基于边缘计算的低压用户窃电检测

低压用户窃电导致线损电量增加,对台区线损异动进行归因分析是识别窃电用户的有效途径。低压用户通信异常多发,可导致用电信息采集系统主站数据失真,易误导窃电检测。利用配变终端可就地完整准确采集台区数据的特点,提出基于边缘计算的低压用户窃电检测方法。首先,在通信正常和异常的条件下,分析台区窃电用户用电量与线损电量的关联关系;然后,在配变终端窃电检测模块中对真实的台区线损和用户用电量进行归因分析来识别窃电用户;最后,基于高损台区实际数据的仿真分析,验证了所提方法相比于在主站侧采用异常数据以及采用不同缺失数据填补算法修复后的数据进行窃电检测时的优势。     

考虑气象因素的台区线损异常智能识别模型及应用

在气候多变的山区,天气情况对台区实时线损波动影响较为严重,但在目前的线损管理中,并未充分考虑气象因素对线损的影响。利用基于距离和密度的局部离群因子检测算法,建立考虑气象因素的台区线损异常智能识别模型,快速有效识别易受气象因素影响的台区,评估异常天气对台区日线损的影响程度,并结合实时和预报气象信息,建立台区线损异常情况预警模型。最后以天气多变的某县供电公司为例进行实证分析,结果表明考虑气象因素的台区线损异常智能识别模型可有效识别线损易受异常天气影响的台区,为区县供电所开展台区线损治理提供依据,辅助提升台区线损精细化管理。     

基于k-means聚类算法的低压台区线损异常辨别方法

目前电力公司对于台区线损异常的判断是当线损率超过一定阈值时为线损异常,这样的判断具有片面性和局限性。针对如何有效辨别线损异常的问题,在研究聚类算法和线损率数据特性的基础上,提出了一种基于k-means聚类算法的线损异常辨别方法。首先将低压台区线损率进行一次k-means聚类分成3类,然后根据各类数据的数量状况判断是否进行二次分类,最终根据平均线损率的大小、聚类中心的距离等因素,判断该低压台区是否存在线损异常,对聚类结果中线损率高的那一类数据的时间离散度进行分析,得到低压台区线损异常的程度。实验结果证明,该方法具有一定的实际应用效果,可以提高线损异常判断的准确性。     

基于孤立森林算法的台区线损分析与管理系统研究

在"大数据"时代背景下,为解决台区线损管理低压客户庞杂及数据处理任务繁重的现象,设计基于孤立森林算法的台区线损分析与管理系统,介绍系统各子模块功能及设计方法,对孤立森林算法进行了分析,并采用孤立森林算法对用电数据进行深度挖掘。以某县用电数据为例,对系统实现加以说明,数据结果显示,孤立森林算法对用电数据异常检测有较高的准确性,该系统可有效提高低压配电台区线损管理效率。     

基于数据挖掘的新型低压窃电识别方法

针对现今反窃电技术往往采用单一算法分析,导致反窃电效果差强人意的现状,文中提出一种针对低压用户窃电的识别方法.剥离台区线损当中的技术线损部分,采用K-means聚类算法对处理过的线损数据进行分析,识别出线损率异常波动或持续偏高的台区,并根据聚类结果定义时间离散度来衡量窃电疑似度.分析异常台区下的用户,通过相关性分析研究...     

基于大数据的低压台区线损异常判定方法

针对低压台区数量众多、线损管理难度大,对其进行精益化管理能够有效提高电网的经济效益。基于此,提出一种基于大数据技术的低压台区线损异常判定模型。首先,介绍了台区线损异常的影响因素,并分成12类;其次,利用大数据技术采集数据,结合三相混合法进行线损潮流计算,并形成线损图;再次,对台区线损图进行聚类分析挖掘,得到典型配电网线损异常图,便于快速检测异常线损类型;最后,基于指南针布局构建配电网异常线损显示,并结合实际算例验证了诊断模型的有效性。     

基于多维特征的电网台区线损数据异常识别研究

随着智能电表及用电管理终端的广泛应用,电网台区相关监测终端每天可收集到海量线损数据,并且可对存在的异常情况进行识别。但是数据噪声对电网台区线损数据的干扰,导致识别的准确率和召回率下降。针对这些问题,提出了一种基于多维特征的电网台区线损数据异常识别方法。该方法首先将电网台区线损数据样本形成对应的二维数据,采用二维小波阈值法进行去噪。根据去噪后二维数据的位置特征以及时间数据特征,对Hasusdorff距离公式进行改进,用以计算电网台区线损数据的多维特征相似度,得到线损数据之间的相似性矩阵。最后将多维Hasusdorff距离应用到层次聚类算法中去识别电网台区线损数据中的异常。仿真实验结果表明,所提方法的准确率和召回率较高。电网台区线损数据异常识别时间较短,满足工程实际使用要求。     

基于多源数据的供电台区线损率异常点快速定位方法

针对台区统计线损影响因素较多、台区实时运行数据应用不足、台区线损原因分析较难等问题,通过用电量离群偏差点分析算法,构建了基于多源数据的台区线损率异常点快速定位方法及应用,提高了台区线损异常分析及问题原因查找速度,有效提升了台区精益化管理水平,助力台区节能增效工作,实现供电所台区指标提升管理目标。     

基于孤立森林算法的配电网线损异常判定

线损异常分析在低压配电网的发展规划中具有重要意义。现阶段线损的异常判定多采用阈值分析法,在时效性和准确性上存在很大的局限性。随着智能电网的推广,提出了一种基于孤立森林离群点检测算法的线损异常判定方案。首先采用k-means算法将低压台区按照不同的负载工况进行聚类,而后采用孤立森林算法计算台区数据的异常分数,最后对获取的异常分数进行阈值分析,得到最终的线损异常数据。在IEEE标准配电网络上进行仿真分析,并用电网实际台区的运行数据进行验证。结果表明,所提异常判定算法具有较高的准确性。这种基于数据挖掘技术的异常分析方法在线损精细化管理中将发挥越来越大的作用。     

基于K-Medoids聚类的分布式光伏台区线损异常感知算法

为保证分布式光伏台区稳定运行,精准有效地划分台区线损数据,提出基于K-Medoids聚类的分布式光伏线损异常感知算法,精准判断分布式台区线损异常程度。采用局部异常因子（LOF）算法判断分布式光伏台区数据局部异常程度,并筛选和去除受孤立点影响产生的异常线损数据。采取K-Medoids聚类方法聚类分析筛选后的分布式光伏台区数据,将异常线损率区间结合异常线损数据的聚类中心和欧式距离,完成台区线损异常感知。并创新性地引入粒度计算优化K-Medoids聚类算法聚类中心,提升异常数据感知效果。试验结果表明,所提算法可有效避免孤立点对异常感知效果的影响,精准有效地感知分布式光伏台区线损异常,并清晰划分台区线损数据类别。     

基于用电信息采集数据的低压台区异常线损诊断新方法

低压配电网台区的线损分析对发现和解决异常线损问题,减小用电损失以及用户的精细化管理具有重要意义。文章基于全事件用电信息采集系统采集的真实台区数据,提出了一种新的低压台区线损诊断方法。该方法利用电网诊断规则对所采集的原始数据进行质量分析,并通过对台区线损特征地提取和分类,建立了基于电压信息的二分K-Means聚类诊断算法和基于电量信息的全局搜索诊断算法,实现了对台户异常用户的快速定位及台区线损异常的治理。通过剔除异常电表和实际检验表明,该方法具有较高的准确性和一定的实用性。     

基于多传感器的分台区线损异常信号定位方法

为了精准定位全景电网分台区线损信号，提高线损异常信号检测识别能力，提出基于多传感器的智能全景电网分台区线损异常信号定位检测方法。采用多源异构的参数识别和传感器组网控制方法，构建智能全景电网分台区线损异常信号的时域模型；通过多维参数识别和多维传感器参数定位，辨识智能线损信号阵列参数，检测智能全景电网分台区线损异常信号的特征；分析线损异常信号的稳定性特征分量，定位异常信号。试验结果表明，所提方法的异常信号定位精度达到了60%以上，能够对线损信号精准定位，提高了异常信号检测性能。     

基于对抗生成网络与BP神经网络的低压台区线损率预测

线损电量产生于发电、输电、配电及用电等环节,线损电量占供电量的百分比称为线损率。针对线损率预测问题,提出了一种基于对抗生成网络与BP神经网络的低压台区线损率预测模型。选取某市低压台区线损数据作为实验数据集,经数据预处理后,通过K-Means++算法将低压台区分类,对不同类别的低压台区分别训练对抗生成网络来增加不同类别的样本数据,利用不同类别样本数据分别训练BP神经网络搭建低压台区线损预测模型。实验结果表明,与传统BP神经网络模型相比,该预测模型具有更加准确的效果,通过对抗网络增加样本数据可以有效改善低压台区线损数据量偏小的问题。     

营配贯通台区线损异常数据治理方法探讨

根据国网浙江省电力公司配电变压器台区线损异常数据治理要求,分析了线损异常的原因,探讨了基于台区识别技术的配电变压器与表计对应关系治理方法,提出了台区负线损和超大线损数据的治理流程。     

低压台区的同期线损管理及降损策略

近年来随着国民社会经济的快速进步,我国电力企业的生存和发展面临着严峻的困难和挑战,因此提出低压台区的同期线损管理及降损策略.对低压台区的同期线损进行管理,计算同期线损率,进一步管理低压台区电量数据,对线损异常台区进行治理.提出低压台区的降损策略,合理调整运行电压,对配电变压器实行经济运行,对低压台区进行无功补偿优化.低压台区的同期线损管理及降损策略实验表明,低压台区的同期线损率得到了降低,在低压台区的同期线损管理策略应用中,低站区覆盖率和采集成功率均达到１００％,使低压台区的同期线损管理更为方便快 捷,数据记录更加准确.     

基于电能计量采集物联网的多维线损治理技术研究与应用

为解决低压台区线损合格率低、治理困难等问题,本文依据一套完整的电能计量采集物联网系统,通过其本身的台区识别技术、采集大数据分析等功能,为电力公司管理、计量设备异常及其他人为原因等造成的各种低压台区线损提供了多维治理手段,对电网结构和用户性质复杂的低压台区线损治理提供了有力的技术支撑,切实提升台区线损精益化管理水平,为电...     

基于聚类算法的低压台区线损分析方法研究

针对低压台区损耗在电网总损耗中所占比重比较大的现状,提出一种基于聚类算法的低压台区线损分析方法。介绍线损分析流程,根据台区日均线损率、线损率变异系数、三相不平衡、功率因数异常等4个维度特征值构建线损分析模型,并通过实际算例验证了该方法的可行性。     

基于深度神经网络的低压台区线损异常识别方法

“煤改电”工程改变了电网的负荷特性,对线损造成了重大影响。为降低“煤改电”工程造成的负面影响,进而提高供电单位的效益,以实施“煤改电”工程后的低压台区为研究对象,提出了一种基于深度神经网络的线损异常识别方法。该方法将异常点检测、EM算法及深度神经网络进行结合,建立了线损异常识别模型,预判未实施“煤改电”台区的各项实施后指标是否可能导致线损异常,从而为“煤改电”工程提供指导性建议,以便采取相应措施进行有效降损。     

考虑分布式光伏的低压台区线损异常辨识方法

低压配电网线损异常的辨识一直以来都非常困难,分布式光伏大量接入配电网,改变了配电网的潮流分布,更加大了低压配电网线损异常的辨识难度。提出了一种针对分布式光伏接入台区线损异常的辨识方法。首先对分布式光伏接入台区开展光伏出力等因素与线损率的灰色关联度计算,找寻光伏相关因素与线损率关联性。其次根据关联性的强弱选择合适的指标进行k-means聚类,并依据聚类结果进行离群点检测,判断台区是否有线损异常的可能性。最后通过对离群点所在簇进行时间离散度分析,得出台区的异常系数,根据异常系数进行线损异常判断。通过对含分布式光伏的典型台区进行验证分析,结果表明：该方法能够有效辨识分布式光伏接入台区的线损是否异常。     

低压台区线损异常的两种分析方法

低压线损治理是台区经理的一项主要工作,造成线损异常的原因非常复杂,有窃电、线路、数据来源、计量装置和系统与现场不一致的问题,导致目前根据系统数据判断台区异常原因的精准度不高.台区经理在查找造成线损异常的用户时缺少目标,往往费时费力没有成效.笔者根据台区经理业务需求,利用大数据开发了在基层线损异常处理方面的2种方法,能快...