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单个用户电量变化与其所在台区线损率变化之间可能存在的关系。采用离群点算法和K-means聚类算法对用户的日电量数据进行分析,判断单个用户存在的窃电嫌疑,并确定具体的窃电行为。研究结果表明该方法在考虑单个用户窃电嫌疑的同时兼顾其所在台区的线损率异常波动,可对低压用户的窃电进行更有效地识别,为窃电识别与整治提供了一种新的思路。

基于时间序列的电能表月故障数预测方法

针对当前国网信息系统中电能表故障预测模型比较简单、不够全面和没有具体电能表月故障数预测模型的问题,基于时间序列建立综合时间序列预测模型,实现对批次电能表月故障数较准确的预测。首先计算电能表月故障数的移动平均序列,去除微小波动;然后根据序列是否有明显长期趋势,选用ARIMA模型或指数平滑模型对移动平均序列进行预测;最后采用反向移动平均,实现对整个批次电能表月故障数准确的短期预测。通过与BP神经网络模型的预测进行对比,验证了综合时间序列模型的实用性和准确性。在此基础上,建立电能表月故障总数预测模型。计量资产管理部门可以根据所提方法对故障电能表数进行预测,根据预测结果进行备货,提高管理部门的资源配置合理性和工作效率。