CN114240690A - 基于多聚合用户电表数据的用户用电异常监测方法 - Google Patents
基于多聚合用户电表数据的用户用电异常监测方法 Download PDFInfo
- Publication number
- CN114240690A CN114240690A CN202111548379.6A CN202111548379A CN114240690A CN 114240690 A CN114240690 A CN 114240690A CN 202111548379 A CN202111548379 A CN 202111548379A CN 114240690 A CN114240690 A CN 114240690A
- Authority
- CN
- China
- Prior art keywords
- user
- reading
- meter
- electricity consumption
- abnormal
- 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 71
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000012544 monitoring process Methods 0.000 title claims abstract description 27
- 229920000642 polymer Polymers 0.000 title claims abstract description 14
- 230000002159 abnormal effect Effects 0.000 claims abstract description 48
- 238000012549 training Methods 0.000 abstract description 4
- 238000012216 screening Methods 0.000 abstract description 3
- 238000005265 energy consumption Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- IAZDPXIOMUYVGZ-UHFFFAOYSA-N Dimethylsulphoxide Chemical compound CS(C)=O IAZDPXIOMUYVGZ-UHFFFAOYSA-N 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research 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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Geometry (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
Abstract
本发明公开了一种基于多聚合用户电表数据的用户用电异常监测方法,该方法基于用电异常损失的值应该与用电异常设备或者线路相关性更高,将异常用电问题制定为一个时间序列的相关问题,通过将能源损失系数γn与阈值进行比较,筛选出能源损失相关性较高的用户作为异常用电的怀疑对象,然后再通过将诚实系数δn与阈值进行比较,将怀疑对象中诚实系数较高的用户剔除,获得最终的异常用电的用户,完成异常用电的监测,不需要假设攻击模式为线性模式,也不需要任何训练成本,具有方法简单、成本低等优点。
Description
技术领域
本发明公开涉及用电异常监测的技术领域,尤其涉及一种基于多聚合用户电表数据 的用户用电异常监测方法。
背景技术
由于设备老化和生产经营管理问题,高耗能企业用电异常,不仅会影响供电公司的利益, 而且还会带来人身和电网的安全隐患,所以高耗能企业用电异常监测一直以来都是企业研究 的重要课题。
现有的用电异常监测方式有两种,一种是假定攻击方式为线性攻击,该种假定方式限制 了在非线性识别上的能力;另一种是通过训练模型进行识别,而该种方式则需要花费较多的 费用在模型训练和安装传感器上,造成了生产成本的额外开销,存在成本高的问题。
因此,如何研发一种新型的监测方法,既能满足对各类型的识别,又能有效降低监测成 本,成为人们亟待解决的问题。
发明内容
鉴于此,本发明提供了一种基于多聚合用户电表数据的用户用电异常监测方法,以 解决以往监测方法存在识别能力有限以及监测成本高的问题。
本发明提供的技术方案,具体为,一种基于多聚合用户电表数据的用户用电异常监 测方法,该方法包括如下步骤:
S1:同步读取配电站中主电表读数以及各用户电表读数,获得一组主电表读数M以及一组用户电表读数S,其中,M={MM1,MM2...,MMp},MMi表示在ti时刻的主电 表读数,S={S1,S2,...,SN},Sn={sn,1,sn,2,...,sn,p},sn,i代表在ti时刻第n个用户电表 的读数,N代表用户电表个数,n∈[1,N];
S2:获取用户电表的序号列表C以及记录主电表和用户电表读数时的时间戳集T,其中,C={C1,C2,...,CN},T={t1,t2,...,tp};
S3:获取线损值W,并依据所述线损值W以及所述主电表的读数M,计算获得所述 主电表的可用读数M1;
S4:依据所述主电表的可用读数M1以及用户电表的读数S,计算获得用电损失值L;
S5:基于用电损失值L、用户电表的读数S以及皮尔逊相关系数公式,计算获得能源损失系数γn,其中,γn=|PearsonCorr(L,Sn)|;
S6:将所述能源损失系数γn与阈值ξ比较,若γn≥ξ,则将对应的用户电表列入用电异常名单中;
S7:基于用电损失值L、用户电表的读数S、主电表的可用读数M1以及皮尔逊相关系数公式,算获得所述用电异常名单中各用户的诚实系数δn;
S8:将所述用电异常名单中各用户的诚实系数δn分别与设定阈值θ比较,若δn>θ,则将该用户电表从用电异常名单中剔除,获得最终的用电异常名单。
优选,步骤S3中,依据所述线损值W以及所述主电表的读数M,计算获得所述主 电表的可用读数M1,具体的计算公式为:
M1={m1,m2,...mp}=M-W;
其中,W={w1,w2,...wp},wi表示在ti时刻的线损值。
进一步优选,步骤S4中,依据所述主电表的可用读数M1以及用户电表的读数S, 计算获得用电损失值L,具体的计算公式为:
其中,0<αi<1,i∈[1,p],L={l1,l2,...lp}。
进一步优选,步骤S4中,依据所述主电表的可用读数M1以及用户电表的读数S, 计算获得用电损失值L,具体的计算公式为:
其中,tsh为用户电表读数读取的时间间隔,L={l1,l2,...lp}。
进一步优选,步骤S4中,依据所述主电表的可用读数M1以及用户电表的读数S, 计算获得用电损失值L,具体的计算公式为:
其中,Un表示用户电能实际使用量,Un={un,1,un,2,...,un,p},βi表示损失系数。
进一步优选,所述皮尔逊相关系数公式具体为:
进一步优选,ξ=e-10。
本发明提供的基于多聚合用户电表数据的用户用电异常监测方法,基于用电异常损 失的值应该与用电异常设备或者线路相关性更高,将异常用电问题制定为一个时间序列 的相关问题,通过将能源损失系数γn与阈值进行比较,筛选出能源损失相关性较高的用 户作为异常用电的怀疑对象,然后再通过将诚实系数δn与阈值进行比较,将怀疑对象中诚实系数较高的用户剔除,获得最终的异常用电的用户,完成异常用电的监测,不需要 假设攻击模式为线性模式,也不需要任何训练成本,具有方法简单、成本低等优点。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能 限制本发明的公开。
具体实施方式
这里将详细地对示例性实施例进行说明。以下示例性实施例中所描述的实施方式并 不代表与本发明相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的方法的例子。
为了解决以往监测方法存在的识别能力有限以及监测成本高的问题,本实施方案提 供了一种避免额外开销的监测方法,该方法基于用电异常损失的值应该与用电异常设备 或者线路相关性更高,将异常用电问题制定为一个时间序列的相关问题,也就不需要假设攻击模式为线性模式,也不需要任何训练成本。为此定义了两个系数(能源损失系数γn和诚实系数δn)用于评估用电异常的怀疑程度,更加合理可靠的得出用电异常节点。
具体而言,本实施方案提供了一种基于多聚合用户电表数据的用户用电异常监测方 法,包括如下步骤:
S1:同步读取配电站中主电表读数以及各用户电表读数,获得一组主电表读数M以及一组用户电表读数S,其中,M={MM1,MM2...,MMp},MMi表示在ti时刻的主电 表读数,S={S1,S2,...,SN},Sn={sn,1,sn,2,...,sn,p},sn,i代表在ti时刻第n个用户电表 的读数,N代表用户电表个数,n∈[1,N];
S2:获取用户电表的序号列表C以及记录主电表和用户电表读数时的时间戳集T,其中,C={C1,C2,...,CN},T={t1,t2,...,tp};
S3:获取线损值W,并依据所述线损值W以及所述主电表的读数M,计算获得所述 主电表的可用读数M1;
S4:依据所述主电表的可用读数M1以及用户电表的读数S,计算获得用电损失值L;
S5:基于用电损失值L、用户电表的读数S以及皮尔逊相关系数公式,计算获得能源损失系数γn,其中,γn=|PearsonCorr(L,Sn)|;
S6:将所述能源损失系数γn与阈值ξ比较,若γn≥ξ,则将对应的用户电表列入用电异常名单中;
S7:基于用电损失值L、用户电表的读数S、主电表的可用读数M1以及皮尔逊相关系数公式,算获得所述用电异常名单中各用户的诚实系数δn;
S8:将所述用电异常名单中各用户的诚实系数δn分别与设定阈值θ比较,若δn>θ,则将该用户电表从用电异常名单中剔除,获得最终的用电异常名单。
步骤S3中,依据所述线损值W以及所述主电表的读数M,计算获得所述主电表的 可用读数M1,具体的计算公式为:
M1={m1,m2,...mp}=M-W;
其中,W={w1,w2,...wp},wi表示在ti时刻的线损值。
而用电损失值L={l1,l2,...lp},进而计算获得电损失值L。
基于用电异常的发生原理不同,sn,i也对应有不同的计算公式,,此时对应的电损失值 L以及皮尔逊相关系数的计算公式均会发生相应的变换,进而导致能源损失系数γn以及 诚实系数δn的计算公式也会发生相应的变化,因此,下面分为三种异常用电模式,分别 对应三种不同用电异常的发生模式,进行相应电损失值L的计算公式说明,在实际使用时,根据用户电表读数的实际获取情况,采用对应的计算公式。
一、异常用电模式一:
按照比例缩小读数,这种方法是通过将真实的用电量un,i乘以一个位于(0,1)的系数αi, 在这种情况下,如果用户电表Cn本身就是用电采集节点,那么用电异常节点的sn,i=αi*un,i, 如果用户电表Cn是诚实的用电采集节点,那么该用电采集节点的sn,i=un,i,因此,可获得 如下公式:
其中,C={C1,C2,...CN},表示N个节点采集电表的列表,仅仅表示用户的序号。
二、异常用电模式二:
减少高峰时期用电量并且增加低谷时期用电量。模式二是减少高峰时间的电量消耗并增 加非高峰时间的电量消耗。假设抄表的时间间隔为一小时,则每日智能电表的读数为 其中,i∈[1,24],因此,可获得如下公式:
三、异常用电模式三:
基于平均值报告电表读数,比如sn,i=βi*mean,βi表示损失系数,用户可以根据实际情况进行设定,可以得到如下公式:
基于上述三种不同模式,可获得对应的电损失值L。
根据上述的用电损失值L、用户电表的读数S、主电表的可用读数M1,利用皮尔逊相关系数公式,可获得皮尔逊相关系数(PearsonCorr(L,Sn)以及PearsonCorr(M1,Sn)), 其中,皮尔逊相关系数主要是用于度量两个变量之间的相关性,其值介于-1与1之间。 两个变量之间的皮尔逊相关系数定义为两个变量之间的协方差和标准差的商,以X和Y 作为两个变量,对应的皮尔逊相关系数公式如下:
皮尔逊相关系数的变化范围为(-1,1)。如果皮尔逊相关系数的值为1则意味着X和Y可 以很好的符合线性关系,即所有的数据点都很好的落在一条直线上,并且Y随着X的增加而增加。如果皮尔逊相关系数的值为-1也意味着所有的数据点都落在一条直线上,但 Y随着X的增加而减少。如果皮尔逊相关系数的值为0意味着两个变量之间没有线性关 系。
将用电损失值L、用户电表的读数S、主电表的可用读数M1带入上述公式(4)中, 分别计算获得PearsonCorr(L,Sn)以及PearsonCorr(M1,Sn)。
对于实施方案设计的能源损失系数γn,其描述了用电损失ETL(L)和智能电表读数(Sn) 之间的相关性的绝对值。将L和Sn之间的相关性表示为PearsonCorr(L,Sn),用电采集节点 cn的γn定义为:
γn=|PearsonCorr(L,Sn)| (5)
其中,用电采集节点即对应为用户电表。
对于实施方案设计的诚实系数δn,描述了节点的诚实水平,检查用电采集节点的可靠 程度来检查可疑列表的可靠性。这个系数是比较PearsonCorr(M1,Sn)和 PearsonCorr(M1,Sn),其中M={m1,m2,...,mP},这是排除TL的主仪表读数集。异 常节点的电表读数与异常用电损失的关系应大于与主仪表的读数的关系。我们将异常用电用 户cn的δn定义为:
以最终获得能源损失系数γn以及诚实系数δn,通过将能源损失系数γn与阈值进行比 较,筛选出能源损失相关性较高的用户作为异常用电的怀疑对象,然后再通过将诚实系 数δn与阈值进行比较,将怀疑对象中诚实系数较高的用户剔除,获得最终的异常用电的用户。
其中,上述方案中与能源损失系数γn比较的阈值ξ以及与诚实系数δn比较的阈值θ, 均可根据实际需要进行设定,通常阈值ξ选用的大小为e-10。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本发明的其它 实施方案。本申请旨在涵盖本发明的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本发明的真正范围和精神由下 面的权利要求指出。
应当理解的是,本发明并不局限于上面已经描述的内容,并且可以在不脱离其范围 进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。
Claims (7)
1.一种基于多聚合用户电表数据的用户用电异常监测方法,其特征在于,包括如下步骤:
S1:同步读取配电站中主电表读数以及各用户电表读数,获得一组主电表读数M以及一组用户电表读数S,其中,M={MM1,MM2...,MMp},MMi表示在ti时刻的主电表读数,S={S1,S2,...,SN},Sn={sn,1,sn,2,...,sn,p},sn,i代表在ti时刻第n个用户电表的读数,N代表用户电表个数,n∈[1,N];
S2:获取用户电表的序号列表C以及记录主电表和用户电表读数时的时间戳集T,其中,C={C1,C2,...,CN},T={t1,t2,...,tp};
S3:获取线损值W,并依据所述线损值W以及所述主电表的读数M,计算获得所述主电表的可用读数M1;
S4:依据所述主电表的可用读数M1以及用户电表的读数S,计算获得用电损失值L;
S5:基于用电损失值L、用户电表的读数S以及皮尔逊相关系数公式,计算获得能源损失系数γn,其中,γn=|PearsonCorr(L,Sn)|;
S6:将所述能源损失系数γn与阈值ξ比较,若γn≥ξ,则将对应的用户电表列入用电异常名单中;
S7:基于用电损失值L、用户电表的读数S、主电表的可用读数M1以及皮尔逊相关系数公式,算获得所述用电异常名单中各用户的诚实系数δn;
S8:将所述用电异常名单中各用户的诚实系数δn分别与设定阈值θ比较,若δn>θ,则将该用户电表从用电异常名单中剔除,获得最终的用电异常名单。
2.根据权利要求1所述基于多聚合用户电表数据的用户用电异常监测方法,其特征在于,步骤S3中,依据所述线损值W以及所述主电表的读数M,计算获得所述主电表的可用读数M1,具体的计算公式为:
M1={m1,m2,...mp}=M-W;
其中,W={w1,w2,...wp},wi表示在ti时刻的线损值。
7.根据权利要求1所述基于多聚合用户电表数据的用户用电异常监测方法,其特征在于,ξ=e-10。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111548379.6A CN114240690A (zh) | 2021-12-17 | 2021-12-17 | 基于多聚合用户电表数据的用户用电异常监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111548379.6A CN114240690A (zh) | 2021-12-17 | 2021-12-17 | 基于多聚合用户电表数据的用户用电异常监测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114240690A true CN114240690A (zh) | 2022-03-25 |
Family
ID=80757640
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111548379.6A Pending CN114240690A (zh) | 2021-12-17 | 2021-12-17 | 基于多聚合用户电表数据的用户用电异常监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114240690A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109325545A (zh) * | 2018-10-16 | 2019-02-12 | 南方电网科学研究院有限责任公司 | 低压配电网拓扑结构校验方法、装置、设备及存储介质 |
CN111723339A (zh) * | 2020-06-10 | 2020-09-29 | 国网河南省电力公司郑州供电公司 | 基于趋势相似性和距离测度的台区低压挂接辨识方法 |
CN112380496A (zh) * | 2020-09-18 | 2021-02-19 | 青岛鼎信通讯股份有限公司 | 一种基于皮尔逊相关系数的反窃电分析方法 |
CN112699913A (zh) * | 2020-11-25 | 2021-04-23 | 国网湖南省电力有限公司 | 一种台区户变关系异常诊断方法及装置 |
-
2021
- 2021-12-17 CN CN202111548379.6A patent/CN114240690A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109325545A (zh) * | 2018-10-16 | 2019-02-12 | 南方电网科学研究院有限责任公司 | 低压配电网拓扑结构校验方法、装置、设备及存储介质 |
CN111723339A (zh) * | 2020-06-10 | 2020-09-29 | 国网河南省电力公司郑州供电公司 | 基于趋势相似性和距离测度的台区低压挂接辨识方法 |
CN112380496A (zh) * | 2020-09-18 | 2021-02-19 | 青岛鼎信通讯股份有限公司 | 一种基于皮尔逊相关系数的反窃电分析方法 |
CN112699913A (zh) * | 2020-11-25 | 2021-04-23 | 国网湖南省电力有限公司 | 一种台区户变关系异常诊断方法及装置 |
Non-Patent Citations (3)
Title |
---|
PARTHA P. BISWAS: "Electricity Theft Pinpointing Through Correlation Analysis of Master and Individual Meter Readings", 《 IEEE TRANSACTIONS ON SMART GRID》, vol. 11, no. 4, 20 December 2019 (2019-12-20), pages 3031, XP011794443, DOI: 10.1109/TSG.2019.2961136 * |
周纲: "基于改进K-means聚类和皮尔逊相关系数户变关系异常诊断", 《电测与仪表》, vol. 61, no. 3, 1 June 2021 (2021-06-01), pages 76 - 82 * |
王涓: "应用皮尔逊相关系数算法查找异常电能表用户", 《电力需求侧管理》, vol. 16, no. 2, 20 March 2014 (2014-03-20), pages 52 - 54 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110471024B (zh) | 一种基于量测数据分析的智能电表在线远程校验方法 | |
Billinton et al. | Comparison of two alternate methods to establish an interrupted energy assessment rate | |
CN107221927A (zh) | 一种基于量化评估模型窃电嫌疑分析算法的反窃电分析方法 | |
Villalba et al. | Hybrid demand model for load estimation and short term load forecasting in distribution electric systems | |
CN110516912B (zh) | 一种配电台区户变关系的识别方法 | |
Lo et al. | Non-technical loss detection using smart distribution network measurement data | |
CN110749784B (zh) | 一种基于电力数据小波分析的线路窃电检测方法 | |
CN113466597A (zh) | 一种轨道交通供电***设备状态智能检测方法 | |
CN114004296A (zh) | 一种基于电力负荷特征反向提取监测点的方法及*** | |
CN112288303A (zh) | 确定线损率的方式、装置 | |
CN110533247B (zh) | 一种采用气温数据异常点补偿的月度用电量预测方法 | |
CN111091223A (zh) | 一种基于物联网智能感知技术的配变短期负荷预测方法 | |
CN110873857B (zh) | 基于多源数据融合的智能电能表运行状态评价方法及*** | |
CN114240690A (zh) | 基于多聚合用户电表数据的用户用电异常监测方法 | |
Yusuf et al. | Predicting Voltage Changes in Low-Voltage Secondary Networks using Deep Neural Networks | |
CN115877145A (zh) | 一种变压器重过载工况大数据交叉评估***及方法 | |
CN114156865B (zh) | 一种考虑状态感知的低压配电网拓扑生成及故障预测方法 | |
CN114779154A (zh) | 一种基于时态分析的智能电表数据时标校准方法及装置 | |
CN106886851A (zh) | 基于电能表状态检修的电能表备品备件预测方法 | |
CN114638169A (zh) | 变压器时变故障概率计算方法、装置及计算机可读存储介质 | |
CN110658385B (zh) | 一种基于复化梯形法的用电量分类计量方法 | |
Lin et al. | Identification of electricity theft based on the k-means clustering method | |
Lin et al. | Study of climatic effects on peak load and regional similarity of load profiles following disturbances based on data mining | |
Tingchao et al. | A Comprehensive Method of Recovering Electricity Stealing Based on Data Mining | |
Yang et al. | Evaluating the effectiveness of conservation voltage reduction with multilevel robust regression |
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 |