CN110082579B - 一种台区智能反窃电监测方法、***、设备及介质 - Google Patents
一种台区智能反窃电监测方法、***、设备及介质 Download PDFInfo
- Publication number
- CN110082579B CN110082579B CN201910423734.3A CN201910423734A CN110082579B CN 110082579 B CN110082579 B CN 110082579B CN 201910423734 A CN201910423734 A CN 201910423734A CN 110082579 B CN110082579 B CN 110082579B
- Authority
- CN
- China
- Prior art keywords
- electricity
- information
- stealing
- transformer area
- loss
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 94
- 238000000034 method Methods 0.000 title claims abstract description 62
- 230000005611 electricity Effects 0.000 claims abstract description 168
- 230000006399 behavior Effects 0.000 claims abstract description 97
- 238000013499 data model Methods 0.000 claims abstract description 68
- 238000000605 extraction Methods 0.000 claims abstract description 21
- 230000004927 fusion Effects 0.000 claims abstract description 21
- 230000008901 benefit Effects 0.000 claims abstract description 7
- 238000004458 analytical method Methods 0.000 claims description 55
- 230000006870 function Effects 0.000 claims description 41
- 230000008859 change Effects 0.000 claims description 29
- 238000004364 calculation method Methods 0.000 claims description 21
- 238000004422 calculation algorithm Methods 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 19
- 238000009826 distribution Methods 0.000 claims description 17
- 238000012806 monitoring device Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 9
- 238000005259 measurement Methods 0.000 claims description 8
- 238000003860 storage Methods 0.000 claims description 8
- 230000002265 prevention Effects 0.000 claims description 6
- 238000003672 processing method Methods 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- 238000000354 decomposition reaction Methods 0.000 claims description 5
- 238000013211 curve analysis Methods 0.000 claims description 3
- 230000007613 environmental effect Effects 0.000 claims description 3
- 238000007500 overflow downdraw method Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000007405 data analysis Methods 0.000 description 11
- 238000001514 detection method Methods 0.000 description 7
- 238000013519 translation Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 230000002159 abnormal effect Effects 0.000 description 5
- 238000010276 construction Methods 0.000 description 5
- 238000005070 sampling Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 238000007726 management method Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 238000013500 data storage Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 239000003990 capacitor Substances 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000001629 suppression Effects 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000004141 dimensional analysis Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000008014 freezing Effects 0.000 description 1
- 238000007710 freezing Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 239000012212 insulator Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 238000004091 panning Methods 0.000 description 1
- 238000000819 phase cycle Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000005612 types of electricity Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R11/00—Electromechanical arrangements for measuring time integral of electric power or current, e.g. of consumption
- G01R11/02—Constructional details
- G01R11/24—Arrangements for avoiding or indicating fraudulent use
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R22/00—Arrangements for measuring time integral of electric power or current, e.g. electricity meters
- G01R22/06—Arrangements for measuring time integral of electric power or current, e.g. electricity meters by electronic methods
- G01R22/061—Details of electronic electricity meters
- G01R22/066—Arrangements for avoiding or indicating fraudulent use
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种台区智能反窃电监测方法,包括步骤:对台区用户用电信息特征进行提取和分析,并结合对台区内的非电气信息的多模态信息融合,实现对窃电损耗特征的抽离,并形成台区窃电行为监测记录;提取出窃电损耗特征后,结合台区内用户的电能信息,通过对动态损耗和计量信息的综合比对,以将窃电损耗特征精准定位到户;分析台区窃电行为发生原因,对发生原因进行归纳汇总,确定多种模态下窃电行为数据模型;基于各窃电行为数据模型,采集监测台区运行状态信息,定位窃电行为。本发明还相应公开了一种与上述方法相对应的监测***、移动介质设备及介质。本发明的方法、***、移动介质设备及介质均具有快速精准监测窃电行为等优点。
Description
技术领域
本发明主要涉及电力设备窃电检测技术领域,特指一种台区智能反窃电监测方法、***、设备及介质。
背景技术
日常生产生活中,高损台区的损耗根据特点可为三种形式:可变损耗、固定损耗和其他损耗。电能在输送的过程中会经过许多的变压器,为了保证电压质量,还需要许多无功调节器,如调相器、电抗器、电容器、电力互感器、消弧线圈等装置,在经过上述装置时,就会产生一定的损耗,为铜损,该部分损耗与它们上面流过的电流大小的平方成正比的关系,电流的大小是随时可能发生变化的,因此这部分损耗也是可变的,所以称为可变损耗。电网中的变压器、互感器、电容器、电抗器还有消弧线圈等设备,当有电压时,会在它们内部产生一定的损耗,称为铁损或绝缘子损耗,这部分损耗与运行电压的大小有关,一般电网中的电压波动较小,变化可以忽略,这部分固定不变的损耗称为固定损耗,也称空载损耗。还有一部分损耗是由于企业管理方面所造成的损耗和变电站自身消耗的,如使用的计量装置精确度不高,造成计量误差,还有抄表人员抄表时间不统一,工作造成的错误,以及用户窃电行为造成的损耗,这些损耗统称为其他损耗。
窃电行为作为高损台区损耗的一部分,在实际窃电检测中,窃电行为的多样化及其表现特征的差异性使单一检测方式无法满足所有检测需求,在这种情况下,建立一种基于多模态数据融合的异常用电智能分析模型,根据不同窃电手段可能导致的不同电气特征和行为特征进行独立检测评估,然后采用多模态数据特征融合算法将独立评估结果进行融合,形成最终的评估结果,并基于综合评估结果展开异常用电行为的检测与定位。
发明内容
本发明要解决的技术问题就在于:针对现有技术存在的技术问题,本发明提供一种快速精准监测窃电行为的台区智能反窃电监测方法、***、设备及介质。
为解决上述技术问题,本发明提出的技术方案为:
一种台区智能反窃电监测方法,包括步骤:
对台区用户用电信息特征进行提取和分析,并结合对台区内的非电气信息的多模态信息融合,实现对窃电损耗特征的抽离,并形成台区窃电行为监测记录;
提取出窃电损耗特征后,结合台区内用户的电能信息,通过对动态损耗和计量信息的综合比对,以将窃电损耗特征精准定位到户;
分析各类台区窃电行为发生原因,对发生原因进行归纳汇总,确定多种模态下窃电行为数据模型;
基于各窃电行为数据模型,利用台区现存设备采集监测台区运行状态信息,定位窃电行为。
作为上述技术方案的进一步改进:
所述用电信息特征包括线路阻抗,通过实际量测值反算得到,所述实际量测值包括电压、有功功率和无功功率;所述非电气信息包括湿度、温度或季节中的一种或多种。
以动态损耗变化与计量信息综合比对为依托,通过对动态损耗过程添加高准确的时间标签,建立高准确度损耗动态实时变化特征模型,构建基于时间匹配的计量信息与动态损耗实时变化融合模型,建立基于动态损耗实时变化与计量信息综合比对的窃电行为定位方法,以将窃电损耗特征精准定位到户。
基于台区考核表、三相表、单相表窃电行为的不同建立各自的窃电行为数据模型,分别为户变关系识别数据模型、考核表窃电行为数据模型、三相表窃电行为数据模型、单相表窃电行为数据模型和三相表所有类型接线方式数据模型。
台区运行状态信息包括火线电流、零线电流、开表盖事件记录、恒定磁场事件记录、断相事件记录、失压事件记录、失流事件记录、电能表的历史电量、冻结类电量、电能表负荷记录、数据电能表当前电压、电流、功率及功率或外接设备电流曲线中的一种或多种。
采用时频分析中的小波包分解方法进行台区用户用电信息特征的提取和分析。
所述用电信息特征包括电压、电流、有功功率、无功功率或功率因数中的一种或多种。
本发明同时公开了一种台区智能反窃电监测***,包括
第一模块,用于对台区用户用电信息特征进行提取和分析,并结合对台区内的非电气信息的多模态信息融合,实现对窃电损耗特征的抽离,并形成台区窃电行为监测记录;
第二模块,用于提取出窃电损耗特征后,结合台区内用户的电能信息,通过对动态损耗和计量信息的综合比对,以将窃电损耗特征精准定位到户;
第三模块,用于分析各类台区窃电行为发生原因,对发生原因进行归纳汇总,确定多种模态下窃电行为数据模型;
第四模块,用于基于各窃电行为数据模型,利用台区现存设备采集监测台区运行状态信息,定位窃电行为。
本发明进一步公开了一种移动介质设备,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如上所述的台区智能反窃电监测方法的步骤。
本发明还公开了一种计算机可读存储介质,所述计算机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上所述的台区智能反窃电监测方法的步骤。
与现有技术相比,本发明的优点在于:
本发明的台区智能反窃电监测方法,对台区的用电信息进行采集和计算,在处理和分析过程中,根据处理数据的数据特征自动调整、参数、判别准侧,结合用户过往的用电行为特征和现场数据分析情况,对用户的异常用电情况进行判定,从而达到窃电监测的目的;在数据处理方面,为更好地实现数据的实时处理,结合边缘计算方法对数据处理模块进行优化,从而更好地支撑对台区的用电信息监测和反窃电分析;通过对台区实现分级监测体系,减少人员操作和巡视,降低运营成本,及时发现窃电行为,减少窃电带来的损失。
本发明的台区智能反窃电监测***、移动介质设备及介质同样具有如上方法所述的优点。
附图说明
图1为本发明的方法流程图。
图2为本发明中时频分析方法流程图。
图3为本发明中窃电行为定位方法流程图。
图4为本发明中窃电行为分析流程图。
图5为本发明中***的方框结构图。
图6为本发明中监测***的结构图。
图7为本发明中监测***拓扑图。
具体实施方式
以下结合说明书附图和具体实施例对本发明作进一步描述。
如图1所示,本实施例的台区智能反窃电监测方法,包括步骤:
对高损台区用户用电信息特征进行提取和分析,并结合对台区内的非电气信息的多模态信息融合,实现对窃电损耗特征的抽离,并形成台区窃电行为监测记录;
提取出窃电损耗特征后,结合台区内用户的电能信息,通过对动态损耗和计量信息的综合比对,以将窃电损耗特征精准定位到户;
分析各类台区窃电行为发生原因,对发生原因进行归纳汇总,确定多种模态下窃电行为数据模型;
基于各窃电行为数据模型,利用台区现存设备采集监测台区运行状态信息,定位窃电行为。
本实施例中,用电信息特征包括线路阻抗,通过实际量测值反算得到,实际量测值包括电压、有功功率和无功功率;非电气信息包括湿度、温度或季节中的一种或多种。
本实施例中,以动态损耗变化与计量信息综合比对为依托,通过对动态损耗过程添加高准确的时间标签,建立高准确度损耗动态实时变化特征模型,构建基于时间匹配的计量信息与动态损耗实时变化融合模型,建立基于动态损耗实时变化与计量信息综合比对的窃电行为定位方法,以将窃电损耗特征精准定位到户。
本实施例中,基于台区考核表、三相表、单相表窃电行为的不同建立各自的窃电行为数据模型,分别为户变关系识别数据模型、考核表窃电行为数据模型、三相表窃电行为数据模型、单相表窃电行为数据模型和三相表所有类型接线方式数据模型。
本实施例中,台区运行状态信息包括火线电流、零线电流、开表盖事件记录、恒定磁场事件记录、断相事件记录、失压事件记录、失流事件记录、电能表的历史电量、冻结类电量、电能表负荷记录、数据电能表当前电压、电流、功率及功率或外接设备电流曲线中的一种或多种。
本实施例中,采用时频分析中的小波包分解方法进行台区用户用电信息特征的提取和分析;其中用电信息特征包括电压、电流、有功功率、无功功率或功率因数中的一种或多种。
下面结合一具体实施例对上述方法进行补充详细说明:
首先分析高损台区基于多模态信息融合的窃电信息智能监测与处理方法,建立台区分级监测体系;在上述基础上,研制物理架构上具备边缘计算、硬件模块化,实现台区运行监测、台区信息采集、信息自适应智能处理等功能的智能反窃电监测装置,如图1所示,具体包括以下内容:
(1)高损台区多模态窃电信息智能监测与处理,建立分级监测体系;
分析高损台区损耗特征,结合台区的环境信息等非电气信息,研究台区的用电信息多模态信息融合方法,建立台区损耗特征信息库。另外通过窃电特征提取与定位算法,实现基于台区电参数时频特征的窃电识别与精准定位。
a)基于时频分析的台区用电特征提取算法
窃电发生时,采用实际量测值(电压、有功、无功)反算得到的线路阻抗会发生变化,偏离线路的真实运行参数。线路阻抗的动态变化可通过高分辨率的时频提取方法实现快速计算和分析,从而为窃电损耗特征识别提供基础。
采用改进时频分析方法—小波包分解算法(WPD)进行台区用户用电信息特征的提取和分析,并结合对台区内的温度,湿度,季节等非电气信息的多模态信息融合,实现对窃电损耗特征的抽离,并形成台区窃电行为监测记录(如图2所示),为后续进行台区窃电行为定位奠定基础。
b)以台区用电特征为基础的窃电行为定位算法
台区监测过程中,成功提取出窃电损耗特征后,还需要结合台区内用户的电能信息,通过对动态损耗和计量信息的综合比对,实现对用户用电特征甄别将窃电行为特征精准定位到户。以损耗动态变化特征与电量数据综合比对为依托,通过对损耗动态变化过程添加高准确的时间标签,建立高准确度损耗动态实时变化特征模型,构建基于时间匹配的计量信息(端口电能计量值、回路线损、线路位置等信息)与损耗动态实时变化融合模型,建立基于损耗动态实时变化与计量信息综合比对的窃电行为定位方法,算法流程如图3所示。
c)台区反窃电监测的分级方法
分析各类高损台区发生原因,对发生原因进行归纳汇总,确定多种模态下窃电信息的典型数据模型。研究查找并处理因为户变关系不正确或时钟误差过大导致的数据源不正确情况,针对公变用户、单相表和三相表分别建立相应的自适应数据模型分析,建立依托数据源分析、窃电行为分析,接线故障分析的分级监测体系,分析流程图如图4所示。
(2)实现物理架构上具备边缘计算、硬件模块化,实现运行监测、台区信息采集、信息自适应智能处理等功能的智能反窃电监测装置。
分析智能反窃电监测装置对台区的运行状态监测方式,将采集的台区信息不断的累计并和内嵌的数据模型进行曲线分析,自适应相关算法进行重点监控或后续数据处理,定位窃电行为。
在(1)的基础上,结合实际应用场景,得到反窃电监测装置。在解决实际中可能出现的问题诸如:线损计算时户变关系不正确直接会导致线损计算的错误,时钟误差过大会导致数据的偏差较大等问题。
多级模态下窃电行为的不同,基于台区考核表、三相表、单相表窃电方式的不同,建立各自的数据模型体系,利用台区现存的终端、电能表和外接无线电流采样设备采集监测台区运行状态信息,对比和窃电行为数据模型的相似度,定位窃电行为并记录发生时间,数据分析类型如表1所示。
表1:数据分析类型表
另外,具备边缘计算能力的本地化台区智能反窃电监测装置,对台区进行长期监测和信息处理,结合上述内容能够及时发现和定位台区窃电行为。
智能反窃电监测装置功能部分主要有多级数据获取、外部采样设备接入、户变关系分析、时钟误差纠正、窃电行为分析、接线故障分析、数据存储、安全加密和数据分析输出等部分组成,如图5所示。
多级数据获取功能需求自动判断下装台区、电能表类型,针对不同类型进行相应的关联数据采集,为多级数据分析功能提供数据支持。外部采样设备接入功能用于接入各类无线通讯的采样设备,用于获取终端、电能表不能提供的数据。户变关系分析(或识别)用于发现和处理台区归属问题导致的线损计算存在误差;时钟误差纠正用户发现和处理由于时钟不同步导致的线损计算误差过大问题。窃电行为分析通过装置内嵌对考核表、单相表、三相表等多种模态下的不同窃电模型,对比数据获取的台区运行状态信息,定位窃电行为类型和发生时间。接线故障分析通过内嵌全部三相表接线方式模型,通过三相表负荷曲线确定真实的接线方式,辅助窃电行为分析。数据存储功能将记录所有的原始数据和研判结果,可以由智能反窃电监测装置上级***或APP分析软件统一获取,进行二次分析。安全加密模块用于将各个通信接口数据进行加密,防止信息泄露。数据分析输出模块用于连接外部安全设备,将分析结果进行展示。
为构建内嵌于台区智能反窃电监测装置的数据模型库,结合第(1)点中对台区用电特征提取的算法以及分级监测的方法,需要构建的数据模型如下:
a)户变关系区分数据模型(或户变关系识别数据模型或户变关系分析数据模型)
通过掉电时间分析户变关系,首先需要有一组或多组明确的台区停电时间,该时间可以通过外部数据录入也可以通过历史掉电数据进行分析。通过多次计算电能表时钟误差获取时钟误差的标准值,同时筛除时钟掉电跳变的电能表,补偿停电时间的偏差值。确定以上因素后,通过电能表掉电偏差的关联性进行数据分析,区分电能表是否属于本台区,具体数据模型如表2所示。
表2:户变关系区分数据模型表
b)台区窃电行为数据模型
大部分台区窃电行为均存在其用电特征的状态,将这些特征状态汇总并建立数据模型,监测并分析台区用电信息和数据模型的相似度,能够有效地定位并发现窃电行为。电能计量设备的类型不同相应的数据特征也不一样,将数据模型按计量类型分为三类:考核表、用户三相表、用户单相表。
考核表的计量误差通常为互感器损坏或人为替换导致,互感器没有数据接口无法获取真实状态。结合一种具备无线通讯的电流采样装置,用于采集高压侧电流和视在功率曲线,对比考核表的电流和视在功率发现互感器或电能表的计量误差,应用数据模型如下表3。
表3:考核表数据模型表
单相表的窃电类型很多,通常为人为接线导致电流电压计量出现误差。针对单相表电压电流特征状态的窃电数据模型,利用率最高的有零线火线的数据分析、电压失压断相的数据分析、电能表开表盖事件的数据分析,具体数据模型如下表4。
表4:用户单相表数据模型表
三相表的窃电大多为一相或是多相电压电流的人为接线导致电能表计量出现错误,窃电行为和接线故障特征状态很相似,分析三相表的窃电行为时必须结合接线故障的数据模型进行区分。研究三相表的窃电行为需结合事件发生状态和电能表运行状态,通过多组数据模型的关联程序定位窃电行为,常用的数据模型如下表5。
表5:用户三相表数据模型表
c)接线故障分析数据模型
三相电能表具备多种(如288种)接线类型,其中正确的接线方式只有3种,分析窃电行为的数据模型时必须确定三相表本身的接线故障。接线分析通过从电能表记录的接线异常事件为基准,结合288种接线方式的数据模型,通过负荷记录获取电压电流夹角,绘制电压电流夹角的分布态势,确定真实的三相表接线方式,具体数据计算模型如下表6。
表6:接线故障分析数据模型表
台区用电信息监测***是运用通信技术、计算机技术和自动控制技术对电力负荷进行监控、管理的综合***,对电力用户的用电信息进行采集、处理和实时监控,实现用电信息的自动采集、计量异常监测、电能质量监测、用电分析和管理、相关信息发布、分布式能源监控、智能用电设备的信息交互等功能,***结构如图6所示。
特定用户用电状态可以通过电压、电流、有功、无功和功率因素等参数的变化特性来表示,因此,基于台区用电信息采集***抄读的电能表信息,通过建立数学模型,可以实现用户用电状态分析,通过电压数据可以判断用户是否断相、过电压、失电压、掉电、上电等,通过电流数据,可以判断用户是否失电流、逆相序、超负荷、三相电流不平衡、电流互感器一次短路、电流互感器二次短路等以及这些现象发生的时间,通过上送的功率曲线可以与历史功率曲线比对,及时发现用户的负荷变动情况等。
在实际生产生活中,不同台区范围内的用电特点有所不同,譬如工业区的用电量比居民区的用电量更大,负荷特征也不同,这是区位信息;不同季节、天气,同一台区范围的用电特点也不一样,这是水文环境信息;台区范围内某个地区的临时施工如地铁修建也会改变该地区的用电特征,这是城市建设信息,以上这些都会对反窃电的准确识别造成影响。因此,除了用电信息以外,电力计量单位应当融合多个数据源的信息,如区位信息、水文气候信息、城市建设信息等,排除干扰,提高反窃电的精确度。
现有的台区监测***是为了解决电网维护工作人员一站式监测的运行状况的问题。智能低压台区***需要监控的电压、电流、有功功率、无功功率、三相不平衡率和负载率等物理量,其中重点关注统计参数三相不平衡率和负载率。低压智能台区监控***需要完成三部分工作,其一是完成智能终端的数据采集、传输、解析和存储,其二是***对收集的数据进行管理,其三是负荷预测,但是受限条件原因在软件***中着重研究预测算法,简单实现负荷预测功能。图7所示为台区检测***拓扑图。
结合当下电力硬件设备发展水平和物联网水平技术的发展而建立的智能低压台区监控***,通过智能终端数据采集、数据传输、数据存储、数据分析和计算、远程推送等一系列过程实现对低压台区运行情况的实时监测和远程控制。以低压台区监测为核心功能需求的低压台区智能监控***,主要是完成智能终端实时监控和实时数据服务器采集存储的两个方面来设计,智能终端负责监控配电变压器低压侧的实时工作数据,同时负责定时将数据通过通信网路将实时数据上传到服务器存储,最后通过WEB实现数据的管理。
本实施例中,拟采用改进时频分析方法—小波包分解(WPD)进行台区用电信息特征的提取和分析。小波包分析能够为信号提供一种更加精细的分析方法(属于一种成熟的分析方法,在此将其应用于台区用电信息特征的提取和分析,提高信号的提取的精准可靠性)。小波(wavelet),即小区域的波。小波函数的确切定义为:设ψ(t)为一平方可积函数,也即ψ(t)∈L2(R),若其傅里叶变换Ψ(ω)满足条件:
则称ψ(t)为一个基本小波或小波母函数,并称其为小波函数的可容许条件。
以下介绍连续小波基函数ψα,τ(t)的定义。
将小波母函数ψ(t)进行伸缩和平移,设其伸缩因子(又称尺度因子)为a,平移因子为τ,令其平移伸缩后的函数为ψa,τ(t),则有
称ψa,τ(t)为依赖于参数a,τ的小波基函数。由于尺度因子a、平移因子τ是取连续变化的值,因此称ψa,τ(t)为连续小波基函数。
以下介绍尺度空间和小波空间的概念:
设ek(t)为一函数序列,X表示ek(t)所有可能的线性组合构成的集合,即
X={∑k akek(t);t,ak∈R,k∈Z} (3)
称X为由序列ek(t)张成的线性空间,记作
X=span{ek} (4)
也即对任意g(t)∈X,有
g(t)=∑k akek(t) (5)
定义函数φ(t)∈L2(R)为尺度函数,若其整数平移系列φk(t)=φ(t-k)满足
<φk(t),φk′(t)>=δkk′ (6)
定义φk(t)在L2(R)空间张成的闭子空间为V0,称为零尺度空间:
对于任意f(t)∈V0,有
f(t)=∑k akφk(t) (8)
同小波函数相似,假设尺度函数φ(t)在平移的同时又进行了尺度的伸缩,得到了一个尺度和位移均可变化的函数集合:
则称每一固定尺度j上的平移系列φk(2-jt)所张成的空间Vj为尺度j的尺度空间:
对于任意f(t)∈Vj,有
由此,尺度函数φ(t)在不同尺度下其平移系列张成了一系列的尺度空间{Vj}j∈Z。
现在定义多分辨率分析,指的满足下述性质的一些列闭子空间{Vj},j∈Z:
5)正交基存在性:存在φ∈V0,使得{φ(t-n)}n∈Z是V0的正交基,即
由以上分析可知,多分辨率分析的系列尺度空间是由同一尺度函数在不同尺度下张成的,也即一个多分辨率分析{Vj}j∈Z对应一个尺度函数。现在定义尺度空间{Vj}j∈Z的补空间。设Wm为Vm在Vm-1的补空间,即
显然,任意子空间Wm与Wn是相互正交的(空间不想交),并且Wm⊥Wn.当m≠n和m,n∈Z,由式(14)和式(15)知:
因此,{Wj}j∈Z构成了L2(R)的一系列正交子空间,得
W0=V_1-V0
且
Wj=Vj-1-Vj (19)
若f(t)∈W0,则f(t)∈V-1-V0,由式(13),f(2-jt)∈Vj-1-Vj,也即
设{ψ0,k;k∈Z}为空间W0的一组正交基,由式(18)对所有尺度 k∈Z必为空间Wj的正交基。由此根据公式(17),ψj,k的整个集合ψj,k;j∈Z,j∈Z必然构成了L2(R)空间的一组正交基。此处的ψj,k(t)正是由同一母函数伸缩平移得到的正交小波基。因此可称ψ为小波函数,相应地称Wj是尺度为j的小波空间。
二尺度方程及多分辨率滤波器组的定义如下所示:
二尺度方程是多尺度分析赋予尺度函数φ(t),小波函数ψ(t)的最基本特征,它描述的是两个相邻尺度空间Vj-1和Vj,或相邻的尺度空间Vj-1和小波空间Wj的基函数φj-1,h(t),φj,h(t)和φj-1,k(t),φj,k(t)之间的内在的本质联系。
由多分辨率分析概念得知,φ(t),ψ(t)分别为尺度空间V0及小波空间W0的一个标准正交基函数。由于V0∈V-1,W0∈V-1,所以φ(t),ψ(t)也必然属于V-1空间,也即φ(t),ψ(t)可用于V-1空间的正交基φj-1,h(t)线性展开:
其中展开系数h0(n),h1(n)为
h0(n)=<φ,φ-1,n>h1(n)=<ψ,ψ-1,n> (23)
式(14)、(15)描述的是相邻二尺度空间基函数之间的关系,所以称此二式为二尺度方程。滤波器组系数h0(n),h1(n)描述了两尺度空间函数之间的内在联系,并且唯一地对应于φ(t),ψ(t)。
以下对小波包的定义进行介绍,小波包分析将时频平面划分得更为细致,它对信号的高频部分的分辨率比二进小波要高。而且,它在小波分析理论的基础之上,引入了最优基选择的概念。即将频带经过多层次的划分之后,根据被分析信号的特征,自适应地选取最佳基函数,使之与信号相匹配,以提高信号的分析能力。
本实施例中,多模态数据的融合分析方法,是通过模态间信息的互补来学习更加准确的复杂数据特征,支撑后续的决策、预测和分类。多模态数据是指对于同一个描述对象,通过不同领域或视角获取到的数据,并且把描述这些数据的每一个领域或视角叫做一个模态。在多模态数据中,每个模态能够为其余模态提供一定的信息,即模态之间存在一定的关联性。用多模态数据融合算法来处理台区内的用户数据,可以对用户的用电特征进行区分,从而为窃电行为特征的抓取提供更为有效的途径。
现对多模态数据的融合分析算法阐述如下:
在多模态数据集中,有些数据特征集只包含[0,1]稀疏化表示实例。基于此,利用存在的概率分布构建类似模态的聚类结构描述。假设聚类簇Rk包含nk个数据实例我们定义xj(j=1,2,...,nk)的稀疏模态v下的元信息特征向量 其中对应数据标签表中的第m个标签tm。的取值如下:
另外,边缘计算随着互联网和移动行业的发展而得到普遍应用,它描述了一种架构,在这种架构里,靠近用户节点预取和缓存网络数据,通过超低延迟来改善客户体验。在物联网的背景下,边缘计算意味着大多数设备计算任务都是在现场执行的,这些任务可以在终端节点或网关(作为连接简单终端节点和互联网的桥梁)中完成。相对于云计算的远端计算,边缘计算则是在靠近物理环境或数据源头的本地计算,力求实现本地化的实时采集、即时计算、在线诊断、及时响应和准确控制。具有计算和通信功能的大规模信息物理***(CPS)单元,可通过CPS的边缘计算,使数据在边缘侧就能解决,更适合实时的数据分析和智能化处理。边缘计算聚焦实时、短周期数据的分析,具有安全、快捷、易于管理等优势,能更好地支撑CPS单元的实时智能化处理与执行,满足网络的实时需求,从而使计算资源更加有效地得到利用。在台区监测***中,需要采集大量的环境信息,为提高***的实时监测效率,相当一部分数据可在模块化的采集终端完成特征提取的运算。
本发明还公开了一种台区智能反窃电监测***,包括
第一模块,用于对台区用户用电信息特征进行提取和分析,并结合对台区内的非电气信息的多模态信息融合,实现对窃电损耗特征的抽离,并形成台区窃电行为监测记录;
第二模块,用于提取出窃电损耗特征后,结合台区内用户的电能信息,通过对动态损耗和计量信息的综合比对,以将窃电损耗特征精准定位到户;
第三模块,用于分析各类台区窃电行为发生原因,对发生原因进行归纳汇总,确定多种模态下窃电行为数据模型;
第四模块,用于基于各窃电行为数据模型,利用台区现存设备采集监测台区运行状态信息,定位窃电行为。
由于***部分的实施例与方法部分的实施例相互对应,因此***部分的实施例请参见方法部分的实施例的描述,这里不再赘述。
本发明进一步公开了一种移动介质设备,包括:
存储器,用于存储计算机程序;
处理器,用于执行计算机程序时实现如上所述的台区智能反窃电监测方法的步骤。
由于移动介质设备部分的实施例与方法部分的实施例相互对应,因此移动介质设备部分的实施例请参见方法部分的实施例的描述,这里不再赘述。
本发明还提供了一种计算机可读存储介质,计算机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如上所述的台区智能反窃电监测方法的步骤。
由于介质部分的实施例与方法部分的实施例相互对应,因此介质部分的实施例请参见方法部分的实施例的描述,这里不再赘述。
虽然本发明已以较佳实施例揭露如上,然而并非用以限定本发明。任何熟悉本领域的技术人员,在不脱离本发明技术方案范围的情况下,都可利用上述揭示的技术内容对本发明技术方案做出许多可能的变动和修饰,或修改为等同变化的等效实施例。因此,凡是未脱离本发明技术方案的内容,依据本发明技术实质对以上实施例所做的任何简单修改、等同变化及修饰,均应落在本发明技术方案保护的范围内。
Claims (9)
1.一种台区智能反窃电监测方法,其特征在于,包括步骤:
对台区用户用电信息特征进行提取和分析,并结合对台区内的非电气信息的多模态信息融合,实现对窃电损耗特征的抽离,并形成台区窃电行为监测记录;
提取出窃电损耗特征后,结合台区内用户的电能信息,通过对动态损耗和计量信息的综合比对,以将窃电损耗特征精准定位到户;
分析各类台区窃电行为发生原因,对发生原因进行归纳汇总,确定多种模态下窃电行为数据模型;
基于各窃电行为数据模型,利用台区现存终端采集监测台区运行状态信息,定位窃电行为;
具体地,首先分析高损台区基于多模态信息融合的窃电信息智能监测与处理方法,建立台区分级监测体系;在上述基础上,研制物理架构上具备边缘计算、硬件模块化,实现台区运行监测、台区信息采集、信息自适应智能处理功能的智能反窃电监测装置,具体包括以下内容:
(1)高损台区多模态窃电信息智能监测与处理,建立分级监测体系;
分析高损台区损耗特征,结合台区的环境信息非电气信息,研究台区的用电信息多模态信息融合方法,建立台区损耗特征信息库;另外通过窃电特征提取与定位算法,实现基于台区电参数时频特征的窃电识别与精准定位;
a)基于时频分析的台区用电特征提取算法;
窃电发生时,采用实际量测值反算得到的线路阻抗会发生变化,偏离线路的真实运行参数;线路阻抗的动态变化可通过高分辨率的时频提取方法实现快速计算和分析,从而为窃电损耗特征识别提供基础;
b)以台区用电特征为基础的窃电行为定位算法;
台区监测过程中,成功提取出窃电损耗特征后,还需要结合台区内用户的电能信息,通过对动态损耗和计量信息的综合比对,实现对用户用电特征甄别将窃电行为特征精准定位到户;以损耗动态变化特征与电量数据综合比对为依托,通过对损耗动态变化过程添加高准确的时间标签,建立高准确度损耗动态实时变化特征模型,构建基于时间匹配的计量信息与损耗动态实时变化融合模型,建立基于损耗动态实时变化与计量信息综合比对的窃电行为定位方法;
c)台区反窃电监测的分级方法;
分析各类高损台区发生原因,对发生原因进行归纳汇总,确定多种模态下窃电信息的典型数据模型;研究查找并处理因为户变关系不正确或时钟误差过大导致的数据源不正确情况,针对公变用户、单相表和三相表分别建立相应的自适应数据模型分析,建立依托数据源分析、窃电行为分析,接线故障分析的分级监测体系;
(2)实现物理架构上具备边缘计算、硬件模块化,实现运行监测、台区信息采集、信息自适应智能处理功能的智能反窃电监测装置;
分析智能反窃电监测装置对台区的运行状态监测方式,将采集的台区信息不断的累计并和内嵌的数据模型进行曲线分析,自适应相关算法进行重点监控或后续数据处理,定位窃电行为。
2.根据权利要求1所述的台区智能反窃电监测方法,其特征在于,所述用电信息特征包括线路阻抗,通过实际量测值反算得到,所述实际量测值包括电压、有功功率和无功功率;所述非电气信息包括湿度、温度或季节中的一种或多种。
3.根据权利要求1或2所述的台区智能反窃电监测方法,其特征在于,基于台区考核表、三相表、单相表窃电行为的不同建立各自的窃电行为数据模型,分别为户变关系识别数据模型、考核表窃电行为数据模型、三相表窃电行为数据模型、单相表窃电行为数据模型和三相表所有类型接线方式数据模型。
4.根据权利要求1或2所述的台区智能反窃电监测方法,其特征在于,台区运行状态信息包括火线电流、零线电流、开表盖事件记录、恒定磁场事件记录、断相事件记录、失压事件记录、失流事件记录、电能表的历史电量、冻结类电量、电能表负荷记录、数据电能表当前电压、电流、功率及功率或外接终端电流曲线中的一种或多种。
5.根据权利要求1或2所述的台区智能反窃电监测方法,其特征在于,采用时频分析中的小波包分解方法进行台区用户用电信息特征的提取和分析。
6.根据权利要求5所述的台区智能反窃电监测方法,其特征在于,所述用电信息特征包括电压、电流、有功功率、无功功率或功率因数中的一种或多种。
7.一种台区智能反窃电监测***,其特征在于,包括
第一模块,用于对台区用户用电信息特征进行提取和分析,并结合对台区内的非电气信息的多模态信息融合,实现对窃电损耗特征的抽离,并形成台区窃电行为监测记录;
第二模块,用于提取出窃电损耗特征后,结合台区内用户的电能信息,通过对动态损耗和计量信息的综合比对,以将窃电损耗特征精准定位到户;
第三模块,用于分析各类台区窃电行为发生原因,对发生原因进行归纳汇总,确定多种模态下窃电行为数据模型;
第四模块,用于基于各窃电行为数据模型,利用台区现存终端采集监测台区运行状态信息,定位窃电行为;
具体地,首先分析高损台区基于多模态信息融合的窃电信息智能监测与处理方法,建立台区分级监测体系;在上述基础上,研制物理架构上具备边缘计算、硬件模块化,实现台区运行监测、台区信息采集、信息自适应智能处理功能的智能反窃电监测装置,具体包括以下内容:
(1)高损台区多模态窃电信息智能监测与处理,建立分级监测体系;
分析高损台区损耗特征,结合台区的环境信息非电气信息,研究台区的用电信息多模态信息融合方法,建立台区损耗特征信息库;另外通过窃电特征提取与定位算法,实现基于台区电参数时频特征的窃电识别与精准定位;
a)基于时频分析的台区用电特征提取算法;
窃电发生时,采用实际量测值反算得到的线路阻抗会发生变化,偏离线路的真实运行参数;线路阻抗的动态变化可通过高分辨率的时频提取方法实现快速计算和分析,从而为窃电损耗特征识别提供基础;
b)以台区用电特征为基础的窃电行为定位算法;
台区监测过程中,成功提取出窃电损耗特征后,还需要结合台区内用户的电能信息,通过对动态损耗和计量信息的综合比对,实现对用户用电特征甄别将窃电行为特征精准定位到户;以损耗动态变化特征与电量数据综合比对为依托,通过对损耗动态变化过程添加高准确的时间标签,建立高准确度损耗动态实时变化特征模型,构建基于时间匹配的计量信息与损耗动态实时变化融合模型,建立基于损耗动态实时变化与计量信息综合比对的窃电行为定位方法;
c)台区反窃电监测的分级方法;
分析各类高损台区发生原因,对发生原因进行归纳汇总,确定多种模态下窃电信息的典型数据模型;研究查找并处理因为户变关系不正确或时钟误差过大导致的数据源不正确情况,针对公变用户、单相表和三相表分别建立相应的自适应数据模型分析,建立依托数据源分析、窃电行为分析,接线故障分析的分级监测体系;
(2)实现物理架构上具备边缘计算、硬件模块化,实现运行监测、台区信息采集、信息自适应智能处理功能的智能反窃电监测装置;
分析智能反窃电监测装置对台区的运行状态监测方式,将采集的台区信息不断的累计并和内嵌的数据模型进行曲线分析,自适应相关算法进行重点监控或后续数据处理,定位窃电行为。
8.一种移动介质设备,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权利要求1至6任意一项所述的台区智能反窃电监测方法的步骤。
9.一种计算机可读存储介质,其特征在于,所述计算机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权利要求1至6中任意一项所述的台区智能反窃电监测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910423734.3A CN110082579B (zh) | 2019-05-21 | 2019-05-21 | 一种台区智能反窃电监测方法、***、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910423734.3A CN110082579B (zh) | 2019-05-21 | 2019-05-21 | 一种台区智能反窃电监测方法、***、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110082579A CN110082579A (zh) | 2019-08-02 |
CN110082579B true CN110082579B (zh) | 2021-06-25 |
Family
ID=67421162
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910423734.3A Active CN110082579B (zh) | 2019-05-21 | 2019-05-21 | 一种台区智能反窃电监测方法、***、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110082579B (zh) |
Families Citing this family (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110749784B (zh) * | 2019-08-05 | 2022-07-08 | 上海大学 | 一种基于电力数据小波分析的线路窃电检测方法 |
CN111552682A (zh) * | 2020-05-11 | 2020-08-18 | 国网上海市电力公司 | 一种基于专家模型库的窃电类型诊断方法 |
CN111612054B (zh) * | 2020-05-14 | 2023-07-25 | 国网河北省电力有限公司电力科学研究院 | 一种基于非负矩阵分解和密度聚类的用户窃电行为识别方法 |
CN111443226B (zh) * | 2020-06-15 | 2020-12-08 | 国网江西综合能源服务有限公司 | 一种利用三相智能表低电流记录的窃电分析方法 |
CN112003372B (zh) * | 2020-08-19 | 2022-08-26 | 贵州电网有限责任公司 | 一种防窃电远程智能监控方法 |
CN112415310B (zh) * | 2020-11-06 | 2023-05-02 | 天津天大求实电力新技术股份有限公司 | 面向用户侧窃电行为识别分析方法及应用 |
CN112098717A (zh) * | 2020-11-19 | 2020-12-18 | 中国电力科学研究院有限公司 | 一种用于对用电状态进行监测的***及方法 |
CN112381315A (zh) * | 2020-11-26 | 2021-02-19 | 广西电网有限责任公司电力科学研究院 | 一种基于pso优化的ls-svm智能台区负荷预测方法及*** |
CN112816774B (zh) * | 2020-12-15 | 2023-01-06 | 国网宁夏电力有限公司营销服务中心(国网宁夏电力有限公司计量中心) | 一种基于大数据的窃电排查方法 |
CN112649664A (zh) * | 2020-12-16 | 2021-04-13 | 国网宁夏电力有限公司营销服务中心(国网宁夏电力有限公司计量中心) | 用电采集装置和*** |
CN112835940B (zh) * | 2020-12-31 | 2024-03-01 | 中国电力科学研究院有限公司 | 一种基于可插拔式反窃电模型的用电异常用户监控方法 |
RU2757655C1 (ru) * | 2021-03-03 | 2021-10-19 | федеральное государственное автономное образовательное учреждение высшего образования "Северо-Кавказский федеральный университет" | Способ выявления и мониторинга нетехнических потерь в распределительных сетях 0,4 кВ |
CN113325231B (zh) * | 2021-05-21 | 2022-06-24 | 国网山东省电力公司济南供电公司 | 一种台区线损监测分析定位装置 |
CN113283779A (zh) * | 2021-06-08 | 2021-08-20 | 内蒙古电力(集团)有限责任公司内蒙古电力科学研究院分公司 | 一种窃电损耗定位的精准分析算法 |
CN113283103A (zh) * | 2021-06-08 | 2021-08-20 | 内蒙古电力(集团)有限责任公司内蒙古电力科学研究院分公司 | 一种台区多模态信息处理方法 |
CN113985124A (zh) * | 2021-09-26 | 2022-01-28 | 浙江万胜智能科技股份有限公司 | 一种基于ltu、电能表、融合终端防窃电的方法 |
CN113919853B (zh) * | 2021-10-18 | 2022-07-15 | 浙江大学 | 一种基于边端融合的低压用户窃电识别方法 |
CN114154999A (zh) * | 2021-10-27 | 2022-03-08 | 国网河北省电力有限公司营销服务中心 | 一种反窃电方法、装置、终端及存储介质 |
CN114336958A (zh) * | 2021-11-30 | 2022-04-12 | 海南电网有限责任公司 | 10kV及以下客户窃电智能分析*** |
Family Cites Families (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102497030A (zh) * | 2011-12-28 | 2012-06-13 | 山东电力研究院 | 基于高压电能表的线损实测和定位方法及*** |
CN103187804B (zh) * | 2012-12-31 | 2015-04-15 | 萧山供电局 | 一种基于不良电量数据辨识的台区用电监测方法 |
WO2016194814A1 (ja) * | 2015-05-29 | 2016-12-08 | 東京電力ホールディングス株式会社 | 配電系統監視システム、配電系統監視装置、配電系統監視方法、及びプログラム |
CN105337308B (zh) * | 2015-10-23 | 2018-02-06 | 南京南瑞集团公司 | 一种电网侧区域分布式光伏运维管理***及管理方法 |
CN205210166U (zh) * | 2015-10-29 | 2016-05-04 | 国网山东省电力公司电力科学研究院 | 一种分流窃电检测装置 |
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 |
CN106778841A (zh) * | 2016-11-30 | 2017-05-31 | 国网上海市电力公司 | 异常用电检测模型的建立方法 |
CN107085653A (zh) * | 2017-03-29 | 2017-08-22 | 国网上海市电力公司 | 一种数据驱动的防窃电实时诊断方法 |
CN107633050A (zh) * | 2017-09-18 | 2018-01-26 | 安徽蓝杰鑫信息科技有限公司 | 一种基于大数据分析用电行为判定窃电概率的方法 |
CN107742127B (zh) * | 2017-10-19 | 2021-06-08 | 国网辽宁省电力有限公司 | 一种改进的防窃电智能预警***及方法 |
CN108765004A (zh) * | 2018-05-28 | 2018-11-06 | 贵州黔驰信息股份有限公司 | 一种基于数据挖掘识别用户窃电行为的方法 |
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 |
CN109142831B (zh) * | 2018-09-21 | 2021-05-07 | 国网安徽省电力公司电力科学研究院 | 一种基于阻抗分析的居民用户异常用电研判方法和装置 |
CN109614997A (zh) * | 2018-11-29 | 2019-04-12 | 武汉大学 | 一种基于深度学习的窃电风险预测方法及装置 |
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 |
CN109633321B (zh) * | 2018-12-24 | 2021-09-07 | 国网山东省电力公司潍坊供电公司 | 一种台区户变关系区分***、方法及台区高损监测方法 |
-
2019
- 2019-05-21 CN CN201910423734.3A patent/CN110082579B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110082579A (zh) | 2019-08-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110082579B (zh) | 一种台区智能反窃电监测方法、***、设备及介质 | |
Bhattarai et al. | Big data analytics in smart grids: state‐of‐the‐art, challenges, opportunities, and future directions | |
Tu et al. | Big data issues in smart grid–A review | |
CN102414956B (zh) | 用于电力设施使用、监视和管理的***和方法 | |
BR112012021714B1 (pt) | sistema de filtro de comando de grade de distribuição de energia elétrica | |
Perçuku et al. | Modeling and processing big data of power transmission grid substation using Neo4j | |
CN116500385B (zh) | 输电网监测校验方法、装置、设备和介质 | |
Aung | Database systems for the smart grid | |
Mohamed et al. | A review on big data management and decision-making in smart grid | |
Ahmed et al. | Data communication and analytics for smart grid systems | |
Li et al. | Electricity consumption behaviour analysis based on adaptive weighted‐feature K‐means‐AP clustering | |
Guo et al. | Big data processing and analysis platform for condition monitoring of electric power system | |
CN111582717A (zh) | 一种基于大数据技术的主动配电网规划方法 | |
CN112116205A (zh) | 针对台区用电特征的画像方法、装置和存储介质 | |
Krishnamurthy et al. | Generalised resilience models for power systems and dependent infrastructure during extreme events | |
CN104299065A (zh) | 一种调度自动化主备***间模型正确性校验的方法 | |
Dharmawardena et al. | A distributed data‐driven modelling framework for power flow estimation in power distribution systems | |
Wang et al. | A trend‐based approach for situation awareness in power systems | |
Shukla et al. | Efficient method for extracting network information from the CIM asset model | |
CN115186975A (zh) | 一种基于业务中台的电网线损管理方法及*** | |
CN114996535A (zh) | 电网中电力设备的数据检索方法、***及电子设备 | |
Dang-Ha et al. | Graph of virtual actors (gova): A big data analytics architecture for IoT | |
Heng et al. | Integrated analytics system for electric industry asset management | |
US20230221362A1 (en) | Electrical grid discrepancy identification | |
Miao et al. | Topology Identification in LV Distribution Network Based on SAE and Modified DBSCAN |
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 |