CN113865642A - 日线损率异常检测方法、装置、计算机设备及存储介质 - Google Patents

日线损率异常检测方法、装置、计算机设备及存储介质 Download PDF

Info

Publication number
CN113865642A
CN113865642A CN202110985474.6A CN202110985474A CN113865642A CN 113865642 A CN113865642 A CN 113865642A CN 202110985474 A CN202110985474 A CN 202110985474A CN 113865642 A CN113865642 A CN 113865642A
Authority
CN
China
Prior art keywords
data
loss rate
phase
line loss
daily
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
CN202110985474.6A
Other languages
English (en)
Inventor
戚成飞
杨晓坤
郑思达
杨晓波
程杰
刘岩
王燕晋
熊洪樟
魏彤珈
李文文
易姝娴
王亚超
景森
王杰
姜振宇
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.)
State Grid Jibei Electric Power Co Ltd
Metering Center of State Grid Jibei Electric Power Co Ltd
Original Assignee
State Grid Jibei Electric Power 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 State Grid Jibei Electric Power Co Ltd filed Critical State Grid Jibei Electric Power Co Ltd
Priority to CN202110985474.6A priority Critical patent/CN113865642A/zh
Publication of CN113865642A publication Critical patent/CN113865642A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D21/00—Measuring or testing not otherwise provided for
    • G01D21/02—Measuring two or more variables by means not covered by a single other subclass
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Economics (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Remote Monitoring And Control Of Power-Distribution Networks (AREA)

Abstract

本发明公开了一种日线损率异常检测方法、装置、计算机设备及存储介质，所述方法包括：获取待测数据；将待测数据输入预先训练好的日线损率异常检测模型，获得重构数据；根据待测数据与重构数据的误差，利用3σ原则判断日线损率是否异常。本发明利用3σ原则判断日线损率异常状态，提高了现有技术对日线损率异常检测的准确性和稳定性。

Description

日线损率异常检测方法、装置、计算机设备及存储介质
技术领域
本发明涉及一种日线损率异常检测方法、装置、计算机设备及存储介质，属于电力信息技术领域。
背景技术
随着电力系统信息化程度的不断提高和配用电数据的快速增长，配用电数据逐渐呈现出数据量大、类型多、增长速度快等特征，线损率作为衡量供电系统的重要经济技术指标，通过对线损数据进行分析，可以为制定维护周期提供参考依据，因此，排查线损异常是维护配电网经济优质运行的关键。
目前国内外异常线损的诊断方法主要为专家经验法、对比分析法和人工智能方法。通过专家经验判断异常虽然准确，但过程复杂，工作量大；对比分析法主要是通过对比既定的指标标准，从线损数值上判定是否异常，但未进一步给出明确的异常原因。人工智能和深度学习技术由于强大的能力已广泛应用于电力领域。
发明内容
本发明的目的在于克服现有技术中的不足，提供一日线损率异常检测方法、装置、计算机设备及存储介质，提高了现有技术对日线损率异常检测的准确性和稳定性。
第一方面，本发明提供一种日线损率异常检测方法，包括以下步骤：
获取待测数据；将待测数据输入预先训练好的日线损率异常检测模型，获得重构数据；根据待测数据与重构数据的误差，利用3σ原则判断日线损率是否异常。
进一步的，所述待测数据包括：供电半径、供电线路的截面面积、电流A相、电流B相、电流C相、电压A相、电压B相、电压C相、有功功率A相、有功功率B相、有功功率C相、负荷曲线形态系数、电阻率、温度等。
进一步的，所述日线损率异常检测模型的训练包括：
获取训练数据；根据训练数据构建训练数据集；对构建的训练数据集进行优化处理；基于优化的训练数据集对设定的神经网络进行训练，获得所述日线损率异常检测模型。
进一步的，所述训练数据集的优化处理包括：剔除训练数据集中的无效值，再利用邻近数据插值法填充缺失值。
进一步的，所述神经网络采用循环神经网络。
第二方面，一种日线损率异常检测装置，包括：
数据获取模块，用于获取待测数据；
数据重构模块，用于将待测数据输入日线损率异常检测模型进行处理，获取重构数据；
异常判定模块，用于判定并输出日线损率异常状态；
其中，所述异常判定模块根据待测数据与重构数据的误差，利用3σ原则判断日线损率是否异常。
进一步的，所述日线损率异常检测模型的训练包括：获取训练数据，根据训练数据构建训练数据集；优化处理构建的训练数据集；基于优化的训练数据集对设定的神经网络进行训练，获得所述日线损率异常检测模型。
进一步的，所述训练数据集的优化处理包括：剔除训练数据集中的无效值，再利用邻近数据插值法填充缺失值。
第三方面，一种计算机设备，包括存储器和处理器，所述处理器被配置为执行所述指令以实现执行如第一方面任一项所述的线损率异常检测方法。
第四方面，一种存储介质，当所述存储介质中的指令由电子设备的处理器执行时，使得所述电子设备能够执行如第一方面任一项所述的线损率异常检测方法。
与现有技术相比，本发明所达到的有益效果：本发明利用3σ原则判断日线损率异常状态，不需要人工设置阈值，提高了日线损率异常检测的准确性和稳定性；且通过剔除无效值、补充缺失值的方法对日线损率异常检测模型的样本数据进行优化处理，提高了日线损率异常检测模型精度,提高了异常监测的准确率。
附图说明
图1为本发明实施例的日线损率异常检测方法流程图；
图2是本发明实施例的日线损率异常检测模型训练流程图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
实施例1：
本实施例提供了一种日线损率异常检测方法，包括以下步骤：
通过智能电表等设备获取训练数据，训练数据包括供电半径、供电线路的截面面积、电流A相、电流B相、电流C相、电压A相、电压B相、电压C相、有功功率A相、有功功率B相、有功功率C相、负荷曲线形态系数、电阻率、温度等，根据训练数据构建训练数据集，对构建的训练数据集进行优化处理：
线损率的数值只能是在0到1之间，因此大于1的错误数据需要剔除。假设数据X＝{X1,X2,X3,L,Xn}表示，Xi表示第一条数据记录，
Figure BDA0003230536160000041
表示Xi中线损率的值，如果
Figure BDA0003230536160000042
则该条数据保留，否则剔除该条数据。
样本数据中存在一定的缺失值，如果直接删除缺失值所在的行数据，会造成资源的浪费，丢弃了大量隐藏在这些记录中的信息，可能会影响到分析结果的客观性和正确性。因此，需要将缺失值进行填充。本发明采用近邻数据方法进行缺失值的填充。计算缺失数据点临近的k个数据，然后用这k个数据的均值填充相应的缺失值。假设数据X＝{X1,X2,X3,L,Xn}表示，Xi表示第一条数据记录，
Figure BDA0003230536160000043
表示Xi中第j个值，取该条数据前k/2条数据，后k-k/2条数据的第j个值的平均值来填充该缺失值，计算如下所示：
Figure BDA0003230536160000044
其中，
Figure BDA0003230536160000045
表示邻近的k条数据的第j个值。
基于优化的训练数据集对设定的循环神经网络进行训练，从而获得日线损率异常检测模型。
获取待测数据，待测数据包括：供电半径、供电线路的截面面积、电流A相、电流B相、电流C相、电压A相、电压B相、电压C相、有功功率A相、有功功率B相、有功功率C相、负荷曲线形态系数、电阻率、温度等，输入日线损率异常检测模型，获得重构数据。
根据待测数据与重构数据的误差，利用3σ原则判断日线损率是否异常。
为了避免人工设置阈值不精确导致误判，本发明利用计算得出的误差，结合3σ原则，根据3σ原则来判断出异常的线损率数据；它是先假设一组检测数据只含有随机误差，对其进行计算处理得到标准偏差，取值几乎全部集中在(u-3σ,u+3σ)区间内，认为凡超过这个区间的误差，就不属于随机误差而是粗大误差，含有该误差的数据应予以剔除；如果误差值根据3σ原则被判定为异常，那么对应的线损数据就是异常数据；公式见下式所示：
e＜μ-3σ数据异常 (2)
e＞μ+3σ数据异常 (3)
其中，e表示真实数据和重构数据之间的误差，μ表示误差的平均值，σ表示误差的标准差。
当线阻率正常时，数据变量通常应该物理意义上满足它们的相关性，一旦线阻率出现异常，那么这些变量之间的内部相关性就会被破坏，因此，当样本数据中的线阻率在异常情况下，样本数据将会偏离日线损率异常检测模型重构的数据，因此，本发明通过重构数据和真实数据之间的误差结合3σ原则来衡量线损率的异常，获得日线损率异常判定结果。
实施例2：
本实施例提供了一种日线损率异常检测装置，包括：
数据获取模块，用于获取待测数据，待测数据包括：供电半径、供电线路的截面面积、电流A相、电流B相、电流C相、电压A相、电压B相、电压C相、有功功率A相、有功功率B相、有功功率C相、负荷曲线形态系数、电阻率、温度等。
数据重构模块，用于将待测数据输入日线损率异常检测模型进行处理，获取重构数据，日线损率异常检测模型通过优化的训练数据集对设定的神经网络训练获得，训练数据集的优化处理包括：剔除训练数据集中的无效值，再利用邻近数据插值法填充缺失值。
异常判定模块，用于判定并输出日线损率异常状态，根据待测数据与重构数据的误差，利用3σ原则判断日线损率是否异常。
实施例3：
本实施例提供了一种计算机设备，所述设备包括：存储器和处理器，所述处理器被配置为执行所述指令以实现执行实施例1所述的线损率异常检测方法。
实施例4：
本实施例提供了一种存储介质，当所述存储介质中的指令由电子设备的处理器执行时，使得所述电子设备能够执行实施例1所述的线损率异常检测方法。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims (10)

1.一种日线损率异常检测方法，其特征在于，包括以下步骤：
获取待测数据；
将待测数据输入预先训练好的日线损率异常检测模型，获得重构数据；
根据待测数据与重构数据的误差，利用3σ原则判断日线损率是否异常。
2.根据权利要求1所述的日线损率异常检测方法，其特征在于，所述待测数据包括：供电半径、供电线路的截面面积、电流A相、电流B相、电流C相、电压A相、电压B相、电压C相、有功功率A相、有功功率B相、有功功率C相、负荷曲线形态系数、电阻率、温度等。
3.根据权利要求1所述的日线损率异常检测方法，其特征在于，所述日线损率异常检测模型的训练包括：
获取训练数据；
根据训练数据构建训练数据集；
对构建的训练数据集进行优化处理；
基于优化的训练数据集对设定的神经网络进行训练，获得所述日线损率异常检测模型。
4.根据权利要求3所述的日线损率异常检测方法，其特征在于，所述训练数据集的优化处理包括：剔除训练数据集中的无效值，再利用邻近数据插值法填充缺失值。
5.根据权利要求3所述的日线损率异常检测方法，其特征在于，所述神经网络采用循环神经网络。
6.一种日线损率异常检测装置，其特征在于，包括：
数据获取模块，用于获取待测数据；
数据重构模块，用于将待测数据输入日线损率异常检测模型进行处理，获取重构数据；
异常判定模块，用于判定并输出日线损率异常状态；
其中，所述异常判定模块根据待测数据与重构数据的误差，利用3σ原则判断日线损率是否异常。
7.根据权利要求6所述的日线损率异常检测装置，其特征在于，所述日线损率异常检测模型的训练包括：获取训练数据，根据训练数据构建训练数据集；优化处理构建的训练数据集；基于优化的训练数据集对设定的神经网络进行训练，获得所述日线损率异常检测模型。
8.根据权利要求7所述的日线损率异常检测装置，其特征在于，所述训练数据集的优化处理包括：剔除训练数据集中的无效值，再利用邻近数据插值法填充缺失值。
9.一种计算机设备，包括存储器和处理器，其特征在于，所述处理器被配置为执行所述指令以实现执行如权利要求1-5任一项所述的线损率异常检测方法。
10.一种存储介质，其特征在于，当所述存储介质中的指令由电子设备的处理器执行时，使得所述电子设备能够执行如权利要求1-5任一项所述的线损率异常检测方法。
CN202110985474.6A 2021-08-26 2021-08-26 日线损率异常检测方法、装置、计算机设备及存储介质 Pending CN113865642A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110985474.6A CN113865642A (zh) 2021-08-26 2021-08-26 日线损率异常检测方法、装置、计算机设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110985474.6A CN113865642A (zh) 2021-08-26 2021-08-26 日线损率异常检测方法、装置、计算机设备及存储介质

Publications (1)

Publication Number Publication Date
CN113865642A true CN113865642A (zh) 2021-12-31

Family

ID=78988428

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110985474.6A Pending CN113865642A (zh) 2021-08-26 2021-08-26 日线损率异常检测方法、装置、计算机设备及存储介质

Country Status (1)

Country Link
CN (1) CN113865642A (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111612053A (zh) * 2020-05-14 2020-09-01 国网河北省电力有限公司电力科学研究院 一种线损率合理区间的计算方法
CN112054507A (zh) * 2020-08-07 2020-12-08 国网辽宁省电力有限公司沈阳供电公司 基于卷积神经网络的配电低压台区理论线损区间计算方法
CN113111053A (zh) * 2021-04-13 2021-07-13 国网冀北电力有限公司技能培训中心 一种基于大数据的线损诊断与反窃电系统、方法及模型

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111612053A (zh) * 2020-05-14 2020-09-01 国网河北省电力有限公司电力科学研究院 一种线损率合理区间的计算方法
CN112054507A (zh) * 2020-08-07 2020-12-08 国网辽宁省电力有限公司沈阳供电公司 基于卷积神经网络的配电低压台区理论线损区间计算方法
CN113111053A (zh) * 2021-04-13 2021-07-13 国网冀北电力有限公司技能培训中心 一种基于大数据的线损诊断与反窃电系统、方法及模型

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
杨帅东 等: "基于GNSS及数据挖掘技术的水利工程监管技术", 30 June 2021, 黄河水利出版社, pages: 149 - 152 *

Similar Documents

Publication Publication Date Title
CN111459700B (zh) 设备故障的诊断方法、诊断装置、诊断设备及存储介质
CN112101554B (zh) 异常检测方法及装置、设备、计算机可读存储介质
CN112766342A (zh) 一种电气设备的异常检测方法
CN112731260B (zh) 基于概念漂移识别的电压互感器误差状态在线评估方法
CN111458661A (zh) 一种配电网线变关系诊断方法、装置及系统
CN110738346A (zh) 一种基于威布尔分布的批次电能表可靠度预测方法
CN116520236B (zh) 一种智能电表的异常检测方法和系统
CN116522096B (zh) 基于动作捕捉的三维数字孪生内容智能制作方法
CN112395382A (zh) 基于变分自编码器的船舶异常航迹数据检测方法和装置
CN112202630A (zh) 一种基于无监督模型的网路质量异常检测方法及装置
CN117312769A (zh) 一种基于BiLSTM的物联网时序数据异常检测方法
CN118035924A (zh) 一种基于电力大数据电力设备故障数据处理方法和系统
CN117314020B (zh) 一种浮游生物的湿地碳汇数据监测系统
CN117150244B (zh) 基于电参数分析的智能配电柜状态监测方法及系统
WO2022134579A1 (zh) 业务交易数据的异常检测方法、装置及计算机设备
CN111695735B (zh) 一种基于流计算的铁路弓网实时预警方法、系统及装置
CN117272055A (zh) 一种基于滤波增强自编码器的电能表异常检测方法及装置
CN112926686A (zh) 基于brb和lstm模型的电力大数据用电异常检测方法及装置
CN112345972A (zh) 基于停电事件的配电网线变关系异常诊断方法、装置及系统
CN113865642A (zh) 日线损率异常检测方法、装置、计算机设备及存储介质
CN116381493A (zh) 一种电池组故障检测方法、系统、电子设备及存储介质
CN118071168B (zh) 一种综合能源管理系统
CN117007971B (zh) 电池故障诊断方法、装置及系统
CN116150666B (zh) 储能系统故障检测方法、装置及智能终端
CN116448062B (zh) 一种桥梁沉降变形检测方法、装置、计算机及存储介质

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