CN103778567A - 一种用户异常用电甄别的方法及系统 - Google Patents
一种用户异常用电甄别的方法及系统 Download PDFInfo
- Publication number
- CN103778567A CN103778567A CN201410029346.4A CN201410029346A CN103778567A CN 103778567 A CN103778567 A CN 103778567A CN 201410029346 A CN201410029346 A CN 201410029346A CN 103778567 A CN103778567 A CN 103778567A
- Authority
- CN
- China
- Prior art keywords
- line loss
- user
- line
- month
- value
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 230000005611 electricity Effects 0.000 title claims abstract description 55
- 238000000034 method Methods 0.000 title claims abstract description 39
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 15
- 238000012360 testing method Methods 0.000 claims abstract description 35
- 238000005070 sampling Methods 0.000 claims abstract description 30
- 238000012549 training Methods 0.000 claims description 12
- 238000012216 screening Methods 0.000 claims description 11
- 239000013598 vector Substances 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000002265 prevention Effects 0.000 abstract description 8
- 238000012544 monitoring process Methods 0.000 description 6
- 238000011160 research Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000007635 classification algorithm Methods 0.000 description 2
- 238000007418 data mining Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例公开了一种甄别异常用电用户的方法，该方法包括：获得每一线损线路的多个月线损率；判断每一线损线路中是否有两个大于预设阈值的月线损率；如果是，则确定实际线损线路及线损月份；任选一实际线损线路一线损月份内的一时间段作为测试，获得测试周期内该线路上各用户用电相关的采样数据，并得到各用户的先验概率以及后验概率；根据得到的各用户的先验概率以及后验概率，通过贝叶斯公式得到各用户的类别概率，并确定得到的类别概率中数值最大的用户为嫌疑用户。本发明实施例还公开了一种甄别异常用电用户的系统。本发明实施例，解决了现有技术中甄别偷漏电用户时，硬件预防方法投资成本大以及软件预防方法局限于用户个体的问题。
Description
技术领域
本发明涉及偷漏电监测技术领域，尤其涉及一种用户异常用电甄别的方法及系统。
背景技术
针对国内外偷漏电监测的文献研究，目前偷漏电预防主要有两种方法：其一、该方法偏向于硬件研究，通过提升反偷漏电监测仪的灵敏性以及实时性，提升偷漏电用户甄别能力；其二、该方法偏向于软件研究，通过收集偷漏电相关的线损电量、线损率、用户电量、功率符合等数据，结合统计方法、数据挖掘算法等理论构建偷漏电监控模型，实现对偷漏电用户的甄别。
以上两种偷漏电预防方法均存在不足之处：在第一种方法中，对反偷漏电监测仪的硬件要求高，成本大幅增加；在第二种方法中，针对偷漏电数据采用不同算法的研究大部分仅仅停留在理论研究阶段，目前尚未存在系统、有效的偷漏电模型监控软件用于实际工作，并且大部分研究局限于对偷漏电个体的监测及预防上，并没有系统的站在全局的角度对不同线路的偷漏电情况进行分析，总结出不同用户类型、不同电压情况下的偷漏电规律，综合提升非技术线损的管理水平。
发明内容
