CN112990730B - 一种利用人为采集失败增强电量相关性特征的方法 - Google Patents
一种利用人为采集失败增强电量相关性特征的方法 Download PDFInfo
- Publication number
- CN112990730B CN112990730B CN202110326086.7A CN202110326086A CN112990730B CN 112990730 B CN112990730 B CN 112990730B CN 202110326086 A CN202110326086 A CN 202110326086A CN 112990730 B CN112990730 B CN 112990730B
- Authority
- CN
- China
- Prior art keywords
- electric quantity
- acquisition failure
- correlation
- user
- negative pole
- 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 20
- 230000002708 enhancing effect Effects 0.000 title claims abstract description 12
- 230000005611 electricity Effects 0.000 claims abstract description 49
- 238000010219 correlation analysis Methods 0.000 claims abstract description 18
- 238000005457 optimization Methods 0.000 claims abstract description 14
- 230000008014 freezing Effects 0.000 claims abstract description 11
- 238000007710 freezing Methods 0.000 claims abstract description 11
- 238000003745 diagnosis Methods 0.000 claims abstract description 10
- 238000007405 data analysis Methods 0.000 claims abstract description 3
- 230000035772 mutation Effects 0.000 claims description 30
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000005265 energy consumption Methods 0.000 claims 2
- 238000001514 detection method Methods 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000013139 quantization 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
-
- 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
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Theoretical Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Quality & Reliability (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
本发明属于电力拓扑大数据分析领域,尤其涉及一种利用人为采集失败增强电量相关性特征的方法。其特征在于包括以下步骤:S1:获取台区用户分支数据、用电量数据和邻近台区数据;S2:根据上述数据,建立基于采集失败优化的电量相关性分析模型;S3:利用基于采集失败优化的电量相关性分析模型诊断用户分支与台区归属关系;S4:对上述诊断结果按照给定的标准输出格式进行输出。本发明对通过对用电信息采集***的日冻结示数进行处理,将某个用户多日用电量合并为一天用电量,提高用电量与台区线损比值和用电量波动率,增强电量电量相关性特征,从而提高电量相关性分析进行台区户变识别的准确率和检出率。
Description
技术领域
