CN112731261B - 电能计量设备故障检测方法、装置、计算机设备和介质 - Google Patents
电能计量设备故障检测方法、装置、计算机设备和介质 Download PDFInfo
- Publication number
- CN112731261B CN112731261B CN202011382953.0A CN202011382953A CN112731261B CN 112731261 B CN112731261 B CN 112731261B CN 202011382953 A CN202011382953 A CN 202011382953A CN 112731261 B CN112731261 B CN 112731261B
- Authority
- CN
- China
- Prior art keywords
- line loss
- loss rate
- sample
- abnormal
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 33
- 230000002159 abnormal effect Effects 0.000 claims abstract description 224
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 34
- 230000005856 abnormality Effects 0.000 claims description 31
- 238000000034 method Methods 0.000 claims description 31
- 238000004590 computer program Methods 0.000 claims description 25
- 238000012545 processing Methods 0.000 claims description 18
- 238000003860 storage Methods 0.000 claims description 8
- 238000009826 distribution Methods 0.000 description 12
- 238000004364 calculation method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000005611 electricity Effects 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 238000007796 conventional method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000012271 agricultural production Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000009776 industrial production 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
- 238000013450 outlier detection Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种电能计量设备故障检测方法、装置、计算机设备和介质,该电能计量设备故障检测方法通过获取电能计量设备的多个目标数据;根据多个目标数据,确定目标数据的线损率;基于局部异常因子算法,根据预设参数和每个目标数据的线损率,确定每个线损率的异常评分值;根据预设的异常阈值和每个线损率的异常评分值,确定多个线损率中是否存在异常的线损率,以判断电能计量设备是否存在故障。本发明提供的电能计量设备故障检测方法对电能计量设备是否存在故障的检测的准确性较高。
Description
技术领域
本发明涉及电力检测技术领域,特别是涉及一种电能计量设备故障检测方法、装置、计算机设备和介质。
背景技术
由于当前经济条件的限制和技术方案的限制,电能计量设备的运行稳定性可靠性直接影响电量贸易计算的公正性和公平性。并且,电能计量设备作为电力企业监控电能设备运行状态的重要设备,对于电能计量设备的故障检测关系到电网的安全运行和用户的用电安全。
传统技术中,通过基于聚类的异常值检测方法对线损率是否异常进行检测,从而判断电能计量设备是否存在故障。但是,在实际应用场景中,由于电网运行的电压水平和负荷电流等的影响,使得线损率会存在正常的波动。然而,使用传统技术中的方法对线损率是否异常会存在判断不准确的问题。
发明内容
基于此,有必要针对上述技术问题,提供一种电能计量设备故障检测方法、装置、计算机设备和介质。
一方面,本申请一个实施例提供一种电能计量设备故障检测方法,包括:
获取电能计量设备的多个目标数据,其中,每个目标数据包括目标供电量和对应的目标用电量;
根据多个目标数据,确定每个目标数据的线损率;
基于局部异常因子算法,根据预设参数和每个目标数据的线损率,确定所述线损率的异常评分值;
根据预设的异常阈值和所述线损率的异常评分值,确定多个线损率中是否存在异常的线损率,以判断电能计量设备是否存在故障。
在其中一个实施例中,根据预设的异常阈值和每个线损率的异常值评分值,确定多个线损率中是否存在异常的线损率,包括:
若异常评分值大于或等于预设的异常阈值,则确定异常评分值对应的线损率存在异常;
若异常评分值小于预设的异常阈值,则确定异常评分值对应的线损率不存在异常。
在其中一个实施例中,方法还包括:
获取电能计量设备的多个样本数据,其中,每个样本数据包括样本供电量和对应的样本用电量;
根据多个样本数据,确定每个样本数据的样本线损率;
基于局部异常因子算法,根据预设参数和每个样本数据的样本线损率,确定每个样本线损率的样本异常评分值;
根据每个样本线损率的样本异常评分值和预设的异常评分值范围,确定预设的异常阈值。
在其中一个实施例中,根据每个样本线损率的样本异常评分值和预设的异常评分值范围,确定预设的异常阈值,包括:
将样本异常评分值降序排列,得到降序样本异常评分值集;
根据预设的异常评分值范围,确定降序样本异常评分值集中的异常样本数据集;
将异常样本数据集中的最小值作为预设的异常阈值。
在其中一个实施例中,获取电能计量设备的多个目标数据,包括:
获取电能计量设备的多个原始数据;
检测每个原始数据中是否包括原始供电量和对应的原始用电量;
若原始数据中不包括原始供电量或对应的原始用电量,则删除原始数据,得到多个处理数据;
将多个处理数据确定为多个目标数据。
在其中一个实施例中,根据多个目标数据,确定每个目标数据的线损率,包括:
计算目标供电量和对应的目标用电量之间的差值;
计算差值与目标供电量的比值,确定线损率。
在其中一个实施例中,基于局部异常因子算法,根据预设参数和每个目标数据的线损率,确定每个线损率的异常评分值,包括:
基于局部异常因子算法,根据预设参数和目标数据的线损率,计算线损率的局部可达密度和线损率的邻域线损率的局部可达密度;
将线损率的邻域数据的局部可达密度与线损率的局部可达密度的比值的平均数作为线损率的异常评分值。
另一方面,本申请一个实施例提供一种电能计量设备故障检测装置,包括:
获取模块,用于获取电能计量设备的多个目标数据,其中,每个目标数据包括目标供电量和对应的目标用电量;
确定模块,用于根据多个目标数据,确定每个目标数据的线损率;
确定模块,还用于基于局部异常因子算法,根据预设参数和每个目标数据的线损率,确定每个线损率的异常评分值;
判断模块,用于根据预设的异常阈值和每个线损率的异常评分值,确定多个线损率是否存在异常的线损率,以判断电能计量设备是否存在故障。
本申请一个实施例还提供一种计算机设备,包括存储器和处理器,存储器存储有计算机程序,处理器执行计算机程序时实现上述实施例提供的方法的步骤。
本申请一个实施例还提供一种计算机可读存储介质,其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实施例提供的方法的步骤。
本申请提供一种电能计量设备故障检测方法、装置、计算机设备和介质。该方法通过获取电能计量设备的多个目标数据;根据多个目标数据,确定每个目标数据的线损率;基于局部异常因子算法,根据预设参数和每个目标数据的线损率,确定每个所述线损率的异常评分值;根据预设的异常阈值和每个线损率的异常评分值,确定多个线损率中是否存在异常的线损率,以判断电能计量设备是否存在故障。本申请实施例提供的电能计量设备故障检测方法基于局部异常因子算法,确定多个线损率的多个异常评分值,充分的考虑了多个线损率之间的密度关系。这样可以避免将线损率正常的波动认定为异常的线损率,从而能够准确的确定多个线损率中是否存在异常的线损率,进而能够准确的判断电能计量设备是否存在故障。
附图说明
为了更清楚地说明本申请实施例或传统技术中的技术方案,下面将对实施例或传统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申请的一些实施例,对于本领域不同技术人员来讲,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为本申请一个实施例提供的电能计量设备故障检测方法的步骤流程示意图;
图2为本申请一个实施例提供的电能计量设备故障检测方法的步骤流程示意图;
图3为本申请一个实施例提供的电能计量设备故障检测方法的步骤流程示意图;
图4为本申请一个实施例提供的电能计量设备故障检测方法的步骤流程示意图;
图5为本申请一个实施例提供的电能计量设备故障检测方法的步骤流程示意图;
图6为本申请一个实施例提供的电能计量设备故障检测方法的步骤流程示意图;
图7为本申请一个实施例提供的电能计量设备故障检测方法的步骤流程示意图;
图8为本申请一个实施例提供的电能计量设备故障检测装置的结构示意图;
图9为本申请一个实施例提供的计算机设备的结构示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图对本发明的具体实施方式做详细的说明。在下面的描述中阐述了很多具体细节以便于充分理解本发明。但是本发明能够以很多不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似改进,因此本发明不受下面公开的具体实施例的限制。
本文中为部件所编序号本身,例如“第一”、“第二”等,仅用于区分所描述的对象,不具有任何顺序或技术含义。
本申请提供的电能计量设备故障检测方法可以适用于电力***中的所有电能计量设备。电能计量设备可以包括各种类型的电能表、互感器变比测试仪、电流互感器变比测试仪、电能计量柜(箱)等。电能计量设备可以测量发电量、供电量和用电量。在日常生活、工业生产和农业生产等用电中,为了加强经营管理,大力节约能源,提高经济效果,电能计量装置是必备的计量器件。因此本申请提供的电能计量设备故障检测方法具有较强的实用性。
本申请提供的电能计量设备故障检测方法可以通过计算机设备实现。计算机设备包括但不限于控制芯片、个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备。本申请提供的电能计量设备故障检测方法可以通过JAVA软件实现,也可以应用于其他软件。
请参见图1,本申请一个实施例提供一种电能计量设备故障检测方法,本实施例以配电变压器的电能计量设备故障检测方法为例进行说明,该方法的具体步骤包括:
步骤100、获取电能计量设备的多个目标数据,其中,每个目标数据包括目标供电量和对应的目标用电量。
电能计量设备的多个目标数据可以包括电能计量设备在预设时间段内测量的配电变压器的目标供电量和该目标供电量对应的目标用电量。目标供电量是指预设时间提供给配电变压器的电量,目标用电量是指该预设时间配电变压器使用的电量。一个目标数据包括一个目标供电量和目标供电量对应的一个目标用电量。例如,电能计量设备可以在一天内测量配电变压器的24个目标数据,即,每一个小时测量一次配电变压器的目标数据,一个目标供电量和对应的一个目标用电量。多个目标数据可以是计算机设备从电能计量设备中获取的数据,也可以是电能计量设备将测量的数据传输至计算机设备,计算机设备将接收的数据存储在存储器中的数据,此时计算机设备需要使用目标数据时直接在存储器中获取即可。本实施例对获取电能计量设备的多个目标数据的方法不作任何限制,只要能够实现其功能即可。
步骤200、根据多个目标数据,确定每个目标数据的线损率。
提供给配电变压器的电量在传输至配电变压器的过程中,会存在电量的损耗。线损率是指损耗的电量占目标供电量的百分比。计算机设备根据获取的电能计量设备的一个目标供电量和对应的目标用电量后,可以确定一个线损率。按照相同的方法可以根据多个目标数据得到多个线损率,即,一个目标数据对应一个线损率。
步骤300、基于局部异常因子算法,根据预设参数和每个目标数据的线损率,确定每个线损率的异常评分值。
局部异常因子算法是一种基于距离的异常检测算法,并且是基于密度的离群点检测方法中具有代表性的一个算法。预设参数可以是工作人员根据多次实验得到的参数值。计算机设备基于局部异常因子算法,根据预设参数可以计算一个线损率的局部离群因子,将此局部离群因子作为该线损率的异常评分值,经过多次计算可以得到多个异常评分值。异常评分值可以表征线损率的异常程度。异常评分值越大,线损率的异常程度越高;异常评分值越小,线损率的异常程度越低。
步骤400、根据预设的异常阈值和每个线损率的异常评分值,确定多个线损率中是否存在异常的线损率,以判断电能计量设备是否存在故障。
预设的异常阈值可以是工作人员经过多次实验得到的阈值。计算机设备通过将计算得到的线损率的异常评分值与预设的异常阈值进行对比,可以确定线损率的异常评分值与预设的异常阈值之间的关系,根据此关系可以确定该线损率是否存在异常,从而可以判断电能计量设备是否存在故障。若多个线损率中存在异常的线损率,则确定电能计量设备存在故障。在电能计量设备存在故障时,测量得到的目标数据会存在异常,根据目标数据确定的线损率就会存在异常,因此,通过判断线损率是否异常即可确定电能计量设备是否存在故障。
本申请实施例提供的电能计量设备故障检测方法通过获取电能计量设备的多个目标数据;根据多个目标数据,确定每个目标数据的线损率;基于局部异常因子算法,根据预设参数和每个目标数据的线损率,确定每个所述线损率的异常评分值;根据预设的异常阈值和每个线损率的异常评分值,确定多个线损率中是否存在异常的线损率,以判断电能计量设备是否存在故障。本申请实施例提供的电能计量设备故障检测方法基于局部异常因子算法,确定多个线损率的多个异常评分值,充分的考虑了多个线损率之间的密度关系。这样可以避免将线损率正常的波动认定为异常的线损率,从而能够准确的确定多个线损率中是否存在异常的线损率,进而能够准确的判断电能计量设备是否存在故障。并且,本实施例提供的电能计量故障检测方法相对于传统的检测方法具有较高的可靠性。
请参见图2,步骤400“根据预设的异常阈值和每个线损率的异常值评分值,确定多个线损率中是否存在异常的线损率”的一种可能的实现方式包括:
步骤410、若异常评分值大于或等于预设的异常阈值,则确定异常评分值对应的线损率存在异常。
步骤420、若异常评分值小于预设的异常阈值,则确定异常评分值对应的线损率不存在异常。
计算机设备将得到的异常评分值与预设的异常阈值进行对比,在异常评分值大于预设的异常阈值,或异常评分值等于预设的异常阈值时,确定该异常评分值对应的线损率的异常程度较高,即该线损率存在异常;在异常评分值小于预设的异常阈值时,确定该异常评分值对应的线损率的异常程度较低,即该线损率不存在异常。在本实施例中,通过将异常评分值和异常阈值进行对比,可以避免将由于配电变压器的电压水平和负荷电流等因素对线损率造成的影响确定为线损率异常,从而能够提高对电能计量设备是否存在故障检测的准确性。
请参见图3,在一个实施例中,电能计量设备故障检测方法还包括:
步骤500、获取电能计量设备的多个样本数据,其中,每个样本数据包括样本供电量和对应的样本用电量。
样本数据是指电能计量设备测量的配电变压器的历史数据。该历史数据可以存储在电能计量设备中,也可以存储在计算机设备的存储器中。电能计量设备的多个样本数据可以包括电能计量设备在预设时间段内测量的配电变压器的样本供电量和该样本供电量对应的样本用电量。样本供电量是指预设时间提供给配电变压器的历史电量,样本用电量是指该预设时间配电变压器使用的样本电量。多个样本数据可以存储在电能计量设备中,计算机设备从电能计量设备中获取的数据;多个样本数据也可以是存储在计算机设备的存储器中,在使用时,计算机设备直接在存储器中获取多个样本数据即可。本实施例对获取电能计量设备的多个目标数据的方法不作任何限制,只要能够实现其功能即可。
步骤510、根据多个样本数据,确定每个样本数据的样本线损率。
线损率是指损耗的电量占样本供电量的百分比。计算机设备根据获取的电能计量设备的一个样本供电量和该样本供电量对应的样本用电量,可以确定一个样本数据的样本线损率,按照相同的方法可以根据多个样本数据得到多个样本线损率,即,一个样本数据对应一个样本线损率。
步骤520、基于局部异常因子算法,根据预设参数和每个样本数据的样本线损率,确定每个样本线损率的样本异常评分值。
对于局部异常因子算法和预设参数的具体描述可以参考上述实施例中的描述,在此不再赘述。计算机设备基于局部异常因子算法,根据预设参数可以计算一个样本线损率的局部离群因子,将此局部离群因子作为该样本线损率的样本异常评分值,经过多次计算可以得到多个样本异常评分值。样本异常评分值可以表征样本线损率的异常程度。样本异常评分值越大,样本线损率的异常程度越高;样本异常评分值越小,样本线损率的异常程度越低。
步骤530、根据每个样本数据的样本异常评分值和预设的异常评分值范围,确定预设的异常阈值。
预设的异常评分值范围可以是由工作人员经过多次实验得到的范围。计算机设备根据多个样本数据对应的多个异常评分值和预设的异常评分值范围,可以确定预设的异常阈值。
具体确定预设的异常阈值的方法一种可能的实现方式如图4所示,包括:
步骤531、将样本异常评分值降序排列,得到降序样本异常评分值集。
计算机设备将计算得到的多个样本数据对应的样本异常评分值按照从大到小的顺序进行排列,可以得到一个降序排列的集合,记为降序样本异常评分值集。
步骤532、根据预设的异常评分值范围,确定降序样本异常评分值集中的异常样本数据集。
步骤533、将异常样本数据集中的最小值作为预设的异常阈值。
计算机设备根据预设的异常评分值范围,可以将降序样本异常评分值集分为两部分,一部分为在预设的异常评分值范围内的异常样本数据集,另一部分为不在异常评分值范围内的非异常样本数据集。也就是说,在异常样本数据集中的每个样本异常评分值对应的样本线损率的异常程度较高,可以将该样本线损率确定为存在异常的样本线损率。异常样本数据集中的样本异常评分值是按照降序排列的,计算机设备可以将异常样本数据集中的最小值作为预设的异常阈值。在样本异常评分值大于或等于预设的异常阈值时,该异常样本评分值对应的样本线损率存在异常;在样本异常评分值小于预设的异常阈值时,该异常样本评分值在非异常样本数据集中,该异常样本评分值对应的样本线损率不存在异常。在本实施例中,根据电能计量设备的样本数据进行训练,确定可以判断异常评分值对应的线损率存在异常的预设的异常阈值,使得在通过电能计量设实时测量的目标数据判断线损率是否存在异常时非常方便。
请参见图5,步骤100“获取电能计量设备的多个目标数据”的一种可能的实现方式包括:
步骤110、获取电能计量设备的多个原始数据。
每个原始数据中包括原始供电量和原始用电量,原始数据中可能只包括原始供电量,不包括与该原始供电量对应的原始用电量,也可能只包括原始用电量,不包括与该原始用电量对应的原始供电量。多个原始数据可以是电能计量设备将测量的数据实时传输至计算机设备的存储器中,计算机设备直接在存储器中获取;多个原始数据也可以是计算机设备直接从电能计量设备中获取的数据。
步骤120、检测每个原始数据中是否包括原始供电量和对应的原始用电量。
步骤130、若原始数据中不包括原始供电量或对应的原始用电量,则删除原始数据,得到多个处理数据;
步骤140、将多个处理数据确定为多个目标数据。
计算机设备对获取到的多个原始数据进行检测,确定每个原始数据中是否包括原始供电量和对应的原始用电量,即,判断每个原始数据是否均包括原始供电量和对应的原始用电量。若某个原始数据中只包括原始用电量,不包括与该原始用电量对应的原始供电量,或者只包括原始供电量,不包括与该原始供电量对应的原始用电量,则将该原始数据删除。通过该方法对原始数据中的数据均进行检测,将经过删除后的多个原始数据记为多个处理数据,该多个处理数据即为后续进行计算线损率的多个目标数据。也就是说,多个处理数据中的原始供电量和原始用电量是一一对应的,不存在原始供电量和原始用电量单独存在的情况。在本实施例中,通过对电能计量设备测量的多个原始数据进行处理后得到多个目标数据,可以提高后续对每个目标数据的线损率计算的效率和准确性,从而提高判断电能计量设备是否存在故障的效率和准确性。
在一个具体的实施例中,获取电能计量设备的多个样本数据的具体步骤包括:获取电能计量设备的多个原始样本数据;检测每个原始样本数据中是否包括原始样本供电量和对应的原始样本用电量;若原始样本数据中不包括原始样本供电量或对应的原始样本用电量,则删除原始数据,得到多个处理样本数据;将多个处理样本数据确定为多个样本数据。
请参见图6,步骤200“根据多个目标数据,确定每个目标数据的线损率”的一种可能的实现方式包括:
步骤210、计算目标供电量和对应的目标用电量之间的差值;
步骤220、计算差值与目标供电量的比值,确定线损率。
计算机设备根据获取的电能计量设备的一个目标数据,计算该目标数据中的目标供电量和对应的目标用电量之间的差值,可以得到损耗的电量;计算差值与目标供电量之间的比值,即,计算损耗的电量占目标供电量的百分比,可以得到该目标数据的线损率。计算机设备对获取的每个目标数据使用上述的方法计算,可以得到每个目标数据的线损率。假设,目标供电量为PE,目标用电量为PS,线损率为L,则线损率L可以表示为
请参见图7,步骤300“基于局部异常因子算法,根据预设参数和每个目标数据的线损率,确定每个目标数据的异常评分值,包括:
步骤310、基于局部异常因子算法,根据预设参数和目标数据的线损率,计算线损率的局部可达密度和线损率的邻域线损率的局部可达密度。
步骤320、将线损率的邻域线损率的局部可达密度与线损率的局部可达密度的比值的平均数作为线损率的异常评分值。
线损率的邻域数据是指与该线损率的欧式距离在预设参数之内的线损率,线损率的领域线损率可以包括多个线损率。线损率的局部可达密度为与线损率的欧式距离在预设参数之间的线损率的平均可达距离的倒数,具体的线损率的局部可达密度表示为:其中,p表示目标数据的线损率,lrdk(p)表示线损率的局部可达密度,o表示线损率的领域线损率,rdk(p,o)表示线损率的邻域线损率到线损率的可达密度,Nk(p)表示线损率的邻域线损率的集合。线损率的邻域数据的局部可达密度与线损率的局部可达密度的比值的平均值为线损率的局部离群因子,线损率的局部离群因子即为线损率的异常评分值。具体的,线损率的局部离群因子可以表示为:/>其中,LOFk(p)表示线损率的局部离群因子,lrdk(o)表示线损率的邻域线损率的局部可达密度。根据上述方法可以计算得到每个线损率的异常评分值。
应该理解的是,虽然图中的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
请参见图8,本申请一个实施例提供一种电能计量设备故障检测装置10,该装置包括获取模块100、确定模块200、判断模块300。其中,
获取模块100用于获取电能计量设备的多个目标数据,其中,每个目标数据包括目标供电量和对应的目标用电量;
确定模块200用于根据多个所述目标数据,确定每个目标数据的线损率;
确定模块200还用于基于局部异常因子算法,根据预设参数和每个目标数据的线损率,确定每个线损率的异常评分值;
判断模块300用于根据预设的异常阈值和每个线损率的异常评分值,确定多个线损率是否存在异常的线损率,以判断电能计量设备是否存在故障。
在一个实施例中,判断模块300具体用于若异常评分值大于和等于预设的异常阈值,则确定异常评分值对应的线损率存在异常;若异常评分值小于预设的异常阈值,则确定异常评分值对应的线损率不存在异常。
在一个实施例中,获取模块100还用于获取电能计量设备的多个样本数据,其中,每个样本数据包括样本供电量和对应的样本用电量;确定模块200还用于根据多个样本数据,确定每个样本数据的线损率;基于局部异常因子算法,根据预设参数和每个样本数据的样本线损率,确定每个样本线损率的样本异常评分值;根据每个样本线损率的样本异常评分值和预设的异常评分值范围,确定预设的异常阈值。
在一个实施例中,确定模块200具体还用于将样本异常评分值降序排列,得到降序样本异常评分值集;根据预设的异常评分值范围,确定降序样本异常评分值集中的异常样本数据集;将异常样本数据集中的最小值作为预设的异常阈值。
在一个实施例中,获取模块100具体用于获取电能计量设备的多个原始数据;检测每个原始数据中是否包括原始供电量和对应的原始用电量;若原始数据中不包括原始供电量或对应的原始用电量,则删除原始数据,得到多个处理数据;将多个处理数据确定为多个所述目标数据。
在一个实施例中,确定模块200具体用于计算目标供电量和对应的目标用电量之间的差值;计算差值与目标供电量的比值,确定线损率。
在一个实施例中,确定模块200具体还用于基于局部异常因子算法,根据预设参数和目标数据的线损率,计算线损率的局部可达密度和线损率的邻域线损率的局部可达密度;将线损率的邻域数据的局部可达密度与线损率的局部可达密度的比值的平均数作为线损率的异常评分值。
关于上述电能计量设备故障检测装置10的具体限定可以参见上文中对于电能计量设备故障检测方法的限定,在此不再赘述。缺陷检测装置20中的各个模块可以全部或部分通过软件、硬件及其组合来实现。上述各装置、各模块或者各单元可以以硬件形式内嵌于或者独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个装置或模块对应的操作。
请参见图9,在一个实施例中,提供一种计算机设备,计算机设备可以是服务器,其内部结构图可以如图9所示。计算机设备包括通过***总线连接的处理器、存储器、网络接口和数据库。其中,计算机设备的处理器用于提供计算和控制能力。计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***、计算机程序和数据库。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。计算机设备的数据库用于存储目标数据和预设参数等。计算机设备的网络接口用于与外部的终端通过网络连接通信。计算机设备被处理器执行时以实现一种电能计量设备故障检测方法。
本领域技术人员可以理解,图9中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的控制装置的限定,具体的控制装置可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,本申请提供了一种计算机设备,包括存储器和处理器,存储器存储有计算机程序,处理器执行所述计算机程序时实现以下步骤:
获取电能计量设备的多个目标数据,其中,每个目标数据包括目标供电量和对应的目标用电量;
根据多个目标数据,确定每个目标数据的线损率;
基于局部异常因子算法,根据预设参数和每个目标数据的线损率,确定每个目标数据的异常评分值;
根据预设的异常阈值和每个线损率的异常评分值,确定多个线损率中是否存在异常的线损率,以判断电能计量设备是否存在故障。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:若异常评分值大于和等于预设的异常阈值,则确定异常评分值对应的线损率存在异常;若异常评分值小于预设的异常阈值,则确定异常评分值对应的线损率不存在异常。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:获取电能计量设备的多个样本数据,其中,每个样本数据包括样本供电量和对应的样本用电量;根据多个样本数据,确定每个样本数据的线损率;基于局部异常因子算法,根据预设参数和每个样本数据的样本线损率,确定每个样本线损率的样本异常评分值;根据每个样本线损率的样本异常评分值和预设的异常评分值范围,确定预设的异常阈值。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:将样本异常评分值降序排列,得到降序样本异常评分值集;根据预设的异常评分值范围,确定降序样本异常评分值集中的异常样本数据集;将异常样本数据集中的最小值作为预设的异常阈值。