CN114004296A - 一种基于电力负荷特征反向提取监测点的方法及系统 - Google Patents
一种基于电力负荷特征反向提取监测点的方法及系统 Download PDFInfo
- Publication number
- CN114004296A CN114004296A CN202111281895.7A CN202111281895A CN114004296A CN 114004296 A CN114004296 A CN 114004296A CN 202111281895 A CN202111281895 A CN 202111281895A CN 114004296 A CN114004296 A CN 114004296A
- Authority
- CN
- China
- Prior art keywords
- user
- load
- power load
- sequence
- data
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 48
- 238000000034 method Methods 0.000 title claims abstract description 29
- 230000002159 abnormal effect Effects 0.000 claims abstract description 68
- 238000007781 pre-processing Methods 0.000 claims abstract description 24
- 238000001514 detection method Methods 0.000 claims abstract description 23
- 238000004458 analytical method Methods 0.000 claims abstract description 19
- 238000007689 inspection Methods 0.000 claims description 32
- 230000005611 electricity Effects 0.000 claims description 23
- 230000005856 abnormality Effects 0.000 claims description 15
- 238000004422 calculation algorithm Methods 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 8
- 238000013145 classification model Methods 0.000 claims description 6
- 238000013499 data model Methods 0.000 claims description 6
- 230000007812 deficiency Effects 0.000 claims description 6
- 238000007621 cluster analysis Methods 0.000 claims description 5
- 239000000284 extract Substances 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 230000002547 anomalous effect Effects 0.000 claims description 2
- 230000006399 behavior Effects 0.000 description 4
- 238000007418 data mining Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000001174 ascending effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000005612 types of electricity Effects 0.000 description 2
- 206010000117 Abnormal behaviour Diseases 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000007711 solidification Methods 0.000 description 1
