CN115964610A - 一种基于rpa机器人的变压器超负荷监测方法及装置 - Google Patents
一种基于rpa机器人的变压器超负荷监测方法及装置 Download PDFInfo
- Publication number
- CN115964610A CN115964610A CN202211717214.1A CN202211717214A CN115964610A CN 115964610 A CN115964610 A CN 115964610A CN 202211717214 A CN202211717214 A CN 202211717214A CN 115964610 A CN115964610 A CN 115964610A
- Authority
- CN
- China
- Prior art keywords
- transformer
- user
- abnormal
- normal distribution
- group
- 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
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000012544 monitoring process Methods 0.000 title claims abstract description 25
- 238000009826 distribution Methods 0.000 claims abstract description 123
- 230000002159 abnormal effect Effects 0.000 claims abstract description 110
- 238000012360 testing method Methods 0.000 claims abstract description 71
- 230000005611 electricity Effects 0.000 claims description 27
- 238000007689 inspection Methods 0.000 claims description 16
- 238000010586 diagram Methods 0.000 claims description 13
- 230000009466 transformation Effects 0.000 claims description 7
- 238000012806 monitoring device Methods 0.000 claims description 6
- 238000012163 sequencing technique Methods 0.000 claims description 6
- 230000010365 information processing Effects 0.000 abstract description 3
- 230000008569 process Effects 0.000 description 4
- 238000012937 correction Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000000630 rising effect Effects 0.000 description 2
- 238000001276 Kolmogorov–Smirnov test Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000004801 process automation Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Landscapes
- Protection Of Transformers (AREA)
Abstract
本发明公开了一种基于RPA机器人的变压器超负荷监测方法及装置，应用于RPA机器人，方法包括：获取辖区内所有用户终端对应的历史用户负荷电流值并分类，生成多组负荷数据并分别进行正态分布检验，生成多组正态分组；检索各组正态分组，确定每台变压器关联的正态分布并叠加，生成各变压器的正态分布模型；当接收到当月用户负荷电流值时，按照当月用户负荷电流值在关联的正态分布模型内的判异结果，选取异常变压器；若异常变压器的负荷指标满足预设超负荷条件，则生成预设超负荷条件对应的整改策略并输出，该方法能够应用RPA机器人代替人工进行繁琐的信息分析、信息处理和系统操作，高效且科学地对变压器进行监控且提供变压器超负荷运行的整改方案。
Description
技术领域
本发明涉及变压器超负荷监测技术领域，尤其涉及一种基于RPA机器人的变压器超负荷监测方法及装置。
背景技术
配网变压器是供电网架输送至居民用电的最后环节，变压器是否健康运行决定了居民的用电质量。目前，随着用电需求不断增加，变压器的原有容量规划不能满足需求，导致变压器超负荷运行。若变压器长时间超负荷运行，使得变压器出力降低且变损增大，以及损坏变压器设备，不利于变压器的安全运行。
现有技术通常是通过技术人员在每月选取负荷高峰期进行分析，对超负荷或负荷变化较大的异常变压器进行记录，再根据结合多个系统数据，从而确定异常变压器的超负荷原因并进行整改。但是该方法需要耗费大量的人工，同时涉及的数据量大，难以高效且科学地对变压器进行监控且生成变压器超负荷运行的整改方案。
发明内容
本发明提供了一种基于RPA机器人的变压器超负荷监测方法及装置，解决了现有技术中对变压器超负荷监测中需要耗费大量的人工，同时涉及的数据量大，难以高效且科学地对变压器进行监控且生成变压器超负荷运行的整改方案的技术问题。
本发明提供的一种基于RPA机器人的变压器超负荷监测方法，应用于RPA机器人，各台变压器关联着多个用户终端，所述方法包括：
获取辖区内所有所述用户终端对应的历史用户负荷电流值并分类，生成多组负荷数据；
将各组所述负荷数据分别进行正态分布检验，生成多组正态分组；
检索各组所述正态分组，确定每台所述变压器关联的正态分布并叠加，生成各所述变压器的正态分布模型；
当接收到全部所述变压器分别对应的当月用户负荷电流值时，按照所述当月用户负荷电流值在关联的正态分布模型内的判异结果，选取异常变压器；
若所述异常变压器的负荷指标满足预设超负荷条件，则生成所述预设超负荷条件对应的整改策略并输出。
可选地，所述将各组所述负荷数据分别进行正态分布检验，生成多组正态分组的步骤，包括：
将各组所述负荷数据内的历史用户负荷电流值从小到大进行排序，依次取值并加入第一分组进行正态分布检验，生成检验结果；
当所述检验结果不满足预设正态分布结果，剔除所述第一分组的队尾值，生成正态分组；
选取剔除的所述第一分组的队尾值作为新的第一分组的队首值，跳转执行所述依次取值加入第一分组进行正态分布检验，生成检验结果的步骤，直至正态分布检验的检验次数达到检验阈值。
可选地，所述将各组所述负荷数据内的历史用户负荷电流值从小到大进行排序，依次取值并加入第一分组进行正态分布检验，生成检验结果的步骤，包括：
将各组所述负荷数据内的历史用户负荷电流值从小到大进行排序，依次取值加入第一分组；
当取值的次数小于或等于次数阈值时，对所述第一分组进行K-S检验，生成K-S检验结果；
当取值的次数大于次数阈值时，对所述第一分组进行S-W检验，生成S-W检验结果。
可选地，所述当接收到全部所述变压器分别对应的当月用户负荷电流值时，按照所述当月用户负荷电流值在关联的正态分布模型内的判异结果，选取异常变压器的步骤，包括：
当接收到全部所述变压器分别对应的当月用户负荷电流值时，绘制所述当月用户负荷电流值在关联的正态分布模型内的均值-标准差分布图；
当所述均值-标准差分布图满足预设判异准则的任一条准则，则生成所述变压器为异常变压器的判异结果，并选取所述异常变压器。
可选地，所述负荷指标包括：保险片熔断电流、容量、三相不平衡度和当月用户用电量；所述若所述异常变压器的负荷指标满足预设超负荷条件，则生成所述预设超负荷条件对应的整改策略并输出的步骤，包括：
根据所述异常变压器的容量，计算二次侧额定电流；若所述保险片熔断电流大于预设倍数的二次侧额定电流，则判定所述异常变压器的保险片不匹配，生成对应的整改策略并输出；
当所述异常变压器的三相不平衡度大于不平衡度阈值，则判定所述异常变压器的三相负荷不平衡，生成对应的整改策略并输出；
当所述异常变压器关联的用户终端的当月用户用电量的环比率大于环比阈值，则判定所述用户终端的电量波动大，生成对应的整改策略并输出；
计算所述异常变压器关联的居民区的年用户用电量与所述异常变压器关联的年用户用电量的比值，若所述比值持续三年上升，则判断所述居民区是否转型，生成对应的转型预测策略并输出。
可选地，所述当所述异常变压器的三相不平衡度大于不平衡度阈值，则判定所述异常变压器的三相负荷不平衡，生成对应的整改策略并输出的步骤，包括：
当所述异常变压器的三相不平衡度大于不平衡度阈值时，获取最大相的关联所有用户终端的用户用电量和最小相的关联所有用户终端的用户用电量并计算差值；
将所述最大相的关联所有用户终端的用户用电量从大到小进行排序，并依次累加，直至累加值大于所述差值的一半；
生成将所述累加值对应的用户终端迁移至所述异常变压器的最小相的策略并输出。
可选地，所述当所述异常变压器关联的用户终端的当月用户用电量的环比率大于环比阈值，则判定所述用户终端的电量波动大，生成对应的整改策略并输出的步骤，包括：
当所述异常变压器关联的用户终端的当月用户用电量的环比率大于环比阈值，则判定所述用户终端的电量波动大；
生成将所述电量波动大关联的用户终端转至由其他所述变压器供电的整改策略并输出。
本发明还提供了一种基于RPA机器人的变压器超负荷监测装置，应用于RPA机器人，各台变压器关联着多个用户终端，包括：
负荷数据获取单元，用于获取辖区内所有所述用户终端对应的历史用户负荷电流值并分类，生成多组负荷数据；
正态分组生成单元，用于将各组所述负荷数据分别进行正态分布检验，生成多组正态分组；
正态分布模型生成单元，用于检索各组所述正态分组，确定每台所述变压器关联的正态分布并叠加，生成各所述变压器的正态分布模型；
异常变压器选取单元，用于当接收到全部所述变压器分别对应的当月用户负荷电流值时，按照所述当月用户负荷电流值在关联的正态分布模型内的判异结果，选取异常变压器；
输出单元，用于若所述异常变压器的负荷指标满足预设超负荷条件，则生成所述预设超负荷条件对应的整改策略并输出。
可选地，所述正态分组生成单元包括：
检验子单元，用于将各组所述负荷数据内的历史用户负荷电流值从小到大进行排序，依次取值并加入第一分组进行正态分布检验，生成检验结果；
正态分组生成子单元，用于当所述检验结果不满足预设正态分布结果，剔除所述第一分组的队尾值，生成正态分组；
跳转子单元，用于选取剔除的所述第一分组的队尾值作为新的第一分组的队首值，跳转执行所述依次取值加入第一分组进行正态分布检验，生成检验结果的步骤，直至正态分布检验的检验次数达到检验阈值。
可选地，所述异常变压器选取单元包括：
分布图绘制子单元，用于当接收到全部所述变压器分别对应的当月用户负荷电流值时，绘制所述当月用户负荷电流值在关联的正态分布模型内的均值-标准差分布图；
异常变压器选取子单元，用于当所述均值-标准差分布图满足预设判异准则的任一条准则，则生成所述变压器为异常变压器的判异结果，并选取所述异常变压器。
从以上技术方案可以看出，本发明具有以下优点：
获取辖区内所有用户终端对应的历史用户负荷电流值并分类，生成多组负荷数据；将各组负荷数据分别进行正态分布检验，生成多组正态分组；检索各组正态分组，确定每台变压器关联的正态分布并叠加，生成各变压器的正态分布模型；当接收到全部变压器分别对应的当月用户负荷电流值时，按照当月用户负荷电流值在关联的正态分布模型内的判异结果，选取异常变压器；若异常变压器的负荷指标满足预设超负荷条件，则生成预设超负荷条件对应的整改策略并输出，该方法能够解决现有技术中需要耗费大量的人工，同时涉及的数据量大，难以高效且科学地对变压器进行监控且生成变压器超负荷运行的整改方案的技术问题。
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它的附图。
图1为本发明实施例提供的一种基于RPA机器人的变压器超负荷监测方法的步骤流程图；
图2为本发明可选实施例提供的一种基于RPA机器人的变压器超负荷监测方法的步骤流程图；
图3本发明实施例提供的一种基于RPA机器人的变压器超负荷监测装置的结构框图。
具体实施方式
本发明实施例提供了一种基于RPA机器人的变压器超负荷监测方法，用于解决现有技术中需要耗费大量的人工，同时涉及的数据量大，难以高效且科学地对变压器进行监控且生成变压器超负荷运行的整改方案的技术问题。
为使得本发明的发明目的、特征、优点能够更加的明显和易懂，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，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。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它实施例，都属于本发明保护的范围。
RPA机器人：是基于python的一款流程设计软件，有助于轻松实现流程自动化。
三相不平衡度：是衡量三相电力系统中三相不平衡程度的系数，可以用电压或电流的负序分量与正序分量的方均根值的百分比表示。
GB/T 15543-2008规定的电压不平衡度允许值：电力系统公共连接点正常电压不平衡度允许值为2％，短时不得超过4％；对于公共节点的每个客户，引起该点正常电压补平衡度允许值一般为1.3％。
请参阅图1，图1为本发明实施例提供的一种基于RPA机器人的变压器超负荷监测方法的步骤流程图。
本发明提供的一种基于RPA机器人的变压器超负荷监测方法，应用于RPA机器人，各台变压器关联着多个用户终端，方法包括：
步骤101，获取辖区内所有用户终端对应的历史用户负荷电流值并分类，生成多组负荷数据。
在本申请实施例中，首先获取辖区内所有用户终端对应的历史用户负荷电流值，接着对历史用户负荷电流值按照行业类型和月份进行分类，生成多组负荷数据，这是考虑到居住、商业和农业等不同行业每年用电会随着季节变化有着明显的差别。
步骤102，将各组负荷数据分别进行正态分布检验，生成多组正态分组。
需要说明的是，在获取多组负荷数据之后，为了使各组负荷数据分别服从正态分布，还需要进一步对各组负荷数据进行细分，以提升各组负荷数据的正态分布的准确性；因此，将各组负荷数据分别进行正态分布检验，生成多组正态分组。
步骤103，检索各组正态分组，确定每台变压器关联的正态分布并叠加，生成各变压器的正态分布模型。
在本申请实施例中，为了得到各变压器的正态分布模型，根据正态分布可叠加原理，通过各变压器关联的用户终端对应的历史用户负荷电流值检索各组正态分组，从而确定每台变压器关联的正态分布并叠加，最终得到各变压器的正态分布模型。
步骤104，当接收到全部变压器分别对应的当月用户负荷电流值时，按照当月用户负荷电流值在关联的正态分布模型内的判异结果，选取异常变压器。
需要说明的是，当接收到全部变压器分别对应的当月用户负荷电流值时，按照当月用户负荷电流值在关联的正态分布模型内的判异结果，选取异常变压器。
步骤105，若异常变压器的负荷指标满足预设超负荷条件，则生成预设超负荷条件对应的整改策略并输出。
需要说明的是，若异常变压器的负荷指标满足预设超负荷条件，则生成预设超负荷条件对应的整改策略清单并输出。
在本申请实施例中，获取辖区内所有用户终端对应的历史用户负荷电流值并分类，生成多组负荷数据；将各组负荷数据分别进行正态分布检验，生成多组正态分组；检索各组正态分组，确定每台变压器关联的正态分布并叠加，生成各变压器的正态分布模型；当接收到全部变压器分别对应的当月用户负荷电流值时，按照当月用户负荷电流值在关联的正态分布模型内的判异结果，选取异常变压器；若异常变压器的负荷指标满足预设超负荷条件，则生成预设超负荷条件对应的整改策略并输出，该方法能够应用RPA机器人代替人工进行繁琐的信息分析、信息处理和系统操作，能够高效且科学地对变压器进行监控且提供变压器超负荷运行的整改方案。
请参阅图2，图2为本发明可选实施例提供的一种基于RPA机器人的变压器超负荷监测方法的步骤流程图。
本发明提供的一种基于RPA机器人的变压器超负荷监测方法，应用于多个终端，各终端都设有对应的负载，方法包括：
步骤201，获取辖区内所有用户终端对应的历史用户负荷电流值并分类，生成多组负荷数据。
在本申请实施例中，步骤201的具体实施过程与上述步骤101类似，在此不再赘述。
步骤202，将各组负荷数据分别进行正态分布检验，生成多组正态分组。
需要说明的是，步骤202包括以下子步骤：
步骤S101，将各组负荷数据内的历史用户负荷电流值从小到大进行排序，依次取值并加入第一分组进行正态分布检验，生成检验结果。
可选地，步骤S101包括：将各组负荷数据内的历史用户负荷电流值从小到大进行排序，依次取值加入第一分组；当取值的次数小于或等于次数阈值时，对第一分组进行K-S检验，生成K-S检验结果；当取值的次数大于次数阈值时，对第一分组进行S-W检验，生成S-W检验结果；其中，次数阈值可以设为50；
值得一提的是，可借助SPSS工具采用K-S检验或S-W检验。
步骤S102，当检验结果不满足预设正态分布结果，剔除第一分组的队尾值，生成正态分组。
步骤S103，选取剔除的第一分组的队尾值作为新的第一分组的队首值，跳转执行依次取值加入第一分组进行正态分布检验，生成检验结果的步骤，直至正态分布检验的检验次数达到检验阈值。
在本申请实施例中，由于在各行业的每个月份中的历史用户负荷电流值按照从小到大进行排序，因此各组正态分组的均值分别服从不同的正态分布。
步骤203，检索各组正态分组，确定每台变压器关联的正态分布并叠加，生成各变压器的正态分布模型。
需要说明的是，为了生成各变压器的正态分布模型，根据正态分布可叠加原理，通过各变压器关联的用户终端对应的历史用户负荷电流值检索检索各组正态分组，从而确定每台变压器关联的正态分布并叠加，最终得到各变压器的正态分布模型；其中，正态分布模型的横坐标是用户负荷电流值，纵坐标是概率密度。
步骤204，当接收到全部变压器分别对应的当月用户负荷电流值时，绘制当月用户负荷电流值在关联的正态分布模型内的均值-标准差分布图。
需要说明的是，当接收到全部变压器分别对应的当月用户负荷电流值时，需要绘制当月用户负荷电流值在关联的正态分布模型内的均值-标准差分布图，以便后续的判异分析。
步骤205，当均值-标准差分布图满足预设判异准则的任一条准则，则生成变压器为异常变压器的判异结果，并选取异常变压器。
表格1某台变压器的正态分布概率表
在具体实现中，表格1提供了某台变压器的正态分布概率表，该变压器服从μ＝0.7Imax，σ＝0.05Imax的正态分布，I为用户负荷电流值；由于研究的是变压器超负荷运行，因此只需考虑该变压器出现大于0.7Imax的用户负荷电流值情况，即只取单侧概率；其中，图3提供的概率都小于50％，是单边概率，在实际使用时只需直接加50％；
其中，变压器超过均值的z倍标准差中的z由两部分组成，正态分布概率表中的a组成z的前两位，正态分布概率表中的b组成z的最后一位，通过a+b的和的形式查找相应的z，从而确定z对应的概率；比如查询变压器超过均值的0.11倍标准差的用户负荷电流值的概率，则需要0.1+0.01的方式查询相对应的概率为0.0438；假设查询变压器超过均值的1.53倍标准差的用户负荷电流值的概率，则需要1.5+0.03的方式查询相对应的概率为0.4370；
假设判异概率为1％，其对应的预设判异准则具体包括：
准则一，一个点远离中心线，并超过中心线的2.33倍标准差；
其中，在正态分布概率表中查到，P(μ+2.33σ,∞)＝1-(0.4901+0.5)＝0.99％，相当于一个用户负荷电流值超过均值的2.33倍标准差的概率为0.99％。
准则二，连续7个点在中心线的右侧，并小于中心线的2.33倍标准差；
其中，P(n)＝0.4901n，当n取值为7时，即连续连续7个点大于均值的概率为0.4901的7次方，即0.679％。
准则三，连续6个点持续上升或下降；
其中，
当n取值为6时，即连续6个点持续上升或下降的概率为0.262％。
准则四，连续3点中有2点大于中心线的1.5倍标准差，并小于中心线的2.33倍标准差；
其中，在中心线的右侧，同时在均值的1.5倍标准差和均值的2.33倍标准差之间的概率为0.9901-0.9332＝0.0569；连续3点中有2点有三种情况，那么事件发生的概率为P＝3×0.05692×(0.9901-0.0569)＝0.906％。
准则五，连续5点中有4点大于中心线的0.75倍标准差，并小于中心线的2.33倍标准差；
其中，连续5点中有4点大于中心线的0.75倍标准差，并小于中心线的2.33倍标准差的概率为
准则六，连续5点在中心线的右侧，并小于中心线的1个标准差；
其中，连续5点在均值和均值的1个标准差之间的概率为P＝(0.3413)5＝0.463％。
步骤206，若异常变压器的负荷指标满足预设超负荷条件，则生成预设超负荷条件对应的整改策略并输出。
需要说明是，负荷指标包括：保险片熔断电流、容量、三相不平衡度和当月用户用电量等，其中，步骤206包括：
步骤S201，根据异常变压器的容量，计算二次侧额定电流；若保险片熔断电流大于预设倍数的二次侧额定电流，则判定异常变压器的保险片不匹配，生成对应的整改策略并输出。
在具体实现中，假设异常变压器的容量为100kVA，那么异常变压器的二次侧额定电流应为I＝100÷(1.732×0.4)≈144A，相当于异常变压器的保险片熔断电流应在216A以内，若获取到的异常变压器的保险片熔断电流为250A，则判定异常变压器的保险片不匹配，生成对应的整改策略；其中，整改策略的格式为“变压器A容量为100，现装设的250A保险片不匹配，应当改装216A以内的保险片”。
步骤S202，当异常变压器的三相不平衡度大于不平衡度阈值，则判定异常变压器的三相负荷不平衡，生成对应的整改策略并输出。
需要说明的是，当异常变压器的三相不平衡度大于不平衡度阈值时，获取最大相的关联所有用户终端的用户用电量和最小相的关联所有用户终端的用户用电量并计算差值；将最大相的关联所有用户终端的用户用电量从大到小进行排序，并依次累加，直至累加值大于差值的一半；生成将累加值对应的用户迁移至异常变压器的最小相的策略并输出；
其中，不平衡度阈值具体为GB/T 15543-2008规定的不平衡度允许值，同时电力系统公共连接点正常电压不平衡度允许值为2％，因此不平衡度阈值可以设为2％；
在具体实现中，当异常变压器的三相不平衡度大于不平衡度阈值时，生成整改策略的格式为：“变压器A三相不平衡度为2.5％，不符合要求，现负荷最大相为A相，每日与最小相C相负荷电量相差200度，而A相用户电量较大的有甲(50度)、乙(40度)，丙(30度)，可考虑将以上用户终端迁移至C相”。
步骤S203，当异常变压器关联的用户终端的当月用户用电量的环比率大于环比阈值，则判定用户终端的电量波动大，生成对应的整改策略并输出。
需要说明的是，当异常变压器关联的用户终端的当月用户用电量的环比率大于环比阈值，则判定用户终端的电量波动大；生成将电量波动大关联的用户终端转至由其他变压器供电的整改策略并输出。
在具体实现中，环比阈值可以设为10％，当异常变压器关联的用户终端的当月用户用电量的环比率大于环比阈值，生成的整改策略的格式为：“变压器A的电量环比率超过10％的用户有甲(增长37％)、乙(增长18％)，可考虑将该用户终端转由其他变压器供电”。
步骤S204，计算异常变压器关联的居民区的年用户用电量与异常变压器关联的年用户用电量的比值，若比值持续三年上升，则判断居民区是否转型，生成对应的转型预测策略并输出。
在具体实现中，转型预测策略的格式为：“变压器A的居民区用电量占比正逐年上升，请结合当地政府发展规划分析是否转型为非居民区”。
在本申请实施例中，获取辖区内所有用户终端对应的历史用户负荷电流值并分类，生成多组负荷数据；将各组负荷数据分别进行正态分布检验，生成多组正态分组；检索各组正态分组，确定每台变压器关联的正态分布并叠加，生成各变压器的正态分布模型；当接收到全部变压器分别对应的当月用户负荷电流值时，绘制当月用户负荷电流值在关联的正态分布模型内的均值-标准差分布图；当均值-标准差分布图满足预设判异准则的任一条准则，则生成变压器为异常变压器的判异结果，并选取异常变压器；若异常变压器的负荷指标满足预设超负荷条件，则生成预设超负荷条件对应的整改策略并输出，该方法能够应用RPA机器人代替人工进行繁琐的信息分析、信息处理和系统操作，能够高效且科学地对变压器进行监控且提供变压器超负荷运行的整改方案。
请参阅图3，图3为本发明实施例提供的一种基于RPA机器人的变压器超负荷监测装置的结构框图。
本发明还提供了一种基于RPA机器人的变压器超负荷监测装置，应用于RPA机器人，各台变压器关联着多个用户终端，装置包括：
负荷数据获取单元301，用于获取辖区内所有用户终端对应的历史用户负荷电流值并分类，生成多组负荷数据；
正态分组生成单元302，用于将各组负荷数据分别进行正态分布检验，生成多组正态分组；
正态分布模型生成单元303，用于检索各组正态分组，确定每台变压器关联的正态分布并叠加，生成各变压器的正态分布模型；
异常变压器选取单元304，用于当接收到全部变压器分别对应的当月用户负荷电流值时，按照当月用户负荷电流值在关联的正态分布模型内的判异结果，选取异常变压器；
输出单元305，用于若异常变压器的负荷指标满足预设超负荷条件，则生成预设超负荷条件对应的整改策略并输出。
可选地，正态分组生成单元302包括：
检验子单元，用于将各组负荷数据内的历史用户负荷电流值从小到大进行排序，依次取值并加入第一分组进行正态分布检验，生成检验结果；
正态分组生成子单元，用于当检验结果不满足预设正态分布结果，剔除第一分组的队尾值，生成正态分组；
跳转子单元，用于选取剔除的第一分组的队尾值作为新的第一分组的队首值，跳转执行依次取值加入第一分组进行正态分布检验，生成检验结果的步骤，直至正态分布检验的检验次数达到检验阈值。
可选地，检验子单元还用于：
将各组负荷数据内的历史用户负荷电流值从小到大进行排序，依次取值加入第一分组；
当取值的次数小于或等于次数阈值时，对第一分组进行K-S检验，生成K-S检验结果；
当取值的次数大于次数阈值时，对第一分组进行S-W检验，生成S-W检验结果。
可选地，异常变压器选取单元304包括：
分布图绘制子单元，用于当接收到全部变压器分别对应的当月用户负荷电流值时，绘制当月用户负荷电流值在关联的正态分布模型内的均值-标准差分布图；
异常变压器选取子单元，用于当均值-标准差分布图满足预设判异准则的任一条准则，则生成变压器为异常变压器的判异结果，并选取异常变压器。
可选地，输出单元305包括：
保险片整改策略输出子单元，用于根据异常变压器的容量，计算二次侧额定电流；若保险片熔断电流大于预设倍数的二次侧额定电流，则判定异常变压器的保险片不匹配，生成对应的整改策略并输出；
三相不平衡整改策略输出子单元，用于当异常变压器的三相不平衡度大于不平衡度阈值，则判定异常变压器的三相负荷不平衡，生成对应的整改策略并输出；
电量波动整改策略输出子单元，用于当异常变压器关联的用户终端的当月用户用电量的环比率大于环比阈值，则判定用户终端的电量波动大，生成对应的整改策略并输出；
转型预测策略输出子单元，用于计算异常变压器关联的居民区的年用户用电量与异常变压器关联的年用户用电量的比值，若比值持续三年上升，则判断居民区是否转型，生成对应的转型预测策略并输出。
可选地，三相不平衡整改策略输出子单元还用于：
异常变压器的三相不平衡度大于不平衡度阈值时，获取最大相的关联所有用户终端的用户用电量和最小相的关联所有用户终端的用户用电量并计算差值；
将最大相的关联所有用户终端的用户用电量从大到小进行排序，并依次累加，直至累加值大于差值的一半；
生成将累加值对应的用户终端迁移至异常变压器的最小相的策略并输出。
可选地，电量波动整改策略输出子单元还用于：
当异常变压器关联的用户终端的当月用户用电量的环比率大于环比阈值，则判定用户终端的电量波动大；
生成将电量波动大关联的用户终端转至由其他变压器供电的整改策略并输出。
在本申请实施例中，通过负荷数据获取单元获取辖区内所有用户终端对应的历史用户负荷电流值并分类，生成多组负荷数据；通过正态分组生成单元将各组负荷数据分别进行正态分布检验，生成多组正态分组；通过正态分布模型生成单元检索各组正态分组，确定每台变压器关联的正态分布并叠加，生成各变压器的正态分布模型；通过异常变压器选取单元当接收到全部变压器分别对应的当月用户负荷电流值时，按照当月用户负荷电流值在关联的正态分布模型内的判异结果，选取异常变压器；通过输出单元判断若异常变压器的负荷指标满足预设超负荷条件，则生成预设超负荷条件对应的整改策略并输出，该方法能够应用RPA机器人代替人工进行繁琐的信息分析、信息处理和系统操作，能够高效且科学地对变压器进行监控且提供变压器超负荷运行的整改方案。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：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；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种基于RPA机器人的变压器超负荷监测方法，其特征在于，应用于RPA机器人，各台变压器关联着多个用户终端，所述方法包括：
获取辖区内所有所述用户终端对应的历史用户负荷电流值并分类，生成多组负荷数据；
将各组所述负荷数据分别进行正态分布检验，生成多组正态分组；
检索各组所述正态分组，确定每台所述变压器关联的正态分布并叠加，生成各所述变压器的正态分布模型；
当接收到全部所述变压器分别对应的当月用户负荷电流值时，按照所述当月用户负荷电流值在关联的正态分布模型内的判异结果，选取异常变压器；
若所述异常变压器的负荷指标满足预设超负荷条件，则生成所述预设超负荷条件对应的整改策略并输出。
2.根据权利要求1所述的基于RPA机器人的变压器超负荷监测方法，其特征在于，所述将各组所述负荷数据分别进行正态分布检验，生成多组正态分组的步骤，包括：
将各组所述负荷数据内的历史用户负荷电流值从小到大进行排序，依次取值并加入第一分组进行正态分布检验，生成检验结果；
当所述检验结果不满足预设正态分布结果，剔除所述第一分组的队尾值，生成正态分组；
选取剔除的所述第一分组的队尾值作为新的第一分组的队首值，跳转执行所述依次取值加入第一分组进行正态分布检验，生成检验结果的步骤，直至正态分布检验的检验次数达到检验阈值。
3.根据权利要求2所述的基于RPA机器人的变压器超负荷监测方法，其特征在于，所述将各组所述负荷数据内的历史用户负荷电流值从小到大进行排序，依次取值并加入第一分组进行正态分布检验，生成检验结果的步骤，包括：
将各组所述负荷数据内的历史用户负荷电流值从小到大进行排序，依次取值加入第一分组；
当取值的次数小于或等于次数阈值时，对所述第一分组进行K-S检验，生成K-S检验结果；
当取值的次数大于次数阈值时，对所述第一分组进行S-W检验，生成S-W检验结果。
4.根据权利要求1所述的基于RPA机器人的变压器超负荷监测方法，其特征在于，所述当接收到全部所述变压器分别对应的当月用户负荷电流值时，按照所述当月用户负荷电流值在关联的正态分布模型内的判异结果，选取异常变压器的步骤，包括：
当接收到全部所述变压器分别对应的当月用户负荷电流值时，绘制所述当月用户负荷电流值在关联的正态分布模型内的均值-标准差分布图；
当所述均值-标准差分布图满足预设判异准则的任一条准则，则生成所述变压器为异常变压器的判异结果，并选取所述异常变压器。
5.根据权利要求1所述的基于RPA机器人的变压器超负荷监测方法，其特征在于，所述负荷指标包括：保险片熔断电流、容量、三相不平衡度和当月用户用电量；所述若所述异常变压器的负荷指标满足预设超负荷条件，则生成所述预设超负荷条件对应的整改策略并输出的步骤，包括：
根据所述异常变压器的容量，计算二次侧额定电流；若所述保险片熔断电流大于预设倍数的二次侧额定电流，则判定所述异常变压器的保险片不匹配，生成对应的整改策略并输出；
当所述异常变压器的三相不平衡度大于不平衡度阈值，则判定所述异常变压器的三相负荷不平衡，生成对应的整改策略并输出；
当所述异常变压器关联的用户终端的当月用户用电量的环比率大于环比阈值，则判定所述用户终端的电量波动大，生成对应的整改策略并输出；
计算所述异常变压器关联的居民区的年用户用电量与所述异常变压器关联的年用户用电量的比值，若所述比值持续三年上升，则判断所述居民区是否转型，生成对应的转型预测策略并输出。
6.根据权利要求5所述的基于RPA机器人的变压器超负荷监测方法，其特征在于，所述当所述异常变压器的三相不平衡度大于不平衡度阈值，则判定所述异常变压器的三相负荷不平衡，生成对应的整改策略并输出的步骤，包括：
当所述异常变压器的三相不平衡度大于不平衡度阈值时，获取最大相的关联所有用户终端的用户用电量和最小相的关联所有用户终端的用户用电量并计算差值；
将所述最大相的关联所有用户终端的用户用电量从大到小进行排序，并依次累加，直至累加值大于所述差值的一半；
生成将所述累加值对应的用户终端迁移至所述异常变压器的最小相的策略并输出。
7.根据权利要求5所述的基于RPA机器人的变压器超负荷监测方法，其特征在于，所述当所述异常变压器关联的用户终端的当月用户用电量的环比率大于环比阈值，则判定所述用户终端的电量波动大，生成对应的整改策略并输出的步骤，包括：
当所述异常变压器关联的用户终端的当月用户用电量的环比率大于环比阈值，则判定所述用户终端的电量波动大；
生成将所述电量波动大关联的用户终端转至由其他所述变压器供电的整改策略并输出。
8.一种基于RPA机器人的变压器超负荷监测装置，其特征在于，应用于RPA机器人，各台变压器关联着多个用户终端，包括：
负荷数据获取单元，用于获取辖区内所有所述用户终端对应的历史用户负荷电流值并分类，生成多组负荷数据；
正态分组生成单元，用于将各组所述负荷数据分别进行正态分布检验，生成多组正态分组；
正态分布模型生成单元，用于检索各组所述正态分组，确定每台所述变压器关联的正态分布并叠加，生成各所述变压器的正态分布模型；
异常变压器选取单元，用于当接收到全部所述变压器分别对应的当月用户负荷电流值时，按照所述当月用户负荷电流值在关联的正态分布模型内的判异结果，选取异常变压器；
输出单元，用于若所述异常变压器的负荷指标满足预设超负荷条件，则生成所述预设超负荷条件对应的整改策略并输出。
9.根据权利要求8所述的基于RPA机器人的变压器超负荷监测装置，其特征在于，所述正态分组生成单元包括：
检验子单元，用于将各组所述负荷数据内的历史用户负荷电流值从小到大进行排序，依次取值并加入第一分组进行正态分布检验，生成检验结果；
正态分组生成子单元，用于当所述检验结果不满足预设正态分布结果，剔除所述第一分组的队尾值，生成正态分组；
跳转子单元，用于选取剔除的所述第一分组的队尾值作为新的第一分组的队首值，跳转执行所述依次取值加入第一分组进行正态分布检验，生成检验结果的步骤，直至正态分布检验的检验次数达到检验阈值。
10.根据权利要求8所述的基于RPA机器人的变压器超负荷监测装置，其特征在于，所述异常变压器选取单元包括：
分布图绘制子单元，用于当接收到全部所述变压器分别对应的当月用户负荷电流值时，绘制所述当月用户负荷电流值在关联的正态分布模型内的均值-标准差分布图；
异常变压器选取子单元，用于当所述均值-标准差分布图满足预设判异准则的任一条准则，则生成所述变压器为异常变压器的判异结果，并选取所述异常变压器。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211717214.1A CN115964610A (zh) | 2022-12-29 | 2022-12-29 | 一种基于rpa机器人的变压器超负荷监测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211717214.1A CN115964610A (zh) | 2022-12-29 | 2022-12-29 | 一种基于rpa机器人的变压器超负荷监测方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115964610A true CN115964610A (zh) | 2023-04-14 |
Family
ID=87361544
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211717214.1A Pending CN115964610A (zh) | 2022-12-29 | 2022-12-29 | 一种基于rpa机器人的变压器超负荷监测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115964610A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116826720A (zh) * | 2023-06-21 | 2023-09-29 | 浙江卓松电气有限公司 | 配电设备的电负荷预测方法、装置、设备及可读存储介质 |
-
2022
- 2022-12-29 CN CN202211717214.1A patent/CN115964610A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116826720A (zh) * | 2023-06-21 | 2023-09-29 | 浙江卓松电气有限公司 | 配电设备的电负荷预测方法、装置、设备及可读存储介质 |
| CN116826720B (zh) * | 2023-06-21 | 2024-03-29 | 浙江卓松电气有限公司 | 配电设备的电负荷预测方法、装置、设备及可读存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113159339B (zh) | 一种基于大数据的一台区一指标线损管理方法及系统 | |
| CN108876131B (zh) | 基于电网成效贡献度的储备项目优选方法 | |
| CN110210740A (zh) | 一种考虑供电质量的配电网可靠性评估方法 | |
| CN108287294B (zh) | 基于停电配变和拓扑分析的配电网故障区域快速辨识方法 | |
| CN109510205B (zh) | 一种配电网负荷转供辅助决策分析方法 | |
| CN107730076B (zh) | 一种区域配电网设备综合利用效率分析方法 | |
| CN109409658A (zh) | 一种配电网运行风险感知方法和装置 | |
| CN113469486A (zh) | 一种线路负损及高损的分析方法 | |
| CN115964610A (zh) | 一种基于rpa机器人的变压器超负荷监测方法及装置 | |
| US20210126452A1 (en) | Systems and methods for assessing reliability of electrical power transmission systems | |
| Sandström et al. | Hosting Capacity of the Power Grid for Electric Vehicles-A Case Study on a Swedish Low Voltage Grid | |
| CN111105218A (zh) | 一种基于全息影像技术的配电网运行监视方法 | |
| CN106447233A (zh) | 多送出特高压交直流混合电网系统稳定性综合指标的方法 | |
| Agarwal et al. | Development of reliability targets for planning transmission facilities using probabilistic techniques-a utility approach | |
| Bongers et al. | Robust high voltage network expansion planning considering multiple future renewable scenarios | |
| CN113988557B (zh) | 一种电网企业的投资绩效评价指标体系的构建方法及装置 | |
| CN112258007B (zh) | 一种基于配变容量的配电网同期线损成本量化方法 | |
| CN110611316B (zh) | 一种400v低压用户电压合格率提升方法、系统及介质 | |
| CN113191720A (zh) | 一种基于星级划分与质效评估的10kV可研项目投资决策方法 | |
| Milosavljevic et al. | Power transformer health index estimation using evidential reasoning | |
| CN111241354A (zh) | 一种调控云电网运行大数据质量评估方法 | |
| CN112232667B (zh) | 一种基于负荷矩的配电网同期线损成本量化方法 | |
| CN114186769B (zh) | 一种电压暂降敏感用户的供电增值服务潜力分级方法及装置 | |
| Rocha et al. | Ga-based approach for inspection prioritization in electric power distribution networks | |
| CN110417010B (zh) | 一种由配网转供电推算主网负荷的预测方法及系统 |
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 |