CN114529425A - 一种智能电量修复系统 - Google Patents
一种智能电量修复系统 Download PDFInfo
- Publication number
- CN114529425A CN114529425A CN202210168053.9A CN202210168053A CN114529425A CN 114529425 A CN114529425 A CN 114529425A CN 202210168053 A CN202210168053 A CN 202210168053A CN 114529425 A CN114529425 A CN 114529425A
- Authority
- CN
- China
- Prior art keywords
- power utilization
- waveform
- power
- information
- local
- 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
- 238000004891 communication Methods 0.000 claims abstract description 41
- 230000008439 repair process Effects 0.000 claims abstract description 26
- 238000004458 analytical method Methods 0.000 claims abstract description 24
- 239000003016 pheromone Substances 0.000 claims description 46
- 230000005611 electricity Effects 0.000 claims description 40
- 238000004422 calculation algorithm Methods 0.000 claims description 32
- 230000005856 abnormality Effects 0.000 claims description 27
- 238000010276 construction Methods 0.000 claims description 20
- 238000012937 correction Methods 0.000 claims description 19
- 230000002159 abnormal effect Effects 0.000 claims description 17
- 238000003062 neural network model Methods 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 12
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 239000000284 extract Substances 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims 1
- 230000005540 biological transmission Effects 0.000 abstract description 7
- 230000000875 corresponding effect Effects 0.000 description 51
- 238000012986 modification Methods 0.000 description 7
- 230000004048 modification Effects 0.000 description 7
- 230000001360 synchronised effect Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 4
- 238000000034 method Methods 0.000 description 4
- 230000002238 attenuated effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- 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
