CN117216706B - 一种配电网数据异常溯源方法、***、计算机设备及介质 - Google Patents
一种配电网数据异常溯源方法、***、计算机设备及介质 Download PDFInfo
- Publication number
- CN117216706B CN117216706B CN202311485340.3A CN202311485340A CN117216706B CN 117216706 B CN117216706 B CN 117216706B CN 202311485340 A CN202311485340 A CN 202311485340A CN 117216706 B CN117216706 B CN 117216706B
- Authority
- CN
- China
- Prior art keywords
- terminal
- abnormal
- data
- power
- distribution network
- 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 73
- 230000002159 abnormal effect Effects 0.000 claims abstract description 295
- 238000000611 regression analysis Methods 0.000 claims abstract description 43
- 238000012216 screening Methods 0.000 claims abstract description 39
- 238000004458 analytical method Methods 0.000 claims abstract description 15
- 230000005856 abnormality Effects 0.000 claims description 39
- 238000004364 calculation method Methods 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 13
- 238000012417 linear regression Methods 0.000 claims description 12
- 230000007717 exclusion Effects 0.000 claims description 11
- 238000001514 detection method Methods 0.000 claims description 9
- 230000003247 decreasing effect Effects 0.000 claims description 7
- 230000008030 elimination Effects 0.000 claims description 4
- 238000003379 elimination reaction Methods 0.000 claims description 4
- 238000012790 confirmation Methods 0.000 claims description 3
- 230000001419 dependent effect Effects 0.000 claims description 3
- 230000000875 corresponding effect Effects 0.000 description 73
- 230000008859 change Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 12
- 238000005259 measurement Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 6
- 238000011161 development Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 4
- 238000010276 construction Methods 0.000 description 4
- 238000007726 management method Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 238000004804 winding Methods 0.000 description 3
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 229910052802 copper Inorganic materials 0.000 description 2
- 239000010949 copper Substances 0.000 description 2
- 230000002354 daily effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 230000003203 everyday effect Effects 0.000 description 2
- 230000005284 excitation Effects 0.000 description 2
- 229910052742 iron Inorganic materials 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000001737 promoting effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000011000 absolute method Methods 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013524 data verification Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明提供了一种配电网数据异常溯源方法、***、计算机设备及介质，所述方法为根据目标异常区域的配电类型获取配电网设备的历史功率数据和计算配电网线损数据，并进行回归分析得到配电网线损关系模型和模型决定系数后，根据模型中回归系数得到待确认异常终端集，并根据将各个待确认异常终端的功率数据依次从历史功率数据中单独去除分析得到的第一更新模型决定系数与模型决定系数，筛选得到第一撤出异常终端，以及根据第一撤出异常终端更新终端设备集、配电网线损数据和历史功率数据进行下一轮异常终端筛选，直至达到预设异常溯源停止条件得到异常终端集。本发明能快速有效地实现配电网数据异常的精准溯源，保障电力供应的稳定性和用户满意度。
Description
技术领域
本发明涉及智能配电网技术领域，特别是涉及一种配电网数据异常溯源方法、***、计算机设备及存储介质。
背景技术
随着社会的持续发展和电力需求的不断增长，电力***正经历着深刻的变革，从传统的单向供电模式向智能电网转变。低压配电网作为电力***的末端，扮演着将电能传输至住宅、商业和工业场所终端的关键角色，随着电动汽车、分布式能源和可再生能源的普及，低压配电网的复杂性和多样性正逐渐升级。然而，这种变化也带来了数据异常的一系列挑战，包括线损、电压波动、不平衡负载等问题，高效准确的数据异常检测成为保证低压配电网可靠运行和优化利用的关键，也是推动电力行业朝着更智能、高效和可持续的方向发展的关键环节。
在此背景下，如何通过对低压配电网的实时监测和数据采集，精准识别异常情况，实现异常快速定位逐渐成为电网公司热衷研究的问题。现有电力***中广泛应用数据分析、人工智能等前沿技术，对庞大的电力数据进行深度挖掘和精细分析，以发现隐藏的异常模式和规律，及时预警异常情况，减少潜在风险，但仅能实现通过合理管理分布式能源，优化电力***的负载分布，降低线损和电力资源浪费，以及通过优化电力***的结构和布局，确保电力供应的稳定性和可靠性的效果，在并未考虑低压配电台区场景同母线、同馈线下终端配变电压相近，导致无法准确判断终端的户变关系和首端的线变关系的情况下，无法迅速识别电网异常数据并进行可靠地溯源分析。
发明内容
本发明的目的是提供一种配电网数据异常溯源方法，通过线损撤出法进行异常终端定位，并结合基于线损回归模型决定系数和皮尔逊相关系数指标进行异常终端追加识别，直至配电网负损消除，解决配电网异常监测无法准确判断终端的户变关系和首端的线变关系，进而无法迅速识别电网异常数据并进行可靠地溯源分析的应用缺陷，能实现配电网数据异常的高效精准溯源，便于配网数据质量管理，有效保障电力供应的稳定性和用户满意度的同时，有助于实现新型智能电力***的构建，推动电力行业的进一步发展和社会的可持续繁荣。
为了实现上述目的，有必要针对上述技术问题，提供一种配电网数据异常溯源方法、***、计算机设备及存储介质。
第一方面，本发明实施例提供了一种配电网数据异常溯源方法，所述方法包括以下步骤：
根据目标异常区域的配电类型，获取对应的配电网设备；所述配电网设备包括首端设备和对应的终端设备集；
获取所述配电网设备的历史功率数据，并根据所述历史功率数据，得到对应的配电网线损数据，以及将所述历史功率数据和所述配电网线损数据进行回归分析，得到配电网线损关系模型和模型决定系数；所述历史功率数据包括首端设备功率数据和对应的若干个终端设备功率数据；
将所述配电网线损关系模型中回归系数小于预设异常系数阈值的终端设备作为待确认异常终端，得到待确认异常终端集；
将各个待确认异常终端对应的终端设备功率数据依次从所述历史功率数据中单独去除，重新进行回归分析，得到对应的第一更新模型决定系数，并根据所述第一更新模型决定系数和所述模型决定系数，从所述待确认异常终端集中筛选得到第一撤出异常终端；
根据所述第一撤出异常终端，更新所述终端设备集、配电网线损数据和历史功率数据，并进行下一轮异常终端筛选，直至达到预设异常溯源停止条件，得到异常终端集；所述预设异常溯源停止条件为配电网线损消除、或无法得到待确认异常终端。
进一步地，所述根据目标异常区域的配电类型，获取对应的配电网设备的步骤包括：
当所述目标异常区域的配电类型为低压配电网时，将配电变压器作为首端设备，将各个低压用户作为对应的终端设备；
当所述目标异常区域的配电类型为中压配电网时，将大馈线作为首端设备，将各个配电变压器作为对应的终端设备。
进一步地，所述根据所述历史功率数据，得到对应的配电网线损数据，以及将所述历史功率数据和所述配电网线损数据进行回归分析，得到配电网线损关系模型的步骤包括：
将所有终端设备功率数据累加，得到终端总功率数据；
将所述首端设备功率数据与所述终端总功率数据作差，得到所述配电网线损数据；
将所述配电网线损数据和各个终端设备功率数据分别作为因变量和自变量进行多元线性回归分析，得到所述配电网线损关系模型。
进一步地，所述根据所述第一更新模型决定系数和所述模型决定系数，从所述待确认异常终端集中筛选得到第一撤出异常终端的步骤包括：
判断各个第一更新模型决定系数是否小于所述模型决定系数，若是，则将所述模型决定系数与对应的第一更新模型决定系数作差，得到对应的第一指标下降幅度；
将大于预设下降阈值的第一指标下降幅度中的最大值对应的待确认异常终端作为所述第一撤出异常终端。
进一步地，所述根据所述第一撤出异常终端，更新所述终端设备集、配电网线损数据和历史功率数据，并进行下一轮异常终端筛选的步骤包括：
将所述第一撤出异常终端从所述终端设备集中移除；
将所述第一撤出异常终端的终端设备功率数据添加至所述配电网线损数据，得到第一线损更新数据；
将所述第一撤出异常终端对应的终端设备功率数据从所述历史功率数据中剔除，得到第一功率更新数据；
根据所述第一线损更新数据和所述第一功率更新数据进行回归分析，并根据得到的第一异常排除线损关系模型和第一异常排除模型决定系数进行下一轮异常终端筛选。
进一步地，当配电网线损未消除且无法得到待确认异常终端时，所述达到预设异常溯源停止条件，得到异常终端集的步骤包括：
将当前所述终端设备集中满足预设异常检测条件的终端设备作为待检验异常终端，得到待检验异常终端集；所述预设异常检测条件为终端设备功率数据大于预设功率阈值且在所述第一异常排除线损关系模型中对应的回归系数为负值；
对所述待检验异常终端集中的各个待检验异常终端进行线损与功率相关性结合的异常筛选，得到第二撤出异常终端，并根据所述第二撤出异常终端更新所述终端设备集，直至配电网线损消除，得到所述异常终端集。
进一步地，所述对所述待检验异常终端集中的各个待检验异常终端进行线损与功率相关性结合的异常筛选，得到第二撤出异常终端，并根据所述第二撤出异常终端更新所述终端设备集的步骤包括：
将所述终端设备集中所有配电终端的终端设备功率数据之和与首端设备功率数据进行皮尔逊相关性计算，得到第一相关性系数；
将各个待检验异常终端从所述第一异常排除线损关系模型中单独剔除，分别进行回归分析和皮尔逊相关性计算，得到对应的第二更新模型决定系数和第二相关性系数；
判断各个第二更新模型决定系数是否小于所述第一更新模型决定系数，若是，则将所述第一更新模型决定系数与对应的第二更新模型决定系数作差，得到对应的第二指标下降幅度；
若所述第二指标下降幅度大于预设下降阈值且所述第二相关性系数大于所述第一相关性系数，则将所述待检验异常终端判定为第二撤出异常终端；
将所述第二撤出异常终端从所述终端设备集中移除，并将所述第二撤出异常终端的终端设备功率数据添加至所述第一线损更新数据，得到第二线损更新数据，以及将所述第二撤出异常终端对应的终端设备功率数据从所述第一功率更新数据中剔除，得到第二功率更新数据；
根据所述第二线损更新数据和所述第二功率更新数据进行回归分析，并根据得到的第二异常排除线损关系模型和第二异常排除模型决定系数进行下一轮第二撤出异常终端的筛选，更新所述终端设备集，直至配电网线损消除，得到所述异常终端集。
第二方面，本发明实施例提供了一种配电网数据异常溯源***，所述***包括：
设备获取模块，用于根据目标异常区域的配电类型，获取对应的配电网设备；所述配电网设备包括首端设备和对应的终端设备集；
线损分析模块，用于获取所述配电网设备的历史功率数据，并根据所述历史功率数据，得到对应的配电网线损数据，以及将所述历史功率数据和所述配电网线损数据进行回归分析，得到配电网线损关系模型和模型决定系数；所述历史功率数据包括首端设备功率数据和对应的若干个终端设备功率数据；
异常初选模块，用于将所述配电网线损关系模型中回归系数小于预设异常系数阈值的终端设备作为待确认异常终端，得到待确认异常终端集；
异常确认模块，用于将各个待确认异常终端对应的终端设备功率数据依次从所述历史功率数据中单独去除，重新进行回归分析，得到对应的第一更新模型决定系数，并根据所述第一更新模型决定系数和所述模型决定系数，从所述待确认异常终端集中筛选得到第一撤出异常终端；
遍历回溯模块，用于根据所述第一撤出异常终端，更新所述终端设备集、配电网线损数据和历史功率数据，并进行下一轮异常终端筛选，直至达到预设异常溯源停止条件，得到异常终端集。
第三方面，本发明实施例还提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述方法的步骤。
第四方面，本发明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，所述计算机程序被处理器执行时实现上述方法的步骤。
上述本申请提供了一种配电网数据异常溯源方法、***、计算机设备和存储介质，通过所述方法实现了根据目标异常区域的配电类型，获取包括首端设备和对应的终端设备集的配电网设备，并根据获取的配电网设备的历史功率数据，得到对应的配电网线损数据，以及将历史功率数据和配电网线损数据进行回归分析得到配电网线损关系模型和模型决定系数后，将配电网线损关系模型中回归系数小于预设异常系数阈值的终端设备作为待确认异常终端，得到待确认异常终端集，并将各个待确认异常终端对应的终端设备功率数据依次从历史功率数据中单独去除，重新进行回归分析，得到对应的第一更新模型决定系数，根据第一更新模型决定系数和所述模型决定系数，从待确认异常终端集中筛选得到第一撤出异常终端，以及根据第一撤出异常终端，更新终端设备集、配电网线损数据和历史功率数据，进行下一轮异常终端筛选，直至达到配电网线损消除或无法得到待确认异常终端为止，得到异常终端集的技术方案。与现有技术相比，该配电网数据异常溯源方法，通过线损撤出法进行异常终端定位，并结合基于线损回归模型决定系数和皮尔逊相关系数指标进行异常终端追加识别，实现配电网数据异常的高效精准溯源，便于配网数据质量管理，有效保障电力供应的稳定性和用户满意度的同时，有助于实现新型智能电力***的构建，推动电力行业的进一步发展和社会的可持续繁荣。
附图说明
图1是本发明实施例中配电网数据异常溯源方法的应用场景示意图；
图2是本发明实施例中配电网数据异常溯源的流程框架示意图；
图3是本发明实施例中配电网数据异常溯源方法的流程示意图；
图4是本发明实施例中低压配电网线损计算示意图；
图5是本发明实施例中变压器绕组功率损耗的示意图；
图6是本发明实施例中配变功率折算完毕后中压配电网线损计算示意图；
图7是本发明实施例中对旅水七变台区低压配电网进行初次回归分析得到的r2score指标为0.536且有11个待确认异常终端的回归系数示意图；
图8是将基于图7分析结果进行线损回归分析中确认的r2score为0.436且下降最大的异常终端撤出时的回归系数示意图；
图9是将图8中确认的异常终端撤出后再进行回归分析得到的r2score为0.398回归系数示意图；
图10是基于图9分析结果继续进行线损分析至负损仍未消除且找不到符合回归系数异常判定阈值的终端时的r2score为0.258的回归系数示意图；
图11是将图10中剩余大功率且回归系数为负的终端依次校验直至直到负损消除时得到的r2score为0.125的回归系数示意图；
图12是本发明实施例中旅水七变台区异常终端撤出后功率曲线对比图；
图13是本发明实施例中对泉华D238线中压配电网进行初次回归分析得到的回归系数示意图；
图14是基于图13分析结果进行线损回归分析中确认的r2score下降最大的异常终端撤出时的回归系数示意图；
图15是本发明实施例中泉华D238线异常终端撤出后功率曲线对比图；
图16是本发明实施例中配电网数据异常溯源***的结构示意图；
图17是本发明实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案和有益效果更加清楚明白，下面结合附图及实施例，对本发明作进一步详细说明，显然，以下所描述的实施例是本发明实施例的一部分，仅用于说明本发明，但不用来限制本发明的范围。基于本发明中的实施例，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，都属于本发明保护的范围。
本发明提供的配电网数据异常溯源方法可理解为通过线损撤出法进行异常终端定位，并结合基于线损回归模型决定系数和皮尔逊相关系数指标进行异常终端追加识别直至配电网负损消除，发现、定位导致配电网线损异常的所有配电网终端，实现对因户变关系挂接错误、线变关系挂接错误、表计计量异常、用户用电异常等问题导致的配电网数据异常溯源的方法；该方法可以应用于如图1所示的终端或服务器上。其中，终端可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。服务器可根据实际应用需求，采用本发明提供的图2所示的配电网数据异常溯源方法架构进行高效且精准的配电网数据异常溯源，并将得到的异常终端集用于服务器后续研究，或传送给终端以供终端使用者进行查看分析；下述实施例将对本发明的配电网数据异常溯源方法进行详细说明。
在一个实施例中，如图3所示，提供了一种配电网数据异常溯源方法，包括以下步骤：
S11、根据目标异常区域的配电类型，获取对应的配电网设备；所述配电网设备包括首端设备和对应的终端设备集；其中，目标异常区域可理解为是基于历史日线损筛选得到的需要辨识异常终端的异常配电区域，对应的配电类型根据实际应用场景的区别可分为低压配电和中压配电，对应所需研究的配电设备也会有所区别；具体的，所述根据目标异常区域的配电类型，获取对应的配电网设备的步骤包括：
当所述目标异常区域的配电类型为低压配电网时，将配电变压器作为首端设备，将各个低压用户作为对应的终端设备；
当所述目标异常区域的配电类型为中压配电网时，将大馈线作为首端设备，将各个配电变压器作为对应的终端设备；其中，大馈线的电压可根据实际应用场景确定，比如，可将10kv配电大馈线作为首端设备，此处不作具体限定。
S12、获取所述配电网设备的历史功率数据，并根据所述历史功率数据，得到对应的配电网线损数据，以及将所述历史功率数据和所述配电网线损数据进行回归分析，得到配电网线损关系模型和模型决定系数；其中，所述历史功率数据可理解为是按照一定采集频率（比如15分钟）获取的各个配电网设备的历史日功率数据，包括首端设备功率数据和对应的若干个终端设备功率数据；
具体的，所述根据所述历史功率数据，得到对应的配电网线损数据，以及将所述历史功率数据和所述配电网线损数据进行回归分析，得到配电网线损关系模型的步骤包括：
将所有终端设备功率数据累加，得到终端总功率数据；其中，终端总功率数据的实际获取方式因配电类型也有所差异：对于低压配电网，考虑到线损主要是由电流在配电导线上流过产生的热损构成，每个终端对线损的贡献系数较小，因此终端总功率数据即为低压用户表计量测功率直接累加；对于中压配电网而言，变压器损耗占据馈线首端至变压器二次侧功率损耗的绝大部分，线路的热损耗相对占比较小，需要将变压器二次侧的功率折算至一次侧，即在原有变压器的二次侧量测功率基础上再追加变压器的铁耗（空载损耗）和铜耗（负载损耗）记为该变压器终端的折算功率，再将各个变压器终端的功率累加得到对应的终端总功率数据；
将所述首端设备功率数据与所述终端总功率数据作差，得到所述配电网线损数据；其中，所述配电网线损数据的具体计算公式也因配电类型而有所有不同：
1）低压配电网线损计算如图4所示，为：
其中，P loss,t为低压配电网t时刻配电网线损；P s,t为配电网t时刻的首端设备功率数据（配电变压器功率）；p i,t为t时刻配电网中第i个终端设备功率的量测数据（低压用户的功率数据）；n表示该配电网区域连接的终端设备数量；
2）中压配电网线损计算如图5-图6所示，为：
式中，
其中，P loss,t为中压配电网t时刻配电网线损；P s,t为配电网t时刻的首端设备功率数据（大馈线配电功率）；为t时刻配电网中第j个终端设备功率数据；p i,t为t时刻配电网中第i个终端设备功率的量测数据（配电变压器功率的量测数据）；P i0,t和P ic,t分别表示t时刻配电网中第j个配电变压器的空载损耗和负载损耗；
上述空载损耗可理解为是由铁芯产生的一固定值；负载损耗可理解为是主要由负载电流通过变压器绕组上产生的损耗，其大小随负载电流而变化，与负载电流的平方成正比；如图5所示先将配电变变压器二次侧功率折合至一次侧，即从变压器资产台账获取变压器型号、空载损耗、负载损耗、阻抗电压百分比、空载电流百分比以计算变压器阻抗，变压器绕组阻抗功率损耗由二次侧功率与阻抗值计算后，再将一次侧的功率转换为二次侧功率与电抗功率损耗与空载损耗的累加，以及基于图6所示方式计算得到中压配电网在考虑变压器的功率损耗后的线损；其中，变压器阻抗计算公式为：
式中，为变压器电阻，/>为变压器电抗，/>为变压器短路损耗，/>为短路电压，/>为***额定容量。
将所述配电网线损数据和各个终端设备功率数据分别作为因变量和自变量进行多元线性回归分析，得到所述配电网线损关系模型；其中，配电网线损关系模型可理解为是基于最小二乘法使误差平方和最小估计得到一组最优权重来表示终端功率数据与配电网线损数据间关系的多元线性回归模型，表示为：
其中，a i,t为t时刻配电网中第i个终端设备的线性回归系数，也可理解为每个终端对线损的影响程度即贡献系数；在正常情况下，低压配电网线损主要是由电流在导线上流过产生的热损构成，与各节点终端功率大小呈正相关；由于导线电阻相对较低（一般在0.1欧姆以下），每个终端对线损的贡献系数较小；而中压配电网线损主要由运行中变压器引起的变损所致，在考虑了变压器终端叠加铜耗和变压器铁耗后，每个终端对线损的贡献系数较小；若存在户变关系挂接错误、线变关系挂接错误、表计量测异常、用户用电异常等问题，导致配电网终端数据异常，该异常终端电量将直接以负损的形式叠加在整体线损上，理论上系数为-1，实际回归时系数会因数据采集误差围绕-1上下波动，但绝对值大小远远高于正常终端对线损的贡献系数；因此可以通过终端功率回归系数是否符合预设异常系数阈值来标记可能异常的终端，即正常终端的回归系数接近0，异常终端的回归系数接近-1。
S13、将所述配电网线损关系模型中回归系数小于预设异常系数阈值的终端设备作为待确认异常终端，得到待确认异常终端集；其中，回归系数经大量数据验证，正常终端设备的回归系数绝对值在0到0.4间波动，而考虑到实际量测采集误差对模型研判准确性的影响，计算时将保留一些弹性余量，本实施例优选地将预设异常系数阈值设为-0.8，即小于此阈值的终端设备就可能为异常终端；对应得到的待确认异常终端集中的待确认异常终端可以为一个，也可以为两个及其以上，由实际得到的配电网线损关系模型中回归系数的取值确定，此处不再详述；
在由多个终端功率与配电网线损组成的线性回归模型中，模型决定系数（r2score指标）表示模型对观测数据方差的解释能力，即模型对实际数据的拟合程度以及对解释变量之间关系的准确程度，r2score的值范围在0到1之间，越接近1表示模型对数据的解释能力越强，越接近0表示模型的解释能力较弱；r2score指标的计算公式为：
其中，RMSE和Var为终端功率线性回归配电网线损的均方差和方差；通常情况下r2score指标越接近1，表示模型对数据的拟合越好；
考虑到异常终端是配电网负损的主要来源，与线损的相关性最高，在撤出异常终端后理论上会导致回归效果变差的情况，在得到待确认异常终端集后，采用下述线损撤出法对各个待确认异常终端进行剔除后回归分析，并以对应的模型决定系数（r2score指标）的下降幅度为条件定位异常终端，筛选出可能性最大的异常终端。
S14、将各个待确认异常终端对应的终端设备功率数据依次从所述历史功率数据中单独去除，重新进行回归分析，得到对应的第一更新模型决定系数，并根据所述第一更新模型决定系数和所述模型决定系数，从所述待确认异常终端集中筛选得到第一撤出异常终端；
其中，第一撤出异常终端可理解为是经过线损撤出法从所有待确认异常终端中筛选出异常可能性最大的异常终端，对应的获取过程为通过将待确认异常终端从线损回归分析中去除，分析得到的新的线损关系模型对应的决定系数相对于前次建模得到的模型决定系数是否发生较大变化来进一步判断待确认异常终端是否为异常终端；如果将待确认异常终端从线损回归分析中去除，得到的第一更新模型决定系数指标无明显变化，则判断该终端正常，反之，若指标有明显的降低且超出阈值的，则判定为异常，并在对所有存在异常的终端设备中找到需要直接从终端设备集中剔除的问题最大的异常终端。找出指标下降幅度最大异常终端；
具体的，所述根据所述第一更新模型决定系数和所述模型决定系数，从所述待确认异常终端集中筛选得到第一撤出异常终端的步骤包括：
判断各个第一更新模型决定系数是否小于所述模型决定系数，若是，则将所述模型决定系数与对应的第一更新模型决定系数作差，得到对应的第一指标下降幅度；
将大于预设下降阈值的第一指标下降幅度中的最大值对应的待确认异常终端作为所述第一撤出异常终端；其中，预设下降阈值原则上可根据实际应用需求选取，本实施例优选地，基于大量数据验证将预设下降阈值设为0.085，即通过撤出待确认异常终端回归分析得到的r2score下降幅度大于阈值0.085时可能为异常，并从所有指标下降幅度大于阈值的异常终端中选取下降幅值最大的一个作为第一撤出异常终端。
经过上述线损回归计算确定第一撤出异常终端后，就需要将其配电网中撤出，并通在线损中对应加上该终端的功率值，按照下述方法再开展下一轮线损回归计算，直至找出所有的异常终端。
S15、根据所述第一撤出异常终端，更新所述终端设备集、配电网线损数据和历史功率数据，并进行下一轮异常终端筛选，直至达到预设异常溯源停止条件，得到异常终端集；所述预设异常溯源停止条件为配电网线损消除、或无法得到待确认异常终端，其中，配电网线损消除可理解为是所有时刻线损均大于零，且无法得到待确认异常终端可理解为是负损仍未消除，但找不到符合回归系数异常判定阈值的终端；
具体的，所述根据所述第一撤出异常终端，更新所述终端设备集、配电网线损数据和历史功率数据，并进行下一轮异常终端筛选的步骤包括：
将所述第一撤出异常终端从所述终端设备集中移除；
将所述第一撤出异常终端的终端设备功率数据添加至所述配电网线损数据，得到第一线损更新数据；
将所述第一撤出异常终端对应的终端设备功率数据从所述历史功率数据中剔除，得到第一功率更新数据；
根据所述第一线损更新数据和所述第一功率更新数据进行回归分析，并根据得到的第一异常排除线损关系模型和第一异常排除模型决定系数进行下一轮异常终端筛选。
需要说明的是根据得到的第一异常排除线损关系模型和第一异常排除模型决定系数进行下一轮异常终端筛选的步骤可参考S11-S14得到第一撤出异常终端的过程，此处不再赘述；
本实施例通过线损撤出法进行异常终端定位方法，能够准确判断终端的户变关系和首端的线变关系，进而高效精准识别电网异常数据并进行可靠地溯源分析；但考虑到在实际应用中负损未消除就表明还可能存在未识别异常终端的可能性，为了进一步保证异常溯源的全面性和可靠性，本实施例优选地，采用基于线损回归模型决定系数和皮尔逊相关系数指标相结合的异常检验方法对配电网内剩余大功率且回归系数为负的终端依次进行校验筛选；具体的，当配电网线损未消除且无法得到待确认异常终端时，所述达到预设异常溯源停止条件，得到异常终端集的步骤包括：
将当前所述终端设备集中满足预设异常检测条件的终端设备作为待检验异常终端，得到待检验异常终端集；所述预设异常检测条件为终端设备功率数据大于预设功率阈值且在所述第一异常排除线损关系模型中对应的回归系数为负值；其中，预设功率阈值原则上也可根据实际应用需求设置，本实施例优选地将其设为当前终端设备集内剩余终端设备功率的平均值，即，将当前终端设备集中功率大于预设功率阈值且在上一轮回归分析中对应的回归系数为负值的终端设备列为待检验异常终端集，需要进一步按照前述线损撤出法进行回归分析得到的决定系数变动情况结合终端撤出前后首端设备功率与终端设备功率之和序列的相关性变化来确认是否异常；
对所述待检验异常终端集中的各个待检验异常终端进行线损与功率相关性结合的异常筛选，得到第二撤出异常终端，并根据所述第二撤出异常终端更新所述终端设备集，直至配电网线损消除，得到所述异常终端集；具体的，所述对所述待检验异常终端集中的各个待检验异常终端进行线损与功率相关性结合的异常筛选，得到第二撤出异常终端，并根据所述第二撤出异常终端更新所述终端设备集的步骤包括：
将所述终端设备集中所有配电终端的终端设备功率数据之和与首端设备功率数据进行皮尔逊相关性计算，得到第一相关性系数；其中，皮尔逊相关性计算的公式如下：
式中，为终端功率累和与配电网首端功率的相关系数大小，即用于判断低压用户终端智能电表功率量测值总和与台区变压器功率量测、或者变压器终端功率量测值总和与馈线关口功率量测数列的相关性大小；/>和/>分别为终端设备功率和首端设备的功率平均值，/>和/>分别为采集的终端设备与首端设备功率的有效数据；n为功率采集有效数据的个数；
将各个待检验异常终端从所述第一异常排除线损关系模型中单独剔除，分别进行回归分析和皮尔逊相关性计算，得到对应的第二更新模型决定系数和第二相关性系数；
判断各个第二更新模型决定系数是否小于所述第一更新模型决定系数，若是，则将所述第一更新模型决定系数与对应的第二更新模型决定系数作差，得到对应的第二指标下降幅度；
若所述第二指标下降幅度大于预设下降阈值且所述第二相关性系数大于所述第一相关性系数，则将所述待检验异常终端判定为第二撤出异常终端；
将所述第二撤出异常终端从所述终端设备集中移除，并将所述第二撤出异常终端的终端设备功率数据添加至所述第一线损更新数据，得到第二线损更新数据，以及将所述第二撤出异常终端对应的终端设备功率数据从所述第一功率更新数据中剔除，得到第二功率更新数据；
根据所述第二线损更新数据和所述第二功率更新数据进行回归分析，并根据得到的第二异常排除线损关系模型和第二异常排除模型决定系数进行下一轮第二撤出异常终端的筛选，更新所述终端设备集，直至配电网线损消除，得到所述异常终端集；
上述第二撤出异常终端确定的实际过程可理解为：依次将大功率终端撤出配电网，同时线损也对应加上终端功率，记录每次r2score指标的变化；计算终端撤出前后，低压配电网场景中低压用户终端功率之和与配变功率的皮尔逊相关性，中压配电网场景中配电变压器终端功率之和与馈线功率的皮尔逊相关性；若一轮中某终端撤出后，指标显著下降且功率相关性提高，则确定为终端异常，将该终端撤出配电网和线损，并从待检验异常终端集中剔出，展开下一轮计算，直至负损消除或无法找到符合判据的异常终端为止，整合各轮撤出的异常终端，得到最终确定的异常终端集，进而实现配电网数据异常的溯源。
通过上述步骤，可以发现、定位导致配电网线损异常的配电网终端，实现因户变关系挂接错误、线变关系挂接错误、表计计量异常、用户用电异常等问题导致的配电网数据异常溯源；需要说明的是，本方案具备对配电网或低压配电台区数据大规模扫描计算的功能，也可优先计算存在负线损的区域，即采用历史数据计算日线损筛选负损区域，找出对线损指标影响最大的异常终端，线损计算即上方实时线损计算法。
本申请实施例通过根据目标异常区域的配电类型，获取包括首端设备和对应的终端设备集的配电网设备，并根据获取的配电网设备的历史功率数据，得到对应的配电网线损数据，以及将历史功率数据和配电网线损数据进行回归分析得到配电网线损关系模型和模型决定系数后，将配电网线损关系模型中回归系数小于预设异常系数阈值的终端设备作为待确认异常终端，得到待确认异常终端集，并将各个待确认异常终端对应的终端设备功率数据依次从历史功率数据中单独去除，重新进行回归分析，得到对应的第一更新模型决定系数，根据第一更新模型决定系数和所述模型决定系数，从待确认异常终端集中筛选得到第一撤出异常终端，以及根据第一撤出异常终端，更新终端设备集、配电网线损数据和历史功率数据，进行下一轮异常终端筛选，直至达到配电网线损消除或无法得到待确认异常终端后，再基于线损回归模型决定系数和皮尔逊相关系数指标对大功率终端设备进行异常终端追加识别，直至负损全部消除，得到异常终端集的方案，有效解决了现有配电网异常监测无法准确判断终端的户变关系和首端的线变关系，进而无法迅速识别电网异常数据并进行可靠地溯源分析的应用缺陷，能实现配电网数据异常的高效精准且全面溯源，便于配网数据质量管理，有效保障电力供应的稳定性和用户满意度的同时，有助于实现新型智能电力***的构建，推动电力行业的进一步发展和社会的可持续繁荣。
为了对本发明方法的实施效果进行补充说明，本实施实施例还结合低压配电网和中压配电网实例中的历史量测数据进行仿真验证：
1）低压配电网实例验证：
对旅水七变台区实际用电负荷历史数据进行实验验证，该台区包括79个终端，每天以15分钟为间隔收集96个时间点（24小时）的数据，记配电变压器在t时刻采集的功率值为，低压用户终端采集的功率值为/>；经过数据预处理后，通过对终端功率和台区线损数据进行回归分析建立多元线性回归方程：
其中，是t时刻低压用户终端时序功率矩阵，/>是t时刻配电网线损时序矩阵，/>是特征矩阵，即为待求的连续未知变量组成的矩阵，/>是t时刻的残差向量；
如图7得到各终端回归系数和r2score指标，此时指标大小为0.536，有11个回归系数低于设定阈值的终端；通过线损回归计算每个可能异常终端的r2score下降幅度，找到r2score下降最大的异常终端，撤出该终端后回归系数如图8，指标变为0.436；将该异常终端撤出台区，同时对应线损加上该功率，此时回归系数如图9图；
由于负损仍未消除，且找不到符合回归系数异常判定阈值的终端，则对台区内剩余大功率且回归系数为负的终端依次校验，此时回归系数如图10图；
直到负损消除，结束异常终端检测，此时回归系数如图11，此时图中回归系数为超过-0.8的用户，根据上述流程，撤出该用户后r2score指标变化的影响值仅为0.0024，量级小于本方法设定异常用户对r2score变化幅度的阈值，因此判定为正常终端；
整合各轮撤出的异常终端，实现低压配电台区数据异常的溯源，此时异常终端撤出前后的终端功率变化如图12。
2）在中压配电网实例验证中：
对泉华D238线及其覆盖范围内的配变实际用电负荷历史数据进行实验验证，该馈线供电区域包括76个配电变压器终端，每天以15分钟为间隔收集96个时间点（24小时）的数据，记泉华D238线在t时刻采集的功率值为，其下挂接的配变终端采集的功率值为/>；
首先，根据变压器资产台账获取其型号并计算阻抗损耗和励磁损耗，如表1所示部分型号：
表1变压器型号及阻抗损耗和励磁损耗示例
其次，根据变压器损耗计算配变一次侧功率，通过配变终端一次侧折算功率计算馈线线损再建立馈线线损-配变终端功率多元线性回归模型：
如图13得到各配变终端回归系数和r2score指标；通过线损回归计算找到r2score下降最大的异常终端，撤出该终端后回归系数如图14；
整合各轮撤出的异常终端，实现中压配电台区数据异常的溯源，此时异常终端撤出前后的终端功率变化如图15。
根据模型计算结果进行现场核验可以发现：本发明提供的一种配电网数据异常溯源方法中描述的线损撤出异常终端定位法计算值得准确率为98.24%。而传统的电压相关法准确率下降至83.42%主要可能原因如下：若台区隶属同一条馈线，各用户终端电压波动性相似；其次在山区农村区域存在供电线路较长导致末端终端电压出现畸变，波形偏离其余终端，难以依靠电压判据辨识异常用户终端存在较大局限性；其次是功率守恒法，其原理是在配电变压器与台区低压用户之间寻求能量守恒，即台区下的用户功率总和约等于变压器功率。最终的准确率仅为85.6%，究其原因是该模型会尽其所能拟合变压器和用户的功率关系，以至于对部分小功率用户终端形成误判。
表2 本发明提出的算法与传统算法准确度对比
综上，本发明提供一种配电网数据异常溯源方法，在基于多元线性回归模型和传统配电网数据异常溯源的研究基础上，针对配电网线损和终端功率量测数据的数学特征，建立了基于r2score线损撤出异常终端定位法模型，有着更高的准确率，有效提高拓扑记录档案更新的实时性和灵活性的同时，还能够适应中低配电网不断变化的拓扑，在新型配电网中可以得到良好的结果。
需要说明的是，虽然上述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。
在一个实施例中，如图16所示，提供了一种配电网数据异常溯源***，所述***包括：
设备获取模块1，用于根据目标异常区域的配电类型，获取对应的配电网设备；所述配电网设备包括首端设备和对应的终端设备集；
线损分析模块2，用于获取所述配电网设备的历史功率数据，并根据所述历史功率数据，得到对应的配电网线损数据，以及将所述历史功率数据和所述配电网线损数据进行回归分析，得到配电网线损关系模型和模型决定系数；所述历史功率数据包括首端设备功率数据和对应的若干个终端设备功率数据；
异常初选模块3，用于将所述配电网线损关系模型中回归系数小于预设异常系数阈值的终端设备作为待确认异常终端，得到待确认异常终端集；
异常确认模块4，用于将各个待确认异常终端对应的终端设备功率数据依次从所述历史功率数据中单独去除，重新进行回归分析，得到对应的第一更新模型决定系数，并根据所述第一更新模型决定系数和所述模型决定系数，从所述待确认异常终端集中筛选得到第一撤出异常终端；
遍历回溯模块5，用于根据所述第一撤出异常终端，更新所述终端设备集、配电网线损数据和历史功率数据，并进行下一轮异常终端筛选，直至达到预设异常溯源停止条件，得到异常终端集。
关于配电网数据异常溯源***的具体限定可以参见上文中对于配电网数据异常溯源方法的限定，对应的技术效果也可等同得到，在此不再赘述。上述配电网数据异常溯源***中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或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模块对应的操作。
图17示出一个实施例中计算机设备的内部结构图，该计算机设备具体可以是终端或服务器。如图17所示，该计算机设备包括通过***总线连接的处理器、存储器、网络接口、显示器、摄像头和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该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***和计算机程序。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。该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。该计算机程序被处理器执行时以实现配电网数据异常溯源方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域普通技术人员可以理解，图17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计算机设备的限定，具体的计算设备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，或者具有同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述方法的步骤。
在一个实施例中，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上述方法的步骤。
综上，本发明实施例提供的一种配电网数据异常溯源方法及***，其配电网数据异常溯源方法实现了根据目标异常区域的配电类型，获取包括首端设备和对应的终端设备集的配电网设备，并根据获取的配电网设备的历史功率数据，得到对应的配电网线损数据，以及将历史功率数据和配电网线损数据进行回归分析得到配电网线损关系模型和模型决定系数后，将配电网线损关系模型中回归系数小于预设异常系数阈值的终端设备作为待确认异常终端，得到待确认异常终端集，并将各个待确认异常终端对应的终端设备功率数据依次从历史功率数据中单独去除，重新进行回归分析，得到对应的第一更新模型决定系数，根据第一更新模型决定系数和所述模型决定系数，从待确认异常终端集中筛选得到第一撤出异常终端，以及根据第一撤出异常终端，更新终端设备集、配电网线损数据和历史功率数据，进行下一轮异常终端筛选，直至达到配电网线损消除或无法得到待确认异常终端后，再基于线损回归模型决定系数和皮尔逊相关系数指标对大功率终端设备进行异常终端追加识别，直至负损全部消除，得到异常终端集的技术方案，该方法通过线损撤出法进行异常终端定位，并结合基于线损回归模型决定系数和皮尔逊相关系数指标进行异常终端追加识别，实现配电网数据异常的高效精准溯源，便于配网数据质量管理，有效保障电力供应的稳定性和用户满意度的同时，有助于实现新型智能电力***的构建，推动电力行业的进一步发展和社会的可持续繁荣。
本说明书中的各个实施例均采用递进的方式描述，各个实施例直接相同或相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于***实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。需要说明的是，上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申请的几种优选实施方式，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，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和替换，这些改进和替换也应视为本申请的保护范围。因此，本申请专利的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种配电网数据异常溯源方法，其特征在于，所述方法包括以下步骤：
根据目标异常区域的配电类型，获取对应的配电网设备；所述配电网设备包括首端设备和对应的终端设备集；
获取所述配电网设备的历史功率数据，并根据所述历史功率数据，得到对应的配电网线损数据，以及将所述历史功率数据和所述配电网线损数据进行回归分析，得到配电网线损关系模型和模型决定系数；所述历史功率数据包括首端设备功率数据和对应的若干个终端设备功率数据；所述模型决定系数表示为：
其中，RMSE和Var分别表示终端功率线性回归配电网线损的均方差和方差；
将所述配电网线损关系模型中回归系数小于预设异常系数阈值的终端设备作为待确认异常终端，得到待确认异常终端集；
将各个待确认异常终端对应的终端设备功率数据依次从所述历史功率数据中单独去除，重新进行回归分析，得到对应的第一更新模型决定系数，并根据所述第一更新模型决定系数和所述模型决定系数，从所述待确认异常终端集中筛选得到第一撤出异常终端；
根据所述第一撤出异常终端，更新所述终端设备集、配电网线损数据和历史功率数据，并进行下一轮异常终端筛选，直至达到预设异常溯源停止条件，得到异常终端集；所述预设异常溯源停止条件为配电网线损消除、或无法得到待确认异常终端。
2.如权利要求1所述的配电网数据异常溯源方法，其特征在于，所述根据目标异常区域的配电类型，获取对应的配电网设备的步骤包括：
当所述目标异常区域的配电类型为低压配电网时，将配电变压器作为首端设备，将各个低压用户作为对应的终端设备；
当所述目标异常区域的配电类型为中压配电网时，将大馈线作为首端设备，将各个配电变压器作为对应的终端设备。
3.如权利要求2所述的配电网数据异常溯源方法，其特征在于，所述根据所述历史功率数据，得到对应的配电网线损数据，以及将所述历史功率数据和所述配电网线损数据进行回归分析，得到配电网线损关系模型的步骤包括：
将所有终端设备功率数据累加，得到终端总功率数据；
将所述首端设备功率数据与所述终端总功率数据作差，得到所述配电网线损数据；
将所述配电网线损数据和各个终端设备功率数据分别作为因变量和自变量进行多元线性回归分析，得到所述配电网线损关系模型。
4.如权利要求1所述的配电网数据异常溯源方法，其特征在于，所述根据所述第一更新模型决定系数和所述模型决定系数，从所述待确认异常终端集中筛选得到第一撤出异常终端的步骤包括：
判断各个第一更新模型决定系数是否小于所述模型决定系数，若是，则将所述模型决定系数与对应的第一更新模型决定系数作差，得到对应的第一指标下降幅度；
将大于预设下降阈值的第一指标下降幅度中的最大值对应的待确认异常终端作为所述第一撤出异常终端。
5.如权利要求1所述的配电网数据异常溯源方法，其特征在于，所述根据所述第一撤出异常终端，更新所述终端设备集、配电网线损数据和历史功率数据，并进行下一轮异常终端筛选的步骤包括：
将所述第一撤出异常终端从所述终端设备集中移除；
将所述第一撤出异常终端的终端设备功率数据添加至所述配电网线损数据，得到第一线损更新数据；
将所述第一撤出异常终端对应的终端设备功率数据从所述历史功率数据中剔除，得到第一功率更新数据；
根据所述第一线损更新数据和所述第一功率更新数据进行回归分析，并根据得到的第一异常排除线损关系模型和第一异常排除模型决定系数进行下一轮异常终端筛选。
6.如权利要求5所述的配电网数据异常溯源方法，其特征在于，当配电网线损未消除且无法得到待确认异常终端时，所述达到预设异常溯源停止条件，得到异常终端集的步骤包括：
将当前所述终端设备集中满足预设异常检测条件的终端设备作为待检验异常终端，得到待检验异常终端集；所述预设异常检测条件为终端设备功率数据大于预设功率阈值且在所述第一异常排除线损关系模型中对应的回归系数为负值；
对所述待检验异常终端集中的各个待检验异常终端进行线损与功率相关性结合的异常筛选，得到第二撤出异常终端，并根据所述第二撤出异常终端更新所述终端设备集，直至配电网线损消除，得到所述异常终端集。
7.如权利要求6所述的配电网数据异常溯源方法，其特征在于，所述对所述待检验异常终端集中的各个待检验异常终端进行线损与功率相关性结合的异常筛选，得到第二撤出异常终端，并根据所述第二撤出异常终端更新所述终端设备集的步骤包括：
将所述终端设备集中所有配电终端的终端设备功率数据之和与首端设备功率数据进行皮尔逊相关性计算，得到第一相关性系数；
将各个待检验异常终端从所述第一异常排除线损关系模型中单独剔除，分别进行回归分析和皮尔逊相关性计算，得到对应的第二更新模型决定系数和第二相关性系数；
判断各个第二更新模型决定系数是否小于所述第一更新模型决定系数，若是，则将所述第一更新模型决定系数与对应的第二更新模型决定系数作差，得到对应的第二指标下降幅度；
若所述第二指标下降幅度大于预设下降阈值且所述第二相关性系数大于所述第一相关性系数，则将所述待检验异常终端判定为第二撤出异常终端；
将所述第二撤出异常终端从所述终端设备集中移除，并将所述第二撤出异常终端的终端设备功率数据添加至所述第一线损更新数据，得到第二线损更新数据，以及将所述第二撤出异常终端对应的终端设备功率数据从所述第一功率更新数据中剔除，得到第二功率更新数据；
根据所述第二线损更新数据和所述第二功率更新数据进行回归分析，并根据得到的第二异常排除线损关系模型和第二异常排除模型决定系数进行下一轮第二撤出异常终端的筛选，更新所述终端设备集，直至配电网线损消除，得到所述异常终端集。
8.一种配电网数据异常溯源***，其特征在于，所述***包括：
设备获取模块，用于根据目标异常区域的配电类型，获取对应的配电网设备；所述配电网设备包括首端设备和对应的终端设备集；
线损分析模块，用于获取所述配电网设备的历史功率数据，并根据所述历史功率数据，得到对应的配电网线损数据，以及将所述历史功率数据和所述配电网线损数据进行回归分析，得到配电网线损关系模型和模型决定系数；所述历史功率数据包括首端设备功率数据和对应的若干个终端设备功率数据；所述模型决定系数表示为：
其中，RMSE和Var分别表示终端功率线性回归配电网线损的均方差和方差；
异常初选模块，用于将所述配电网线损关系模型中回归系数小于预设异常系数阈值的终端设备作为待确认异常终端，得到待确认异常终端集；
异常确认模块，用于将各个待确认异常终端对应的终端设备功率数据依次从所述历史功率数据中单独去除，重新进行回归分析，得到对应的第一更新模型决定系数，并根据所述第一更新模型决定系数和所述模型决定系数，从所述待确认异常终端集中筛选得到第一撤出异常终端；
遍历回溯模块，用于根据所述第一撤出异常终端，更新所述终端设备集、配电网线损数据和历史功率数据，并进行下一轮异常终端筛选，直至达到预设异常溯源停止条件，得到异常终端集。
9.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，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7中任一所述方法的步骤。
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7中任一所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311485340.3A CN117216706B (zh) | 2023-11-09 | 2023-11-09 | 一种配电网数据异常溯源方法、***、计算机设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311485340.3A CN117216706B (zh) | 2023-11-09 | 2023-11-09 | 一种配电网数据异常溯源方法、***、计算机设备及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117216706A CN117216706A (zh) | 2023-12-12 |
| CN117216706B true CN117216706B (zh) | 2024-02-09 |
Family
ID=89046683
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311485340.3A Active CN117216706B (zh) | 2023-11-09 | 2023-11-09 | 一种配电网数据异常溯源方法、***、计算机设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117216706B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| WO2021164267A1 (zh) * | 2020-02-21 | 2021-08-26 | 平安科技（深圳）有限公司 | 异常检测方法、装置、终端设备及存储介质 |
| CN115267422A (zh) * | 2022-07-01 | 2022-11-01 | 国网山西省电力公司吕梁供电公司 | 一种用于复杂配电网线路故障的感知诊断定位方法 |
| CN115422788A (zh) * | 2022-11-07 | 2022-12-02 | 广东电网有限责任公司 | 一种配电网线损分析管理方法、装置、存储介质及*** |
| CN115545240A (zh) * | 2022-11-10 | 2022-12-30 | 国网陕西省电力有限公司营销服务中心(计量中心) | 一种低压配电网台区异常线损诊断方法、***、设备及介质 |
| CN115905904A (zh) * | 2022-11-28 | 2023-04-04 | 广东电网有限责任公司 | 一种配电网馈线的线损异常评估方法及装置 |
| CN116522268A (zh) * | 2023-06-28 | 2023-08-01 | 广东电网有限责任公司 | 一种配电网的线损异常识别方法 |
-
2023
- 2023-11-09 CN CN202311485340.3A patent/CN117216706B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2021164267A1 (zh) * | 2020-02-21 | 2021-08-26 | 平安科技（深圳）有限公司 | 异常检测方法、装置、终端设备及存储介质 |
| 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 |
| CN115267422A (zh) * | 2022-07-01 | 2022-11-01 | 国网山西省电力公司吕梁供电公司 | 一种用于复杂配电网线路故障的感知诊断定位方法 |
| CN115422788A (zh) * | 2022-11-07 | 2022-12-02 | 广东电网有限责任公司 | 一种配电网线损分析管理方法、装置、存储介质及*** |
| CN115545240A (zh) * | 2022-11-10 | 2022-12-30 | 国网陕西省电力有限公司营销服务中心(计量中心) | 一种低压配电网台区异常线损诊断方法、***、设备及介质 |
| CN115905904A (zh) * | 2022-11-28 | 2023-04-04 | 广东电网有限责任公司 | 一种配电网馈线的线损异常评估方法及装置 |
| CN116522268A (zh) * | 2023-06-28 | 2023-08-01 | 广东电网有限责任公司 | 一种配电网的线损异常识别方法 |
Non-Patent Citations (3)
| Title |
|---|
| Research on the Algorithm Model of Predicting Line Loss Diagnosis Based on Computer Multiple Linear Regression;Li Linghua Etc.;2022 IEEE 5th International Conference on Information Systems and Computer Aided Education (ICISCAE);全文 * |
| 基于多元回归的电网分压线损率合理波动区间的研究;杨昆;自动化应用;全文 * |
| 基于多维特征量融合的配电网拓扑异常溯源与应用模型研究;李正光;钱锋强;刘艾旺;龚书能;邹健;;浙江电力(07);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117216706A (zh) | 2023-12-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107679658B (zh) | 一种高比例清洁能源接入下的输电网规划方法 | |
| CN103647276B (zh) | 一种电能质量预警***及其方法 | |
| CN110826895B (zh) | 一种台区拓扑识别方法 | |
| WO2019154135A1 (zh) | 一种基于网络抗毁度的微电网可靠性评估方法 | |
| CN111160791A (zh) | 一种基于gbdt算法及因素融合的异常用户识别方法 | |
| CN105740975A (zh) | 一种基于数据关联关系的设备缺陷评估与预测方法 | |
| CN106384186A (zh) | 一种分布式新能源并网电能质量监控方法及*** | |
| CN207652040U (zh) | 一种增量配电网络*** | |
| CN105426980A (zh) | 一种配电网健康指数评估工程应用*** | |
| CN115986797B (zh) | 一种基于多点同步测试的新能源场站电化学储能***并网性能检测方法、装置和*** | |
| CN103617447A (zh) | 智能变电站的评价***及评价方法 | |
| Min et al. | Evaluation of cross-layer network vulnerability of power communication network based on multi-dimensional and multi-layer node importance analysis | |
| CN112232382A (zh) | 一种低压台区的分路与电表隶属关系识别方法及*** | |
| CN116896082A (zh) | 一种新能源基地运行风险在线分析方法、装置及存储介质 | |
| CN117216706B (zh) | 一种配电网数据异常溯源方法、***、计算机设备及介质 | |
| CN112258030A (zh) | 配电网智能开关站的选址方法、***及信息数据处理终端 | |
| CN113868821B (zh) | 一种基于营配大数据融合的配网降损方法及终端机 | |
| CN115663886A (zh) | 一种用于分布式电源配电网的故障识别处理的方法及*** | |
| CN114421465A (zh) | 基于元件拓扑的电网参数辨识校验方法、装置及存储介质 | |
| CN114465276A (zh) | 一种配电网风储联合优化配置方法及其相关装置 | |
| CN113725919A (zh) | 新能源并网发电的节能电力***及动态节能调度方法 | |
| CN101620250A (zh) | 量测质量的自适应监测方法 | |
| CN110854922A (zh) | 基于蚁群算法的地区电网接纳新能源能力评估***及方法 | |
| CN111092453A (zh) | 一种多点接入光伏电源的电网关键线路辨识方法 | |
| CN117728421B (zh) | 微电网集群协调调度方法、***、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 | ||
| CB03 | Change of inventor or designer information |
Inventor after: Xuan Yi Inventor after: Zhang Jiansong Inventor after: Hou Weihong Inventor after: Liu Jian Inventor after: Tu Yongwei Inventor after: Jiang Jian Inventor after: Chen Yifang Inventor after: Huang Jiabin Inventor after: Wang Yi Inventor after: Fang Xiang Inventor after: Xing Shuangshuang Inventor after: Sun Zhiqing Inventor after: Zhao Jianpeng Inventor after: Xu Rongyong Inventor after: Ni Xiabing Inventor after: Li Ya Inventor after: Liu Xingye Inventor after: Jin Minhao Inventor after: Zhou Guohua Inventor after: Lai Hanbin Inventor after: Feng Xue Inventor after: Chen Yuanzhong Inventor after: Fan Libo Inventor after: Wei Xiaojing Inventor after: Liu Ying Inventor after: Dai Tiechao Inventor after: Liang Yundan Inventor after: Huang Yi Inventor after: Han Rongjie Inventor after: Chen Yixuan Inventor after: Lai Yibo Inventor after: Wang Qifeng Inventor after: Yang Yi Inventor after: Zhang Xudong Inventor before: Yi Yi Inventor before: Zhang Jiansong Inventor before: Hou Weihong Inventor before: Liu Jian Inventor before: Tu Yongwei Inventor before: Jiang Jian Inventor before: Chen Yifang Inventor before: Huang Jiabin Inventor before: Wang Yi Inventor before: Fang Xiang Inventor before: Xing Shuangshuang Inventor before: Sun Zhiqing Inventor before: Zhao Jianpeng Inventor before: Xu Rongyong Inventor before: Ni Xiabing Inventor before: Li Ya Inventor before: Liu Xingye Inventor before: Jin Minhao Inventor before: Zhou Guohua Inventor before: Lai Hanbin Inventor before: Feng Xue Inventor before: Chen Yuanzhong Inventor before: Fan Libo Inventor before: Wei Xiaojing Inventor before: Liu Ying Inventor before: Dai Tiechao Inventor before: Liang Yundan Inventor before: Huang Yi Inventor before: Han Rongjie Inventor before: Chen Yixuan Inventor before: Lai Yibo Inventor before: Wang Qifeng Inventor before: Yang Yi Inventor before: Zhang Xudong |
|
| CB03 | Change of inventor or designer information | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |