异常用电检测（通用7篇）
异常用电检测 篇1
0 引言
随着电力公司用电信息采集系统“全覆盖、全采集、全费控”的推进,截至2013年年底,国家电网公司累计安装智能电能表1.82亿只,实现用电信息采集1.91亿户,智能电能表应用量占全球的一半,其用电信息采集系统成为世界上最大的电能计量自动化系统[1],针对大规模电能表的快速实时信息采集,将逐渐生成电力系统中的用电大数据。以100万只电能表计,如果采集频率为15 min,则一年收集的数据量将达到3.18TB,如果采集频率提高到1s,则数据量将高达11.2PB[2],而现有的采集规模远远超过100万台的数量。
当前用电信息采集数据分析模式以静态离线数据分析为主[3,4,5,6],然而这种方式存在与生产运行系统结合不紧密,不能快速反映系统运行状态和及时发现异常现象等问题。而在用电信息采集系统中,某些情况下期望随着实时到达的数据同步处理,从而有利于更快速发现和报警各种异常问题,如用户的窃电行为、系统故障等。但是,用电信息采集系统普遍采用省电力公司集中部署方式,需要面对以千万计的电能表固定频率数据采集和各种异常上传任务,将面临大规模数据流的汇集和快速处理的挑战[3]。
针对大规模数据流的处理需要借助流式计算技术的支持。流式计算是指随着实时到达的数据快速分析,具有更好的实时性和处理速度[7],且与生产系统结合紧密,能快速反映生产系统的运行状态,因此,可以用于处理用电信息采集的数据流。而传统以批处理为主的离线数据分析方式,由于性能和计算模式的问题,很难应对这种在线数据流的快速分析。当前电力系统的多个环节都面临着大规模数据流快速分析的挑战[8,9,10],如针对大范围内输变电设备或发电设备的在线监测、能源互联网广域范围内的信息采集处理等,大规模流式计算技术也是大数据与电力系统深度融合的关键技术之一,是利用大数据技术提高实时生产系统的运行效率和安全性的有效手段。
当前主流的流式计算平台包括Storm和Spark Streaming[11]等,这些平台提供了分布式数据流处理框架。借助成熟的流式计算平台,可以提高系统的安全性和可扩展性,使开发人员更多地关注业务处理。其中Spark是继Hadoop之后的新一代大数据分布式处理框架,基于内存计算技术,从而具有更高的计算效率。Spark Streaming是Spark针对数据流处理的扩展,适合处理高可扩展性、高吞吐率和容错机制的实时数据流。Spark Streaming广泛应用于实时数据流处理的多个领域,包括实时竞价、点击流分析等,因此,可以使用Spark Streaming处理用电数据流。
通过以天或小时为单位的相同类型用户的用电行为具有较强的相似性[6],根据用户类型形成不同的聚类;另一方面,同一用户的历史用电行为也表现出聚类特性。而当用户的用电行为与其聚类不符或不属于任何一个聚类时,表明该用户需要重点关注,有可能用户存在某些违法行为或采集系统的某个环节出现了问题。国网常州供电公司通过将生产数据、用电信息采集数据和用户基本信息数据进行综合对比,创新提出了基于电力大数据分析的反窃电检查新模式,提高了反窃电工作的针对性和效率[12]。聚类技术已广泛应用于电力系统数据分析中[13,14,15],密度聚类算法DBSCAN(density-based spatial clustering of applications with noise)具有抗干扰力强、能发现任意形状的聚类和从数据中同时发现聚类及异常点的特征。因此,基于流式DBSCAN技术和实时到达的用电数据流,通过与相似类型用户及本用户海量历史数据对比,可发现用户异常行为,为电力公司提供参考。
1 流式计算与电力系统
1.1 流式计算概述
当前,大数据的主流计算模式划分为批处理计算(batch computing)和流式计算(stream computing)两种,批量计算和流式计算分别适用于不同的大数据应用场景[7]。其中批处理计算模式(Hadoop MapReduce),首先将数据存储起来,然后再对存储的静态数据进行离线集中计算。而流式计算是当流动的在线数据到来后在内存中直接进行数据的实时计算,适用于对实时响应要求更高的情境。流式计算与生产系统结合更为紧密,能够快速反映系统的状态,并及时发现存在的问题。通常流式计算模式可以用图1表示。图中:圆形表示数据的计算节点,箭头表示数据的流动方向。
通常输入数据流是一个带有时间戳(TimeStamp)的多维数据集合x1,x2,…,xn,每一个数据点xi是包含D维的多维向量。例如在用电数据流中,每个数据点x表示某用户某个时间点的所有采集数据向量。数据流中的异常点N表示与数据集中的一般行为和模型不一致的点,通过聚类或分类技术可以发现异常点。流式计算过程通常用有向无环图(directed acyclic graph,DAG)表示,用于描述数据流的计算过程,类似于流水线处理方式,如图1所示。最终结果也是以流的方式输出。
1.2 流式计算在电力系统中的应用
在电力系统的多个环节中都面临着大规模数据流快速分析的挑战,如在输变电设备在线监测系统中,随着监测范围扩大和深度加强,众多量测和传感装置采集的大量多源异构数据实时发送到监测中心,形成大规模数据流,而监测中心需要高效率地处理这些流数据。调度是电力系统的中枢神经,随着大量分布式能源的并网,电网规模不断扩大且结构越来越复杂;同时电力系统的能量流由单向变为双向,调度的合理性和准确性在很大程度上取决于全景实时数据的快速采集和准确分析,而全系统的数据也将以数据流的形式汇集到调度中心。未来电力系统的部分核心功能将建立在流式计算的基础上,图2展示了流式计算在电力系统输变电设备监测中的应用前景。
当前流式计算在互联网领域应用广泛,但在电力系统中的应用还有待进一步深化。与批处理模式不同,流式计算需要与生产系统进一步融合,并可能影响系统的安全性,因而其应用需要更加慎重。文献[8]较早意识到数据流技术在电网自动化中的应用,以及利用实时数据分析技术提高电网自动化水平,展望了电网实时数据流处理的架构。但文献主要针对单一数据流,没有考虑大规模数据流场景。文献[9]研究了能量管理系统(EMS)数据流管理框架,该框架能够根据流速不同对采集数据进行分类处理。作为当前研究的热点,能源互联网利用互联网的思维实现广域范围内的发电、负荷及其他资源的动态平衡,其首要任务是全景实时数据采集,而对大范围内系统数据采集监测也需要流式计算技术的支撑[16]。
2 流式DBSCAN聚类算法
2.1 聚类技术在电力系统中的应用
聚类是一种重要的数据划分方法,同一个聚类中的对象彼此相似,而与其他聚类中的对象相异。在大数据时代,由于聚类需要较少的人工干预、数据驱动和较强的大数据适应能力等特点,是处理大数据的有效方式之一。聚类技术也广泛应用于电力系统多个环节的数据处理中。文献[13]提出对高速采集的海量录波数据通过半监督聚类技术进行划分,实现了多通道海量录波数据中故障数据集的有效筛选,减少了人工工作量。文献[15]针对电动汽车移动储能特点,提出了基于模糊k-means算法的电动汽车应急供电聚集方案。文献[4]针对采用传统方式难以处理用电信息采集大数据的问题,研究了MapReduce k-means聚类技术,实现了基于数据驱动的用户分类。但这些技术主要采用静态聚类方案,适合于离线数据,而不能直接用于数据流处理。
2.2 数据流上的DBSCAN
在用电信息采集系统中,用户的用电数据以流的形式到达,需要随着数据到达的频率动态计算更新聚类,从而迅速发现异常数据。流式DBSCAN(Streaming DBSCAN)算法或增量算法[17]可以实现此功能,并可通过参数来控制历史数据的延迟和遗忘度。
当一个新的数据点x到来时,可能建立一种新的密度连接,存在以下4种可能状态。
1)x是异常数据。当新数据x在邻域内没有核心点时,将x标记为异常数据。
2)生成新的聚类。新数据x是一个核心点,且满足x不属于任何一个已有的聚类和在x密度可达的点中不存在已有聚类的核心点,这时将创建一个新的聚类。
3)并入现有聚类。新数据点x与某个聚类中的核心点密度可达,则将x加入此聚类中。
4)合并多个聚类。当数据点x插入后,使不同聚类之间的核心点实现了密度可达,这时数据点x和这些相邻的聚类合并为一个新的聚类。
Streaming DBSCAN在插入一个新的数据点时,相当于执行DBSCAN算法的最后一个步骤,因此两个算法具有等价性,也就是增量计算结果和原始算法的聚类结果是一致的。
针对删除操作,本文采用批量删除后,依据新的数据重新计算聚类的方式实现,但考虑历史数据对聚类的影响,设置延迟因子α来综合考虑历史数据对新数据的影响程度,α=1表示历史数据和新数据具有同等影响,α=0则忽略历史数据。对每批新到达的数据xt,依据上一时刻或历史数据聚类情况ct计算新的聚类ct+1,新聚类中包含的数据点个数nt+1为历史数据个数nt和新到达数据个数mt之和。新聚类计算过程如下:
式中:ct+1为当前时刻聚类情况;ct为上一个时刻的聚类情况;nt+1为当前聚类中点的个数;nt为上一个时刻聚类中点的个数;xt为新加入聚类中的点;mt为新加入点的个数。
3 Spark中的流式DBSCAN算法
3.1 Spark Streaming介绍
大规模实时数据流处理对系统的性能、安全性等具有较高的要求,通常需要集群技术的支撑。为方便数据流处理,满足高性能和容错机制的分布式流式计算框架得到了广泛应用,Spark Streaming是当前主流的流式计算框架之一[18]。
Spark是开源类Hadoop MapReduce的通用内存并行计算框架,但不同于MapReduce直接读写磁盘,Spark Job中间输出和结果可以保存在内存中,而不需要读写Hadoop分布式文件系统(Hadoop distribute file system,HDFS),因此Spark能更好地适用于数据挖掘与机器学习等需要多次迭代的算法。弹性分布式数据集(resilient distributed dataset,RDD)是Spark的最基本数据结构,是对分布式内存的抽象使用,实现了以操作本地集合的方式来操作分布式数据集。
Spark Streaming是Spark针对数据流处理的扩展,支持多种数据源的接入,并提供高层次的函数,如map,reduce,windows(滑动窗口)等来分析数据流。DStreams(discretized Streams)是Spark针对数据流的抽象,用于表示持续的数据流或从其他数据源接收的数据。DStreams表示连续的序列RDDs,每个RDD包含一段特定时间间隔的数据,如图3所示。
3.2 大规模用电数据流DBSCAN聚类算法
基于Spark Steaming平台,实现了用电数据流的Streaming DBSCAN算法。具体计算过程包含以下几个步骤。
1)步骤1:数据归一化处理
由于用电数据的特征量包含不同的量纲和单位,需要通过归一化消除指标之间的量纲影响。归一化处理也是数据挖掘的一项基础工作,因为不同评价指标往往具有不同的量纲和单位,这样的情况会影响数据分析的结果及数据指标之间的可比性。原始数据经过数据标准化处理后,各指标处于同一数量级,适合进行综合比对评价。min-max标准化(min-max normalization)方法是一种有效的归一化方法,也称为离差标准化,是通过对原始数据x的线性变换,使结果值映射到[0,1]之间的x*。转换函数如下:
式中:xmax为样本数据的最大值;xmin为样本数据的最小值。
这种方法的缺陷就是当有新数据加入时,可能导致xmax和xmin的变化,需要重新定义。在Streaming DBSCAN算法中,xmax和xmin的值会根据聚类数据的更新重新计算。
2)步骤2:利用历史数据计算聚类
选取典型历史数据(训练数据集),使用传统DBSCAN算法对数据聚类,并对每个数据点进行标注。标注后的数据点格式为:
式中:y为点所属的聚类;xi为点的各个属性;z为数据点的类型,包括核心点、异常点和边缘点3类。
历史数据的选取应具有较好的代表性和较大的数据量,以保证不同类别用户的用电特征选取;随着系统正常运行后,此部分数据更新为包含多个时间间隔的真实数据。在Spark Streaming平台上,这部分数据作为广播变量(broadcast)分发到所有节点。
3)步骤3:计算以天或小时为单位的数据向量
当前用电信息采集系统通常每隔15 min采集一次数据,数据项包括:电压、电流、相角及用电量信息等,根据系统实时性要求可以计算出以天或小时为单位的电压、电流有效值和用电量,作为用户用电数据的特征量。结合其他用户信息,如家庭人数、房屋面积及家用电器数等,综合得到数据点向量。
通过电流有效值来刻画用户的用电特性,电流有效值是获取一定时间内对得到的采样值利用公式计算得出:
式中:T为采样周期;i(t)和I为采样时刻值;N为一个采样周期内的采样点个数。
利用Spark Streaming计算时间间隔内接收到的数据点,为每个家庭用户生成一个向量,计算过程包括Map和Reduce两个阶段。Map阶段对数据进行解析,提取需要的数据;Reduce阶段规约数据,将数据根据用户进行分类汇总,最终得到每个用户每个时间间隔的记录(向量)。
4)步骤4:与用户基本信息做join操作
用电信息数据通过join(连接)操作与家庭其他信息合并,生成最终包含家庭和用电信息的向量。join操作利用家庭编号实现两个RDD数据集的合并,Spark Streaming提供了join算子。
5)步骤5:Streaming DBSCAN算法
针对转化后的用电数据向量,实时判断向量的聚类特征,发现异常数据,以供相关人员参考。用电数据在纵向(历史数据)和横向(相似用户)上表现出聚类特性。对一个用户来讲,其每天的用电信息与历史上某天的用电数据具有相似性,形成聚类特性。对同一类型用户,如具有相似的房屋面积、人口数和电器数量,则用电特征具有相似性,也会表现为聚类特征。在样本数据足够丰富的情况下,如果用户的数据与历史数据不符或与同类用户不符,则可能存在问题,需要特别关注。判断过程如下:如果用电数据在纵向和横向上表现出聚类特征,则标记为正常数据,否则标记为异常数据。
6)步骤6:根据历史数据的延迟因子α,将最近一段时间间隔内的数据作为训练数据集,重复步骤2 至步骤5。
整个处理过程如图4所示。
用电数据流按时间间隔组成DStreams,对DStreams中的每一条记录做归一化处理和选取有意义的字段,通过Map操作完成;然后以用户和时间间隔为单位汇总数据,用以描述用户的用电行为,此操作使用Reduce操作完成,最终生成以用户为单位的用电特征向量,如图4中的操作(1,3)。用户用电特征量和其他信息特征量通过join操作整合为新的特征量,如图4中的操作(4)。新的特征量以Streaming DBSCAN方式处理,并实时发现异常数据。当新数据达到一定规模后,部分替换历史数据,并生成新的聚类结果。
4 试验验证
4.1 平台建设和试验系统的设计和实现
为验证算法的执行效率和正确性,利用单机Standalone模式模拟Spark Streaming集群环境(Spark版本为1.4.1)对算法进行测试。试验数据为模拟数据,以某省级电网公司用户采集的正常数据作为参考。试验包括两个方面:大规模用电数据流的快速异常检测及检测的正确性。
通常在用电信息采集系统中通过通信前置机接收各种终端发送过来的数据,在测试环境中使用Java编写的程序来模拟生成用电数据流,并将数据流推送到Spark Streaming集群处理,利用StreamingContext的socketTextStream方法(该方法将接收的文本数据流转换为DStreams)在服务器指定端口接收数据流,并实时处理,最后将数据保存到HDFS中,而异常数据则实时输出。测试环境的架构如图5所示。
4.2 仿真实验
通过程序自动生成模拟用电数据,基于Java的Socket多线程编程实现,依据计算机拥有的CPU核心个数,创建对应的线程数,线程每隔一定时间间隔向服务器的Socket端口发送用电数据。例如:模拟100万个用户每隔15min采集一次数据,每1h接收数据条目400万条,如果是4个线程,则每个线程发送数据的间隔约为4 ms。在Spark Streaming中首先创建StreamingContext对象,并设定接收线程个数和DStreams的时间间隔,其设置语句如下。
利用Spark中LabeledPoint对象表示数据向量,LabeledPoint是一种标签数据,数据结构分为标签(Label)和特征(Features)两部分。具体结构为(label index1:value1index2:value2…),其中label为标签数据,index1和index2为特征值序号,value1和value2为特征值。用Vectors对象表示LabeledPoint数据集合。
对实时到达的用电数据流,利用socketTextStream方法从对应端口接收并转化为文本数据,用DStreams表示和缓存;然后基于Streaming DBSCAN对新数据点进行判断,并标注为属于某个聚类或异常点,利用DStreams的map操作多个数据点并行处理。具体计算流程如图4所示。
通过变换用户数和采集频率,验证了算法的效率,实验结果表明Spark Streaming可以支持大规模用电数据流处理,Streaming DBSCAN算法能快速检测异常数据。表1展示了每4s生成一条数据,每120s计算一次的算法。从表中可以看出,系统能够接收数据,并在有效时间内处理完成。
变换数据采集频率,在1s生成10条数据、120s大约生成1 200条数据的情况下测试算法性能,结果如表2所示。算法总处理时间控制在秒级。由于Streaming DBSCAN其时间复杂度与历史数据规模相关为O(n),在集群规模情况下,算法具有线性加速比,因此可以适应更大规模的数据流。
为验证算法的正确性,首先利用传统DBSCAN算法对测试数据(历史数据和新数据)进行聚类划分,生成聚类结果和异常点;然后,基于Streaming DBSCAN算法对新数据实时聚类计算,比较两种算法的最终生成聚类个数和异常点个数。在不同测试数据情况下的实验结果如表3所示。实验结果表明,Streaming DBSCAN与原始DBSCAN算法具有同等准确性。
5 结语
本文探讨了流式计算技术在电力系统中的应用和展望,提出利用流式计算技术处理大规模用电数据流,基于Spark Streaming平台和Streaming DBSCAN算法,结合用电数据的聚类特性,实现了对用电数据流的快速检测。
大数据流式计算技术将进一步促进大数据在电力系统中的深度应用,使大数据与实际生产系统紧密结合。下一步的主要工作是将流式计算应用到电力系统核心领域数据分析中。
异常用电检测 篇2
目前, 随着国家电网“智能电网”项目如火如荼的建设[1, 2, 3, 4, 5], 作为智能电网一部分的智能电力计量设备被广泛的安装在城乡企业与居民家庭中。作为企业与居民家庭电力计量与结算的主要设备依据, 智能电力计量设备的用电指数通过采集终端 (专变终端或集中器) 上传到网省电力公司的用电信息采集系统, 用电采集系统归并分析数据后上传抄读数据给营销系统进行用户用电费用结算。由于用电设备指数到用电结算需经过采集器、采集终端 (专变终端或集中器) 、网省公司“电力用户用电信息采集系统”、营销系统等过程, 为进一步验证数据的一致性与准确性, 需通过其他技术手段监控检测数据的准确性与一致性。其中主要问题包括:
高压专变客户表计采用用电信息采集系统采集智能表表计指数信息, 在智能表芯片指数与显示屏指数不一致的情况下, 很容易造成高压用户智能表指数信息错误采集, 或者没有错误采集也容易形成与用户的纠纷。
目前用电领域的远程采集、监控主要由用电信息采集主站系统、远程通道 (230MHz、GPRS/CDMA、光纤) 、专变终端、智能电能表构成;采集相关产品技术研发基于统一规范, 用电信息采集主站系统建设由国家电网公司统一组织, 对高压用户用电信息监控完全基于采集主站获取远程数据后的智能诊断分析, 当采集的数据本身出现故障情况下, 无法定位故障原因, 需要现场排查故障, 而现场故障排查的时效性得不到保障, 需要研究远程照片获取技术, 解决现场故障取证, 保证故障分析时效。
2 用电采集现场异常处置系统
通过用电信息采集现场异常处置策略研究, 创新异常监测技术, 设计现场异常检测工具, 构建用电信息采集现场异常处置系统, 从而便于用电信息采集现场问题的系统化解决, 系统设计如下:
2.1 系统设计原则
适用性:适应不同层次用户监控需要, 按照“统一标准、统一应用、统一架构”的原则进行用电信息采集现场异常处置策略研究。标准化:系统架构设计各部分内容, 符合相关国际标准、国家标准、行业标准及国家电网公司相关技术规范和要求。统一性:总体架构、业务架构、数据架构、技术架构、物理架构设计上相辅相成, 保证系统架构的高度统一。可靠性:为数据库、主机、应用部署、网络等关键环节配备多种高可用性方案, 保障运营管理系统的7×24h不间断、可靠运行。投资保护:充分考虑产品应用集成对现有软硬件设备和网络设施等的利用, 继承有价值的软硬件资源和数据资源, 避免资源的浪费。
2.2 系统简介
用电信息采集现场异常处置策略研究在基础研究 (拍照单元、条码检测单元、主站监控及异常管理) 之上进行集成应用, 具体如图1所示。
2.3 智能电表照片自动获取装置子系统
智能电表分时段指数照片的自动获取装置主要针对高压专变计量终端或者智能电表计量异常进行抽样检测, 具体就是在发起异常检测任务时, 通过获取被检测终端的实时芯片电能量指数 (通过用电信息采集系统或装置的红外通讯口实现) , 同时发起对被检测终端的分时段指数照片的自动获取任务, 然后人工 (远期目前实现自动化) 方式比对两种方式获取的电表指数的一致性, 从而确定被检测终端的计量有无异常。
工作原理: (1) 监控主站下发远程监控拍照及抄读指令给GPRS终端设备; (2) GPRS终端设备接收指令后驱动红外模块点亮智能电能表显示屏; (3) 智能电能表显示屏点亮后通过红外模块读取当前显示屏指数; (4) 同时驱动摄像头抓拍智能电能表显示屏照片通过GPRS终端回传监控主站; (5) 回传红外抄读指数给监控主站, 监控主站通过信息进行数据比对分析。
远程拍照传输设备 (拍照与红外读取设备集成效果) , 如图2。
2.4 智能电表的封签自动检测匹配
智能电表的封签与表计资产自动检测匹配工具主要针对居民及一般工商业单三相电能表或专变客户电能表, 该工具获取电表地址、条码、封签信息, 远程实时并与服务器通信比对, 判断是否存在异常。该工具可以广泛应用于表计封签的现场检测, 既可以为封签信息化管理提供技术保障, 同时也可以用于反窃电等专业工作。
2.5 监控服务器软件
监控中心软件主要负责接收智能电表分时段指数照片的自动获取装置的配置, 拍照系统拍摄的图片信息处理、信息的交互、产生的数据分析, 并保存设备的明细信息与数据内容, 并提供数据的直观展示;以及提供智能电表的封签与表计资产自动检测匹配工具比对服务等。
2.6 用电信息采集协作
用电信息采集系统提供接口, 以便监控中心软件通过用电信息采集透抄电能表的表内数据, 以便于系统进一步功能完善;同时, 监控中心软件提供异常数据接口、报表数据接口、异常图片接口等, 便于进行展示, 以及统计、分析和管理。
2.7 异常信息管理
通过图像获取装置和铅封条码检测装置采集异常信息, 并对异常信息进行分类处理;可提供用电信息采集接口以支持历史数据统计、异常查询、报表查询等;提供异常处理记录, 异常出现频度、处理跟踪等。
3 创新点分析
用电信息采集现场异常处置策略研究, 目前形成1篇发明专利, 2篇实用新型专利 (见参考文献[1~3]) 。本研究的关键创新点是智能电表照片的远程自动获取和计量设备铅封的现场与主站的实时比对, 具体如下:
3.1 智能电表的照片获取
本课题主要研究在用电信息采集现场, 通过远程自动拍照设备, 拍摄智能电能表的外观显示, 判别电能表指数或外观与实际数据不一致的情况;通过集成摄像模块、红外模块、GPRS无线通讯模块, 该设备在接收到GPRS无线信号后, 红外设备读取智能电表的地址信息, 并点亮智能电表的显示屏幕, 摄像模块启动, 拍摄电表的显示屏幕, 读取的电表地址及拍摄后的图片转换为数据流, 通过GPRS无线模块发送到监控服务系统, 监控服务系统处理数据流, 生成图片, 并与监控服务系统的档案信息比对关联, 展示拍摄的图片, 供用户分析、查看;达到判别用电信息采集现场是否存在异常目的。
3.2 铅封条码的现场比对
本装置工具, 可满足在用电信息采集现场判别智能电表的铅封信息、条码信息是否更改, 同时通过该技术系统, 可对用电检查人员工作开展进行精确跟踪和考核;本工具集成安装RFID读取模块、红外模块、条码扫描模块的掌机系统, 现场读取智能电表设备的铅封信息、条码信息、电表地址, 并通过GPRS无线功能与远端的服务软件进行信息比对, 判断智能电表是否已被更改、是否存在偷窃电情况。
4 总结与展望
在淮南供电公司实地安装1套“智能电表分时段指数照片的自动获取系统”及1套“智能电表的封签与表计资产自动检测匹配工具”, 并部署了“监控服务与异常管理系统”。系统提供了随机图片的获取、任务图片的获取, 智能电表的铅封信息比对、条码比对;软件系统提供异常信息的查询, 异常数据的图形化展示, 异常数据的导入导出等, 可满足现场的运行要求, 对设备的条码检测方便快捷, 智能电表的图片展示简单明了。
4.1 效益分析
(1) 对用电信息采集现场的异常状况, 无需人员去现场对异常状况分析, 可直接在监控服务中心软件端对远端的电能表的图片实时获取, 并分析异常的产生等。 (2) 与用电信息采集系统协作, 可直接在用电信息采集系统中对异常设备进行分析、处理、跟踪等;节省了大量的人力、物力以及车辆的运行费用等。 (3) 当电能表产生异常时, 使用用电信息采集协作功能可实时通知营销系统, 以免经济造成损失。而且可实时监控电能表的运行状况, 防止偷窃电的发生。减少偷窃电、用户对电表的私自改造对电路造成的不稳定的发生, 以及用电安全的监控。 (4) 有效检测电能表的异常状况、监控电能表的运行, 防止因电能表故障造成客户损失或电力公司的经济损失;并且对用电现场的异常处理将更加透明化, 可回溯化, 减少客户投诉等;将大大节省在用电信息采集现场异常处理人员的人力、物力、财力。
4.2 下一步工作展望
系统的拍照成功率需要进一步提高、数据处理能力需要加强;需要进一步提高铅封、条码读取工具的条码、铅封读取能力;系统的技术保障还不够强大功, 异常分析系统需进一步完善。
摘要：针对用电采集系统在应用过程中智能表需要人工现场勘查校验、表计封签管理困难等问题, 本文基于用电信息采集现场异常处置研究, 研制了用电信息采集现场异常处置系统, 实现了智能表计远程自动拍照校验、表计封签现场自动获取比对等核心功能, 实现了对智能表的远程图像识别勘查和表计封签的自动化管理, 提高了采集系统应用水平。
关键词：用电信息采集,现场异常,电表拍照,封签比对
参考文献
[1]夏泽举, 陈鑫, 唐旭明.《智能电表分时段指数照片的自动获取装置》获国家发明专利, 申请时间为:2012年5月9日;授权时间为:2014年6月4日;专利授权号为:ZL201210142538.7
[2]夏泽举, 刘忠, 黄少坤, 卢彦.《电力采集与计量设备的图像采集电路》获国家实用新型专利, 申请时间为:2013.11.21;授权时间为:2014年4月9日;专利授权号:ZL201320744942.1
[3]夏泽举, 陈鑫, 唐旭明.《智能电表分时段指数照片的自动获取装置》获国家实用新型专利, 申请时间为:2012年5月9日;授权时间为:2013年3月13日;专利授权号为:ZL201220207011.3.
[4]黄美华, 金自成.企业档案馆的节能改造实践.电力需求侧管理, 2013 (2) :19~21.
异常用电检测 篇3
1 用电采集系统
用电采集系统是对采集于用户的用电信息进行分析处理, 以及对完整数据进行实时监控, 以对电力用户的用电情况进行良好的管理、分析, 其在监测计量是否出现异常以及电能质量好坏方面有着非常重要的作用, 这也极大的促进了电网向着智能化方向不断发展。大多数用电采集系统主要包括采集设备、通信通道以及主站三个组成部分。用电采集系统的信息底层即为采集设备, 其主要对整个系统的原始用电信息进行收集, 而通信通道则为主站与采集设备的通道。“全覆盖、全采集”是这个系统的基本建设目标, 在建设系统过程中要求必须要对所有电力客户进行覆盖, 确保能够全面采集用户在用电过程中的所有信息, 同时对于电力用户在各个时段的电压、电流、功率因数、功率、剩余电量、剩余电费以及电能值等数据也要进行采集, 对于一些大用户, 该系统的采集频率为十五分钟每次, 而对于一般的居民用户则要求相对要低一些, 每天早晚冻结的数据是需要采集的, 因此该系统每天所需要采集的数据量是非常大的。如果该系统成功建立, 利用其就可以对计量出现的异常现象进行监测以及分析。
2 计量异常监测与分析
计量异常监测分析是针对电能计量数据信息所进行的过程监测与分析, 对采集数据进行综合分析, 统计形成监测数据, 然后以监测数据为基础, 对计量装置以及用户设备的运行状况进行分析, 对电能计量设备运行状态的正常与否进行判断, 并且据此进行相适应的故障处理方案的制定。
2.1 异常数据的来源
随着我国智能电能表的技术不断发展, 其事件记录功能也得到了良好的提高。第一, 存储容量得到了提升, 事件记录的总数次得到了有效的提高;第二是对电表异常事件进行了添加并对其进行了规范, 对断相、失压、失流、逆相序以及开盖记录等异常事件进行了字段上的统一, 实现了来自由各个厂家的电表的事件记录格式不兼容现象的有效避免, 为采集系统对计量异常进行判断提供了技术保障。此外, 采集系统所具有的计算功能还可以分析遥测数据, 进而有效判断计量设备出现的基本故障及异常, 实现计量异常监测水平的有效提升。
2.2 异常数据的监测
对互感器和电能表的在线状态进行监测分析、对电能计量线路与母线的平衡进行监测分析, 提供应该追加的电量数据与合理的解决方案给对存在有问题的监测数据, 并通过SVG图形进行展示, 以对设备的状态进行查询和对数据进行浏览, 上述内容均属于异常数据监测所要实现的功能任务。
2.2.1 互感器和电能表的在线状态监测分析
其主要是根据电压与电流的监测数据以及事件记录, 对每个计量点设备的运行情况进行判断。实现对二者的监测原理是:
(1) 终端遥测量分析判断法, 该方法是预判断采集到的数据;
(2) 电表事件记录判断法, 其是依据电能表出现的一些异常事件如断相、失压、失流、过流或过压等, 对电流以及电压回路出现的异常与其出现异常的过程中电能的有功、无功总电能值进行分析, 此方法要充分判断电表的各种事件的门槛阈值, 实现导致事件误判等现象出现的有效避免。
2.2.2 电能计量线路与母线的平衡监测分析
根据相关要求, 正负百分之二是三十五千伏以及以下母线电量的不平衡率的控制范围, 而一百一十千伏以及以上母线电量的不平衡率的控制范围则应为正负百分之一。所以, 用电采集系统则根据母线电量不平衡公式对各级电网母线的供入模型以及供出模型进行维护, 依据系统电量检测数据对母线电量不平衡进行检测以及分析。
2.2.3 SVG图形展示
SVG即可缩放矢量图形, 其是在可扩展标记语言的基础上对二维矢量进行描述的一种格式。在对图像内容进行描述的过程中, 其必须严格按照XML语法进行并且其描述语言采用文本格式。而由于用电采集系统是属于非实时系统, 因此设备是不能对实际现场的设备状态进行同步显示的, 这也就导致了SVG图形的展示效果大大降低, 因此电力企业则进行了GIS平台的建立, 其采用CIM/SVG的格式对站内的一次接线图进行传输, 通过总线将其传送到营销用电采集系统中, 之后采集系统利用服务调用相应数据进行传送, 进而实现电网模型实时、可视的展示。
3 用电采集系统存在的问题及其应对措施
3.1 事件记录功效发挥的全面性
在对互感器与电能表的在线状态进行监测分析的过程中, 事件记录功能是必不可少的关键手段, 电能表的规约对于电表事件记录的采集是非常重要的, 一些扩展兼容性相对较差的规约会导致事件记录对计量设备的监测能力大大降低。因此对电能表的规约进行改善, 以实现电能表事件记录的采集能力最大限度的发挥, 进而提高其对计量异常的监测、分析能力。
3.2 加大用电采集系统的深化应用
用电采集系统对计量异常的监测与分析进行描述后, 发现用电采集系统在设计过程中没及时对需求定义进行征求, 进而导致用电采集系统的深化应用没有方向可循。所以在对用电采集系统进行进一步的应用过程中, 应该首先对需求定义进行征求, 进而对其进行分析以整理得到需求模型, 并将此作为进行用电采集系统深化的根据, 从而实现用电采集系统应用范围的有效扩大。
4 总结
用电采集系统为计量异常的监测与分析提供了有效的手段, 然而其功能在各方面还是具有一定缺陷的, 因此相关单位应加大对用电采集系统的研究力度, 对现场实际经验进行不断总结, 以实现用电采集系统在计量异常的监测和分析上发挥更强的作用。
摘要：文章将对用电采集系统的基本内容进行介绍, 同时对其基础的计量异常监控与分析进行讨论。
关键词：用电采集系统,计量异常,监测,分析
参考文献
[1]范洁, 陈霄, 周玉.基于用电信息采集系统的电能计量装置异常智能分析方法研究[J].电测与仪表, 2013 (11) .
[2]张勇勤, 丁春香.用电信息采集系统电能计量数据异常原因分析[J].电子制作, 2015 (02) .
异常用电检测 篇4
异常用电广义而言包括用户有意识地通过非法手段减少抄表电量和电费(即窃电),也包括用户突然改变用电规模或者用电习惯而导致的用电量突增、功率因数突变等情况[1]。对上述异常用电情况的侦查、判断、跟踪、分析,对电力部门预测营销收益、实施能耗监测、规避电费损失具有重要意义。
目前国内外基于数据挖掘的窃电侦查方法主要可归结为基于聚类分析[2,3]和基于分类分析[4,5,6,7,8,9]两大类方法。无论是聚类算法还是分类算法,其优点都是准确度高、节省人力资源、耗时短。缺点是需要大量准确的历史数据和当前数据,对计量装置的稳定性提出了很高的要求。另外,在上述两类方法的应用中,往往以用户在过去一年中逐月的用电量数据作为样本,根据月用电量波动曲线的异常性来判别用户是否是窃电可疑用户。这种做法并没有充分利用智能电表的数据定时回传特性。由于窃电往往具有时段性(夏季高发),基于整年逐月用电量的侦查方法不利于供电企业及时发现和制止窃电、及时规避电费的流失。如何提出实时性更高的在线稽查分析方法是一个值得探讨的问题。
有利用数据挖掘的异常用电侦查方法主要基于多月用电量数据,针对这些方法时效性低的缺点,本文提出面向用户日用电量序列的异常用电在线分析方法。本文以居民窃电侦查为例,首先分析异常用电用户日用电序列经平稳化处理后的特点,提出水平迁移的概念;其次针对一定时间跨度的平稳化后的日用电量序列,提出判定水平迁移的累计和值方法;最后将累计和值方法应用于异常用电的在线侦查情况,提出在线侦查流程。
1 日用电量时间序列的特征分析
在进行异常用电侦测之前,首先要确定的是异常用电侦测指标。换言之,需要明确正常用电和异常用电的区别,正常用电和异常用电用户负荷曲线的主要特征。
1.1 正常用电
对于正常用电的用户,采用一定的平稳化方法处理后的日用电量时间序列X呈平稳时间序列的表象,如图1所示。对窃电用户历史日用电量数据的分析表明,用户窃电通常是持续性行为,日用电量短时间(通常为1、2天)水平下降往往并非由窃电引发,而是可能源于用户的偶然生活行为(如出差)或者计量仪器的故障。这些短时期的水平突升/突降,从时间序列来看,构成一些离群点(outliers)[10]。这些离群点,并不影响其用电水平大致保持平稳的特性。因此离群点并不作为异常用电侦测指标,例如图1中的用户属于正常用户。
1.2 异常用电
在时间序列的某一时刻T,系统发生了某种变化,使得T时刻之后所有的或者一段时间内的数值均值发生了变化,称为水平迁移[11]。从窃电行为定义推测,异常用电用户表现为骤然出现持续一段时间的、明显持续性地低于该用户一般水平的负荷数据,即用户日用电量时间序列发生水平迁移。平稳化处理后的时间序列中仍保留这种水平迁移特性,如图2所示。这种水平迁移特性是由异常用电行为导致的干扰分量引起的。
此外,水平迁移分为向上水平迁移和向下水平迁移两种。显然,窃电行为的表现是日用电量曲线发生向下水平迁移。向上水平迁移虽然也可能暗示着某种异常用电事件,但暂不作为本文研究内容。为此,在判定水平迁移后,若仅关心窃电问题,则还需要结合水平迁移是向上、向下来判断是否窃电嫌疑。
根据现有窃电用户日用电特征,可以总结为以下几类:
1)单次下降型:单次下降型的主要特征是日用电量水平突降后,较低值一直持续到时间跨度的结束点。日用电量水平突降可能下降为零,也可能下降为一个较低的值(如图3所示)。
2)低谷型下降:即日用电量水平的突降仅维持一段时间(几天或几周),然后日用电量水平又有突升。用电量突降前的用电水平可能是比较平稳的,也可能是波动比较大的(如图4所示),这与用户的生活习惯有关。这一段时间的用电量突降也可能由非窃电因素引起(如出差、旅游等),但本文研究的是异常用电嫌疑用户,故在人工目测时将此类情况也作为异常用电处理。对于该情况需结合外场检查、当场举证后才能判定是否窃电,本文算例中暂作为窃电处理。
3)特殊型:主要特征是日用电量曲线整体持续低水平,但又偶尔出现单个或多个离群点,如图5所示。
2 基于累计和值的水平迁移判断方法
本节将基于累计和值[12]的水平迁移判定方法应用于固定时间跨度日用电量序列中异常用电的侦查,细化相应的方法。为便于表述方法思想,举例说明整个算法过程。所举用户在固定时间跨度(111天)下经平稳化后的日用电量序列如图2所示。可见该用户的日用电量在大约第20至第60个数据点间发生了明显的水平迁移。
2.1 时间序列的累计和值定义
设已知日用电量数据的时间跨度中包含n个数据点,即对应n天的日用电量数据,记日用电量在平稳化处理后所得的时间序列为X1,X2,X3…Xn。为侦查出水平迁移,累计和值法的判定步骤如下。
首先按下式计算出n个数据的平均值:
进而定义累计和值为各点数值与上述平均值差值的累积,即:
以图2中的用户为例,该用户在n=111天中的平稳化后日用电量时间序列数据如表1所示,易知111天中的均值为0.018 6,进而可以算得累计和值如式(3)所示。
将这些值按时间顺序绘制出来,得到累计和值图,如图6所示。需要注意的是,累计和值不是字面上的各点数值的累积,而是各点数值与数据平均值差值的累积。因为各点数值与数据平均值差值总和为0,所以累计和值总是以0为结束(Sn=0)。
2.2 水平迁移判断判据
判断水平迁移首先需要读懂累计和值图并挖掘其背后的信息。
假设在一段时间内的所有数值都大于数据平均值,也即:
那么这段时间内差值保持为正数,累计和值持续上升,可以计算累积和值的斜率为:
累计和值图中向上倾斜的部分线段意味着这段时间内的数据点数值全都大于数据平均值。相应的,累计和值图中向下倾斜的部分线段意味着这段时间内的数据点数值全都小于数据平均值。累计和值图中相对平直的部分线段意味着这段时间内的数据点没有发生突变,而累计和值图中的拐点意味着数据点出现了突然的水平变化。
以此方法来分析一下示例用户日用电量时间序列的累计和值图。图2在20左右的时间点发生了方向上的变化。这意味着在这个时间点上,时间序列值相对于均值的大小关系发生了变化。在这个变化发生之前,累计和值线段呈向上倾斜状,表明这段时间内的数据点数值全部大于数据平均值;在这个变化发生之后,累计和值线段向下倾斜状,表明这段时间内的数据点数值全部小于数据平均值。同理,累计和值图在60左右的时间点上也发生了方向上的变化。这意味着在20左右和60左右的时间点上都发生了水平迁移,进一步说,前者是水平向下迁移,后者是水平向上迁移。在80到120这个时间段内,累计和值线段相对平稳,表明这一时间段内数据点数值相对平稳。依据累计和值图做上述分析,获知该用户日用电量时间序列至少发生了两次水平迁移。
3 在线异常用电分析的初步算法流程
将固定窗口水平迁移侦测运用到在线异常用电分析,固定窗口水平迁移侦测的缺点是只能侦测到目前窗口中迁移幅度最大的水平迁移,解决的办法是缩小窗口,并不断移动窗口进行水平侦测。
设窗口大小为W,移动间距为I。初步的移动窗口水平迁移侦测算法流程如图7所滇池。
首先导入经过平稳化处理后的用户数据,设定窗口的大小和移动间距后,开始以固定窗口大小循环对整个数据序列进行水平迁移侦测,直至整个数据序列全部侦测完,之后根据是否在各个窗口内侦测到水平迁移,从而判断该用电用户是否有异常用电嫌疑。
4 结束语
本文首先研究了异常用电用户平稳化后日用电量时间序列的特点,提出了水平迁移的概念。根据异常用电用户平稳化后日用电量序列存在水平迁移的特点,进一步提出了运用累计和值方法判定平稳化后日用电量序列是否存在水平迁移、进而判定其是否异常用电可疑的方法。最后将上述判定思想推广到移动窗口的情况,使判定过程适用于对居民日用电量时间序列的在线分析,提出了具体的算法流程。从示例用户的侦测情况来看,本文提出的基于水平迁移侦测的异常用电在线分析方法可靠、有效。
参考文献
[1]DEPURU S S S R,WANG L,DEVABHAKTUNI V.Electricity theft:Overview,issues,prevention and a smart meter based approach to control theft[J].Energy Policy,2011,39(2):1007-1015.
[2]WAGSTAFF K,CARDIE C,ROGERS S,et al.Constrained k-means clustering with background knowledge[C]//ICML.2001,1:577-584.
[3]窦全胜,史忠植,姜平,等.调和聚类-分类方法在电力负荷预测中的应用[J].计算机学报,2012,35(12):2645-2651.
[4]胡琛.数据挖掘技术在电量管理与反窃电系统中的应用与研究[D].武汉:武汉大学,2004.
[5]FOURIE J W,CALMEYER J E.A statistical method to minimize electrical energy losses in a local electricity distribution network[C]//AFRICON,2004.7th AFRICON Conference in Africa.IEEE,2004,2:667-673.
[6]NIZAR A H,DONG Z Y,ZHAO J H,et al.A data mining based ntl analysis method[C]//Power Engineering Society General Meeting,IEEE,2007:1-8.
[7]SAFAVIAN S R,LANDGREBE D.A survey of decision tree classifier methodology[J].IEEE transactions on systems,man,and cybernetics,1991,21(3):660-674.
[8]BRUN A D M,PINTO J O P,PINTO A,et al.Fraud detection in electric energy using differential evolution[C]//Intelligent System Applications to Power Systems,2009.ISAP'09.15th International Conference on.IEEE,2009:1-5.
[9]NAGI J,YAP K S,TIONG S K,et al.Detection of abnormalities and electricity theft using genetic support vector machines[C]//TENCON2008-2008 IEEE Region 10 Conference.IEEE,2008:1-6.
[10]ALARCON AQUINO V,BARRIA J A.Change detection in time series using the maximal overlap discrete wavelet transform[J].Latin American applied research,2009,39(2):145-152.
[11]MAS J F.Monitoring land-cover changes:a comparison of change detection techniques[J].International Journal of Remote Sensing,1999,20(1):139-152.
异常用电检测 篇5
母线电量平衡计算是用电信息采集系统应用的重要组成部分,作为最基础的数据,母线电量不平衡将严重影响用电信息采集系统中线路线损计算后续功能的应用。根据能源部颁布的《电力网电能损耗管理规定》,发电企业和供电企业的220 k V及以上变电站母线电量不平衡率不应超过±1%,220 k V以下变电站母线电量不平衡率不应超过±2%。理论上在建立好母线模型后,不会出现母线电量不平衡的现象,但在实际应用中该问题却经常出现。现根据多年采集现场运行维护经验,对常见母线电量不平衡问题进行归纳和分析研究,并总结出相应解决办法。
1电网实际运行工况发生变化,采集系统相关模型和参数与实际不符
(1)电网运行方式和潮流发生变化,导致原有母线电量不平衡。
例如35 k V寨科变,系统中母线电量平衡模型定义为:供入电量=3511炭寨线正向有功电量-3512官寨线正向有功电量-3501正向有功电量-3502正向有功电量。但在实际运行中,电网运行方式发生变化,35 k V寨科变由3512官寨线带负荷,3511炭寨线供入转供出,此时,供入、供出关系不对应,导致母线电量不平衡,应修改原有母线电量平衡模型。
(2)变电站更换计量装置倍率。
根据对变电站母线电量平衡报表的长期监测应用,如果出现母线电量不平衡,且不平衡率有规律地增加,应首先考虑核对模型中所有线路及主变电流互感器的倍率。
(3)新增间隔表计未添加。
由于负荷增长或变化,变电站出线间隔或发生变化,常见于新增出线间隔,新增出线间隔的电能计量表计未接入采集系统或系统中未维护添加对应的表计,会导致母线电量不平衡。例如:110 k V李寨变,35 k V主要带王洼煤矿负荷,近期由于新增负荷,35 k V母线新增两条出线,新增表计未添加到采集系统,导致母线电量不平衡。
2厂站电能量采集终端故障导致母线电量平衡问题的研判与处理
(1)在采集系统母线平衡常用报表“153母线电量平衡日报表”中,数据为空。
在此种情况下,应用局域网远程登录厂站电能量采集终端,查看终端所有进程,详见下述操作(以兰吉尔终端为例):
如缺少某项进程,应重新启动进程,则缺少必要的进程是导致终端运行不正常并导致母线报表为空的原因。如上述终端服务进程正常,则应应用服务软件,抄读终端时钟,如时钟与系统时间不对应,则应对终端进行远程对时和重启。在实际应用中,由于时钟不对造成的采集系统不冻结整点数据,从而出现母线电量为空的实例较常见。
(2)厂站电能量采集终端某一端口故障,该端口上所有连接表计采集失败,从而导致母线电量不平衡。
查看采集系统中1461母线日电量平衡明细,筛选出数据为空或者∞的计量点,在终端配置参数中核对是否属于同一端口,如属于同一端口,则可以确认为该端口故障。此类故障需到现场重新更换通讯端口,匹配参数。
(3)兰吉尔壁挂式终端内存溢出,停止采集,导致母线电量相关计算为空。
在固原公司早期进行厂站电能量采集建设时,使用了部分兰吉尔FFC系列壁挂式终端,这种壁挂式终端在当时具有体积小,只有普通三相高压表大小,安装方便的优点,且上行通信具备GPRS功能,在早期不具备光纤通信的条件下对实现厂站100%采集的目标功不可没。但由于它内存较小,通常只有1 G容量,加上变电站终端采集数据项及频次较大(每5 min采集一次),运行一段时间后容易出现数据溢出现象,从而导致出现停止采集的故障。最彻底的解决办法是更换新的终端。
(4)采集系统母线电量日平衡报表数据时有时无。
出现此类问题的一般原因有两个,一是RS485总线受干扰所致,解决方法如下:对于通讯电缆长度小于10 m,无强电和高压及高频干扰时,可以不使用屏蔽电缆,否则应使用屏蔽电缆,通讯电缆敷设应远离干扰源且屏蔽线二端必须接地;通讯电缆长度10~200 m,应使用屏蔽电缆,电缆敷设必须远离干扰源,且屏蔽线二端必须接地;通讯电缆长度200~250 m,建议最好使用光纤通讯方式,如果有困难,可以使用屏蔽线,但是电缆敷设时必须远离干扰源,在电缆沟中,通讯电缆与高频或高压的电缆应不在同一平面敷设,屏蔽线二端必须接地;通讯电缆长度大于250 m,必须使用光纤通讯方式;通常情况下,通讯电缆截面积不小于0.5 mm2;一根通讯电缆只能对应一个采集器接口,这样可防止串扰。二是一个串口接入的电表数量太多,在规定的间隔时间内无法完成采集。一般来说,5 min的时间间隔,一个通讯口所接电表数量不超过6只;15 min的时间间隔,一个通讯口所接电表数量不超过10只。
3母线报表中缺少部分计量点采集数据,且不属于同一通讯端口
此种情况多为关口电能表故障或电能表RS485通讯口故障、RS485通讯线接线错误。
3.1关口电能表故障
例如,35 k V孟塬变曾出现10 k V母线电量异常,经现场检查发现,114高庄线电能表异常,显示屏乱码,用万用表检查电能表RS485通讯口,如果A、B间的电压为5.7 V左右,高于正常电压,则判定为电能表故障导致总线上全部电能表通讯故障。
3.2 RS485接线问题
正常情况下国产电能表的RS485口电压为直流4 V左右,进口电能表为直流2 V左右。用万用表现场测量表计485AB电压为负(带负载),可判断485线接反;如果电压为零,可判断485接线短路或接地。通过从表计和终端解除RS485接线,使用万用表电阻档可以检测RS485的连接线是否短路或接地。在新建变电所厂站采集终端的安装调试中,还应用专用的通讯软件对各个总线上连接的电能表进行逐一召测。根据DL/T 645—2007《多功能电能表通信规约》的要求,终端超标工作在半双工模式,电表作为从动设备在接收到主设备的抄表请求后应在20~500 ms之间响应,以此来检查和核对每只电能表的通讯设置及RS485通讯线路连接是否正确,从而方便后续调试工作。
4结语
综上所述,本文基于用电信息采集系统对母线电量不平衡常见原因进行了分析,并提出了相应解决方案。此项工作需要熟练掌握用电信息采集系统的操作,具备一定的变电站关口电能计量采集现场维护经验,对出现异常的母线电量进行分析是一项长期的工作,需要不断地加强学习和积累经验。
摘要：随着用电信息采集系统建设的不断完善,采集系统的功能也越来越广泛,应用采集系统进行变电站母线电量平衡计算、线路线损计算、台区线损计算也已进入实用化阶段。作为最源头的数据,母线电量平衡是采集系统进行后续线路线损等相关计算的必备条件。现结合厂站终端的实际运行工况,对系统中母线电量平衡计算中出现的常见问题进行深入分析,以进一步明晰如何对系统中异常母线电量平衡进行分析及后续运维处理。
关键词：用电信息采集系统,母线电量平衡,异常,处理
参考文献
[1]张磊,王晓峰,李新家.电能信息采集系统运行及维护技术[M].北京:中国电力出版社,2010.
[2]张晶,郝为民,周昭茂.电力负荷管理系统技术及应用[M].北京:中国电力出版社,2009.
异常用电检测 篇6
近年来, 随着电力体制改革的不断深入和发展, 电力企业内外部环境发生了深刻的变化, 一方面电力企业要努力提高电能质量和供电可靠性;另一方面要坚持“以客户为中心”, 为客户提供真情服务, 满足用户不断增长的用电需求;同时, 政府及社会舆论对电力企业的监督力度也进一步加大。当前, 在国家宏观政策的调控下和供电企业的积极努力下, 电网供电能力和供电可靠性已经有了很大提高, 但是, 随着社会经济的发展以及客户观念的变化, 广大用电客户对电网企业优质服务的要求和期望都越来越高, 需要供电企业实现差异化、精细化的客户服务, 确实有效的提升优质服务能力, 提高客户满意度。这些变化都对基层供电企业的管理从精细化、标准化、严谨化方面提出了更高的要求, 传统的制度型、经验型管理已遭遇瓶颈, 促使着基层供电企业不得不进行更多的思考。
本文主要研究基于计量自动化系统的用户用电异常预警应用 (以下简称:用户用电异常预警应用) , 通过集成计量自动化系统, 采集客户端用电情况及负荷情况;应用负荷分析、负荷预测方法, 实现电网企业用电客户的用电负荷情况分析, 对关注用户、重点用户的电量、电费、负荷等客户侧用电情况进行准实时监控。同时, 集成短信平台、企业信息集成平台等企业内部应用平台, 对负荷超限、电费余额不足、负荷波动等客户侧用电异常情况提前预警, 达到减少客户侧用电异常停电事件、减轻用电客户的损失、提高电力企业的用户满意度、提升电力企业的社会形象的目的。
2 计量自动化系统应用现状
自上世纪90年代中期以来, 我国逐步形成了变电站计量遥测系统、用户负荷管理系统、配变计量监测系统、低压集抄系统4个与电能计量技术有关的计量自动化系统。近年来, 随着计量自动化方面技术的完善以及电能量应用方面新的需求, 各省电网企业逐步开始建设一体化计量自动化系统, 实现了电能量数据的集中管理与统一应用。
《南方电网十二五规划》中指出, 要提高营销技术装备水平和应用水平, 在中心城镇推广使用智能电能表;2013年建立网、省、市三级计量自动化平台, 实现计量自动化系统对专变客户、各级计量关口、公变覆盖率100%[3]。云南电网公司根据南网十二五规划安排, 已于2013年构建了省级和地市级两级计量自动化系统。系统涵盖全省各种计量点及采集终端, 集信息采集、监控、分析和计量管理于一体, 完成对电厂、变电站、公变、专变、低压集抄等发电侧、供电侧、配电侧、售电侧的综合性统一的数据采集监控。云南电网公司计量自动化系统的技术现状与应用现状都为用户用电信息的准实时监控和用户用电异常预警应用打下了坚实的技术基础。
3 总体设计
基于计量自动化系统的用户用电异常预警应用在逻辑上分为数据采集层、数据应用层和客户服务层3个层次。如图1所示。
数据采集层:融合计量自动化系统, 通过电力专网、GPRS、230MHz电力专网、以太网等通道, 采集客户侧终端相应的用电信息和客户现场事件。
数据应用层:根据业务规则, 应用程序与业务数据进行交互, 实现业务流程/状态的处理以及业务规则的制定。在数据应用层的设计中, 应充分体现“面向服务”的设计思想, 以当前先进的多层体系结构和集群处理为基准, 并采用面向服务的设计思想和SOA技术架构, 各类业务逻辑均以服务组件的形式分列部署在服务器群上, 这些服务必须支持灵活的拆分、重组部署策略, 提高系统的可用性和扩展性。
客户服务层:通过短信平台、呼叫中心语音平台、邮件系统、网上营业厅、企业门户等企业应用平台, 实现用户用电数据的集中展示与综合利用, 为客户提供用电情况展示, 用电预警等应用, 实现用电异常的自动发现、主动预警, 变以往被动式的客户服务为主动式客户服务。
4 应用体系结构
基于计量自动化系统的用户用电异常预警应用主要由用电异常预警、负荷分析、重点用户监测、科学用电管理、负荷预测、基础服务等模块构成。如图2所示。
4.1 负荷分析
通过对重点客户、敏感客户大量详实的负荷数据进行一系列的监测、汇总、统计, 分析用电客户日、月、季、年以及任意时段的负荷特性数据, 包括负荷曲线、负荷极值、峰谷差、峰谷差率、负载率、负荷率等, 并通过负荷数据的对比、排行、走势等分析功能, 实现对客户用电负荷的全方位监测。
4.1.1 用电构成情况分析
以计量点或客户为基本分析对象, 叠加每一个计量点相同的用电性质信息, 按用电性质分析每一种用电性质的电量、电费占比情况。以计量点为基本分析对象, 分析该计量点基本电费、电度电费、附加电费等各自在电费构成中的占比情况, 明晰用户用电情况。
4.1.2 用电增长情况分析
对用户用电情况的同比趋势变化、环比趋势变化, 用电性质占比情况、负荷季节变化情况等, 按时间点、时间段、多时间段对比分析, 同时支持多对象间对比分析。
4.1.3 负荷波动分析
根据大客户的用电负荷为分析对象, 分析客户日平均用电负荷与7日均线数据的对比情况, 分析用户日平均负荷连续3天高于7日均线的情况。
4.2 负荷预测
负荷预测是指在考虑一些重要的系统运行特性、增容决策和自然条件下, 利用一套系统的处理过去和未来负荷的方法, 在一定精度意义下, 预测用户未来某特定时刻或某些特定时刻的负荷值。对于确定用户的设计负荷, 或者用户安排生产计划、检修计划等提供支持。
4.3 科学用电管理
4.3.1 客户功率因数管理
功率因数的大小关系到电网的供电效率及用电设备的用电特性, 功率因数小则无功功率相对较大, 功率因数越高, 无功功率越少, 发、供、用电设备越能够更充分, 更合理地利用, 运行越经济[1]。根据现行电价政策, 电网企业针对功率因数设定了考核措施, 功率因数低于0.85, 电网企业将进行惩罚, 功率因数高于0.9, 电网企业将进行奖励。因此, 提高功率因数能起到明显的节能降耗效果。系统可在电费结算后自动筛选出结算功率因数低于0.85的用户, 提供客户服务人员进行有针对性的客户服务, 帮助客户找出影响功率因数的原因, 利用合理的手段进行改进。
4.3.2 客户负载率管理
从节能、经济、实用、安全可靠出发, 一般情况下, 客户变压器负荷率在0.65-0.8比较适宜, 然而, 在电网中存在一定数量轻载运行的变压器, 即大马拉小车的现象, 对节能降耗不利。系统提供了客户负载率管理功能, 在月度电费结算后, 可以查询出负载率低于给定比例或高于给定比例的情况, 一般情况下需要筛选负载率低于30%或高于100%的变压器, 根据变压器归属情况, 是专变还是公变, 客户服务人员可帮助客户进行改进。
4.3.3 客户三相不平衡的管理
对于相同的用电量, 一般而言三相不平衡度越高, 造成的损耗越大, 三相不平衡度越低, 造成的损耗越小。系统提供了三相不平衡客户查询功能, 每月电费结算后, 都可以利用系统自动查找三相不平衡率高于20%的客户, 客户服务人员可根据系统筛查的客户清单, 帮助客户进行改进。根据现场供电情况, 变压器安装应选择在供电负荷重心区域, 并尽量保证三相变压器负荷平衡, 减少负序电压损耗。
4.3.4 客户分时电价的管理
分时电价政策主要是为了充分发挥价格杠杆作用, 引导电能的生产和消费, 以鼓励客户在用电需求上削峰填谷, 从而有效挖掘低谷用电市场, 缓解峰段用电紧张局面, 提高电力资源的利用效率, 同时减少输配电线路的损耗, 起到节能的作用。系统提供查询功能, 自动筛选峰谷用电比例大于2.5的客户, 客户服务人员可根据系统筛选的用户, 对客户用电情况进行分析, 并帮助客户做出改进。
4.4 用电异常预警
用电异常预警流程如图3所示。
4.4.1 用电异常预警
系统通过计量自动化主站采集终端连续监测的客户用电情况, 对终端掉线、3相不平衡、电能质量等用电异常情况进行预警。
4.4.2 负荷超限预警
系统通过计量自动化主站采集终端连续监测的客户用电负荷数据, 当客户用电负荷超过设置的阀值时, 对用电管理人员和客户发出短信等预警信息, 提醒客户和用电管理人员该客户将出现越限用电, 提前预警消除停电隐患。
4.4.3 电量超限预警
系统通过计量自动化主站采集终端连续监测的客户用电量信息, 当客户用电量超过设置的阀值时, 对用电管理人员和客户发出短信等预警信息, 提醒客户和用电管理人员该客户将出现越限用电, 提前预警消除停电隐患。
4.4.4 电费余额预警
根据系统维护的电费余额阀值, 当电费余额超过阀值时, 可以提高重点关注用户的算费频率, 及时通知客户电费余额以及还能继续用电的时间, 避免发生欠费停电事件, 提高用户满意度。
4.4.5 终端事件预警
计量自动化系统获取到用户终端现场采集信息时进行判断, 筛选出提前与客户约定的告警事件, 计量自动化系统通知用户用电异常预警应用系统, 系统存档并编辑短信或通过语音平台对客户进行预警。预警事件建议如表1所示。
4.4.6 负荷波动预警
根据大客户的用电负荷为分析对象, 分析客户日平均用电负荷与7日均线数据的对比情况, 对日平均负荷连续3天高于7日均线的行业客户进行预警。
4.5 基础服务
4.5.1 数据采集服务
根据系统设置情况, 通过企业信息集成平台, 调用计量自动化系统提供的服务, 获取日冻结数据或者实时征召数据, 主要有:负荷类数据、电能量类数据、抄表数据、电能质量数据、设备工况数据、客户现场事件数据。
4.5.2 电费试算服务
对于系统设置的用户按定义周期 (一般是每天) 进行上次结算日至当前日的电费试算, 分析用户电费试算结果, 根据与用户的提前约定, 结合客户分群认定的情况, 编辑用户剩余电费的情况, 写入发送短信缓存中。
5 应用集成结构
应用集成是用电异常预警应用与其他企业应用平台相互配合共同完成完整业务流程的重要业务处理环节, 应用集成梳理与标准化定义是完成系统解耦、实现系统远期规划目标的重要保障。应用集成结构如图4所示。
根据分析, 用户用电异常预警应用主要集成计量自动化系统采集现场数据, 集成短信平台、邮件系统、呼叫中心语音平台、网上营业厅、企业门户实现预警和信息查询服务, 以上系统都是云南电网公司现阶段支撑日常业务的重要企业应用平台。依据《中国南方电网公司面向服务的应用系统集成规范》, 企业级应用系统应通过企业信息集成平台采用Web Service进行集成交互, 实现对集成服务建设的统一标准、统一管控。对于异步的集成, 服务提供者可将数据发送到JMS队列中, 服务消费者从JMS队列中读取消息进行数据交互。服务提供者、服务消费者可通过企业信息集成平台装配Web服务对JMS服务器进行写入与读取操作。
6 结语
本文基于云南电网公司计量自动化系统建设现状结合企业应用平台, 对用户用电异常预警应用进行了研究与设计, 应用计量自动化系统采集的客户现场数据, 结合负荷分析、负荷预测等方法, 分析客户用电情况, 实现用户用电情况的准实时监控与预警, 实现对客户用电负荷的全方位监测, 实现客户节能用电的有效引导。本系统的应用一方面有利于电力企业有效的控制客户侧负荷变化对电网供电质量的影响, 提高企业供电可靠性;另一方面可以减少客户非计划性停电事件, 提高客户满意度;最后还可以转变客户服务的方式, 变被动服务为主动服务, 有助于提升客户服务能力。
参考文献
云计算异常检测分析 篇7
广义的云计算是一种要交付才能使用的模式, 通过互联网来按使用者所需、易扩展的方式来获得所需要的资源。狭义的云计算是指以IT为基础设施的交付和使用模式。云计算是与IT、软件、互联网相关的, 他们是不可能分离开的, 因为他是以互联网为窗口, 人们只通过使用互联网才能够使用云计算来进行计算。像普通的商品一样, 实际上它也作为一种商品可以在市场上流通, 是用来买卖的, 用户只要支付少量的钱就可以使用云计算进行复杂的计算。
二、云计算的异常检测的分类
异常检测就是云计算对用户或者是系统的正常行为进行建模。将这这些异于正常的行为确定为入侵或者是攻击。这样就可以保护用户的资源等, 它既可以检测出可知类型又可以检测出未知类型。但是它有个缺点就是误报率比较高, 用户的一点信息变化它都可以检测出来, 并且判断为入侵或者攻击。目前有三种异常检测系统, 他们分别是集中式的IDS、等级式的IDS、和分布式的IDS。他们各有不同, 各有各的特点。
云计算的主要入侵检测技术有:专家系统、神经网络NN、遗传算法、支持向量机等。所谓的专家系统就是由有经验的计算机安全专家建立一套推理规则, 在这个基础上构建相应的专家系统, 基于专家所构建的系统IDS能自动对入侵或者攻击进行检测。神经网络NN就是NN具有超强的学习能力和适应能力, 只要有数据, NN就可以从中得到正确的用户和一些系统的模式来进行效仿。遗传算法在搜索方面是比较有优越性的。支持向量机是从数学这个角度进行检测的, 它们使用线性函数假设空间系统, 用数学算数法来推理检测。
三、云计算的时代意义
云计算具有跨时代的意义, 它的出现将会改变一些产业的格局, 特别是在IT行业中。云计算的出现使得他们可以以最低的成本就可以享受大企业的一流的技术, 原先没钱买的高技术设备现在已不是他们烦恼的问题, 他们甚至可以以他们小巧的公司规模战胜大企业。云计算的方便、快捷、安全、信息储存量大、便宜等特点使得它在将来的市场上更受欢迎。人们使用它只要有一根网线就可以做自己想要做的事, 就像用水龙头的水那么简单方便, 甚至有些说:“将来世界只需要一台电脑就可以。”
结论
云计算的许多功能决定了它将来的市场, 它将会被越来越多的人使用, 它的检测功能更会给人们带来巨大的意义。它不仅仅可以检测病毒的入侵和攻击, 还可以检测出许多不安全系统, 避免许多资料的丢失和不安全事件的发生, 总之, 有了云计算这项高科技人们生活更容易, 更方便。现在, 云计算还不是被人们广泛的了解与关注, 如果全世界的人都能够运用云计算自如, 那么又是一个历史的转折点, 具有跨时代的意义。
参考文献
[1]张建陨, 古志民, 郑超.云计算研究进展综述[J].计算机应用研究, 2010 (2) :429-433.