- 230000008023 solidification Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Business, Economics & Management (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种基于电力负荷特征反向提取监测点的方法,包括(1)采集并预处理电力负荷数据;(2)通过聚类分析建立相似用户历史电力负荷序列集;(3)通过单用户当月电力负荷数据变化趋势,划分用户电力负荷波动区间,构建单用户各波动区间的历史电力负荷序列集;(4)获得用户离群负荷序列,通过匹配相同波动区间的用户历史电力负荷序列集、相似用户历史电力负荷序列集获得用户离群负荷序列的异常程度并输出异常序列。本发明提高检测效率、降低成本消耗;提高单用户异常电力负荷检测精度;提高异常检测的时效性;用户异常检测的准确性提升6个百分点且时效性提升至每20分钟刷新一次异常检测结果。
Description
技术领域
本发明涉及一种异常监测方法及系统,尤其涉及一种基于电力负荷特征反向提取监测点的方法及系统。
背景技术
国网营销稽查模块通过国网既定稽查规则对用电户档案数据进行统计分析,获取当月用电行为异常的用电户集合。各地市专职参考稽查结果进行用电户现场安全检查。
目前稽查模块从用电户数据采集到指标计算,如:月谷用电量、月发行电费、半年均电量等,再到基于稽查规则,如线损、电费等专业实际应用的异常用户统计,电力异常分析具有较大的滞后性,统计完成时已对正常的业务产生了影响并很可能已经导致用户投诉或电量损失。因此,急需要提出一个基于采集数据及时反馈用电异常的智能异常检测方法。
目前常用的电力异常检测有如下几种方法:基于人工现场检查的日常人工检查法;基于电力功能成本、效益等经济指标波动变化进行异常分析的经济分析法;基于用电量与设备容量的正相关比值计算进行异常分析的负荷计量分析法;基于电压、电流、功率、用电量、线损等属性构建综合性异常模型的智能模型分析法;基于用户用电行为数据挖掘结果进行异常分析的数据挖掘分析法。
目前,电力系统中异常用电户数据时效性较低,需要对异常用电户判定的及时性进行优化,且现有的电力系统中基于传统的异常检测方法又存在人力成本高、受限于计量自动化系统的安装使用情况、不同异常模型的阈值设定一般靠人工经验不够灵活等缺点,而目前常用的基于数据挖掘的异常分析方法也存在电力负荷的研究涉及到过多的因素,导致系数和阈值的设定对神经网络模型的检测结果有较大的影响造成异常检测度不高,缺少对相似用户的关联性对比分析等缺点,需要进行进一步改进。
发明内容
发明目的:本发明旨在提供一种基于电力负荷特征反向提取监测点的方法及系统,解决异常负荷点检测效率低、精度低、成本高的问题。
技术方案:本发明所述的基于电力负荷特征反向提取监测点的方法,包括以下步骤:
(1)采集并预处理电力负荷数据;
(2)通过聚类分析建立相似用户历史电力负荷序列集;
(3)根据单用户当月电力负荷数据变化趋势划分用户电力负荷波动区间,汇总对应日的电力负荷点数据,构建单用户各波动区间的历史电力负荷序列集;
(4)按波动区间划分用电户新增的日电力负荷序列,并与该用户相同波动区间的历史电力负荷序列集聚类分析,获得用户离群负荷序列,通过匹配相同波动区间的用户历史电力负荷序列集、相似用户历史电力负荷序列集获得用户离群负荷序列的异常程度并输出异常序列;
(5)提取检测点。
所述电力负荷数据包括用户ID、用户类别、用户家庭情况信息、用电类别、台区号、日期时间、电压值、电流值、用电量、有功功率、无功功率、线损值。
步骤(1)中的预处理包括缺失数据预处理:根据缺失值前后相邻两日相同时间点的负荷的均值和后一日相对前一日的负荷变化率,填充缺失数据如下:
其中,X(i)表示填充后的用电负荷;i表示时间点;a1和a2表示缺失值前后两天对应时刻和前后两个时间点负荷的加权系数。
步骤(1)中的预处理包括噪声数据预处理,包括以下步骤:
(11)基于DBSCAN密度聚类算法,获得用户负荷序列中的密度区域;
(12)根据用户负荷序列的异常程度确定异常噪声数据;首先获得用户负荷点相对距离d表示负荷点到中心点s的距离,rd表示密度区域的可达距离,ds表示以s为中心点的所有负荷点到中心点距离的均值;如果相对距离是否大于设定的阈值,则判断该数据为异常噪声数据;
(13)对异常噪声数据修复
x(t)表示前一日不存在异常的负荷数据,x`(t-j)表示序列异常点前面第j个负荷数据,x(t-j)表示序列异常点前一日对应的前面第j个负荷数据。
步骤(2)中包括以下步骤:
(21)对用户的用电环境和用户自身特征聚类分析获得相似用户分组;
(22)构建相似用户历史电力负荷序列集,相似用户i在一个月内的用电负荷序列Xi可以表示为:
Xi(96)=[Xi,j(1),Xi,j(2),Xi,j(3),...,Xi,j(96)]
式中,Xi,j(1)表示用户i在日期为j用电信息,i表示用户编号,j表示用户负荷序列时间戳,。
步骤(3)中包括以下步骤:
(31)以月为统计周期,对单用户每日的电力负荷序列按工作日、周末、节假日类型加权求和操作;
(32)对加权后的电力负荷序列,计算相邻点的电力负荷数值的梯度,并对用户电力负荷序列波动区间划分;
(33)基于DBSCAN密度聚类算法,对不同波动区间电力负荷序列设定对应参数(扫描半径、最小包含点数),构建单用户各波动区间的历史电力负荷序列集。
步骤(4)中包括以下步骤:
(41)对用户新增的日电力负荷序列波动区间划分;
(42)该用户日新增的各波动区间的电力负荷序列与用户相同波动区间的历史电力负荷序列集聚类分析,获得用户离群负荷序列;
(43)利用用户离群序列的波动区间获取相同用户所在月份的相同波动区间的历史电力负荷序列集对用户离群负荷匹配,获得历史数据模型匹配度
其中,h(t)为用户相同波动区间的历史电力负荷序列集,u(t)为用户离群负荷序列,t为负荷序列的波动起始时刻,m为负荷序列的波动时间长度,mon_D为当月天数;
(44)利用用户离群序列的波动区间获取相同波动区间的相似用户历史电力负荷序列集对用户离群负荷匹配,获得相似用电模型的匹配度
其中,S(t`)为相同波动区间的相似用户历史电力负荷序列集,为相似用户平均负荷,u(t`)为用户离群负荷序列,用户离群负荷序列平均负荷,t为负荷序列的波动起始时刻,m为负荷序列的波动时间长度,mon_D为当月天数;
(45)根据历史数据模型匹配度S1和相似用电模型的匹配度S2,运用加权算法获得用户模型的支持度S;
(46)输出支持度S大于设定阈值的异常序列。
步骤(5)中包括以下步骤:
(51)根据用户分类模型获取用户类型,通过监测负荷异常的时间点获取负荷异常时间区间,结合稽查业务特征规则提取监测点,并保存到稽查知识库;
监测点={用电户类型,负荷异常时间区间,异常相关业务特征数据集,用电异常类型}
(52)把用户新的异常监测点与稽查知识库中的检测点匹配,获得异常用户问题的定位。
本发明所述的基于电力负荷特征反向提取监测点的系统,包括数据采集模块、数据预处理模块、相似用户分类模块、负荷异常分析模块和稽查规则问题匹配模块;
所述数据采集模块获得用户信息、用电信息和用电负荷;然后将数据传输给数据预处理模块;所述数据预处理模块对数据缺失值处理和噪声处理;所述相似用户分类模块根据预处理后的数据获得相似用户分组,并建立相似用户历史电力负荷序列集;所述负荷异常分析模块按波动区间划分用电户新增的日电力负荷序列,并与该用户相同波动区间的历史电力负荷序列集进行聚类分析,获得用户离群负荷序列,通过匹配相同波动区间的用户历史电力负荷序列集、相似用户历史电力负荷序列集获得用户离群负荷序列的异常程度并输出异常序列;所述稽查规则问题匹配模块根据用户分类模型获取用户类型,通过监测负荷异常的时间点获取负荷异常时间区间,结合稽查业务特征规则提取监测点。
有益效果:与现有技术相比,本发明具有如下显著优点:
(1)提高了检测效率、降低成本消耗。
(2)异常负荷点检测模型进一步考虑电力负荷波动分区特性以及用户用电特征,不仅提高了单用户异常电力负荷检测精度,相对深度学习方式的检测模型更易调试和实现。
(3)基于数据中台的大数据计算能力,抽取实时变化数据,结合异常检测算法提高异常检测的时效性。
(4)将稽查业务规则及检测出的监测点进行业务固化处理进一步完备国网电力营销稽查业务;实际投运于营销稽查使得用户异常检测的准确性提升6个百分点且时效性提升至每20分钟刷新一次异常检测结果。
附图说明
图1为本发明的方法的流程图;
图2为本发明的系统的结构图。
具体实施方式
下面结合附图对本发明的技术方案作进一步说明。
由图1可知:本发明所述的基于电力负荷特征反向提取监测点的方法,包括以下步骤:
(1)基于国家电网营销2.0系统以及用电采集系统提供的实时用电负荷数据,并进行预处理。
(2)通过用电户档案数据,如用户ID、用户类别、用户家庭情况信息、用电类别、台区号、日期时间等信息对用电户进行聚类操作,将相似用电户进行分组合并,建立相似用户历史电力负荷序列集。
(3)通过单用户当月电力负荷数据(无异常)变化趋势(上升、下降、平缓),划分用户电力负荷波动区间,汇总对应日电力负荷数据,构建单用户各波动区间的历史电力负荷序列集(无异常电力负荷数据);
(4)按波动区间划分用电户新增的日电力负荷序列,并与该用户相同波动区间的历史电力负荷序列集进行聚类分析,获得用户离群序列,通过匹配相同波动区间的用户历史电力负荷序列集、相似用户历史电力负荷序列集分析离群序列的异常程度并输出异常序列;
(5)基于提取的用户异常负荷点结合业务规则实现异常监测点的提取。
步骤(1)电力负荷数据的预处理
电力负荷数据包括用户ID、用户类别、用户家庭情况信息、用电类别、台区号、日期时间、电压值、电流值、用电量、有功功率和无功功率、线损值等。电力负荷数据极易受到噪声干扰。目前,国家电网的用电负荷数据来源于多个不同的系统,数据表现形式不一且存在数据缺失和数据不一致等问题,为了提高数据挖掘的质量,因此需要对来源数据进行预处理操作。
由于电力负荷数据一般具有波动周期特性,按照该特性分别计算缺失值前后相邻两日相同时间点的负荷、缺失值前后两个时间点的负荷的均值,结合后一日相对前一日的负荷变化率法,以负荷均值加上负荷变化量填充缺失值。
缺失值处理公式:
式中,X(i)表示填充后的用电负荷;i表示时间点取值为1到96,对应时间点00:00到23:45;a1和a2表示缺失值前后两天对应时刻和前后两个时间点负荷的加权系数。
对于噪声数据预处理,电力负荷噪声数据在整个负荷曲线上表现为偏离曲线正常的波动范围,可以通过负荷序列的前后波动性关系和负荷间的距离来检测该类异常。
基于DBSCAN密度聚类算法,取负荷序列中的中心负荷点s最近的k个负荷点的距离表示该序列的密度区域,即密度越大的负荷点的区域半径越小。以负荷点到中心点的距离d与密度区域半径r中的较大者作为该中心点的可达距离。电力负荷点到中心点的相对距离:
式中,d表示负荷点到中心点s的距离,rd表示密度区域的可达距离,ds表示以s为中心点的所有负荷点到中心点距离的均值。
若电力负荷点到中心点的相对距离大于设定的异常阈值,则断定负荷为异常噪声数据。
对于检测到的异常噪声数据,采用当前负荷相对前一天时间序列的变化的情况进行修复。
修复方式:
式中,x(t)表示前一日不存在异常的负荷数据,x`(t-j)表示序列异常点前面第j个负荷数据,x(t-j)表示序列异常点前一日对应的前面第j个负荷数据。
步骤(2)建立相似用户电力负荷序列
使用用户历史用电负荷数据进行异常检测时,鉴于同地区地理、气候条件等尾部因素基本相同,相同用电类型的用户具有相似的用电行为,用户本身的用电行为在时间维度上具有相似性。因此对相同类型的用户进行用电负荷进行规律特点挖掘,对此类用户的用电异常检测更有意义。
对用电户的划分考虑很多因素,综合考虑了用户的用电环境和用户自身特征,如:用电户类型、台区号、电压等级、功率因数、日用电量、日平均负荷、日最大负荷、日最小负荷、日峰谷差、峰总比、平总比、谷总比、负荷率、负荷曲线、房屋面积、电器种类、电器数量。通过信息特征转化、进行聚类处理,划分出相似类型用户分组。
获取相似用户分组后,分别对相似用户建立用电户用电模型。相似用户i在一个月内的用电负荷序列Xi可以表示为:
Xi(96)=[Xi,j(1),Xi,j(2),Xi,j(3),...,Xi,j(96)] (4)
式中,Xi,j(1)表示用户i在日期为j的00:15的用电信息,i表示用户编号,j表示用户负荷序列时间戳,j的取值范围为0-96的正整数。
通过对用电户及相似用电户用电模型的日期、负荷序列时间戳的组合切片来构造用户、相似用户的同时间段的历史用电序列模型,用于和之后检测出来的用户离群序列进行异常度的匹配计算。
步骤(3)和步骤(4)采用密度聚类进行异常检测
其中在步骤(3)中,对单用户电力负荷波动区间进行判定,用电量异常通常通过用户用电量的波动来呈现,因此根据用户用电负荷单位时间用电量的波动情况将用电信息划分为上升段、下降段和保持段序列。对用户的用电数据进行波动区间的划分标定后,使用波动区间表示的负荷,对波动区间进行密度聚类,获得单用户各波动区间的历史电力负荷序列集。具体步骤如下:
(31)以月为统计周期,对单用户每日的电力负荷序列按工作日、周末、节假日类型加权求和操作;
(32)对加权后的电力负荷序列,计算相邻点的电力负荷数值的梯度,并对用户电力负荷序列波动区间划分;
(33)基于DBSCAN密度聚类算法,对不同波动区间电力负荷序列设定对应参数(扫描半径、最小包含点数),构建单用户各波动区间的历史电力负荷序列集。
基于DBSCAN聚类算法进行用电负荷聚类,DBSCAN聚类算法是一种具有噪声应用的基于高密度连通区域的密度聚类方法,通过用户设定的参数ε>0确定每个对象的领域半径,使用参数MinPts制定聚集簇的密度阈值。对于对象中的点,根据聚类结果有一下几种情况:如果一个对象的领域半径ε范围内至少有阈值MinPts个点,将该对象称之为核心对象;如果半径范围内没有那么多的点,则称之为离群对象;介于二者之间的是边界点;对划分好的负荷序列进行密度聚类处理,当负荷序列不属于任何簇时,可以认为是存在异常。步骤(4)中,利用获取的离群负荷序列为基础数据,获取相同波动区间的用户历史电力负荷序列集、相似用户历史电力负荷序列集,做进一步匹配分析。通过对负荷序列与用电模式的曲线变化趋势来进行匹配。综合考虑基于统计量相关系数和基于平均距离的方法度量负荷序列的匹配情况。具体步骤如下:
(41)对用户新增的日电力负荷序列波动区间划分;
(42)该用户日新增的各波动区间的电力负荷序列与用户相同波动区间的历史电力负荷序列集聚类分析,获得用户离群负荷序列;
(43)通过离群序列获取用户相同波动区间的历史电力负荷序列集对离群序列匹配,获得的历史数据模型匹配度
式(5)中,h(t`)为用户相同波动区间的历史电力负荷序列集,u(t`)为离群负荷序列,t为负荷序列的波动起始时刻,m为负荷序列的波动时间长度,mon_D为当月天数。
(44)利用离群序列获取相同波动区间的用户历史电力负荷序列集对离群序列进行匹配,相似用电模型的匹配度:
式(6)中,S(t`)为相同波动区间的用户历史电力负荷序列集,为相似用户平均负荷,u(t`)为离群负荷序列,离群负荷序列平均负荷,t为负荷序列的波动起始时刻,m为负荷序列的波动时间长度,mon_D为当月天数。
(45)将历史数据模型匹配度S1和相似用电模型的匹配度S2,根据实际情况确定对两种模型的偏好程度和运用加权算法得到用户模型的支持度S。基于正常负荷序列簇中的负荷序列数据进行模式匹配以确定支持度S的阈值选择,如果支持度小于该阈值认为该序列存在异常行为。
(46)输出支持度S大于设定阈值的异常序列。
步骤(5)监测点提取
基于国家电网专家制定的稽查规则结合检测出的用电户异常电能负荷点反向提取监测点。通过步骤(2)中用户分类模型获取用户类型,通过监测负荷异常的时间点获取负荷异常时间区间,结合稽查业务特征规则提取监测点。
监测点组成:{用电户类型,负荷异常时间区间,异常相关业务特征数据集,用电异常类型}。
将提取的监测点保存到稽查知识库中,当用户产生新的异常监测点时,通过余弦相似度算法将新增监测点与稽查知识库中的监测点进行匹配,进一步优化稽查异常用户问题定位的时效性问题和准确性问题。部分用电异常判定业务特征规则表1所示。
表1电异常判定业务特征规则表
由图2可知,本发明所述的一种基于电力负荷特征反向提取监测点的系统,包括数据采集模块、数据预处理模块、相似用户分类模块、负荷异常分析模块和稽查规则问题匹配模块;
所述数据采集模块获得用户信息、用电信息和用电负荷;然后将数据传输给数据预处理模块;所述数据预处理模块对数据缺失值处理和噪声处理;所述相似用户分类模块根据预处理后的数据获得相似类型用户分组,并建立相似用户电力负荷序列集;所述负荷异常分析模块获得离群序列,根据负荷离群序列匹配相同波动区间的用户历史电力负荷序列集、相似用户历史电力负荷序列集,获得离群序列的异常程度;所述稽查规则问题匹配模块根据用户分类模型获取用户类型,通过监测负荷异常的时间点获取负荷异常时间区间,结合稽查业务特征规则提取监测点。
本实施例中于基于J2EE框架和python开发,通过java获取用户基础信息及电力负荷数据。采用python语言实现密度聚类算法以及相似用户异常负荷匹配算法。Java程序算法接口调用采用Jython包调用Python的.py文件的方式。将营销稽查业务规则以sql的形式保存,对用电户异常类型进行判定。
Claims (9)
1.一种基于电力负荷特征反向提取监测点的方法,其特征在于,包括以下步骤:
(1)采集并预处理电力负荷数据;
(2)通过聚类分析建立相似用户历史电力负荷序列集;
(3)根据单用户当月电力负荷数据变化趋势划分用户电力负荷波动区间,汇总对应日的电力负荷点数据,构建单用户各波动区间的历史电力负荷序列集;
(4)按波动区间划分用户新增的日电力负荷序列,并与该用户相同波动区间的历史电力负荷序列集聚类分析,获得用户离群负荷序列,通过匹配相同波动区间的用户历史电力负荷序列集、相似用户历史电力负荷序列集获得用户离群负荷序列的异常程度并输出异常序列;
(5)提取检测点。
2.根据权利要求1所述的基于电力负荷特征反向提取监测点的方法,其特征在于:所述电力负荷数据包括用户ID、用户类别、用户家庭情况信息、用电类别、台区号、日期时间、电压值、电流值、用电量、有功功率、无功功率、线损值。
4.根据权利要求1所述的基于电力负荷特征反向提取监测点的方法,其特征在于:步骤(1)中的预处理包括噪声数据预处理,包括以下步骤:
(11)基于DBSCAN密度聚类算法,获得用户负荷序列中的密度区域;
(12)根据用户负荷序列的异常程度确定异常噪声数据;首先获得用户负荷点相对距离d表示负荷点到中心点s的距离,rd表示密度区域的可达距离,ds表示以s为中心点的所有负荷点到中心点距离的均值;如果相对距离是否大于设定的阈值,则判断该数据为异常噪声数据;
(13)对异常噪声数据修复
x(t)表示前一日不存在异常的负荷数据,x`(t-j)表示序列异常点前面第j个负荷数据,x(t-j)表示序列异常点前一日对应的前面第j个负荷数据。
5.根据权利要求1所述的基于电力负荷特征反向提取监测点的方法,其特征在于:步骤(2)中包括以下步骤:
(21)对用户的用电环境和用户自身特征聚类分析获得相似用户分组;
(22)构建相似用户历史电力负荷序列集,相似用户i在一个月内的用电负荷序列Xi可以表示为:
Xi(96)=[Xi,j(1),Xi,j(2),Xi,j(3),...,Xi,j(96)]
式中,Xi,j(1)表示用户i在日期为j用电信息,i表示用户编号,j表示用户负荷序列时间戳。
6.根据权利要求1所述的基于电力负荷特征反向提取监测点的方法,其特征在于:步骤(3)中包括以下步骤:
(31)以月为统计周期,对单用户每日的电力负荷序列按工作日、周末、节假日类型加权求和操作;
(32)对加权后的电力负荷序列,计算相邻点的电力负荷数值的梯度,并对用户电力负荷序列波动区间划分;
(33)基于DBSCAN密度聚类算法,对不同波动区间电力负荷序列设定参数,构建单用户各波动区间的历史电力负荷序列集。
7.根据权利要求1所述的基于电力负荷特征反向提取监测点的方法,其特征在于:步骤(4)中包括以下步骤:
(41)对用户新增的日电力负荷序列波动区间划分;
(42)该用户日新增的各波动区间的电力负荷序列与用户相同波动区间的历史电力负荷序列集聚类分析,获得用户离群负荷序列;
(43)利用用户离群序列的波动区间获取相同用户所在月份的相同波动区间的历史电力负荷序列集对用户离群负荷匹配,获得历史数据模型匹配度
其中,h(t`)为用户相同波动区间的历史电力负荷序列集,u(t`)为用户离群负荷序列,t为负荷序列的波动起始时刻,m为负荷序列的波动时间长度,mon_D为当月天数;
(44)利用用户离群序列的波动区间获取相同波动区间的相似用户历史电力负荷序列集对用户离群负荷匹配,获得相似用电模型的匹配度
其中,S(t`)为相同波动区间的相似用户历史电力负荷序列集,为相似用户平均负荷,u(t`)为用户离群负荷序列,用户离群负荷序列平均负荷,t为负荷序列的波动起始时刻,m为负荷序列的波动时间长度,mon_D为当月天数;
(45)根据历史数据模型匹配度S1和相似用电模型的匹配度S2,运用加权算法获得用户模型的支持度S;
(46)输出支持度S大于设定阈值的异常序列。
8.根据权利要求1所述的基于电力负荷特征反向提取监测点的方法,其特征在于:步骤(5)中包括以下步骤:
(51)根据用户分类模型获取用户类型,通过监测负荷异常的时间点获取负荷异常时间区间,结合稽查业务特征规则提取监测点,并保存到稽查知识库;
监测点={用电户类型,负荷异常时间区间,异常相关业务特征数据集,用电异常类型}
(52)把用户新的异常监测点与稽查知识库中的检测点匹配,获得异常用户问题的定位。
9.一种基于电力负荷特征反向提取监测点的系统,其特征在于:包括数据采集模块、数据预处理模块、相似用户分类模块、负荷异常分析模块和稽查规则问题匹配模块;
所述数据采集模块获得用户信息、用电信息和用电负荷;然后将数据传输给数据预处理模块;
所述数据预处理模块对数据缺失值处理和噪声处理;
所述相似用户分类模块根据预处理后的数据获得相似用户分组,并建立相似用户历史电力负荷序列集;
所述负荷异常分析模块按波动区间划分用电户新增的日电力负荷序列,并与该用户相同波动区间的历史电力负荷序列集进行聚类分析,获得用户离群负荷序列,通过匹配相同波动区间的用户历史电力负荷序列集、相似用户历史电力负荷序列集获得用户离群负荷序列的异常程度并输出异常序列;
所述稽查规则问题匹配模块根据用户分类模型获取用户类型,通过监测负荷异常的时间点获取负荷异常时间区间,结合稽查业务特征规则提取监测点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111281895.7A CN114004296A (zh) | 2021-11-01 | 2021-11-01 | 一种基于电力负荷特征反向提取监测点的方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111281895.7A CN114004296A (zh) | 2021-11-01 | 2021-11-01 | 一种基于电力负荷特征反向提取监测点的方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114004296A true CN114004296A (zh) | 2022-02-01 |
