一种基于计量终端负荷监测技术的异常电量预测方法与流程

1.本发明涉及电表计量分析技术领域，尤其涉及一种基于计量终端负荷监测技术的异常电量预测方法。


背景技术：

2.随着电力网络的普及和智能电表的全覆盖，电力计量工程已成为电力公司运营部门日益关注的重点。然而，计量终端发生异常或一些不法用户为了少缴电费而置国家法律、法规于不顾实施了窃电行为，给电力企业造成了极大的经济损失。因此，针对用户侧海量数据，分析计量装置电能计量数据，预测计量终端是否正常或者用户是否有偷盗电行为，成为了监测终端计量异常或用户偷盗电的有效手段。
3.早期，关于异常电量监测技术主要依靠供电员工进行定期排查用户电表箱，并依靠经验等方式判断用户的用电行为是否异常。这种方式不仅需要大量的供电员，且面对千家万户不间断的巡查，排查效率低下。目前，在新一代智能电表上，通过对电表外观的改变防止用户对电能表的篡改，例如记录开盖时间、开端钮盒时间；以及失压、失流等实时信息的抽样监控，观察是否存在终端计量异常或偷盗电等现象。虽然这种方式在一定程度上能够有效地减少终端异常和用户窃电等行为，但是对于更为普遍的异常电量发生，很难直观地评价终端计量异常和用户窃电等行为。


技术实现要素：

4.本发明的目的在于针对上述现有技术的不足，提供了一种基于计量终端负荷监测技术的异常电量预测方法，能够终端计量异常的概率，为后续计量终端更换或监测用户的窃电行为提供支撑。
5.为实现上述目的，本发明采用了如下技术方案：
6.本发明提供了一种基于计量终端负荷监测技术的异常电量预测方法，包括
7.s1、建立用电负荷模型；
8.s2、辨识用电负荷类别；
9.s3、异常电量监测模型；
10.s31、为了预测计量终端异常电量发生情况，异常电量评估模型为：
[0011][0012]
式中fi表示用户用电设备投切发生的负荷特征，包括时间特征概率模型，有功-无功特征概率模型，能耗特征概率模型；m表示特征类别数，ω2表示终端计量正常；p(ω2|fi)表示在负荷特征xi发生情况下终端计量正常的概率；α为耦合系数。
[0013]
进一步，所述负荷特征f1发生情况下终端计量正常的概率为：
[0014][0015]
其中，t
p
表示投切时刻点；a表示用电负荷i的投切时刻点用下限；d表示上限；b表示表示与时刻点a最相近的用电负荷i的投切时刻点；c表示与时刻点d最相近的用电负荷i的投切时刻发生点。k为置信度，当落在该范围之内，以置信度作为其概率值。
[0016]
进一步，在有功-无功特征f2下，所述终端计量正常的概率为：
[0017][0018]
其中，pi、qi分别表示电负荷i的有功和无功功率；p、q表示数据库中与之匹配的负荷的有功和无功功率，上下限分别为p
min
、p
max
、q
min
、q
max
；||表示取绝对值。
[0019]
进一步，能耗特征下，所述终端计量正常的概率为：
[0020][0021]
其中，pi和li分别表示当前检测到该负荷事件中运行时长为中间值所对应的有功功率和时长；p和l表示记数据库中所对应该负荷的平均有功功率和平均时长。
[0022]
另外，针对式中的耦合系数α，根据未发生计量异常概率p
pro
＝0.97进行最小二乘计算估算
[0023][0024]
式中s表示负荷类别，n为负荷类别数，m为负荷特征数。
[0025]
将所述公式(2)、公式(3)和所述公式(4)代入所述公式(1)中，以得到正常电量发
生的概率值，进而预测异常电量发生的概率。
[0026]
本发明的有益效果为：该方法首先检测每一天的负荷启动时间、能耗以及类别等情况，建立负荷类别对比库以及负荷出现概率预测模型；其次，通过对负荷事件发生时刻、使用时长、能耗等进行概率估计，采用贝叶斯概率理论推测终端计量异常的概率，进而进行预测，为后续计量终端更换或监测用户的窃电行为提供支撑。
附图说明
[0027]
图1为本发明一种基于计量终端负荷监测技术的异常电量预测方法的流程图；
[0028]
图2为负荷事件p-q特征分布图；
[0029]
图3为负荷聚类分布图；
[0030]
图4为有功功率特征图；
[0031]
图5为无功功率特征图。
具体实施方式
[0032]
为了使本发明的目的、技术方案及优点更加清楚明白，下面结合附图，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
[0033]
一种基于计量终端负荷监测技术的异常电量预测方法，包括
[0034]
s1、建立用电负荷模型；
[0035]
用电负荷模型包括投切时刻所发生的有功功率和无功功率，其中有功功率计算如下：
[0036][0037][0038]
s.t.δp＝p(t+δt)-p(t)
[0039]
δt＝t
[0040]
其中，t表示从设备投切开始到稳定运行的时间间隔，p(t)表示t时刻有功功率；a
l
用于标记用电设备，用0和1表示，0表示负荷关，1表示负荷开；p
l
为数据库中第l个设备所记录的有功功率；k表示变点发生后负荷运行的个数；m表示变点发生前用电设备个数；δt表示负荷投切后进入稳态需要的时长；δp表示负荷有功功率；
[0041]
同理，无功功率特征，具体计算如下：
[0042][0043]
s.t.δq＝q(t+δt)-q(t)
[0044]
δt＝t
[0045]
其中，q(t)表示t时刻无功功率；q
l
表示数据库中第l个设备所记录的无功功功率。
[0046]
对于负荷发生的时刻点，采用窗口长度为v的事件窗，并将负荷数据样本分为两类，规定c0类和c1类其中，v为窗口内样本长度，令：
[0047][0048][0049]
式中，k
t
为投切时刻，当满足目标函数：
[0050][0051]
其中，m(c0)表示c0类均值；m(c1)表示c1类均值；pi，pj分别表示第i，j个样本；进而获得负荷的有功功率和无功功率。
[0052]
s2、辨识用电负荷类别；
[0053]
负荷类别辨识方法是通过mean-shift聚类匹配原理，具体如下：
[0054]
令概率密度为
[0055][0056]
其中，n表示该区域内数据点个数；bh表示尺度为h的区域；f表示特征维数；x为bh内p-q数据点，xr表示第r个p-q数据点；k(.)为核函数。
[0057]
为了简化，引入k(x)为k(x)的剖面函数，即：
[0058]
[0059]
对概率密度求导，得到
[0060][0061]
式中c
k,f
为常数项，k'(x)表示剖面函数的导数，并令得到
[0062][0063]
其中，m
h,g
(x)表示更新的方向：
[0064][0065]
式中xa表示第a个p-q数据点。
[0066]
至此，通过聚类中心的不断迭代，当概率密度达到极大值时实现负荷聚类，从而获得负荷类别。
[0067]
s3、异常电量监测模型；
[0068]
s31、为了预测计量终端异常电量发生情况，异常电量评估模型为：
[0069][0070]
式中xi表示用户用电设备投切发生的负荷特征，包括时间特征概率模型，有功-无功特征概率模型，能耗特征概率模型；m表示特征类别数，ω2表示终端计量正常；p(ω2|xi)表示在负荷特征xi发生情况下终端计量正常的概率；α为耦合系数。
[0071]
所述负荷特征fi发生情况下终端计量正常的概率为：
[0072][0073]
其中，t
p
表示投切时刻点；a表示用电负荷的投切时刻点用下限；d表示上限；b表示
表示与时刻点a最相近的用电负荷的投切时刻点；c表示与时刻点d最相近的用电负荷的投切时刻发生点。k为置信度，当落在该范围之内，以置信度作为其概率值。
[0074]
在有功-无功特征下，所述终端计量正常的概率为：
[0075][0076]
其中，pi、qi分别表示电负荷i的有功和无功功率；p、q表示数据库中与之匹配的负荷的有功和无功功率，上下限分别为p
min
、p
max
、q
min
、q
max
；||表示取绝对值。
[0077]
能耗特征下，所述终端计量正常的概率为：
[0078][0079]
其中，pi和li分别表示当前检测到该负荷事件中运行时长为中间值所对应的有功功率和时长；p和l表示记数据库中所对应该负荷的平均有功功率和平均时长；
[0080]
另外，针对式中的耦合系数α，根据未发生计量异常概率p
pro
＝0.97进行最小二乘计算估算
[0081][0082]
式中s表示负荷类别，n为负荷类别数，m为负荷特征数。
[0083]
将所述公式(2)、公式(3)和所述公式(4)代入所述公式(1)中，以得到正常电量发生的概率值，进而预测异常电量发生的概率。
[0084]
实施例一：
[0085]
在测试案例中，采用某一实际用户18天均为正常用电的数据建立模型，其中电量信息采集时间的间隔设置为2秒。为了可靠地获得负荷事件，在本发明中，以100个数据点作为一个窗口，以此消除短时间内启停的负荷事件；另外，对于小功率设备，则不进行负荷辨识。
[0086]
图1给出了18天内获得的负荷事件的p-q特征分布图。在本发明中，采用聚类算法得到的聚类结果如图2所示。用户用电负荷被划分为14类(其中聚类算法的尺度h＝80)，其中聚类中心用形状标记描述，显然有些类中相对较为分散，因此针对图2中的每一类，将根据p-q特征以及时长特征在每一天中进行匹配搜索，记录超过12天均出现的负荷，并将其归
为常用负荷，具体统计结果如表1所示。
[0087]
表1常用负荷类别
[0088][0089]
从表1中可以看出，负荷类别1，3，4每天都投入使用，且负荷类别4相对具有较为稳定的投切时刻区间分布；而投入运行时长中，负荷类别1，3，4使用时长相对较短。进一步地，统计这四类负荷每天投切的平均频次，时长分布中心值，以及每个负荷类别投切一次所消耗的能耗的平均值，如表2所示。
[0090]
表2统计信息
[0091][0092]
图3给出了计量终端计量异常后某一天的负荷数据。通过负荷事件检测、时长统计等处理后，得到的结果如表3所示。根据本发明，寻找时长以及投切时刻具有相似性的负荷事件，采用与表2中类别1至4数据进行聚类后，得到表4所述的匹配结果。
[0093]
表5给出了本发明中根据公式计算概率的结果，其中与类别编号2相似的负荷事件2存在偏离投切时刻，得到其不属于异常电量发生的概率的均值为p(ω2|f1)＝0.8313，由于其他均落在其投切范围内，因此需要通过置信度k＝0.95进行加权。此外，在计算有功-无功特征下的不属于异常用电的概率的均值时因负荷事件2偏离了有功范围区间而舍去。最后，在给定耦合系数α＝0.2下，获得不属于异常电量发生均不高于0.95。
[0094]
为了获取最终的决策，通过等权平均的方法，得到最终的概率pf＝0.80,表明不属于异常电量发生的概率为0.8，相比于0.95这个阈值偏低，因此可以推断用户侧发生了异常电量现象，从而为进一步核查计量终端异常提供数据支撑。
[0095]
表3-1负荷事件记录
[0096][0097]
表3-2负荷事件记录
[0098][0099]
表4非电量相似性匹配
[0100][0101]
表5概率计算
[0102][0103]
以上所述实施例仅表达了本发明的实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求。