CN109977535A - 一种线损异常诊断方法、装置、设备及可读存储介质 - Google Patents
一种线损异常诊断方法、装置、设备及可读存储介质 Download PDFInfo
- Publication number
- CN109977535A CN109977535A CN201910225281.3A CN201910225281A CN109977535A CN 109977535 A CN109977535 A CN 109977535A CN 201910225281 A CN201910225281 A CN 201910225281A CN 109977535 A CN109977535 A CN 109977535A
- Authority
- CN
- China
- Prior art keywords
- line loss
- abnormal
- basic data
- electrical network
- network basic
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 72
- 238000000034 method Methods 0.000 title claims abstract description 26
- 230000002159 abnormal effect Effects 0.000 claims abstract description 243
- 238000012549 training Methods 0.000 claims abstract description 77
- 230000005856 abnormality Effects 0.000 claims abstract description 67
- 238000012545 processing Methods 0.000 claims abstract description 42
- 238000004458 analytical method Methods 0.000 claims description 38
- 230000005611 electricity Effects 0.000 claims description 28
- 238000002405 diagnostic procedure Methods 0.000 claims description 25
- 238000004422 calculation algorithm Methods 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 11
- 238000013213 extrapolation Methods 0.000 claims description 5
- 238000013519 translation Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 2
- 239000003550 marker Substances 0.000 abstract 1
- 230000008569 process Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 7
- 238000005457 optimization Methods 0.000 description 7
- 230000008859 change Effects 0.000 description 4
- 230000002123 temporal effect Effects 0.000 description 4
- 238000003066 decision tree Methods 0.000 description 3
- 235000013399 edible fruits Nutrition 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 235000013350 formula milk Nutrition 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 240000007594 Oryza sativa Species 0.000 description 1
- 235000007164 Oryza sativa Nutrition 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000002547 anomalous effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007717 exclusion Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 235000009566 rice Nutrition 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Human Resources & Organizations (AREA)
- Water Supply & Treatment (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Primary Health Care (AREA)
- Marketing (AREA)
- Computer Hardware Design (AREA)
- General Health & Medical Sciences (AREA)
- Geometry (AREA)
- Tourism & Hospitality (AREA)
- Public Health (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Telephonic Communication Services (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种线损异常诊断方法,该方法包括:获取电网基础数据;利用电网基础数据计算目标电网的四分线损统计值,并利用线损标杆阈值判断四分线损统计值是否异常;如果是异常,则将电网基础数据输入至线损异常诊断模型进行异常原因分析,确定导致目标电网发生线损异常的异常因素、异常原因及异常时空信息;其中,线损异常诊断模型为以历史线损异常问题及处理工作单为训练样本进行训练后获得的模型。该方法,可减少线损管理人员的线损异常诊断工作量,为线损管理人员分析处置线损异常问题提供准确、可靠的线损异常原因、异常因素及异常时空信息。本发明还公开了一种线损异常诊断装置、设备及可读存储介质,具有相应的技术效果。
Description
技术领域
本发明涉及电力技术领域,特别是涉及一种线损异常诊断方法、装置、设备及可读存储介质。
背景技术
由于影响线损的因素多样、关系复杂,在线损异常时,难以有效诊断线损异常原因。现有线损异常诊断技术手段有限,大部分依靠线损管理人员经验人工排查,严重影响工作效率。
现有线损异常分析工作主要是线损管理人员参照线损异常现象(异常因素),依据工作人员经验分析,经过优化的处理方法是根据工作人员经验制定异常判断规则库,由于影响线损异常的因素与真实原因之间存在着复杂的关联关系,依据经验制定的异常规则难以准确诊断出真实原因。无法得知线损异常的真实原因,将进一步造成线损管理人员进行线损异常排除时,无法快速准确地的排除异常原因,工作繁重且效率低下。
综上所述,如何有效地解决线损异常诊断等问题,是目前本领域技术人员急需解决的技术问题。
发明内容
本发明的目的是提供一种线损异常诊断方法、装置、设备及可读存储介质,以提高线损异常诊断效率。
为解决上述技术问题,本发明提供如下技术方案:
一种线损异常诊断方法,包括:
获取电网基础数据;其中,所述电网基础数据包括营销管理数据、计量自动化数据、配网自动化数据和调度自动化***数据;
利用所述电网基础数据计算目标电网的四分线损统计值,并利用线损标杆阈值判断所述四分线损统计值是否异常;
如果是,则将所述电网基础数据输入至线损异常诊断模型进行异常原因分析,确定导致所述目标电网发生线损异常的异常因素、异常原因及异常时空信息;
其中,所述线损异常诊断模型为以历史线损异常问题及处理工作单为训练样本进行训练后获得的模型。
优选地,所述线损异常诊断模型进行异常原因分析,包括:
所述线损异常诊断模型利用朴素贝叶斯算法进行异常原因分析。
优选地,所述线损异常诊断模型利用朴素贝叶斯算法进行异常原因分析,确定导致线损异常的异常因素、异常原因及异常时空信息,包括:
按照异常因素判断规则,对所述电网基础数据进行分析,确定所述异常因素和所述异常时空信息;
利用异常因素与线损异常原因之间的关联关系,计算各种线损异常原因概率;
利用所述线损异常原因概率,确定所述异常原因。
优选地,所述线损诊断模型的训练过程,包括:
获取已标注线损异常原因的第一训练样本集;
按照异常因素判断规则,对所述训练样本集中的各个训练样本标注对应的目标异常因素,获得第二训练样本集;
对所述第二训练样本集进行异常因素统计,确定异常因素与线损异常原因之间的关联关系。
优选地,在所述确定导致线损异常的异常因素、异常原因及异常时空信息之后,还包括:
在所述目标异常原因为数据采集异常时,对所述电网基础数据进行线损归真处理,获得归真电网基础数据;
利用所述归真电网基础数据计算归真线损统计值,并利用所述线损标杆阈值判断所述归真线损统计值是否异常;
如果是,则输出线损异常告警信息;
如果否,则输出数据采集异常的提示信息。
优选地,对所述电网基础数据进行线损归真处理,包括:
若采集表码为空和/或采集表码跳变,且表码缺失范围小于指定时长,通过表码平移方式补全表码;
若电量为空、电量异常跳变,通过差值计算、均值计算、趋势外推法和回归计算中随机选择一种算法估算调整电量。
优选地,所述输出线损异常报警信息,包括:
生成线损异常的异常因素、问题原因、异常时间、异常设备或线路或台区地理信息、异常处理工作单并利用信号灯进行线损异常告警。
一种线损异常诊断装置,包括:
电网基础数据获取模块,用于获取电网基础数据;其中,所述电网基础数据包括营销管理数据、计量自动化数据、配网自动化数据和调度自动化***数据;
线损异常判断模块,用于利用所述电网基础数据计算目标电网的四分线损统计值,并利用线损标杆阈值判断所述线损统计值是否异常;
异常分析模块,用于若所述四分线损统计值异常,则将所述电网基础数据输入至线损异常诊断模型进行异常原因分析,确定导致目标电网发生线损异常的异常因素、异常原因及异常时空信息;其中,所述线损异常诊断模型为以历史线损异常问题及处理工作单为训练样本进行训练后获得的模型。
一种线损异常诊断设备,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现上述线损异常诊断方法的步骤。
一种可读存储介质,所述可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现上述线损异常诊断方法的步骤。
应用本发明实施例所提供的方法,获取电网基础数据;其中,电网基础数据包括营销管理数据、计量自动化数据、配网自动化数据和调度自动化***数据;利用电网基础数据计算目标电网的四分线损统计值,并利用线损标杆阈值判断四分线损统计值是否异常;如果是,则将电网基础数据输入至线损异常诊断模型进行异常原因分析,确定导致目标电网发生线损异常的异常因素、异常原因和异常时空信息;其中,线损异常诊断模型为以历史线损异常问题及处理工作单为训练样本进行训练后获得的模型。
在确定四分线损统计值出现线损异常之后,便可将电网基础数据输入至线损异常诊断模型中。由于线损异常诊断模型为以历史线损异常问题及处理工作单为训练样本进行训练后获得的模型,因此,该线损异常训练模型可对电网基础数据进行异常原因分析,确定导致线损异常的异常因素、异常原因及异常时空信息。其中,异常时空信息,即包括发生异常的时间信息和空间信息(如具体的设备位置或地理位置)。也就是说,通过设置线损异常诊断模型,可对计算出线损异常的电网基础数据进行异常原因分析,可减少线损管理人员的线损诊断工作量。且,伴随着训练样本的优化,无需借助线损管理人员的优化,便可通过训练线损异常诊断模型,提升线损异常原因分析的准确率。可为线损管理人员排除线损异常提供准确、可靠的线损异常原因、导致线损异常的异常因素以及异常时空信息。
相应地,本发明实施例还提供了与上述线损异常诊断方法相对应的线损异常诊断装置、设备和可读存储介质,具有上述技术效果,在此不再赘述。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述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的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例中一种线损异常诊断方法的实施流程图;
图2为本发明实施例所提供的模型训练流程示意图;
图3为本发明实施例所提供的线损归真处理流程示意图;
图4为本发明实施例中一种线损异常诊断装置的结构示意图;
图5为本发明实施例中一种线损异常诊断设备的结构示意图;
图6为本发明实施例中一种线损异常诊断设备的具体结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面结合附图和具体实施方式对本发明作进一步的详细说明。显然,所描述的实施例仅仅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做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。
实施例一:
请参考图1,图1为本发明实施例中一种线损异常诊断方法的流程图,该方法包括以下步骤:
S101、获取电网基础数据。
其中,电网基础数据包括营销管理数据、计量自动化数据、配网自动化数据和调度自动化***数据。即电网基础数据即为计算线损统计值的数据。其中,线损是在电能传输和营销过程中所产生的电能消耗和损失。具体的,可通过数据集成获取电网基础数据。其中,营销管理数据(即营销***档案拓扑数据),包括但不限于变电站、线路、变压器、用户基本档案信息、运行电能表、终端设备、变压器等设备的基本信息,以及换表等业务数据;计量自动化数据包括但不限于计量自动化表码、负荷、电流、电压、运行工况、告警信息等采集数据;配网自动化数据包括但不限于配网设备及用户拓扑数据,以及由于负荷割接、转供电导致的拓扑变更数据;调度自动化***数据包括但不限于主网设备拓扑数据,以及开关拉合闸信息。
S102、利用电网基础数据计算目标电网四分线损统计值,并利用线损标杆阈值判断四分线损统计值是否异常。
线损统计值即计算出输入电量总数与用户购电总数之间的差值。例如,若为分区线损统计值则为计算出同一区域的输入电量总数与用户购电总数之间的差值,若为分压线损统计值则为计算同一电压的输入电量总数与用户购电总数之间的差值,分线线损统计值则为计算同一供电线的输入电量总数与用户购电总数之间的差值;分台区线损统计值则为则为计算同一台区的输入电量总数与用户购电总数之间的差值。利用电网基础数据计算出四分(即分区、分压、分线、分台区)线损统计值之后,便可利用线损标杆阈值判断线损统计值是否异常。具体的,判断四分线损统计值是否异常时,也可按照不同的线损标杆阈值对不同类型的线损进行判断。
其中,线损标杆阈值即基于理论线损值或合理统计线损基准值并结合线损异常阈值系数确定出的统计线损的正常取值区间,若线损统计值在线损标杆阈值所确定的区间内,则确定该线损统计值正常,若线损统计值在该区间外,则确定该线损统计值异常。其中,对于利用电网基础数据计算线损统计值,以及线损标杆阈值的具体由来,均可参照目前线损统计值的计算方式和线损标杆阈值的确定方式,在此不再一一赘述。
在确定出线损统计值是否异常之后,便可根据判断结果确定是否进行异常诊断。具体的,如果判断结果为是,则执行步骤S103的步骤;如果判断结果为否,则可无操作。
S103、将电网基础数据输入至线损异常诊断模型进行异常原因分析,确定导致目标电网发生线损异常的异常因素、异常原因及异常时空信息。
其中,异常时空信息,即包括发生异常的时间信息和地理空间信息(如异常设备位置,线路或台区地理位置等)。具体的,如出现采集表码为空的异常时,该异常时间信息即为采集为空的采集时间,以及被采集对象如电表设备。
在本发明实施例中,可预先设置一个线损异常诊断模型,其中,线损异常诊断模型为以历史线损异常问题及处理工作单为训练样本进行训练后获得的模型。该模型可具体为利用朴素贝叶斯算法实现线损异常诊断,也可通过决策树算法实现线损异常诊断。由于线损异常原因的种类有限,因此,使用朴素贝叶斯算法的实现线损异常诊断更加快捷,因此,在本文中着重描述如何基于朴素贝叶斯算法实现异常诊断的线损异常检测模型进行说明。对于通过决策树算法实现线损异常诊断的线损异常诊断模型可结合决策树算法原理以及参照本文所描述的基于朴素贝叶斯算法实现线损异常诊断的过程。
该线损诊断模型的训练过程包括:
步骤一、获取已标注线损异常原因的第一训练样本集;
步骤二、按照异常因素判断规则,对训练样本集中的各个训练样本标注对应的目标异常因素,获得第二训练样本集;
步骤三、对第二训练样本集进行异常因素统计,确定异常因素与线损异常原因之间的关联关系。
为了便于描述,下面将上述三个步骤结合起来进行说明。
首先创建线损异常分析模型,然后进行模型训练。模型训练即确定出特征属性(即异常因素)和获取训练样本,并进一步完成影响线损异常因素分析,基于分析结果建立异常因素与线损异常原因之间的关联关系。
其中,确定异常原因可由人工完成,即第一训练样本集中的线损异常原因可人工标注。例如,可分为如表1所示的采集异常、电流异常、电压异常、时钟异常、电量异常、负荷异常6类,34个特征。
表1
当然,在本发明的其他实施例中,异常因素的种类可划分为其他类别形式,如可对表1所示的部分类别进行细分或合并。
获取训练样本可由电力管理***完成,基础数据来源于线损异常处理工作单,异常工作单中包括异常原因分类,通过异常因素判断规则,自动分析出各类线损异常的现象特征(即异常因素)并进行标注,即获得第二训练样本集。训练样本集可选择近期线损异常工作单,如最近3个月的线损异常工作单,通过数据清洗和现象特征标注,建立训练样本。其中,第一训练样本集合和第二训练样本集中的第一和第二仅用于区别样本集中样本所标注的信息不同,并不存在次第、先后顺序等其他含义。即标注了线损异常原因的训练样本集即为第一训练样本集,标注了线损异常原因和异常因素的训练样本集即为第二训练样本集。
模型训练阶段主要工作是计算每个线损异常影响因素在训练样本中的出现频率及每个异常因素划分对每个异常原因的条件概率估计,并将结果记录。其输入是训练样本,训练结束后便可获得线损异常诊断模型。
具体的,设定影响线损异常待分类项X={a1,a2,…an},其中每一个a为X的一个现象特征(异常因素);所有异常原因集合C={y1,y2,…yn}。
基于第二训练样本集,可统计得到可各异常原因下,各异常因素的条件概率估算值,即P(a1|y1)、P(a2|y1)…P(am|y1)、P(a1|y2)…P(am|yn)。具体实现可先基于第二训练样本集统计的各类异常因素在样本中出现的频率。表2所示统计结果即为对第二训练样本集进行异常因素概率统计结果实例:
表2
然后,基于训练样本集统计的每个影响因素对于异常原因条件概率估计:
条件概率估计计算过程如下:
如果影响线损异常的因素之间是独立的,则根据贝叶斯定理有如下推导:
因为分母对于所有异常原因是常数,因此我们主要将分子最大化即可,又因为各影响因素是条件独立的,所以有:
基于上述变换公式和训练样本集统计结果,即可构建基于朴素贝叶斯算法的线损异常诊断模型,用于线损异常原因诊断。
当P(xk|Ci)=0(某个异常原因下某个特征现象没有出现过时,就出现这种现象)会导致一个表明X属于Ci类的高概率。为此,基于拉普拉斯估算法,将训练样本统计结果数据设置为1。
对表2所示的基于第二训练样本集统计的各类异常因素在样本中出现的频率进行条件概率估计结果如表3所示:
表3
线损异常诊断模型进行线损异常诊断过程即为对输入的电网基础数据进行异常诊断,输出线损异常原因的过程。请参考图2,图2为本发明实施例所提供的模型训练流程示意图,具体的,诊断过程包括:
步骤一、按照异常因素判断规则,对电网基础数据进行分析,确定目标异常因素和异常时空信息;
步骤二、利用异常因素与线损异常原因之间的关联关系,计算各种线损异常原因概率;
步骤三、利用线损异常原因概率,确定目标异常原因。
为便于描述,下面将上述三个步骤结合起来进行说明。
为简化表述,设定影响线损的异常因素只有电量异常跳变,导致线损异常的原因只有终端故障、采集异常、业务变更、用户窃电四种,则根据朴素贝叶斯公式得出:
P(x)=0.0606*0.0222+0.124*0.1004+0.8114*0.0056+0.0076*0.0013=0.01835
然后计算电量跳变时,其各种异常原因的概率得出以下结果:终端故障概率:7.33%(0.0606*0.0222/0.0183=0.0733)、采集异常概率:67.8%(0.124*0.1004/0.0183=0.6785)、业务变更概率:24.76%(0.8114*0.0056/0.0183=0.2476)、用户窃电概率:0.05%(0.0076*0.0013/0.0183=0.0005)。在确定导致线损异常的目标异常原因时,可将异常原因概率最大的异常原因确定为目标异常原因,即上述实例线损异常最可能原因为采集异常。
应用本发明实施例所提供的方法,获取电网基础数据;其中,电网基础数据包括营销管理数据、计量自动化数据、配网自动化数据和调度自动化***数据;利用电网基础数据计算目标电网的四分线损统计值,并利用线损标杆阈值判断四分线损统计值是否异常;如果是,则将电网基础数据输入至线损异常诊断模型进行异常原因分析,确定导致目标电网发生线损异常的异常因素、异常原因和异常时空信息;其中,线损异常诊断模型为以历史线损异常问题及处理工作单为训练样本进行训练后获得的模型。
在确定四分线损统计值出现线损异常之后,便可将电网基础数据输入至线损异常诊断模型中。由于线损异常诊断模型为以历史线损异常问题及处理工作单为训练样本进行训练后获得的模型,因此,该线损异常训练模型可对电网基础数据进行异常原因分析,确定导致线损异常的异常因素、异常原因及异常时空信息。其中,异常时空信息,即包括发生异常的时间信息和空间信息(如具体的设备位置或地理位置)。也就是说,通过设置线损异常诊断模型,可对计算出线损异常的电网基础数据进行异常原因分析,可减少线损管理人员的线损诊断工作量。且,伴随着训练样本的优化,无需借助线损管理人员的优化,便可通过训练线损异常诊断模型,提升线损异常原因分析的准确率。可为线损管理人员排除线损异常提供准确、可靠的线损异常原因、导致线损异常的异常因素以及异常时空信息。
需要说明的是,基于上述实施例,本发明实施例还提供了相应的改进方案。在优选/改进实施例中涉及与上述实施例中相同步骤或相应步骤之间可相互参考,相应的有益效果也可相互参照,在本文的优选/改进实施例中不再一一赘述。
优选地,考虑到采集异常往往导致线损异常,而目前采用线损异常归真处理的方法对采集异常进行归真处理,以提高线损异常诊断准确率以及减少不必要线损异常报警,基本停留在合并计算和剔除采集异常数据的影响层面,缺乏有针对性的线损归真处理手段,线损异常数量多,排查的针对性不强,不能有效解决实质性问题,对线损提升有限。
在本发明实施例所提供的线损异常诊断方法的基础上,能通过已经表现出来的现象诊断出真实的原因,将有效降低线损异常分析成本;此时可以有针对性的对线损进行归真处理,减少线损异常排查工作量,将极大提升线损管理人员工作效率。请参考图3,图3为本发明实施例所提供的线损归真处理流程示意图,具体实现过程,包括:
步骤一、在目标异常原因为数据采集异常时,对电网基础数据进行线损归真处理,获得归真电网基础数据;
步骤二、利用归真电网基础数据计算归真线损统计值,并利用线损标杆阈值判断归真线损统计值是否异常;
步骤三、如果是,则输出线损异常告警信息;
步骤四、如果否,则输出数据采集异常的提示信息。
为便于描述下面将上述四个步骤结合起来进行说明。
其中,对电网基础数据进行线损归真处理可具体为若采集表码为空和/或采集表码跳变,且表码缺失范围小于指定时长,通过表码平移方式补全表码;若电量为空、电量异常跳变,通过差值计算、均值计算、趋势外推法和回归计算中随机选择一种算法估算调整电量。即线损归真处理包括表码异常处理和电量异常处理。其中,表码异常处理,即针对采集表码为空、采集表码跳变等异常情况,(最近有表码时间距离0点时间)日损小于指定时长(可通过统计或根据经验确定,如1小时),通过表码平移方式补全表码;电量异常处理,即针对电量为空、电量异常跳变等异常情况,通过差值计算(0点附近[前后各6小时]表码完整率>70%)、均值计算(用户电量波动小于15%,无停电)、趋势外推法(用户电量周期性波动,规律明显)、回归计算等方式(基于历史数据建立回归模型计算,历史数据完整),估算调整电量。
然后,进行线损异常归真,即基于归真电网基础数据,即修正后的表码、电量数据,重新计算线损率(即归真线损统计值),通过线损异常分析,剔除误报线损异常,减少线损异常分析处理工作量,提升线损管理工作效率。
优选地,输出线损异常报警信息,可生成线损异常的异常因素、问题原因、异常时间、异常设备或线路或台区地理信息、异常处理工作单并利用信号灯进行线损异常告警。其中,信号灯具体为红色警示灯,可通过点亮或闪烁红色警示灯的方式进行线损异常告警。即对于无法通过线损归真处理修正的线损异常,发起线损异常处理工作单,实现线损异常的闭环管理,保证线损异常处理全过程可追溯。
实施例二:
相应于上面的方法实施例,本发明实施例还提供了一种线损异常诊断装置,下文描述的线损异常诊断装置与上文描述的线损异常诊断方法可相互对应参照。
参见图4所示,该装置包括以下模块:
电网基础数据获取模块101,用于获取电网基础数据;其中,电网基础数据包括营销管理数据、计量自动化数据、配网自动化数据和调度自动化***数据;
线损异常判断模块102,用于利用电网基础数据计算四分线损统计值,并利用线损标杆阈值判断四分线损统计值是否异常;
异常分析模块103,用于若线损统计值异常,则将电网基础数据输入至线损异常诊断模型进行异常原因分析,确定导致目标电网发生线损异常的异常因素、异常原因及异常时空信息;其中,线损异常诊断模型为以历史线损异常问题及处理工作单为训练样本进行训练后获得的模型。
应用本发明实施例所提供的装置,获取电网基础数据;其中,电网基础数据包括营销管理数据、计量自动化数据、配网自动化数据和调度自动化***数据;利用电网基础数据计算目标电网的四分线损统计值,并利用线损标杆阈值判断四分线损统计值是否异常;如果是,则将电网基础数据输入至线损异常诊断模型进行异常原因分析,确定导致目标电网发生线损异常的异常因素、异常原因和异常时空信息;其中,线损异常诊断模型为以历史线损异常问题及处理工作单为训练样本进行训练后获得的模型。
在确定四分线损统计值出现线损异常之后,便可将电网基础数据输入至线损异常诊断模型中。由于线损异常诊断模型为以历史线损异常问题及处理工作单为训练样本进行训练后获得的模型,因此,该线损异常训练模型可对电网基础数据进行异常原因分析,确定导致线损异常的异常因素、异常原因及异常时空信息。其中,异常时空信息,即包括发生异常的时间信息和空间信息(如具体的设备位置或地理位置)。也就是说,通过设置线损异常诊断模型,可对计算出线损异常的电网基础数据进行异常原因分析,可减少线损管理人员的线损诊断工作量。且,伴随着训练样本的优化,无需借助线损管理人员的优化,便可通过训练线损异常诊断模型,提升线损异常原因分析的准确率。可为线损管理人员排除线损异常提供准确、可靠的线损异常原因、导致线损异常的异常因素以及异常时空信息。
在本发明的一种具体实施方式中,异常分析模块103,具体用于线损异常诊断模型利用朴素贝叶斯算法进行异常原因分析。
在本发明的一种具体实施方式中,异常分析模块103,具体用于按照异常因素判断规则,对电网基础数据进行分析,确定异常因素和异常时空信息;利用异常因素与线损异常原因之间的关联关系,计算各种线损异常原因概率;
利用线损异常原因概率,确定异常原因。
在本发明的一种具体实施方式中,还包括:
模型训练模型,用于获取已标注线损异常原因的第一训练样本集;按照异常因素判断规则,对训练样本集中的各个训练样本标注对应的目标异常因素,获得第二训练样本集;对第二训练样本集进行异常因素统计,确定异常因素与线损异常原因之间的关联关系。
在本发明的一种具体实施方式中,还包括:
线损异常归真处理模块,用于在确定导致线损异常的异常因素、异常原因及异常时空信息之后,在目标异常原因为数据采集异常时,对电网基础数据进行线损归真处理,获得归真电网基础数据;利用归真电网基础数据计算归真线损统计值,并利用线损标杆阈值判断归真线损统计值是否异常;如果是,则输出线损异常告警信息;如果否,则输出数据采集异常的提示信息。
在本发明的一种具体实施方式中,线损异常归真处理模块,具体用于若采集表码为空和/或采集表码跳变,且表码缺失范围小于指定时长,通过表码平移方式补全表码;若电量为空、电量异常跳变,通过差值计算、均值计算、趋势外推法和回归计算中随机选择一种算法估算调整电量。
在本发明的一种具体实施方式中,线损异常归真处理模块,具体用于生成线损异常的异常因素、问题原因、异常时间、异常设备或线路或台区地理信息、异常处理工作单并利用信号灯进行线损异常告警。
实施例三:
相应于上面的方法实施例,本发明实施例还提供了一种线损异常诊断设备,下文描述的一种线损异常诊断设备与上文描述的一种线损异常诊断方法可相互对应参照。
参见图5所示,该线损异常诊断设备包括:
存储器D1,用于存储计算机程序;
处理器D2,用于执行计算机程序时实现上述方法实施例的线损异常诊断方法的步骤。
具体的,请参考图6,图6为本实施例提供的一种线损异常诊断设备的具体结构示意图,该线损异常诊断设备可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上处理器(central processing units,CPU)322(例如,一个或一个以上处理器)和存储器332,一个或一个以上存储应用程序342或数据344的存储介质330(例如一个或一个以上海量存储设备)。其中,存储器332和存储介质330可以是短暂存储或持久存储。存储在存储介质330的程序可以包括一个或一个以上模块(图示没标出),每个模块可以包括对数据处理设备中的一系列指令操作。更进一步地,中央处理器322可以设置为与存储介质330通信,在线损异常诊断设备301上执行存储介质330中的一系列指令操作。
线损异常诊断设备301还可以包括一个或一个以上电源326,一个或一个以上有线或无线网络接口350,一个或一个以上输入输出接口358,和/或,一个或一个以上操作***341。例如,Windows ServerTM,Mac OS XTM,UnixTM,LinuxTM,FreeBSDTM等。
上文所描述的线损异常诊断方法中的步骤可以由线损异常诊断设备的结构实现。
实施例四:
相应于上面的方法实施例,本发明实施例还提供了一种可读存储介质,下文描述的一种可读存储介质与上文描述的一种线损异常诊断方法可相互对应参照。
一种可读存储介质,可读存储介质上存储有计算机程序,计算机程序被处理器执行时实现上述方法实施例的线损异常诊断方法的步骤。
该可读存储介质具体可以为U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可存储程序代码的可读存储介质。
专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
Claims (10)
1.一种线损异常诊断方法,其特征在于,包括:
获取电网基础数据;其中,所述电网基础数据包括营销管理数据、计量自动化数据、配网自动化数据和调度自动化***数据;
利用所述电网基础数据计算目标电网的四分线损统计值,并利用线损标杆阈值判断所述四分线损统计值是否异常;
如果是,则将所述电网基础数据输入至线损异常诊断模型进行异常原因分析,确定导致所述目标电网发生线损异常的异常因素、异常原因及异常时空信息;
其中,所述线损异常诊断模型为以历史线损异常问题及处理工作单为训练样本进行训练后获得的模型。
2.根据权利要求1所述的线损异常诊断方法,其特征在于,所述线损异常诊断模型进行异常原因分析,包括:
所述线损异常诊断模型利用朴素贝叶斯算法进行异常原因分析。
3.根据权利要求2所述的线损异常诊断方法,其特征在于,所述线损异常诊断模型利用朴素贝叶斯算法进行异常原因分析,确定导致线损异常的异常因素、异常原因及异常时空信息,包括:
按照异常因素判断规则,对所述电网基础数据进行分析,确定所述异常因素和所述异常时空信息;
利用异常因素与线损异常原因之间的关联关系,计算各种线损异常原因概率;
利用所述线损异常原因概率,确定所述异常原因。
4.根据权利要求2所述的线损异常诊断方法,其特征在于,所述线损诊断模型的训练过程,包括:
获取已标注线损异常原因的第一训练样本集;
按照异常因素判断规则,对所述训练样本集中的各个训练样本标注对应的目标异常因素,获得第二训练样本集;
对所述第二训练样本集进行异常因素统计,确定异常因素与线损异常原因之间的关联关系。
5.根据权利要求1至4任一项所述的线损异常诊断方法,其特征在于,在所述确定导致线损异常的异常因素、异常原因及异常时空信息之后,还包括:
在所述目标异常原因为数据采集异常时,对所述电网基础数据进行线损归真处理,获得归真电网基础数据;
利用所述归真电网基础数据计算归真线损统计值,并利用所述线损标杆阈值判断所述归真线损统计值是否异常;
如果是,则输出线损异常告警信息;
如果否,则输出数据采集异常的提示信息。
6.根据权利要求5所述的线损异常诊断方法,其特征在于,对所述电网基础数据进行线损归真处理,包括:
若采集表码为空和/或采集表码跳变,且表码缺失范围小于指定时长,通过表码平移方式补全表码;
若电量为空、电量异常跳变,通过差值计算、均值计算、趋势外推法和回归计算中随机选择一种算法估算调整电量。
7.根据权利要求5所述的线损异常诊断方法,其特征在于,所述输出线损异常报警信息,包括:
生成线损异常的异常因素、问题原因、异常时间、异常设备或线路或台区地理信息、异常处理工作单并利用信号灯进行线损异常告警。
8.一种线损异常诊断装置,其特征在于,包括:
电网基础数据获取模块,用于获取电网基础数据;其中,所述电网基础数据包括营销管理数据、计量自动化数据、配网自动化数据和调度自动化***数据;
线损异常判断模块,用于利用所述电网基础数据计算目标电网的四分线损统计值,并利用线损标杆阈值判断所述线损统计值是否异常;
异常分析模块,用于若所述四分线损统计值异常,则将所述电网基础数据输入至线损异常诊断模型进行异常原因分析,确定导致目标电网发生线损异常的异常因素、异常原因及异常时空信息;其中,所述线损异常诊断模型为以历史线损异常问题及处理工作单为训练样本进行训练后获得的模型。
9.一种线损异常诊断设备,其特征在于,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如权利要求1至7任一项所述线损异常诊断方法的步骤。
10.一种可读存储介质,其特征在于,所述可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述线损异常诊断方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910225281.3A CN109977535B (zh) | 2019-03-22 | 2019-03-22 | 一种线损异常诊断方法、装置、设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910225281.3A CN109977535B (zh) | 2019-03-22 | 2019-03-22 | 一种线损异常诊断方法、装置、设备及可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109977535A true CN109977535A (zh) | 2019-07-05 |
CN109977535B CN109977535B (zh) | 2023-05-02 |
Family
ID=67080292
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910225281.3A Active CN109977535B (zh) | 2019-03-22 | 2019-03-22 | 一种线损异常诊断方法、装置、设备及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109977535B (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111047226A (zh) * | 2020-03-13 | 2020-04-21 | 广东电网有限责任公司佛山供电局 | 一种配电网线路损耗异常智能分析方法 |
CN111612149A (zh) * | 2020-05-21 | 2020-09-01 | 国网湖南省电力有限公司 | 一种基于决策树的主网线路状态检测方法、***及介质 |
CN111612053A (zh) * | 2020-05-14 | 2020-09-01 | 国网河北省电力有限公司电力科学研究院 | 一种线损率合理区间的计算方法 |
CN112598234A (zh) * | 2020-12-14 | 2021-04-02 | 广东电网有限责任公司广州供电局 | 一种低压台区线损异常分析方法、装置和设备 |
CN112860671A (zh) * | 2021-01-19 | 2021-05-28 | 中国石油天然气集团有限公司 | 一种生产要素数据异常诊断方法及装置 |
CN113011608A (zh) * | 2021-02-25 | 2021-06-22 | 国网安徽省电力有限公司电力科学研究院 | 一种基于数据管理的电网管理策略*** |
CN113034307A (zh) * | 2021-03-05 | 2021-06-25 | 西安热工研究院有限公司 | 一种电力企业数据采集方法 |
CN113125903A (zh) * | 2021-04-20 | 2021-07-16 | 广东电网有限责任公司汕尾供电局 | 线损异常检测方法、装置、设备及计算机可读存储介质 |
CN113267692A (zh) * | 2021-05-17 | 2021-08-17 | 国网吉林省电力有限公司营销服务中心 | 一种低压台区线损智能诊断分析方法和*** |
CN113656742A (zh) * | 2021-08-12 | 2021-11-16 | 国网能源研究院有限公司 | 电力线损累积计算***及方法 |
CN114254854A (zh) * | 2021-10-28 | 2022-03-29 | 国网山东省电力公司安丘市供电公司 | 一种基于离群值监测的配网线损异常判断方法及*** |
CN115049260A (zh) * | 2022-06-15 | 2022-09-13 | 华院计算技术(上海)股份有限公司 | 认知智能连铸钢包质量预判模型的应用方法及*** |
WO2023164895A1 (zh) * | 2022-03-03 | 2023-09-07 | 广东电网有限责任公司广州供电局 | 应用于网关的线损检测负载均衡方法、装置和网关设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106570778A (zh) * | 2016-10-14 | 2017-04-19 | 国网信通亿力科技有限责任公司 | 一种基于大数据的数据集成与线损分析计算的方法 |
US20180174694A1 (en) * | 2015-09-25 | 2018-06-21 | Mitsubishi Heavy Industries, Ltd. | Abnormality diagnosis system and abnormality diagnosis method |
CN108520357A (zh) * | 2018-04-10 | 2018-09-11 | 北京中电普华信息技术有限公司 | 一种线损异常原因的判别方法、装置及服务器 |
-
2019
- 2019-03-22 CN CN201910225281.3A patent/CN109977535B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180174694A1 (en) * | 2015-09-25 | 2018-06-21 | Mitsubishi Heavy Industries, Ltd. | Abnormality diagnosis system and abnormality diagnosis method |
CN106570778A (zh) * | 2016-10-14 | 2017-04-19 | 国网信通亿力科技有限责任公司 | 一种基于大数据的数据集成与线损分析计算的方法 |
CN108520357A (zh) * | 2018-04-10 | 2018-09-11 | 北京中电普华信息技术有限公司 | 一种线损异常原因的判别方法、装置及服务器 |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111047226A (zh) * | 2020-03-13 | 2020-04-21 | 广东电网有限责任公司佛山供电局 | 一种配电网线路损耗异常智能分析方法 |
CN111612053B (zh) * | 2020-05-14 | 2023-06-27 | 国网河北省电力有限公司电力科学研究院 | 一种线损率合理区间的计算方法 |
CN111612053A (zh) * | 2020-05-14 | 2020-09-01 | 国网河北省电力有限公司电力科学研究院 | 一种线损率合理区间的计算方法 |
CN111612149A (zh) * | 2020-05-21 | 2020-09-01 | 国网湖南省电力有限公司 | 一种基于决策树的主网线路状态检测方法、***及介质 |
CN112598234A (zh) * | 2020-12-14 | 2021-04-02 | 广东电网有限责任公司广州供电局 | 一种低压台区线损异常分析方法、装置和设备 |
CN112860671A (zh) * | 2021-01-19 | 2021-05-28 | 中国石油天然气集团有限公司 | 一种生产要素数据异常诊断方法及装置 |
CN113011608A (zh) * | 2021-02-25 | 2021-06-22 | 国网安徽省电力有限公司电力科学研究院 | 一种基于数据管理的电网管理策略*** |
CN113011608B (zh) * | 2021-02-25 | 2024-05-28 | 国网安徽省电力有限公司电力科学研究院 | 一种基于数据管理的电网管理策略*** |
CN113034307A (zh) * | 2021-03-05 | 2021-06-25 | 西安热工研究院有限公司 | 一种电力企业数据采集方法 |
CN113125903A (zh) * | 2021-04-20 | 2021-07-16 | 广东电网有限责任公司汕尾供电局 | 线损异常检测方法、装置、设备及计算机可读存储介质 |
CN113267692A (zh) * | 2021-05-17 | 2021-08-17 | 国网吉林省电力有限公司营销服务中心 | 一种低压台区线损智能诊断分析方法和*** |
CN113656742A (zh) * | 2021-08-12 | 2021-11-16 | 国网能源研究院有限公司 | 电力线损累积计算***及方法 |
CN114254854A (zh) * | 2021-10-28 | 2022-03-29 | 国网山东省电力公司安丘市供电公司 | 一种基于离群值监测的配网线损异常判断方法及*** |
WO2023164895A1 (zh) * | 2022-03-03 | 2023-09-07 | 广东电网有限责任公司广州供电局 | 应用于网关的线损检测负载均衡方法、装置和网关设备 |
CN115049260A (zh) * | 2022-06-15 | 2022-09-13 | 华院计算技术(上海)股份有限公司 | 认知智能连铸钢包质量预判模型的应用方法及*** |
CN115049260B (zh) * | 2022-06-15 | 2023-08-04 | 华院计算技术(上海)股份有限公司 | 认知智能连铸钢包质量预判模型的应用方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN109977535B (zh) | 2023-05-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109977535A (zh) | 一种线损异常诊断方法、装置、设备及可读存储介质 | |
CN106780121B (zh) | 一种基于用电负荷模式分析的用电异常识别方法 | |
CN103135009B (zh) | 基于使用者回馈信息的电器侦测方法与*** | |
CN109766334A (zh) | 用于电力设备在线监测异常数据的处理方法及*** | |
CN106772205A (zh) | 一种电力计量自动化***终端设备异常监测方法及装置 | |
CN116976707B (zh) | 基于用电信息采集的用户用电数据异常分析方法及*** | |
CN116028887B (zh) | 一种连续性工业生产数据的分析方法 | |
CN117390403B (zh) | 一种新能源灯塔发电站的电网故障检测方法及*** | |
CN113591393A (zh) | 智能变电站的故障诊断方法、装置、设备和存储介质 | |
CN111612019A (zh) | 一种基于大数据模型对智能电表故障异常辨识分析的方法 | |
CN110781206A (zh) | 一种学习拆回表故障特征规则预测在运电能表是否故障的方法 | |
CN110738415A (zh) | 基于用电采集***和离群点算法的窃电用户分析方法 | |
Yan et al. | Research on repair method of abnormal energy consumption data of lighting and plug based on similar features | |
CN109035062A (zh) | 一种客户电费异常分析及策略应用*** | |
CN117371788A (zh) | 一种电力营销风险预警方法及*** | |
CN116714469A (zh) | 充电桩健康监测方法、装置、终端及存储介质 | |
CN107590541B (zh) | 一种负荷数据采集成功率低缺陷的现场处理方法 | |
CN104714205B (zh) | 电表错置侦测***及其方法 | |
CN113269478B (zh) | 一种基于多模型的集中器异常数据提醒方法及*** | |
CN115864644A (zh) | 一种继电保护装置状态评价方法、***、设备及介质 | |
CN115965081A (zh) | 一种电能表故障影响因素定位方法以及*** | |
CN112560934B (zh) | 多尺度电力消费行为分析方法 | |
CN113505818A (zh) | 改进决策树算法的熔铝炉能耗异常诊断方法和***及设备 | |
CN110909813B (zh) | 一种基于边缘算法的商业体异常用电检测方法 | |
CN113807690A (zh) | 区域电网调控***运行状态在线评估预警方法及*** |
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 |