CN112036725B - 一种电能表故障识别方法 - Google Patents
一种电能表故障识别方法 Download PDFInfo
- Publication number
- CN112036725B CN112036725B CN202010860367.6A CN202010860367A CN112036725B CN 112036725 B CN112036725 B CN 112036725B CN 202010860367 A CN202010860367 A CN 202010860367A CN 112036725 B CN112036725 B CN 112036725B
- Authority
- CN
- China
- Prior art keywords
- electric energy
- energy meter
- last
- value
- data
- 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
- 238000000034 method Methods 0.000 title claims abstract description 21
- 230000002159 abnormal effect Effects 0.000 claims abstract description 69
- 230000005611 electricity Effects 0.000 claims abstract description 28
- 238000010606 normalization Methods 0.000 claims abstract description 14
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 10
- 238000007637 random forest analysis Methods 0.000 claims abstract description 9
- 238000012545 processing Methods 0.000 claims abstract description 8
- 238000012795 verification Methods 0.000 claims abstract description 5
- 238000004364 calculation method Methods 0.000 claims description 71
- 230000002354 daily effect Effects 0.000 claims description 51
- 230000003203 everyday effect Effects 0.000 claims description 21
- 230000005856 abnormality Effects 0.000 claims description 15
- 238000009434 installation Methods 0.000 claims description 9
- 238000007405 data analysis Methods 0.000 description 5
- 238000012216 screening Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 3
- 238000003066 decision tree Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012549 training Methods 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
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R35/00—Testing or calibrating of apparatus covered by the other groups of this subclass
- G01R35/04—Testing or calibrating of apparatus covered by the other groups of this subclass of instruments for measuring time integral of power or current
-
- 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
- G06Q10/20—Administration of product repair or maintenance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/80—Management or planning
- Y02P90/82—Energy audits or management systems therefor
-
- 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
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种电能表故障识别方法,其包括抽取电能表档案数据、检定结论数据、运行电压、电流、电量、异常事件数据、拆回批次数据、天气数据特征,构建档案数据类指标、异常数据类指标、电能表示值数据类指标、天气数据类指标;对上述指标的数据特征进行最大值最小值归一化处理,并利用随机森林模型选择对电能表重要程度较高的前N个数据特征;利用XGboost算法建立电能表故障识别模型,对电能表故障概率进行识别,判断电能表是否会发生故障;本发明能及时发现发生故障的电能表,提醒业务人员检修,避免被动检修造成的电网和用户损失,且仅对用电信息采集***和气象***中的数据进行分析,就能对电能表故障进行评估,无需额外设备投资。
Description
技术领域
本发明属于电力大数据应用技术领域,具体是一种电能表故障识别方法。
背景技术
为贯彻落实国家电网公司建设和构建智能电网、智能用电的发展战略与服务体系,智能电能表伴随着智能电网在我国的兴起也得到推广应用。然而,早期安装的智能表面临着拆回检定再利用的问题,本发明利用电力数据针对电能表进行故障识别,实现电能表的主动识别,辅助业务人员进行故障检修。
发明内容
本发明所要解决的技术问题是提供一种电能表故障识别方法,能有效诊断出存在故障的电能表。
本发明所采用的技术方案是:
一种电能表故障识别方法,其特征在于其包括如下步骤:
抽取电能表档案数据、检定结论数据、运行电压、电流、电量、异常事件数据、拆回批次数据、天气数据特征,构建档案数据类指标、异常数据类指标、电能表示值数据类指标、天气数据类指标;
对上述指标的数据特征进行最大值最小值归一化处理,并利用随机森林模型选择对电能表重要程度较高的前N个数据特征;
利用XGboost算法建立电能表故障识别模型,对电能表故障概率进行识别,判断电能表是否会发生故障。
进一步的,所述档案数据类指标包括运行时长、用电类别、装拆次数三项特征。
进一步的,所述异常数据类指标包括异常事件次数、示值异常率、电压超压次数、低电压次数四项特征。
进一步的,电能表示值数据类指标包括上三月电压统计指标、上三月电流统计指标以及上三月电量统计指标;
所述上三月电压统计指标包括:上一月、上二月、上三月三相电压均值最大值、最小值、均值、方差;上一月、上二月、上三月三相电压最大值最大值、最小值、均值、方差;上一月、上二月、上三月三相电压最小值最大值、最小值、均值、方差;
所述上三月电流统计指标包括:上一月、上二月、上三月三相电流均值最大值、最小值、均值、方差;上一月、上二月、上三月三相电流最大值最大值、最小值、均值、方差;上一月、上二月、上三月三相电流最小值最大值、最小值、均值、方差;
所述上三月电量统计指标包括:上一月电量之和、均值、方差、采集率,上二月电量之和、均值、方差、采集率,上三月电量之和、均值、方差、采集率。
进一步的,所述天气数据类指标包括:上三月气温统计指标以及上三月湿度统计指标;
所述上三月气温统计指标包括:上一月最高气温最大值、最小值、均值、方差,上二月最高气温最大值、最小值、均值、方差,上三月最高气温最大值、最小值、均值、方差,上一月最低气温最大值、最小值、均值、方差,上二月最低气温最大值、最小值、均值、方差,上三月最低气温最大值、最小值、均值、方差;
所述上三月湿度统计指标包括:上一月最大湿温最大值、最小值、均值、方差,上二月最大湿温最大值、最小值、均值、方差,上三月最大湿温最大值、最小值、均值、方差。
进一步的,所述运行时长为最近一次电能表运行日期与电能表初始安装日期的差值,记为S,
S=Li-Bi (1)
其中,Li为最近一次电能表运行日期,Bi为电能表初始安装日期。
进一步的,异常事件次数为待分析电能表前三个月发生的异常事件次数,记为Lt,
公式(2)中,n为待分析电能表前三个月的天数,li为待分析周期内每日发生的异常事件次数;
示值异常率的计算方法为:电能表电量示值数据每天采集1次,统计待分析电能表前三个月内,电能表每日电量大于电量均值的1.2倍,并且电量均值大于100,并且持续天数小于30天,记录一次异常,异常出现的次数与总天数的比值为异常率,记为Pt,其计算公式如下
公式(3)中,n为待分析周期的天数,Ti为出现示值异常的次数;
所述电压超压次数的计算方法为:电能表电压数据每天整点采集1次,一天共计24次,以电能表采集点的电压大于1.2倍的额定电压,持续3个及以上采集点,定义为电压超压,统计待分析周期内,电压超压次数,其计算公式如下,
公式(4)中,N代表每日出现的电压超压次数,Mt为待分析周期内的电压超压次数;
低电压次数的计算方法为:电能表电压数据每天整点采集1次,一天共计24次。则每个采集点的低电压率Vi计算公式如(5)所示
公式(5)中U220为标准电压,Ui为电能表每天的24个采集点电压。
进一步的,电能表示值数据类指标计算时,
上三月电压统计指标的计算方法为:
电能表三相电压数据每天采集24点,将三相电压的日度均值、最大值、最小值作为基础数据,其计算公式如下:
Umax=max(Ua+Ub+Uc) (6)
Umin=min(Ua+Ub+Uc) (7)
其中,Umax为电能表的日度电压最大值,Umin为电能表的日度电压最小值,Uavg为电能表的日度电压均值。
利用公式(6)的统计结果数据,用一个月的数据进行分组统计电能表月度电压均值、月度电压最大值、月度电压最小值、月度电压方差,其计算公式如下:
Umax=max(U1,U2,......,Un) (9)
Umin=min(U1,U2,......,Un) (10)
Uavg=avg(U1,U2,......,Un) (11)
Udev=dev(U1,U2,......,Un) (12)
上述公式中,Umax为电能表的月度电压最大值,Umin为电能表的月度电压最小值,Uavg为电能表的月度电压均值,Udev为电能表的月度电压方差,U1为公式(6)的计算结果,代表日度电压的最大值,n为一月中采集到电压的天数,同理,利用公式(7),(8)的计算结果作为输入数据,利用公式(9),(10),(11),(12)进行计算,得到电压的统计指标;
得到上一个月、上二个月、上三个月电压统计指;
上三月电流统计指标的计算方法为:电能表三相电流数据每天采集24点,将三相电流的日度均值、最大值、最小值作为基础数据,其计算公式如下:
Imax=max(Ia+Ib+Ic) (13)
Imin=min(Ia+Ib+Ic) (14)
其中,Imax为电能表的日度电流最大值,Imin为电能表的日度电流最小值,Iavg为电能表的日度电流均值。
利用公式(13)的统计结果数据,用一个月的数据进行分组统计电能表月度电流均值、月度电流最大值、月度电流最小值、月度电流方差,其计算公式如下:
Imax=max(I1,I2,......,In) (16)
Imin=min(I1,I2,......,In) (17)
Iavg=avg(I1,I2,......,In) (18)
Idev=dev(I1,I2,......,In) (19)
其中,Imax为电能表的月度电流最大值,Imin为电能表的月度电流最小值,Iavg为电能表的月度电流均值,Idev为电能表的月度电流方差,I1为公式(13)的计算结果,代表日度电流的最大值,n为一月中采集到电流的天数,同理,利用公式(14),(15)的计算结果作为输入数据,利用公式(16),(17),(18),(19)进行计算得到电流的统计指标;
得到上一个月、上二个月、上三个月电流统计指标;
上三月电量统计指标的计算方法为:电能表的电量每天采集一次,将电能表每日电量数据按月求和、取均值、取方差,作为电量统计指标的基础数据,其计算公式如下:
Psum=sum(P1,P2,......,Pn) (20)
Pavg=avg(P1,P2,......,Pn) (21)
Pdev=dev(P1,P2,......,Pn) (22)
其中,Psum为电能表日度电量之和,Pavg为电能表日度电量的均值,Pdev为电能表日度电量的方差,P为电能表的日度电量,n为一个月采集到电量的天数。
利用公式(20)的计算结果,按月度进行分组统计,计算电量之和的最大值、最小值、均值、方差,其计算公式如下:
Pmax=max(P1,P2,......,Pn) (23)
Pmin=min(P1,P2,......,Pn) (24)
Pavg=avg(P1,P2,......,Pn) (25)
Pdev=dev(P1,P2,......,Pn) (26)
其中,Pmax为电能表月度电量之和的最大值,Pmin为电能表月度电量之和的最小值,Pavg为电能表月度电量之和均值,Pdev为电能表月度电量之和的方差,P为公式(20)的计算结果,代表月度电量之和;同理,利用公式(21)、(22)的计算结果作为输入数据,利用公式(23)、(24)、(25)、(26)计算分别得到月度电量均值的最大值、月度电量均值的最小值、月度电量均值的均值、月度电量均值的方差、月度电量方差的最大值、月度电量方差的最小值、月度电量方差的均值、月度电量方差的方差;
得到上一个月、上二个月、上三个月电量统计指标。
进一步的,在计算天气数据类指标时,
上三月气温统计指标的计算方法为:气象***的气温数据每天整点采集一次,取每天气温数据的最大值与最小值作为各统计指标的基础数据,按月度对最高气温进行分组,得到最高气温的最大值、最高气温的最小值、最高气温的均值、最高气温的方差,其计算公式如下:
Qmax=max(Q1,Q2,......,Qn) (27)
Qmin=min(Q1,Q2,......,Qn) (28)
Qavg=avg(Q1,Q2,......,Qn) (29)
Qdev=dev(Q1,Q2,......,Qn) (30)
其中,Qmax为最高气温的最大值,Qmin为最高气温的最大值,Qavg为最高气温的均值,Qdev为最高气温的方差,Q为电能表安装地点当日最高气温,n为天气***当月采集到气温的天数,同理,利用上述公式计算最低气温的最大值,最低气温的最小值、最低气温的均值、最低气温的方差;
利用上述公式分别计算上一个月、上二个月、上三个月的气温统计数据;
上三月湿度统计指标的计算方法为:气象***的湿度数据每天整点采集一次,取每天气温数据的最大值作为各统计指标的基础数据,按月度对最大湿度进行分组,得到最大湿度的最大值、最大湿度的最小值、最大湿度的均值、最大湿度的方差,利用上述公式(27)、(28),(29)、(30)得到上一个月、上二个月、上三个月的湿度统计数据。
进一步的,最大值最小值归一化处理的方法包括:
设置每项特征值上限和下限:将电能表的异常事件次数从大到小排序,选取异常事件次数前20%位置,对应严异常事件次数作为最大值,对超过最大值的异常事件次数用最大值代替,将0设置为异常事件次数的最小值,同理,设置示值异常率、电压超压次数、低电压次数特征的上限和下限;
最大值最小值归一化:为消除各类数据量纲不一致的问题,采用最大值最小值归一化对处理好的数据进行归一化处理,
式(31)中,Cserious_i代表第i个电能表标准化前的异常事件次数,Cserious_max表示所有待评估电能表中异常事件次数的最大值,Cserious_min表示异常事件次数的最小值,C′serious_i表示第i个电能表异常事件次数标准化后的数值
同理,按公式(31)对其他项特征进行归一化处理。
本发明的积极效果为:
1、本发明仅对用电信息采集***和气象***中的数据进行分析,就能对电能表故障进行评估,无需额外设备投资。
2、本发明能及时发现发生故障的电能表,提醒业务人员及时检修,避免被动检修造成的电网和用户损失,从而改善抢修工作现状,具有重要的现实意义和经济社会效益。
3、本发明整个分析过程无需人工干预,节约了大量的人力资源,同时还提高了分析结果的准确性。
4、用电信息采集***与气象***基本实现了全覆盖、全采集,因此本发明具有极强的可推广性。
附图说明
图1为本发明识别流程框图;
图2为本发明识别体系特征构建图;
图3为本发明实施框架图。
具体实施方式
如附图1-3所示,本发明基于随机森林算法和XGboost算法,结合配变的自身特点,能有效诊断出存在故障的电能表,进而支撑供电公司电能表精准轮换等业务。
本发明提供的方法包括:抽取电能表档案数据、检定结论数据、运行电压、电流、电量、异常事件数据、拆回批次数据、天气数据特征,构建档案数据类指标、异常数据类指标、电能表示值数据类指标、天气数据类指标,共151个特征;
对上述指标的数据特征进行最大值最小值归一化处理,并利用随机森林模型选择对电能表重要程度较高的前50个数据特征;
利用XGboost算法建立电能表故障识别模型,对电能表故障概率进行识别,判断电能表是否会发生故障。
从用电信息采集***中获取待分析周期内,一定区域范围内电能表的档案数据、电压电流数据、天气数据,从中挖掘能反映电能表故障状态的指标,包括档案数据类指标、异常数据类指标、电能表示值数据类指标和天气数据类指标。
如附图1所示,档案数据类指标具体包含运行时长、用电类别、装拆次数,共计3项特征。运行时长用于反映电能表在统计时间内运行寿命,其直接影响电能表发生故障的概率。
异常数据类指标具体包含异常事件次数、示值异常率、电压超压次数、低电压次数,共计4项特征。异常事件次数特征用于反映电能表在统计时间内发生的异常情况,其决定了电能表是否能正常运行。电压超压次数特征用于反映电能表在统计时间内发生的电压超出额定电压的次数,会增大电能表损耗。低电压次数特征用于电压波动或电压偏差过大,对供配电***的正常运行产生不利影响,使激磁电流和温升增加,产生有害的谐波电流,使设备停运或者不可用。
电能表示值数据类指标具体包含上三月电压统计指标、上三月电流统计指标以及上三月电量统计指标,用于反映电能表在统计时间内运行的电压、电流、电量情况,其反映电能表的运行状况。
其中上三月电压统计指标分别为:上一月三相电压均值最大值、最小值、均值、方差,上二月三相电压均值最大值、最小值、均值、方差,上三月三相电压均值最大值、最小值、均值、方差,上一月三相电压最大值最大值、最小值、均值、方差,上二月三相电压最大值最大值、最小值、均值、方差,上三月三相电压最大值最大值、最小值、均值、方差,上一月三相电压最小值最大值、最小值、均值、方差,上二月三相电压最小值最大值、最小值、均值、方差,上三月三相电压最小值最大值、最小值、均值、方差,共计36项特征;同理,上三月电流统计指标分别为:上一月三相电流均值最大值、最小值、均值、方差,上二月三相电流均值最大值、最小值、均值、方差,上三月三相电流均值最大值、最小值、均值、方差,上一月三相电流最大值最大值、最小值、均值、方差,上二月三相电流最大值最大值、最小值、均值、方差,上三月三相电流最大值最大值、最小值、均值、方差,上一月三相电流最小值最大值、最小值、均值、方差,上二月三相电流最小值最大值、最小值、均值、方差,上三月三相电流最小值最大值、最小值、均值、方差,共计36项特征;上三月电量统计指标,分别为上一月电量之和、均值、方差、采集率,上二月电量之和、均值、方差、采集率,上三月电量之和、均值、方差、采集率,共计12项特征。
天气数据类指标用于反映电能表在统计时间内所在区域的高温、低温及湿度,其波动能影响电能表运行状态,具体包含上一月最高气温最大值、最小值、均值、方差,上二月最高气温最大值、最小值、均值、方差,上三月最高气温最大值、最小值、均值、方差,上一月最低气温最大值、最小值、均值、方差,上二月最低气温最大值、最小值、均值、方差,上三月最低气温最大值、最小值、均值、方差,上一月最大湿温最大值、最小值、均值、方差,上二月最大湿温最大值、最小值、均值、方差,上三月最大湿温最大值、最小值、均值、方差,共计36项特征。对上述124个特征进行归一化处理,应用随机森林算法筛选贡献度较高的前50个特征,进一步应用XGboost算法识别电能表发生故障的概率,最终得出电能表是否会发生故障。
均值最大值计算方法:电能表的三相电压每日采集24次,首先计算每日三相电压的均值,每月分别有30个日度电压均值,从一个月的日度电压均值中提取最大值,作为当月的三相电压均值的最大值,同理,提取当月三相电压均值的最小值、均值、方差,同理,分别统计上一个月、上二个月、上三个月三相电压均值的最大值、最小值、均值、方差。同理,统计三相电压最大值的最大值、最小值、均值、方差,统计三相电压最小值的最大值、最小值、均值、方差。
各个数据的具体计算方法为:
从用电信息采集***中按待分析周期,一定区域的电能表(单相或三相),获取电能表的档案数据、负荷数据、电流数据、电压数据、功率因数数据、天气数据。
(一)计算档案数据类指标
1.运行时长:电能表初次安装日期,与待分析的差值,记为S。
S=Li-Bi (1)
上述公式(1)中,Li为最近一次电能表运行日期,Bi为电能表初始安装日期。
(二)计算异常数据类指标
1.异常事件次数:统计待分析电能表前三个月发生的异常事件次数,记为Lt。
上述公式(2)中,n为待分析电能表前三个月的天数,li为待分析周期内每日发生的异常事件次数
2.示值异常率:电能表电量示值数据每天采集1次,统计待分析电能表前三个月内,电能表每日电量大于电量均值的1.2倍,并且电量均值大于100,并且持续天数小于30天,记录一次异常,异常出现的次数与总天数的比值为异常率,记为Pt,其计算公式如下。
上述公式(3)中,n为待分析周期的天数,Ti为出现示值异常的次数。
3.电压超压次数:电能表电压数据每天整点采集1次,一天共计24次,以电能表采集点的电压大于1.2倍的额定电压,持续3个及以上采集点,定义为电压超压,统计待分析周期内,电压超压次数,其计算公式如下,
上述公式(4)中,N代表每日出现的电压超压次数,Mt为待分析周期内的电压超压次数。
4.低电压次数:电能表电压数据每天整点采集1次,一天共计24次。则每个采集点的低电压率Vi计算公式如(5)所示
式(12)中U220为标准电压,Ui为电能表每天的24个采集点电压
(三)计算电能表示值数据类指标
1.上三月电压统计指标:电能表三相电压数据每天采集24点,将三相电压的日度均值、最大值、最小值作为基础数据,其计算公式如下:
Umax=max(Ua+Ub+Uc) (6)
Umin=min(Ua+Ub+Uc) (7)
上述公式中,Umax为电能表的日度电压最大值,Umin为电能表的日度电压最小值,Uavg为电能表的日度电压均值。
利用公式(6)的统计结果数据,用一个月的数据进行分组统计电能表月度电压均值、月度电压最大值、月度电压最小值、月度电压方差,其计算公式如下:
Umax=max(U1,U2……,Un) (9)
Umin=min(U1,U2,……,Un) (10)
Uavg=avg(U1,U2,……,Un) (11)
Udev=dev(U1,U2,……,Un) (12)
上述公式中,Umax为电能表的月度电压最大值,Umin为电能表的月度电压最小值,Uavg为电能表的月度电压均值,Udev为电能表的月度电压方差,U1为公式(6)的计算结果,代表日度电压的最大值,n为一月中采集到电压的天数,同理,利用公式(7),(8)的计算结果作为输入数据,利用公式(9),(10),(11),(12)进行计算,得到电压的各项统计指标。
利用上述计算公式,得到上一个月、上二个月、上三个月电压统计指标,共1*3=36项指标。
2.上三月电流统计指标:电能表三相电流数据每天采集24点,将三相电流的日度均值、最大值、最小值作为基础数据,其计算公式如下:
Imax=max(Ia+Ib+Ic) (13)
Imin=min(Ia+Ib+Ic) (14)
其中,Imax为电能表的日度电流最大值,Imin为电能表的日度电流最小值,Iavg为电能表的日度电流均值。
利用公式(13)的统计结果数据,用一个月的数据进行分组统计电能表月度电流均值、月度电流最大值、月度电流最小值、月度电流方差,其计算公式如下:
Imax=max(I1,I2,......,In) (16)
Imin=min(I1,I2,......,In) (17)
Iavg=avg(I1,I2,......,In) (18)
Idev=dev(I1,I2,......,In) (19)
其中,Imax为电能表的月度电流最大值,Imin为电能表的月度电流最小值,Iavg为电能表的月度电流均值,Idev为电能表的月度电流方差,I1为公式(13)的计算结果,代表日度电流的最大值,n为一月中采集到电流的天数,同理,利用公式(14)、(15)的计算结果作为输入数据,利用公式(16)、(17)、(18)、(19)进行计算得到电流的各项统计指标。
利用上述计算公式,得到上一个月、上二个月、上三个月电流统计指标,共12*3=36项指标。
3.上三月电量统计指标:电能表的电量每天采集一次,将电能表每日电量数据按月求和、取均值、取方差,作为电量统计指标的基础数据,其计算公式如下:
Psum=sum(P1,P2,......,Pn) (20)
Pavg=avg(P1,P2,......,Pn) (21)
Pdev=dev(P1,P2,......,Pn) (22)
其中,Psum为电能表日度电量之和,Pavg为电能表日度电量的均值,Pdev为电能表日度电量的方差,P为电能表的日度电量,n为一个月采集到电量的天数。
利用公式(20)的计算结果,按月度进行分组统计,计算电量之和的最大值、最小值、均值、方差,其计算公式如下:
Pmax=max(P1,P2,......,Pn) (23)
Pmin=min(P1,P2,......,Pn) (24)
Pavg=avg(P1,P2,......,Pn) (25)
Pdev=dev(P1,P2,......,Pn) (26)
其中,Pmax为电能表月度电量之和的最大值,Pmin为电能表月度电量之和的最小值,Pavg为电能表月度电量之和均值,Pdev为电能表月度电量之和的方差,P为公式(20)的计算结果,代表月度电量之和;同理,利用公式(21)、(22)的计算结果作为输入数据,利用公式(23)、(24)、(25)、(26)计算分别得到月度电量均值的最大值、月度电量均值的最小值、月度电量均值的均值、月度电量均值的方差、月度电量方差的最大值、月度电量方差的最小值、月度电量方差的均值、月度电量方差的方差;
利用上述计算公式,得到上一个月、上二个月、上三个月电量统计指标,共12*3=36项指标。
(四)计算外部天气数据指标
1.上三月气温统计指标:气象***的气温数据每天整点采集一次,取每天气温数据的最大值与最小值作为各统计指标的基础数据,按月度对最高气温进行分组,得到最高气温的最大值、最高气温的最小值、最高气温的均值、最高气温的方差,其计算公式如下:
Qmax=max(Q1,Q2,......,Qn) (27)
Qmin=min(Q1,Q2,......,Qn) (28)
Qavg=avg(Q1,Q2,......,Qn) (29)
Qdev=dev(Q1,Q2,......,Qn) (30)
其中,Qmax为最高气温的最大值,Qmin为最高气温的最大值,Qavg为最高气温的均值,Qdev为最高气温的方差,Q为电能表安装地点当日最高气温,n为天气***当月采集到气温的天数,同理,利用上述公式计算最低气温的最大值,最低气温的最小值、最低气温的均值、最低气温的方差。
利用上述公式分别计算上一个月、上二个月、上三个月的气温统计数据,共得到24*3=72项指标。
2.上三月湿度统计指标:气象***的湿度数据每天整点采集一次,取每天气温数据的最大值作为各统计指标的基础数据,按月度对最大湿度进行分组,得到最大湿度的最大值、最大湿度的最小值、最大湿度的均值、最大湿度的方差,利用上述公式(27)、(28)、(29)、(30)得到上一个月、上二个月、上三个月的湿度统计数据,共得到12*3=36项指标。
(五)归一化数据处理
1.设置每项特征值上限和下限
根据业务理解,设置异常事件次数特征的上下限,其步骤为,首先将电能表的异常事件次数从大到小排序,其次选取异常事件次数前20%位置,对应严异常事件次数作为最大值,对超过最大值的异常事件次数用最大值代替,最后将0设置为异常事件次数的最小值。
同理,按上述步骤设置示值异常率、电压超压次数、低电压次数特征的上限和下限。
2.最大值最小值归一化
为消除各类数据量纲不一致的问题,采用最大值最小值归一化对处理好的数据进行归一化处理。
式(14)中,Cserious_i代表第i个电能表标准化前的异常事件次数,Cserious_max表示所有待评估电能表中异常事件次数的最大值,Cserious_min表示异常事件次数的最小值,C′serious_i表示第i个电能表异常事件次数标准化后的数值。
同理,按公式(24)对其他项特征进行归一化处理。
(六)特征选择
利用决策树算法建立1000棵树组成的随机森林,筛选重要的特征,随机森林原理如下:
1、从样本集中有放回随机采样选出n个样本;
2、从所有特征中随机选择k个特征,对选出的样本利用这些特征建立决策树(一般是CART,也可是别的或混合)
3、重复以上两步m次,即生成m棵决策树,形成随机森林;
4、一个测试样本可以通过每一棵树的分类结果,经统计后选择最可能的分类。经过模型多次训练,得出各个特征的贡献度。
(七)电能表故障识别
选取贡献度较高的50个特征作为模型的输入数据,利用Xgboost算法建立故障识别模型,模型输出结果为电能表疑似故障概率,概率越大,电能表故障概率越高
本发明工作步骤如下:
1、抽取待分析周期,一定区域内,电能表档案数据、电流数据、电流数据、电压数据、天气数据、异常事件数据。
2、构建电能表档案数据类指标,包含运行时长、装拆次用电类别,3项特征。
3、构建电能表异常数据类指标,包含异常事件次数、示值异常率、电压超压次数、低电压次数,4项特征。
4、构建电能表示值数据类指标,包含上三月电压数据指标、上三月电流数据指标、上三月电量数据指标,108项特征。
5、构建电能表所在地区天气数据类指标,包含上三月气温数据指标、上三月湿度数据指标,36项特征。
6、设置每项特征的上下限。
7、分别对电能表档案数据类指标、异常数据类指标、示值数据类指标、天气数据类指标特征特征进行最大值最小值归一化处理。
8、利用随机森林模型进行重要特征筛选。
9、利用Xgboost模型得出电能表疑似故障概率。
工作流程如附图1所示。
本发明的实施框架图如附图3所示,本发明可作为用电信息大数据分析平台的一个功能模块,按照本发明的原理及流程图编制计算机程序,然后将计算机程序部署于用电信息大数据分析平台的运算服务器上。
用电信息大数据分析平台的运算服务器从用电信息采集***的统一接口服务平台获取待分析电能表相关数据,然后由编制好的计算机程序进行分析,筛选出疑似故障电能表清单,并将筛选结果存储于用电信息大数据分析平台的数据库服务器,然后由用电信息大数据分析平台的WEB服务器响应省、市、县、所各级供电单位的请求,将筛选结果展示给省、市、县、所各级供电单位的监控终端。
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围。
Claims (6)
1.一种电能表故障识别方法,其特征在于其包括如下步骤:
抽取电能表档案数据、检定结论数据、运行电压、电流、电量、异常事件数据、拆回批次数据、天气数据特征,构建档案数据类指标、异常数据类指标、电能表示值数据类指标、天气数据类指标;
对上述指标的数据特征进行最大值最小值归一化处理,并利用随机森林模型选择对电能表重要程度较高的前N个数据特征;
利用XGboost算法建立电能表故障识别模型,对电能表故障概率进行识别,判断电能表是否会发生故障;
所述档案数据类指标包括运行时长、用电类别、装拆次数三项特征;
所述运行时长为最近一次电能表运行日期与电能表初始安装日期的差值,记为S,
S=Li-Bi (1)
其中,Li为最近一次电能表运行日期,Bi为电能表初始安装日期;
所述异常数据类指标包括异常事件次数、示值异常率、电压超压次数、低电压次数四项特征;
异常事件次数为待分析电能表前三个月发生的异常事件次数,记为Lt,
公式(2)中,n为待分析电能表前三个月的天数,li为待分析周期内每日发生的异常事件次数;
示值异常率的计算方法为:电能表电量示值数据每天采集1次,统计待分析电能表前三个月内,电能表每日电量大于电量均值的1.2倍,并且电量均值大于100,并且持续天数小于30天,记录一次异常,异常出现的次数与总天数的比值为异常率,记为Pt,其计算公式如下
公式(3)中,n为待分析周期的天数,Ti为出现示值异常的次数;
所述电压超压次数的计算方法为:电能表电压数据每天整点采集1次,一天共计24次,以电能表采集点的电压大于1.2倍的额定电压,持续3个及以上采集点,定义为电压超压,统计待分析周期内,电压超压次数,其计算公式如下,
公式(4)中,N代表每日出现的电压超压次数,Mt为待分析周期内的电压超压次数;
低电压次数的计算方法为:电能表电压数据每天整点采集1次,一天共计24次,则每个采集点的低电压率Vi计算公式如(5)所示
公式(5)中U220为标准电压,Ui为电能表每天的24个采集点电压。
2.根据权利要求1所述的一种电能表故障识别方法,其特征在于电能表示值数据类指标包括上三月电压统计指标、上三月电流统计指标以及上三月电量统计指标;
所述上三月电压统计指标包括:上一月、上二月、上三月三相电压均值最大值、最小值、均值、方差;上一月、上二月、上三月三相电压最大值最大值、最小值、均值、方差;上一月、上二月、上三月三相电压最小值最大值、最小值、均值、方差;
所述上三月电流统计指标包括:上一月、上二月、上三月三相电流均值最大值、最小值、均值、方差;上一月、上二月、上三月三相电流最大值最大值、最小值、均值、方差;上一月、上二月、上三月三相电流最小值最大值、最小值、均值、方差;
所述上三月电量统计指标包括:上一月电量之和、均值、方差、采集率,上二月电量之和、均值、方差、采集率,上三月电量之和、均值、方差、采集率。
3.根据权利要求1所述的一种电能表故障识别方法,其特征在于所述天气数据类指标包括:上三月气温统计指标以及上三月湿度统计指标;
所述上三月气温统计指标包括:上一月最高气温最大值、最小值、均值、方差,上二月最高气温最大值、最小值、均值、方差,上三月最高气温最大值、最小值、均值、方差,上一月最低气温最大值、最小值、均值、方差,上二月最低气温最大值、最小值、均值、方差,上三月最低气温最大值、最小值、均值、方差;
所述上三月湿度统计指标包括:上一月最大湿温最大值、最小值、均值、方差,上二月最大湿温最大值、最小值、均值、方差,上三月最大湿温最大值、最小值、均值、方差。
4.根据权利要求1所述的一种电能表故障识别方法,其特征在于电能表示值数据类指标计算时,上三月电压统计指标的计算方法为:电能表三相电压数据每天采集24点,将三相电压的日度均值、最大值、最小值作为基础数据,其计算公式如下:
Umax=max((Ua+Ub+Uc) (6)
Umin=min(Ua+Ub+Uc) (7)
其中,Umax为电能表的日度电压最大值,Umin为电能表的日度电压最小值,Uavg为电能表的日度电压均值;
利用公式(6)的统计结果数据,用一个月的数据进行分组统计电能表月度电压均值、月度电压最大值、月度电压最小值、月度电压方差,其计算公式如下:
Umax=max(U1,U2,......,Un) (9)
Umin=min(U1,U2,......,Un) (10)
Uavg=avg(U1,U2,......,Un) (11)
Udev=dev(U1,U2,......,Un) (12)
上述公式中,Umax为电能表的月度电压最大值,Umin为电能表的月度电压最小值,Uavg为电能表的月度电压均值,Udev为电能表的月度电压方差,U1为公式(6)的计算结果,代表日度电压的最大值,n为一月中采集到电压的天数,同理,利用公式(7),(8)的计算结果作为输入数据,利用公式(9),(10),(11),(12)进行计算,得到电压的统计指标;
得到上一个月、上二个月、上三个月电压统计指;
上三月电流统计指标的计算方法为:电能表三相电流数据每天采集24点,将三相电流的日度均值、最大值、最小值作为基础数据,其
Imax=max(Ia+Ib+Ic) (13)
Imin=min(Ia+Ib+Ic) (14)
其中,Imax为电能表的日度电流最大值,Imin为电能表的日度电流最小值,Iavg为电能表的日度电流均值;
利用公式(13)的统计结果数据,用一个月的数据进行分组统计电能表月度电流均值、月度电流最大值、月度电流最小值、月度电流方差,其计算公式如下:
Imax=max(I1,I2,......,In) (16)
Imin=min(I1,I2,......,In) (17)
Iavg=avg(I1,I2,......,In) (18)
Idev=dev(I1,I2,......,In) (19)
其中,Imax为电能表的月度电流最大值,Imin为电能表的月度电流最小值,Iavg为电能表的月度电流均值,Idev为电能表的月度电流方差,I1为公式(13)的计算结果,代表日度电流的最大值,n为一月中采集到电流的天数,同理,利用公式(14),(15)的计算结果作为输入数据,利用公式(16),(17),(18),(19)进行计算得到电流的统计指标;
得到上一个月、上二个月、上三个月电流统计指标;
上三月电量统计指标的计算方法为:电能表的电量每天采集一次,将电能表每日电量数据按月求和、取均值、取方差,作为电量统计指标的基础数据,其计算公式如下:
Psum=sum(P1,P2,......,Pn) (20)
Pavg=avg(P1,P2,......,Pn) (21)
Pdev=dev(P1,P2,......,Pn) (22)
其中,Psum为电能表日度电量之和,Pavg为电能表日度电量的均值,Pdev为电能表日度电量的方差,P为电能表的日度电量,n为一个月采集到电量的天数;
利用公式(20)的计算结果,按月度进行分组统计,计算电量之和的最大值、最小值、均值、方差,其计算公式如下:
Pmax=max(P1,P2,......,Pn) (23)
Pmin=min(P1,P2,......,Pn) (24)
Pavg=avg(P1,P2,......,Pn) (25)
Pdev=dev(P1,P2,......Pn) (26)
其中,Pmax为电能表月度电量之和的最大值,Pmin为电能表月度电量之和的最小值,Pavg为电能表月度电量之和均值,Pdev为电能表月度电量之和的方差,P为公式(20)的计算结果,代表月度电量之和;同理,利用公式(21)、(22)的计算结果作为输入数据,利用公式(23)、(24)、(25)、(26)计算分别得到月度电量均值的最大值、月度电量均值的最小值、月度电量均值的均值、月度电量均值的方差、月度电量方差的最大值、月度电量方差的最小值、月度电量方差的均值、月度电量方差的方差;
得到上一个月、上二个月、上三个月电量统计指标。
5.根据权利要求2所述的一种电能表故障识别方法,其特征在于在计算天气数据类指标时,上三月气温统计指标的计算方法为:气象***的气温数据每天整点采集一次,取每天气温数据的最大值与最小值作为各统计指标的基础数据,按月度对最高气温进行分组,得到最高气温的最大值、最高气温的最小值、最高气温的均值、最高气温的方差,其计算公式如下:
Qmax=max(Q1,Q2,......,Qn) (27)
Qmin=min(Q1,Q2,......,Qn) (28)
Qavg=avg(Q1,Q2,......,Qn) (29)
Qdev=dev(Q1,Q2,......,Qn) (30)
其中,Qmax为最高气温的最大值,Qmin为最高气温的最大值,Qavg为最高气温的均值,Qdev为最高气温的方差,Q为电能表安装地点当日最高气温,n为天气***当月采集到气温的天数,同理,利用上述公式计算最低气温的最大值,最低气温的最小值、最低气温的均值、最低气温的方差;
利用上述公式分别计算上一个月、上二个月、上三个月的气温统计数据;
上三月湿度统计指标的计算方法为:气象***的湿度数据每天整点采集一次,取每天气温数据的最大值作为各统计指标的基础数据,按月度对最大湿度进行分组,得到最大湿度的最大值、最大湿度的最小值、最大湿度的均值、最大湿度的方差,利用上述公式(27)、(28),(29)、(30)得到上一个月、上二个月、上三个月的湿度统计数据。
6.根据权利要求1所述的一种电能表故障识别方法,其特征在于最大值最小值归一化处理的方法包括:设置每项特征值上限和下限:将电能表的异常事件次数从大到小排序,选取异常事件次数前20%位置,对应严异常事件次数作为最大值,对超过最大值的异常事件次数用最大值代替,将0设置为异常事件次数的最小值,同理,设置示值异常率、电压超压次数、低电压次数特征的上限和下限;
最大值最小值归一化:为消除各类数据量纲不一致的问题,采用最大值最小值归一化对处理好的数据进行归一化处理,
式(31)中,Cserious_i代表第i个电能表标准化前的异常事件次数,Cserious_max表示所有待评估电能表中异常事件次数的最大值,Cserious_min表示异常事件次数的最小值,C'serious_i表示第i个电能表异常事件次数标准化后的数值;
同理,按公式(31)对其他项特征进行归一化处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010860367.6A CN112036725B (zh) | 2020-08-24 | 2020-08-24 | 一种电能表故障识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010860367.6A CN112036725B (zh) | 2020-08-24 | 2020-08-24 | 一种电能表故障识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112036725A CN112036725A (zh) | 2020-12-04 |
CN112036725B true CN112036725B (zh) | 2024-04-30 |
Family
ID=73581091
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010860367.6A Active CN112036725B (zh) | 2020-08-24 | 2020-08-24 | 一种电能表故障识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112036725B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112904156A (zh) * | 2021-01-19 | 2021-06-04 | 重庆邮电大学 | 一种基于频域分类的故障电弧检测方法 |
CN114604543B (zh) * | 2021-12-29 | 2024-06-04 | 重庆品胜科技有限公司 | 一种计量识别***、计量识别方法及周转箱 |
CN117879178B (zh) * | 2024-03-11 | 2024-05-28 | 烟台信谊电器有限公司 | 一种基于数据分析的电气柜监测管理*** |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106154209A (zh) * | 2016-07-29 | 2016-11-23 | 国电南瑞科技股份有限公司 | 基于决策树算法的电能表故障预测方法 |
CN106405475A (zh) * | 2016-08-31 | 2017-02-15 | 国网江苏省电力公司常州供电公司 | 电能表异常诊断方法 |
CN107680368A (zh) * | 2017-09-06 | 2018-02-09 | 国网辽宁省电力有限公司 | 一种基于采集数据的计量装置在线监测与智能诊断方法 |
CN208224474U (zh) * | 2017-11-16 | 2018-12-11 | 国网冀北电力有限公司电力科学研究院 | 用电计量设备故障监控装置 |
CN109523190A (zh) * | 2018-11-29 | 2019-03-26 | 国网河北省电力有限公司电力科学研究院 | 一种电能表的管理方法、管理装置及终端 |
CN110222991A (zh) * | 2019-06-10 | 2019-09-10 | 国网江苏省电力有限公司常州供电分公司 | 基于rf-gbdt的计量装置故障诊断方法 |
CN110634080A (zh) * | 2018-06-25 | 2019-12-31 | 中兴通讯股份有限公司 | 异常用电检测方法、装置、设备及计算机可读存储介质 |
CN110781206A (zh) * | 2019-12-02 | 2020-02-11 | 国网河北省电力有限公司电力科学研究院 | 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 |
CN110991826A (zh) * | 2019-11-18 | 2020-04-10 | 国网浙江省电力有限公司电力科学研究院 | 一种评价低压电能表运行状态的方法 |
CN111126759A (zh) * | 2019-11-18 | 2020-05-08 | 国网浙江省电力有限公司 | 一种基于异常事件故障关联度的电能表状态评估方法 |
CN111160401A (zh) * | 2019-12-09 | 2020-05-15 | 国网辽宁省电力有限公司电力科学研究院 | 一种基于均值漂移和XGBoost的异常用电判别方法 |
CN111178396A (zh) * | 2019-12-12 | 2020-05-19 | 国网北京市电力公司 | 用电异常用户的识别方法及装置 |
-
2020
- 2020-08-24 CN CN202010860367.6A patent/CN112036725B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106154209A (zh) * | 2016-07-29 | 2016-11-23 | 国电南瑞科技股份有限公司 | 基于决策树算法的电能表故障预测方法 |
CN106405475A (zh) * | 2016-08-31 | 2017-02-15 | 国网江苏省电力公司常州供电公司 | 电能表异常诊断方法 |
CN107680368A (zh) * | 2017-09-06 | 2018-02-09 | 国网辽宁省电力有限公司 | 一种基于采集数据的计量装置在线监测与智能诊断方法 |
CN208224474U (zh) * | 2017-11-16 | 2018-12-11 | 国网冀北电力有限公司电力科学研究院 | 用电计量设备故障监控装置 |
CN110634080A (zh) * | 2018-06-25 | 2019-12-31 | 中兴通讯股份有限公司 | 异常用电检测方法、装置、设备及计算机可读存储介质 |
CN109523190A (zh) * | 2018-11-29 | 2019-03-26 | 国网河北省电力有限公司电力科学研究院 | 一种电能表的管理方法、管理装置及终端 |
CN110222991A (zh) * | 2019-06-10 | 2019-09-10 | 国网江苏省电力有限公司常州供电分公司 | 基于rf-gbdt的计量装置故障诊断方法 |
CN110991826A (zh) * | 2019-11-18 | 2020-04-10 | 国网浙江省电力有限公司电力科学研究院 | 一种评价低压电能表运行状态的方法 |
CN111126759A (zh) * | 2019-11-18 | 2020-05-08 | 国网浙江省电力有限公司 | 一种基于异常事件故障关联度的电能表状态评估方法 |
CN110781206A (zh) * | 2019-12-02 | 2020-02-11 | 国网河北省电力有限公司电力科学研究院 | 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 |
CN111160401A (zh) * | 2019-12-09 | 2020-05-15 | 国网辽宁省电力有限公司电力科学研究院 | 一种基于均值漂移和XGBoost的异常用电判别方法 |
CN111178396A (zh) * | 2019-12-12 | 2020-05-19 | 国网北京市电力公司 | 用电异常用户的识别方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN112036725A (zh) | 2020-12-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112036725B (zh) | 一种电能表故障识别方法 | |
CN106154209B (zh) | 基于决策树算法的电能表故障预测方法 | |
CN104219315B (zh) | 一种用电信息采集***的运行监控***及其监控方法 | |
CN106772205B (zh) | 一种电力计量自动化***终端设备异常监测方法及装置 | |
CN113032454A (zh) | 基于云计算的交互式用户用电异常监测预警管理云平台 | |
CN110675070B (zh) | 智能微网设备关键度分析方法 | |
CN213750303U (zh) | 一种基于用电信息采集***的电能计量异常诊断*** | |
CN113990054A (zh) | 一种储能电站数据分析与预警*** | |
CN109787295B (zh) | 一种计及风电场状态的风电功率超短期预测计算方法 | |
CN111612326A (zh) | 一种配变供电可靠性的综合评估方法 | |
CN115730749B (zh) | 基于融合电力数据的电力调度风险预警方法及装置 | |
CN110889565B (zh) | 一种基于多维矩阵决策的配网巡检周期计算方法 | |
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 | |
CN111027026A (zh) | 一种抄表数据异常智能诊断*** | |
CN116522746A (zh) | 高耗能企业配电托管方法 | |
CN103364723B (zh) | 基于电压电流平衡性的风力发电机运行状态分析方法 | |
CN112308437B (zh) | 基于大数据分析的线损治理方法、***、装置和存储介质 | |
CN113642933A (zh) | 一种配电台区低电压诊断方法及装置 | |
CN109035062A (zh) | 一种客户电费异常分析及策略应用*** | |
CN111861587A (zh) | 一种基于隐马尔可夫模型和向前算法的居民用电行为分析的***及方法 | |
CN115877145A (zh) | 一种变压器重过载工况大数据交叉评估***及方法 | |
CN115115470A (zh) | 一种基于排放因子法的绿色数据中心碳排放管理方法 | |
CN105024379B (zh) | 一种风机检修管理调度*** | |
CN112488360B (zh) | 基于人工智能的配变异常分析预警方法 | |
CN109474069B (zh) | 一种分布式发电站状态监测方法 |
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 |