CN116679151A - 一种低压台区线损异常诊断方法、装置及存储介质 - Google Patents
一种低压台区线损异常诊断方法、装置及存储介质 Download PDFInfo
- Publication number
- CN116679151A CN116679151A CN202310474736.1A CN202310474736A CN116679151A CN 116679151 A CN116679151 A CN 116679151A CN 202310474736 A CN202310474736 A CN 202310474736A CN 116679151 A CN116679151 A CN 116679151A
- Authority
- CN
- China
- Prior art keywords
- power
- branch
- loss
- level
- line loss
- 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 52
- 238000003745 diagnosis Methods 0.000 title claims abstract description 41
- 230000002159 abnormal effect Effects 0.000 claims abstract description 50
- 230000008859 change Effects 0.000 claims abstract description 31
- 230000005856 abnormality Effects 0.000 claims abstract description 19
- 238000004458 analytical method Methods 0.000 claims abstract description 14
- 230000005540 biological transmission Effects 0.000 claims abstract description 7
- 230000005611 electricity Effects 0.000 claims description 33
- 230000006399 behavior Effects 0.000 claims description 18
- 238000004422 calculation algorithm Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 9
- 230000015654 memory Effects 0.000 claims description 8
- 230000035772 mutation Effects 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 3
- 239000010410 layer Substances 0.000 description 62
- 238000004364 calculation method Methods 0.000 description 9
- 230000009286 beneficial effect Effects 0.000 description 5
- 238000007689 inspection Methods 0.000 description 5
- 238000005065 mining Methods 0.000 description 5
- 238000011835 investigation Methods 0.000 description 4
- 239000002344 surface layer Substances 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000008014 freezing Effects 0.000 description 1
- 238000007710 freezing Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/08—Locating faults in cables, transmission lines, or networks
- G01R31/081—Locating faults in cables, transmission lines, or networks according to type of conductors
- G01R31/085—Locating faults in cables, transmission lines, or networks according to type of conductors in power transmission or distribution lines, e.g. overhead
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R21/00—Arrangements for measuring electric power or power factor
- G01R21/06—Arrangements for measuring electric power or power factor by measuring current and voltage
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/08—Locating faults in cables, transmission lines, or networks
- G01R31/088—Aspects of digital computing
-
- 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
-
- 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
- Y04S10/52—Outage or fault management, e.g. fault detection or location
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Power Engineering (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
Abstract
本发明属于线损异常分析领域,公开了一种低压台区线损异常诊断方法、装置及存储介质,其中方法是首先根据台区拓扑将台区输电线路分为多个层级;然后根据层级的首端功率和末端功率的差值大小逐一判断每个层级是否为高损层级;如果与表箱侧相连接的层级中至少有一个是高损层级,则根据某一时间段内表箱进线端的功率的变化幅值以及表箱内各个电表的功率的变化幅值逐一对表箱侧的所有表箱进行分析,锁定异常电表;最后逐一对所有异常电表进行验证分析,判断其所在支路是否为高损支路并确定高损支路的高损原因。采用本发明的方法可以更高效更准确地对高损点进行定位并分析其高损原因,解决线损治理周期长的问题,实现短时间内的线损异常快速定位。
Description
技术领域
本发明涉及线损异常分析领域,尤其涉及一种低压台区线损异常诊断方法、装置及存储介质。
背景技术
现有线损诊断的技术方案主要分为计量校验类、反窃电检查类、线损排查分析和线路检查类等四种,涵盖存量台区和新增台区试点应用。计量校验类技术方案主要应用于表箱级诊断,通过检测电能表电压、电流及相位,校验误差及常数,锁定疑似异常电能表。反窃电检查类技术方案主要应用于现场窃电隐蔽性强的巡视检查,分布式光伏容量检查等工作,通过现场检查仪、反窃电掌机等设备排查窃电用户,找出台区高损原因。线损排查分析方案可细分为基于分层感知设备的线损分级诊断方案、基于用采数据的边端线损诊断方案两个子类,其中基于分层感知设备的线损分级诊断方案应用于环境复杂、治理反复的疑难台区,通过在台变侧、分支侧和表箱侧分别安装智能感知设备,实现台区数据的分层感知,并在台变侧进行数据汇聚和线损分层计算,实现边端物理拓扑识别、线损诊断分析、异常精准定位等功能;基于用采数据的边端线损诊断方案主要用于解决采集终端分析能力不足的问题,通过在台变侧安装智能管理单元等设备,复用采集系统通道和设备,通过读取台变侧采集终端数据,利用诊断算法对采集事件信息进行综合分析,实现拓扑识别和对计量故障、疑似窃电等问题的研判。线路检查类方案应用于高损无法精准定位问题点的台区,主要采用线损综合分析仪、线损分段检测装置、漏电检测仪、电缆寻踪仪等仪器,用于电缆或线路漏电检测、排查电缆线路去向等,通过对用户用电数据事件的分析、分级电量计算对比等手段定位问题点。
通过对上述四种技术方案的分析,现有技术方案主要存在以下技术问题:
(1)线损诊断周期长。线损计算方案的数据来源多采用日冻结、事件类数据,对数据颗粒度要求不高,导致线损治理周期长,严重影响线损治理效率。
(2)线损诊断精准度不高。现有线损诊断方案对台区物理拓扑绘制精准度、数据采集颗粒度的要求参差不齐,线损计算分析能力不足,无法精准到户等问题普遍存在,导致现有线损治理方法多采用设备治理+人工二次排查方式开展。
发明内容
本发明的目的在于提供一种低压台区线损异常诊断方法、装置及存储介质,用以解决现有的线损异常诊断分析方法的诊断周期长以及精准度不高的问题。
为了实现上述目的,本发明采用如下技术方案:
本发明公开了一种低压台区线损异常诊断方法,包括如下步骤:
1)根据台区拓扑将台区输电线路分为多个层级;
2)根据层级的首端功率和末端功率的差值大小逐一判断每个层级是否为高损层级;
3)如果与表箱侧相连接的层级中至少有一个是高损层级,则根据某一时间段内表箱进线端的功率的变化幅值以及表箱内各个电表的功率的变化幅值逐一对表箱侧的所有表箱进行分析,锁定异常电表;
4)逐一对所有异常电表进行验证分析,判断其所在支路是否为高损支路并确定高损支路的高损原因。
其有益效果为:本发明的方法通过将台区输电线路分为多个层级,然后通过功率差对比判断方法诊断出高损层级,大大提高了对高损点定位的效率;通过利用表箱功率对比分析方法确定出异常电表,最后对所有异常电表进行验证,保障了对高损点定位的准确性。采用本发明的方法可以更高效更准确地对高损点进行定位并分析其高损原因,解决线损治理周期长的问题,实现短时间内的线损异常快速定位,大大提高了线损治理效率,而且由于对高损点定位准确从而避免了人工二次排查耗费大量工作时间的问题,降低线损治理成本。
优选地,步骤2)中判断是否为高损层级的方法为:所述的层级的首端功率和末端功率的理论差值和实际差值分别为理论功率差和实际功率差,若所述的理论功率差大于预设的该层级的理论功率差阈值且所述的实际功率差大于预设的该层级的实际功率差阈值,则判定该层级为高损层级;其中理论功率差是根据层级中每条支路的首端和末端之间的电压降以及首端电流计算出的功率差;实际功率差是根据层级中每条支路的首端实际功率和末端实际功率计算出的功率差。
其有益效果为:通过比较某一层级的理论功率差与该层级的理论功率差阈值的大小并比较该层级的实际功率差与该层级的实际功率差阈值的大小可快速判断出该层级是否是高损层级。
优选地,步骤3)中锁定异常电表的具体方法是:
分别采集t时刻与t+1时刻表箱进线端的功率数据以及每个电表的功率数据;根据采集到的功率数据计算t时刻到t+1时刻表箱进线端的功率数据变化幅值以及该表箱内所有电表的功率数据变化幅值之和,若表箱进线端的功率数据变化幅值大于该表箱内所有电表的功率数据变化幅值之和则代表与该表箱出线端相连的线路中有高损线路;
若表箱进线端的功率数据突变幅值与该表箱内某只电表的功率数据突变幅值之差大于预设的功率数据突变阈值,则将该电表列入计量异常电表名单,否则将其列入计量正常电表名单。
优选地,步骤4)中对异常电表进行验证分析的方法包括:
构建窃电行为与告警事件关联模型;
挖掘出异常电表告警频繁项集,若异常电表告警频繁项集中出现所述关联模型中的告警组合频繁项集时,即确定该异常电表所在支路为高损支路,选择支持度较高的频繁相集关联的窃电行为作为该高损支路的线损异常原因。
其有益效果为:通过构建窃电行为与告警事件关联模型,使得每个告警组合频繁项集均对应一种窃电行为,通过挖掘异常电表告警频繁项集并与关联模型对比从而可以进一步准确判定异常电表所在支路是否是高损支路,而且本方法步骤简单,大大缩短了对异常电表进行验证分析所需的时间,从而进一步提高了低压台区线损异常诊断的效率。
优选地,算某一层级的首端与末端之间的理论功率差的方法包括:
分别测量t时刻该层级每个支路的每一相首端电流;
分别计算t时刻该层级每个支路的每一相电压压降;
根据所述每一相首端电流和对应的所述每一相电压压降分别计算t时刻该层级每个支路的每一相的理论功率差;
对该层级中每一条支路的三相的理论功率差之和求和得出该层级的首端与末端之间的理论功率差。
优选地,计算某一层级的首端与末端之间的实际功率差的方法为:
分别计算t时刻该层级每个支路的支路首端实际功率与支路末端实际功率,所述支路首端实际功率与所述支路末端实际功率之差即为该支路的实际功率差;将该层级中所有支路的实际功率差求和即得该层级的实际功率差。
优选地,采用Apriori算法构建窃电行为与告警事件关联模型。
为解决上述技术问题,本发明还提供了一种低压台区线损异常诊断装置,包括:存储器和处理器,所述存储器存储有计算机程序,所述计算机程序用于被所述处理器执行时,使所述低压台区线损异常诊断装置执行本发明的低压台区线损异常诊断方法,并达到与该方法相同的有益效果。
为解决上述技术问题,本发明还提供了一种计算机可读存储介质,所述存储介质存储有计算机程序,所述计算机程序用于被处理器执行时,使所述存储介质所在设备执行本发明公开的低压台区线损异常诊断方法,并达到与该方法相同的有益效果。
附图说明
图1为本发明的方法步骤流程图;
图2为本发明的低压台区线损异常诊断方法的环节组成示意图;
图3为本发明的低压台区分层示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明了,以下结合附图及实施例,对本发明进行进一步详细说明。
方法实施例:
如图1和图2所示,本发明的低压台区线损异常诊断方法,包括如下步骤:
步骤一、根据台区拓扑将台区输电线路分为多个层级。
例如,可将台区输电线路分为三个层级如图3所示,其中台区变压器到分支箱之间的线路为台变-分支层级,分支箱到表箱之间的线路为分支-表箱层级,表箱到电表之间的线路为表箱-电能表层级;其中,台区变压器设置在台变侧,分支箱设置在分支侧,表箱设置在表箱侧,电表设置在电能表侧。
步骤二、根据层级的首端功率和末端功率的差值大小逐一判断每个层级是否为高损层级。
判断某一层级是否为高损层级的方法是,根据层级的首端功率和末端功率的理论差值即理论功率差是否大于预设的该层级的理论功率差阈值,以及层级的首端功率和末端功率的实际差值即实际功率差是否大于预设的该层级的实际功率差阈值判断该层级是否为高损层级。若某层级的理论功率差大于理论功率差阈值且实际功率差大于实际功率差阈值,则该层级为高损层级。
通过采用比较某一层级的理论功率差与该层级的理论功率差阈值的大小并比较该层级的实际功率差与该层级的实际功率差阈值的大小的方法,可快速判断出该层级是否是高损层级。
计算某一层级的首端与末端之间的理论功率差的方法包括以下步骤:
A、分别测量t时刻该层级每个支路的每一相首端电流;
B、分别计算t时刻该层级每个支路的每一相电压压降,计算公式如下:
第h层i分支的A相在t时刻的电压压降的表达式为:
ΔUhiat=Uhiast-Uhiaet (1)
其中,ΔUhiat代表第h层i分支A相在t时刻的电压压降,h=1代表台变-分支层,h=2代表分支-表箱层,h=3代表表箱总表-电能表层,Uhiast代表第h层i分支A相在t时刻的首端电压,Uhiaet代表第h层i分支A相在t时刻的末端电压。
第h层i分支的B相在t时刻的电压压降的表达式为:
ΔUhibt=Uhibst-Uhibet (2)
其中,ΔUhibt代表第h层i分支B相在t时刻的电压压降,h=1代表台变-分支层,h=2代表分支-表箱层,h=3代表表箱总表-电能表层,Uhibst代表第h层i分支B相在t时刻的首端电压,Uhibet代表第h层i分支B相在t时刻的末端电压;
第h层i分支的C相在t时刻的电压压降的表达式为:
ΔUhict=Uhicst-Uhicet (3)
其中,ΔUhict代表第h层i分支C相在t时刻的电压压降,h=1代表台变-分支层,h=2代表分支-表箱层,h=3代表表箱总表-电能表层,Uhicst代表第h层i分支C相在t时刻的首端电压,Uhicet代表第h层i分支C相在t时刻的末端电压。
C、根据所述每一相首端电流和对应的所述每一相电压压降分别计算t时刻该层级每个支路的每一相的理论功率差;
第h层i分支A相在t时刻的理论功率差表达式为:
ΔPhiat=ΔUhiat×Ihiast (4)
其中,ΔPhiat代表第h层i分支A相在t时刻的理论功率差,ΔUhiat代表第h层i分支A相在t时刻的电压压降,Ihiast代表第h层i分支A相在t时刻的首端电流;
第h层i分支B相在t时刻的理论功率差表达式为:
ΔPhibt=ΔUhibt×Ihibst (5)
其中,ΔPhibt代表第h层i分支B相在t时刻的理论功率差,ΔUhibt代表第h层i分支B相在t时刻的电压压降,Ihibst代表第h层i分支B相在t时刻的首端电流;
第h层i分支C相在t时刻的理论功率差表达式为:
ΔPhict=ΔUhict×Ihicst (6)
其中,ΔPhict代表第h层i分支C相在t时刻的理论功率差,ΔUhict代表第h层i分支C相在t时刻的电压压降,Ihicst代表第h层i分支C相在t时刻的首端电流。
D、对该层级中每一条支路的三相的理论功率差之和求和得出该层级的首端与末端之间的理论功率差,其表达式为:
其中,ΔPht代表第h层的理论功率差,ΔPhiat代表第h层i支路t时刻A相的理论功率差值,ΔPhibt代表第h层i支路t时刻B相的理论功率差值,ΔPhict代表第h层i支路t时刻C相的理论功率差值;其中,i代表第h层的支路编号,n表示第h层的支路数量。
计算某一层级的首端与末端之间的实际功率差的方法包括以下步骤:
a、分别计算t时刻该层级每个支路的支路首端实际功率与支路末端实际功率,某一支路首端实际功率与该支路末端实际功率之差即为该支路的实际功率差。
第h层i支路在t时刻的首端实际功率等于其A、B、C三相的首端实际功率之和,第h层i支路在t时刻每一相的首端实际功率计算方法如下:
第h层i支路在t时刻A相的首端实际功率的计算表达式为:
Phias’t=Uhias’t×Ihias’t (8)
其中,Phias’t代表第h层i支路在t时刻A相的首端实际功率,Uhias’t代表第h层i支路在t时刻A相的首端电压,Ihias’t代表第h层i支路在t时刻A相的首端电流;
第h层i支路在t时刻B相的首端实际功率的计算表达式为:
Phibs’t=Uhibs’t×Ihibs’t (9)
其中,Phibs’t代表第h层i支路在t时刻B相的首端实际功率,Uhibs’t代表第h层i支路在t时刻B相的首端电压,Ihibs’t代表第h层i支路在t时刻B相的首端电流;
第h层i支路在t时刻C相的首端实际功率的计算表达式为:
Phics’t=Uhics’t×Ihics’t (10)
其中,Phics’t代表第h层i支路在t时刻C相的首端实际功率,Uhics’t代表第h层i支路在t时刻C相的首端电压,Ihics’t代表第h层i支路在t时刻C相的首端电流。
第h层i支路在t时刻的末端实际功率等于其A、B、C三相的末端实际功率之和,其A、B、C三相的末端实际功率的计算方法与t时刻该层级的支路的首端实际功率计算方法类似,此处不再赘述。
b、将该层级中所有支路的实际功率差求和即得该层级的实际功率差,其表达式为:
其中,ΔPh’t代表h层在t时刻的实际功率差,Phis’t代表第h层i支路在t时刻的首端节点的实际功率,Phie’t代表第h层i支路在t时刻末端节点的实际功率,其中,i代表第h层的支路编号,n表示第h层的支路数量。
步骤三、如果与表箱侧相连接的层级中至少有一个是高损层级,则根据某一时间段内表箱进线端的功率的变化幅值以及表箱内各个电表的功率的变化幅值逐一对表箱侧的所有表箱进行分析,锁定异常电表,具体方法如下:
(3.1)采集t时刻与t+1时刻表箱进线端的功率数据以及每个电表的功率数据;
可在表箱进线端部署线损诊断装置从机对表箱进线端的功率数据进行采集,采集频率可设置为30s,线损诊断装置从机可采用功率表或者采用电压表与电流表的组合。
(3.2)计算t时刻到t+1时刻表箱进线端的功率数据变化幅值以及该表箱内所有电表的功率数据变化幅值之和;
可将线损诊断装置从机在t时刻采集到的表箱进线端的功率数据以及表箱内的每个电表在t时刻采集到的功率数据分别记为PZt、P1t、P2t、……Pnt,其中PZt代表线损诊断装置在t时刻采集的有功功率,P1t、P2t、……Pnt代表表箱内电表在t时刻采集的有功功率,1……n为表箱内电表的序数;将线损诊断装置从机在t+1时刻采集到的表箱进线端的功率数据以及表箱内的每个电表在t+1时刻采集到的功率数据分别记为PZt1、P1t1、P2t1、……Pnt1,其中PZt1代表线损诊断装置在t+1时刻采集的有功功率,P1t1、P2t1、……Pnt1代表表箱内电表在t+1时刻采集的有功功率,1……n为表箱内电表的序数;
t时刻到t+1时刻表箱进线端的功率数据变化幅值的表达式为:
ΔPZt=PZt-PZt1 (12)
其中ΔPZt代表线损诊断装置两个时间断面的功率变化幅值,PZt和PZt1分别为线损诊断装置在t时刻和t+1时刻采集的有功功率;
t时刻到t+1时刻表箱内第n个电表采集的功率数据变化幅值表达式为:
ΔPnt=Pnt-Pnt1 (13)
其中ΔPnt代表t时刻到t+1时刻表箱内第n个电表采集的功率数据变化幅值,Pnt与Pnt1分别代表t时刻与t+1时刻表箱内第n个电表采集的功率数据;
t时刻到t+1时刻表箱内所有电表采集的功率数据变化幅值之和的计算表达式为:
ΔPt=ΔP1t+ΔP2t+......+ΔPnt (14)
其中ΔPt代表表箱内所有电表采集的功率数据变化幅值之和,ΔP1t……ΔPnt分别代表表箱内不同电表在t时刻到t+1时刻采集的功率数据变化幅值。
(3.3)若表箱进线端的功率数据变化幅值大于该表箱内所有电表采集的功率数据变化幅值之和则代表有线损,若表箱进线端的功率数据突变幅值与某只电表的功率数据突变幅值之差大于预设的阈值,则将该电表列入计量异常电表名单,否则将其列入计量正常电表名单。
其中,变化幅值是指一段时间内的功率变化曲线变化浮动值,指长期的一个变化曲线;突变幅值是指在一段时间内的某一个时间点,功率突然升高或降低的幅值。
步骤四、逐一对所有异常电表进行验证分析,判断其所在支路是否为高损支路并确定高损支路的高损原因。
(4.1)构建窃电行为与告警事件关联模型。
可以采用Relim算法或者Apriori算法或者其他合适的算法进行构建,本实施例采用Apriori算法,包括以下步骤。
(4.1.1)通过统计分析电力公司窃电用户告警事件,得出与窃电行为相关的告警事件与告警类型,如表1所示;
表1疑似窃电相关的异常告警事件
告警类型 | 告警事件 |
电流异常 | 电流不平衡、电流失流 |
电压异常 | 电压断相、电压欠压、电压不平衡 |
功率因数异常 | 功率因数超下限 |
电量异常 | 电能表停走、电能表倒走、反向电量异常 |
接线错误 | 潮流反向、电压逆向序、电流逆向序 |
事件记录 | 电能表开盖、恒定磁场干扰 |
(4.1.2)根据表1可针对疑似窃电户表,构建15日内的与窃电行为相关的告警事件集合Q;
Q=(A1,A2,A3,......,An) (15)
其中A1,A2,A3,……,An代表不同的异常事件向量;例如A1表示电流失流,A2表示电压欠压。
(4.1.3)利用Apriori算法对窃电用户告警事件样本数据库进行挖掘得出所有的告警组合频繁项集,将告警组合频繁项集与窃电行为相关联得出窃电行为与告警事件关联模型。
窃电用户告警事件样本数据库可选择某省电力公司用电信息采集系统内2017-2021年窃电用户的告警事件。
(4.1.3.1)扫描异常用户告警事件集合Q,得到所有出现过的告警事件,作为候选频繁k项集,k的初始值为1;
(4.1.3.2)挖掘出窃电用户告警事件样本数据库中所有的频繁k项集,包括以下步骤;
a)扫描k项集,计算候选频繁k项集的支持度
根据Apriori算法,如用num()表示事件项集Q中某k个事件同时出现的次数,则事件A1和A2同时发生的支持度P(A1,A2)计算公式为:
其中,num(A1∩A2)表示事件项集Q中A1和A2两个事件同时出现的次数,N表示事件项集Q中事件的总次数;
b)剔除候选频繁k项集中支持度最低的数据集,得到频繁k项集;如果得到的频繁k项集只有一项,则该频繁k项集即为算法结果;如果得到的频繁k项集为空,则直接返回频繁k-1项集的集合作为算法结果并结束频繁k项集的挖掘过程;
c)基于频繁k项集,连接生成候选频繁k+1项集;
(4.1.3.3)令k=k+1,返回步骤(4.1.3.2)。
最终构建出的窃电行为与告警事件关联模型,如表2所示:
表2窃电行为与告警事件关联模型
(4.2)利用Apriori算法挖掘出低压台区在某一时间段的异常电表告警频繁项集,若异常电表告警频繁项集中出现表2所示关联模型中的告警组合频繁项集时,即认定该异常电表所在支路为高损支路,选择支持度最高的频繁项集关联的窃电行为作为该高损支路的线损异常原因并输出。
通过构建窃电行为与告警事件关联模型,使得每个告警组合频繁项集均对应一种窃电行为,通过挖掘异常电表告警频繁项集并与关联模型对比从而可以进一步准确判定异常电表所在支路是否是高损支路,而且本方法步骤简单,大大缩短了对异常电表进行验证分析所需的时间,从而进一步提高了低压台区线损异常诊断的效率。
本发明的方法首先通过将台区输电线路分为三个多个层级,然后通过功率差对比判断方法诊断出高损层级,大大提高了对高损点定位的效率;接着通过利用表箱功率对比分析方法确定出异常电表,最后对所有异常电表进行验证,判断其所在支路是否为高损支路并输出高损支路的高损原因,保障了对高损点定位的准确性。采用本发明的方法可以更高效更准确地对高损点进行定位并分析其高损原因,解决线损治理周期长的问题,实现短时间内的线损异常快速定位,大大提高了线损治理效率,而且由于对高损点定位准确从而避免了人工二次排查耗费大量工作时间的问题,降低线损治理成本。
装置实施例:
本发明的一种低压台区线损异常诊断装置,包括:存储器和处理器,存储器存储有计算机程序,计算机程序被处理器执行时,使低压台区线损异常诊断装置执行本发明的低压台区线损异常诊断方法。
其中,处理器可以为微处理器MCU、可编程逻辑器件FPGA等处理装置。存储器可为利用电能方式存储信息的各式存储器。
存储介质实施例:
本发明的一种计算机可读存储介质,存储介质存储有计算机程序,计算机程序被处理器执行时,使存储介质所在设备执行本发明的低压台区线损异常诊断方法。
其中,存储器可为利用电能方式存储信息的各式存储器。
Claims (9)
1.一种低压台区线损异常诊断方法,其特征在于,包括如下步骤:
1)根据台区拓扑将台区输电线路分为多个层级;
2)根据层级的首端功率和末端功率的差值大小逐一判断每个层级是否为高损层级;
3)如果与表箱侧相连接的层级中至少有一个是高损层级,则根据某一时间段内表箱进线端的功率的变化幅值以及表箱内各个电表的功率的变化幅值逐一对表箱侧的所有表箱进行分析,锁定异常电表;
4)逐一对所有异常电表进行验证分析,判断其所在支路是否为高损支路并确定高损支路的高损原因。
2.如权利要求1所述的低压台区线损异常诊断方法,其特征在于,步骤2)中判断是否为高损层级的方法为:所述的层级的首端功率和末端功率的理论差值和实际差值分别为理论功率差和实际功率差,若所述的理论功率差大于预设的该层级的理论功率差阈值且所述的实际功率差大于预设的该层级的实际功率差阈值,则判定该层级为高损层级;其中理论功率差是根据层级中每条支路的首端和末端之间的电压降以及首端电流计算出的功率差;实际功率差是根据层级中每条支路的首端实际功率和末端实际功率计算出的功率差。
3.如权利要求1所述的低压台区线损异常诊断方法,其特征在于,步骤3)中锁定异常电表的具体方法是:
分别采集t时刻与t+1时刻表箱进线端的功率数据以及每个电表的功率数据;根据采集到的功率数据计算t时刻到t+1时刻表箱进线端的功率数据变化幅值以及该表箱内所有电表的功率数据变化幅值之和,若表箱进线端的功率数据变化幅值大于该表箱内所有电表的功率数据变化幅值之和则代表与该表箱出线端相连的线路中有高损线路;
若表箱进线端的功率数据突变幅值与该表箱内某只电表的功率数据突变幅值之差大于预设的功率数据突变阈值,则将该电表列入计量异常电表名单,否则将其列入计量正常电表名单。
4.如权利要求1所述的低压台区线损异常诊断方法,其特征在于,对异常电表进行验证分析,具体包括以下步骤:
构建窃电行为与告警事件关联模型;
挖掘出异常电表告警频繁项集,若异常电表告警频繁项集中出现所述关联模型中的告警组合频繁项集时,即确定该异常电表所在支路为高损支路,选择支持度较高的频繁相集关联的窃电行为作为该高损支路的线损异常原因。
5.如权利要求2所述的低压台区线损异常诊断方法,其特征在于,计算某一层级的首端与末端之间的理论功率差的方法包括:
分别测量t时刻该层级每个支路的每一相首端电流;
分别计算t时刻该层级每个支路的每一相电压压降;
根据所述每一相首端电流和对应的所述每一相电压压降分别计算t时刻该层级每个支路的每一相的理论功率差;
对该层级中每一条支路的三相的理论功率差之和求和得出该层级的首端与末端之间的理论功率差。
6.如权利要求2所述的低压台区线损异常诊断方法,其特征在于,计算某一层级的首端与末端之间的实际功率差的方法为:
分别计算t时刻该层级每个支路的支路首端实际功率与支路末端实际功率,所述支路首端实际功率与所述支路末端实际功率之差即为该支路的实际功率差;将该层级中所有支路的实际功率差求和即得该层级的实际功率差。
7.如权利要求4所述的低压台区线损异常诊断方法,其特征在于,采用Apriori算法构建窃电行为与告警事件关联模型。
8.一种低压台区线损异常诊断装置,其特征在于,包括:存储器和处理器,所述存储器存储有计算机程序,所述计算机程序用于被所述处理器执行时,使所述低压台区线损异常诊断装置执行权利要求1-7任意一项所述的低压台区线损异常诊断方法。
9.一种计算机可读存储介质,所述存储介质存储有计算机程序,其特征在于,所述计算机程序用于被处理器执行时,使所述存储介质所在设备执行权利要求1-7任意一项所述的低压台区线损异常诊断方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310474736.1A CN116679151A (zh) | 2023-04-27 | 2023-04-27 | 一种低压台区线损异常诊断方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310474736.1A CN116679151A (zh) | 2023-04-27 | 2023-04-27 | 一种低压台区线损异常诊断方法、装置及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116679151A true CN116679151A (zh) | 2023-09-01 |
Family
ID=87789841
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310474736.1A Pending CN116679151A (zh) | 2023-04-27 | 2023-04-27 | 一种低压台区线损异常诊断方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116679151A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117748499A (zh) * | 2024-02-19 | 2024-03-22 | 北京智芯微电子科技有限公司 | 基于连接关系向量的低压台区的拓扑结构识别方法和装置 |
-
2023
- 2023-04-27 CN CN202310474736.1A patent/CN116679151A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117748499A (zh) * | 2024-02-19 | 2024-03-22 | 北京智芯微电子科技有限公司 | 基于连接关系向量的低压台区的拓扑结构识别方法和装置 |
CN117748499B (zh) * | 2024-02-19 | 2024-05-17 | 北京智芯微电子科技有限公司 | 基于连接关系向量的低压台区的拓扑结构识别方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110231528B (zh) | 基于负荷特征模型库的变压器户变异常识别方法及装置 | |
CN102662113B (zh) | 基于故障树的油浸式变压器综合诊断方法 | |
Magnago et al. | A unified approach to robust meter placement against loss of measurements and branch outages | |
CN103150633B (zh) | 电力设备状态实时评估和辅助决策系统 | |
CN106338706A (zh) | 一种电能计量装置整体误差检测的方法、装置和系统 | |
CN104809665B (zh) | 一种基于改进Apriori算法的配电网预警方法 | |
CN112288303B (zh) | 确定线损率的方式、装置 | |
CN106557546A (zh) | 一种对特高压在线监测数据进行挖掘并评价的方法及系统 | |
CN111007450A (zh) | 一种检测负荷辨识设备的结果可信度的方法 | |
CN113708500B (zh) | 一种低压用电异常监测系统及方法 | |
CN116679151A (zh) | 一种低压台区线损异常诊断方法、装置及存储介质 | |
CN112418687B (zh) | 基于用电特征的用户用电异常识别方法、装置和存储介质 | |
CN112257013A (zh) | 高损台区基于动态时间弯曲算法的窃电用户识别定位方法 | |
CN109217303A (zh) | 基于配电变压器二次侧实抄电量的10kV配电台区理论线损计算方法 | |
CN111832174B (zh) | 一种基于多元回归的配线线损率处理方法及装置 | |
CN112801135B (zh) | 一种基于特征量相关性的发电厂厂用电系统故障选线方法及设备 | |
CN110873857B (zh) | 基于多源数据融合的智能电能表运行状态评价方法及系统 | |
CN112345972A (zh) | 基于停电事件的配电网线变关系异常诊断方法、装置及系统 | |
CN110780129A (zh) | 基于电流偏差分析技术的窃漏电定位方法 | |
CN115166625A (zh) | 智能电表误差估计方法及装置 | |
CN114779154A (zh) | 一种基于时态分析的智能电表数据时标校准方法及装置 | |
CN110389264B (zh) | 一种异常用电计量的检测方法 | |
CN112749465A (zh) | 用于检测窃电的方法、处理器、存储介质及检测系统 | |
Abur et al. | Optimal meter placement against contingencies | |
Yang et al. | AI-Based Detection of Power Consumption Behavior of People in a Smart City |
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 |