CN113687293A - 基于大数据的线损异常智能分析方法 - Google Patents

基于大数据的线损异常智能分析方法 Download PDF

Info

Publication number
CN113687293A
CN113687293A CN202110857852.2A CN202110857852A CN113687293A CN 113687293 A CN113687293 A CN 113687293A CN 202110857852 A CN202110857852 A CN 202110857852A CN 113687293 A CN113687293 A CN 113687293A
Authority
CN
China
Prior art keywords
line loss
line
abnormal
loss
coloring
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
Application number
CN202110857852.2A
Other languages
English (en)
Inventor
王坚
周阳
刘畅
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guizhou Power Grid Co Ltd
Original Assignee
Guizhou Power Grid Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guizhou Power Grid Co Ltd filed Critical Guizhou Power Grid Co Ltd
Priority to CN202110857852.2A priority Critical patent/CN113687293A/zh
Publication of CN113687293A publication Critical patent/CN113687293A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R35/00—Testing or calibrating of apparatus covered by the other groups of this subclass
    • G01R35/04—Testing or calibrating of apparatus covered by the other groups of this subclass of instruments for measuring time integral of power or current
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/28—Databases characterised by their database models, e.g. relational or object models
    • G06F16/284—Relational databases
    • G06F16/285—Clustering or classification
    • G06F16/287—Visualization; Browsing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29—Geographical information databases
    • 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
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/04—Power grid distribution networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Remote Sensing (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Remote Monitoring And Control Of Power-Distribution Networks (AREA)

Abstract

本发明公开了一种基于大数据的线损异常智能分析方法，属于电力技术领域。该方法包括以下步骤：S1：线损分析；S2：全景展现；S3：环网线损分析；S4：异常智能诊断；S5：疑似窃电分析；S6：部署系统架构。本发明实现了通过积分电量与表计电量对比，从而正确判断智能电表故障，为线损分析提供准确数据。

Description

基于大数据的线损异常智能分析方法
技术领域
本发明涉及一种基于大数据的线损异常智能分析方法，属于电力技术领域。
背景技术
目前国内外针对管理线损提出或验证过多种算法模型，如学习机(ELM)、改进ELM(OS-ELM)、支持向量机(SVM)进行电力损耗识别、检测和预测的电力损耗分析框架；基于BP神经网络的客户消费行为分析模型，利用该模型可以计算出窃电的怀疑系数，并对电力用户的信用等级进行分类；或利用模糊C均值(FCM)算法对负荷曲线进行聚类，得到典型特征曲线，再与用户负荷曲线进行匹配，筛选出疑似窃电用户，再使用基于粒子群算法优化的SVM算法进行进一步检测等等算法。但是目前基于大数据的窃电研究仍然存在着问题，例如，需要大量的窃电样本对模型进行训练，以提高模型精度，但是窃电样本通常都不多，导致准确率不高。并且，用户的用电行为可能会因为各种原因发生变化，所以即使用户的用电发生变化，模型计算得出的窃电用户仍然需要工作人员进一步确定，不能直接判定为窃电。基于各专业系统形成的大数据，开展线损综合因素智能诊断建模，快速定位影响线损的因素和精准定位，目前国内研究还处于空白状态。当前，大数据可视化技术风生水起，把这些技术引用到电网计量工作中来，服务于线损精益化管理，提升线损异常判断和处置效率将是一个发展趋势。
目前，台区线损分析是根据采集电能表的表码值实时计算的电量来进行的。随着智能电网的不断发展，在实际运行中，电能表的数量急剧增加，这在极大地方便电力数据的智能采集的同时，电能表的故障也随之增多，既损害了电力公司的经济利益，也对智能电网的发展造成了不利的影响。所以，如何通过程序实现积分电量与表计电量对比，从而正确判断智能电表故障，为线损分析提供准确数据。
因此，必须通过对站、线、变、户基础数据的治理，保证计量设备系统档案与现场设备安装一致性和准确性，以此基础再通过对线损率的治理工作，主动发现计量设备运行状态的不稳定因素，形成指标与运行管理的有效良性循环，同时在管理上建立标准、规范流程，明确岗位职责、工作内容，并通过信息化手段作为技术支撑，提出一种基于大数据的线损异常智能分析方法。
发明内容
有鉴于此，本发明的目的是提供一种基于大数据的线损异常智能分析方法。
本发明的目的是通过以下技术方案实现的：
基于大数据的线损异常智能分析方法，该方法包括以下步骤：
S1：线损分析；
S2：全景展现；
S3：环网线损分析；
S4：异常智能诊断；
S5：疑似窃电分析；
S6：部署系统架构。
可选的，所述线损分析包括以下方法：
S11：采用等值电阻法计算配电网的总均方根电流流过等值电阻所产生的损耗、10kV配电网内全部配线可变损耗和全部配变负载损耗；
S12：采用等效电容法计算均方根电流Ijfsi，根据每个小电源在时段T内的有功电量Esi和无功电量Qsi，得到它的均方根电流Ijfsi：
Figure BDA0003184750920000021
Ijfsi＝kIavesi
其中，k为形状系数，取与10kV配电网首端装设电量表处相同的值；U为配电网的额定电压，单位为kV。
可选的，所述等值电阻法是基于配变容量进行的。
可选的，所述全景展现包括分区域线损着色、日线损着色、月线损着色、单线图可视化、分台区日线损着色、月线损着色和单线图可视化。
可选的，所述分区域线损着色为实现全省分地市、县级的月线损按高低等级着色；
所述日线损着色为在WEBGIS上对馈线按日线损等级进行着色展现，点击展示运行信息和异常信息；
所述月线损着色为在WEBGIS上对馈线按日线损等级进行着色展现，点击展示运行信息和异常信息；
所述单线图可视化为基于单线图展现线路下所有台区的供售电量以及线损率，并按线损率高低等级进行着色，点击查看台区历史线损率趋势、关联用户和异常智能诊断信息；
所述分台区日线损着色为在WEBGIS上对台区按日线损等级进行着色展现，点击展示运行信息和异常信息；
所述月线损着色为在WEBGIS上对台区按日线损等级进行着色展现，点击展示运行信息和异常信息；
所述单线图可视化为基于单线图展现台区的供售电量以及线损率，并按线损率高低等级进行着色，点击查看台区历史线损率趋势、关联用户和异常智能诊断信息。
可选的，所述S3具体为：取计量、营销、GIS三系统的线变关系及转供关系进行建模分析，展示环网线路关联关系，以及发生转供关系时的转供电量，对环网线路日、月电量数据，线损指标进行监测分析，计算分摊电量与线损。
可选的，所述S4具体为：以动态监测数据海量数据平台为基础，以机器学习算法分析线损异常类型，建立异常诊断模型，支持计量线损异常管理，实现线损分析、诊断和决策，从多维度进行问题定位分析，具体包括基础数据原因、数据采集原因、通道情况原因、电量异常原因、电网运行原因和抄表异常情况进行的分析。
可选的，所述S4中，基础数据原因包括通信损耗；
数据采集原因包括集中器故障；
通道情况原因包括通信通道故障；
电量异常原因包括异常零电量；
电网运行原因包括接线错误、三相缺相、电压断相、失压、重载、过载和轻载；
抄表异常情况包括示值异常、电表倒走。
可选的，所述S5为：通过分析专变电量历史数据进行同比和环比，用户用电量与损失电流正相关性，功率因数、三相不平衡、电流电压和相位角的分析判断，进行深度学习窃电模型，使窃电模型算法不断判断分析出窃电用户。
可选的，所述S5为：所述系统架构包括两台服务器、一台部署数据库和一台部署应用服务，应用集成采用TBI企业信息集成平台，数据集成采用统一数据抽取平台，移动集成采用移动安全接入平台，移动应用通过专网通道APN进行数据交互。
本发明的有益效果是：本发明实现了通过积分电量与表计电量对比，从而正确判断智能电表故障，为线损分析提供准确数据。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书和前述的权利要求书来实现和获得。
附图说明
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步的详细描述，其中：
图1为本发明流程图；
图2为本发明系统部署架构图。
具体实施方式
以下将参照附图，对本发明的优选实施例进行详细的描述。应当理解，优选实施例仅为了说明本发明，而不是为了限制本发明的保护范围。
图1为本发明流程图；
图2为本发明系统部署架构图。
1、线损分析
1.1等值电阻法
10kV配电网节点多、分支线多、元件也多，且多数元件不具备测录运行参数的条件。在满足实际工程计算精度的前提下，采用等值电阻法进行计算，推荐采用基于配变容量的等值电阻法计算。
如电力网含20kV及6kV配电网，将采用与10kV配电网相同方法计算。等值电阻法的基本思想是：整个10kV配电网的总均方根电流流过等值电阻所产生的损耗，等于10kV配电网内全部配线可变损耗和全部配变负载损耗的总和。
1.2等效电容法
关于小电源问题，由于它们的发电量并不和升压配变容量成正比，在计算时段T内也不一定全发电，所以不能象用户那样按配变容量“分享”总均方根电流Ijf0。
根据每个小电源在时段T内的有功电量Esi和无功电量Qsi，可以得到它的均方根电流Ijfsi：
Figure BDA0003184750920000041
Ijfsi＝kIavesi
其中，k为形状系数，取与10kV配电网首端装设电量表处相同的值；U为配电网的额定电压，单位为kV。
2、全景展现
2.1分区域线损着色
实现全省分地市、县级的月线损按高低等级着色。
2.2日线损着色
在WEBGIS上对馈线按日线损等级进行着色展现，可点击展示运行信息，异常信息。
2.3月线损着色
在WEBGIS上对馈线按日线损等级进行着色展现，可点击展示运行信息，异常信息。
2.4单线图可视化
基于单线图展现线路下所有台区的供售电量以及线损率，并按线损率高低等级进行着色，可点击查看台区历史线损率趋势、关联用户、异常智能诊断信息。
2.5分台区日线损着色
在WEBGIS上对台区按日线损等级进行着色展现，可点击展示运行信息，异常信息。
2.6月线损着色
在WEBGIS上对台区按日线损等级进行着色展现，可点击展示运行信息，异常信息。
2.7单线图可视化
基于单线图展现台区的供售电量以及线损率，并按线损率高低等级进行着色，可点击查看台区历史线损率趋势、关联用户、异常智能诊断信息。
3、环网线损分析
取计量、营销、GIS三系统的线变关系及转供关系进行建模分析，展示环网线路关联关系，以及发生转供关系时的转供电量，对环网线路日、月电量数据，线损指标进行监测分析，计算分摊电量与线损。
4、异常智能诊断
以动态监测数据海量数据平台为基础，以机器学习算法分析线损异常类型，建立正确适用的异常诊断模型，支持计量线损异常管理，实现线损分析、诊断、决策(设备/通道/采集/基础数据/运行方式/抄表情况)，从多维度进行问题快速定位分析：基础数据原因、数据采集原因、通道情况原因、电量异常原因、电网运行原因、抄表异常情况、电量异常情况进行的分析。
4.1通信损耗
按照采集器下表计数据采集率阈值进行智能判断分析采集器故障。
4.2集中器故障
根据集中器的数据采集率智能判断集中器故障。
4.3通信通道故障
根据表计数据采集率和阈值判断通信通道是否故障。
4.4异常零电量
根据数据质量、空载等因素，电能计量装置的电流、电压不为0但三相有功功率之和为0时智能判断异常零电量。
4.5接线错误
根据A、B、C三相有功功率的绝对值之和与总有功功率差值的50％等于某相的有功功率，或三相四线低供低计的电能计量装置当日出现5次以上任一相一次侧电流小于预定的阈值智能判断接线错误。
4.6示值异常
根据电表15分钟采集的表码示值曲线，与历史走势比对分析，智能判断示值异常。
4.7电表倒走
根据电表15分钟采集的表码示值与上一时间点比对，如持续一段时间采集均小于此时间节点，结合电量趋势智能判断示值异常。
4.8三相缺相
根据A、B、C三相电压采集值，某相连续电压值低于阈值且时长超过一定时间，智能诊断三相缺相。
4.9电压断相
根据A、B、C三相电压采集值，某相连续电压、电流值为0且时长超过一定时间，智能诊断三相断相。
4.10失压
根据数据质量、故障抢修等因素，三相四线高供低计或低供低计的电能计量装置A、B、C三相中任何一相电压当日内出现低于额定值85％的次数在10次及以上，则视为失压；高供高计的电能计量装置任何一相电压当日内出现低于额定值90％的次数在10次及以上等规则智能诊断失压异常。
4.11重、过载
根据指标管理设置的台区重、过载阈值智能分析台区重、过载。
4.12轻载
根据指标管理设置的台区轻载阈值智能分析台区轻载。
5、疑似窃电分析
通过分析专变电量历史数据进行同比，环比，用户用电量与损失电流正相关性，功率因数、三相不平衡、电流电压、相位角等分析判断，并应用人工智能进行深度学习窃电模型，使窃电模型算法不断精确判断分析出窃电用户。
6、系统部署架构
基于大数据线损诊断智能(AI)建模核心技术研究及应用系统需两台服务器，一台部署数据库，一台部署应用服务，应用集成采用TBI企业信息集成平台(其基于SOA企业集成架构标准)，数据集成采用统一数据抽取平台(ETL)，移动集成采用移动安全接入平台，移动应用通过专网通道APN进行数据交互。
本发明的流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。
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 (10)

1.基于大数据的线损异常智能分析方法，其特征在于：该方法包括以下步骤：
S1：线损分析；
S2：全景展现；
S3：环网线损分析；
S4：异常智能诊断；
S5：疑似窃电分析；
S6：部署系统架构。
2.根据权利要求1所述的基于大数据的线损异常智能分析方法，其特征在于：所述线损分析包括以下方法：
S11：采用等值电阻法计算配电网的总均方根电流流过等值电阻所产生的损耗、10kV配电网内全部配线可变损耗和全部配变负载损耗；
S12：采用等效电容法计算均方根电流Ijfsi，根据每个小电源在时段T内的有功电量Esi和无功电量Qsi，得到它的均方根电流Ijfsi：
Figure FDA0003184750910000011
Ijfsi＝kIavesi
其中，k为形状系数，取与10kV配电网首端装设电量表处相同的值；U为配电网的额定电压，单位为kV。
3.根据权利要求2所述的基于大数据的线损异常智能分析方法，其特征在于：所述等值电阻法是基于配变容量进行的。
4.根据权利要求3所述的基于大数据的线损异常智能分析方法，其特征在于：所述全景展现包括分区域线损着色、日线损着色、月线损着色、单线图可视化、分台区日线损着色、月线损着色和单线图可视化。
5.根据权利要求4所述的基于大数据的线损异常智能分析方法，其特征在于：所述分区域线损着色为实现全省分地市、县级的月线损按高低等级着色；
所述日线损着色为在WEBGIS上对馈线按日线损等级进行着色展现，点击展示运行信息和异常信息；
所述月线损着色为在WEBGIS上对馈线按日线损等级进行着色展现，点击展示运行信息和异常信息；
所述单线图可视化为基于单线图展现线路下所有台区的供售电量以及线损率，并按线损率高低等级进行着色，点击查看台区历史线损率趋势、关联用户和异常智能诊断信息；
所述分台区日线损着色为在WEBGIS上对台区按日线损等级进行着色展现，点击展示运行信息和异常信息；
所述月线损着色为在WEBGIS上对台区按日线损等级进行着色展现，点击展示运行信息和异常信息；
所述单线图可视化为基于单线图展现台区的供售电量以及线损率，并按线损率高低等级进行着色，点击查看台区历史线损率趋势、关联用户和异常智能诊断信息。
6.根据权利要求5所述的基于大数据的线损异常智能分析方法，其特征在于：所述S3具体为：取计量、营销、GIS三系统的线变关系及转供关系进行建模分析，展示环网线路关联关系，以及发生转供关系时的转供电量，对环网线路日、月电量数据，线损指标进行监测分析，计算分摊电量与线损。
7.根据权利要求6所述的基于大数据的线损异常智能分析方法，其特征在于：所述S4具体为：以动态监测数据海量数据平台为基础，以机器学习算法分析线损异常类型，建立异常诊断模型，支持计量线损异常管理，实现线损分析、诊断和决策，从多维度进行问题定位分析，具体包括基础数据原因、数据采集原因、通道情况原因、电量异常原因、电网运行原因和抄表异常情况进行的分析。
8.根据权利要求7所述的基于大数据的线损异常智能分析方法，其特征在于：所述S4中，基础数据原因包括通信损耗；
数据采集原因包括集中器故障；
通道情况原因包括通信通道故障；
电量异常原因包括异常零电量；
电网运行原因包括接线错误、三相缺相、电压断相、失压、重载、过载和轻载；
抄表异常情况包括示值异常、电表倒走。
9.根据权利要求8所述的基于大数据的线损异常智能分析方法，其特征在于：所述S5为：通过分析专变电量历史数据进行同比和环比，用户用电量与损失电流正相关性，功率因数、三相不平衡、电流电压和相位角的分析判断，进行深度学习窃电模型，使窃电模型算法不断判断分析出窃电用户。
10.根据权利要求9所述的基于大数据的线损异常智能分析方法，其特征在于：所述S5为：所述系统架构包括两台服务器、一台部署数据库和一台部署应用服务，应用集成采用TBI企业信息集成平台，数据集成采用统一数据抽取平台，移动集成采用移动安全接入平台，移动应用通过专网通道APN进行数据交互。
CN202110857852.2A 2021-07-28 2021-07-28 基于大数据的线损异常智能分析方法 Pending CN113687293A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110857852.2A CN113687293A (zh) 2021-07-28 2021-07-28 基于大数据的线损异常智能分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110857852.2A CN113687293A (zh) 2021-07-28 2021-07-28 基于大数据的线损异常智能分析方法

Publications (1)

Publication Number Publication Date
CN113687293A true CN113687293A (zh) 2021-11-23

Family

ID=78578127

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110857852.2A Pending CN113687293A (zh) 2021-07-28 2021-07-28 基于大数据的线损异常智能分析方法

Country Status (1)

Country Link
CN (1) CN113687293A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114445032A (zh) * 2021-12-30 2022-05-06 深圳供电局有限公司 转供电事件确定方法、装置、计算机设备和存储介质
CN114528951A (zh) * 2022-04-24 2022-05-24 广东电网有限责任公司佛山供电局 一种配网线路单线图异常诊断分析方法、系统及装置
CN114859286A (zh) * 2022-06-07 2022-08-05 贵州电网有限责任公司 基于弱信号的电能计量装置送电前接线智能检测诊断系统
CN115203274A (zh) * 2022-07-25 2022-10-18 云南电网有限责任公司楚雄供电局 一种配电变压器容量异常的大数据筛查系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102509159A (zh) * 2011-11-09 2012-06-20 中国电力科学研究院 基于用电信息采集系统的配电网理论线损评估方法
CN103093310A (zh) * 2013-01-05 2013-05-08 深圳供电局有限公司 一种实现网格精益化管理的信息系统
CN104502793A (zh) * 2014-11-24 2015-04-08 广州南方电力集团科技发展有限公司 一种基于可移动式的电网防窃电监测装置及方法
CN105826918A (zh) * 2016-03-18 2016-08-03 广州供电局有限公司 电网理论线损的计算方法和系统
CN109636124A (zh) * 2018-11-18 2019-04-16 韩霞 基于大数据的电力行业低压台区线损分析方法及处理系统
CN110688619A (zh) * 2019-08-13 2020-01-14 南方电网科学研究院有限责任公司 一种配电网的理论线损计算系统及方法
CN111861136A (zh) * 2020-06-25 2020-10-30 国网福建省电力有限公司 一种台区线损率评价标杆值计算方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102509159A (zh) * 2011-11-09 2012-06-20 中国电力科学研究院 基于用电信息采集系统的配电网理论线损评估方法
CN103093310A (zh) * 2013-01-05 2013-05-08 深圳供电局有限公司 一种实现网格精益化管理的信息系统
CN104502793A (zh) * 2014-11-24 2015-04-08 广州南方电力集团科技发展有限公司 一种基于可移动式的电网防窃电监测装置及方法
CN105826918A (zh) * 2016-03-18 2016-08-03 广州供电局有限公司 电网理论线损的计算方法和系统
CN109636124A (zh) * 2018-11-18 2019-04-16 韩霞 基于大数据的电力行业低压台区线损分析方法及处理系统
CN110688619A (zh) * 2019-08-13 2020-01-14 南方电网科学研究院有限责任公司 一种配电网的理论线损计算系统及方法
CN111861136A (zh) * 2020-06-25 2020-10-30 国网福建省电力有限公司 一种台区线损率评价标杆值计算方法

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114445032A (zh) * 2021-12-30 2022-05-06 深圳供电局有限公司 转供电事件确定方法、装置、计算机设备和存储介质
CN114528951A (zh) * 2022-04-24 2022-05-24 广东电网有限责任公司佛山供电局 一种配网线路单线图异常诊断分析方法、系统及装置
CN114859286A (zh) * 2022-06-07 2022-08-05 贵州电网有限责任公司 基于弱信号的电能计量装置送电前接线智能检测诊断系统
CN115203274A (zh) * 2022-07-25 2022-10-18 云南电网有限责任公司楚雄供电局 一种配电变压器容量异常的大数据筛查系统
CN115203274B (zh) * 2022-07-25 2023-12-26 云南电网有限责任公司楚雄供电局 一种配电变压器容量异常的大数据筛查系统

Similar Documents

Publication Publication Date Title
CN113687293A (zh) 基于大数据的线损异常智能分析方法
CN110097297A (zh) 一种多维度窃电态势智能感知方法、系统、设备及介质
US9563722B2 (en) Sigma algebraic approximants as a diagnostic tool in power networks
Kang et al. Big data analytics in China's electric power industry: modern information, communication technologies, and millions of smart meters
CN111781463A (zh) 一种台区线损异常辅助诊断方法
US20040158417A1 (en) System and method for monitoring and managing electrical power transmission and distribution networks
US20090228154A1 (en) System and method for monitoring and managing electrical power transmission and distribution networks
CN112700032A (zh) 一种用于低压直流配用电系统的故障预测系统及方法
CN106771448A (zh) 一种电能表分流分析防窃电预警分析方法
CN116937575A (zh) 一种网格系统用的能源监控管理系统
CN110928866A (zh) 基于停电信息大数据分析的线路拓扑核查方法及系统
CN113098130A (zh) 一种监测低压台区线损异常问题的分析系统
CN112131441A (zh) 一种快速识别用电异常行为的方法及系统
CN110806518A (zh) 一种台区线损异动分析模块及其操作方法
CN113673580A (zh) 基于大数据建模的窃电嫌疑判断方法
EP3972084A2 (en) Systems and methods for monitoring energy-related data in an electrical system
CN110749784B (zh) 一种基于电力数据小波分析的线路窃电检测方法
CN115528817A (zh) 一种用户端智能配用电系统、方法、介质、设备及终端
CN111724060A (zh) 一种台区线损一体化分析监控系统及其分析方法
CN107860987A (zh) 一种低压台区降损辅助决策系统
CN115293257A (zh) 一种针对异常用电用户的检测方法及系统
CN114355090A (zh) 基于电力拓扑信息采集系统的线损分析方法、装置及设备
CN117031201A (zh) 一种配电网多场景拓扑异常识别方法及系统
CN113376553B (zh) 三相四线计量串电流回路接线的智能甄别方法和系统
CN117113157B (zh) 一种基于人工智能的台区用电故障检测系统

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