CN113221931B - 一种基于用电信息采集大数据分析的反窃电智能识别方法 - Google Patents
一种基于用电信息采集大数据分析的反窃电智能识别方法 Download PDFInfo
- Publication number
- CN113221931B CN113221931B CN202011544142.6A CN202011544142A CN113221931B CN 113221931 B CN113221931 B CN 113221931B CN 202011544142 A CN202011544142 A CN 202011544142A CN 113221931 B CN113221931 B CN 113221931B
- Authority
- CN
- China
- Prior art keywords
- users
- current
- index
- electricity
- value
- 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
- 230000005611 electricity Effects 0.000 title claims abstract description 130
- 238000000034 method Methods 0.000 title claims abstract description 35
- 230000002265 prevention Effects 0.000 title claims abstract description 14
- 238000007405 data analysis Methods 0.000 title claims abstract description 7
- 238000004458 analytical method Methods 0.000 claims abstract description 38
- 238000012216 screening Methods 0.000 claims abstract description 25
- 238000004364 calculation method Methods 0.000 claims description 60
- 230000035772 mutation Effects 0.000 claims description 21
- 230000000737 periodic effect Effects 0.000 claims description 16
- 238000007689 inspection Methods 0.000 claims description 8
- 238000010220 Pearson correlation analysis Methods 0.000 claims description 3
- 230000002457 bidirectional effect Effects 0.000 claims description 3
- 238000003064 k means clustering Methods 0.000 claims description 3
- 238000011064 split stream procedure Methods 0.000 claims description 3
- 238000011161 development Methods 0.000 abstract description 3
- 238000012544 monitoring process Methods 0.000 abstract description 3
- 230000006399 behavior Effects 0.000 description 3
- 238000011835 investigation Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004141 dimensional analysis Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000013024 troubleshooting Methods 0.000 description 1
- 238000012795 verification 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
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
- 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)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer 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
本发明涉及一种基于用电信息采集大数据分析的反窃电智能识别方法,属于供电企业反窃电技术领域。包括:1)对台区进行户变变动监测、档案核查、异常监测分析、异常指标分析筛选出存在疑似窃电用户的台区;2)运用指标数据,构建业务分析模型,并通过模型评分规则对业务分析模型各指标进行打分,最终按各指标权重,计算出疑似窃电用户分数排名,找出台区中疑似窃电用户;3)依据按权重输出疑似窃电重点用户清单,进行窃电用户及窃电台区预警。优点是为供电企业反窃电工作提供一种精准、快捷、高效的分析筛选方法,提升对窃电行为分析和管控能力,及时满足各级供电单位快速高效的开展工作,提高供电可靠性,提升用户满意度。
Description
技术领域
本发明涉及一种供电企业反窃电的技术领域,具体涉及一种基于用电信息采集大数据分析的反窃电智能识别方法。
背景技术
随着社会经济发展,社会用电需求不断增加,一些不法经营者为谋取暴利,置国家法律、法规于不顾,不择手段地窃取国家电能,窃电问题已成为困扰电力企业的一项难题。窃电行为不仅损害了国家和电力企业的经济利益,还危及到电网的安全运行,阻碍了电力行业的发展。现有反窃电方法主要是基于用电检查人员进行现场稽查,包括定期巡检、现场校验电表、用户举报等,不仅工作量大,且对人的依赖性太强,精确度和效率难以满足反窃电工作的要求,反窃电工作非常被动,查处准确性低。
发明内容
本发明提供一种基于用电信息采集大数据分析的反窃电智能识别方法,以解决目前采用人工方法进行反窃电监控、分析,存在的排查工作量大、精准度低的问题。
本发明采取的技术方案是:包括下列步骤:
步骤1:筛选目标台区。
(1)台区档案核查:核查内容包括:多考核计量点核查、接线方式三相非直通表倍率为1核查、光伏计量点主用途错误核查、双向计量异常核查,以上4个核查条件为并列条件,核查数据范围为台区、用户、电表、计量点;
(2)筛选可监测台区:可监测台区筛选条件为采集成功率≥98%、采集覆盖率≥98%,以上2个筛选条件为串行条件,核查数据范围包括采集成功率、采集覆盖率;
(3)一周内户变关系未调整判断:判断依据为台区下电表数量未发生变化,核查数据范围包括台区、用户、电表、计量点,其判断公式为:
Nt=Nt-1......=Nt-6
其中Nt为当前日期台区下电能表数;
(4)指标筛选:通过对线损率、一周内线损率波系数、三相不平衡度、功率因数4个指标进行筛选;
指标1:线损率≥K1,K1建议取值为15%;
指标2:一周内线损率波动系数≥K2,其中xi为每日线损率μ为N天内线损率均值,K2建议取值为3;
其中xi为每日线损率μ为N天内线损率均值;
指标3:三相不平衡度≥K3,K3建议取值为50%;
指标4:功率因数≤K4,K4建议取值为0.6;
步骤2:运用指标数据,构建业务分析模型,并通过模型评分规则对业务分析模型各指标进行打分,最终按各指标权重,计算出疑似窃电用户分数排名,找出台区中疑似窃电用户;
所述业务分析模型共6个指标,分别是与历史用电量比较突变值、用电量与线损率相关度、聚类用户与线损率相关度、开盖与电量突变值、零火线电流不平衡度、分流分析值。
根据业务分析模型的6个指标,利用层次分析法,为每个模型得到的疑似用户打分,分为一级分、二级分,并按照不同的得分和各模型权重,将用户分为高嫌疑用户、一般嫌疑用户;
(1)与历史用电量比较突变值
1)指标说明及权重
与历史用电量比较突变值是以周为单位,结合前4个周期的用电量,用移动平均法计算出用户历史用电量均值,并将当前周期用电量和历史用电量均值做比较,其权重为0.2;
2)指标计算模型
其中Mt为移动平均法计算得到的周期用电量,Mt+1为当前周期用电量均值,t为当前日期,N为计算天数,i为按计算周期天数的调整自然数,Δy为当前周期用其中电量与移动平均法计算得到的周期用电量的变化率|Δy|>30%,则认为用电量突变;
3)指标计算数据源
与历史用电量比较突变值的数据源是从当前时间点向前35天用户日用电量;
4)指标评分规则及等级
与历史用电量比较突变值30-35%为5分,35-45%为6分,45-60%为7分,60-80%为8分,80-100%为9分,超100%为10分。一级分为5分,二级分为10分;
(2)用电量与线损率相关度
1)指标说明及权重
用电量与线损率相关度是在统计周期内,找出用户用电量同线损相关性较强的用户,正相关或负相关,其权重为0.3;
2)指标计算模型
其中,ρX,Y表示X和Y两个变量的相关系数,cov(X,Y)为X与Y的协方差,σ为标准差,X为台区供电量/线损率,Y为台区台区售电量/用户采集电量,表示X变量的平均值,表示Y变量的平均值,n为计算天数,i为按计算周期天数的调整自然数,筛选绝对值ρX,Y≥0.8的用户;
3)指标计算数据源
用电量与线损率相关度的数据源是从当前时间点向前56天用户日用电量;
4)指标评分规则及等级
用电量与线损率相关度大于0.8,基础分为15分,每超0.01加1分,最高加20分,如相关度为0.93即15+1×(0.93-0.8)/0.01=28,一级分为15分,二级分为35分;
(3)聚类用户与线损率相关度
1)指标说明及权重
聚类用户与线损率相关度是在进行聚类分析后的用户群同台区线损存在较强的相关性,其权重为0.1;
2)指标计算模型
k-means聚类、皮尔逊相关性分析,筛选用户用电量和台区线损相关性≥0.8;
3)指标计算数据源
聚类用户与线损率相关度的数据源是从当前时间点向前56天用户日用电量;
4)指标评分规则及等级
聚类用户与线损率相关度大于0.8,基础分为5分,每超0.01加0.5分,最高加10分;如相关度为0.93即5+0.5×(0.93-0.8)/0.01=11.5;一级分为5分,二级分为15分;
(4)开盖与电量突变值
1)指标说明及权重
开盖与电量突变值是存在开盖事件,且开盖前后存在电量突变的用户,其权重为0.05;
2)指标计算模型
其中Mt为移动平均法计算得到的开盖事件发生前的周期用电量,Mt+1为开盖事件发生后的周期用电量均值,t为当前日期,N为计算天数,i为按计算周期天数的调整自然数,Δy为当前周期用电量与移动平均法计算得到的周期用电量的变化率,筛选
|Δy|>30%用户;
3)指标计算数据源
开盖与电量突变值的数据源包括开盖事件,从当前时间点向前35天用户日用电量;
4)指标评分规则及等级
发生开盖事件,且事件前后存在电量突变即为5分即为5分,一级分为5分,二级分为5分;
(5)零火线电流不平衡度
1)指标说明及权重
零火线电流不平衡度是指火线电流/零线电流小于0.8,其权重为0.05;
2)指标计算模型
其中I1为火线电流,I2为零线电流;电流时间点选择7、11、15、19四个点;
3)指标计算数据源
零火线电流不平衡度的数据源为用户一天7、11、15、19四个点零线电流、火线电流;
4)指标评分规则及等级
火线电流/零线电流小于0.8,基础分为10分,每减少0.04加0.75分,最高加15分,如比值为0.64即10+1×(0.8-0.64)/0.04*0.75=13;一级分为10分,二级分为25分;
(6)分流分析值
1)指标说明及权重
分流分析值是指①7、11、15、19四个点零线电流大于A1,且火线电流/零线电流都小于A2;②7、11、15、19四个点零线电流大于0.1,且至少存在一个点火线电流/零线电流小于等于A3;
2)指标计算模型
满足条件时,
σ<A1
xi:每一点的零、火线比值,μ:零、火线比值平均值,N为计算天数,i为按计算周期天数的调整自然数;A1值为0.1,A2值为0.8,A3值为0.5;
3)指标计算数据源
分流分析值的数据源是零/火线电流的7、11、15、19四点曲线;
4)指标评分规则及等级
存在分流窃电即为5分,一级分为5分,二级分为5分;
步骤3:依据按权重输出疑似窃电重点用户清单,进行窃电用户及窃电台区预警,判断规则为当该疑似窃电用户连续出现3次,且两周内累计出现5次,将该用户列入高风险用户清单;当某一台区的疑似窃电用户≥5户,将该台区列入高风险台区清单,通过给出的窃电预警信息,供电企业人员可开展具体现场核查。
本发明的有益效果:
本发明依托智能电表计量装置的数据采集功能,针对现场实际问题,通过构建反窃电智能识别模型,多维度分析,精准识别疑似窃电用户,解决目前采用人工方法进行反窃电监控、分析,克服了排查工作量大、精准度低的瓶颈,为一线用电检查人员精准、高效开展反窃电分析和查处工作提供可靠的技术支撑。
以算法模型为主导完善低压用户窃电分析场景和规则,同时构建嫌疑用户风险等级评价体系,根据模型评分规则,将嫌疑用户按照评分区间划分为高、一般两档,完善用电检查管理机制,提供高风险等级窃电嫌疑目标用户,提升电力公司反窃查违工作质效,提升对窃电行为分析和管控能力,及时满足各级供电单位快速高效的开展工作,提高供电可靠性,提升用户满意度。该方法依据用电采集数据分析和规则模型,能智能识别出可能存在窃电行为的用户,具有很高的识别精准度。
附图说明
图1是本发明的窃电分析流程图;
图2是本发明的模型评分界面。
具体实施方式
包括下列步骤:
步骤1:筛选目标台区
(1)台区档案核查:核查内容包括:多考核计量点核查、接线方式三相非直通表倍率为1核查、光伏计量点主用途错误核查、双向计量异常核查,以上4个核查条件为并列条件;核查数据范围为台区、用户、电表、计量点;
(2)筛选可监测台区:可监测台区筛选条件为采集成功率≥98%、采集覆盖率≥98%,以上2个筛选条件为串行条件,核查数据范围包括采集成功率、采集覆盖率;
(3)一周内户变关系未调整判断。判断依据为台区下电表数量未发生变化,核查数据范围包括台区、用户、电表、计量点,其判断公式为:
Nt=Nt-1......=Nt-6
其中Nt为当前日期台区下电能表数;
(4)指标筛选:通过对线损率、一周内线损率波系数、三相不平衡度、功率因数等4个指标进行筛选;
指标1:线损率≥K1,K1建议取值为15%;
指标2:一周内线损率波动系数≥K2,其中xi为每日线损率μ为N天内线损率均值,K2建议取值为3;
其中xi为每日线损率μ为N天内线损率均值;
指标3:三相不平衡度≥K3,K3建议取值为50%;
指标4:功率因数≤K4,K4建议取值为0.6;
步骤2:运用指标数据,构建业务分析模型,并通过模型评分规则对业务分析模型各指标进行打分,最终按各指标权重,计算出疑似窃电用户分数排名,找出台区中疑似窃电用户;
业务分析模型共6个指标,分别是与历史用电量比较突变值、用电量与线损率相关度、聚类用户与线损率相关度、开盖与电量突变值、零火线电流不平衡度、分流分析值;
根据业务分析模型的6个指标,利用层次分析法,为每个模型得到的疑似用户打分,分为一级分、二级分,并按照不同的得分和各模型权重,将用户分为高嫌疑用户、一般嫌疑用户;
(1)与历史用电量比较突变值
1)指标说明及权重
与历史用电量比较突变值是以周为单位,结合前4个周期的用电量,用移动平均法计算出用户历史用电量均值,并将当前周期用电量和历史用电量均值做比较,其权重为0.2;
2)指标计算模型
其中Mt为移动平均法计算得到的周期用电量,Mt+1为当前周期用电量均值,t为当前日期,N为计算天数,i为按计算周期天数的调整自然数,Δy为当前周期用其中电量与移动平均法计算得到的周期用电量的变化率|Δy|>30%,则认为用电量突变;
3)指标计算数据源
与历史用电量比较突变值的数据源是从当前时间点向前35天用户日用电量;
4)指标评分规则及等级
与历史用电量比较突变值30-35%为5分,35-45%为6分,45-60%为7分,60-80%为8分,80-100%为9分,超100%为10分。一级分为5分,二级分为10分;
(2)用电量与线损率相关度
1)指标说明及权重
用电量与线损率相关度是在统计周期内,找出用户用电量同线损相关性较强的用户,正相关或负相关,其权重为0.3;
2)指标计算模型
其中,ρX,Y表示X和Y两个变量的相关系数。cov(X,Y)为X与Y的协方差,σ为标准差。X为台区供电量/线损率,Y为台区台区售电量/用户采集电量,表示X变量的平均值,表示Y变量的平均值,n为计算天数,i为按计算周期天数的调整自然数,筛选绝对值ρX,Y≥0.8的用户;
3)指标计算数据源
用电量与线损率相关度的数据源是从当前时间点向前56天用户日用电量;
4)指标评分规则及等级
用电量与线损率相关度大于0.8,基础分为15分,每超0.01加1分,最高加20分,如相关度为0.93即15+1×(0.93-0.8)/0.01=28,一级分为15分,二级分为35分;
(3)聚类用户与线损率相关度
1)指标说明及权重
聚类用户与线损率相关度是在进行聚类分析后的用户群同台区线损存在较强的相关性,其权重为0.1;
2)指标计算模型
k-means聚类、皮尔逊相关性分析。筛选用户用电量和台区线损相关性≥0.8;
3)指标计算数据源
聚类用户与线损率相关度的数据源是从当前时间点向前56天用户日用电量;
4)指标评分规则及等级
聚类用户与线损率相关度大于0.8,基础分为5分,每超0.01加0.5分,最高加10分,如相关度为0.93即5+0.5×(0.93-0.8)/0.01=11.5,一级分为5分,二级分为15分;
(4)开盖与电量突变值
1)指标说明及权重
开盖与电量突变值是存在开盖事件,且开盖前后存在电量突变的用户,其权重为0.05,
2)指标计算模型
其中Mt为移动平均法计算得到的开盖事件发生前的周期用电量,Mt+1为开盖事件发生后的周期用电量均值,t为当前日期,N为计算天数,i为按计算周期天数的调整自然数,Δy为当前周期用电量与移动平均法计算得到的周期用电量的变化率,筛选|Δy|>30%用户;
3)指标计算数据源
开盖与电量突变值的数据源包括开盖事件,从当前时间点向前35天用户日用电量;
4)指标评分规则及等级
发生开盖事件,且事件前后存在电量突变即为5分即为5分,一级分为5分,二级分为5分;
(5)零火线电流不平衡度
1)指标说明及权重
零火线电流不平衡度是指火线电流/零线电流小于0.8,其权重为0.05;
2)指标计算模型
其中I1为火线电流,I2为零线电流;电流时间点选择7、11、15、19四个点;
3)指标计算数据源
零火线电流不平衡度的数据源为用户一天7、11、15、19四个点零线电流、火线电流;
4)指标评分规则及等级
火线电流/零线电流小于0.8,基础分为10分,每减少0.04加0.75分,最高加15分,如比值为0.64即10+1×(0.8-0.64)/0.04*0.75=13,一级分为10分,二级分为25分;
(6)分流分析值
1)指标说明及权重
分流分析值是指①7、11、15、19四个点零线电流大于A1,且火线电流/零线电流都小于A2;②7、11、15、19四个点零线电流大于0.1,且至少存在一个点火线电流/零线电流小于等于A3;
2)指标计算模型
满足条件时,
σ<A1
xi:每一点的零、火线比值,μ:零、火线比值平均值,N为计算天数,i为按计算周期天数的调整自然数;A1值为0.1,A2值为0.8,A3值为0.5;
3)指标计算数据源
分流分析值的数据源是零、火线电流的7、11、15、19四点曲线;
4)指标评分规则及等级
存在分流窃电即为5分,一级分为5分,二级分为5分;
