CN115719170A - 一种ai大数据下台区线损分析管理系统及方法 - Google Patents

Abstract

本发明公开了一种AI大数据下台区线损分析管理系统及方法，所述系统模型包括：数据采集模块，数据覆盖模块、数据分析模块。数据采集模块主要采集台区的基本用电信息和对电能表实现抄表信息采集；数据覆盖模块包括数据采集信息是否覆盖、计量检查是否覆盖、建档信息是否覆盖；数据分析模块将数据采集信息进行分析处理，建立线损模型，判断合格台区，不合格台区下负损台区和高损台区，对负损连续比例、覆盖率、抄通率、供电量、售电量、建档信息自动分析判断，得到处理结果，辅助线损治理，节省人力、物力，提高效率。

Description

一种AI大数据下台区线损分析管理系统及方法

技术领域

本发明属于线损治理领域，具体涉及一种AI大数据下台区线损分析管理系统及方法。

背景技术

线损(供出电能损耗)作为能够对电力行业产生重要影响的经济技术指标之一，是建设“一强三优”现代化供电企业的重要条件，决定了供电企业的可持续发展；线损大小直接反应电网结构的合理性。近年来，线损治理和管理备受用电企业关注，国网推出《国家电网公司农网线损指标管理工作暂定规定》，南网推出《中国南方电网有限责任公司线损管理方法》等管理规范。由于配电线路、低压线路的分支多、负荷量大、数据多、情况复杂，导致在线损计算处理中，数据的采集和处理量较大；同时，现随着电网规模的不断扩大，伴随着数据量的增加，其分析处理的难度增大。

传统的线损计算管理系统大多采用人工手动建模导入数据，计算范围覆盖小，计算准确度低，浪费人力、物力，效率低下，不利于台区线损管理；同时产生线损的原因较多，有总表异常现象，CT管理不当、选型问题，考核单元、计量点模型建错，三相负荷不平衡中性线损耗，计量点未覆盖、未采集现象，窃电问题，档案错乱等问题。因此，现阶段需要一种AI自动化分析的台区线损分析方法解决线损管理和分析面临的问题。

发明内容

本发明的目的是提供一种AI大数据下台区线损分析管理系统及方法，从而解决目前线损处理面临的问题，提高电力线损管理部门的工作效率的工作质量。

实现本发明目的的技术解决方案：本发明提供一种AI大数据下台区线损分析管理系统及方法，所述系统模型包括：数据采集模块，数据覆盖模块、数据分析模块。数据采集模块主要采集台区的基本用电信息和对电能表实现抄表信息采集；数据覆盖模块包括数据采集信息是否覆盖、计量检查是否覆盖、建档信息是否覆盖；数据分析模块将数据采集信息进行分析处理，建立线损模型，判断合格台区，不合格台区及其负损台区和高损台区，对负损连续比例、覆盖率、抄通率、供电量、售电量、建档信息分析判断，得到处理结果，辅助线损治理。

本发明的数据分析模型构建线损模型下判断条件表示满足台区损耗为0％-15％范围内为合格台区，超出所述范围表示不合格台区，同时，将负损台区和高损台区进行线损查找分析。

作为本发明的一种优选技术方案，具体的，所述数据分析模型在线损模型下判断台区不合格，对负损台区进行分析。

(1)分析负损连续比例；判断负损连续比例<2％，则分析结果为：台区线损不高，有可能计量装置误差不一致引起，请继续观察；判断负损连续比例>2％,则分析供电量；

(2)判断供电量的小于0，则表示总表未抄通，需检查历史记录抄通比率，

(3)分析抄通率，所述抄通率合格指标围为抄通率大于80％；判断抄通率不合格，则分析结果为：总表未抄通，显示已经连续的天数中未抄通的天数，需检查总表通信环境或更换运营商；判断抄通率合格，则分析结果为：总表未抄通，有可能是现场通信原因引起，请继续观察；

(4)判断供电量大于0，分析总表计量检查执行程度；判断没有进行总表计量检查，则分析结果为：负损台区，请对台区总表计量装置检查变比、接线、电能校验；判断已经进行总表计量检查，则分析结果为：台区总表已进行过计量检查，请导入最近7天本台区及同线路相邻台区计量信息，以进行计量点用电量变化与台区用电量比对，发现异常计量点，进行户变关系核查。

作为本发明的一种优选技术方案，具体的，所述数据分析模型在线损模型下判断台区不合格，对高损台区进行分析。

(1)分析检查的是否全部覆盖；覆盖率是否100％覆盖；检查判断覆盖率为100％，分析检查抄通率；覆盖率未达到100％覆盖时，进行导入台区覆盖率开始变化的两天计量点信息进行比较，判断建档信息的营销建档和采集建档信息；

(2)判断抄通率没有达到100％，查看历史抄通率；查找判断历史抄通率未存在100％的情况，则分析结果为：该台区从未有抄通率100％的情况，请导入台区近一段的计量点信息进行比较，查找影响抄通率表计；查找判断历史中存在100％情况，则分析结果显示最近一次抄通率为100％的日期，请继续观察；判断抄通率达到100％，需检查供电量与售电量变化是否一致，所述供电量减小包括：售电量减小大于供电量，售电量减小小于供电量减小和售电量增加；所述供电量增加包括：售电量增加小于供电量增加，售电量增加大于供电量增加和售电量减小；

(3)判断供电量与售电量变化一致，系统导入台区运行信息，结合台区线损导线线损模型，对导线线损变化量与供电量的变化进行计算，判断是否导线线损超出模型；判断导线线损超出模型，则分析结果为：台区线损异常增加，需检查线路或用户表计有无异常；判断导线线损未超出模型，则分析结果为：台区线损由于用电量的增加引起，请继续观察。判断供电量和售电量变化不一致，分析判断是否经过总表计量检查；未经过总表计量检查，则分析结果为：高损台区，需对台区总表计量装置检查变比，接线、电能校验；经过总表计量检查，则分析结果为：台区总表已经进行过计量检查，请导入最近7天的台区计量点信息进行计量点用电量变动与台区用电量对比，发现异常计量点，进行户变关系核查；

(4)判断营销建档大于采集建档，则分析结果为：检查有无在途工单进行；判断营销建档小于采集建档，则分析结果为：检查有无销户产生。

本发明与现有技术相比所达到的显著效果是：(1)本发明采用AI自动化分析，导入大数据建立线损管理模型，包括数据采集模型、数据覆盖模型、数据分析模型，避免人工导入数据建模，节省人力、物力；(2)本发明通过系统化的判断负损台区和高损台区，公开不同的分析判断流程，提高线损查找分析速度；(3)本发明数据分析包括负损连续比例分析、覆盖率分析、抄通率分析、历史抄通率分析、供电量分析、售电量分析、计量点信息分析、总表计量检查分析、营销建档分析、采集建档分析，通过全面的大数据分析，准确进行线损查找。

附图说明

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起做进一步的详细解释，但并不构成对本发明的限制。

图1为本发明整体系统模型构成示意图；

图2是本发明负损台区自动分析处理流程图；

图3为本发明高损台区自动分析处理流程图。

具体实施方式

在本发明的描述中，需要说明的是，术语“竖直”、“上”、“下”、“水平”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。

在本发明的描述中，还需要说明的是，除非另有明确的规定和限定，术语“设置”、“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。

如图1所示，本发明提供一种AI大数据下台区线损分析管理系统及方法，其特征在于，系统模型下包括数据采集模块、数据覆盖模块、数据分析模块。数据采集模块连接数据覆盖模块，数据覆盖模块连接数据分析模块，采集数据信息借助数据覆盖信息进行判断，数据分析模块在采集信息和信息覆盖程度下进行不同情况的判断分析。

所述数据采集模块包括台区信息采集、抄表信息采集，主要采集台区的基本用电信息和电能表的抄表信息，获取计量点的用电信息，为数据分析提供数据基础。

具体的，所述发明中数据采集模块采集台区信息包括台区名称、台区位置、台区编号、分支名称、分支编号、分支位置、计量点计量时间、计量数据、日用电量、月用电量、日线损、月线损。

所述数据覆盖模块包括计量检查的覆盖和建档信息的覆盖，覆盖率未达到100％的情况下，需要对建档信息下的账号信息和账号信息进行查看。查看是否有注销账户信息，或查看是否全部完成工单，对在途工单或计量检查未进行的信息进行判断识别。

所述数据分析模块针对存在的不合格台区进行分析，通过系统建立的线损分析模型，通过负损台区和高损台区判断，执行不同的自动分析路径判断出产生线损原因以及进行线损查找，给出检查结果和处理方法，辅助线损治理。

具体的，作为一种优选的实施方式，如图2所示负损台区自动化线损分析流程为：

步骤1：开始进行负损台区分析，判断负损连续比例是否<2％；

步骤1-1：负损连续比例<2％，分析结果为：台区线损不高，可能是计量装置误差不一致引起，给出下步指示，即检查计量检查或继续观察；

步骤1-2：负损连续比例不是<2％，判断供电量是否<0；

步骤2：供电量的<0，则表示总表未抄通，需检查历史记录抄通比率，判断抄通率是否>80％；

步骤2-1：判断抄通率>80％，分析结果为：总表未抄通，有可能是现场通信原因引起，给出下步指示，即表计记录通信因素或继续观察；

步骤2-2：判断抄通率不是>80％，显示已经连续的天数中未抄通的天数，分析结果为：总表未抄通，可能是总表通信环境影响，给出下步指示，即需检查总表通信环境或更换运营商；

步骤3：供电量大>0，分析总表计量检查执行程度，判断是否执行总表计量检查；

步骤3-1：已经进行总表计量检查，需导入最近7天本台区及同线路相邻台区计量信息，以进行计量点用电量变化与台区用电量比对，发现异常计量点，进行户变关系核查。

步骤3-2：没有进行总表计量检查，分析结果为：负损台区，需对台区总表计量装置检查，检查项目包括变比、接线、电能校验。

具体的，作为一种优选的实施方式，如图3所示高损台区自动化线损分析流程为：

步骤1：开始进行高损台区分析，判断覆盖率是否100％覆盖；

步骤2：检查判断覆盖率为100％，分析检查抄通率，判断是否达到100％抄通率；

步骤3：判断抄通率未达到100％，查看历史抄通率是否为100％；

步骤3-1：历史抄通率未存在100％的情况，导入台区近一段的计量点信息进行比较，查找影响抄通率表计；

步骤3-2：历史抄通率存在100％情况，则显示最近一次抄通率为100％的日期，给出下一步指示，即继续观察；

步骤4：抄通率为100％，需判断供电量与售电量变化是否一致；

步骤5：供电量与售电量变化一致，则系统导入台区运行信息，结合台区线损导线线损模型，对导线线损变化量与供电量的变化进行计算，判断是否导线线损超出模型；

步骤5-1：导线线损超出模型，分析结果为：台区线损异常增加，给出下一步指示，即检查线路或用户表计有无异常；

步骤5-2：导线线损未超出模型，分析结果为：台区线损由于用电量的增加引起，给出下一步指示，即继续观察；

步骤6：供电量和售电量变化不一致，分析判断是否经过总表计量检查；

步骤6-1：未经过总表计量检查，分析结果为：高损台区，需对台区总表计量装置检查，检查项目包括变比、接线、电能校验；

步骤6-2：已经进行总表计量检查，需导入最近7天本台区及同线路相邻台区计量信息，以进行计量点用电量变化与台区用电量比对，发现异常计量点，进行户变关系核查。

步骤7：覆盖率未达到100％，导入台区覆盖率开始变化的两天计量点信息进行比较，判断建档信息的营销建档和采集建档信息；

步骤7-1：营销建档大于采集建档，需检查工单信息中的在途工单；

步骤7-2：营销建档小于采集建档，需检查账户信息中存在的注销户。

所述发明中供电量与售电量存在不一致性，主要包括供电量减小或供电量增加。所述供电量减小包括：售电量减小大于供电量，售电量减小小于供电量减小和售电量增加；所述供电量增加包括：售电量增加小于供电量增加，售电量增加大于供电量增加和售电量减小。

最后应说明的是：以上仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种AI大数据下台区线损分析管理系统及方法，其特征在于，系统模型包括：数据采集模块，数据覆盖模块、数据分析模块。采集数据信息借助数据覆盖信息进行判断，数据分析模块在采集信息和信息覆盖程度下进行不同情况的自动分析判断，辅助线损治理。

2.根据权利要求1所述的一种AI大数据下台区线损分析管理系统及方法数据采集模块，其特征在于，包括台区信息采集、抄表信息采集，主要采集台区的基本用电信息和电能表的抄表信息，获取计量点的用电信息，为数据分析提供数据基础。

3.根据权利要求1所述的一种AI大数据下台区线损分析管理系统及方法数据覆盖模块，其特征在于，包括计量检查的覆盖和建档信息的覆盖，覆盖率未达到100％的情况下，需要对建档信息下的账号信息和账号信息进行查看。查看是否有注销账户信息，或查看是否全部完成工单，对在途工单或计量检查未进行的信息进行判断识别。

4.根据权利要求1所述的一种AI大数据下台区线损分析管理系统及方法数据分析模块，其特征在于，针对存在的不合格台区进行分析，通过系统建立的线损分析模型，通过负损台区和高损台区判断，执行不同的自动分析路径判断出产生线损原因以及进行线损查找，给出检查结果和处理方法，辅助线损治理。

5.根据权利要求4所述的一种AI大数据下台区线损分析管理系统及方法不合格台区自动分析，其特征在于，包括负损台区和高损台区，对负损连续比例分析、覆盖率分析、抄通率分析、历史抄通率分析、供电量分析、售电量分析、计量点信息分析、总表计量检查分析、营销建档分析、采集建档分析，通过全面的大数据自动分析，准确进行线损问题查找，给出解决方法。

6.根据权利要求5所述的一种AI大数据下台区线损分析管理系统及方法负损台区分析，其特征在于，第一步，判断负损连续比例是否<2％；第二步，分析供电量是否小于0；第三步，分析历史抄通率及判断抄通率指标是否大于80％；第四步，分析是否进行总表计量检查。

7.根据权利要求5所述的一种AI大数据下台区线损分析管理系统及方法高损台区分析，其特征在于，第一步，判断是否100％覆盖率；第二步，进行建档信息中营销建档和采集建档判断；第三步，判断100％抄通率；第四步，判断供电量与售电量变化是否一致及是否符合线损模型；第五步，分析是否进行总表计量检查。

Images