CN110097261B - 一种判断用户用电异常的方法 - Google Patents
一种判断用户用电异常的方法 Download PDFInfo
- Publication number
- CN110097261B CN110097261B CN201910309828.8A CN201910309828A CN110097261B CN 110097261 B CN110097261 B CN 110097261B CN 201910309828 A CN201910309828 A CN 201910309828A CN 110097261 B CN110097261 B CN 110097261B
- Authority
- CN
- China
- Prior art keywords
- membership
- interval
- user
- load
- intervals
- 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 56
- 238000000034 method Methods 0.000 title claims abstract description 34
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 32
- 239000011159 matrix material Substances 0.000 claims description 15
- 230000006399 behavior Effects 0.000 abstract description 8
- 238000001514 detection method Methods 0.000 abstract description 6
- 238000012544 monitoring process Methods 0.000 abstract description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000004140 cleaning Methods 0.000 description 2
- 238000007418 data mining Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
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
-
- 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
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Catching Or Destruction (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种判断用户用电异常的方法,它包括以下步骤:1)根据用户电负荷曲线,构造隶属函数,利用隶属函数求出负荷曲线上各负荷数据的隶属度值;2)再结合模糊类聚的区间调整方法,采用聚类思想,选取划分三类区间(谷、正常、峰)的最优阈值;3)根据三类区间判断负荷曲线上的各负荷数据是否异常。本发明目的是为了提供一种能很好辨识异常用电行为的方法,用于解决传统异常用电检测效率低下、覆盖范围小、监测精度低的技术问题。
Description
技术领域
本发明属于数据处理技术领域,具体涉及一种判断用户用电异常的方法。
背景技术
用户异常用电行为不仅造成电力公司巨大的经济损失,还危害到了电网的安全运行,所以一直以来是电力稽查的重点。传统的异常用电检测方法过于依赖人力排查,效率低下,而后发展的基于计量系统的异常检测方法则误报太多,实用性不足,需要发展新的技术。随着用电信息数据越来越多地汇集到中心站,使得利用数据挖掘来辨识异常用电行为成为可能。
由于电能的不可储存性,异常用电检测一直是电力公司的难点。居民区用户用电异常主要包括电力系统故障和用户窃电两方面原因。电力系统故障现象有农村区域电缆过多穿插建立导致电缆之间互相叠加在一起,使得用户用电负荷异常变大;或电线表面包扎的绝缘带用明显烧焦痕迹,出现漏电行为;或供电线路三相负荷分布严重不均匀等;或者以反窃电技术为主,从源头上放防止异常用电,然后现场检测为辅。用户的用电行为可以使用负荷数据来描述,异常用电行为则表现为异常的用电负荷数据。传统的检测异常用电方法有定期巡查,定期校验电表,用户举报窃电等手段来发现窃电或计量装置故障等,存在的不足有:
1、巡视检查法效率底且无法覆盖全部用户;
2、计量自动化系统远程在线监测功能经常误报,存在过多的无用信息,造成大量人力物力资源的浪费;
经典的SVDD模型在异常用电辨识的应用中,由于用户用电数据具有内部分类的特性,导致其构建的超球紧度特性不佳,影响了监测精度。
发明内容
本发明目的是为了提供一种基于高斯型隶属函数的能很好辨识异常用电行为的方法,用于解决传统异常用电检测效率低下、覆盖范围小、监测精度低的技术问题。
为了解决上述技术问题,本发明提供了如下的技术方案:
一种判断用户用电异常的方法,它包括以下步骤:
1)根据用户电负荷曲线,构造高斯型隶属函数,利用高斯型隶属函数求出负荷曲线上各负荷数据的隶属度值;
2)再结合模糊类聚的区间调整方法,采用聚类思想,选取划分三类区间(谷、正常、峰)的最优阈值;
3)根据三类区间判断负荷曲线上的各负荷数据是否异常。
在步骤1)中,根据用户电负荷曲线,构造高斯型隶属函数,利用高斯型隶属函数计算不同用户用电量的隶属度,电力负荷曲线的横坐标由不同用户集合S={a1,a2,a3...am}组成,纵坐标代表负荷值,由集合Q={q1,q2,q3...qm}组成,利用隶属度函数求出负荷曲线上各用户同一时刻点对应的负荷数的隶属度xi=(x1,x2,x3...xm)。
在步骤2)中,使区间(偏高,正常,偏低)内各隶属度的方差最小,区间间距离最大,并找到最优阈值。
在步骤3)中,根据最优阈值,将负荷曲线合理的划分为偏大、正常、偏小三个区域。
在步骤2)中,在找最优阈值时,具体包括以下步骤:
(1)设定合适步长ε及初始阈值λ,划分区间为偏大、正常、偏小;
再采用距离法确定相似系数,其公式如下:
(4)令λ=λ+ε,
重复步骤(2)(3)(4),直到区间(偏高,正常,偏低)内各隶属度的方差最小,区间间距离最大。
一种判断用户用电异常的方法,它包括以下步骤:
1)根据用户电负荷曲线,构造正态分布型隶属函数,利用正态分布型隶属函数求出负荷曲线上各负荷数据的隶属度值;
2)再结合模糊类聚的区间调整方法,采用聚类思想,选取划分三类区间(谷、正常、峰)的最优阈值;
3)根据三类区间判断负荷曲线上的各负荷数据是否异常。
在步骤1)中,根据用户电负荷曲线,构造正态分布型隶属函数,利用正态分布型隶属函数计算不同用户用电量的隶属度,电力负荷曲线的横坐标由不同用户集合S={a1,2a,a3...am}组成,纵坐标代表负荷值,由集合Q={q1,q2,q3...qm}组成,利用隶属度函数求出负荷曲线上各用户同一时刻点对应的负荷数的隶属度xi=(x1,x2,x3...xm)。
在步骤2)中,使区间(偏高,正常,偏低)内各隶属度的方差最小,区间间距离最大,并找到最优阈值。
在步骤3)中,根据最优阈值,将负荷曲线合理的划分为偏大、正常、偏小三个区域。
在步骤2)中,在找最优阈值时,具体包括以下步骤:
(1)设定合适步长ε及初始阈值λ,划分区间为偏大、正常、偏小;
再采用距离法确定相似系数,其公式如下:
(4)令λ=λ+ε,
重复步骤(2)(3)(4),直到区间(偏高,正常,偏低)内各隶属度的方差最小,区间间距离最大。
本发明的有益效果是:
本发明利用数据挖掘技术相关算法、基于隶属函数的区间划分方法、以及隶属函数求出负荷曲线上各负荷数据的隶属度值,再结合模糊类聚的区间调整方法,采用聚类思想,选取划分三类区间(谷、正常、峰)的最优阈值,提高各区间划分精度,最后根据三类区间判断负荷曲线上的各负荷数据是否异常,能高效、准确的判断用户用电的异常问题。
附图说明
图1是本发明实施例1中40个不同用户日用电负荷数曲线采集图;
图2是本发明实施例1中日用电负荷模型还原图;
图3为本发明实施例2中40个不同用户日用电负荷数曲线采集图;
图4为本发明实施例2中日用电负荷模型还原图。
具体实施方式
实施例1:一种基于高斯型隶属函数判断用户用电异常的方法,它包括以下步骤:
1)根据用户电负荷曲线,构造高斯型隶属函数,利用高斯型隶属函数求出负荷曲线上各负荷数据的隶属度值;
2)再结合模糊类聚的区间调整方法,采用聚类思想,选取划分三类区间(谷、正常、峰)的最优阈值;
3)根据三类区间判断负荷曲线上的各负荷数据是否异常。
在步骤1)中,根据用户电负荷曲线,构造高斯型隶属函数,利用高斯型隶属函数计算不同用户用电量的隶属度,电力负荷曲线的横坐标由不同用户集合S={a1,a2,a3...am}组成,纵坐标代表负荷值,由集合Q={q1,q2,q3...qm}组成,利用隶属度函数求出负荷曲线上各用户同一时刻点对应的负荷数的隶属度xi=(x1,x2,x3...xm)。
在步骤2)中,使区间(偏高,正常,偏低)内各隶属度的方差最小,区间间距离最大,并找到最优阈值。
在步骤3)中,根据最优阈值,将负荷曲线合理的划分为偏大、正常、偏小三个区域。
在步骤2)中,在找最优阈值时,具体包括以下步骤:
(1)设定合适步长ε及初始阈值λ,划分区间为偏大、正常、偏小;
再采用距离法确定相似系数,其公式如下:
(4)令λ=λ+ε,
重复步骤(2)(3)(4),直到区间(偏高,正常,偏低)内各隶属度的方差最小,区间间距离最大。
在一个实施例中,根据居民用户相关历史数据,采用多元线性回归,支持向量回归的变权组合模型,预测出未来一段时间居民平均日用电负荷数据,并借助MATLAB进行数据清洗等预处理画出如图1所示40个不同用户日用电负荷数曲线。
在该实施例中,提出了利用高斯型隶属函数求出居民平均日用电负荷数据的隶属度值,借助MATLAB画出用电负荷数隶属度的云图像并根据图像基本划分阈值区间,如图2所示。再采用模糊类聚思想,根据隶属度构造模糊相似矩阵,根据隶属度不同区间的方差及矩阵数据之间的距离对隶属函数的划分结果进行优化,并确定最优阈值合理划分区间,根据各个区间来判断居民日用电负荷数是否正常。
实施例2:一种基于正态分布型隶属函数判断用户用电异常的方法,它包括以下步骤:
1)根据用户电负荷曲线,构造正态分布型隶属函数,利用正态分布型隶属函数求出负荷曲线上各负荷数据的隶属度值;
2)再结合模糊类聚的区间调整方法,采用聚类思想,选取划分三类区间(谷、正常、峰)的最优阈值;
3)根据三类区间判断负荷曲线上的各负荷数据是否异常。
在步骤1)中,根据用户电负荷曲线,构造正态分布型隶属函数,利用正态分布型隶属函数计算不同用户用电量的隶属度,电力负荷曲线的横坐标由不同用户集合S={a1,a2,a3...am}组成,纵坐标代表负荷值,由集合Q={q1,q2,q3...qm}组成,利用隶属度函数求出负荷曲线上各用户同一时刻点对应的负荷数的隶属度xi=(x1,x2,x3...xm)。
在步骤2)中,使区间(偏高,正常,偏低)内各隶属度的方差最小,区间间距离最大,并找到最优阈值。
在步骤3)中,根据最优阈值,将负荷曲线合理的划分为偏大、正常、偏小三个区域。
在步骤2)中,在找最优阈值时,具体包括以下步骤:
(1)设定合适步长ε及初始阈值λ,划分区间为偏大、正常、偏小;
再采用距离法确定相似系数,其公式如下:
(4)令λ=λ+ε,
重复步骤(2)(3)(4),直到区间(偏高,正常,偏低)内各隶属度的方差最小,区间间距离最大。
在一个实施例中,根据居民用户相关历史数据,采用多元线性回归,支持向量回归的变权组合模型,预测出未来一段时间居民平均日用电负荷数据,并借助MATLAB进行数据清洗等预处理画出如图3所示40个不同用户日用电负荷数曲线。
在该实施例中,提出了利用正态分布型隶属函数求出居民平均日用电负荷数据的隶属度值,借助MATLAB画出用电负荷数隶属度的云图像并根据图像基本划分阈值区间,如图4所示。再采用模糊类聚思想,根据隶属度构造模糊相似矩阵,根据隶属度不同区间的方差及矩阵数据之间的距离对隶属函数的划分结果进行优化,并确定最优阈值合理划分区间。根据各个区间来判断居民日用电负荷数是否正常。
Claims (1)
1.一种判断用户用电异常的方法,其特征在于,它包括以下步骤:
1)根据用户电负荷曲线,构造高斯型隶属函数,利用高斯型隶属函数求出负荷曲线上各负荷数据的隶属度值;
在步骤1)中,根据用户电负荷曲线,构造高斯型隶属函数,利用高斯型隶属函数计算不同用户用电量的隶属度,电力负荷曲线的横坐标由不同用户集合S={a1,a2,a3...am}组成,纵坐标代表负荷值,由集合Q={q1,q2,q3...qm}组成,利用隶属度函数求出负荷曲线上各用户同一时刻点对应的负荷数的隶属度xi=(x1,x2,x3...xm);
2)再结合模糊类聚的区间调整方法,采用聚类思想,选取划分三类区间的最优阈值,三类区间分为偏高、正常、偏低三种情况;
在步骤2)中,使区间内各隶属度的方差最小,区间间距离最大,并找到最优阈值;
具体的,在步骤2)中,在找最优阈值时,具体包括以下步骤:
(1)设定合适步长ε及初始阈值λ,划分区间为偏大、正常、偏小;
再采用距离法确定相似系数,其公式如下:
(4)令λ=λ+ε,
重复步骤(2)(3)(4),直到区间内各隶属度的方差最小,区间间距离最大;
3)根据最优阈值,将负荷曲线合理的划分为偏大、正常、偏小三个区域,以此根据三类区间判断负荷曲线上的各负荷数据是否异常。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910309828.8A CN110097261B (zh) | 2019-04-17 | 2019-04-17 | 一种判断用户用电异常的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910309828.8A CN110097261B (zh) | 2019-04-17 | 2019-04-17 | 一种判断用户用电异常的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110097261A CN110097261A (zh) | 2019-08-06 |
CN110097261B true CN110097261B (zh) | 2022-11-18 |
Family
ID=67445134
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910309828.8A Active CN110097261B (zh) | 2019-04-17 | 2019-04-17 | 一种判断用户用电异常的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110097261B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110969539B (zh) * | 2019-11-28 | 2024-02-09 | 温岭市非普电气有限公司 | 基于曲线形态分析的光伏窃电发现方法和系统 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103903189A (zh) * | 2014-03-20 | 2014-07-02 | 华南理工大学 | 基于模糊聚类的低压配网台区聚类方法 |
CN104809255A (zh) * | 2015-05-21 | 2015-07-29 | 国家电网公司 | 一种负荷形态获取方法和系统 |
CN105303263A (zh) * | 2015-11-16 | 2016-02-03 | 深圳合纵能源技术有限公司 | 一种区域电网的负荷预测系统及其方法 |
CN105989420A (zh) * | 2015-02-12 | 2016-10-05 | 西门子公司 | 确定用户用电行为特征的方法、用户用电负荷的预测方法和装置 |
CN106055918A (zh) * | 2016-07-26 | 2016-10-26 | 天津大学 | 一种电力系统负荷数据辨识及修复方法 |
CN106203478A (zh) * | 2016-06-27 | 2016-12-07 | 南昌大学 | 一种用于智能电表大数据的负荷曲线聚类方法 |
CN107423769A (zh) * | 2017-08-03 | 2017-12-01 | 四川大学 | 基于形态特征的电力负荷曲线自适应聚类方法 |
CN107453346A (zh) * | 2016-05-30 | 2017-12-08 | 中国电力科学研究院 | 一种适用于配电网重构的负荷曲线时段划分方法 |
CN108596362A (zh) * | 2018-03-22 | 2018-09-28 | 国网四川省电力公司经济技术研究院 | 基于自适应分段聚合近似的电力负荷曲线形态聚类方法 |
CN108664990A (zh) * | 2018-03-29 | 2018-10-16 | 清华大学 | 综合熵方法和密度聚类方法的窃电检测方法及装置 |
CN109034262A (zh) * | 2018-08-13 | 2018-12-18 | 东北大学 | 一种x射线定向仪缺陷识别的批量处理方法 |
-
2019
- 2019-04-17 CN CN201910309828.8A patent/CN110097261B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103903189A (zh) * | 2014-03-20 | 2014-07-02 | 华南理工大学 | 基于模糊聚类的低压配网台区聚类方法 |
CN105989420A (zh) * | 2015-02-12 | 2016-10-05 | 西门子公司 | 确定用户用电行为特征的方法、用户用电负荷的预测方法和装置 |
CN104809255A (zh) * | 2015-05-21 | 2015-07-29 | 国家电网公司 | 一种负荷形态获取方法和系统 |
CN105303263A (zh) * | 2015-11-16 | 2016-02-03 | 深圳合纵能源技术有限公司 | 一种区域电网的负荷预测系统及其方法 |
CN107453346A (zh) * | 2016-05-30 | 2017-12-08 | 中国电力科学研究院 | 一种适用于配电网重构的负荷曲线时段划分方法 |
CN106203478A (zh) * | 2016-06-27 | 2016-12-07 | 南昌大学 | 一种用于智能电表大数据的负荷曲线聚类方法 |
CN106055918A (zh) * | 2016-07-26 | 2016-10-26 | 天津大学 | 一种电力系统负荷数据辨识及修复方法 |
CN107423769A (zh) * | 2017-08-03 | 2017-12-01 | 四川大学 | 基于形态特征的电力负荷曲线自适应聚类方法 |
CN108596362A (zh) * | 2018-03-22 | 2018-09-28 | 国网四川省电力公司经济技术研究院 | 基于自适应分段聚合近似的电力负荷曲线形态聚类方法 |
CN108664990A (zh) * | 2018-03-29 | 2018-10-16 | 清华大学 | 综合熵方法和密度聚类方法的窃电检测方法及装置 |
CN109034262A (zh) * | 2018-08-13 | 2018-12-18 | 东北大学 | 一种x射线定向仪缺陷识别的批量处理方法 |
Non-Patent Citations (1)
Title |
---|
基于灰色关联与模糊聚类分析的负荷预处理方法;林顺富等;《电测与仪表》;20170610(第11期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN110097261A (zh) | 2019-08-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | An improved association rule mining-based method for revealing operational problems of building heating, ventilation and air conditioning (HVAC) systems | |
CN106786534B (zh) | 一种非侵入式电力负荷暂态过程辨识方法及系统 | |
CN109490679B (zh) | 基于非侵入式负荷监测的智能窃电稽查系统及方法 | |
CN110518880B (zh) | 一种光伏电站状态诊断方法及装置 | |
Liu et al. | Multivariate exploration of non-intrusive load monitoring via spatiotemporal pattern network | |
Mohammadpourfard et al. | A statistical unsupervised method against false data injection attacks: A visualization-based approach | |
CN112307435B (zh) | 一种基于模糊聚类和趋势判断筛查用电量异常的方法 | |
Han et al. | FNFD: A fast scheme to detect and verify non-technical loss fraud in smart grid | |
CN113344346B (zh) | 基于非侵入式负荷分解的用电异常检测方法和系统 | |
CN110097261B (zh) | 一种判断用户用电异常的方法 | |
Liu et al. | Identification of stealing electricity based on big data analysis | |
CN103529337B (zh) | 设备故障与电气量信息间非线性相关关系的识别方法 | |
Zhang et al. | Theories, applications and trends of non-technical losses in power utilities using machine learning | |
Zhang et al. | Analytic hierarchy process-based fuzzy post mining method for operation anomaly detection of building energy systems | |
Lin et al. | Identification of electricity theft based on the k-means clustering method | |
CN115545240A (zh) | 一种低压配电网台区异常线损诊断方法、系统、设备及介质 | |
CN112560889A (zh) | 一种电力负荷识别方法 | |
Yang et al. | AI-Based Detection of Power Consumption Behavior of People in a Smart City | |
Bassi et al. | Deliverable 0: Concept, Smart Meter Data, and Initial Findings | |
Yang et al. | Evaluating the effectiveness of conservation voltage reduction with multilevel robust regression | |
Zhang et al. | Dual clustering detection model of power theft based on user behavior analysis | |
CN117220417B (zh) | 消费端电负荷动态监测方法及系统 | |
Li et al. | Distribution grid fault diagnosis based on fault indicator and random matrix | |
CN117216706B (zh) | 一种配电网数据异常溯源方法、系统、计算机设备及介质 | |
Zeyu et al. | Identification method for complex voltage sag source using fuzzy grey relational analysis |
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 | ||
EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20190806 Assignee: Yichang Caihui Technology Co.,Ltd. Assignor: CHINA THREE GORGES University Contract record no.: X2024980007463 Denomination of invention: A method for identifying abnormal electricity usage by users Granted publication date: 20221118 License type: Exclusive License Record date: 20240621 |
|
EE01 | Entry into force of recordation of patent licensing contract |