CN113484573A - 基于能源数据分析的异常用电监测方法 - Google Patents
基于能源数据分析的异常用电监测方法 Download PDFInfo
- Publication number
- CN113484573A CN113484573A CN202110797363.2A CN202110797363A CN113484573A CN 113484573 A CN113484573 A CN 113484573A CN 202110797363 A CN202110797363 A CN 202110797363A CN 113484573 A CN113484573 A CN 113484573A
- Authority
- CN
- China
- Prior art keywords
- power supply
- user
- supply area
- target power
- users
- 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
- 230000005611 electricity Effects 0.000 title claims abstract description 93
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 59
- 238000012544 monitoring process Methods 0.000 title claims abstract description 36
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000007405 data analysis Methods 0.000 title claims abstract description 19
- 230000006399 behavior Effects 0.000 claims abstract description 40
- 238000005070 sampling Methods 0.000 claims abstract description 31
- 238000001514 detection method Methods 0.000 description 6
- 238000010079 rubber tapping Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R11/00—Electromechanical arrangements for measuring time integral of electric power or current, e.g. of consumption
- G01R11/02—Constructional details
- G01R11/24—Arrangements for avoiding or indicating fraudulent use
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
Abstract
本发明公开了一种基于能源数据分析的异常用电监测方法，包括步骤：S1.构建异常用电监测模型；S2.根据异常用电监测模型判断目标用户在采样时刻可疑用电行为的疑似边界是否大于0，若是，判决该目标用户是可疑用电用户，否则，判决该目标用户不是可疑用电用户；S3.按照步骤S2类推，对目标供电区域内所有用电用户进行判断，得到判决结果，并将判决结果发送到监控中心。本发明的基于能源数据分析的异常用电监测方法，能够实时分析和监测窃电等异常用电行为，有效识别并准确定位异常用电用户，并向监管人员发出告警信息，实施成本低。
Description
技术领域
本发明涉及用电领域，具体涉及一种基于能源数据分析的异常用电监测方法。
背景技术
窃电等异常用电行为造成的非技术性损失(non-technical loss,NTL)不仅给电力公司造成了一定的经济损失，还可能影响电网的可靠运行。最简单、最常见的窃电方法是直接从架空馈线取电或篡改电表读数。
多年来，世界各国提出并实施了大量的异常用电行为监测手段。其中，葡萄牙里斯本大学提出了一种基于数据采集和分析的异常用电监测方法，首先利用G-K模糊算法对智能电表采集的历史用电数据进行聚类，提取出典型的用电行为模型，如果新的数据样本与提取的典型用电行为模型有显著偏离，则将新的数据样本归结为恶意样本。采用模糊逻辑算法识别和定位线损异常增大的台区，并统计该台区所有用户的用能量，利用15年的月用电历史数据分析造成线损增大的原因。但是，该方法并不适用于监测架空馈线分接窃电行为。
