CN111144435B - 基于lof和验证过滤框架的电能量异常数据监测方法 - Google Patents

基于lof和验证过滤框架的电能量异常数据监测方法 Download PDF

Info

Publication number
CN111144435B
CN111144435B CN201911097608.XA CN201911097608A CN111144435B CN 111144435 B CN111144435 B CN 111144435B CN 201911097608 A CN201911097608 A CN 201911097608A CN 111144435 B CN111144435 B CN 111144435B
Authority
CN
China
Prior art keywords
electric energy
pap
abnormal
data
energy data
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
Application number
CN201911097608.XA
Other languages
English (en)
Other versions
CN111144435A (zh
Inventor
黄福兴
周广山
丁宏
张罗平
武文广
郑宽昀
程乐政
杨学良
罗浩
许少哲
江周华
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.)
NARI Group Corp
Nari Technology Co Ltd
NARI Nanjing Control System Co Ltd
Original Assignee
NARI Group Corp
Nari Technology Co Ltd
NARI Nanjing Control System 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 NARI Group Corp, Nari Technology Co Ltd, NARI Nanjing Control System Co Ltd filed Critical NARI Group Corp
Priority to CN201911097608.XA priority Critical patent/CN111144435B/zh
Publication of CN111144435A publication Critical patent/CN111144435A/zh
Application granted granted Critical
Publication of CN111144435B publication Critical patent/CN111144435B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • 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
    • G06Q10/0635—Risk analysis of enterprise or organisation activities
    • 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
    • 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

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Marketing (AREA)
  • Probability & Statistics with Applications (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Water Supply & Treatment (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Public Health (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Remote Monitoring And Control Of Power-Distribution Networks (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于LOF和验证过滤框架的电能量异常数据监测方法，该方法对获取的大规模电能量数据集进行预处理，降低所需的数据量和训练时间；然后使用LOF算法对大规模电能量数据集进行异常检测，得到带有标签的电能量数据集；接着使用基于线性表的验证框架，判断每个带有异常标签的电能量数据的异常类型；最后根据验证框架的判断结果修改电能量异常数据集中样本的异常类型，得到最终的电能量异常数据集。本发明基于LOF和验证过滤框架，可以监测大规模电能量数据发生异常的情况以及异常类型，保证了电能量数据的可靠性，也提高正向有功电量、反向有功电量等指标的可靠性、及时性、有效性。

Description

基于LOF和验证过滤框架的电能量异常数据监测方法
技术领域
本发明属于电能量运行数据监测技术，具体涉及一种基于LOF和验证过滤框架的电能量异常数据监测方法。
背景技术
在实际应用中由于表计、终端通讯缺陷、轮换表计等因素的影响导致电能量计量系统采集到的电表表码数据会经常出现异常，如表码突变、倒走、缺失等，严重影响系统高级应用功能以及为公司电量统计、线损计算、交易结算等应用提供数据的准确性和可用性。单纯依靠人工方式来完成对电能量异常数据的发现和校核需耗费大量的时间和精力，在电能量数据众多且复杂的情况下，人工效率尤为低下，且准确率难以保证，无法满足当前实际业务需求，因而实现电能量采集数据的异常自动检测与处理显得尤为重要。
现有技术对于电能量异常数据的检测有基于孤立森林算法和随机森林算法技术，但不能对大规模的电能量数据进行异常检测，检测的效率较低，缺少对异常数据的验证和类型判别。
发明内容
发明目的：针对上述现有技术对于大规模电能量数据下的识别和检测精度不高问题，本发明提供一种基于LOF和验证过滤框架的电能量异常数据监测方法。
技术方案：一种基于LOF和验证过滤框架的电能量异常数据监测方法，包括如下步骤：
(1)获取电能量历史电能量数据集，并对电能量数据进行预处理，所述的电能量数据包括正向有功总电量PAP和反向有功总电量RAP；
(2)基于LOF算法构建电能量异常检测模型对电能量数据集进行异常检测，包括分时段对电能量数据进行类聚，得到带有标签的电能量数据集；
(3)基于线性表对每个带有异常标签的电能量数据进行验证，通过计算电能数量数据在时间序列上的正向差值和反向差值来判断异常类型。
进一步的，步骤(1)所述的电能量数据预处理具体如下：
(11)根据时间序列，对相邻两个电能量数据样本的PAP值和RAP值两列作差，得到△PAP和△RAP；
(12)提取相同ID的电能量数据记录中的时间列OCCUR TIME和检测异常的数据列△PAP和△RAP；
(13)删除空行，并填充缺失数据。
步骤(2)具体包括如下过程：
(22)输入电能量数据集D，设定LOF算法中的邻域K值；
(22)计算电能量数据集D中某个样本数据点p和其第k邻域中所有点的可达距离和局部可达密度；
(23)根据点p和邻域中其他点的局部可达密度进行比较，计算得到局部离群因子；
(24)将点p的局部离群因子和设定的阈值进行比较，判断该电能量数据点是否为异常点。
步骤(3)具体包括如下过程：
(31)对预处理后的数据集建立索引index，采用线性表的数据结构，每个样本数据抽象为元组T(i,△PAP,△RAP)表示其中i标记该数据样本在时序上的位置；
(32)电能数据集D经过基于LOF算法的异常数据检测模块，标记正常数据集和异常数据集，遍历异常数据集，根据异常数据集中每个样本的标记i值，定位该电能量异常数据在时序上的位置，比较该样本数据的前值和后值；
(33)根据电能量异常类型的特点，将异常样本的△PAP值△PAP(k)和该点在时序上的前值△PAP(k-1)、后值△PAP(k+1)进行比较，验证该异常电能量数据的异常类型。
进一步的，所述方法中异常数据的类型包括突大校验、突小校验、倒走校验和换表操作，分别标记为-2号异常、-3号异常、-4号异常和-5号异常；验证的比较过程如下：
(a)当△PAP(k)>0 and △PAP(k+1)<0 and(△PAP(k)-△PAP(k+1)>0)时，Type(k)＝-2；
(b)当△PAP(k)<0 and △PAP(k+1)>0 and(△PAP(k)-△PAP(k+1)<0)时，Type(k)＝-3；
(c)当△PAP(k)<0 and △PAP(k+1)<0时，Type(k)＝-4；
(d)当△PAP(k-1)<0 and △PAP(k)<0 and △PAP(k+1)>0时，Type(k)＝-5，判断在时间区间(k,k+1)中发生了换表操作；
(e)否则异常类型为其他，Type(k)＝-1。
有益效果：与现有技术相比，本发明所述方法的显著效果包括如下几点：
(1)本发明所述的电能量异常数据监测方法对正向有功电量、反向有功电量等指标的可靠性提供了保障；
(2)将基于LOF的异常检测方法应用于电能量数据的异常检测，LOF算法基于密度实现数据的异常检测，可以识别电能量数据的局部异常；
(3)增加验证框架，建立基于线性表的索引结构，在检测异常后能够快速定位到异常数据的时序位置，验证该异常电能量数据的异常类型；
