CN115792370A - 一种基于智能电表的用能诊断方法、装置和设备 - Google Patents
一种基于智能电表的用能诊断方法、装置和设备 Download PDFInfo
- Publication number
- CN115792370A CN115792370A CN202310078025.2A CN202310078025A CN115792370A CN 115792370 A CN115792370 A CN 115792370A CN 202310078025 A CN202310078025 A CN 202310078025A CN 115792370 A CN115792370 A CN 115792370A
- Authority
- CN
- China
- Prior art keywords
- electric
- consumption
- electric energy
- electricity
- meter
- 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.)
- Granted
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 161
- 238000000034 method Methods 0.000 title claims abstract description 59
- 230000005611 electricity Effects 0.000 claims abstract description 241
- 238000005265 energy consumption Methods 0.000 claims abstract description 123
- 238000012545 processing Methods 0.000 claims abstract description 64
- 238000012549 training Methods 0.000 claims description 78
- 230000002159 abnormal effect Effects 0.000 claims description 41
- 230000006399 behavior Effects 0.000 claims description 34
- 238000004088 simulation Methods 0.000 claims description 34
- 239000002699 waste material Substances 0.000 claims description 30
- 230000007613 environmental effect Effects 0.000 claims description 23
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 20
- 238000013527 convolutional neural network Methods 0.000 claims description 15
- 238000005520 cutting process Methods 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 7
- 238000002405 diagnostic procedure Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 abstract description 7
- 238000004134 energy conservation Methods 0.000 abstract description 6
- 238000004364 calculation method Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 10
- 238000003860 storage Methods 0.000 description 9
- 230000008859 change Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 230000005856 abnormality Effects 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000004590 computer program Methods 0.000 description 2
- 238000005034 decoration Methods 0.000 description 2
- -1 electricity Substances 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 239000002184 metal Substances 0.000 description 2
- 238000005272 metallurgy Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- CWYNVVGOOAEACU-UHFFFAOYSA-N Fe2+ Chemical compound [Fe+2] CWYNVVGOOAEACU-UHFFFAOYSA-N 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000004378 air conditioning Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000004566 building material Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- 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
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及用能诊断的技术领域,尤其是涉及一种基于智能电表的用能诊断方法、装置和设备,其方法包括:利用电能估计模型基于当前时段和电表编号进行智能电表用电估计;基于月度用电量确定智能电表的电量消耗等级;基于电量消耗等级、电能估计量和外界因素综合确定当前时段的电量波动值;基于电能估计量和电量波动值进,得到当前时段的电能估计区间;基于实际电能消耗量与电能估计区间进行诊断,得到诊断结果并确定对应的处理方案执行。综合考虑了历史实际电能消耗量、电量消耗等级、电能估计量和外界因素,使得电能估计区间更加匹配实际情况,也使得诊断结果更加准确,同时,诊断结果确定的处理方案也能够有效的节省电能,达到节能减排的目的。
Description
技术领域
本申请涉及用能诊断的技术领域,尤其是涉及一种基于智能电表的用能诊断方法、装置和设备。
背景技术
随着国家经济的不断增长,人们在日常生活中对电能的需求及依赖越来越高,因而,电能的消耗巨大。人们日常消耗的电能是变电所通过引入线、智能电表以及配电盘向消耗电能的设备提供的,具体而言,将变电所的输电线分支出来的引入线与各个智能电表相连接,智能电表上连接有配电盘,配电盘与消耗电能的设备相连接,以完成供电。随着社会经济的发展与人民生活水平的提升,电能的消耗也随之升高,同时,伴随着大量的电能浪费,面对消耗的大量电能,使得节能降耗的工作日益重要。
为了尽可能的避免电能浪费,推动节能减排工作的顺利进行,供电公司会针对用电量较大的企业进行用能诊断,其中,用能诊断能让电能消耗更加绿色、科学、经济。相关技术在进行用能诊断时,仅针对企业的历史用电量进行用能诊断,来判断企业是否出现用能异常的情况,然而,仅基于单一的历史用电量进行用能诊断会导致用能诊断的结果不准确。
因而,如何提供一种更加精准的用能诊断方法是本领域技术人员亟待解决的问题。
发明内容
本申请的目的是提供一种基于智能电表的用能诊断方法、装置和设备,用于解决以上至少一项技术问题。
本申请的上述发明目的是通过以下技术方案得以实现的:
第一方面,本申请提供一种基于智能电表的用能诊断方法,采用如下的技术方案:
一种基于智能电表的用能诊断方法,所述方法包括:
获取当前时段和电表编号,利用电能估计模型基于所述当前时段和所述电表编号进行智能电表用电估计,得到当前时段的电能估计量;
计算当前月份对应的月度用电量,基于所述月度用电量确定智能电表的电量消耗等级,其中,所述电量消耗等级用于将不同耗电的智能电表划分至不同的用电量层次;
基于所述电量消耗等级、所述电能估计量和外界因素综合确定当前时段的电量波动值,其中,所述外界因素至少包括:环境因素、地理因素、假期因素;
基于所述电能估计量和所述电量波动值进行计算,得到当前时段的电能估计区间,其中,所述电能估计区间的左端点是基于所述电能估计量减去所述电量波动值得到的,右端点是基于所述电能估计量加上所述电量波动值得到的;
获取智能电表的当前时段的实际电能消耗量,并基于所述实际电能消耗量与所述电能估计区间进行诊断,得到诊断结果,其中,所述诊断结果用于确定电能消耗量是否异常,诊断结果包括:用能正常、疑似偷电和疑似电能浪费;
基于所述诊断结果确定对应的处理方案并执行。
通过采用上述技术方案,利用电能估计模型基于当前时段和电表编号进行智能电表用电估计,得到当前时段的电能估计值,其中,电能估计量是基于智能电表的历史实际电能消耗量确定的,并基于月度用电量确定智能电表的电量消耗等级,然后,基于电量消耗等级、电能估计量和外界因素综合确定电量波动值,其中,电量波动值中综合了电量消耗等级和外界因素,使得确定的电量波动值更加符合智能电表的当前状态,进而,将电量波动值与电能估计量结合得到当前时段的电能估计区间,将智能电表当前时段的实际电能消耗量与电能估计区间进行匹配,并基于诊断结果确定对应的处理方案并执行。通过这种方式,在确定电能估计区间时综合考虑了智能电表的历史实际电能消耗量、电量消耗等级、电能估计量和外界因素,使得电能估计区间更加能够匹配智能电表的实际情况,进而,基于电能估计区间与实际电能消耗量匹配时,得到的诊断结果更加准确,与此同时,诊断结果确定的处理方案也能够有效的节省电能,达到节能减排的目的。
本申请在一较佳示例中可以进一步配置为:所述基于所述电量消耗等级、所述电能估计量和外界因素,综合确定当前时段的电量波动值,包括:
对所述外界因素中的所述环境因素、所述地理因素和所述假期因素进行计算,得到外界因素影响数值;
利用等级数值关系,确定与所述电量消耗等级对应的电量消耗等级数值;
获取所述电量消耗等级对应的等级权重、所述外界因素对应的因素权重;
基于所述电能估计量、所述外界因素影响数值、所述电量消耗等级数值、所述等级权重和所述因素权重,综合确定当前时段的电量波动值。
本申请在一较佳示例中可以进一步配置为:所述基于所述诊断结果确定对应的处理方案并执行,包括:
若所述诊断结果为疑似偷电,则获取疑似偷电用户的多维度数据,其中,所述多维度数据包括疑似偷电用户对应的智能水表的用水数据、智能燃气表的燃气数据和热表计量的供热数据;
基于所述用水数据、所述燃气数据和所述供热数据,综合确定疑似偷电用户的居住特性;
若所述居住特性为居住正常,则确定所述疑似偷电用户存在偷电行为,并切断智能电表的供电;
若所述居住特性为居住异常,则基于图像识别确定所述疑似偷电用户是否存在私自篡改电表操作,若存在私自篡改电表操作,则切断智能电表的供电,若不存在私自篡改电表操作,则将所述诊断结果更改为用能正常。
本申请在一较佳示例中可以进一步配置为:所述确定处理方案为基于图像识别确定是否存在私自篡改电表操作,包括:
获取所述智能电表的外壳图像,并基于所述外壳图像与标准外壳图像进行匹配,其中,所述标准外壳图像为智能电表未打开的外壳图像;
若与标准外壳图像匹配成功,则确定不存在私自篡改电表操作;
若与标准外壳图像匹配失败,则获取智能电表的接线图像,基于所述接线图像与标准接线图像进行匹配,其中,所述标准接线图像为智能电表未私自篡改电表的接线图像;
若与标准接线图像匹配成功,则确定不存在私自篡改电表操作;若与标准接线图像匹配失败,则确定存在私自篡改电表操作。
本申请在一较佳示例中可以进一步配置为:所述基于所述诊断结果确定对应的处理方案并执行,包括:
若所述诊断结果为疑似电能浪费,则基于电表编号与用户类型的对应关系,确定智能电表对应的用户类型,其中,所述用户类型包括:居民用户和企业用户;
当所述用户类型为居民用户时,则确定处理方案为利用电力分配器获取居民所有用电设备的用电情况,并将所述居民所有用电设备的用电情况和第一节能省电方案发送至居民用户终端,其中,所述第一节能省电方案是基于所述居民所有用电设备的用电情况确定的;
当所述用户类型为企业用户时,则确定处理方案为利用电力分配器获取企业所有用电设备的用电情况,基于所述企业所有用电设备的用电情况与各自对应的标准用电情况进行匹配,控制电力分配器切断异常用电设备的供电,并更新所述企业所有用电设备的用电情况;
结合所述外界因素和企业用电行为,综合评估更新后的所述企业所有用电设备的用电情况,以确定第二节能省电方案;
将更新后的所述企业所有用电设备的用电情况和第二节能省电方案发送至企业用户。
本申请在一较佳示例中可以进一步配置为:所述基于所述实际电能消耗量与所述电能估计区间进行诊断,得到诊断结果,包括:
基于所述实际电能消耗量与所述电能估计区间进行诊断,得到初步诊断结果,其中,所述初步诊断结果包括用能正常和用能异常;
判断所述实际电能消耗量是否位于误差校准区间,若不在误差校准区间,则将所述初步诊断结果作为诊断结果,其中,所述误差校准区间位于所述电能估计区间两侧;
若在误差校准区间,则对所述智能电表进行校准,得到校准后的实际电能消耗量;
基于所述校准后的实际电能消耗量与所述电能估计区间进行诊断,得到诊断结果。
本申请在一较佳示例中可以进一步配置为:所述对所述智能电表进行自动校准,包括:
获取所述智能电表的参数信息,其中,所述参数信息至少包括:瞬时功率、有功功率、无功功率和视在功率;
将所述参数信息发送至标准表仿真模型,得到仿真信息,其中,所述仿真信息作为智能电表校准的标准信息;
基于所述仿真信息对所述智能电表进行校准,以使得校准后的所述智能电表的参数信息与所述仿真信息一致,其中,所述标准表仿真模型是高精度虚拟智能电表。
本申请在一较佳示例中可以进一步配置为:得到电能估计模型的方式,包括:
获取智能电表的历史用电量,基于所有所述历史用电量绘制用电图,并基于所述用电图进行用电行为分析,以剔除异常历史用电量,得到准确的用电图;
基于训练样本选取规则从所述准确的用电图中确定与训练时间对应的多个历史用电量和每一历史用电量各自对应的权重;
基于所述训练时间、所述训练时间对应的每一历史用电量和所述每一历史用电量各自对应的权重,得到所有电能估计的训练样本;
基于所有所述训练样本对卷积神经网络进行训练,得到电能估计模型。
第二方面,本申请提供一种基于智能电表的用能诊断装置,采用如下的技术方案:
一种基于智能电表的用能诊断装置,包括:
电能估计量确定模块,用于获取当前时段和电表编号,利用电能估计模型基于所述当前时段和所述电表编号进行智能电表用电估计,得到当前时段的电能估计量;
电量消耗等级确定模块,用于计算当前月份对应的月度用电量,基于所述月度用电量确定智能电表的电量消耗等级,其中,所述电量消耗等级用于将不同耗电的智能电表划分至不同的用电量层次;
电量波动值确定模块,用于基于所述电量消耗等级、所述电能估计量和外界因素综合确定当前时段的电量波动值,其中,所述外界因素至少包括:环境因素、地理因素、假期因素;
电能估计区间确定模块,用于基于所述电能估计量和所述电量波动值进行计算,得到当前时段的电能估计区间,其中,所述电能估计区间的左端点是基于所述电能估计量减去所述电量波动值得到的,右端点是基于所述电能估计量加上所述电量波动值得到的;
诊断模块,用于获取智能电表的当前时段的实际电能消耗量,并基于所述实际电能消耗量与所述电能估计区间进行诊断,得到诊断结果,其中,所述诊断结果用于确定电能消耗量是否异常,诊断结果包括:用能正常、疑似偷电和疑似电能浪费;
处理方案确定模块,用于基于所述诊断结果确定对应的处理方案并执行。
第三方面,本申请提供一种电子设备,采用如下的技术方案:
至少一个处理器;
存储器;
至少一个应用程序,其中至少一个应用程序被存储在存储器中并被配置为由至少一个处理器执行,所述至少一个应用程序配置用于:执行上述的方法。
第四方面,本申请提供一种计算机可读存储介质,采用如下的技术方案:
一种计算机可读存储介质,其上存储有计算机程序,当所述计算机程序在计算机中执行时,令所述计算机执行上所述的方法。
综上所述,本申请包括以下至少一种有益技术效果:
1.利用电能估计模型基于当前时段和电表编号进行智能电表用电估计,得到当前时段的电能估计值,其中,电能估计量是基于智能电表的历史实际电能消耗量确定的,并基于月度用电量确定智能电表的电量消耗等级,然后,基于电量消耗等级、电能估计量和外界因素综合确定电量波动值,其中,电量波动值中综合了电量消耗等级和外界因素,使得确定的电量波动值更加符合智能电表的当前状态,进而,将电量波动值与电能估计量结合得到当前时段的电能估计区间,将智能电表当前时段的实际电能消耗量与电能估计区间进行匹配,并基于诊断结果确定对应的处理方案并执行。通过这种方式,在确定电能估计区间时综合考虑了智能电表的历史实际电能消耗量、电量消耗等级、电能估计量和外界因素,使得电能估计区间更加能够匹配智能电表的实际情况,进而,基于电能估计区间与实际电能消耗量匹配时,得到的诊断结果更加准确,与此同时,诊断结果确定的处理方案也能够有效的节省电能,达到节能减排的目的。
附图说明
图1是本申请其中一实施例的一种基于智能电表的用能诊断方法的流程示意图;
图2是本申请其中一实施例的确定当前时段的电量波动值的流程示意图;
图3是本申请其中一实施例的确定诊断结果为疑似偷电的处理方案的流程示意图;
图4是本申请其中一实施例的确定诊断结果为疑似电能浪费的处理方案的流程示意图;
图5是本申请其中一实施例的误差校准区间和电能估计区间关系的示意图;
图6是本申请其中一实施例的一种基于智能电表的用能诊断装置的结构示意图;
图7是本申请其中一实施例的一种电子设备的结构示意图。
具体实施方式
以下结合图1至图7对本申请作进一步详细说明。
本具体实施例仅仅是对本申请的解释,其并不是对本申请的限制,本领域技术人员在阅读完本说明书后可以根据需要对本实施例做出没有创造性贡献的修改,但只要在本申请的范围内都受到专利法的保护。
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
下面结合说明书附图对本申请实施例作进一步详细描述。
为了尽可能的避免电能浪费,推动节能减排工作的顺利进行,供电公司会针对用电量较大的企业进行用能诊断,其中,用能诊断能让电能消耗更加绿色、科学、经济。相关技术在进行用能诊断时,仅针对企业的历史用电量进行用能诊断,来判断企业是否出现用能异常的情况,然而,仅基于单一的历史用电量进行用能诊断会导致用能诊断的结果不准确。
因而,为了解决上述技术问题,本申请提供了一种基于智能电表的用能诊断方法,方法包括:基于电能估计模型对当前时段进行智能电表用电估计,得到当前时段的电能估计量,并基于电量消耗等级和外界因素综合确定智能电表的电量波动值,然后,将电能估计量和电量波动值结合,得到智能电表在当前时段的电能估计区间,基于电能估计区间能够更加准确的对智能电表的当前时段的实际电能消耗量进行用能诊断,得到更加精准的诊断结果,基于精准的诊断结果确定对应的处理方案并执行。在进行用能诊断时,综合了历史用电量、电量消耗等级和外界因素,能够使得用能诊断的诊断结果更加准确。
本申请实施例提供了一种基于智能电表的用能诊断方法,由电子设备执行,该电子设备可以为服务器也可以为终端设备,其中,该服务器可以是独立的物理服务器,也可以是多个物理服务器构成的服务器集群或者分布式***,还可以是提供云计算服务的云服务器。终端设备可以是智能手机、平板电脑、笔记本电脑、台式计算机等,但并不局限于此,该终端设备以及服务器可以通过有线或无线通信方式进行直接或间接地连接,本申请实施例在此不做限制,如图1所示,该方法包括步骤S101、步骤S102、步骤S103、步骤S104、步骤S105和步骤S106,其中:
步骤S101:获取当前时段和电表编号,利用电能估计模型基于当前时段和电表编号进行智能电表用电估计,得到当前时段的电能估计量。
对于本申请实施例,电子设备与智能电表通过无线方式连接,用于获取智能电表的电表信息,电表信息包括但不限于:智能电表的电表编号、智能电表的参数信息(包括:瞬时功率、有功功率、无功功率和视在功率)、智能电表的电量值、智能电表的时钟信息。基于智能电表的时钟信息,确定当前时刻,并基于当前时刻向前推预设时长作为当前时段,其中,预设时长的大小用户可基于实际情况自行设定,本申请实施例不再进行限定,优选的,当前时段为一整天或一整天中的部分时段。然后,利用电能估计模型基于当前时间段和电表编号进行智能电表用能估计,得到当前时段的电能估计量。利用电能估计模型进行智能电表用电估计,即,电能估计模型在获取到电表编号和当前时间段能够自动确定当前时段的电能估计量,其中,利用大量训练样本集对卷积神经网络进行训练,得到电能估计模型,以用于得到电能估计量,训练样本集包括时段信息与电表编号组合特征、对应的训练电能估计量,其中,对应的训练电能估计量为该电表编号在该时段信息中历史的实际电能消耗量。具体的,基于大量训练样本集对卷积神经网络进行训练;针对每一时段信息与电表编号组合特征,确定电能估计量和训练电能估计量的相似度;基于多个时段信息与电表编号组合特征的相似度得到损失,将损失反向传播,以对卷积神经网络进行训练;对训练后的卷积神经网络的各损失进行加权求和,以得到总损失,当总损失满足设定损失阈值范围时,确定训练后的卷积神经网络为电能估计模型。其中,本申请实施例中,卷积神经网络可以为各种卷积网络,例如,Resnet网络、yolov5网络。
对于进行智能电表用能估计的方式有多种,在另一种可实现的方式中,利用预设用电估计表进行智能电表用电估计,其中,在预设用电估计表中存储有每一电表每一时段的预估用电量,且预设用电估计表中预估用电量是基于大量的历史用电量计算得到的。
步骤S102:计算当前月份对应的月度用电量,基于月度用电量确定智能电表的电量消耗等级,其中,电量消耗等级用于将不同耗电的智能电表划分至不同的用电量层次。
对于本申请实施例,基于智能电表的时钟信息能够确定当前日期,基于当前日期便能够准确的确定当前所处月份,然后,计算当前月份对应的月度用电量,其中,月度用电量可以基于本月1日至当前日期的所有用电量,计算出当前月份平均每日用电量,再结合当前月份天数计算出月度用电量,当然,可以基于多个当前月份的历史月度用电量,求取平均值确定为当前月份对应的月度用电量。对于当前月份对应的月度用电量的计算方法,本申请实施例不再进行限定。
然后,基于月度用电量确定智能电表的电量消耗等级,电量消耗等级用于区分智能电表所处在的用电行业层次,在本申请实施例中,将电量消耗等级划分为A等级、B等级、C等级和D等级,电量消耗等级是按照消耗电能降低排列的。针对电量消耗等级中的每一等级均预先设置了该等级的月度用电量范围,其中,每一等级的月度用电量范围可以基于大量的企业或居民的用电情况进行计算后设置,以使得能够基于电量消耗等级较为准确的得知智能电表所处在的用电行业层次。结合实际情况可知,A等级大多耗电量很高的工业用电,例如,制造业、四大高载能行业(包括:化工行业、建材行业、黑素金属冶金行业、有色金属冶金行业)、高技术及装备制造业;B等级大多用电较高的第三产业用电,第三产业至少包括:交通运输业、邮电通讯业、金融、保险业、公用事业、居民服务业、服务业、教育、文化、广播电视事业;C等级大多为城乡居民用电;D等级大多为农业用电。不同行业不论是月度用电量还是总用电量均有着较大的差异,因而,考虑不同的用电情况进而划分电量消耗等级便于后续能够更加精准的进行用能诊断。
步骤S103:基于电量消耗等级、电能估计量和外界因素综合确定当前时段的电量波动值,其中,外界因素至少包括:环境因素、地理因素、假期因素。
对于本申请实施例,结合智能电表的电量消耗等级、电能估计量和外界因素综合确定电量波动值,其中,电量波动值是综合考虑了多方面因素而确定的用电量可以波动的最大值。本申请中,不仅考虑了智能电表的历史实际电能消耗量,进行了基于电能估计模型得到电能估计量的操作,而且,还考虑了外界因素对用电量的影响,外界因素至少包括:环境因素、地理因素、假期因素。显而易见的是,对于环境因素而言,若当前时期正处于换季阶段,例如,由春季换季至夏季,天气逐渐转热,不论是企业还是居民均会开启空调,这是就会造成用电量将较于平时会有所增高,然而,这种情况在实际工作中并不能直接将其判定为用电异常。对于地理因素而言,由于智能电表所处地理位置也会对智能电表的用电量产生影响,例如,在由秋季换季至冬季时,并非所有区域都会存在用电量增高的情况,针对南方区域,由于冬季不会有暖气的供应,需要开启空调,因而,用电量会在冬季有较高的增长,但是,相较于北方而言,虽然在秋季换季至冬季时,温度有所降低,但是由于冬季有暖气的供应,故用电量在冬季也不会有较大的变化。当然,针对一些行业而言,假期因素也会在一定程度上影响用电量,例如,在节假日期间,人们会选择出游或者聚餐,因而,交通运输业和餐饮行业在节假日期间的用电量将较于平常会有所升高。因而,倘若不考虑外界因素,而仅凭借电能估计量进行用能诊断时会出现诊断不准确的情况。当然,外界因素还可以包括很多,对此本申请实施例不再进行限定,只要是影响用电量的正常因素均能够作为外界因素。
与此同时,还考虑了智能电表的电量消耗等级,不同的电量消耗等级中用电基数不同,针对不同的电量消耗等级而言,即便是相同的外界因素对于智能电表的用电量的影响也是有所不同的。容易想到的是,针对大型的工业企业,其本身的用电量就比较大,处于较高的电量消耗等级,而对于普通的城市居民用户,本身用电量相较于工业企业而言是较小的,相同的外界因素对于工业企业和城市居民用户来说允许的电量波动值肯定不相同,即,工业企业允许的电量波动值较高,城市居民用户允许的电量波动值较低,因而,需要基于电量消耗等级和外界因素综合确定电量波动值。基于电量消耗等级和外界因素综合确定电量波动值的方式有很多,本申请实施例不再进行限定,只要能够较为准确的确定电量波动值即可。例如,分别确定为电量消耗等级数值为w1,外界因素数值为w2,等级权重为α,因素权重为β,并基于公式计算电量波动系数s,公式为:s=w1*α+ w2*β。然后,基于电量波动系数与当前时段的电能估计量进行相乘取绝对值确定当前时段的电量波动值,公式为:z=|s*kwh|,其中,z为当前时段的电量波动值,kwh为当前时段的电能估计量,在实际工作过程中,外界因素可能对智能电表实际电能消耗量的影响是双向的,可能会增高,当然也可能会降低,因而,将电量波动系数与月度用电量进行相乘取绝对值确定电量波动值。
步骤S104:基于电能估计量和电量波动值进行计算,得到当前时段的电能估计区间,其中,电能估计区间的左端点是基于电能估计量减去电量波动值得到的,右端点是基于电能估计量加上电量波动值得到的。
对于本申请实施例,基于电能估计量和电量波动值计算当前时段的电能估计区间,其中,电能估计区间由左端点和右端点共同构成。由于电能估计区间是基于历史的实际电能消耗量、电量消耗等级和外界因素综合确定的,因而,综合多方面的因素确定的当前时段的电能估计区间更加能够匹配智能电表的实际情况,能够较大程度上避免用能诊断的结果不准确的情况。
步骤S105:获取智能电表的当前时段的实际电能消耗量,并基于实际电能消耗量与电能估计区间进行匹配,得到诊断结果,其中,诊断结果用于确定电能消耗量是否异常,诊断结果包括:用能正常、疑似偷电和疑似电能浪费;
步骤S106:基于诊断结果确定对应的处理方案并执行。
对于本申请实施例,将实际电能消耗量与电能估计区间进行匹配,得到诊断结果,其中,若实际电能消耗量在电能估计区间内,则将诊断结果确定为用能正常;若实际电能消耗量不在电能估计区间内,则将诊断结果确定为用能异常,其中,用能异常包括:疑似偷电和疑似电能浪费。针对诊断结果确定为用能异常的情况在确定处理方案时,可以细分为两种情况,在一种情况中,实际电能消耗量小于电能估计区间的左端点,此时,用电异常是由于智能电表的实际电能消耗量小于电能估计区间的最小值,确定智能电表的用户疑似偷电,其中,偷电为通过私自篡改智能电表而使得智能电表的读数不准确,会使电力部门蒙受巨大经济损失,而且会危及正常的社会经济秩序,同时破坏电力设施的行为,极易造成人员伤亡事故和电气火灾。因而,在智能电表的实际电能消耗量小于电能估计区间的最小值时,则执行疑似偷电对应的第一处理方案,第一处理方案具体为:进一步确定是否存在偷电行为,若确认存在偷电行为则切断异常用电设备的供电,当然,第一处理方案的具体措施,用户可根据实施情况自行设定,只要能够节省电能的消耗且保证用电安全即可,本申请实施例不再进行限定。
在另一种情况中,实际电能消耗量大于电能估计区间的右端点,此时,用电异常是由于智能电表的实际电能消耗量大于电能估计区间的最大值,确定智能电表的用户疑似电能浪费,其中,通常情况下电能浪费是由于一些较差的用电习惯造成,例如,对于企业而言,企业员工在下班后并没有完全将无需使用的用电设备关闭,造成了电能浪费;对于控制路灯开关的市政工程管理机构,若没有控制好路灯开关的时间,也会造成电能浪费。因而,在智能电表的实际电能消耗量大于电能估计区间的最大值时,则执行疑似电能浪费对应的第二处理方案,第二处理方案具体为:基于电表编号判断用户类型,并基于不同的用户类型和实际情况确定对应的节能省电方案,第二处理方案和节能省电方案的具体措施,用户可根据实施情况自行设定,只要能够节省电能的消耗且保证用电安全即可,本申请实施例不再进行限定。
可见,在本申请实施例中,利用电能估计模型基于当前时段和电表编号进行智能电表用电估计,得到当前时段的电能估计值,其中,电能估计量是基于智能电表的历史实际电能消耗量确定的,并基于月度用电量确定智能电表的电量消耗等级,然后,基于电量消耗等级、电能估计量和外界因素综合确定电量波动值,其中,电量波动值中综合了电量消耗等级和外界因素,使得确定的电量波动值更加符合智能电表的当前状态,进而,将电量波动值与电能估计量结合得到当前时段的电能估计区间,将智能电表当前时段的实际电能消耗量与电能估计区间进行匹配,并基于诊断结果确定对应的处理方案并执行。通过这种方式,在确定电能估计区间时综合考虑了智能电表的历史实际电能消耗量、电量消耗等级、电能估计量和外界因素,使得电能估计区间更加能够匹配智能电表的实际情况,进而,基于电能估计区间与实际电能消耗量匹配时,得到的诊断结果更加准确,与此同时,诊断结果确定的处理方案也能够有效的节省电能,达到节能减排的目的。
进一步的,为了使得确定的电量波动值更加符合智能电表的当前状态,在本申请实施例中,基于电量消耗等级、电能估计量和外界因素,综合确定当前时段的电量波动值,如图2所示,包括:步骤S1031、步骤S1032、步骤S1033和步骤S1034,其中:
步骤S1031:对外界因素中的环境因素、地理因素和假期因素进行计算,得到外界因素影响数值。
对于本申请实施例,外界因素至少包括:环境因素、地理因素和假期因素,环境因素可以包括温度变化情况、天气情况等,地理因素可以包括实际位置情况、所处区域情况等,假期因素可以包括节假日情况等。在确定外界因素影响数值时,可以利用外界因素计算模型对环境因素、地理因素和假期因素进行计算,得到外界因素影响数值,具体的,外界因素计算模型是一个利用大量训练样本训练好的神经网络模型,将环境因素对应的环境值、地理因素对应的地理值和假期因素对应的时间值输入至外界因素计算模型,则能够快速的得到一个外界因素对应的外界因素影响数值。其中,环境因素对应的环境值是基于环境因素中的温度变化情况、天气情况综合确定的,例如,温度变化情况中温度升高10摄氏度对应的数值为A值,天气情况为晴对应的数值为B值,则环境因素对应的环境值为C值,其中,C值=A值+B值。对于地理因素对应的地理值和假期因素对应的时间值的计算方式与环境因素对应的环境值相类似,在此就不再进行论述。由于外界因素计算模型在基于大量训练样本训练后,便能够将外界因素计算模型的计算公式内的参数确定完成,以使得外界因素计算模型能够较为快速且准确地得到外界因素影响数值。
步骤S1032:利用等级数值关系,确定与电量消耗等级对应的电量消耗等级数值;
步骤S1033:获取电量消耗等级对应的等级权重、外界因素对应的因素权重。
对于本申请实施例,基于等级数值关系确定与电量消耗等级对应的电量消耗等级数值,继步骤S102中划分的电量消耗等级,电子设备内预先在等级数值关系中存储了电量消耗等级和电量消耗等级数值的对应关系,其中,电量消耗等级越高则电量消耗等级数值越大,通过这种方式,能够使得电量消耗等级高的智能电表对应的电量波动值大,以使得确定的当前时段的电量波动值更加贴近实际应用情况。然后,获取电量消耗等级对应的等级权重和外界因素对应的因素权重,其中,等级权重和因素权重的大小是技术人员基于大量的实验测试最终得到的,当然,用户也可以根据实际需求对等级权重和因素权重进行小范围调整。
步骤S1034:基于电能估计量、外界因素影响数值、电量消耗等级数值、等级权重和因素权重,综合确定当前时段的电量波动值。
对于本申请实施例,基于外界因素影响数值、电量消耗等级数值、等级权重和因素权重综合确定当前时段的电量波动值,例如,分别确定为电量消耗等级数值为w1,外界因素数值为w2,等级权重为α,因素权重为β,并基于公式计算电量波动系数s,公式为:s=w1*α+w2*β。然后,基于电量波动系数与当前时段的电能估计量进行相乘取绝对值确定当前时段的电量波动值,公式为:z=|s*kwh|,其中,z为当前时段的电量波动值,kwh为当前时段的电能估计量。
可见,在本申请实施例中,利用外界因素计算模型确定外界因素影响数值,并基于等级数值关系确定电量消耗等级数值,然后,基于外界因素影响数值、电量消耗等级数值、等级权重和因素权重综合确定当前时段的电量波动值。通过这种方式,在确定当前时段的电量波动值考虑了电量消耗等级和外界因素,使得确定的电量波动值更加符合智能电表的当前状态。
进一步的,为了综合判断疑似偷电用户是否真正进行了偷电行为,并结合图像识别方式以使得判定结果更加准确,在本申请实施例中,基于诊断结果确定对应的处理方案并执行,如图3所示,包括:步骤S1061、步骤S1062、步骤S1063和步骤S1064,其中:
步骤S1061:若诊断结果为疑似偷电,则获取疑似偷电用户的多维度数据,其中,多维度数据包括疑似偷电用户对应的智能水表的用水数据、智能燃气表的燃气数据和热表计量的供热数据。
对于本申请实施例,若诊断结果为疑似偷电,此时得到的诊断结果仅仅是基于当前时段的实际电能消耗量与电能估计区间进行诊断得到的结果,然而,在实际情况中也会伴随着较多的情况以使得智能电表的实际电能消耗量异常,例如,对于居民用户而言家庭成员增多,对于企业用户而言企业扩容等均会造成智能电表的实际电能消耗量异常,然而,这种情况并不能直接认定用户存在偷电的行为。因而,从“水、电、气、热”四方面综合考量用户的实际居住情况,进而,对疑似偷电用户的用电情况进行更加准确的判定。
步骤S1062:基于用水数据、燃气数据和供热数据,综合确定疑似偷电用户的居住特性。
对于本申请实施例,基于用水数据、燃气数据和供热数据,综合确定疑似偷电用户的居住特性,具体的,针对用水数据、燃气数据和供热数据各自对应有标准数据范围,其中,多维度数据各自对应的每一标准数据范围均是基于用户的历史数据确定的。然后,基于用水数据、燃气数据和供热数据分别与各自对应的标准数据范围进行匹配,综合确定疑似偷电用户的居住特性,具体的,由于不同的用户类型所涉及到的多维度数据可能不尽相同,例如,某些办公楼内的企业可能不会涉及到智能燃气表的燃气数据,因而,综合“水、电、气、热”四方面进行居住特性的确定,若多维度数据中存在至少一项数据与对应的标准数据范围匹配成功,则表明用户在这段时间内居住正常,故将居住特性确定为居住正常;若多维度数据中所有数据均与各自对应的标准数据范围匹配失败,则表明用户在这段时间内居住异常,故将居住特性确定为居住异常。然而,针对居住异常有两种可能的情况,一种情况为多维度数据中所有数据均小于各自对应的标准数据范围,这种情况可以表明用户存在某段时间未居住或人数减少;另一种情况为多维度数据中所有数据均大于各自对应的标准数据范围,这种情况可以表明用户人数增多或其他情况,以使得多维度数据中每一项数据均有所增长。
步骤S1063:若居住特性为居住正常,则确定疑似偷电用户存在偷电行为,并切断智能电表的供电;
步骤S1064:若居住特性为居住异常,则基于图像识别确定疑似偷电用户是否存在私自篡改电表操作,若存在私自篡改电表操作,则切断智能电表的供电,若不存在私自篡改电表操作,则将诊断结果更改为用能正常。
对于本申请实施例,若居住特性为居住正常,则表明疑似偷电用户正常居住,但实际电能消耗量存在异常,则表明存在偷电行为,针对偷电行为所采取的处理方案为切断智能电表的供电,能够节省电能的消耗且保证用电安全。
若居住特性为居住异常,则不能准确的得知疑似偷电用户是否真正存在偷电行为,因而,借助图像识别的方式判断疑似偷电用户是否存在私自篡改电表操作,具体的,基于智能电表的外壳和电表内部的接线图像综合确定是否存在私自篡改电表操作。若存在私自篡改电表操作,则表明疑似偷电用户存在偷电行为,故切断智能电表的供电,能够节省电能的消耗且保证用电安全;若不存在私自篡改电表操作,则表明疑似偷电用户在当前时段内是由于正常原因而导致了实际电能消耗量存在异常,故将诊断结果更改为用能正常。
可见,在本申请实施例中,基于疑似偷电用户的多维度数据与各自对应的标准数据范围进行比对,其中,多维度数据包括疑似偷电用户对应的用水数据、燃气数据和供热数据,
基于用水数据、燃气数据和供热数据,综合确定疑似偷电用户的居住特性。若居住特性为居住正常,则表明疑似偷电用户正常居住,但实际电能消耗量存在异常,故表明存在偷电行为,针对偷电行为所采取的处理方案为切断智能电表的供电,能够节省电能的消耗且保证用电安全。若居住特性为居住异常,则不能准确的得知疑似偷电用户是否真正存在偷电行为,因而,借助图像识别的方式判断疑似偷电用户是否存在私自篡改电表操作,若存在私自篡改电表操作,则表明疑似偷电用户存在偷电行为,故切断智能电表的供电;若不存在私自篡改电表操作,则表明疑似偷电用户在当前时段内是由于正常原因而导致了实际电能消耗量存在异常,故将诊断结果更改为用能正常。在确定疑似偷电对应的处理方案时,将用水数据、燃气数据和供热数据联系在一起,以综合判断疑似偷电用户是否真正进行了偷电行为,并结合图像识别方式以使得判定结果更加准确。
进一步的,为了能够较为精准的确定是否存在私自篡改电表操作,在本申请实施例中,确定处理方案为基于图像识别确定是否存在私自篡改电表操作,包括:
获取智能电表的外壳图像,并基于外壳图像与标准外壳图像进行匹配,其中,标准外壳图像为智能电表未打开的外壳图像;
若与标准外壳图像匹配成功,则确定不存在私自篡改电表操作;
若与标准外壳图像匹配失败,则获取智能电表的接线图像,基于接线图像与标准接线图像进行匹配,其中,标准接线图像为智能电表未私自篡改电表的接线图像;
若与标准接线图像匹配成功,则确定不存在私自篡改电表操作;若与标准接线图像匹配失败,则确定存在私自篡改电表操作。
对于本申请实施例,基于智能电表的外壳和电表内部的接线图像综合确定是否存在私自篡改电表操作,通常情况下,偷电行为均是通过私自篡改电表的接线以使得智能电表的读数不准确,进而达到偷电的操作。然而,私自篡改电表的接线首先是需要打开智能电表的外壳的,因而,首先基于智能电表的外壳图像与标准外壳图像进行匹配,若与标准外壳图像匹配成功,则表明只能电表并未被打开,因而,不存在私自篡改电表操作;由于智能电表可能会存在打开维修或其他操作,故若与标准外壳图像匹配失败,并不能直接判定存在私自篡改电表操作,然后,基于接线图像与标准接线图像进行匹配,其中,标准接线图像为智能电表未私自篡改电表的接线图像,若接线图像与标准接线图像匹配成功,则表明智能电表的外壳虽然被打开,但是并未私自篡改电表的接线,故确定不存在私自篡改电表操作;若与标准接线图像匹配失败,则确定存在私自篡改电表操作,其中,私自篡改电表操作至少包括:将火线的进线与出现接反、私接零线、采用金属连片将火线的进线与出线短接等。
由于智能电表常放置在昏暗环境中,倘若使用一般的图形采集设备进行图像获取然后判断是否存在私自篡改电表操作是较难做到的,优选的,采取红外摄像功能的图形采集设备进行图像获取,以使得在昏暗的环境下也能够获取到清晰的图像。
可见,在本申请实施例中,若用户要私自篡改电表则需要打开智能电表的外壳,故基于外壳图像与标准外壳图像进行匹配,若与标准外壳图像匹配成功,则表明智能电表的外壳并未打开,确定不存在私自篡改电表操作;若与标准外壳图像匹配失败,则表明智能电表的外壳已打开,故需要进一步检测智能电表的接线情况,基于接线图像与标准接线图像进行匹配,若与标准接线图像匹配成功,则确定不存在私自篡改电表操作;若与标准接线图像匹配失败,则确定存在私自篡改电表操作。基于匹配智能电表的外壳图像和接线图像,能够较为精准的确定是否存在私自篡改电表操作。
进一步的,为了能够使得疑似电能浪费对应的处理方案能够更加有效的解决疑似电能浪费情况,在本申请实施例中,基于诊断结果确定对应的处理方案并执行,如图4所示,包括:步骤S106a、步骤S106b、步骤S106c、步骤S106d和步骤S106e,其中:
步骤S106a:若诊断结果为疑似电能浪费,则基于电表编号与用户类型的对应关系,确定智能电表对应的用户类型,其中,用户类型包括:居民用户和企业用户。
对于本申请实施例,当智能电表的当前时段的实际电能消耗量大于电能估计区间的右端点时,则表明智能电表的实际电能消耗量超出了正常范围,确定诊断结果为疑似电能浪费。然后,基于电表编号与用户类型的对应关系确定智能电表对应的用户类型,其中,电表编号是智能电表的唯一标识,且在进行智能电表安装时已确定好了电表编号与用户类型的对应关系。将智能电表的用户进行分类是由于不同类型用户的耗电用途不一样,因而,在确定存在电能浪费时也将针对不同类型的用户采取不同的处理方式,使得处理方案更加贴近用户的实际情况。
步骤S106b:当用户类型为居民用户时,则确定处理方案为利用电力分配器获取居民所有用电设备的用电情况,并将居民所有用电设备的用电情况和第一节能省电方案发送至居民用户终端,其中,第一节能省电方案是基于居民所有用电设备的用电情况确定的。
对于本申请实施例,当用户类型为居民用户时,即,居民用户的电量消耗均在日常生活中电器的使用过程中,因而,利用电力分配器获取居民所有用电设备的用电情况,其中,用电情况至少包括:当前时段居民所有用电设备各自对应的用电量、在预设时间段内居民所有用电设备各自对应的预设用电量等,其中,预设时间段可以为一天、一周,当然,可以为一个月。然后,基于居民所有用电设备的用电情况确定第一节能省电方案,确定第一节能省电方案的方式有很多,例如,选取用电情况中用电量较高的几个居民用电设备,为耗电量较高的居民用电设备的设计节能的使用方案,得到第一节能省电方案。当然,还可以采取其他方式来确定第一节能省电方案,本申请实施例不再进行限定。
步骤S106c:当用户类型为企业用户时,则确定处理方案为利用电力分配器获取企业所有用电设备的用电情况,基于企业所有用电设备的用电情况与各自对应的标准用电情况进行匹配,控制电力分配器切断异常用电设备的供电,并更新企业所有用电设备的用电情况;
步骤S106d:结合外界因素和企业用电行为,综合评估更新后的企业所有用电设备的用电情况,以确定第二节能省电方案;
步骤S106e:将更新后的企业所有用电设备的用电情况和第二节能省电方案发送至企业用户。
对于本申请实施例,当用户类型为企业用户时,针对不同类型的企业用户对应的电能消耗途径不同,因而,基于企业所有用电设备的用电情况与各自对应的标准用电情况进行匹配,优选的,基于第一时段内企业所有用电设备的用电情况与第一时段内各自对应的标准用电情况进行匹配,其中,第一时段一般为一天中的部分时段,标准用电情况为在无电能浪费的情况下企业用电设备的用电情况。在与各自对应的标准用电情况匹配后,控制电力分配器切断异常用电设备的供电,并更新企业所有用电设备的用电情况,通过这种方式,能够使得在第一时段内不应该开启的企业用电设备断电,以达到节能的目的。例如,在晚间十点至凌晨两点,若监测到企业的空调设备与对应的标准用电情况不相匹配,这种情况多为企业员工在下班后未能及时关闭空调导致的,因而,控制电力分配器切断空调的供电,且避免了电能的浪费。
基于更新后的企业所有用电设备的用电情况,并结合外界因素和企业用电行为综合为企业用户确定第二节能省电方案,其中,外界因素至少包括:环境因素、地理因素、假期因素,企业用电行为是基于企业用电消耗途径确定的,例如,某企业为市政路灯管理所,主要的企业用电消耗途径为路灯照明消耗,然而,市政路灯管理所在控制路灯的打开和关闭时间时并非一成不变的,路灯的打开和关闭时间是需要结合外界因素来确定的,因而,当外界因素发生变化而影响到每天的晨曦和夜幕的时间时,市政路灯管理所也需要调整路灯的打开和关闭时间,进而,达到避免电能浪费的目的。然后,将更新后的企业所有用电设备的用电情况和第二节能省电方案发送至企业用户。
可见,在本申请实施例中,在确定与疑似电能浪费对应的处理方案时,基于电表编号与用户类型的对应关系,确定智能电表的用户类型,其中,用户类型包括居民用户和企业用户;当用户类型为居民用户时,则确定处理方案为将所有居民用电设备的用电情况和第一节能省电方案发送至居民用户终端,其中,第一节能省电方案是基于所有居民用电设备的用电情况确定的;当用户类型为企业用户时,则确定处理方案为基于企业所有用电设备的用电情况与企业所有用电设备各自对应的标准用电情况,控制电力分配器切断异常用电设备的供电,并更新企业所有用电设备的用电情况,然后,结合外界因素和企业用电行为,综合评估更新后的企业所有用电设备的用电情况,以确定第二节能省电方案。由于用电用户数量庞大,且用户的类型有较大的不同,因而,在确定与疑似电能浪费对应的处理方案时,基于不同的用户类型用电的特性,分别确定与之对应的处理方案,通过这种方式,能够使得疑似电能浪费对应的处理方案能够更加有效的解决疑似电能浪费情况。
进一步的,为了提高用能诊断结果的准确性,在本申请实施例中,基于实际电能消耗量与电能估计区间进行诊断,得到诊断结果,包括:
基于实际电能消耗量与电能估计区间进行诊断,得到初步诊断结果,其中,初步诊断结果包括用能正常和用能异常;
判断实际电能消耗量是否位于误差校准区间,若不在误差校准区间,则将初步诊断结果作为诊断结果,其中,误差校准区间位于电能估计区间两侧;
若在误差校准区间,则对智能电表进行校准,得到校准后的实际电能消耗量;
基于校准后的实际电能消耗量与电能估计区间进行诊断,得到诊断结果。
对于本申请实施例,在基于实际电能消耗量与电能估计区间进行用能诊断,得到初步诊断结果的过程中,将智能电表视为读数精准的智能电表,并未考虑到智能电表矢量的情况,因而,得到的初步诊断结果存在着一定概率的误判率。故,在电能估计区间的两端点的左右两处分别设置误差校准区间,如图5所示,若实际电能消耗量不在误差校准区间,则将用能诊断的初步诊断结果作为最终的诊断结果;若实际电能消耗量在误差校准区间,则表明倘若智能电表存在矢量的情况,即,可能会因为智能电表的矢量造成初步诊断结果出现误判,因而,将智能电表进行校准,得到校准后的实际电能消耗量,然后,基于校准后的实际电能消耗量再与电能估计区间进行用能诊断,得到最终的诊断结果。例如,如图5中A点为智能电表的实际电能消耗量,在与电能估计区间进行用能诊断时,得到的初步诊断结果为用能异常,然而,此时并未考虑到智能电表矢量的情况,且实际电能消耗量位于误差校准区间,故对智能电表进行了校准,得到校准后的实际电能消耗量,即,如图5所示的B点,可知,校准后的实际电能消耗量位于电能估计区间内,因而,更改用能异常为用能正常作为诊断结果。通过这种方式,能够避免由于智能电表的失量而造成诊断结果错误的情况,在一定程度上提高了用能诊断结果的准确性。
可见,在本申请实施例中,基于实际电能消耗量与电能估计区间进行诊断,得到初步诊断结果,并判断实际电能消耗量是否位于误差校准区间,若在误差校准区间,则对智能电表进行校准,然后,基于校准后的实际电能消耗量与电能估计区间进行诊断,得到诊断结果。通过这种方式,能够避免由于智能电表的失量而造成诊断结果错误的情况,在一定程度上提高了用能诊断结果的准确性。
进一步的,为了使得智能电表的数据更加准确,在本申请实施例中,对智能电表进行校准,包括:
获取智能电表的参数信息,其中,参数信息至少包括:瞬时功率、有功功率、无功功率和视在功率;
将参数信息发送至标准表仿真模型,得到仿真信息,其中,标准表仿真模型是高精度虚拟智能电表,仿真信息作为智能电表校准的标准信息;
基于仿真信息对智能电表进行校准,以使得校准后的智能电表的参数信息与仿真信息一致。
对于本申请实施例,电子设备与智能电表通过无线方式连接,进而获取智能电表
的参数信息,参数信息至少包括:瞬时功率、有功功率、无功功率和视在功率,其中,瞬时功
率为某一时刻t,电源输出在负载中产生的功率称为瞬时功率,其表达式为:
,为t时刻的瞬时功率、为t时刻的电压、为t时刻电流;有功功率为对一个信号
周期内的瞬时功率进行积分,并求其平均值,其表达式为:,T为一个信号周
期;无功功率只在负载和电源之间流动,但实际上并不做功;视在功率是指在单口网络段的
电压和电流的有效值的乘积。
进一步的,标准表仿真模型为一个高精度虚拟智能电表,该标准表仿真模型不存在读数不精准的情况,因而,将存在读数不准确的智能电表的参数信息发送至标准表仿真模型后,得到仿真信息,仿真信息作为智能电表校准的标准信息,是在精准的智能电表与参数信息相对应的信息。然后,将仿真信息与智能电表的实际测量信息进行一一比对,获取比对结果,并根据比对结果调用智能电表中的校验装置进行校正,其中,校正的过程为基于仿真信息对智能电表进行重复粗调,直到仿真信息与智能电表的实际测量信息完全一致。
可见,在本申请实施例中,基于智能电表的参数信息和标准表仿真模型对智能电表进行校准,使得校准后的智能电表的参数信息与仿真信息一致,进而,完成对智能电表进行自动校准的操作,通过这种方式,能够实现智能电表的完成校准,且使得智能电表的数据更加准确。
进一步的,为了使得电能估计模型得到的电能估计值更加准确,在本申请实施例中,得到电能估计模型的方式,包括:
获取智能电表的历史用电量,基于所有历史用电量绘制用电图,并基于用电图进行用电行为分析,以剔除异常历史用电量,得到准确的用电图;
基于训练样本选取规则从准确的用电图中确定与训练时间对应的多个历史用电量和每一历史用电量各自对应的权重;
基于训练时间、训练时间对应的每一历史用电量和每一历史用电量各自对应的权重,得到所有电能估计的训练样本;
基于所有训练样本对卷积神经网络进行训练,得到电能估计模型。
对于本申请实施例,电能估计模型是基于大量的训练样本对卷积神经网络进行训练得到的,本申请基于训练样本选取规则挑选所有电能估计的训练样本,其中,训练样本中的历史用电量对应有权重,同时,历史用电量对应的权重也确定了该训练样本的训练次数,通过这种方式,能够使得电能估计模型进行用能估计时得到的电能估计量更加准确。
具体的,获取智能电表历史用电量,历史用电量可以为每日的用电量总和,也可以为每日中每一时段分别对应的用电量,当然,用户还可以基于实际的需求自行设定每日的历史用电量。然后,基于所有历史用电量绘制智能电表的用电图,通过用电图能够较为清晰的确定智能电表在每天的电量消耗值,当然,也能够清晰的确定出智能电表的耗电趋势。由于在实际智能电表实际工作过程中,有些时候会有一些较于平常用电量而言高出或低出很多的情况,但这些智能电表的历史用电量仅为偶然情况,故将这些不符合智能电表用户习惯的历史用电量剔除掉,以保证后续在选取训练样本时不会选取到这些异常的数据。因而,基于用电图进行用电行为分析,得到准确的用电图,其中,用电行为分析的过程为:基于智能电表大量的历史用电量绘制出一条预估用电图,将预估用电图与智能电表实际的用电图进行匹配,并将不匹配的点确定为异常历史用电量,进而,得到准确的用电图。
然后,基于训练样本选取规则从准确的用电图中确定与训练时间对应的多个历史用电量和每一历史用电量各自对应的权重,容易想到的是,若训练时间为一整天,则与训练时间对应的多个历史用电量也均为该智能电表一整天的历史用电量;若训练时间为一整天中部分时段,则与训练时间对应的多个历史用电量也均为该智能电表多个该部分时段的历史用电量。基于训练样本选取规则从大量的历史用电量中选取出多个历史用电量,并确定了每一历史用电量各自对应的权重,其中,训练样本选取规则用户可根据实际需求进行设定,例如,训练时间为上午6:00-12:00,则从准确的用电图中选取多个上午6:00-12:00对应的历史用电量,在确定每一历史用电量各自对应的权重时,会综合考虑训练时间位于每周中的位置,若训练时间为周一上午6:00-12:00,则为选取的历史用电量中同样也为周一上午6:00-12:00,则赋予一个较高的权值,对于选取的历史用电量中为周二/三/四/五/六/日上午6:00-12:00,则赋予一个普通的权值,通过这种方式,综合考虑了每周中每一天的不同情况,以使得更加贴近训练时间的历史用电量的权重更高。当然,在设定训练样本选取规则也可以考虑当前日期所处在当前月份的位置。
进一步的,基于训练时间、训练时间对应的每一历史用电量和每一历史用电量各自对应的权重,得到所有电能估计的训练样本,其中,训练样本中包括训练样本和训练时间对应的一个历史用电量,历史用电量对应的权重用于确定在构成训练样本时该历史用电量出现的次数,这样能够使得更加贴近训练时间的历史用电量对应的训练样本对卷积神经网络训练的次数更多。在基于训练样本选取规则确定每一历史用电量各自对应的权重时,会将与训练时间匹配度高的历史用电量赋予较高的权值,因而,在利用大量的训练样本对卷积神经网络进行训练时,增加历史用电量权值高的训练样本对卷积神经网络训练的次数,最终得到电能估计模型。通过这种方式,使得电能估计模型得到的电能估计值更加准确。
可见,在本申请实施例中,基于所有历史用电量绘制智能电表的用电图,并基于用电图进行用电行为分析,得到准确的用电图,然后,基于训练样本选取规则确定多个历史用电量和每一历史用电量各自对应的权重,综合训练时间、训练时间对应的每一历史用电量和每一历史用电量各自对应的权重,得到所有电能估计的训练样本,并对卷积神经网络进行训练,得到电能估计模型。通过这种方式,使得电能估计模型得到的电能估计值更加准确。
上述实施例从方法流程的角度介绍一种基于智能电表的用能诊断方法,下述实施例从虚拟模块或者虚拟单元的角度介绍了一种基于智能电表的用能诊断装置,具体详见下述实施例。
本申请实施例提供一种基于智能电表的用能诊断装置200,如图6所示,该基于智能电表的用能诊断装置200具体可以包括:
电能估计量确定模块210,用于获取当前时段和电表编号,利用电能估计模型基于当前时段和电表编号进行智能电表用电估计,得到当前时段的电能估计量;
电量消耗等级确定模块220,用于计算当前月份对应的月度用电量,基于月度用电量确定智能电表的电量消耗等级,其中,电量消耗等级用于将不同耗电的智能电表划分至不同的用电量层次;
电量波动值确定模块230,用于基于电量消耗等级、电能估计量和外界因素综合确定当前时段的电量波动值,其中,外界因素至少包括:环境因素、地理因素、假期因素;
电能估计区间确定模块240,用于基于电能估计量和电量波动值进行计算,得到当前时段的电能估计区间,其中,电能估计区间的左端点是基于电能估计量减去电量波动值得到的,右端点是基于电能估计量加上电量波动值得到的;
诊断模块250,用于获取智能电表的当前时段的实际电能消耗量,并基于实际电能消耗量与电能估计区间进行诊断,得到诊断结果,其中,诊断结果用于确定电能消耗量是否异常,诊断结果包括:用能正常、疑似偷电和疑似电能浪费;
处理方案确定模块260,用于基于诊断结果确定对应的处理方案并执行。
本申请实施例的一种可能的实现方式,电量波动值确定模块230在执行基于电量消耗等级、电能估计量和外界因素综合确定当前时段的电量波动值时,用于:
对外界因素中的环境因素、地理因素和假期因素进行计算,得到外界因素影响数值;
利用等级数值关系,确定与电量消耗等级对应的电量消耗等级数值;
获取电量消耗等级对应的等级权重、外界因素对应的因素权重;
基于电能估计量、外界因素影响数值、电量消耗等级数值、等级权重和因素权重,综合确定当前时段的电量波动值。
本申请实施例的一种可能的实现方式,处理方案确定模块260在执行基于诊断结果确定对应的处理方案并执行时,用于:
若诊断结果为疑似偷电,则获取疑似偷电用户的多维度数据,其中,多维度数据包括疑似偷电用户对应的智能水表的用水数据、智能燃气表的燃气数据和热表计量的供热数据;
基于用水数据、燃气数据和供热数据,综合确定疑似偷电用户的居住特性;
若居住特性为居住正常,则确定疑似偷电用户存在偷电行为,并切断智能电表的供电;
若居住特性为居住异常,则基于图像识别确定疑似偷电用户是否存在私自篡改电表操作,若存在私自篡改电表操作,则切断智能电表的供电,若不存在私自篡改电表操作,则将诊断结果更改为用能正常。
本申请实施例的一种可能的实现方式,处理方案确定模块260在执行确定处理方案为基于图像识别确定是否存在私自篡改电表操作时,用于:
获取智能电表的外壳图像,并基于外壳图像与标准外壳图像进行匹配,其中,标准外壳图像为智能电表未打开的外壳图像;
若与标准外壳图像匹配成功,则确定不存在私自篡改电表操作;
若与标准外壳图像匹配失败,则获取智能电表的接线图像,基于接线图像与标准接线图像进行匹配,其中,标准接线图像为智能电表未私自篡改电表的接线图像;
若与标准接线图像匹配成功,则确定不存在私自篡改电表操作;若与标准接线图像匹配失败,则确定存在私自篡改电表操作。
本申请实施例的一种可能的实现方式,处理方案确定模块260在执行基于诊断结果确定对应的处理方案并执行时,用于:
若诊断结果为疑似电能浪费,则基于电表编号与用户类型的对应关系,确定智能电表对应的用户类型,其中,用户类型包括:居民用户和企业用户;
当用户类型为居民用户时,则确定处理方案为利用电力分配器获取居民所有用电设备的用电情况,并将居民所有用电设备的用电情况和第一节能省电方案发送至居民用户终端,其中,第一节能省电方案是基于居民所有用电设备的用电情况确定的;
当用户类型为企业用户时,则确定处理方案为利用电力分配器获取企业所有用电设备的用电情况,基于企业所有用电设备的用电情况与各自对应的标准用电情况进行匹配,控制电力分配器切断异常用电设备的供电,并更新企业所有用电设备的用电情况;
结合外界因素和企业用电行为,综合评估更新后的企业所有用电设备的用电情况,以确定第二节能省电方案;
将更新后的企业所有用电设备的用电情况和第二节能省电方案发送至企业用户。
本申请实施例的一种可能的实现方式,诊断模块250在执行基于实际电能消耗量与电能估计区间进行诊断,得到诊断结果时,用于:
基于实际电能消耗量与电能估计区间进行诊断,得到初步诊断结果,其中,初步诊断结果包括用能正常和用能异常;
判断实际电能消耗量是否位于误差校准区间,若不在误差校准区间,则将初步诊断结果作为诊断结果,其中,误差校准区间位于电能估计区间两侧;
若在误差校准区间,则对智能电表进行校准,得到校准后的实际电能消耗量;
基于校准后的实际电能消耗量与电能估计区间进行诊断,得到诊断结果。
本申请实施例的一种可能的实现方式,诊断模块250在执行对智能电表进行校准时,用于:
获取智能电表的参数信息,其中,参数信息至少包括:瞬时功率、有功功率、无功功率和视在功率;
将参数信息发送至标准表仿真模型,得到仿真信息,其中,仿真信息作为智能电表校准的标准信息;
基于仿真信息对智能电表进行校准,以使得校准后的智能电表的参数信息与仿真信息一致,其中,标准表仿真模型是高精度虚拟智能电表。
本申请实施例的一种可能的实现方式,基于智能电表的用能诊断装置,还包括:
电能估计模型训练模块,用于获取智能电表的历史用电量,基于所有历史用电量绘制用电图,并基于用电图进行用电行为分析,以剔除异常历史用电量,得到准确的用电图;
基于训练样本选取规则从准确的用电图中确定与训练时间对应的多个历史用电量和每一历史用电量各自对应的权重;
基于训练时间、训练时间对应的每一历史用电量和每一历史用电量各自对应的权重,得到所有电能估计的训练样本;
基于所有训练样本对卷积神经网络进行训练,得到电能估计模型。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的一种基于智能电表的用能诊断装置200的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
本申请实施例中提供了一种电子设备,如图7所示, 图7所示的电子设备300包括:处理器301和存储器303。其中,处理器301和存储器303相连,如通过总线302相连。可选地,电子设备300还可以包括收发器304。需要说明的是,实际应用中收发器304不限于一个,该电子设备300的结构并不构成对本申请实施例的限定。
处理器301可以是CPU(Central Processing Unit,中央处理器),通用处理器,DSP(Digital Signal Processor,数据信号处理器),ASIC(Application SpecificIntegrated Circuit,专用集成电路),FPGA(Field Programmable Gate Array,现场可编程门阵列)或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本申请公开内容所描述的各种示例性的逻辑方框,模块和电路。处理器301也可以是实现计算功能的组合,例如包含一个或多个微处理器组合,DSP和微处理器的组合等。
总线302可包括一通路,在上述组件之间传送信息。总线302可以是PCI(Peripheral Component Interconnect,外设部件互连标准)总线或EISA(ExtendedIndustry Standard Architecture,扩展工业标准结构)总线等。总线302可以分为地址总线、数据总线、控制总线等。为便于表示, 图7中仅用一条粗线表示,但并不表示仅有一根总线或一型的总线。
存储器303可以是ROM(Read Only Memory,只读存储器)或可存储静态信息和指令的其他类型的静态存储设备,RAM(Random Access Memory,随机存取存储器)或者可存储信息和指令的其他类型的动态存储设备,也可以是EEPROM(Electrically ErasableProgrammable Read Only Memory,电可擦可编程只读存储器)、CD-ROM(Compact DiscRead Only Memory,只读光盘)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。
存储器303用于存储执行本申请方案的应用程序代码,并由处理器301来控制执行。处理器301用于执行存储器303中存储的应用程序代码,以实现前述方法实施例所示的内容。
其中,电子设备包括但不限于:移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。还可以为服务器等。 图7示出的电子设备仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
本申请实施例提供了一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,当其在计算机上运行时,使得计算机可以执行前述方法实施例中相应内容。
应该理解的是,虽然附图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,其可以以其他的顺序执行。而且,附图的流程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,其执行顺序也不必然是依次进行,而是可以与其他步骤或者其他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。
以上仅是本申请的部分实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本申请的保护范围。
Claims (10)
1.一种基于智能电表的用能诊断方法,其特征在于,包括:
获取当前时段和电表编号,利用电能估计模型基于所述当前时段和所述电表编号进行智能电表用电估计,得到当前时段的电能估计量;
计算当前月份对应的月度用电量,基于所述月度用电量确定智能电表的电量消耗等级,其中,所述电量消耗等级用于将不同耗电的智能电表划分至不同的用电量层次;
基于所述电量消耗等级、所述电能估计量和外界因素综合确定当前时段的电量波动值,其中,所述外界因素至少包括:环境因素、地理因素、假期因素;
基于所述电能估计量和所述电量波动值进行计算,得到当前时段的电能估计区间,其中,所述电能估计区间的左端点是基于所述电能估计量减去所述电量波动值得到的,右端点是基于所述电能估计量加上所述电量波动值得到的;
获取智能电表的当前时段的实际电能消耗量,并基于所述实际电能消耗量与所述电能估计区间进行诊断,得到诊断结果,其中,所述诊断结果用于确定电能消耗量是否异常,诊断结果包括:用能正常、疑似偷电和疑似电能浪费;
基于所述诊断结果确定对应的处理方案并执行。
2.根据权利要求1所述的基于智能电表的用能诊断方法,其特征在于,所述基于所述电量消耗等级、所述电能估计量和外界因素,综合确定当前时段的电量波动值,包括:
对所述外界因素中的所述环境因素、所述地理因素和所述假期因素进行计算,得到外界因素影响数值;
利用等级数值关系,确定与所述电量消耗等级对应的电量消耗等级数值;
获取所述电量消耗等级对应的等级权重、所述外界因素对应的因素权重;
基于所述电能估计量、所述外界因素影响数值、所述电量消耗等级数值、所述等级权重和所述因素权重,综合确定当前时段的电量波动值。
3.根据权利要求1所述的基于智能电表的用能诊断方法,其特征在于,所述基于所述诊断结果确定对应的处理方案并执行,包括:
若所述诊断结果为疑似偷电,则获取疑似偷电用户的多维度数据,其中,所述多维度数据包括疑似偷电用户对应的智能水表的用水数据、智能燃气表的燃气数据和热表计量的供热数据;
基于所述用水数据、所述燃气数据和所述供热数据,综合确定疑似偷电用户的居住特性;
若所述居住特性为居住正常,则确定所述疑似偷电用户存在偷电行为,并切断智能电表的供电;
若所述居住特性为居住异常,则基于图像识别确定所述疑似偷电用户是否存在私自篡改电表操作,若存在私自篡改电表操作,则切断智能电表的供电,若不存在私自篡改电表操作,则将所述诊断结果更改为用能正常。
4.根据权利要求3所述的基于智能电表的用能诊断方法,其特征在于,所述基于图像识别确定所述疑似偷电用户是否存在私自篡改电表操作,包括:
获取所述智能电表的外壳图像,并基于所述外壳图像与标准外壳图像进行匹配,其中,所述标准外壳图像为智能电表未打开的外壳图像;
若与标准外壳图像匹配成功,则确定不存在私自篡改电表操作;
若与标准外壳图像匹配失败,则获取智能电表的接线图像,基于所述接线图像与标准接线图像进行匹配,其中,所述标准接线图像为智能电表未私自篡改电表的接线图像;
若与标准接线图像匹配成功,则确定不存在私自篡改电表操作;若与标准接线图像匹配失败,则确定存在私自篡改电表操作。
5.根据权利要求1所述的基于智能电表的用能诊断方法,其特征在于,所述基于所述诊断结果确定对应的处理方案并执行,包括:
若所述诊断结果为疑似电能浪费,则基于电表编号与用户类型的对应关系,确定智能电表对应的用户类型,其中,所述用户类型包括:居民用户和企业用户;
当所述用户类型为居民用户时,则确定处理方案为利用电力分配器获取居民所有用电设备的用电情况,并将所述居民所有用电设备的用电情况和第一节能省电方案发送至居民用户终端,其中,所述第一节能省电方案是基于所述居民所有用电设备的用电情况确定的;
当所述用户类型为企业用户时,则确定处理方案为利用电力分配器获取企业所有用电设备的用电情况,基于所述企业所有用电设备的用电情况与各自对应的标准用电情况进行匹配,控制电力分配器切断异常用电设备的供电,并更新所述企业所有用电设备的用电情况;
结合所述外界因素和企业用电行为,综合评估更新后的所述企业所有用电设备的用电情况,以确定第二节能省电方案;
将更新后的所述企业所有用电设备的用电情况和第二节能省电方案发送至企业用户。
6.根据权利要求1所述的基于智能电表的用能诊断方法,其特征在于,所述基于所述实际电能消耗量与所述电能估计区间进行诊断,得到诊断结果,包括:
基于所述实际电能消耗量与所述电能估计区间进行诊断,得到初步诊断结果,其中,所述初步诊断结果包括用能正常和用能异常;
判断所述实际电能消耗量是否位于误差校准区间,若不在误差校准区间,则将所述初步诊断结果作为诊断结果,其中,所述误差校准区间位于所述电能估计区间两侧;
若在误差校准区间,则对所述智能电表进行校准,得到校准后的实际电能消耗量;
基于所述校准后的实际电能消耗量与所述电能估计区间进行诊断,得到诊断结果。
7.根据权利要求6所述的基于智能电表的用能诊断方法,其特征在于,所述对所述智能电表进行校准,包括:
获取所述智能电表的参数信息,其中,所述参数信息至少包括:瞬时功率、有功功率、无功功率和视在功率;
将所述参数信息发送至标准表仿真模型,得到仿真信息,其中,所述仿真信息作为智能电表校准的标准信息;
基于所述仿真信息对所述智能电表进行校准,以使得校准后的所述智能电表的参数信息与所述仿真信息一致,其中,所述标准表仿真模型是高精度虚拟智能电表。
8.根据权利要求1至7任意一项所述的基于智能电表的用能诊断方法,其特征在于,得到电能估计模型的方式,包括:
获取智能电表的历史用电量,基于所有所述历史用电量绘制用电图,并基于所述用电图进行用电行为分析,以剔除异常历史用电量,得到准确的用电图;
基于训练样本选取规则从所述准确的用电图中确定与训练时间对应的多个历史用电量和每一历史用电量各自对应的权重;
基于所述训练时间、所述训练时间对应的每一历史用电量和所述每一历史用电量各自对应的权重,得到所有电能估计的训练样本;
基于所有所述训练样本对卷积神经网络进行训练,得到电能估计模型。
9.一种基于智能电表的用能诊断装置,其特征在于,包括:
电能估计量确定模块,用于获取当前时段和电表编号,利用电能估计模型基于所述当前时段和所述电表编号进行智能电表用电估计,得到当前时段的电能估计量;
电量消耗等级确定模块,用于计算当前月份对应的月度用电量,基于所述月度用电量确定智能电表的电量消耗等级,其中,所述电量消耗等级用于将不同耗电的智能电表划分至不同的用电量层次;
电量波动值确定模块,用于基于所述电量消耗等级、所述电能估计量和外界因素综合确定当前时段的电量波动值,其中,所述外界因素至少包括:环境因素、地理因素、假期因素;
电能估计区间确定模块,用于基于所述电能估计量和所述电量波动值进行计算,得到当前时段的电能估计区间,其中,所述电能估计区间的左端点是基于所述电能估计量减去所述电量波动值得到的,右端点是基于所述电能估计量加上所述电量波动值得到的;
诊断模块,用于获取智能电表的当前时段的实际电能消耗量,并基于所述实际电能消耗量与所述电能估计区间进行诊断,得到诊断结果,其中,所述诊断结果用于确定电能消耗量是否异常,诊断结果包括:用能正常、疑似偷电和疑似电能浪费;
处理方案确定模块,用于基于所述诊断结果确定对应的处理方案并执行。
10.一种电子设备,其特征在于,包括:
至少一个处理器;
存储器;
至少一个应用程序,其中至少一个应用程序被存储在存储器中并被配置为由至少一个处理器执行,所述至少一个应用程序配置用于:执行权利要求1~8任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310078025.2A CN115792370B (zh) | 2023-02-08 | 2023-02-08 | 一种基于智能电表的用能诊断方法、装置和设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310078025.2A CN115792370B (zh) | 2023-02-08 | 2023-02-08 | 一种基于智能电表的用能诊断方法、装置和设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115792370A true CN115792370A (zh) | 2023-03-14 |
CN115792370B CN115792370B (zh) | 2023-05-26 |
Family
ID=85430346
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310078025.2A Active CN115792370B (zh) | 2023-02-08 | 2023-02-08 | 一种基于智能电表的用能诊断方法、装置和设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115792370B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116228298A (zh) * | 2023-04-25 | 2023-06-06 | 清华大学 | 基于nb-iot水表计量信息的大数据分析方法及*** |
CN116345481A (zh) * | 2023-03-17 | 2023-06-27 | 江苏华信新能源管理有限公司 | 功率因数优化方法、装置、设备及存储介质 |
CN116908533A (zh) * | 2023-09-14 | 2023-10-20 | 安徽融兆智能有限公司 | 一种具有计量功能的电力用户用电信息采集设备 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140358838A1 (en) * | 2013-06-04 | 2014-12-04 | International Business Machines Corporation | Detecting electricity theft via meter tampering using statistical methods |
CN105139287A (zh) * | 2015-09-01 | 2015-12-09 | 国网重庆市电力公司电力科学研究院 | 一种融合安全域的综合性电能计量装置评估方法 |
CN106371052A (zh) * | 2016-10-11 | 2017-02-01 | 国网山东省电力公司菏泽供电公司 | 智能电表的安全监控方法、装置及*** |
CN109614997A (zh) * | 2018-11-29 | 2019-04-12 | 武汉大学 | 一种基于深度学习的窃电风险预测方法及装置 |
CN111693795A (zh) * | 2020-03-30 | 2020-09-22 | 贵州电网有限责任公司 | 一种基于智能电表的台区线损率评估以及异常判断方法 |
CN113267692A (zh) * | 2021-05-17 | 2021-08-17 | 国网吉林省电力有限公司营销服务中心 | 一种低压台区线损智能诊断分析方法和*** |
CN113985339A (zh) * | 2021-09-22 | 2022-01-28 | 北京市腾河科技有限公司 | 智能电表的误差诊断方法及***、设备、存储介质 |
CN114154999A (zh) * | 2021-10-27 | 2022-03-08 | 国网河北省电力有限公司营销服务中心 | 一种反窃电方法、装置、终端及存储介质 |
CN114565038A (zh) * | 2022-02-23 | 2022-05-31 | 中国计量大学 | 一种基于改进胶囊网络的智能电表故障诊断方法 |
CN114913600A (zh) * | 2022-05-18 | 2022-08-16 | 安特仪表集团有限公司 | 一种电表窃电检测方法、装置、电子设备及存储介质 |
CN115166619A (zh) * | 2022-05-27 | 2022-10-11 | 云南电网有限责任公司 | 一种智能电能表运行误差监测*** |
-
2023
- 2023-02-08 CN CN202310078025.2A patent/CN115792370B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140358838A1 (en) * | 2013-06-04 | 2014-12-04 | International Business Machines Corporation | Detecting electricity theft via meter tampering using statistical methods |
CN105139287A (zh) * | 2015-09-01 | 2015-12-09 | 国网重庆市电力公司电力科学研究院 | 一种融合安全域的综合性电能计量装置评估方法 |
CN106371052A (zh) * | 2016-10-11 | 2017-02-01 | 国网山东省电力公司菏泽供电公司 | 智能电表的安全监控方法、装置及*** |
CN109614997A (zh) * | 2018-11-29 | 2019-04-12 | 武汉大学 | 一种基于深度学习的窃电风险预测方法及装置 |
CN111693795A (zh) * | 2020-03-30 | 2020-09-22 | 贵州电网有限责任公司 | 一种基于智能电表的台区线损率评估以及异常判断方法 |
CN113267692A (zh) * | 2021-05-17 | 2021-08-17 | 国网吉林省电力有限公司营销服务中心 | 一种低压台区线损智能诊断分析方法和*** |
CN113985339A (zh) * | 2021-09-22 | 2022-01-28 | 北京市腾河科技有限公司 | 智能电表的误差诊断方法及***、设备、存储介质 |
CN114154999A (zh) * | 2021-10-27 | 2022-03-08 | 国网河北省电力有限公司营销服务中心 | 一种反窃电方法、装置、终端及存储介质 |
CN114565038A (zh) * | 2022-02-23 | 2022-05-31 | 中国计量大学 | 一种基于改进胶囊网络的智能电表故障诊断方法 |
CN114913600A (zh) * | 2022-05-18 | 2022-08-16 | 安特仪表集团有限公司 | 一种电表窃电检测方法、装置、电子设备及存储介质 |
CN115166619A (zh) * | 2022-05-27 | 2022-10-11 | 云南电网有限责任公司 | 一种智能电能表运行误差监测*** |
Non-Patent Citations (1)
Title |
---|
江小昆;张文嘉;王妲;刘银虎;: "远程误差自诊断电能表的计量故障与窃电识别" * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116345481A (zh) * | 2023-03-17 | 2023-06-27 | 江苏华信新能源管理有限公司 | 功率因数优化方法、装置、设备及存储介质 |
CN116228298A (zh) * | 2023-04-25 | 2023-06-06 | 清华大学 | 基于nb-iot水表计量信息的大数据分析方法及*** |
CN116908533A (zh) * | 2023-09-14 | 2023-10-20 | 安徽融兆智能有限公司 | 一种具有计量功能的电力用户用电信息采集设备 |
CN116908533B (zh) * | 2023-09-14 | 2023-12-08 | 安徽融兆智能有限公司 | 一种具有计量功能的电力用户用电信息采集设备 |
Also Published As
Publication number | Publication date |
---|---|
CN115792370B (zh) | 2023-05-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115792370B (zh) | 一种基于智能电表的用能诊断方法、装置和设备 | |
CN108593990B (zh) | 一种基于电能用户用电行为模式的窃电检测方法和应用 | |
CN106054108B (zh) | 一种用电异常检查方法和装置 | |
CN110097297A (zh) | 一种多维度窃电态势智能感知方法、***、设备及介质 | |
US6785620B2 (en) | Energy efficiency measuring system and reporting methods | |
CN109242189A (zh) | 一种基于气象因素的电力负荷短期预测方法 | |
WO2021082478A1 (zh) | 空调***能耗预测方法及装置 | |
CN109634942A (zh) | 一种用能数据异常判断方法及装置 | |
CN102426674A (zh) | 一种基于马尔科夫链的电力***负荷预测方法 | |
CN112365056A (zh) | 一种电气负荷联合预测方法、装置、终端及存储介质 | |
CN102509173A (zh) | 一种基于马尔科夫链的电力***负荷准确预测方法 | |
CN114372360A (zh) | 用于电力负荷预测的方法、终端及存储介质 | |
Claridge | A perspective on methods for analysis of measured energy data from commercial buildings | |
CN115130046A (zh) | 变电站碳排放计算方法、装置及管理*** | |
CN111160993A (zh) | 基于用户负荷报装的用户实用及阶段释放系数的分析方法 | |
CN113391256B (zh) | 一种现场作业终端的电能表计量故障分析方法及*** | |
CN114487332A (zh) | 一种地表水水质自动监测站运行效果评价方法、***、介质及设备 | |
CN113313163A (zh) | 一种用电行为检测方法及*** | |
CN116303480B (zh) | 基于云计算的电能表误差校验方法 | |
CN113723671B (zh) | 一种基于用电情况大数据的数据聚类分析方法 | |
CN116186950A (zh) | 燃气管网模拟仿真的处理方法、***、装置和存储介质 | |
CN113420728B (zh) | 融合多时间尺度信息的非侵入式空调负荷辨识方法及*** | |
CN115392546A (zh) | 基于气象因子的降温电量预测及需求侧管理方法及装置 | |
CN114638284A (zh) | 一种考虑外部影响因素的用电行为刻画方法 | |
CN115204662A (zh) | 夏季尖峰负荷的可削减潜力评估方法、装置、设备及介质 |
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 |