一种配电网线损智能定位的稽查方法及系统与流程

摘要: 本发明涉及故障检测,尤其涉及一种配电网线损智能定位的稽查方法及系统。背景技术:1、随着配电网自动化与信息化水平不断提升,scada、用电信息采集系统等产生了海量...
一种配电网线损智能定位的稽查方法及系统与流程

本发明涉及故障检测,尤其涉及一种配电网线损智能定位的稽查方法及系统。

背景技术:

1、随着配电网自动化与信息化水平不断提升,scada、用电信息采集系统等产生了海量的实时量测数据与用户用电数据,为线损精细化管理提供了数据基础。同时,居高不下的非技术线损,特别是窃电行为,对电网企业经济效益构成持续威胁。因此,如何从海量数据中快速、精准地定位线损异常源头成为行业关注焦点。

2、相关技术中,对于配电网线损异常的稽查主要依赖于人工经验进行定期抽查,或基于简单的统计阈值进行越限告警,如固定线损率,再辅以有限的用电异常分析,如零电量、电量突变。然而,这些方法未能将电网的物理拓扑连接关系与多维度时序数据进行深度耦合分析,导致异常判断维度单一、定位空间范围模糊,稽查工作存在大量盲目性,且系统无法从历史稽查结果中学习优化,存在稽查效率低、准确率不高的问题。

技术实现思路

1、本技术实施例通过提供一种配电网线损智能定位的稽查方法及系统,解决了现有技术中因数据维度孤立、拓扑关联缺失导致的异常定位不准、稽查盲目性高以及难以根据历史经验自优化的问题,实现了对线损异常源头的精准定位,减少了现场稽查的盲目性,并具备持续自优化能力。

2、本技术实施例提供了一种配电网线损智能定位的稽查方法,该方法应用于一种配电网线损智能定位的稽查系统中,包括:

3、获取电网拓扑结构数据、实时量测数据、用户用电信息及历史线损记录,并将其整合构建形成高维特征数据库;

4、提取高维特征数据库中的三相电流不平衡度、负载率及电压偏差,通过聚类算法划分线路异常模式,输出异常模式分类结果;

5、利用时序分析模型对实时量测数据进行动态追踪,捕捉线损波动轨迹,并结合异常检测算法识别突变节点,输出异常节点清单;

6、根据电网拓扑结构数据建立图计算模型,将异常节点清单与线损波动轨迹注入图计算模型,定位损耗路径;

7、利用关联规则挖掘损耗路径下的可疑用户群体,根据损耗严重程度生成稽查优先级清单;

8、根据稽查优先级清单生成可视化稽查图谱,并接收现场核查反馈结果,根据现场核查反馈结果修正高维特征数据库中的权重分布。

9、进一步的,所述获取电网拓扑结构数据、实时量测数据、用户用电信息及历史线损记录:

10、建立以配电变压器为顶层节点、分支线为中间节点、用户电能表为末梢节点的层级映射关系;

11、将实时量测数据中的电流、电压信息按照层级映射关系进行归集,计算历史线损记录在不同时间尺度下的分布概率,形成高维特征数据库。

12、进一步的,所述提取高维特征数据库中的三相电流不平衡度、负载率及电压偏差,通过聚类算法划分线路异常模式,输出异常模式分类结果:

13、计算三相电流的向量和,确定三相不平衡度,并结合额定容量计算负载率,统计电压实时值偏离额定值的电压偏差指标;

14、利用密度聚类算法将具有相同偏离特征的线路进行聚合,输出异常模式分类结果。

15、进一步的,所述利用时序分析模型对实时量测数据进行动态追踪,捕捉线损波动轨迹:

16、将实时量测数据输入长短期记忆人工神经网络,计算相邻时刻间的线损变化斜率;

17、当线损变化斜率超过预设阈值时,记录当前时间点与对应的线损数值,形成连续的时序特征序列,输出线损波动轨迹。

18、进一步的,所述结合异常检测算法识别突变节点,输出异常节点清单:

19、将线损波动轨迹作为孤立森林算法的待处理数据流,计算数据点在森林结构中的路径长度;

20、将路径长度小于平均值的异常样本点定义为突变节点,并关联突变节点所属的硬件设备编号,输出异常节点清单。

21、进一步的,所述根据电网拓扑结构数据建立图计算模型,将异常节点清单与线损波动轨迹注入图计算模型,定位损耗路径:

22、以电网拓扑结构数据中的母线、开关及变压器为顶点,以导线连接关系为边,构建有向加权图;

23、将异常节点清单中的硬件设备编号标记为异常顶点;

24、根据线损波动轨迹计算边的动态权重;

25、通过深度优先搜索算法搜索异常顶点间的贯通路径,输出损耗路径。

26、进一步的,所述利用关联规则挖掘损耗路径下的可疑用户群体:

27、检索损耗路径所覆盖的所有用户电能表标识;

28、提取用户电能表在突变节点产生时间段内的用电负荷数据;

29、计算用户负荷变化量与线损波动轨迹的相关性,输出可疑用户群体。

30、进一步的,所述根据损耗严重程度生成稽查优先级清单:

31、计算损耗路径中的电能损耗总量,并将电能损耗总量除以该路径的总供电量,得出线损率;

32、按照线损率由大到小的顺序对可疑用户群体进行排列,生成稽查优先级清单。

33、进一步的,所述接收现场核查反馈结果,根据现场核查反馈结果修正高维特征数据库中的权重分布:

34、接收包含真实损耗原因的现场核查反馈结果,若现场核查反馈结果与异常模式分类结果一致,则增加对应指标在特征提取过程中的权重系数;

35、若不一致,则减少权重系数,重新更新高维特征数据库的计算参数。

36、本技术实施例提供了一种配电网线损智能定位的稽查系统,用于实现一种配电网线损智能定位的稽查方法,包括:数据获取模块、分类输出模块、异常识别模块、路径定位模块、清单生成模块、自适应模块;

37、其中,所述数据获取模块,用于获取电网拓扑结构数据、实时量测数据、用户用电信息及历史线损记录,并将其整合构建形成高维特征数据库;

38、所述分类输出模块,用于提取高维特征数据库中的三相电流不平衡度、负载率及电压偏差,通过聚类算法划分线路异常模式,输出异常模式分类结果;

39、所述异常识别模块,用于利用时序分析模型对实时量测数据进行动态追踪,捕捉线损波动轨迹,并结合异常检测算法识别突变节点,输出异常节点清单;

40、所述路径定位模块,用于根据电网拓扑结构数据建立图计算模型,将异常节点清单与线损波动轨迹注入图计算模型,定位损耗路径;

41、所述清单生成模块,用于利用关联规则挖掘损耗路径下的可疑用户群体,根据损耗严重程度生成稽查优先级清单;

42、所述自适应模块,用于根据稽查优先级清单生成可视化稽查图谱,并接收现场核查反馈结果,根据现场核查反馈结果修正高维特征数据库中的权重分布。

43、本技术实施例中提供的一个或多个技术方案,至少具有如下技术效果或优点:

44、本技术提供的一种配电网线损智能定位的稽查方法及系统,获取电网拓扑结构数据、实时量测数据、用户用电信息及历史线损记录,整合构建高维特征数据库;提取关键运行指标并通过聚类算法划分线路异常模式;利用时序分析模型动态追踪线损波动,结合异常检测算法识别突变节点并输出异常节点清单;根据电网拓扑结构数据建立图计算模型,注入异常节点与线损波动轨迹以定位损耗路径;利用关联规则挖掘损耗路径下的可疑用户群体,并根据损耗严重程度生成稽查优先级清单;最终根据现场核查反馈结果修正特征数据库的权重分布。

45、在该过程中,通过将电网物理拓扑结构与多源量测、用电数据深度融合构建特征数据库,打破了不同维度数据间的孤立状态,有效克服了传统方法数据关联性弱的缺点。

46、进一步地,通过先聚类识别异常运行模式,再使用时序模型与异常检测算法精准捕捉线损突变节点,实现了从稳态特征到暂态突变的协同分析,提升了对隐蔽性、间歇性异常损耗的感知灵敏度。

47、尤其重要的是,将时序分析得到的异常节点与线损波动轨迹,注入基于拓扑构建的图计算模型,将时间序列上的异常事件映射到物理空间的连通路径上,实现了从何时异常到何处异常直至异常路径如何扩散的精准空间定位,解决了定位不准和稽查盲目的问题。

48、最终,将人工核查经验转化为特征权重的数字化修正,使系统能够持续积累稽查经验并自适应优化分析模型,具备了不断进化的能力,持续提升长期稽查的准确性与效率。