CN107992520A - 一种基于用电行为轨迹的异常用电识别方法 - Google Patents
一种基于用电行为轨迹的异常用电识别方法 Download PDFInfo
- Publication number
- CN107992520A CN107992520A CN201711060085.2A CN201711060085A CN107992520A CN 107992520 A CN107992520 A CN 107992520A CN 201711060085 A CN201711060085 A CN 201711060085A CN 107992520 A CN107992520 A CN 107992520A
- Authority
- CN
- China
- Prior art keywords
- user
- power
- electricity consumption
- day
- electricity
- 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 136
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 41
- 238000000034 method Methods 0.000 title claims abstract description 20
- 230000009471 action Effects 0.000 title claims abstract description 19
- 206010000117 Abnormal behaviour Diseases 0.000 claims abstract description 11
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000001360 synchronised effect Effects 0.000 claims description 4
- 230000001052 transient effect Effects 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 5
- 230000005856 abnormality Effects 0.000 description 3
- 230000002547 anomalous effect Effects 0.000 description 3
- 230000006872 improvement Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2462—Approximate or statistical queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Probability & Statistics with Applications (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Fuzzy Systems (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及一种基于用电行为轨迹的异常用电识别方法,包括以下步骤:S1.采集用户用电的数据信息;S2.基于采集的数据信息,计算用户日总功率;S3.收集用户日总功率的数据信息,判断用户是否存在日电量与日总功率差值的比值异常;S4.基于步骤S1~S3的数据信息,构建用户用电轨迹特征模型;S5.基于步骤S4构建的特征模型构建用户用电与用电轨迹异常的识别模型;S6.基于步骤S1~S5的数据信息,建立用户行为轨迹异常模型,并判断用户是否用电行为异常。
Description
技术领域
本发明涉及用电异常分析的技术领域,特别涉及一种基于用电行为轨迹的异常用电识别方法。
背景技术
目前,随着电力系统信息化程度的不断提高和配用电数据量的迅速增长,供电企业非技术损失和供电安全成了供电领域关注的热点。在10kV线路下专变用户已安装计量装置和负控采集终端,为自动抄表、线损分析、营销管理提供了帮助,在用电异常方面依然是靠人工分析,需要花费大量的人力物力且工作效率低下;如何利用好已有的数据,精确且高效率的查找出存在用电异常的用户是当前用电检查迫切解决的问题。
发明内容
本发明提供一种智能分析、高效检测的基于用电行为轨迹的异常用电识别方法。
为解决上述技术问题,本发明采用的技术方案是:
一种基于用电行为轨迹的异常用电识别方法,包括以下步骤:
S1.采集用户用电的数据信息;
S2.基于采集的数据信息,计算用户日总功率;
S3.收集用户日总功率的数据信息,判断用户是否存在日电量与日总功率差值的比值异常;
S4.基于步骤S1~S3的数据信息,构建用户用电轨迹特征模型;
S5.基于步骤S4构建的特征模型构建用户用电与用电轨迹异常的识别模型;
S6.基于步骤S1~S5的数据信息,建立用户用电行为异常模型,并判断用户是否用电行为异常。
在上述方案中,通过采集用户用电的数据信息,进一步计算用户日总功率,将采集和计算的数据信息进行保存,进一步判断用户是否存在日电量与日总功率差值的比值异常;从而进一步构建用户用电轨迹特征模型,基于用户用电轨迹特征模型进一步构建用户用电与用电轨迹异常的识别模型;根据采集的数据以及构建模型相结合,建立用户行为轨迹异常模型,并判断用户是否用电行为异常;在本方案中,利用采集的数据信息建立用电轨迹特征模型、用电轨迹异常的识别模型和用户行为轨迹异常模型,从而进一步判断用户是否用电行为异常;在整个操作过程中不需要人工进行检测操作,对数据信息进行智能分析,从而进一步识别出用户用电是否存在异常,提高管理人员的工作效率,有效对用户用电进行监控。
优选的,所述的用户用电数据信息包括:用户一天24小时整点的瞬时电压、瞬时电流、功率因数、功率和日电量。
优选的,所述的步骤S2包括以下步骤:
S21.判断采集的数据信息中是否包括有功率数据信息,若有则进行步骤S22;否则进行步骤S23;
S22.计算用户日电量有功效率之和:
其中,P1、P2、………P24分别表示:时间节点为1点、2点、………24点的有功效率;
S23.判断采集的数据信息中是否包括三相有功率数据信息,若有则进行步骤S24;否则进行步骤S25;
S24.计算用户日电量有功效率之和:
其中,Pa总、Pb总、Pc总分别表示:A相总功率、B相总功率、C相总功率; Pa1、Pb1、Pc1、…、Pa24、Pb24、Pc24分别表示:A相每天1点的功率、B相每天1点的功率、C相每天1点的功率、...、A相每天24点的功率、B相每天 24点的功率、C相每天24点的功率。
S25.对采集数据中的电压、电流计算用户日电量有效功率之和:整点估算功率为:
P1估=((Ia*Ua+Ib*Ub+Ic*Uc)*pf0*倍率)/1000;
其中,pf0=0.8;采集的电流电压数据为二次瞬时量数据,Ia表示A相二次电流、Ua表示A相二次电压、Ib表示B相二次电流、Ub表示B相二次电压、Ic 表示C相二次电流、Uc表示C相二次电压;
依次计算P1、P2、P3、…、P24的值;计算用户日总功率:
优选的,步骤S3的具体如下:
收集用户日总功率的数据信息,判断用户是否存在日电量与日总功率差值的比值异常;其中,日总功率与日电量差值比值公式:
PBZ=100*(日总功率-日电量)/日电量,
当PBZ<-40,则认为存在日总功率与日电量差值的比值异常。
优选的,步骤S4的具体步骤如下:
S41.提取上一年度同期当月的用户用电数据信息;
S42.求出每小时节点的平均值;
S43.将求取的平均值除以平均容量,获取单位容量的功率曲线,构建用户用电轨迹特征模型。
优选的,步骤S5的具体步骤如下:
S51.获取用户24小时的整点功率与用户对应的用电轨迹对比;基于欧几里德距离的相似度算法判别两条曲线相似性,求两条曲线相同时间连续两个点之间的差值距离,通过对比判断两条曲线在两个时间点之间算法趋势同步;
S52.建立基于曲线之间面积相似度算法,用户与轨迹曲线之间通过放大或缩小,放在同一坐标系中,根据用户用电性质,一般专变用户若正常用电白天用电负荷是上升的;其中,白天定义为早上8点到晚上18点;两条曲线的交叉面积需乘以4倍,其他时间按1倍面积计算,最终通过面积大小判别两条轨迹是否异常。
优选的,步骤S6的具体如下:
结合用户电量与功率比值、用户与用电轨迹的同步性、用户与用电轨迹的交叉面积、用户电量信息;判断用户是否用电行为异常。
优选的,所述的用户用电为行业用户用电,所述的行业用户用电为工业用户用电。
与现有技术相比,本发明的有益效果是:利用采集的数据信息建立用电轨迹特征模型、用电轨迹异常的识别模型和用户行为轨迹异常模型,从而进一步判断用户是否用电行为异常;在整个操作过程中不需要人工进行检测操作,对数据信息进行智能分析,从而进一步识别出用户用电是否存在异常,提高管理人员的工作效率,有效对用户用电进行监控。
附图说明
图1为本发明一种基于用电行为轨迹的异常用电识别方法的流程示意图。
图2为本发明一种基于用电行为轨迹的异常用电识别方法的日总功率与日电量差值比值判别流程示意图。
图3为本发明一种基于用电行为轨迹的异常用电识别方法的用户与用电轨迹异常识别流程示意图。
图4为本发明一种基于用电行为轨迹的异常用电识别方法的异常识别运算示意图。
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除、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做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
一种基于用电行为轨迹的异常用电识别方法的流程示意图如图1所示:
包括以下步骤:
S1.采集用户用电的数据信息;
S2.基于采集的数据信息,计算用户日总功率;
S3.收集用户日总功率的数据信息,判断用户是否存在日电量与日总功率差值的比值异常;
S4.基于步骤S1~S3的数据信息,构建用户用电轨迹特征模型;同时,根据用户用电轨迹特征模型构建用户用电与用电轨迹异常的识别模型,判断用户是否用电轨迹异常;
S5.通过采集的数据信息和建立模型;建立用户行为轨迹异常模型,并判断用户是否用电行为异常。
在本实施例中,用户用电数据信息包括:用户一天24小时整点的瞬时电压、瞬时电流、功率因数、功率和日电量。
在本实施例中,用户用电为行业用户用电,其中,行业用户用电为工业用户用电。
在本实施例中,步骤S2包括以下步骤:
S21.判断采集的数据信息中是否包括有功率数据信息,若有则进行步骤S22;否则进行步骤S23;
S22.计算用户日电量有功效率之和:
其中,P1、P2、………P24分别表示:时间节点为1点、2点、………24点的有功效率;
S23.判断采集的数据信息中是否包括三相有功率数据信息,若有则进行步骤S24;否则进行步骤S25;
S24.计算用户日电量有功效率之和:
其中,Pa总、Pb总、Pc总分别表示:A相总功率、B相总功率、C相总功率; Pa1、Pb1、Pc1、…、Pa24、Pb24、Pc24分别表示:A相每天1点的功率、B相每天1点的功率、C相每天1点的功率、...、A相每天24点的功率、B相每天 24点的功率、C相每天24点的功率。
S25.对采集数据中的电压、电流计算用户日电量有效功率之和:整点估算功率为:
P1估=((Ia*Ua+Ib*Ub+Ic*Uc)*pf0*倍率)/1000;
其中,pf0=0.8;采集的电流电压数据为二次瞬时量数据,Ia表示A相二次电流、Ua表示A相二次电压、Ib表示B相二次电流、Ub表示B相二次电压、Ic 表示C相二次电流、Uc表示C相二次电压;
依次计算P1、P2、P3、…、P24的值;计算用户日总功率:
在本实施例中,步骤S3的具体如下:
收集用户日总功率的数据信息,判断用户是否存在日电量与日总功率差值的比值异常;其中,日总功率与日电量差值比值公式:
PBZ=100*(日总功率-日电量)/日电量,
当PBZ<-40,则认为存在日总功率与日电量差值的比值异常。
在本实施例中,步骤S4的具体步骤如下:
S41.提取上一年度同期当月的用户用电数据信息;
S42.求出每小时节点的平均值;
S43.将求取的平均值除以平均容量,获取单位容量的功率曲线,构建用户用电轨迹特征模型。
在本实施例中,步骤S5的具体步骤如下:
S51.获取用户24小时的整点功率与用户对应的用电轨迹对比;基于欧几里德距离的相似度算法判别两条曲线相似性,求两条曲线相同时间连续两个点之间的差值距离,通过对比判断两条曲线在两个时间点之间算法趋势同步;
S52.建立基于曲线之间面积相似度算法,用户与轨迹曲线之间通过放大或缩小,放在同一坐标系中,根据用户用电性质,一般专变用户若正常用电白天用电负荷是上升的;其中,白天定义为早上8点到晚上18点;两条曲线的交叉面积需乘以4倍,其他时间按1倍面积计算,最终通过面积大小判别两条轨迹是否异常。
在本实施例中,步骤S6的具体如下:
结合用户电量与功率比值、用户与行业用电轨迹的同步性、用户与行业用电轨迹的交叉面积、用户电量信息;判断用户是否用电行为异常。
其中,在本实施例中,日总功率与日电量差值比值判别流程示意图如图2所示:
步骤201:采集电流、电压、总功率、三相功率、功率因数数据,计算用户日总功率;
步骤202:是否有采集功率,获取用户采集的三相功率和总功率,进入步骤4,若用户没有采集的三相功率数据和总功率数据,进入步骤3;
步骤203:判断是否能计算用户三相功率,若能则进行步骤4,否则结束操作;
步骤204:计算日总功率与日电量差值比值;
步骤205:判断是否日总功率异常。
其中,步骤203的具体如下:对采集数据中的电压、电流计算用户日电量有效功率之和:整点估算功率为:
P1估=((Ia*Ua+Ib*Ub+Ic*Uc)*pf0*倍率)/1000;
其中,pf0=0.8;
依次计算P1、P2、P3、…、P24的值;计算用户日总功率:
其中,步骤204的具体如下:计算日总功率与日电量差值比值,日总功率与日电量差值比值公式PBZ=100*(日总功率-日电量)/日电量。
其中,步骤205的具体如下:用户正常情况用电,存在日电量≈日总功率,日总功率与日电量差值比值公式PBZ=100*(日总功率-日电量)/日电量,当日总功率大幅小于日电量则认为异常,因此定义,PBZ<-40则日总功率异常。
其中,在本实施例中,用户与用电轨迹异常识别流程示意图如图3所示:
步骤301:收集用户用电数据;
步骤302:建立用户用电轨迹,提取用户数据,用户用电轨迹每个月更新一次,提取的数据是用户去年同期当月所有工作日数据,并求每个时点的平均值后,再除以平均容量,最后得到行业典型用户24小时单位容量功率曲线;
步骤303:将用户与用电轨迹放入同一坐标系;
步骤304:利用欧几里德算法计算两条曲线相似性;
步骤305,计算两条曲线面积;
步骤306,判断用户与用电轨迹面积是否异常;若用电轨迹面积异常,则结束操作,否则进行步骤307;
步骤307:对用户与用电轨迹异常判别。
其中,步骤303~步骤307之间运算示意图如图4所示:
步骤303具体为:将用户与用电轨迹放入同一坐标系,以用户24小时功率轨迹为基准,计算24小时行业典型轨迹中功率的最大值和最小值,求差值平均值,行业Y轴等分平均值=(最大值-最小值)/5,用户Y轴等分平均值=最大值/5,行业Y轴最小值=Min行业24小时最小值,最终把两条曲线放入同一坐标系。
步骤304具体为:利用欧几里德算法计算两条曲线相似性,用户与所在行业用电行为具有一定的相似性,若早上时间段,同一行业用户可能存在相同时间段生产,所以用户和行业用电轨迹在趋势上是一致的,用电量同时上升趋势,利用欧几里德算法计算两条曲线相似性;计算用户曲线两个点的距离,假设x,y是 n维空间的两个点,它们之间的欧几里德距离是:
其中,点x=(x1,...,xn)和y=(y1,...,yn)之间的距离为
其中,(x,y)表示坐标中每一个点,x表示横坐标值,这里是时间统一取的1, y表示某个时间点对应的用电量;
当n=2时,欧几里德距离就是平面上两个点的距离;当用欧几里德距离表示相似度,对公式进行转换:距离越小,相似度越大;
其中,(x,y)表示坐标中每一个点,x表示横坐标值,这里是时间统一取的1, y表示某个时间点对应的用电量;
最终判别出用户与行业轨迹是否同步。
步骤305具体为:
计算两条曲线面积,由于已经把两条曲线放入同一坐标系中,两条曲线无论是否相交,在连续两个点之间存在封闭的图形,可能是四边形,可能是三角形,因此需先计算连续两点之间的面积,再求总和,计算公式如下:
根据四边形公式可以先求出a1,a2的值a1=|A1-B1|,a2=|A2-B2|,h的值即是X1-X0轴坐标的值,根据公式可以计算出面积S1;计算三角形公式,找出相交点的Y轴坐标W,求直线交点时我们可通过直线的一般方程ax+by+c=0,然后根据交点的与线段端点的位置关系来判断交点是否在线段上;
公式如下式:
解
算出W点的坐标后就可以求出两个三角形的高,计算公式h1=W-X5,,h2=X6-W,最后根据三角形计算公式可以计算出面积S5;
两条曲线的总面积S=S1+S2+……SN,求出用户总面积后,对用户面积大小进行正太分布统计,并找出部分异常用户进行验证,查看其面积大小,最终设置合理的用户与行业轨迹面积异常阀值。
步骤306具体为:由于用电轨迹为每天判别,存在一定的随机性,所有判别用户与行业用电轨迹异常的定义是:用户在一周7天内有4天存在日总功率与日电量差值比值异常且用户与行业用电轨迹不同步且用户与行业用电轨迹面积异常。
显然,本发明的上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。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,均应包含在本发明权利要求的保护范围之内。
Claims (8)
1.一种基于用电行为轨迹的异常用电识别方法,其特征在于:包括以下步骤:
S1.采集用户用电的数据信息;
S2.基于采集的数据信息,计算用户日总功率;
S3.收集用户日总功率的数据信息,判断用户是否存在日电量与日总功率差值的比值异常;
S4.基于步骤S1~S3的数据信息,构建用户用电轨迹特征模型;
S5.基于步骤S4构建的特征模型构建用户用电与用电轨迹异常的识别模型;
S6.基于步骤S1~S5的数据信息,建立用户用电行为异常模型,并判断用户是否用电行为异常。
2.根据权利要求1所述的基于用电行为轨迹的异常用电识别方法,其特征在于:所述的用户用电数据信息包括:用户一天24小时整点的瞬时电压、瞬时电流、功率因数、功率和日电量。
3.根据权利要求1所述的基于用电行为轨迹的异常用电识别方法,其特征在于:所述的步骤S2包括以下步骤:
S21.判断采集的数据信息中是否包括有功率数据信息,若有则进行步骤S22;否则进行步骤S23;
S22.计算用户日电量有功效率之和:
其中,P1、P2、………P24分别表示:时间节点为1点、2点、………24点的有功效率;
S23.判断采集的数据信息中是否包括三相有功率数据信息,若有则进行步骤S24;否则进行步骤S25;
S24.计算用户日电量有功效率之和:
其中,Pa总、Pb总、Pc总分别表示:A相总功率、B相总功率、C相总功率;Pa1、Pb1、Pc1、…、Pa24、Pb24、Pc24分别表示:A相每天1点的功率、B相每天1点的功率、C相每天1点的功率、...、A相每天24点的功率、B相每天24点的功率、C相每天24点的功率。
S25.对采集数据中的电压、电流计算用户日电量有效功率之和:整点估算功率为:
P1估=((Ia*Ua+Ib*Ub+Ic*Uc)*pf0*倍率)/1000;
其中,pf0=0.8;采集的电流电压数据为二次瞬时量数据,Ia表示A相二次电流、Ua表示A相二次电压、Ib表示B相二次电流、Ub表示B相二次电压、Ic表示C相二次电流、Uc表示C相二次电压;
依次计算P1、P2、P3、…、P24的值;计算用户日总功率:
4.根据权利要求1所述的基于用电行为轨迹的异常用电识别方法,其特征在于:步骤S3的具体如下:
收集用户日总功率的数据信息,判断用户是否存在日电量与日总功率差值的比值异常;其中,日总功率与日电量差值比值公式:
PBZ=100*(日总功率-日电量)/日电量,
当PBZ<-40,则认为存在日总功率与日电量差值的比值异常。
5.根据权利要求1所述的基于用电行为轨迹的异常用电识别方法,其特征在于:步骤S4的具体步骤如下:
S41.提取上一年度同期当月的用户用电数据信息;
S42.求出每小时节点的平均值;
S43.将求取的平均值除以平均容量,获取单位容量的功率曲线,构建用户用电轨迹特征模型。
6.根据权利要求1所述的基于用电行为轨迹的异常用电识别方法,其特征在于:步骤S5的具体步骤如下:
S51.获取用户24小时的整点功率与用户对应的用电轨迹对比;基于欧几里德距离的相似度算法判别两条曲线相似性,求两条曲线相同时间连续两个点之间的差值距离,通过对比判断两条曲线在两个时间点之间算法趋势同步;
S52.建立基于曲线之间面积相似度算法,用户与轨迹曲线之间通过放大或缩小,放在同一坐标系中,根据用户用电性质,一般专变用户若正常用电白天用电负荷是上升的;其中,白天定义为早上8点到晚上18点;两条曲线的交叉面积需乘以4倍,其他时间按1倍面积计算,最终通过面积大小判别两条轨迹是否异常。
7.根据权利要求1所述的基于用电行为轨迹的异常用电识别方法,其特征在于:步骤S6的具体如下:
结合用户电量与功率比值、用户与用电轨迹的同步性、用户与用电轨迹的交叉面积、用户电量信息;判断用户是否用电行为异常。
8.根据权利要求1~7任一项所述的基于用电行为轨迹的异常用电识别方法,其特征在于:所述的用户用电为行业用户用电,所述的行业用户用电为工业用户用电。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711060085.2A CN107992520B (zh) | 2017-11-01 | 2017-11-01 | 一种基于用电行为轨迹的异常用电识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711060085.2A CN107992520B (zh) | 2017-11-01 | 2017-11-01 | 一种基于用电行为轨迹的异常用电识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107992520A true CN107992520A (zh) | 2018-05-04 |
CN107992520B CN107992520B (zh) | 2021-05-04 |
Family
ID=62030107
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711060085.2A Active CN107992520B (zh) | 2017-11-01 | 2017-11-01 | 一种基于用电行为轨迹的异常用电识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107992520B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109615558A (zh) * | 2018-12-11 | 2019-04-12 | 国网辽宁省电力有限公司鞍山供电公司 | 一种基于用电参数大数据统计的用户用电习惯分析方法 |
CN111222768A (zh) * | 2019-12-29 | 2020-06-02 | 杭州拓深科技有限公司 | 非侵入式负荷识别-用电行为分析用电判断方法及系统 |
CN112070458A (zh) * | 2020-08-07 | 2020-12-11 | 新华三信息安全技术有限公司 | 一种账号识别方法及装置 |
CN112200464A (zh) * | 2020-10-14 | 2021-01-08 | 国网山东省电力公司聊城供电公司 | 计及空间相关性的光伏电站出力数据的修正方法及系统 |
CN112649644A (zh) * | 2020-12-22 | 2021-04-13 | 常州常工电子科技股份有限公司 | 一种学生公寓用电安全负载学习方法 |
CN117472898A (zh) * | 2023-12-26 | 2024-01-30 | 国网江西省电力有限公司电力科学研究院 | 一种基于融合的配电网异常数据纠错方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130204552A1 (en) * | 2012-02-08 | 2013-08-08 | Industrial Technology Research Institute | Method and apparatus for detecting device anomaly |
CN105630885A (zh) * | 2015-12-18 | 2016-06-01 | 国网福建省电力有限公司泉州供电公司 | 一种用电异常检测方法及系统 |
CN106093707A (zh) * | 2016-07-12 | 2016-11-09 | 亿米特(上海)信息科技有限公司 | 智能防窃电分析系统的数据处理方法 |
CN106291030A (zh) * | 2016-09-27 | 2017-01-04 | 国网山东省电力公司济南供电公司 | 一种配电网计量防护系统 |
CN107145966A (zh) * | 2017-04-12 | 2017-09-08 | 山大地纬软件股份有限公司 | 基于逻辑回归概率分析优化模型的反窃电分析预警方法 |
-
2017
- 2017-11-01 CN CN201711060085.2A patent/CN107992520B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130204552A1 (en) * | 2012-02-08 | 2013-08-08 | Industrial Technology Research Institute | Method and apparatus for detecting device anomaly |
CN105630885A (zh) * | 2015-12-18 | 2016-06-01 | 国网福建省电力有限公司泉州供电公司 | 一种用电异常检测方法及系统 |
CN106093707A (zh) * | 2016-07-12 | 2016-11-09 | 亿米特(上海)信息科技有限公司 | 智能防窃电分析系统的数据处理方法 |
CN106291030A (zh) * | 2016-09-27 | 2017-01-04 | 国网山东省电力公司济南供电公司 | 一种配电网计量防护系统 |
CN107145966A (zh) * | 2017-04-12 | 2017-09-08 | 山大地纬软件股份有限公司 | 基于逻辑回归概率分析优化模型的反窃电分析预警方法 |
Non-Patent Citations (1)
Title |
---|
李海林等: "正态云模型相似度计算方法", 《电子学报》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109615558A (zh) * | 2018-12-11 | 2019-04-12 | 国网辽宁省电力有限公司鞍山供电公司 | 一种基于用电参数大数据统计的用户用电习惯分析方法 |
CN109615558B (zh) * | 2018-12-11 | 2023-08-15 | 国网辽宁省电力有限公司鞍山供电公司 | 一种基于用电参数大数据统计的用户用电习惯分析方法 |
CN111222768A (zh) * | 2019-12-29 | 2020-06-02 | 杭州拓深科技有限公司 | 非侵入式负荷识别-用电行为分析用电判断方法及系统 |
CN112070458A (zh) * | 2020-08-07 | 2020-12-11 | 新华三信息安全技术有限公司 | 一种账号识别方法及装置 |
CN112200464A (zh) * | 2020-10-14 | 2021-01-08 | 国网山东省电力公司聊城供电公司 | 计及空间相关性的光伏电站出力数据的修正方法及系统 |
CN112200464B (zh) * | 2020-10-14 | 2023-04-28 | 国网山东省电力公司聊城供电公司 | 计及空间相关性的光伏电站出力数据的修正方法及系统 |
CN112649644A (zh) * | 2020-12-22 | 2021-04-13 | 常州常工电子科技股份有限公司 | 一种学生公寓用电安全负载学习方法 |
CN112649644B (zh) * | 2020-12-22 | 2021-06-29 | 常州常工电子科技股份有限公司 | 一种学生公寓用电安全负载学习方法 |
CN117472898A (zh) * | 2023-12-26 | 2024-01-30 | 国网江西省电力有限公司电力科学研究院 | 一种基于融合的配电网异常数据纠错方法及系统 |
CN117472898B (zh) * | 2023-12-26 | 2024-04-02 | 国网江西省电力有限公司电力科学研究院 | 一种基于融合的配电网异常数据纠错方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN107992520B (zh) | 2021-05-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107992520A (zh) | 一种基于用电行为轨迹的异常用电识别方法 | |
CN103135009B (zh) | 基于使用者回馈信息的电器侦测方法与系统 | |
CN102521672B (zh) | 一种基于配网生产作业计划的安全风险自动识别方法 | |
CN106291030B (zh) | 一种配电网计量防护系统 | |
CN109472714A (zh) | 一种基于大数据的线路台区异常分析系统及方法 | |
CN107039970A (zh) | 公变台区线损率异常原因检测方法和系统 | |
CN106154084A (zh) | 电网负荷异常及运行风险实时监控预警方法 | |
CN104966147A (zh) | 一种考虑基态和事故态的电网运行风险分析方法 | |
CN112034260B (zh) | 一种配电台区低压线损精益分析与反窃电精准定位方法 | |
CN110045194B (zh) | 高压供电线路反窃电方法 | |
CN106872776B (zh) | 一种变电站背景谐波评估方法 | |
CN107870275A (zh) | 基于大数据的避雷器运行状态评价方法 | |
CN110047013B (zh) | 反专变用户间断型窃电方法 | |
CN109307811A (zh) | 一种基于大数据挖掘的用户专用变压器用电监测方法 | |
CN107944680A (zh) | 一种基于智能电能表的变电站电能量平衡监测方法 | |
CN113112136A (zh) | 一种配电网可靠性综合评估方法及系统 | |
CN108471165A (zh) | 一种用于轨道交通车站的用电安全监测系统及方法 | |
CN110967585B (zh) | 恶性负载的识别方法及装置 | |
Uvais | Controller based power theft location detection system | |
CN103499804B (zh) | 一种电能计量装置异常分析系统及其分析方法 | |
Grigoras et al. | Customer classification and load profiling using data from Smart Meters | |
CN113572149A (zh) | 一种基于非侵入式电力负荷监测的超负荷设备预警系统 | |
CN104143160A (zh) | 一种基于计算机实现的评测电网调度能力的方法 | |
CN103439569B (zh) | 一种宽范围量程自适应电压质量监测方法 | |
CN106709623B (zh) | 一种基于风险计算模型的电网营销稽查风险管控方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20210421 Address after: 510620 Tianhe District, Guangzhou, Tianhe South Road, No. two, No. 2, No. Applicant after: Guangzhou Power Supply Bureau of Guangdong Power Grid Co.,Ltd. Address before: 510000 No. two, No. two, Tianhe South Road, Guangzhou, Guangdong Applicant before: GUANGZHOU POWER SUPPLY Co.,Ltd. |