CN109034585A - 基于用电信息和地理位置的台区户变关系判别算法及*** - Google Patents
基于用电信息和地理位置的台区户变关系判别算法及*** Download PDFInfo
- Publication number
- CN109034585A CN109034585A CN201810787449.5A CN201810787449A CN109034585A CN 109034585 A CN109034585 A CN 109034585A CN 201810787449 A CN201810787449 A CN 201810787449A CN 109034585 A CN109034585 A CN 109034585A
- Authority
- CN
- China
- Prior art keywords
- user
- line loss
- data
- platform area
- per unit
- 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.)
- Granted
Links
- 230000002159 abnormal effect Effects 0.000 claims abstract description 73
- 230000005611 electricity Effects 0.000 claims abstract description 38
- 238000012545 processing Methods 0.000 claims abstract description 37
- 238000012360 testing method Methods 0.000 claims description 36
- 230000000694 effects Effects 0.000 claims description 12
- 238000000034 method Methods 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 8
- 230000007423 decrease Effects 0.000 claims description 5
- 238000007689 inspection Methods 0.000 claims description 4
- 238000013316 zoning Methods 0.000 claims description 3
- 239000013589 supplement Substances 0.000 claims description 2
- 230000018199 S phase Effects 0.000 claims 1
- 238000005192 partition Methods 0.000 claims 1
- 238000012958 reprocessing Methods 0.000 claims 1
- 238000004458 analytical method Methods 0.000 abstract description 10
- 238000004364 calculation method Methods 0.000 abstract description 5
- 238000005065 mining Methods 0.000 abstract description 3
- 230000004069 differentiation Effects 0.000 description 4
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 230000000007 visual effect Effects 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- 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)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Theoretical Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明提供一种基于用电信息和地理位置的台区户变关系判别算法及***,其基于台区电网变压器和用户用电数据计算台区每日的线损率,然后计算平均线损率,对平均线损率数据做1阶差分处理,并做累计求和,得到线损波动情况,依据台区线损率和线损波动情况对台区进行优先级分类处理;依据用户对线损波动影响识别台区异常用户,并基于空间临近关系进行户变关系的调整。本发明以用户用电信息及空间信息为基础,分析挖掘用电数据、GIS数据、台账数据中潜在的关联关系,以台区线损最小化为目标,分析计算出合理的户变关系,从而提高台区线损计算准确性。
Description
技术领域
本发明涉及电力电子信息技术领域,具体是一种基于用电信息和地理位置的台区户变关系判别算法及***。
背景技术
台区线损率是电力公司的一项重要经济技术指标,提高线损正确可算率是降损增效的根本途径。台区户变关系的正确性是实现台区线损准确计算分析的前提。同时,营配贯通深化应用的开展要实现营配数据信息共享和营配业务协同运作,建立准确的“变电站—线路—变压器(台区)—用户”关联关系,也对加强户变关系梳理,提高户变关系准确性提出了明确要求。
户变关系指的是变压器(台区)和用户电表的连接关系,台区户变关系的正确性是实现台区线损准确计算分析的前提。现实中,台区施工改造(如迁建、扩容、割接、布点等)时,容易因电缆标识而无法正确区分变压器与户表的对应关系,营销***未及时更新户变关系变化,造成户变关系与实际产生差异,线损计算出现偏差。
户变关系的判别一直以来都是各供电企业台区线损管理的一大难题。传统台区停电方法虽然可以逐一排查停电台区变压器和户表的对应关系,但是为保证用户供电可靠性,全面停电排查方法无法实施。国内有供电企业采用台区识别仪通过载波通讯方式识别台区,但是需要在线路上加装集中器和采集器等硬件,全面开展受成本条件限制。基于数据的户变关系判别方法未见文献。
随着城区智能电表全面覆盖投运,用电信息采集***实现了变压器和终端用户用电数据的自动采集;另一方面,通过营配调贯通普查工程的开展,营销客户资源地理信息正源源不断的采集入库。丰富的数据资源为实现基于数据的户变关系判别与调整奠定了基础。
现有技术在户变关系判别上,由于受到供电可靠性、成本条件等方面的限制,存在一定局限性。为此,需要设计一种实现基于用电数据和空间信息的户变关系判别算法。
发明内容
本发明提供一种基于用电信息和地理位置的台区户变关系判别算法及***,以用户用电信息及空间信息为基础,分析挖掘用电数据、GIS数据、台账数据中潜在的关联关系,以台区线损最小化为目标,分析计算出合理的户变关系,从而提高台区线损计算准确性。
一种基于用电信息和地理位置的台区户变关系判别算法,基于台区电网变压器和用户用电数据计算台区每日的线损率,然后计算平均线损率,对平均线损率数据做1阶差分处理,并做累计求和,得到线损波动情况,依据台区线损率和线损波动情况对台区进行优先级分类处理;依据用户对线损波动影响识别台区异常用户,并基于空间临近关系进行户变关系的调整。
进一步的,所述方法具体步骤实现如下:
(1)数据的读取和预处理
从电力营销部门获得营业所范围内台区电网变压器数据和用户用电数据,供电台区数据以台区和用户为核心,以链表形式存储,读取营业所范围内台区电网变压器数据和用户用电数据后进行数据的预处理,预处理主要是针对数据存在的缺失值、异常值和数据一致性、重复数据进行必要的检查和处理;
(2)计算台区优先级和空间临近关系
基于台区电网变压器和用户日用电数据计算台区每日线损率,然后计算平均线损率,同时对平均线损率数据做1阶差分,得到1阶差分序列,对1阶差分序列求和所得值反映了线损率波动状况,基于此对台区的优先级别进行区分,将台区的优先级别由高到低分为优先级3、优先级2、优先级1、优先级0;其中,将线损过低的台区划分为高优先级处理,若本台区存在较多非本台区用户,需要优先处理存在较多多余用户的台区,其他台区补充用户后再处理;算法中维护一个高优先级异常台区链表,所有需要优先处理的台区编号被存储在该链表,算法将优先处理此链表中数据;
空间临近关系指的是台区间的距离远近关系,通过台区空间地理坐标计算每个台区相邻近的5个台区,并保存这些台区信息;
(3)异常用户判别
在优先级为3和2的台区中判别异常用户,处理完优先级为3的台区后再处理优先级为2的台区,将线损率波动S用作判断该区是否存在异常用户的重要指标,通过测试用户对线损率造成的相对影响,即线损率1阶差分序列平均值,判断用户是否异常:
C=Sp-Sq (公式3-2)
式中,Wi为台区第i天变压器读数,wi为台区用户第i天用电量之和,S代表线损率波动,Sq为原线损率波动,Sp为测试后新线损率波动,C为测试用户对线损波动造成的相对影响,若计算得出C为负值,则当前测试用户判别为异常用户;
(4)户变关系的调整
将识别出的异常用户数据分别加入到空间上临近的台区,计算出新的线损率波动数据,将台区新的线损率数据同原线损率波动数据做比较,若线损率波动下降,则判断该用户属于该台区并将其户变关系调整到该台区,否则不属于该台区,即在空间临近关系约束下,实现户变关系的调整。
进一步的,所述台区电网变压器数据包括变压器ID、变压器坐标、变压器日用电数据,所述用户用电数据包括用户ID、用户日用电数据以及原始户变关系数据。
一种基于用电信息和地理位置的台区户变关系判别***,包括数据预处理模块、异常台区分级模块、异常用户识别与调整模块;
所述数据预处理模块,用于实现台区电网变压器数据和用户用电数据的读取和预处理;
所述异常台区分级模块,用于基于台区平均线损率和线损波动状况,对台区进行优先级分级处理,得到高优先级处理台区链表,所有需要优先处理的台区编号被存储在高优先级处理台区链表;
所述异常用户识别与调整模块,用于在高优先级台区中,测试每个用户对当前台区线损波动造成的影响,通过测试用户对线损率造成的相对影响,判断用户是否异常,并将识别出的异常用户数据加入临近台区进行测试,计算合理的户变关系。
进一步的,所述异常用户识别与调整模块中判断用户是否异常具体实现为:
将线损率波动S用作判断该区是否存在异常用户的重要指标,通过测试用户对线损率造成的相对影响,即线损率1阶差分序列平均值,判断用户是否异常:
C=Sp-Sq (公式3-2)
式中,Wi为台区第i天变压器读数,wi为台区用户第i天用电量之和,S代表线损率波动,Sq为原线损率波动,Sp为测试后新线损率波动,C为测试用户对线损波动造成的相对影响,若计算得出C为负值,则当前测试用户判别为异常用户。
进一步的,还包括户变关系输出模块,用于根据异常用户识别与调整模块的处理结果,输出新户变关系数据和数据异常信息,所述数据异常信息包括空间坐标缺失台区、户变关系缺失用户、电量异常用户、电量缺失用户。
进一步的,所述异常用户识别与调整模块103将识别出的异常用户数据加入临近台区进行测试,计算合理的户变关系具体为:将识别出的异常用户数据分别加入到空间上临近的台区,计算出新的线损率波动数据,将台区新的线损率数据同原线损率波动数据做比较,若线损率波动下降,则判断该用户属于该台区并将其户变关系调整到该台区,否则不属于该台区,即在空间临近关系约束下,实现户变关系的调整。
进一步的,所述台区电网变压器数据包括变压器ID、变压器坐标、变压器日用电数据,所述用户用电数据包括用户ID、用户日用电数据以及原始户变关系数据。
本发明以台区日用电量数据为基础,并在空间位置的约束下实现户变关系的调整,能够实现供电台区异常户变关系的自动判别与调整,通过对台区及其用户时间序列日用电数据的分析与诊断,测试用户线损贡献率,自动识别台区多余用户,并在空间关系约束下实现户变关系局部调整与优化。
附图说明
图1是本发明基于用电信息和地理位置的台区户变关系判别算法的流程示意图;
图2是本发明基于用电信息和地理位置的台区户变关系判别***的结构示意图;
图3是本发明所使用的台区链表结构图;
图4是本发明所使用的用户链表结构图。
具体实施方式
下面将结合本发明中的附图,对本发明中的技术方案进行清楚、完整地描述。
本发明提供一种基于用电信息和地理位置的台区户变关系判别算法,包括如下步骤:
基于台区电网变压器和用户用电数据计算台区每日的线损率,然后计算平均线损率,对平均线损率数据做1阶差分处理,并做累计求和,得到线损波动情况,依据台区线损率和线损波动情况对台区进行优先级分类处理:台区被划分成4个优先级(0-3级),3级为高优先级台区,1-2级在处理方式上不区分,0级为正常台区无需处理;依据用户对线损波动影响识别台区异常用户,并基于空间临近关系进行户变关系的调整。
如图1所示,所述方法具体步骤实现如下:
(1)数据的读取和预处理
从电力营销部门获得营业所范围内台区电网变压器数据和用户用电数据,其中台区电网变压器数据包括变压器ID、变压器坐标、变压器日用电数据,用户用电数据包括用户ID、用户日用电数据以及原始户变关系数据。算法中,供电台区数据以台区和用户为核心,以链表形式存储,如图3和图4所示。读取营业所范围内台区电网变压器数据和用户用电数据后进行数据的预处理,预处理主要是针对数据存在的缺失值、异常值和数据一致性、重复数据进行必要的检查和处理。
(2)计算台区优先级和空间临近关系
由于无法在单一台区找到缺失的用户,因此,在台区异常用户识别时,根据台区线损波动状况和平均线损率,区分台区异常类型。具体的,基于台区电网变压器和用户日用电数据计算台区每日线损率,然后计算平均线损率,同时对平均线损率数据做1阶差分,得到1阶差分序列,对1阶差分序列求和所得值反映了线损率波动状况,基于此对台区的优先级别进行区分(如表1所示),将台区的优先级别由高到低分为优先级3、优先级2、优先级1、优先级0。其中,将线损过低的台区划分为高优先级处理,若本台区存在较多非本台区用户,需要优先处理存在较多多余用户的台区,其他台区补充用户后再处理。算法中需维护一个高优先级异常台区链表,所有需要优先处理的台区编号被存储在该链表,算法将优先处理此链表中数据。
空间临近关系指的是台区间的距离远近关系。户变关系的错误一般发生在临近台区间。在户变关系调整时,为避免全局的户变关系的调整,通过台区空间地理坐标计算每个台区相邻近的5个台区,并保存这些台区信息。在实际互变关系测试时,只在临近的5个台区测试,能够减少算法计算量,避免异常结果出现。
表1异常台区及优先级划分标准
(3)异常用户判别
在优先级为3和2的台区中判别异常用户(非本台区用户),处理完优先级为3的台区后再处理优先级为2的台区。正常情况下,线损率波动S情况应该处于一个平稳状态,即一个正常台区的S在一个在相同时间内,比该台区出现异常情况时的S小。因此本发明将线损率波动S用作判断该区是否存在异常用户的一个重要指标。通过测试用户对线损率造成的相对影响(线损率1阶差分序列平均值),判断用户是否异常(公式3-1,公式3-2)。
C=Sp-Sq (公式3-2)
式中,Wi为台区第i天变压器读数,wi为台区用户第i天用电量之和,S代表线损率波动,Sq为原线损率波动,Sp为测试后新线损率波动,C为测试用户对线损波动造成的相对影响。
若C为负值,当前测试用户判别为异常用户。
(4)户变关系的调整
通常台区户变关系的错误是由于线路改造和台账数据未及时更新导致,户变关系的错误一般发生在临近台区间。在户变关系调整时,为避免全局的户变关系的调整,需要在空间临近关系约束下,进行户变关系的调整。为此,需要为每个异常台区维护空间临近关系,该空间临近关系通过台区地理坐标求得,并将空间临近关系进行存储。根据公式3-1和公式3-2,计算异常用户对临近台区线损造成的影响进而实现户变关系的调整:将识别出的异常用户数据分别加入到空间上临近的台区,计算出新的线损率波动数据,将台区新的线损率数据(加入用户之后)同原线损率波动数据(加入用户之前)做比较,若线损率波动下降,则判断该用户属于该台区并将其户变关系调整到该台区,否则不属于该台区,即在空间临近关系约束下,实现户变关系的调整。
本发明的研发目标是为了弥补和解决现有判别方法低效、高成本等局限性,挖掘现有用电数据和空间数据在户变关系判别中的应用潜力。本发明以用户用电信息及空间信息为基础,分析挖掘用电数据、GIS数据、台账数据中潜在的关联关系,以台区线损最小化为目标,分析计算出合理的户变关系,从而提高台区线损计算准确性。
本发明还提供一种基于用电信息和地理位置的台区户变关系判别***,如图2所示,主要包括数据预处理模块101、异常台区分级模块102、异常用户识别与调整模块103和户变关系输出模块104。
所述数据预处理模块101,用于实现数据的读取和预处理。待处理数据包括台区电网变压器数据和用户用电数据。功能包括坐标文件的读取,台区以及用户电量读取与计算,得到待处理台区链表。台区链表的数据存储结构如图3所示。预处理模块还针对数据存在的缺失值、异常值和数据一致性、重复数据进行了必要的检查和处理。
所述异常台区分级模块102,用于基于台区平均线损率和线损波动状况,对台区进行优先级分级处理,得到高优先级处理台区链表,所有需要优先处理的台区编号被存储在高优先级处理台区链表,并将正常台区从内存中删除。
所述异常用户识别与调整模块103,用于在高优先级台区中,测试每个用户对当前台区线损波动造成的影响,通过测试用户对线损率造成的相对影响(线损率1阶差分序列平均值),判断用户是否异常,并将识别出的异常用户数据加入临近台区进行测试,计算合理的户变关系,具体的,将识别出的异常用户数据分别加入到空间上临近的台区,计算出新的线损率波动数据,将台区新的线损率数据(加入用户之后)同原线损率波动数据(加入用户之前)做比较,若线损率波动下降,则判断该用户属于该台区并将其户变关系调整到该台区,否则不属于该台区,即在空间临近关系约束下,实现户变关系的调整。
其中异常用户判别具体实现为:
在优先级为3和2的台区中判别异常用户,处理完优先级为3的台区后再处理优先级为2的台区,将线损率波动S用作判断该区是否存在异常用户的重要指标,通过测试用户对线损率造成的相对影响,即线损率1阶差分序列平均值,判断用户是否异常:
C=Sp-Sq (公式3-2)
式中,Wi为台区第i天变压器读数,wi为台区用户第i天用电量之和,S代表线损率波动,Sq为原线损率波动,Sp为测试后新线损率波动,C为测试用户对线损波动造成的相对影响,若计算得出C为负值,则当前测试用户判别为异常用户。
所述户变关系输出模块104,用于根据异常用户识别与调整模块103的处理结果,输出新户变关系数据和数据异常信息(包括空间坐标缺失台区,户变关系缺失用户,电量异常用户,电量缺失用户等)。
利用本发明的算法和***,对杨叶营业所范围内户变关系进行识别与调整应用测试。对杨叶营业所范围内,93个台区(包含地理位置),7841个用户,280万条用电记录进行了分析。识别异常台区、进行了异常用户判别,并在空间临近关系的约束下计算出合理的户变关系。测试运行环境为Intel i5-6200U 2.3GHz的CPU,8G DDR3内存,Windows 10***;使用C++代码在Visual Studio 2017下编译。数据测试时长4分30秒,最大占用内存700兆。
测试结果,发现原始数据数据异常信息:3个台区由于缺失坐标,这3个台区及其所属用户在数据预处理阶段被排除;128个用户丢失电量数据;50个用户数据存在严重质量问题;234个用户缺少台区信息。识别户变关系异常用户51个,并进行了相应调整。针对这些数据,调阅了原始数据库数据,电量数据远程采集***存在部分数据采集失败的问题;对51户户变关系异常用户,选择了20户进行了实地户变关系验证工作,有16户户变关系符合算法结果,另有4户由于异常数据的影响,未能正确识别与调整。本算法在***中得到了很好地实现,能减轻实地户变关系现场确认工作效率。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何属于本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求的保护范围为准。
Claims (8)
1.一种基于用电信息和地理位置的台区户变关系判别算法,其特征在于:基于台区电网变压器和用户用电数据计算台区每日的线损率,然后计算平均线损率,对平均线损率数据做1阶差分处理,并做累计求和,得到线损波动情况,依据台区线损率和线损波动情况对台区进行优先级分类处理;依据用户对线损波动影响识别台区异常用户,并基于空间临近关系进行户变关系的调整。
2.如权利要求1所述的基于用电信息和地理位置的台区户变关系判别算法,其特征在于所述方法具体步骤实现如下:
(1)数据的读取和预处理
从电力营销部门获得营业所范围内台区电网变压器数据和用户用电数据,供电台区数据以台区和用户为核心,以链表形式存储,读取营业所范围内台区电网变压器数据和用户用电数据后进行数据的预处理,预处理主要是针对数据存在的缺失值、异常值和数据一致性、重复数据进行必要的检查和处理;
(2)计算台区优先级和空间临近关系
基于台区电网变压器和用户日用电数据计算台区每日线损率,然后计算平均线损率,同时对平均线损率数据做1阶差分,得到1阶差分序列,对1阶差分序列求和所得值反映了线损率波动状况,基于此对台区的优先级别进行区分,将台区的优先级别由高到低分为优先级3、优先级2、优先级1、优先级0;其中,将线损过低的台区划分为高优先级处理,若本台区存在较多非本台区用户,需要优先处理存在较多多余用户的台区,其他台区补充用户后再处理;算法中维护一个高优先级异常台区链表,所有需要优先处理的台区编号被存储在该链表,算法将优先处理此链表中数据;
空间临近关系指的是台区间的距离远近关系,通过台区空间地理坐标计算每个台区相邻近的5个台区,并保存这些台区信息;
(3)异常用户判别
在优先级为3和2的台区中判别异常用户,处理完优先级为3的台区后再处理优先级为2的台区,将线损率波动S用作判断该区是否存在异常用户的重要指标,通过测试用户对线损率造成的相对影响,即线损率1阶差分序列平均值,判断用户是否异常:
C=Sp-Sq (公式3-2)
式中,wi为台区第i天变压器读数,wi为台区用户第i天用电量之和,S代表线损率波动,Sq为原线损率波动,Sp为测试后新线损率波动,C为测试用户对线损波动造成的相对影响,若计算得出C为负值,则当前测试用户判别为异常用户;
(4)户变关系的调整
将识别出的异常用户数据分别加入到空间上临近的台区,计算出新的线损率波动数据,将台区新的线损率数据同原线损率波动数据做比较,若线损率波动下降,则判断该用户属于该台区并将其户变关系调整到该台区,否则不属于该台区,即在空间临近关系约束下,实现户变关系的调整。
3.如权利要求1或2所述的基于用电信息和地理位置的台区户变关系判别算法,其特征在于:所述台区电网变压器数据包括变压器ID、变压器坐标、变压器日用电数据,所述用户用电数据包括用户ID、用户日用电数据以及原始户变关系数据。
4.一种基于用电信息和地理位置的台区户变关系判别***,其特征在于:包括数据预处理模块、异常台区分级模块、异常用户识别与调整模块;
所述数据预处理模块,用于实现台区电网变压器数据和用户用电数据的读取和预处理;
所述异常台区分级模块,用于基于台区平均线损率和线损波动状况,对台区进行优先级分级处理,得到高优先级处理台区链表,所有需要优先处理的台区编号被存储在高优先级处理台区链表;
所述异常用户识别与调整模块,用于在高优先级台区中,测试每个用户对当前台区线损波动造成的影响,通过测试用户对线损率造成的相对影响,判断用户是否异常,并将识别出的异常用户数据加入临近台区进行测试,计算合理的户变关系。
5.如权利要求4所述的基于用电信息和地理位置的台区户变关系判别***,其特征在于:所述异常用户识别与调整模块中判断用户是否异常具体实现为:
将线损率波动S用作判断该区是否存在异常用户的重要指标,通过测试用户对线损率造成的相对影响,即线损率1阶差分序列平均值,判断用户是否异常:
C=Sp-Sq (公式3-2)
式中,wi为台区第i天变压器读数,wi为台区用户第i天用电量之和,S代表线损率波动,Sq为原线损率波动,Sp为测试后新线损率波动,C为测试用户对线损波动造成的相对影响,若计算得出C为负值,则当前测试用户判别为异常用户。
6.如权利要求4所述的基于用电信息和地理位置的台区户变关系判别***,其特征在于:还包括户变关系输出模块,用于根据异常用户识别与调整模块的处理结果,输出新户变关系数据和数据异常信息,所述数据异常信息包括空间坐标缺失台区、户变关系缺失用户、电量异常用户、电量缺失用户。
7.如权利要求4所述的基于用电信息和地理位置的台区户变关系判别***,其特征在于:所述异常用户识别与调整模块将识别出的异常用户数据加入临近台区进行测试,计算合理的户变关系具体为:将识别出的异常用户数据分别加入到空间上临近的台区,计算出新的线损率波动数据,将台区新的线损率数据同原线损率波动数据做比较,若线损率波动下降,则判断该用户属于该台区并将其户变关系调整到该台区,否则不属于该台区,即在空间临近关系约束下,实现户变关系的调整。
8.如权利要求4所述的基于用电信息和地理位置的台区户变关系判别***,其特征在于:所述台区电网变压器数据包括变压器ID、变压器坐标、变压器日用电数据,所述用户用电数据包括用户ID、用户日用电数据以及原始户变关系数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810787449.5A CN109034585B (zh) | 2018-07-18 | 2018-07-18 | 基于用电信息和地理位置的台区户变关系判别算法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810787449.5A CN109034585B (zh) | 2018-07-18 | 2018-07-18 | 基于用电信息和地理位置的台区户变关系判别算法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109034585A true CN109034585A (zh) | 2018-12-18 |
CN109034585B CN109034585B (zh) | 2021-06-08 |
Family
ID=64643138
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810787449.5A Active CN109034585B (zh) | 2018-07-18 | 2018-07-18 | 基于用电信息和地理位置的台区户变关系判别算法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109034585B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110458725A (zh) * | 2019-08-20 | 2019-11-15 | 国网福建省电力有限公司 | 一种基于xgBoost模型和Hadoop架构的窃电识别分析方法及终端 |
CN110516912A (zh) * | 2019-07-24 | 2019-11-29 | 长沙恒电聚能电子科技有限公司 | 一种配电台区户变关系的识别方法 |
CN111509706A (zh) * | 2020-04-24 | 2020-08-07 | 广东电网有限责任公司东莞供电局 | 电源拓扑信息修正方法、***、设备和存储介质 |
CN111881189A (zh) * | 2020-08-04 | 2020-11-03 | 广东电网有限责任公司计量中心 | 一种台区户变关系校验方法及*** |
CN111951125A (zh) * | 2020-08-12 | 2020-11-17 | 积成电子股份有限公司 | 一种基于大数据分析的台区异常户变关系识别方法 |
CN112288339A (zh) * | 2020-12-24 | 2021-01-29 | 广东电网有限责任公司佛山供电局 | 一种基于电量和电压数据分析的台区户变关系辨识方法 |
CN112308459A (zh) * | 2020-11-23 | 2021-02-02 | 国网北京市电力公司 | 电网户变关系的识别方法及识别装置、电子设备 |
CN113253014A (zh) * | 2021-04-07 | 2021-08-13 | 国网河北省电力有限公司衡水供电分公司 | 台区变户拓扑关系异常检测方法、装置及设备 |
CN113298535A (zh) * | 2021-04-25 | 2021-08-24 | 云南电网有限责任公司信息中心 | 一种基于空间位置的户变关系异常识别方法 |
CN114838756A (zh) * | 2022-03-31 | 2022-08-02 | 浙江石开电力设备制造有限公司 | 一种智能环网柜监控*** |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120150679A1 (en) * | 2012-02-16 | 2012-06-14 | Lazaris Spyros J | Energy management system for power transmission to an intelligent electricity grid from a multi-resource renewable energy installation |
CN105608640A (zh) * | 2016-01-29 | 2016-05-25 | 厦门亿力吉奥信息科技有限公司 | 电网设备数据采集方法及其*** |
CN107462863A (zh) * | 2017-09-05 | 2017-12-12 | 中国电力科学研究院 | 一种智能电能表运行误差运行诊断分析方法及*** |
CN107515892A (zh) * | 2017-07-07 | 2017-12-26 | 国网浙江省电力公司 | 一种基于大数据挖掘的电网低电压成因诊断方法 |
CN108053632A (zh) * | 2018-01-29 | 2018-05-18 | 杭州华春科技有限公司 | 用户归属关系自动识别***及方法 |
-
2018
- 2018-07-18 CN CN201810787449.5A patent/CN109034585B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120150679A1 (en) * | 2012-02-16 | 2012-06-14 | Lazaris Spyros J | Energy management system for power transmission to an intelligent electricity grid from a multi-resource renewable energy installation |
CN105608640A (zh) * | 2016-01-29 | 2016-05-25 | 厦门亿力吉奥信息科技有限公司 | 电网设备数据采集方法及其*** |
CN107515892A (zh) * | 2017-07-07 | 2017-12-26 | 国网浙江省电力公司 | 一种基于大数据挖掘的电网低电压成因诊断方法 |
CN107462863A (zh) * | 2017-09-05 | 2017-12-12 | 中国电力科学研究院 | 一种智能电能表运行误差运行诊断分析方法及*** |
CN108053632A (zh) * | 2018-01-29 | 2018-05-18 | 杭州华春科技有限公司 | 用户归属关系自动识别***及方法 |
Non-Patent Citations (1)
Title |
---|
王鹏等: "配用电数据分析及应用", 《电网技术》 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110516912A (zh) * | 2019-07-24 | 2019-11-29 | 长沙恒电聚能电子科技有限公司 | 一种配电台区户变关系的识别方法 |
CN110516912B (zh) * | 2019-07-24 | 2023-05-23 | 长沙恒电聚能电子科技有限公司 | 一种配电台区户变关系的识别方法 |
CN110458725A (zh) * | 2019-08-20 | 2019-11-15 | 国网福建省电力有限公司 | 一种基于xgBoost模型和Hadoop架构的窃电识别分析方法及终端 |
CN111509706A (zh) * | 2020-04-24 | 2020-08-07 | 广东电网有限责任公司东莞供电局 | 电源拓扑信息修正方法、***、设备和存储介质 |
CN111881189A (zh) * | 2020-08-04 | 2020-11-03 | 广东电网有限责任公司计量中心 | 一种台区户变关系校验方法及*** |
CN111951125B (zh) * | 2020-08-12 | 2022-04-22 | 积成电子股份有限公司 | 一种基于大数据分析的台区异常户变关系识别方法 |
CN111951125A (zh) * | 2020-08-12 | 2020-11-17 | 积成电子股份有限公司 | 一种基于大数据分析的台区异常户变关系识别方法 |
CN112308459A (zh) * | 2020-11-23 | 2021-02-02 | 国网北京市电力公司 | 电网户变关系的识别方法及识别装置、电子设备 |
CN112288339B (zh) * | 2020-12-24 | 2021-07-13 | 广东电网有限责任公司佛山供电局 | 一种基于电量和电压数据分析的台区户变关系辨识方法 |
CN112288339A (zh) * | 2020-12-24 | 2021-01-29 | 广东电网有限责任公司佛山供电局 | 一种基于电量和电压数据分析的台区户变关系辨识方法 |
CN113253014A (zh) * | 2021-04-07 | 2021-08-13 | 国网河北省电力有限公司衡水供电分公司 | 台区变户拓扑关系异常检测方法、装置及设备 |
CN113253014B (zh) * | 2021-04-07 | 2022-08-23 | 国网河北省电力有限公司衡水供电分公司 | 台区变户拓扑关系异常检测方法、装置及设备 |
CN113298535A (zh) * | 2021-04-25 | 2021-08-24 | 云南电网有限责任公司信息中心 | 一种基于空间位置的户变关系异常识别方法 |
CN114838756A (zh) * | 2022-03-31 | 2022-08-02 | 浙江石开电力设备制造有限公司 | 一种智能环网柜监控*** |
CN114838756B (zh) * | 2022-03-31 | 2022-10-25 | 浙江石开电力设备制造有限公司 | 一种智能环网柜监控*** |
Also Published As
Publication number | Publication date |
---|---|
CN109034585B (zh) | 2021-06-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109034585A (zh) | 基于用电信息和地理位置的台区户变关系判别算法及*** | |
US10133829B2 (en) | Solar panel deployment configuration and management | |
CN110119556B (zh) | 一种区域水源涵养功能的时空演变分析方法 | |
Nguyen et al. | Automated quantification of solar photovoltaic potential in cities Overview: A new method to determine a city's solar electric potential by analysis of a distribution feeder given the solar exposure and orientation of rooftops. | |
CN105447082A (zh) | 一种海量负荷曲线的分布式聚类方法 | |
Wohland et al. | Mitigating a century of European renewable variability with transmission and informed siting | |
Wang et al. | Equilibrium allocation strategy of multiple ESSs considering the economics and restoration capability in DNs | |
Luo et al. | Extreme scenario extraction of a grid with large scale wind power integration by combined entropy-weighted clustering method | |
CN111652485A (zh) | 一种基于大数据平台的新能源数据采集分析*** | |
US11387652B2 (en) | Systems and methods for enhanced reactive power management in a hybrid environment | |
CN113435733A (zh) | 一种水资源风险评估与预测*** | |
ZareAfifi et al. | Diurnal, physics-based strategy for computationally efficient capacity-expansion optimizations for solar-dominated grids | |
CN116720750A (zh) | 综合能源站设备容量规划方法、装置、终端及存储介质 | |
Wu et al. | A minutely solar irradiance forecasting method based on multidimensional feature extraction using all-sky images | |
Satsangi et al. | Clustering based voltage control areas for localized reactive power management in deregulated power system | |
CN116029591A (zh) | 综合能源服务效益量化评价方法、装置及终端设备 | |
Aslani et al. | A Spatially Detailed Approach to the Assessment of Rooftop Solar Energy Potential based on LiDAR Data. | |
CN112365169A (zh) | 一种未来低碳能源框架下的电网运营评价分析方法 | |
Mutani et al. | Optimization of Costs and Self-Sufficiency for Roof Integrated Photovoltaic Technologies on Residential Buildings. Energies 2021, 14, 4018 | |
Tang et al. | A Short-Term Forecasting Method for Ionospheric TEC Combining Local Attention Mechanism and LSTM Model | |
Saleh et al. | Analysis of AMI, Smart Metering Deployment and Big Data Management Challenges | |
CN115249981B (zh) | 一种配网资源调控的分布式电源消储优化方法和装置 | |
Delgado et al. | End-of-Feeder Low Voltage Mitigation Using Solar PV | |
Wang et al. | Ultra-short-term Power Probabilistic Forecasting Method for Distributed Photovoltaic based on Joint Distribution Modeling | |
Tian et al. | Behind-the-Meter PV Power Disaggregation via Ensemble Machine Learning Methods |
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 |