美国托莱多大学提出了一种异常用电行为监测与识别方法，首先采用并行多级算法对当前和历史用能数据进行编码，识别异常用电目标用户，然后采用支持向量机(support vector machine,SVM)对用户分类。美国哥伦比亚大学设计了一种基于广度和深度卷积神经网络(convolutional neural network,CNN)的异常用电行为监测与识别系统。但是，这些方法都需要大量历史数据来训练模型，无法实时监测和识别窃电等异常用电行为。
西班牙塞维利亚大学设计了一种基于自动抄表(automatic meter reading,AMR)和电力线通信(PLC)的远程异常用电行为监测系统，除了主AMR系统外，在配电线路和用户支线之间的连接点安装由PLC调制解调器和电能计量芯片构成的辅AMR系统。但是，该系统虽然能够实时监测异常用电行为，但会增加实施成本。
美国阿克伦大学设计了一种基于电可调电阻的远程异常用电行为监测方案和装置，在每只智能电表中另外加装一个检测模块，该模块位于负载和电源之间，包括两个开关和一个电可调电阻。智能电表读数通过用电信息采集系统传输至监测中心，监测中心将所有读数的总和与中央电表的读数比较。如果二者存在差异，就判断有异常用电行为。但是，该方法的主要缺点是电可调电阻必须能承受与用户负载相同的大电流，且体积大，价格贵。
韩国庆熙大学设计了一种基于断电操作的异常用电行为远程监测与识别系统，安装两种类型的智能电表，终端智能电表(terminal smart meter,TSM)安装在用户侧，网关智能电表(gateway smart Meter,GSM)安装在配电网台区。GSM可以控制本台区所有用户的供电或断电，TSM由计量模块EM1和EM2、AC/AC调节器、测试电压发生器(testing voltagegenerator,TVG)和一个开关构成。虽然该系统能快速监测与分析异常用电行为，但实施成本高。
发明内容
有鉴于此，本发明的目的是克服现有技术缺陷，提供基于能源数据分析的异常用电监测方法，能够实时分析和监测窃电等异常用电行为，有效识别并定位异常用电用户，并向监管人员发送告警信息，实施成本低。
本发明的基于能源数据分析的异常用电监测方法，包括如下步骤：
S1.构建异常用电监测模型：
其中，
为用户i在采样时刻t可疑用电行为的疑似边界；N为目标供电区域的用户个数；hT(t)为在采样时刻t的指示函数；gi(t)为用户i在采样时刻t的用电功率指示函数；
S2.判断用户i在采样时刻t可疑用电行为的疑似边界
是否大于0，若是，判决用户i是可疑用电用户，否则，判决用户i不是可疑用电用户；
S3.按照步骤S2类推，对目标供电区域的所有用户进行判断，得到判决结果，并将判决结果发送到监控中心；其中，所述判决结果包括目标供电区域中的可疑用电用户。
进一步，根据如下公式确定在采样时刻t的指示函数hT(t)：
其中，所述△eT(t)＝eT(t+△t)-eT(t)；所述
PT(t)为采样时刻t目标供电区域的实际输入功率；Pi(t)为采样时刻t采集得到的用户i的准实时消耗功率；Δt为采样时间间隔。
进一步，根据如下公式确定用户i在采样时刻t的用电功率指示函数gi(t)：
其中，所述
所述△Pi(t)＝Pi(t+△t)-Pi(t)，Pi(t+△t)为时刻t+△t采集得到的用户i的准实时消耗功率。
进一步，还包括：步骤S4.对用户的异常用电行为进行识别：
S41.对异常用电监测模型中各用户在采样时刻t可疑用电行为的疑似边界进行降序排列，得到疑似边界序列；
S42.依次断开疑似边界序列中疑似边界对应的用户电表，并对目标供电区域的实际输入功率和采集得到的用户准实时消耗功率进行分析，得到用户的异常用电行为。
进一步，所述步骤S42，具体包括：
S421.设疑似边界序列为
其中，
为第k个疑似边界，M为疑似边界序列中疑似边界的个数；
S422.断开疑似边界序列中
对应的用户电表，判断目标供电区域的实际输入功率是否变小，若是，进入步骤S423；否则，判决
对应的用户是从架空馈线取电；
S423.判断目标供电区域的实际输入功率与目标供电区域内所有用户消耗的总功率之间的差值是否变小，若是，判决
对应的用户篡改了电表读数以降低实际用电量；否则，判决
对应的用户为可信用户；
S424.按照步骤S422-S423类推，依次对疑似边界序列中的
进行判断，得到用户异常用电行为的判决结果。
