一种智能电表自动化检定流水线表位在线异常检测方法

自动化检定流水线为智能电表的正常运行提供保障,然而在长期运行过程中,其自身可能发生性能退化甚至故障,特别是检定表位机械压接环节的形变或锈蚀,导致误差试验结果出现偏差,因此,运维工作是极其必要的。目前,检定表位的运维依赖于定期开展的人工故障检测,无法及时响应运维间隔中出现的异常工况,存在异常检定表位仍服务于入网检定工作的风险,因此,实现自动化检定流水线表位异常的在线检测、及时识别表位异常,具有重要意义。文章提出了一种智能电表自动化检定流水线表位在线异常检测方法,通过对表位检定数据分布进行特征提取,将表位异常状态转换为数据分布的异常;并借助局部异常因子算法量化分布的异常程度,标记产生异常分布的表位;应用文章提出的方法对山东省电力公司计量中心智能电表检定数据进行了分析,对比人工检查结果,验证了方法的有效性。     

基于局部离群因子算法的变压器异常检测

针对传统的变压器异常检测方法存在实时性差和效率低的问题,应用主成分分析法和局部离群因子算法(Local Outlier Factor,LOF)相结合的方法设计了变压器异常检测模型。首先,利用主成分分析法对变压器电气参量数据集进行特征降维,减少特征的冗余度;然后,通过局部离群因子算法计算所有样本点的离群因子,并将离群因子与截断阈值进行比较,筛选出变压器电气参量异常的样本点;最后,采用混淆矩阵对该方法做检测性能评估。利用局部离群因子算法对变压器状态异常进行检测,其灵敏度为81.8%,特异度为87.7%,几何均值为84.7%。局部离群因子算法的异常检测效果良好,可以辅助工程人员对变压器运行状态进行实时监测。     

基于LOF和SVM的智能配电网故障辨识方法

针对现有智能配电网保护方法存在保护装置整定复杂、协调性差以及易误动等问题,提出一种基于局部异常因子(LOF)检测的配电网保护算法,并对配电网在故障定位后不能进行有效的故障类型辨识这一问题,提出LOF和支持向量机(SVM)相结合的智能配电网故障类型判别方法。根据各节点LOF值的大小实现智能配电网的故障检测与定位;然后对故障处的三相电压进行小波变换,以三相电压的小波奇异熵值建立故障特征样本库,利用反映接地故障信息的零序电压低频能量对故障进行预分类,并以此为基础建立SVM故障类型判别预测模型。该算法可对智能配电网的故障进行有效的检测与定位,并能对故障区域的不同故障类型进行合理分类。     

一种智能电能表自动化检定流水线表位在线异常检测方法

自动化检定流水线为智能电能表的正常运行提供保障,然而流水线在长期运行中会发生性能退化甚至故障,尤其是表位机械环节的形变与锈蚀,会导致误差试验结果出现偏差。目前的人工定期检测方法无法及时响应流水线运维间隔中出现的异常工况,因此,实现自动化检定流水线表位异常的在线检测,具有重要意义。文章提出了一种智能电能表自动化检定流水线表位在线异常检测方法,通过对表位检定数据分布进行特征提取,将表位异常状态转换为数据分布的异常;并借助局部异常因子算法量化分布的异常程度,标记产生异常分布的表位;应用文章提出的方法对山东省电力公司计量中心智能电能表检定数据进行了分析,对比人工检查结果,验证了方法的有效性。     

结合交叉局部异常因子和注意力机制的 超短期风电功率预测方法

风电样本数据的质量和风功率预测模型的结构直接影响风电功率预测的精度,提出一种结合交叉局部异常因子(Local Outlier Factor, LOF)和注意力机制的高精度超短期风电功率预测方法。通过交叉LOF算法进行分钟级的风电数据异常孤立点检测,有效提高了样本数据的质量。通过增加注意力机制避免长短期记忆(Long Short-Term Memory, LSTM)算法在编解码过程中固定长度向量导致的数据特性损失问题,从而更有效利用历史数据的特征,提高风功率预测的精度。最后,对真实风场实测数据进行实验分析,验证了所述方法的可行性与准确性。     

基于局部异常点检测算法的电能表飞走异常智能分析

针对用电信息采集系统在计量设备在线监控业务应用的实际情况,文中介绍了一种基于LOF局部异常点检测算法的电能表飞走异常分析方法,该方法可以通过计算电能表示值异常因子,有效判断电能表示值异常属于偶然异常还是趋势性异常,在排除偶然数据的影响后,进行电能表飞走异常的二次判断。该方法可以有效提高该类异常判断的准确性,避免故障误判,提高了现场故障处理的工作效率。     

基于LOF+SVM的异常用电用户分阶段识别方法

准确的电力异常用户识别方法能为供电企业锁定存在窃电行为或其他违规行为的电力用户提供参考。大多数基于机器学习的异常识别模型采用了无监督算法，但模型的准确度还较低。针对上述问题，提出一种结合无监督的局部离群因子（LOF）算法与有监督的支持向量机（SVM）算法的两阶段异常用电用户识别方法。基于分析异常电能表区别于正常电能表的电流电压表现，构建异常识别模型的输入特征；采用无监督的LOF算法进行采样，筛选出可疑样本交给人工进行标记，然后利用标记样本训练有监督的SVM模型；在之后的检测工作中，直接将LOF算法筛选出可疑样本交给SVM模型进行识别。实例结果表明，该方法对电力异常用户的识别准确度高，对供电企业的窃电稽查工作具有指导意义。     

基于多特征和LOF的用户负荷突变检测

负荷突变对电网冲击力大，会造成电网频率和功率振荡。为了对复杂且大体量的用户负荷异常数据进行排查，提出了多特征与LOF（局部离群因子）算法相结合的检测方法。提取负荷数据统计特征平均值、标准差以及波形特征离散系数、峭度、波形因子和脉冲因子，经过PCA（主成分分析）降维后获得有效特征，并采用LOF算法对每天的用户负荷异常数据进行检测。此检测算法在以阿里云为基础的浙电数据中台中运行，结果表明所提方法能够每天定时在海量量测数据中将负荷突变的用户查找出来，实现了在线检测并具有较高的准确率。     

风功率异常数据检测方法对比研究

风电机组风功率预测和功率曲线建模等工作的开展依赖于历史运行数据.然而,历史数据中积累了大量的异常数据,导致上述工作难以有效开展.国内外学者已经提出了多种异常数据检测方法,然而对不同方法的优缺点与适用场合还缺少整体认识.为此,本文对基于密度的聚类算法、局部离群因子算法、Thompson-tau四分位法和孤立森林四种常用的风功率异常值检测方法进行了对比研究.为评价不同检测方法,提出了基于标准功率曲线的评价指标.实验结果表明,孤立森林算法相比其他三种方法具有更高的精度,能应对不同分布的异常数据,且清洗时间较短.     

基于 KNN与LOF算法的台区线损异常检测∗

台区线损率是供电企业的一项重要经济指标,影响企业的综合成本.为了促进电网高效发展,需要对输配电过程中的线损异常进行智能管控.针对目前台区线损异常存在的判定问题,提出了基于KNN和LOF算法的台区线损异常检测方法,并通过试验进行验证,所提出的方法具有良好的检测性能.该方法不仅可提高供电企业对台区线损异常判断与监测治理的效率,更有助于构建智能化的电网环境.