CN107220906B - 基于用电采集***的多时间尺度用电异常分析方法 - Google Patents
基于用电采集***的多时间尺度用电异常分析方法 Download PDFInfo
- Publication number
- CN107220906B CN107220906B CN201710398830.8A CN201710398830A CN107220906B CN 107220906 B CN107220906 B CN 107220906B CN 201710398830 A CN201710398830 A CN 201710398830A CN 107220906 B CN107220906 B CN 107220906B
- Authority
- CN
- China
- Prior art keywords
- data
- electricity consumption
- user
- term
- electric 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
- 230000005611 electricity Effects 0.000 title claims abstract description 125
- 238000004458 analytical method Methods 0.000 title claims abstract description 68
- 230000005856 abnormality Effects 0.000 title claims abstract description 65
- 238000000034 method Methods 0.000 claims abstract description 55
- 230000002159 abnormal effect Effects 0.000 claims abstract description 36
- 230000007774 longterm Effects 0.000 claims abstract description 32
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 claims abstract description 9
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000005259 measurement Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 6
- 238000013144 data compression Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 238000005303 weighing Methods 0.000 claims 2
- 238000012544 monitoring process Methods 0.000 abstract description 3
- 238000011835 investigation Methods 0.000 description 7
- 238000005265 energy consumption Methods 0.000 description 6
- 230000002547 anomalous effect Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 108091064702 1 family Proteins 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 239000013589 supplement Substances 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000005070 sampling 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
- 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
Landscapes
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种基于用电采集***的多时间尺度用电异常分析方法，属监测领域。其首先按照时间尺度，对用电信息采集***采集的数据进行分类；将用电采集***获取的数据梳理成了短期用电数据和中长期用电数据，针对短期用电数据，利用电流电压等电气信息，结合相关的限值判定方法，辨识用电异常用户；针对中长期用电数据，利用日用电量和月用电量等电气信息，结合聚类算法和相关系数法，查找用电异常情况；所述的基于用电采集***的多时间尺度用电异常分析方法，按照时间尺度，将用电采集***获取的数据，梳理成了短期用电数据和中长期用电数据，从而从不同的时间尺度角度搜索到异常用电嫌疑用户。可广泛用于供电公司用电管理和用户用电异常情况辨识领域。