进一步，判断目标供电区域的实际输入功率是否变小，具体包括：
若PT(t)<PT(t-λ)，则目标供电区域的实际输入功率变小；
若PT(t)≥PT(t-λ)，则目标供电区域的实际输入功率没有变小；
其中，PT(t-λ)为时刻t-λ目标供电区域的实际输入功率，所述λ为时间间隔，且λ>0。
进一步，判断目标供电区域的实际输入功率与目标供电区域内所有用户消耗的总功率之间的差值是否变小，具体包括：
若eT(t)<eT(t-μ)，则目标供电区域的实际输入功率与目标供电区域内所有用户消耗的总功率之间的差值变小；
若eT(t)≥eT(t-μ)，则目标供电区域的实际输入功率与目标供电区域内所有用户消耗的总功率之间的差值没有变小；
其中，eT(t)为时刻t目标供电区域的实际输入功率与目标供电区域内所有用户消耗的总功率之间的差值；eT(t-μ)为时刻t-μ目标供电区域的实际输入功率与目标供电区域内所有用户消耗的总功率之间的差值；所述μ为时间间隔，且μ>0。
进一步，还包括：步骤S43.若未检测到所有用户的任何异常用电行为但所述eT(t)大于设定的阈值γ，则返回执行步骤S42。
本发明的有益效果是：本发明公开的基于能源数据分析的异常用电监测方法，通过构建异常用电监测模型，实时获得可疑异常用电用户的判决结果，通过对目标供电区域内的输入功率与所有用户的消耗功率进行统计分析，从而实现对异常用电用户的识别与定位，并向监管人员发送告警信息；该方法适用于现有的AMR系统，无需进行任何硬件改造，实施成本较低，可扩展性强。
附图说明
下面结合附图和实施例对本发明作进一步描述：
图1为本发明的方法流程示意图；
图2为对5个用户执行本发明的方法各阶段的输出；
图3为场景一对应的独立窃电事件检测结果；
图4为场景二对应的同时窃电事件检测结果；
图5为场景三对应的发生时间不同的馈线分接事件检测结果；
图6为场景三对应的发生时间相同的馈线分接事件检测结果。
具体实施方式
以下结合说明书附图对本发明做出进一步的说明，如图1所示：
本发明的基于能源数据分析的异常用电监测方法，包括如下步骤：
S1.确定异常用电监测模型：
其中，
为用户i在采样时刻t可疑用电行为的疑似边界；N为目标供电区域的用户个数；hT(t)为采样时刻t的指示函数；gi(t)为用户i在采样时刻t的用电功率指示函数；所述目标供电区域为一个T-区，所述T-区包括配电变压器及其目标供电区域的所有用户；每个T-区配备一套MIU，所述MIU一方面测量配电变压器的实际输出功率，另一方面通过AMR系统收集来自每个用户电表记录的准实时消耗功率，并对二者进行分析和比较。其中，所述MIU为中央监测和检查单元(monitoring and inspection unit,MIU)；用户电表的数据为准实时数据，所述准实时数据包括智能电表ID、时间戳和智能电表读数等高级量测体系数据，主要用于理解和挖掘能源消费模式，则准实时数据对应的消耗功率为准实时消耗功率；
S2.判断用户i在采样时刻t可疑用电行为的疑似边界
是否大于0，若是，则判决用户i为可疑用电用户，否则，判决用户i不是可疑用电用户；
S3.按照步骤S2类推，对目标供电区域中的所有用户进行判断，得到判决结果，并将判决结果发送到监控中心；其中，所述判决结果包括目标供电区域内的可疑用电用户，所述判决结果通过所述MIU发送到监控中心。
本实施例中，根据如下公式确定在采样时刻t的指示函数hT(t)：
其中，所述△eT(t)＝eT(t+△t)-eT(t)；所述
PT(t)为采样时刻t目标供电区域的实际输入功率；Pi(t)为采样时刻t采集得到的用户i的准实时消耗功率；△t为采样时间间隔。其中，所述目标供电区域的实际输入功率为配电变压器的实际输出功率；
本实施例中，根据如下公式确定用户i在采样时刻t的用电功率指示函数gi(t)：
其中，所述
所述△Pi(t)＝Pi(t+△t)-Pi(t)，Pi(t+△t)为时刻t+△t采集得到的用户i的准实时消耗功率。
本实施例中，还包括：步骤S4.对用户的异常用电行为进行识别：
S41.对异常用电监测模型中各用户在采样时刻t可疑用电行为的疑似边界进行降序排列，得到疑似边界序列；其中，所述降序排列也即是将疑似边界按照从大到小的顺序排列。
S42.依次断开疑似边界序列中疑似边界对应的用户电表，并对目标供电区域的实际输入功率以及采集得到的用户准实时消耗功率进行分析，得到用户异常用电行为的判决结果。
本实施例中，所述步骤S42，具体包括：
S421.设疑似边界序列为
其中，
为第k个疑似边界，M为疑似边界序列中疑似边界的个数；其中，2≤M≤N；
S422.断开疑似边界序列中
对应的用户电表，判断目标供电区域的实际输入功率是否变小，若是，则进入步骤S423；否则，判决
对应的用户是从架空馈线取电；
S423.判断目标供电区域的实际输入功率与目标供电区域内所有用户消耗的总功率之间的差值是否变小，若是，则判决
对应的用户篡改了电表读数以降低实际用电量；否则，判决
对应的用户为可信用户；
S424.按照步骤S422-S423类推，依次对疑似边界序列中的
进行判断，得到用户异常用电行为的判决结果。
需要说明的是，若M的取值为1，使用上述步骤S422-S423进行异常用电行为的判断即可。
本实施例中，判断目标供电区域的实际输入功率是否变小，具体包括：
若PT(t)<PT(t-λ)，则目标供电区域的实际输入功率变小；
若PT(t)≥PT(t-λ)，则目标供电区域的实际输入功率没有变小；
其中，PT(t-λ)为时刻t-λ目标供电区域的实际输入功率，所述λ为时间间隔，且λ>0，所述λ取值为1。
本实施例中，判断目标供电区域的实际输入功率与目标供电区域内所有用户消耗的总功率之间的差值是否变小，具体包括：
若eT(t)<eT(t-μ)，则目标供电区域的实际输入功率与目标区域内所有用户消耗的总功率之间的差值变小；
若eT(t)≥eT(t-μ)，则目标供电区域的实际输入功率与目标区域内所有用户消耗的总功率之间的差值没有变小；
其中，eT(t)为时刻t目标供电区域的实际输入功率与目标供电区域内所有用户消耗的总功率之间的差值；eT(t-μ)为时刻t-μ目标供电区域的实际输入功率与目标供电区域内所有用户消耗的总功率之间的差值；所述μ为时间间隔，且μ>0，所述μ取值为1。
本实施例中，还包括：步骤S43.若未检测到所有用户的任何异常用电行为但所述eT(t)大于设定的阈值γ，则返回执行步骤S42。其中，所述阈值γ可根据实际应用场景进行设置。若所述eT(t)大于设定的阈值γ，则说明时刻t目标供电区域的实际输入功率与目标供电区域内所有用户消耗的总功率之间存在显著差异，也即可能存在导致所述显著差异的用户，则返回执行步骤S42，对用户的异常用电行为重新验证检测。
下面对本发明的基于能源数据分析的异常用电监测方法的性能进行场景模拟验证如下：
为简单计，考虑T-区有10个用户，图2给出了5个用户的负载分布和基于能源数据分析的异常用电监测方法在每个处理阶段的输出。
场景一：10个用户中有6个用户通过篡改电表窃电，但篡改电表的启动时间各不相同；场景二：这6个篡改事件中的3个用户同时启动；场景三：有2个用户直接从架空馈线窃电。
1)场景一：独立窃电事件
该场景模拟白天不同时刻发生的6起窃电事件，执行本发明的检测结果如图3所示。由图可以看出，电表编号为4、3、9、1、8、6的用户篡改电表开始窃电的时间分别在凌晨4点、5点、6点、8点、2点、11点，所有窃电事件都被成功发现。
2)场景二：同时窃电事件
该场景模拟了6个窃电事件，其中3个事件同时启动，如图4所示。由图可以看出，电表编号为1、4和9的用户在早上7点同时开始窃电，电表编号为3、5和8的用户分别在凌晨4点、中午12点和晚上7点开始窃电，所有窃电事件也被成功发现。
3)场景三：馈线窃电事件
架空馈线分接是最常见的窃电方式之一。从图5可以看出，两个馈线分接事件发生在不同时间，第一次发生在上午8:00，第二次发生在下午3:00。图6中两个馈线分接事件同时刻发生(虽然在同一T-区内发生的概率很低)，本发明将其判断为单次分接事件。图5和图6验证了本发明检测馈线分接的有效性。虽然本发明不能确定抽头位置，但有助于确定PT(t)和
之间的差异eT(t)是由篡改电表读数还是由馈线分接造成的。本发明能准确识别读数被篡改的电表，而对于馈线分接事件，一旦检测到馈线分接负载，就可以通过对T-区内的配电馈线进行物理检查来定位这些负载。
最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。
Claims (8)
1.一种基于能源数据分析的异常用电监测方法，其特征在于：包括如下步骤：
S1.构建异常用电监测模型：
其中，
为用户i在采样时刻t可疑用电行为的疑似边界；N为目标供电区域的用户个数；hT(t)为在采样时刻t的指示函数；gi(t)为用户i在采样时刻t的用电功率指示函数；
S2.判断用户i在采样时刻t可疑用电行为的疑似边界
是否大于0，若是，判决用户i是可疑用电用户，否则，判决用户i不是可疑用电用户；
S3.按照步骤S2类推，对目标供电区域中的所有用户进行判断，得到判决结果，并将判决结果发送到监控中心；其中，所述判决结果包括目标供电区域的可疑用电用户。
2.根据权利要求1所述的基于能源数据分析的异常用电监测方法，其特征在于：根据如下公式确定在采样时刻t的指示函数hT(t)：
其中，所述ΔeT(t)＝eT(t+Δt)-eT(t)；所述
PT(t)为采样时刻t目标供电区域的实际输入功率；Pi(t)为采样时刻t采集得到的用户i的准实时消耗功率；Δt为采样时间间隔。
3.根据权利要求1所述的基于能源数据分析的异常用电监测方法，其特征在于：根据如下公式确定用户i在采样时刻t的用电功率指示函数gi(t)：
其中，所述
所述△Pi(t)＝Pi(t+△t)-Pi(t)，Pi(t+△t)为时刻t+△t采集得到的用户i的准实时消耗功率。
4.根据权利要求1所述的基于能源数据分析的异常用电监测方法，其特征在于：还包括：步骤S4.对用户的异常用电行为进行识别：
S41.对异常用电监测模型中各用户在采样时刻t可疑用电行为的疑似边界进行降序排列，得到疑似边界序列；
S42.依次断开疑似边界序列中疑似边界对应的用户电表，并对目标供电区域的实际输入功率和采集得到的用户准实时消耗功率进行分析，得到用户的异常用电行为。
5.根据权利要求4所述的基于能源数据分析的异常用电监测方法，其特征在于：所述步骤S42.具体包括：
S421.设疑似边界序列为
其中，
为第k个疑似边界，M为疑似边界序列中疑似边界的个数；
S422.断开疑似边界序列中
对应的用户电表，判断目标供电区域的实际输入功率是否变小，若是，进入步骤S423；否则，判决
对应的用户是从架空馈线取电；
S423.判断目标供电区域的实际输入功率与目标供电区域内所有用户消耗的总功率之间的差值是否变小，若是，判决
对应的用户篡改了电表读数以降低实际用电量；否则，判决
对应的用户为可信用户；
S424.按照步骤S422-S423类推，依次对疑似边界序列中的
进行判断，得到用户异常用电行为的判决结果。
6.根据权利要求5所述的基于能源数据分析的异常用电监测方法，其特征在于：判断目标供电区域的实际输入功率是否变小，具体包括：
若PT(t)<PT(t-λ)，则目标供电区域的实际输入功率变小；
若PT(t)≥PT(t-λ)，则目标供电区域的实际输入功率没有变小；
其中，PT(t-λ)为时刻t-λ目标供电区域的实际输入功率，所述λ为时间间隔，且λ>0。
7.根据权利要求5所述的基于能源数据分析的异常用电监测方法，其特征在于：判断目标供电区域的实际输入功率与目标供电区域内所有用户消耗的总功率之间的差值是否变小，具体包括：
若eT(t)<eT(t-μ)，则目标供电区域的实际输入功率与目标供电区域内所有用户消耗的总功率之间的差值变小；
若eT(t)≥eT(t-μ)，则目标供电区域的实际输入功率与目标供电区域内所有用户消耗的总功率之间的差值没有变小；
其中，eT(t)为时刻t目标供电区域的实际输入功率与目标供电区域内所有用户消耗的总功率之间的差值；eT(t-μ)为时刻t-μ目标供电区域的实际输入功率与目标供电区域内所有用户消耗的总功率之间的差值；所述μ为时间间隔，且μ>0。
8.根据权利要求4所述的基于能源数据分析的异常用电监测方法，其特征在于：还包括：步骤S43.若未检测到所有用户的任何异常用电行为但所述eT(t)大于设定的阈值γ，则返回执行步骤S42。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110797363.2A CN113484573B (zh) | 2021-07-14 | 2021-07-14 | 基于能源数据分析的异常用电监测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110797363.2A CN113484573B (zh) | 2021-07-14 | 2021-07-14 | 基于能源数据分析的异常用电监测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113484573A true CN113484573A (zh) | 2021-10-08 |
| CN113484573B CN113484573B (zh) | 2023-03-07 |
Family
ID=77938668
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110797363.2A Active CN113484573B (zh) | 2021-07-14 | 2021-07-14 | 基于能源数据分析的异常用电监测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113484573B (zh) |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US4843310A (en) * | 1985-06-15 | 1989-06-27 | Lgz Landis & Gyr Zug Ag | Electricity meter with arrangement for monitoring core saturation incidents |
| US20120245869A1 (en) * | 2011-03-25 | 2012-09-27 | General Electric Company | Systems, Methods, and Apparatus for Detecting Theft and Status of Electrical Power |
| CN103792420A (zh) * | 2014-01-26 | 2014-05-14 | 威胜集团有限公司 | 基于负荷曲线的防窃电及用电监察方法 |
| CN207488346U (zh) * | 2017-09-25 | 2018-06-12 | 广西电网有限责任公司北海供电局 | 防非正常用电的电能表 |
| CN108649692A (zh) * | 2018-05-19 | 2018-10-12 | 安徽国电京润电力科技有限公司 | 一种电能量防偷电管控系统 |
| CN109490679A (zh) * | 2018-12-31 | 2019-03-19 | 天津求实智源科技有限公司 | 基于非侵入式负荷监测的智能窃电稽查系统及方法 |
| CN111401476A (zh) * | 2020-04-16 | 2020-07-10 | 三峡大学 | 基于边界区域重要性采样与核向量机的暂态安全评估方法 |
| CN111506636A (zh) * | 2020-05-12 | 2020-08-07 | 上海积成能源科技有限公司 | 一种基于自回归和近邻算法的居民用电行为分析的系统及方法 |
| WO2020191663A1 (zh) * | 2019-03-27 | 2020-10-01 | 华北电力大学扬中智能电气研究中心 | 一种用电行为检测方法、装置、电子设备及存储介质 |
| CN111860600A (zh) * | 2020-06-22 | 2020-10-30 | 国家电网有限公司 | 一种基于最大相关最小冗余判据的用户用电特征选择方法 |
| CN112782465A (zh) * | 2020-12-01 | 2021-05-11 | 国网浙江省电力有限公司营销服务中心 | 一种基于滑动窗口技术的暂态负荷启停事件快速捕捉方法 |
-
2021
- 2021-07-14 CN CN202110797363.2A patent/CN113484573B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US4843310A (en) * | 1985-06-15 | 1989-06-27 | Lgz Landis & Gyr Zug Ag | Electricity meter with arrangement for monitoring core saturation incidents |
| US20120245869A1 (en) * | 2011-03-25 | 2012-09-27 | General Electric Company | Systems, Methods, and Apparatus for Detecting Theft and Status of Electrical Power |
| CN103792420A (zh) * | 2014-01-26 | 2014-05-14 | 威胜集团有限公司 | 基于负荷曲线的防窃电及用电监察方法 |
| CN207488346U (zh) * | 2017-09-25 | 2018-06-12 | 广西电网有限责任公司北海供电局 | 防非正常用电的电能表 |
| CN108649692A (zh) * | 2018-05-19 | 2018-10-12 | 安徽国电京润电力科技有限公司 | 一种电能量防偷电管控系统 |
| CN109490679A (zh) * | 2018-12-31 | 2019-03-19 | 天津求实智源科技有限公司 | 基于非侵入式负荷监测的智能窃电稽查系统及方法 |
| WO2020191663A1 (zh) * | 2019-03-27 | 2020-10-01 | 华北电力大学扬中智能电气研究中心 | 一种用电行为检测方法、装置、电子设备及存储介质 |
| CN111401476A (zh) * | 2020-04-16 | 2020-07-10 | 三峡大学 | 基于边界区域重要性采样与核向量机的暂态安全评估方法 |
| CN111506636A (zh) * | 2020-05-12 | 2020-08-07 | 上海积成能源科技有限公司 | 一种基于自回归和近邻算法的居民用电行为分析的系统及方法 |
| CN111860600A (zh) * | 2020-06-22 | 2020-10-30 | 国家电网有限公司 | 一种基于最大相关最小冗余判据的用户用电特征选择方法 |
| CN112782465A (zh) * | 2020-12-01 | 2021-05-11 | 国网浙江省电力有限公司营销服务中心 | 一种基于滑动窗口技术的暂态负荷启停事件快速捕捉方法 |
Non-Patent Citations (1)
| Title |
|---|
| 王昕等: "一种基于状态估计的新型窃电方法及对策研究", 《电力系统保护与控制》 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113484573B (zh) | 2023-03-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114819415B (zh) | 一种基于数据分析的电力设备故障预测系统 | |
| CN113032454A (zh) | 基于云计算的交互式用户用电异常监测预警管理云平台 | |
| CN112034260B (zh) | 一种配电台区低压线损精益分析与反窃电精准定位方法 | |
| CN108828406A (zh) | 非侵入式用户用电的故障识别方法及其系统 | |
| US11740266B2 (en) | Systems and methods for monitoring energy-related data in an electrical system | |
| CN110866616A (zh) | 一种变电站二次设备故障预警方法及装置 | |
| CN113532598B (zh) | 智能水表在线故障检测调节系统 | |
| CN108919044B (zh) | 一种基于互校验机制的单元制配电网故障主动识别方法 | |
| CN114383652A (zh) | 一种配电网潜在故障在线风险辨识方法、系统及装置 | |
| CN116317171B (zh) | 一种电量及非电量物联网监控装置 | |
| CN106773993A (zh) | 现场数据采集终端及系统 | |
| CN103389427B (zh) | Gis设备运行状态在线检测方法与系统 | |
| CN113985098A (zh) | 一种基于实时计量的提高防窃电分析准确度的方法 | |
| CN115685050A (zh) | 一种电能表故障检测方法及系统 | |
| CN114660412A (zh) | 一种基于智能电能表的电能质量监测系统及其监测方法 | |
| CN103400308A (zh) | Gis设备运行状态在线检测方法与系统 | |
| CN110646654A (zh) | 一种防窃电检测系统 | |
| CN107576845A (zh) | 一种台区采集终端及台区管理系统 | |
| CN113484573B (zh) | 基于能源数据分析的异常用电监测方法 | |
| CN115639423A (zh) | 一种基于互联网的智能配电箱监测控制方法及系统 | |
| CN111898656B (zh) | 一种量测平衡检测的异常数据辨识方法 | |
| CN104714205A (zh) | 电表错置侦测系统及其方法 | |
| CN207601174U (zh) | 一种台区采集终端及台区管理系统 | |
| CN113296047A (zh) | 一种智能电表检测方法 | |
| Lazić et al. | Centralized monitoring of the power electronics devices |
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 |