CN117633678A - 一种抄表问题及原因分析系统及其分析方法 - Google Patents
一种抄表问题及原因分析系统及其分析方法 Download PDFInfo
- Publication number
- CN117633678A CN117633678A CN202311478445.6A CN202311478445A CN117633678A CN 117633678 A CN117633678 A CN 117633678A CN 202311478445 A CN202311478445 A CN 202311478445A CN 117633678 A CN117633678 A CN 117633678A
- Authority
- CN
- China
- Prior art keywords
- data
- meter reading
- power grid
- time
- analysis
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 40
- 230000002159 abnormal effect Effects 0.000 claims abstract description 42
- 238000000034 method Methods 0.000 claims abstract description 29
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 17
- 230000008859 change Effects 0.000 claims abstract description 5
- 238000013213 extrapolation Methods 0.000 claims abstract description 5
- 238000012545 processing Methods 0.000 claims description 20
- 238000001514 detection method Methods 0.000 claims description 18
- 238000004891 communication Methods 0.000 claims description 17
- 239000011159 matrix material Substances 0.000 claims description 16
- 230000005856 abnormality Effects 0.000 claims description 12
- 230000005540 biological transmission Effects 0.000 claims description 11
- 238000011161 development Methods 0.000 claims description 10
- 230000010354 integration Effects 0.000 claims description 10
- 238000012937 correction Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 9
- 238000012544 monitoring process Methods 0.000 claims description 8
- 238000007405 data analysis Methods 0.000 claims description 7
- 230000002787 reinforcement Effects 0.000 claims description 6
- 238000004140 cleaning Methods 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 230000001419 dependent effect Effects 0.000 claims description 3
- 230000007774 longterm Effects 0.000 claims description 3
- 230000006855 networking Effects 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 9
- 238000013178 mathematical model Methods 0.000 abstract description 2
- 238000013450 outlier detection Methods 0.000 abstract description 2
- 230000004044 response Effects 0.000 description 8
- 230000000007 visual effect Effects 0.000 description 8
- 238000004590 computer program Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 238000007726 management method Methods 0.000 description 5
- 230000008439 repair process Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000003449 preventive effect Effects 0.000 description 2
- 238000004092 self-diagnosis Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000002547 anomalous effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Landscapes
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
Abstract
本发明公开了一种抄表问题及原因分析系统及其分析方法,涉及电网技术领域,通过离群点检测技术和数据差值和外推方法建立数学模型和算法,精确地识别和区分真正的异常数据和正常数据,分析数据变化趋势和填补异常数据,大幅提升电网抄表数据问题分析的准确性和效率。
Description
技术领域
本发明涉及电网抄表数据分析技术领域,尤其涉及一种抄表问题及原因分析系统及其分析方法。
背景技术
随着智能电网的不断发展,电网抄表数据问题从初期依靠人工分析电表读数的规律和趋势来判断是否存在异常情况,逐渐演变为通过建立抄表数据问题分析系统对不断扩大的电表数据量进行统计和分析。初期,电网抄表数据问题分析系统主要使用基本的统计方法和规则引擎来进行数据处理和异常检测。随着技术的不断进步,电网抄表数据问题分析系统逐渐引入了大数据和机器学习技术,使得电网抄表数据问题分析的准确性和效率得到进一步提升。
近年来,虽然电网抄表数据问题分析系统的性能不断提升,但仍然存在诸多技术缺陷,至少包括如下几个方面:1.现有系统可以满足针对少量数据的计算和分析,但随着电网电表数据的不断增长,对于大规模数据及高复杂度问题进行处理和优化无法满足。2.异常检测和自动校正也可能面临一些困难,尽管可以建立检测异常的模型或规则,但真正判断是否为异常情况还需要人工审查,这可能存在人力资源的限制或者需要一定的时间延迟。3.尽管使用统计分析和数据挖掘技术可以进行有用的信息提取,但需要针对不同类型的数据和业务进行不同的分析方法和合适的算法模型选择。
发明内容
本发明要解决的技术问题时针对现有技术的种种不足,提供一种抄表问题及原因分析系统及其分析方法。
为解决上述技术问题,本发明所采取的技术方案如下。
抄表问题及原因分析系统,包括如下技术模块:
异常检测算法模块,用于实时监控电网抄表数据,检测出异常数据点并追踪潜在抄表问题;
分布式计算模块,用于处理大规模并行计算、优化问题求解方面的电网数据,提升电网数据处理能力和数据分析的深度和广度,实现高效而准确的电网抄表问题分析;
深度强化学习模块,实现根据现有电网抄表数据进行智能化的决策和预测,解决电网数据问题;
IOT模块,实时收集和整合各种抄表设备的数据信息,提高数据实时性和完整性;
5G网络通信模块,大规模设备的同时联网以及大数据量的即时传输,保障电网抄表数据的实时性和完整性。
一种上述的抄表问题及原因分析系统的分析方法,包括以下步骤:
A、异常检测算法模块通过构建异常检测算法模型,发现与常规数据明显不同的数据点;
B、分布式计算模块对大规模数据及高复杂度问题进行处理和优化,进一步提升电网数据分析的深度和广度,构建高效而准确的电网抄表问题分析模型;
C、深度强化学习模块根据现有电网抄表数据进行智能化的决策和预测,解决电网数据问题;
D、IOT模块将抄表设备连接至统一管理平台,实时收集和整合各种抄表设备的数据信息,使运营商能够更有效地监控和诊断电网问题;
E、5G网络通信模块利用高带宽和低延迟的特性,确保电网抄表数据传输的稳定性和速度。
作为本发明的一种优选技术方案,步骤A中异常检测算法模型的数据构建过程如下:
(1)、通过Z-score方法来找出可能的异常读数,计算原始读数的平均值μ和标准差σ,Z-Score=(x-μ)/σ得到每个数值点对应的Z-Score;如果某个数据点的ZScore绝对值大于3,该数据点被视为异常点;
(2)、计算相邻时间点的读数差,ΔX_t=X_{t}-X_{t-1};
其中ΔX_t表示t时刻与t-1时刻的数值差,X_t表示t时刻的数值,X_{t-1}表示t-1时刻的数值,通过差值序列来找出可能的异常变化;
(3)、对于被标记为异常的抄表读数,通过数据外推的方法来进行预测和填补,公式为:y=mx+c,其中m是斜率,代表因变量y对自变量x的变化率,c是截距,表示当x=0时,y的值,通过这个线性模型可以用于预测t时刻的异常读数,从而对此进行填补。
作为本发明的一种优选技术方案,步骤B包括:
(1)、对抄表数据进行清洗与整理,设备抄表原始数据矩阵为A,包含设备编号、时间戳、读数在内多个数据信息,矩阵A为一个mxn的矩阵,其中m为抄表次数,n为设备数量,针对可能存在的错误数据、缺失数据进行处理,以保证数据的质量,A=[a_{ij}];
(2)、通过逐步回归,找出影响电网抄表数据的主要因素和影响程度,设定设备i在时刻t的读数为Y_i,将Y_i表示为k个因素X_1,X_2,...,X_k的线性组合,即:Y_i=β_0+β_1X_1+β_2X_2+...+β_kX_k,其中β_i是待估计的系数;
