CN111310854A - 基于用电负荷指纹的低误报率窃电检测二次筛选方法 - Google Patents
基于用电负荷指纹的低误报率窃电检测二次筛选方法 Download PDFInfo
- Publication number
- CN111310854A CN111310854A CN202010160079.XA CN202010160079A CN111310854A CN 111310854 A CN111310854 A CN 111310854A CN 202010160079 A CN202010160079 A CN 202010160079A CN 111310854 A CN111310854 A CN 111310854A
- Authority
- CN
- China
- Prior art keywords
- electricity
- power
- load
- electricity stealing
- power consumption
- 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.)
- Pending
Links
- 230000005611 electricity Effects 0.000 title claims abstract description 200
- 238000001514 detection method Methods 0.000 title claims abstract description 32
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000012216 screening Methods 0.000 title claims abstract description 17
- 238000004458 analytical method Methods 0.000 claims description 11
- 238000004519 manufacturing process Methods 0.000 abstract description 43
- 230000008859 change Effects 0.000 abstract description 15
- 238000007689 inspection Methods 0.000 abstract description 13
- 230000007613 environmental effect Effects 0.000 abstract description 3
- 238000004422 calculation algorithm Methods 0.000 description 13
- 230000035772 mutation Effects 0.000 description 9
- 230000002354 daily effect Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 239000004753 textile Substances 0.000 description 4
- 230000009467 reduction Effects 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003203 everyday effect Effects 0.000 description 2
- 238000012804 iterative process Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000001052 transient effect Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000010224 classification analysis Methods 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005286 illumination Methods 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
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008450 motivation Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000004043 responsiveness Effects 0.000 description 1
- 230000008685 targeting Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000005612 types of electricity Effects 0.000 description 1
- 238000004804 winding Methods 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
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24143—Distances to neighbourhood prototypes, e.g. restricted Coulomb energy networks [RCEN]
-
- 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
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种基于用电负荷指纹的低误报率窃电检测二次筛选方法,用于对现有窃电检测检出的窃电用户(即疑似窃电用户)进行二次筛除。该方法是先对疑似窃电用户的用电量或其接入配电线路/配电变压器的线损电量突变前后的用电负荷指纹进行聚类,然后比较突变时间点前后的用电负荷指纹的聚类类别对应的用电模式类别是否发生变化,如果突变后的用电模式相较于突变之前出现了新的用电模式,则判断该疑似窃电用户确为窃电用户;反之为正常用户,用电量突变为用户进入低用电量的正常生产经营状态所致。本方法可识别由限电、环保检查、安全检查等原因导致停产用户的用电量突变,可降低现有窃电检测方法的判断误报率,促进窃电检测的工程实际应用。
Description
技术领域
本发明属于电力***用电稽查领域,涉及一种针对现有窃电检测检出的窃电用户进行二次筛选的方法,具体涉及一种基于用电负荷指纹的低误报率窃电检测二次筛选方法,主要用于大工业和工商业用户的用电异常检测。
背景技术
传统上,检测窃电行为需要供电企业技术人员登门开展用电稽查,人力、物力消耗巨大。智能电表可高频度地准确记录和上报用户用电数据,通过计量***记录的用电数据能识别窃电行为,为采用数据驱动技术准确识别窃电行为奠定了关键基础。
现有基于智能电表计量数据检测识别窃电可分为简单物理规则和基于聚类/分类分析等两大类:
基于简单物理规则的窃电检测方法根据用户用电线路结构和电表接线的特点采用简单的规则判断窃电行为。如,低压单相用户出现零序电流及用户电流及功率反向时,均可确定为窃电用户;
在不考虑峰谷电价影响下,不管用户如何窃电,其动机总是将用电量减小以谋取电量差值收益,在用电负荷曲线上表现为用电量的明显降低。基于聚类的方法以窃电用户负荷曲线形态与正常用户有明显差异为基础,结合窃电用户用电量存在突变的特点定义聚类指标能识别窃电用户。与之类似的,基于分类的窃电检测也是将检测到的窃电用户负荷曲线作为模板进行比较来识别窃电。
上述两大类型窃电检测方法中,前者具有确切的物理概念,可准确识别定位窃电用户,但适用范围有限,相当比例的窃电(如:绕表接电、私自改变互感器变比等)不能根据简单物理规则直接判断。基于聚类/分类的窃电检测的核心思想是窃电用户用电负荷曲线陡降,但实际生产中设备大修、停产改造、消防整改、环保检查和安全检查等原因均可造成用户用电量突变,容易与窃电导致的用电量陡降混淆。因此,基于用电负荷突变判据检测窃电的方法在工程应用中普遍存在误判率高的问题。实际电网利用聚类/分类算法进行窃电检测时,误判率甚至高于80%,窃电检测算法采用的窃电判据本身容易误判的问题严重阻碍了基于聚类/分类算法进行窃电检测的推广应用,亟待对窃电检测检出的窃电用户进行二次筛选而排除正常用户、降低窃电检测误判率的方法,以提高智能窃电检测的实用化水平。
此外,因为窃电用户窃电电量直接对应用户接入配电变压器/配电线路线损电量,也有研究根据配电变压器/配电线路线损电量的显著上升将接入配电变压器/配电线路的所有用户作为窃电用户,此时检测的目标是根据用户在配电变压器/配电线路线损电量突变前后的负荷数据判断是否为窃电用户。
非侵入式负荷分析是近年来的研究热点,是一种根据智能电表记录的用户用电数据识别用电负荷构成与消费行为习惯的方法。非侵入式负荷分析方法可根据暂态负荷指纹(跳变幅度陡度、启动瞬间谐波与脉冲特性等)和稳态负荷指纹(功率因数、谐波含量、负荷曲线形态、持续时间、功率大小等)分析用户的用电负荷构成,进而识别用户的用电消费习惯等深层信息。目前,已出现了可根据计量数据识别用户负荷构成并测算每个负荷用电量的新型非侵入式负荷分析电表。
发明内容
参照非侵入式负荷分析的思想,有可能将电力用户的三相负荷、三相用电量、三相功率因数、三相谐波含量和三相电流等用作用电负荷指纹,根据用电负荷指纹识别它所处的生产经营状态。对于大工业及一般工商业用户而言,其用电负荷构成、生产经营以及不同生产经营状态下所启用的生产用电设备是基本确定的。工商业用户一般按天为单位来制定生产经营排班计划,而在一种生产经营状态下投用的用电设备是基本固定的,因此可以将一天之中不同时间段(如15分钟、30分钟或60分钟)间隔记录的三相功率、三相用电量、三相电流、三相功率因数及谐波含量等指标用作用电负荷指纹来表征用户当天所属的生产经营状态,如可以根据单个用电负荷指纹(如每隔15分钟间隔记录的三相功率则每天为96个三相功率数据),也可以根据多个用电负荷指纹的组合(如每隔15分钟间隔记录的三相功率与三相功率因数)来表征用户的生产经营状态。因为相同的生产经营状态下用电模式对应的用电负荷指纹相近,可以根据用户一段时间(如一年)中每天的用电负荷指纹进行聚类,即可判断该用户有哪些用电模式及对应的生产经营状态。正常用户总在有限的经营状态之间切换,此时就算用电量发生突降,从负荷指纹来看也只是从用电量多的生产经营状态切换进入到用电量低的生产经营状态。但窃电不仅仅会导致用电量降低,还会导致负荷指纹结构的突变,使得进行用电负荷指纹聚类时形成不同于正常生产经营状态时的新的类别。
对于单个用户而言,它的生产经营状态的数量总是有限的,经过一段时间总能遍历正常生产、部分停工检修、放假停工、旺季赶工、淡季半休假等不同模式的正常生产经营状态。在每种生产经营状态下将会有相对固定的电器设备投用组合形成对应的用电模式。如在长假停工的生产经营状态下,全天仅有低功率的单相负荷用电,此时谐波含量和功率水平不高,但由于负荷可能集中在某一相而具有较高的三相负荷不对称性;正常生产经营状态下,可能白天有大量大功率三相对称电器设备投用,夜间仅保留低功率单相照明负荷,此时对应白天时段的三相功率的对称度、负荷水平以及谐波含量都比较高,而夜间则三相功率的对称度、负荷水平以及谐波含量都比较低;在旺季赶工生产经营状态下,可能全天的三相功率的对称度、负荷水平以及谐波含量都会比较高。此外,用户在不同生产经营状态下投用设备以及无功补偿投切决定的一天中不同时间段(如工作时段和夜间休息时段)三相功率因数,也可标识用户的生产经营状态。用户在不同生产经营状态之间切换时,不但会造成日用电量的下降,实际上在对应的用电负荷指纹上也会有所体现。根据用电负荷指纹的聚类,可以识别出用户所处的生产经营状态。
当用户进行窃电时,部分或全部用电负荷用电不经电表计量。一方面会造成计量电量的减少;另一方面,在电表计量数据体现的三相负荷/电流水平、功率因数及谐波含量等指标在状态空间中将明显偏离原有的正常生产经营状态。因此,可以对现有窃电检测检出的窃电用户的用电负荷指纹进行聚类,通过聚类分析将用电负荷指纹聚成标识不同用电模式的类别,诊断用户在用电量突降异常时与正常用电时段的生产经营状态差异。如果用电量异常时段的用电负荷指纹聚类的类别包含在正常用电时段的用电负荷指纹聚类的类别中,则认为用电量突降是由于用户正常的生产经营状态变户造成的,无需告警和进行窃电稽查;如果用电量突降后的用电负荷指纹聚类形成新的聚类类别,则将该用户识别为窃电用户,从而识别外界干扰造成的用电量陡降,降低窃电告警误报率。
因此,本发明的目的是,提供一种基于用电负荷指纹的低误报率窃电检测二次筛选方法,对疑似窃电用户通过用电负荷指纹的聚类分析进行二次窃电筛选,以识别用户生产经营状态的变化,从而更加准确地识别出真正的窃电用户。
为此,本发明所采用的技术方案为:一种基于用电负荷指纹的低误报率窃电检测二次筛选方法,该方法步骤如下:
a.采集疑似窃电用户按相同时间段进行间隔记录且包含有疑似窃电时段的用电负荷指纹数据;
本文中提及的疑似窃电用户是基于用户的用电量显著下降或者基于接入的配电线路/配电变压器的线损电量显著上升按现有窃电检测方法(现有窃电检测方法参照背景技术所提及的)检出的。由于用户窃电时可能造成自身用电量显著下降或者是接入配电线路/配电变压器的线损电量显著上升,因此本文中提及的显著变化(显著下降或显著上升)即指突变。而疑似窃电时段则是用户的用电量或者接入的配电线路/配电变压器的线损电量发生显著变化的时段。
上述提及的疑似窃电用户的用电负荷指纹为三相功率、三相用电量、三相功率因数、三相电流或三相谐波含量中的一种或几种组合,该用电负荷指纹数据从智能电表记录的用户用电数据中采集,较佳的,采集一年的数据为宜。
较佳的,上述提及的按相同时间段进行间隔记录中的时间段为15分钟、30分钟、或60分钟,即每隔15分钟、30分钟、或60分钟进行采样记录。
b.以疑似窃电用户每日的用电负荷指纹数据为单位作为聚类指标,对疑似窃电用户在用电量显著下降前后的用电负荷指纹进行聚类分析,并确定疑似窃电用户在用电量显著下降之前和之后的用电模式类别;或者是对疑似窃电用户在接入配电线路/配电变压器的线损电量显著上升前后的用电负荷指纹进行聚类分析,并确定疑似窃电用户在接入配电线路/配电变压器的线损电量显著上升之前和之后的用电模式类别;
上述提及的对用电量显著下降或接入配电线路/配电变压器线损电量显著上升前后的用电负荷指纹进行聚类的方法为本领域内的常规技术,任何不要求指定聚类数量的聚类方法都适用于本发明。
较佳的,聚类前可对上述采集的用电负荷指纹数据采用Min-Max标准化进行统一的无量纲处理。如,当负荷指纹为三相负荷时,最大值和最小值取为所有负荷指纹中单相负荷的最大值和最小值;当负荷指纹为三相用电量时,最大值和最小值取为所有负荷指纹中单相用电量的最大值和最小值;当负荷指纹为三相功率因数时,最大值和最小值取为所有负荷指纹中单相功率因数的最大值和最小值;当负荷指纹为三相谐波含量时,最大值和最小值取为所有负荷指纹中单相谐波含量的最大值和最小值。其中,Min-Max标准化为本领域的现有技术,采用Min-Max标准化处理后可以提高聚类精度,使聚类程序运行时收敛更快。
c.比较疑似窃电用户的用电量显著下降前后的用电负荷指纹所属的用电模式类别或者是接入配电线路/配电变压器的线损电量显著上升前后的用电负荷指纹所属的用电模式类别,若该疑似窃电用户的用电量显著下降之后的用电负荷指纹所属的用电模式类别含在用电量显著下降之前的用电模式类别中,或者该疑似窃电用户的接入配电线路/配电变压器的线损电量显著上升之后的用电负荷指纹所属的用电模式类别含在显著上升之前的用电模式类别中,则该疑似窃电用户为正常用户,否则为窃电用户。
本方法借助用电负荷指纹聚类分析的方式,对识别出含用电量突变或接入配电线路/配电变压器线损电量突变的用户用电数据进行基于三相平衡、功率因数、谐波含量等指标表征的用电模式的突变检测,当用电量显著下降或接入配电线路/配电变压器的线损电量显著上升时段的用电模式的类别含在用户已有的(如春节等假日期间)用电模式类别中时,未形成新的聚类类别,可识别为正常的负荷突变,是用户进入正常的低用电量生产经营状态所致;当用电量显著下降或线损电量显著上升而用电模式的类别与已有用电模式类别有明显差异,并形成新的聚类类别时,可识别为窃电,发出窃电警告,进行现场稽查确认。本方法可识别由限电、环保检查、安全检查等原因导致停产用户的用电量突变,通过降低窃电误报率提高窃电稽查的靶向性,降低非技术性线损,具有重要的理论意义与实际应用价值。
附图说明
图1是本发明的方法流程框图。
图2是本发明实施例用户历史负荷曲线。
图3是本发明实施例用户各聚类中心对应的三相功率曲线;
其中:a-类别中心1,b-类别中心2,c-类别中心3,d-类别中心4,e-类别中心5,f-类别中心6。
图4是本发明实施例用户各聚类中心对应的标幺化三相功率散点云图;
其中:a-类别中心1,b-类别中心2,c-类别中心3,d-类别中心4,e-类别中心5,f-类别中心6。
具体实施方式
结合参见图1,本发明为一种基于用电负荷指纹的低误报率窃电检测二次筛选方法,该方法具体步骤如下:
a.采集疑似窃电用户按相同时间段进行间隔记录且包含有疑似窃电时段的用电负荷指纹数据;
上述提及的用电负荷指纹则为三相功率、三相用电量、三相功率因数、三相电流或三相谐波含量中的一种或几种组合。
较佳的,上述提及时间段为15分钟、30分钟、或60分钟,即按15分钟、30分钟、或60分钟进行间隔记录。
b.以疑似窃电用户每日的用电负荷指纹数据为单位作为聚类指标,对疑似窃电用户在用电量显著下降前后的用电负荷指纹或者是接入配电线路/配电变压器的线损电量显著上升前后的用电负荷指纹进行聚类分析,并确定疑似窃电用户在用电量显著下降前后或者是接入配电线路/配电变压器的线损电量显著上升前后的用电负荷指纹通过聚类得到的用电模式类别;
上述提及的在用电量或线损电量显著下降前后的用电负荷指纹进行聚类的方法为本领域内的常规技术,任何不要求指定聚类数量的聚类方法都适用于本发明。这里采用近邻传播(Affinity Propagation,AP)聚类做具体说明。
近邻传播聚类算法的基本思路是:是将所有初始样本X={xi,i=1,2,…M看作网络的节点,然后通过网络中各条边的消息传递计算出各样本的聚类中心(Exemplar)。聚类过程中,共有两种消息在各节点间传递,分别是吸引度r(responsibility)和归属度a(availability)。近邻传播算法通过迭代过程不断更新每一个点的吸引度和归属度值,直到产生m个高质量的聚类中心,同时将其余所有的样本点分配到相应的聚类中。具体算法如下:
S2:选取偏向参数P,表示数据点被选作聚类中心的倾向性,P的取值决定近邻传播算法输出的类别,由于在无先验知识时,将所有数据点都视为潜在的类代表,故将P设定为相似度矩阵s中元素的均值。
S3:计算样本点之间的吸引度r和归属度值a,吸引度r(i,k)表示数据点k适合作为数据点i的类代表的吸引程度;归属度a(i,k)表示数据点i选择点k作为它的类代表的归属程度,计算公式为:
S4:更新r和a,下标t和t+1分别代表上一次和本次更新消息的最终结果。λ为衰减系数,0≤λ≤1,用于调节算法收敛速度和迭代过程的稳定性,这里设置λ=0.5,根据衰减系数λ对以下两个公式迭代计算,设置最大迭代次数T:
rt+1(i,k)=λ*rt(i,k)+(1-λ)*rt(i,k)
at+1(i,k)=λ*at(i,k)+(1-λ)*at(i,k);
S5:对各个数据点的归属度和吸引度进行求和,确定聚类中心。当a(i,k)+r(i,k)取的最大值时,若i=k,则可确定i是聚类中心;若i≠k,则可以确定k是i的聚类中心。
S6:如果迭代次数超过最大迭代次数T或者当聚类中心在若干次迭代中不发生改变时停止计算,确定聚类中心及各类的样本点;否则返回S3继续计算。
通过上述算法得到的不同的聚类中心分别表示不同的用电模式,用电模式类别即为聚类类别。
c.比较判断疑似窃电用户的用电量显著下降之后的用电负荷指纹所属用电模式的类别或者是接入配电线路/配电变压器的线损电量显著上升之后的用电负荷指纹所属用电模式的类别是否含在该疑似窃电用户的用电量显著下降之前的用电模式类别中或者是接入配电线路/配电变压器的线损电量显著上升之前的用电模式类别之中,若是则该疑似窃电用户为正常用户,否则为窃电用户。
本方法通过聚类技术对一天中按相同时间段进行间隔记录的三相功率、三相用电量、三相电流、三相功率因数或三相谐波含量等用电负荷指纹聚类后,在状态空间中绘制用户用电量显著下降或接入配电线路/配电变压器的线损电量显著上升之后的用户用电负荷指纹,根据其是否包含在突变前已有用电负荷指纹的聚类类别中,从而判断是否为生产经营状态正常切换造成的误判窃电。如用电量显著下降或线损电量显著上升之后的用户负荷指纹的用电模式类别含在突变之前的用电负荷指纹用电模式类别中,没有形成新的类别,则判别为误判窃电,即该疑似窃电用户为正常用户,用电量突变为正常生产经营状态改变所致;如果用电量显著下降或线损电量显著上升之后,部分用电负荷指纹形成与已有用电模式类别不同的新增用电模式类别,则确实为窃电用户。
实施例1
以某单相窃电纺织厂用户为例具体说明本发明所提方法筛选用户用电异常的流程和效果。从智能电表中选取该用户2019年全年瞬时有功及三相功率数据做具体分析,数据样本包含疑似窃电时段以及正常用电时段,采样间隔为15分钟,用户全年电量负荷曲线如图2所示。图2横轴为日期,纵轴为每天的用电量。其中,第一个阴影区段为疑似窃电(8月9日至9月2日),第二个阴影区段为国庆长假。
由图2可见:
●纺织厂用电负荷具有明确的周期性,周末的用电负荷明显低于工作日;
●2月上旬为春节长假,用户处于完全停产状态,春节长假前后用电负荷随人员返乡和返程而逐渐跌落和恢复。
●8月中下旬,用户用电量明显下降。经现场稽查,确认用户采用电流互感器B相分流方式窃电,该相计量负荷仅为真实负荷20%左右。窃电时段为8月9日至9月2日。
●五一长假的第一天用电量和十一长假的前4天,用户接近停产。清明节用电负荷也有明显下降。
采用近邻传播聚类算法对该用户窃电时段及其前后历时三相功率进行聚类分析,近邻传播聚类算法参数设置为:衰减系数λ设置为0.5;设置最大迭代次数T为500次,聚类中心最大迭代不发生改变的次数t为50次,参考度设置为相似度矩阵中所有值的中位数。算法将窃电时段及之前共9个月的数据聚为6个类别,各类别日期构成、对应生产经营状态及类别中心列如下表1。为方便比对说明,还将各类别中心的日负荷曲线及三相瞬时功率散点云图绘制如图3和图4。图3中每一子图为一个类别的中心,横轴为一天的24小时,纵轴为功率大小,三根曲线分别标识一天中每隔15分钟的A、B、C三相功率。图4中每一子图为对应图3的同标号子图的类别中心,三个坐标轴分别为A、B、C三相标幺化以后的功率,每个子图中有96个数据点对应每15分钟记录的三相功率。
表1聚类类别说明
结合表1和图3-图4,对各类别详细分析说明如下:
●类别1标识的是用户在春节、五一等法定长假时的生产经营状态,此时工人休假、机器停工,仅有照明等基础用电,用电量极少,在三相功率散点图中集中在右下角零功率和底部功率较低位置分布。
●类别2标识的是用户在正常工作日的生产经营状态。纺织厂为倒班生产模式,设备不停机运行,负荷全天分布较均匀,昼间略大于夜间;因全天负荷均较大,所有功率散点远离零功率的右下角和功率较低的底部,在散点图中上部沿对角线分散分布。
●类别3标识的是春节前后工人陆续返乡/返工时段,在此期间因开工不足仅部分设备在白天投产,夜间休息,负荷略小于正常工作日;三相功率散点图上分为两部分,白天的计量数据与类别2类似地在散点图中上部沿对角线分散分布,而夜间计量数据集中在零功率的右下角。
●类别4标识的是正常周休日和清明节,该纺织厂周休日设置在周五,昼夜负荷水平均明显小于类别2标识的正常工作日,三相功率散点云图靠下部分布。
●类别5和类别6标识的分别是窃电的正常工作日和周休日,由于B相分流近80%,在类别中心日的日负荷曲线上明显低于其它两相;在散点云图上两者都明显偏离对角线,在图右侧靠近B相低功率区域分布。其中类别6因为白天轻载,在散点图零功率的右下角紧密聚集。因此,用电量下降时段分别形成两个与之前有差异的新类别。
●由于用电量下降之后时间段负荷数据与之前的负荷数据聚类形成了不同的类别,可以将该段用电量下降的疑似用电异常归结为窃电所致,需告警进行现场稽查。
Claims (5)
1.一种基于用电负荷指纹的低误报率窃电检测二次筛选方法,其特征在于:该方法步骤如下:
a.采集疑似窃电用户按相同时间段进行间隔记录且包含有疑似窃电时段的用电负荷指纹数据;
b.以疑似窃电用户每日的用电负荷指纹数据为单位作为聚类指标,对疑似窃电用户在用电量显著下降前后或者是接入配电线路/配电变压器的线损电量显著上升前后的用电负荷指纹进行聚类分析,并确定疑似窃电用户在用电量显著下降前后的用电负荷指纹或者是接入配电线路/配电变压器的线损电量显著上升前后的用电负荷指纹通过聚类得到的用电模式类别;
c.比较判断疑似窃电用户的用电量显著下降之后或者是接入配电线路/配电变压器的线损电量显著上升之后的用电负荷指纹所属的用电模式类别是否含在该疑似窃电用户的用电量显著下降之前或接入配电线路/配电变压器的线损电量显著上升之前的用电模式类别之中,若是则该疑似窃电用户为正常用户,否则为窃电用户。
2.根据权利要求1所述的基于用电负荷指纹的低误报率窃电检测二次筛选方法,其特征在于,所述步骤a中的用电负荷指纹为三相功率、三相用电量、三相功率因数、三相电流或三相谐波含量中的一种或几种组合。
3.根据权利要求1或2所述的基于用电负荷指纹的低误报率窃电检测二次筛选方法,其特征在于,所述步骤a中按相同时间段进行间隔记录是指按15分钟、30分钟、或60分钟进行间隔记录。
4.根据权利要求1所述的基于用电负荷指纹的低误报率窃电检测二次筛选方法,其特征在于,所述步骤a中的疑似窃电用户是基于用户的用电量突变或者基于接入配电线路/配电变压器的线损电量突变按现有窃电检测方法检出的。
5.根据权利要求1所述的基于用电负荷指纹的低误报率窃电检测二次筛选方法,其特征在于,所述步骤a中疑似窃电用户的用电负荷指纹数据从智能电表记录的用户用电数据中采集。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010160079.XA CN111310854A (zh) | 2020-03-10 | 2020-03-10 | 基于用电负荷指纹的低误报率窃电检测二次筛选方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010160079.XA CN111310854A (zh) | 2020-03-10 | 2020-03-10 | 基于用电负荷指纹的低误报率窃电检测二次筛选方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111310854A true CN111310854A (zh) | 2020-06-19 |
Family
ID=71145621
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010160079.XA Pending CN111310854A (zh) | 2020-03-10 | 2020-03-10 | 基于用电负荷指纹的低误报率窃电检测二次筛选方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111310854A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112162136A (zh) * | 2020-09-14 | 2021-01-01 | 佰聆数据股份有限公司 | 应用于配电网融合终端的防窃电方法及*** |
CN112329895A (zh) * | 2021-01-05 | 2021-02-05 | 国网江西综合能源服务有限公司 | 一种具有窃电嫌疑的用户的识别方法及装置 |
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*** |
CN116070162A (zh) * | 2023-03-06 | 2023-05-05 | 国网浙江省电力有限公司宁波供电公司 | 一种反窃电监测方法及*** |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012111377A1 (ja) * | 2011-02-16 | 2012-08-23 | パナソニック株式会社 | 電力使用監視装置、電力使用監視システム |
CN104751260A (zh) * | 2013-12-30 | 2015-07-01 | 通用电气公司 | 识别计量表异常读数的***及方法 |
CN106682079A (zh) * | 2016-11-21 | 2017-05-17 | 云南电网有限责任公司电力科学研究院 | 一种基于聚类分析的用户用电行为检测方法 |
CN108593990A (zh) * | 2018-06-04 | 2018-09-28 | 国网天津市电力公司 | 一种基于电能用户用电行为模式的窃电检测方法和应用 |
CN110568238A (zh) * | 2019-10-15 | 2019-12-13 | 长沙理工大学 | 基于用电行为特性的路灯专变窃电检测分析方法 |
-
2020
- 2020-03-10 CN CN202010160079.XA patent/CN111310854A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012111377A1 (ja) * | 2011-02-16 | 2012-08-23 | パナソニック株式会社 | 電力使用監視装置、電力使用監視システム |
CN104751260A (zh) * | 2013-12-30 | 2015-07-01 | 通用电气公司 | 识别计量表异常读数的***及方法 |
CN106682079A (zh) * | 2016-11-21 | 2017-05-17 | 云南电网有限责任公司电力科学研究院 | 一种基于聚类分析的用户用电行为检测方法 |
CN108593990A (zh) * | 2018-06-04 | 2018-09-28 | 国网天津市电力公司 | 一种基于电能用户用电行为模式的窃电检测方法和应用 |
CN110568238A (zh) * | 2019-10-15 | 2019-12-13 | 长沙理工大学 | 基于用电行为特性的路灯专变窃电检测分析方法 |
Non-Patent Citations (1)
Title |
---|
王桂兰等: ""大规模用电数据流的快速聚类和异常检测技术"", 《电力***自动化》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112162136A (zh) * | 2020-09-14 | 2021-01-01 | 佰聆数据股份有限公司 | 应用于配电网融合终端的防窃电方法及*** |
CN112329895A (zh) * | 2021-01-05 | 2021-02-05 | 国网江西综合能源服务有限公司 | 一种具有窃电嫌疑的用户的识别方法及装置 |
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*** |
CN116070162A (zh) * | 2023-03-06 | 2023-05-05 | 国网浙江省电力有限公司宁波供电公司 | 一种反窃电监测方法及*** |
CN116070162B (zh) * | 2023-03-06 | 2023-08-29 | 国网浙江省电力有限公司宁波供电公司 | 一种反窃电监测方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111310854A (zh) | 基于用电负荷指纹的低误报率窃电检测二次筛选方法 | |
CN110097297A (zh) | 一种多维度窃电态势智能感知方法、***、设备及介质 | |
EP1309062A2 (en) | Apparatus and method for determining days of the week with similar utility consumption profiles | |
CN112288303B (zh) | 确定线损率的方式、装置 | |
CN116522746A (zh) | 高耗能企业配电托管方法 | |
Hartmann et al. | Suspicious electric consumption detection based on multi-profiling using live machine learning | |
CN114878934A (zh) | 一种电能耗数据异常预警方法 | |
CN111160993A (zh) | 基于用户负荷报装的用户实用及阶段释放系数的分析方法 | |
CN117610214B (zh) | 一种基于动态地理特征的配电网接线智能规划方法 | |
CN110298765A (zh) | 一种基于客观关联因素的配电网用电功率异常检测方法 | |
CN110750760A (zh) | 一种基于态势感知和控制图的异常理论线损检测方法 | |
Lin et al. | The data mining application in the power quality monitoring data analysis | |
CN112598257A (zh) | 一种基于大数据特征挖掘的停电分析方法及*** | |
CN109245109B (zh) | 一种供电低电压预警***及方法 | |
CN113723671B (zh) | 一种基于用电情况大数据的数据聚类分析方法 | |
Wu et al. | Survey on negative line loss rate of transformer region: rectification measures and challenges | |
Ya’An | Application of artificial intelligence in computer network technology in the era of big data | |
Dashti et al. | Decisions, Decisions: An Asset Management—Based Distribution System Framework | |
CN114839462A (zh) | 一种智能反窃电监察方法和*** | |
CN114168662A (zh) | 一种基于多数据源的配电网问题梳理分析方法及*** | |
CN114638537A (zh) | 一种数字化智慧电网区域管理方法、***及存储介质 | |
Li et al. | Research and design of power Visualization intelligent management platform based on big data technology | |
Grigoras et al. | Knowlegde extraction from Smart Meters for consumer classification | |
Li et al. | Research on Key Technology of State Evaluation and Replacement Acquisition System of Intelligent Electric Energy Meter Based on Smart Grid | |
Shikhin et al. | Significant Events Detection and Identification through Electrical Grid Load Profile |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200619 |
|
RJ01 | Rejection of invention patent application after publication |