CN109902915A - 一种基于模糊c均值模型的电水气用能行为分析方法 - Google Patents

一种基于模糊c均值模型的电水气用能行为分析方法 Download PDF

Info

Publication number
CN109902915A
CN109902915A CN201910029600.3A CN201910029600A CN109902915A CN 109902915 A CN109902915 A CN 109902915A CN 201910029600 A CN201910029600 A CN 201910029600A CN 109902915 A CN109902915 A CN 109902915A
Authority
CN
China
Prior art keywords
user
electricity
water
fuzzy
classification
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
Application number
CN201910029600.3A
Other languages
English (en)
Inventor
吴国诚
贺民
郑国和
刘�英
翟一帆
崔幼
杨佳
王明
李熊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang University ZJU
State Grid Corp of China SGCC
State Grid Zhejiang Electric Power Co Ltd
Zhejiang Huayun Information Technology Co Ltd
Ningbo Power Supply Co of State Grid Zhejiang Electric Power Co Ltd
Original Assignee
Zhejiang University ZJU
State Grid Corp of China SGCC
State Grid Zhejiang Electric Power Co Ltd
Zhejiang Huayun Information Technology Co Ltd
Ningbo Power Supply Co of State Grid Zhejiang Electric Power Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhejiang University ZJU, State Grid Corp of China SGCC, State Grid Zhejiang Electric Power Co Ltd, Zhejiang Huayun Information Technology Co Ltd, Ningbo Power Supply Co of State Grid Zhejiang Electric Power Co Ltd filed Critical Zhejiang University ZJU
Priority to CN201910029600.3A priority Critical patent/CN109902915A/zh
Publication of CN109902915A publication Critical patent/CN109902915A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/80—Management or planning
    • Y02P90/82—Energy audits or management systems therefor

Landscapes

  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于模糊C均值模型的电水气用能行为分析方法，属于电力技术领域。目前应用的用户用能分析方法由于缺乏用户用水、用气数据，分析效果较差，无法实现对居民用户用能的分类与离群用户区分，工作效率较低，可能对供能企业造成较大损失。本发明提供通过采集电、水、气数据，利用大数据并行计算技术对每一个用户的用能情况进行分析，利用用户日用电量、用水量、用气量等数据，构建电水气融合数据矢量，通过聚类算法实现用户聚类，达到对居民用户用能的分类与离群用户区分的目的，并能够对离群用户进行研究是否出现窃电、漏水等用能异常，提高工作效率和减少供能企业损失。

Description

一种基于模糊C均值模型的电水气用能行为分析方法
技术领域
本发明涉及一种基于模糊C均值模型的电水气用能行为分析方法，属于电力技术领域。
背景技术
随着居民用户智能电表、智能水表和燃气表抄表数据远程采集技术的不断推进，目前多地已经具备“电水、气、热”多表数据联合采集，为以户为单位的用户用能分析提供了基础条件。目前应用的用户用能分析方法由于缺乏用户用水、用气数据，仅仅是基于用电量对用户用能进行分析，无法充分挖掘用户用能之间的相关性；并且分析效果较差，无法实现对居民用户用能的分类与离群用户区分，进而后续无法分析离群用户是否出现窃电、漏水等用能异常，只能根据用户上报数据或者工作人员巡检发现问题，工作效率较低，可能对供能企业造成较大损失。
发明内容
针对现有技术的缺陷，本发明的目的在于提供一种通过采集电、水、气数据，利用大数据并行计算技术对每一个用户的用能情况进行分析，利用用户日用电量、用水量、用气量等数据，构建电水气融合数据矢量，通过聚类算法实现用户聚类，达到对居民用户用能的分类与离群用户区分的目的的基于模糊C均值模型的电水气用能行为分析方法。
为实现上述目的，本发明的技术方案为：
一种基于模糊C均值模型的电水气用能行为分析方法，
包括以下步骤：
步骤1、根据采集的水、电、气示度计算每日用能量；
步骤2、对用户用能量进行清洗，去除明显超出正常数据范围的异常数据；
步骤3、将用电量，用水量，用气量组成三维的用能数据作为该用户每日的用能数据，并根据聚类周期，构筑数据矢量；
步骤4、用0与1之间的随机数构建初始隶属矩阵；
步骤5、计算每个聚类类别的初始聚类中心，得到所有的聚类中心则转到步骤8，如果没有计算完所有的聚类中心则进行步骤6；
步骤6、计算代价函数值，当代价函数的值小于给定的阈值，或者它相比上次代价函数的改变量小于某阈值，则算法停止，输出隶属度矩阵；
步骤7、计算新的隶属度矩阵U，返回步骤5；
步骤8、根据得到隶属度矩阵，采用最大化隶属度矩阵准则对居民用户用能进行类别标记确定每个用户所属的类别，达到对居民用户用能的分类与离群用户区分的目的，并在后续对离群用户异常行为进行分析。
本发明结合数字通讯技术，以移动通讯网络为载体，依靠集中器采集电、水、气数据，利用大数据并行计算技术对每一个用户的用能情况进行分析，利用用户日用电量、用水量、用气量等数据，构建电水气融合数据矢量，通过聚类算法实现用户聚类，达到对居民用户用能的分类与离群用户区分的目的，并能够对离群用户进行研究是否出现窃电、漏水等用能异常，提高工作效率和减少供能企业损失。
作为优选技术措施，
所述步骤4：用0与1之间的随机数构建初始隶属矩阵U，满足该约束条件，其中uij表示第j个元素对第i个类的隶属度；c为聚类类别的数目，n为聚类样本的数目，即待聚类用户个数；
作为优选技术措施，
利用式子(1)计算每个聚类类别的初始聚类中心；加权指数m一般取值为2；
作为优选技术措施，
所述步骤6：利用式子(2)计算代价函数值；如果代价函数的值小于给定的阈值，或者它相比上次代价函数的改变量小于某阈值，则算法停止，输出隶属度矩阵，将用户的聚类类别归属为隶属度最高的类别，即max{u1j，u2j，u3j，…，ucj}所对应的聚类类别；
作为优选技术措施，所述步骤7：
利用式子(3)计算新的隶属度矩阵U，并返回步骤5进行再次计算；
作为本发明计算聚类中心的另一种优选技术措施，
所述步骤5：
c均值聚类算法对于聚类类数的选取较为敏感，不同的模糊类数c的选取将导致不同的聚类结果；为了达到较好的聚类效果；在对用户数据进行c均值模糊聚类之前，利用减法聚类算法得到一个较佳的模糊类数c值；
减法聚类算法运行速度快且具有独立性，主要是用来寻找聚类数目和各个聚类中心。它把每个数据点当作聚类中心的候选点，通过不断更新每个数据点的密度指标，来寻找聚类中心。
不失一般性，考虑N维空间n个数据点{x1，x2，…，xn}，聚类数目为k。
则减法聚类方法的一般步骤如下：
S1：初始化聚类数目k＝0，然后根据公式(4)计算每个数据点处的密度指标，选取具有最高密度指标的数据点为第一个聚类中心。
这里ra定义为领域半径，它表示半径以外的数据点对该点的密度指标贡献很小。
S2：k＝k+1令xck为选中的点，Dck为其密度指标。那么可以根据公式(5)更新每个数据点xi的密度指标，选取具有最高密度指标的数据点为新的聚类中心。
这里rb定义为一个密度指标函数显著减小的领域半径。常数rb通常大于ra，以避免出现相聚很近的聚类中心。一般取rb＝1.5*ra。
S3：若Dck+1/Dck＜ε成立，算法结束，k为聚类数目，否则回到S2。参数ε＜1决定聚类数目，一般ε越小聚类数目越多。
作为本发明模糊c均值聚类算法的另一种优选技术措施，
模糊c均值聚类算法(fuzzy c-means algorithm)，其主要步骤如下：
设待聚类的数据样本为n个，且每个样本为P维向量，由于每个用户的用能信息维度为24维，所以本例中P＝24。数据集合可用X＝{x1，x2，…，xn}表示。设数据集合有c个类别。数据集的聚类中心用矩阵C表示，数据集合内每个元素对聚类中心的隶属度用矩阵D表示。
其中cij表示第j个维度信息在第i个类别上的聚类中心，dij表示第j个元素对第i个类的隶属度，并且满足以下条件：
则FCM算法的目标函数为：
式中m是加权指数。之后根据拉格朗日法求J(u，v)的条件极值迭代求得最佳模糊分类矩阵和聚类中心。在本例中m的取值为2。
作为优选技术措施，
居民的用电行为包括用电量特征、用电点特征，所述用电量特征包括高用电量、一般用电量、低用电量、极低用电量。用电点特征包括迎峰用电、部分迎峰用电、少量迎峰用电及非典型用电。
与现有技术相比，本发明具有以下有益效果：
本发明通过采集电、水、气数据，利用大数据并行计算技术对每一个用户的用能情况进行分析，利用用户日用电量、用水量、用气量等数据，构建电水气融合数据矢量，通过聚类算法实现用户聚类，达到对居民用户用能的分类与离群用户区分的目的，进而能够对离群用户进行研究是否出现窃电、漏水等用能异常，提高工作效率和减少供能企业损失。
附图说明
图1为本发明工作原理图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
相反，本发明涵盖任何由权利要求定义的在本发明的精髓和范围上做的替代、修改、等效方法以及方案。进一步，为了使公众对本发明有更好的了解，在下文对本发明的细节描述中，详尽描述了一些特定的细节部分。对本领域技术人员来说没有这些细节部分的描述也可以完全理解本发明。
如图1所示，一种基于模糊C均值模型的电水气用能行为分析方法，
包括以下步骤：
步骤1、根据采集的水、电、气示度计算每日用能量；
步骤2、对用户用能量进行清洗，去除明显超出正常数据范围的异常数据；
步骤3、将用电量，用水量，用气量组成三维的用能数据作为该用户每日的用能数据，并根据聚类周期，构筑数据矢量；
步骤4、用0与1之间的随机数构建初始隶属矩阵；
步骤5、计算每个聚类类别的初始聚类中心，得到所有的聚类中心则转到步骤8，如果没有计算完所有的聚类中心则进行步骤6；
步骤6、计算代价函数值，当代价函数的值小于给定的阈值，或者它相比上次代价函数的改变量小于某阈值，则算法停止，输出隶属度矩阵；
步骤7、计算新的隶属度矩阵U，返回步骤5；
步骤8、根据得到隶属度矩阵，采用最大化隶属度矩阵准则对居民用户用能进行类别标记确定每个用户所属的类别，达到对居民用户用能的分类与离群用户区分的目的，并在后续对离群用户异常行为进行分析。
本发明通过电、水、气数据，利用大数据并行计算技术对每一个用户的用能情况进行分析，利用用户日用电量、用水量、用气量等数据，构建电水气融合数据矢量，通过聚类算法实现用户聚类，达到对居民用户用能的分类与离群用户区分的目的，并能够对离群用户进行研究是否出现窃电、漏水等用能异常，提高工作效率和减少供能企业损失。
本发明计算聚类中心的一种具体实施例：
所述步骤4：用0与1之间的随机数构建初始隶属矩阵U，满足该约束条件，其中uij表示第j个元素对第i个类的隶属度；c为聚类类别的数目，n为聚类样本的数目，即待聚类用户个数；
利用式子(1)计算每个聚类类别的初始聚类中心；加权指数m一般取值为2；
本发明模糊c均值聚类算法的一种具体实施例：
所述步骤6：利用式子(2)计算代价函数值；如果代价函数的值小于给定的阈值，或者它相比上次代价函数的改变量小于某阈值，则算法停止，输出隶属度矩阵，将用户的聚类类别归属为隶属度最高的类别，即max{u1j,u2j,u3j，…，ucj}所对应的聚类类别；
利用式子(3)计算新的隶属度矩阵U，并返回步骤5进行再次计算；
本发明计算聚类中心的另一种具体实施例：
所述步骤5：
c均值聚类算法对于聚类类数的选取较为敏感，不同的模糊类数c的选取将导致不同的聚类结果；为了达到较好的聚类效果；在对用户数据进行c均值模糊聚类之前，利用减法聚类算法得到一个较佳的模糊类数c值；
减法聚类算法F运行速度快且具有独立性，主要是用来寻找聚类数目和各个聚类中心。它把每个数据点当作聚类中心的候选点，通过不断更新每个数据点的密度指标，来寻找聚类中心。
不失一般性，考虑N维空间n个数据点{x1，x2，…，xn}，聚类数目为k。
则减法聚类方法的一般步骤如下：
S1：初始化聚类数目k＝0，然后根据公式(4)计算每个数据点处的密度指标，选取具有最高密度指标的数据点为第一个聚类中心。
这里ra定义为领域半径，它表示半径以外的数据点对该点的密度指标贡献很小。
S2：k＝k+1令xck为选中的点，Dck为其密度指标。那么可以根据公式(5)更新每个数据点xi的密度指标，选取具有最高密度指标的数据点为新的聚类中心。
这里rb定义为一个密度指标函数显著减小的领域半径。常数rb通常大于ra，以避免出现相聚很近的聚类中心。一般取rb＝1.5*ra。
S3：若Dck+1/Dck＜ε成立，算法结束，k为聚类数目，否则回到S2。参数ε＜1决定聚类数目，一般ε越小聚类数目越多，本文ε＝0.8。
本发明模糊c均值聚类算法的另一种具体实施例：
模糊c均值聚类算法(fuzzy c-means algorithm)，其主要步骤如下：
设待聚类的数据样本为n个，且每个样本为P维向量，由于每个用户的用能信息维度为24维，所以本例中P＝24。数据集合可用X＝{x1，x2，…，xn}表示。设数据集合有c个类别。数据集的聚类中心用矩阵C表示，数据集合内每个元素对聚类中心的隶属度用矩阵D表示。
其中cij表示第j个维度信息在第i个类别上的聚类中心，dij表示第j个元素对第i个类的隶属度，并且满足以下条件：
则FCM算法的目标函数为：
式中m是加权指数。之后根据拉格朗日法求J(u，v)的条件极值迭代求得最佳模糊分类矩阵和聚类中心。在本例中m的取值为2。
居民的用电行为包括用电量特征、用电点特征，所述用电量特征包括高用电量、一般用电量、低用电量、极低用电量。用电点特征包括迎峰用电、部分迎峰用电、少量迎峰用电及非典型用电。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，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，均应包含在本发明的保护范围之内。

Claims (8)

1.一种基于模糊C均值模型的电水气用能行为分析方法，其特征在于，
包括以下步骤：
步骤1、根据采集的水、电、气示度计算每日用能量；
步骤2、对用户用能量进行清洗，去除明显超出正常数据范围的异常数据；
步骤3、将用电量，用水量，用气量组成三维的用能数据作为该用户每日的用能数据，并根据聚类周期，构筑数据矢量；
步骤4、用0与1之间的随机数构建初始隶属矩阵；
步骤5、计算每个聚类类别的初始聚类中心，得到所有的聚类中心则转到步骤8，如果没有计算完所有的聚类中心则进行步骤6；
步骤6、计算代价函数值，当代价函数的值小于给定的阈值，或者它相比上次代价函数的改变量小于某阈值，则算法停止，输出隶属度矩阵；
步骤7、计算新的隶属度矩阵U，返回步骤5；
步骤8、根据得到隶属度矩阵，采用最大化隶属度矩阵准则对居民用户用能进行类别标记确定每个用户所属的类别，达到对居民用户用能的分类与离群用户区分的目的，并在后续对离群用户异常行为进行分析。
2.如权利要求1所述的一种基于模糊C均值模型的电水气用能行为分析方法，其特征在于，
所述步骤4：用0与1之间的随机数构建初始隶属矩阵U，满足该约束条件，其中uij表示第j个元素对第i个类的隶属度；c为聚类类别的数目，n为聚类样本的数目，即待聚类用户个数；
3.如权利要求2所述的一种基于模糊C均值模型的电水气用能行为分析方法，其特征在于，
利用式子(1)计算每个聚类类别的初始聚类中心；加权指数m一般取值为2；
4.如权利要求3所述的一种基于模糊C均值模型的电水气用能行为分析方法，其特征在于，
所述步骤6：利用式子(2)计算代价函数值；如果代价函数的值小于给定的阈值，或者它相比上次代价函数的改变量小于某阈值，则算法停止，输出隶属度矩阵，将用户的聚类类别归属为隶属度最高的类别，即max{u1j,u2j,u3j，…，ucj}所对应的聚类类别；
5.如权利要求4所述的一种基于模糊C均值模型的电水气用能行为分析方法，其特征在于，所述步骤7：
利用式子(3)计算新的隶属度矩阵U，并返回步骤5进行再次计算；
6.如权利要求1所述的一种基于模糊C均值模型的电水气用能行为分析方法，其特征在于，所述步骤5：
在对用户数据进行c均值模糊聚类之前，利用减法聚类算法得到一个较佳的模糊类数c值；减法聚类算法把每个数据点当作聚类中心的候选点，通过不断更新每个数据点的密度指标，来寻找聚类中心；
不失一般性，考虑N维空间n个数据点{x1，x2，…，xn}，聚类数目为k；
则减法聚类方法的一般步骤如下：
S1：初始化聚类数目k＝0，然后根据公式(4)计算每个数据点处的密度指标，选取具有最高密度指标的数据点为第一个聚类中心；
这里ra定义为领域半径，它表示半径以外的数据点对该点的密度指标贡献很小；
S2：k＝k+1令xck为选中的点，Dck为其密度指标；那么可以根据公式(5)更新每个数据点xi的密度指标，选取具有最高密度指标的数据点为新的聚类中心；
这里rb定义为一个密度指标函数显著减小的领域半径；常数rb通常大于ra，以避免出现相聚很近的聚类中心；
S3：若Dck+l/Dck＜ε成立，算法结束，k为聚类数目，否则回到S2；参数ε＜1决定聚类数目，一般ε越小聚类数目越多。
7.如权利要求6所述的一种基于模糊C均值模型的电水气用能行为分析方法，其特征在于，
模糊c均值聚类算法，其主要步骤如下：
设待聚类的数据样本为n个，且每个样本为P维向量，P＝24；数据集合可用x＝{x1，x2，…，xn}表示；数据集合有c个类别；数据集的聚类中心用矩阵C表示，数据集合内每个元素对聚类中心的隶属度用矩阵D表示；
其中cij表示第j个维度信息在第i个类别上的聚类中心，dij表示第j个元素对第i个类的隶属度，并且满足以下条件：
则FCM算法的目标函数为：
式中m是加权指数；之后根据拉格朗日法求J(u，v)的条件极值迭代求得最佳模糊分类矩阵和聚类中心。
8.如权利要求1-7任一所述的一种基于模糊C均值模型的电水气用能行为分析方法，其特征在于，
居民的用电行为包括用电量特征、用电点特征，所述用电量特征包括高用电量、一般用电量、低用电量、极低用电量；用电点特征包括迎峰用电、部分迎峰用电、少量迎峰用电及非典型用电。
CN201910029600.3A 2019-01-11 2019-01-11 一种基于模糊c均值模型的电水气用能行为分析方法 Pending CN109902915A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910029600.3A CN109902915A (zh) 2019-01-11 2019-01-11 一种基于模糊c均值模型的电水气用能行为分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910029600.3A CN109902915A (zh) 2019-01-11 2019-01-11 一种基于模糊c均值模型的电水气用能行为分析方法

Publications (1)

Publication Number Publication Date
CN109902915A true CN109902915A (zh) 2019-06-18

Family

ID=66943587

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910029600.3A Pending CN109902915A (zh) 2019-01-11 2019-01-11 一种基于模糊c均值模型的电水气用能行为分析方法

Country Status (1)

Country Link
CN (1) CN109902915A (zh)

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110490421A (zh) * 2019-07-22 2019-11-22 广东工业大学 一种基于模糊c-均值聚类的微电网中小水电站容量配置方法
CN110570078A (zh) * 2019-07-22 2019-12-13 广东工业大学 一种基于可能性c-均值聚类的微电网中小水电站发电量计算方法
CN110991732A (zh) * 2019-11-28 2020-04-10 武汉理工大学 一种基于能耗聚类的建材装备制造过程优化调度方法
CN111062757A (zh) * 2019-12-17 2020-04-24 山大地纬软件股份有限公司 基于多路径寻优匹配的信息推荐方法及系统
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
CN112488242A (zh) * 2020-12-18 2021-03-12 深圳供电局有限公司 电力计量终端异常检测方法、装置、计算机设备和介质
CN113205368A (zh) * 2021-05-25 2021-08-03 合肥供水集团有限公司 一种基于时序用水数据的工商户聚类方法
CN113919449A (zh) * 2021-12-15 2022-01-11 国网江西省电力有限公司供电服务管理中心 基于精准模糊聚类算法的居民电力数据聚类方法及装置
CN114154888A (zh) * 2021-12-08 2022-03-08 国网电子商务有限公司 一种智慧用能业务推荐方法及装置
CN116723136A (zh) * 2023-08-09 2023-09-08 南京华飞数据技术有限公司 应用fcm聚类算法的网络检测数据的方法
CN116992385A (zh) * 2023-08-14 2023-11-03 宁夏隆基宁光仪表股份有限公司 一种物联网水表用量异常检测方法及系统
CN117591971A (zh) * 2023-07-10 2024-02-23 国网四川省电力公司营销服务中心 一种基于多粒度模糊相对差的无监督窃电检测方法
CN118379088A (zh) * 2024-06-26 2024-07-23 国网浙江省电力有限公司瑞安市供电公司 一种基于电力数据挖掘的用户侧异常用电监测方法及装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106096840A (zh) * 2016-06-14 2016-11-09 中国电力科学研究院 一种能源管理系统
CN106339819A (zh) * 2016-08-30 2017-01-18 聊城科创节能设备有限公司 一种智慧能源管理系统公共平台
CN107153985A (zh) * 2017-04-30 2017-09-12 国网江苏省电力公司常州供电公司 一种用户侧能源数据的挖掘与分析方法
CN206865506U (zh) * 2017-06-20 2018-01-09 国网福建省电力有限公司 一种基于物联网的企业用能采集系统
CN107688958A (zh) * 2017-07-14 2018-02-13 国网浙江省电力公司 一种基于多表集抄数据的用户用能异常分析方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106096840A (zh) * 2016-06-14 2016-11-09 中国电力科学研究院 一种能源管理系统
CN106339819A (zh) * 2016-08-30 2017-01-18 聊城科创节能设备有限公司 一种智慧能源管理系统公共平台
CN107153985A (zh) * 2017-04-30 2017-09-12 国网江苏省电力公司常州供电公司 一种用户侧能源数据的挖掘与分析方法
CN206865506U (zh) * 2017-06-20 2018-01-09 国网福建省电力有限公司 一种基于物联网的企业用能采集系统
CN107688958A (zh) * 2017-07-14 2018-02-13 国网浙江省电力公司 一种基于多表集抄数据的用户用能异常分析方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
郑国和等: "基于多表融合数据的用户短期用电量预测", 《电力系统及其自动化学报》 *
郑国和等: "居民用电策略引导潜力分析", 《计算机应用》 *

Cited By (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110570078A (zh) * 2019-07-22 2019-12-13 广东工业大学 一种基于可能性c-均值聚类的微电网中小水电站发电量计算方法
CN110490421A (zh) * 2019-07-22 2019-11-22 广东工业大学 一种基于模糊c-均值聚类的微电网中小水电站容量配置方法
CN110570078B (zh) * 2019-07-22 2022-10-04 广东工业大学 一种基于可能性c-均值聚类的微电网中小水电站发电量计算方法
CN110991732A (zh) * 2019-11-28 2020-04-10 武汉理工大学 一种基于能耗聚类的建材装备制造过程优化调度方法
CN110991732B (zh) * 2019-11-28 2023-06-16 武汉理工大学 一种基于能耗聚类的建材装备制造过程优化调度方法
CN111062757B (zh) * 2019-12-17 2023-09-01 山大地纬软件股份有限公司 基于多路径寻优匹配的信息推荐方法及系统
CN111062757A (zh) * 2019-12-17 2020-04-24 山大地纬软件股份有限公司 基于多路径寻优匹配的信息推荐方法及系统
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
CN112488242A (zh) * 2020-12-18 2021-03-12 深圳供电局有限公司 电力计量终端异常检测方法、装置、计算机设备和介质
CN112488242B (zh) * 2020-12-18 2023-12-19 深圳供电局有限公司 电力计量终端异常检测方法、装置、计算机设备和介质
CN113205368A (zh) * 2021-05-25 2021-08-03 合肥供水集团有限公司 一种基于时序用水数据的工商户聚类方法
CN114154888A (zh) * 2021-12-08 2022-03-08 国网电子商务有限公司 一种智慧用能业务推荐方法及装置
CN113919449A (zh) * 2021-12-15 2022-01-11 国网江西省电力有限公司供电服务管理中心 基于精准模糊聚类算法的居民电力数据聚类方法及装置
CN117591971A (zh) * 2023-07-10 2024-02-23 国网四川省电力公司营销服务中心 一种基于多粒度模糊相对差的无监督窃电检测方法
CN116723136A (zh) * 2023-08-09 2023-09-08 南京华飞数据技术有限公司 应用fcm聚类算法的网络检测数据的方法
CN116723136B (zh) * 2023-08-09 2023-11-03 南京华飞数据技术有限公司 应用fcm聚类算法的网络检测数据的方法
CN116992385A (zh) * 2023-08-14 2023-11-03 宁夏隆基宁光仪表股份有限公司 一种物联网水表用量异常检测方法及系统
CN116992385B (zh) * 2023-08-14 2024-01-19 宁夏隆基宁光仪表股份有限公司 一种物联网水表用量异常检测方法及系统
CN118379088A (zh) * 2024-06-26 2024-07-23 国网浙江省电力有限公司瑞安市供电公司 一种基于电力数据挖掘的用户侧异常用电监测方法及装置

Similar Documents

Publication Publication Date Title
CN109902915A (zh) 一种基于模糊c均值模型的电水气用能行为分析方法
Li et al. Application on traffic flow prediction of machine learning in intelligent transportation
CN113554466B (zh) 一种短期用电量预测模型构建方法、预测方法和装置
Chen et al. Day-ahead prediction of hourly subentry energy consumption in the building sector using pattern recognition algorithms
CN101516099B (zh) 一种传感器网络异常检测方法
CN113114400B (zh) 基于时序注意力机制和lstm模型的信号频谱空洞感知方法
CN111860692B (zh) 一种基于K-mediod的物联网环境下的异常数据检测方法
CN114676742A (zh) 一种基于注意力机制和残差网络的电网异常用电检测方法
CN109919173A (zh) 一种基于减法聚类模型的多表融合用能行为分析方法
Cao et al. Prediction of dissolved oxygen content in aquaculture based on clustering and improved ELM
CN109002858A (zh) 一种用于用户行为分析的基于证据推理的集成聚类方法
CN110674858A (zh) 一种基于时空关联与大数据挖掘的交通拥堵检测方法
CN111563827A (zh) 基于电器物理特性及居民用电行为的负荷分解方法
CN109558467A (zh) 用电用户类别识别方法及系统
CN116148753A (zh) 一种智能电能表运行误差监测系统
CN114596726B (zh) 基于可解释时空注意力机制的停车泊位预测方法
Zhou et al. A dynamic energy benchmarking methodology on room level for energy performance evaluation
Ye et al. A novel self-supervised learning-based anomalous node detection method based on an autoencoder for wireless sensor networks
Sheik Mohideen Shah et al. Machine learning approach for power consumption model based on monsoon data for smart cities applications
Zhang et al. A segmented evaluation model for building energy performance considering seasonal dynamic fluctuations
CN108875801A (zh) 一种基于智能电网的负荷曲线分类系统
Yong et al. Short-term building load forecasting based on similar day selection and LSTM network
CN114661783B (zh) 一种基于用电行为的生活状态检测方法
CN116307097A (zh) 基于深度学习的储能系统剩余电量预测方法
CN112508259A (zh) 一种针对独立用户类别的中长期用电量预测方法及系统

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20190618