(3)、使用矩阵的特征值和特征向量来确定电网的长期发展趋势,设定发展状况矩阵B,其中B_ij表示在第i个时点设备j的抄表读数,记λ为矩阵B的特征值,v为对应的特征向量,我们可以通过找出最大的特征值和对应的特征向量来得到电网发展的主要趋势,Bv=λv;
(4)、定义设备j在时刻t的读数为r_t^j,我们可以计算r在t点的数值差分,Δr^j_t=r^j_t-r^j_{t-1},一旦超过阈值,便表示可能存在异常;
(5)、基于数值积分的方法,估计电网在未来一段时间内的整体状况,定义设备j在时间区间T的平均读数为R^j,通过数值积分,对区间T内的总体情况R做出预测R^j=∫_T r^j(t)dt,将数值积分结果带入预测模型,并基于此进行区段总体用电的预测比对和数据纠错预警。
采用上述技术方案所产生的有益效果在于:本发明构建的一种抄表问题及原因分析系统及其分析方法,基于异常检测算法、分布式计算、深度强化学习等模块的建立,实时监控电网抄表数据,检测出异常数据点并追踪潜在抄表问题,进一步提升大规模抄表数据的并行计算、优化问题求解方面的能力,实现高效而准确的电网抄表数据智能化决策和分析。通过离群点检测技术和数据差值和外推方法建立数学模型和算法,精确地识别和区分真正的异常数据和正常数据,分析数据变化趋势和填补异常数据,大幅提升电网抄表数据问题分析的准确性和效率。本发明的详细实施过程及其技术优势在下文的实施例中亦有针对性的详细阐述。
附图说明
图1是本发明的技术原理示意图。
具体实施方式
以下实施例详细说明了本发明。在以下实施例的描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本申请实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本申请的描述。应当理解,当在本申请说明书和所附权利要求书中使用时,术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。还应当理解,在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。如在本申请说明书和所附权利要求书中所使用的那样,术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地,短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。另外,在本申请说明书和所附权利要求书的描述中,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此,在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例,而是意味着“一个或多个但不是所有的实施例”,除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”,除非是以其他方式另外特别强调。
实施例1
参见附图,本发明主体上开发了如下技术模块:异常检测算法模块、分布式计算模块、深度强化学习模块、IOT模块、5G网络通信模块,并基于以上建模过程,实现电网抄表数据问题的智能化分析和优化。
其中IOT模块将抄表设备连接至统一管理平台,通过数据分析技术实时监控电网的运行状况,发现问题并及时处理,从而避免了电网故障的发生;同时,IOT模块还能够对抄表设备进行远程管理和控制,并与其他智能电网设备,如智能电表、智能传感器等相连接,形成完整的智能电网系统,实现对整个电网的监控、管理和控制,提高电网的安全性、稳定性和可靠性。
其中5G网络通信模块利利用高带宽的特性,提供更大的数据传输容量,在电网抄表数据传输中,抄表设备产生的数据量巨大,包括电量、电压、电流、功率等各种数据,传统的通信方式往往无法满足这种大规模数据的传输需求,5G网络通信模块的高带宽能够支持更大的数据流量,实现高效的数据传输,确保抄表数据的稳定性和完整性。进一步的,5G网络通信模块具有低延迟的特性,可以实现快速的数据传输,传统网络通信往往存在较高的延迟,导致数据响应慢,影响电网抄表的实时性,5G网络通信模块具备低延迟的特性,可以更快地传输数据,实现近实时的抄表数据传输,保证了抄表数据的快速生成和处理。更进一步,5G网络通信模块还具备高可靠性和稳定性,采用了先进的信号处理和纠错技术,能够提供更强的信号覆盖和抗干扰能力,确保电网抄表数据传输的可靠性。使用的是智能天线技术和多用户多输入多输出(MU-MIMO)技术。实现高效的信号处理和优化信号覆盖,提高数据传输的稳定性,同时允许多个抄表设备同时进行数据传输,提高了系统的容量和效率。
实施例2
异常检测算法模块首先对获取的电网抄表数据进行数据清洗、数据去噪和数据标准化,用于提高原始数据的可靠性和可用性。然后通过构建异常检测算法模型,发现与常规数据明显不同的数据点,异常检测算法模型的数据构建过程如下:
(1)、通过Z-score方法来找出可能的异常读数,计算原始读数的平均值μ和标准差σ,Z-Score=(x-μ)/σ得到每个数值点对应的Z-Score。如果某个数据点的ZScore绝对值大于3,该数据点被视为异常点;
(2)、计算相邻时间点的读数差,ΔX_t=X_{t}-X_{t-1}
其中,ΔX_t表示t时刻与t-1时刻的数值差,X_t表示t时刻的数值,X_{t-1}表示t-1时刻的数值,通过差值序列来找出可能的异常变化;
(3)、对于被标记为异常的抄表读数,通过数据外推的方法来进行预测和填补,公式为:y=mx+c,其中m是斜率,代表因变量y对自变量x的变化率,c是截距,表示当x=0时,y的值,通过这个线性模型可以用于预测t时刻的异常读数,从而对此进行填补。
实施例3
分布式计算模块对大规模数据及高复杂度问题进行处理和优化,进一步提升电网数据分析的深度和广度,构建高效而准确的电网抄表问题分析模型,具体步骤如下:
(1)、对抄表数据进行清洗与整理,设备抄表原始数据矩阵为A,包含设备编号、时间戳、读数在内多个数据信息,矩阵A为一个mxn的矩阵,其中m为抄表次数,n为设备数量,针对可能存在的错误数据、缺失数据进行处理,以保证数据的质量,
A=[a_{ij}];
(2)、通过逐步回归,找出影响电网抄表数据的主要因素和影响程度,设定设备i在时刻t的读数为Y_i,将Y_i表示为k个因素X_1,X_2,...,X_k的线性组合,即:Y_i=β_0+β_1X_1+β_2X_2+...+β_kX_k
其中,β_i是待估计的系数;
(3)、使用矩阵的特征值和特征向量来确定电网的长期发展趋势,设定发展状况矩阵B,其中B_ij表示在第i个时点设备j的抄表读数,记λ为矩阵B的特征值,v为对应的特征向量,我们可以通过找出最大的特征值和对应的特征向量来得到电网发展的主要趋势,Bv=λv;
(4)、定义设备j在时刻t的读数为r_t^j,我们可以计算r在t点的数值微分值,一旦超过阈值,便表示可能存在异常Δr^j_t=r^j_t-r^j_{t-1}
(5)、基于数值积分的方法,估计电网在未来一段时间内的整体状况,定义设备j在时间区间T的平均读数为R^j,通过数值积分,可以对区间T内的总体情况R做出预测R^j=∫_T r^j(t)dt,将数值积分结果带入预测模型,可以并基于此进行区段总体用电的预测比对和数据纠错预警。
实施例4
本发明可以学习历史抄表数据中的规律,并利用机器学习等技术构建异常检测和预测模型,针对电网抄表数据中存在的多种异常情况,如突然跳变、极端波动和漏记等,可以通过数据模型利用数据中的隐含规律,识别更为复杂和难以预测的异常情况,从而快速准确地发现问题,并进行初步校正处理。
本发明采用了实时监控和报警的方式,对各种异常情况进行监测,并根据问题的级别和严重程度进行相应的响应和处理。并通过向用户提供实时数据显示和报警通知等方式,以便及时采取必要的行动。例如,对于某些电表读数出现异常情况的区域,系统可以提供实时画面和数据分析的方式,让用户了解实时情况,采取相应措施进行校正。此外,系统还可以根据事先设定的阈值,设定异常情况的等级和严重程度,使相关人员可以了解异常情况的危害程度,并采取合适的应对措施。对于异常问题的响应措施,分为预防性和纠正性两种类型,预防性响应措施主要是对异常问题进行预测和预警,并采取相应的措施进行处理。例如,在电力网络抄表数据处理过程中,如果预测到可能出现异常情况,则可以提前进行检查和校正,以避免发生异常。而纠正性响应措施则是在异常情况已经发生时,采取积极措施进行纠正。例如,对于电表读数出现明显波动的情况,系统可以向用户发出警报并采取相应的检查和修复措施,以尽可能减少潜在的损失。
本发明具备自我诊断和自动校正功能,通过监测设备的运行状态和状况,能够及时发现异常情况,并自动发送报警信息,同时尝试自动修复异常情况,以减少误差。
通过监控关键设备的运行状态和性能指标实现自我诊断功能。例如,系统可以监测电表的运行电流、电压等参数,检测是否存在异常数据。当系统检测到某些设备运行状态异常或数据偏离预期范围时,会自动触发报警机制,将相关信息发送给指定的人员或系统。同时,系统通过自动校正功能来尝试对异常情况进行修复,以降低数据误差。当系统发现异常数据时,会自动对数据进行分析和处理。通过内置的校正算法和模型,系统可以比对历史数据并找出异常的原因,并尝试自动修正异常数据。例如,如果系统在某个地区检测到电量突然跳变的异常情况,系统可以自动分析该异常的原因,如电表损坏或线路故障等,并进行相应的修复措施,以保证数据的准确性和可靠性。此外,还可以根据异常情况的类型和严重程度,将异常问题分类,确定相应的优先级,并采取合适的措施进行处理。例如,对于临界和紧急级别的异常问题,系统可以立即发送报警信息给相关人员,并尝试进行自动修复;而对于轻微的异常问题,系统可以将其记录下来,等待后续处理。
本发明包含了一个统一的可视化平台,该平台能够将分析结果、实时监控和报警信息以清晰直观的形式呈现给工作人员,使他们能够迅速了解抄表数据的分布情况以及异常情况的信息。该可视化平台为工作人员提供了一个集中管理和查看数据的界面,使用直观的视觉图表、图形和数据仪表盘等方式来展示抄表数据的分析结果。通过可视化平台,工作人员可以快速了解抄表数据的整体趋势、分布情况和异常情况的发生频率,从而更好地了解系统的运行状态。平台还能够实时监控和报警信息的展示,工作人员可以通过地图、图表和实时数据流等形式,实时监控电网抄表数据的变化和异常情况的发生。一旦系统检测到异常情况,比如突然的数据波动或异常的能耗情况,平台会立即发出警报并在可视化界面上显示相应的预警信号,以提醒工作人员关注和及时处理。此外,可视化平台还提供了交互性功能,允许工作人员根据需要自定义展示的数据和图表,以适应不同的分析需求。工作人员可以通过平台进行数据筛选、对比和导出等操作,深入了解数据的细节和关联性,以便进一步分析和处理异常情况。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。在各个实施例中,技术的硬件实现可以直接采用现有的智能设备,包括但不限于工控机、PC机、智能手机、手持单机、落地式单机等。其输入设备优选采用屏幕键盘,其数据存储和计算模块采用现有的存储器、计算器、控制器,其内部通信模块采用现有的通信端口和协议,其远程通信采用现有的gprs网络、万维互联网等。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块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。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本发明所提供的实施例中,应该理解到,所揭露的装置/终端设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/终端设备实施例仅仅是示意性的,例如,模块或单元的划分,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,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
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。集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。。其中,计算机程序包括计算机程序代码,计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括:能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(Read-OnlyMemory,ROM)、随机存取存储器(RandomAccesMemory,RAM)、电载波信号、电信信号以及软件分发介质等。需要说明的是,计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
以上所述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,均应包含在本发明的保护范围之内。
Claims (4)
1.一种抄表问题及原因分析系统,其特征在于,所述系统包括如下技术模块:
异常检测算法模块,用于实时监控电网抄表数据,检测出异常数据点并追踪潜在抄表问题;
分布式计算模块,用于处理大规模并行计算、优化问题求解方面的电网数据,提升电网数据处理能力和数据分析的深度和广度,实现高效而准确的电网抄表问题分析;
深度强化学习模块,实现根据现有电网抄表数据进行智能化的决策和预测,解决电网数据问题;
IOT模块,实时收集和整合各种抄表设备的数据信息,提高数据实时性和完整性;
5G网络通信模块,大规模设备的同时联网以及大数据量的即时传输,保障电网抄表数据的实时性和完整性。
2.一种权利要求1所述的抄表问题及原因分析系统的分析方法,其特征在于包括以下步骤:
A、异常检测算法模块通过构建异常检测算法模型,发现与常规数据明显不同的数据点;
B、分布式计算模块对大规模数据及高复杂度问题进行处理和优化,进一步提升电网数据分析的深度和广度,构建高效而准确的电网抄表问题分析模型;
C、深度强化学习模块根据现有电网抄表数据进行智能化的决策和预测,解决电网数据问题;
D、IOT模块将抄表设备连接至统一管理平台,实时收集和整合各种抄表设备的数据信息,使运营商能够更有效地监控和诊断电网问题;
E、5G网络通信模块利用高带宽和低延迟的特性,确保电网抄表数据传输的稳定性和速度。
3.根据权利要求2所述的抄表问题及原因分析系统的分析方法,其特征在于:步骤A中异常检测算法模型的数据构建过程如下:
(1)、通过Z-score方法来找出可能的异常读数,计算原始读数的平均值μ和标准差σ,Z-Score=(x-μ)/σ得到每个数值点对应的Z-Score;如果某个数据点的Z Score绝对值大于3,该数据点被视为异常点;
(2)、计算相邻时间点的读数差,ΔX_t=X_{t}-X_{t-1};
其中ΔX_t表示t时刻与t-1时刻的数值差,X_t表示t时刻的数值,X_{t-1}表示t-1时刻的数值,通过差值序列来找出可能的异常变化;
(3)、对于被标记为异常的抄表读数,通过数据外推的方法来进行预测和填补,公式为:y=mx+c,其中m是斜率,代表因变量y对自变量x的变化率,c是截距,表示当x=0时,y的值,通过这个线性模型可以用于预测t时刻的异常读数,从而对此进行填补。
4.根据权利要求2所述的抄表问题及原因分析系统的分析方法,其特征在于:步骤B包括:
(1)、对抄表数据进行清洗与整理,设备抄表原始数据矩阵为A,包含设备编号、时间戳、读数在内多个数据信息,矩阵A为一个mxn的矩阵,其中m为抄表次数,n为设备数量,针对可能存在的错误数据、缺失数据进行处理,以保证数据的质量,A=[a_{ij}];
(2)、通过逐步回归,找出影响电网抄表数据的主要因素和影响程度,设定设备i在时刻t的读数为Y_i,将Y_i表示为k个因素X_1,X_2,...,X_k的线性组合,即:Y_i=β_0+β_1X_1+β_2X_2+...+β_kX_k,其中β_i是待估计的系数;
(3)、使用矩阵的特征值和特征向量来确定电网的长期发展趋势,设定发展状况矩阵B,其中B_ij表示在第i个时点设备j的抄表读数,记λ为矩阵B的特征值,v为对应的特征向量,我们可以通过找出最大的特征值和对应的特征向量来得到电网发展的主要趋势,Bv=λv;
(4)、定义设备j在时刻t的读数为r_t^j,我们可以计算r在t点的数值差分,Δr^j_t=r^j_t-r^j_{t-1},一旦超过阈值,便表示可能存在异常;
(5)、基于数值积分的方法,估计电网在未来一段时间内的整体状况,定义设备j在时间区间T的平均读数为R^j,通过数值积分,对区间T内的总体情况R做出预测R^j=∫_T r^j(t)dt,将数值积分结果带入预测模型,并基于此进行区段总体用电的预测比对和数据纠错预警。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311478445.6A CN117633678A (zh) | 2023-11-08 | 2023-11-08 | 一种抄表问题及原因分析系统及其分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311478445.6A CN117633678A (zh) | 2023-11-08 | 2023-11-08 | 一种抄表问题及原因分析系统及其分析方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117633678A true CN117633678A (zh) | 2024-03-01 |
Family
ID=90031264
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311478445.6A Pending CN117633678A (zh) | 2023-11-08 | 2023-11-08 | 一种抄表问题及原因分析系统及其分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117633678A (zh) |
-
2023
- 2023-11-08 CN CN202311478445.6A patent/CN117633678A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109766334B (zh) | 用于电力设备在线监测异常数据的处理方法及系统 | |
CN109186813A (zh) | 一种温度传感器自检装置及方法 | |
WO2020215721A1 (zh) | 一种激光雷达的寿命预测方法 | |
CN112101764A (zh) | 基于状态监测的船舶技术状况综合评估系统 | |
CN117176560B (zh) | 一种基于物联网的监测设备监管系统及其方法 | |
KR101776350B1 (ko) | 압축기를 진단하는 방법 및 시스템 | |
CN116611712A (zh) | 基于语义推断的电网工作票评估系统 | |
CN113850475A (zh) | 一种基于大数据的生产设备性能评估系统 | |
CN112580858A (zh) | 设备参数预测分析方法及系统 | |
CN113673600B (zh) | 一种工业信号异常预警方法、系统、存储介质及计算设备 | |
CN117129815B (zh) | 一种基于物联网的多劣化绝缘子综合检测方法和系统 | |
CN113487086A (zh) | 设备剩余使用寿命预测方法、装置、计算机设备和介质 | |
CN115114124A (zh) | 主机风险的评估方法及评估装置 | |
CN117633678A (zh) | 一种抄表问题及原因分析系统及其分析方法 | |
CN116611953A (zh) | 基于物联网的电能表生产制造实时数据管理方法和系统 | |
CN115452089A (zh) | 一种用于水利水电工程的水位检测装置 | |
CN111382946B (zh) | 设备健康状态的自主评估方法、系统及工业互联网设备 | |
CN109766243B (zh) | 一种基于幂函数的多核主机性能监控方法 | |
CN112363432A (zh) | 一种水电站辅助设备的监测系统及监测方法 | |
CN117038048B (zh) | 一种用于医疗器械的远程故障处理方法及系统 | |
CN116258467B (zh) | 一种电力施工管控系统 | |
CN117390898B (zh) | 一种医疗线缆可靠性预测方法及系统 | |
KR102573254B1 (ko) | 연합 학습을 이용한 기계설비 고장 예지 분석 시스템 | |
CN116596336B (zh) | 电子设备的状态评估方法、装置、电子设备及存储介质 | |
CN117493129B (zh) | 一种计算机控制设备的运行功率监测系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication |