CN107742127B - 一种改进的防窃电智能预警***及方法 - Google Patents
一种改进的防窃电智能预警***及方法 Download PDFInfo
- Publication number
- CN107742127B CN107742127B CN201710973947.4A CN201710973947A CN107742127B CN 107742127 B CN107742127 B CN 107742127B CN 201710973947 A CN201710973947 A CN 201710973947A CN 107742127 B CN107742127 B CN 107742127B
- Authority
- CN
- China
- Prior art keywords
- data
- electricity stealing
- electricity
- judgment
- index
- 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 147
- 230000002265 prevention Effects 0.000 title claims abstract description 26
- 238000000034 method Methods 0.000 title claims abstract description 23
- 238000003745 diagnosis Methods 0.000 claims abstract description 24
- 238000004458 analytical method Methods 0.000 claims abstract description 18
- 238000007689 inspection Methods 0.000 claims abstract description 15
- 238000007405 data analysis Methods 0.000 claims abstract description 13
- 238000012544 monitoring process Methods 0.000 claims abstract description 11
- 230000002159 abnormal effect Effects 0.000 claims description 41
- 238000005516 engineering process Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 10
- 238000011002 quantification Methods 0.000 claims description 9
- 238000012216 screening Methods 0.000 claims description 9
- 238000005259 measurement Methods 0.000 claims description 6
- 238000013139 quantization Methods 0.000 claims description 6
- 238000003064 k means clustering Methods 0.000 claims description 5
- 238000003066 decision tree Methods 0.000 claims description 4
- 238000013500 data storage Methods 0.000 claims description 3
- 230000008014 freezing Effects 0.000 claims description 3
- 238000007710 freezing Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims description 3
- 238000011835 investigation Methods 0.000 abstract description 8
- 238000013024 troubleshooting Methods 0.000 abstract description 6
- 238000007726 management method Methods 0.000 abstract description 4
- 238000004141 dimensional analysis Methods 0.000 abstract description 3
- 230000006399 behavior Effects 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 8
- 238000007418 data mining Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000007635 classification algorithm Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
Images
Classifications
-
- 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
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/26—Visual data mining; Browsing structured data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
- 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)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Physics (AREA)
- Evolutionary Biology (AREA)
- Economics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Operations Research (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Algebra (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Burglar Alarm Systems (AREA)
Abstract
本发明公开一种改进的防窃电智能预警***及方法,属于智能电网信息化领域。该***包括数据源模块、存储模块、诊断模块、预警模块。该方法建立用户窃电行为概率大数据分析模型,经过多维度分析,精准识别疑似窃电用户,应用于反窃电业务,解决目前人工进行反窃电监控、分析、排查工作量大、精准度低的瓶颈,为现场一线用电检查及反窃电人员精准、高效开展反窃电分析和查处工作提供可靠的技术支撑。配置设定后,无需人工干涉,自主独立对电力***窃电行为进行精准分析并预警;解决目前人工进行反窃电监控、分析、排查工作量大、精准度低的瓶颈,提升电网资源管理的合理性及精确性。
Description
技术领域
本发明属于智能电网信息化领域,特别是涉及一种改进的防窃电智能预警***及方法。
背景技术
近年来,随着市场经济的快速推进和科学技术的不断发展,窃电现象依然屡禁不绝,窃电范围广、人员多、数量大,并呈现职业化、智能化蔓延趋势,反窃电形势十分严峻,本智能防窃电预警***致力于建立电网企业的智慧用能体系、技术和***,建立电力业务利益相关者良性循环与价值共赢的生态***。
目前用采***、线损***中产生大量的与窃电有关的异常报警数据,然而未必报警了就存在窃电问题,不可能做到人工逐户进行分析或每户都到现场排查,现有技术申请公布号CN 106291253 A基于对采集终端和电能表生成的事件数据进行分析的,完全依赖于采集终端和电能表对事件的记录信息,数据获取渠道和分析方式过于单一,这就导致当采集终端和电能表事件数据记录不准确时,对分析结果造成很大误差,当时间记录数据丢失时,无法进行窃电分析。
基于上述问题,需建立用户窃电行为概率大数据分析模型,经过多维度分析,精准识别疑似窃电用户,应用于反窃电业务,解决目前人工进行反窃电监控、分析、排查工作量大、精准度低的瓶颈,为现场一线用电检查及反窃电人员精准、高效开展反窃电分析和查处工作提供可靠的技术支撑。
发明内容
针对现有技术的不足,本发明的目的是提供一种改进的防窃电智能预警***,配置设定后,无需人工干涉,自主独立对电力***窃电行为进行精准分析并预警;解决目前人工进行反窃电监控、分析、排查工作量大、精准度低的瓶颈,提升电网资源管理的合理性及精确性。
为了实现上述目的,本发明的一方面提供了一种改进的防窃电智能预警***,该***包括数据源模块、存储模块、诊断模块、预警模块,其中数据源模块与存储模块相连,存储模块与诊断模块相连,诊断模块与预警模块相连。
所述数据源模块:是分析和预警数据的数据来源,该模块通过采集设备、业务窗口等方式获取电力相关业务数据。
所述存储模块:存储从数据源各***中获取得档案类数据、异常类数据、量测类数据、信用数据和样例库的样例数据等。
所述诊断模块:是异常数据筛选和分析的核心部分,主要基于一次诊断模型和二次诊断模型,对异常数据进行逐次筛选和定位。通过异常数据与档案数据、量测数据、样例库数据进行关联和比对分析,精准定位疑似窃电用户。
所述预警模块:通过可视化图形界面和报表界面向现场一线用电检查及反窃电人员提供疑似窃电用户的预警信息,为精准、高效开展反窃电分析和查处工作提供可靠的技术支撑。
为了实现上述目的,本发明的另一方面提供了一种改进的防窃电智能预警方法,该方法包括如下步骤:
步骤一:通过数据源模块,获取用户电力信息采集终端信息,包括用户电能表记录的电量、电流、电力、负荷等实施信息,通过业务***窗口录入地理信息数据、用户档案信息、计量装置档案信息及采集装置档案信息等。
步骤二:通过数据存储模块获取相关数,按日获取用电信息采集***的日冻结数据,按月获取营销业务营销应用***、地理信息***、线损***的海量档案数据信息、信用数据、异常数据、线损数据等。
步骤三:构建“窃电关联指标体系”模型,对数据进行分析、处理生成相应的指标特征值。指标特征值包括:电量趋势、容量变换、线损趋势、失压、失流、倒走、开盖、开箱、电磁干扰等。
所述“窃电关联指标体系”模型,依据计量原理/窃电方式并结合国网辽宁省电力有限公司用户窃电的特点,对历年窃电用户在采集、营销***的电量、电压、电流、报警等数据进行反向分析,确定窃电关联指标体系,满足窃电行为诊断与识别要求,具体指标如下:
(1)电量变化
“电量变化指标”可以反应通过改变计量回路进行窃电的特征,作为模型的特征指标,部分行业的用户在春节及长假数据可能对结果造成误判,需要剔除;其量化公式为
其中kl为当天下降趋势指标,fi为当天电量,fl为前后几天电量,αi为权重,d为前后天数。
(2)线损变化
将线损增长率Y和理论线损比对差值G进行加权处理来量化线损指标。
E=αY+βG
其中α为Y所占权重,β为G所占权重。
(3)失压
异常发生次数越多,该告警可靠性越高,将周期内发生异常点的占比作为模型的特征指标,其量化公式为
其中K为异常发生点数,Q为有效数据点数。
(4)失流
异常发生次数越多,该告警可靠性越高,将周期内发生异常点的占比作为模型的特征指标,其量化公式为
其中K为异常发生点数,Q为有效数据点数。
(5)开盖、开箱、倒走、电磁干扰
事件类告警(开盖,开箱,磁场干扰):该测点周期内是否产生告警类事件进行指标量化处理
电量异常类告警(倒走):根据该测点周期内倒走次数进行指标量化处理
(6)窃电、欠费
将最近3年内发生窃电/欠费记录数进行指标量化处理
k为近3年发生违窃(欠费)记录数
步骤四:通过诊断模块,***将生成的指标特征值输入指标一次判断模型中,通过神经网络算法判断是否为疑似窃电信息,该步骤初步分析异常数据和疑似窃电数据,减少由于采集数据质量问题而引起的伪窃电信息。
一次数据判断模型(初步筛查疑似窃电用户模型):
目前用采***、线损***中产生大量的与窃电有关的异常报警数据,但未必报警了就存在窃电问题,不可能人工逐户进行分析或每户都到现场排查,需采用大数据挖掘算法进行数据挖掘及筛查出疑似窃电用户。本发明采用分类算法反窃电与处理业务,选择决策树方法,方法如下:
(1).“电量、线损判断”节点,如果判断结果符合判定规则,则为一级疑似窃电用户,进入装置异常判断节点,如果判断结果不符合则为正常,不进入下一节点判断。
【判断条件:电量变化>阈值1或者线损变化>阈值2】
(2)将“电量、线损判断”节点判断符合的结果,带入“装置异常判断”节点,如果判断结果符合判定规则,则为二级疑似用户,进入“欠费、窃电判断”节点,如果判断结果不符合则为,该节点正常,不进入下一节点判断。
【判断条件:失压指标>阈值3或者失流指标>阈值4或者事件指标=1】
(3)将“装置异常判断”节点判断符合的结果,带入“欠费、窃电判断”节点,如果判断结果符合判断规则,则为三级疑似用户,基本判断为窃电,如果判断结果不符合则为,该节点正常。
【判断条件:窃电指标>阈值5或者欠费指标>阈值6】
步骤五:通过诊断模块,***将一次疑似窃电信息输入二次判断模型中,进一步定位疑似窃电用户。
为进一步提高疑似窃电用户预判的精准性,针对初步筛查的疑似窃电用户采用大数据分析技术进一步核查该用户的用电轨迹是否偏离了正常的用电轨迹,如果偏离了,则进一步证实该用户存在窃电嫌疑。
寻找用户的正常用电轨迹,就要通过用户历史大量的日用电负荷曲线进行聚类得出。本***采用的是K-Means聚类大数据分析技术。
确认用户是否偏离了正常的用电轨迹,就是将该户监测周期的日负荷曲线与其同季节的正常特征曲线进行比对后得出。本***采用的是离散弗雷歇距离大数据分析技术(用于计算不同的曲线相似性)进行比对,分析出其用电行为的偏移度,从而进一步定位疑似窃电用户。
步骤六:通过信息***告警元件以信息通知的方式,对疑似窃电用户发起预警,由用检人员进行现场核查、取证、查处及反馈,最终确定窃电用户,实现追补电量、电费,挽回电力公司的经济损失。
有益效果
本发明建立用户窃电行为概率大数据分析模型,经过多维度分析,精准识别疑似窃电用户,应用于反窃电业务,解决目前人工进行反窃电监控、分析、排查工作量大、精准度低的瓶颈,为现场一线用电检查及反窃电人员精准、高效开展反窃电分析和查处工作提供可靠的技术支撑。配置设定后,无需人工干涉,自主独立对电力***窃电行为进行精准分析并预警;解决目前人工进行反窃电监控、分析、排查工作量大、精准度低的瓶颈,提升电网资源管理的合理性及精确性。
附图说明
图1为本发明提供的一种改进的防窃电智能预警***框架图。
图2为本发明提供的一次判断方法流程图。
图3为本发明提供的一种二次判断负荷曲线比对图。
具体实施方式
如图1所示,本发明提供了一种改进的防窃电智能预警***,该***包括数据源模块、存储模块、诊断模块、预警模块,其中数据源模块与存储模块相连,存储模块与诊断模块相连,诊断模块与预警模块相连。
所述数据源模块:是分析和预警数据的数据来源,该模块通过采集设备、业务窗口等方式获取电力相关业务数据,包括营销业务应用***、用电信息采集***、线损管理***的数据。
所述存储模块:存储从数据源各***中获取得档案类数据、异常类数据、量测类数据、信用数据和样例库的样例数据等。
所述诊断模块:是异常数据筛选和分析的核心部分,主要基于一次诊断模型和二次诊断模型,对异常数据进行逐次筛选和定位。通过异常数据与档案数据、量测数据、样例库数据进行关联和比对分析,精准定位疑似窃电用户。
所述预警模块:通过可视化图形界面和报表界面向现场一线用电检查及反窃电人员提供疑似窃电用户的预警信息,为精准、高效开展反窃电分析和查处工作提供可靠的技术支撑。
本发明的另一方面提供了一种改进的防窃电智能预警方法,该方法包括如下步骤:
步骤一:通过数据源模块,获取用户电力信息采集终端信息,包括用户电能表记录的电量、电流、电力、负荷等实施信息,通过业务***窗口录入地理信息数据、用户档案信息、计量装置档案信息及采集装置档案信息等。
步骤二:通过数据存储模块获取相关数,按日获取用电信息采集***的日冻结数据,按月获取营销业务营销应用***、地理信息***、线损***的海量档案数据信息、信用数据、异常数据、线损数据等。
步骤三:构建“窃电关联指标体系”模型,对数据进行分析、处理生成相应的指标特征值。指标特征值包括:电量趋势、容量变换、线损趋势、失压、失流、倒走、开盖、开箱、电磁干扰等。
所述“窃电关联指标体系”模型,依据计量原理/窃电方式并结合国网辽宁省电力有限公司用户窃电的特点,对历年窃电用户在采集、营销***的电量、电压、电流、报警等数据进行反向分析,确定窃电关联指标体系,满足窃电行为诊断与识别要求,具体指标如下:
(1)电量变化
“电量变化指标”可以反应通过改变计量回路进行窃电的特征,作为模型的特征指标,部分行业的用户在春节及长假数据可能对结果造成误判,需要剔除;其量化公式为
其中kl为当天下降趋势指标,fi为当天电量,fl为前后几天电量,αi为权重,d为前后天数。
(2)线损变化
将线损增长率Y和理论线损比对差值G进行加权处理来量化线损指标。
E=αY+βG
其中α为Y所占权重,优选为40%。β为G所占权重,优选为60%。
(3)失压
异常发生次数越多,该告警可靠性越高,将周期内发生异常点的占比作为模型的特征指标,其量化公式为
其中K为异常发生点数,Q为有效数据点数。
(4)失流
异常发生次数越多,该告警可靠性越高,将周期内发生异常点的占比作为模型的特征指标,其量化公式为
其中K为异常发生点数,Q为有效数据点数。
(5)开盖、开箱、倒走、电磁干扰
事件类告警(开盖,开箱,磁场干扰):该测点周期内是否产生告警类事件进行指标量化处理
电量异常类告警(倒走):根据该测点周期内倒走次数进行指标量化处理
(6)窃电、欠费
将最近3年内发生窃电/欠费记录数进行指标量化处理
k为近3年发生违窃(欠费)记录数
步骤四:通过诊断模块,***将生成的指标特征值输入指标一次判断模型中,通过神经网络算法判断是否为疑似窃电信息,该步骤初步分析异常数据和疑似窃电数据,减少由于采集数据质量问题而引起的伪窃电信息。
一次数据判断模型(初步筛查疑似窃电用户模型):
目前用采***、线损***中产生大量的与窃电有关的异常报警数据,但未必报警了就存在窃电问题,不可能人工逐户进行分析或每户都到现场排查,需采用大数据挖掘算法进行数据挖掘及筛查出疑似窃电用户。根据大量的数据探索和窃电案例分析,我们采用分类算法反窃电与处理业务,选择决策树方法,如图2所示,该方法如下:
(1).“电量、线损判断”节点,如果判断结果符合判定规则,则为一级疑似窃电用户,进入装置异常判断节点,如果判断结果不符合则为正常,不进入下一节点判断。
【判断条件:电量变化>阈值1或者线损变化>阈值2】
(2)将“电量、线损判断”节点判断符合的结果,带入“装置异常判断”节点,如果判断结果符合判定规则,则为二级疑似用户,进入“欠费、窃电判断”节点,如果判断结果不符合则为,该节点正常,不进入下一节点判断。
【判断条件:失压指标>阈值3或者失流指标>阈值4或者事件指标=1】
(3)将“装置异常判断”节点判断符合的结果,带入“欠费、窃电判断”节点,如果判断结果符合判断规则,则为三级疑似用户,基本判断为窃电,如果判断结果不符合则为,该节点正常。
【判断条件:窃电指标>阈值5或者欠费指标>阈值6】
步骤五:通过诊断模块,***将一次疑似窃电信息输入二次判断模型中,进一步定位疑似窃电用户。
为进一步提高疑似窃电用户预判的精准性,针对初步筛查的疑似窃电用户采用大数据分析技术进一步核查该用户的用电轨迹是否偏离了正常的用电轨迹,如果偏离了,则进一步证实该用户存在窃电嫌疑。
寻找用户的正常用电轨迹,就要通过用户历史大量的日用电负荷曲线进行聚类得出。本***采用的是K-Means聚类大数据分析技术,对该用户历史2-3年不同季节的日用电负荷曲线进行聚类,将其中极少日用电负荷聚类出的异常曲线剔除,大量日用电负荷聚类出曲线作为该用户的正常特征曲线。
确认用户是否偏离了正常的用电轨迹,就是将该户监测周期的日负荷曲线与其同季节的正常特征曲线进行比对后得出。本***采用的是离散弗雷歇距离大数据分析技术(用于计算不同的曲线相似性)进行比对,分析出其用电行为的偏移度,从而进一步定位疑似窃电用户。
如图3所示,采用K-Means聚类算法聚类历史用电负荷特征曲线,采用离散弗雷歇距离算法比对负荷曲线,图3对某初步筛查的疑似窃电用户采用K-Means聚类算法聚类出某季节4类正常日用电负荷特征曲线,通过离散弗雷歇距离算法将该户监测周期的日负荷曲线与这4类曲线进行比对分析后,得出结果如下:
1、与第1聚类的距离:1095>1类间最大距离330
2、与第2聚类的距离:599>2类间最大距离165
3、与第3聚类的距离:312>3类间最大距离144
4、与第4聚类的距离:811>4类间最大距离201
可以看出,该用户监测周期的日负荷曲线数据离质心的距离比4类正常日用电负荷特征曲线数据离质心的最大距离都要大,说明该用户负荷特性进入一个新的状态,有很大的概率是进入窃电状态。
步骤六:通过信息***告警元件以信息通知的方式,对疑似窃电用户发起预警,由用检人员进行现场核查、取证、查处及反馈,最终确定窃电用户,实现追补电量、电费,挽回电力公司的经济损失。
Claims (2)
1.一种改进的防窃电智能预警***,其特征在于,该***包括数据源模块、存储模块、诊断模块、预警模块,其中数据源模块与存储模块相连,存储模块与诊断模块相连,诊断模块与预警模块相连;
所述数据源模块:是分析和预警数据的数据来源,该模块通过采集设备、业务窗口方式获取电力相关业务数据;
所述存储模块:存储从数据源各***中获取得档案类数据、异常类数据、量测类数据、信用数据和样例库的样例数据;
所述诊断模块:是异常数据筛选和分析的核心部分,基于一次诊断模型和二次诊断模型,对异常数据进行逐次筛选和定位;通过异常数据与档案数据、量测数据、样例库数据进行关联和比对分析,精准定位疑似窃电用户;
所述预警模块:通过可视化图形界面和报表界面向现场一线用电检查及反窃电人员提供疑似窃电用户的预警信息;
包括如下步骤:
步骤一:通过数据源模块,获取用户电力信息采集终端信息;
步骤二:通过数据存储模块获取相关数,按日获取用电信息采集***的日冻结数据,按月获取营销业务营销应用***、地理信息***、线损***的海量档案数据信息、信用数据、异常数据、线损数据;
步骤三:构建“窃电关联指标体系”模型,对数据进行分析、处理生成相应的指标特征值;
步骤四:通过诊断模块,***将生成的指标特征值输入指标一次判断模型中,通过决策树方法判断是否为疑似窃电信息,初步分析异常数据和疑似窃电数据;
步骤五:通过诊断模块,***将一次疑似窃电信息输入二次判断模型中,进一步定位疑似窃电用户;
步骤六:通过信息***告警元件以信息通知的方式,对疑似窃电用户发起预警,由用检人员进行现场核查、取证、查处及反馈,最终确定窃电用户,实现追补电量、电费,挽回电力公司的经济损失;
步骤三所述指标特征值包括:电量趋势、容量变换、线损趋势、失压、失流、倒走、开盖、开箱、电磁干扰;
步骤三所述“窃电关联指标体系”模型,指标包括:电量变化、线损变化、失压、失流、开盖、开箱、倒走、电磁干扰、窃电、欠费
步骤三所述“窃电关联指标体系”模型,具体量化公式为:
(1)电量变化
其量化公式为
其中ki为当天下降趋势指标,fi为当天电量,fl为前后几天电量,αi为权重,d为前后天数;
线损变化
其量化公式为
其中α为Y所占权重,β为G所占权重;Y为线损增长率,G为理论线损比对差值;
(3)失压
其量化公式为
其中K1为异常发生点数,Q1为有效数据点数;
(4)失流
其量化公式为
其中K2为异常发生点数,Q2为有效数据点数;
(5)开盖、开箱、倒走、电磁干扰
事件类告警:对测点周期内是否产生告警类事件进行指标量化处理
电量异常类告警:根据测点周期内倒走次数进行指标量化处理
(6)窃电、欠费
将最近3年内发生窃电/欠费记录数进行指标量化处理
k2为近3年发生违窃/欠费记录数
步骤四所述决策树方法具体步骤如下:
(1).“电量、线损判断”节点,如果判断结果符合判定规则,则为一级疑似窃电用户,进入装置异常判断节点,如果判断结果不符合则为正常,不进入下一节点判断;
判断条件:电量变化>阈值1 或者 线损变化>阈值2;
(2).将“电量、线损判断”节点判断符合的结果,带入“装置异常判断”节点,如果判断结果符合判定规则,则为二级疑似用户,进入“欠费、窃电判断”节点,如果判断结果不符合判定规则,则该节点正常,不进入下一节点判断;
判断条件:失压指标>阈值3 或者 失流指标>阈值4 或者事件指标=1;
(3)将“装置异常判断”节点判断符合的结果,带入“欠费、窃电判断”节点,如果判断结果符合判断规则,则为三级疑似用户,基本判断为窃电,如果判断结果不符合判断规则,则该节点正常;
判断条件:窃电指标>阈值5或者 欠费指标>阈值6;
针对初步筛查的疑似窃电用户采用大数据分析技术进一步核查该用户的用电轨迹是否偏离了正常的用电轨迹,如果偏离了,则进一步证实该用户存在窃电嫌疑;
寻找用户的正常用电轨迹,就要通过用户历史大量的日用电负荷曲线进行聚类得出;本***采用的是K-Means聚类大数据分析技术;
确认用户是否偏离了正常的用电轨迹,就是将该用户监测周期的日负荷曲线与其同季节的正常特征曲线进行比对后得出;本***采用离散弗雷歇距离大数据分析技术,计算不同曲线的相似性,然后进行比对,分析出其用电行为的偏移度,从而进一步定位疑似窃电用户。
2.如权利要求1所述的一种改进的防窃电智能预警***,其特征在于,所述步骤一包括用户电能表记录的电量、电流、电力、负荷实施信息,通过业务***窗口录入地理信息数据、用户档案信息、计量装置档案信息及采集装置档案信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710973947.4A CN107742127B (zh) | 2017-10-19 | 2017-10-19 | 一种改进的防窃电智能预警***及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710973947.4A CN107742127B (zh) | 2017-10-19 | 2017-10-19 | 一种改进的防窃电智能预警***及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107742127A CN107742127A (zh) | 2018-02-27 |
CN107742127B true CN107742127B (zh) | 2021-06-08 |
Family
ID=61236932
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710973947.4A Active CN107742127B (zh) | 2017-10-19 | 2017-10-19 | 一种改进的防窃电智能预警***及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107742127B (zh) |
Families Citing this family (37)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108734602B (zh) * | 2018-04-09 | 2021-08-03 | 广东电网有限责任公司 | 一种基于高维随机矩阵的用户窃电行为辨识*** |
CN108732528A (zh) * | 2018-05-28 | 2018-11-02 | 国网福建省电力有限公司电力科学研究院 | 一种基于深度置信网络的数字化电能表故障诊断方法 |
CN109190916A (zh) * | 2018-08-09 | 2019-01-11 | 国网浙江桐庐县供电有限公司 | 基于大数据分析的反窃电方法 |
CN109063929A (zh) * | 2018-08-29 | 2018-12-21 | 广东电网有限责任公司 | 反窃电分析预警方法、装置及计算机可读存储介质 |
CN109444496A (zh) * | 2018-10-22 | 2019-03-08 | 国网山东省电力公司滨州市滨城区供电公司 | 一种电力窃电检测提示***及方法 |
CN109977984B (zh) * | 2018-11-06 | 2023-06-20 | 国网新疆电力有限公司营销服务中心(资金集约中心、计量中心) | 基于支持向量机的窃电用户判断方法 |
CN109753989A (zh) * | 2018-11-18 | 2019-05-14 | 韩霞 | 基于大数据与机器学习的电力用户窃电行为分析方法 |
CN109596165A (zh) * | 2018-11-23 | 2019-04-09 | 湖南城市学院 | 一种智能地理信息动态预警布控***及方法 |
CN109615004A (zh) * | 2018-12-07 | 2019-04-12 | 江苏瑞中数据股份有限公司 | 一种多源数据融合的防窃电预警方法 |
CN109885559B (zh) * | 2019-01-23 | 2022-11-18 | 长春工程学院 | 一种基于用户样本数据差异特征分析的窃电用户发现方法 |
CN109933605A (zh) * | 2019-03-08 | 2019-06-25 | 广东电网有限责任公司 | 电费差错排查方法、装置以及电子设备 |
CN110119421A (zh) * | 2019-04-03 | 2019-08-13 | 昆明理工大学 | 一种基于Spark流式分类的电力窃电用户识别方法 |
CN110097297B (zh) * | 2019-05-21 | 2023-08-22 | 国网湖南省电力有限公司 | 一种多维度窃电态势智能感知方法、***、设备及介质 |
CN110083986A (zh) * | 2019-05-21 | 2019-08-02 | 国网湖南省电力有限公司 | 再电气化能源消费装置反窃电模拟监测方法、***、设备及介质 |
CN110082579B (zh) * | 2019-05-21 | 2021-06-25 | 国网湖南省电力有限公司 | 一种台区智能反窃电监测方法、***、设备及介质 |
CN110363382A (zh) * | 2019-06-03 | 2019-10-22 | 华东电力试验研究院有限公司 | 全能型乡镇供电所一体化业务融合技术 |
CN110543499A (zh) * | 2019-08-22 | 2019-12-06 | 云南电网有限责任公司 | 一种基于多源数据融合的反窃电定位跟踪设备 |
CN110968838A (zh) * | 2019-11-29 | 2020-04-07 | 国网吉林省电力有限公司电力科学研究院 | 基于智能电能表开盖事件的用电异常分析方法 |
CN111008193B (zh) * | 2019-12-03 | 2023-10-31 | 国网天津市电力公司电力科学研究院 | 一种数据清洗与质量评价方法及*** |
CN111539843B (zh) * | 2020-04-17 | 2022-07-12 | 国网新疆电力有限公司营销服务中心(资金集约中心、计量中心) | 基于数据驱动的反窃电智能预警方法 |
CN111650432A (zh) * | 2020-07-14 | 2020-09-11 | 国网冀北电力有限公司 | 一种基于线损的窃电确定方法及装置 |
CN112215721A (zh) * | 2020-09-04 | 2021-01-12 | 国网青海省电力公司信息通信公司 | 基于大数据的电力窃电精准识别及窃电反馈数据分析模型 |
CN112436606A (zh) * | 2020-11-26 | 2021-03-02 | 国网天津市电力公司营销服务中心 | 一种用于反窃电的监控*** |
CN113221931B (zh) * | 2020-12-23 | 2022-06-10 | 国网吉林省电力有限公司电力科学研究院 | 一种基于用电信息采集大数据分析的反窃电智能识别方法 |
CN112632152A (zh) * | 2020-12-28 | 2021-04-09 | 国网冀北电力有限公司技能培训中心 | 一种基于反窃电实训室的电路控制*** |
CN113128024B (zh) * | 2021-03-17 | 2023-02-07 | 国网山东省电力公司济南供电公司 | 一种基于大数据分析的低压窃电客户及窃电手段确定方法 |
CN113077174B (zh) * | 2021-04-21 | 2022-08-05 | 国网福建省电力有限公司 | 基于曲线离散弗雷歇距离匹配的排治污设备状态研判方法及计算机可读存储介质 |
CN113111955A (zh) * | 2021-04-21 | 2021-07-13 | 国网上海市电力公司 | 一种线损异常数据专家***及检测方法 |
CN113960343A (zh) * | 2021-09-01 | 2022-01-21 | 合肥市然诺信息科技有限公司 | 一种应用于反窃电的线损分析*** |
CN114076841B (zh) * | 2021-11-12 | 2024-05-07 | 国网安徽省电力有限公司旌德县供电公司 | 基于用电信息数据的窃电行为识别方法及*** |
CN114881808B (zh) * | 2022-04-01 | 2024-01-23 | 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*** |
CN115292387B (zh) * | 2022-08-18 | 2023-05-23 | 北京志翔科技股份有限公司 | 一种基于多维数据分析的能源超量程使用监测方法 |
CN116150239B (zh) * | 2022-12-16 | 2023-09-22 | 彭州华润燃气有限公司 | 一种针对燃气偷盗气行为的数据挖掘方法 |
CN117147959A (zh) * | 2023-08-23 | 2023-12-01 | 广东电网有限责任公司佛山供电局 | 一种防窃电分析方法及装置 |
CN116777124B (zh) * | 2023-08-24 | 2023-11-07 | 国网山东省电力公司临沂供电公司 | 一种基于用户用电行为的窃电监测方法 |
CN117131448B (zh) * | 2023-08-25 | 2024-04-16 | 国网河南省电力公司渑池县供电公司 | 基于大数据的窃电用户智能识别***及方法 |
CN116976707B (zh) * | 2023-09-22 | 2023-12-26 | 安徽融兆智能有限公司 | 基于用电信息采集的用户用电数据异常分析方法及*** |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102436705A (zh) * | 2011-09-26 | 2012-05-02 | 安徽省电力公司阜阳供电公司 | 一种视频监控防窃电的报警装置 |
CN102866321A (zh) * | 2012-08-13 | 2013-01-09 | 广东电网公司电力科学研究院 | 一种自适应的防窃漏电诊断方法 |
CN103675492A (zh) * | 2012-09-07 | 2014-03-26 | 国网电力科学研究院 | 一种用电监测分析方法、便携式用电监测分析装置及*** |
WO2014046530A1 (es) * | 2012-09-19 | 2014-03-27 | Grupo Tecnologías Eos S.A. De C.V. | Sistema modular de control y monitoreo remoto del suministro de energía eléctrica |
CN104614700A (zh) * | 2012-10-29 | 2015-05-13 | 江苏省电力公司常州供电公司 | 一种实时性好的电能计量装置远程监测诊断方法 |
CN105022021A (zh) * | 2015-07-08 | 2015-11-04 | 国家电网公司 | 一种基于多智能体的关口电能计量装置的状态识别方法 |
CN106203832A (zh) * | 2016-07-12 | 2016-12-07 | 亿米特(上海)信息科技有限公司 | 智能防窃电分析***及分析方法 |
CN106291253A (zh) * | 2016-09-23 | 2017-01-04 | 国网天津市电力公司 | 一种防窃电预警分析方法 |
CN107145966A (zh) * | 2017-04-12 | 2017-09-08 | 山大地纬软件股份有限公司 | 基于逻辑回归概率分析优化模型的反窃电分析预警方法 |
-
2017
- 2017-10-19 CN CN201710973947.4A patent/CN107742127B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102436705A (zh) * | 2011-09-26 | 2012-05-02 | 安徽省电力公司阜阳供电公司 | 一种视频监控防窃电的报警装置 |
CN102866321A (zh) * | 2012-08-13 | 2013-01-09 | 广东电网公司电力科学研究院 | 一种自适应的防窃漏电诊断方法 |
CN103675492A (zh) * | 2012-09-07 | 2014-03-26 | 国网电力科学研究院 | 一种用电监测分析方法、便携式用电监测分析装置及*** |
WO2014046530A1 (es) * | 2012-09-19 | 2014-03-27 | Grupo Tecnologías Eos S.A. De C.V. | Sistema modular de control y monitoreo remoto del suministro de energía eléctrica |
CN104614700A (zh) * | 2012-10-29 | 2015-05-13 | 江苏省电力公司常州供电公司 | 一种实时性好的电能计量装置远程监测诊断方法 |
CN105022021A (zh) * | 2015-07-08 | 2015-11-04 | 国家电网公司 | 一种基于多智能体的关口电能计量装置的状态识别方法 |
CN106203832A (zh) * | 2016-07-12 | 2016-12-07 | 亿米特(上海)信息科技有限公司 | 智能防窃电分析***及分析方法 |
CN106291253A (zh) * | 2016-09-23 | 2017-01-04 | 国网天津市电力公司 | 一种防窃电预警分析方法 |
CN107145966A (zh) * | 2017-04-12 | 2017-09-08 | 山大地纬软件股份有限公司 | 基于逻辑回归概率分析优化模型的反窃电分析预警方法 |
Non-Patent Citations (2)
Title |
---|
Electricity Theft Detection in AMI Using Customers’ Consumption Patterns;Paria Jokar et al;《 IEEE Transactions on Smart Grid》;20160131;第7卷(第1期);第216-226页 * |
应用大数据技术的反窃电分析;陈文瑛等;《电子测量与仪器学报》;20161031;第30卷(第10期);第3.2节、图4 * |
Also Published As
Publication number | Publication date |
---|---|
CN107742127A (zh) | 2018-02-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107742127B (zh) | 一种改进的防窃电智能预警***及方法 | |
CN110223196B (zh) | 基于典型行业特征库和反窃电样本库的反窃电分析方法 | |
CN110097297B (zh) | 一种多维度窃电态势智能感知方法、***、设备及介质 | |
CN109583680B (zh) | 一种基于支持向量机的窃电辨识方法 | |
CN106093707B (zh) | 智能防窃电分析***的数据处理方法 | |
CN110458230A (zh) | 一种基于多判据融合的配变用采数据异常甄别方法 | |
CN109947815B (zh) | 一种基于离群点算法的窃电辨识方法 | |
CN115858630A (zh) | 一种储能电站储能数据的异常检测方法 | |
CN108765004A (zh) | 一种基于数据挖掘识别用户窃电行为的方法 | |
CN112084229A (zh) | 一种识别城镇燃气用户异常用气行为的方法及装置 | |
CN113344133B (zh) | 一种时序行为异常波动检测方法及*** | |
CN111177208A (zh) | 基于大数据分析的用电异常检测方法 | |
CN111861211A (zh) | 一种具有双层反窃电模型的*** | |
CN110288039A (zh) | 基于用户用电负荷特征窃电检测方法 | |
CN110826641A (zh) | 一种基于聚类分析归类居民用电情况的***及方法 | |
CN112132210A (zh) | 一种基于客户用电行为的窃电概率预警分析方法 | |
CN114997321A (zh) | 一种台区户变关系识别方法、装置、电子设备及存储介质 | |
CN115049410A (zh) | 窃电行为识别方法、装置、电子设备及计算机可读存储介质 | |
Wang et al. | Analysis of 10kV non-technical loss detection with data-driven approaches | |
CN115730962A (zh) | 一种基于大数据的电力营销稽查分析***及方法 | |
CN116108376A (zh) | 一种反窃电的监测***、方法、电子设备及介质 | |
Dian-Gang et al. | Anomaly behavior detection based on ensemble decision tree in power distribution network | |
Lu et al. | Time series power anomaly detection based on Light Gradient Boosting Machine | |
Zhang et al. | Multi-feature fusion based anomaly electro-data detection in smart grid | |
CN113806495B (zh) | 一种离群机器检测方法和装置 |
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 |