Family
ID=79925989
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111281895.7A Pending CN114004296A (zh) | 2021-11-01 | 2021-11-01 | 一种基于电力负荷特征反向提取监测点的方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114004296A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115563193A (zh) * | 2022-12-08 | 2023-01-03 | 陕西通信规划设计研究院有限公司 | 一种用于数字信息的大数据分析处理方法 |
CN116307944A (zh) * | 2023-05-18 | 2023-06-23 | 山东欣瑞电气有限公司 | 基于人工智能与物联网的配电箱远程监测系统 |
CN116503023A (zh) * | 2023-05-06 | 2023-07-28 | 国网浙江省电力有限公司 | 基于电力营销管理系统的电力异常信息稽查方法 |
CN116628529A (zh) * | 2023-07-21 | 2023-08-22 | 山东科华电力技术有限公司 | 一种用于用户侧智能负荷控制系统的数据异常检测方法 |
CN117220417A (zh) * | 2023-11-07 | 2023-12-12 | 国网山西省电力公司信息通信分公司 | 消费端电负荷动态监测方法及系统 |
CN117335409A (zh) * | 2023-10-26 | 2024-01-02 | 河北建投电力科技服务有限公司 | 基于人工智能的电力用户负荷预测系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103678766A (zh) * | 2013-11-08 | 2014-03-26 | 国家电网公司 | 一种基于pso算法的异常用电客户检测方法 |
CN105005205A (zh) * | 2015-08-28 | 2015-10-28 | 天津求实智源科技有限公司 | 一种基于电力负荷分解与监测的家居安全告警系统及方法 |
-
2021
- 2021-11-01 CN CN202111281895.7A patent/CN114004296A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103678766A (zh) * | 2013-11-08 | 2014-03-26 | 国家电网公司 | 一种基于pso算法的异常用电客户检测方法 |
CN105005205A (zh) * | 2015-08-28 | 2015-10-28 | 天津求实智源科技有限公司 | 一种基于电力负荷分解与监测的家居安全告警系统及方法 |
Non-Patent Citations (1)
Title |
---|
王在乾: "基于数据挖掘的电力负荷检测与分析", 《中国优秀博硕士学位论文全文数据库(硕士) 工程科技II辑》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115563193A (zh) * | 2022-12-08 | 2023-01-03 | 陕西通信规划设计研究院有限公司 | 一种用于数字信息的大数据分析处理方法 |
CN115563193B (zh) * | 2022-12-08 | 2023-03-10 | 陕西通信规划设计研究院有限公司 | 一种用于数字信息的大数据分析处理方法 |
CN116503023A (zh) * | 2023-05-06 | 2023-07-28 | 国网浙江省电力有限公司 | 基于电力营销管理系统的电力异常信息稽查方法 |
CN116503023B (zh) * | 2023-05-06 | 2024-01-05 | 国网浙江省电力有限公司 | 基于电力营销管理系统的电力异常信息稽查方法 |
CN116307944A (zh) * | 2023-05-18 | 2023-06-23 | 山东欣瑞电气有限公司 | 基于人工智能与物联网的配电箱远程监测系统 |
CN116307944B (zh) * | 2023-05-18 | 2023-08-04 | 山东欣瑞电气有限公司 | 基于人工智能与物联网的配电箱远程监测系统 |
CN116628529A (zh) * | 2023-07-21 | 2023-08-22 | 山东科华电力技术有限公司 | 一种用于用户侧智能负荷控制系统的数据异常检测方法 |
CN116628529B (zh) * | 2023-07-21 | 2023-10-20 | 山东科华电力技术有限公司 | 一种用于用户侧智能负荷控制系统的数据异常检测方法 |
CN117335409A (zh) * | 2023-10-26 | 2024-01-02 | 河北建投电力科技服务有限公司 | 基于人工智能的电力用户负荷预测系统 |
CN117335409B (zh) * | 2023-10-26 | 2024-04-19 | 河北建投电力科技服务有限公司 | 基于人工智能的电力用户负荷预测系统 |
CN117220417A (zh) * | 2023-11-07 | 2023-12-12 | 国网山西省电力公司信息通信分公司 | 消费端电负荷动态监测方法及系统 |
CN117220417B (zh) * | 2023-11-07 | 2024-02-09 | 国网山西省电力公司信息通信分公司 | 消费端电负荷动态监测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114004296A (zh) | 一种基于电力负荷特征反向提取监测点的方法及系统 | |
CN110097297B (zh) | 一种多维度窃电态势智能感知方法、系统、设备及介质 | |
CN110223196B (zh) | 基于典型行业特征库和反窃电样本库的反窃电分析方法 | |
CN114298863B (zh) | 一种智能抄表终端的数据采集方法及系统 | |
CN116646933A (zh) | 一种基于大数据的电力负荷调度方法及系统 | |
CN104794206B (zh) | 一种变电站数据质量评价系统及方法 | |
CN110689279B (zh) | 一种居民用电安全隐患的分析方法 | |
CN110222991B (zh) | 基于rf-gbdt的计量装置故障诊断方法 | |
CN110264107B (zh) | 一种基于大数据技术的台区线损率异常诊断方法 | |
CN115170000B (zh) | 一种基于电能表通信模块的远程监测方法及系统 | |
CN111062620B (zh) | 基于混合计费数据的电力计费公平性智能分析系统及方法 | |
CN112149873A (zh) | 一种基于深度学习的低压台区线损合理区间预测方法 | |
CN110991477A (zh) | 一种识别电力系统异常行业用户和异常用电行为的方法和系统 | |
CN117239731B (zh) | 基于混合模型的节假日短期电力负荷预测方法 | |
CN115660225A (zh) | 一种基于电表通信模块的用电负荷预测管理方法及系统 | |
CN113642933A (zh) | 一种配电台区低电压诊断方法及装置 | |
CN112288496A (zh) | 电力行业负荷分类计算方法及其跟踪分析方法 | |
CN112785456A (zh) | 基于向量自回归模型的高损线路窃电检测方法 | |
KR20210137435A (ko) | 산업 환경에서 에너지 소비를 평가하기 위한 방법, 시스템, 및 컴퓨터 프로그램 제품 | |
CN111368257B (zh) | 煤改电负荷特性的分析预测方法及装置 | |
CN113822587B (zh) | 一种基于总线电流数据的工厂产能评估方法 | |
CN115689331A (zh) | 一种基于mlp的输变电工程量合理性分析方法 | |
CN115470970A (zh) | 基于prophet-LightGBM组合模型的电量预测方法及系统 | |
CN112613670A (zh) | 一种基于权重分配预测电力用户需量的装置及方法 | |
CN113869601A (zh) | 一种电力用户负荷预测方法、装置及设备 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220201 |