本发明专利技术公开了一种窃电位置判断方法、装置、设备和存储介质，方法包括：按照预设采集周期从预设配电网的多个检测节点分别采集有功负荷值和无功负荷值；采用每个检测节点的有功负荷值和无功负荷值分别进行潮流计算，得到每个检测节点在预设采集周期内的实际线损值；将每个检测节点的有功负荷值和无功负荷值分别输入到目标神经网络模型，得到每个检测节点在预设采集周期内的模拟线损值；其中，目标神经网络模型通过预置的神经网络训练过程生成；基于实际线损值与模拟线损值的差值，判断检测节点是否为窃电位置。该方法能够快速准确地确定窃电位置，有效降低经济损失。有效降低经济损失。有效降低经济损失。
【技术实现步骤摘要】
一种窃电位置判断方法、装置、设备和存储介质
[0001]本专利技术涉及神经网络
，尤其涉及一种窃电位置判断方法、装置、设备和存储介质。
技术介绍
[0002]进入二十一世纪之后，人们生活水平不断提升，电力更是深入到我国各个行业中，成为了我国经济发展不可缺少的能源，社会对电力的需求量也迅猛增长。据调查发现，在2018年时，我国发电总量达到67914.2亿千瓦时，相比于2017年，增长了五千多亿千瓦时，2019年时，我国发电总量已经达到71422亿千瓦时，增长了三千多亿千瓦时，目前，我国发电总量的增长速度已经占据世界首位。但是，在电力行业迅猛发展的背后，粗放增长方式，线损管理困难，计算难度大，且偷电漏电发生频繁。如何降低线损，精准及时相应窃电行为，成为各电力公司思考重点。
[0003]随着电力普及程度不断加深，电网更加复杂，增大线损计算难度，采用传统的线损计算方式，计算效率低下，计算准确性难以保障。另一方面，在电力网运行中，线路末端窃电现象发生频繁，如何对窃电位置快速定位，加强窃电精准管理，有助于提升线损水平。随着技术的发展，电力仪表的改进，多表合一等政策的推广，企业对窃电行为判断准确度明显提升。但是，在量化性、可靠性等上，仍受到模型影响，导致线损计算的准确度与计算效率较低，无法快速确定窃电位置，造成经济损失。
技术实现思路
[0004]本专利技术提供了一种窃电位置判断方法、装置、设备和存储介质，解决了现有技术中线损计算的准确度和计算效率较低，无法快速确定窃电位置，导致经济损失增加的技术问题。
[0005]本专利技术提供的一种窃电位置判断方法，包括：
[0006]按照预设采集周期从预设配电网的多个检测节点分别采集有功负荷值和无功负荷值；
[0007]采用每个所述检测节点的所述有功负荷值和所述无功负荷值分别进行潮流计算，得到每个所述检测节点在所述预设采集周期内的实际线损值；
[0008]将每个所述检测节点的所述有功负荷值和所述无功负荷值分别输入到目标神经网络模型，得到每个所述检测节点在所述预设采集周期内的模拟线损值；其中，所述目标神经网络模型通过预置的神经网络训练过程生成；
[0009]基于所述实际线损值与所述模拟线损值的差值，判断所述检测节点是否为窃电位置。
[0010]可选地，所述神经网络训练过程包括：
[0011]获取多个训练样本数据；所述训练样本数据包括预设训练检测节点的训练有功负荷值和训练无功负荷值；所述训练样本数据包括训练线损值；
[0012]将所述训练有功负荷值和所述训练无功负荷值输入到预置的初始神经网络模型中，得到模型输出；
[0013]若所述模型输出与所述训练线损值的误差大于所述预设误差阈值，则调整所述初始神经网络模型的预设权重参数；
[0014]返回所述将所述训练有功负荷值和所述训练无功负荷值输入到预置的初始神经网络模型中，得到模型输出的步骤，直至所述模型输出与所述训练线损值的误差小于或等于所述预设误差阈值，得到目标神经网络模型。
[0015]可选地，所述基于所述实际线损值与所述模拟线损值的差值，判断所述检测节点是否为窃电位置的步骤，包括：
[0016]计算所述实际线损值与所述模拟线损值的差值；
[0017]若所述差值大于预设线损阈值，则判定所述检测节点为窃电位置。
[0018]可选地，还包括：
[0019]若所述差值小于或等于所述线损阈值，则判定所述检测节点不为所述窃电位置。
[0020]本专利技术还提供了一种窃电位置判断装置，包括：
[0021]采集模块，用于按照预设采集周期从预设配电网的多个检测节点分别采集有功负荷值和无功负荷值；
[0022]实际线损值计算模块，用于采用每个所述检测节点的所述有功负荷值和所述无功负荷值分别进行潮流计算，得到每个所述检测节点在所述预设采集周期内的实际线损值；
[0023]模拟线损值计算模块，用于将每个所述检测节点的所述有功负荷值和所述无功负荷值分别输入到目标神经网络模型，得到每个所述检测节点在所述预设采集周期内的模拟线损值；其中，所述目标神经网络模型通过预置的神经网络训练模块生成；
[0024]窃电位置判断模块，用于基于所述实际线损值与所述模拟线损值的差值，判断所述检测节点是否为窃电位置。
[0025]可选地，所述神经网络训练模块包括：
[0026]训练样本获取子模块，用于获取多个训练样本数据；所述训练样本数据包括预设训练检测节点的训练有功负荷值和训练无功负荷值；所述训练样本数据包括训练线损值；
[0027]模型输出子模块，用于将所述训练有功负荷值和所述训练无功负荷值输入到预置的初始神经网络模型中，得到模型输出；
[0028]权重参数调整子模块，用于若所述模型输出与所述训练线损值的误差大于所述预设误差阈值，则调整所述初始神经网络模型的预设权重参数；
[0029]重复训练子模块，用于返回所述将所述训练有功负荷值和所述训练无功负荷值输入到预置的初始神经网络模型中，得到模型输出的步骤，直至所述模型输出与所述训练线损值的误差小于或等于所述预设误差阈值，得到目标神经网络模型。
[0030]可选地，所述窃电位置判断模块包括：
[0031]差值计算子模块，用于计算所述实际线损值与所述模拟线损值的差值；
[0032]窃电位置判定子模块，用于若所述差值大于预设线损阈值，则判定所述检测节点为窃电位置。
[0033]可选地，所述窃电位置判断模块还包括：
[0034]窃电位置否定子模块，用于若所述差值小于或等于所述线损阈值，则判定所述检
测节点不为所述窃电位置。
[0035]本专利技术还提供了一种电子设备，包括存储器及处理器，所述存储器中储存有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如上述任一项所述的窃电位置判断方法的步骤。
[0036]本专利技术还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被所述处理器执行时实现如上述任一项所述的窃电位置判断方法。
[0037]从以上技术方案可以看出，本专利技术具有以下优点：
[0038]本专利技术按照预设采集周期从预设配电网的多个检测节点采集有功负荷值和无功负荷值，再基于所采集的数据进行潮流计算，获得实际线损值；然后采用目标神经网络模型计算采集的有功负荷值和无功负荷值所对应的检测节点的模拟线损值，最后基于实际线损值与模拟线损值之间的差值，从而判断检测节点是否为窃电位置。以此解决了现有技术中线损计算的准确度和计算效率较低，无法快速确定窃电位置，导致经济损失增加的技术问题，能够快速准确地确定窃电位置，有效降低经济损失。
附图说明
[0039]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种窃电位置判断方法，其特征在于，包括：按照预设采集周期从预设配电网的多个检测节点分别采集有功负荷值和无功负荷值；采用每个所述检测节点的所述有功负荷值和所述无功负荷值分别进行潮流计算，得到每个所述检测节点在所述预设采集周期内的实际线损值；将每个所述检测节点的所述有功负荷值和所述无功负荷值分别输入到目标神经网络模型，得到每个所述检测节点在所述预设采集周期内的模拟线损值；其中，所述目标神经网络模型通过预置的神经网络训练过程生成；基于所述实际线损值与所述模拟线损值的差值，判断所述检测节点是否为窃电位置。2.根据权利要求1所述的窃电位置判断方法，其特征在于，所述神经网络训练过程包括：获取多个训练样本数据；所述训练样本数据包括预设训练检测节点的训练有功负荷值和训练无功负荷值；所述训练样本数据包括训练线损值；将所述训练有功负荷值和所述训练无功负荷值输入到预置的初始神经网络模型中，得到模型输出；若所述模型输出与所述训练线损值的误差大于所述预设误差阈值，则调整所述初始神经网络模型的预设权重参数；返回所述将所述训练有功负荷值和所述训练无功负荷值输入到预置的初始神经网络模型中，得到模型输出的步骤，直至所述模型输出与所述训练线损值的误差小于或等于所述预设误差阈值，得到目标神经网络模型。3.根据权利要求1所述的窃电位置判断方法，其特征在于，所述基于所述实际线损值与所述模拟线损值的差值，判断所述检测节点是否为窃电位置的步骤，包括：计算所述实际线损值与所述模拟线损值的差值；若所述差值大于预设线损阈值，则判定所述检测节点为窃电位置。4.根据权利要求3所述的窃电位置判断方法，其特征在于，还包括：若所述差值小于或等于所述线损阈值，则判定所述检测节点不为所述窃电位置。5.一种窃电位置判断装置，其特征在于，包括：采集模块，用于按照预设采集周期从预设配电网的多个检测节点分别采集有功负荷值和无功负荷值；实际线损值计算模块，用于采用每个所述检测节点的所述有功负荷值和所述无功负荷值分别进行潮流计算，得到每个所述检测节点在所述预设采集周期内的实际线损值；模拟线损值计算模块，用于将...
【专利技术属性】
技术研发人员：史琳，邓利民，潘炜，黄文科，谭致远，董茵，邓志飞，韩玮，
申请(专利权)人：广东电网有限责任公司广州供电局，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。