CN116660621B - 一种本地采样分析的防窃电智能管理系统 - Google Patents
一种本地采样分析的防窃电智能管理系统 Download PDFInfo
- Publication number
- CN116660621B CN116660621B CN202310933439.9A CN202310933439A CN116660621B CN 116660621 B CN116660621 B CN 116660621B CN 202310933439 A CN202310933439 A CN 202310933439A CN 116660621 B CN116660621 B CN 116660621B
- Authority
- CN
- China
- Prior art keywords
- analysis
- electricity
- scene
- risk
- period
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 179
- 230000005611 electricity Effects 0.000 title claims abstract description 134
- 230000002265 prevention Effects 0.000 title claims abstract description 21
- 238000005070 sampling Methods 0.000 title claims abstract description 17
- 238000012544 monitoring process Methods 0.000 claims abstract description 93
- 238000007726 management method Methods 0.000 claims abstract description 48
- 238000000034 method Methods 0.000 claims abstract description 23
- 230000005684 electric field Effects 0.000 claims abstract description 22
- 238000012360 testing method Methods 0.000 claims abstract description 16
- 238000007405 data analysis Methods 0.000 claims abstract description 12
- 238000004891 communication Methods 0.000 claims abstract description 4
- 230000006399 behavior Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 abstract description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R22/00—Arrangements for measuring time integral of electric power or current, e.g. electricity meters
- G01R22/06—Arrangements for measuring time integral of electric power or current, e.g. electricity meters by electronic methods
- G01R22/061—Details of electronic electricity meters
- G01R22/066—Arrangements for avoiding or indicating fraudulent use
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2123/00—Data types
- G06F2123/02—Data types in the time domain, e.g. time-series data
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
Abstract
本发明属于负载监测领域,涉及数据分析技术,用于解决现有的防窃电智能管理系统无法对监测过程中的负荷特征量与已有特征量进行比对的问题,具体是一种本地采样分析的防窃电智能管理系统,包括智能管理平台,智能管理平台通信连接有特征分析模块、负荷辨识模块、数据分析模块、控制模块以及存储模块;特征分析模块用于对用电场景的负载特征进行分析:将固定负载类用电场景标记为分析场景,通过存储模块获取到功率阈值,将分析场景内额定功率不小于功率阈值的耗电设备标记为分析对象;本发明可以对用电场景的负载特征进行分析,通过本地采样的方式对所有分析组逐一进行负荷测试,然后通过负荷测试结果生成特征集合。
Description
技术领域
本发明属于负载监测领域,涉及数据分析技术,具体是一种本地采样分析的防窃电智能管理系统。
背景技术
负载监测一般是通过解析稳态和暂态下电力负荷输入线路端的负荷量,分解用户用电负荷成分并识别电网末端的用电状况,从而实现客户侧用电负荷的类型辨识及用能分解。
现有的防窃电智能管理系统不具备对用电场景下的负荷特征量进行分析的功能,从而无法对监测过程中的负荷特征量与已有特征量进行比对,对窃电行为进行及时预警。
针对上述技术问题,本申请提出一种解决方案。
发明内容
本发明的目的在于提供一种本地采样分析的防窃电智能管理系统,用于解决现有的防窃电智能管理系统无法对监测过程中的负荷特征量与已有特征量进行比对的问题;
本发明需要解决的技术问题为:如何提供一种可以对监测过程中的负荷特征量与已有特征量进行比对的本地采样分析的防窃电智能管理系统。
本发明的目的可以通过以下技术方案实现:
一种本地采样分析的防窃电智能管理系统,包括智能管理平台,所述智能管理平台通信连接有特征分析模块、负荷辨识模块、数据分析模块、控制模块以及存储模块;
所述特征分析模块用于对用电场景的负载特征进行分析:将固定负载类用电场景标记为分析场景,通过存储模块获取到功率阈值,将分析场景内额定功率不小于功率阈值的耗电设备标记为分析对象,由所有的分析对象进行自由组合得到若干个分析组,对分析组进行负荷测试并得到特征集合;
所述负荷辨识模块用于对用电场景的窃电行为进行监测分析:生成监测周期,将监测周期分割为若干个时长为L2分钟的监测时段,在监测时段内获取分析场景的电荷系数DH,将电荷系数DH与特征集合中的电荷特征进行比对并通过比对结果对分析场景在监测时段内是否存在窃电风险进行判定;
所述数据分析模块用于对用电场景的窃电数据进行分析。
作为本发明的一种优选实施方式,对分析组进行负荷测试的具体过程包括:开启分析组内所有分析对象的电源,在L1分钟之后对电力负荷输入线路端的电流值与电压值进行实时获取,将电力负荷输入线路端在时长为L2分钟的测试时段内的电流平均值与电压平均值分别标记为流平值LP与压平值YP,通过公式DH=LP*YP*L2得到分析组的电荷系数DH,通过公式DHmin=u1*DH与DHmax=u2*DH得到分析组的电荷阈值DHmin、DHmax,其中u1与u2均为比例系数,且0.85≤u1≤0.95,1.05≤u2≤1.15,由电荷阈值DHmin、DHmax构成分析组的电荷特征;由所有分析组的电荷特征构成分析场景的特征集合,将特征集合发送至智能管理平台,智能管理平台接收到特征集合后将特征集合发送至窃电监测模块。
作为本发明的一种优选实施方式,将电荷系数DH与特征集合中的电荷特征进行比对的具体过程包括:若特征集合中存在有与电荷系数DH相对应的电荷特征,则判定分析场景在监测时段内不具有窃电风险,生成用电安全信号并将用电安全信号发送至智能管理平台;若特征集合中不存在与电荷系数DH相对应的电荷特征,则判定分析场景在监测时段内具有窃电风险,生成窃电风险信号并将窃电风险信号发送至智能管理平台,智能管理平台接收到窃电风险信号后将窃电风险信号发送至控制模块,控制模块接收到窃电风险信号后按预设程序进行防窃电操作,防窃电操作过程包括:每M1分钟进行一次分闸操作,分闸M2分钟后再次合闸。
作为本发明的一种优选实施方式,数据分析模块对用电场景的窃电数据进行分析的具体过程包括:将最近P1个监测周期标记为分析周期,获取分析周期的周期值ZQ以及时段值SD并进行数值计算得到分析场景的窃电系数QD;通过存储模块获取到窃电阈值QDmax,将分析场景的窃电系数QD与窃电阈值QDmax进行比较并通过比较结果对分析场景的窃电监测结果是否满足要求进行判定。
作为本发明的一种优选实施方式,分析周期的周期值ZQ与时段值SD的获取过程包括:将分析周期内具有窃电风险的监测时段标记为风险时段,将风险时段的数量与分析周期内监测时段的数量比值标记为分析周期的风险系数,通过存储模块获取到风险阈值,将分析周期的风险系数与风险阈值进行比较:若风险系数小于风险阈值,则将分析周期标记为正常周期;若风险系数大于等于风险阈值,则将分析周期标记为风险周期;将风险周期的数量与风险时段的数量分别标记为周期值ZQ与时段值SD。
作为本发明的一种优选实施方式,将分析场景的窃电系数QD与窃电阈值QDmax进行比较的具体过程包括:若窃电系数QD小于窃电阈值QDmax,则判定分析场景的窃电监测结果满足要求;若窃电系数QD大于等于窃电阈值QDmax,则判定分析场景的窃电监测结果不满足要求,对分析场景进行操作有效性分析。
作为本发明的一种优选实施方式,对分析场景进行操作有效性分析的具体过程包括:将分析周期内的监测时段按照时间顺序进行编号,将相邻风险时段组成一个风险组,将风险组内两个风险时段的编号差值的绝对值标记为风险组的间隔值,通过存储模块获取到间隔阈值,将风险组的间隔值与间隔阈值进行比较:若间隔值小于间隔阈值,则将对应风险组标记为连续组;若间隔值大于等于间隔阈值,则将对应风险组标记为间隔组;将所有分析周期内连续组的数量标记为连续值,通过存储模块获取到连续阈值,将连续值与连续阈值进行比较:若连续值小于连续阈值,则判定操作有效性满足要求,生成重点监测信号并将重点监测信号通过智能管理平台发送至管理人员的手机终端;若连续值大于等于连续阈值,则判定操作有效性不满足要求,生成操作优化信号并将操作优化信号通过智能管理平台发送至管理人员的手机终端。
