CN109190890A - 一种基于用户电力消费数据的用户行为分析方法 - Google Patents
一种基于用户电力消费数据的用户行为分析方法 Download PDFInfo
- Publication number
- CN109190890A CN109190890A CN201810845947.0A CN201810845947A CN109190890A CN 109190890 A CN109190890 A CN 109190890A CN 201810845947 A CN201810845947 A CN 201810845947A CN 109190890 A CN109190890 A CN 109190890A
- Authority
- CN
- China
- Prior art keywords
- user
- electricity consumption
- consumption data
- data
- day
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 25
- 230000005611 electricity Effects 0.000 claims abstract description 72
- 206010000117 Abnormal behaviour Diseases 0.000 claims abstract description 17
- 238000012549 training Methods 0.000 claims abstract description 13
- 230000009467 reduction Effects 0.000 claims abstract description 9
- 238000000034 method Methods 0.000 claims abstract description 8
- 238000000513 principal component analysis Methods 0.000 claims abstract description 8
- 238000013499 data model Methods 0.000 claims abstract description 7
- 238000000605 extraction Methods 0.000 claims abstract description 6
- 238000013480 data collection Methods 0.000 claims abstract description 4
- 239000011159 matrix material Substances 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 5
- 238000000354 decomposition reaction Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 239000000284 extract Substances 0.000 claims 1
- 230000006399 behavior Effects 0.000 description 15
- 230000002159 abnormal effect Effects 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 241001269238 Data Species 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000009412 basement excavation Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000013450 outlier detection Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 230000009466 transformation Effects 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Primary Health Care (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于用户电力消费数据的用户行为分析方法。方法为:将批量用户单日每小时用电数据训练集作为输入;对输入的用电数据进行预处理,包括提取用电特征,进行归一化处理,通过主成分分析法进行降维;将部分用户的家庭特征信息作为输入;利用约束种子k均值算法,结合部分家庭信息数据,对用户用电数据训练集进行半监督聚类分析,构造出不同类型用户的用电数据模型;将需要检测的用户单日每小时用电数据集作为输入;利用模型对用户异常行为进行检测。本发明能够依据用户实时电力消费数据,对用户行为进行高效的鉴别和检测。
Description
技术领域
本发明涉及用户行为分析方法技术领域,特别是一种基于用户电力消费数据的用户行为分析方法。
背景技术
随着我国对智慧城市的建设与发展,通过智能电表的加快部署,电力行业积聚了大规模的用户电力消费数据,而这些用电数据与居民日常生活行为息息相关。信息技术电力系统中的不断完善,为用户电力消费数据的存储、分析与挖掘提供了坚实的基础。利用数据挖掘技术对这些海量数据进行分析和研究,可以发现不同用户的行为规律,并可以对用户异常行为和异常用户进行判断。
现有技术均是从电力企业的角度去分析用户电力数据的异常,只重视数据的真实性以方便电力企业做出正确的营销决策,却没有很好的从用户的角度去挖掘电力数据异常背后用户自身的异常行为;在数据预处理环节通常是直接对采集的数据进行挖掘,没有提取用户电力数据的主要特征;在减少需要分析的指标时直接采样挖掘主要因素的方法,而忽视了原指标所包含的信息。
发明内容
本发明的目的在于提供一种基于用户电力消费数据的用户行为分析方法,能够依据用户电力消费数据有效、及时的发现用户的异常用电行为。
实现本发明目的的技术解决方案为:一种基于用户电力消费数据的用户行为分析方法,包括以下步骤:
步骤1,将批量用户单日每小时用电数据训练集作为输入;
步骤2,对输入的用电数据进行预处理,包括提取用电特征,进行归一化处理,通过主成分分析法进行降维;
步骤3,将部分用户的家庭特征信息作为输入;
步骤4,利用约束种子k均值算法,结合部分家庭信息数据,对用户用电数据训练集进行半监督聚类分析,构造出不同类型用户的用电数据模型;
步骤5,将需要检测的用户单日每小时用电数据集作为输入;
步骤6,利用模型对用户异常行为进行检测。
进一步地,步骤2所述的对输入的用电数据进行预处理,具体如下:
(2.1)根据每日每个家庭的用电数据提取六种用电数据特征值,具体包括:
日最小负荷率=日最小负荷/日最大负荷;
日峰谷差=日最大负荷-日最小负荷;
日峰谷差率=日峰谷差/日最大负荷;
峰时耗电率=高峰时段用电量/总的用电量;
谷时耗电率=低谷时段用电量/总的用电量;
平段的用电量百分比=平段用电量/总的用电量;
(2.2)每个用户每日的用电数据均作为一个样本点,对同一日提取的不同用户的用电数据特征值进行归一化处理,公式如下:
其中,x为样本原属性值,x*为归一化处理后的值,min为样本在该属性下的最小值,max为样本在该属性下的最大值;
(2.3)对处理后的数据特征,利用主成分分析法进行降维,具体步骤如下:
令样本集为X={x1,x2,…,xm},低维空间维数为d′;
对同一日所有样本进行中心化,即i=1,2,…,m;
计算样本的协方差矩阵XXT;
对协方差矩阵XXT做特征值分解;
取最大的d′个特征值所对应的特征向量w1,w2,…wd′。
进一步地,步骤3所述的部分用户的家庭特征信息,具体如下:
部分用户的家庭特征信息是指通过调查统计得到的用户类别信息,将用户依据住户年龄分布情况分为如下四类:空置房住户、老人家庭住户、上班族住户、老人上班族同住住户;利用这些类别作为用户用电特征数据的簇标记。
进一步地,步骤4所述的利用约束种子k均值算法,结合部分家庭信息数据,对用户用电数据训练集进行半监督聚类分析,构造出不同类型用户的用电数据模型,具体为:
将已标记用户用电特征数据作为种子,用他们初始化k均值算法的k个聚类中心,并在聚类簇迭代更新过程中不改变种子样本的簇隶属关系,结合簇分布情况构造出四类不同用户的用电模型。
进一步地,步骤6所述的利用模型对用户异常行为进行检测,具体如下:
比较同一日中用户用电量是否在四类模型之中,如不在则用户用电行为异常;比较不同日同一用户簇标记是否发生变化,如变化则用户用电行为异常。
本发明与现有技术相比,其显著优点在于:(1)从用户角度出发,将用户电力数据依据科学公式提取相应的特征,并在减少原指标包含信息损失的前提下进行降维;(2)通过离群点分析以及用户隶属簇变换发现用户行为异常,鉴别和检测效率高。
附图说明
图1是本发明基于用户电力消费数据的用户行为分析方法的流程图。
具体实施方式
下面结合附图和具体实施方式对本发明做进一步的说明。
本发明基于用户电力消费数据的用户行为分析方法,首先利用主成分分析法对用户每日用电数据特征进行降维;然后利用约束种子k均值算法训练出四类用户的用电特征模型,并根据模型对用户进行分类和预测;最后利用离群点检测发现用户用电异常行为。结合图1,具体包括以下步骤:
一种基于用户电力消费数据的用户行为分析方法,包括以下步骤:
步骤1,将批量用户单日每小时用电数据训练集作为输入;
步骤2,对输入的用电数据进行预处理,包括提取用电特征,进行归一化处理,通过主成分分析法进行降维;
步骤3,将部分用户的家庭特征信息作为输入;
步骤4,利用约束种子k均值算法,结合部分家庭信息数据,对用户用电数据训练集进行半监督聚类分析,构造出不同类型用户的用电数据模型;
步骤5,将需要检测的用户单日每小时用电数据集作为输入;
步骤6,利用模型对用户异常行为进行检测。
进一步地,步骤2所述的对输入的用电数据进行预处理,具体如下:
(2.1)根据每日每个家庭的用电数据提取六种用电数据特征值,具体包括:
日最小负荷率=日最小负荷/日最大负荷;
日峰谷差=日最大负荷-日最小负荷;
日峰谷差率=日峰谷差/日最大负荷;
峰时耗电率=高峰时段用电量/总的用电量;
谷时耗电率=低谷时段用电量/总的用电量;
平段的用电量百分比=平段用电量/总的用电量;
(2.2)每个用户每日的用电数据均作为一个样本点,对同一日提取的不同用户的用电数据特征值进行归一化处理,公式如下:
其中,x为样本原属性值,x*为归一化处理后的值,min为样本在该属性下的最小值,max为样本在该属性下的最大值;
(2.3)对处理后的数据特征,利用主成分分析法进行降维,具体步骤如下:
令样本集为X={x1,x2,…,xm},低维空间维数为d′;
对同一日所有样本进行中心化,即i=1,2,…,m;
计算样本的协方差矩阵XXT;
对协方差矩阵XXT做特征值分解;
取最大的d′个特征值所对应的特征向量w1,w2,…wd′,d′取值为2,将六维样本降至二维。
进一步地,步骤3所述的部分用户的家庭特征信息,具体如下:
部分用户的家庭特征信息是指通过调查统计得到的用户类别信息,将用户依据住户年龄分布情况分为如下四类:空置房住户、老人家庭住户、上班族住户、老人上班族同住住户;利用这些类别作为用户用电特征数据的簇标记。
进一步地,步骤4所述的利用约束种子k均值算法,结合部分家庭信息数据,对用户用电数据训练集进行半监督聚类分析,构造出不同类型用户的用电数据模型,具体为:
将已标记用户用电特征数据作为种子,用他们初始化k均值算法的k个聚类中心,并在聚类簇迭代更新过程中不改变种子样本的簇隶属关系,结合簇分布情况构造出四类不同用户的用电模型。
进一步地,步骤6所述的利用模型对用户异常行为进行检测,具体如下:
比较同一日中用户用电量是否在四类模型之中,如不在则用户用电行为异常;
比较不同日同一用户簇标记是否发生变化,如变化则用户用电行为异常。
下面结合实施例对本发明做进一步详细说明。
实施例1
以要处理的用户用电数据为例,用户用电数据有3个属性,分别如下:用户标识、用电时间、用电量。部分用户通过调查获得家庭类型标签,有4类:空置房住户、老人家庭住户、上班族住户、老人上班族同住住户。
具体实施主要分为4个阶段:单日用户电力数据特征提取;通过用户家庭信息标记样本,采用约束种子k均值算法进行半监督学习,训练出四类用户的用电模型;离群点与簇变化检测发现用户行为异常。
1.单日用户电力数据特征提取
本发明对单日用户电力数据特征提取步骤如下:
根据每日每个家庭的用电数据,提取如下6个维度作为样本属性:
日最小负荷率,为最小负荷/日最大负荷;
日峰谷差,为日最大负荷-日最小负荷;
日峰谷差率,为日峰谷差/日最大负荷;
峰时耗电率,为高峰时段用电量/总的用电量;
谷时耗电率,为低谷时段用电量/总的用电量;
平段的用电量百分比,为平段用电量/总的用电量。
每个用户每日的用电数据均作为一个样本点。
对样本数据进行归一化,公式如下:
x为样本原属性值,min为样本在该属性下的最小值,max为样本在该属性下的最大值。
对归一化的数据进行主成分分析,具体步骤如下:
输入:样本集:X={x1,x2,…,xm};
低维空间维数d′
过程如下:
对所有样本进行中心化:
计算样本的协方差矩阵XXT;
对协方差矩阵XXT做特征值分解;
取最大的d′个特征值所对应的特征向量w1,w2,…wd′;
输出:投影矩阵
将的值d′取为2,使原本的六维数据降为二维数据。
2.通过用户家庭信息标记样本,采用约束种子k均值算法,进行半监督学习,训练出四类用户的用电模型。
约束种子k均值算法如下:
由于用户分为四类,故K的取值为4。
3.根据离群点与簇变化检测,发现用户行为异常。
本发明依据步骤2训练得到的模型,将最新采集的用户一天的用电数据按1的方式提取特征,作为测试样本放入模型中,如样本为离群点则测试样本用户行为异常,如样本用户相邻日期所属族发生变化则测试样本用户行为异常。
Claims (5)
1.一种基于用户电力消费数据的用户行为分析方法,其特征在于,包括以下步骤:
步骤1,将批量用户单日每小时用电数据训练集作为输入;
步骤2,对输入的用电数据进行预处理,包括提取用电特征,进行归一化处理,通过主成分分析法进行降维;
步骤3,将部分用户的家庭特征信息作为输入;
步骤4,利用约束种子k均值算法,结合部分家庭信息数据,对用户用电数据训练集进行半监督聚类分析,构造出不同类型用户的用电数据模型;
步骤5,将需要检测的用户单日每小时用电数据集作为输入;
步骤6,利用模型对用户异常行为进行检测。
2.根据权利要求1所述的基于用户电力消费数据的用户行为分析方法,其特征在于,步骤2所述的对输入的用电数据进行预处理,具体如下:
(2.1)根据每日每个家庭的用电数据提取六种用电数据特征值,具体包括:
日最小负荷率=日最小负荷/日最大负荷;
日峰谷差=日最大负荷-日最小负荷;
日峰谷差率=日峰谷差/日最大负荷;
峰时耗电率=高峰时段用电量/总的用电量;
谷时耗电率=低谷时段用电量/总的用电量;
平段的用电量百分比=平段用电量/总的用电量;
(2.2)每个用户每日的用电数据均作为一个样本点,对同一日提取的不同用户的用电数据特征值进行归一化处理,公式如下:
其中,x为样本原属性值,x*为归一化处理后的值,min为样本在该属性下的最小值,max为样本在该属性下的最大值;
(2.3)对处理后的数据特征,利用主成分分析法进行降维,具体步骤如下:
令样本集为X={x1,x2,...,xm},低维空间维数为d′;
对同一日所有样本进行中心化,即i=1,2,…,m;
计算样本的协方差矩阵XXT;
对协方差矩阵XXT做特征值分解;
取最大的d′个特征值所对应的特征向量w1,w2,...wd′。
3.根据权利要求1所述的基于用户电力消费数据的用户行为分析方法,其特征在于,步骤3所述的部分用户的家庭特征信息,具体如下:
部分用户的家庭特征信息是指通过调查统计得到的用户类别信息,将用户依据住户年龄分布情况分为如下四类:空置房住户、老人家庭住户、上班族住户、老人上班族同住住户;利用这些类别作为用户用电特征数据的簇标记。
4.根据权利要求3所述的基于用户电力消费数据的用户行为分析方法,其特征在于,步骤4所述的利用约束种子k均值算法,结合部分家庭信息数据,对用户用电数据训练集进行半监督聚类分析,构造出不同类型用户的用电数据模型,具体为:
将己标记用户用电特征数据作为种子,用他们初始化k均值算法的k个聚类中心,并在聚类簇迭代更新过程中不改变种子样本的簇隶属关系,结合簇分布情况构造出四类不同用户的用电模型。
5.根据权利要求1所述的基于用户电力消费数据的用户行为分析方法,其特征在于,步骤6所述的利用模型对用户异常行为进行检测,具体如下:
比较同一日中用户用电量是否在四类模型之中,如不在则用户用电行为异常;
比较不同日同一用户簇标记是否发生变化,如变化则用户用电行为异常。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810845947.0A CN109190890A (zh) | 2018-07-27 | 2018-07-27 | 一种基于用户电力消费数据的用户行为分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810845947.0A CN109190890A (zh) | 2018-07-27 | 2018-07-27 | 一种基于用户电力消费数据的用户行为分析方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109190890A true CN109190890A (zh) | 2019-01-11 |
Family
ID=64937707
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810845947.0A Pending CN109190890A (zh) | 2018-07-27 | 2018-07-27 | 一种基于用户电力消费数据的用户行为分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109190890A (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109873812A (zh) * | 2019-01-28 | 2019-06-11 | 腾讯科技(深圳)有限公司 | 异常检测方法、装置及计算机设备 |
CN110245775A (zh) * | 2019-04-25 | 2019-09-17 | 深圳壹账通智能科技有限公司 | 用户收支数据的分析方法、装置及计算机设备 |
CN110298552A (zh) * | 2019-05-31 | 2019-10-01 | 国网上海市电力公司 | 一种结合历史用电特征的配电网个体功率异常检测方法 |
CN111090684A (zh) * | 2019-12-17 | 2020-05-01 | 国网电子商务有限公司 | 一种用电数据的处理方法及系统 |
CN111179109A (zh) * | 2019-11-29 | 2020-05-19 | 国网浙江省电力有限公司杭州供电公司 | 用于独居老人检测的用电数据处理方法 |
CN111179548A (zh) * | 2019-12-28 | 2020-05-19 | 杭州拓深科技有限公司 | 一种基于电流指纹技术的独居人员安全预警方法及系统 |
CN111539843A (zh) * | 2020-04-17 | 2020-08-14 | 国网新疆电力有限公司电力科学研究院 | 基于数据驱动的反窃电智能预警方法 |
CN112396087A (zh) * | 2020-09-28 | 2021-02-23 | 国网浙江省电力有限公司杭州供电公司 | 基于智能电表的独居老人用电数据分析方法及装置 |
CN112579721A (zh) * | 2020-12-22 | 2021-03-30 | 北京市腾河智慧能源科技有限公司 | 构建人群分布图的方法及系统、终端设备、存储介质 |
CN113095442A (zh) * | 2021-06-04 | 2021-07-09 | 成都信息工程大学 | 基于半监督学习在多维度雷达数据下的冰雹识别方法 |
CN113269478A (zh) * | 2021-07-21 | 2021-08-17 | 武汉中原电子信息有限公司 | 一种基于多模型的集中器异常数据提醒方法及系统 |
CN114581144A (zh) * | 2022-03-09 | 2022-06-03 | 国网上海市电力公司 | 一种使用台区数据描绘社会组织电力消费的方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN106780121A (zh) * | 2016-12-06 | 2017-05-31 | 广州供电局有限公司 | 一种基于用电负荷模式分析的用电异常识别方法 |
-
2018
- 2018-07-27 CN CN201810845947.0A patent/CN109190890A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN106780121A (zh) * | 2016-12-06 | 2017-05-31 | 广州供电局有限公司 | 一种基于用电负荷模式分析的用电异常识别方法 |
Non-Patent Citations (2)
Title |
---|
吴晓婷等: "数据降维方法分析与研究 ", 《计算机应用研究》 * |
张素香等: "基于云计算的居民用电行为分析模型研究 ", 《电网技术》 * |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109873812A (zh) * | 2019-01-28 | 2019-06-11 | 腾讯科技(深圳)有限公司 | 异常检测方法、装置及计算机设备 |
CN110245775A (zh) * | 2019-04-25 | 2019-09-17 | 深圳壹账通智能科技有限公司 | 用户收支数据的分析方法、装置及计算机设备 |
CN110298552A (zh) * | 2019-05-31 | 2019-10-01 | 国网上海市电力公司 | 一种结合历史用电特征的配电网个体功率异常检测方法 |
CN110298552B (zh) * | 2019-05-31 | 2023-12-01 | 国网上海市电力公司 | 一种结合历史用电特征的配电网个体功率异常检测方法 |
CN111179109A (zh) * | 2019-11-29 | 2020-05-19 | 国网浙江省电力有限公司杭州供电公司 | 用于独居老人检测的用电数据处理方法 |
CN111090684B (zh) * | 2019-12-17 | 2023-11-03 | 国网数字科技控股有限公司 | 一种用电数据的处理方法及系统 |
CN111090684A (zh) * | 2019-12-17 | 2020-05-01 | 国网电子商务有限公司 | 一种用电数据的处理方法及系统 |
CN111179548A (zh) * | 2019-12-28 | 2020-05-19 | 杭州拓深科技有限公司 | 一种基于电流指纹技术的独居人员安全预警方法及系统 |
CN111539843A (zh) * | 2020-04-17 | 2020-08-14 | 国网新疆电力有限公司电力科学研究院 | 基于数据驱动的反窃电智能预警方法 |
CN112396087A (zh) * | 2020-09-28 | 2021-02-23 | 国网浙江省电力有限公司杭州供电公司 | 基于智能电表的独居老人用电数据分析方法及装置 |
CN112396087B (zh) * | 2020-09-28 | 2024-04-26 | 国网浙江省电力有限公司杭州供电公司 | 基于智能电表的独居老人用电数据分析方法及装置 |
CN112579721A (zh) * | 2020-12-22 | 2021-03-30 | 北京市腾河智慧能源科技有限公司 | 构建人群分布图的方法及系统、终端设备、存储介质 |
CN112579721B (zh) * | 2020-12-22 | 2023-10-27 | 北京市腾河智慧能源科技有限公司 | 构建人群分布图的方法及系统、终端设备、存储介质 |
CN113095442A (zh) * | 2021-06-04 | 2021-07-09 | 成都信息工程大学 | 基于半监督学习在多维度雷达数据下的冰雹识别方法 |
CN113269478B (zh) * | 2021-07-21 | 2021-10-15 | 武汉中原电子信息有限公司 | 一种基于多模型的集中器异常数据提醒方法及系统 |
CN113269478A (zh) * | 2021-07-21 | 2021-08-17 | 武汉中原电子信息有限公司 | 一种基于多模型的集中器异常数据提醒方法及系统 |
CN114581144A (zh) * | 2022-03-09 | 2022-06-03 | 国网上海市电力公司 | 一种使用台区数据描绘社会组织电力消费的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109190890A (zh) | 一种基于用户电力消费数据的用户行为分析方法 | |
CN110097297B (zh) | 一种多维度窃电态势智能感知方法、系统、设备及介质 | |
CN103812872B (zh) | 一种基于混合狄利克雷过程的网络水军行为检测方法及系统 | |
CN108764584B (zh) | 一种企业电能替代潜力评估方法 | |
CN106909933B (zh) | 一种三阶段多视角特征融合的窃电分类预测方法 | |
Abdelrahman et al. | Data science for building energy efficiency: A comprehensive text-mining driven review of scientific literature | |
CN110781332A (zh) | 基于复合聚类算法的电力居民用户日负荷曲线聚类方法 | |
CN104933622A (zh) | 一种基于用户和微博主题的微博流行度预测方法及系统 | |
CN106446967A (zh) | 一种新型电力系统负荷曲线聚类方法 | |
CN109461025A (zh) | 一种基于机器学习的电能替代潜在客户预测方法 | |
CN103440539B (zh) | 一种用户用电数据处理方法 | |
CN107507038A (zh) | 一种基于stacking和bagging算法的电费敏感用户分析方法 | |
CN109634940A (zh) | 一种基于海量低压台区用电数据的典型低压台区用电模型构建方法 | |
CN109558467B (zh) | 用电用户类别识别方法及系统 | |
Ferraro et al. | Comparison and clustering analysis of the daily electrical load in eight European countries | |
CN104881735A (zh) | 用于支撑智慧城市运行管理的智能电网大数据挖掘系统及方法 | |
CN106202480A (zh) | 一种基于K‑means和LDA双向验证的网络行为习惯聚类方法 | |
CN104850868A (zh) | 一种基于k-means和神经网络聚类的客户细分方法 | |
CN108664653A (zh) | 一种基于K-means的医疗消费客户自动分类方法 | |
CN105809573A (zh) | 一种基于大数据分析的用电性质认证方法 | |
Liu et al. | Non-intrusive energy estimation using random forest based multi-label classification and integer linear programming | |
CN116362785A (zh) | 大数据环境下的电力用户用电异常诊断方法及装置 | |
Guan et al. | Customer load forecasting method based on the industry electricity consumption behavior portrait | |
CN110503145A (zh) | 一种基于k-shape聚类的典型负荷曲线获取方法 | |
CN111324790A (zh) | 基于支持向量机分类的负荷类型识别方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190111 |
|
RJ01 | Rejection of invention patent application after publication |