[发明专利]台区线损异常的识别方法、系统及电子设备

说明书

本发明提供了一种台区线损异常的识别方法、系统及电子设备，包括：步骤S1：获取若干台区的线损数据包；步骤S2：以所有台区预处理后的数据作为台区数据点，根据预设的聚类半径以及所述聚类半径内所述台区数据点的数量得到最小数目；步骤S3：利用所述聚类半径和所述最小数目对所有所述台区数据点进行密度聚类，以得到所有所述台区数据点中的异常台区数据点的占比；步骤S4：判断所述占比是否小于设定阈值，当所述占比大于或等于所述设定阈值时，调整所述聚类半径和/或调整所述最小数目以更新所述聚类半径及所述最小数目，并返回步骤S3。本发明根据台区的线损数据包从多个特征维度去识别存在线损异常的台区。

技术领域

本发明涉及信息服务技术领域，尤其涉及一种台区线损异常的识别方法、系统及电子设备。

背景技术

随着目前电网售电量的持续增长，台区(即变压器的供电范围)的线损管理越来越受到重视。由于台区数量众多，线损管理问题是电力公司亟待解决的重要问题。降低线损可提高能源利用率，从而提高整个电网的经济效益，其经济意义和社会意义是不可估量的。

通常台区线损一个很重要的指标是线损率(即线损电量占供电量的百分比)，分析线损率可以得出该台区电能的使用及管理情况。目前对线损的主要分析与管理集中在线损率计算预测与管理改进方面，如姜惠兰等在文献《基于动态聚类算法径向基函数网络的配电网线损计算》中将基于径向基函数的神经网络应用到配电网线损的计算和分析中，并采用动态聚类算法确定径向基函数网格的最优参数，计算台区线损率。沈泓等在文献《基于k-mean聚类算法的数据分析模型应用研究》中建立了基于k-means聚类算法的数据预估模型，并将通过预测的线损率与实际线损率对比分析，找出线损率差异较大的台区。李学平等在文献《基于聚类的阶段理论线损快速计算与分析》中提出了一种基于断面聚类的阶段理论线损计算方法，通过对断面网损的构成分析和断面数据分析，得出某时刻理论线损值和阶段理论线损值。

以上大部分的工作都是从线损率预测的角度分析线损问题，而线损异常如何判断的工作成果少有涉及。目前电力公司对于台区线损异常的判断方法，一般规定当线损率超过一定阈值(如10％)时即为线损异常，这种方法对于低线损率、波动幅度大、不同供电与用电容量的线损异常情况没有仔细考虑，忽略了线损率数据本身蕴含的宝贵信息，没有从线损涵盖的多个特征维度来判断是否存在线损异常等问题。同时对于台区线损信息的及时采集、分析、显示等功能，也缺乏相应的系统来及时提醒预警，从而更有效地进行线损管理。

发明内容

本发明的目的在于提供一种台区线损异常的识别方法、系统及电子设备，根据台区的线损数据包从多个特征维度去识别存在线损异常的台区。

为了达到上述目的，本发明提供了一种台区线损异常的识别方法，包括：

步骤S1：获取若干台区的线损数据包，并选中所述线损数据包中的至少部分特征分量的数据；

步骤S2：以每一所述台区预处理后的数据作为一个台区数据点，根据预设的聚类半径以及所述聚类半径内所述台区数据点的数量得到最小数目；

步骤S3：利用所述聚类半径和所述最小数目对所有所述台区数据点进行密度聚类，以得到所有所述台区数据点中的异常台区数据点的占比；

步骤S4：判断所述占比是否小于设定阈值，当所述占比大于或等于所述设定阈值时，调整所述聚类半径和/或调整所述最小数目以更新所述聚类半径及所述最小数目，并返回步骤S3，当所述占比小于所述设定阈值时，则将所述异常台区数据点标记为异常状态。

可选的，所述特征分量包括上报时间戳、台区位置、台区容量、台区总户数、供电量、用电量、损失电量和线损率。

可选的，选中的所述特征分量为所述台区容量、所述台区总户数、所述供电量、所述用电量、所述损失电量和所述线损率。

可选的，在步骤S2之前，还包括：