公开/公告号CN114926964A
专利类型发明专利
公开/公告日2022-08-19
原文格式PDF
申请/专利权人 国网吉林省电力有限公司营销服务中心;北京志翔科技股份有限公司;
申请/专利号CN202110795039.7
申请日2021-07-14
分类号G08B21/18(2006.01);G06Q50/06(2012.01);
代理机构深圳市创富知识产权代理有限公司 44367;
代理人高红
地址 130061 吉林省长春市朝阳区人民大街4433号401
入库时间 2023-06-19 16:25:24
法律状态公告日
法律状态信息
法律状态
2022-09-06
实质审查的生效 IPC(主分类):G08B21/18 专利申请号:2021107950397 申请日:20210714
实质审查的生效
技术领域
本发明涉及电网安全技术领域,尤其涉及一种基于AMI数据下异常计量点远程研究方法。
背景技术
智能电网(smartpowergrids),就是电网的智能化,也被称为“电网2.0”,它是建立在集成的、高速双向通信网络的基础上,通过先进的传感和测量技术、先进的设备技术、先进的控制方法以及先进的决策支持系统技术的应用,实现电网的可靠、安全、经济、高效、环境友好和使用安全的目标,其主要特征包括自愈、激励和包括用户、抵御攻击、提供满足21世纪用户需求的电能质量、容许各种不同发电形式的接入、启动电力市场以及资产的优化高效运行。智能电网主要由4部分组成:高级量测体系(advancedmeteringinfrastructure,AMI)、高级配电运行(advanceddistributionoperation,ADO)、高级输电运行(advancedtransmissionoperation,ATO)、高级资产管理(advancedassetmanagement,AAM),通过对AMI数据进行分析,可以及时发现异常。
现有技术中,不便于对AMI数据数据进行自动分类汇总,因此我们提出了基于AMI数据下异常计量点远程研究方法,用来解决上述问题。
发明内容
本发明的目的是为了解决现有技术中存在不便于对AMI数据数据进行自动分类汇总的缺点,而提出的基于AMI数据下异常计量点远程研究方法。
为了实现上述目的,本发明采用了如下技术方案:
基于AMI数据下异常计量点远程研究方法,包括以下步骤:
S1、收集AMI数据,并对AMI数据进行分析判断;
S2、对异常数据进行提取,并进行识别,将识别后的数据标记;
S3、将标记后的异常数据传输至远程后台;
S4、远程后台根据标记对接收的异常数据进行分类,存储;
S5、定期对分类数据进行统计,并按照数据量大小进行排序;
S6、排序完成后对数据进行移存,进行下一周期的数据统计;
S7、对每个周期内出现异常数据量进行综合分析,确定不同周期出现异常类型的比重。
优选的,所述AMI数据包括用电量、用电功率、电压、电流。
优选的,所述S7中,比重在30-40%时,将此异常类型定为高级异常,比重在20-30%,将此异常类型定为中级异常,比重在10-20%时,将此异常类型定为低级异常,比重在10%以下时,将此异常类型定为微级异常,出现中、高级异常时,进行报警。
优选的,所述S1中,对收集AMI数据的时间进行设置,每次间隔30-60s,初次收集完成后,等待30-60s再次进行收集。
优选的,所述S3中,将标记后的异常数据传输至远程后台,对远程后台接收的数据量进行统计,并将统计的数据与预设的数据进行正比,当统计数据大于预设数据时,启动备用接收通道,对数据进行分流。
优选的,所述S5中,定期对分类数据进行统计,并按照数据量大小进行排序,周期设置为7-14天。
优选的,所述S1中,将收集的AMI数据与历史数据进行对比,当AMI数据与历史最大或最小数据偏差超过1-5%时,则视为异常数据。
优选的,所述S2中,对异常数据进行提取,并进行识别,将识别后的数据标记,标记内容包括:异常类型、时间、位置。
优选的,所述S3中,将标记后的异常数据传输至远程后台,对数据传输通道进行分类,不同类型的异常数据采用对应的传输通道,例如:用电量异常数据则通过用电量传输通道进行传输,用电功率异常数据则通过用电功率传输通道进行传输。
优选的,初次完成收集后,将再次收集的数据与初次收集的数据进行比对,当两者数据一致时,则不再重复传输。
与现有技术相比,本发明的有益效果在于:
对异常数据进行提取,并进行识别,将识别后的数据标记,将标记后的异常数据传输至远程后台,远程后台根据标记对接收的异常数据进行分类,存储,可以完成对异常数据的自动分类;
定期对分类数据进行统计,并按照数据量大小进行排序,对每个周期内出现异常数据量进行综合分析,确定不同周期出现异常类型的比重,可以对异常数据类型进行管控;
本发明可以完成对异常数据的自动分类,可以对异常数据类型进行管控。
附图说明
图1为本发明提出的基于AMI数据下异常计量点远程研究方法的流程图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。
实施例一
参照图1,基于AMI数据下异常计量点远程研究方法,包括以下步骤:
S1、收集AMI数据,AMI数据包括用电量、用电功率、电压、电流,并对AMI数据进行分析判断;
S2、对异常数据进行提取,并进行识别,将识别后的数据标记;
S3、将标记后的异常数据传输至远程后台;
S4、远程后台根据标记对接收的异常数据进行分类,存储;
S5、定期对分类数据进行统计,并按照数据量大小进行排序;
S6、排序完成后对数据进行移存,进行下一周期的数据统计;
S7、对每个周期内出现异常数据量进行综合分析,确定不同周期出现异常类型的比重。
本实施例中,S7中,比重在30%时,将此异常类型定为高级异常,比重在20%,将此异常类型定为中级异常,比重在10%时,将此异常类型定为低级异常,比重在10%以下时,将此异常类型定为微级异常,出现中、高级异常时,进行报警。
本实施例中,S1中,对收集AMI数据的时间进行设置,每次间隔30s,初次收集完成后,等待30s再次进行收集,初次完成收集后,将再次收集的数据与初次收集的数据进行比对,当两者数据一致时,则不再重复传输。
本实施例中,S3中,将标记后的异常数据传输至远程后台,对远程后台接收的数据量进行统计,并将统计的数据与预设的数据进行正比,当统计数据大于预设数据时,启动备用接收通道,对数据进行分流。
本实施例中,S5中,定期对分类数据进行统计,并按照数据量大小进行排序,周期设置为7天。
本实施例中,S1中,将收集的AMI数据与历史数据进行对比,当AMI数据与历史最大或最小数据偏差超过1%时,则视为异常数据。
本实施例中,S2中,对异常数据进行提取,并进行识别,将识别后的数据标记,标记内容包括:异常类型、时间、位置。
本实施例中,S3中,将标记后的异常数据传输至远程后台,对数据传输通道进行分类,不同类型的异常数据采用对应的传输通道,例如:用电量异常数据则通过用电量传输通道进行传输,用电功率异常数据则通过用电功率传输通道进行传输。
实施例二
参照图1,基于AMI数据下异常计量点远程研究方法,包括以下步骤:
S1、收集AMI数据,AMI数据包括用电量、用电功率、电压、电流,并对AMI数据进行分析判断;
S2、对异常数据进行提取,并进行识别,将识别后的数据标记;
S3、将标记后的异常数据传输至远程后台;
S4、远程后台根据标记对接收的异常数据进行分类,存储;
S5、定期对分类数据进行统计,并按照数据量大小进行排序;
S6、排序完成后对数据进行移存,进行下一周期的数据统计;
S7、对每个周期内出现异常数据量进行综合分析,确定不同周期出现异常类型的比重。
本实施例中,S7中,比重在32%时,将此异常类型定为高级异常,比重在22%,将此异常类型定为中级异常,比重在12%时,将此异常类型定为低级异常,比重在10%以下时,将此异常类型定为微级异常,出现中、高级异常时,进行报警。
本实施例中,S1中,对收集AMI数据的时间进行设置,每次间隔40s,初次收集完成后,等待40s再次进行收集,初次完成收集后,将再次收集的数据与初次收集的数据进行比对,当两者数据一致时,则不再重复传输。
本实施例中,S3中,将标记后的异常数据传输至远程后台,对远程后台接收的数据量进行统计,并将统计的数据与预设的数据进行正比,当统计数据大于预设数据时,启动备用接收通道,对数据进行分流。
本实施例中,S5中,定期对分类数据进行统计,并按照数据量大小进行排序,周期设置为8天。
本实施例中,S1中,将收集的AMI数据与历史数据进行对比,当AMI数据与历史最大或最小数据偏差超过2%时,则视为异常数据。
本实施例中,S2中,对异常数据进行提取,并进行识别,将识别后的数据标记,标记内容包括:异常类型、时间、位置。
本实施例中,S3中,将标记后的异常数据传输至远程后台,对数据传输通道进行分类,不同类型的异常数据采用对应的传输通道,例如:用电量异常数据则通过用电量传输通道进行传输,用电功率异常数据则通过用电功率传输通道进行传输。
实施例三
参照图1,基于AMI数据下异常计量点远程研究方法,包括以下步骤:
S1、收集AMI数据,AMI数据包括用电量、用电功率、电压、电流,并对AMI数据进行分析判断;
S2、对异常数据进行提取,并进行识别,将识别后的数据标记;
S3、将标记后的异常数据传输至远程后台;
S4、远程后台根据标记对接收的异常数据进行分类,存储;
S5、定期对分类数据进行统计,并按照数据量大小进行排序;
S6、排序完成后对数据进行移存,进行下一周期的数据统计;
S7、对每个周期内出现异常数据量进行综合分析,确定不同周期出现异常类型的比重。
本实施例中,S7中,比重在34%时,将此异常类型定为高级异常,比重在24%,将此异常类型定为中级异常,比重在14%时,将此异常类型定为低级异常,比重在10%以下时,将此异常类型定为微级异常,出现中、高级异常时,进行报警。
本实施例中,S1中,对收集AMI数据的时间进行设置,每次间隔45s,初次收集完成后,等待45s再次进行收集,初次完成收集后,将再次收集的数据与初次收集的数据进行比对,当两者数据一致时,则不再重复传输。
本实施例中,S3中,将标记后的异常数据传输至远程后台,对远程后台接收的数据量进行统计,并将统计的数据与预设的数据进行正比,当统计数据大于预设数据时,启动备用接收通道,对数据进行分流。
本实施例中,S5中,定期对分类数据进行统计,并按照数据量大小进行排序,周期设置为9天。
本实施例中,S1中,将收集的AMI数据与历史数据进行对比,当AMI数据与历史最大或最小数据偏差超过3%时,则视为异常数据。
本实施例中,S2中,对异常数据进行提取,并进行识别,将识别后的数据标记,标记内容包括:异常类型、时间、位置。
本实施例中,S3中,将标记后的异常数据传输至远程后台,对数据传输通道进行分类,不同类型的异常数据采用对应的传输通道,例如:用电量异常数据则通过用电量传输通道进行传输,用电功率异常数据则通过用电功率传输通道进行传输。
实施例四
参照图1,基于AMI数据下异常计量点远程研究方法,包括以下步骤:
S1、收集AMI数据,AMI数据包括用电量、用电功率、电压、电流,并对AMI数据进行分析判断;
S2、对异常数据进行提取,并进行识别,将识别后的数据标记;
S3、将标记后的异常数据传输至远程后台;
S4、远程后台根据标记对接收的异常数据进行分类,存储;
S5、定期对分类数据进行统计,并按照数据量大小进行排序;
S6、排序完成后对数据进行移存,进行下一周期的数据统计;
S7、对每个周期内出现异常数据量进行综合分析,确定不同周期出现异常类型的比重。
本实施例中,S7中,比重在38%时,将此异常类型定为高级异常,比重在28%,将此异常类型定为中级异常,比重在18%时,将此异常类型定为低级异常,比重在10%以下时,将此异常类型定为微级异常,出现中、高级异常时,进行报警。
本实施例中,S1中,对收集AMI数据的时间进行设置,每次间隔55s,初次收集完成后,等待55s再次进行收集,初次完成收集后,将再次收集的数据与初次收集的数据进行比对,当两者数据一致时,则不再重复传输。
本实施例中,S3中,将标记后的异常数据传输至远程后台,对远程后台接收的数据量进行统计,并将统计的数据与预设的数据进行正比,当统计数据大于预设数据时,启动备用接收通道,对数据进行分流。
本实施例中,S5中,定期对分类数据进行统计,并按照数据量大小进行排序,周期设置为12天。
本实施例中,S1中,将收集的AMI数据与历史数据进行对比,当AMI数据与历史最大或最小数据偏差超过4%时,则视为异常数据。
本实施例中,S2中,对异常数据进行提取,并进行识别,将识别后的数据标记,标记内容包括:异常类型、时间、位置。
本实施例中,S3中,将标记后的异常数据传输至远程后台,对数据传输通道进行分类,不同类型的异常数据采用对应的传输通道,例如:用电量异常数据则通过用电量传输通道进行传输,用电功率异常数据则通过用电功率传输通道进行传输。
实施例五
参照图1,基于AMI数据下异常计量点远程研究方法,包括以下步骤:
S1、收集AMI数据,AMI数据包括用电量、用电功率、电压、电流,并对AMI数据进行分析判断;
S2、对异常数据进行提取,并进行识别,将识别后的数据标记;
S3、将标记后的异常数据传输至远程后台;
S4、远程后台根据标记对接收的异常数据进行分类,存储;
S5、定期对分类数据进行统计,并按照数据量大小进行排序;
S6、排序完成后对数据进行移存,进行下一周期的数据统计;
S7、对每个周期内出现异常数据量进行综合分析,确定不同周期出现异常类型的比重。
本实施例中,S7中,比重在40%时,将此异常类型定为高级异常,比重在30%,将此异常类型定为中级异常,比重在20%时,将此异常类型定为低级异常,比重在10%以下时,将此异常类型定为微级异常,出现中、高级异常时,进行报警。
本实施例中,S1中,对收集AMI数据的时间进行设置,每次间隔60s,初次收集完成后,等待60s再次进行收集,初次完成收集后,将再次收集的数据与初次收集的数据进行比对,当两者数据一致时,则不再重复传输。
本实施例中,S3中,将标记后的异常数据传输至远程后台,对远程后台接收的数据量进行统计,并将统计的数据与预设的数据进行正比,当统计数据大于预设数据时,启动备用接收通道,对数据进行分流。
本实施例中,S5中,定期对分类数据进行统计,并按照数据量大小进行排序,周期设置为14天。
本实施例中,S1中,将收集的AMI数据与历史数据进行对比,当AMI数据与历史最大或最小数据偏差超过5%时,则视为异常数据。
本实施例中,S2中,对异常数据进行提取,并进行识别,将识别后的数据标记,标记内容包括:异常类型、时间、位置。
本实施例中,S3中,将标记后的异常数据传输至远程后台,对数据传输通道进行分类,不同类型的异常数据采用对应的传输通道,例如:用电量异常数据则通过用电量传输通道进行传输,用电功率异常数据则通过用电功率传输通道进行传输。
实施例一至五周期设置时间如下表:
实施例一至五收集AMI数据的时间设置如下表:
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。
机译: 基于高级计量基础结构的智能计远程计算MOF比例误差的方法和使用该方法的AMI服务器
机译: 基于高级计量基础结构的智能计远程计算MOF比例误差的方法和使用该方法的AMI服务器
机译: 基于大数据的物联网设备,用于在物联网环境下使用相同的方法识别木材干燥过程和物联网监测系统中的异常数据并检测障碍