV配电线路理论线损多在2%-3%之间,一般认为线损高于5%的线路为高损线路。
上述提及的线损率数据,线路的单位时间损失电量和台区的单位时间用电量数据可以从电网一体化线损管理系统得到,为现有技术。
上述步骤1中的单位时间可为具体的时段。当单位时间为日(即24小时)时,获取的各用户用电量数据中直接包含日用电量数据,则可直接建立下属各用户的日用电量时间序列;当单位时间为15分钟、30分钟、60分钟或12小时等其他时段时,可根据获取的各用户用电量数据计算出时段用电量数据后再建立下属各用户的小时用电量时间序列。
上述步骤2中的一元对数线性回归模型的构建为现有常规技术,如采用Eviews软件进行构建,具体地,通过构建n个一元对数线性回归模型分析n个解释变量Xi(i=1,2,…,n)与被解释变量Y之间存在的关系,一元对数线性回归模型可以表示为:ln Y=ci+βi ln Xi+ui;
式中,ci为常数项,βi为回归系数,ui为除Xi以外其他所有对Y产生影响的因素的综合体现。
考虑到由于单位时间用电量时间序列Xi在数据传输过程中与理论值相比存在测量误差,出现这种问题时,运用最小二乘法估计参数量会有偏差且不一致,因而采取二阶段最小二乘法估计回归模型中的各个参数。
二阶段最小二乘法包括两个阶段:
第一个阶段:找到一个变量(工具变量),模型中每个解释变量分别关于这个变量作第一次最小二乘回归;
第二个阶段:所有变量用第一个阶段回归得到的拟合值来代替,对原方程进行第二次回归,这样求得的回归系数就是二阶段最小二乘法估计值。
通过拟合优度R2统计量来衡量模型拟合值对实际值拟合的程度:
其中:TSS为离差平方和,反映解释变量波动的大小;ESS为回归平方和,反映由模型解释变量计算出来的的拟合值的波动;RSS是残差平方和,是被解释变量总的波动不能通过回归模型解释的部分,0≤R2≤1,R2越接近1表明模型拟合的很好,反之,R2越接近0,拟合程度越低。
步骤3:以所对应的第m个台区的单位时间用电量时间序列Xm作为逐步回归基础,将已选取的解释变量子集{Xm}与剩余解释变量Xj(1≤j≤n,j≠m)分别同被解释变量Y建立n-1个二元对数线性回归模型,同样计算各个回归模型的拟合优度并计算各个解释变量应的回归系数的F检验统计量值和t检验统计量值:Fj(j=1,2,...,j≠m),tj(j=1,2,...,j≠m)。若新解释变量Xj1(1≤j1≤n,j1≠m)的引入改进了拟合优度R2和F检验统计量值,且回归参数的t检验在统计上也是显著的,则将对应的变量引入回归方程;若新解释变量的引入未能改进拟合优度R2和F检验统计量值,且对其他回归参数估计值的t检验未带来显著影响,则认为该变量是冗余变量,将其从模型中剔除。此时已选取的解释变量子集为。
上述步骤3中的F检验与t检验为现有常规技术。F检验为方程显著性检验,用来检验所有解释变量联合起来是否对被解释变量Y有显著影响;t检验为变量显著性检验,在控制其他变量不变的情况下,用来检验某个解释变量Xi是否对被解释变量Y有显著性影响。
(1)F检验
对于预先给定的显著性水平α,可知临界值Fα(k,T-k-1),其中k为方程中待估计参数个数,T为变量长度。若则认为新解释变量的引入改进了F检验统计量值;若则认为新解释变量的引入未能改进F检验统计量值。
(2)t检验
步骤4:将已选取的解释变量子集依照步骤3方法重复进行,直到不能引入新解释变量,同时也无法再剔除新解释变量为止,最后建立了最优线性回归模型,其中回归模型中对被解释变量有显著影响的解释变量所对应的台区用户为用电异常台区。
实施例1
以序列Y(代表异常线路日损失电量时间序列)和序列X1,X2,X3,X4(代表该异常线路下属4个台区用户日用电量时间序列)为例,通过Eviews数据分析软件对序列Y和序列X1,X2,X3,X4进行向前逐步回归分析,得到以下结果,如表1所示。
表1
注:表中t统计量的值为新加入变量的t检验统计量
表2
由表1知:模型5的拟合优度为0.9768,说明该对数线性回归模型拟合程度较好。且F统计量值也大于对应显著性水平临界值,说明所有解释变量联合起来对被解释变量有显著影响,其中解释变量ln X3,ln X1各自的t检验也通过。所构建的对数线性模型为ln Y=3.4234+0.1206ln X1+0.3654ln X3。
表2列出了向前逐步回归过程,该过程通过比较检验多组回归模型,最终确定模型5为最优对数线性回归模型,模型5中所包含解释变量ln X1和ln X3是对被解释变量ln Y有显著影响,具体影响体现在:X1增加或减少1%,Y将增加或减少12.06%;X3增加或减少1%,Y将增加或减少36.54%。故将线路下属台区X1和X3确定为用电异常台区,可指派相关稽查人员对该用户进行现场稽查。
本发明还提出了一种基于向前逐步回归的高损线路异常台区定位系统200,如图2所示,包括:
确定高损线路单元201,确定窃电高损线路,并获取所述窃电高损线路单位时间损失的电量数据及下属台区单位时间的用电量数据,根据电量数据建立损失电量时间序列,根据用电量数据建立用电量时间序列;
获取模型拟合优度集合单元202,根据损失电量时间序列及用电量时间序列,建立多个一元对数线性回归模型,并获取一元线性模型的拟合优度集合;
建立最优时间序列单元203,针对一元对数线性回归模型的拟合优度集合,选取最优的用电量时间序列的子集;
确定异常台区单元204,根据最优的用电量时间序列的子集建立回归模型,确定回归模型中,对损失电量时间序列具备显著影响的子集中的变量所对应的下属台区,为异常台区。
其中,一元对数线性回归模型及回归模型中,用电量时间序列作为解释变量,损失电量时间序列作为被解释变量。
其中,针对一元对数线性回归模型的拟合优度集合,选取最优的用电量时间序列的子集,具体包括:
选取用电量时间序列中的解释变量子集{Xm}与剩余解释变量Xj分别同被解释变量Y建立n-1个二元对数线性回归模型,其中1≤j≤n,j≠m,n为下属台区个数;
将解释变量子集{Xm}和未被剔除的解释变量作为最优的用电量时间序列的子集。
其中,F检验和t检验预先给定显著性水平。
本发明将窃电稽查的范围缩小,为高损线路的窃电检测提供了新路径,节约了时间、人力与物力成本。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。本发明实施例中的方案可以采用各种计算机语言实现,例如,面向对象的程序设计语言Java和直译式脚本语言JavaScript等。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (8)
1.一种基于向前逐步回归的高损线路异常台区定位方法,所述方法包括:
确定窃电高损线路,并获取所述窃电高损线路单位时间损失的电量数据及下属台区单位时间的用电量数据,根据电量数据建立损失电量时间序列,根据用电量数据建立用电量时间序列;
根据损失电量时间序列及用电量时间序列,建立多个一元对数线性回归模型,并获取一元线性模型的拟合优度集合;
针对一元对数线性回归模型的拟合优度集合,选取最优的用电量时间序列的子集;
根据最优的用电量时间序列的子集建立回归模型,确定回归模型中,对损失电量时间序列具备显著影响的子集中的变量所对应的下属台区,为异常台区。
2.根据权利要求1所述的方法,所述一元对数线性回归模型及回归模型中,用电量时间序列作为解释变量,损失电量时间序列作为被解释变量。
3.根据权利要求1所述的方法,所述针对一元对数线性回归模型的拟合优度集合,选取最优的用电量时间序列的子集,具体包括:
选取用电量时间序列中的解释变量子集{Xm}与剩余解释变量Xj分别同被解释变量Y建立n-1个二元对数线性回归模型,其中1≤j≤n,j≠m,n为下属台区个数;
将解释变量子集{Xm}和未被剔除的解释变量作为最优的用电量时间序列的子集。
4.根据权利要求1所述的方法,所述F检验和t检验预先给定显著性水平。
5.一种基于向前逐步回归的高损线路异常台区定位系统,所述系统包括:
确定高损线路单元,确定窃电高损线路,并获取所述窃电高损线路单位时间损失的电量数据及下属台区单位时间的用电量数据,根据电量数据建立损失电量时间序列,根据用电量数据建立用电量时间序列;
获取模型拟合优度集合单元,根据损失电量时间序列及用电量时间序列,建立多个一元对数线性回归模型,并获取一元线性模型的拟合优度集合;
建立最优时间序列单元,针对一元对数线性回归模型的拟合优度集合,选取最优的用电量时间序列的子集;
确定异常台区单元,根据最优的用电量时间序列的子集建立回归模型,确定回归模型中,对损失电量时间序列具备显著影响的子集中的变量所对应的下属台区,为异常台区。
6.根据权利要求5所述的系统,所述一元对数线性回归模型及回归模型中,用电量时间序列作为解释变量,损失电量时间序列作为被解释变量。
7.根据权利要求5所述的系统,所述针对一元对数线性回归模型的拟合优度集合,选取最优的用电量时间序列的子集,具体包括:
选取用电量时间序列中的解释变量子集{Xm}与剩余解释变量Xj分别同被解释变量Y建立n-1个二元对数线性回归模型,其中1≤j≤n,j≠m,n为下属台区个数;
将解释变量子集{Xm}和未被剔除的解释变量作为最优的用电量时间序列的子集。
8.根据权利要求5所述的系统,所述F检验和t检验预先给定显著性水平。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110348731.5A CN113255096A (zh) | 2021-03-31 | 2021-03-31 | 基于向前逐步回归的高损线路异常台区定位方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110348731.5A CN113255096A (zh) | 2021-03-31 | 2021-03-31 | 基于向前逐步回归的高损线路异常台区定位方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113255096A true CN113255096A (zh) | 2021-08-13 |
Family
ID=77181284
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110348731.5A Pending CN113255096A (zh) | 2021-03-31 | 2021-03-31 | 基于向前逐步回归的高损线路异常台区定位方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113255096A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114441892A (zh) * | 2021-12-27 | 2022-05-06 | 国网江西省电力有限公司电力科学研究院 | 一种10kV线路异常线损配电变压器定位方法 |
CN114609480A (zh) * | 2022-05-16 | 2022-06-10 | 国网四川省电力公司电力科学研究院 | 一种电网损耗异常数据检测方法、系统、终端及介质 |
-
2021
- 2021-03-31 CN CN202110348731.5A patent/CN113255096A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114441892A (zh) * | 2021-12-27 | 2022-05-06 | 国网江西省电力有限公司电力科学研究院 | 一种10kV线路异常线损配电变压器定位方法 |
CN114609480A (zh) * | 2022-05-16 | 2022-06-10 | 国网四川省电力公司电力科学研究院 | 一种电网损耗异常数据检测方法、系统、终端及介质 |
CN114609480B (zh) * | 2022-05-16 | 2022-08-16 | 国网四川省电力公司电力科学研究院 | 一种电网损耗异常数据检测方法、系统、终端及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111459778B (zh) | 运维系统异常指标检测模型优化方法、装置及存储介质 | |
CN109359894B (zh) | 一种基于rpn的电力计量设备风险评价方法及装置 | |
CN106780121B (zh) | 一种基于用电负荷模式分析的用电异常识别方法 | |
CN112581000B (zh) | 企业风险指数计算方法及装置 | |
CN107272667B (zh) | 一种基于平行的偏最小二乘法的工业过程故障检测方法 | |
CN107677903B (zh) | 一种变压器状态监测数据的聚类分析方法 | |
CN104731664A (zh) | 用于故障处理的方法和装置 | |
CN113255096A (zh) | 基于向前逐步回归的高损线路异常台区定位方法及系统 | |
CN111610407A (zh) | 基于朴素贝叶斯的电缆老化状态评估方法和装置 | |
CN109374063B (zh) | 一种基于集群管理的变压器异常检测方法、装置和设备 | |
CN113837596A (zh) | 一种故障确定方法、装置、电子设备及存储介质 | |
CN112132210A (zh) | 一种基于客户用电行为的窃电概率预警分析方法 | |
CN112101471A (zh) | 窃电概率预警分析方法 | |
CN116739829A (zh) | 一种基于大数据的电力数据分析方法、系统及介质 | |
CN106875130B (zh) | 一种业扩执行效率的分析方法及装置 | |
CN113553352A (zh) | 一种电力二次设备家族性缺陷辨识方法及系统 | |
CN109359742A (zh) | 一种地铁子系统预防维修周期的生成方法 | |
CN112785456A (zh) | 基于向量自回归模型的高损线路窃电检测方法 | |
CN111179077A (zh) | 股票异常交易的识别方法及系统 | |
CN110852621A (zh) | 电力客户负荷特性分析及分类方法、装置及可读存储介质 | |
CN113591396B (zh) | 一种基于朴素贝叶斯网络的电网元器件故障诊断方法 | |
CN116205622A (zh) | 烟机设备智能故障预警与维修决策方法 | |
CN111199419B (zh) | 股票异常交易的识别方法及系统 | |
CN114048592A (zh) | 一种精轧全流程分布式运行性能评估及非优原因追溯方法 | |
CN110991847A (zh) | 一种电能表批次管理方法、装置及可读存储介质 |
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 |