本发明实施例的目的在于提供一种甄别异常用电用户的方法及系统，可以解决现有技术中甄别偷漏电用户时，硬件预防方法投资成本大以及软件预防方法局限于用户个体的问题。
为了解决上述技术问题，本发明实施例提供了一种甄别异常用电用户的方法，其在有多个用户使用多个线损线路上实现，所述方法包括：
获得所述多个线损线路上每一线损线路的多个月线损率；
判断所述获得的每一线损线路的多个月线损率中是否有两个大于预设阈值的月线损率；
如果是，则确定有两个月线损率大于预设阈值的线损线路为实际线损线路，线损月份为所述确定的实际线损线路上月线损率大于预设阈值的月份；
在一实际线损线路上任意选择一线损月份内的一时间段作为测试周期，获得在所述测试周期内，所述选择的实际线损线路上各用户用电相关的采样数据，并根据所述获得的各用户用电相关的采样数据，得到各用户的先验概率以及后验概率；
根据所述得到的各用户的先验概率以及后验概率，通过贝叶斯公式得到各用户的类别概率，并确定所述得到的类别概率中数值最大的用户为嫌疑用户。
其中，所述在一实际线损线路上任意选择一线损月份内的一时间段作为测试周期，获得在所述测试周期内，所述选择的实际线损线路上各用户用电相关的采样数据，并根据所述得到的各用户用电相关的采样数据，得到各用户的先验概率以及后验概率的具体步骤包括：
在一实际线损线路上任意选择一线损月份内的一时间段作为测试周期，获得在所述测试周期内，所述选择的实际线损线路上各用户用电相关的采样数据；
根据所述获得的各用户用电相关的采样数据，得到样本集；
根据所述得到的样本集，设置用户特征属性，并提取一个或多个所述设置的用户特征属性作为用户特征向量，并根据所述提取的用户特征向量及所述得到的样本集，得到各用户的训练样本集；
确定所述各用户的训练样本集的分类属性的类别，并根据分类属性计算类别的先验概率为各用户的先验概率；
计算所述得到的各用户的训练样本集的后验概率为各用户的后验概率。
其中，所述采样数据包括所述选择的实际线损线路上的线损电量值、各用户的用电量值以及用户电量的多个辅助数据值。
其中，所述辅助数据值包括电流值、电压值、功率值以及功率因数值。
其中，所述阈值为5%。
其中，所述时间段为7天。
本发明实施例还提供了一种甄别异常用电用户的系统，所述系统包括：获取单元、判断单元、确定单元、计算单元以及用户甄别单元；
所述获取单元，用于获得所述多个线损线路上每一线损线路的多个月线损率；
所述判断单元，用于判断所述获得的每一线损线路的多个月线损率中是否有两个大于预设阈值的月线损率；
所述确定单元，用于确定有两个月线损率大于预设阈值的线损线路为实际线损线路，线损月份为所述确定的实际线损线路上月线损率大于预设阈值的月份；
所述计算单元，用于在一实际线损线路上任意选择一线损月份内的一时间段作为测试周期，获得在所述测试周期内，所述选择的实际线损线路上各用户用电相关的采样数据，并根据所述获得的各用户用电相关的采样数据，得到各用户的先验概率以及后验概率；
所述用户甄别单元，用于根据所述得到的各用户的先验概率以及后验概率，通过贝叶斯公式得到各用户的类别概率，并确定所述得到的类别概率中数值最大的用户为嫌疑用户。
其中，所述采样数据包括所述选择的实际线损线路上的线损电量值、各用户的用电量值以及用户电量的多个辅助数据值。
其中，所述辅助数据值包括电流值、电压值、功率值以及功率因数值。
其中，所述阈值为5%。
实施本发明实施例，具有如下有益效果：
将贝叶斯分类算法应用于偷漏电监控及预防，系统对不同线路的偷漏电情况进行分析，总结出不同用户类型、不同电压情况下的偷漏电规律，综合提升非技术线损的管理水平，有效地提高了甄别偷漏电用户的精确度，减少了硬件预防方法投资成本。
附图说明
为了更清楚地说明本发明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发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，根据这些附图获得其他的附图仍属于本发明的范畴。
图1为本发明实施例提供的甄别异常用电用户的方法的流程图；
图2为本发明实施例提供的甄别异常用电用户的系统的结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
如图1所示，本发明实施例中，提出一种甄别异常用电用户的方法，其在有多个用户使用多个线损线路上实现，所述方法包括：
步骤S101、获得所述多个线损线路上每一线损线路的多个月线损率；
以高压10KV馈线为对象，检测多个线损线路，例如，10KV馈线｛b1、b2、b3、b4、b5｝，获得每一线损线路（b1、b2、b3、b4及b5中其一）上每月的供电量值以及每月的用户用电量值，计算并获得每一线损线路上每月的月线损率，得到每一线损线路的多个月线损率，即得到所有馈线｛b1、b2、b3、b4、b5｝对应的多个月线损率；其中，月线损率=（月供电量值-月用户用电量值）/月供电量值x100%。
步骤S102、判断所述获得的每一线损线路的多个月线损率中是否有两个大于预设阈值的月线损率；其中，预设阈值可以为5%，也可以按需设置不同的数值；
逐一判断馈线｛b1、b2、b3、b4、b5｝对应的多个月线损率中是否有两个月线损率大于5%；
步骤S103、如果是，则确定有两个月线损率大于预设阈值的线损线路为实际线损线路，线损月份为所述确定的实际线损线路上月线损率大于预设阈值的月份；
例如，馈线｛b1、b2、b4、b5｝中有两个月线损率大于5%，则确定馈线｛b1、b2、b4、b5｝都为实际线损线路，在馈线b1中有四个月的月线损率均大于5%：5月、7月、8月及10月，则5、7、8及10月为馈线b1的线损月份；在馈线b2中有三个月的月线损率均大于5%：6月、7月及8月，则6、7、8月为馈线b2的线损月份；在馈线b4中有两个月的月线损率均大于5%：7月及9月，则7、9月为馈线b4的线损月份；在馈线b5中有两个月的月线损率均大于5%：8月及9月，则8、9月为馈线b5的线损月份。
步骤S104、在一实际线损线路上任意选择一线损月份内的一时间段作为测试周期，获得在所述测试周期内，所述选择的实际线损线路上各用户用电相关的采样数据，并根据所述获得的各用户用电相关的采样数据，得到各用户的先验概率以及后验概率；
具体过程为，在一实际线损线路上任意选择一线损月份内的一时间段作为测试周期，获得在所述测试周期内，所述选择的实际线损线路上各用户用电相关的采样数据；其中，时间段可固定为7天作为测试周期，也可以按需选择不同天数作为测试周期；
设计人员可以选择在实际线损线路｛b1、b2、b4、b5｝中任选其一，例如，选择馈线b1上8月份内的7天（如：8月10号---8月19号）作为测试周期，也可以在馈线b1上选择8月份内不同天数（如：10天、15天等等）作为测试周期：甚至可以在馈线b1上选择10月份内的一时间段作为测试周期等等；
根据所述获得的各用户用电相关的采样数据，得到样本集；其中，采样数据包括所选的实际线损线路上的线损电量值、各用户的用电量值以及用户电量的多个辅助数据值，该辅助数据值包括电流值、电压值、功率值以及功率因数值等；该样本集的数据数目为该所选的实际线损线路上所有的用户数，每条数据均包括用户的采样数据。
根据得到的样本集，设置用户特征属性（a1、a2、……an），并提取一个或多个设置的用户特征属性作为用户特征向量X={ a1、a2、……am }，并根据提取的用户特征向量得到各用户的训练样本集；其中，m、n均为正整数，m≤n。
例如，在用户特征属性（a1、a2、……an）中选择5个；其中，用户特征属性a1为用户电量曲线与线损线路的线损曲线的相似度，a1对应的数值范围为（0，1）；a2为用户用电量曲线数，a2对应的数值为在测试周期内用户用电量值之间的差；a3至a5分别为电流、电压以及功率，并有相应的数值；根据上述设置的用户特征向量X=｛a1、a2、a3、a4、a5｝，获得相应的数值，从而得到各用户的训练样本集；
确定各用户的训练样本集的分类属性C={y1、y2}的类别（y1、y2），并根据分类属性计算类别的先验概率 
为各用户的先验概率；其中，y1为窃电嫌疑，y2为非窃电嫌疑，i=1或i=2；
计算得到的各用户的训练样本集的后验概率
为各用户的后验概率；即，每一个用户对应训练样本集中的一条数据记录，后验概率
为训练样本集中每个类别的样本所占比例，需先统计且获得各类别下各个用户特征属性的条件概率估计，并利用公式
计算后获得；其中，各个用户特征属性的条件概率估计为
、
……，
、
……
，并且各个用户特征属性是条件独立的。
步骤S105、根据所述得到的各用户的先验概率以及后验概率，通过贝叶斯公式得到各用户的类别概率，并确定所述得到的类别概率中数值最大的用户为嫌疑用户；
根据得到的各用户的先验概率以及后验概率
，通过贝叶斯定理得到各用户的类别概率
，并确定得到的类别概率
中数值最大的用户为嫌疑用户；其中，
是样本的全概率，对每个样本类别而言，
为常量，可设置为1；类别概率
中数值最大由公式
| 计算获得。
实施本发明实施例，具有如下有益效果：
将贝叶斯分类算法应用于偷漏电监控及预防，系统对不同线路的偷漏电情况进行分析，总结出不同用户类型、不同电压情况下的偷漏电规律，综合提升非技术线损的管理水平，有效地提高了甄别偷漏电用户的精确度，减少了硬件预防方法投资成本。
本发明还提供另一种方法，采用标幺值算法甄别偷漏电用户，该方法采用在一实际线损线路上任意选择一线损月份内的一时间段作为测试周期，统计所选实际线损线路上测试周期内每一天的日损耗电量和每一用户的用户电量，并采用标幺值算法计算并标注出每一用户电量曲线、一最大日损耗电量曲线及一最小日损耗电量曲线，将夹在最大日损耗电量曲线与最小日损耗电量曲线中间的用户电量曲线对应的用户锁定为嫌疑用户。
如图2所述，本发明实施例中，还提出一种甄别异常用电用户的系统，所述系统包括：获取单元210、判断单元220、确定单元230、计算单元240以及用户甄别单元250；
获取单元210，用于获得所述多个线损线路上每一线损线路的多个月线损率；
判断单元220，用于判断所述获得的每一线损线路的多个月线损率中是否有两个大于预设阈值的月线损率；
确定单元230，用于确定有两个月线损率大于预设阈值的线损线路为实际线损线路，线损月份为所述确定的实际线损线路上月线损率大于预设阈值的月份；
计算单元240，用于在一实际线损线路上任意选择一线损月份内的一时间段作为测试周期，获得在所述测试周期内，所述选择的实际线损线路上各用户用电相关的采样数据，并根据所述获得的各用户用电相关的采样数据，得到各用户的先验概率以及后验概率；
用户甄别单元250，用于根据得到的各用户的先验概率以及后验概率，通过贝叶斯公式得到各用户的类别概率，并确定得到的类别概率中数值最大的用户为嫌疑用户。
其中，采样数据包括所选的实际线损线路上的线损电量值、各用户的用电量值以及用户电量的多个辅助数据值。
其中，辅助数据值包括电流值、电压值、功率值以及功率因数值。
其中，阈值为5%。
在本发明实施例中，甄别异常用电用户的系统首先通过获取单元210获得多个线损线路上每一线损线路的多个月线损率，并在判断单元220中判断每一线损线路的多个月线损率中是否有两个大于预设阈值的月线损率；其次，待判断结束后，在确定单元230中确定有两个月线损率大于预设阈值的线损线路为实际线损线路，线损月份为该实际线损线路上月线损率大于预设阈值的月份后，任意选择一实际线损线路上一线损月份内的一时间段作为测试周期，获得在测试周期内，所选的实际线损线路上各用户用电相关的采样数据，并根据各用户用电相关的采样数据，通过计算单元240得到各用户的先验概率以及后验概率；然后，根据得到的各用户的先验概率以及后验概率，通过贝叶斯公式得到各用户的类别概率，并在用户甄别单元250中确定得到的类别概率中数值最大的用户为嫌疑用户，从而解决现有技术中甄别偷漏电用户时，硬件预防方法投资成本大以及软件预防方法局限于用户个体的问题。
值得注意的是，上述系统实施例中，所包括的各个系统单元只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，所述的程序可以存储于一计算机可读取存储介质中，所述的存储介质，如ROM/RAM、磁盘、光盘等。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种甄别异常用电用户的方法，其特征在于，其在有多个用户使用多个线损线路上实现，所述方法包括：
获得所述多个线损线路上每一线损线路的多个月线损率；
判断所述获得的每一线损线路的多个月线损率中是否有两个大于预设阈值的月线损率；
如果是，则确定有两个月线损率大于预设阈值的线损线路为实际线损线路，线损月份为所述确定的实际线损线路上月线损率大于预设阈值的月份；
在一实际线损线路上任意选择一线损月份内的一时间段作为测试周期，获得在所述测试周期内，所述选择的实际线损线路上各用户用电相关的采样数据，并根据所述获得的各用户用电相关的采样数据，得到各用户的先验概率以及后验概率；
根据所述得到的各用户的先验概率以及后验概率，通过贝叶斯公式得到各用户的类别概率，并确定所述得到的类别概率中数值最大的用户为嫌疑用户。
2.如权利要求1所述的方法，其特征在于，所述在一实际线损线路上任意选择一线损月份内的一时间段作为测试周期，获得在所述测试周期内，所述选择的实际线损线路上各用户用电相关的采样数据，并根据所述得到的各用户用电相关的采样数据，得到各用户的先验概率以及后验概率的具体步骤包括：
在一实际线损线路上任意选择一线损月份内的一时间段作为测试周期，获得在所述测试周期内，所述选择的实际线损线路上各用户用电相关的采样数据；
根据所述获得的各用户用电相关的采样数据，得到样本集；
根据所述得到的样本集，设置用户特征属性，并提取一个或多个所述设置的用户特征属性作为用户特征向量，并根据所述提取的用户特征向量及所述得到的样本集，得到各用户的训练样本集；
确定所述各用户的训练样本集的分类属性的类别，并根据分类属性计算类别的先验概率为各用户的先验概率；
计算所述得到的各用户的训练样本集的后验概率为各用户的后验概率。
3.如权利要求2所述的方法，其特征在于，所述采样数据包括所述选择的实际线损线路上的线损电量值、各用户的用电量值以及用户电量的多个辅助数据值。
4.如权利要求3所述的方法，其特征在于，所述辅助数据值包括电流值、电压值、功率值以及功率因数值。
5.如权利要求1所述的方法，其特征在于，所述阈值为5%。
6.如权利要求1所述的方法，其特征在于，所述时间段为7天。
7.一种甄别异常用电用户的系统，其特征在于，所述系统包括：获取单元、判断单元、确定单元、计算单元以及用户甄别单元；
所述获取单元，用于获得所述多个线损线路上每一线损线路的多个月线损率；
所述判断单元，用于判断所述获得的每一线损线路的多个月线损率中是否有两个大于预设阈值的月线损率；
所述确定单元，用于确定有两个月线损率大于预设阈值的线损线路为实际线损线路，线损月份为所述确定的实际线损线路上月线损率大于预设阈值的月份；
所述计算单元，用于在一实际线损线路上任意选择一线损月份内的一时间段作为测试周期，获得在所述测试周期内，所述选择的实际线损线路上各用户用电相关的采样数据，并根据所述获得的各用户用电相关的采样数据，得到各用户的先验概率以及后验概率；
所述用户甄别单元，用于根据所述得到的各用户的先验概率以及后验概率，通过贝叶斯公式得到各用户的类别概率，并确定所述得到的类别概率中数值最大的用户为嫌疑用户。
8.如权利要求7所述的系统，其特征在于，所述采样数据包括所述选择的实际线损线路上的线损电量值、各用户的用电量值以及用户电量的多个辅助数据值。
9.如权利要求8所述的系统，其特征在于，所述辅助数据值包括电流值、电压值、功率值以及功率因数值。
10.如权利要求7所述的系统，其特征在于，所述阈值为5%。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410029346.4A CN103778567B (zh) | 2014-01-21 | 2014-01-21 | 一种用户异常用电甄别的方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410029346.4A CN103778567B (zh) | 2014-01-21 | 2014-01-21 | 一种用户异常用电甄别的方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN103778567A true CN103778567A (zh) | 2014-05-07 |
| CN103778567B CN103778567B (zh) | 2017-07-28 |
Family
ID=50570767
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201410029346.4A Active CN103778567B (zh) | 2014-01-21 | 2014-01-21 | 一种用户异常用电甄别的方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN103778567B (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105588995A (zh) * | 2015-12-11 | 2016-05-18 | 深圳供电局有限公司 | 一种电力计量自动化系统线损异常检测方法 |
| CN106778841A (zh) * | 2016-11-30 | 2017-05-31 | 国网上海市电力公司 | 异常用电检测模型的建立方法 |
| CN106909933A (zh) * | 2017-01-18 | 2017-06-30 | 南京邮电大学 | 一种三阶段多视角特征融合的窃电分类预测方法 |
| CN107154880A (zh) * | 2016-03-03 | 2017-09-12 | 阿里巴巴集团控股有限公司 | 系统监控方法及装置 |
| CN109543877A (zh) * | 2018-10-18 | 2019-03-29 | 深圳供电局有限公司 | 一种同一馈线线路下多用户窃电漏计甄别方法的装置 |
| CN109685536A (zh) * | 2017-10-18 | 2019-04-26 | 北京京东尚科信息技术有限公司 | 用于输出信息的方法和装置 |
| CN110824270A (zh) * | 2019-10-09 | 2020-02-21 | 中国电力科学研究院有限公司 | 结合台区线损和异常事件的窃电用户辨识方法及装置 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103065203B (zh) * | 2012-12-24 | 2015-10-07 | 浙江工业大学 | 一种降低电网系统峰值平均负荷率的控制方法 |
-
2014
- 2014-01-21 CN CN201410029346.4A patent/CN103778567B/zh active Active
Non-Patent Citations (2)
| Title |
|---|
| 冀亦默等: "市县级一体化配电网线损管理系统的设计与实现", 《电力信息化》 * |
| 王帅等: "基于线损率标杆值的居民台区窃电严重程度分级方法", 《华东电力》 * |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105588995A (zh) * | 2015-12-11 | 2016-05-18 | 深圳供电局有限公司 | 一种电力计量自动化系统线损异常检测方法 |
| CN105588995B (zh) * | 2015-12-11 | 2018-08-14 | 深圳供电局有限公司 | 一种电力计量自动化系统线损异常检测方法 |
| CN107154880A (zh) * | 2016-03-03 | 2017-09-12 | 阿里巴巴集团控股有限公司 | 系统监控方法及装置 |
| CN106778841A (zh) * | 2016-11-30 | 2017-05-31 | 国网上海市电力公司 | 异常用电检测模型的建立方法 |
| CN106909933A (zh) * | 2017-01-18 | 2017-06-30 | 南京邮电大学 | 一种三阶段多视角特征融合的窃电分类预测方法 |
| CN106909933B (zh) * | 2017-01-18 | 2018-05-18 | 南京邮电大学 | 一种三阶段多视角特征融合的窃电分类预测方法 |
| CN109685536A (zh) * | 2017-10-18 | 2019-04-26 | 北京京东尚科信息技术有限公司 | 用于输出信息的方法和装置 |
| CN109685536B (zh) * | 2017-10-18 | 2021-01-26 | 北京京东尚科信息技术有限公司 | 用于输出信息的方法和装置 |
| CN109543877A (zh) * | 2018-10-18 | 2019-03-29 | 深圳供电局有限公司 | 一种同一馈线线路下多用户窃电漏计甄别方法的装置 |
| CN110824270A (zh) * | 2019-10-09 | 2020-02-21 | 中国电力科学研究院有限公司 | 结合台区线损和异常事件的窃电用户辨识方法及装置 |
| CN110824270B (zh) * | 2019-10-09 | 2022-04-26 | 中国电力科学研究院有限公司 | 结合台区线损和异常事件的窃电用户辨识方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN103778567B (zh) | 2017-07-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN103778567A (zh) | 一种用户异常用电甄别的方法及系统 | |
| CN109583680B (zh) | 一种基于支持向量机的窃电辨识方法 | |
| CN106682079B (zh) | 一种基于聚类分析的用户用电行为检测方法 | |
| CN109146705B (zh) | 一种用电特征指标降维与极限学习机算法进行窃电检测的方法 | |
| CN105376260B (zh) | 一种基于密度峰值聚类的网络异常流量监测系统 | |
| CN109947815B (zh) | 一种基于离群点算法的窃电辨识方法 | |
| CN107328974B (zh) | 一种窃电识别方法及装置 | |
| WO2013074774A4 (en) | Data clustering based on variant token networks | |
| CN106645934B (zh) | 基于动态网格离群点的用电行为反窃电诊断方法和装置 | |
| JP2012521598A5 (zh) | ||
| CN103135009A (zh) | 基于使用者回馈信息的电器侦测方法与系统 | |
| CN110288039B (zh) | 基于用户用电负荷特征窃电检测方法 | |
| CN109583679A (zh) | 一种多算法融合的窃电疑似度分析方法 | |
| CN112488738B (zh) | 基于电力大数据的居民空置住户识别方法及设备 | |
| CN111797887A (zh) | 一种基于密度筛选与k-均值聚类的反窃电预警方法及系统 | |
| CN113125903A (zh) | 线损异常检测方法、装置、设备及计算机可读存储介质 | |
| CN112730938A (zh) | 一种基于用电采集大数据的窃电用户判断方法 | |
| CN111626360B (zh) | 用于检测锅炉故障类型的方法、装置、设备和存储介质 | |
| CN110738415A (zh) | 基于用电采集系统和离群点算法的窃电用户分析方法 | |
| CN106779133B (zh) | 一种家庭用电数据预测方法 | |
| CN111161097B (zh) | 基于假设检验的事件检测算法检测开关事件的方法和装置 | |
| CN114399076A (zh) | 基于大数据分析的窃电嫌疑用户筛选方法 | |
| CN116760175A (zh) | 非侵入式负荷识别方法、装置、终端及存储介质 | |
| CN113947504B (zh) | 一种基于随机森林法的窃电分析方法及其系统 | |
| CN115049410A (zh) | 窃电行为识别方法、装置、电子设备及计算机可读存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |