Identification Method for Users-Transformer Relationship in Station Area Based on Local Selective Combination in Parallel Outlier Ensembles Algorithm

In the power distribution system,the missing or incorrect file of users-transformer relationship(UTR)in lowvoltage station area(LVSA)will affect the leanmanagement of the LVSA,and the operation andmaintenance of the distribution network.To effectively improve the lean management of LVSA,the paper proposes an identification method for the UTR based on Local Selective Combination in ParallelOutlier Ensembles algorithm(LSCP).Firstly,the voltage data is reconstructed based on the information entropy to highlight the differences in between.Then,the LSCP algorithmcombines four base outlier detection algorithms,namely Isolation Forest(I-Forest),One-Class Support VectorMachine(OC-SVM),Copula-Based Outlier Detection(COPOD)and Local Outlier Factor(LOF),to construct the identification model of UTR.This model can accurately detect users’differences in voltage data,and identify users with wrong UTR.Meanwhile,the key input parameter of the LSCP algorithm is determined automatically through the line loss rate,and the influence of artificial settings on recognition accuracy can be reduced.Finally,thismethod is verified in the actual LVSA where the recall and precision rates are 100%compared with othermethods.Furthermore,the applicability to the LVSAs with difficult data acquisition and the voltage data error in transmission are analyzed.The proposed method adopts the ensemble learning framework and does not need to set the detection threshold manually.And it is applicable to the LVSAs with difficult data acquisition and high voltage similarity,which improves the stability and accuracy of UTR identification in LVSA.

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,实现了对台户异常电能表的快速定位及台区线损异常的治理。通过剔除异常电能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。

低压台区总表三相电压不平衡对线损的影响及诊断方法研究方向分析

通过分析存在总表三相电压不平衡问题的低压台区治理案例,根据低压台区总表三相电压不平衡问题在松江供电公司的治理、分布统计及线损影响情况等,指出低压台区总表三相电压不平衡这一直被忽视的问题对线损的重大影响,并提出低压台区总表三相电压不平衡问题的诊断方法研究方向。

基于拓扑识别的低压台区线损异常原因分析

低压台区直接与用户连接,数量巨大,现阶段由于接线复杂,拓扑缺失,中间节点缺乏量测点等问题,低压台区线损原因判定困难。提出一种基于拓扑识别的低压台区线损原因分析方法。利用变户关系识别结果判定是否存在户变关系错误影响;利用相户识别结果,判定是否存在三相不平衡和主干线问题影响;利用用户链路关系识别结果,判定是否存在分支线问题和用户窃电问题,并能定位可能存在问题的分支线。所提方法仅需要低压台区量测点的电压、电流、功率数据,利用低压拓扑连接关系,层层推导线损问题原因,将线损问题细化至用户和用户之间的分支线上,实现问题的精准定位,可有效减少运维人员的检修工作量。

基于变异系数和支持向量机的含DG台区线损智能诊断研究

分布式电源的接入改变了台区潮流,增加了台区线路高损概率。为找出引起台区线路高损成因,提出一种基于变异系数法和支持向量机的分布式电源接入台区线损智能诊断方法。首先利用变异系数法对分布式电源接入台区特征指标进行关联性分析;其次,采用支持向量机算法衡量线损预测数据与真实数据相对误差,进而筛选出线损异常台区;然后,基于变异系数法得到的各指标权重更新异常台区数据,诊断线路高损成因;最后,采用25节点台区案例,进行方法验证。试验结果验证了所提方法的有效性。

低压配电台区线损异常检测与治理方法

常规的配电台区线损异常检测特征捕捉采用周期提取的形式,提取的精准度不高,增加了误检频次。为解决这一问题,提出低压配电台区线损异常检测与治理方法的设计与分析研究。首先,根据测试需求进行异常数据采集。其次,采用多点位的方式提取精准度,实现线损异常特征的多点位提取。最后,构建多传感台区线损异常检测模型,采用频谱持续追踪与线损耗平衡修正的方式来实现异常处理。测试结果表明,文章设计的多传感低压配电台区线损异常检测与治理方法具有高效性、灵活性,检测适应性强,具有较好的应用价值。

低压台区线损类型及治理措施分析

低压台区作为末端供电单位,涵盖了大量的低压用户、低压配电线路、低压采集器、低压集中器等相关辅助设备,具有用户数量多、覆盖面积广、涉及环境复杂特点。低压台区线损是电力企业节能降损增效的重要组成部分,为此梳理了理论降损、技术降损和管理降损的具体方法,并给出了具体的治理措施。

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。

电力台区线损的异常与应对措施分析

阐述配电台区线损异常的原因,包括设备老化、线路老化、不规范的用电行为。从加强线路检查、设备管理、用电管理方面,提出应对配电台区线损异常的策略。

基于计算机通信的低压台区线损智能诊断方法

目前,低压台区线损问题已成为影响配电网络供电可靠性和经济性的关键因素,而传统的线损分析方法难以适应当前配电网的智能化需求。因此,基于计算机通信技术,提出一种低压台区线损智能诊断系统。该系统采用模块化架构,通过数据采集、数据通信、智能分析以及决策支持4个功能模块的协同工作,实现线损的精准定位、诊断及治理。实验结果表明,该系统在数据处理和线损诊断等方面具有显著优势,可有效提高线损管理水平。

低压配电台区降损分相管控研究

随着电力系统的发展和用户用电需求的不断增长,低压配电台区的线损问题日益突出,对电力企业的经济效益和电网的安全稳定运行造成了一定影响。文章分析了低压配电台区线损产生的原因,探讨了分相管控技术在降低线损方面的应用,并提出了相应的实施方案和建议。

用电检查中的营销大数据技术应用

阐述营销大数据技术的应用策略,包括构建大数据处理平台结构体系、基于数据分析的线损管理、数据挖掘和主站采集技术。探讨用电检查中的营销大数据技术优化,从而提高反窃电检查效果。

分相分段法在台区线损控制中的应用

阐述基于分相分段法的台区线损治理特点,探讨分相分段法在台区线损治理中的应用策略,包括精准监测提高损耗识别效率、优化配置提升供电可靠性、智能调控增强系统响应能力。

基于物联网技术的台区线损管理方法研究

利用物联网技术可以有效识别和管理所连接的物品。在台区线损管理过程中利用物联网技术,有利于创新线损管控模式,且对企业降损工作起到指导作用。文章结合台区线损管理过程中存在的问题,提出基于物联网技术的台区线损管理方法,并进一步完善基于物联网的台区线损管理系统,利用SSM框架开发并建立模型-视图-控制器(Model-View-Controller,MVC)3层模式的软件功能模型,以充分发挥物联网技术的优势,全面管理台区线损。同时,利用梯度提升决策树计算台区线损率,准确判断台区的线损率。此外,设计台区线损率异常原因检测系统,通过信息平台协同系统各组件,确定出现异常线损率的原因。

基于数据挖掘技术和聚类分析算法的台区线损分析模型研究

台区线损的分析,能够有效保障电网的电能质量。利用模糊C均值聚类的数据挖掘方法,构建模型对台区的线损进行预测,从实验结果可证明该模型具有很好的预测效果,模型的训练均方误差结果为3.0675,而预测的均方误差结果为0.0322。分析考虑了预测模型的影响因素,从结果上可以看到,增加输入变量个数和样本点个数,能有效提高模型的训练效果,预测精度也趋于稳定。在模型中综合考虑了售电量、功率因数、季节等其他影响因素,预测精度尽管稍微有所下降,但还是能满足预测的要求,证明了该模型的可行性。

配电台区异常线损动态判断系统设计

目前配电台区异常线损动态判断系统未对其核心功能进行细致设计,存在线损误差大、系统召回率低以及ROC曲线较平缓的问题,基于此,提出配电台区异常线损动态判断系统设计方法。该方法设计出系统的大致轮廓,其中包含电能质量管理模块、线损基础信息管理模块以及线损功能异常模块;对系统中的核心模块进行设计,并精确得出其操作流程,保证数据能够实时不断地更新,及时调整电路电量,准确判断异常线损动态,实现配电台区异常线损动态判断。实验结果表明,所提方法的线损误差小、系统召回率高,ROC曲线较弯曲。

基于神经网络数据分析方法的电网高损耗元件识别技术

针对大部分电网损耗研究不全面且损耗类型识别不准确等问题,提出了一种基于神经网络数据分析方法的电网高损耗元件识别技术。该技术在全面分析线路及变压器损耗的基础上,将台区损耗类型划分成六类,并将台区电表数据输入全连接神经网络模型完成学习分析,从而实现高损耗元件的识别。基于某台区的109块电表数据样本进行实验分析,结果表明所提技术对于无异常损耗电表的识别准确率高达98.5%,且整体识别准确率可达93.4%,同时识别时间仅为0.35 s,优于其他对比技术。

改进型电压损失法低压台区理论线损计算

基于传统的电压损失法理论线损计算模型,针对台区主干线导线参数获取困难的问题,分析了导线参数取“固定值”的合理性。针对低压网三相不平衡对线损的影响,提出了增加损耗因素来修正参数,并针对台区负荷对线损的影响进行了论证分析,来增加平均负荷率修正参数。并针对多省各类典型台区进行改进,利用大数据算法、等值电阻法和潮流法进行比对验证。最后结果表明,改进后的电压损失法与潮流计算结果最接近,准确度最高。在实现较低数据需求下,提高模型的普适性和准确性。

基于大数据挖掘技术的线损智能诊断模型设计

为提高诊断台区线损状态的诊断率,提出基于大数据挖掘技术的线损智能诊断模型设计。采集线损数据并计算得到线损率,根据线路的特征设置标准阈值,以时间离散度分析结合多次聚类分析检测出线损的异常状态;根据采集数据的波动率,构建离散度转换方程,得到线损离群点特征的欧氏距离近似度矩阵;利用大数据挖掘技术,提取出线损的离群点,利用关联分析法,构建线损智能诊断模型。实验结果表明,设计模型不仅可以提高线损诊断率,还可以诊断出用户的窃电行为。

基于双边全变差滤波算法的台区线损模式自动识别方法

为有效提升电网运行稳定性,维护供电企业经济效益,提出基于双边全变差滤波算法的台区线损模式自动识别方法。构建数字全变差模型,代入双边滤波机制和规整化参变量,通过广义Gaussian分布近似得到信号噪声概率密度函数,消除台区线路信号噪声;计算台区日统计线损,提取台区系统时间序列信息,利用差分化序列波动判断异常线路;创建台区评估指标,采用最大期望方法将归一化后的线损率拟合成混合高斯模型,根据不同线损率范围自动识别台区线损模式。实验结果表明方法可快速准确识别出不同工况下的台区线损模式,为用户提供更加安全稳定的供电服务。