CN108765004A - 一种基于数据挖掘识别用户窃电行为的方法 - Google Patents
一种基于数据挖掘识别用户窃电行为的方法 Download PDFInfo
- Publication number
- CN108765004A CN108765004A CN201810525077.9A CN201810525077A CN108765004A CN 108765004 A CN108765004 A CN 108765004A CN 201810525077 A CN201810525077 A CN 201810525077A CN 108765004 A CN108765004 A CN 108765004A
- Authority
- CN
- China
- Prior art keywords
- data
- electricity
- stealing
- user
- 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
- 230000005611 electricity Effects 0.000 title claims abstract description 145
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000007418 data mining Methods 0.000 title claims abstract description 17
- 238000012549 training Methods 0.000 claims abstract description 12
- 238000007405 data analysis Methods 0.000 claims abstract description 5
- 238000013480 data collection Methods 0.000 claims abstract description 5
- 230000003542 behavioural effect Effects 0.000 claims description 44
- 238000010219 correlation analysis Methods 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 8
- 239000000284 extract Substances 0.000 claims description 6
- 238000004519 manufacturing process Methods 0.000 claims description 6
- 230000000717 retained effect Effects 0.000 claims description 6
- 230000003068 static effect Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000012217 deletion Methods 0.000 claims description 2
- 230000037430 deletion Effects 0.000 claims description 2
- 235000013399 edible fruits Nutrition 0.000 claims description 2
- 230000005540 biological transmission Effects 0.000 claims 1
- 230000002123 temporal effect Effects 0.000 abstract description 2
- 238000011161 development Methods 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000011084 recovery Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
Classifications
-
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P80/00—Climate change mitigation technologies for sector-wide applications
- Y02P80/10—Efficient use of energy, e.g. using compressed air or pressurized fluid as energy carrier
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Finance (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Water Supply & Treatment (AREA)
- Data Mining & Analysis (AREA)
- Public Health (AREA)
