Nothing Special   »   [go: up one dir, main page]

CN116008714B - 一种基于智能量测终端的反窃电分析方法 - Google Patents

一种基于智能量测终端的反窃电分析方法 Download PDF

Info

Publication number
CN116008714B
CN116008714B CN202310286147.0A CN202310286147A CN116008714B CN 116008714 B CN116008714 B CN 116008714B CN 202310286147 A CN202310286147 A CN 202310286147A CN 116008714 B CN116008714 B CN 116008714B
Authority
CN
China
Prior art keywords
data
line loss
electricity
user
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
Application number
CN202310286147.0A
Other languages
English (en)
Other versions
CN116008714A (zh
Inventor
曹乾磊
王磊
梁浩
黄晓娅
王金龙
李晓杰
杨圣昆
胡志远
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Qingdao Topscomm Communication Co Ltd
Original Assignee
Qingdao Topscomm Communication Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Qingdao Topscomm Communication Co Ltd filed Critical Qingdao Topscomm Communication Co Ltd
Priority to CN202310286147.0A priority Critical patent/CN116008714B/zh
Publication of CN116008714A publication Critical patent/CN116008714A/zh
Application granted granted Critical
Publication of CN116008714B publication Critical patent/CN116008714B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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

  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Investigating Or Analysing Biological Materials (AREA)

Abstract

本发明涉及配电网自动化系统领域，公开了一种基于智能量测终端的反窃电分析方法，包括以下步骤：量测终端采集台区用户表与台区考核总表日冻结电量数据；对采集数据进行均值滤波处理；用总表数据减去户表数据加和获得线损值曲线；奇异值分解户表数据；根据户表数据与线损值曲线建立低压台区线损回归模型，从而得到户表估计系数；计算线损贡献度并结合估计系数给出疑似窃电用户清单。本发明能够在数据点数少于用户数的情况下进行计算并改善了由于用户间相关性导致判断失准的问题，获得相对稳定的最小二乘解析解，保证了窃电用户判断结果的准确性。同时，本发明仅需获取全台区用户用电数据与台区总表数据，无需添加额外设备，易于实现。

Description

一种基于智能量测终端的反窃电分析方法
技术领域
本发明涉及配电网自动化系统领域，涉及一种基于智能量测终端的反窃电分析方法。
背景技术
电力能源已成为当今社会生产生活中的必需品，然而在发电、输电和配电过程中，经常会发生电能损耗，其中，日益增多的窃电现象是导致电能损耗的一个重要原因，从而导致难以估计的经济损失。近年来，坚强智能电网和泛在电力物联网的建设与发展使得电压、电流、电量等海量用电数据得以采集并存储，因此，基于大数据分析技术的窃电检测方法受到日益广泛的关注。
在当前的大数据分析技术中，最常见的手段是根据能量守恒定律建立台区线性回归模型，然后根据最小二乘方法估计出用户系数，线性回归模型中窃电用户的估计系数远离零值而正常用户的系数靠近零值，进而分析出疑似窃电行为。然而，该方法在实际应用中常会面临两方面问题：①最小二乘法需要数据点数大于等于用户数，否则无法进行计算，而低压台区可能存在多达几百用户，导致需要更多的数据点数，从而导致计算周期过长；②低压台区用户的日冻结电量具有不同程度的相关性，容易导致最小二乘法的解不稳定，从而影响最终判断结果。
发明内容
本发明针对上述问题，克服现有技术的不足，提出一种基于智能量测终端(南方电网科学研究院有限责任公司)的反窃电分析方法，对户表数据矩阵进行奇异值分解，能够在数据点数少于用户数的情况下进行计算并改善了由于用户间相关性导致判断失准的问题，获得相对稳定的最小二乘解析解。同时，本发明仅需获取全台区用户用电数据与台区总表数据，无需添加额外设备。
为了实现上述发明目的，本发明采取如下技术方案：
一种基于智能量测终端的反窃电分析方法，包括以下步骤：
步骤1，智能量测终端采集低压台区用户表日冻结电量数据与台区考核总表日冻结电量数据；
步骤2，对采集到的电量数据进行均值滤波处理，称均值滤波处理后的数据为总表数据和户表数据；
用总表数据减去户表数据的加和，获得线损值曲线；
步骤3，对户表数据进行奇异值分解；具体过程为：
A1，将户表数据整理为矩阵形式X∈Rn×m；其中n为滤波后的日冻结电量数据点数，m为台区用户表数，R表示实数；
A2，计算XTX∈Rm×m，求特征向量和特征值；
求得的特征值按照从大到小顺序排列并相应排列特征值对应的特征向量，取排列后的前min(m，n)个特征值与特征向量；
取得的特征向量组成右矩阵V∈Rm×m满足VVT＝E；取得的特征值的平方根构成奇异值对角阵Σ∈Rm×m；
A3，计算XXT∈Rn×n，求特征向量和特征值；
求得的特征值按照从大到小顺序排列并相应排列特征值对应的特征向量，取排列后的前min(m，n)个特征值与特征向量；
取得的特征向量组成左矩阵U∈Rn×n满足UUT＝E；
A4，计算奇异值累计贡献度cumk，公式为：
Figure GDA0004229547290000021
其中λq、λj分别为排列后的第q个、第j个特征值；
将首次满足cumk＞0.99的k值确定为分解阶数；
步骤4，根据户表数据与线损值曲线建立低压台区线损回归模型，从而根据V、U、∑计算得到对应的解析解，即户表估计系数；
步骤5，根据户表估计系数值计算线损贡献度，并根据贡献度和估计系数给出疑似窃电用户清单；
其中第i个用户表的线损贡献度的计算公式为：
Figure GDA0004229547290000022
其中xti为第i个用户表的第t个日冻结电量数据，βi是第i个用户表的估计系数值，lt为第t个线损值，t在此既为日冻结电量数据标号，也为线损值标号，二者是一一对应的关系；
则疑似窃电清单中用户表的标号
Figure GDA0004229547290000023
其中α和ε为两个阈值，i为用户表标号，1≤i≤m。
优选地，所述步骤1中采集的数据天数大于60。
优选地，所述步骤2中均值滤波过程用算式表示为：
Figure GDA0004229547290000024
Figure GDA0004229547290000025
计算线损值的公式为：
Figure GDA0004229547290000031
其中yt为总表的第t个日冻结电量数据，1≤t≤n＝n0-c+1，n0为原始数据天数，c为均值滤波参数，
Figure GDA0004229547290000032
是滤波前的台区总表的第p个日冻结电量数据，t≤p≤t+c-1，/>
Figure GDA0004229547290000033
为滤波前的第i个用户表的第p个日冻结电量数据。
优选地，所述步骤4中的回归模型为
Figure GDA0004229547290000034
其中/>
Figure GDA0004229547290000035
是所有户表的估计系数向量，向量L为线损值曲线，β为户表的估计系数向量；
对应的解析解
Figure GDA0004229547290000036
其中1:k表示取矩阵中的前k列。
优选地，所述步骤5中α和ε的取值范围分别为[0.2，0.8]和[0.2，1.0]。
本发明的有益效果是：本发明对户表数据矩阵进行奇异值分解，能够在数据点数少于用户数的情况下进行计算并改善了由于用户间相关性导致判断失准的问题，获得相对稳定的最小二乘解析解，保证了窃电用户判断结果的准确性。同时，本发明仅需获取全台区用户用电数据与台区总表数据，无需添加额外设备，易于实现。
附图说明
图1为本发明的总体流程图。
图2为本发明实施例中台区用户的回归系数图。
图3为本发明实施例中台区用户的线损贡献度图。
具体实施方式
下面结合附图1～3与实施例对本发明作进一步的说明以具体阐述本发明的技术方案。需要说明的是，以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
实施例：
结合附图1，一种基于智能量测终端的反窃电分析方法，包括以下步骤：
步骤1，智能量测终端采集90天的某低压台区共110户的日冻结电量数据与台区考核总表日冻结电量数据。
步骤2，对采集到的电量数据进行均值滤波处理，称均值滤波处理后的数据为总表数据和户表数据；均值滤波过程用算式表示为：
Figure GDA0004229547290000037
Figure GDA0004229547290000038
计算线损值的公式为：
Figure GDA0004229547290000041
其中yt为总表的第t个日冻结电量数据，1≤t≤n＝n0-c+1，滤波后的日冻结电量数据点数n为88，原始数据天数n0为90，均值滤波参数c为3，
Figure GDA0004229547290000042
是滤波前的台区总表的第p个日冻结电量数据，t≤p≤t+c-1，/>
Figure GDA0004229547290000043
为滤波前的第i个用户表的第p个日冻结电量数据，lt为第t个线损值，台区用户表数m为110；
用总表数据减去户表数据的加和，获得线损值曲线。
步骤3，对户表数据进行奇异值分解；具体过程为：
A1，将户表数据整理为矩阵形式X∈Rn×m；其中n为滤波后的日冻结电量数据点数，m为台区用户表数，R表示实数。
A2，计算XTX∈Rm×m，求特征向量和特征值；
求得的特征值按照从大到小顺序排列并相应排列特征值对应的特征向量，取排列后的前min(m，n)个特征值与特征向量；
取得的特征向量组成右矩阵V∈Rm×m满足VVT＝E；取得的特征值的平方根构成奇异值对角阵Σ∈Rm×m。
A3，计算XXT∈Rn×n，求特征向量和特征值；
求得的特征值按照从大到小顺序排列并相应排列特征值对应的特征向量，取排列后的前min(m，n)个特征值与特征向量；
取得的特征向量组成左矩阵U∈Rn×n满足UUT＝E。
A4，计算奇异值累计贡献度cumk，公式为：
Figure GDA0004229547290000044
其中λq、λj分别为排列后的第q个、第j个特征值；
将首次满足cumk＞0.99的k值确定为分解阶数。
步骤4，根据户表数据与线损值曲线建立低压台区线损回归模型，从而根据V、U、∑计算得到对应的解析解，即户表估计系数。
回归模型为
Figure GDA0004229547290000051
其中/>
Figure GDA0004229547290000052
是所有户表的估计系数向量，向量L为线损值曲线，β为户表的估计系数向量；
对应的解析解β：
Figure GDA0004229547290000053
步骤5，根据户表估计系数值计算线损贡献度，并根据贡献度和估计系数给出疑似窃电用户清单。
第i个用户表的线损贡献度的计算公式为：
Figure GDA0004229547290000054
其中xti为第i个用户表的第t个日冻结电量数据，βi是第i个用户表的估计系数值，lt为第t个线损值，t在此既为日冻结电量数据标号，也为线损值标号，二者是一一对应的关系；
则疑似窃电清单中用户表的标号
Figure GDA0004229547290000055
其中α和ε为两个阈值，i为用户表标号，1≤i≤m。
通过图2和图3确定第2个用户窃电疑似窃电，经确认，判断结果与实际排查结果一致，验证了本方法的可行性。
以上实施例是对本发明的具体实施方式的说明，而非对本发明的限制，有关技术领域的技术人员在不脱离本发明的精神和范围的情况下，还可以做出各种变换和变化而得到相对应的等同的技术方案，因此所有等同的技术方案均应该归入本发明的专利保护范围。

Claims (5)

1.一种基于智能量测终端的反窃电分析方法，其特征在于，包括以下步骤：
步骤1，智能量测终端采集低压台区用户表日冻结电量数据与台区考核总表日冻结电量数据；
步骤2，对采集到的电量数据进行均值滤波处理，称均值滤波处理后的数据为总表数据和户表数据；
用总表数据减去户表数据的加和，获得线损值曲线；
步骤3，对户表数据进行奇异值分解；具体过程为：
A1，将户表数据整理为矩阵形式X∈Rn×m；其中n为滤波后的日冻结电量数据点数，m为台区用户表数，R表示实数；
A2，计算XTX∈Rm×m，求特征向量和特征值；
求得的特征值按照从大到小顺序排列并相应排列特征值对应的特征向量，取排列后的前min(m，n)个特征值与特征向量；
取得的特征向量组成右矩阵V∈Rm×m满足VVT＝E；取得的特征值的平方根构成奇异值对角阵Σ∈Rm×m；
A3，计算XXT∈Rn×n，求特征向量和特征值；
求得的特征值按照从大到小顺序排列并相应排列特征值对应的特征向量，取排列后的前min(m，n)个特征值与特征向量；
取得的特征向量组成左矩阵U∈Rn×n满足UUT＝E；
A4，计算奇异值累计贡献度cumk，公式为：
Figure FDA0004229547270000011
其中λq、λj分别为排列后的第q个、第j个特征值；
将首次满足cumk＞0.99的k值确定为分解阶数；
步骤4，根据户表数据与线损值曲线建立低压台区线损回归模型，从而根据V、U、∑计算得到对应的解析解，即户表估计系数；
步骤5，根据户表估计系数值计算线损贡献度，并根据贡献度和估计系数给出疑似窃电用户清单；
其中第i个用户表的线损贡献度的计算公式为：
Figure FDA0004229547270000021
其中xti为第i个用户表的第t个日冻结电量数据，βi是第i个用户表的估计系数值，lt为第t个线损值，t在此既为日冻结电量数据标号，也为线损值标号，二者是一一对应的关系；
则疑似窃电清单中用户表的标号
Figure FDA0004229547270000022
其中α和ε为两个阈值，i为用户表标号，1≤i≤m。
2.根据权利要求1所述的一种基于智能量测终端的反窃电分析方法，其特征在于，所述步骤1中采集的数据天数大于60。
3.根据权利要求1所述的一种基于智能量测终端的反窃电分析方法，其特征在于，所述步骤2中均值滤波过程用算式表示为：
Figure FDA0004229547270000023
Figure FDA0004229547270000024
计算线损值的公式为：
Figure FDA0004229547270000025
其中yt为总表的第t个日冻结电量数据，1≤t≤n＝n0-c+1，n0为原始数据天数，c为均值滤波参数，
Figure FDA0004229547270000026
是滤波前的台区总表的第p个日冻结电量数据，t≤p≤t+c-1，/>
Figure FDA0004229547270000027
为滤波前的第i个用户表的第p个日冻结电量数据。
4.根据权利要求1所述的一种基于智能量测终端的反窃电分析方法，其特征在于，所述步骤4中的回归模型为
Figure FDA0004229547270000028
其中/>
Figure FDA0004229547270000029
是所有户表的估计系数向量，向量L为线损值曲线，β为户表的估计系数向量；
对应的解析解
Figure FDA0004229547270000031
其中1:k表示取矩阵中的前k列。
5.根据权利要求1所述的一种基于智能量测终端的反窃电分析方法，其特征在于，所述步骤5中α和ε的取值范围分别为[0.2，0.8]和[0.2，1.0]。
CN202310286147.0A 2023-03-23 2023-03-23 一种基于智能量测终端的反窃电分析方法 Active CN116008714B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310286147.0A CN116008714B (zh) 2023-03-23 2023-03-23 一种基于智能量测终端的反窃电分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310286147.0A CN116008714B (zh) 2023-03-23 2023-03-23 一种基于智能量测终端的反窃电分析方法

Publications (2)

Publication Number Publication Date
CN116008714A CN116008714A (zh) 2023-04-25
CN116008714B true CN116008714B (zh) 2023-06-30

Family

ID=86032162

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310286147.0A Active CN116008714B (zh) 2023-03-23 2023-03-23 一种基于智能量测终端的反窃电分析方法

Country Status (1)

Country Link
CN (1) CN116008714B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116304537B (zh) * 2023-04-27 2023-08-22 青岛鼎信通讯股份有限公司 基于智能量测终端的窃电用户核查方法
CN116859321B (zh) * 2023-09-04 2023-12-29 青岛鼎信通讯科技有限公司 基于能源控制器的电能表计量误差监测方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114066219A (zh) * 2021-11-12 2022-02-18 国网冀北电力有限公司智能配电网中心 一种关联矩阵下用电异常点智能识别的窃电分析方法