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:获取电能计量设备的多个原始数据;检测每个原始数据中是否包括原始供电量和对应的原始用电量;若原始数据中不包括原始供电量或对应的原始用电量,则删除原始数据,得到多个处理数据;将多个处理数据确定为多个目标数据。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:计算目标供电量和对应的目标用电量之间的差值;计算差值与目标供电量的比值,确定线损率。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:基于局部异常因子算法,根据预设参数和目标数据的线损率,计算线损率的局部可达密度和线损率的邻域线损率的局部可达密度;将线损率的邻域数据的局部可达密度与线损率的局部可达密度的比值的平均数作为线损率的异常评分值。
在一个实施例中,本申请提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取电能计量设备的多个目标数据,其中,每个目标数据包括目标供电量和对应的目标用电量;
根据多个目标数据,确定每个目标数据的线损率;
基于局部异常因子算法,根据预设参数和每个目标数据的线损率,确定每个线损率的异常评分值;
根据预设的异常阈值和每个线损率的异常评分值,确定多个线损率中是否存在异常的线损率,以判断电能计量设备是否存在故障。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:若异常评分值大于和等于预设的异常阈值,则确定异常评分值对应的线损率存在异常;若异常评分值小于预设的异常阈值,则确定异常评分值对应的线损率不存在异常。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:获取电能计量设备的多个样本数据,其中,每个样本数据包括样本供电量和对应的样本用电量;根据多个样本数据,确定每个样本数据的线损率;基于局部异常因子算法,根据预设参数和每个样本数据的样本线损率,确定每个样本线损率的样本异常评分值;根据每个样本线损率的样本异常评分值和预设的异常评分值范围,确定预设的异常阈值。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:将样本异常评分值降序排列,得到降序样本异常评分值集;根据预设的异常评分值范围,确定降序样本异常评分值集中的异常样本数据集;将异常样本数据集中的最小值作为预设的异常阈值。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:获取电能计量设备的多个原始数据;检测每个原始数据中是否包括原始供电量和对应的原始用电量;若原始数据中不包括原始供电量或对应的原始用电量,则删除原始数据,得到多个处理数据;将多个处理数据确定为多个目标数据。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:计算目标供电量和对应的目标用电量之间的差值;计算差值与目标供电量的比值,确定线损率。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:基于局部异常因子算法,根据预设参数和目标数据的线损率,计算线损率的局部可达密度和线损率的邻域线损率的局部可达密度;将线损率的邻域数据的局部可达密度与线损率的局部可达密度的比值的平均数作为线损率的异常评分值。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种电能计量设备故障检测方法,其特征在于,包括:
获取所述电能计量设备的多个样本数据,其中,每个所述样本数据包括样本供电量和对应的样本用电量;
针对每个所述样本数据,确定所述样本供电量和对应的样本用电量之间的差值;计算所述差值与所述样本供电量的比值,确定每个所述样本数据的样本线损率;
基于局部异常因子算法,根据预设参数和每个所述样本数据的样本线损率,确定每个样本线损率的样本异常评分值;
将每个样本线损率的样本异常评分值降序排列,得到降序样本异常评分值集;所述样本线损率的样本异常评分值,表征所述样本线损率的异常程度;
确定所述降序样本异常评分值集中的异常样本数据集;所述异常样本数据集中的各样本异常评分值属于预设的异常评分值范围;
将所述异常样本数据集中的最小值作为预设的异常阈值;
获取电能计量设备的多个目标数据,其中,每个所述目标数据包括目标供电量和对应的目标用电量;
计算所述目标供电量和对应的目标用电量之间的差值与所述目标供电量的比值,得到所述目标数据的线损率;
基于局部异常因子算法,根据预设参数和每个所述目标数据的线损率,确定每个所述线损率的异常评分值;
根据预设的异常阈值和每个所述线损率的异常评分值,确定多个所述线损率中是否存在异常的线损率,以判断所述电能计量设备是否存在故障。
2.根据权利要求1所述的方法,其特征在于,所述根据预设的异常阈值和每个所述线损率的异常评分值,确定多个所述线损率中是否存在异常的线损率,包括:
若所述异常评分值大于或等于预设的所述异常阈值,则确定所述异常评分值对应的线损率存在异常;
若所述异常评分值小于预设的所述异常阈值,则确定所述异常评分值对应的线损率不存在异常。
3.根据权利要求1所述的方法,其特征在于,所述获取电能计量设备的多个目标数据,包括:
获取所述电能计量设备的多个原始数据;
检测每个所述原始数据中是否包括原始供电量和对应的原始用电量;
若所述原始数据中不包括所述原始供电量或对应的原始用电量,则删除所述原始数据,得到多个处理数据;
将多个所述处理数据确定为多个所述目标数据。
4.根据权利要求1所述的方法,其特征在于,所述基于局部异常因子算法,根据预设参数和每个所述目标数据的线损率,确定每个所述线损率的异常评分值,包括:
基于所述局部异常因子算法,根据所述预设参数和所述目标数据的线损率,计算所述线损率的局部可达密度和所述线损率的邻域线损率的局部可达密度;
将所述线损率的邻域数据的局部可达密度与所述线损率的局部可达密度的比值的平均数作为线损率的异常评分值。
5.根据权利要求4所述的方法,其特征在于:线损率的邻域线损率是指与该线损率的欧式距离在预设参数之内的线损率;线损率的领域线损率包括多个线损率,线损率的局部可达密度为与线损率的欧式距离在预设参数之间的线损率的平均可达距离的倒数。
6.根据权利要求4所述的方法,其特征在于:线损率的局部可达密度表示为:其中,p表示目标数据的线损率,lrdk(p)表示线损率的局部可达密度,o表示线损率的邻域线损率,rdk(p,o)表示线损率的邻域线损率到线损率的可达密度,Nk(p)表示线损率的邻域线损率的集合。
7.一种电能计量设备故障检测装置,其特征在于,包括:
样本数据获取模块,用于获取所述电能计量设备的多个样本数据,其中,每个所述样本数据包括样本供电量和对应的样本用电量;
样本线损率确定模块,用于针对每个所述样本数据,确定所述样本供电量和对应的样本用电量之间的差值;计算所述差值与所述样本供电量的比值,确定每个所述样本数据的样本线损率;
样本异常确定模块,用于基于局部异常因子算法,根据预设参数和每个所述样本数据的样本线损率,确定每个样本线损率的样本异常评分值;
排序模块,用于将每个样本线损率的样本异常评分值降序排列,得到降序样本异常评分值集;所述样本线损率的样本异常评分值,表征所述样本线损率的异常程度;
数据集确定模块,用于确定所述降序样本异常评分值集中的异常样本数据集;所述异常样本数据集中的各样本异常评分值属于预设的异常评分值范围;
阈值确定模块,用于将所述异常样本数据集中的最小值作为预设的异常阈值;
获取模块,用于获取电能计量设备的多个目标数据,其中,每个所述目标数据包括目标供电量和对应的目标用电量;
线损率确定模块,用于计算所述目标供电量和对应的目标用电量之间的差值与所述目标供电量的比值,得到所述目标数据的线损率;
异常确定模块,用于基于局部异常因子算法,根据预设参数和每个所述目标数据的线损率,确定每个所述线损率的异常评分值;
判断模块,用于根据预设的异常阈值和每个所述线损率的异常评分值,确定多个所述线损率中是否存在异常的线损率,以判断所述电能计量设备是否存在故障。
8.根据权利要求7所述的装置,其特征在于,所述获取模块,还具体用于:获取所述电能计量设备的多个原始数据;检测每个所述原始数据中是否包括原始供电量和对应的原始用电量;若所述原始数据中不包括所述原始供电量或对应的原始用电量,则删除所述原始数据,得到多个处理数据;将多个所述处理数据确定为多个所述目标数据。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011382953.0A CN112731261B (zh) | 2020-12-01 | 2020-12-01 | 电能计量设备故障检测方法、装置、计算机设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011382953.0A CN112731261B (zh) | 2020-12-01 | 2020-12-01 | 电能计量设备故障检测方法、装置、计算机设备和介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112731261A CN112731261A (zh) | 2021-04-30 |
CN112731261B true CN112731261B (zh) | 2024-01-30 |
Family
ID=75598048
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011382953.0A Active CN112731261B (zh) | 2020-12-01 | 2020-12-01 | 电能计量设备故障检测方法、装置、计算机设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112731261B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108256559A (zh) * | 2017-12-27 | 2018-07-06 | 国网河南省电力公司电力科学研究院 | 一种基于局部离群点因子的低压窃电用户定位方法 |
CN109031184A (zh) * | 2018-10-31 | 2018-12-18 | 国网河北省电力有限公司电力科学研究院 | 一种电能计量装置的监测方法、***及终端设备 |
CN111144435A (zh) * | 2019-11-11 | 2020-05-12 | 国电南瑞科技股份有限公司 | 基于lof和验证过滤框架的电能量异常数据监测方法 |
CN111401460A (zh) * | 2020-03-24 | 2020-07-10 | 南京师范大学镇江创新发展研究院 | 一种基于限值学习的异常电量数据辨识方法 |
CN111651721A (zh) * | 2020-06-15 | 2020-09-11 | 四川中电启明星信息技术有限公司 | 一种基于时空关联矩阵的反窃电预警方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2927482A1 (fr) * | 2016-04-20 | 2017-10-20 | Hydro Quebec | Etalonnnage en ligne de compteurs et detection de non-conformites electriques |
-
2020
- 2020-12-01 CN CN202011382953.0A patent/CN112731261B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108256559A (zh) * | 2017-12-27 | 2018-07-06 | 国网河南省电力公司电力科学研究院 | 一种基于局部离群点因子的低压窃电用户定位方法 |
CN109031184A (zh) * | 2018-10-31 | 2018-12-18 | 国网河北省电力有限公司电力科学研究院 | 一种电能计量装置的监测方法、***及终端设备 |
CN111144435A (zh) * | 2019-11-11 | 2020-05-12 | 国电南瑞科技股份有限公司 | 基于lof和验证过滤框架的电能量异常数据监测方法 |
CN111401460A (zh) * | 2020-03-24 | 2020-07-10 | 南京师范大学镇江创新发展研究院 | 一种基于限值学习的异常电量数据辨识方法 |
CN111651721A (zh) * | 2020-06-15 | 2020-09-11 | 四川中电启明星信息技术有限公司 | 一种基于时空关联矩阵的反窃电预警方法 |
Non-Patent Citations (3)
Title |
---|
基于大数据技术支撑的线损异常分析与线损预测研究;刘畅;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20200115;第三章 * |
基于局部异常点检测算法的电能表飞走异常智能分析;李亦非等;《电测与仪表》;20160925;第53卷(第18期);第69-73页 * |
基于局部离群点检测的低压台区用户窃电识别;耿俊成等;《电网与清洁能源》;20191130;第35卷(第11期);第30-36页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112731261A (zh) | 2021-04-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chen et al. | Quickest line outage detection and identification | |
CN110389269B (zh) | 基于电流优化匹配的低压台区拓扑关系识别方法及其装置 | |
CN102129060B (zh) | 电能表可靠性检测方法及装置 | |
CN105637432A (zh) | 识别被监控实体的异常行为 | |
CN111224469A (zh) | 输电线路线损监测预警方法、装置、设备和介质 | |
CN112684247B (zh) | 用户窃电检测方法、装置、计算机设备及存储介质 | |
CN110210738B (zh) | 一种供电可靠性分析方法及其*** | |
CN110990645A (zh) | 用电监测方法、装置、计算机设备和存储介质 | |
CN115238831A (zh) | 故障预测方法、装置、计算机设备、存储介质和程序产品 | |
CN109146265A (zh) | 基于动态规划时间序列相似性的三相不平衡源溯源方法 | |
CN113746425B (zh) | 光伏逆变器参数异常分析方法、*** | |
WO2013131003A1 (en) | System and method for estimating performance metrics of conservation voltage reduction (cvr) systems and volt/var optimization systems | |
US20160380433A1 (en) | Method of determining a condition of an electrical power network and apparatus therefor | |
CN110544031B (zh) | 电能表可靠度预计方法、装置、计算机设备和存储介质 | |
de Oliveira et al. | Voltage sags: Validating short-term monitoring by using long-term stochastic simulation | |
CN112731261B (zh) | 电能计量设备故障检测方法、装置、计算机设备和介质 | |
JP2019110740A (ja) | 電力使用量予測システムおよび方法 | |
CN109375145B (zh) | 基于三相三线表计设备的失压故障监测方法和装置 | |
CN109375144B (zh) | 基于三相四线表计设备的失流故障监测方法和装置 | |
CN114239867A (zh) | 故障类型确定方法、装置、计算机设备和可读存储介质 | |
CN109507628B (zh) | 基于三相四线表计设备的反极性故障监测方法和装置 | |
CN109193563B (zh) | 基于三相三线表计设备的失流故障监测方法和装置 | |
Jiang | Real-time power system topology change detection and identification | |
CN112685463A (zh) | 电能表串户辅助识别方法、装置、计算机设备和存储介质 | |
CN111177131A (zh) | 用电数据检测方法、装置、计算机设备和存储介质 |
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 |