Description
技术领域
本发明属于监测领域，尤其涉及一种用于电网用户用电数量异常的原因确定方法。
背景技术
台区线损率为台区总供电量与台区总售电量的差值除以台区总供电量，它是供电公司一项非常重要的考核指标，直接影响着公司的经济效益。
目前，大多数供电公司要求台区线损率在10％以内。然而，由于受人员、设备、窃电等因素的影响，导致用电出现异常，从而使得台区线损率较高，需要进行排查和消缺。以往大多通过现场巡检或基于用户每月电量、月度线损情况，凭经验来确定电能计量异常用户，这些传统的方法时效性差、准确率低。因此如何有效的处理用电异常问题引起了现场运维人员的广泛关注。
用电信息采集***能够对用电信息进行实时监控、分析和处理。随着用电采集***的推广应用，采集覆盖范围从专变用户逐步扩大到居民用户、一般工商业用户等，每日获取的用电数据量也越来越全面。这些用电数据之间存在着关联性，潜藏着用电行为等大量有价值的信息，能够为用电异常分析提供依据。
目前已有学者基于用电采集***，提出了相关的分析方法。例如，“基于离群点算法和用电信息采集***的反窃电研究”(《电力***保护与控制》，程超，张汉敬，景志敏等，2015，43(17)：P69-74.)中，分析了窃电手段及原理，进而基于电压电流值的规律，结合离群点检测法确定了窃电判定算法。“基于密度聚类和Frechet判别分析的电价执行稽查方法”(《电网技术》，彭显刚，郑伟钦，林利祥等.2015，39(11)：P3195-3201.)以数据挖掘技术为基础，提出了一种基于密度聚类分析和Frechet距离判别的异常用户甄别方法。“基于数据挖掘的计量装置在线监测与智能诊断***的设计与实现”(《电测与仪表》，肖坚红，严小文，周永真，等.2014，51(14)：P1-5.)中提出和研制了一套计量装置在线检测和智能诊断***，能够分析出用户窃电和计量装置故障等情况。
上述研究取得了一定进展，然而这些文献仅对某一种方法进行了分析，而这些方法有各自的适用范围，能够处理的异常情况也有限制。
因此，如何在用户电量海量数据的基础上，对数据和方法进行归类和预处理，分析出各种方法的适用情况，使其能够推广应用，辅助工作人员进行电能计量异常排查还需要进一步的研究。
发明内容
本发明所要解决的技术问题是提供一种基于用电采集***的多时间尺度用电异常分析方法。其基于用电信息采集***，按照时间尺度长短，对用电信息采集***采集的数据进行分类，将用电采集***获取的数据梳理成了短期用电数据和中长期用电数据；针对短期用电数据，利用电流电压等电气信息，结合相关的限值判定方法，辨识用电异常用户；针对中长期用电数据，利用日用电量和月用电量等电气信息，结合聚类算法和相关系数法，查找用电异常情况，进而实现了多时间尺度用电异常的分析，可从不同的时间尺度角度搜索到异常用电嫌疑用户。
本发明的技术方案是：提供一种基于用电采集***的多时间尺度用电异常分析方法，包括通过用电信息采集***采集用户用电的数据，其特征是：
首先按照时间尺度，对用电信息采集***采集的数据进行分类；
所述的时间尺度分为短期时间尺度数据和中长期时间尺度数据；
所述的短期时间尺度数据包括每时刻电流电压集合和每日24小时电流电压集合；
所述的中长期时间尺度数据包括月度每日用电量集合和年度每月用电量集合；
对短期时间尺度数据，采用电流电压判定算法进行用户用电异常辨识；
对中长期时间尺度数据，采用聚类算法和相关系数法进行用户用电异常辨识；
所述的基于用电采集***的多时间尺度用电异常分析方法，按照时间尺度，将用电采集***获取的数据，梳理成了短期用电数据和中长期用电数据，从而从不同的时间尺度角度搜索到异常用电嫌疑用户。
具体的，在进行短期时间尺度的用电异常分析时，所述的电流电压判定算法用电压偏移系数βU和三相电流不平衡率βI作为用电异常的判断元素，电压偏移系数βU和三相电流不平衡率βI的具体计算方式如下：
式中U为电压；Ue为额定电压；Imax为三相中最大的相电流；Iav为三相电流平均值；
根据电压偏移系数βU和三相电流不平衡率βI计算用户A相、B相和C相的电压偏移系数βAU、βBU、βCU以及电流不平衡率βI，并做以下判断：
式中：和分别为电压偏移系数和电流不平衡率的限值；
当各相的电压偏移系数βU、三相电流不平衡率βI与电压偏移系数的限值电流不平衡率的限值的布尔值为“真”时，则表示该用户存在用电异常嫌疑。
具体的，在进行中长期时间尺度的用电异常分析时，所述的聚类算法首先通过聚类分析得到该用电类别的典型用电负荷曲线，进而将需要排查的用户与典型用电负荷曲线进行比较，进而找出用电异常嫌疑用户。
其所述的聚类算法为K-means算法。
具体的，在进行中长期时间尺度的用电异常分析时，所述的相关系数法计算台区线损和用户电表显示电量之间的相关系数，若相关性高，则该用户存在异常嫌疑。
具体的，在计算台区线损和用户电表显示电量之间的相关系数时，对于台区线损ΔW和用户电量WO,i，所述相关系数ri的计算公式如下：
式中：WO,i为用户电表显示电量，ΔWi为计量误差，ΔW为台区线损，E(·)为期望值函数；
若相关系数ri大于其阈值则表示该用户存在用电异常嫌疑。
本发明的技术方案，在基于月度每日用电量集合对中长期数据进行用户用电异常辨识时，按照下列步骤进行：
步骤1：选取台区线损合理的用户最近的一个月30天日用电量数据作为样本数据，提取待分析的台区用户最近一个月30天日用电量数据做为分析数据；
步骤2：针对样本数据和分析数据中缺失部分，利用三次样条插值结合线性插值的方法补充缺失数据，其中满足三次样条插值条件的采用三次样条插值，不满足时，采用线性插值处理；
步骤3：在补全所有用电量数据后，为了消除不同量纲的影响，更好的体现用电变化规律，需要对原始数据进行归一化处理，把数据压缩在区间[0,1]之间。具体处理公式如下：
式中：w、w′分别为用户日用电量的原始数据和变换后的数据；wmin和wmax分别为用户在一个月内的日用电量最小值和最大值；
步骤4：对归一化后的样本数据按照用电性质进行分类，并利用聚类分析查找出用电异常嫌疑用户；
步骤5：根据待分析台区的关口总表数据和用户日用电量数据，计算出台区日线损量，进而利用相关系数法计算台区日线损量和用户日用电量之间的皮尔逊相关系数，查找出用电异常嫌疑用户；
步骤6：对步骤4和步骤5中发现的用电异常嫌疑用户进行现场核查，找出用电异常用户。
本发明的技术方案，在基于年度每月用电量集合对中长期数据进行用户用电异常辨识时，所分析的数据从一个月30日的日用电量数据变成一年12月的月用电量数据，其它计算过程与基于月度每日用电量集合对中长期数据进行用户用电异常辨识是的步骤相同。
与现有技术比较，本发明的优点是：
1.按照时间尺度，将用电采集***获取的数据梳理成了短期用电数据和中长期用电数据，进而提出了一种多时间尺度用电异常分析方法来辨识用电异常情况；
2.基于电流电压判定算法的短期异常用电分析方法具有较高的准确性，适用于辨识专变终端用户异常情况；
3.聚类算法和相关系数法具有不同的适用范围，都能够有效的查找用电异常用户；
4.基于月度数据的异常分析方法较基于年度数据的方法实时性好，但年度数据真实性好，都有一定的分析价值。
附图说明
图1是本发明用电异常分析方法总体框架示意图；
图2是本发明K-means算法的计算流程示意图；
图3是基于月度用电数据得到居民用户30日的典型负荷曲线；
图4是基于月度用电数据得到商业用户30日的典型负荷曲线。
具体实施方式
下面结合附图和实施例对本发明做进一步说明。
本发明的技术方案，基于用电信息采集***，按照时间尺度长短，将用电数据划分为短期用电数据和中长期用电数据，进而提出了多时间尺度用电异常分析方法。该方法针对短期时间尺度，利用电流电压等电气信息，结合相关的限值判定方法，辨识用电异常用户；针对中长期时间尺度，利用日用电量和月用电量等电气信息，结合聚类算法和相关系数法，查找用电异常情况。
考虑到用电信息采集***获取的数据量较大，包含的信息量较多，因此按照时间尺度对数据进行分类，进而提出了相关的分析方法来识别用户异常的嫌疑用户。基于用电信息采集***的多时间尺度用电异常分析方法总体框架如图1所示。
具体过程如下：首先按照时间尺度，对***采集的数据进行分类，短期数据可分为每时刻电流电压集合和每日24小时电流电压集合，中长期数据可分为月度每日用电量集合和年度每月用电量集合，针对短期数据可采用电流电压判定算法进行异常辨识，针对中长期数据可采用聚类算法和相关系数法进行异常辨识，从而从不同的时间尺度角度搜索到异常用电嫌疑用户。
本发明所述的方法针对不同用户，具体操作存在一定的差别。目前用来采集用电信息的装置主要有两种，一种是专变终端，另一种是集中器。其中专变终端能够获取用户的电流电压和用电量等信息，对于这部分用户，可采用短期和中长期时间尺度的异常用电分析方法进行综合判断；而集中器一般没有开通获取电流电压信息的通道，只能获取用户用电量信息，对于这部分用户可采用中长期时间尺度的异常用电分析方法进行异常辨识。
1、短期时间尺度的用电异常分析方法
1.1、电压电流判定算法
专变终端主要是对三相用户采集信息，正常情况下，对于三相用户而言，电压会维持在额定值附近，同时电流不平衡率也较小。当出现明显的电压偏移或存在较大的不平衡电流时，表明此用户可能用电异常，需要排查。因此本文选用电压偏移系数βU和三相电流不平衡率βI作为用电异常的判断元素，具体计算公式如下：
式中：U为电压；Ue为额定电压；Imax为三相中最大的相电流；Iav为三相电流平均值。
1.2基于实时用电数据的分析方法
专变终端可以实时获取用户的电压、电流数据，进而基于这些数据，根据式(1)和式(2)计算用户A相、B相和C相的电压偏移系数βAU、βBU、βCU以及电流不平衡率βI，并做以下判断：
式中：和分别为电压偏移系数和电流不平衡率的限值。当式(3)结果为布尔值TRUE时，则表示该用户存在用电异常嫌疑。
1.3基于日用电数据的分析方法
专变终端会按照15min的时间间隔，对用户的电压和电流数据进行采样，绘制日电压和电流曲线。考虑到异常用电通常会维持几个小时以上，因此从中选取各整点时刻的电压、电流数据作为分析的依据即可说明问题。每日24小时的三相最大电压偏移系数欧式距离dU和三相电流不平衡率欧式距离dI计算公式分别如下：
若dU值超过其限值或dI值超过其限值则表示该用户存在用电异常嫌疑。
2、中长期时间尺度的异常用电分析方法
2.1聚类算法
对于相同用电类别的用户，相互之间的用电行为特征具有一定的相似性。基于这一特征，首先可以通过聚类分析得到该用电类别的典型用电负荷曲线，进而将需要排查的用户与典型用电负荷曲线进行比较，找出用电异常嫌疑用户。
在各种聚类方法中，K-means聚类算法具有收敛速度快、易于实现等优点，被广泛应用于用电负荷分析中，因此本技术方案选用该方法。
K-means算法的具体计算流程如图2所示。
基于K-means算法可以得到聚类中心集合，即典型用电负荷集合Q＝{q1，q2,…,qK}。进而将需要排查的用电负荷数据W与Q对比，计算最小欧式距离dW：
dW＝min[dist(W,q1),dist(W,q2),...,dist(W,qK)] (6)
式中：dist(·)为欧式距离函数。若dW值超过其限值则表示该用户存在用电异常嫌疑。
2.2相关系数法
表计计量误差的计算公式如下：
式中：为用户实际用电量；WO,i为表计显示电量。对于同一种表计回路接线错误，通常用户电表显示电量和真实电量是线性关系，如下所示：
因此式(7)可以转化成：
从上式可以看出，当用户电表显示电量WO,i越大，计量误差ΔWi就越大，台区线损ΔW也就越大，WO,i与台区线损之间具有明显的相关性。因此可以利用相关系数法计算台区线损和用户电表显示电量之间的相关系数，若相关性高，则该用户存在异常嫌疑。在常用的相关系数中，皮尔逊相关系数能够有效的衡量两个变量之间线性相关程度，因此可选用该方法进行用电异常分析。对于台区线损ΔW和用户电量WO,i，皮尔逊相关系数计算公式如下：
式中：E(·)为期望值函数。若ri大于其阈值则表示该用户存在用电异常嫌疑。
2.3基于月度用电数据的分析方法
基于月度用电数据的分析方法计算过程如下：
步骤1：选取台区线损合理的用户最近的一个月30天日用电量数据作为样本数据，提取待分析的台区用户最近一个月30天日用电量数据做为分析数据；
步骤2：针对样本数据和分析数据中缺失部分，利用三次样条插值[11]结合线性插值的方法补充缺失数据，其中满足三次样条插值条件的采用三次样条插值，不满足时，采用线性插值处理；
步骤3：在补全所有用电量数据后，为了消除不同量纲的影响，更好的体现用电变化规律，需要对原始数据进行归一化处理，把数据压缩在区间[0,1]之间。具体处理公式如下：
式中：w、w′分别为用户日用电量的原始数据和变换后的数据；wmin和wmax分别为用户在一个月内的日用电量最小值和最大值。
步骤4：对归一化后的样本数据按照用电性质进行分类，并利用聚类分析查找出用电异常嫌疑用户；
步骤5：根据待分析台区的关口总表数据和用户日用电量数据，计算出台区日线损量，进而利用相关系数法计算台区日线损量和用户日用电量之间的皮尔逊相关系数，查找出用电异常嫌疑用户；
步骤6：对步骤4和步骤5中发现的用电异常嫌疑用户进行现场核查，找出用电异常用户。
2.4基于年度用电数据的分析方法
基于年度用电数据的分析方法和基于月度用电数据的分析方法类似，只是将所分析的数据从一个月30日的日用电量数据变成一年12月的月用电量数据，其它步骤和计算过程相同。
实施例：
3.1短期时间尺度的异常用电实例分析
以某地区线损较高的5个台区139个专变终端用户为分析对象，验证短期时间尺度的异常用电分析方法的有效性。
设根据实时数据可以判断出异常嫌疑用户数量为6个，具体的表号(最后8位)和异常现象如表1所示。经现场排查发现，该6个表计全部存在异常。
表1 基于实时数据的分析结果
设根据日用电数据可以判断出异常用电的用户为9个，除了表1中的6个用户外，还有2个用户存在异常用电嫌疑，如表2所示，经现场排查，确实存在计量问题。
由此可见，基于电流电压判定算法的短期异常用电分析方法具有较高的准确性。
表2 基于日用电数据的分析结果
3.2中长期时间尺度的异常用电实例分析
为了验证聚类算法的有效性，首先选取台区线损合理的5789户居民用户和1951户商业用户作为样本数据进行聚类分析，得出典型负荷曲线，然后将某个包含62户居民用户和7户商业用户的台区作为分析对象，与典型负荷曲线进行对比，判断出嫌疑用户。
在聚类分析中，居民用户和商业用户的聚类数分别设置为15个和10个，基于月度用电数据得到30日的典型负荷曲线如图3和图4所示。
将分析对象与典型负荷曲线进行对比，距离限值取1.1，共分析出7户居民用户有异常嫌疑，现场排查发现其中5户表计确实存在异常，准确率为71.43％，具体情况如表3所示，由此可见聚类算法能够有效的甄别出嫌疑用户。
表3 基于聚类算法的分析结果
为了验证相关系数法的有效性，计算62户居民用户和7户商业用户与台区线损的相关系数，并选取相关系数大于0.9的作为嫌疑用户，具体计算结果如表4所示，共包含4户居民和1户商业用户，经现场排查发现，2户居民用户和1户商业用户存在用电异常，准确率为60％。
对比聚类算法和相关系数法可以发现：聚类算法查找到的居民用户异常数量和准确率都高于相关系数法，而相关系数法比聚类算法多查出了一户商业用户用电异常，由此可见两种算法具有不同的适用性。
表4 基于相关系数法的分析结果
基于年度数据，利用聚类分析算法查出用电异常嫌疑用户7户，查实4户，准确率为57.14％；利用相关系数法查出用电异常嫌疑用户6户，查实3户，准确率为50％。
相比于月度数据，基于年度数据的用电异常排查方法准确率都要略低一点，经分析，主要包括以下两个原因：(1)月度数据包括30个时段，而年度数据包含12个时段，月度数据样本量大，能够更好的反映用电变化的规律；(2)月度数据采样周期短，而年度数据采样周期长，月度数据能够更好的反映用电变化的实时性。但是由于采集通道问题，日用电量数据会存在一定程度缺失，即使利用插值方法弥补，也会存在部分失真现象，而对于月用电量数据，由于有人工补抄环节，所以数据较为完整，体现的信息更为真实，因此基于年度数据的用电异常排查方法也有一定的价值。
3.3多时间尺度的异常用电实例分析
利用所提出的多时间尺度用电异常分析方法，对21个台区2079个用户进行分析，共排查用电异常嫌疑用户97户，查实用户62户，此21个台区平均月线损率下降了8.23％，由此可见所提方法能够有效的辅助监控人员及时甄别用户异常用电情况。
由于本发明的技术方案按照时间尺度，将用电采集***获取的数据梳理成了短期用电数据和中长期用电数据，进而提出了一种多时间尺度用电异常分析方法来辨识用电异常情况，通过实例分析可以得出以下结论：
(1)基于电流电压判定算法的短期异常用电分析方法具有较高的准确性，适用于辨识专变终端用户异常情况。
(2)聚类算法和相关系数法具有不同的适用范围，都能够有效的查找用电异常用户。
(3)基于月度数据的异常分析方法较基于年度数据的方法实时性好，但年度数据真实性好，都有一定的分析价值。
本发明可广泛用于供电公司用电管理和用户用电异常情况辨识领域。
Claims (3)
1.一种基于用电采集***的多时间尺度用电异常分析方法，包括通过用电采集***采集用户用电的数据，其特征是：
首先按照时间尺度，对用电采集***采集的数据进行分类；
所述的时间尺度分为短期时间尺度数据和中长期时间尺度数据；
所述的短期时间尺度数据包括每时刻电流电压集合和每日24小时电流电压集合；
所述的中长期时间尺度数据包括月度每日用电量集合和年度每月用电量集合；
对短期时间尺度数据，采用电流电压判定算法进行用户用电异常辨识；
对中长期时间尺度数据，采用聚类算法和相关系数法进行用户用电异常辨识；
所述的基于用电采集***的多时间尺度用电异常分析方法，按照时间尺度，将用电采集***获取的数据，梳理成了短期用电数据和中长期用电数据，从而从不同的时间尺度角度搜索到异常用电嫌疑用户；
其中，在进行短期时间尺度的用电异常分析时，所述的电流电压判定算法用电压偏移系数βU和三相电流不平衡率βI作为用电异常的判断元素，电压偏移系数βU和三相电流不平衡率βI的具体计算方式如下：
式中U为电压；Ue为额定电压；Imax为三相中最大的相电流；Iav为三相电流平均值；
根据电压偏移系数βU和三相电流不平衡率βI计算用户A相、B相和C相的电压偏移系数βAU、βBU、βCU以及电流不平衡率βI，并做以下判断：
式中：和分别为电压偏移系数和电流不平衡率的限值；
当各相的电压偏移系数βU、三相电流不平衡率βI与电压偏移系数的限值电流不平衡率的限值的布尔值为“真”时，则表示该用户存在用电异常嫌疑；
具体的，在进行中长期时间尺度的用电异常分析时，所述的聚类算法首先通过聚类分析得到该用电类别的典型用电负荷曲线，进而将需要排查的用户与典型用电负荷曲线进行比较，进而找出用电异常嫌疑用户；
其所述的聚类算法为K-means算法；
在进行中长期时间尺度的用电异常分析时，所述的相关系数法计算台区线损和用户电表显示电量之间的相关系数，若相关性高，则该用户存在异常嫌疑；
在计算台区线损和用户电表显示电量之间的相关系数时，对于台区线损ΔW和用户电量WO,i，所述相关系数ri的计算公式如下：
式中：WO,i为用户电表显示电量，ΔWi为计量误差，ΔW为台区线损，E(·)为期望值函数；
若相关系数ri大于其阈值则表示该用户存在用电异常嫌疑。
2.按照权利要求1所述的基于用电采集***的多时间尺度用电异常分析方法，其特征是在基于月度每日用电量集合对中长期数据进行用户用电异常辨识时，按照下列步骤进行：
步骤1：选取台区线损合理的用户最近的一个月30天日用电量数据作为样本数据，提取待分析的台区用户最近一个月30天日用电量数据做为分析数据；
步骤2：针对样本数据和分析数据中缺失部分，利用三次样条插值结合线性插值的方法补充缺失数据，其中满足三次样条插值条件的采用三次样条插值，不满足时，采用线性插值处理；
步骤3：在补全所有用电量数据后，为了消除不同量纲的影响，更好的体现用电变化规律，需要对原始数据进行归一化处理，把数据压缩在区间[0,1]之间；具体处理公式如下：
式中：w、w′分别为用户日用电量的原始数据和变换后的数据；wmin和wmax分别为用户在一个月内的日用电量最小值和最大值；
步骤4：对归一化后的样本数据按照用电性质进行分类，并利用聚类分析查找出用电异常嫌疑用户；
步骤5：根据待分析台区的关口总表数据和用户日用电量数据，计算出台区日线损量，进而利用相关系数法计算台区日线损量和用户日用电量之间的皮尔逊相关系数，查找出用电异常嫌疑用户；
步骤6：对步骤4和步骤5中发现的用电异常嫌疑用户进行现场核查，找出用电异常用户。
3.按照权利要求1所述的基于用电采集***的多时间尺度用电异常分析方法，其特征是在基于年度每月用电量集合对中长期数据进行用户用电异常辨识时，所分析的数据从一个月30日的日用电量数据变成一年12月的月用电量数据，其它计算过程与基于月度每日用电量集合对中长期数据进行用户用电异常辨识是的步骤相同。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710398830.8A CN107220906B (zh) | 2017-05-31 | 2017-05-31 | 基于用电采集***的多时间尺度用电异常分析方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710398830.8A CN107220906B (zh) | 2017-05-31 | 2017-05-31 | 基于用电采集***的多时间尺度用电异常分析方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107220906A CN107220906A (zh) | 2017-09-29 |
| CN107220906B true CN107220906B (zh) | 2019-10-11 |
Family
ID=59947125
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710398830.8A Active CN107220906B (zh) | 2017-05-31 | 2017-05-31 | 基于用电采集***的多时间尺度用电异常分析方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107220906B (zh) |
Families Citing this family (35)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108020752B (zh) * | 2017-11-10 | 2020-03-27 | 国网浙江省电力公司电力科学研究院 | 一种基于多源贯通相关性的配线线损诊断方法及*** |
| CN108062616B (zh) * | 2017-11-20 | 2024-01-23 | 国网福建省电力有限公司 | 一种具有约束条件的用电异常检测*** |
| CN108256752B (zh) * | 2018-01-02 | 2019-09-13 | 北京市燃气集团有限责任公司 | 一种燃气用户用气行为的分析方法 |
| CN108535599B (zh) * | 2018-04-16 | 2020-06-30 | 国网河南省电力公司电力科学研究院 | 基于电压曲线聚类分析的低压台区用户相位识别方法 |
| CN108776276B (zh) * | 2018-06-29 | 2020-11-13 | 合肥工业大学 | 用电异常检测方法及*** |
| CN108828375B (zh) * | 2018-08-17 | 2020-08-14 | 国网江苏省电力有限公司电力科学研究院 | 基于双回路智能电能表的空调用电监控***及监控方法 |
| CN109493249B (zh) * | 2018-11-05 | 2021-11-12 | 北京邮电大学 | 一种用电数据在多时间尺度上的分析方法 |
| CN109446193A (zh) * | 2018-11-13 | 2019-03-08 | 国网宁夏电力有限公司电力科学研究院 | 反窃电模型生成方法及装置 |
| CN109634944B (zh) * | 2018-12-05 | 2022-11-04 | 贵州电网有限责任公司 | 一种基于多维度时空分析的网损数据清洗方法 |
| CN109636667A (zh) * | 2018-12-07 | 2019-04-16 | 国网江苏省电力有限公司扬州供电分公司 | 一种基于用户周用电特征的低压用户用电异常检测方法 |
| 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 |
| CN109738723B (zh) * | 2018-12-29 | 2021-02-09 | 重庆邮电大学 | 一种电能表三相自动识别方法 |
| CN109725219B (zh) * | 2018-12-29 | 2021-02-09 | 重庆邮电大学 | 一种电能表台区自动识别方法 |
| CN110070256B (zh) * | 2019-02-28 | 2023-12-08 | 国网浙江省电力有限公司 | 基于critic方法的零电量用户排查优先度权重计算方法 |
| CN109918365A (zh) * | 2019-03-01 | 2019-06-21 | 河海大学常州校区 | 一种适用于太阳能光伏数据的数据清洗方法 |
| CN110276511A (zh) * | 2019-04-16 | 2019-09-24 | 国网浙江海盐县供电有限公司 | 一种基于电量与线损关联性的线变关系异常判别方法 |
| CN110311709B (zh) * | 2019-06-10 | 2022-05-24 | 国网浙江省电力有限公司嘉兴供电公司 | 用电信息采集***故障判别方法 |
| CN110321934B (zh) * | 2019-06-12 | 2023-05-12 | 深圳供电局有限公司 | 一种检测用户用电异常数据的方法及*** |
| CN110503111B (zh) * | 2019-08-23 | 2022-04-15 | 江苏方天电力技术有限公司 | 一种基于rgb色彩模式的用电异常行为可视化监控方法 |
| CN110930034B (zh) * | 2019-11-22 | 2022-12-02 | 广东电力交易中心有限责任公司 | 一种电力现货市场结算计量数据校验方法、装置及介质 |
| CN111007337B (zh) * | 2019-12-04 | 2023-12-19 | 河南昊晟电子科技有限公司 | 一种安全生产用电智能监测及信息传输*** |
| CN111444241B (zh) * | 2020-03-26 | 2020-12-22 | 南京工程学院 | 一种基于数据挖掘的台区线损异常关联用户精准定位方法 |
| CN111443237B (zh) * | 2020-04-20 | 2022-07-12 | 北京中电普华信息技术有限公司 | 一种追补电量的确定方法及*** |
| CN111521868B (zh) * | 2020-04-28 | 2022-07-29 | 广东电网有限责任公司梅州供电局 | 一种基于计量大数据筛查窃电用户的方法及装置 |
| CN111797143B (zh) * | 2020-07-07 | 2023-12-15 | 长沙理工大学 | 基于用电量统计分布偏度系数的水产养殖业窃电检测方法 |
| CN111652761B (zh) * | 2020-07-28 | 2020-12-01 | 国网江西省电力有限公司供电服务管理中心 | 一种基于证据理论的多源特征融合窃电行为检测方法 |
| CN112183634A (zh) * | 2020-09-29 | 2021-01-05 | 国网山东省电力公司冠县供电公司 | 一种用户需求响应方法、装置、终端及存储介质 |
| CN112650785B (zh) * | 2020-12-18 | 2023-05-26 | 云南电网有限责任公司 | 一种计量异常数据识别方法和*** |
| CN113449795A (zh) * | 2021-06-29 | 2021-09-28 | 国网北京市电力公司 | 用电数据处理方法、装置及电子设备 |
| CN113552528A (zh) * | 2021-06-29 | 2021-10-26 | 国网上海市电力公司 | 一种基于改进遗传算法的变电站母线不平衡率异常分析方法 |
| CN113884734B (zh) * | 2021-10-27 | 2024-04-19 | 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 |
| CN114330583B (zh) * | 2021-12-31 | 2022-11-08 | 四川大学 | 一种异常用电识别方法和异常用电识别*** |
| CN114325555B (zh) * | 2022-01-04 | 2023-11-14 | 国网上海市电力公司 | 一种计量设备异常在线监测模型及误差计算方法 |
| CN114935697B (zh) * | 2022-07-25 | 2022-12-30 | 广东电网有限责任公司佛山供电局 | 一种三相负荷不平衡识别方法、***、设备和介质 |
| CN116304537B (zh) * | 2023-04-27 | 2023-08-22 | 青岛鼎信通讯股份有限公司 | 基于智能量测终端的窃电用户核查方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103914558A (zh) * | 2014-04-16 | 2014-07-09 | 中南大学 | 一种基于时空统计的气象要素时空聚集模式挖掘方法 |
| CN104574202A (zh) * | 2014-12-09 | 2015-04-29 | 国网青海省电力公司经济技术研究院 | 一种风电场出力特性分析方法 |
| CN106250927A (zh) * | 2016-07-29 | 2016-12-21 | 国网河南省电力公司电力科学研究院 | 基于k最近邻分类算法的配电网拓扑结构校验方法 |
| CN106327356A (zh) * | 2016-08-01 | 2017-01-11 | 国家电网公司 | 一种基于数据挖掘的配电网故障精准定位方法 |
| EP3118645A1 (en) * | 2015-07-16 | 2017-01-18 | LSIS Co., Ltd. | System for correcting error |
| CN106409091A (zh) * | 2016-12-05 | 2017-02-15 | 浙江舟山海洋输电研究院有限公司 | 电力***中二次回路模拟故障排查仿真实现方法及*** |
-
2017
- 2017-05-31 CN CN201710398830.8A patent/CN107220906B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103914558A (zh) * | 2014-04-16 | 2014-07-09 | 中南大学 | 一种基于时空统计的气象要素时空聚集模式挖掘方法 |
| CN104574202A (zh) * | 2014-12-09 | 2015-04-29 | 国网青海省电力公司经济技术研究院 | 一种风电场出力特性分析方法 |
| EP3118645A1 (en) * | 2015-07-16 | 2017-01-18 | LSIS Co., Ltd. | System for correcting error |
| CN106250927A (zh) * | 2016-07-29 | 2016-12-21 | 国网河南省电力公司电力科学研究院 | 基于k最近邻分类算法的配电网拓扑结构校验方法 |
| CN106327356A (zh) * | 2016-08-01 | 2017-01-11 | 国家电网公司 | 一种基于数据挖掘的配电网故障精准定位方法 |
| CN106409091A (zh) * | 2016-12-05 | 2017-02-15 | 浙江舟山海洋输电研究院有限公司 | 电力***中二次回路模拟故障排查仿真实现方法及*** |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107220906A (zh) | 2017-09-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107220906B (zh) | 基于用电采集***的多时间尺度用电异常分析方法 | |
| CN107340492B (zh) | 基于大数据挖掘和场景预判的电能计量装置故障分析方法 | |
| CN111505433B (zh) | 一种低压台区户变关系纠错及相位识别方法 | |
| CN110097297A (zh) | 一种多维度窃电态势智能感知方法、***、设备及介质 | |
| CN107328974B (zh) | 一种窃电识别方法及装置 | |
| CN113032454A (zh) | 基于云计算的交互式用户用电异常监测预警管理云平台 | |
| CN110634080A (zh) | 异常用电检测方法、装置、设备及计算机可读存储介质 | |
| CN109767054A (zh) | 基于深度神经网络算法的能效云评估方法及边缘能效网关 | |
| CN106199338B (zh) | 一种短路故障型电压暂降源的辨识方法 | |
| 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 | |
| CN111177208A (zh) | 基于大数据分析的用电异常检测方法 | |
| CN109583679A (zh) | 一种多算法融合的窃电疑似度分析方法 | |
| CN111861786A (zh) | 一种基于特征选择和孤立随机森林的专变窃电识别方法 | |
| CN115759761B (zh) | 一种用于电能计量装置的运行数据智能管理*** | |
| Jiao et al. | Data-driven evaluation for error states of standard electricity meters on automatic verification assembly line | |
| CN105279315B (zh) | 一种基于相关分析和马氏距离的变压器在线监测信息聚合分析方法 | |
| CN106709623B (zh) | 一种基于风险计算模型的电网营销稽查风险管控方法 | |
| CN106526305B (zh) | 一种用于判断三相二次回路接线正确性的相量分析器 | |
| CN117236022A (zh) | 互感器剩余寿命预测模型训练方法、应用方法及电子设备 | |
| CN109784777B (zh) | 基于时序信息片段云相似度度量的电网设备状态评估方法 | |
| CN111999695A (zh) | 一种变电站计量装置状态评估与异常诊断方法 | |
| CN111638401A (zh) | 一种电容器在线监测***及方法 | |
| CN116662840A (zh) | 一种基于机器学习的低压台区用户相位识别方法 | |
| CN115587635A (zh) | 一种基于中性点偏移判断的台区线损分析方法、*** | |
| CN110110816A (zh) | 一种电力变压器故障推演方法 |
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 |