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6950493B2 (en) * 2003-06-25 2005-09-27 Besson Guy M Dynamic multi-spectral CT imaging
CA3001304C (en) * 2015-06-05 2021-10-19 C3 Iot, Inc. Systems, methods, and devices for an enterprise internet-of-things application development platform
CN109858679A (zh) * 2018-12-30 2019-06-07 国网浙江省电力有限公司 一种结合人机物的反窃电稽查监控系统及其工作方法
CN110749784B (zh) * 2019-08-05 2022-07-08 上海大学 一种基于电力数据小波分析的线路窃电检测方法
CN110942084A (zh) * 2019-10-12 2020-03-31 华北电力大学 一种基于同期线损异常辨识的降损措施制定方法
CN111930802A (zh) * 2020-08-01 2020-11-13 青岛鼎信通讯股份有限公司 一种基于Lasso解析的反窃电分析方法
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
CN112215479B (zh) * 2020-09-27 2022-03-25 青岛鼎信通讯股份有限公司 一种基于自适应收缩岭回归的电表反窃电分析方法
CN112698261A (zh) * 2020-11-25 2021-04-23 国网湖南省电力有限公司 一种智能电能表故障预警方法及装置
CN116406491A (zh) * 2021-04-25 2023-07-07 华为技术有限公司 一种电力线低压台区拓扑识别方法及装置
CN113128781B (zh) * 2021-04-30 2021-12-10 大连理工大学 一种自动构建智能化模型与算法的分布式工业能源运行优化平台

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114066219A (zh) * 2021-11-12 2022-02-18 国网冀北电力有限公司智能配电网中心 一种关联矩阵下用电异常点智能识别的窃电分析方法

Also Published As

Publication number Publication date
CN116008714A (zh) 2023-04-25

Similar Documents

Publication Publication Date Title
CN116008714B (zh) 一种基于智能量测终端的反窃电分析方法
Shen et al. A combined algorithm for cleaning abnormal data of wind turbine power curve based on change point grouping algorithm and quartile algorithm
CN108416695B (zh) 基于深度学习的电力负荷概率密度预测方法和系统、介质
CN112215479B (zh) 一种基于自适应收缩岭回归的电表反窃电分析方法
CN106709816B (zh) 基于非参数回归分析的电力负荷异常数据识别与修正方法
Cheng et al. Enhanced state estimation and bad data identification in active power distribution networks using photovoltaic power forecasting
CN116304537B (zh) 基于智能量测终端的窃电用户核查方法
CN113191253A (zh) 一种边缘机器学习下基于特征融合的非侵入式负荷识别方法
CN111654392A (zh) 基于互信息的低压配电网拓扑识别方法及系统
CN113866552B (zh) 一种基于机器学习的中压配网用户用电异常诊断方法
Hashemipour et al. Optimal singular value decomposition based big data compression approach in smart grids
CN111930802A (zh) 一种基于Lasso解析的反窃电分析方法
CN110349050B (zh) 一种基于电网参数关键特征抽取的智能窃电判据方法及装置
CN117493923A (zh) 含分布式光伏低压配电台区异常数据修复方法及系统
CN115051363B (zh) 一种配网台区户变关系辨识方法、装置及计算机存储介质
CN117273195A (zh) 一种蒸汽供热系统需求负荷预测方法
CN111199014A (zh) 一种基于时间序列的seq2point的NILM方法及装置
CN117131341A (zh) 一种电表运行误差估计方法、超差电表判断方法及系统
CN107069710B (zh) 计及新能源时空相关性的电力系统状态估计方法
CN113642601B (zh) 一种中压配电网转供操作识别方法、装置以及设备
CN116859321B (zh) 基于能源控制器的电能表计量误差监测方法
Yun et al. Line loss calculation of low-voltage districts based on improved K-Means
CN116859322B (zh) 基于智能量测终端的电能表计量误差监测方法
CN110298603A (zh) 分布式光伏系统容量估计方法
Zhou et al. Bus Load Forecasting Based on K-means and Long Short-Term Memory Networks

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