CN110108914A - 一种反窃电智能化决策方法、系统、设备及介质 - Google Patents

一种反窃电智能化决策方法、系统、设备及介质 Download PDF

Info

Publication number
CN110108914A
CN110108914A CN201910423675.XA CN201910423675A CN110108914A CN 110108914 A CN110108914 A CN 110108914A CN 201910423675 A CN201910423675 A CN 201910423675A CN 110108914 A CN110108914 A CN 110108914A
Authority
CN
China
Prior art keywords
stealing
electricity
data
decision making
intelligent decision
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.)
Granted
Application number
CN201910423675.XA
Other languages
English (en)
Other versions
CN110108914B (zh
Inventor
熊德智
黄瑞
肖湘奇
杨茂涛
陈向群
郑小平
陈金玲
徐振轩
刘谋海
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.)
State Grid Corp of China SGCC
State Grid Hunan Electric Power Co Ltd
Wasion Group Co Ltd
Metering Center of State Grid Hunan Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
State Grid Hunan Electric Power Co Ltd
Wasion Group Co Ltd
Metering Center of State Grid Hunan 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 State Grid Corp of China SGCC, State Grid Hunan Electric Power Co Ltd, Wasion Group Co Ltd, Metering Center of State Grid Hunan Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN201910423675.XA priority Critical patent/CN110108914B/zh
Publication of CN110108914A publication Critical patent/CN110108914A/zh
Application granted granted Critical
Publication of CN110108914B publication Critical patent/CN110108914B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R11/00—Electromechanical arrangements for measuring time integral of electric power or current, e.g. of consumption
    • G01R11/02—Constructional details
    • G01R11/24—Arrangements for avoiding or indicating fraudulent use
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R22/00—Arrangements for measuring time integral of electric power or current, e.g. electricity meters
    • G01R22/06—Arrangements for measuring time integral of electric power or current, e.g. electricity meters by electronic methods
    • G01R22/061—Details of electronic electricity meters
    • G01R22/066—Arrangements for avoiding or indicating fraudulent use
    • 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
    • G06Q10/0633—Workflow analysis
    • 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

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Theoretical Computer Science (AREA)
  • Marketing (AREA)
  • Health & Medical Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Educational Administration (AREA)
  • Quality & Reliability (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Power Engineering (AREA)
  • Operations Research (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种反窃电智能化决策方法，包括：基于用电信息采集系统、营销业务系统、一体化电量和线损管理系统的多源数据，基于深度非负矩阵分解得到典型窃电特征，然后利用深度学习算法融合典型窃电特征多源特征，形成窃电行为画像，构建窃电行为识别库；应用反窃电行为识别库所得到的窃电行为特征集，构建反窃电智能化决策模型；将查窃对象的电气参数和现场工况，反馈给反窃电智能化决策模型，调取窃电行为识别库数据，实现基于动态多目标优化的辅助窃电行为查处研判，以指导现场查窃。本发明还相应公开了一种与上述方法相对应的系统、设备及介质。本发明的方法、系统、设备及介质均具有智能精准研判窃电等优点。

Description

一种反窃电智能化决策方法、系统、设备及介质
技术领域
本发明主要涉及电力设备窃电检测技术领域，特指一种反窃电智能化决策方法、系统、设备及介质。
背景技术
随着经济发展，社会用电需求不断增加，一些不法经营者、个体私营业主为谋取暴利，置国家法律、法规于不顾，不择手段地窃取国家电能，窃电问题成为困扰电力企业的一项难题。窃电行为不仅会对供电企业的经济利润造成重大流失，扰乱了正常的供电秩序，另外窃电分子的违规、不法操作可能会损坏供电设备，造成人员伤亡，给安全用电带来了严重威胁。随着科学技术的发展，窃电手段不断翻新，窃电案件出现设备智能化、行为隐蔽化、实施规模化、手段专业化、窃电职业化、宣传网络化的特点，窃电违法犯罪整体呈现蔓延和扩大趋势。窃电行为不仅损害了国家和电力经营企业的经济利益，还危及电网正常运行，阻碍电力工业正常发展。因此，窃电问题仍是一个亟待解决的难题。
发明内容
本发明要解决的技术问题就在于：针对现有技术存在的技术问题，本发明提供一种辅助窃电行为查处研判的反窃电智能化决策方法、系统、设备及介质。
为解决上述技术问题，本发明提出的技术方案为：
一种反窃电智能化决策方法，包括以下步骤：
基于用电信息采集系统、营销业务系统、一体化电量和线损管理系统的多源数据，基于深度非负矩阵分解得到典型窃电特征，然后利用深度学习算法融合典型窃电特征多源特征，形成窃电行为画像，构建窃电行为识别库；
应用反窃电行为识别库所得到的窃电行为特征集，构建反窃电智能化决策模型；
将查窃对象的电气参数和现场工况，反馈给反窃电智能化决策模型，调取窃电行为识别库数据，实现基于动态多目标优化的辅助窃电行为查处研判，以指导现场查窃。
作为上述技术方案的进一步改进：
多源数据包括营销业务系统的用户基本信息、用户电价、计量点、电能表、应收电费和用户信用数据，用电信息采集系统的台区线损、电流、电压、电量、相位角、计量装置事件、违约用电数据，一体化电量和线损管理系统的线路线损数据。
对多源数据进行预处理，再将窃电客户数据和正常客户数据进行抽取和转换，形成建模宽表，继而利用深度非负矩阵分解算法得到特征基矩阵和系数矩阵；数据包括电流曲线、电压曲线、用电量曲线、台区线损曲线、用户档案、窃电记录数据。
预处理包括：采用Hampel抗差法进行误差识别和修正，通过三段截尾ρ函数将对历史数据进行分段处理，提升数据质量，然后通过极大似然估计算法、多重插补等算法实现缺失数据、异常数据的填补处理。
将现场查窃结果反馈至反窃电智能化决策模型，以实现模型的动态自学习。
对利用深度学习算法提取出现的各种特征组合形式及系数进行画像标签处理，再绘制窃电行为画像，构建窃电行为识别库。
本发明还公开了一种反窃电智能化决策系统，包括
第一模块，用于基于用电信息采集系统、营销业务系统、一体化电量和线损管理系统的多源数据，基于深度非负矩阵分解得到典型窃电特征，然后利用深度学习算法融合窃电行为多源特征，形成窃电行为画像，构建窃电行为识别库；
第二模块，用于应用反窃电行为识别库所得到的窃电行为特征集，构建反窃电智能化决策模型；
第三模块，用于将查窃对象的电气参数和现场工况，反馈给反窃电智能化决策模型，调取窃电行为识别库数据，实现基于动态多目标优化的辅助窃电行为查处研判，以指导现场查窃。
本发明进一步公开了一种移动介质设备，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如上所述的反窃电智能化决策方法的步骤。
一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的反窃电智能化决策方法的步骤。
与现有技术相比，本发明的优点在于：
本发明的反窃电智能化决策方法、系统、设备及介质，将来自营销业务系统、用电信息采集系统、一体化电量和线损管理系统的数据进行深度非负矩阵分解，降低数据维度并提取窃电特征，绘制窃电行为画像，构建窃电行为识别库；然后对高嫌疑用户应用窃电智能取证装置进行现场查处，检测查窃对象的电气参数，通过图像识别设备识别现场工况，反馈给反窃电智能化决策模型，调取窃电行为识别库数据，实现基于动态多目标优化的辅助窃电行为查处研判，提示规范化查窃流程，指导现场查窃。
附图说明
图1为本发明的方法流程图。
图2为本发明中窃电行为识别库的实施框图。
图3为本发明中Semi-NMF和Deep Semi-NMF的分解模型图。
图4为本发明中窃电智能取证装置结构示意图。
图5为本发明中窃电智能取证装置的功能流程图。
图6为本发明中反窃电智能化决策模型的功能流程图。
具体实施方式
以下结合说明书附图和具体实施例对本发明作进一步描述。
如图1所示，本实施例的反窃电智能化决策方法，包括以下步骤：
基于用电信息采集系统、营销业务系统、一体化电量和线损管理系统的多源数据，基于深度非负矩阵分解得到典型窃电特征，然后利用深度学习算法融合典型窃电特征多源特征，形成窃电行为画像，构建窃电行为识别库；
应用反窃电行为识别库所得到的窃电行为特征集，构建反窃电智能化决策模型；
将查窃对象的电气参数和现场工况，反馈给反窃电智能化决策模型，调取窃电行为识别库数据，实现基于动态多目标优化的辅助窃电行为查处研判，以指导现场查窃。
本发明的反窃电智能化决策方法、系统、终端及介质，将来自营销业务系统、用电信息采集系统、一体化电量和线损管理系统的数据进行深度非负矩阵分解，降低数据维度并提取窃电特征，绘制窃电行为画像，构建窃电行为识别库；然后对高嫌疑用户应用窃电智能取证装置进行现场查处，检测查窃对象的电气参数，通过图像识别设备识别现场工况，反馈给反窃电智能化决策模型，调取窃电行为识别库数据，实现基于动态多目标优化的辅助窃电行为查处研判，提示规范化查窃流程，指导现场查窃。
本实施例中，多源数据包括营销业务系统的用户基本信息、用户电价、计量点、电能表、应收电费和用户信用数据，用电信息采集系统的台区线损、电流、电压、电量、相位角、计量装置事件、违约用电数据，一体化电量和线损管理系统的线路线损数据。
本实施例中，对多源数据进行预处理，再将窃电客户数据和正常客户数据进行抽取和转换，形成建模宽表，继而利用深度非负矩阵分解算法得到特征基矩阵和系数矩阵；数据包括电流曲线、电压曲线、用电量曲线、台区线损曲线、用户档案、窃电记录数据。
本实施例中，预处理包括：采用Hampel抗差法进行误差识别和修正，通过三段截尾ρ函数将对历史数据进行分段处理，提升数据质量，然后通过极大似然估计算法、多重插补等算法实现缺失数据、异常数据的填补处理。
本实施例中，将现场查窃结果反馈至反窃电智能化决策模型，以实现模型的动态自学习。
本实施例中，对利用深度学习算法提取出现的各种特征组合形式及系数进行画像标签处理，再绘制窃电行为画像，构建窃电行为识别库。
本发明还公开了一种反窃电智能化决策系统，包括
第一模块，用于基于用电信息采集系统、营销业务系统、一体化电量和线损管理系统的多源数据，基于深度非负矩阵分解得到典型窃电特征，然后利用深度学习算法融合窃电行为多源特征，形成窃电行为画像，构建窃电行为识别库；
第二模块，用于应用反窃电行为识别库所得到的窃电行为特征集，构建反窃电智能化决策模型；
第三模块，用于将查窃对象的电气参数和现场工况，反馈给反窃电智能化决策模型，调取窃电行为识别库数据，实现基于动态多目标优化的辅助窃电行为查处研判，以指导现场查窃。
本发明进一步公开了一种移动介质设备，包括：
存储器，用于存储计算机程序；
处理器，用于执行计算机程序时实现如上所述的反窃电智能化决策方法的步骤。
本发明进一步公开了一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现如上所述的反窃电智能化决策方法的步骤。
下面结合一具体实施例对本发明的方法做进一步说明：
(1)基于深度非负矩阵分解的典型窃电特征提取方法，绘制窃电行为画像，构建窃电行为知识库
基于营销业务系统、用电信息采集系统、一体化电量和线损管理系统、课题3的全类别窃电方式知识库等多源数据，首先经过数据探索预处理及探索提升建模数据质量，应用深度非负矩阵分解得到典型窃电特征，然后利用深度学习算法融合窃电行为多源特征，形成窃电行为画像，构建窃电行为识别库。窃电查实结果反馈给窃电行为识别库进一步完善窃电行为画像，不断提升模型结果。
(2)分析窃电行为综合取证技术，基于图像识别的取证装置，实现智能化取证
窃电智能取证装置，用于实现基于图像识别的现场智能化取证，辅助现场查窃。装置应同时具备检测单元、图像采集单元、处理单元、通讯显示单元。检测单元应包括错误接线检查、误差检测、变比检查、电压电流功率相角数据分析的功能。图像采集单元应包括现场音频、视频资料的采集功能。处理单元应包括数据分析、数据存储、图像识别功能。通讯显示单元应包括与上行通讯、下行通讯和显示功能。
(3)分析基于动态多目标优化的反窃电智能化决策方法，辅助窃电行为查处研判
应用反窃电行为识别库所得到的窃电行为特征集构建反窃电智能化决策模型。现场查窃过程中，基于窃电智能取证装置的图像识别功能，将现场工况反馈到决策模型，决策模型应用动态多目标优化策略对现场异常情况进行分析，并将分析结果推送给现场查窃人员，实现现场反窃电的智能化决策，辅助反窃电工作人员进行窃电行为研判。
如图1所示，整体分成三部分，建立窃电行为识别库、研制窃电智能取证装置和建立反窃电智能化决策模型。提取营销业务系统、用电信息采集系统、一体化电量和线损管理系统的数据，进行深度非负矩阵分解，降低数据维度并提取窃电特征，绘制窃电行为画像，构建窃电行为识别库。对高嫌疑用户应用窃电智能取证装置进行现场查处，检测查窃对象的电气参数，通过图像识别设备识别现场工况，反馈给反窃电智能化决策模型，调取窃电行为识别库数据，实现基于动态多目标优化的辅助窃电行为查处研判，提示规范化查窃流程，指导现场查窃。并将现场查窃结果反馈至反窃电智能化决策模型，实现模型的动态自学习。查窃过程可通过窃电智能取证装置进行全程录像，作为窃电查处客观凭证。下面对各部分进行详细说明：
(1)基于深度非负矩阵分解的窃电特征，绘制窃电行为画像，构建窃电行为识别库
如图2所示，包括数据来源、数据预处理及探索及数据建模分析等模块。基于用电信息采集系统采集数据、营销业务系统、一体化电量和线损管理系统、全类别窃电方式知识库等多源数据，首先经过数据探索预处理及探索提升建模数据质量，继而基于深度非负矩阵分解得到典型窃电特征，然后利用深度学习算法融合窃电行为多源特征，形成窃电行为画像，构建窃电行为识别库。窃电查实结果反馈给窃电行为识别库进一步完善窃电行为画像，不断提升模型结果。
1)数据来源
本窃电行为识别库的数据来源于营销业务系统、用电信息采集系统、一体化电量和线损管理系统、全类别窃电方式知识库。分析应用营销业务系统的用户基本信息、用户电价、计量点、电能表、应收电费、用户信用等数据，应用用电信息采集系统的台区线损、电流、电压、电量、相位角、计量装置事件、违约用电等数据，应用一体化电量和线损管理系统的线路线损数据，详见表1。
表1：系统数据资料
各系统数据从全业务统一数据中心平台上抽取。因数据来自三个系统，属于多源异构数据，所以在信息处理之前根据各系统数据内一致的主键数据如用户编号、设备编号等进行数据合并。
2)数据预处理及探索
对数据进行数据清洗预处理，先采用Hampel抗差法进行误差识别和修正，通过三段截尾ρ函数将对历史数据进行分段处理，提升数据质量，然后通过极大似然估计算法、多重插补等算法实现缺失数据、异常数据的填补处理，为窃电行为识别库奠定源端数据基础。
3)数据建模分析
通过数据预处理及探索剔出了窃电行为识别库数据来源的冗余数据，提高了数据质量，实现了多系统电力客户用电数据异常值识别、缺失值处理。进一步的开展数据建模分析，数据建模分析包括两方面内容：基于深度非负矩阵分解的窃电行为特征提取、基于深度学习算法的窃电行为画像绘制。
a)基于深度非负矩阵分解的窃电行为特征提取
用电信息采集系统采集数据种类较多，频次较高，维度较多，监控较为全面，当发生窃电行为时，一般会在采集系统的用户数据、所在台区线损数据中有所体现，现场也可能会出现人员动作、接线变化等特征，但数据变化不易从表面掌握规律，从单项数据中得到的分析结果也有限，为挖掘数据间的内在联系，掌握窃电行为引起的本质特征，采用深度非负矩阵分解方法，将用电信息采集系统数据和现场稽查数据分解成低维用户特征，运算出特征基矩阵和系数矩阵，为进行用户窃电行为数据挖掘分析奠定基础。
首先在数据预处理的基础上将窃电客户相关数据和正常客户相关数据进行抽取、转换，包括电流曲线、电压曲线、用电量曲线、台区线损曲线、用户档案、窃电记录等数据，形成建模宽表，继而利用深度非负矩阵分解算法得到特征基矩阵和系数矩阵。
非负矩阵分解是一个有效高维数据处理方法，通过对原数据矩阵进行非负约束分解，可以实现数据降维，同时分解的系数矩阵还有一定的稀疏性，便于对数据进一步处理。深度非负矩阵分解结果能够对多系统来源的、繁杂的窃电用户特征数据进行多层分解，能够提取得到更高层的数据特征。具体做法如下：
窃电用户的电压、电流等数据是相当复杂的，数据之间具有不同的类别，含有未知的特性，这个数据集的多属性需要深层结构，单层结构不能很好的提取数据集内部特征。在Semi-NMF的基础上，Semi-NMF的系数矩阵继续进行半非负矩阵分解，将分解后的系数矩阵作为下一层的原数据矩阵，最后形成了一个深层的网络结构。Deep Semi-NMF的模型如下：
其中X为来自不同窃电客户的数据集和，从多个角度表达窃电客户特征；H为系数矩阵，Z表示不同用户与用户用电数据之间的映射，为特征基矩阵。
对应图3中的m层隐层数据可以进行以下分解：
为了让结构中每一层表示也适用于窃电客户、非窃电客户群的聚类解释，可进一步限制隐层非负。
其中，输入模型窃电客户数据集X，为来自不同窃电客户的数据集和，从多个角度表达窃电客户特征。Semi-NMF模型将发现数据集X的系数矩阵H，Z表示不同用户与用户用电数据之间的映射。Deep Semi-NMF通过对特征矩阵H的进一步分解，不仅可以得到窃电用户分层特征表达，还能取得良好的聚类性能。
深度非负矩阵分解：非负矩阵分解是一种有效的局部特征提取方法,它使分解后的所有分量均为非负值。它具有纯加性的和稀疏的描述，因此能方便、合理的对数据进行解释，并且能在一定程度上抑制由外界带来的变化。它具有分解速度快、实现简单以及分解结果物理意义明确等优点。其基本原理为：
对一个M维的用户用电数据v，取了连续N个时间点的数据，记这些用户数据为：vj,j＝1,2,...,N，取V＝[V.1,V.1,...,V.N]，其中V.j＝vj,j＝1,2,...,N，非负矩阵分解的目标是求出非负的M×L的基矩阵W＝[W.1,W.2,...,W.N]和L×N的系数矩阵H＝[H.1,H.2,...,H.N]，使得
V≈WH (1)
用矩阵表示为
对于复杂的数据，仅用非负矩阵分解进行单次分解组成的单层网络,无法对数据多角度的特征表达，此时，需采用深层网络进行分层，即深度非负矩阵分解。将该方法应用于反窃电领域，可从原始信号中提取出能准确、有效的反映窃电行为的特征，有效降低数据冗余信息，从而改善窃电识别模型设计结构，提高识别精度。
b)基于深度学习算法的窃电行为画像绘制
将选定正常用户和现场查实的窃电用户进行非负矩阵分解，使用户特征数据组成机器学习的样本库，构建深度学习模型进行样本训练，找出窃电行为相关的用户特征。
建立深度神经网络以实现窃电行为画像绘制，其过程可分为两步：一是每次训练一层网络，二是调优，使原始表示x向上生成的高级表示r和该高级表示r向下生成的x'尽可能一致。具体方法是：
第一步：首先逐层构建单层神经元，这样每次都是训练一个单层网络。
第二步：当所有层训练完后，Hinton使用wake-sleep算法进行调优。
对利用深度学习算法提取出现的各种特征组合形式及系数进行画像标签处理，绘制窃电行为画像，构建窃电行为识别库。基于此窃电行为识别库的生态评价体系，利用闭环原理实现查准率高的画像动态升权，降低匹配阈值，实现可匹配更宽泛范围更多的特征用户，查准率低的画像进行动态降权，减少画像的用户匹配，以提高模型的查准率。
其中行为画像是分析用户的人口属性、社会交往、行为偏好等数据，抽象出的多维度特征标签集合，可直观地描绘出用户行为的整体全貌。将该技术应用于电力系统反窃电领域，直观描述出用户窃电行为，有利于判断用户窃电态势，快速确定可疑窃电行为。
机器学习：精准的电力大数据无疑是电力系统的“核心”，基于多源异构数据，分析数据融合方式，完成数据抽取、清洗等操作，是从电力数据获取知识、信息的首要步骤。采用模糊C均值聚类算法构造不同的用户负荷特征曲线，通过待测负荷曲线与相应特征曲线作对比初步确定疑似窃电用户；其次，采用优化算法优化回归模型对疑似窃电用户的用电行为进行检测。机器学习的过程为环境向系统的学习部分提供某些信息，学习部分利用这些信息修改知识库，以增进系统执行部分完成任务的效能，执行部分根据知识库完成任务，同时把获得的信息反馈给学习部分。在具体的应用中，环境，知识库和执行部分决定了具体的工作内容。
如果给出的特征向量长度可能不同，这是需要归一化为通长度的向量计算公式如下：
其中一项条件概率可以通过朴素贝叶斯条件独立展开。要注意一点就是p(wci)的计算方法，而由朴素贝叶斯的前提假设可知，
p(w0|ci)p(w1|ci)p(w2|ci)...p(wN|ci) (4)
因此一般有两种，一种是在类别为ci的那些样本集中，找到wj出现次数的总和，然后除以该样本的总和；第二种方法是类别为ci的那些样本集中，找到wj出现次数的总和，然后除以该样本中所有特征出现次数的总和。
如果p(wci)中的某一项为0，则其联合概率的乘积也可能为0，即2中公式的分子为0，为了避免这种现象出现，一般情况下会将这一项初始化为1，为了保证概率相等，分母应对应初始化为2。
神经网络技术：人工神经网络(Artificial Neural Network，ANN)，是20世纪80年代以来人工智能领域兴起的研究热点。它从信息处理角度对人脑神经元网络进行抽象，建立某种简单模型，按不同的连接方式组成不同的网络。在工程与学术界也常直接简称为神经网络或类神经网络。神经网络是一种运算模型，由大量的节点(或称神经元)之间相互联接构成。每个节点代表一种特定的输出函数，称为激励函数(activation function)。每两个节点间的连接都代表一个对于通过该连接信号的加权值，称之为权重，这相当于人工神经网络的记忆。网络的输出则依网络的连接方式，权重值和激励函数的不同而不同。而网络自身通常都是对自然界某种算法或者函数的逼近，也可能是对一种逻辑策略的表达。最近十多年来，人工神经网络的研究工作不断深入，已经取得了很大的进展，其在模式识别、智能机器人、自动控制、预测估计、生物、医学、经济等领域已成功地解决了许多现代计算机难以解决的实际问题，表现出了良好的智能特性。
人工神经网络从信息处理角度对人脑神经元网络进行抽象，建立某种简单模型，按不同的连接方式组成不同的网络。在工程与学术界也常直接简称为神经网络或类神经网络。神经网络是一种运算模型，由大量的节点(或称神经元)之间相互联接构成。每个节点代表一种特定的输出函数，每两个节点间的连接都代表一个对于通过该连接信号的加权值，称之为权重，这相当于人工神经网络的记忆。网络的输出则依网络的连接方式，权重值和激励函数的不同而不同。
首先获得用户n个用电特征输入，再将每个输入值加权，然后判断感知器输入的加权和最否达到某一阀值v，若达到，则通过sign函数输出1，否则输出-1。
为了统一表达式，将上面的阀值v设为-w0，新增变量x0＝1,这样就可以使用
w0x0+w1x1+w2x2+...+wnxn＞0来代替上面的w1x1+w2x2+...+wnxn＞v。于是有：
从上面的公式可知，当权值向量确定时，就可以利用感知器来做分类。
为了得到可接受的权值，通常从随机的权值开始，然后利用训练集反复训练权值，最后得到能够正确分类所有样例的权向量。
具体算法过程如下：
A)初始化权向量w＝(w0,w1,...,wn)，将权向量的每个值赋一个随机值。
B)对于每个训练样例，首先计算其预测输出：
C)当预测值不等于真实值时则利用如下公式修改权向量：
wi＝wi+η(t-o)xi//此处的
各符号含义：η＞0代表学习速率，t代表样例的目标输出，o代表感知器输出。
D)重复B)和C)，直到训练集中没有被错分的样例。
将神经网络应用于本项目，构建神经网络识别模型进行样本训练，找出窃电行为相关的用户特征，对出现的各种特征组合形式及系数进行画像，构建窃电行为画像知识库。
(2)基于图像识别技术的窃电智能取证装置
如图4所示，窃电智能取证装置，其中包括可与数据服务器、专家系统连接的窃电智能取证移动终端，通过无线局域网或其他通讯方式与窃电智能取证装置相连的现场计量装置检测单元和图像采集单元。
a)窃电智能取证移动终端。该设备集成了处理单元和通迅显示单元应具备良好的人机交互界面，并能实现与专家系统、数据服务器、现场计量装置检测设备进行数据交互。包括获取现场查处操作规范、现场检测数据、窃电结果，并将数据上传至远程数据中心，具备高速传输的性能特点。
b)现场计量装置检测单元。该设备为取证终端的附属配件，其功能包括错接线识别、误差检定、互感器精度及变比检测、在线监测、数据分析、数据存储、上行通讯、下行通讯、显示等部分组成。
错接线识别功能主要用来检测电能表的接线是否正确，自动识别接线断路、短路、相序等异常的接线方式；误差检定单元用来检定电能表的误差；互感器精度及变比检测是用来检定电压互感器、电流互感器的一二次变比及精度情况，其中包含高压传感部分；在线监测是用来实时监测现场的检测量情况、可以实时传递给数据处理单元；数据分析主要通过对电能表的电量、电压、电流、事件记录等进行用电情况的综合分析、研判；显示功能是把各种功能的检测状态、电压电流的值或波形等显示出来；通讯单元包括上行通讯和下行通讯，上行通讯通过无线局域网、4G或其他通讯方式与远程数据中心连接起来，下行通讯是窃电智能取证装置与电能表通讯，通讯方式为红外，保留RS485通讯接口。
c)图像采集单元。该单元也是取证装置附属配件，它具备音视频取证与数据通信功能。音视频取证功能主要对用电装置现场的状态、检测仪现场检测过程和结果进行摄像、拍照等，作为证据记录留存，满足高清、便携隐藏的特点，并可通过无线局域网或其他通讯方式与远程数据中心连接，具备高速传输的性能特点。
2)功能实现
窃电智能取证装置基本功能及业务实现流程如图5所示：
a)现场计量设备检测
窃电查处人员得到查窃任务后携带窃电智能取证装置前往现场，通过装置中的电气属性测量单元测量出电压、电流、有功、无功和功率因素等数据，通过现场用电环境状态检测单元测量出是否存在接线断路、短路、相序等异常的接线方式，互感器精度及变比检测是用来检定电压互感器、电流互感器的一二次变比及精度情况等数据。并将数据整合上传给反窃电智能化决策模型，用于对该用户是否窃电的决策。
b)图像识别信息监测
窃电查处人员将装置中的移动图像采集单元携带在身上，图像采集单元可对计量箱，智能电表等现场计量设备进行图像识别，识别出计量箱是否被开启铅封，含铅封号的表铅封是否被篡改，智能电表表耳、表尾铅封是否被破坏等物理状态。移动智能终端也会将这些物理状态上传给反窃电智能化决策模型，用于对该用户是否窃电的决策。
同时在用户侧计量箱内放置全景监控探头，对实时视频数据进行监测，采用图像识别技术对经过计量装置周围五米范围内人的行为进行监控与识别。当反窃电工作人员离开后，当再次有人进入计量装置周围五米范围内的时候开启视频采集并对他的行为进行识别。如果识别出存在疑似窃电的动作或行为，便向系统发出警告并将异常视频结果实时回传远程数据中心，用作查处窃电的证据。
c)窃电结果决策
反窃电工作人员将在现场获取到的电气属性，现场用电环境状态信息等实时数据通过窃电智能取证装置回传给反窃电智能化决策模型，模型根据该用户的用电历史数据与实时数据，与视频采证相结合，判定该用户具体窃电行为，从而给与现场反窃电工作人员判定窃电的依据，让窃电研判更加智能与准确。
d)结果回传与模型自学习
判定用户是否窃电之后，将研判结果回传给用户窃电行为识别库与反窃电智能化决策模型用于模型自学习，使得两模型功能更加智能化合理化。
e)反窃电执法过程全程视频监控
图像采集单元包含有实时摄像功能，反窃电工作人员携带本套装置对整个反窃电执法过程进行全程录像，留作透明执法，阳光执法的证据，保证整个执法过程的透明性和合法性。
以上窃电智能取证装置均属于目前常见的取证装置，也仅仅只是使用其基本功能而已。
(3)基于动态多目标优化的反窃电智能化决策方法
1)动态多目标优化算法
在依托窃电行为识别库实现现场查窃辅助研判的过程中，大量的窃电行为特征值存在多目标优化的问题，动态多目标优化方法适用于该问题。
动态多目标算法的实施过程为：先定义多目标在窃电行为识别的概念，再运用动态多目标问题展开窃电决策模型的建立。
a)多目标优化问题
每一个窃电行为会造成不同的电气属性与现场用电状况影响，反过来判定一种窃电行为也要同时满足多种条件(目标)，因此这就是把反窃电智能决策模型的构建考虑为一种多目标优化问题的原因。
多目标优化问题的定义可以表述如下：
寻找最优解使它们满足k个不相等条件限制：
gi(x)≥0 i＝0,1,2,...,k (9)
p个相等条件限制：
hj(x)＝0 j＝0,1,2,...,p (10)
以及使具有m个目标的目标函数达到最优的要求，目标函数向量可以表示为：
f(x)＝[f1(x),f2(x),f3(x),...,fm(x)]T (11)
设是一组由决策变量构成的向量，搜索空间设为优化的目的在于搜索集合内的所有符合条件的集合{x*}，使得目标函数向量达到最优。
实际上，多目标问题的各个目标上的最优值很少可以同时达到，因此，通常优化寻找的是一种相对折中的解决方式，即给出一种与单目标最优不同的最优概念。项目研究拟采用非支配解(Nondominated Solutions)或Pareto最优解(Pareto Optimal Solutions)实现多目标最优解的计算。
b)动态多目标优化问题
对于窃电行为识别过程，其最优特征的求解除需要计算多个目标的最优值之外，还与用户的用电时段或时区有关，因此还需要引入时间变量的概念，这就需要用到动态多目标优化的概念。动态多目标优化问题的最优解集是一组随时间参数t而变化的Pareto最优解集。时间t属性状态就代表着用户用电的时段及时区信息。
一般而言，Pareto最优解集的变化可能有2种情况：1.DMOP随时间t是连续缓慢变化的，即在整个时间段上DMOP的变化非常平稳，其变化幅度保持在一个非常小的范围内；2.DMOP随时间t的变化出现突变，即在一个时间段内很少变化或保持不变，但下一时间段突然发生随机变化。
对于窃电行为而言，若发生窃电，则应遵循Pareto最优解的第二个规律。因而，设计求解动态多目标优化问题的进化算法时，需考虑问题随时间变化的规律。
一段时间内，当用户用电行为没有发生变化的时候，动态多目标问题可以被当做静态多目标问题进行优化，但是如果用户用电行为发生了变化，即此时的多目标问题和前一时刻的多目标问题不同，前一时刻搜索到的Pareto最优解集不再是此时搜索到的最优解集，所以当环境发生变化之后必须重新查找最优解。
2)反窃电智能化决策模型构建
基于动态多目标优化算法，根据窃电识别库处理所获得的特征集构建出反窃电智能决策模型。该模型进行用于辅助反窃电工作人员研判当前查处用户具体窃电行为。
如图6所示，反窃电工作人员将在现场获取到的电气属性，与现场用电环境状态信息等实时数据通过窃电智能取证装置回传给反窃电智能决策模型，决策模型根据该用户的用电历史数据与实时数据，与视频采证相结合，判定该用户具体窃电行为，从而给与现场反窃电工作人员进一步查处判定窃电的依据，让窃电研判更加智能与准确。同时研判结果回传给反窃电智能化决策模型与窃电行为识别库，用于模型的动态自学习，对模型进行优化。
本发明的反窃电智能化决策方法、系统、终端及介质，基于深度非负矩阵分解的典型窃电特征提取方法，有效降低数据冗余信息，从而改善窃电识别模型设计结构，提高识别精度。基于典型反窃电案例，通过行为画像、现场图像识别技术、深度学习的人工智能技术、动态多目标优化等技术手段，建立窃电特征数据专家系统，应用窃电智能取证装置，实现现场智能取证，辅助指导现场作业人员查窃，并通过现场应用，进一步训练专家系统，形成一个便捷高效的智能查窃流程。利用窃电识别模型，结合用户画像技术，绘制窃电行为画像，构建窃电行为识别库。可解决窃电行为隐蔽性强、分布广、无一定规律问题，难以查找的问题。智能查窃电系统可快速、精准定位可以窃电用户，有效提高查窃效率。可使查窃工作流程规范统一，提高查窃水平；同时，窃电自动识别功能使查窃工作对工作人员经验的依赖性大大降低。以行为画像、机器自学习、图像识别及动态多目标优化等前沿技术为基础构造的智能查窃系统及标准化查窃工具，是充分利用国际高新技术服务社会生产生活的重要举措，具有广阔的推广前景和深远的意义。
虽然本发明已以较佳实施例揭露如上，然而并非用以限定本发明。任何熟悉本领域的技术人员，在不脱离本发明技术方案范围的情况下，都可利用上述揭示的技术内容对本发明技术方案做出许多可能的变动和修饰，或修改为等同变化的等效实施例。因此，凡是未脱离本发明技术方案的内容，依据本发明技术实质对以上实施例所做的任何简单修改、等同变化及修饰，均应落在本发明技术方案保护的范围内。

Claims (9)

1.一种反窃电智能化决策方法，其特征在于，包括以下步骤：
基于用电信息采集系统、营销业务系统、一体化电量和线损管理系统的多源数据，基于深度非负矩阵分解得到典型窃电特征，然后利用深度学习算法融合典型窃电特征多源特征，形成窃电行为画像，构建窃电行为识别库；
应用反窃电行为识别库所得到的窃电行为特征集，构建反窃电智能化决策模型；
将查窃对象的电气参数和现场工况，反馈给反窃电智能化决策模型，调取窃电行为识别库数据，实现基于动态多目标优化的辅助窃电行为查处研判，以指导现场查窃。
2.根据权利要求1所述的反窃电智能化决策方法，其特征在于，多源数据包括营销业务系统的用户基本信息、用户电价、计量点、电能表、应收电费和用户信用数据，用电信息采集系统的台区线损、电流、电压、电量、相位角、计量装置事件、违约用电数据，一体化电量和线损管理系统的线路线损数据。
3.根据权利要求1所述的反窃电智能化决策方法，其特征在于，对多源数据进行预处理，再将窃电客户数据和正常客户数据进行抽取和转换，形成建模宽表，继而利用深度非负矩阵分解算法得到特征基矩阵和系数矩阵；数据包括电流曲线、电压曲线、用电量曲线、台区线损曲线、用户档案、窃电记录数据。
4.根据权利要求3所述的反窃电智能化决策方法，其特征在于，预处理包括：采用Hampel抗差法进行误差识别和修正，通过三段截尾ρ函数将对历史数据进行分段处理，提升数据质量，然后通过极大似然估计算法、多重插补等算法实现缺失数据、异常数据的填补处理。
5.根据权利要求1至4中任意一项所述的反窃电智能化决策方法，其特征在于，将现场查窃结果反馈至反窃电智能化决策模型，以实现模型的动态自学习。
6.根据权利要求1至4中任意一项所述的反窃电智能化决策方法，其特征在于，对利用深度学习算法提取出现的各种特征组合形式及系数进行画像标签处理，再绘制窃电行为画像，构建窃电行为识别库。
7.一种反窃电智能化决策系统，其特征在于，包括
第一模块，用于基于用电信息采集系统、营销业务系统、一体化电量和线损管理系统的多源数据，基于深度非负矩阵分解得到典型窃电特征，然后利用深度学习算法融合窃电行为多源特征，形成窃电行为画像，构建窃电行为识别库；
第二模块，用于应用反窃电行为识别库所得到的窃电行为特征集，构建反窃电智能化决策模型；
第三模块，用于将查窃对象的电气参数和现场工况，反馈给反窃电智能化决策模型，调取窃电行为识别库数据，实现基于动态多目标优化的辅助窃电行为查处研判，以指导现场查窃。
8.一种移动介质设备，其特征在于，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现权利要求1至6任意一项所述的反窃电智能化决策方法的步骤。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1至6中任意一项所述的反窃电智能化决策方法的步骤。
CN201910423675.XA 2019-05-21 2019-05-21 一种反窃电智能化决策方法、系统、设备及介质 Active CN110108914B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910423675.XA CN110108914B (zh) 2019-05-21 2019-05-21 一种反窃电智能化决策方法、系统、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910423675.XA CN110108914B (zh) 2019-05-21 2019-05-21 一种反窃电智能化决策方法、系统、设备及介质

Publications (2)

Publication Number Publication Date
CN110108914A true CN110108914A (zh) 2019-08-09
CN110108914B CN110108914B (zh) 2021-06-25

Family

ID=67491392

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910423675.XA Active CN110108914B (zh) 2019-05-21 2019-05-21 一种反窃电智能化决策方法、系统、设备及介质

Country Status (1)

Country Link
CN (1) CN110108914B (zh)

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110491061A (zh) * 2019-08-26 2019-11-22 华北电力大学（保定） 一种增强现实的反窃电取证系统及方法
CN110503046A (zh) * 2019-08-26 2019-11-26 华北电力大学（保定） 一种基于图像识别技术的铅封识别法
CN111353452A (zh) * 2020-03-06 2020-06-30 国网湖南省电力有限公司 一种基于rgb图像的行为识别方法、装置、介质及设备
CN111612054A (zh) * 2020-05-14 2020-09-01 国网河北省电力有限公司电力科学研究院 一种基于非负矩阵分解和密度聚类的用户窃电行为识别方法
CN112016004A (zh) * 2020-08-21 2020-12-01 重庆邮电大学 一种基于多粒度信息融合的职务犯罪筛查系统及方法
CN112698072A (zh) * 2020-12-11 2021-04-23 国网辽宁省电力有限公司鞍山供电公司 一种数据驱动的防窃电智能电表及窃电状态分析方法
CN112882696A (zh) * 2021-03-24 2021-06-01 国家超级计算天津中心 一种基于超级计算机的全要素模型训练系统
CN113052083A (zh) * 2021-03-26 2021-06-29 陕西大步实业有限公司 一种多近邻图约束矩阵分解的动作行为分割方法
CN113570388A (zh) * 2021-07-30 2021-10-29 广东电网有限责任公司 一种远程反窃电检查方法、装置、计算机设备和存储介质
CN113687176A (zh) * 2021-10-25 2021-11-23 广东电网有限责任公司湛江供电局 一种基于深度神经网络的用电异常检测方法、系统
CN113706809A (zh) * 2021-10-25 2021-11-26 广东电网有限责任公司东莞供电局 一种远程反窃电检查方法及装置
CN114442025A (zh) * 2020-11-03 2022-05-06 霍尼韦尔国际公司 用于检测和报告能量计量仪的篡改的方法和装置
CN117033916A (zh) * 2023-07-10 2023-11-10 国网四川省电力公司营销服务中心 一种基于神经网络的窃电检测方法
CN118690143B (zh) * 2024-08-26 2024-10-22 科芯(天津)生态农业科技有限公司 基于大数据的云种植舱多维数据处理方法及系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103617469A (zh) * 2013-12-18 2014-03-05 重庆大学 电力系统设备故障预测方法及系统
CN105224667A (zh) * 2015-10-10 2016-01-06 国家电网公司 基于电网智能监控信息的多站端故障诊断与辅助决策方法
CN106780115A (zh) * 2016-11-30 2017-05-31 国网上海市电力公司 异常用电监测与定位系统及方法
CN107832705A (zh) * 2017-11-08 2018-03-23 天津大学 一种基于典型相关分析的非侵入式负荷识别方法
CN109002933A (zh) * 2018-08-29 2018-12-14 武汉大学 基于ReliefF和t-SNE的配电线路线变关系模型优化方法
CN109446193A (zh) * 2018-11-13 2019-03-08 国网宁夏电力有限公司电力科学研究院 反窃电模型生成方法及装置
CN109614997A (zh) * 2018-11-29 2019-04-12 武汉大学 一种基于深度学习的窃电风险预测方法及装置

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103617469A (zh) * 2013-12-18 2014-03-05 重庆大学 电力系统设备故障预测方法及系统
CN105224667A (zh) * 2015-10-10 2016-01-06 国家电网公司 基于电网智能监控信息的多站端故障诊断与辅助决策方法
CN106780115A (zh) * 2016-11-30 2017-05-31 国网上海市电力公司 异常用电监测与定位系统及方法
CN107832705A (zh) * 2017-11-08 2018-03-23 天津大学 一种基于典型相关分析的非侵入式负荷识别方法
CN109002933A (zh) * 2018-08-29 2018-12-14 武汉大学 基于ReliefF和t-SNE的配电线路线变关系模型优化方法
CN109446193A (zh) * 2018-11-13 2019-03-08 国网宁夏电力有限公司电力科学研究院 反窃电模型生成方法及装置
CN109614997A (zh) * 2018-11-29 2019-04-12 武汉大学 一种基于深度学习的窃电风险预测方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
陈文瑛等: "应用大数据技术的反窃电分析", 《电子测量与仪器学报》 *

Cited By (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110503046A (zh) * 2019-08-26 2019-11-26 华北电力大学（保定） 一种基于图像识别技术的铅封识别法
CN110491061A (zh) * 2019-08-26 2019-11-22 华北电力大学（保定） 一种增强现实的反窃电取证系统及方法
CN111353452A (zh) * 2020-03-06 2020-06-30 国网湖南省电力有限公司 一种基于rgb图像的行为识别方法、装置、介质及设备
CN111612054A (zh) * 2020-05-14 2020-09-01 国网河北省电力有限公司电力科学研究院 一种基于非负矩阵分解和密度聚类的用户窃电行为识别方法
CN112016004A (zh) * 2020-08-21 2020-12-01 重庆邮电大学 一种基于多粒度信息融合的职务犯罪筛查系统及方法
CN114442025A (zh) * 2020-11-03 2022-05-06 霍尼韦尔国际公司 用于检测和报告能量计量仪的篡改的方法和装置
CN112698072A (zh) * 2020-12-11 2021-04-23 国网辽宁省电力有限公司鞍山供电公司 一种数据驱动的防窃电智能电表及窃电状态分析方法
CN112882696A (zh) * 2021-03-24 2021-06-01 国家超级计算天津中心 一种基于超级计算机的全要素模型训练系统
CN112882696B (zh) * 2021-03-24 2024-02-02 国家超级计算天津中心 一种基于超级计算机的全要素模型训练系统
CN113052083A (zh) * 2021-03-26 2021-06-29 陕西大步实业有限公司 一种多近邻图约束矩阵分解的动作行为分割方法
CN113052083B (zh) * 2021-03-26 2024-06-11 陕西大步实业有限公司 一种多近邻图约束矩阵分解的动作行为分割方法
CN113570388A (zh) * 2021-07-30 2021-10-29 广东电网有限责任公司 一种远程反窃电检查方法、装置、计算机设备和存储介质
CN113706809A (zh) * 2021-10-25 2021-11-26 广东电网有限责任公司东莞供电局 一种远程反窃电检查方法及装置
CN113687176A (zh) * 2021-10-25 2021-11-23 广东电网有限责任公司湛江供电局 一种基于深度神经网络的用电异常检测方法、系统
CN117033916A (zh) * 2023-07-10 2023-11-10 国网四川省电力公司营销服务中心 一种基于神经网络的窃电检测方法
CN118690143B (zh) * 2024-08-26 2024-10-22 科芯(天津)生态农业科技有限公司 基于大数据的云种植舱多维数据处理方法及系统

Also Published As

Publication number Publication date
CN110108914B (zh) 2021-06-25

Similar Documents

Publication Publication Date Title
CN110108914A (zh) 一种反窃电智能化决策方法、系统、设备及介质
CN110097297B (zh) 一种多维度窃电态势智能感知方法、系统、设备及介质
Saldivar et al. Self-organizing tool for smart design with predictive customer needs and wants to realize Industry 4.0
CN109858679A (zh) 一种结合人机物的反窃电稽查监控系统及其工作方法
CN110765268B (zh) 一种基于客户诉求的配网精准投资策略方法
CN113379313B (zh) 一种具有智能化的预防性试验作业管控系统
CN114118269A (zh) 基于典型业务场景下的能源大数据聚合分析方法
CN112966259A (zh) 电力监控系统运维行为安全威胁评估方法及设备
CN111143835B (zh) 基于机器学习的电力计量系统业务逻辑非侵入式防护方法
Zhao et al. Anomaly detection and classification of household electricity data: a time window and multilayer hierarchical network approach
Pareek et al. A review report on knowledge discovery in databases and various techniques of data mining
Nijim et al. The design of a novel smart home control system using a smart grid based on edge and cloud computing
Copiaco et al. Exploring deep time-series imaging for anomaly detection of building energy consumption
Abbas et al. Improving Smart Grids Security: An Active Learning Approach for Smart Grid-Based Energy Theft Detection
Yuan et al. A data-driven framework for power system event type identification via safe semi-supervised techniques
Logani et al. Machine Learning for Smart City AI Systems
Ghaedi et al. Improving Electricity Theft Detection using Combination of Improved Crow Search Algorithm and Support Vector Machine
CN114818849A (zh) 基于大数据信息的卷积神经网络和遗传算法的反窃电方法
Tanoni et al. Knowledge distillation for scalable nonintrusive load monitoring
Qiao et al. A Novel Long‐and Short‐Term Memory Network with Time Series Data Analysis Capabilities
CN111352968A (zh) 一种基于区块链网络的智能制造要素识取方法
Kshirsagar et al. Recognizing abnormal activity using MultiClass SVM classification approach in tele-health care
CN115831339B (zh) 基于深度学习的医疗系统风险管控事前预测方法、系统
Jicheng et al. [Retracted] Study on a New Method of Link‐Based Link Prediction in the Context of Big Data
Zhang et al. Construction and Application of VS-DBN Antitheft Diagnosis Model Based on Neural Architecture Search

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