- Human Resources & Organizations (AREA)
- Primary Health Care (AREA)
- Game Theory and Decision Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种基于数据挖掘识别用户窃电行为的方法,包括以下步骤:数据收集‑数据分析处理‑特征数据提取‑构建窃电行为识别模型‑获取窃电预警度。本发明通过对窃电相关的数据收集整理,模型训练的不断优化,最终达到最佳的窃电行为识别模型,使之能根据用户的基本属性特征、用电规律、行业特征、用电时间特征、电力行业运行特征进行准确的窃电行为的识别,高效精确的窃电行为识别提高了电力部门对于窃电行为的打击效率,对于保证电力企业的经济合理安全的运行,提高电力的安全使用,减少社会不良风气的发生有着重要的意义。
Description
技术领域
本发明涉及一种基于数据挖掘识别用户窃电行为的方法,属于防窃电分析技术领域。
背景技术
随着国民生活水平的不断提高,经济增长的同时,电力需求也日渐增加,在电力部门供电过程中,非法窃电行为一直是电网发展的重大问题之一,随着窃电手段的不断变化发展,使得窃电的影响范围不断的扩大,给电力企业健康、稳定的发展带来了巨大的不确定性,造成电力企业经济损失的同时,还存在着重大的安全隐患,近年来由于非法窃电引起的火灾已经成为了火灾成因的主要原因之一。
目前对于非法窃电的防治手段主要为人工巡检,工作人员一方面根据自身多年的工作经验在用户现场进行排查和初步判断,记录用户窃电的可疑行为;另一方面对用户的用电量数据进行判断,辨别用电量数据的异常从而锁定具有窃电行为的可疑嫌疑用户。
但是面对庞大的用户群体,想要逐一进行排查需要耗费的人力物力资源巨大,效果也不尽如人意,因此,需要一种高效精确的防窃电方法对用户的窃电行为进行识别锁定。
在现有技术中,对防窃电提供了多种方法,如申请号为201310148105.7的中国专利公开的一种基于用电负荷管理系统数据挖掘的反窃电方法,该方法通过较多复杂的计算公式来进行窃电行为的判断,过程复杂,容易造成结果误差较大,其时间花费较长,效率较低。
又如申请号为201711260280的中国专利公开的一种基于随机森林的窃电行为的发现方法、申请号为201710842008的中国专利公开的一种基于大数据分析用电行为判定窃电概率的方法和申请号为201710006620的中国专利公开的一种基于用户行为分析的防窃电方法,均是通过较多复杂的计算公式来进行窃电行为的判断,其过程复杂,容易造成结果误差较大,时间花费较长,效率较低的问题。
又如申请号为201611157830的中国专利公开的一种单一异常分析防窃电预警分析方法,该方法只建立一个模型,用单一模型进行对所有数据进行分析,并不调整其输入输出结果,得到的结果不是最优的,且容易产生误差,使得结果不精确,错误停电、断电,给用户造成不必要的麻烦。
发明内容
为解决上述技术问题,本发明提供了一种基于数据挖掘识别用户窃电行为的方法,该基于数据挖掘识别用户窃电行为的方法相对于人工识别的方法,有效的实现了窃电行为识别的效率和识别的准确度,减少了电力企业经济损失和用电安全事故的发生。
本发明通过以下技术方案得以实现。
本发明提供的一种基于数据挖掘识别用户窃电行为的方法,包括以下步骤:
①数据收集:收集标准用户用电行为数据和用户的用电行为数据,用电行为数据包括用户的基本信息数据、区域用电量、区域电量损失指数、节假日区域用电变化指数、行业数据;
②数据分析处理:对用电行为数据进行分析处理,获取数据集;
③特征数据提取:根据业务和统计相关性对数据集进行挖掘,提取特征数据,获取特征数据集;
④构建窃电行为识别模型:利用特征数据集,构建用户的窃电行为识别模型;
⑤获取窃电预警度:对窃电行为识别模型进行训练,获取窃电预警度,根据不同等级的窃电行为预警度对用户采取不同的措施;
所述步骤②分为以下步骤:
(2.1)分析用电行为数据的完整性、合理性和准确性;用电行为数据不完整的,先分析其合理性和有效性;用电行为数据不合理的无效数据,进行删除,用电行为数据不合理的有效数据,进行插值补充;用电行为数据不准确的,进行修改;
(2.2)用电行为数据为异常值的,进行保留或删除;
(2.3)对行业数据进行数据的数值转换,使之能够进行后续的数值计算;
(2.4)将步骤(2.1)~(2.3)的数据进行整理,然后与标准用户用电行为数据进行比较,将不在标准用户用电行为数据范围内的数据筛选出来,形成数据集。
所述步骤①中,用电行为数据从电力营销系统、计量系统、用电采集系统、95598用户服务系统中进行收集。
所述基本信息数据包括动态数据和静态数据;所述动态数据包括抄表日期、每月电费、每月用电量、应收电费金额、窃电次数、窃电量;所述静态数据包括用户ID、类别、合同容量、开户日期、高耗能标识、行业分类、缴费方式;所述行业数据包括行业生产产量、产能变化指标。
所述步骤③分为以下步骤:
(3.1)对数据集进行变量构造,在原始变量的基础上,构建衍生变量;
(3.2)对数据集进行统计相关性分析,提取特征数据,对特征数据进行统计相关性分析,获取特征数据集;
所述特征数据包括用户的基本属性、用电规律、地区变化电量规律、用户行业用电规律、电力传输损耗规律、窃电用户用电变化规律。
所述步骤中(3.1),采用求和、方差、同比、环比,比率对衍生变量进行构建。
所述步骤(3.2)分为以下步骤:
(3.2.1)根据统计相关性分析结果,将与用电行为数据相关系数大于0.75的特征数据进行保留,对保留下来的特征数据进行特征数据之间的统计相关性分析;
(3.2.2)根据统计相关性分析结果,将与用电行为数据相关度大于0.8的特征数据,选择保留和删除。
所述步骤④中,利用特征数据集和衍生变量,构建窃电行为识别模型。
所述步骤⑤分为以下步骤:
(5.1)利用深度神经网络对窃电行为识别模型中的特征数据进行训练;
(5.2)反复调整窃电行为识别模型的输入输出;
(5.3)利用新的测试用户数据对训练后的窃电行为识别模型进行模型测试,根据输出结果和训练精度,不断进行特征数据的选取和窃电行为识别模型的训练,得到最优输出结果;
(5.4)根据输出结果,获取不同等级的窃电预警度,将不同等级的窃电预警度分为低窃电、一般窃电、高窃电、严重窃电。
本发明的有益效果在于:通过对切断相关的数据收集整理,模型训练的不断优化,最终达到最佳的窃电行为识别模型,使之能根据用户的基本属性特征、用电规律、行业特征、用电时间特征、电力行业运行特征进行准确的窃电行为的识别,高效精确的窃电行为识别提高了电力部门对于窃电行为的打击效率,对于保证电力企业的经济合理安全的运行,提高电力的安全使用,减少社会不良风气的发生有着重要的意义。
附图说明
图1是本发明的流程图。
具体实施方式
下面进一步描述本发明的技术方案,但要求保护的范围并不局限于所述。
如图1所示,一种基于数据挖掘识别用户窃电行为的方法,包括以下步骤:
①数据收集:收集标准用户用电行为数据(即通过分析处理和工作人员经验分析出来的正常用户用电的数据规范)和用户的用电行为数据;用电行为数据从电力营销系统、计量系统、用电采集系统、95598用户服务系统中进行收集,包括用户的基本信息数据、区域用电量、区域电量损失指数、节假日区域用电变化指数、行业数据;所述基本信息数据包括动态数据和静态数据;所述动态数据包括抄表日期、每月电费、每月用电量、应收电费金额、窃电次数、窃电量;所述静态数据包括用户ID、类别、合同容量、开户日期、高耗能标识、行业分类、缴费方式;所述行业数据包括行业生产产量、产能变化指标(收集的数据包括但不限于上述数据)。
②数据分析处理:对用电行为数据进行分析处理,获取数据集;具体分为以下步骤:
(2.1)一一对应分析用电行为数据的完整性、合理性和准确性,避免出现逻辑上的错误或者数据不完整,分类不明确的情况;用电行为数据不完整的,先分析其合理性和有效性;用电行为数据不合理的无效数据,进行删除,用电行为数据不合理的有效数据,进行插值补充;用电行为数据不准确的,进行修改;
(2.2)用电行为数据为异常值的,进行保留或删除;
(2.3)对行业数据进行数据的数值转换,使之能够进行后续的数值计算;
(2.4)将步骤(2.1)~(2.3)的数据进行整理,然后与标准用户用电行为数据进行比较,将不在标准用户用电行为数据范围内的数据筛选出来,形成数据集,所述数据集即为窃电行为数据;
进一步地,步骤②解决了现有技术中,发现窃电行为后,后期处理措施不当或滞后的问题。
③特征数据提取:根据业务和统计相关性对数据集进行挖掘,提取特征数据,获取特征数据集;具体分为以下步骤:
(3.1)对数据集进行变量构造,在原始变量的基础上,采用求和、方差、同比、环比,比率构建衍生变量,例如:计算用户每月用电增长率、同期用电环比增长率、用电量方差、标准差等,让模型变量更加完善丰富;
(3.2)对数据集进行统计相关性分析,提取特征数据,对特征数据进行统计相关性分析,获取特征数据集;
(3.2.1)根据统计相关性分析结果,将与用电行为数据相关系数大于0.75的特征数据进行保留,对保留下来的特征数据进行特征数据之间的统计相关性分析;
(3.2.2)根据统计相关性分析结果,将与用电行为数据相关度大于0.8的特征数据,选择保留和删除,保留与相关系数0.75中特征数据相差不于大1~3的数据,删除与相关系数0.75中特征数据相差大于1~3的数据。
所述特征数据包括用户的基本属性、用电规律、地区变化电量规律、用户行业用电规律、电力传输损耗规律、窃电用户用电变化规律。
④构建窃电行为识别模型:利用特征数据集和衍生变量,构建用户的窃电行为识别模型;
⑤获取窃电预警度:对窃电行为识别模型进行训练,获取窃电预警度,根据不同等级的窃电行为预警度对用户采取不同的措施;具体分为以下步骤:
(5.1)利用深度神经网络对窃电行为识别模型中的特征数据进行训练;
(5.2)反复调整模窃电行为识别模型的输入输出;
(5.3)利用新的测试用户数据对训练后的窃电行为识别模型进行模型测试,根据输出结果和训练精度,不断进行特征数据的选取和窃电行为识别模型的训练,得到最优输出结果,达到不断优化模型,使模型识别精确度更高目的;
进一步地,在模型不断训练和测试的过程中,窃电的特征变量数据也在进行不断的调整优化,并且会使用在特征提取阶段删除的特征变量,不断完善特征变量的体系构建;
(5.4)根据输出结果,获取不同等级的窃电预警度,将不同等级的窃电预警度分为低窃电、一般窃电、高窃电、严重窃电;
(5.5)对低窃电采用的措施为书面警告,限期整改;一般窃电采用的措施为书面警告,限期整改,多次现场检查,追缴损失和经济赔偿;高窃电采用的措施为停电整改,重点检查,计入电力黑名单,限电,追缴损失和经济赔偿;严重窃电采用的措施为停电,严肃整改,追缴损失和经济赔偿,采取法律手段,计入电力黑名单和征信,销户等。
综上所述,本发明通过收集与用户窃电行为相关的数据,通过对数据的分析处理得到符合需求的数据集,根据业务和统计相关性对用户窃电相关的历史数据进行挖掘,提取相关的特征数据,利用特征数据集构建用户窃电行为的识别模型,然后获取窃电预警度,针对不同等级的窃电预警度对用户采取相应的措施。
Claims (9)
1.一种基于数据挖掘识别用户窃电行为的方法,其特征在于:包括以下步骤:
①数据收集:收集标准用户用电行为数据和用户的用电行为数据,用电行为数据包括用户的基本信息数据、区域用电量、区域电量损失指数、节假日区域用电变化指数、行业数据;
②数据分析处理:对用电行为数据进行分析处理,获取数据集;
③特征数据提取:根据业务和统计相关性对数据集进行挖掘,提取特征数据,获取特征数据集;
④构建窃电行为识别模型:利用特征数据集,构建用户的窃电行为识别模型;
⑤获取窃电预警度:对窃电行为识别模型进行训练,获取窃电预警度,根据不同等级的窃电行为预警度对用户采取不同的措施;
所述步骤②分为以下步骤:
(2.1)分析用电行为数据的完整性、合理性和准确性;用电行为数据不完整的,先分析其合理性和有效性;用电行为数据不合理的无效数据,进行删除,用电行为数据不合理的有效数据,进行插值补充;用电行为数据不准确的,进行修改;
(2.2)用电行为数据为异常值的,进行保留或删除;
(2.3)对行业数据进行数据的数值转换,使之能够进行后续的数值计算;
(2.4)将步骤(2.1)~(2.3)的数据进行整理,然后与标准用户用电行为数据进行比较,将不在标准用户用电行为数据范围内的数据筛选出来,形成数据集。
2.如权利要求1所述的基于数据挖掘识别用户窃电行为的方法,其特征在于:所述步骤①中,用电行为数据从电力营销系统、计量系统、用电采集系统、95598用户服务系统中进行收集。
3.如权利要求2所述的基于数据挖掘识别用户窃电行为的方法,其特征在于:所述基本信息数据包括动态数据和静态数据;所述动态数据包括抄表日期、每月电费、每月用电量、应收电费金额、窃电次数、窃电量;所述静态数据包括用户ID、类别、合同容量、开户日期、高耗能标识、行业分类、缴费方式;所述行业数据包括行业生产产量、产能变化指标。
4.如权利要求1所述的基于数据挖掘识别用户窃电行为的方法,其特征在于:所述步骤③分为以下步骤:
(3.1)对数据集进行变量构造,在原始变量的基础上,构建衍生变量;
(3.2)对数据集进行统计相关性分析,提取特征数据,对特征数据进行统计相关性分析,获取特征数据集。
5.如权利要求4所述的基于数据挖掘识别用户窃电行为的方法,其特征在于:所述特征数据包括用户的基本属性、用电规律、地区变化电量规律、用户行业用电规律、电力传输损耗规律、窃电用户用电变化规律。
6.如权利要求4所述的基于数据挖掘识别用户窃电行为的方法,其特征在于:所述步骤(3.1)中,采用求和、方差、同比、环比、比率对衍生变量进行构建。
7.如权利要求4所述的基于数据挖掘识别用户窃电行为的方法,其特征在于:所述步骤(3.2)分为以下步骤:
(3.2.1)根据统计相关性分析结果,将与用电行为数据相关系数大于0.75的特征数据进行保留,对保留下来的特征数据进行特征数据之间的统计相关性分析;
(3.2.2)根据统计相关性分析结果,将与用电行为数据相关度大于0.8的特征数据,选择保留和删除。
8.如权利要求1所述的基于数据挖掘识别用户窃电行为的方法,其特征在于:所述步骤④中,利用特征数据集和衍生变量,构建窃电行为识别模型。
9.如权利要求1所述的基于数据挖掘识别用户窃电行为的方法,其特征在于:所述步骤⑤分为以下步骤:
(5.1)利用深度神经网络对窃电行为识别模型中的特征数据进行训练;
(5.2)反复调整模窃电行为识别模型的输入输出;
(5.3)利用新的测试用户数据对训练后的窃电行为识别模型进行模型测试,根据输出结果和训练精度,不断进行特征数据的选取和窃电行为识别模型的训练,得到最优输出结果;
(5.4)根据输出结果,获取不同等级的窃电预警度,将不同等级的窃电预警度分为低窃电、一般窃电、高窃电、严重窃电。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810525077.9A CN108765004A (zh) | 2018-05-28 | 2018-05-28 | 一种基于数据挖掘识别用户窃电行为的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810525077.9A CN108765004A (zh) | 2018-05-28 | 2018-05-28 | 一种基于数据挖掘识别用户窃电行为的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108765004A true CN108765004A (zh) | 2018-11-06 |
Family
ID=64002891
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810525077.9A Pending CN108765004A (zh) | 2018-05-28 | 2018-05-28 | 一种基于数据挖掘识别用户窃电行为的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108765004A (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109739912A (zh) * | 2018-12-19 | 2019-05-10 | 国家电网有限公司 | 数据分析方法及系统 |
CN109784388A (zh) * | 2018-12-29 | 2019-05-21 | 北京中电普华信息技术有限公司 | 窃电用户识别方法和装置 |
CN109977151A (zh) * | 2019-03-28 | 2019-07-05 | 北京九章云极科技有限公司 | 一种数据分析方法及系统 |
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 |
CN110288114A (zh) * | 2019-03-22 | 2019-09-27 | 国网浙江省电力有限公司信息通信分公司 | 基于电力营销数据的违规用电行为预测方法 |
CN110837532A (zh) * | 2019-10-17 | 2020-02-25 | 福建网能科技开发有限责任公司 | 一种基于大数据平台对充电桩窃电行为的检测方法 |
CN111160791A (zh) * | 2019-12-31 | 2020-05-15 | 国网北京市电力公司 | 一种基于gbdt算法及因素融合的异常用户识别方法 |
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 |
CN113313407A (zh) * | 2021-06-16 | 2021-08-27 | 上海交通大学 | 一种企业用电行为识别方法及设备 |
CN113570002A (zh) * | 2021-09-23 | 2021-10-29 | 泰豪软件股份有限公司 | 窃电用户预测模型的建立方法、系统、存储介质及设备 |
CN113589034A (zh) * | 2021-07-30 | 2021-11-02 | 南方电网科学研究院有限责任公司 | 一种配电系统的窃电检测方法、装置、设备和介质 |
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 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105573997A (zh) * | 2014-10-09 | 2016-05-11 | 普华讯光(北京)科技有限公司 | 一种确定窃电嫌疑用户的方法及装置 |
CN106097137A (zh) * | 2016-06-13 | 2016-11-09 | 国家电网公司 | 一种基于用电信息采集系统的差异化防窃电监测系统 |
CN106650797A (zh) * | 2016-12-07 | 2017-05-10 | 广东电网有限责任公司江门供电局 | 一种基于集成elm的配电网窃电嫌疑用户智能识别方法 |
CN106682079A (zh) * | 2016-11-21 | 2017-05-17 | 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 |
-
2018
- 2018-05-28 CN CN201810525077.9A patent/CN108765004A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105573997A (zh) * | 2014-10-09 | 2016-05-11 | 普华讯光(北京)科技有限公司 | 一种确定窃电嫌疑用户的方法及装置 |
CN106097137A (zh) * | 2016-06-13 | 2016-11-09 | 国家电网公司 | 一种基于用电信息采集系统的差异化防窃电监测系统 |
CN106682079A (zh) * | 2016-11-21 | 2017-05-17 | 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 |
CN106650797A (zh) * | 2016-12-07 | 2017-05-10 | 广东电网有限责任公司江门供电局 | 一种基于集成elm的配电网窃电嫌疑用户智能识别方法 |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109739912A (zh) * | 2018-12-19 | 2019-05-10 | 国家电网有限公司 | 数据分析方法及系统 |
CN109784388A (zh) * | 2018-12-29 | 2019-05-21 | 北京中电普华信息技术有限公司 | 窃电用户识别方法和装置 |
CN110288114A (zh) * | 2019-03-22 | 2019-09-27 | 国网浙江省电力有限公司信息通信分公司 | 基于电力营销数据的违规用电行为预测方法 |
CN109977151A (zh) * | 2019-03-28 | 2019-07-05 | 北京九章云极科技有限公司 | 一种数据分析方法及系统 |
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 |
CN110837532A (zh) * | 2019-10-17 | 2020-02-25 | 福建网能科技开发有限责任公司 | 一种基于大数据平台对充电桩窃电行为的检测方法 |
CN111160791A (zh) * | 2019-12-31 | 2020-05-15 | 国网北京市电力公司 | 一种基于gbdt算法及因素融合的异常用户识别方法 |
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 |
CN113313407A (zh) * | 2021-06-16 | 2021-08-27 | 上海交通大学 | 一种企业用电行为识别方法及设备 |
CN113589034A (zh) * | 2021-07-30 | 2021-11-02 | 南方电网科学研究院有限责任公司 | 一种配电系统的窃电检测方法、装置、设备和介质 |
CN113589034B (zh) * | 2021-07-30 | 2023-08-08 | 南方电网科学研究院有限责任公司 | 一种配电系统的窃电检测方法、装置、设备和介质 |
CN113570002A (zh) * | 2021-09-23 | 2021-10-29 | 泰豪软件股份有限公司 | 窃电用户预测模型的建立方法、系统、存储介质及设备 |
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 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108765004A (zh) | 一种基于数据挖掘识别用户窃电行为的方法 | |
CN107742127B (zh) | 一种改进的防窃电智能预警系统及方法 | |
CN110458230A (zh) | 一种基于多判据融合的配变用采数据异常甄别方法 | |
CN109117974A (zh) | 一种配电网台区重过载风险评估方法和装置 | |
CN107633050A (zh) | 一种基于大数据分析用电行为判定窃电概率的方法 | |
CN107145959A (zh) | 一种基于大数据平台的电力数据处理方法 | |
CN110045194B (zh) | 高压供电线路反窃电方法 | |
CN111210170B (zh) | 基于90%用电分布特征指标的环保管控监测及评价方法 | |
CN102982394A (zh) | 配电网负荷参数辨识方法及系统 | |
CN114004296A (zh) | 一种基于电力负荷特征反向提取监测点的方法及系统 | |
CN110378510B (zh) | 一种基于时间序列和层次聚合的配网物资需求预测方法 | |
CN113554361B (zh) | 一种综合能源系统数据处理计算方法及处理系统 | |
CN110348683A (zh) | 电能质量扰动事件主成因分析方法、装置设备及存储介质 | |
CN106529767A (zh) | 一种基于设备健康状态的二次设备风险评估方法 | |
CN110749784A (zh) | 一种基于电力数据小波分析的线路窃电检测方法 | |
CN103617447A (zh) | 智能变电站的评价系统及评价方法 | |
CN110047013B (zh) | 反专变用户间断型窃电方法 | |
CN104915681B (zh) | 兼顾电压暂降监测信息及其关联因素的变电站聚类方法 | |
CN113435733A (zh) | 一种水资源风险评估与预测系统 | |
Zhang et al. | Theories, applications and trends of non-technical losses in power utilities using machine learning | |
CN115905319B (zh) | 一种海量用户电费异常的自动识别方法及系统 | |
CN116306005A (zh) | 一种基于全生命周期理论的配网工程评价方法 | |
CN114066219A (zh) | 一种关联矩阵下用电异常点智能识别的窃电分析方法 | |
CN112884000A (zh) | 一种基于数据挖掘的用电检查智能诊断方法及诊断系统 | |
CN117390546A (zh) | 一种面向即时反窃电检测的多模数据库融合存算模型 |
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: 20181106 |
|
RJ01 | Rejection of invention patent application after publication |