步骤3:依据按权重输出疑似窃电重点用户清单,进行窃电用户及窃电台区预警,判断规则为当该疑似窃电用户连续出现3次,且两周内累计出现5次,将该用户列入高风险用户清单;当某一台区的疑似窃电用户≥5户,将该台区列入高风险台区清单,通过给出的窃电预警信息,供电企业人员可开展具体现场核查。
Claims (2)
1.一种基于用电信息采集大数据分析的反窃电智能识别方法,其特征在于,包括下列步骤:
步骤1:筛选目标台区
(1)台区档案核查:核查内容包括:多考核计量点核查、接线方式三相非直通表倍率为1核查、光伏计量点主用途错误核查、双向计量异常核查,以上4个核查条件为并列条件,核查数据范围为台区、用户、电表、计量点;
(2)筛选可监测台区:可监测台区筛选条件为采集成功率≥98%、采集覆盖率≥98%,以上2个筛选条件为串行条件,核查数据范围包括采集成功率、采集覆盖率;
(3)一周内户变关系未调整判断:判断依据为台区下电表数量未发生变化,核查数据范围包括台区、用户、电表、计量点,其判断公式为:
Nt=Nt-1......=Nt-6
其中Nt为当前日期台区下电能表数;
(4)指标筛选:通过对线损率、一周内线损率波系数、三相不平衡度、功率因数4个指标进行筛选;
指标1:线损率≥K1,K1取值为15%;
指标2:一周内线损率波动系数≥K2,其中xi为每日线损率μ为N天内线损率均值,K2取值为3;
其中xi为每日线损率μ为N天内线损率均值;
指标3:三相不平衡度≥K3,K3取值为50%;
指标4:功率因数≤K4,K4取值为0.6;
步骤2:运用指标数据,构建业务分析模型,并通过模型评分规则对业务分析模型各指标进行打分,最终按各指标权重,计算出疑似窃电用户分数排名,找出台区中疑似窃电用户;
所述业务分析模型共6个指标,分别是与历史用电量比较突变值、用电量与线损率相关度、聚类用户与线损率相关度、开盖与电量突变值、零火线电流不平衡度、分流分析值;
步骤3:依据按权重输出疑似窃电重点用户清单,进行窃电用户及窃电台区预警,判断规则为当该疑似窃电用户连续出现3次,且两周内累计出现5次,将该用户列入高风险用户清单;当某一台区的疑似窃电用户≥5户,将该台区列入高风险台区清单,通过给出的窃电预警信息,供电企业人员可开展具体现场核查。
2.根据权利要求1所述的一种基于用电信息采集大数据分析的反窃电智能识别方法,其特征在于:根据业务分析模型的6个指标,利用层次分析法,为每个模型得到的疑似用户打分,分为一级分、二级分,并按照不同的得分和各模型权重,将用户分为高嫌疑用户、一般嫌疑用户;
(1)与历史用电量比较突变值
1)指标说明及权重
与历史用电量比较突变值是以周为单位,结合前4个周期的用电量,用移动平均法计算出用户历史用电量均值,并将当前周期用电量和历史用电量均值做比较,其权重为0.2;
2)指标计算模型
其中Mt为移动平均法计算得到的周期用电量,Mt+1为当前周期用电量均值,t为当前日期,N为计算天数,i为按计算周期天数的调整自然数,Δy为当前周期用电量与移动平均法计算得到的周期用电量的变化率|Δy|>30%,则认为用电量突变;
3)指标计算数据源
与历史用电量比较突变值的数据源是从当前时间点向前35天用户日用电量;
4)指标评分规则及等级
与历史用电量比较突变值30-35%为5分,35-45%为6分,45-60%为7分,60-80%为8分,80-100%为9分,超100%为10分,一级分为5分,二级分为10分;
(2)用电量与线损率相关度
1)指标说明及权重
用电量与线损率相关度是在统计周期内,找出用户用电量同线损相关性较强的用户,正相关或负相关,其权重为0.3;
2)指标计算模型
其中,ρX,Y表示X和Y两个变量的相关系数,cov(X,Y)为X与Y的协方差,σ为标准差,X为台区供电量除以线损率,Y为台区售电量除以用户采集电量,表示X变量的平均值,表示Y变量的平均值,n为计算天数,i为按计算周期天数的调整自然数,筛选绝对值ρX,Y≥0.8的用户;
3)指标计算数据源
用电量与线损率相关度的数据源是从当前时间点向前56天用户日用电量;
4)指标评分规则及等级
用电量与线损率相关度大于0.8,基础分为15分,每超0.01加1分,最高加20分;一级分为15分,二级分为35分;
(3)聚类用户与线损率相关度
1)指标说明及权重
聚类用户与线损率相关度是在进行聚类分析后的用户群同台区线损存在较强的相关性,其权重为0.1;
2)指标计算模型
k-means聚类、皮尔逊相关性分析,筛选用户用电量和台区线损相关性≥0.8;
3)指标计算数据源
聚类用户与线损率相关度的数据源是从当前时间点向前56天用户日用电量;
4)指标评分规则及等级
聚类用户与线损率相关度大于0.8,基础分为5分,每超0.01加0.5分,最高加10分;一级分为5分,二级分为15分;
(4)开盖与电量突变值
1)指标说明及权重
开盖与电量突变值是存在开盖事件,且开盖前后存在电量突变的用户,其权重为0.05;
2)指标计算模型
其中Mt为移动平均法计算得到的开盖事件发生前的周期用电量,Mt+1为开盖事件发生后的周期用电量均值,t为当前日期,N为计算天数,i为按计算周期天数的调整自然数,Δy为当前周期用电量与移动平均法计算得到的周期用电量的变化率,筛选|Δy|>30%用户;
3)指标计算数据源
开盖与电量突变值的数据源包括开盖事件,从当前时间点向前35天用户日用电量;
4)指标评分规则及等级
发生开盖事件,且事件前后存在电量突变即为5分,一级分为5分,二级分为5分;
(5)零火线电流不平衡度
1)指标说明及权重
零火线电流不平衡度是指火线电流除以零线电流小于0.8,其权重为0.05;
2)指标计算模型
其中I1为火线电流,I2为零线电流;电流时间点选择7、11、15、19四个点;
3)指标计算数据源
零火线电流不平衡度的数据源为用户一天7、11、15、19四个点的零线电流、火线电流;
4)指标评分规则及等级
火线电流除以零线电流小于0.8,基础分为10分,每减少0.04加0.75分,最高加15分;一级分为10分,二级分为25分;
(6)分流分析值
1)指标说明及权重
分流分析是指①7、11、15、19四个点零线电流大于A1安,且火线电流除以零线电流都小于A2;②7、11、15、19四个点零线电流大于0.1安,且至少存在一个点火线电流除以零线电流小于等于A3,其权重为0.3;
2)指标计算模型
满足条件时,
σ<A1
xi:每一点的火、零线比值,μ:火、零线比值平均值,N为计算天数,i为按计算周期天数的调整自然数;A1值为0.1安,A2值为0.8,A3值为0.5;
3)指标计算数据源
分流分析值的数据源是零线电流、火线电流的7、11、15、19四点曲线;
4)指标评分规则及等级
存在分流窃电即为5分,一级分为5分,二级分为5分。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011544142.6A CN113221931B (zh) | 2020-12-23 | 2020-12-23 | 一种基于用电信息采集大数据分析的反窃电智能识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011544142.6A CN113221931B (zh) | 2020-12-23 | 2020-12-23 | 一种基于用电信息采集大数据分析的反窃电智能识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113221931A CN113221931A (zh) | 2021-08-06 |
CN113221931B true CN113221931B (zh) | 2022-06-10 |
Family
ID=77085872
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011544142.6A Active CN113221931B (zh) | 2020-12-23 | 2020-12-23 | 一种基于用电信息采集大数据分析的反窃电智能识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113221931B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113642641B (zh) * | 2021-08-13 | 2024-03-05 | 北京中电普华信息技术有限公司 | 应用于电费追缴工单的数据处理方法及装置 |
CN113447712B (zh) * | 2021-08-30 | 2022-01-25 | 广东电网有限责任公司中山供电局 | 一种多维度结合发现专变计量装置窃电的方法 |
CN115267323B (zh) * | 2022-08-01 | 2023-11-03 | 合肥顺帆信息科技有限公司 | 一种线损分析管理*** |
CN116450625A (zh) * | 2023-02-20 | 2023-07-18 | 湖北华中电力科技开发有限责任公司 | 一种基于用电信息采集***的计量异常数据甄别装置 |
CN117874688B (zh) * | 2024-03-12 | 2024-05-14 | 厦门市盛迅信息技术股份有限公司 | 基于数字孪生的电力数字化异常识别方法及*** |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7936163B2 (en) * | 2008-06-20 | 2011-05-03 | General Electric Company | Method and system for detecting electricity theft |
CN103675492B (zh) * | 2012-09-07 | 2016-01-20 | 国家电网公司 | 一种用电监测分析方法、便携式用电监测分析装置及*** |
US9595006B2 (en) * | 2013-06-04 | 2017-03-14 | International Business Machines Corporation | Detecting electricity theft via meter tampering using statistical methods |
CN106645935B (zh) * | 2016-12-27 | 2019-06-18 | 国网浙江象山县供电公司 | 用电监测方法及*** |
US10768212B2 (en) * | 2017-06-14 | 2020-09-08 | Eaton Intelligent Power Limited | System and method for detecting theft of electricity with integrity checks analysis |
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 |
CN109753989A (zh) * | 2018-11-18 | 2019-05-14 | 韩霞 | 基于大数据与机器学习的电力用户窃电行为分析方法 |
CN110968838A (zh) * | 2019-11-29 | 2020-04-07 | 国网吉林省电力有限公司电力科学研究院 | 基于智能电能表开盖事件的用电异常分析方法 |
CN111521868B (zh) * | 2020-04-28 | 2022-07-29 | 广东电网有限责任公司梅州供电局 | 一种基于计量大数据筛查窃电用户的方法及装置 |
-
2020
- 2020-12-23 CN CN202011544142.6A patent/CN113221931B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN113221931A (zh) | 2021-08-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113221931B (zh) | 一种基于用电信息采集大数据分析的反窃电智能识别方法 | |
CN110097297B (zh) | 一种多维度窃电态势智能感知方法、***、设备及介质 | |
CN110927654B (zh) | 一种智能电能表批次运行状态评价方法 | |
CN110222991B (zh) | 基于rf-gbdt的计量装置故障诊断方法 | |
CN115115282B (zh) | 一种高电压台区电力***数据分析方法 | |
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 | |
CN105303331A (zh) | 一种变压器维修风险决策方法 | |
CN103886518A (zh) | 一种基于监测点电能质量数据挖掘的电压暂降预警方法 | |
CN113268590A (zh) | 一种基于设备画像和集成学习的电网设备运行状态评估方法 | |
CN107239835A (zh) | 构建油气地面生产不同工艺流程差异化等级运维的方法与*** | |
CN114169424A (zh) | 基于k近邻回归算法和用电数据的排污量预测方法 | |
CN114354783A (zh) | 基于在运数据的特高压油色谱监测装置健康度评估方法 | |
CN113902062A (zh) | 一种基于大数据的台区线损异常原因分析方法及装置 | |
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 | |
CN112036725A (zh) | 一种电能表故障识别方法 | |
CN108171397A (zh) | 一种配电二次设备状态风险评估方法 | |
CN112488361B (zh) | 一种基于大数据的台区低电压预测方法及装置 | |
Zhang et al. | Research on comprehensive diagnosis model of anti-stealing electricity based on big data technology | |
CN117614137A (zh) | 基于多源数据融合的配电网优化*** | |
CN116522746A (zh) | 高耗能企业配电托管方法 | |
CN114167837B (zh) | 一种铁路信号***的智能故障诊断方法及*** | |
CN106845821B (zh) | 一种防覆冰舞动技改项目综合评价方法和*** | |
CN114295880A (zh) | 一种电力窃电精准定位及异常用电行为检测分析模型 | |
AU2021106280A4 (en) | A Method of Water Environment Risk Assessment Based on Fuzzy Integral Model | |
CN112861746B (zh) | 考虑环境灾害的密集输电通道关键视频截取方法及装置 |
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 |