CN110309884A - 基于泛在电力物联网体系的用电数据异常识别系统 - Google Patents
基于泛在电力物联网体系的用电数据异常识别系统 Download PDFInfo
- Publication number
- CN110309884A CN110309884A CN201910604492.8A CN201910604492A CN110309884A CN 110309884 A CN110309884 A CN 110309884A CN 201910604492 A CN201910604492 A CN 201910604492A CN 110309884 A CN110309884 A CN 110309884A
- Authority
- CN
- China
- Prior art keywords
- electricity consumption
- consumption data
- data
- user
- internet
- 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
- 230000005611 electricity Effects 0.000 title claims abstract description 134
- 230000002547 anomalous effect Effects 0.000 title claims abstract description 17
- 230000002159 abnormal effect Effects 0.000 claims abstract description 42
- 238000012549 training Methods 0.000 claims abstract description 19
- 238000012545 processing Methods 0.000 claims description 31
- 238000005096 rolling process Methods 0.000 claims description 12
- 238000013528 artificial neural network Methods 0.000 claims description 11
- 230000005856 abnormality Effects 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 7
- 210000005036 nerve Anatomy 0.000 claims description 5
- 238000007405 data analysis Methods 0.000 claims description 2
- 238000013145 classification model Methods 0.000 claims 1
- 238000004422 calculation algorithm Methods 0.000 abstract description 9
- 238000005516 engineering process Methods 0.000 abstract description 4
- 238000000034 method Methods 0.000 description 10
- 238000004590 computer program Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 5
- 241001269238 Data Species 0.000 description 4
- 230000008901 benefit Effects 0.000 description 4
- 238000013480 data collection Methods 0.000 description 4
- 238000003860 storage Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000010365 information processing Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Economics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Human Resources & Organizations (AREA)
- Mathematical Physics (AREA)
- Tourism & Hospitality (AREA)
- Primary Health Care (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了基于泛在电力物联网体系的用电数据异常识别系统，该系统包括n个智能终端、n个物联代理、n个区域数据中心和主站服务器；本发明针对泛在电力物联网环境，将智能学习算法引入泛在电力物联网体系，对用户异常用电数据进行智能识别。通过在泛在电力物联网体系中引入智能学习技术，本发明能够对大量用户用电数据进行智能学习，从而快速准确地对异常用电数据进行识别，以协助电网管理工作的进行；另一方面，管理者可通过主站服务器或区域数据中心向物联代理发送指令以搜集用户详细信息，对区域数据中心中有监督学习算法的用电数据训练集进行维护，这使得本发明所述系统具有较高灵活性，能应对当今不断增多的用户类型与各种用电设备。
Description
技术领域
本发明涉及电力通信技术领域，具体涉及基于泛在电力物联网体系的用电数据异常识别系统。
背景技术
随着电网智能化与泛在电力物联网的建设，用电采集系统可自动从智能电表等智能用电信息采集装置处获取用户用电信息，并通过有线或无线方式上传至电力通信网，最终回传至用电采集主站。但是，现有的用电采集系统难以对偷电、设备故障、可疑用电行为等用电数据异常情况进行智能检测。这主要是因为以下几点问题：1.不同用电信息采集装置的数据格式不统一，现有方案中特定的用电信息处理程序往往针对某一特定装置所设计，而不同用电信息处理程序间难以进行信息交换；2.现有用电采集系统通常仅对用电数据进行归档储存，没有利用机器学习等大数据技术充分挖掘数据中的有效信息；3.尽管文献中多种基于机器学习技术的偷电检测方法，但这些方法通常假设用电数据已根据特定格式进行了收集、整理，并添加了人工标记，这与电网运营的实际情况不符，因此实用性较低；4.当系统接入不同类型的用户或已有用户安全等级发生变化时，通常需要调整相应用户的用电数据权重或标签，但现有用电采集系统通常不允许人工干预，灵活性较低。
发明内容
基于上述问题，本发明针对泛在电力物联网体系，充分利用区域数据中心大数据处理能力强的特性，提出了基于泛在电力物联网体系的用电数据异常识别系统，高效、准确地对海量用电数据的进行异常识别。同时，本发明充分利用泛在电力物联网体系中采集终端、物联代理的边缘计算能力及区域数据中心在数据处理与地理位置方面的优势，具有较高的实用性和较低的部署难度。
本发明通过下述技术方案实现：
基于泛在电力物联网体系的用电数据异常识别系统，该系统包括n个智能终端、n个物联代理、n个区域数据中心和主站服务器；其中，智能终端i用于采集用户用电信息并将其发送给物联代理i；物联代理i对接收到的用户用电信息进行预处理得到用户用电精简数据并将其发送至区域数据中心i；区域数据中心i对接收到的用户用电精简数据进行可疑用电数据和异常用电数据的识别并将识别出的可疑用电数据和异常用电数据发送给主站服务器；所述主站服务器负责接收n个区域数据中心发送的可疑用电数据和异常用电数据，由主站管理人员根据所述可疑用电数据和异常用电数据对用户用电情况进行核实并添加数据标签；n为大于等于1的正整数，i＝1…n。
优选的，所述区域数据中心包括无监督学习数据处理模块和有监督学习数据处理模块；其中，无监督学习数据处理模块根据接收到的用户用电精简数据进行可疑用电数据的识别；有监督学习数据处理模块根据接收的用户用电精简数据进行异常用电数据的识别。
优选的，所述可疑用电数据的识别具体包括：
步骤1.1，接收用户用电精简数据并存储；
步骤1.2，将同一用户的历史用电数据进行移动平均处理，得到移动平均用电数据；
步骤1.3，从所述移动平均用电数据中提取特征量；
步骤1.4，对特征量数据进行降维处理，得到特征量主成分；
步骤1.5，根据N个用户的特征量主成分数据，计算得到该N个用户的局部离群因子；
步骤1.6，根据上述N个用户的局部离群因子，识别出可疑用户并计算可疑用户的数据可疑概率；
步骤1.7，识别出可疑概率高于阈值的可疑用户，并对这些可疑用户的可以概率进行排序；
步骤1.8，将排序后的可疑用户及对应可疑概率与用电数据发送至主站服务器。
优选的，所述异常用电数据的识别具体包括：
步骤2.1，利用用电数据训练集中的学习数据对人工神经网络进行学习训练，得到人工神经网络分类模型；
步骤2.2，利用用电数据训练集中的测试数据对步骤2.1得到的人工神经网络分类模型进行测试，如果测试未通过则返回到步骤2.1，测试通过即得到人工神经网络分类器；
步骤2.3，采用步骤2.2得到的人工神经网络分类器对步骤1.3得到的用户用电数据特征量进行分类，确定该用户属于正常用户还是异常用户；
步骤2.4，计算所有异常用户的异常度并根据异常度对所有异常用户进行排序；
不足2.5，将排序后的异常用户、异常度以及对应的异常用电数据发送至主站服务器。
优选的，所述步骤1.3中提取的特征量包括用电数据年均值x1、前六个月的用电数据均值x2、后六个月的用电数据均值x3、年度上升趋势指标x4、年度下降趋势指标x5、用电数据年标准差x6、前六个月的用电数据标准差x7和后六个月的用电数据标准差x8。
优选的，所述步骤1.5具体是针对每个用户计算其特征量主成分与其他用户的特征主成分之间的聚类程度，得到N个用户的局部离群因子记为LOF1、LOF2、……、LOFN。
优选的，所述步骤1.6中识别出的可疑用户的局部离群因子记为LOFs1、LOFs2、……、LOFsr；通过下式计算得到可疑用户的可疑概率Psj：
优选的，所述物联代理对用户用电信息进行的预处理具体包括对数据进行协议解析、数据格式统一和采样频率换算操作。
优选的，所述智能终端包括专变采集终端、集中抄表终端、分布式能源监控终端或无线智能电表。
优选的，所述主站服务器还能够通过区域数据中心向物联网发送指令以收集用户详细信息，并对区域数据中心的用电数据训练集进行维护。
本发明具有如下的优点和有益效果：
1、本发明针对泛在电力物联网环境，将智能学习算法引入泛在电力物联网体系，对用户异常用电数据进行智能识别。通过在泛在电力物联网体系中引入智能学习技术，本发明能够对大量用户用电数据进行智能学习，从而快速准确地对异常用电数据进行识别，以协助电网管理工作的进行；另一方面，管理者可通过主站服务器或区域数据中心向物联代理发送指令以搜集用户详细信息，对区域数据中心中有监督学习算法的用电数据训练集进行维护，这使得本发明所述系统具有较高灵活性，能应对当今不断增多的用户类型与各种用电设备。
2、该发明为泛在电力物联网体系提供了技术支持，充分考虑了泛在电力物联网环境下智能用电设备的信息收集与处理特性，为泛在电力物联网的智能化管理提供了思路。
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解，构成本申请的一部分，并不构成对本发明实施例的限定。在附图中：
图1为本发明的系统原理框图。
图2为本发明的区域数据中心的算法流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施例和附图，对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。
实施例1
本实施例提出了基于泛在电力物联网体系的用电数据异常识别系统，如图1所示，该系统包括n个智能终端、n个物联代理、n个区域数据中心和主站服务器；其中，智能终端i用于采集用户用电信息并将其发送给物联代理i；物联代理i对接收到的用户用电信息进行预处理得到用户用电精简数据并将其发送至区域数据中心i；区域数据中心i对接收到的用户用电精简数据进行可疑用电数据和异常用电数据的识别并将识别出的可疑用电数据和异常用电数据发送给主站服务器；所述主站服务器负责接收n个区域数据中心发送的可疑用电数据和异常用电数据，由主站管理人员根据所述可疑用电数据和异常用电数据对用户用电情况进行核实并添加数据标签；n为大于等于1的正整数，i＝1…n。
本实施例中：
智能终端，可以是专变采集终端、集中抄表终端、分布式能源监控终端等传统电能测量终端，或者是无线智能电表等新型智能电能测量终端。智能终端将采集到的用户用电信息发送至物联代理。
物联代理，负责接收来自不同智能终端的用户用电信息数据并进行初步数据处理后，将用户用电精简数据发送至区域数据中心。由于各智能终端可能采用不同的协议、数据格式与采样频率，物联终端在接收到各智能终端数据后，需对数据进行协议统一、格式统一于采样频率统一操作。本实例中采用IPv6协议进行协议统一；用电信息采用(UserID,ti,ei)格式进行格式统一，其中User ID为用户编号，ti为用电数据时间戳，ei为ti时刻所采集用电数据；采样频率统一为每10分钟进行一次用电数据采集。
区域数据中心，具有大数据处理能力，并在地理位置上利于所在片区的用电信息数据收集。此外，本实施例的区域数据中心包括无监督学习数据处理模块和有监督学习数据处理模块，其中所述无监督学习数据处理模块负责根据物联代理发送的精简数据进行可疑用电数据的识别，所述有监督学习数据处理模块负责根据物联代理发送的精简数据进行异常用电数据的识别。本实施例中，区域数据中心还可根据需要向物联代理发送指令，以收集用户详细信息并对区域数据中心有监督学习算法中的用电数据训练集进行维护。
主站服务器，负责接收多个区域数据中心发送的可疑用电数据与异常用电数据，主站管理人员可根据所述可疑用电数据与异常用电数据对用户用电情况核实，并根据核实结果对用电数据添加正常、偷电、设备故障、异常用电等多类标签。此外，主站服务器可根据需要通过区域数据中心向物联代理发送指令以收集用户详细信息，并对区域数据中心有监督学习算法的用电数据训练集进行维护。
实施例2
基于上述实施例1，本实施例还对区域数据中心的无监督学习数据处理模块和有监督学习数据处理模块作了进一步优选，如图2所示。
所示区域数据中心的无监督学习数据处理模块，负责根据物联代理发送的精简数据进行可疑用电数据的识别。具体实现过程如下：
步骤1.用电数据输入，负责将物联代理传来的有效数据传递给用电数据集。本实例中用电数据输入步骤对物联代理传来的数据进行IPv6协议解析、数据完整性检测、删除重复数据。
步骤2.用电数据集，负责储存用户用电信息。本实例中，用电数据集以用户编号UserID与时间戳ti为检索，将用电数据储存在数据库中。
步骤3.移动平均处理,负责将同一用户的历史用电数据进行移动平均。本实例中采用简单移动平均方式，时间窗口设为一周，设某用户第j周中的历史用电数据为ej1,ej2,ej3,……,ejk，则经处理后的移动平均数据ej由下试计算。
步骤4.数据特征提取，负责从以上步骤3所述移动平均数据中提取特征量。本实例中，设某用户一年中的移动平均数据列为e1,e2,……,ey,数据特征提取步骤从该数据列中提取如下特征量：
特征量x1、x2、x3，分别为数据年均值以及前、后六个月的均值，可分别由下式计算
特征量x4、x5，分别为年度上升趋势指标与年度下降趋势指标，可分别由下式计算
其中ea1,ea2,……,eau为所有高于数据年均值的用电数据，而eb1,eb2,……,ebv为所有低于数据年均值的用电数据。
特征量x6、x7、x8，分别为年度标准差以及前、后六个月数据标准差，可分别由下式计算
步骤5.主成分分析，负责将特征量数据进行降维。本实例中，由主成分分析法得到的特征量主成分记为f1、f2、f3、f4。
步骤6.局部离群因子计算，针对每个用户计算其主成分与其他用户主成分之间的聚类程度。本实例中，对于所收集用电数据的N个用户，由局部离群因子计算所得的局部离群因子记为LOF1、LOF2、……、LOFN。
步骤7.数据可疑概率计算，负责识别可疑用户并计算它们的数据可疑概率。本实例中，认为步骤6中离群因子高于某阈值LOFs的用户为正常用户，其余用户为可疑用户，可疑用户的离群因子记为LOFs1、LOFs2、……、LOFsr、；对于可疑用户，可计算其主成分与正常用户的离群因子的倒数作为可疑指标，该可疑指标按下式归一化后可得可疑用户的可疑概率
步骤8.数据可疑概率排序，选出可疑概率高于阈值p的可疑用户，并按照可疑概率进行降序排序。本实例中，记排序后的可疑概率序列为Ps1、Ps2、……Psr。
步骤9.可疑用电数据输出，负责将排序后的可疑用户及对应可疑概率与用电数据发送至主站服务器进行进一步判断。本实例中，发送至主站服务器的数据为(UserIDs1,Ps1)、(UserIDs2,Ps2)、……、(UserIDsr,Psr)。
所述区域数据中心的有监督学习数据处理模块，负责根据物联代理发送的精简数据进行异常用电数据的识别。具体实现过程如下：
步骤1.用电数据训练集，储存了带有正常标签的正常用户用电数据与带有异常标签的异常用户用电数据，该训练集由各区域数据中心与主站服务器进行维护。
步骤2.ANN分类模型学习，负责对人工神经网络中各权重参数进行训练。本实例中，采用含有三层隐藏层的人工神经网络，基于用电数据训练集中的带标签数据，通过反向误差传播算法进行人工神经网络的参数训练。
步骤3.误差检测，负责检查训练得到的模型是否能正确判别用电数据训练集中的测试数据的正常与异常，当且仅当误差检测通过时认为训练得到的人工神经网络可正常运行。
步骤4.ANN分类器，负责接收通过误差检测的人工神经参数与无监督算法中的用户用电数据特征量。
步骤5.数据分类，基于设定了通过误差检验的参数的人工神经网络分类器，数据分类过程对用户用电数据特征量进行判别，确定该用户属于正常用户还是异常用户。
步骤6.数据异常度计算，当所判别用户为异常用户时，神经网络分类器同时计算该用户的异常度。
步骤7.数据异常度排序，将所有异常用户按照异常度进行降序排序。
步骤8.异常用电数据输出，将排序后的异常用户、异常度、异常数据发送至主站服务器进行进一步判断。
本实施例通过在泛在电力物联网体系中采用智能学习技术，能够对大量用户用电数据进行智能学习，从而快速准确地对异常用电数据进行识别，以协助电网管理工作的进行。且为泛在电力物联网体系提供了技术支持，充分考虑了泛在电力物联网环境下智能用电设备的信息收集与处理特性，为泛在电力物联网的智能化管理提供了思路。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.基于泛在电力物联网体系的用电数据异常识别系统，其特征在于，该系统包括n个智能终端、n个物联代理、n个区域数据中心和主站服务器；其中，智能终端i用于采集用户用电信息并将其发送给物联代理i；物联代理i对接收到的用户用电信息进行预处理得到用户用电精简数据并将其发送至区域数据中心i；区域数据中心i对接收到的用户用电精简数据进行可疑用电数据和异常用电数据的识别并将识别出的可疑用电数据和异常用电数据发送给主站服务器；所述主站服务器负责接收n个区域数据中心发送的可疑用电数据和异常用电数据，由主站管理人员根据所述可疑用电数据和异常用电数据对用户用电情况进行核实并添加数据标签；n为大于等于1的正整数，i＝1…n。
2.根据权利要求1所述的基于泛在电力物联网体系的用电数据异常识别系统，其特征在于，所述区域数据中心包括无监督学习数据处理模块和有监督学习数据处理模块；其中，无监督学习数据处理模块根据接收到的用户用电精简数据进行可疑用电数据的识别；有监督学习数据处理模块根据接收的用户用电精简数据进行异常用电数据的识别。
3.根据权利要求2所述的基于泛在电力物联网体系的用电数据异常识别系统，其特征在于，所述可疑用电数据的识别具体包括：
步骤1.1，接收用户用电精简数据并存储；
步骤1.2，将同一用户的历史用电数据进行移动平均处理，得到移动平均用电数据；
步骤1.3，从所述移动平均用电数据中提取特征量；
步骤1.4，对特征量数据进行降维处理，得到特征量主成分；
步骤1.5，根据N个用户的特征量主成分数据，计算得到该N个用户的局部离群因子；
步骤1.6，根据上述N个用户的局部离群因子，识别出可疑用户并计算可疑用户的数据可疑概率；
步骤1.7，识别出可疑概率高于阈值的可疑用户，并对这些可疑用户的可以概率进行排序；
步骤1.8，将排序后的可疑用户及对应可疑概率与用电数据发送至主站服务器。
4.根据权利要求3所述的基于泛在电力物联网体系的用电数据异常识别系统，其特征在于，所述异常用电数据的识别具体包括：
步骤2.1，利用用电数据训练集中的学习数据对人工神经网络进行学习训练，得到人工神经网络分类模型；
步骤2.2，利用用电数据训练集中的测试数据对步骤2.1得到的人工神经网络分类模型进行测试，如果测试未通过则返回到步骤2.1，测试通过即得到人工神经网络分类器；
步骤2.3，采用步骤2.2得到的人工神经网络分类器对步骤1.3得到的用户用电数据特征量进行分类，确定该用户属于正常用户还是异常用户；
步骤2.4，计算所有异常用户的异常度并根据异常度对所有异常用户进行排序；
不足2.5，将排序后的异常用户、异常度以及对应的异常用电数据发送至主站服务器。
5.根据权利要求3所述的基于泛在电力物联网体系的用电数据异常识别系统，其特征在于，所述步骤1.3中提取的特征量包括用电数据年均值x1、前六个月的用电数据均值x2、后六个月的用电数据均值x3、年度上升趋势指标x4、年度下降趋势指标x5、用电数据年标准差x6、前六个月的用电数据标准差x7和后六个月的用电数据标准差x8。
6.根据权利要求3所述的基于泛在电力物联网体系的用电数据异常识别系统，其特征在于，所述步骤1.5具体是针对每个用户计算其特征量主成分与其他用户的特征主成分之间的聚类程度，得到N个用户的局部离群因子记为LOF1、LOF2、……、LOFN。
7.根据权利要求6所述的基于泛在电力物联网体系的用电数据异常识别系统，其特征在于，所述步骤1.6中识别出的可疑用户的局部离群因子记为LOFs1、LOFs2、……、LOFsr；通过下式计算得到可疑用户的可疑概率Psj：
8.根据权利要求1-7任一项所述的基于泛在电力物联网体系的用电数据异常识别系统，其特征在于，所述物联代理对用户用电信息进行的预处理具体包括对数据进行协议解析、数据格式统一和采样频率换算操作。
9.根据权利要求1-7任一项所述的基于泛在电力物联网体系的用电数据异常识别系统，其特征在于，所述智能终端包括专变采集终端、集中抄表终端、分布式能源监控终端或无线智能电表。
10.根据权利要求1-7任一项所述的基于泛在电力物联网体系的用电数据异常识别系统，其特征在于，所述主站服务器还能够通过区域数据中心向物联网发送指令以收集用户详细信息，并对区域数据中心的用电数据训练集进行维护。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910604492.8A CN110309884A (zh) | 2019-07-05 | 2019-07-05 | 基于泛在电力物联网体系的用电数据异常识别系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910604492.8A CN110309884A (zh) | 2019-07-05 | 2019-07-05 | 基于泛在电力物联网体系的用电数据异常识别系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110309884A true CN110309884A (zh) | 2019-10-08 |
Family
ID=68079158
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910604492.8A Pending CN110309884A (zh) | 2019-07-05 | 2019-07-05 | 基于泛在电力物联网体系的用电数据异常识别系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110309884A (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111027872A (zh) * | 2019-12-16 | 2020-04-17 | 国家电网有限公司 | 一种区域用户的用电成熟度确定方法及系统 |
| CN111260505A (zh) * | 2020-02-13 | 2020-06-09 | 吴龙圣 | 基于电力物联网的大数据分析方法、装置及计算机设备 |
| CN111641683A (zh) * | 2020-05-14 | 2020-09-08 | 国网河北省电力有限公司石家庄供电分公司 | 一种电气设备维护系统及方法 |
| CN111800477A (zh) * | 2020-06-15 | 2020-10-20 | 浙江理工大学 | 一种面向边缘计算数据质量感知的区别化激励方法 |
| CN112710915A (zh) * | 2020-12-18 | 2021-04-27 | 北京百度网讯科技有限公司 | 监控电力设备的方法、装置、电子设备和计算机存储介质 |
| CN112925827A (zh) * | 2021-03-04 | 2021-06-08 | 南京怡晟安全技术研究院有限公司 | 一种基于电力采集物联数据的用户性质异常分析方法 |
| CN113191409A (zh) * | 2021-04-20 | 2021-07-30 | 国网江苏省电力有限公司营销服务中心 | 标签数据扩充与深度学习的居民异常用电行为检测方法 |
| CN114048362A (zh) * | 2022-01-11 | 2022-02-15 | 国网电子商务有限公司 | 基于区块链的电力数据异常检测方法、装置和系统 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102539911A (zh) * | 2012-01-13 | 2012-07-04 | 广东电网公司电力科学研究院 | 物联网架构下的电能智能计量系统 |
| CN104715598A (zh) * | 2013-12-11 | 2015-06-17 | 陕西天思信息科技有限公司 | 一种基于家庭网关的用电信息采集系统及方法 |
| CN106707099A (zh) * | 2016-11-30 | 2017-05-24 | 国网上海市电力公司 | 基于异常用电检测模型的监测定位方法 |
| CN106779069A (zh) * | 2016-12-08 | 2017-05-31 | 国家电网公司 | 一种基于神经网络的异常用电检测方法 |
| CN108985632A (zh) * | 2018-07-16 | 2018-12-11 | 国网上海市电力公司 | 一种基于孤立森林算法的用电数据异常检测模型 |
| CN109325542A (zh) * | 2018-10-09 | 2019-02-12 | 烟台海颐软件股份有限公司 | 一种基于多阶机器学习的电量异常智能识别方法及系统 |
| CN109740694A (zh) * | 2019-01-24 | 2019-05-10 | 燕山大学 | 一种基于非监督学习的智能电网非技术性损失检测方法 |
-
2019
- 2019-07-05 CN CN201910604492.8A patent/CN110309884A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102539911A (zh) * | 2012-01-13 | 2012-07-04 | 广东电网公司电力科学研究院 | 物联网架构下的电能智能计量系统 |
| CN104715598A (zh) * | 2013-12-11 | 2015-06-17 | 陕西天思信息科技有限公司 | 一种基于家庭网关的用电信息采集系统及方法 |
| CN106707099A (zh) * | 2016-11-30 | 2017-05-24 | 国网上海市电力公司 | 基于异常用电检测模型的监测定位方法 |
| CN106779069A (zh) * | 2016-12-08 | 2017-05-31 | 国家电网公司 | 一种基于神经网络的异常用电检测方法 |
| CN108985632A (zh) * | 2018-07-16 | 2018-12-11 | 国网上海市电力公司 | 一种基于孤立森林算法的用电数据异常检测模型 |
| CN109325542A (zh) * | 2018-10-09 | 2019-02-12 | 烟台海颐软件股份有限公司 | 一种基于多阶机器学习的电量异常智能识别方法及系统 |
| CN109740694A (zh) * | 2019-01-24 | 2019-05-10 | 燕山大学 | 一种基于非监督学习的智能电网非技术性损失检测方法 |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111027872A (zh) * | 2019-12-16 | 2020-04-17 | 国家电网有限公司 | 一种区域用户的用电成熟度确定方法及系统 |
| CN111027872B (zh) * | 2019-12-16 | 2023-04-21 | 国家电网有限公司 | 一种区域用户的用电成熟度确定方法及系统 |
| CN111260505A (zh) * | 2020-02-13 | 2020-06-09 | 吴龙圣 | 基于电力物联网的大数据分析方法、装置及计算机设备 |
| CN111260505B (zh) * | 2020-02-13 | 2020-11-10 | 青岛联众芯云科技有限公司 | 基于电力物联网的大数据分析方法、装置及计算机设备 |
| CN111641683A (zh) * | 2020-05-14 | 2020-09-08 | 国网河北省电力有限公司石家庄供电分公司 | 一种电气设备维护系统及方法 |
| CN111800477A (zh) * | 2020-06-15 | 2020-10-20 | 浙江理工大学 | 一种面向边缘计算数据质量感知的区别化激励方法 |
| CN111800477B (zh) * | 2020-06-15 | 2022-09-23 | 浙江理工大学 | 一种面向边缘计算数据质量感知的区别化激励方法 |
| CN112710915A (zh) * | 2020-12-18 | 2021-04-27 | 北京百度网讯科技有限公司 | 监控电力设备的方法、装置、电子设备和计算机存储介质 |
| CN112925827A (zh) * | 2021-03-04 | 2021-06-08 | 南京怡晟安全技术研究院有限公司 | 一种基于电力采集物联数据的用户性质异常分析方法 |
| CN112925827B (zh) * | 2021-03-04 | 2024-05-10 | 南京怡晟安全技术研究院有限公司 | 一种基于电力采集物联数据的用户性质异常分析方法 |
| CN113191409A (zh) * | 2021-04-20 | 2021-07-30 | 国网江苏省电力有限公司营销服务中心 | 标签数据扩充与深度学习的居民异常用电行为检测方法 |
| CN114048362A (zh) * | 2022-01-11 | 2022-02-15 | 国网电子商务有限公司 | 基于区块链的电力数据异常检测方法、装置和系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110309884A (zh) | 基于泛在电力物联网体系的用电数据异常识别系统 | |
| CN106909933B (zh) | 一种三阶段多视角特征融合的窃电分类预测方法 | |
| CN109685647A (zh) | 信贷欺诈检测方法及其模型的训练方法、装置和服务器 | |
| CN109635928A (zh) | 一种基于深度学习模型融合的电压暂降原因识别方法 | |
| CN111738462B (zh) | 电力计量装置故障抢修主动服务预警方法 | |
| CN109525595A (zh) | 一种基于时间流特征的黑产账号识别方法及设备 | |
| CN109325542A (zh) | 一种基于多阶机器学习的电量异常智能识别方法及系统 | |
| CN110837866A (zh) | 基于XGBoost的电力二次设备缺陷程度评估方法 | |
| CN109501834A (zh) | 一种道岔转辙机故障预测方法及装置 | |
| CN105894177A (zh) | 一种基于决策树算法的电力设备运行风险分析评估方法 | |
| CN112307003B (zh) | 电网数据多维辅助分析方法、系统、终端及可读存储介质 | |
| CN109409444B (zh) | 一种基于先验概率的多元电网故障类型的判别方法 | |
| CN107817404A (zh) | 一种便携式计量自动化终端故障诊断装置及其诊断方法 | |
| CN108549907A (zh) | 一种基于多源迁移学习的数据校验方法 | |
| CN109102157A (zh) | 一种基于深度学习的银行工单派单方法及系统 | |
| Feng et al. | [Retracted] Design and Simulation of Human Resource Allocation Model Based on Double‐Cycle Neural Network | |
| CN112464995A (zh) | 一种基于决策树算法的电网配变故障诊断方法及系统 | |
| CN109858503A (zh) | 基于梯度提升决策树的牵引变流器故障诊断方法 | |
| CN107729939A (zh) | 一种面向新增电网资源的cim模型扩展方法及装置 | |
| 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 | |
| Cheng et al. | Online power system event detection via bidirectional generative adversarial networks | |
| CN115617784A (zh) | 一种信息化配电的数据处理系统及其处理方法 | |
| CN116467648A (zh) | 一种基于物联表的非线性台区电力故障的早期监测方法 | |
| Almazroi et al. | A novel method CNN-LSTM ensembler based on Black Widow and Blue Monkey Optimizer for electricity theft detection | |
| CN116976318A (zh) | 基于深度学习和模型推理的电网倒闸操作票智能审核系统 |
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 |
Application publication date: 20191008 |
|
| RJ01 | Rejection of invention patent application after publication |