CN107633050A - 一种基于大数据分析用电行为判定窃电概率的方法 - Google Patents
一种基于大数据分析用电行为判定窃电概率的方法 Download PDFInfo
- Publication number
- CN107633050A CN107633050A CN201710842008.6A CN201710842008A CN107633050A CN 107633050 A CN107633050 A CN 107633050A CN 201710842008 A CN201710842008 A CN 201710842008A CN 107633050 A CN107633050 A CN 107633050A
- Authority
- CN
- China
- Prior art keywords
- stealing
- probability
- analysis
- stealing probability
- electricity consumption
- 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.)
- Pending
Links
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于大数据分析用电行为判定窃电概率的方法,涉及用户用电行为分析技术领域。包括数据抽取与整合、异常用电行为分析、建立窃电概率分析模型、窃电概率判定和窃电概率预警过程。本发明通过利用大数据技术一方面能够解决用户电量、负荷、异常用电行为等高密度海量数据的存储要求,另一方面能够解决电量异常、电流失流、电压越线等异常用电行为分析以及窃电概率判定的大数据计算性能要求。
Description
技术领域
本发明属于用户用电行为分析技术领域,特别是涉及一种基于大数据分析用电行为判定窃电概率的方法。
背景技术
随着经济的快速发展和用电量的不断增大,窃电问题变得越来越突出,虽然供电企业已经开展大量反窃电工作并制定相关的预防措施,但窃电技术也日益智能化,窃电行为更加隐蔽。传统性的反窃电措施难以及时发现窃电行为,也已经无法预防多变的窃电方式。窃电问题不仅影响了电力企业正常的供用电秩序,也严重影响了经济发展建设以及社会稳定。因此,只有更好地提高反窃电技术水平,彻底堵塞窃电漏洞,创造良好的供用电秩序,才能更好的为社会经济发展保驾护航。
供电公司已经开展大量反窃电工作及相关的预防措施,但现有的传统性的措施已经无法跟上日益变化的窃电方式,同时难以及时发现窃电行为,
主要表现为:
(1)窃电行为的现场表现形式尽管多种多样,现有针对各种具体窃电方式的实施的反窃电措施已无法适应新型的窃电行为。
(2)由于在进行反窃电检查时,没有有效整合用电客户的实时用电信息,使得反窃电检查针对性较差。
(3)不能及时发现用户窃电行为,往往在进行普查或线路线损异常时才会发现部分窃电行为,对于抗拒检查、毁灭证据的情况,窃电行为难以发现。
发明内容
本发明的目的在于提供一种基于大数据分析用电行为判定窃电概率的方法,通过该方法能够分析出用电客户的异常用电行为,准确判定用户窃电概率度,用电检查人员可以根据窃电概率度缩小现场排查范围,从而实现积极预防、及时预警、快速处置的新型反窃电工作模式,提升反窃电打击的精准性和时效性。
为解决上述技术问题,本发明是通过以下技术方案实现的:
本发明为一种基于大数据分析用电行为判定窃电概率的方法,包括如下过程:
SS01数据抽取与整合
利用sqoop实现用电信息采集系统、营销业务系统中的用户档案、计量装置、采集电量、采集负荷、终端事件、历史窃电等相关数据抽取、清洗与转换,整合;
SS02异常用电行为分析
通过数据加工服务,开展异常用电行为分析,包括电量异常、负荷异常、终端事件异常三大类,其中电量异常包括电能表停走、电量波动异常等;负荷异常包括电压断相、电压越线、电压不平衡、B相异常、电流失流、电流不平衡、功率因素异常、负荷超容等;终端事件异常主要包括异常开盖记录;
SS03建立窃电概率分析模型
利用大数据的相关性分析、分类算法、权重分析,结合聚类、异类等数据挖掘算法,从用户用电行为数据中计算出窃电概率特征要素及其权重,并通过对训练样本的不断优化改进,形成窃电概率特征模型;即
窃电概率=电能表是否停走*权重+电量波动是否异常*权重+电压是否断相*权重+电压是否越线*权重+电压是否不平衡*权重+B相是否异常*权重+电流是否失流*权重+电流是否不平衡*权重+功率因素是否异常*权重+负荷是否超容*权重+是否异常开盖*权重;
SS04窃电概率判定
按照每种窃电概率特征要素及其对应权重,将用户每日出现的各项嫌疑要素权重累加,得到用户每日的窃电概率总权重,根据总权重定义窃电概率级别,分为非常高(90%-100%)、高(70%-90%)、一般(50%-70%)、忽略(0-50%);
SS05窃电概率预警
将窃电概率的用户异常用电情况、窃电概率特征和历史窃电数据上传至窃电概率分析系统进行预警。
进一步地,所述SS03建立窃电概率分析模型中利用大数据的相关性分析、分类算法、权重分析,结合聚类、异类等数据挖掘算法,从用户用电行为数据中计算出窃电概率特征要素及其权重,并通过对训练样本的不断优化改进,形成窃电概率特征模型;窃电概率特征模型具体采用ORACLE数据库进行窃电概率数据分析。
进一步地,所述窃电概率分析系统采用大数据挖掘技术对异常用电行为数据进行分析,形成窃电概率特征数据模型,结合窃电概率特征模型和窃电概率分析服务开展窃电概率概率和级别判定,获取电力用户的异常用电情况和窃电概率概率,并针对窃电概率的异常用电用户开展预警;所述窃电概率分析系统包括应用层、业务逻辑层、数据处理层、用户数据接口、外部系统。
进一步地,所述应用层包括在线监测异常分析、电量异常分析、损耗率异常分析、窃电规则配置、窃电概率分析和窃电行为管理。
进一步地,所述业务逻辑层包括制定窃电概率判定规则、计算窃电概率概率。
进一步地,所述数据处理层包括在线监测异常、电量异常、历史窃电数据。
进一步地,所述用户数据接口包括用户数据接口、用电数据接口和历史窃电数据接口。
进一步地,所述外部系统包括营销业务系统和用电信息采集系统。
本发明具有以下有益效果:
1、本发明利用大数据技术一方面能够解决用户电量、负荷、异常用电行为等高密度海量数据的存储要求,另一方面能够解决电量异常、电流失流、电压越线等异常用电行为分析以及窃电概率判定的大数据计算性能要求。
2、本发明利用大数据的相关性分析、分类算法、层次分析、权重分析,能够从用户用电行为数据中提炼出窃电概率特征要素及其权重,并通过对训练样本的不断优化改进,能够逐渐形成窃电概率特征模型。
3、本发明适用于电力企业营销客户管理和用电检查管理。
当然,实施本发明的任一产品并不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述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的前提下,还可以根据这些附图获得其他的附图。
图1为本发明的一种基于大数据分析用电行为判定窃电概率的方法框架图;
图2为窃电概率分析系统的框架图。
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。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
Oracle公司(甲骨文)是全球最大的信息管理软件及服务供应商,成立于1977年,总部位于美国加州Redwood shore,面向全球开放oracle认证。Oracle开发的关系数据库产品因性能卓越而闻名,Oracle数据库产品为财富排行榜上的前1000家公司所采用,许多大型网站也选用了Oracle系统,是世界最好的数据库产品。此外,Oracle公司还开发其他应用程序和软件。同时,Oracle在英语里还是“神谕”的意思,意为“替神说话的”,寓指Oracle公司的发展目标和决心地位。
Sqoop(发音:skup)是一款开源的工具,主要用于在Hadoop(Hive)与传统的数据库(mysql、postgresql...)间进行数据的传递,可以将一个关系型数据库(例如:MySQL,Oracle,Postgres等)中的数据导进到Hadoop的HDFS中,也可以将HDFS的数据导进到关系型数据库中。
Sqoop项目开始于2009年,最早是作为Hadoop的一个第三方模块存在,后来为了让使用者能够快速部署,也为了让开发人员能够更快速的迭代开发,Sqoop独立成为一个Apache项目。
请参阅图1和图2所示,本发明为一种基于大数据分析用电行为判定窃电概率的方法,包括如下过程:
SS01数据抽取与整合
利用sqoop实现用电信息采集系统、营销业务系统中的用户档案、计量装置、采集电量、采集负荷、终端事件、历史窃电等相关数据抽取、清洗与转换,整合;
SS02异常用电行为分析
通过数据加工服务,开展异常用电行为分析,包括电量异常、负荷异常、终端事件异常三大类,其中电量异常包括电能表停走、电量波动异常等;负荷异常包括电压断相、电压越线、电压不平衡、B相异常、电流失流、电流不平衡、功率因素异常、负荷超容等;终端事件异常主要包括异常开盖记录;
SS03建立窃电概率分析模型
利用大数据的相关性分析、分类算法、权重分析,结合聚类、异类等数据挖掘算法,从用户用电行为数据中计算出窃电概率特征要素及其权重,并通过对训练样本的不断优化改进,形成窃电概率特征模型;即
窃电概率=电能表是否停走*权重+电量波动是否异常*权重+电压是否断相*权重+电压是否越线*权重+电压是否不平衡*权重+B相是否异常*权重+电流是否失流*权重+电流是否不平衡*权重+功率因素是否异常*权重+负荷是否超容*权重+是否异常开盖*权重;
SS04窃电概率判定
按照每种窃电概率特征要素及其对应权重,将用户每日出现的各项嫌疑要素权重累加,得到用户每日的窃电概率总权重,根据总权重定义窃电概率级别,分为非常高(90%-100%)、高(70%-90%)、一般(50%-70%)、忽略(0-50%);
SS05窃电概率预警
将窃电概率级别为“非常高”、“高”和“一般”的用户异常用电情况、窃电概率特征和历史窃电情况,及时向营销管理人员和用电检查人员进行预警,帮助用电检查人员缩小现场排查范围,提升反窃电打击的精准性和时效性。