本发明属于电力拓扑大数据分析领域,尤其涉及一种利用人为采集失败增强电量相关性特征的方法。
背景技术
随着用电信息采集***的全面覆盖,台区变压器侧的考核表和用户电能表的售电量数据作为最重要的运行数据可实现每日采集。根据能量守恒定律,台区供售电量之间存在如下关系,即:
台区考核表供电量=各用户分表售电量之和+台区线损。
当用户表不归属于台区时,用电量增加多少kWh,台区线损几乎同时降低多少kWh,用户表和线损的皮尔逊相关性系数呈现负相关特征。
皮尔逊相关性系数作为反映2个序列数据X,Y之间线性相关性程度的指标,其值在[-1,1]之间,可用来判断X和Y相关性的高低。皮尔逊系数用作样本时,记作R(X,Y)。
其中:n是样本数量,Xi,Yi是变量X,Y对应的i点观测值,是X样本平均数,/>是Y样本平均数。
现有利用电量相关性分析方法进行户变识别时,一般通过计算一定时间周期用户表用电量与台区线损的皮尔逊相关性系数,若数值小于阈值-0.8,则认为用户与台区不存在归属关系。如图2所示。
由于需要进行户变识别的台区一般为公变台区,利用用电量电量相关性分析结果进行户变识别时,若用户用电量与线损比值低、用电量波动率小时,皮尔逊相关性系数与0值比较接近,负相关特征并不明显,不能准确判别用户不归属于某个台区。
发明内容
针对现有技术存在的问题,本发明提供了识别准确、检出率高的一种利用人为采集失败增强电量相关性特征的方法。
本发明是这样实现的,一种利用人为采集失败增强电量相关性特征的方法,包括以下步骤:
S1:获取台区用户分支数据、用电量数据和邻近台区数据;
S2:根据上述数据,建立基于采集失败优化的电量相关性分析模型;
S3:利用基于采集失败优化的电量相关性分析模型诊断用户分支与台区归属关系;
S4:对上述诊断结果按照给定的标准输出格式进行输出。
本发明对通过对用电信息采集***的日冻结示数进行处理,将某个用户多日用电量合并为一天用电量,提高用电量与台区线损比值和用电量波动率,增强用电量电量相关性特征,从而提高电量相关性分析进行台区户变识别的准确率和检出率。
所述的S1进行之前通过档案数据分析诊断出邻近台区,所述的邻近台区数据包括台区名称邻近、采集邻近和或供配电邻近的用户分支数据、用电量数据。
所述的基于采集失败优化的电量相关性分析模型包括对用电信息采集***的日冻结示数进行处理,将1天或多天数据归入某一天用电量,对原有计算结果达不到识别阈值的用户纳入诊断范围。
所述的基于采集失败优化的电量相关性分析模型,具体是:
对于台区A,电表B属于台区A,台区考核表C电量正常采集,电表B日冻结示数正常采集时,Ti日台区日线损ΔΦi有:
ΔΦi=ΦCi-∑Φi
其中:ΦCi台区考核表C日电量,Φi为各用户表日电量;
若电表B在Ti日前j天采集失败,电表B采集失败日电量归0处理,则采集失败Ti-j日至Ti-1日线损ΔΦk’,k∈{Ti-j,…,Ti-1},有:
ΔΦK’=ΔΦk+ΦBk
其中:Φk为k日真实日线损,ΦBK为电表B的k日电量;
Ti日的线损ΔΦk”,有:
ΔΦi”=ΔΦi-∑ΦBk
其中:Φi为Ti日真实日线损,∑ΦBK为电表B的Ti-j到Ti-1共j日电量和;
Ti-j到Ti日的线损均会发生突变。
所述的S3诊断,是指分别计算用户与待归属台区1和2的采集正常和采集失败的正负相关性系数。R1负和R1正为用户与台区1的采集正常的2个相关性系数,R1’负和R1’正为用户与台区1的采集失败的2个相关性系数,R2负和R2正为用户与台区2的采集正常的2个相关性系数,R2’负和R2’正为用户与台区1的采集失败的2个相关性系数,则有:
台区1负相关系数采集失败突变差值K1负=R1负-R1’负
台区2负相关系数采集失败突变差值K2负=R2负-R2’负
台区1正相关系数采集失败突变差值K1正=R1正-R1’正
台区2正相关系数采集失败突变差值K2正=R2正-R2’正
台区1采集失败正负相关性系数突变差值K1=K1正-K1负
台区2采集失败正负相关性系数突变差值K2=K2正-K2负
相关性系数采集失败突变差值△K=K1-K2;
根据相关性系数采集失败突变差值和可设置阈值判定台区归属关系。
本发明的优点及积极效果为:本发明对用电信息采集***采集回来的日冻结示数,在参与用电量电量相关性计算时间段内挑选时间点集合T={T1,T2,...Tn},将Ti日前1个或j个时间点的日冻结示值用Ti-j-1的日冻结示数替换,造成Ti时间点的日用电量增加,提升用电量与台区线损比值和电量变化波动率,增强用电量电量相关性特征,从而提高电量相关性分析进行台区户变识别的准确率和检出率。
附图说明
图1是本发明的原理方框图。
图2是本发明的相关性识别示意图。
图3是本发明的线损突变示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。
实施例1:
如图1所示,本发明是这样实现的,一种利用人为采集失败增强电量相关性特征的方法,包括:一种利用人为采集失败增强电量相关性特征的方法,包括以下步骤:
S1:获取台区用户分支数据、用电量数据和邻近台区数据;
S2:根据上述数据,建立基于采集失败优化的电量相关性分析模型;
S3:利用基于采集失败优化的电量相关性分析模型诊断用户分支与台区归属关系;
S4:对上述诊断结果按照给定的标准输出格式进行输出。
S1进行之前通过档案数据分析诊断出邻近台区,所述的邻近台区数据包括台区名称邻近、采集邻近和或供配电邻近的用户分支数据、用电量数据。
基于采集失败优化的电量相关性分析模型包括对用电信息采集***的日冻结示数进行处理,将1天或多天数据归入某一天用电量,对原有计算结果达不到识别阈值的用户纳入诊断范围。
基于采集失败优化的电量相关性分析模型,具体是:
对于台区A,电表B属于台区A,台区考核表C电量正常采集,电表B日冻结示数正常采集时,Ti日台区日线损ΔΦi有:
ΔΦi=ΦCi-∑Φi
其中:ΦCi台区考核表C日电量,Φi为各用户表日电量;
若电表B在Ti日前j天采集失败,电表B采集失败日电量归0处理,则采集失败Ti-j日至Ti-1日线损ΔΦk’,k∈{Ti-j,…,Ti-1},有:
ΔΦK’=ΔΦk+ΦBk
其中:Φk为k日真实日线损,ΦBK为电表B的k日电量;
Ti日的线损ΔΦk”,有:
ΔΦi”=ΔΦi-∑ΦBk
其中:Φi为Ti日真实日线损,∑ΦBK为电表B的Ti-j到Ti-1共j日电量和;
Ti-j到Ti日的线损均会发生突变。如图3所示。Y为用户日用电量,DY为台区TG日线损。
在用户分支电量和台区线损之间计算2个相关性系数。一个是负相关系数,即计算分支下用户合并后电量、台区线损(待计算分支电量计入台区)间2个时间序列数据的皮尔逊相关性系数,诊断用户不归属与某个台区;另一个是正相关系数,即计算分支下用户合并后电量,剔除计算分支下用户电量后的台区线损(待计算分支电量不计入台区)间时间序列数据的皮尔逊相关性系数,诊断用户归属于某个台区。
别计算用户与待归属台区1和2的采集正常和采集失败的正负相关性系数。R1负和R1正为用户与台区1的采集正常的2个相关性系数,R1’负和R1’正为用户与台区1的采集失败的2个相关性系数,R2负和R2正为用户与台区2的采集正常的2个相关性系数,R2’负和R2’正为用户与台区1的采集失败的2个相关性系数,则有:
台区1负相关系数采集失败突变差值K1负=R1负-R1’负
台区2负相关系数采集失败突变差值K2负=R2负-R2’负
台区1正相关系数采集失败突变差值K1正=R1正-R1’正
台区2正相关系数采集失败突变差值K2正=R2正-R2’正
台区1采集失败正负相关性系数突变差值K1=K1正-K1负
台区2采集失败正负相关性系数突变差值K2=K2正-K2负
相关性系数采集失败突变差值△K=K1-K2;
根据相关性系数采集失败突变差值和可设置阈值判定台区归属关系。
具体如表1所示。
表1相关性系数采集失败突变差值诊断台区归属表
本发明的优点:
1、用户用电量平衡、波动率小时,用电量与线损的相关性系数值靠近0值,台区归属关系不易识别,本发明通过采集失败会造成用电量波动率上升的特征,人为造成采集失败,负相关性特征将会增强。
2、对于用户和台区不存在归属关系的,非归属台区供电量不会包含该用户用电量,因此采集失败造成的电量变化对非归属台区来说,正相关系数变化并不大,其变化值可正可负,但对归属台区来说,其正相关性值会显著下降。
3、通过对正负相关性突变差值进行阈值设置,超过阈值的可准确诊断用户的台区归属。
4、对于合并电量的用户分支,因多个用户电量合并,其电量与线损占比虽然上升,但波动率下降,成为平稳用电用户,相关性系数值特征同样存在不明显的情况,通过人为造成采集失败,可提高台区归属识别的准确率。
实验证明
本发明针对用电量平衡、波动率小的用户,在进行用电量电量相关性分析时正负相关性不够突出,识别准确率和检出率受到限制,利用在一段时间区间内人为多次造成采集失败,提高用电量波动率,对归属和非归属台区正负相关性系数值造成的差值变化并进行阈值量化,从而准确进行归属台区诊断。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (4)
1.一种利用人为采集失败增强电量相关性特征的方法,其特征在于:包括以下步骤:
S1:获取台区用户分支数据、用电量数据和邻近台区数据;
S2:根据上述数据,建立基于采集失败优化的电量相关性分析模型;
S3:利用基于采集失败优化的电量相关性分析模型诊断用户分支与台区归属关系;所述的诊断,是指分别计算用户与待归属台区1和2的采集正常和采集失败的正负相关性系数,R1负和R1正为用户与台区1的采集正常的2个相关性系数,R1’负和R1’正为用户与台区1的采集失败的2个相关性系数,R2负和R2正为用户与台区2的采集正常的2个相关性系数,R2’负和R2’正为用户与台区1的采集失败的2个相关性系数,则有:
台区1负相关系数采集失败突变差值K1负=R1负-R1’负
台区2负相关系数采集失败突变差值K2负=R2负-R2’负
台区1正相关系数采集失败突变差值K1正=R1正-R1’正
台区2正相关系数采集失败突变差值K2正=R2正-R2’正
台区1采集失败正负相关性系数突变差值K1=K1正-K1负
台区2采集失败正负相关性系数突变差值K2=K2正-K2负
相关性系数采集失败突变差值△K=K1-K2;
根据相关性系数采集失败突变差值和可设置阈值判定台区归属关系;
S4:对诊断结果按照给定的标准输出格式进行输出。
2.如权利要求1所述的一种利用人为采集失败增强电量相关性特征的方法,其特征在于,所述的S1进行之前通过档案数据分析诊断出邻近台区,所述的邻近台区数据包括台区名称邻近、采集邻近和或供配电邻近的台区分组数据。
3.如权利要求1所述的一种利用人为采集失败增强电量相关性特征的方法,其特征在于,所述的基于采集失败优化的电量相关性分析模型包括对用电信息采集***的日冻结示数进行处理,将1天或多天数据归入某一天用电量,从而对原有计算结果达不到识别阈值的用户纳入诊断范围。
4.如权利要求3所述的一种利用人为采集失败增强电量相关性特征的方法,其特征在于,所述的基于采集失败优化的电量相关性分析模型,具体是:
对于台区A,电表B属于台区A,台区考核表C电量正常采集,电表B日冻结示数正常采集时,Ti日台区日线损∆Φi有:
∆Φi=ΦCi-∑Φi
其中:ΦCi台区考核表C日电量,Φi为各用户表日电量;
若电表B在Ti日前j天采集失败,电表B采集失败日电量归0处理,则采集失败Ti-j日至Ti-1日线损∆Φk’,k∈{Ti-j,…,Ti-1},有:
∆ΦK’=∆Φk+ΦBk
其中:Φk为k日真实日线损,ΦBK为电表B的k日电量;
Ti日的线损∆Φk”,有:
∆Φi”=∆Φi-∑ΦBk
其中:Φi为Ti日真实日线损,∑ΦBK为电表B的Ti-j到Ti-1共j日电量和;
Ti-j到Ti日的线损均会发生突变。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110326086.7A CN112990730B (zh) | 2021-03-26 | 2021-03-26 | 一种利用人为采集失败增强电量相关性特征的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110326086.7A CN112990730B (zh) | 2021-03-26 | 2021-03-26 | 一种利用人为采集失败增强电量相关性特征的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112990730A CN112990730A (zh) | 2021-06-18 |
CN112990730B true CN112990730B (zh) | 2024-01-05 |
Family
ID=76333784
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110326086.7A Active CN112990730B (zh) | 2021-03-26 | 2021-03-26 | 一种利用人为采集失败增强电量相关性特征的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112990730B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115061076A (zh) * | 2022-05-31 | 2022-09-16 | 云南电网有限责任公司 | 一种基于轻载台区的电表误差检测方法 |
CN117880856B (zh) * | 2024-03-11 | 2024-05-31 | 武汉众诚华鑫科技有限公司 | 一种基于人工智能的电信基站安全预警方法及*** |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109919425A (zh) * | 2019-01-23 | 2019-06-21 | 国网浙江省电力有限公司 | 一种基于相关性分析的台区用户关系纠错方法 |
CN110597792A (zh) * | 2019-06-24 | 2019-12-20 | 国网甘肃省电力公司电力科学研究院 | 基于同期线损数据融合的多级冗余数据融合方法及装置 |
CN111400371A (zh) * | 2020-03-13 | 2020-07-10 | 上海电力大学 | 一种基于电压相关性校验的户变关系识别方法 |
-
2021
- 2021-03-26 CN CN202110326086.7A patent/CN112990730B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109919425A (zh) * | 2019-01-23 | 2019-06-21 | 国网浙江省电力有限公司 | 一种基于相关性分析的台区用户关系纠错方法 |
CN110597792A (zh) * | 2019-06-24 | 2019-12-20 | 国网甘肃省电力公司电力科学研究院 | 基于同期线损数据融合的多级冗余数据融合方法及装置 |
CN111400371A (zh) * | 2020-03-13 | 2020-07-10 | 上海电力大学 | 一种基于电压相关性校验的户变关系识别方法 |
Non-Patent Citations (2)
Title |
---|
基于相关度计算的台区表计异常研判方法;李田;虞荻;李培法;;农村电工(第10期);全文 * |
顾及空间约束的户变关系识别与调整方法;李源林;邓帆;龚杰;付康;;电脑知识与技术(第28期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112990730A (zh) | 2021-06-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107340492B (zh) | 基于大数据挖掘和场景预判的电能计量装置故障分析方法 | |
CN111817291B (zh) | 一种基于电压关联特性的低压台区相户关系识别方法 | |
CN112990730B (zh) | 一种利用人为采集失败增强电量相关性特征的方法 | |
CN103678766B (zh) | 一种基于pso算法的异常用电客户检测方法 | |
CN110222991B (zh) | 基于rf-gbdt的计量装置故障诊断方法 | |
CN109190950B (zh) | 一种电表和水表档案贯通的用能异常识别方法 | |
CN110739686B (zh) | 一种基于总表异常分析的台区线损治理方法及*** | |
CN111008510B (zh) | 一种台区内电表识别方法及判断电表所属台区的方法 | |
CN109447404A (zh) | 住房空置率的评估方法、装置、计算机设备和存储介质 | |
CN112418687B (zh) | 基于用电特征的用户用电异常识别方法、装置和存储介质 | |
CN113033897A (zh) | 基于用户分支的电量相关性识别台区户变关系的方法 | |
CN115994131A (zh) | 基于用电时序数据的居民社区特征标签计算方法及*** | |
CN116008898A (zh) | 一种基于岭回归模型的电能表失准分析方法及*** | |
CN114862229A (zh) | 电能质量评估方法、装置、计算机设备和存储介质 | |
CN108490285B (zh) | 一种基于电压降落法的低压台区线损率计算方法 | |
CN110555619A (zh) | 一种基于智能配电网的供电能力评估方法 | |
CN116303480B (zh) | 基于云计算的电能表误差校验方法 | |
CN115508662B (zh) | 一种用于判定台区电表与表箱间归属关系的方法 | |
CN117236022A (zh) | 互感器剩余寿命预测模型训练方法、应用方法及电子设备 | |
CN116910655A (zh) | 一种基于装置量测数据的智能电能表故障预测方法 | |
CN107832928B (zh) | 基于风力发电特性曲线的等效综合线损评价方法 | |
CN114219245B (zh) | 基于大数据的乡村电力指数评价方法、装置及存储介质 | |
CN115545240A (zh) | 一种低压配电网台区异常线损诊断方法、***、设备及介质 | |
CN116662840A (zh) | 一种基于机器学习的低压台区用户相位识别方法 | |
CA2884384C (en) | System data compression system and method thereof |
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 |