CN108593990B - 一种基于电能用户用电行为模式的窃电检测方法和应用 - Google Patents
一种基于电能用户用电行为模式的窃电检测方法和应用 Download PDFInfo
- Publication number
- CN108593990B CN108593990B CN201810562347.3A CN201810562347A CN108593990B CN 108593990 B CN108593990 B CN 108593990B CN 201810562347 A CN201810562347 A CN 201810562347A CN 108593990 B CN108593990 B CN 108593990B
- Authority
- CN
- China
- Prior art keywords
- user
- users
- electricity
- electric energy
- data
- 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.)
- Active
Links
- 230000005611 electricity Effects 0.000 title claims abstract description 91
- 238000001514 detection method Methods 0.000 title claims abstract description 39
- 230000006399 behavior Effects 0.000 claims abstract description 51
- 238000005265 energy consumption Methods 0.000 claims abstract description 31
- 230000002159 abnormal effect Effects 0.000 claims abstract description 17
- 238000012544 monitoring process Methods 0.000 claims abstract description 9
- 238000005259 measurement Methods 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 6
- 230000001932 seasonal effect Effects 0.000 claims description 4
- 238000003064 k means clustering Methods 0.000 abstract description 4
- 230000005612 types of electricity Effects 0.000 abstract description 2
- 238000004458 analytical method Methods 0.000 description 6
- 238000000034 method Methods 0.000 description 6
- 230000005856 abnormality Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000013450 outlier detection Methods 0.000 description 3
- 238000011835 investigation Methods 0.000 description 2
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R11/00—Electromechanical arrangements for measuring time integral of electric power or current, e.g. of consumption
- G01R11/02—Constructional details
- G01R11/24—Arrangements for avoiding or indicating fraudulent use
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
Abstract
本发明属于电力检测技术领域，特别涉及电力窃电检测技术领域，尤其涉及一种基于电能用户用电行为模式的窃电检测方法和应用。本发明的检测方法从用户的用电行为特性出发，依据不同电力用户用电能耗特点，考虑行为习惯、气候、季节等因素，建立不同用户能耗分时模型。基于K‑means聚类算法与LOF算法实现用户电能计量数据异常检测后，考虑到电能用户存在合理的用电行为改变，并不能准确判定用户存在窃电行为。本发明结合用电信息采集系统计量电能损耗，根据台区下能量消耗公式，引入窃电概率，对电能窃电概率进行计算，实现电能用户不同类型窃电行为的可靠监测。
Description
技术领域
本发明属于电力检测技术领域，特别涉及电力窃电检测技术领域，尤其涉及 一种基于电能用户用电行为模式的窃电检测方法和应用。
背景技术
随着智能电网建设的不断推进以及能源格局的变化，电能在经济社会中扮演 着越来越重要的角色。用电信息采集系统作为对用户电能信息采集、分析处理和 数据应用的平台，在现代化电力营销及智能电网双向互动方面发挥着重要作用， 余额报警、远程充值等业务的应用，为人们的生活提供了更多的便利。然而，半 开放网络结构以及智能电表硬件资源限制，同样带来了用电信息采集系统安全问 题。如何在电网线路损耗等技术性损耗存在的前提下，合理高效的对窃电等非技 术性损耗进行识别，避免因非法窃电对供电企业造成的经济损失，是用电信息采 集系统需要解决的重要任务之一。
目前，在实际情况中，不同用户在工作日模式和非工作日模式下的用电能耗 不同；因此，在窃电检测中考虑电能用户用电行为特点，才能够提升用电异常数 据检测的准确性，实现窃电用户的可靠检测。
发明内容
本发明的目的是提供一种基于电能用户用电行为模式的窃电检测方法和应 用，本发明的方法在窃电检测中考虑电能用户用电行为特点，提升用电异常数据 检测的准确性，实现窃电用户的可靠检测。
为此，本发明提供的技术方案如下：
第一方面，本发明提供一种基于电能用户用电行为模式的窃电检测方法，所 述检测方法至少包括以下步骤：
(1)建立能耗分时模型：基于用电信息采集系统中的用户电能计量信息， 建立不同类型用户的能耗分时模型；
(2)将不同类型用户的用电行为数据进行聚类，得到聚类后集合；
(3)对聚类后集合进行分析，定义局部离群因子LOFk(p)，并对疑似窃电行 为进行筛选；
(4)结合用电信息采集系统计量电能损耗，根据台区下能量消耗公式，进 行用户诚信度评价，实现窃电用户监测。
优选地，在步骤(1)中，所述用户的不同类型包括大型专变用户、中小型 专变用户、工行业用户和城镇居民用户；
优选地，考虑行为习惯、气候、季节因素中的至少一种或至少两种因素的组 合，建立能耗分时模型。
优选地，在步骤(2)中，基于K-means算法将不同类型用户的用电行为数 据进行聚类，得到聚类后集合，为用户用电行为数据异常分析奠定前期基础；
优选地，所述聚类的个数为k，聚类中心为Ck；
优选地，步骤(2)包括以下步骤：
(a)聚类初始阶段：在整体的n个数据样本中随机选取k个样本，C1，C2，…， Ck作为初始聚类中心；
(b)令
dis(n)表示用户的第i个计量日的数据与聚类中心Cn的几何距离，xi表示 用户的第i个计量日的数据；q为迭代次数；
按照最小距离原则，将xi划分到min{dis(n)|n＝1,2,…,k}对应的聚类中；
(c)更新聚类中心为
f表示步骤(b)中获得的该聚类中心Cn中的元素个数；
(d)迭代步骤(b)和步骤(c)，以误差平方E作为聚类性能判定条件，当 E＜ε时，近似表示为用电模型聚类中心Cn不再发生变化，转到步骤(e)；其中， ε在极限讨论中代表的是一个大于0的很小的数，可以任意小，只要不等于零；
(e)算法结束，输出k个聚类中心数值以及数据样本x的聚类结果，形成 聚类后集合。
优选地，在步骤(3)中，运用LOF算法对聚类后集合进行分析，定义局部 离群因子LOFk(p)，并对疑似窃电行为进行筛选；
LOFk(p)数值大小反应了p点的异常程度，其值越大异常程度越高。若在某 段时间存在窃电行为，则该用户在此时段内的数据聚类后LOF数值将明显增大。
设聚类后集合Y＝{y1，y2，…，yj}，各局部离群因子表示为LOF(yj)，令η为 离群检测阈值，若LOF(yj)>η则认为数据存在异常，转窃电行为检测；否则，认 为是正常数据；
优选地，η>1，具体取值以实际检测精度而定，若取值过小则异常数据变多， 取值过大则造成某些异常数据的遗漏；η的取值例如可以是2、2.5、3、3.5、4、 4.5、5、5.5、6、6.5、7、7.5、8、8.5、9、9.5、10、10.5、11或12及所述范围 内的所有取值，由于篇幅的限制，不再一一列举；更优选地，η＝1.5。
优选地，在步骤(4)中，设某一台区下电能用户m的第j个计量时刻的数 值为xmj，电网线损为ETL，为避免因网络中设备计量以及温度对线损带来的影响， 设置补偿阈值为δ，其取值与台区的规模有关，则某一台区下能耗关系为：
Edelivered–(x1j+x2j+…+xmj+ETL)≤δ ④
其中，Edelivered表示总表的电量；若用户数据异常时，台区下能耗满足公式④， 则认为该数据为正常数据；反之，则认为该用户存在窃电可能；
优选地，设检测的用户集合数据条数为z，count为数据集中不满足上述公式 的采集点量，则窃电概率表示为：
设ω为窃电概率检测阈值，若μ>ω则判定该用户为窃电用户，相反则为 正常用户。
作为优选技术方案，所述检测方法包括以下步骤：
(1)建立能耗分时模型：基于用电信息采集系统中的用户电能计量信息， 考虑行为习惯、气候、季节因素中的至少一种或至少两种因素的组合，建立不同 类型用户的能耗分时模型；所述用户的不同类型包括大型专变用户、中小型专变 用户、工行业用户和城镇居民用户；
(2)基于K-means算法将不同类型用户的用电行为数据进行聚类，得到聚 类后集合；所述聚类的个数为k，聚类中心为Ck；包括以下步骤：
(a)聚类初始阶段：在整体的n个数据样本中随机选取k个样本，C1，C2，…， Ck作为初始聚类中心；
(b)令
dis(n)表示用户的第i个计量日的数据与聚类中心Cn的几何距离，xi表示 用户的第i个计量日的数据；q为迭代次数，表示每次将用户的第i个计量日的数 据与聚类中心Cn的几何距离进行计算时都迭代96次；
按照最小距离原则，将xi划分到min{dis(n)|n＝1,2,…,k}对应的聚类中；
(c)更新聚类中心为
f表示步骤(b)中获得的该聚类中心Cn中的元素个数；
(d)迭代步骤(b)和步骤(c)，以误差平方E作为聚类性能判定条件，当E＜ε时，近似表示为用电模型聚类中心Cn不再发生变化，转到步骤(e)；
(e)算法结束，输出k个聚类中心数值以及数据样本x的聚类结果，形成 聚类后集合；
(3)对聚类后集合进行分析，定义局部离群因子LOFk(p)，并对疑似窃电行 为进行筛选；运用LOF算法对聚类后集合进行分析，定义局部离群因子LOFk(p)， 并对疑似窃电行为进行筛选；
设聚类后集合Y＝{y1，y2，…，yj}，各局部离群因子表示为LOF(yj)，η为离 群检测阈值，若LOF(yj)>η则认为数据存在异常，转窃电行为检测；否则，认为 是正常数据；其中，η＝1.5；
(4)结合用电信息采集系统计量电能损耗，根据台区下能量消耗公式，进 行用户诚信度评价，实现窃电用户监测；
具体地，设某一台区下电能用户m的第j个计量时刻的数值为xmj，电网线 损为ETL，为避免因网络中设备计量以及温度对线损带来的影响，设置补偿阈值 为δ，其取值与台区的规模有关，则某一台区下能耗关系为：
Edelivered–(x1j+x2j+…+xmj+ETL)≤δ ④
若用户数据异常时，台区下能耗满足公式④，则认为该数据为正常数据；反 之，则认为该用户存在窃电可能；
设检测的用户集合数据条数为z，count为数据集中不满足上述公式的采集点 量，则窃电概率表示为：
设ω为窃电概率检测阈值，若μ>ω则判定该用户为窃电用户，相反则为 正常用户。
第二方面，本发明提供第一方面所述的检测方法在电能用户窃电行为监测方 面的应用。
本发明提供的基于电能用户用电行为模式的窃电检测方法和应用首先依据 不同用户的用电行为特点，建立不同用户能耗分时模型，基于K-means聚类算法 与LOF算法实现用户电能计量数据异常检测后，考虑到用户合理的用电行为改 变情况，结合用电信息采集系统计量电能损耗，根据台区下能量消耗公式，确定 用户数据是否异常，并引入窃电概率μ，最终实现窃电用户的可靠检测；与现有 技术相比，本发明至少具有以下有益效果：
1)与传统窃电检测方法相比，本发明的检测方法从用户的用电行为特性出 发，依据不同电力用户用电能耗特点，考虑行为习惯、气候、季节等因素，建立 不同用户能耗分时模型。
2)本发明的方法基于K-means聚类算法与LOF算法实现用户电能计量数据 异常检测后，考虑到电能用户存在合理的用电行为改变，并不能准确判定用户存 在窃电行为，随后结合用电信息采集系统计量电能损耗，根据台区下能量消耗公 式，引入窃电概率，对电能窃电概率进行计算，实现电能用户不同类型窃电行为 的可靠监测。
附图说明
图1为本发明的窃电检测方法的流程示意图；
图2为不同类型用户日负荷曲线图，其中，A，B，C，D为选取的四个用户，没有特殊含义；
图3为D用户三月份的日电力负荷曲线图；
图4为K-means算法聚类后用户D的用电模型图；
图5为D用户三月份用电数据LOF值图；
图6为仿真实验台区图；
图7为D用户外出情况下的电能计量数据分析图；
图8是窃电数据分析图。
具体实施方式
下面结合附图1-8及具体实施例对本发明做进一步的说明，但下述实施例绝 非对本发明有任何限制。
实施例1
(1)建立能耗分时模型：基于用电信息采集系统中的用户电能计量信息， 考虑行为习惯、气候、季节因素中的至少一种或至少两种因素的组合，建立不同 类型用户的能耗分时模型；所述用户的不同类型包括大型专变用户、中小型专变 用户、工行业用户和城镇居民用户；
(2)以图3所示D用户3月份的日电力负荷曲线图为例，运用K-means算 法将不同类型用户用电行为数据进行聚类，获得k个聚类和聚类中心Ck。考虑居 民用户电能消耗模型可分为工作日模模型与非工作日模型两种，得出不同工作模 式下D用户用电模型，如图4所示；
图3中用电信息采集系统以15分钟/次的负荷计量频率实现用电负荷的计量， 也可根据实际情况选择不同的时间间隔，在此不做过多限制，但从实际情况来看， 10-30分钟/次的频率为最佳(例如可以是10分钟/次、11分钟/次、12分钟/次、 13分钟/次、14分钟/次、15分钟/次、16分钟/次、17分钟/次、18分钟/次、19 分钟/次、20分钟/次、21分钟/次、22分钟/次、23分钟/次、24分钟/次、25分钟 /次、26分钟/次、27分钟/次、28分钟/次、29分钟/次、30分钟/次)。
(3)运用LOF算法对电力用户计量数据聚类后集合进行分析，定义局部离 群因子LOFk(p)，并对疑似窃电行为进行筛选：
LOFk(p)数值大小反应了p点的异常程度，其值越大异常程度越高；若在某 段时间存在窃电行为，则该用户在此时段内的数据聚类后LOF数值将明显增大。
图5中选取D用户3月份用电数据进行分析，其离群检测阈值η的选取以 实际检测精度而定，若取值过小则异常数据变多，取值过大则造成某些异常数据 的遗漏，在本文的实验中选取η＝1.5。
(4)结合用电信息采集系统计量电能损耗，根据台区下能量消耗公式，进 行用户诚信度评价，实现窃电用户监测；
设台区下电能用户m的第j个计量时刻的数值为xmj，电网线损为ETL，为避 免因网络中设备计量以及温度对线损带来的影响，设置补偿阈值为δ，其取值与 台区规模有关，则台区下能耗关系可表示为：
Edelivered–(x1j+x2j+…+xmj+ETL)≤δ④
若用户数据异常时刻台区下能耗满足上式，则认为该数据为正常数据。反之， 则认为该用户存在窃电可能。进一步引入用户窃电概率，更为准确的判定用户是 否存在窃电行为。设检测的用户集合数据条数为z，count为数据集中不满足上述 公式的采集点量，则窃电概率表示为：
令ω为窃电概率检测阈值(ω具体取值以实际检测精度而定)，若μ>ω则 判定该用户为窃电用户，相反则为正常用户。
图6代表本实施例选取的某个20用户组成的台区，在电力系统中，台区是 指(一台)变压器的供电范围或区域。其中，T表示变压器，S表示集中器，K 表示考核表，ni(i＝1-20)表示用户侧智能电表。
图7中选取图6的台区下12号用户(n12)4月份电能计量数据集计算LOF 值，8日、9日两天LOF数值分别等于26.9与27.3，明显高于其他时段，但并不 能据此判定该用户存在窃电行为；进一步计算台区电能损失值和窃电概率μ，得 8、9两日台区下并无电能的非技术性损失，且μ＝0，因此通过数值分析可排除 该用户窃电行为，为正常用户；数值判定与电力工作人员实际入户排查结果相吻 合；说明本发明的检测方法得出的结果与实际相一致，消除了因方法局限造成的 误判行为。
图8中选取图6台区下11号用户(n11)4月份用电数据为分析对象，在11 号、12号以及21号的电能计量数据LOF值分别为3.18与3.12和3.19，远高于 正常值1，被判定为异常数据。进一步计算窃电概率μ，分别为0.66、0.68与0.52， 远大于0，表明在上述时间内存在窃电行为，数值判定与电力工作人员实际入户 排查结果相吻合；说明本发明的检测方法得出的结果与实际相一致。与传统窃电 检测方法相比，本发明的检测方法从用户的用电行为特性出发，依据不同电力用 户用电能耗特点，考虑行为习惯、气候、季节等因素，建立不同用户能耗分时模 型。基于K-means聚类算法与LOF算法实现用户电能计量数据异常检测后，考虑到电能用户存在合理的用电行为改变，并不能准确判定用户存在窃电行为。本 发明结合用电信息采集系统计量电能损耗，根据台区下能量消耗公式，引入窃电 概率，对电能窃电概率进行计算，实现电能用户不同类型窃电行为的可靠监测。
应该注意到并理解，在不脱离后附的权利要求所要求的本发明的精神和范围 的情况下，能够对上述详细描述的本发明做出各种修改和改进。因此，要求保护 的技术方案的范围不受所给出的任何特定示范教导的限制。
申请人声明，以上内容是结合具体的优选实施方式对本发明所作的进一步详 细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领 域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推 演或替换，都应当视为属于本发明的保护范围。
Claims (3)
1.一种基于电能用户用电行为模式的窃电检测方法，其特征在于，所述检测方法至少包括以下步骤：
（1）建立能耗分时模型：基于用电信息采集系统中的用户电能计量信息，建立不同类型用户的能耗分时模型；
所述用户的不同类型包括大型专变用户、中小型专变用户、工行业用户和城镇居民用户；
（2）将不同类型用户的用电行为数据进行聚类，得到聚类后集合；
（3）对聚类后集合进行分析，定义局部离群因子LOF k(p) ，并对疑似窃电行为进行筛选；
（4）结合用电信息采集系统计量电能损耗，根据台区下能量消耗公式，进行用户诚信度评价，实现窃电用户监测；
设某一台区下电能用户m的第j个计量时刻的数值为x mj ，电网线损为E TL，为避免因网络中设备计量以及温度对线损带来的影响，设置补偿阈值为δ，其取值与台区的规模有关，则某一台区下能耗关系为：
E delivered –(x 1j +x 2j +…+x mj +E TL )≤δ
Edelivered 表示总表的电量；
若用户数据异常时，台区下能耗满足公式
，则认为该数据为正常数据；反之，则认为该用户存在窃电可能；
设检测的用户集合数据条数为z，count为数据集中不满足上述公式的采集点量，则窃电概率表示为：
设ω为窃电概率检测阈值，若μ>ω则判定该用户为窃电用户，相反则为正常用户。
2.根据权利要求1所述的检测方法，其特征在于，
考虑行为习惯、气候、季节因素中的至少一种，建立能耗分时模型。
3.根据权利要求1-2中任一项所述的检测方法在电能用户窃电行为监测方面的应用。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810562347.3A CN108593990B (zh) | 2018-06-04 | 2018-06-04 | 一种基于电能用户用电行为模式的窃电检测方法和应用 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810562347.3A CN108593990B (zh) | 2018-06-04 | 2018-06-04 | 一种基于电能用户用电行为模式的窃电检测方法和应用 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108593990A CN108593990A (zh) | 2018-09-28 |
| CN108593990B true CN108593990B (zh) | 2021-06-01 |
Family
ID=63630397
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810562347.3A Active CN108593990B (zh) | 2018-06-04 | 2018-06-04 | 一种基于电能用户用电行为模式的窃电检测方法和应用 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108593990B (zh) |
Families Citing this family (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN109783541B (zh) * | 2019-01-11 | 2020-10-16 | 国家电网有限公司 | 一种排查套用居民合表电价工商业电力用户的方法 |
| CN109740694A (zh) * | 2019-01-24 | 2019-05-10 | 燕山大学 | 一种基于非监督学习的智能电网非技术性损失检测方法 |
| CN110083986A (zh) * | 2019-05-21 | 2019-08-02 | 国网湖南省电力有限公司 | 再电气化能源消费装置反窃电模拟监测方法、系统、设备及介质 |
| CN110298765B (zh) * | 2019-05-31 | 2024-02-02 | 国网上海市电力公司 | 一种基于客观关联因素的配电网用电功率异常检测方法 |
| 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 |
| CN111310854A (zh) * | 2020-03-10 | 2020-06-19 | 长沙理工大学 | 基于用电负荷指纹的低误报率窃电检测二次筛选方法 |
| CN111965457A (zh) * | 2020-08-18 | 2020-11-20 | 广东电网有限责任公司广州供电局 | 一种用于低压集抄系统的功能检测系统、方法和设备 |
| CN111984629B (zh) * | 2020-08-31 | 2021-03-23 | 南京工程学院 | 多维场景下基于数据挖掘的台区线损率标准库构建方法 |
| CN112305943A (zh) * | 2020-09-27 | 2021-02-02 | 深圳市拓邦软件技术有限公司 | 一种基于智能多表合一平台的安全预警方法及系统 |
| CN112465385B (zh) * | 2020-12-09 | 2023-12-01 | 武汉理工大学 | 一种应用智能电表数据的需求响应潜力分析方法 |
| CN112816774B (zh) * | 2020-12-15 | 2023-01-06 | 国网宁夏电力有限公司营销服务中心(国网宁夏电力有限公司计量中心) | 一种基于大数据的窃电排查方法 |
| CN112527788B (zh) * | 2020-12-17 | 2024-04-30 | 北京中恒博瑞数字电力科技有限公司 | 变压器监测数据异常值检测与清洗的方法及装置 |
| CN113128596A (zh) * | 2021-04-21 | 2021-07-16 | 广东电网有限责任公司汕尾供电局 | 一种窃电检测方法、装置及计算机可读存储介质 |
| CN114154999A (zh) * | 2021-10-27 | 2022-03-08 | 国网河北省电力有限公司营销服务中心 | 一种反窃电方法、装置、终端及存储介质 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106022592B (zh) * | 2016-05-16 | 2021-12-28 | 中国电子科技集团公司电子科学研究院 | 一种用电行为异常检测与治安风险预警方法及装置 |
| CN106682079B (zh) * | 2016-11-21 | 2020-06-05 | 云南电网有限责任公司电力科学研究院 | 一种基于聚类分析的用户用电行为检测方法 |
| CN106645935B (zh) * | 2016-12-27 | 2019-06-18 | 国网浙江象山县供电公司 | 用电监测方法及系统 |
| CN107230013B (zh) * | 2017-05-11 | 2021-01-05 | 华北电力大学 | 一种无监督学习下配网用户异常用电辨识与时间定位方法 |
| CN107633050A (zh) * | 2017-09-18 | 2018-01-26 | 安徽蓝杰鑫信息科技有限公司 | 一种基于大数据分析用电行为判定窃电概率的方法 |
-
2018
- 2018-06-04 CN CN201810562347.3A patent/CN108593990B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN108593990A (zh) | 2018-09-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108593990B (zh) | 一种基于电能用户用电行为模式的窃电检测方法和应用 | |
| Zhang et al. | Forecasting residential energy consumption: Single household perspective | |
| CN106570581B (zh) | 能源互联网环境下基于属性关联的负荷预测系统及其方法 | |
| CN110097297A (zh) | 一种多维度窃电态势智能感知方法、系统、设备及介质 | |
| Roberts et al. | Characterisation of Australian apartment electricity demand and its implications for low-carbon cities | |
| Cheng et al. | Enhanced state estimation and bad data identification in active power distribution networks using photovoltaic power forecasting | |
| Kang et al. | Optimal meter placement for water distribution system state estimation | |
| CN103226736B (zh) | 基于聚类分析与灰靶理论的中长期电力负荷预测方法 | |
| CN108388962A (zh) | 一种风电功率预测系统及方法 | |
| Zhang et al. | A novel closed-loop clustering algorithm for hierarchical load forecasting | |
| Xiao et al. | Status quo and opportunities for building energy prediction in limited data Context—Overview from a competition | |
| CN113556629B (zh) | 一种智能电表误差远程估计方法及装置 | |
| CN104715156A (zh) | 一种建筑节能潜力动态评估方法 | |
| Amasyali et al. | Hybrid approach for energy consumption prediction: Coupling data-driven and physical approaches | |
| CN115660225A (zh) | 一种基于电表通信模块的用电负荷预测管理方法及系统 | |
| Zhao et al. | Short-term microgrid load probability density forecasting method based on k-means-deep learning quantile regression | |
| CN115545333A (zh) | 一种多负荷日类型配电网负荷曲线预测方法 | |
| CN108595814B (zh) | 一种基于实测的多年降水数据模拟逐日降水量的方法 | |
| CN114386822A (zh) | 基于加权余弦相似度的重点人员用电行为异常分析方法 | |
| CN115809718B (zh) | 基于多目标竞争关系量化的梯级电站发电与生态协同优化方法和系统 | |
| Garrett et al. | Evolutionary tuning of building models to monthly electrical consumption | |
| Yang et al. | Probabilistic revenue analysis of microgrid considering source-load and forecast uncertainties | |
| CN108345996A (zh) | 一种降低风电功率考核电量的系统及方法 | |
| CN115358441A (zh) | 基于联邦学习的新能源集群消纳智能调控方法及装置 | |
| CN110322063B (zh) | 一种耗电功率仿真预测方法及存储介质 |
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 |