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Biophysics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Primary Health Care (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及一种智能电量修复系统,包括模型构建子系统、电量修复子系统;通过构建位置网络和分组网络实现了对通讯信号的传输可靠性分析,同时实现对用电端类型进行获取,结合用电端的本地历史用电数据,通过权重叠加的方式产生修复波形,这样一来可以在用电量信息失真时,能够第一时间反馈并修复该信息,有利于对后续对用电数据实时完整的分析。
Description
技术领域
本发明涉及电力网络管理系统,更具体地说,涉及一种智能电量修复系统。
背景技术
目前随着智能电网的普及,对用电信息的分析也越来越重要,通过用电情况分析经济、金融、行业生态等方面,可以形成分析信息,为行政、用电配电,经济计划等提供信息支持,而这也对各个采集点的采集的准确性提出了更高的要求,而目前存在由于传输、通讯等问题导致电量信息不能实时、有效的进行收集,特别是偏远地区,信号覆盖能力较差,导致用电信息在实时性上和全面性上难以保证,这样也就导致分析无法进行,无法得出较为可靠的用电数据。
发明内容
有鉴于此,本发明目的是提供一种智能电量修复系统,以解决上述问题。
为了解决上述技术问题,本发明的技术方案是:
一种智能电量修复系统,包括模型构建子系统、电量修复子系统;
所述模型构建子系统包括位置网络构建模块以及类型网络构建模块,所述位置网络构建模块获取用电端的物理位置关系以生成位置信息拓扑,并为每一用电节点配置一信任信息素,所述位置网络构建模块配置有信息素配置策略以及信息素衰减策略,所述信息素配置策略包括第一预设条件,当后台接收到满足第一预设条件的电量采集信息时,生成该电量采集信息经过的所有用电节点的信息素增量以增加对应用电节点的信任信息素的值;所述信息素衰减策略包括对应每一用电节点配置衰减因子,所述衰减因子在预设的衰减周期内减少对应信任信息素的值;所述类型网络构建模块获取用电端的用电类型信息以及对应的用电历史数据以生成用电训练样本,通过用电训练样本训练预设的用电神经网络模型以获得训练后的用电神经网络模型,所述用电神经网络模型中,以输出层的每一节点对应一用电端,具有同一上级节点的用电端划分为同一用电类型组,所述类型网络构建模块通过用电训练样本中的用电历史数据实时更新每一用电类型组的组内补偿曲线;
所述电量修复子系统包括异常判断模块、权重配置模块、电量修复模块,所述异常判断模块用于判断用电端的用电波形异常并生成异常时段,所述权重配置模块获取该用电端经过的每一用电节点的信任信息素并根据信任信息素生成叠加权重,所述电量修复模块配置有本地获取算法,所述本地获取算法根据所述异常时段获取该用电端的用电历史数据以生成本地修复波形,同时从用电神经网络模型中从该用电端对应的组内补偿曲线中获取组内修复波形,并以所述叠加权重叠加所述本地修复波形以及组内修复波形以生成电量修复波形。
进一步的,所述本地获取算法包括从预先配置的相关类数据库中获取符合第二预设条件的本地相关类,并根据每一本地相关类以用电历史数据生成本地补偿子波形,每一本地补偿子波形对应配置有一优先值,优先值之和为1,所述本地获取算法为:f(X)=f(x1)*a+f(x2)*(1-a);其中f(X)为本地修复波形,f(x1)为优先值最高的本地补偿子波形,f(x2)为剩余本地补偿子波形的平均波形,a为本地补偿子波形的优先值;所述本地修正子系统包括修正比对模块、修正配置模块,所述修正比对模块用户获取用电端反馈的实际延迟波形,并将实际延迟波形和电量修复波形进行比对以生成若干修正特征,所述修正配置模块筛选该用户端具有修正特征的本地补偿子波形,并增加对应的优先值。
进一步的,所述位置网络构建模块配置有衰减配置算法,所述衰减配置算法为Qn=A/(w1*s1+w2*s2+......+wm*sm),其中Qn为第n个衰减因子对应的衰减周期,wm为第m个用电端的类型值,sm为第m个用电端与该用电节点之间用电节点的数量,A为预设的周期换算参数。
进一步的,所述异常判断模块配置有波形分析数据库,所述波形分析数据库获取用电端的用电异常前一时段的用电波形,所述波形分析数据库存储有若干用电异常特征,并对应每一用电异常特征存储有用电异常信息,所述用电异常信息包括用电异常类型以及对应用电异常类型的异常比率。
进一步的,所述本地获取算法还包括将用电异常类型和本地相关类进行匹配,根据对应的异常比率调整对应本地相关类的优先值。
进一步的,所述位置网络构建模块还连接有参数信息库,所述参数信息库配置有若干通讯要素,并对每一通讯要素配置对应通讯参数,所述位置网络构建模块获取每一用电节点对应的设备参数信息,并从设备参数信息中提取对应的通讯要素以获取对应的通讯参数,并根据得到的通讯参数计算得到周期换算参数。
进一步的,所述的第一预设条件为所述的电量采集信息在一完整的用电周期内无异常。
进一步的,所述类型网络构建模块配置有分组策略,所述分组策略用于将新的用电端匹配至用电神经网络模型,所述分组策略包括模糊信息索引步骤、用电信息索引步骤、分组分析步骤,所述模糊信息索引步骤配置有一关键词关联库,所述关键词关联库存储有若干不同的关键词,且所述用电类型组对应每一关键词配置有模糊关联值,所述模糊信息索引步骤提取用电类型中的关键词以计算该用电端对应每一用电类型组的模糊关联值之和以获得模糊信息索引值,所述用电信息索引步骤获取每一用电类型组对应的组内补偿曲线以生成若干用电曲线特征,所述用电信息索引步骤根据该用电端的用电历史数据中与用电曲线特征匹配的特征的数量计算生成用电信息索引值;所述分组分析步骤以模糊信息索引值和用电信息索引值为依据将该用电端划分至对应的用电分类组。
进一步的,所述分组分析步骤包括集中度计算算法,所述集中度计算算法为
其中U为该用电分类组的模糊集中度,un为第n个用电端的模糊信息索引值,I为该用电分类组的用电集中度,in为第n个用电端的用电信息索引值,m为用电分类组中用电端的数量;将用电端划分至用电分类组的条件为,模糊信息索引值小于该用电分类组的模糊集中度,同时用电信息索引值小于该用电分类组的用电集中度。
进一步的,所述分组策略还包括组分裂步骤,所述组分裂步骤包括分裂计算算法,所述分裂计算算法为O=m/πUI,其中O为该用电分类组的分类密度值,当一用电分类组的分类密度值大于基准密度值时,将该用电分类组划分为两个用电分类组。
本发明技术效果主要体现在以下方面:通过这样设置,通过构建位置网络和分组网络实现了对通讯信号的传输可靠性分析,同时实现对用电端类型进行获取,结合用电端的本地历史用电数据,通过权重叠加的方式产生修复波形,这样一来可以在用电量信息失真时,能够第一时间反馈并修复该信息,有利于对后续对用电数据实时完整的分析。
附图说明
图1:本发明的位置拓扑图。
图2:本发明的智能电量修复系统的系统拓扑原理图。
附图标记:100、模型构建子系统;110、位置网络构建模块;120、类型网络构建模块;200、电量修复子系统;210、异常判断模块;220、权重配置模块;230、电量修复模块;300、本地修正子系统;310、修正比对模块;320、修正配置模块。
具体实施方式
以下结合附图,对本发明的具体实施方式作进一步详述,以使本发明技术方案更易于理解和掌握。
一种智能电量修复系统,包括模型构建子系统100、电量修复子系统200以及本地修正子系统300;为了便于理解本发明,首先对用电端在传输过程中可能遇到的问题进行说明,例如通讯故障、通讯争用、信号干扰、物理损坏、接收失常等情况都会导致用电信息获取不完全,而本发明旨在当已经判断到异常情况以及对应缺失或异常的数据时,如何对用电量信息进行修复,以使整个用电波形完整。而判断通讯异常并不属于本发明的改进部分,再此不做限制。
首先区别于目前的电量数据修复系统,本发明通过构建基础的信息模型,通过对信息模型进行训练,从而使得本系统在实时环境中可以起到自适应和自学习的作用,具体的,设计模型构建子系统100:
所述模型构建子系统100包括位置网络构建模块110以及类型网络构建模块120,模型构建子系统100整体上分为两个部分构成,第一个是位置网络构建、第二个是类型网络构建,而这两个信息对电量信息修复而言至关重要,首先是位置网络构建,所述位置网络构建模块110获取用电端的物理位置关系以生成位置信息拓扑,由于用电信息是通过通讯手段进行获取,而用电端传输信息到后台的方式有多重,例如载波通讯、基站无线网络通讯、有线数据通讯等等,而如此繁多的通讯方式的可靠性不同,而这个可靠性又受到环境、天气、传输条件等情况的局限,再加上在一个数据链路中可能选择多种传输方式,这样就难以在复杂情况下确定单一异常发生时,原有的本地数据的可靠性,所以本发明通过已知的位置信息拓扑构建位置网络,也就是将用电端、信号传输中间节点之间做连线构成位置关系网络,而通过接收完整数据的次数和完整程度判断可靠性,由于后台是持续不断的获取用电节点的电量采集信息,而同时通过配置信任信息素对用电节点的可靠性进行分析,首先是信息素配置策略,具体通过为每一用电节点配置一信任信息素,所述位置网络构建模块110配置有信息素配置策略以及信息素衰减策略,所述信息素配置策略包括第一预设条件;所述的第一预设条件为所述的电量采集信息在一完整的用电周期内无异常,也就是说当一个完整的用电周期内,电量采集无异常时,视为满足第一预设条件,完整的用电周期一般指24h,而得到的完整的数据越多,这个通讯路径的可靠性也就越高,通过历史接收的数据情况就可以判断出每个通讯路径的可靠性,而由于设备改进等因素,通讯路径的可靠性也是实时变化的,所以如果只考虑信息素的增加,则真个模型就无法适应变化的环境。当后台接收到满足第一预设条件的电量采集信息时,生成该电量采集信息经过的所有用电节点的信息素增量以增加对应用电节点的信任信息素的值;所以本发明还包括信息素衰减策略,所述信息素衰减策略包括对应每一用电节点配置衰减因子,所述衰减因子在预设的衰减周期内减少对应信任信息素的值,通过配置衰减因子使得信息素会在预设的衰减周期衰减,也就是说,信息信息素会持续减少,如果没有新的满足第一预设条件的信任信息素增加的情况产生,则用电节点的信任信息素就会不断衰减,相对的信任值也就越低,而需要说明的是,本发明以用电节点为拓扑,主要是通讯网络中会出现共用传输节点的情况,这样就可以得到每个用电节点独立的信息素,便于完成计算。具体的,所述位置网络构建模块110配置有衰减配置算法,所述衰减配置算法为Qn=A/(w1*s1+w2*s2+......+wm*sm),其中Qn为第n个衰减因子对应的衰减周期,wm为第m个用电端的类型值,sm为第m个用电端与该用电节点之间用电节点的数量,A为预设的周期换算参数。例如图1所示,节点S2相关的有4个节点,第一个节点S21类型为居民民用,对应的类型值为1,数量为1,第二个节点S221类型为商用,对应的类型值为2,数量为2,第三个用电端S2311类型为工业低压,对应类型值为3,数量为3,第四个用电端S2312类型为工业高压,对应类型为4,数量为3,例如取A为5,则有Qn=5/(1+4+9+12)=0.193,则每隔0.193个完整周期就会降低该用电节点的信任信息素,而每个用电节点的信任信息素降低的周期均不相同,对应的数量和类型乘积越大,则降低的间隔周期就越小,就需要频繁的接受到完整的用电采集信息才可以完成周期,而类型值通过数据库预先配置,根据用电端的类型进行预设,这样不同的用电端对通讯硬件的依赖程度和可靠性程度就可以通过采集用电端的基本信息获取,使得真个位置网络的信任信息素可以动态调节,同时增加可靠性。而本发明除了构建基于通讯关系的物理拓扑信息网络作为模型以外,还构建根据类型构建的数据网络,因为用电情况不同、行业不同、用电需求不同对实际的用电习惯以及用电量至关重要,也是用电信息修复中重要的判断依据。进一步的,所述位置网络构建模块110还连接有参数信息库,参数信息库是记录用电节点对应的硬件设备对应的参数,例如通讯方式等,不同的通讯方式,以及所选择的具体设备都会作为不同的通讯要素存储在参数信息数据库,然后通过调取实际的参数信息,从通讯要素中获取对应的通讯参数,然后通讯参数越大,说明可靠性越高,所述参数信息库配置有若干通讯要素,并对每一通讯要素配置对应通讯参数,所述位置网络构建模块110获取每一用电节点对应的设备参数信息,并从设备参数信息中提取对应的通讯要素以获取对应的通讯参数,并根据得到的通讯参数计算得到周期换算参数。这样就可以根据实际的设备更换情况直接配置对应的周期转换参数,输入设备信息就能够对对应节点的信任信息素的衰减周期进行调节。
本发明通过构建分组以实现对用电情况的预测,首先所述类型网络构建模块120获取用电端的用电类型信息以及对应的用电历史数据以生成用电训练样本,用电类型信息是用电端在接入电网时通过采集输入的,一般以文本作为数据格式,而由于各个用电类型信息记录的文本格式不同,对于同一行业或者同一类型可能会有不同的文本命名习惯,而对于一个行业所属的认定也难以通过单一的关键词确定,所以本发明根据用电类型信息构建每一用电类型组的关联,通过用电训练样本训练预设的用电神经网络模型以获得训练后的用电神经网络模型,所述用电神经网络模型中,以输出层的每一节点对应一用电端,具有同一上级节点的用电端划分为同一用电类型组,所述类型网络构建模块120通过用电训练样本中的用电历史数据实时更新每一用电类型组的组内补偿曲线;具体为:所述类型网络构建模块120配置有分组策略,所述分组策略用于将新的用电端匹配至用电神经网络模型,所述分组策略包括模糊信息索引步骤、用电信息索引步骤、分组分析步骤,所述模糊信息索引步骤配置有一关键词关联库,所述关键词关联库存储有若干不同的关键词,且所述用电类型组对应每一关键词配置有模糊关联值,所述模糊信息索引步骤提取用电类型中的关键词以计算该用电端对应每一用电类型组的模糊关联值之和以获得模糊信息索引值,所述用电信息索引步骤获取每一用电类型组对应的组内补偿曲线以生成若干用电曲线特征,所述用电信息索引步骤根据该用电端的用电历史数据中与用电曲线特征匹配的特征的数量计算生成用电信息索引值;所述分组分析步骤以模糊信息索引值和用电信息索引值为依据将该用电端划分至对应的用电分类组。所述分组分析步骤包括集中度计算算法,所述集中度计算算法为其中U为该用电分类组的模糊集中度,un为第n个用电端的模糊信息索引值,I为该用电分类组的用电集中度,in为第n个用电端的用电信息索引值,m为用电分类组中用电端的数量;将用电端划分至用电分类组的条件为,模糊信息索引值小于该用电分类组的模糊集中度,同时用电信息索引值小于该用电分类组的用电集中度。所述分组策略还包括组分裂步骤,所述组分裂步骤包括分裂计算算法,所述分裂计算算法为O=m/πUI,其中O为该用电分类组的分类密度值,当一用电分类组的分类密度值大于基准密度值时,将该用电分类组划分为两个用电分类组。对于用电端所述的类型,本发明在人工神经训练系统中做了如下的设计:1、将用电量和关键词做两个维度,首先是用电量,因为如果两个用电端的用电习惯相近,通过一个用电端去预测另一个用电端缺失的数据就较为可靠,这两个用电端属于相同的用电分类组的可能性也就越大,而同样的两个用电端记载的文本信息关键词相同或相近,则属于相同的用电分类组的可能性就越大。而通过两个维度,降低模型对文本信息的依赖,提高分组的可靠性。2、关键词匹配是以分类组的相近程度构建数据库为前提进行的,数据库中存储的关键词之间的关联,而通过出现频次最多的关键词作为用电分类组的依据,同时利用多组关键词保证用电分类组的标识的独立性,而关键词之间的关联度通过数据库已经预先配置,这样就可以计算出每一用电端和用电分类组之间的模糊信息索引,而用电量是通过提取数值、波形的特征进行关联度分析,形成用电信息索引,由于相近的分组在同一时刻下的分组策略相同,就可以完成对分组信息的匹配。3、通过集中度计算算法管理用电分类组的分组条件,而集中度分类算法在组内数量增加时,提高对应用电分类组的集中度约束,而保证分组划分的密度过高。4、而在密度过高时,会划分出新的用电分类组,而这两个用电分类组的集中度约束变大,则可以容纳新的用电端,这样一来,使整个分组策略收敛,在数据训练、新的用电端接入的前提下,可以提高分组划分的准确度,而不需要依赖人工校验。5、通过计算分类密度值,判断组内密度,避免密度过大的情形。而此时就完成了整个数据子系统的建模和自学习的内容搭建。
而作为本发明另一个重要的部分,所述电量修复子系统200包括异常判断模块210、权重配置模块220、电量修复模块230,所述异常判断模块210用于判断用电端的用电波形异常并生成异常时段,通过现有技术判断出数据缺失的时段,一般而言数据缺失如果历史数据中有本地的数据,根据本地数据的用电习惯预测缺失时段的数据,而如果仅有本地数据一方面可能出现本地数据不足以支撑数据分析的情况,第二是本地历史数据本身的可靠性不够,一旦历史数据出现错误,这个错误在缺失数据修复时就会被放大,叠加,就导致数据统计失准。所以本发明引入了组内的波形和本地的波形,通过波形加权叠加的方式求出修正的波形,具体为,所述电量修复模块230配置有本地获取算法,所述本地获取算法根据所述异常时段获取该用电端的用电历史数据以生成本地修复波形,所述本地获取算法包括从预先配置的相关类数据库中获取符合第二预设条件的本地相关类,而第二预设条件为相关类数据库中对应本地相关类具有与用电端的用电类型相同的索引,并根据每一本地相关类以用电历史数据生成本地补偿子波形,每一本地补偿子波形对应配置有一优先值,优先值之和为1,所述本地获取算法为:f(X)=f(x1)*a+f(x2)*(1-a);其中f(X)为本地修复波形,f(x1)为优先值最高的本地补偿子波形,f(x2)为剩余本地补偿子波形的平均波形,a为本地补偿子波形的优先值;首先以本地波形为例,最后得到的本地修复波形是不同的预测条件下的波形的求和,例如对A公司而言,缺失时段为t1-t2,那么可以获取前一天t1-t2的波形,也可以获取上个星期的同一天t1-t2的波形,也可以获取上个月的同一天t1-t2的波形,也可以获取当天上一时间段的波形,而这些都以本地相关类与此案存在在数据库中,每一本地相关类都可以调取到对应的本地补偿子波形,然后根据对本地相关类的优先值的配置,就可以对每个波形进行优先值,选择最可靠的波形为依据,所述异常判断模块210配置有波形分析数据库,所述波形分析数据库获取用电端的用电异常前一时段的用电波形,所述波形分析数据库存储有若干用电异常特征,并对应每一用电异常特征存储有用电异常信息,所述用电异常信息包括用电异常类型以及对应用电异常类型的异常比率。所述本地获取算法还包括将用电异常类型和本地相关类进行匹配,根据对应的异常比率调整对应本地相关类的优先值。通过异常判断模块210判断的异常比率对该情况进行分析,同时配置对应的优先值,所以优先值的确定有两个相关量,一个是用电端的类型和特征,另一个是异常出现的异常情况,这两个相关量影响优先值,从而影响本地修复波形,而剩余的本地补偿子波形求平均波形,这样一来就可以得到最可靠的本地修复波形,而后根据所述权重配置模块220获取该用电端经过的每一用电节点的信任信息素并根据信任信息素生成叠加权重,叠加权重正相关于信任信息素,也就是信任信息素越高,则叠加权重越大,本地波形的可靠性也就越大,就无需依赖分组波形,而信任信息素越低,则叠加权重越小,本地波形的可靠性也就越小,就需要依赖分组波形,从用电神经网络模型中从该用电端对应的组内补偿曲线中获取组内修复波形,然后通过获取到组内修复波形(异常时段已知),并以所述叠加权重叠加所述本地修复波形以及组内修复波形以生成电量修复波形。叠加权重也就是分配本地修复波形和组内修复波形的比例,比例之和为1,这样就形成了最后的电量修复波形。
本系统还包括所述本地修正子系统300包括修正比对模块310、修正配置模块320,所述修正比对模块310用户获取用电端反馈的实际延迟波形,并将实际延迟波形和电量修复波形进行比对以生成若干修正特征,所述修正配置模块320筛选该用户端具有修正特征的本地补偿子波形,并增加对应的优先值。通过修正比对的方式,求差得到对应的修正特征,通过增加具有修正特征的本地补偿子波形的优先值,改变对应的权重,就可以完成闭环的反馈。再此基础上,本发明可以配合如下方案产生积极效果:(1)同期电量智能修复针对存在缺失、跳变的用户同期电量、关口同期电量进行智能修复,从而解决由于量测数据采集质量难以进一步提升导致的线损计算存在偏差的问题。对于异常日电量,基于历史电量建立模型进行计算修复;对于月电量及分区间电量,通过日电量累计公式进行计算修复。(2)同期电量人工修复针对存在其他错误的用户同期电量、关口同期电量进行人工修复,并通过审核、校核机制确保人工修复电量的真实性、准确性,进一步提升修复电量范围,从而提升电量的可用性。(3)修复电量查询查询电量修复情况,对于补采数据实时覆盖更新;对比分析修复数据及补采后真实数据差异,不断优化电量修复模型算法;统计历史修复记录,分析采集质量较差的用电位置,支撑采集设备维护及更新工作的针对性开展。(4)修复电量校核基于修复后电量数据,开展线损校核计算,确保电量修复准确。同时支持用户进行在线校核确认,同时能够设置用户白名单,白名单内用户电量数据不进行修复。
当然,以上只是本发明的典型实例,除此之外,本发明还可以有其它多种具体实施方式,凡采用等同替换或等效变换形成的技术方案,均落在本发明要求保护的范围之内。
Claims (10)
1.一种智能电量修复系统,其特征在于:包括模型构建子系统、电量修复子系统;
所述模型构建子系统包括位置网络构建模块以及类型网络构建模块,所述位置网络构建模块获取用电端的物理位置关系以生成位置信息拓扑,并为每一用电节点配置一信任信息素,所述位置网络构建模块配置有信息素配置策略以及信息素衰减策略,所述信息素配置策略包括第一预设条件,当后台接收到满足第一预设条件的电量采集信息时,生成该电量采集信息经过的所有用电节点的信息素增量以增加对应用电节点的信任信息素的值;所述信息素衰减策略包括对应每一用电节点配置衰减因子,所述衰减因子在预设的衰减周期内减少对应信任信息素的值;所述类型网络构建模块获取用电端的用电类型信息以及对应的用电历史数据以生成用电训练样本,通过用电训练样本训练预设的用电神经网络模型以获得训练后的用电神经网络模型,所述用电神经网络模型中,以输出层的每一节点对应一用电端,具有同一上级节点的用电端划分为同一用电类型组,所述类型网络构建模块通过用电训练样本中的用电历史数据实时更新每一用电类型组的组内补偿曲线;
所述电量修复子系统包括异常判断模块、权重配置模块、电量修复模块,所述异常判断模块用于判断用电端的用电波形异常并生成异常时段,所述权重配置模块获取该用电端经过的每一用电节点的信任信息素并根据信任信息素生成叠加权重,所述电量修复模块配置有本地获取算法,所述本地获取算法根据所述异常时段获取该用电端的用电历史数据以生成本地修复波形,同时从用电神经网络模型中从该用电端对应的组内补偿曲线中获取组内修复波形,并以所述叠加权重叠加所述本地修复波形以及组内修复波形以生成电量修复波形。
2.如权利要求1所述的一种智能电量修复系统,其特征在于:所述本地获取算法包括从预先配置的相关类数据库中获取符合第二预设条件的本地相关类,并根据每一本地相关类以用电历史数据生成本地补偿子波形,每一本地补偿子波形对应配置有一优先值,优先值之和为1,所述本地获取算法为:f(X)=f(x1)*a+f(x2)*(1-a);其中f(X)为本地修复波形,f(x1)为优先值最高的本地补偿子波形,f(x2)为剩余本地补偿子波形的平均波形,a为本地补偿子波形的优先值;所述本地修正子系统包括修正比对模块、修正配置模块,所述修正比对模块用户获取用电端反馈的实际延迟波形,并将实际延迟波形和电量修复波形进行比对以生成若干修正特征,所述修正配置模块筛选该用户端具有修正特征的本地补偿子波形,并增加对应的优先值。
3.如权利要求1所述的一种智能电量修复系统,其特征在于:所述位置网络构建模块配置有衰减配置算法,所述衰减配置算法为Qn=A/(w1*s1+w2*s2+......+wm*sm),其中Qn为第n个衰减因子对应的衰减周期,wm为第m个用电端的类型值,sm为第m个用电端与该用电节点之间用电节点的数量,A为预设的周期换算参数。
4.如权利要求2所述的一种智能电量修复系统,其特征在于:所述异常判断模块配置有波形分析数据库,所述波形分析数据库获取用电端的用电异常前一时段的用电波形,所述波形分析数据库存储有若干用电异常特征,并对应每一用电异常特征存储有用电异常信息,所述用电异常信息包括用电异常类型以及对应用电异常类型的异常比率。
5.如权利要求4所述的一种智能电量修复系统,其特征在于:所述本地获取算法还包括将用电异常类型和本地相关类进行匹配,根据对应的异常比率调整对应本地相关类的优先值。
6.如权利要求3所述的一种智能电量修复系统,其特征在于:所述位置网络构建模块还连接有参数信息库,所述参数信息库配置有若干通讯要素,并对每一通讯要素配置对应通讯参数,所述位置网络构建模块获取每一用电节点对应的设备参数信息,并从设备参数信息中提取对应的通讯要素以获取对应的通讯参数,并根据得到的通讯参数计算得到周期换算参数。
7.如权利要求1所述的一种智能电量修复系统,其特征在于:所述的第一预设条件为所述的电量采集信息在一完整的用电周期内无异常。
8.如权利要求1所述的一种智能电量修复系统,其特征在于:所述类型网络构建模块配置有分组策略,所述分组策略用于将新的用电端匹配至用电神经网络模型,所述分组策略包括模糊信息索引步骤、用电信息索引步骤、分组分析步骤,所述模糊信息索引步骤配置有一关键词关联库,所述关键词关联库存储有若干不同的关键词,且所述用电类型组对应每一关键词配置有模糊关联值,所述模糊信息索引步骤提取用电类型中的关键词以计算该用电端对应每一用电类型组的模糊关联值之和以获得模糊信息索引值,所述用电信息索引步骤获取每一用电类型组对应的组内补偿曲线以生成若干用电曲线特征,所述用电信息索引步骤根据该用电端的用电历史数据中与用电曲线特征匹配的特征的数量计算生成用电信息索引值;所述分组分析步骤以模糊信息索引值和用电信息索引值为依据将该用电端划分至对应的用电分类组。
10.如权利要求9所述的一种智能电量修复系统,其特征在于:所述分组策略还包括组分裂步骤,所述组分裂步骤包括分裂计算算法,所述分裂计算算法为O=m/πUI,其中O为该用电分类组的分类密度值,当一用电分类组的分类密度值大于基准密度值时,将该用电分类组划分为两个用电分类组。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210168053.9A CN114529425A (zh) | 2022-02-23 | 2022-02-23 | 一种智能电量修复系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210168053.9A CN114529425A (zh) | 2022-02-23 | 2022-02-23 | 一种智能电量修复系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114529425A true CN114529425A (zh) | 2022-05-24 |
Family
ID=81624444
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210168053.9A Pending CN114529425A (zh) | 2022-02-23 | 2022-02-23 | 一种智能电量修复系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114529425A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116908533A (zh) * | 2023-09-14 | 2023-10-20 | 安徽融兆智能有限公司 | 一种具有计量功能的电力用户用电信息采集设备 |
-
2022
- 2022-02-23 CN CN202210168053.9A patent/CN114529425A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116908533A (zh) * | 2023-09-14 | 2023-10-20 | 安徽融兆智能有限公司 | 一种具有计量功能的电力用户用电信息采集设备 |
CN116908533B (zh) * | 2023-09-14 | 2023-12-08 | 安徽融兆智能有限公司 | 一种具有计量功能的电力用户用电信息采集设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US8401985B2 (en) | Hierarchy determination for power monitoring systems | |
CN113267692B (zh) | 一种低压台区线损智能诊断分析方法和系统 | |
CN112199367B (zh) | 一种长时间尺度功率平衡校验和大数据分析方法及系统 | |
CN112035544B (zh) | 一种配电网数据异常监测和诊断方法 | |
CA2239679A1 (en) | A method and apparatus for forecasting future values of a time series | |
CN112688428B (zh) | 一种基于物联网技术的10千伏电网同期线损治理方法 | |
CN114529425A (zh) | 一种智能电量修复系统 | |
CN104951846A (zh) | 微电网短期功率和负荷预测系统及误差分类动态修正方法 | |
CN113176458B (zh) | 一种针对数据不完整的低压台区相户关系识别方法 | |
CN116365536B (zh) | 一种基于电力配电的低压无功精准性补偿方法 | |
CN113033953A (zh) | 一种基于大数据的用户侧需求响应决策建议方法 | |
CN117332215B (zh) | 一种高低压配电柜异常故障信息远程监测系统 | |
Zhou et al. | Consumer phase identification under incomplete data condition with dimensional calibration | |
CN108629701B (zh) | 一种电网多级调度数据整合方法 | |
CN109783553A (zh) | 一种配电网海量数据质量提升系统 | |
CN112787878B (zh) | 一种网络指标的预测方法及电子设备 | |
CN115660631A (zh) | 一种基于修正权重故障树模型的配电终端状态评估方法 | |
CN111537941B (zh) | 具有广域分析功能的电压互感器计量异常在线监测系统及方法 | |
CN114037138A (zh) | 基于双层分解和深度学习的地铁短时进站客流预测系统及实施方法 | |
CN115049004B (zh) | 基于多源数据融合的配电网线损管理辅助决策系统 | |
CN116562917A (zh) | 一种电网售电量预测方法及售电管理系统 | |
CN115441590A (zh) | 一种电力采集能源管理系统及方法 | |
CN111586178B (zh) | 一种基于大数据的智能通信分配系统 | |
Menke | A comprehensive approach to implement monitoring and state estimation in distribution grids with a low number of measurements | |
CN117852678A (zh) | 一种多因素影响的全周期电力负荷分析与预测系统 |
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 |