作为本发明的一种优选实施方式,该本地采样分析的防窃电智能管理系统的工作方法,包括以下步骤:
步骤一:对用电场景的负载特征进行分析:将固定负载类用电场景标记为分析场景,由分析场景内所有的分析对象进行自由组合得到若干个分析组,对分析组进行负荷测试并得到特征集合;
步骤二:对用电场景的窃电行为进行监测分析:生成监测周期,将监测周期分割为若干个时长为L2分钟的监测时段,在监测时段内获取分析场景的电荷系数DH,将电荷系数DH与特征集合中的电荷特征进行比对并通过比对结果对分析场景在监测时段内是否具有窃电风险进行判定;
步骤三:对用电场景的窃电数据进行分析:将最近P1个监测周期标记为分析周期,获取分析周期的周期值ZQ与时段值SD并进行数值计算得到窃电系数QD,通过窃电系数QD对分析场景的窃电监测结果是否满足要求。
本发明具备下述有益效果:
1、通过特征分析模块可以对用电场景的负载特征进行分析,通过本地采样的方式对所有分析组逐一进行负荷测试,然后通过负荷测试结果生成特征集合,为负荷辨识模块的供窃电行为监测分析过程提供数据支撑;
2、通过负荷辨识模块可以对用电场景的窃电行为进行监测分析,将监测时段内采集到的电荷系数与特征集合进行比对,通过比对结果对分析场景是否具有窃电风险进行判定,并在具有窃电风险时及时进行预警以及防窃电操作;
3、通过数据分析模块可以对用电场景的窃电数据进行分析,通过对近期若干个监测周期内的风险时段标记频率进行数值计算得到窃电系数,通过窃电系数对用电场景的整体用电状态进行反馈,同时通过操作有效性分析来对防窃电操作的效果进行监控。
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为本发明实施例一的系统框图;
图2为本发明实施例二的方法流程图。
具体实施方式
下面将结合实施例对本发明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作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。
实施例一
如图1所示,一种本地采样分析的防窃电智能管理系统,包括智能管理平台,智能管理平台通信连接有特征分析模块、负荷辨识模块、数据分析模块、控制模块以及存储模块。
特征分析模块用于对用电场景的负载特征进行分析:将固定负载类用电场景标记为分析场景,通过存储模块获取到功率阈值,将分析场景内额定功率不小于功率阈值的耗电设备标记为分析对象,由所有的分析对象进行自由组合得到若干个分析组,对分析组进行负荷测试:开启分析组内所有分析对象的电源,在L1分钟之后对电力负荷输入线路端的电流值与电压值进行实时获取,将电力负荷输入线路端在时长为L2分钟的测试时段内的电流平均值与电压平均值分别标记为流平值LP与压平值YP,L1与L2均为数值常量,L1与L2的具体数值均由管理人员进行设置;通过公式DH=LP*YP*L2得到分析组的电荷系数DH,通过公式DHmin=u1*DH与DHmax=u2*DH得到分析组的电荷阈值DHmin、DHmax,其中u1与u2均为比例系数,且0.85≤u1≤0.95,1.05≤u2≤1.15,由电荷阈值DHmin、DHmax构成分析组的电荷特征;由所有分析组的电荷特征构成分析场景的特征集合,将特征集合发送至智能管理平台,智能管理平台接收到特征集合后将特征集合发送至窃电监测模块。
负荷辨识模块用于对用电场景的窃电行为进行监测分析:生成监测周期,将监测周期分割为若干个时长为L2分钟的监测时段,在监测时段内获取分析场景的电荷系数DH,将电荷系数DH与特征集合中的电荷特征进行比对:若特征集合中存在有与电荷系数DH相对应的电荷特征,则判定分析场景在监测时段内不具有窃电风险,生成用电安全信号并将用电安全信号发送至智能管理平台;若特征集合中不存在与电荷系数DH相对应的电荷特征,则判定分析场景在监测时段内具有窃电风险,生成窃电风险信号并将窃电风险信号发送至智能管理平台,智能管理平台接收到窃电风险信号后将窃电风险信号发送至控制模块,控制模块接收到窃电风险信号后按预设程序进行防窃电操作,防窃电操作过程包括:每M1分钟进行一次分闸操作,分闸M2分钟后再次合闸。
数据分析模块用于对用电场景的窃电数据进行分析:将最近P1个监测周期标记为分析周期,将分析周期内具有窃电风险的监测时段标记为风险时段,将风险时段的数量与分析周期内监测时段的数量比值标记为分析周期的风险系数,通过存储模块获取到风险阈值,将分析周期的风险系数与风险阈值进行比较:若风险系数小于风险阈值,则将分析周期标记为正常周期;若风险系数大于等于风险阈值,则将分析周期标记为风险周期;将风险周期的数量与风险时段的数量分别标记为周期值ZQ与时段值SD,通过公式QD=α1*ZQ+α2*SD得到分析场景的窃电系数QD,其中α1与α2均为比例系数,且α1>α2>1;通过存储模块获取到窃电阈值QDmax,将分析场景的窃电系数QD与窃电阈值QDmax进行比较:若窃电系数QD小于窃电阈值QDmax,则判定分析场景的窃电监测结果满足要求;若窃电系数QD大于等于窃电阈值QDmax,则判定分析场景的窃电监测结果不满足要求,对分析场景进行操作有效性分析:将分析周期内的监测时段按照时间顺序进行编号,将相邻风险时段组成一个风险组,将风险组内两个风险时段的编号差值的绝对值标记为风险组的间隔值,通过存储模块获取到间隔阈值,将风险组的间隔值与间隔阈值进行比较:若间隔值小于间隔阈值,则将对应风险组标记为连续组;若间隔值大于等于间隔阈值,则将对应风险组标记为间隔组;将所有分析周期内连续组的数量标记为连续值,通过存储模块获取到连续阈值,将连续值与连续阈值进行比较:若连续值小于连续阈值,则判定操作有效性满足要求,生成重点监测信号并将重点监测信号通过智能管理平台发送至管理人员的手机终端;若连续值大于等于连续阈值,则判定操作有效性不满足要求,生成操作优化信号并将操作优化信号通过智能管理平台发送至管理人员的手机终端。
实施例二
如图2所示,一种本地采样分析的防窃电智能管理方法,包括以下步骤:
步骤一:对用电场景的负载特征进行分析:将固定负载类用电场景标记为分析场景,由分析场景内所有的分析对象进行自由组合得到若干个分析组,对分析组进行负荷测试并得到特征集合;
步骤二:对用电场景的窃电行为进行监测分析:生成监测周期,将监测周期分割为若干个时长为L2分钟的监测时段,在监测时段内获取分析场景的电荷系数DH,将电荷系数DH与特征集合中的电荷特征进行比对并通过比对结果对分析场景在监测时段内是否具有窃电风险进行判定;
步骤三:对用电场景的窃电数据进行分析:将最近P1个监测周期标记为分析周期,获取分析周期的周期值ZQ与时段值SD并进行数值计算得到窃电系数QD,通过窃电系数QD对分析场景的窃电监测结果是否满足要求。
一种本地采样分析的防窃电智能管理系统,工作时,将固定负载类用电场景标记为分析场景,由分析场景内所有的分析对象进行自由组合得到若干个分析组,对分析组进行负荷测试并得到特征集合;生成监测周期,将监测周期分割为若干个时长为L2分钟的监测时段,在监测时段内获取分析场景的电荷系数DH,将电荷系数DH与特征集合中的电荷特征进行比对并通过比对结果对分析场景在监测时段内是否具有窃电风险进行判定;将最近P1个监测周期标记为分析周期,获取分析周期的周期值ZQ与时段值SD并进行数值计算得到窃电系数QD,通过窃电系数QD对分析场景的窃电监测结果是否满足要求。
以上内容仅仅是对本发明结构所作的举例和说明,所属本技术领域的技术人员对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,只要不偏离发明的结构或者超越本权利要求书所定义的范围,均应属于本发明的保护范围。
上述公式均是采集大量数据进行软件模拟得出且选取与真实值接近的一个公式,公式中的系数是由本领域技术人员根据实际情况进行设置;如:公式QD=α1*ZQ+α2*SD;由本领域技术人员采集多组样本数据并对每一组样本数据设定对应的窃电系数;将设定的窃电系数和采集的样本数据代入公式,任意三个公式构成三元一次方程组,将计算得到的系数进行筛选并取均值,得到α1以及α2的取值分别为3.25和2.62;
系数的大小是为了将各个参数进行量化得到的一个具体的数值,便于后续比较,关于系数的大小,取决于样本数据的多少及本领域技术人员对每一组样本数据初步设定对应的窃电系数;只要不影响参数与量化后数值的比例关系即可,如窃电系数与周期值的数值成正比。
在本说明书的描述中,参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节,也不限制该发明仅为的具体实施方式。显然,根据本说明书的内容,可作很多的修改和变化。本说明书选取并具体描述这些实施例,是为了更好地解释本发明的原理和实际应用,从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。
Claims (4)
1.一种本地采样分析的防窃电智能管理系统,其特征在于,包括智能管理平台,所述智能管理平台通信连接有特征分析模块、负荷辨识模块、数据分析模块、控制模块以及存储模块;
所述特征分析模块用于对用电场景的负载特征进行分析:将固定负载类用电场景标记为分析场景,通过存储模块获取到功率阈值,将分析场景内额定功率不小于功率阈值的耗电设备标记为分析对象,由所有的分析对象进行自由组合得到若干个分析组,对分析组进行负荷测试并得到特征集合;
所述负荷辨识模块用于对用电场景的窃电行为进行监测分析:生成监测周期,将监测周期分割为若干个时长为L2分钟的监测时段,在监测时段内获取分析场景的电荷系数DH,将电荷系数DH与特征集合中的电荷特征进行比对并通过比对结果对分析场景在监测时段内是否存在窃电风险进行判定;
所述数据分析模块用于对用电场景的窃电数据进行分析;
对分析组进行负荷测试的具体过程包括:开启分析组内所有分析对象的电源,在L1分钟之后对电力负荷输入线路端的电流值与电压值进行实时获取,将电力负荷输入线路端在时长为L2分钟的测试时段内的电流平均值与电压平均值分别标记为流平值LP与压平值YP,通过公式DH=LP*YP*L2得到分析组的电荷系数DH,通过公式DHmin=u1*DH与DHmax=u2*DH得到分析组的电荷阈值DHmin、DHmax,其中u1与u2均为比例系数,且0.85≤u1≤0.95,1.05≤u2≤1.15,由电荷阈值DHmin、DHmax构成分析组的电荷特征;由所有分析组的电荷特征构成分析场景的特征集合,将特征集合发送至智能管理平台,智能管理平台接收到特征集合后将特征集合发送至窃电监测模块;
将电荷系数DH与特征集合中的电荷特征进行比对的具体过程包括:若特征集合中存在有与电荷系数DH相对应的电荷特征,则判定分析场景在监测时段内不具有窃电风险,生成用电安全信号并将用电安全信号发送至智能管理平台;若特征集合中不存在与电荷系数DH相对应的电荷特征,则判定分析场景在监测时段内具有窃电风险,生成窃电风险信号并将窃电风险信号发送至智能管理平台,智能管理平台接收到窃电风险信号后将窃电风险信号发送至控制模块,控制模块接收到窃电风险信号后按预设程序进行防窃电操作,防窃电操作过程包括:每M1分钟进行一次分闸操作,分闸M2分钟后再次合闸;
数据分析模块对用电场景的窃电数据进行分析的具体过程包括:将最近P1个监测周期标记为分析周期,获取分析周期的周期值ZQ以及时段值SD并进行数值计算得到分析场景的窃电系数QD;通过存储模块获取到窃电阈值QDmax,将分析场景的窃电系数QD与窃电阈值QDmax进行比较并通过比较结果对分析场景的窃电监测结果是否满足要求进行判定;
分析周期的周期值ZQ与时段值SD的获取过程包括:将分析周期内具有窃电风险的监测时段标记为风险时段,将风险时段的数量与分析周期内监测时段的数量比值标记为分析周期的风险系数,通过存储模块获取到风险阈值,将分析周期的风险系数与风险阈值进行比较:若风险系数小于风险阈值,则将分析周期标记为正常周期;若风险系数大于等于风险阈值,则将分析周期标记为风险周期;将风险周期的数量与风险时段的数量分别标记为周期值ZQ与时段值SD。
2.根据权利要求1所述的一种本地采样分析的防窃电智能管理系统,其特征在于,将分析场景的窃电系数QD与窃电阈值QDmax进行比较的具体过程包括:若窃电系数QD小于窃电阈值QDmax,则判定分析场景的窃电监测结果满足要求;若窃电系数QD大于等于窃电阈值QDmax,则判定分析场景的窃电监测结果不满足要求,对分析场景进行操作有效性分析。
3.根据权利要求2所述的一种本地采样分析的防窃电智能管理系统,其特征在于,对分析场景进行操作有效性分析的具体过程包括:将分析周期内的监测时段按照时间顺序进行编号,将相邻风险时段组成一个风险组,将风险组内两个风险时段的编号差值的绝对值标记为风险组的间隔值,通过存储模块获取到间隔阈值,将风险组的间隔值与间隔阈值进行比较:若间隔值小于间隔阈值,则将对应风险组标记为连续组;若间隔值大于等于间隔阈值,则将对应风险组标记为间隔组;将所有分析周期内连续组的数量标记为连续值,通过存储模块获取到连续阈值,将连续值与连续阈值进行比较:若连续值小于连续阈值,则判定操作有效性满足要求,生成重点监测信号并将重点监测信号通过智能管理平台发送至管理人员的手机终端;若连续值大于等于连续阈值,则判定操作有效性不满足要求,生成操作优化信号并将操作优化信号通过智能管理平台发送至管理人员的手机终端。
4.根据权利要求1-3任一项所述的一种本地采样分析的防窃电智能管理系统,其特征在于,该本地采样分析的防窃电智能管理系统的工作方法,包括以下步骤:
步骤一:对用电场景的负载特征进行分析:将固定负载类用电场景标记为分析场景,由分析场景内所有的分析对象进行自由组合得到若干个分析组,对分析组进行负荷测试并得到特征集合;
步骤二:对用电场景的窃电行为进行监测分析:生成监测周期,将监测周期分割为若干个时长为L2分钟的监测时段,在监测时段内获取分析场景的电荷系数DH,将电荷系数DH与特征集合中的电荷特征进行比对并通过比对结果对分析场景在监测时段内是否具有窃电风险进行判定;
步骤三:对用电场景的窃电数据进行分析:将最近P1个监测周期标记为分析周期,获取分析周期的周期值ZQ与时段值SD并进行数值计算得到窃电系数QD,通过窃电系数QD对分析场景的窃电监测结果是否满足要求。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310933439.9A CN116660621B (zh) | 2023-07-27 | 2023-07-27 | 一种本地采样分析的防窃电智能管理系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310933439.9A CN116660621B (zh) | 2023-07-27 | 2023-07-27 | 一种本地采样分析的防窃电智能管理系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116660621A CN116660621A (zh) | 2023-08-29 |
CN116660621B true CN116660621B (zh) | 2023-09-26 |
Family
ID=87715700
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310933439.9A Active CN116660621B (zh) | 2023-07-27 | 2023-07-27 | 一种本地采样分析的防窃电智能管理系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116660621B (zh) |
Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5502339A (en) * | 1989-09-07 | 1996-03-26 | The Trustees Of Boston University | Subscriber electric power load control system |
TW201304341A (zh) * | 2011-07-06 | 2013-01-16 | Univ Kao Yuan | 負載監控系統 |
CN105807111A (zh) * | 2014-12-31 | 2016-07-27 | 中国电信股份有限公司 | 用电设施的窃电负载控制方法、智能用电管理装置及系统 |
CN106124852A (zh) * | 2016-06-13 | 2016-11-16 | 国网天津宝坻供电有限公司 | 非侵入式负荷监测系统 |
CN107703854A (zh) * | 2017-10-26 | 2018-02-16 | 国网黑龙江省电力有限公司信息通信公司 | 电力负荷监控系统及方法 |
CN108256075A (zh) * | 2018-01-17 | 2018-07-06 | 深圳市和拓创新科技有限公司 | 一种基于非侵入式智能监测分析用户用电数据的技术 |
CN109490679A (zh) * | 2018-12-31 | 2019-03-19 | 天津求实智源科技有限公司 | 基于非侵入式负荷监测的智能窃电稽查系统及方法 |
JP2019054715A (ja) * | 2017-09-15 | 2019-04-04 | 東京電力ホールディングス株式会社 | 盗電監視システム、盗電監視装置、盗電監視方法及びプログラム |
CN109655664A (zh) * | 2018-12-11 | 2019-04-19 | 全球能源互联网研究院有限公司 | 一种基于负荷特征模型库的窃电智能诊断方法和设备 |
CN109752613A (zh) * | 2018-12-31 | 2019-05-14 | 天津求实智源科技有限公司 | 基于非侵入式负荷监测的违约用电检测系统及方法 |
CN110412347A (zh) * | 2019-08-12 | 2019-11-05 | 贵州电网有限责任公司 | 一种基于非侵入式负荷监测的窃电行为识别方法与装置 |
CN110458313A (zh) * | 2018-05-07 | 2019-11-15 | 中国科学院沈阳自动化研究所 | 一种基于svm的电力用户信用风险预警方法及系统 |
CN111191909A (zh) * | 2019-12-26 | 2020-05-22 | 中国电力科学研究院有限公司 | 一种基于典型窃电行业数据分析和历史窃电样本库的窃电辨识系统 |
CN113884734A (zh) * | 2021-10-27 | 2022-01-04 | 广东电网有限责任公司 | 一种非侵入式用电异常诊断方法及装置 |
WO2022041264A1 (zh) * | 2020-08-31 | 2022-03-03 | 苏州大成电子科技有限公司 | 一种大数据支持轨交电力系统运营的方法 |
CN114153894A (zh) * | 2021-11-15 | 2022-03-08 | 国网黑龙江省电力有限公司七台河供电公司 | 一种窃电用户的实时在线识别系统 |
EP3968040A1 (en) * | 2019-06-21 | 2022-03-16 | Siemens Aktiengesellschaft | Abnormal electricity use recognition method and device, and computer readable storage medium |
CN114881808A (zh) * | 2022-04-01 | 2022-08-09 | 云南电网有限责任公司昭通供电局 | 基于大数据的电力窃电精准识别方法及防窃电系统 |
CN115603453A (zh) * | 2022-09-29 | 2023-01-13 | 东营金丰正阳科技发展有限公司(Cn) | 一种带智能监测系统的直流母线群控装置 |
CN115906475A (zh) * | 2022-11-18 | 2023-04-04 | 国网冀北电力有限公司计量中心 | 基于数字模拟和实物场景的反窃电模拟仿真系统及方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2552824A1 (en) * | 2005-07-19 | 2007-01-19 | Shane M. Seitz | Power load pattern monitoring system |
US8818742B2 (en) * | 2011-03-25 | 2014-08-26 | General Electric Company | Systems, methods, and apparatus for detecting theft and status of electrical power |
US10746768B2 (en) * | 2017-06-14 | 2020-08-18 | Eaton Intelligent Power Limited | System and method for detecting theft of electricity |
-
2023
- 2023-07-27 CN CN202310933439.9A patent/CN116660621B/zh active Active
Patent Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5502339A (en) * | 1989-09-07 | 1996-03-26 | The Trustees Of Boston University | Subscriber electric power load control system |
TW201304341A (zh) * | 2011-07-06 | 2013-01-16 | Univ Kao Yuan | 負載監控系統 |
CN105807111A (zh) * | 2014-12-31 | 2016-07-27 | 中国电信股份有限公司 | 用电设施的窃电负载控制方法、智能用电管理装置及系统 |
CN106124852A (zh) * | 2016-06-13 | 2016-11-16 | 国网天津宝坻供电有限公司 | 非侵入式负荷监测系统 |
JP2019054715A (ja) * | 2017-09-15 | 2019-04-04 | 東京電力ホールディングス株式会社 | 盗電監視システム、盗電監視装置、盗電監視方法及びプログラム |
CN107703854A (zh) * | 2017-10-26 | 2018-02-16 | 国网黑龙江省电力有限公司信息通信公司 | 电力负荷监控系统及方法 |
CN108256075A (zh) * | 2018-01-17 | 2018-07-06 | 深圳市和拓创新科技有限公司 | 一种基于非侵入式智能监测分析用户用电数据的技术 |
CN110458313A (zh) * | 2018-05-07 | 2019-11-15 | 中国科学院沈阳自动化研究所 | 一种基于svm的电力用户信用风险预警方法及系统 |
CN109655664A (zh) * | 2018-12-11 | 2019-04-19 | 全球能源互联网研究院有限公司 | 一种基于负荷特征模型库的窃电智能诊断方法和设备 |
CN109490679A (zh) * | 2018-12-31 | 2019-03-19 | 天津求实智源科技有限公司 | 基于非侵入式负荷监测的智能窃电稽查系统及方法 |
CN109752613A (zh) * | 2018-12-31 | 2019-05-14 | 天津求实智源科技有限公司 | 基于非侵入式负荷监测的违约用电检测系统及方法 |
EP3968040A1 (en) * | 2019-06-21 | 2022-03-16 | Siemens Aktiengesellschaft | Abnormal electricity use recognition method and device, and computer readable storage medium |
CN110412347A (zh) * | 2019-08-12 | 2019-11-05 | 贵州电网有限责任公司 | 一种基于非侵入式负荷监测的窃电行为识别方法与装置 |
CN111191909A (zh) * | 2019-12-26 | 2020-05-22 | 中国电力科学研究院有限公司 | 一种基于典型窃电行业数据分析和历史窃电样本库的窃电辨识系统 |
WO2022041264A1 (zh) * | 2020-08-31 | 2022-03-03 | 苏州大成电子科技有限公司 | 一种大数据支持轨交电力系统运营的方法 |
CN113884734A (zh) * | 2021-10-27 | 2022-01-04 | 广东电网有限责任公司 | 一种非侵入式用电异常诊断方法及装置 |
CN114153894A (zh) * | 2021-11-15 | 2022-03-08 | 国网黑龙江省电力有限公司七台河供电公司 | 一种窃电用户的实时在线识别系统 |
CN114881808A (zh) * | 2022-04-01 | 2022-08-09 | 云南电网有限责任公司昭通供电局 | 基于大数据的电力窃电精准识别方法及防窃电系统 |
CN115603453A (zh) * | 2022-09-29 | 2023-01-13 | 东营金丰正阳科技发展有限公司(Cn) | 一种带智能监测系统的直流母线群控装置 |
CN115906475A (zh) * | 2022-11-18 | 2023-04-04 | 国网冀北电力有限公司计量中心 | 基于数字模拟和实物场景的反窃电模拟仿真系统及方法 |
Non-Patent Citations (2)
Title |
---|
Analysis of electricity stealing based on user electricity characteristics of electricity information collection system;Wu, QT等;《International Conference on New Energy and Power Engineering (ICNEPE)》;全文 * |
基于非侵入式负荷监测的反窃电预警方法;黄荣国等;《电测与仪表》;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116660621A (zh) | 2023-08-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107203816B (zh) | 一种电力系统二次设备的故障检修方法及系统 | |
CN104898636A (zh) | 一种考虑多状态运行的安全稳定控制装置可靠性分析法 | |
CN115389854B (zh) | 一种直流电源供电系统的安全监测系统及方法 | |
CN112488371B (zh) | 一种基于大数据的管道智能预警方法和系统 | |
CN116628774A (zh) | 一种基于云计算的数据存储完整性监管系统 | |
CN104505937B (zh) | 一种区间配电监控管理系统 | |
CN105277912A (zh) | 电能质量监测装置自测装置及其自测方法 | |
CN115760073A (zh) | 一种基于bim模型的变电站设备维护系统和方法 | |
CN116169778A (zh) | 一种基于配电网异常分析的处理方法及系统 | |
CN116660621B (zh) | 一种本地采样分析的防窃电智能管理系统 | |
CN117764559A (zh) | 基于数据分析的电器柜运维检修监管预警系统 | |
CN114493238A (zh) | 供电服务风险预测方法、系统、存储介质及计算机设备 | |
CN115910064B (zh) | 一种带有语音识别功能的智能保险柜安全监管系统 | |
CN111143835B (zh) | 基于机器学习的电力计量系统业务逻辑非侵入式防护方法 | |
CN112769235A (zh) | 配电网网格的指标监控系统和方法 | |
CN117031201A (zh) | 一种配电网多场景拓扑异常识别方法及系统 | |
CN110750500A (zh) | 一种智能变电站ccd文件与scd文件检验方法及系统 | |
König et al. | An extended framework for reliability analysis of ICT for power systems | |
CN111190045A (zh) | 电压异常预测方法及装置、电子设备 | |
CN112001588A (zh) | 基于n-1态下的事故事件在线预判方法及装置 | |
CN112053521B (zh) | 一种小区楼宇泄漏电流边缘指纹库判断系统 | |
Li et al. | Construction method of data security protection system of power information system based on big data technology | |
CN108830495A (zh) | 异常工况测试方法及装置 | |
Salehpour et al. | An RTDS-based Early-stage Attack Detection Mechanism for Smart Grid Networks | |
CN116451596B (zh) | 基于电缆柜门模型的配电网防误操作校验方法和装置 |
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 |