(4)先基于LOF算法实现大规模的电能量异常数据检测，对标注异常的数据点再进行验证和种类判别，明显减小了工作量，较遍历检测更为简单快速。
附图说明
图1是本发明基于LOF和验证的异常监测模型架构图；
图2是本发明所述方法中电能量数据预处理流程图；
图3是本发明所述方法基于LOF的电能量异常数据检测流程架构示意图；
图4是本发明所述方法中验证框架示意图。
具体实施方式
为了详细的说明本发明所公开的技术方案，下面结合说明书附图及具体实施例做进一步的阐述。
本发明公开的是一种基于LOF和验证过滤框架的电能量异常数据监测方法。本发明主要检测字段正向有功电总量PAP和反向有功总电量RAP是否异常，校验的异常种类包括突大校验、突小校验、倒走校验和换表操作四种。本发明的异常监测模型架构如图1所示，首先数据预处理模块对大规模的电能量数据集进行预处理，得到处理后的数据集；然后异常检测模块采用局部异常因子算法(Local Outlier Factor,LOF)，对处理后的数据集进行异常检测，得到带标签的数据集；最后验证模块将带标签的数据集根据标签分为正常数据集和异常数据集，对异常数据集中的每一个数据进行验证，通过其前后数据的值判断其异常类型。
本发明所述方法实施步骤如下：
(1)获取电能量历史电能量数据集，并对电能量数据进行预处理，所述的电能量数据包括正向有功总电量PAP和反向有功总电量RAP；
(2)基于LOF算法构建电能量异常检测模型对电能量数据集进行异常检测，包括分时段对电能量数据进行类聚，得到带有标签的电能量数据集；
(3)基于线性表对每个带有异常标签的电能量数据进行验证，通过计算电能数量数据在时间序列上的正向差值和反向差值来判断异常类型。
具体的说，本发明在PAP和RAP字段上进行检测，由于突大校验、突小校验和倒走校验三类电能量异常都是基于电能量时序数据在一定区间内的变化值决定的，因此使用PAP和RAP字段的变化值作为训练数据。对电能量数据集D进行预处理，预处理流程如图2所示，具体过程如下：
(s1)首先对相邻两个数据样本的PAP值和RAP值两列作差，得到△PAP和△RAP；
(s2)提取相同用户ID的电能量数据记录中的时间列OCCUR TIME，以及要检测异常的数据列△PAP和△RAP；
(s3)删除空行，并填充缺失数据。
本发明所述方法不检测缺失异常，故缺失的电能量数据采用时序上前后相邻的两个电能量数据值的平均值进行填充。
LOF算法对异常数据检测的衡量标准是计算局部离群因子，从而判断某个对象是否为异常点，其中局部离群因子根据某对象其临域点的密度计算，而密度通过计算两个对象的距离来衡量。
使用p,q表示电能量数据集D中的对象，d(p,q)表示对象p和q之间的距离，使用C表示数据集中较为临近的数据集合，称为簇。
d(p,C)＝min(d(p,q)),q∈C来表示对象p和q之间的最小距离。本发明中 LOF算法中距离的度量是根据第k临域计算的，对于点p的第k距离 dk(p)＝d(p,q)，满足以下两个条件:
(a)在簇C中，至少有k个不含p的点q'∈C,q'≠p，满足d(p,q')≤d(p,q)。
(b)在簇C中，最多有k-1个不含p的点q'∈C,q'≠p，满足d(p,q')<d(p,q)。
因此，点p的第k距离dk(p)，是不含p的点中，距离p第k远的那个点与 p的距离，而点p的第k临域Nk(p)，是点p的第k距离及以内的所有点的集合。
点q到点p的可达距离是点q的第k距离dk(q)和点p到点q的真实距离 d(p,q)中的较大值，如公式(1)。也就是说，当点q与点p之间的真实距离小于点q的第k距离时，即点q在点p最邻近的k个点中，点q到点p的可达距离都相同，等于第k距离。
R(p,q)＝max(dk(q),d(p,q)) (1)
点p的局部可达密度lrdk(p)表示点p的最邻近的k个点到p的平均可达距离的倒数，计算如公式(2)所示。其中|Nk(p)|表示第k临域Nk(p)中点的个数。
Figure RE-GDA0002391041910000041
最后计算点p的局部离群因子LOFk(p)，它表示点p的第k邻域Nk(p)与点p的局部可达密度ldrk(p)之比的平均数，计算如公式(3)所示。
Figure RE-GDA0002391041910000051
基于LOF的电能量异常数据检测流程架构如图3所示。具体步骤如下：
(1)计算电能量数据集D中某个样本数据点p的第k距离和第k邻域；
(2)根据步骤(1)的计算结果，计算点p和其第k邻域中所有点的可达距离和局部可达密度；
(3)根据点p和邻域中其他点的局部可达密度进行比较，计算得到局部离群因子；
(4)将点p的局部离群因子和设定的阈值进行比较，判断该电能量数据点是否为异常点。
在这种基于密度的检测方法中，电能量异常点往往有较小的密度，即比较稀疏，因此LOF用局部可达密度来计算局部离群因子，判断数据点是否异常。
基于LOF算法的电能量异常检测模型分为两个步骤：
1、LOF局部离群因子计算
局部离群因子的计算过程如表1所示，输入电能量数据集D和设定的k值。
(1)语句1计算输入的电能量数据集D中样本数据点的个数ψ。
(2)语句3根据公式(1)计算D中每一个电能量数据点p的第k距离dk(p) 和第k邻域Nk(p)。
(3)语句4-7根据公式(2)计算点p的局部可达密度lrdk(p)。
(4)语句8根据公式(3)计算得到点p的局部离群因子LOFk(p)。
表1 LOF局部离群因子算法
Figure RE-GDA0002391041910000052
Figure RE-GDA0002391041910000061
2、基于LOF的电能量异常数据检测
输入电能量数据集D后进行异常数据检测，对数据集D中的每一数据x，计算x的局部离群因子LOFk(x)，由于在大规模数据集中，异常点稀有，则它的第 k邻域的密度会较低，因此用x第k邻域的密度，来判断x是否为异常点，基于 LOF的异常数据检测过程如表2所示。
表2基于LOF的数据电能量异常检测算法
Figure RE-GDA0002391041910000062
Figure RE-GDA0002391041910000071
输入算法LOF(D,k)返回的结果L,即每个测试电能量数据点LOFk(x)和 dk(x)的集合，电能量数据集D中某一待检测的电能量数据x。
(1)语句1从L中获得数据x的局部离群因子LOFk(x)和第k距离dk(x)。
(2)语句2-10判断样本数据点x是否为异常数据。LOFk(x)是数据点x在由数据集D中的局部离群因子。LOFk(x)越接近1，则x的邻域密度和其他数据点的邻域密度几乎相等，则x和邻域中其他点很可能是同一个簇，判断正常样本点，标记为1；当LOFk(x)<1时，则x的邻域密度比其他数据点的邻域密度大，即x为密集点，判断为正常样本点；当LOFk(x)>1时，则x的邻域密度比其他数据点的邻域密度小，即x为稀疏点，则很有可能为异常样本点，且LOFk(x)越小， x是电能量异常点的可能性越大。
三、验证框架
验证框架的示意图如图4所示，主要分为以下3个步骤：
(1)对预处理后的数据集建立索引index，采用线性表的数据结构，每个样本数据抽象为元组T(i,△PAP,△RAP)表示其中i标记该数据样本在时序上的位置，从而便于电能量异常检测结果的验证。
(2)数据集经过基于LOF算法的异常数据检测模块后，根据标记分为正常数据集和异常数据集，遍历异常数据集，根据异常数据集中每个样本的标记i 值，能够快速定位到该电能量异常数据在时序上的位置，从而找到该样本数据的前值和后值。
(3)根据电能量异常类型的特点，将异常样本的△PAP值△PAP(k)和它在时序上的前值△PAP(k-1)、后值△PAP(k+1)进行比较，验证该异常电能量数据的异常类型。
本发明验证的电能量异常类型包括突大校验、突小校验、倒走校验和换表操作四种，分别标记为-2号异常、-3号异常、-4号异常和-5号异常。验证的比较过程如下：
(1)当△PAP(k)>0 and △PAP(k+1)<0 and(△PAP(k)-△PAP(k+1)>0)时，Type(k)＝-2。
(2)当△PAP(k)<0 and △PAP(k+1)>0 and(△PAP(k)-△PAP(k+1)<0)时，Type(k)＝-3。
(3)当△PAP(k)<0 and △PAP(k+1)<0时，Type(k)＝-4。
(4)当△PAP(k-1)<0 and △PAP(k)<0 and △PAP(k+1)>0时，Type(k)＝-5，判断在时间区间(k,k+1)中发生了换表操作。
(5)否则异常类型为其他，Type(k)＝-1。
本发明基于LOF和验证过滤框架，可以监测大规模电能量数据发生异常的情况以及异常类型，保证了电能量数据的可靠性，也提高正向有功电量、反向有功电量等指标的可靠性、及时性、有效性。

Claims (1)

1.一种基于LOF和验证过滤框架的电能量异常数据监测方法，其特征在于：包括如下步骤：
(1)获取历史电能量数据，并对电能量数据进行预处理，所述的电能量数据包括正向有功总电量PAP和反向有功总电量RAP；
(2)基于LOF算法构建电能量异常检测模型对电能量数据集进行异常检测，包括分时段对电能量数据进行类聚，得到带有标签的电能量数据集；
(3)基于线性表对每个带有异常标签的电能量数据进行验证，通过计算电能数量数据在时间序列上的正向差值和反向差值来判断异常类型；
步骤(1)所述的电能量数据预处理具体如下：
(11)根据时间序列，对相邻两个电能量数据样本的PAP值和RAP值两列作差，得到ΔPAP和ΔRAP；
(12)提取相同ID的电能量数据记录中的时间列OCCUR TIME和检测异常的数据列ΔPAP和ΔRAP；
(13)删除空行，并填充缺失数据；
步骤(2)具体包括如下过程：
(21)输入电能量数据集D，设定LOF算法中的邻域K值；
(22)计算电能量数据集D中某个样本数据点p和其第k邻域中所有点的可达距离和局部可达密度；
(23)根据点p和邻域中其他点的局部可达密度进行比较，计算得到局部离群因子；
(24)将点p的局部离群因子和设定的阈值进行比较，判断该电能量数据点是否为异常点；
步骤(3)具体包括如下过程：
(31)对预处理后的数据集建立索引index，采用线性表的数据结构，每个样本数据抽象为元组T(i，ΔPAP，ΔRAP)表示其中i标记该数据样本在时序上的位置；
(32)电能数据集D经过基于LOF算法的异常数据检测模块，标记正常数据集和异常数据集，遍历异常数据集，根据异常数据集中每个样本的标记i值，定位该电能量异常数据在时序上的位置，比较该样本数据的前值和后值；
(33)根据电能量异常类型的特点，将异常样本的ΔPAP值ΔPAP(k)和它在时序上的前值ΔPAP(k-1)、后值ΔPAP(k+1)进行比较，验证异常电能量数据的异常类型；
所述方法中异常数据的类型包括突大校验、突小校验、倒走校验和换表操作，分别标记为-2号异常、-3号异常、-4号异常和-5号异常；验证的比较过程如下：
(a)当ΔPAP(k)＞0 and ΔPAP(k+1)＜0 and(ΔPAP(k)-ΔPAP(k+1)＞0)时，Type(k)＝-2；
(b)当ΔPAP(k)＜0 and ΔPAP(k+1)＞0 and(ΔPAP(k)-ΔPAP(k+1)＜0)时，Type(k)＝-3；
(c)当ΔPAP(k)＜0 and ΔPAP(k+1)＜0时，Type(k)＝-4；
(d)当ΔPAP(k-1)＜0 and ΔPAP(k)＜0 and ΔPAP(k+1)＞0时，Type(k)＝-5，判断在时间区间(k，k+1)中发生了换表操作；
(e)否则异常类型为其他，Type(k)＝-1。
CN201911097608.XA 2019-11-11 2019-11-11 基于lof和验证过滤框架的电能量异常数据监测方法 Active CN111144435B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911097608.XA CN111144435B (zh) 2019-11-11 2019-11-11 基于lof和验证过滤框架的电能量异常数据监测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911097608.XA CN111144435B (zh) 2019-11-11 2019-11-11 基于lof和验证过滤框架的电能量异常数据监测方法

Publications (2)

Publication Number Publication Date
CN111144435A CN111144435A (zh) 2020-05-12
CN111144435B true CN111144435B (zh) 2022-11-11

Family

ID=70517083

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911097608.XA Active CN111144435B (zh) 2019-11-11 2019-11-11 基于lof和验证过滤框架的电能量异常数据监测方法

Country Status (1)

Country Link
CN (1) CN111144435B (zh)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112731261B (zh) * 2020-12-01 2024-01-30 深圳供电局有限公司 电能计量设备故障检测方法、装置、计算机设备和介质
CN112750046A (zh) * 2021-01-31 2021-05-04 云知声智能科技股份有限公司 一种基于异常检测算法的医保控费方法和系统
CN113011481B (zh) * 2021-03-10 2024-04-30 广东电网有限责任公司计量中心 一种基于决策树算法的电能表功能异常评估方法及系统
CN113239619A (zh) * 2021-05-08 2021-08-10 国网江西省电力有限公司萍乡供电分公司 一种基于机器学习混合模型的专变用户异常用电行为检测方法
CN113640675B (zh) * 2021-07-29 2022-05-20 南京航空航天大学 基于Snippets特征提取的航空锂电池异常检测方法
CN113934158A (zh) * 2021-10-20 2022-01-14 东南大学 一种基于改进随机森林的电弧炉建模方法
CN115081840B (zh) * 2022-06-09 2024-07-02 国网湖南省电力有限公司 一种基于一阶差分和arima法的日电量异常值检测与校正系统
CN117312617B (zh) * 2023-11-29 2024-04-12 山东优控智能技术有限公司 基于污水数据监测的实时污水处理方法及系统
CN117387697B (zh) * 2023-12-11 2024-02-27 天津市北洋水运水利勘察设计研究院有限公司 一种用于重机轨道的数据采集监测方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107257351A (zh) * 2017-07-28 2017-10-17 广东电网有限责任公司云浮供电局 一种基于灰色lof流量异常检测系统及其检测方法
CN109102028A (zh) * 2018-08-20 2018-12-28 南京邮电大学 基于改进的快速密度峰值聚类和lof离群点检测算法
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

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107257351A (zh) * 2017-07-28 2017-10-17 广东电网有限责任公司云浮供电局 一种基于灰色lof流量异常检测系统及其检测方法
CN109102028A (zh) * 2018-08-20 2018-12-28 南京邮电大学 基于改进的快速密度峰值聚类和lof离群点检测算法
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

Also Published As

Publication number Publication date
CN111144435A (zh) 2020-05-12

Similar Documents

Publication Publication Date Title
CN111144435B (zh) 基于lof和验证过滤框架的电能量异常数据监测方法
CN111123188A (zh) 基于改进最小二乘法的电能表综合检定方法及系统
CN105376260B (zh) 一种基于密度峰值聚类的网络异常流量监测系统
CN111275307A (zh) 一种水质自动在线站高频连续观测数据质量控制方法
CN110941648A (zh) 基于聚类分析的异常数据识别方法、系统和存储介质
CN107679734A (zh) 一种用于无标签数据分类预测的方法和系统
CN115081795B (zh) 多维场景下企业能耗异常成因分析方法及系统
CN113344134A (zh) 一种低压配电监控终端数据采集异常检测方法及系统
CN109947815B (zh) 一种基于离群点算法的窃电辨识方法
CN103103570B (zh) 基于主元相似性测度的铝电解槽况诊断方法
CN112836738A (zh) 基于bp神经网络的窃电行为检测方法
CN118035924B (zh) 一种基于电力大数据电力设备故障数据处理方法和系统
CN110889441A (zh) 一种基于距离和点密度的变电设备数据异常识别方法
CN107727955A (zh) 一种基于电网线路运行误差远程校准的变压器损耗分析与管控方法
CN110175353A (zh) 电梯运行指标趋势分析方法
CN114244751A (zh) 无线传感器网络异常检测方法和系统
CN112949735A (zh) 一种基于离群数据挖掘的液态危化品挥发浓度异常发现方法
CN114235108B (zh) 基于数据分析燃气流量计异常状态检测方法和装置
CN115808563A (zh) 一种基于用电功率异常分析的高压用户窃电检测方法
CN110046651B (zh) 一种基于监测数据多属性特征融合的管道状态识别方法
CN103529337A (zh) 设备故障与电气量信息间非线性相关关系的识别方法
CN117036732B (zh) 一种基于融合模型的机电设备检测系统、方法及设备
CN113157761A (zh) 一种基于关联规则挖掘的电动汽车充放电故障分析方法
CN107121616B (zh) 一种用于对智能仪表进行故障定位的方法和装置
CN110334125A (zh) 一种配电网量测异常数据辨识方法及装置

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