CN116703368B - 基于数据挖掘的同期线损智能闭环监测方法 - Google Patents
基于数据挖掘的同期线损智能闭环监测方法 Download PDFInfo
- Publication number
- CN116703368B CN116703368B CN202310992112.9A CN202310992112A CN116703368B CN 116703368 B CN116703368 B CN 116703368B CN 202310992112 A CN202310992112 A CN 202310992112A CN 116703368 B CN116703368 B CN 116703368B
- Authority
- CN
- China
- Prior art keywords
- line loss
- equipment
- monitoring
- electric quantity
- abnormality
- 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
- 238000000034 method Methods 0.000 title claims abstract description 69
- 238000012544 monitoring process Methods 0.000 title claims abstract description 62
- 230000001360 synchronised effect Effects 0.000 title claims abstract description 17
- 238000007418 data mining Methods 0.000 title claims abstract description 14
- 230000002159 abnormal effect Effects 0.000 claims abstract description 61
- 238000011282 treatment Methods 0.000 claims abstract description 44
- 238000011156 evaluation Methods 0.000 claims abstract description 35
- 238000003745 diagnosis Methods 0.000 claims abstract description 24
- 230000008569 process Effects 0.000 claims abstract description 14
- 238000012795 verification Methods 0.000 claims abstract description 9
- 230000007547 defect Effects 0.000 claims abstract description 7
- 230000008030 elimination Effects 0.000 claims abstract description 4
- 238000003379 elimination reaction Methods 0.000 claims abstract description 4
- 230000005856 abnormality Effects 0.000 claims description 76
- 230000005611 electricity Effects 0.000 claims description 52
- 238000004422 calculation algorithm Methods 0.000 claims description 26
- 238000007621 cluster analysis Methods 0.000 claims description 11
- 238000012552 review Methods 0.000 claims description 11
- 230000003287 optical effect Effects 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 5
- 239000006185 dispersion Substances 0.000 claims description 5
- 238000004891 communication Methods 0.000 claims description 4
- 238000013473 artificial intelligence Methods 0.000 claims description 3
- 230000006872 improvement Effects 0.000 abstract description 12
- 238000004458 analytical method Methods 0.000 abstract description 11
- 230000007246 mechanism Effects 0.000 abstract description 9
- 230000008901 benefit Effects 0.000 abstract description 8
- 230000007812 deficiency Effects 0.000 abstract description 2
- 230000000694 effects Effects 0.000 description 14
- 230000008859 change Effects 0.000 description 10
- 238000005259 measurement Methods 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 8
- 238000012423 maintenance Methods 0.000 description 7
- 238000011161 development Methods 0.000 description 6
- 230000018109 developmental process Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 230000009467 reduction Effects 0.000 description 6
- 238000005065 mining Methods 0.000 description 5
- 238000012790 confirmation Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 238000011835 investigation Methods 0.000 description 4
- 239000000463 material Substances 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 230000003203 everyday effect Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000011158 quantitative evaluation Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 238000012300 Sequence Analysis Methods 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000012098 association analyses Methods 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000002354 daily effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
- 238000002759 z-score normalization Methods 0.000 description 1
Classifications
-
- 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
- G06Q10/20—Administration of product repair or maintenance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- G06Q10/10—Office automation; Time management
- G06Q10/103—Workflow collaboration or project management
-
- 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
- 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
Abstract
本发明公开了基于数据挖掘的同期线损智能闭环监测方法，涉及电网监测技术领域，所述监控方法包括以下步骤：S1：设备全量监测→S2：清单实时发布→S3：异常智能诊断→S4：现场核实消缺→S5：成效跟踪归档；围绕电网线损管理业务，分析电网企业线损治理工作的成效与不足，提出依托同期线损大数据创新的线损治理新模式。本发明进一步提升线损精益化管理水平，丰富智能化模型工具赋能基层，优化工作评价管控机制，建立健全同期线损监测治理全过程闭环管理机制，引导基层单位聚焦异常分析、聚力线损治理、聚能效益提升，高效解决跑冒滴漏等问题，实现各单位线损精益化管理水平持续提升。
Description
技术领域
本发明涉及电网监测技术领域，具体涉及基于数据挖掘的同期线损智能闭环监测方法。
背景技术
线损管理历来是电网企业经营管理的重点和难点，电力企业充分挖掘智能电表作用，近十年来大力推进同期线损系统建设应用，开创性地实施同期线损管理，有效解决了线损失真、跑冒滴漏等问题，取得显著成效，同期线损系统历经十年推广应用，坚持“源头集成、自动计算、零输入”，建立了一套全网耦合联动供售同期的“四分”线损计算模型，打造了贯穿“发-输-变-配-用”全过程、设备用户全覆盖的电量大数据链条，形成了一套各专业齐抓共管的企业级线损管理平台。
现有技术存在以下不足：
然而，在原有的线损管理模式下，现有方法主要以统一的线损指标为衡量标准，以完成指标为导向，缺少对指标达成过程的管控，同时缺少对线损十年大数据的挖掘利用，从而导致在线损管理精细化程度以及线损治理智能化程度低。
发明内容
本发明的目的是提供基于数据挖掘的同期线损智能闭环监测方法，以解决背景技术中不足。
为了实现上述目的，本发明提供如下技术方案：基于数据挖掘的同期线损智能闭环监测方法，所述监测方法包括以下步骤：
S1：设备全量监测
基于人工智能确定电网设备线损水平，建立差异化管理标准，通过自动化在线监测算法模型监测线损率指标是否异常；
S2：清单实时发布
通过聚类分析方法结合档案参数，构建评价体系，对线损异常清单自动分级以及多维监测，根据严重程度对异常清单进行二次数据分拣，并通过通讯设备定向推送至相应人员；
S3：异常智能诊断
通过线损智能诊断库算法在线扫描线损监测异常清单，动态诊断档案异常特征数据，智能研判设备异常疑似原因，通过定位算法定位线损异常设备和用户；
S4：现场核实消缺
全面推行问题分级，推进线损异常治理问题分级制度，全量扫描在运设备，构建设备线损监测治理时光轴；
S5：成效跟踪归档
建立线损异常复诊模型，抽取异常监测清单中设备相关数据，判断复诊设备是否恢复正常，建立线损治理逾期预警模型定期扫描各类治理任务是否逾期。
在一个优选的实施方式中，步骤S2中，通过聚类分析方法结合档案参数包括以下步骤：
S2.1：基于设备档案参数对设备进行分析和分类，采用聚类分析方法将相似的设备归为同一类别；
S2.2：档案参数包括设备能效比、电消耗量相似度与线损电量离散指数。
在一个优选的实施方式中，步骤S2中，构建评价体系包括以下步骤：
S2.3：将设备能效比、电消耗量相似度与线损电量离散指数去除量纲后综合计算获取评价系数，计算表达式为：
式中，为设备能效比，/>为线损电量离散指数，/>为电消耗量相似度，/>、/>、/>分别为设备能效比、线损电量离散指数、电消耗量相似度的比例系数，且/>、/>、/>均大于0；
S2.4：获取评价系数后，将评价系数/>与梯度阈值进行对比，完成评价体系的构建。
在一个优选的实施方式中，步骤S2中，对线损异常清单自动分级包括以下步骤：
S2.5：所述梯度阈值包括第一阈值以及第二阈值，且第一阈值小于第二阈值；
S2.6：若评价系数≥第二阈值，将线损异常清单自动分级为低风险级别；
S2.7：若第一阈值≤评价系数＜第二阈值，将线损异常清单自动分级为中风险级别；
S2.8：若评价系数＜第一阈值，将线损异常清单自动分级为高风险级别。
在一个优选的实施方式中，所述设备能效比中，/>为实际输出功率，为额定输入功率，实际输出功率是电动机实际输出的功率，额定输入功率是电动机的额定功率。
在一个优选的实施方式中，所述线损电量离散指数的获取逻辑为：
获取线损电量标准差；
若线损电量的平均值≤线损阈值，且线损电量标准差/>≤标准阈值，；
若线损电量的平均值≤线损阈值，且线损电量标准差/>大于标准阈值，；
若线损电量的平均值＞线损阈值，且线损电量标准差/>＞标准阈值，；
若线损电量的平均值＞线损阈值，且线损电量标准差/>≤标准阈值，。
在一个优选的实施方式中，所述线损电量标准差的计算表达式为：
式中i=，/>表示线损电量数据点的总数量，/>为正整数，/>表示表示每个线损电量的数值，/>表示线损电量的平均值。
在一个优选的实施方式中，所述电消耗量相似度中，/>为设备当前电消耗量向量与设备标准电消耗量向量的内积，/>分别为设备当前电消耗量向量模长以及设备标准电消耗量向量模长。
在上述技术方案中，本发明提供的技术效果和优点：
本发明围绕电网线损管理业务，分析电网企业线损治理工作的成效与不足，提出依托同期线损大数据创新的线损治理新模式，构建了基于数据挖掘的线损异常智能监测治理闭环管理机制，进一步提升线损精益化管理水平，丰富智能化模型工具赋能基层，优化工作评价管控机制，建立健全同期线损监测治理全过程闭环管理机制，引导基层单位聚焦异常分析、聚力线损治理、聚能效益提升，高效解决跑冒滴漏等问题，实现各单位线损精益化管理水平持续提升；
本发明通过将设备能效比、电消耗量相似度与线损电量离散指数去除量纲后综合计算获取评价系数，有效提高数据的处理效率，并且通过评价系数与梯度阈值进行对比，完成评价体系的构建，从而通过评价体系对设备进行评价并自动分级和多维监测，从而提高对设备的管理效率。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例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中记载的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。
图1为本发明的方法流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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他实施例，都属于本发明保护的范围。
实施例1：请参阅图1所示，本实施例所述基于数据挖掘的同期线损智能闭环监测方法，所述监测方法包括以下步骤：
A、设备全量监测—挖掘历史数据，个性指标监测
深入挖掘同期线损系统十年数据价值，利用人工智能等合理确定电网设备线损水平，建立“一线一台一指标”差异化管理标准，丰富自动化在线监测算法模型，持续监测线损率指标异常，具体包括：
差异区分线损阈值，基于10kV线路同期线损率中位数，理论线损计算值、线路设备型号、供电半径、负荷分布、城农网等参数，计算每条线路的线损率合理区间包括以下步骤：
收集与线路相关的数据，包括10kV线路的同期线损率中位数、线路设备型号、供电半径、负荷分布以及城农网等参数，使用适当的理论线损计算方法，根据线路的参数和特性计算出理论线损值，常用的线损计算方法包括全电量法、损耗功率法和功率平衡法等，确定线损率合理区间：根据实际情况和经验，确定线损率的合理范围，可以参考行业标准、类似线路的历史数据或专家建议来确定，根据所收集到的数据和理论线损计算值，计算每条线路的线损率，将计算得到的线损率与合理区间进行比较，判断线损率是否在合理范围内，如果线损率超出合理区间，可能需要进一步分析和调整相关参数；
落实“一线一策”，构建以“一类台区一指标”的差异化管理模式，基于台区所在地区、供售电量、线损率、型号、容量、供电范围等参数，建立台区线损聚类分析模型，分析各类台区的线损率合理区间，实现“一台一策”全覆盖包括以下步骤：
收集与台区相关的数据，包括台区所在地区、供售电量、线损率、台区设备型号、容量、供电范围等参数，确保数据的准确性和完整性，根据收集到的数据，将台区进行分类，可以根据地理位置、供售电量范围、线损率水平、台区设备型号等参数进行分类，这样可以将相似特征的台区划分为同一类别，使用聚类分析方法，例如K-means聚类算法或层次聚类算法，将同一类别的台区进行聚类分析，聚类分析可以根据线损率、容量、供电范围等参数，将相似的台区归为同一簇，针对每个聚类簇，根据线损率的统计特征和业界标准，确定线损率的合理区间，这可以基于历史数据、专家经验或行业指标等进行确定，根据线损率的合理区间和台区的分类结果，制定针对每个类别台区的管理策略，可以对高线损率的台区采取针对性的改善措施，如设备优化、负荷调整、线路改造等，以降低线损率，根据台区的分类和制定的管理策略，对每个台区实施个性化的管理，监测台区的线损率，根据需要进行调整和改进，以实现线损率的控制和降低；
自动归类线损异常，持续监测线损率指标异常，细分持续高（负）损，间歇高（负）损、突发高（负）损，持续监测设备损失电量波动异常，综合售电量变化趋势和用电设备量测特征数据，甄别线损指标正常但线损电量波动异常的设备包括以下步骤：
收集与线损和设备相关的数据，包括线路损耗数据、供售电量数据、设备损失电量数据以及用电设备的特征数据等，确保数据的准确性和完整性，使用合适的算法和模型，根据线损率指标，将线损异常进行归类，可以使用聚类分析、异常检测或机器学习方法，根据线损率的历史数据和统计特征，将线损异常分为持续高（负）损、间歇高（负）损和突发高（负）损等类别，基于设备损失电量的历史数据，进行异常检测和波动分析，可以使用统计方法、时间序列分析或机器学习模型，监测设备损失电量的波动情况，发现异常波动，将线损异常和设备损失电量波动异常进行关联分析，通过综合售电量的变化趋势和用电设备的量测特征数据，分析线损异常和设备异常之间的关系，并甄别线损指标正常但线损电量波动异常的设备，根据线损异常和设备异常的分析结果，进行异常识别和告警，设定合适的阈值或规则，一旦检测到异常情况，及时触发告警通知，以便采取相应的措施进行处理。
B、清单实时发布—异常分级，定向推送，责任到人
采用聚类等数理分析方法，构建“一设备一指标”的评价体系，对线损异常清单自动分级、多维监测；
根据严重程度对异常清单进行二次数据分拣，拆分为“持续高损、持续负损、风险告警”异常设备清单，并通过PC端、移动端应用、手机短信第一时间定向推送至相应人员，实现设备责任精准到人，自动智能监测发布异常清单到人，指导基层有的放矢、高效治损。
C、异常智能诊断—丰富线损诊断算法，主动定位异常原因
充分汲取基层线损治理经验，构建线损智能诊断库算法，在线扫描线损监测异常清单，动态诊断档案变更、关系调整、采集数据完整性、电量拉动率、电量相关性、电流电压异常特征数据等关键指标，智能研判设备异常疑似原因包括以下步骤：
基层线损治理经验汲取：收集并整理基层线损治理的经验和知识，包括设备异常原因、线损监测异常情况以及相应的处理措施，建立经验数据库，用于后续的智能诊断和判断，基于基层经验和相关领域的知识，构建线损智能诊断库，该库可以包括设备异常模式、异常特征和与线损相关的关键指标等，根据线损监测系统的异常清单或告警信息，对异常情况进行扫描，获取设备异常的相关信息，如设备标识、时间、异常指标等，从异常清单中提取关键指标，如档案变更、关系调整、采集数据完整性、电量拉动率、电量相关性、电流电压异常特征数据等，这些指标可以用来判断设备异常的可能原因，利用线损智能诊断库算法，对提取的关键指标进行分析和匹配，根据异常模式和经验规则，进行智能研判，得出设备异常疑似原因，对疑似原因进行评估和排查，进一步确认设备异常的真实原因，可以借助设备检测、维护记录、运行数据等信息，对疑似原因进行验证和深入分析。
基于用户或设备的计量方式、接线方式、用电规模、量测数据，通过系统应用智能算法，充分挖掘线损异动特征数据，过滤线路模型全量数据，定位分析异常诊断，对设备产生电量、电流、电压数据进行深度挖掘，通过特征数据找问题，辅助精准聚焦线损成因，为现场排查提供有力支撑包括以下步骤：
收集用户或设备的计量方式、接线方式、用电规模、量测数据等相关信息，并进行整理和归档，利用智能算法，对收集的数据进行分析和处理，这可以包括机器学习、数据挖掘、模式识别等方法，用于发现异常模式和特征，以及建立线损异动的诊断模型，利用智能算法，对线损异动特征数据进行挖掘，这可以包括异常数据点的识别、异常数据的趋势分析、异常数据与其他参数的关联等，通过智能算法，对线路模型的全量数据进行过滤，筛选出与线损异常相关的数据，以减少排查范围和提高效率，通过智能算法和挖掘的特征数据，对线损异常进行定位和诊断，识别异常的设备或线路段，并确定可能的异常原因和成因，对设备产生的电量、电流、电压等数据进行深度挖掘和分析，探索数据之间的关联性和异常模式，以发现潜在的问题和线损成因，基于深度挖掘的特征数据和异常诊断结果，辅助聚焦线损成因，缩小排查范围，为现场排查提供有力的支撑和指导。
采用电量拉动率算法、K值法、相关系数算法等算法精准定位线损异常设备和用户，并最终将线损异常归结设备计量、客户用电、档案关系、电网运行、数据传输等五大类，根据异常严重程度推荐算法排序重点核查对象，辅助基层员工在线损智能诊断方面聚焦重点、定点突破包括以下步骤：
收集并整理线损数据、设备计量数据、客户用电数据、档案关系数据、电网运行数据等相关信息，建立数据集，利用电量拉动率算法，计算设备或用户的电量拉动率，电量拉动率表示设备或用户的电量变化对线损变化的敏感程度，通过计算电量拉动率，可以判断设备或用户对线损异常的影响程度，采用K值法，计算设备或用户的K值，K值反映了设备或用户实际用电与理论用电之间的差异，是判断设备或用户用电异常的指标之一，通过K值法，可以识别用电异常的设备或用户，应用相关系数算法，计算不同变量之间的相关性，通过分析设备计量数据、客户用电数据、档案关系数据、电网运行数据等之间的相关性，可以发现可能存在的异常关系，帮助定位异常源头，根据异常数据的特征和算法分析结果，将线损异常归结为设备计量、客户用电、档案关系、电网运行、数据传输等五大类，这有助于更好地理解和诊断异常的根本原因，根据异常的影响程度和重要性，对异常进行严重程度评估，确定重点核查对象，可以根据电量拉动率、K值、相关系数等指标进行排序，将严重程度较高的异常排在前面，优先进行核查和处理，将异常诊断结果和重点核查对象的推荐算法排序提供给基层员工，辅助他们进行线损智能诊断，通过聚焦重点和定点突破，帮助基层员工更加高效地进行异常排查和解决。
D、现场核实消缺——分类现场核实，限时异常消缺
全面推行问题分级，现场人员真实反馈异常成因，逐项应答问题清单是否属实，推进线损异常治理问题分级制度，线损问题分为四类：Ⅰ类问题为跑冒滴漏问题，主要由于用户违约用电、错接线、计量失准等问题造成，要求5个工作日完成确认，60个自然日内完成归档，Ⅱ类问题为档案关系问题，多为专业数据维护错误或滞后造成，要求5个工作日内完成确认，5个工作日内完成归档，Ⅲ类问题为采集计量问题，以采集和通道故障为主，偶发性比较强，要求3个工作日内完成确认仍处于故障状态的采集异常清单，20个自然日内完成采集消缺归档，Ⅳ类问题为电网问题，多为电网经济运行类问题，涉及电网投资改造，要求发展专业做好降损项目协同工作，5个工作日内完成确认，45个自然日内确定是否纳入降损问题库；
常态开展异常复诊，全量扫描在运设备，构建设备线损监测治理时光轴，每日跟踪监测治理结果，做到“监测一例，诊断一例，治理一例、复诊一例”，不断积累线损治理成效，通过跟踪设备监测治理时光轴，预防治理任务重复推送，避免由于少量线损异常治理滞后，再次异常叠加形成“堰塞湖”，人为加大后期治理难度包括以下步骤：
定期对异常线损进行复诊，重新评估设备的线损情况，确保异常的诊断和治理工作得以跟进和持续改善，对所有在运设备进行全量扫描，包括设备计量数据、用电数据、档案数据等，以确保线损监测的全面性和准确性，建立设备线损监测治理的时光轴，记录每个设备的监测、诊断、治理的时间节点和过程，以便跟踪和评估治理成效，每日跟踪监测和治理的结果，包括设备的线损情况、治理措施的实施情况、效果评估等，确保治理工作的及时性和有效性，“监测一例，诊断一例，治理一例、复诊一例”原则：按照“监测一例，诊断一例，治理一例、复诊一例”的原则进行工作，确保每个设备的异常情况得到全面的关注和处理，避免遗漏和滞后，不断积累线损治理的成效和经验，通过治理成果的积累和总结，不断提高线损治理的效率和质量，通过跟踪设备监测治理时光轴，及时发现和预防治理任务的重复推送，避免由于少量线损异常治理滞后而形成后期治理难度的累积效应。
E、成效跟踪归档——系统自动跟踪，治损闭环归档
实时跟踪、持续引导基层人员的核实治理工作，推动基层实现限期闭环，落实落细，建立线损异常复诊模型，抽取异常监测清单中设备线损率、设备拓扑数据、量测数据，复诊设备线损率是否恢复正常、线损电量波动异常是否恢复、设备采集故障是否治理等，多维度综合定性线损治理是否取得实效包括以下步骤：
建立实时跟踪机制，持续引导基层人员进行线损治理工作，确保工作的进展和落实，通过定期沟通、反馈、指导等方式，推动基层实现限期闭环，将治理工作落实到具体操作层面，根据历史数据和经验，建立线损异常复诊模型，该模型可以根据设备线损率、设备拓扑数据、量测数据等指标，综合评估异常治理的实效性，从异常监测清单中抽取相关数据，包括设备线损率、设备拓扑数据、量测数据等，这些数据将用于后续的线损异常复诊分析，通过对复诊设备的线损率进行分析，判断线损率是否恢复到正常水平，比较复诊前后的线损率数据，确定线损率的变化情况，对复诊设备的线损电量波动异常进行分析，判断是否恢复正常，通过量测数据和波动性指标的比较，评估线损电量波动异常是否得到控制和改善，分析复诊设备的采集故障情况，判断是否得到治理，通过设备拓扑数据和采集故障记录，评估设备采集故障是否得到解决和修复。
同时建立线损治理逾期预警模型，线损系统依据线损治理期限标准，每日扫描各类治理任务是否逾期，即将逾期任务推送设备线损主人，已经逾期自带分级上报，在同期线损系统中建立治损前后效果量化评估机制，确保效益切实提升包括以下步骤：
建立逾期预警模型，该模型根据线损治理任务的期限和优先级，预测任务是否可能逾期，并进行预警提示，线损系统每日扫描各类治理任务是否逾期，通过与实际任务截止日期对比，判断任务是否已经逾期，对即将逾期的任务，将通知推送给设备线损主人，通过提醒和催促，确保逾期任务得到重视和及时处理，对已经逾期的任务，系统自动进行分级上报，上报可以包括不同级别的异常警示，以引起更高层级的关注和干预，在同期线损系统中建立治损前后效果的量化评估机制，通过对线损指标、设备状态、用电数据等进行对比和分析，评估线损治理的效果和效益，通过以上措施，确保线损治理任务得到及时处理和跟进，减少逾期情况的发生，同时，通过量化评估机制，及时发现治损效果的变化和提升空间，以进一步优化线损治理策略，确保效益的切实提升。
动研判治理完成，基于治理前后线损率是否回归正常，自动研判线损治理工作是否完成，治理完成后，档案关系错误、采集计量类问题自动归档，技术类长期问题，由线损责任专业会同发展专业，核实后滚动纳入降损项目库，对于跑冒滴漏问题，系统根据治理前后损失电量变化平均值，计算降损电量，由线损责任专业确认后归档包括以下步骤：
基于治理前后线损率是否回归正常的判断，自动研判线损治理工作是否完成，如果线损率已经恢复到正常水平，系统自动识别为治理完成，在治理完成后，系统自动对档案关系错误和采集计量类问题进行归档，这些问题会被记录和存档，以便后续的数据分析和处理，对于技术类长期问题，线损责任专业会同发展专业进行核实，核实后，将问题纳入降损项目库，以便进一步的降损工作和持续改进，系统根据治理前后损失电量变化平均值进行计算，以确定降损电量，线损责任专业会确认计算结果，并将处理结果归档。
构建线损治理经验库，鼓励基层单位在线损治理过程中，对典型接线错误、偷窃电方法、设备故障等能现场拍照取证并上传系统，做好后期经验分享，涉及用户电量追补的，建议提供用户签字、追缴发票等佐证材料包括以下步骤：
创建一个线损治理经验库，用于收集和存储基层单位在线损治理过程中的经验和案例，该经验库可以是一个在线平台或系统，方便基层单位进行经验分享和查阅，在实施线损治理过程中，鼓励基层单位对典型接线错误、偷窃电方法、设备故障等问题进行现场拍照取证，将取证照片上传到系统中，作为治理过程中的证据和记录，基层单位可以根据治理过程中的经验和教训，进行经验分享和记录，他们可以将治理过程中的关键步骤、成功案例、遇到的问题和解决方法等进行整理和总结，分享给其他单位参考和借鉴，在涉及用户电量追补的情况下，建议提供用户签字、追缴发票等佐证材料，这些材料可以作为证据，证明用户电量的追补和实际消耗的一致性。
管理成效：本申请监测方法自2022年3月起开始推广，已覆盖27家省公司、357家市公司、2462家县公司、24005家供电所，已实现4.3万座变电站、5.7万条输电线路、33万条10千伏配电线路、553万台公用配电变压器、506万高压用户、5.6亿低压用户的线损与电量异常全量在线监测，已支撑公司10.5万名线损业务人员线损治理工作，截至目前已发布10千伏配电线路线损异常问题6.1万余条，核实4.8万余条，并完成2.6万余条线路的治理闭环，发布台区线损异常问题7万余条，核实3.5万余条，并完成近2万个台区的异常治理闭环，线损治理周期由原来的2-3个月缩短到10天以内，效率大幅提升，一年可压降线损电量超过100亿千瓦时，经济效益显著。
实施例2：通过聚类分析方法结合档案参数，构建评价体系，对线损异常清单自动分级以及多维监测，根据严重程度对异常清单进行二次数据分拣，并通过通讯设备定向推送至相应人员包括以下步骤：
基于设备档案参数对设备进行分析和分类，可以采用聚类分析方法，将相似的设备归为同一类别；
档案参数包括设备能效比、电消耗量相似度与线损电量离散指数；
将设备能效比、电消耗量相似度与线损电量离散指数去除量纲后综合计算获取评价系数，计算表达式为：
式中，为设备能效比，/>为线损电量离散指数，/>为电消耗量相似度，/>、/>、/>分别为设备能效比、线损电量离散指数、电消耗量相似度的比例系数，且/>、、/>均大于0。
获取评价系数后，将评价系数/>与梯度阈值进行对比，完成评价体系的构建。
所述梯度阈值包括第一阈值以及第二阈值，且第一阈值小于第二阈值；
若评价系数≥第二阈值，将线损异常清单自动分级为低风险级别，进行的多维监测为对设备的运行状态进行实时监测，包括设备的温度、振动、电流等参数，通过实时监测，及时发现设备的异常情况，对设备的负荷情况进行监测，评估设备的负载率和负荷均衡情况，确保设备在正常运行范围内，分析设备的历史故障记录，评估故障发生频率和类型，以预测潜在故障的发生，并采取相应的维护措施进行预防；
若第一阈值≤评价系数＜第二阈值，将线损异常清单自动分级为中风险级别，进行的多维监测为对设备的关键参数进行实时监测，如温度、电流、振动等，通过与设备的历史数据进行对比，及时发现参数异常或异常趋势，监测设备的维护计划执行情况，确保维护任务按计划进行，并评估维护的效果和影响，通过对设备历史数据的趋势分析，预测设备的未来运行情况，以及可能的线损异常发生趋势；
若评价系数＜第一阈值，将线损异常清单自动分级为高风险级别，进行的多维监测为建立实时告警系统，监测设备的关键参数，并在异常情况发生时及时发出告警，以便及时采取措施进行处理，对设备相关的线损数据进行实时监测和分析，评估线损的波动情况，并与设备状态进行关联分析，发现设备问题可能导致的线损异常，采用综合故障诊断技术，通过分析设备的运行数据、振动信号、温度数据等，识别可能的故障原因，提前进行预警和维修。
设备能效比中，/>为实际输出功率，/>为额定输入功率，实际输出功率是电动机实际输出的功率，额定输入功率是电动机的额定功率，设备能效比越大，表示设备在单位能源输入下能够提供更多的有用输出，因此，设备能效比越大，评价设备的能效性能越好，一个高设备能效比意味着设备在实现其功能的同时，能够以更少的能源消耗来完成任务，这对于能源节约、环境保护和可持续发展具有重要意义，高能效设备通常能够提供更高的能源利用效率，减少不必要的能源浪费，从而降低运营成本，并对减少碳排放和环境保护产生积极影响。
线损电量离散指数的获取逻辑为：
1）获取线损电量标准差，计算表达式为：
式中i=，/>表示线损电量数据点的总数量，/>为正整数，/>表示表示每个线损电量的数值，/>表示线损电量的平均值；
2）若线损电量的平均值≤线损阈值，且线损电量标准差/>≤标准阈值，表明设备的综合线损电量小，且线损电量稳定，/>；
3）若线损电量的平均值≤线损阈值，且线损电量标准差/>大于标准阈值，表明设备的综合线损电量小，但线损电量不稳定，/>；
4）若线损电量的平均值＞线损阈值，且线损电量标准差/>＞标准阈值，表明设备的综合线损电量大，且发展趋势缓和，/>；
5）若线损电量的平均值＞线损阈值，且线损电量标准差/>≤标准阈值，表明设备的综合线损电量大，且发展趋势快，/>。
线损电量离散指数越大，表明设备可能存在线路老化、设备故障、电压不稳等状况。
电消耗量相似度中，/>为设备当前电消耗量向量与设备标准电消耗量向量的内积，/>分别为设备当前电消耗量向量模长以及设备标准电消耗量向量模长，电消耗量相似度越大，表明设备的当前电消耗量与设备标准电消耗量越相似，设备运行越稳定。
获取设备当前电消耗量向量的步骤如下：
1）收集设备的当前电消耗量数据，这可以通过实时监测设备的电能消耗量或定期记录设备的电能消耗数据来获取；
2）将收集到的当前电消耗量数据进行处理，转化为向量形式，每个设备可以表示为一个包含电消耗量的向量，其中向量的维度取决于数据的采集频率和所选择的时间窗口；
3）对电消耗量向量进行归一化处理，以消除不同设备之间的数量级差异，常见的归一化方法包括最大最小值归一化或Z-score归一化；
4）将归一化后的电消耗量数据组成一个向量，向量的每个维度可以表示某个时间段内的电能消耗量；
5）确保每个电消耗量向量与相应的设备进行关联，以便后续的相似度计算和分析。
上述公式均是去量纲取其数值计算，公式是由采集大量数据进行软件模拟得到最近真实情况的一个公式，公式中的预设参数由本领域的技术人员根据实际情况进行设置。
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 (5)
1.基于数据挖掘的同期线损智能闭环监测方法，其特征在于：所述监测方法包括以下步骤：
S1：设备全量监测
基于人工智能确定电网设备线损水平，建立差异化管理标准，通过自动化在线监测算法模型监测线损率指标是否异常；
S2：清单实时发布
通过聚类分析方法结合档案参数，构建评价体系，对线损异常清单自动分级以及多维监测，根据严重程度对异常清单进行二次数据分拣，并通过通讯设备定向推送至相应人员；
S3：异常智能诊断
通过线损智能诊断库算法在线扫描线损监测异常清单，动态诊断档案异常特征数据，智能研判设备异常疑似原因，通过定位算法定位线损异常设备和用户；
S4：现场核实消缺
全面推行问题分级，推进线损异常治理问题分级制度，全量扫描在运设备，构建设备线损监测治理时光轴；
S5：成效跟踪归档
建立线损异常复诊模型，抽取异常监测清单中设备相关数据，判断复诊设备是否恢复正常，建立线损治理逾期预警模型定期扫描各类治理任务是否逾期；
步骤S2中，通过聚类分析方法结合档案参数包括以下步骤：
S2.1：基于设备档案参数对设备进行分析和分类，采用聚类分析方法将相似的设备归为同一类别；
S2.2：档案参数包括设备能效比、电消耗量相似度与线损电量离散指数；
步骤S2中，构建评价体系包括以下步骤：
S2.3：将设备能效比、电消耗量相似度与线损电量离散指数去除量纲后综合计算获取评价系数，计算表达式为：
式中，/>为设备能效比，/>为线损电量离散指数，/>为电消耗量相似度，/>、/>、/>分别为设备能效比、线损电量离散指数、电消耗量相似度的比例系数，且/>、/>、/>均大于0，所述电消耗量相似度/>中，为设备当前电消耗量向量与设备标准电消耗量向量的内积，/>分别为设备当前电消耗量向量模长以及设备标准电消耗量向量模长；
S2.4：获取评价系数后，将评价系数/>与梯度阈值进行对比，完成评价体系的构建。
2.根据权利要求1所述的基于数据挖掘的同期线损智能闭环监测方法，其特征在于：步骤S2中，对线损异常清单自动分级包括以下步骤：
S2.5：所述梯度阈值包括第一阈值以及第二阈值，且第一阈值小于第二阈值；
S2.6：若评价系数≥第二阈值，将线损异常清单自动分级为低风险级别；
S2.7：若第一阈值≤评价系数＜第二阈值，将线损异常清单自动分级为中风险级别；
S2.8：若评价系数＜第一阈值，将线损异常清单自动分级为高风险级别。
3.根据权利要求2所述的基于数据挖掘的同期线损智能闭环监测方法，其特征在于：所述设备能效比中，/>为实际输出功率，/>为额定输入功率，实际输出功率是电动机实际输出的功率，额定输入功率是电动机的额定功率。
4.根据权利要求3所述的基于数据挖掘的同期线损智能闭环监测方法，其特征在于：所述线损电量离散指数的获取逻辑为：
获取线损电量标准差；
若线损电量的平均值≤线损阈值，且线损电量标准差/>≤标准阈值，/>；
若线损电量的平均值≤线损阈值，且线损电量标准差/>大于标准阈值，/>；
若线损电量的平均值＞线损阈值，且线损电量标准差/>＞标准阈值，/>；
若线损电量的平均值＞线损阈值，且线损电量标准差/>≤标准阈值，/>。
5.根据权利要求4所述的基于数据挖掘的同期线损智能闭环监测方法，其特征在于：所述线损电量标准差的计算表达式为：
式中i=/>，/>表示线损电量数据点的总数量，/>为正整数，/>表示每个线损电量的数值，/>表示线损电量的平均值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310992112.9A CN116703368B (zh) | 2023-08-08 | 2023-08-08 | 基于数据挖掘的同期线损智能闭环监测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310992112.9A CN116703368B (zh) | 2023-08-08 | 2023-08-08 | 基于数据挖掘的同期线损智能闭环监测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116703368A CN116703368A (zh) | 2023-09-05 |
| CN116703368B true CN116703368B (zh) | 2023-10-13 |
Family
ID=87831597
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310992112.9A Active CN116703368B (zh) | 2023-08-08 | 2023-08-08 | 基于数据挖掘的同期线损智能闭环监测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116703368B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117270482A (zh) * | 2023-11-22 | 2023-12-22 | 博世汽车部件(苏州)有限公司 | 基于数字孪生的汽车工厂控制系统 |
| CN117424353B (zh) * | 2023-12-19 | 2024-02-27 | 国网山西省电力公司营销服务中心 | 一种基于配电网多元量测数据融合的状态评价系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108764501A (zh) * | 2018-05-30 | 2018-11-06 | 国网上海市电力公司 | 一种线损问题的分析及消缺处理方法 |
| CN110163410A (zh) * | 2019-04-08 | 2019-08-23 | 国网信通亿力科技有限责任公司 | 一种基于神经网络-时间序列的线损电量预测方法 |
| KR102092185B1 (ko) * | 2019-10-07 | 2020-05-26 | 팩트얼라이언스 주식회사 | 중전기기 건전성 분석 플랫폼 및 이를 이용하는 분석 방법 |
| CN113159339A (zh) * | 2021-04-20 | 2021-07-23 | 国网江西省电力有限公司信息通信分公司 | 一种基于大数据的一台区一指标线损管理方法及系统 |
| CN113902062A (zh) * | 2021-12-13 | 2022-01-07 | 国网江西省电力有限公司电力科学研究院 | 一种基于大数据的台区线损异常原因分析方法及装置 |
| WO2023035499A1 (zh) * | 2021-09-10 | 2023-03-16 | 国网上海市电力公司 | 一种配电网的韧性综合评估方法和系统 |
-
2023
- 2023-08-08 CN CN202310992112.9A patent/CN116703368B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108764501A (zh) * | 2018-05-30 | 2018-11-06 | 国网上海市电力公司 | 一种线损问题的分析及消缺处理方法 |
| CN110163410A (zh) * | 2019-04-08 | 2019-08-23 | 国网信通亿力科技有限责任公司 | 一种基于神经网络-时间序列的线损电量预测方法 |
| KR102092185B1 (ko) * | 2019-10-07 | 2020-05-26 | 팩트얼라이언스 주식회사 | 중전기기 건전성 분석 플랫폼 및 이를 이용하는 분석 방법 |
| CN113159339A (zh) * | 2021-04-20 | 2021-07-23 | 国网江西省电力有限公司信息通信分公司 | 一种基于大数据的一台区一指标线损管理方法及系统 |
| WO2023035499A1 (zh) * | 2021-09-10 | 2023-03-16 | 国网上海市电力公司 | 一种配电网的韧性综合评估方法和系统 |
| CN113902062A (zh) * | 2021-12-13 | 2022-01-07 | 国网江西省电力有限公司电力科学研究院 | 一种基于大数据的台区线损异常原因分析方法及装置 |
Non-Patent Citations (1)
| Title |
|---|
| 基于数据挖掘技术的台区线损智能诊断研究及应用;张蓝宇;陈艺云;吴海入;王珏;钟永恒;;湖南电力(02);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116703368A (zh) | 2023-09-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116703368B (zh) | 基于数据挖掘的同期线损智能闭环监测方法 | |
| CN110097297B (zh) | 一种多维度窃电态势智能感知方法、系统、设备及介质 | |
| CN106557991B (zh) | 电压监测数据平台 | |
| CN106384210B (zh) | 一种基于检修风险收益的输变电设备检修优先级排序方法 | |
| US20130232094A1 (en) | Machine learning for power grid | |
| CN110837963A (zh) | 一种基于数据、模型及策略的风险控制平台建设方法 | |
| CN112766550A (zh) | 基于随机森林的停电敏感用户预测方法、系统、存储介质及计算机设备 | |
| CN114389359A (zh) | 一种基于云边协同的集控式继电保护设备智能运维方法 | |
| CN105373894A (zh) | 基于稽查数据的电力营销业务诊断模型的建立方法及系统 | |
| CN110674189A (zh) | 一种智能变电站二次状态监测与故障定位的方法 | |
| CN114638476A (zh) | 一种水利一体化运维管理方法及系统 | |
| CN116742799A (zh) | 一种基于物联网技术的配电辅助监测预警系统 | |
| CN117035513A (zh) | 一种智慧工业园区能源运行智能监测管理系统及方法 | |
| CN110348683A (zh) | 电能质量扰动事件主成因分析方法、装置设备及存储介质 | |
| CN113420162A (zh) | 一种基于知识图谱的设备运行链状态监测方法 | |
| CN117151345A (zh) | 一种基于ai技术的企业管理智能决策平台 | |
| CN116011827A (zh) | 一种用于重点小区的停电监测分析与预警系统及方法 | |
| CN112257937B (zh) | 一种基于大数据技术的配电网故障预测系统及方法 | |
| CN116401601B (zh) | 基于逻辑回归模型的停电敏感用户处置方法 | |
| CN112256735B (zh) | 一种用电监测方法、装置、计算机设备和存储介质 | |
| Anderson et al. | A Bayesian hierarchical assessment of night shift working for offshore wind farms | |
| CN114168662A (zh) | 一种基于多数据源的配电网问题梳理分析方法及系统 | |
| CN114066219A (zh) | 一种关联矩阵下用电异常点智能识别的窃电分析方法 | |
| CN112308437A (zh) | 基于大数据分析的线损治理方法、系统、装置和存储介质 | |
| CN117094688B (zh) | 一种供电所数字化管控方法及系统 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |