CN114240041A - 配网台区精益化线损分析方法及系统 - Google Patents
配网台区精益化线损分析方法及系统 Download PDFInfo
- Publication number
- CN114240041A CN114240041A CN202111337714.8A CN202111337714A CN114240041A CN 114240041 A CN114240041 A CN 114240041A CN 202111337714 A CN202111337714 A CN 202111337714A CN 114240041 A CN114240041 A CN 114240041A
- Authority
- CN
- China
- Prior art keywords
- line loss
- evaluation index
- power
- daily
- average
- 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
Images
Classifications
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
Abstract
本发明涉及一种配网台区精益化线损分析方法及系统,属于台区线损分析技术领域。该方法包括以下步骤:S1:客户用电数据采集与处理;S2:线损评价指标权重的确定;S3:台区线损局部异常因子模型构建与分析。本发明挖掘电力数据中隐藏的用电行为,并实现异常用电行为的有效检测。通过层次分析法确定线损评价指标权重,结合局部离群因子算法从多个维度来评价用户的用电全面性能,检测台区内大部分由窃电用户所导致的线损,协助电力公司更加精准的发现窃电线损及位置,保障电网安全正常运行。
Description
技术领域
本发明属于台区线损分析技术领域,具体涉及一种配网台区精益化线损分析方法及系统。
背景技术
随着数字化时代的到来,数据在生产生活中起到不可或缺的作用,许多企业也开始数字化转型工作,国网供电公司也紧跟时代浪潮。我国台区用电数据主要呈现用电数据体量巨大且数据规模快速增长、数据类型丰富且多元化、电力数据增长快三大特点。
台区线损管理是综合线损管理的基础,能够综合反映配电网经济运行管理水平和企业经济效益,其直接影响用电用户对供电企业的印象。台区线损率是能够反应地区电力系统稳定、安全、高效运行的一项重要指标,体现配电网运行效率。由于数据量的不断增长,现有的数据分析手段难以满足准确且高效地反应台区线损分析地要求,故需要新的数据挖掘算法发现用电数据异常的规律。因此如何克服现有技术的不足是目前台区线损分析技术领域亟需解决的问题。
发明内容
本发明的目的是为了解决现有技术的不足,提供一种配网台区精益化线损分析方法及系统,该方法能够较为准确地挖掘用户窃电线损行为,易于推广应用。
为实现上述目的,本发明采用的技术方案如下:
配网台区精益化线损分析方法,包括如下步骤:
步骤S1,用户用电数据采集与处理:从智能电表端采集用电数据信息,之后对采集的用电数据信息进行处理,得到线损评价指标;所述的线损评价指标为日平均电压、日平均功率因数、日平均电流不平衡率、前七天平均日冻结量和功率不平衡率;
步骤S2,线损评价指标权重的确定:
以用户窃电线损嫌疑程度为评价目标,以线损评价指标作为评估指标集,采用层次分析法,获取线损评价指标的权重;
步骤S3,台区线损局部异常因子模型构建与分析:采用线损评价指标数据,利用改进后的欧氏距离算法并通过局部离群因子算法计算各用户的窃电线损行为涉嫌程度综合异常值;对综合异常值进行降序排列,根据需求筛选出嫌疑较大的用户并对其进行定位;
其中,改进后的欧氏距离表达式为:
式中,n=5;i=(xi1,xi2,...,xin)为用户A第i个连续n天的日平均电压、日平均功率因数、日平均电流不平衡率、前七天平均日冻结量和功率不平衡率数据,j=(xj1,xj2,...,xjn)为用户A第j个连续n天的日平均电压、日平均功率因数、日平均电流不平衡率、前七天平均日冻结量和功率不平衡率数据;wk为第k个线损评价指标的权重。
进一步,优选的是,步骤S1中,所述的用电数据信息包括电压、电流和用户基本信息。
进一步,优选的是,步骤S1中,所述的日平均电流不平衡率为每天平均负序电流与正序电流之比;
所述的功率不平衡率为(最大相功率-最小相功率)/最大相功率*100%。
进一步,优选的是,步骤S2的具体方法为:
S21:构建线损行为评价指标体系:以用户窃电线损嫌疑程度为评价目标,以线损评价指标作为评估指标集,构建评价体系;
S22:构建层次分析法判断矩阵:参照专家经验知识,结合与涉嫌窃电线损相关的重要程度进行分析,形成判断矩阵;
S23:计算获得线损指标权重:通过S22中的判断矩阵最大特征值的特征向量,将归一化后的特征向量作为线损指标的权重,并进行一致性检验。
进一步,优选的是,线损评价指标权重分别为:日平均电压0.23、日平均功率因数0.20、日平均电流不平衡率0.27、前七天平均日冻结量0.10、功率不平衡率0.2。
进一步,优选的是,步骤S3中,所述的综合异常值的具体算法为:
(1)计算各用户线损评价指标数据中每个点的第k可达距离,即点o的第k距离和点o到点p的距离中的较大者:
reach_distk(o,p)=max{dk(0),d(o,p)}
其中,点o为点p的邻域,dk(o)为邻域点o的第k距离,d(o,p)为邻域点o到点p的改进后的欧氏距离;
(2)计算每个点的局部可达密度:
其中,Nk(p)为p点的第k距离邻域;lrdk(p)为点p的局部可达密度;
(3)计算每个点的局部离群因子:
该用户线损评价指标数据中局部离群因子最大值即为该用户的窃电线损行为涉嫌程度综合异常值。
进一步,优选的是,步骤S3中,所述的需求为排序前k个的用户。
本发明同时提供配网台区精益化线损分析系统,包括:
用户用电数据采集与处理模块,用于从智能电表端采集用电数据信息,之后对采集的用电数据信息进行处理,得到线损评价指标;所述的线损评价指标为日平均电压、日平均功率因数、日平均电流不平衡率、前七天平均日冻结量和功率不平衡率;
线损评价指标权重确定模块,用于以用户窃电线损嫌疑程度为评价目标,以线损评价指标作为评估指标集,采用层次分析法,获取线损评价指标的权重;
台区线损模型构建与计算模块,用于采用线损评价指标数据,利用改进后的欧氏距离算法并通过局部离群因子算法计算各用户的窃电线损行为涉嫌程度综合异常值;其中,改进后的欧氏距离表达式为:
式中,n=5;i=(xi1,xi2,...,xin)为用户A第i个日平均电压、日平均功率因数、日平均电流不平衡率、前七天平均日冻结量和功率不平衡率数据,j=(xj1,xj2,...,xjn)为用户A第j个的日平均电压、日平均功率因数、日平均电流不平衡率、前七天平均日冻结量和功率不平衡率数据;wk为第k个线损评价指标的权重;
筛选与定位模块,用于对综合异常值进行降序排列,根据需求筛选出嫌疑较大的用户并对其进行定位;
本发明还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现上述配网台区精益化线损分析方法的步骤。
本发明另外提供一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如上述配网台区精益化线损分析方法的步骤。
本发明与现有技术相比,其有益效果为:
本发明通过对台区内电压器端的用户用电量数据进行深入分析,挖掘数据中隐藏的用电行为,并完成对异常用电行为的有效检测。在实践过程中,通过层次分析法确定线损评价指标权重和局部离群因子算法从多个维度来评价用户的用电全面性能,检测台区内大部分由窃电用户所导致的线损,协助电力公司更加精准的发现线损原因及位置,保障电网安全正常运行。
现有技术通过电压差法开展窃电用户检测,但对台区拓扑结构和设备阻抗参数准确性要求较高。本发明采用局部离群点因子定位用户窃电行为,局部离群点因子越大的用户窃电嫌疑越大,并且能够输出待检测台区所有用户窃电嫌疑度排序,只需要检测排序靠前的用户即可检测出大部分窃电用户,大大提高了反窃电工作效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明基于数据挖掘的配网台区线损检测流程图;
图2为构建线损行为评价指标体系示意图;
图3是本发明配网台区精益化线损分析系统的结构示意图;
图4为本发明电子设备结构示意图。
具体实施方式
下面结合实施例对本发明作进一步的详细描述。
本领域技术人员将会理解,下列实施例仅用于说明本发明,而不应视为限定本发明的范围。实施例中未注明具体技术或条件者,按照本领域内的文献所描述的技术或条件或者按照产品说明书进行。所用材料或设备未注明生产厂商者,均为可以通过购买获得的常规产品。
配网台区精益化线损分析方法,包括如下步骤:
步骤S1,用户用电数据采集与处理:从智能电表端采集用电数据信息,之后对采集的用电数据信息进行处理,得到线损评价指标;所述的线损评价指标为日平均电压、日平均功率因数、日平均电流不平衡率、前七天平均日冻结量和功率不平衡率;
步骤S2,线损评价指标权重的确定:
以用户窃电线损嫌疑程度为评价目标,以线损评价指标作为评估指标集,采用层次分析法,获取线损评价指标的权重;
步骤S3,台区线损局部异常因子模型构建与分析:采用线损评价指标数据,利用改进后的欧氏距离算法并通过局部离群因子算法计算各用户的窃电线损行为涉嫌程度综合异常值;对综合异常值进行降序排列,根据需求筛选出嫌疑较大的用户并对其进行定位;
其中,改进后的欧氏距离表达式为:
式中,n=5;i=(xi1,xi2,...,xin)为用户A第i个的日平均电压、日平均功率因数、日平均电流不平衡率、前七天平均日冻结量和功率不平衡率数据,j=(xj1,xj2,...,xjn)为用户A第j个的日平均电压、日平均功率因数、日平均电流不平衡率、前七天平均日冻结量和功率不平衡率数据;wk为第k个线损评价指标的权重。
优选,步骤S1中,所述的用电数据信息包括电压、电流和用户基本信息。
优选,步骤S1中,所述的日平均电流不平衡率为每天平均负序电流与正序电流之比;
所述的功率不平衡率为(最大相功率-最小相功率)/最大相功率*100%。
优选,步骤S2的具体方法为:
S21:构建线损行为评价指标体系:以用户窃电线损嫌疑程度为评价目标,以线损评价指标作为评估指标集,构建评价体系;
S22:构建层次分析法判断矩阵:参照专家经验知识,结合与涉嫌窃电线损相关的重要程度进行分析,形成判断矩阵;
S23:计算获得线损指标权重:通过S22中的判断矩阵最大特征值的特征向量,将归一化后的特征向量作为线损指标的权重,并进行一致性检验。
优选,线损评价指标权重分别为:日平均电压0.23、日平均功率因数0.20、日平均电流不平衡率0.27、前七天平均日冻结量0.10、功率不平衡率0.2。
优选,步骤S3中,所述的综合异常值的具体算法为:
(1)计算各用户线损评价指标数据中每个点的第k可达距离,即点o的第k距离和点o到点p的距离中的较大者:
reach_distk(o,p)=max{dk(0),d(o,p)}
其中,点o为点p的邻域,dk(o)为邻域点o的第k距离,d(o,p)为邻域点o到点p的改进后的欧氏距离;
(2)计算每个点的局部可达密度:
其中,Nk(p)为p点的第k距离邻域;lrdk(p)为点p的局部可达密度;
(3)计算每个点的局部离群因子:
该局部离群因子即为用户的窃电线损行为涉嫌程度综合异常值。
优选,步骤S3中,所述的需求为排序前k个的用户。
本发明方法具体为:
1、客户用电数据采集与处理
首先从智能电表端采集用电数据信息,包括电压、电流、用户基本信息等。单一的指标并不能准确的描述各种异常用电现象以及显示异常行为所引起的特征量变化,从而导致出现遗漏或误判的现象。对此,将从日平均电压、日平均功率因数、日平均电流不平衡率、前七天平均日冻结量和功率不平衡率这几点指标综合考虑有效防窃电工作,对客户用电数据进行采集与处理。
防窃电综合指标主要包括:
(1)日平均电压:每天平均电压数据;
(2)日平均功率因数:每天平均有功功率与视在功率的比值;
(3)日平均电流不平衡率:每天平均负序电流与正序电流之比;
(4)前七天平均日冻结量:计算七天前每天平均冻结电量与总电量之比;
(5)功率不平衡率:(最大相功率-最小相功率)/最大相功率*100%
2、线损评价指标权重的确定
电能指标具有不同的含义且对窃电线损的重要程度各不相同。因此,有必要通过层次分析法考虑各个指标对线损的影响程度来确定权重。
2.1构建线损行为评价指标体系
以用户窃电线损嫌疑程度为评价目标,并使用可量化的线损评价指标作为评估指标集,构建评价体系。如图2所示,评价体系指标在第1点中进行了介绍,不再赘述。其综合目标是反应用户的窃电嫌疑程度。
2.2构建层次分析法判断矩阵
参照专家经验知识,结合与涉嫌窃电线损相关的重要程度,分析用户异常用电量中不同电能参数的特点,形成判断矩阵。重要程度的比较比例尺度如表1所示,通过1~9的比例进行比较,反映两个指标间的重要程度。
表1比例尺度
最终构成的指标判断矩阵P如下式所示:
通过综合分析用户异常用电量中各参数特点。最终确定日平均电压、日平均功率因数和功率不平衡率对结果影响较大,即对应的重要性程度较高。低压台区变压器由于电网和用户的负载性质存在一些正常的波动,通信系统中的通信容量和电流采集频率的限制也影响功率不平衡率。因此,日平均功率因数和功率不平衡率对试验结果影响略低于日平均电压对试验结果影响。
2.3计算获得线损评价指标权重
通过S22中的判断矩阵最大特征值的特征向量,将归一化后的特征向量作为线损指标的权重,并进行一致性检验,最终获得的线损评价指标权重如表2所示。
表2线损评价指标权重
3、台区线损局部异常因子模型构建与分析
离群点检测即异常检测,目的是发现样本组中具有不同行为特征的目标。由于电力用户环境复杂,使用基于密度的检测算法能够更好地适应内部结构复杂的电力数据集。因此,选择密度检测算法中的局部离群因子算法挖掘电力数据中存在用户异常用电行为。
3.1相似性度量
利用改进后的欧氏距离算法对线损评价指标数据进行计算,从而实现对用户用电行为进行相似性度量。对于i=(xi1,xi2,...,xi5)和j=(xj1,xj2,...,xj5)为5个数值属性的两个目标,则目标i与目标i之间的欧式距离定义为:
在本发明针对线损的分析中,由于指标权重的不同对线损结果带来影响,故对传统欧式距离进行改进,使用改进后的欧氏距离来计算用户用电行为之间的相似度。加权欧式距离越大,相似度越小。改进后的欧氏距离(加权欧式距离)表达式为:
其中w为2.3节中计算出的不同线损评价指标的权重,权重值越大,该指标对检测效果的影响越大。
i=(xi1,xi2,...,xi5)为用户A第i个日平均电压、日平均功率因数、日平均电流不平衡率、前七天平均日冻结量和功率不平衡率数据,j=(xj1,xj2,...,xj5)为用户A第j个日平均电压、日平均功率因数、日平均电流不平衡率、前七天平均日冻结量和功率不平衡率数据。
3.2分析综合异常值
通过局部离群因子算法计算各用户的窃电线损行为涉嫌程度综合异常值。在局部离群因子算法中,每个样本的异常分数被称为局部离群因子。异常分数是局部的,其取决于相对于周围邻域的密集程度。局部性由k距离给出,并使用距离估计局部密度。若样本点密度明显低于其邻居的样本,那么该点被认作异常样本点,即存在窃电线损的用户。以下为局部离群因子计算方法,即窃电线损行为综合异常值。
(1)计算各用户线损评价指标数据中每个点的第k可达距离,即点o的第k距离和点o到点p的距离中的较大者:
reach_distk(o,p)=max{dk(0),d(o,p)}
其中,dk(o)为领域点o的第k距离,d(o,p)为邻域点o到点p的距离。
(2)计算每个点的局部可达密度,即点p的第k距离邻域内的所有点到点p的平均第k可达距离的倒数。它表征了点p的密度情况,点p与周围点密集度越高,各点的可达距离越可能是较小的各自的第k距离,lrd值越大;点p与周围点的密集度越低,各点的可达距离越可能是较大的两点间的实际距离,lrd值越小。
其中,Nk(p)为p点的第k距离邻域。
(3)计算每个点的局部离群因子,意为将点p的Nk(p)邻域内所有点的平均局部可达密度与点p的局部可达密度作比较,这个比值越大于1,表明p点的密度越小于其周围点的密度,p点越可能是离群点;这个比值越小于1,表明p点的密度越大于其周围点的密度,p点越可能是正常点。
该用户线损评价指标数据中局部离群因子最大值即为该用户的窃电线损行为涉嫌程度综合异常值。
3.3挖掘嫌疑用户
分析窃电线损行为综合异常值,即局部离群因子,确定具有重大嫌疑的用户并对其进行定位。异常值越大,存在窃电线损的可能性越大,故对所有检测出的结果进行降序排列,根据需求筛选出嫌疑较大的用户。
4、结束
最终整体的模型构建实现过程如图1所示。
如图3所示,配网台区精益化线损分析系统,包括:
用户用电数据采集与处理模块101,用于从智能电表端采集用电数据信息,之后对采集的用电数据信息进行处理,得到线损评价指标;所述的线损评价指标为日平均电压、日平均功率因数、日平均电流不平衡率、前七天平均日冻结量和功率不平衡率;
线损评价指标权重确定模块102,用于以用户窃电线损嫌疑程度为评价目标,以线损评价指标作为评估指标集,采用层次分析法,获取线损评价指标的权重;
台区线损模型构建与计算模块103,用于采用线损评价指标数据,利用改进后的欧氏距离算法并通过局部离群因子算法计算各用户的窃电线损行为涉嫌程度综合异常值;其中,改进后的欧氏距离表达式为:
式中,n=5;i=(xi1,xi2,...,xin)为用户A第i个日平均电压、日平均功率因数、日平均电流不平衡率、前七天平均日冻结量和功率不平衡率数据,j=(xj1,xj2,...,xjn)为用户A第j个的日平均电压、日平均功率因数、日平均电流不平衡率、前七天平均日冻结量和功率不平衡率数据;wk为第k个线损评价指标的权重;
筛选与定位模块104,用于对综合异常值进行降序排列,根据需求筛选出嫌疑较大的用户并对其进行定位。
本发明实施例提供的配网台区精益化线损分析系统,该系统能够较为准确地挖掘用户窃电线损行为,易于推广应用。
本发明实施例提供的系统是用于执行上述各方法实施例的,具体流程和详细内容请参照上述实施例,此处不再赘述。
图4为本发明实施例提供的电子设备结构示意图,参照图4,该电子设备可以包括:处理器(processor)201、通信接口(Communications Interface)202、存储器(memory)203和通信总线204,其中,处理器201,通信接口202,存储器203通过通信总线204完成相互间的通信。处理器201可以调用存储器203中的逻辑指令,以执行如下方法:步骤S1,用户用电数据采集与处理:从智能电表端采集用电数据信息,之后对采集的用电数据信息进行处理,得到线损评价指标;所述的线损评价指标为日平均电压、日平均功率因数、日平均电流不平衡率、前七天平均日冻结量和功率不平衡率;
步骤S2,线损评价指标权重的确定:
以用户窃电线损嫌疑程度为评价目标,以线损评价指标作为评估指标集,采用层次分析法,获取线损评价指标的权重;
步骤S3,台区线损局部异常因子模型构建与分析:采用线损评价指标数据,利用改进后的欧氏距离算法并通过局部离群因子算法计算各用户的窃电线损行为涉嫌程度综合异常值;对综合异常值进行降序排列,根据需求筛选出嫌疑较大的用户并对其进行定位;
其中,改进后的欧氏距离表达式为:
式中,n=5;i=(xi1,xi2,...,xin)为用户A第i个的日平均电压、日平均功率因数、日平均电流不平衡率、前七天平均日冻结量和功率不平衡率数据,j=(xj1,xj2,...,xjn)为用户A第j个的日平均电压、日平均功率因数、日平均电流不平衡率、前七天平均日冻结量和功率不平衡率数据;wk为第k个线损评价指标的权重。
此外,上述的存储器203中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明实施例还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各实施例提供的配网台区精益化线损分析方法,例如包括:步骤S1,用户用电数据采集与处理:从智能电表端采集用电数据信息,之后对采集的用电数据信息进行处理,得到线损评价指标;所述的线损评价指标为日平均电压、日平均功率因数、日平均电流不平衡率、前七天平均日冻结量和功率不平衡率;
步骤S2,线损评价指标权重的确定:
以用户窃电线损嫌疑程度为评价目标,以线损评价指标作为评估指标集,采用层次分析法,获取线损评价指标的权重;
步骤S3,台区线损局部异常因子模型构建与分析:采用线损评价指标数据,利用改进后的欧氏距离算法并通过局部离群因子算法计算各用户的窃电线损行为涉嫌程度综合异常值;对综合异常值进行降序排列,根据需求筛选出嫌疑较大的用户并对其进行定位;
其中,改进嚆的欧氏距离表达式为:
式中,n=5;i=(xi1,xi2,...,xin)为用户A第i个的日平均电压、日平均功率因数、日平均电流不平衡率、前七天平均日冻结量和功率不平衡率数据,j=(xj1,xj2,...,xjn)为用户A第j个的日平均电压、日平均功率因数、日平均电流不平衡率、前七天平均日冻结量和功率不平衡率数据;wk为第k个线损评价指标的权重。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
应用实例
本发明在某电网公司的线损分析和反窃电工作中进行了试点应用。首先,
从智能电表端采集某台区2017年上半年所有用户用电数据信息,之后对采集的用电数据信息进行处理,得到线损评价指标;所述的线损评价指标为日平均电压、日平均功率因数、日平均电流不平衡率、前七天平均日冻结量和功率不平衡率;
采用线损评价指标数据,利用改进后的欧氏距离算法并通过局部离群因子算法计算各用户的窃电线损行为涉嫌程度综合异常值;对综合异常值进行降序排列,根据需求筛选出嫌疑较大的用户并对其进行定位;
其中,改进后的欧氏距离表达式为:
式中,n=5;i=(xi1,xi2,...,xin)为用户A第i个连续n天的日平均电压、日平均功率因数、日平均电流不平衡率、前七天平均日冻结量和功率不平衡率数据,j=(xj1,xj2,...,xjn)为用户A第j个连续n天的日平均电压、日平均功率因数、日平均电流不平衡率、前七天平均日冻结量和功率不平衡率数据;wk为第k个线损评价指标的权重。
该台区用户综合异常值降序排列表3所示。
表3综合异常值降序排列表(k=7)
该公司用电检查人员按照局部离群点因子排序重点对局部离群点因子大于1的用户进行了现场检查,发现用户3擅自在公共线路上接线,绕过计量表用电;发现用户6私自打开铅封,改变计量表内部结构,致使电量不计量或少计量;用户5没有发现窃电行为。只需要检测排序靠前用户即可检测出大部分窃电用户,大大提高了反窃电工作效率。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (10)
1.配网台区精益化线损分析方法,其特征在于,包括如下步骤:
步骤S1,用户用电数据采集与处理:从智能电表端采集用电数据信息,之后对采集的用电数据信息进行处理,得到线损评价指标;所述的线损评价指标为日平均电压、日平均功率因数、日平均电流不平衡率、前七天平均日冻结量和功率不平衡率;
步骤S2,线损评价指标权重的确定:
以用户窃电线损嫌疑程度为评价目标,以线损评价指标作为评估指标集,采用层次分析法,获取线损评价指标的权重;
步骤S3,台区线损局部异常因子模型构建与分析:采用线损评价指标数据,利用改进后的欧氏距离算法并通过局部离群因子算法计算各用户的窃电线损行为涉嫌程度综合异常值;对综合异常值进行降序排列,根据需求筛选出嫌疑较大的用户并对其进行定位;
其中,改进后的欧氏距离表达式为:
式中,n=5;i=(xi1,xi2,...,xin)为用户A第i个连续n天的日平均电压、日平均功率因数、日平均电流不平衡率、前七天平均日冻结量和功率不平衡率数据,j=(xj1,xj2,...,xjn)为用户A第j个连续n天的日平均电压、日平均功率因数、日平均电流不平衡率、前七天平均日冻结量和功率不平衡率数据;wk为第k个线损评价指标的权重。
2.根据权利要求1所述的配网台区精益化线损分析方法,其特征在于,步骤S1中,所述的用电数据信息包括电压、电流和用户基本信息。
3.根据权利要求1所述的配网台区精益化线损分析方法,其特征在于,步骤S1中,所述的日平均电流不平衡率为每天平均负序电流与正序电流之比;
所述的功率不平衡率为(最大相功率-最小相功率)/最大相功率*100%。
4.根据权利要求1所述的配网台区精益化线损分析方法,其特征在于,步骤S2的具体方法为:
S21:构建线损行为评价指标体系:以用户窃电线损嫌疑程度为评价目标,以线损评价指标作为评估指标集,构建评价体系;
S22:构建层次分析法判断矩阵:参照专家经验知识,结合与涉嫌窃电线损相关的重要程度进行分析,形成判断矩阵;
S23:计算获得线损指标权重:通过S22中的判断矩阵最大特征值的特征向量,将归一化后的特征向量作为线损指标的权重,并进行一致性检验。
5.根据权利要求4所述的配网台区精益化线损分析方法,其特征在于,线损评价指标权重分别为:日平均电压0.23、日平均功率因数0.20、日平均电流不平衡率0.27、前七天平均日冻结量0.10、功率不平衡率0.2。
6.根据权利要求4所述的配网台区精益化线损分析方法,其特征在于,步骤S3中,所述的综合异常值的具体算法为:
(1)计算各用户线损评价指标数据中每个点的第k可达距离,即点o的第k距离和点o到点p的距离中的较大者:
reach_distk(o,p)=max{dk(0),d(o,p)}
其中,点o为点p的邻域,dk(o)为邻域点o的第k距离,d(o,p)为邻域点o到点p的改进后的欧氏距离;
(2)计算每个点的局部可达密度:
其中,Nk(p)为p点的第k距离邻域;lrdk(p)为点p的局部可达密度;
(3)计算每个点的局部离群因子:
该用户线损评阶指标数据中局部离群因子最大值即为该用户的窃电线损行为涉嫌程度综合异常值。
7.根据权利要求4所述的配网台区精益化线损分析方法,其特征在于,步骤S3中,所述的需求为排序前k个的用户。
8.配网台区精益化线损分析系统,其特征在于,包括:
用户用电数据采集与处理模块,用于从智能电表端采集用电数据信息,之后对采集的用电数据信息进行处理,得到线损评价指标;所述的线损评价指标为日平均电压、日平均功率因数、日平均电流不平衡率、前七天平均日冻结量和功率不平衡率;
线损评价指标权重确定模块,用于以用户窃电线损嫌疑程度为评价目标,以线损评价指标作为评估指标集,采用层次分析法,获取线损评价指标的权重;
台区线损模型构建与计算模块,用于采用线损评价指标数据,利用改进后的欧氏距离算法并通过局部离群因子算法计算各用户的窃电线损行为涉嫌程度综合异常值;其中,改进后的欧氏距离表达式为:
式中,n=5;i=(xi1,xi2,...,xin)为用户A第i个日平均电压、日平均功率因数、日平均电流不平衡率、前七天平均日冻结量和功率不平衡率数据,j=(xj1,xj2,...,xjn)为用户A第j个连续n天的日平均电压、日平均功率因数、日平均电流不平衡率、前七天平均日冻结量和功率不平衡率数据;wk为第k个线损评价指标的权重;
筛选与定位模块,用于对综合异常值进行降序排列,根据需求筛选出嫌疑较大的用户并对其进行定位。
9.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至7任一项配网台区精益化线损分析方法的步骤。
10.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1至7任一项所述配网台区精益化线损分析方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111337714.8A CN114240041A (zh) | 2021-11-10 | 2021-11-10 | 配网台区精益化线损分析方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111337714.8A CN114240041A (zh) | 2021-11-10 | 2021-11-10 | 配网台区精益化线损分析方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114240041A true CN114240041A (zh) | 2022-03-25 |
Family
ID=80749179
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111337714.8A Pending CN114240041A (zh) | 2021-11-10 | 2021-11-10 | 配网台区精益化线损分析方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114240041A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114783165A (zh) * | 2022-06-22 | 2022-07-22 | 山东科华电力技术有限公司 | 基于分布式光纤振动传感的电缆通道防外破在线监测系统 |
CN115015828A (zh) * | 2022-05-27 | 2022-09-06 | 云南电网有限责任公司 | 误差超差电表确定方法、装置、设备及计算机存储介质 |
-
2021
- 2021-11-10 CN CN202111337714.8A patent/CN114240041A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115015828A (zh) * | 2022-05-27 | 2022-09-06 | 云南电网有限责任公司 | 误差超差电表确定方法、装置、设备及计算机存储介质 |
CN114783165A (zh) * | 2022-06-22 | 2022-07-22 | 山东科华电力技术有限公司 | 基于分布式光纤振动传感的电缆通道防外破在线监测系统 |
CN114783165B (zh) * | 2022-06-22 | 2022-08-23 | 山东科华电力技术有限公司 | 基于分布式光纤振动传感的电缆通道防外破在线监测系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN110097297B (zh) | 一种多维度窃电态势智能感知方法、系统、设备及介质 | |
CN110458230A (zh) | 一种基于多判据融合的配变用采数据异常甄别方法 | |
CN106373025A (zh) | 基于离群点检测的用电信息采集系统实时防窃电监测方法 | |
CN112149873B (zh) | 一种基于深度学习的低压台区线损合理区间预测方法 | |
CN114240041A (zh) | 配网台区精益化线损分析方法及系统 | |
CN107633050A (zh) | 一种基于大数据分析用电行为判定窃电概率的方法 | |
CN110119556B (zh) | 一种区域水源涵养功能的时空演变分析方法 | |
CN111177208A (zh) | 基于大数据分析的用电异常检测方法 | |
CN111210170A (zh) | 基于90%用电分布特征指标的环保管控监测及评价方法 | |
Markovič et al. | Data-driven classification of residential energy consumption patterns by means of functional connectivity networks | |
Jiang et al. | A feature selection method for malware detection | |
Frank et al. | Extracting operating modes from building electrical load data | |
CN108062616B (zh) | 一种具有约束条件的用电异常检测系统 | |
CN113962477A (zh) | 一种产业电量关联聚集预测方法、装置、设备及存储介质 | |
Irfan et al. | Energy theft identification using AdaBoost Ensembler in the Smart Grids | |
CN115730962A (zh) | 一种基于大数据的电力营销稽查分析系统及方法 | |
CN116249186A (zh) | 无线网设备的数据处理方法、装置、存储介质及电子设备 | |
Fan | Research on automatic user identification system of leaked electricity based on Data Mining Technology | |
Peiyi et al. | Analysis and research on enterprise resumption of work and production based on K-means clustering | |
CN112685461A (zh) | 一种基于预判模型的窃电用户判断方法 | |
CN112308338A (zh) | 电力数据处理方法及装置 | |
Choksi et al. | Novel computational-index as a representative feature for non-intrusive load monitoring | |
Hui et al. | Prediction of Line Loss Rate in Power Supply Area Based on Grey Wolf Algorithm Optimized Support Vector Machine | |
Zhang et al. | Construction and Application of VS-DBN Antitheft Diagnosis Model Based on Neural Architecture Search |
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 |