用电异常数据中提高辨别窃电数据的概率

发布时间:2020/10/31 8:56:11 访问次数:870

电能表电能计量的准确性是电网公司与电力用户之间贸易结算及电网公司利润实现的最终环节，不法行为会严重伤害贸易关系的公平、公正、公开性，因此查处用电异常行为是电网公司一直以来的工作重点。随着电网公司对反窃电工作重视程度的增加，不法分子的手段也逐步变得隐蔽化与智能化。

随着用电信息采集系统的不断完善，已经能够按照业务需求广泛采集到电能表的大量数据，从大量无序数据中应用单一准则判断用电异常，容易产生误判情况，如由于环境或振动而引发的开表盖事件。从大量的用电异常数据中提高辨别窃电数据的概率，从多组数据关联来推断是否窃电，是本文研究的重点。一种通过数据关联规则判断在运电能表用电异常行为的数据挖掘方法。

UMC 80 nm工艺，设计了一种应用于AMOLED显示驱动的电荷泵系统。为了满足AMOLED显示驱动在不同输出电压情况下保持电源效率高于70%的要求，本设计中泵电路采用多输入电源结构，并在不同路径上使用不同类型的MOS管。

制造商: Texas Instruments

产品种类: 参考电压

RoHS: 详细信息

安装风格: SMD/SMT

封装 / 箱体: SOT-23-3

参考类型: Shunt Adjustable Precision References

输出电压: 2.5 V to 36 V

初始准确度: 1 %

温度系数: 92 PPM/C

分流电流—最大值: 100 mA

最小工作温度: - 40 C

最大工作温度: + 125 C

系列: ATL431

封装: Cut Tape

封装: MouseReel

封装: Reel

工作温度范围: - 40 C to + 125 C

商标: Texas Instruments

分流电流—最小值: 35 uA

关闭: No Shutdown

最大输出电压: 36 V

产品类型: Voltage References

工厂包装数量: 3000

子类别: PMIC - Power Management ICs

单位重量: 8 mg

随着科学技术的不断进步，不法分子窃电手段日趋专业化多样化，而传统的防窃电技术实时性及可行性较低。研究对运行中智能电能表用电信息的数据采集及特征提取，分析异常用电数据，应用机器学习的方法对特征值进行学习，并推导出用电异常的判断阈值，采用关联规则数据挖掘方法对独立检测的结果进行融合，从而实现窃电数据的挖掘。最后验证了模型建立的准确性，并推导出用电异常案例的甄别方法。

为了保障电路在8 mA负载下输出电压纹波小于10 mV，采用双边对称的泵电路结构。为了保持输出电压的稳定性，整个系统采用PSM调制方式。对电路进行Spectre仿真，在1 μF泵电容以及2.2 μF输出电容，负载电流为8 mA情况下，各种输出电压情况下的电压纹波最大为1.2 mV，电源效率最低为70%，峰值效率为83.6%。