CN108776276A - 用电异常检测方法及系统 - Google Patents

Abstract

本发明提供一种用电异常检测方法及系统，本发明实施例首先获取用电设备的用电特征数据和用电设备的运行时段，之后利用用电特征数据，根据预定标准范围判定是否生成超限报警；利用用电特征数据，计算动态时间规整距离，并根据动态时间规整距离判定是否生成模式报警；利用用电设备的运行时段，根据预定运行时段，判定是否生成漏洞报警。本发明实施例能够自动化、全方位进行用电异常检测，克服了人工检测用电异常带来的精度和实效低的缺陷，同时本发明实施例是基于数据分析进行的用电异常检测，能够精确的应用于企事业的运营中，有效提高了用电检测的精度、效率和全面性。

Description

用电异常检测方法及系统

技术领域

本发明涉及电力领域，具体涉及一种用电异常检测方法及系统。

背景技术

电力是维持人们正常生活以及企业生产正常运转的必要保证，其中，用电异常检测能够帮助人们或企业发现用电设备的用电异常并及时对相关的设备进行异常处理，从而能够有效保证安全生产，延长用电设备的使用寿命以及减少用电浪费。

目前针对用电异常检测的方法很少，不能实现全方位的检测用电异常。同时，在设备用电模式检测中，仅依靠人工或者异常检测方法无法达到最优的效果。此外随着企业信息化的发展，基于数据分析的异常检测方法在企业运行当中还没有得到充分的重视与实施。

发明内容

(一)解决的技术问题

针对现有技术的不足，本发明提供了一种用电异常检测方法及系统，解决了现有技术中不能自动化地实现全方位用电异常检测的缺陷。

(二)技术方案

为实现以上目的，本发明通过以下技术方案予以实现：

第一方面，提供了一种用电异常检测方法，所述方法包括：

获取用电设备在第一预定时间段内的若干个用电特征数据，并对所有的所述用电特征数据进行预处理；

获取所述用电特征数据对应的预定标准范围；

判断预处理后的所有的用电特征数据是否在所述预定标准范围内，并在至少一个预处理后的用电特征数据未在所述预定标准范围内的情况下，生成超限报警信息；

获取所述用电设备在第一预定时间段内运行的时间段，得到所述用电设备的若干个运行时段；

获取所述用电设备在所述第一预定时间段内预定运行时段；

判断每个所述运行时段是否为所述预定运行时段中的一个，并在至少一个所述运行时段不是所述预定运行时段中的一个的情况下，生成漏洞报警信息；

根据所述用电设备在所述第一预定时间段内的所述用电特征数据，得到所述用电设备在所述第一预定时间段内的负荷曲线；

计算所述负荷曲线与每条预定负荷曲线的动态时间规整距离；

判断最小的动态时间规整距离是否小于预定值，若最小的动态时间规整距离小于所述预定值，则将最小的动态时间规整距离对应的预定负荷曲线的用电模式，作为用电设备在所述第一预定时间段内的用电模式；若最小的动态时间规整距离大于或等于所述预定值，则定义所述用电设备在所述第一预定时间段内的负荷曲线对应的用电模式，并将所述用电设备在所述第一预定时间段内的负荷曲线以及对应的用电模式进行存储；

判断所述用电设备在所述第一预定时间段内的用电模式是否为异常用电模式，并在所述用电设备在所述第一预定时间段内的用电模式为异常用电模式的情况下，生成模式报警信息。

结合第一方面，在第一种可能的实现方式中，所述用电特征数据包括电压、功率、电流、频率。

结合第一方面，在第二种可能的实现方式中，所述对所有的所述用电特征数据进行预处理，包括：

对所有的所述用电特征数据进行缺失值处理、数据一致性检验以及数据集成。

结合第一方面，在第三种可能的实现方式中，所述方法还包括如下步骤：

设置所述预定标准范围。

结合第一方面，在第四种可能的实现方式中，所述方法还包括：

设置若干个所述预定运行时段。

结合第一方面，在第五种可能的实现方式中，所述方法还包括如下步骤：

获取所述用电设备在若干个第二预定时间段内的用电特征数据；

根据每个所述第二预定时间段的用电特征数据，得到所述用电设备在每个所述第二预定时间段内的负荷曲线；

基于动态时间规整的模糊聚类算法，对所述用电设备若干个第二预定时间段内的负荷曲线进行聚类，得到所述用电设备的若干个用电模式以及每个所述用电模式对应的预定负荷曲线。

结合第一方面，在第六种可能的实现方式中，所述方法还包括如下步骤：

存储预处理后的所有的用电特征数据。

结合第一方面，在第七种可能的实现方式中，所述方法还包括如下步骤：

根据超限报警信息、漏洞报警信息以及模式报警信息生成故障检测结果报告。

第二方面，提供了一种用电异常检测系统，所述系统包括：

数据采集模块，用于获取用电设备在第一预定时间段内的若干个用电特征数据；

数据预处理模块，用于对所有的所述用电特征数据进行预处理；

超限预警模块，用于获取所述用电特征数据对应的预定标准范围，并判断预处理后的所有的用电特征数据是否在所述预定标准范围内，并在至少一个预处理后的用电特征数据未在所述预定标准范围内的情况下，生成超限报警信息；

用电漏洞识别模块，用于获取所述用电设备在第一预定时间段内运行的时间段，得到所述用电设备的若干个运行时段，获取所述用电设备在所述第一预定时间段内预定运行时段，并判断每个所述运行时段是否为所述预定运行时段中的一个，并在至少一个所述运行时段不是所述预定运行时段中的一个的情况下，生成漏洞报警信息；

故障检测模块，用于根据所述用电设备在所述第一预定时间段内的所述用电特征数据，得到所述用电设备在所述第一预定时间段内的负荷曲线；计算所述负荷曲线与每条预定负荷曲线的动态时间规整距离，判断最小的动态时间规整距离是否小于预定值，若最小的动态时间规整距离小于所述预定值，则将最小的动态时间规整距离对应的预定负荷曲线的用电模式，作为用电设备在所述第一预定时间段内的用电模式，并判断所述用电设备在所述第一预定时间段内的用电模式是否为异常用电模式，并在所述用电设备在所述第一预定时间段内的用电模式为异常用电模式的情况下，生成模式报警信息；

所述故障检测模块还用于在最小的动态时间规整距离大于或等于所述预定值的情况下，定义所述用电设备在所述第一预定时间段内的负荷曲线对应的用电模式，并将所述用电设备在所述第一预定时间段内的负荷曲线以及对应的用电模式进行存储。

结合第二方面，在第一种可能的实现方式中，所述系统还包括：

数据存储模块，用于存储预处理后的所有的用电特征数据；

检测报告生成模块，用于根据超限报警信息、漏洞报警信息以及模式报警信息生成故障检测结果报告。

(三)有益效果

本发明实施例提供了一种用电异常检测方法及系统。具备以下有益效果：

本发明实施例首先获取用电设备的用电特征数据和用电设备的运行时段，之后利用用电特征数据，根据预定标准范围判定是否生成超限报警；利用用电特征数据，计算动态时间规整距离，并根据动态时间规整距离判定是否生成模式报警；利用用电设备的运行时段，根据预定运行时段，判定是否生成漏洞报警。本发明实施例能够自动化、全方位进行用电异常检测，克服了人工检测用电异常带来的精度和实效低的缺陷，同时本发明实施例是基于数据分析进行的用电异常检测，能够精确的应用于企事业的运营中，有效提高了用电检测的精度、效率和全面性。

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的前提下，还可以根据这些附图获得其他的附图。

图1示意性的示出了本发明一实施例的用电异常检测方法流程图；

图2示意性的示出了本发明另一实施例的用电异常检测方法流程图；

图3示意性的示出了本发明一实施例的用电异常检测系统的框图；

图4示意性的示出了本发明另一实施例的用电异常检测系统的框图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，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他实施例，都属于本发明保护的范围。

如图1所示，本实施例提供了一种用电异常检测方法，该方法能够全方位、自动化的检测用电设备是否发生用电异常，提高了用电异常检测的全面性和时效性，降低了人力成本。具体地，本实施例的用电异常检测方法包括：

100、获取用电设备在第一预定时间段内的若干个用电特征数据，并对所有的所述用电特征数据进行预处理；

这里，所述用电特征数据包括但不限于电压、功率、电流、频率。

第一预定时间段可以根据实际的应用场景设定，例如设置成一天。在第一预定时间段内每隔一定时间采集一次用电特征数据，例如每10秒钟采集一次用电特征数据，那么本实施例的方法每天采集8640次数据，如果存在m台用电设备，那么每天采集的特征数据可以用矩阵表示，如下：

上面的矩阵中，m表示第m台用电设备。

这里，所述对所有的所述用电特征数据进行预处理，包括：

对所有的所述用电特征数据进行清洗、缺失值处理、数据一致性检验以及数据集成。

这里，在对用电特征数据进行预处理后，还包括如下步骤：

存储预处理后的所有的用电特征数据。

110、获取所述用电特征数据对应的预定标准范围；

这里，预定标准范围是用电设备的正常工作标准，是根据实际的应用场景预先设定的。例如为第m台用电设备分别设置电压的预定标准范围、电流的预定标准范围以及功率的预定标准范围如下：

Range_m,1＝[v_m,1,v_m,2]

Range_m,2＝[v_m,3,v_m,4]

Range_m,3＝[v_m,5,v_m,6]

上面，Range_m1表示电压的预定标准范围，Range_m2表示电流的预定标准范围，Range_m3表示功率的预定标准范围。

120、判断预处理后的所有的用电特征数据是否在所述预定标准范围内，并在至少一个预处理后的用电特征数据未在所述预定标准范围内的情况下，生成超限报警信息；

这里，超限报警是指用电设备的电流，电压和功率等相关参数超过用电设备的正常工作范围。

130、获取所述用电设备在第一预定时间段内运行的时间段，得到所述用电设备的若干个运行时段；

140、获取所述用电设备在所述第一预定时间段内预定运行时段；

这里，预定运行时间段是用电设备的正常运行时间段，是预先设置的，例如可以设置为如下形式：

Run_m＝{[t_m,1,t_m,2]，…，[t_m,n-1,t_m,n]}

式中，Run_m表示第m台用电设备正常运行的所有时间段。

150、判断每个所述运行时段是否为所述预定运行时段中的一个，并在至少一个所述运行时段不是所述预定运行时段中的一个的情况下，生成漏洞报警信息；

这里，用电漏洞主要有两个方面所引起：一是配电网络不合理、设备自身老化和工艺水平落后造成的；二是由于人为原因使设备运行不合理等造成的浪费。

160、根据所述用电设备在所述第一预定时间段内的所述用电特征数据，得到所述用电设备在所述第一预定时间段内的负荷曲线；

170、计算所述负荷曲线与每条预定负荷曲线的动态时间规整距离；

这里，可以利用如下子步骤确定上述预定负荷曲线：

子步骤一、获取所述用电设备在若干个第二预定时间段内的用电特征数据；

第二预定时间段与第一预定时间段相同，例如设置为1天。

这里可以获取用电设备一年的用电特征数据，即获取365天的用电特征数据。

子步骤二、根据每个所述第二预定时间段的用电特征数据，得到所述用电设备在每个所述第二预定时间段内的负荷曲线；

这里，把一台设备一天的用电数据记作一条负荷曲线，则一台用电设备A一年共有365条负荷曲线记为L_A：

子步骤三、基于动态时间规整的模糊聚类算法，对所述用电设备若干个第二预定时间段内的负荷曲线进行聚类，得到所述用电设备的若干个用电模式以及每个所述用电模式对应的预定负荷曲线。

这里，用电设备A的用电模式可以表示为：P_A，其中p_n为设备A的第n种用电负荷模式。

P_A＝{p₁,p₂,…,p_n}

然后根据历史数据信息分别定义设备的每一种负荷模式，例如定义设备A的用电模式p₁为正常用电模式1，p₂为正常用电模式2，p_n为异常用电模式n。

180、判断最小的动态时间规整距离是否小于预定值，若最小的动态时间规整距离小于所述预定值，则将最小的动态时间规整距离对应的预定负荷曲线的用电模式，作为用电设备在所述第一预定时间段内的用电模式；若最小的动态时间规整距离大于或等于所述预定值，则定义所述用电设备在所述第一预定时间段内的负荷曲线对应的用电模式，并将所述用电设备在所述第一预定时间段内的负荷曲线以及对应的用电模式进行存储；

190、判断所述用电设备在所述第一预定时间段内的用电模式是否为异常用电模式，并在所述用电设备在所述第一预定时间段内的用电模式为异常用电模式的情况下，生成模式报警信息。

随着机器学习和人工智能的发展，FCM聚类算法得到广泛的应用。作为一种柔性划分方法，FCM可以有效地识别设备的运行模式，从而有助于发现设备的非正常用电模式。此外动态时间规整(DTW)在时间序列模式识别中具有很好的效果，有助于从设备运行过程中产生的时间序列数据提取设备运行模式。

本实施例的方法还包括如下步骤：

根据超限报警信息、漏洞报警信息以及模式报警信息生成故障检测结果报告。

故障检测结果报告能够直观的将用电设备的用电异常展现在用户面前。

本实施例首先获取用电设备的用电特征数据和用电设备的运行时段，之后利用用电特征数据，根据预定标准范围判定是否生成超限报警；利用用电特征数据，计算动态时间规整距离，并根据动态时间规整距离判定是否生成模式报警；利用用电设备的运行时段，根据预定运行时段，判定是否生成漏洞报警。本发明实施例能够自动化、全方位进行用电异常检测，克服了人工检测用电异常带来的精度和实效低的缺陷，同时本发明实施例是基于数据分析进行的用电异常检测，能够精确的应用于企事业的运营中，有效提高了用电检测的精度、效率和全面性。

本发明还提供了另一个实施例对本发明的用电异常检测方法进行详细说明。如图2所示，本实施例的用电异常检测方法包括如下步骤：

步骤一、实时采集用电设备数据。假设企业每隔时间10秒钟采集一次各个设备的用电数据(以电流为例)，则企业所有设备一天的用电数据可以表示为数据集D，其中d_m,n表示第m台设备的第n个数据点。

步骤二、数据预处理。对采集到的数据进行清洗，缺失值处理，数据一致性检验和数据集成等。

步骤三、数据存储。把预处理后的数据存储到数据中心。

步骤四、超限预警

(1)对企业各个设备设置正常运行标准。假设企业拥有m台设备，为每台设备的电压、电流和功率设置正常的工作标准，则可以表示为：

Range_m,1＝[v_m,1,v_m,2]

Range_m,2＝[v_m,3,v_m,4]

Range_m,3＝[v_m,5,v_m,6]

其中Range_m1表示第m台设备电压的正常工作标准，Range_m2表示第m台设备电流的正常工作标准，Range_m3表示第m台设备功率的正常标准。

(2)预警识别。把设备的电压、电流和功率等用电信息实时地与所建立的设备正常运行标准进行对比，若不在正常标准的阈值范围内，即识别该预警信息。

(3)预警提示。把识别的预警信息通过系统提示、短信或邮件等方式发送给企业相关人员。

步骤五、用电漏洞识别

(1)企业设备建立用电漏洞识别标准。根据企业生产运行的实际情况建立各个设备的运行时间方案，则每一天各台设备的正常运行时间可以划分为：

Run_m＝{[t_m,1,t_m,2]，…，[t_m,n-1,t_m,n]}

其中Run_m表示第m台设备正常运行的所有时间段。

(2)用电对标。实时把企业各设备的运行状态与所建立的企业设备正常用电标准对标。

(3)漏洞识别。若设备不在正常运行时间范围内运行则识别为用电漏洞。

步骤六、用电故障检测

(1)建立设备用电模式库。读取数据中心的各个设备一年的历史用电数据，把一台设备一天的用电数据记作一条负荷曲线，则一台设备A一年共有365条负荷曲线记为L_A：

对每个设备分别使用基于动态时间规整(DTW)的模糊C均值(FCM)聚类算法得到设备用电模式库，聚类结果的每个类的中心曲线代表一种用电模式，设备A的用电模式可以表示为P_A，其中p_n为设备A的第n种用电负荷模式。

P_A＝{p₁,p₂,…,p_n}

然后根据历史数据信息分别定义设备的每一种负荷模式，例如定义设备A的用电模式p₁为正常用电模式1，p₂为正常用电模式2，p_n为异常用电模式n。

(2)模式对比。对比当天各台设备用电模式与其相应用电模式库，计算各台设备当天用电模式与其相应用电模式库中各个用电模式的DTW距离，则设备A当天的用电模式与其的用电模式库中各个用电模式的DTW可以表示为：

d:{d₁,d₂,…,d_n}

其中d_i为最小距离。

(3)故障识别。若d_i的值小于预定值，则把设备A当天用电模式和d_i所对应用电模式库中的用电模式划分为一类。若d_i的值不小于预定值，则把设备A当天用电模式经人工定义以后加入到其用电模式库。

步骤七、生成检测报告

综合超限预警、用电漏洞识别和用电故障检测的结果，每天为企业提供一份用电异常检测报告。

本实施例的用电异常检测方法中，企业实时地采集设备的用电数据，对采集的数据进行预处理并存储到数据中心。然后读取数据中心数据进行用电异常检测，能够为工业企业用电异常检测提供了系统、全面和有效的方法。

本实施例的用电异常检测方法采用基于DTW的FCM聚类算法，可以有效建立企业各台设备的用电模式库，从而可以识别设备用电异常，同时动态更新各设备的用电模式库，实现了系统的可持续性。

本实施例的用电异常检测方法为工业企业提供一个包含超限预警、用电漏洞识别和故障检测等全方位的用电异常检测方法，有助于工业企业节省用电量，减少生产成本，和实现安全生产。

对应于上述用电异常检测方法，本实施例提供了一种用电异常检测系统，如图3所示，该系统包括：

数据采集模块，用于获取用电设备在第一预定时间段内的若干个用电特征数据；

数据预处理模块，用于对所有的所述用电特征数据进行预处理；

超限预警模块，用于获取所述用电特征数据对应的预定标准范围，并判断预处理后的所有的用电特征数据是否在所述预定标准范围内，并在至少一个预处理后的用电特征数据未在所述预定标准范围内的情况下，生成超限报警信息；

用电漏洞识别模块，用于获取所述用电设备在第一预定时间段内运行的时间段，得到所述用电设备的若干个运行时段，获取所述用电设备在所述第一预定时间段内预定运行时段，并判断每个所述运行时段是否为所述预定运行时段中的一个，并在至少一个所述运行时段不是所述预定运行时段中的一个的情况下，生成漏洞报警信息；

故障检测模块，用于根据所述用电设备在所述第一预定时间段内的所述用电特征数据，得到所述用电设备在所述第一预定时间段内的负荷曲线；计算所述负荷曲线与每条预定负荷曲线的动态时间规整距离，判断最小的动态时间规整距离是否小于预定值，若最小的动态时间规整距离小于所述预定值，则将最小的动态时间规整距离对应的预定负荷曲线的用电模式，作为用电设备在所述第一预定时间段内的用电模式，并判断所述用电设备在所述第一预定时间段内的用电模式是否为异常用电模式，并在所述用电设备在所述第一预定时间段内的用电模式为异常用电模式的情况下，生成模式报警信息；

所述故障检测模块还用于在最小的动态时间规整距离大于或等于所述预定值的情况下，定义所述用电设备在所述第一预定时间段内的负荷曲线对应的用电模式，并将所述用电设备在所述第一预定时间段内的负荷曲线以及对应的用电模式进行存储。

进一步地，如图4所示，上述系统还包括：

数据存储模块，用于存储预处理后的所有的用电特征数据，具体地，把预处理后的数据存储到数据中心；

检测报告生成模块，用于根据超限报警信息、漏洞报警信息以及模式报警信息生成故障检测结果报告。

本发明实施例的方法中的每个步骤是于本发明实施例的系统在用电异常检测过程中的步骤一一对应的，本发明实施例的系统在用电异常检测过程中每个步骤均包含在本发明实施例的方法中，因此，对于重复的部分，这里不再进行赘述。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种用电异常检测方法，其特征在于，所述方法包括：

获取用电设备在第一预定时间段内的若干个用电特征数据，并对所有的所述用电特征数据进行预处理；

获取所述用电特征数据对应的预定标准范围；

判断预处理后的所有的用电特征数据是否在所述预定标准范围内，并在至少一个预处理后的用电特征数据未在所述预定标准范围内的情况下，生成超限报警信息；

获取所述用电设备在第一预定时间段内运行的时间段，得到所述用电设备的若干个运行时段；

获取所述用电设备在所述第一预定时间段内预定运行时段；

判断每个所述运行时段是否为所述预定运行时段中的一个，并在至少一个所述运行时段不是所述预定运行时段中的一个的情况下，生成漏洞报警信息；

根据所述用电设备在所述第一预定时间段内的所述用电特征数据，得到所述用电设备在所述第一预定时间段内的负荷曲线；

计算所述负荷曲线与每条预定负荷曲线的动态时间规整距离；

判断最小的动态时间规整距离是否小于预定值，若最小的动态时间规整距离小于所述预定值，则将最小的动态时间规整距离对应的预定负荷曲线的用电模式，作为用电设备在所述第一预定时间段内的用电模式；若最小的动态时间规整距离大于或等于所述预定值，则定义所述用电设备在所述第一预定时间段内的负荷曲线对应的用电模式，并将所述用电设备在所述第一预定时间段内的负荷曲线以及对应的用电模式进行存储；

判断所述用电设备在所述第一预定时间段内的用电模式是否为异常用电模式，并在所述用电设备在所述第一预定时间段内的用电模式为异常用电模式的情况下，生成模式报警信息。

2.根据权利要求1所述的方法，其特征在于，所述用电特征数据包括电压、功率、电流、频率。

3.根据权利要求1所述的方法，其特征在于，所述对所有的所述用电特征数据进行预处理，包括：

对所有的所述用电特征数据进行缺失值处理、数据一致性检验以及数据集成。

4.根据权利要求1所述的方法，其特征在于，所述方法还包括如下步骤：

设置所述预定标准范围。

5.根据权利要求1所述的方法，其特征在于，所述方法还包括：

设置若干个所述预定运行时段。

6.根据权利要求1所述的方法，其特征在于，所述方法还包括如下步骤：

获取所述用电设备在若干个第二预定时间段内的用电特征数据；

根据每个所述第二预定时间段的用电特征数据，得到所述用电设备在每个所述第二预定时间段内的负荷曲线；

基于动态时间规整的模糊聚类算法，对所述用电设备若干个第二预定时间段内的负荷曲线进行聚类，得到所述用电设备的若干个用电模式以及每个所述用电模式对应的预定负荷曲线。

7.根据权利要求1所述的方法，其特征在于，所述方法还包括如下步骤：

存储预处理后的所有的用电特征数据。

8.根据权利要求1所述的方法，其特征在于，所述方法还包括如下步骤：

根据超限报警信息、漏洞报警信息以及模式报警信息生成故障检测结果报告。

9.一种用电异常检测系统，其特征在于，所述系统包括：

数据采集模块，用于获取用电设备在第一预定时间段内的若干个用电特征数据；

数据预处理模块，用于对所有的所述用电特征数据进行预处理；

超限预警模块，用于获取所述用电特征数据对应的预定标准范围，并判断预处理后的所有的用电特征数据是否在所述预定标准范围内，并在至少一个预处理后的用电特征数据未在所述预定标准范围内的情况下，生成超限报警信息；

用电漏洞识别模块，用于获取所述用电设备在第一预定时间段内运行的时间段，得到所述用电设备的若干个运行时段，获取所述用电设备在所述第一预定时间段内预定运行时段，并判断每个所述运行时段是否为所述预定运行时段中的一个，并在至少一个所述运行时段不是所述预定运行时段中的一个的情况下，生成漏洞报警信息；

故障检测模块，用于根据所述用电设备在所述第一预定时间段内的所述用电特征数据，得到所述用电设备在所述第一预定时间段内的负荷曲线；计算所述负荷曲线与每条预定负荷曲线的动态时间规整距离，判断最小的动态时间规整距离是否小于预定值，若最小的动态时间规整距离小于所述预定值，则将最小的动态时间规整距离对应的预定负荷曲线的用电模式，作为用电设备在所述第一预定时间段内的用电模式，并判断所述用电设备在所述第一预定时间段内的用电模式是否为异常用电模式，在所述用电设备在所述第一预定时间段内的用电模式为异常用电模式的情况下，生成模式报警信息；

所述故障检测模块还用于在最小的动态时间规整距离大于或等于所述预定值的情况，定义所述用电设备在所述第一预定时间段内的负荷曲线对应的用电模式，并将所述用电设备在所述第一预定时间段内的负荷曲线以及对应的用电模式进行存储。

10.根据权利要求9所述的系统，其特征在于，所述系统还包括：

数据存储模块，用于存储预处理后的所有的用电特征数据；

检测报告生成模块，用于根据超限报警信息、漏洞报警信息以及模式报警信息生成故障检测结果报告。