其中,SS03建立窃电概率分析模型中利用大数据的相关性分析、分类算法、权重分析,结合聚类、异类等数据挖掘算法,从用户用电行为数据中计算出窃电概率特征要素及其权重,并通过对训练样本的不断优化改进,形成窃电概率特征模型;窃电概率特征模型具体采用ORACLE数据库进行窃电概率数据分析。
其中,窃电概率分析系统采用大数据挖掘技术对异常用电行为数据进行分析,形成窃电概率特征数据模型,结合窃电概率特征模型和窃电概率分析服务开展窃电概率概率和级别判定,获取电力用户的异常用电情况和窃电概率概率,并针对窃电概率的异常用电用户开展预警;所述窃电概率分析系统包括应用层、业务逻辑层、数据处理层、用户数据接口、外部系统。
其中,应用层包括在线监测异常分析、电量异常分析、损耗率异常分析、窃电规则配置、窃电概率分析和窃电行为管理。
其中,业务逻辑层包括制定窃电概率判定规则、计算窃电概率概率。
其中,数据处理层包括在线监测异常、电量异常、历史窃电数据。
其中,用户数据接口包括用户数据接口、用电数据接口和历史窃电数据接口。
其中,外部系统包括营销业务系统和用电信息采集系统。
本发明的技术方案是,利用大数据相关技术有效整合用电信息采集系统、营销业务系统中的用户档案类、计量装置类、运行监测类、历史窃电等相关数据,利用数据加工服务开展异常用电行为分析,采用数据挖掘技术对异常用电行为数据进行分析,逐渐形成科学合理的窃电概率特征数据模型,结合窃电概率特征模型和窃电概率分析服务开展窃电概率概率和级别判定,使得用电检查人员能够及时掌握电力用户的异常用电情况和窃电概率概率,并针对窃电概率较高的异常用电用户开展预警,缩小用电检查人员的现场排查范围。
在本说明书的描述中,参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节,也不限制该发明仅为所述的具体实施方式。显然,根据本说明书的内容,可作很多的修改和变化。本说明书选取并具体描述这些实施例,是为了更好地解释本发明的原理和实际应用,从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。
Claims (8)
1.一种基于大数据分析用电行为判定窃电概率的方法,其特征在于:包括如下过程:
SS01数据抽取与整合
利用sqoop实现用电信息采集系统、营销业务系统中的用户档案、计量装置、采集电量、采集负荷、终端事件、历史窃电的数据抽取、清洗与转换,整合;
SS02异常用电行为分析
通过数据加工服务,开展异常用电行为分析,包括电量异常、负荷异常、终端事件异常三大类,其中电量异常包括电能表停走、电量波动异常等;负荷异常包括电压断相、电压越线、电压不平衡、B相异常、电流失流、电流不平衡、功率因素异常、负荷超容等;终端事件异常主要包括异常开盖记录;
SS03建立窃电概率分析模型
利用大数据的相关性分析、分类算法、权重分析,结合聚类、异类等数据挖掘算法,从用户用电行为数据中计算出窃电概率特征要素及其权重,并通过对训练样本的不断优化改进,形成窃电概率特征模型;即
窃电概率=电能表是否停走*权重+电量波动是否异常*权重+电压是否断相*权重+电压是否越线*权重+电压是否不平衡*权重+B相是否异常*权重+电流是否失流*权重+电流是否不平衡*权重+功率因素是否异常*权重+负荷是否超容*权重+是否异常开盖*权重;
SS04窃电概率判定
按照每种窃电概率特征要素及其对应权重,将用户每日出现的各项嫌疑要素权重累加,得到用户每日的窃电概率总权重,根据总权重定义窃电概率级别,分为非常高(90%-100%)、高(70%-90%)、一般(50%-70%)、忽略(0-50%);
SS05窃电概率预警
将窃电概率的用户异常用电情况、窃电概率特征和历史窃电数据上传至窃电概率分析系统进行预警。
2.根据权利要求1所述的一种基于大数据分析用电行为判定窃电概率的方法,其特征在于,所述SS03建立窃电概率分析模型中利用大数据的相关性分析、分类算法、权重分析,结合聚类、异类等数据挖掘算法,从用户用电行为数据中计算出窃电概率特征要素及其权重,并通过对训练样本的不断优化改进,形成窃电概率特征模型;窃电概率特征模型具体采用ORACLE数据库进行窃电概率数据分析。
3.根据权利要求1所述的一种基于大数据分析用电行为判定窃电概率的方法,其特征在于,
所述窃电概率分析系统采用大数据挖掘技术对异常用电行为数据进行分析,形成窃电概率特征数据模型,结合窃电概率特征模型和窃电概率分析服务开展窃电概率概率和级别判定,获取电力用户的异常用电情况和窃电概率概率,并针对窃电概率的异常用电用户开展预警;
所述窃电概率分析系统包括应用层、业务逻辑层、数据处理层、用户数据接口、外部系统。
4.根据权利要求3所述的一种基于大数据分析用电行为判定窃电概率的方法,其特征在于,所述应用层包括在线监测异常分析、电量异常分析、损耗率异常分析、窃电规则配置、窃电概率分析和窃电行为管理。
5.根据权利要求3所述的一种基于大数据分析用电行为判定窃电概率的方法,其特征在于,所述业务逻辑层包括制定窃电概率判定规则、计算窃电概率概率。
6.根据权利要求3所述的一种基于大数据分析用电行为判定窃电概率的方法,其特征在于,所述数据处理层包括在线监测异常、电量异常、历史窃电数据。
7.根据权利要求3所述的一种基于大数据分析用电行为判定窃电概率的方法,其特征在于,所述用户数据接口包括用户数据接口、用电数据接口和历史窃电数据接口。
8.根据权利要求3所述的一种基于大数据分析用电行为判定窃电概率的方法,其特征在于,所述外部系统包括营销业务系统和用电信息采集系统。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710842008.6A CN107633050A (zh) | 2017-09-18 | 2017-09-18 | 一种基于大数据分析用电行为判定窃电概率的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710842008.6A CN107633050A (zh) | 2017-09-18 | 2017-09-18 | 一种基于大数据分析用电行为判定窃电概率的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107633050A true CN107633050A (zh) | 2018-01-26 |
Family
ID=61101937
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710842008.6A Pending CN107633050A (zh) | 2017-09-18 | 2017-09-18 | 一种基于大数据分析用电行为判定窃电概率的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107633050A (zh) |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108492134A (zh) * | 2018-03-07 | 2018-09-04 | 国网四川省电力公司 | 基于多周期回归树集成的大数据用户用电行为分析系统 |
CN108593990A (zh) * | 2018-06-04 | 2018-09-28 | 国网天津市电力公司 | 一种基于电能用户用电行为模式的窃电检测方法和应用 |
CN108629023A (zh) * | 2018-05-09 | 2018-10-09 | 北京京东金融科技控股有限公司 | 数据挖掘方法、装置以及计算机可读存储介质 |
CN109145031A (zh) * | 2018-08-20 | 2019-01-04 | 国网安徽省电力有限公司合肥供电公司 | 一种面向业务市场接入需求的多源数据多维重构方法 |
CN109615004A (zh) * | 2018-12-07 | 2019-04-12 | 江苏瑞中数据股份有限公司 | 一种多源数据融合的防窃电预警方法 |
CN109635962A (zh) * | 2018-12-17 | 2019-04-16 | 广州甘来信息科技有限公司 | 基于自贩机的检修时间预测方法、装置、设备及存储介质 |
CN109753989A (zh) * | 2018-11-18 | 2019-05-14 | 韩霞 | 基于大数据与机器学习的电力用户窃电行为分析方法 |
CN110070256A (zh) * | 2019-02-28 | 2019-07-30 | 国网浙江省电力有限公司 | 基于critic方法的零电量用户排查优先度权重计算方法 |
CN110082579A (zh) * | 2019-05-21 | 2019-08-02 | 国网湖南省电力有限公司 | 一种台区智能反窃电监测方法、系统、设备及介质 |
CN111126727A (zh) * | 2018-10-30 | 2020-05-08 | 广州供电局有限公司 | 电力计费分布式并行异常检测方法 |
CN112215721A (zh) * | 2020-09-04 | 2021-01-12 | 国网青海省电力公司信息通信公司 | 基于大数据的电力窃电精准识别及窃电反馈数据分析模型 |
CN112256735A (zh) * | 2020-10-23 | 2021-01-22 | 北京合众伟奇科技股份有限公司 | 一种用电监测方法、装置、计算机设备和存储介质 |
CN112614012A (zh) * | 2020-12-11 | 2021-04-06 | 国网北京市电力公司 | 用户窃电识别方法及装置 |
CN114971002A (zh) * | 2022-05-20 | 2022-08-30 | 国网湖北省电力有限公司营销服务中心(计量中心) | 一种基于计量终端负荷监测技术的异常电量预测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104036357A (zh) * | 2014-06-12 | 2014-09-10 | 国家电网公司 | 用户用电窃电行为模式的分析方法 |
WO2014160388A1 (en) * | 2013-03-14 | 2014-10-02 | Hrl Laboratories, Llc | Predicting system trajectories toward critical transitions |
CN106203832A (zh) * | 2016-07-12 | 2016-12-07 | 亿米特(上海)信息科技有限公司 | 智能防窃电分析系统及分析方法 |
CN106909676A (zh) * | 2017-03-02 | 2017-06-30 | 国家电网公司 | 用户用电行为的分析方法及装置 |
-
2017
- 2017-09-18 CN CN201710842008.6A patent/CN107633050A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014160388A1 (en) * | 2013-03-14 | 2014-10-02 | Hrl Laboratories, Llc | Predicting system trajectories toward critical transitions |
CN104036357A (zh) * | 2014-06-12 | 2014-09-10 | 国家电网公司 | 用户用电窃电行为模式的分析方法 |
CN106203832A (zh) * | 2016-07-12 | 2016-12-07 | 亿米特(上海)信息科技有限公司 | 智能防窃电分析系统及分析方法 |
CN106909676A (zh) * | 2017-03-02 | 2017-06-30 | 国家电网公司 | 用户用电行为的分析方法及装置 |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108492134A (zh) * | 2018-03-07 | 2018-09-04 | 国网四川省电力公司 | 基于多周期回归树集成的大数据用户用电行为分析系统 |
CN108629023A (zh) * | 2018-05-09 | 2018-10-09 | 北京京东金融科技控股有限公司 | 数据挖掘方法、装置以及计算机可读存储介质 |
CN108593990A (zh) * | 2018-06-04 | 2018-09-28 | 国网天津市电力公司 | 一种基于电能用户用电行为模式的窃电检测方法和应用 |
CN109145031A (zh) * | 2018-08-20 | 2019-01-04 | 国网安徽省电力有限公司合肥供电公司 | 一种面向业务市场接入需求的多源数据多维重构方法 |
CN111126727B (zh) * | 2018-10-30 | 2022-08-02 | 广东电网有限责任公司广州供电局 | 电力计费分布式并行异常检测方法 |
CN111126727A (zh) * | 2018-10-30 | 2020-05-08 | 广州供电局有限公司 | 电力计费分布式并行异常检测方法 |
CN109753989A (zh) * | 2018-11-18 | 2019-05-14 | 韩霞 | 基于大数据与机器学习的电力用户窃电行为分析方法 |
CN109615004A (zh) * | 2018-12-07 | 2019-04-12 | 江苏瑞中数据股份有限公司 | 一种多源数据融合的防窃电预警方法 |
CN109635962A (zh) * | 2018-12-17 | 2019-04-16 | 广州甘来信息科技有限公司 | 基于自贩机的检修时间预测方法、装置、设备及存储介质 |
CN110070256A (zh) * | 2019-02-28 | 2019-07-30 | 国网浙江省电力有限公司 | 基于critic方法的零电量用户排查优先度权重计算方法 |
CN110070256B (zh) * | 2019-02-28 | 2023-12-08 | 国网浙江省电力有限公司 | 基于critic方法的零电量用户排查优先度权重计算方法 |
CN110082579A (zh) * | 2019-05-21 | 2019-08-02 | 国网湖南省电力有限公司 | 一种台区智能反窃电监测方法、系统、设备及介质 |
CN112215721A (zh) * | 2020-09-04 | 2021-01-12 | 国网青海省电力公司信息通信公司 | 基于大数据的电力窃电精准识别及窃电反馈数据分析模型 |
CN112256735A (zh) * | 2020-10-23 | 2021-01-22 | 北京合众伟奇科技股份有限公司 | 一种用电监测方法、装置、计算机设备和存储介质 |
CN112256735B (zh) * | 2020-10-23 | 2024-04-09 | 北京合众伟奇科技股份有限公司 | 一种用电监测方法、装置、计算机设备和存储介质 |
CN112614012A (zh) * | 2020-12-11 | 2021-04-06 | 国网北京市电力公司 | 用户窃电识别方法及装置 |
CN114971002A (zh) * | 2022-05-20 | 2022-08-30 | 国网湖北省电力有限公司营销服务中心(计量中心) | 一种基于计量终端负荷监测技术的异常电量预测方法 |
CN114971002B (zh) * | 2022-05-20 | 2023-08-25 | 国网湖北省电力有限公司营销服务中心(计量中心) | 一种基于计量终端负荷监测技术的异常电量预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107633050A (zh) | 一种基于大数据分析用电行为判定窃电概率的方法 | |
CN110097297B (zh) | 一种多维度窃电态势智能感知方法、系统、设备及介质 | |
Viegas et al. | Solutions for detection of non-technical losses in the electricity grid: A review | |
Zidi et al. | Theft detection dataset for benchmarking and machine learning based classification in a smart grid environment | |
CN106093707B (zh) | 智能防窃电分析系统的数据处理方法 | |
Cui et al. | Two-step electricity theft detection strategy considering economic return based on convolutional autoencoder and improved regression algorithm | |
Sun et al. | Outlier data treatment methods toward smart grid applications | |
CN107145959A (zh) | 一种基于大数据平台的电力数据处理方法 | |
CN102947801A (zh) | 恶意攻击检测和分析 | |
CN105426980B (zh) | 一种配电网健康指数评估工程应用系统 | |
CN106203832A (zh) | 智能防窃电分析系统及分析方法 | |
CN115423429A (zh) | 基于图像和声音信息的多模态一体化配网运营系统 | |
CN109739912A (zh) | 数据分析方法及系统 | |
Sun et al. | Data-driven approach for spatiotemporal distribution prediction of fault events in power transmission systems | |
Sun et al. | An ensemble system to predict the spatiotemporal distribution of energy security weaknesses in transmission networks | |
Ma et al. | Review of power spatio-temporal big data technologies for mobile computing in smart grid | |
Prakash et al. | A machine learning approach-based power theft detection using GRF optimization | |
CN105005575A (zh) | 一种企业智能预测快速开发接口方法 | |
Chen et al. | Learning power grid outages with higher-order topological neural networks | |
CN111143835B (zh) | 基于机器学习的电力计量系统业务逻辑非侵入式防护方法 | |
Nijim et al. | The design of a novel smart home control system using a smart grid based on edge and cloud computing | |
CN106127602A (zh) | 一种基于约简离群点算法的窃电辨识方法及装置 | |
Pan et al. | Study on intelligent anti–electricity stealing early-warning technology based on convolutional neural networks | |
Guerrero et al. | Intelligent Information System as a Tool to Reach Unaproachable Goals for Inspectors | |
Zhang et al. | An abnormal behavior detection based on deep learning |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180126 |
|
RJ01 | Rejection of invention patent application after publication |