CN115203274B - 一种配电变压器容量异常的大数据筛查系统 - Google Patents
一种配电变压器容量异常的大数据筛查系统 Download PDFInfo
- Publication number
- CN115203274B CN115203274B CN202210875005.3A CN202210875005A CN115203274B CN 115203274 B CN115203274 B CN 115203274B CN 202210875005 A CN202210875005 A CN 202210875005A CN 115203274 B CN115203274 B CN 115203274B
- Authority
- CN
- China
- Prior art keywords
- data
- transformer
- line loss
- electric quantity
- loss rate
- 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.)
- Active
Links
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 89
- 238000012216 screening Methods 0.000 title claims abstract description 65
- 238000009826 distribution Methods 0.000 title claims abstract description 38
- 238000000034 method Methods 0.000 claims abstract description 63
- 230000005611 electricity Effects 0.000 claims abstract description 48
- 238000004140 cleaning Methods 0.000 claims abstract description 18
- 238000007405 data analysis Methods 0.000 claims abstract description 18
- 238000003745 diagnosis Methods 0.000 claims abstract description 15
- 238000005516 engineering process Methods 0.000 claims abstract description 8
- 230000008859 change Effects 0.000 claims description 49
- 238000012544 monitoring process Methods 0.000 claims description 24
- 238000004458 analytical method Methods 0.000 claims description 13
- 238000011835 investigation Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 9
- 230000002596 correlated effect Effects 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 239000013642 negative control Substances 0.000 claims description 3
- 238000002360 preparation method Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000001360 synchronised effect Effects 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 230000005856 abnormality Effects 0.000 claims description 2
- 238000001514 detection method Methods 0.000 abstract description 3
- 230000006872 improvement Effects 0.000 description 9
- 238000004590 computer program Methods 0.000 description 7
- 238000011156 evaluation Methods 0.000 description 7
- 238000003860 storage Methods 0.000 description 7
- 238000007726 management method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 2
- 238000010835 comparative analysis Methods 0.000 description 2
- 230000000875 corresponding effect Effects 0.000 description 2
- 238000013210 evaluation model Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 230000017525 heat dissipation Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000003370 grooming effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Classifications
-
- 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
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2457—Query processing with adaptation to user needs
- G06F16/24573—Query processing with adaptation to user needs using data annotations, e.g. user-defined metadata
-
- 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
- G06F16/21—Design, administration or maintenance of databases
- G06F16/211—Schema design and management
-
- 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
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- 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
-
- 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
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Abstract
本发明涉及配电变压器容量评估技术领域，具体地说，涉及一种配电变压器容量异常的大数据筛查系统。包括：梳理营销电能数据和用户用电采集数据后，利用数据清洗技术重构用电数据库；对低标容量变压器特征进行分析，与用电数据库进行特征匹配；在特征数据库中，通过分析线损率波动产生根本原因，建立异常负荷自动诊断模块；利用异常负荷自动诊断模块，通过某种数据分析方法筛查存疑变压器用户。本发明设计可实现企业有效把控和监管变压器，减少人工筛查，减少变压器容量检测的无效工作量；同时化被动为主动，对大工业用户用电负荷特性进行实时监测，对变压器容量进行查询和异常分析，规避电网企业在基本电价上的损失。
Description
技术领域
本发明涉及配电变压器容量评估技术领域，具体地说，涉及一种配电变压器容量异常的大数据筛查系统。
背景技术
随着电网数字化建设的推行，厂站电能采集终端、配变监测计量终端、负荷管理终端等智能终端的普及率大幅提高，电力系统正朝着“全面客观、精确可测、高度可控”的目标发展，利用大数据技术进行配电变压器的容量异常检测和筛查也成为可能。
公开号为CN108663651A的发明专利公开了一种基于多源数据融合的智能电能表运行状态评价系统，包括：多源数据采集模块，用于获取与智能电能表运行状态相关的多源数据，多源数据包括营销业务应用系统数据、用电信息采集数据和计量生产调度平台数据；数据清洗模块，用于对采集的多源数据进行清洗处理，形成清洗数据库；分析评价模型存储模块，用于存储与智能电能表运行状态相关的状态评价指标、相应权重及电能表状态评分策略；分析评价模块，用于调用与分析评价模型存储模块中状态评价指标、相应权重及电能表状态评分策略，基于清洗处理后的多源数据对智能电能表运行状态进行评价，获得评价结果。公开号为CN114329100A的发明专利公开了基于回路电流监测的区域电量管理系统，包括依次连接的无线电流传感器、数据采集模块及后台主机模块；所述无线电流传感器用于采集三相电流数据并将采集三相电流数据通过无线传输的方式发送给数据采集模块；所述数据采集模块用于对三相电流数据进行预处理并将预处理后的有效三相电流数据发送给后台主机模块；所述后台主机模块用于接收所述有效三相电流数据，调用算法计算线损和线损率，根据计算结果进行对比分析，根据对比分析结果进行数据展示和预警。
虽然上述技术方案均可以在一定程度上实现对智能电能表运行状态的评价并实现电能管理，但二者在运行过程中仍然存在没有通过精确比对来筛选怀疑对象的局限，导致异常对象的筛选识别精度不高。鉴于此，我们提出了一种配电变压器容量异常的大数据筛查系统。
发明内容
本发明的目的在于提供一种配电变压器容量异常的大数据筛查系统，以解决上述背景技术中提出的问题。
为实现上述技术问题的解决，本发明的目的之一在于，提供了一种配电变压器容量异常的大数据筛查系统，该系统的筛查流程包括如下步骤：
S1、梳理营销电能数据和用户用电采集数据后，利用数据清洗技术重构用电数据库；
S2、对低标容量变压器特征进行分析，与用电数据库进行特征匹配；
S3、在特征数据库中，通过分析线损率波动产生根本原因，建立异常负荷自动诊断模块；
S4、利用异常负荷自动诊断模块，通过某种数据分析方法筛查存疑变压器用户。
作为本技术方案的进一步改进，所述步骤S1中，梳理营销电能数据和用户用电采集数据具体包括但不限于以下内容：
首先清理计划安排、收集资料、组织培训、清理资源准备，然后通过营销系统与用电采集系统、用户档案的比对结果，对有存疑用户现场修改用户信息，完善客户的电子化档案共用电合同；
其中，存疑用户的识别方法为：根据营销系统用户的电压等级、行业分类、供电线路、合同容量和变压器特性等信息，结合用电采集系统的计量点编号、变压器编号、变压器工作中的电压电流曲线和负荷曲线等信息，与用户档案信息比对结果，确定有信息差异的存疑用户；
其中，变压器特征包括但不限于：体积、散热面积、空负载损耗、短路阻抗和直流电阻；
同时，利用数据清洗技术重构用电数据库具体包括但不限于以下内容：
根据现有的营销系统、用电采集系统等数据集，将数据集合当中与实际业务逻辑不相符合的错误，以及重复、多源数据逻辑不一致性等情况清洗，构建高质量的数据库，以供不同的信息系统使用，实现数据资源的高度共享。
作为本技术方案的进一步改进，所述步骤S2中，对低标容量变压器特征进行分析，与用电数据库进行特征匹配的具体方法为：
对配变低标容量变压器的包括但不限于电压、电流、负荷情况及空/负载损耗的用电特征，利用现有的配变智能终端，基于电压、电流采样和负荷情况，在不停电的情况下近似获取配变空载损耗、负载损耗，提取关键特征参数，并与用电数据库进行特征匹配以建立特征匹配数据库。
作为本技术方案的进一步改进，所述步骤S2中，特征匹配的具体算法流程包括：
已知低标容量变压器用电特征为：电压、电流和负荷曲线，空载损耗和负载损耗；
对电压、电流和负荷曲线，设曲线的特征值为(x1,x2,…,xk)，那么对于进行分析的低标容量变压器库，对应着曲线特征值的取值范围(X1,X2,…,Xk)，其中X1＝[x1min,x1max],x2＝[x2min,x2max],…,Xk＝[xkmin,xkmax]；
对空/负载损耗，设空载损耗、负载损耗分别为：Po,Pc，那么对于进行分析的低标容量变压器库，对应着空/负载损耗的取值范围：P1＝[Pomin,Pomax]，P2＝[Pcmin,Pcmax]；
即完成特征匹配。
作为本技术方案的进一步改进，所述步骤S3中，分析线损率波动产生根本原因的具体方法为：
S3.1、首先界定引起线损率波动的因素是偶然因素还是必然因素；
S3.2、如果引起线损率波动的因素是必然因素，则通过必要的数据排查确定引起线损率波动的根本原因。
作为本技术方案的进一步改进，所述步骤S3.1中，界定引起线损率波动的因素是偶然因素还是必然因素的具体方法为：
对于分线线损率波动而言，线损率连续三日超出控制线的馈线、线损率在控制线内连续三个月向同一个方向偏移的馈线、线损率长期不合格的馈线均被定义为由必然因素引起的波动；
对于分台区线损率波动而言，线损率由合格变化为不合格的台区、线损率由不合格变化为合格的台区、线损率在控制线内连续三个周期向同一个方向偏移的台区、线损率长期不合格的台区均被定义为由必然因素引起的波动。
其中，所述线损率为线损电量占供电量的百分比称为线路损失率，可以利用供电量和售电量之差计算。
作为本技术方案的进一步改进，所述步骤S3.2中，通过必要的数据排查确定引起线损率波动的根本原因，其中，必要的数据包括但不限于：
对于馈线而言，需要采集的数据包括站线变户总体情况、关口表运行情况、负控/配变运行情况、转供电(负荷调整)情况、两票操作情况；
对于台区而言，需要采集的数据包括台区关口表(总表)运行情况、抄表反馈情况、互感器倍率是否异常、用户(表计)业务办理情况。
作为本技术方案的进一步改进，所述步骤S4中，利用异常负荷自动诊断模块，通过某种数据分析方法筛查存疑变压器用户，其中，数据分析方法具体为：
S4.1、对于馈线而言，包括通过线损率变化拐点与用户电量变化精确比对筛选怀疑对象、通过线损电量与怀疑对象电量变化(同比/环比)精确比对确定异常对象、通过现场侦查数据与后台实时监控数据精确比对锁定异常对象；
S4.2、对于台区而言，包括通过台区线损率变化拐点与全部三相表电量变化精确比对筛选怀疑对象、通过线损电量变化与怀疑对象电量变化(同比/环比)精确比对确定异常对象、通过现场侦察数据与后台实时监控数据精确比对锁定异常对象。
作为本技术方案的进一步改进，所述步骤S4.1中，对于馈线而言的具体数据分析方法包括：
通过线损率变化拐点与用户电量变化精确比对筛选怀疑对象的具体方法为：确定线损率变化拐点时间节点，获取同期用户电量数据，根据用户电量数据，计算用户电量数据特征值，通过与用电数据库进行对比，筛选怀疑对象；
通过线损电量与怀疑对象电量变化(同比/环比)精确比对确定异常对象的具体方法为：锁定怀疑对象之后，调取怀疑对象一段时间的用电数据，当线损电量与怀疑对象电量出现同比/环比曲线正相关或曲线反相关时，即可确定异常对象；
通过现场侦查数据与后台实时监控数据精确比对锁定异常对象的具体方法为：确定异常对象之后，到现场对异常对象所设计变压器容量做进一步校核，和后台实时电压、电流和负荷的监控数据，作为变压器容量异常的证据。
作为本技术方案的进一步改进，所述步骤S4.2中，对于台区而言的具体数据分析方法包括：
通过台区线损率变化拐点与全部三相表电量变化精确比对筛选怀疑对象的具体方法为：确定台区线损率变化拐点时间节点，获取同期全部三相表电量数据，根据用户电量数据，计算三相表电量数据特征值，通过与用电数据库进行对比，筛选怀疑对象；
通过线损电量变化与怀疑对象电量变化(同比/环比)精确比对确定异常对象的具体方法为：锁定怀疑对象之后，调取怀疑对象三相表一段时间的用电数据，当线损电量与怀疑对象三相表电量出现同比/环比曲线正相关或曲线反相关时，即可确定异常对象。
通过现场侦察数据与后台实时监控数据精确比对锁定异常对象的具体方法为：确定异常对象之后，到现场对异常对象所设计变压器容量做进一步校核，和后台实时电压、电流和负荷的监控数据，作为变压器容量异常的证据。
本发明的目的之二在于，提供了一种配电变压器容量异常的大数据筛查系统运行平台装置，包括处理器、存储器以及存储在存储器中并在处理器上运行的计算机程序，处理器用于执行计算机程序时实现上述的配电变压器容量异常的大数据筛查系统的筛查流程步骤。
本发明的目的之三在于，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述的配电变压器容量异常的大数据筛查系统的筛查流程步骤。
与现有技术相比，本发明的有益效果：
1.该配电变压器容量异常的大数据筛查系统中，可以实现对智能电能表运行状态的评价并实现电能管理，通过精确比对来筛选怀疑对象，提高异常对象的筛选识别精度；
2.该配电变压器容量异常的大数据筛查系统中，可实现企业有效把控和监管变压器，减少人工筛查，减少变压器容量检测的无效工作量；同时化被动为主动，对大工业用户用电负荷特性进行实时监测，对变压器容量进行查询和异常分析，规避电网企业在基本电价上的损失。
附图说明
图1为本发明中示例性的配电变压器容量异常的大数据筛查系统流程框图；
图2为本发明中示例性的用户资料梳理流程框图；
图3为本发明中示例性的重构用电数据库流程框图；
图4为本发明中示例性的电子计算机平台装置结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例1
如图1-图4所示，本实施例提供了一种配电变压器容量异常的大数据筛查系统。
如图1所示，该系统的筛查流程包括如下步骤：
S1、梳理营销电能数据和用户用电采集数据后，进行专变用户档案对比，专变台台账信息对比，然后利用数据仓库技术和数据清洗技术重构用电数据库；
S2、对低标容量变压器特征进行分析，提取关键特征参数，建立特征匹配数据库，与用电数据库进行特征匹配；
S3、在特征数据库中，通过分析线损率波动产生根本原因，通过线损率进行筛选和用户日用电量的比对分析，建立异常负荷自动诊断模块；
S4、利用异常负荷自动诊断模块，通过某种数据分析方法筛查存疑变压器用户，如经过信息采集、数据筛选、处理分析、快速判断等过程，对虚标容量变压器的用户快速筛选出来。
如图2所示，本实施例中，步骤S1中，梳理营销电能数据和用户用电采集数据具体包括但不限于以下内容：
首先清理计划安排、收集资料、组织培训、清理资源准备，然后通过营销系统与用电采集系统、用户档案的比对结果，对有存疑用户现场修改用户信息，完善客户的电子化档案共用电合同；
其中，存疑用户的识别方法为：根据营销系统用户的电压等级、行业分类、供电线路、合同容量和变压器特性等信息，结合用电采集系统的计量点编号、变压器编号、变压器工作中的电压电流曲线和负荷曲线等信息，与用户档案信息比对结果，确定有信息差异的存疑用户；
其中，变压器特征包括但不限于：体积、散热面积、空负载损耗、短路阻抗和直流电阻；
同时，如图3所示，利用数据清洗技术重构用电数据库具体包括但不限于以下内容：
根据现有的营销系统、用电采集系统等数据集，将数据集合当中与实际业务逻辑不相符合的错误，以及重复、多源数据逻辑不一致性等情况清洗，构建高质量的数据库，以供不同的信息系统使用，实现数据资源的高度共享。
本实施例中，步骤S2中，对低标容量变压器特征进行分析，与用电数据库进行特征匹配的具体方法为：
对配变低标容量变压器的包括但不限于电压、电流、负荷情况及空/负载损耗的用电特征，利用现有的配变智能终端，基于电压、电流采样和负荷情况，在不停电的情况下近似获取配变空载损耗、负载损耗，提取关键特征参数，并与用电数据库进行特征匹配以建立特征匹配数据库。
进一步地，步骤S2中，特征匹配的具体算法流程包括：
已知低标容量变压器用电特征为：电压、电流和负荷曲线，空载损耗和负载损耗；
对电压、电流和负荷曲线，设曲线的特征值为(x1,x2,…,xk)，那么对于进行分析的低标容量变压器库，对应着曲线特征值的取值范围(X1,X2,…,Xk)，其中X1＝[x1min,x1max],X2＝[x2min,x2max],…,Xk＝[xkmin,xkmax]；
对空/负载损耗，设空载损耗、负载损耗分别为：Po,Pc，那么对于进行分析的低标容量变压器库，对应着空/负载损耗的取值范围：P1＝[Pomin,Pomax]，P2＝[Pcmin,Pcmax]；
即完成特征匹配。
本实施例中，步骤S3中，分析线损率波动产生根本原因的具体方法为：
S3.1、首先界定引起线损率波动的因素是偶然因素还是必然因素；
S3.2、如果引起线损率波动的因素是必然因素，则通过必要的数据排查确定引起线损率波动的根本原因。
进一步地，步骤S3.1中，界定引起线损率波动的因素是偶然因素还是必然因素的具体方法为：
对于分线线损率波动而言，线损率连续三日超出控制线的馈线、线损率在控制线内连续三个月向同一个方向偏移的馈线、线损率长期不合格的馈线均被定义为由必然因素引起的波动；
对于分台区线损率波动而言，线损率由合格变化为不合格的台区、线损率由不合格变化为合格的台区、线损率在控制线内连续三个周期向同一个方向偏移的台区、线损率长期不合格的台区均被定义为由必然因素引起的波动。
其中，线损率为线损电量占供电量的百分比称为线路损失率，可以利用供电量和售电量之差计算。
进一步地，步骤S3.2中，通过必要的数据排查确定引起线损率波动的根本原因，其中，必要的数据包括但不限于：
对于馈线而言，需要采集的数据包括站线变户总体情况、关口表运行情况、负控/配变运行情况、转供电(负荷调整)情况、两票操作情况；
对于台区而言，需要采集的数据包括台区关口表(总表)运行情况、抄表反馈情况、互感器倍率是否异常、用户(表计)业务办理情况。
本实施例中，步骤S4中，利用异常负荷自动诊断模块，通过某种数据分析方法筛查存疑变压器用户，其中，数据分析方法具体为：
S4.1、对于馈线而言，包括通过线损率变化拐点与用户电量变化精确比对筛选怀疑对象、通过线损电量与怀疑对象电量变化(同比/环比)精确比对确定异常对象、通过现场侦查数据与后台实时监控数据精确比对锁定异常对象；
S4.2、对于台区而言，包括通过台区线损率变化拐点与全部三相表电量变化精确比对筛选怀疑对象、通过线损电量变化与怀疑对象电量变化(同比/环比)精确比对确定异常对象、通过现场侦察数据与后台实时监控数据精确比对锁定异常对象及台区分表历史电量趋势分析。
进一步地，步骤S4.1中，对于馈线而言的具体数据分析方法包括：
通过线损率变化拐点与用户电量变化精确比对筛选怀疑对象的具体方法为：确定线损率变化拐点时间节点，获取同期用户电量数据，根据用户电量数据，计算用户电量数据特征值，通过与用电数据库进行对比，筛选怀疑对象；
通过线损电量与怀疑对象电量变化(同比/环比)精确比对确定异常对象的具体方法为：锁定怀疑对象之后，调取怀疑对象一段时间的用电数据，当线损电量与怀疑对象电量出现同比/环比曲线正相关或曲线反相关时，即可确定异常对象；
通过现场侦查数据与后台实时监控数据精确比对锁定异常对象的具体方法为：确定异常对象之后，到现场对异常对象所设计变压器容量做进一步校核，和后台实时电压、电流和负荷的监控数据，作为变压器容量异常的证据。
进一步地，步骤S4.2中，对于台区而言的具体数据分析方法包括：
通过台区线损率变化拐点与全部三相表电量变化精确比对筛选怀疑对象的具体方法为：确定台区线损率变化拐点时间节点，获取同期全部三相表电量数据，根据用户电量数据，计算三相表电量数据特征值，通过与用电数据库进行对比，筛选怀疑对象；
通过线损电量变化与怀疑对象电量变化(同比/环比)精确比对确定异常对象的具体方法为：锁定怀疑对象之后，调取怀疑对象三相表一段时间的用电数据，当线损电量与怀疑对象三相表电量出现同比/环比曲线正相关或曲线反相关时，即可确定异常对象。
通过现场侦察数据与后台实时监控数据精确比对锁定异常对象的具体方法为：确定异常对象之后，到现场对异常对象所设计变压器容量做进一步校核，和后台实时电压、电流和负荷的监控数据，作为变压器容量异常的证据。
为了验证本技术方案的可行性及有效性，则将其与上述公开号为CN108663651A的对比文件1(一种基于多源数据融合的智能电能表运行状态评价系统)和公开号为CN114329100A的对比文件2(基于回路电流监测的区域电量管理系统)进行对比分析，具体内容包括：
对比文件1公开了运行流程：获取多源数据，对采集的多源数据进行清洗处理，形成清洗数据库；其中，多源数据包括营销业务应用系统数据、用电信息采集数据和计量生产调度平台数据(相当于本技术方案中步骤S1的梳理营销电能数据和用户用电采集数据后，利用数据清洗技术重构用电数据库)，因此，对比文件1与本技术方案存在如下区别技术特征：
1)步骤S2的低标容量变压器特征分析，与用电数据库进行特征匹配；
2)步骤S3的在特征数据库中，通过分析线损率波动产生根本原因，建立异常负荷自动诊断模块；具体地，分析线损率波动产生根本原因的方法为：首先界定引起线损率波动的因素是偶然因素还是必然因素，如果引起线损率波动的因素是必然因素，通过必要的数据排查确定引起线损率波动根本原因。上述界定引起线损率波动的因素是偶然因素还是必然因素的方法为：对于分线线损率波动而言，线损率连续三日超出控制线的馈线、线损率在控制线内连续三个月向同一个方向偏移的馈线、线损率长期不合格的馈线均被定义为由必然因素引起的波动；对于分台区线损率波动而言，线损率由合格变化为不合格的台区、线损率由不合格变化为合格的台区、线损率在控制线内连续三个周期向同一个方向偏移的台区、线损率长期不合格的台区均被定义为由必然因素引起的波动。其中所述线损率为线损电量占供电量的百分比称为线路损失率，可以利用供电量和售电量之差计算。具体分析为：对于馈线而言，包括通过线损率变化拐点与用户电量变化精确比对筛选怀疑对象、通过线损电量与怀疑对象电量变化(同比/环比)精确比对确定异常对象、通过现场侦查数据与后台实时监控数据精确比对锁定异常对象；对于台区而言，包括通过台区分表全数据精确比对筛选怀疑对象、通过台区线损率变化拐点与全部三相表电量变化精确比对筛选怀疑对象、通过线损电量变化与怀疑对象电量变化(同比/环比)精确比对确定异常对象、台区分表历史电量趋势分析。
3)步骤S4的利用异常负荷自动诊断模块，通过某种数据分析方法筛查存疑变压器用户。
对比文件2公开了：通过计算线损和线损率进行对比分析，根据对比分析结果进行数据展示和预警。但对比文件2并未涉及到线损率变化拐点与用户电量变化精确比对，因此并未公开本技术方案中对于馈线而言，通过线损率变化拐点与用户电量变化精确比对筛选怀疑对象、通过线损电量与怀疑对象电量变化(同比/环比)精确比对确定异常对象、通过现场侦查数据与后台实时监控数据精确比对锁定异常对象；对于台区而言，通过台区分表全数据精确比对筛选怀疑对象、通过台区线损率变化拐点与全部三相表电量变化精确比对筛选怀疑对象、通过线损电量变化与怀疑对象电量变化(同比/环比)精确比对确定异常对象、台区分表历史电量趋势分析。
本技术方案中，建立异常负荷自动诊断模块后，利用异常负荷自动诊断模块通过某种数据分析方法筛查存疑变压器用户是不难想到的。
综上可知，对比文件1结合对比文件2以及常用手段，本技术方案与对比文件1、对比文件2具有以下区别技术特征：
通过线损率变化拐点与用户电量变化精确比对筛选怀疑对象、通过线损电量与怀疑对象电量变化(同比/环比)精确比对确定异常对象、通过现场侦查数据与后台实时监控数据精确比对锁定异常对象；对于台区而言，通过台区分表全数据精确比对筛选怀疑对象、通过台区线损率变化拐点与全部三相表电量变化精确比对筛选怀疑对象、通过线损电量变化与怀疑对象电量变化(同比/环比)精确比对确定异常对象、台区分表历史电量趋势分析。
如图4所示，本实施例还提供了一种配电变压器容量异常的大数据筛查系统运行平台装置，该装置包括处理器、存储器以及存储在存储器中并在处理器上运行的计算机程序。
处理器包括一个或一个以上处理核心，处理器通过总线与存储器相连，存储器用于存储程序指令，处理器执行存储器中的程序指令时实现上述的配电变压器容量异常的大数据筛查系统的筛查流程步骤。
可选的，存储器可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随时存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。
此外，本发明还提供一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时实现上述的配电变压器容量异常的大数据筛查系统的筛查流程步骤。
可选的，本发明还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述各方面配电变压器容量异常的大数据筛查系统的筛查流程步骤。
本领域普通技术人员可以理解，实现上述实施例的全部或部分步骤的过程可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，程序可以存储于计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
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仅为本发明的优选例，并不用来限制本发明，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 (4)
1.一种配电变压器容量异常的大数据筛查系统，其特征在于：该系统的筛查流程包括如下步骤：
S1、梳理营销电能数据和用户用电采集数据后，利用数据清洗技术重构用电数据库；
S2、对低标容量变压器特征进行分析，与用电数据库进行特征匹配；
S3、在特征数匹配据库中，通过分析线损率波动产生根本原因，建立异常负荷自动诊断模块；
S4、利用异常负荷自动诊断模块，通过数据分析方法筛查存疑变压器用户；
所述步骤S2中，对低标容量变压器特征进行分析，与用电数据库进行特征匹配的具体方法为：
对配变低标容量变压器的包括但不限于电压、电流、负荷情况及空/负载损耗的用电特征，利用现有的配变智能终端，基于电压、电流采样和负荷情况，在不停电的情况下近似获取配变空载损耗、负载损耗，提取关键特征参数，并与用电数据库进行特征匹配以建立特征匹配数据库；
所述步骤S2中，特征匹配的具体算法流程包括：
已知低标容量变压器用电特征为：电压、电流和负荷曲线，空载损耗和负载损耗；
对电压、电流和负荷曲线，设曲线的特征值为(x1,x2,…,xk)，那么对于进行分析的低标容量变压器库，对应着曲线特征值的取值范围(X1,X2,…,Xk)，其中X1＝[x1min,x1max],X2＝[x2min,x2max],…,Xk＝[xkmin,xkmax]；
对空/负载损耗，设空载损耗、负载损耗分别为：Po,Pc，那么对于进行分析的低标容量变压器库，对应着空/负载损耗的取值范围：P1＝[Pomin,Pomax]，P2＝[Pcmin,Pcmax]；
即完成特征匹配；
所述步骤S3中，分析线损率波动产生根本原因的具体方法为：
S3.1、首先界定引起线损率波动的因素是偶然因素还是必然因素；
S3.2、如果引起线损率波动的因素是必然因素，则通过数据排查确定引起线损率波动的根本原因；
所述步骤S4中，利用异常负荷自动诊断模块，通过数据分析方法筛查存疑变压器用户，其中，数据分析方法具体为：
S4.1、对于馈线而言，包括通过线损率变化拐点与用户电量变化精确比对筛选怀疑对象、通过线损电量与怀疑对象电量变化精确比对确定异常对象、通过现场侦查数据与后台实时监控数据精确比对锁定异常对象；
S4.2、对于台区而言，包括通过台区线损率变化拐点与全部三相表电量变化精确比对筛选怀疑对象、通过线损电量变化与怀疑对象电量变化精确比对确定异常对象、通过现场侦察数据与后台实时监控数据精确比对锁定异常对象；
所述步骤S4.1中，对于馈线而言的具体数据分析方法包括：
通过线损率变化拐点与用户电量变化精确比对筛选怀疑对象的具体方法为：确定线损率变化拐点时间节点，获取同期用户电量数据，根据用户电量数据，计算用户电量数据特征值，通过与用电数据库进行对比，筛选怀疑对象；
通过线损电量与怀疑对象电量变化精确比对确定异常对象的具体方法为：锁定怀疑对象之后，调取怀疑对象一段时间的用电数据，当线损电量与怀疑对象电量出现同比/环比曲线正相关或曲线反相关时，即可确定异常对象；
通过现场侦查数据与后台实时监控数据精确比对锁定异常对象的具体方法为：确定异常对象之后，到现场对异常对象所设计变压器容量做进一步校核，和后台实时电压、电流和负荷的监控数据，作为变压器容量异常的证据；
所述步骤S4.2中，对于台区而言的具体数据分析方法包括：
通过台区线损率变化拐点与全部三相表电量变化精确比对筛选怀疑对象的具体方法为：确定台区线损率变化拐点时间节点，获取同期全部三相表电量数据，根据用户电量数据，计算三相表电量数据特征值，通过与用电数据库进行对比，筛选怀疑对象；
通过线损电量变化与怀疑对象电量变化精确比对确定异常对象的具体方法为：锁定怀疑对象之后，调取怀疑对象三相表一段时间的用电数据，当线损电量与怀疑对象三相表电量出现同比/环比曲线正相关或曲线反相关时，即可确定异常对象；
通过现场侦察数据与后台实时监控数据精确比对锁定异常对象的具体方法为：确定异常对象之后，到现场对异常对象所设计变压器容量做进一步校核，和后台实时电压、电流和负荷的监控数据，作为变压器容量异常的证据。
2.根据权利要求1所述的配电变压器容量异常的大数据筛查系统，其特征在于：所述步骤S1中，梳理营销电能数据和用户用电采集数据具体包括但不限于以下内容：
首先清理计划安排、收集资料、组织培训、清理资源准备，然后通过营销系统与用电采集系统、用户档案的比对结果，对有存疑用户现场修改用户信息，完善客户的电子化档案共用电合同；
同时，利用数据清洗技术重构用电数据库具体包括但不限于以下内容：
根据现有的营销系统、用电采集系统数据集，将数据集合当中与实际业务逻辑不相符合的错误，以及重复、多源数据逻辑不一致性情况清洗，构建高质量的数据库，以供不同的信息系统使用，实现数据资源的高度共享。
3.根据权利要求1所述的配电变压器容量异常的大数据筛查系统，其特征在于：所述步骤S3.1中，界定引起线损率波动的因素是偶然因素还是必然因素的具体方法为：
对于分线线损率波动而言，线损率连续三日超出控制线的馈线、线损率在控制线内连续三个月向同一个方向偏移的馈线、线损率长期不合格的馈线均被定义为由必然因素引起的波动；
对于分台区线损率波动而言，线损率由合格变化为不合格的台区、线损率由不合格变化为合格的台区、线损率在控制线内连续三个周期向同一个方向偏移的台区、线损率长期不合格的台区均被定义为由必然因素引起的波动。
4.根据权利要求3所述的配电变压器容量异常的大数据筛查系统，其特征在于：所述步骤S3.2中，通过数据排查确定引起线损率波动的根本原因，其中，数据包括但不限于：
对于馈线而言，需要采集的数据包括站线变户总体情况、关口表运行情况、负控/配变运行情况、转供电情况、两票操作情况；
对于台区而言，需要采集的数据包括台区关口表运行情况、抄表反馈情况、互感器倍率是否异常、用户业务办理情况。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210875005.3A CN115203274B (zh) | 2022-07-25 | 2022-07-25 | 一种配电变压器容量异常的大数据筛查系统 |
| JP2023119122A JP2024015999A (ja) | 2022-07-25 | 2023-07-21 | 配電変圧器の異常容量に対するビッグデータ・スクリーニング・システム |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210875005.3A CN115203274B (zh) | 2022-07-25 | 2022-07-25 | 一种配电变压器容量异常的大数据筛查系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115203274A CN115203274A (zh) | 2022-10-18 |
| CN115203274B true CN115203274B (zh) | 2023-12-26 |
Family
ID=83584049
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210875005.3A Active CN115203274B (zh) | 2022-07-25 | 2022-07-25 | 一种配电变压器容量异常的大数据筛查系统 |
Country Status (2)
| Country | Link |
|---|---|
| JP (1) | JP2024015999A (zh) |
| CN (1) | CN115203274B (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105590166A (zh) * | 2015-12-16 | 2016-05-18 | 国家电网公司 | 一种配电网中专变供电用户用电行为分析判断方法 |
| CN108663651A (zh) * | 2018-05-04 | 2018-10-16 | 国网上海市电力公司 | 一种基于多源数据融合的智能电能表运行状态评价系统 |
| 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 |
| CN111178663A (zh) * | 2019-11-15 | 2020-05-19 | 国网甘肃省电力公司 | 一种配电网全域大数据的设备状态诊断方法 |
| CN111781463A (zh) * | 2020-06-25 | 2020-10-16 | 国网福建省电力有限公司 | 一种台区线损异常辅助诊断方法 |
| CN111784042A (zh) * | 2020-06-28 | 2020-10-16 | 佛山市南海区公共安全技术研究院 | 一种用电节点安全风险预测方法、装置及存储介质 |
| CN113687293A (zh) * | 2021-07-28 | 2021-11-23 | 贵州电网有限责任公司 | 基于大数据的线损异常智能分析方法 |
| CN114329100A (zh) * | 2021-12-10 | 2022-04-12 | 大庆高新区中环电力控制系统有限公司 | 基于回路电流监测的区域电量管理系统 |
| WO2022110558A1 (zh) * | 2020-11-25 | 2022-06-02 | 国网湖南省电力有限公司 | 一种智能电能表故障预警方法及装置 |
| CN114723234A (zh) * | 2022-03-17 | 2022-07-08 | 云南电网有限责任公司电力科学研究院 | 变压器容量瞒报识别方法、系统、计算机设备和存储介质 |
-
2022
- 2022-07-25 CN CN202210875005.3A patent/CN115203274B/zh active Active
-
2023
- 2023-07-21 JP JP2023119122A patent/JP2024015999A/ja active Pending
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105590166A (zh) * | 2015-12-16 | 2016-05-18 | 国家电网公司 | 一种配电网中专变供电用户用电行为分析判断方法 |
| CN108663651A (zh) * | 2018-05-04 | 2018-10-16 | 国网上海市电力公司 | 一种基于多源数据融合的智能电能表运行状态评价系统 |
| 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 |
| CN111178663A (zh) * | 2019-11-15 | 2020-05-19 | 国网甘肃省电力公司 | 一种配电网全域大数据的设备状态诊断方法 |
| CN111781463A (zh) * | 2020-06-25 | 2020-10-16 | 国网福建省电力有限公司 | 一种台区线损异常辅助诊断方法 |
| CN111784042A (zh) * | 2020-06-28 | 2020-10-16 | 佛山市南海区公共安全技术研究院 | 一种用电节点安全风险预测方法、装置及存储介质 |
| WO2022110558A1 (zh) * | 2020-11-25 | 2022-06-02 | 国网湖南省电力有限公司 | 一种智能电能表故障预警方法及装置 |
| CN113687293A (zh) * | 2021-07-28 | 2021-11-23 | 贵州电网有限责任公司 | 基于大数据的线损异常智能分析方法 |
| CN114329100A (zh) * | 2021-12-10 | 2022-04-12 | 大庆高新区中环电力控制系统有限公司 | 基于回路电流监测的区域电量管理系统 |
| CN114723234A (zh) * | 2022-03-17 | 2022-07-08 | 云南电网有限责任公司电力科学研究院 | 变压器容量瞒报识别方法、系统、计算机设备和存储介质 |
Non-Patent Citations (2)
| Title |
|---|
| Linna Ni et al..A Knowledge Base-based Method for Line Loss Abnormality Diagnosis in Station Area and Automatic Generation of Loss Reduction Measures .《CCME2021》.2021,第1-7页. * |
| 万泉 等.基于用电行为分析的绕越窃电识别研究 .《2021电力行业信息化年会论文集》.2021,第358页. * |
Also Published As
| Publication number | Publication date |
|---|---|
| JP2024015999A (ja) | 2024-02-06 |
| CN115203274A (zh) | 2022-10-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN103455855B (zh) | 一种基于用电信息数据分析的反间歇性窃电检测方法 | |
| CN110222991B (zh) | 基于rf-gbdt的计量装置故障诊断方法 | |
| CN110659273A (zh) | 分布式大数据采集平台的数据异常监控及修复方法 | |
| CN111008193B (zh) | 一种数据清洗与质量评价方法及系统 | |
| CN110532505A (zh) | 一种电表失准率的计算方法 | |
| CN111008778A (zh) | 一种台区计量点异常诊断方法及系统 | |
| CN109345076A (zh) | 一种全过程工程咨询项目风险管理方法 | |
| CN113487447A (zh) | 一种基于大数据的配电网负荷预测及线损成因分析方法 | |
| CN111612326A (zh) | 一种配变供电可靠性的综合评估方法 | |
| Xue et al. | Adaptive ultra-short-term wind power prediction based on risk assessment | |
| CN114943565A (zh) | 基于智能算法的电力现货价格预测方法及装置 | |
| CN116402187A (zh) | 一种基于电力大数据的企业排污预测方法 | |
| CN115759708A (zh) | 一种考虑电力时空分布特性的线损分析方法及系统 | |
| CN110555619A (zh) | 一种基于智能配电网的供电能力评估方法 | |
| CN114202179A (zh) | 目标企业的识别方法以及装置 | |
| CN115203274B (zh) | 一种配电变压器容量异常的大数据筛查系统 | |
| CN113095931A (zh) | 贷后风险监控方法、装置及计算机设备 | |
| CN117371788A (zh) | 一种电力营销风险预警方法及系统 | |
| CN115146715A (zh) | 用电安全隐患诊断方法、装置、设备及存储介质 | |
| CN112381440A (zh) | 电力营商环境的评价方法、装置、处理器和评价系统 | |
| Motepe et al. | Determining South African distribution power system big data integrity using fuzzy logic: Power measurements data application | |
| CN110261693A (zh) | 一种基于稳态采样技术的在线热力试验方法及系统 | |
| Chen et al. | Metering equipment running error estimation model based on genetic optimized LM algorithm | |
| Zeyong et al. | Risk Assessment Model and Experimental Analysis of Electric Power Production Based on Big Data | |
| CN107798124A (zh) | 基于预测建模技术的搜索系统及方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |