CN111539843A - 基于数据驱动的反窃电智能预警方法 - Google Patents
基于数据驱动的反窃电智能预警方法 Download PDFInfo
- Publication number
- CN111539843A CN111539843A CN202010306860.3A CN202010306860A CN111539843A CN 111539843 A CN111539843 A CN 111539843A CN 202010306860 A CN202010306860 A CN 202010306860A CN 111539843 A CN111539843 A CN 111539843A
- Authority
- CN
- China
- Prior art keywords
- user
- electricity
- electricity stealing
- stealing
- 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.)
- Granted
Links
- 230000005611 electricity Effects 0.000 title claims abstract description 69
- 238000000034 method Methods 0.000 title claims abstract description 19
- 230000006399 behavior Effects 0.000 claims abstract description 26
- 238000007418 data mining Methods 0.000 claims abstract description 6
- 238000012549 training Methods 0.000 claims description 7
- 230000002265 prevention Effects 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 4
- 238000011835 investigation Methods 0.000 claims description 4
- 238000005259 measurement Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000011160 research Methods 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 abstract description 3
- 238000010801 machine learning Methods 0.000 abstract description 2
- 238000005457 optimization Methods 0.000 abstract description 2
- 238000007689 inspection Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process 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
- 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
-
- 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
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Economics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Probability & Statistics with Applications (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开基于数据驱动的反窃电智能预警方法，利用数据挖掘、机器学习等人工智能技术，构建基于数据驱动的反窃电智能预警模型，对异常用电行为进行分级预警，实现窃电预警、精准定位窃电用户，并对模型和样本库不断进行迭代优化，实现窃电预警准确率不断提升，当发现系统预警，精准定位用户信息，及时查看诊断信息、用电异常信息，极大减少一线员工的工作量，提高了电力企业人员的工作效率，减少人员操作和巡视费用，降低运营成本，大幅提高窃电行为查处率。
Description
技术领域
本发明属于电力行业领域，具体涉及一种基于数据驱动的反窃电智能预警方法。
背景技术
目前，电是商品，我国电力法的颁布，明确了供用电双方的权利和义务，使电力市场走上规范化、法制化的道路。用户用电必须按照国家核准的电价和计量装置的记录按时交纳电费。窃电是一种违法犯罪行为，禁止任何单位和个人非法侵占、使用电能。但是在现实生活中一些企业和个人受非法获利思想的驱使进行窃电以达到少缴纳电费甚至不缴纳电费的目的，国家和电力经营企业因此蒙受了巨大的经济损失。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。个别用户的私拉乱挂极易引发电网事故，使合法用户的权益无辜受害，影响地区经济的健康发展。
随着科学技术的发展，社会用电需求不断增加，一些不法经营者、个体私营业主及居民用电大户为谋取利润，降低成本，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。当前通过高科技手段进行窃电的用户成几何级数增长，窃电呈现出人员专业化、设备智能化、方式隐蔽性强，窃电量大等特点，窃电形势日益严峻，反窃电工作日益艰难，对智能化、信息化需求不断提升。如何精准发现窃电成为反窃电领域的一大难题。某些特殊窃电方式，预测精度还有待提升。加强数据的深化研究应用，推动大数据与人工智能技术和反窃查违业务的深度融合，解决现有反窃查违工作缺乏数字化抓手，数据挖掘深度不够、窃电查处准确性不高、智能化程度较低的情况。
发明内容
针对现有问题，本发明提出基于数据驱动的反窃电智能预警方法，通过数据建立反窃电智能预警模型，基于数据构建专变和低压用户典型窃电样本库。
为实现上述目的，本发明提供了如下技术方案：基于数据驱动的反窃电智能预警方法，其特征在于，包括：
S1基于大数据挖掘的用户用电行为特征，提取研究成果作为后续的特征输入；
S101包括提取电网运行参数、电量采集参数、气象信息、用户场景、征信数据的多源数据，对数据进行预处理，并初步提取用户全部的用电特征集；
S102还包括对初步提取用户全部的用电特征集进行分析，以选取的聚类度量性能内部指标最优为目标，采用随机搜索策略，包裹式选择算法对特征子集进行搜索，提取用户用电行为关键特征；
S103所述特征输入包括比较各种方法搜索结果，选取综合性能最优的关键特征集作为后续课题的特征输入；
S2基于半监督学习和聚类算法构建典型专变用电行为模型和低压用电行为模型；
S201所述构建模型包括利用传统行业分类方法，对训练数据进行初步分类，并根据大类行业之间的性质区别，构建必连约束集合ML和勿连约束集CL；
S202包括基于S1所提取得到的用户关键特征因子，结合已有的行业分类标签作为监督信息，采用约束k均值(Constrained k-means)聚类算法对训练样本进行行业分类，针对用户用电的时域特性，采用能反映一段时期内用户峰谷特性和用电量水平的指标进行聚类；
S203所述构建模型还包括基于聚类结果构建典型专变用电行为模型和低压用电行为模型；
S3基于窃电样本的专变用户典型窃电特征和低压用户典型窃电特征分析及专家样本库构建；
S301包括基于公司反窃电工作获取的用户窃电样本，采用Relief过滤式算法，以相关统计量最优为目标提取用户行业窃电典型特征集，进一步分析对比窃电样本；
S302所述窃电样本库构建包括基于选取的专建包变用户典型窃电特征和低压用户典型窃电特征，提取用户窃电特征数据并构建专变用户典型窃电样本库和低压用户典型窃电样本库。
本发明的有益效果是：利用数据挖掘、机器学习等人工智能技术，构建基于数据驱动的反窃电智能预警模型，即可通过反窃电稽查监控系统，对异常用电行为进行分级预警，实现窃电预警、精准定位窃电用户，并对模型和样本库不断进行迭代优化，实现窃电预警准确率不断提升，当发现系统预警，精准定位用户信息，及时查看诊断信息、用电异常信息，极大减少一线员工的工作量，提高了电力企业人员的工作效率，减少人员操作和巡视费用，降低运营成本，大幅提高窃电行为查处率。
附图说明
图1是本发明基于数据驱动的反窃电智能预警模型原理示意图；
图2是本发明用户用电行为特征提取的原理示意图；
图3是本发明用户典型行业用电行为的原理示意图；
图4是本发明典型窃电特征分析及专家样本库的原理示意图。
具体实施方式
为了使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面将结合附图进一步阐述本发明。
如图1-4所示的，基于数据驱动的反窃电智能预警方法，其特征在于，包括：
S1基于大数据挖掘的用户用电行为特征，提取研究成果作为后续的特征输入；
S101包括提取电网运行参数、电量采集参数、气象信息、用户场景、征信数据的多源数据，对数据进行预处理，并初步提取用户全部的用电特征集；
S102还包括对初步提取用户全部的用电特征集进行分析，以选取的聚类度量性能内部指标最优为目标，采用随机搜索策略，包裹式选择算法对特征子集进行搜索，提取用户用电行为关键特征；
S103所述特征输入包括比较各种方法搜索结果，选取综合性能最优的关键特征集作为后续课题的特征输入；
S2基于半监督学习和聚类算法构建典型专变用电行为模型和低压用电行为模型；
S201所述构建模型包括利用传统行业分类方法，对训练数据进行初步分类，并根据大类行业之间的性质区别，构建必连约束集合ML和勿连约束集CL；
S202包括基于S1所提取得到的用户关键特征因子，结合已有的行业分类标签作为监督信息，采用约束k均值(Constrained k-means)聚类算法对训练样本进行行业分类，针对用户用电的时域特性，采用能反映一段时期内用户峰谷特性和用电量水平的指标进行聚类；
S203所述构建模型还包括基于聚类结果构建典型专变用电行为模型和低压用电行为模型；
S3基于窃电样本的专变用户典型窃电特征和低压用户典型窃电特征分析及专家样本库构建；
S301包括基于公司反窃电工作获取的用户窃电样本，采用Relief过滤式算法，以相关统计量最优为目标提取用户行业窃电典型特征集，进一步分析对比窃电样本；
S302所述窃电样本库构建包括基于选取的专建包变用户典型窃电特征和低压用户典型窃电特征，提取用户窃电特征数据并构建专变用户典型窃电样本库和低压用户典型窃电样本库。
实施例1：
步骤一：提取电网内部数据，再加上导入的外部大数据，对用户数据进行预处理，提取包括最大功率、用电量、符合率等特征的建立用户用电特征集，再通过随机搜索策略以及包裹式算法，进行特征子集搜索，比较各种搜索结果，选取度量性能最优的数据，构建用户用电关键特征集；
步骤二：利用传统行业分类方法，对训练数据进行初步分类，根据打雷行业之间的性质区别构建必连约束集合ML和勿连约束集合CL，基于步骤一得出的包括有日期用电量、电压、电流、最大功率、峰谷平占比等关键特征的用户用电关键特征集，以及利用传统行业分类方法，得到的用户分类信息，作为监督信息，采用约束K-均值聚类，构建专变和低压用电行为模型；
步骤三：基于步骤二的用户用电行为模型和公司反窃电工作获取的用户窃电样本，采用Relief过滤式算法，提取窃电用户特征集，对比用户用电特征聚类离群点，也就是异常的用户数据，构建专变和低压用户典型窃电样本库。
本发明的核心思想概括如下：基于数据构建专变和低压用户典型窃电样本库，通过反窃电稽查监控系统，反窃电工作人员对所辖区域用电行为进行全面监控分级预警，当发现系统预警，精准定位用户信息，及时查看诊断信息、用电异常信息，极大减少一线员工的工作量，提高了电力企业人员的工作效率，减少人员操作和巡视费用，降低运营成本，大幅提高窃电行为查处率。
以上所述仅为本发明的一种实施例，本技术领域中的普通技术人员应当认识到，此实施例并不用于限制本发明，凡在本发明的方法构思、实质精神之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (1)
1.基于数据驱动的反窃电智能预警方法，其特征在于，包括：
S1基于大数据挖掘的用户用电行为特征，提取研究成果作为后续的特征输入；
S101包括提取电网运行参数、电量采集参数、气象信息、用户场景、征信数据的多源数据，对数据进行预处理，并初步提取用户全部的用电特征集；
S102还包括对初步提取用户全部的用电特征集进行分析，以选取的聚类度量性能内部指标最优为目标，采用随机搜索策略，包裹式选择算法对特征子集进行搜索，提取用户用电行为关键特征；
S103所述特征输入包括比较各种方法搜索结果，选取综合性能最优的关键特征集作为后续课题的特征输入；
S2基于半监督学习和聚类算法构建典型专变用电行为模型和低压用电行为模型；
S201所述构建模型包括利用传统行业分类方法，对训练数据进行初步分类，并根据大类行业之间的性质区别，构建必连约束集合ML和勿连约束集CL；
S202包括基于S1所提取得到的用户关键特征因子，结合已有的行业分类标签作为监督信息，采用约束k均值(Constrained k-means)聚类算法对训练样本进行行业分类，针对用户用电的时域特性，采用能反映一段时期内用户峰谷特性和用电量水平的指标进行聚类；
S203所述构建模型还包括基于聚类结果构建典型专变用电行为模型和低压用电行为模型；
S3基于窃电样本的专变用户典型窃电特征和低压用户典型窃电特征分析及专家样本库构建；
S301包括基于公司反窃电工作获取的用户窃电样本，采用Relief过滤式算法，以相关统计量最优为目标提取用户行业窃电典型特征集，进一步分析对比窃电样本；
S302所述窃电样本库构建包括基于选取的专建包变用户典型窃电特征和低压用户典型窃电特征，提取用户窃电特征数据并构建专变用户典型窃电样本库和低压用户典型窃电样本库。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010306860.3A CN111539843B (zh) | 2020-04-17 | 2020-04-17 | 基于数据驱动的反窃电智能预警方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010306860.3A CN111539843B (zh) | 2020-04-17 | 2020-04-17 | 基于数据驱动的反窃电智能预警方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111539843A true CN111539843A (zh) | 2020-08-14 |
| CN111539843B CN111539843B (zh) | 2022-07-12 |
Family
ID=71952247
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010306860.3A Active CN111539843B (zh) | 2020-04-17 | 2020-04-17 | 基于数据驱动的反窃电智能预警方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111539843B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN113570002A (zh) * | 2021-09-23 | 2021-10-29 | 泰豪软件股份有限公司 | 窃电用户预测模型的建立方法、系统、存储介质及设备 |
| CN114154999A (zh) * | 2021-10-27 | 2022-03-08 | 国网河北省电力有限公司营销服务中心 | 一种反窃电方法、装置、终端及存储介质 |
Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102141988A (zh) * | 2010-01-28 | 2011-08-03 | 中国移动通信集团公司 | 一种数据挖掘系统中数据聚类的方法、系统及装置 |
| CN102967735A (zh) * | 2012-12-04 | 2013-03-13 | 辽宁省电力有限公司抚顺供电公司 | 反窃电异常分析系统 |
| CN107145966A (zh) * | 2017-04-12 | 2017-09-08 | 山大地纬软件股份有限公司 | 基于逻辑回归概率分析优化模型的反窃电分析预警方法 |
| CN107742127A (zh) * | 2017-10-19 | 2018-02-27 | 国网辽宁省电力有限公司 | 一种改进的防窃电智能预警系统及方法 |
| WO2018190984A1 (en) * | 2017-04-13 | 2018-10-18 | Oracle International Corporation | Novel non-parametric statistical behavioral identification ecosystem for electricity fraud detection |
| CN108805747A (zh) * | 2018-06-13 | 2018-11-13 | 山东科技大学 | 一种基于半监督学习的异常用电用户检测方法 |
| CN109063929A (zh) * | 2018-08-29 | 2018-12-21 | 广东电网有限责任公司 | 反窃电分析预警方法、装置及计算机可读存储介质 |
| CN109190890A (zh) * | 2018-07-27 | 2019-01-11 | 南京理工大学 | 一种基于用户电力消费数据的用户行为分析方法 |
| CN109753989A (zh) * | 2018-11-18 | 2019-05-14 | 韩霞 | 基于大数据与机器学习的电力用户窃电行为分析方法 |
| CN109858679A (zh) * | 2018-12-30 | 2019-06-07 | 国网浙江省电力有限公司 | 一种结合人机物的反窃电稽查监控系统及其工作方法 |
| CN109902915A (zh) * | 2019-01-11 | 2019-06-18 | 国网浙江省电力有限公司 | 一种基于模糊c均值模型的电水气用能行为分析方法 |
| CN109948877A (zh) * | 2018-12-03 | 2019-06-28 | 国网浙江新昌县供电有限公司 | 一种基于异常事件组合的用电行为精准分析方法 |
| CN110097297A (zh) * | 2019-05-21 | 2019-08-06 | 国网湖南省电力有限公司 | 一种多维度窃电态势智能感知方法、系统、设备及介质 |
| CN110223196A (zh) * | 2019-06-04 | 2019-09-10 | 国网浙江省电力有限公司电力科学研究院 | 基于典型行业特征库和反窃电样本库的反窃电分析方法 |
| CN110675020A (zh) * | 2019-08-19 | 2020-01-10 | 国网天津市电力公司 | 一种基于大数据的高价低接用户识别方法 |
-
2020
- 2020-04-17 CN CN202010306860.3A patent/CN111539843B/zh active Active
Patent Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102141988A (zh) * | 2010-01-28 | 2011-08-03 | 中国移动通信集团公司 | 一种数据挖掘系统中数据聚类的方法、系统及装置 |
| CN102967735A (zh) * | 2012-12-04 | 2013-03-13 | 辽宁省电力有限公司抚顺供电公司 | 反窃电异常分析系统 |
| CN107145966A (zh) * | 2017-04-12 | 2017-09-08 | 山大地纬软件股份有限公司 | 基于逻辑回归概率分析优化模型的反窃电分析预警方法 |
| WO2018190984A1 (en) * | 2017-04-13 | 2018-10-18 | Oracle International Corporation | Novel non-parametric statistical behavioral identification ecosystem for electricity fraud detection |
| CN107742127A (zh) * | 2017-10-19 | 2018-02-27 | 国网辽宁省电力有限公司 | 一种改进的防窃电智能预警系统及方法 |
| CN108805747A (zh) * | 2018-06-13 | 2018-11-13 | 山东科技大学 | 一种基于半监督学习的异常用电用户检测方法 |
| CN109190890A (zh) * | 2018-07-27 | 2019-01-11 | 南京理工大学 | 一种基于用户电力消费数据的用户行为分析方法 |
| CN109063929A (zh) * | 2018-08-29 | 2018-12-21 | 广东电网有限责任公司 | 反窃电分析预警方法、装置及计算机可读存储介质 |
| CN109753989A (zh) * | 2018-11-18 | 2019-05-14 | 韩霞 | 基于大数据与机器学习的电力用户窃电行为分析方法 |
| CN109948877A (zh) * | 2018-12-03 | 2019-06-28 | 国网浙江新昌县供电有限公司 | 一种基于异常事件组合的用电行为精准分析方法 |
| CN109858679A (zh) * | 2018-12-30 | 2019-06-07 | 国网浙江省电力有限公司 | 一种结合人机物的反窃电稽查监控系统及其工作方法 |
| CN109902915A (zh) * | 2019-01-11 | 2019-06-18 | 国网浙江省电力有限公司 | 一种基于模糊c均值模型的电水气用能行为分析方法 |
| CN110097297A (zh) * | 2019-05-21 | 2019-08-06 | 国网湖南省电力有限公司 | 一种多维度窃电态势智能感知方法、系统、设备及介质 |
| CN110223196A (zh) * | 2019-06-04 | 2019-09-10 | 国网浙江省电力有限公司电力科学研究院 | 基于典型行业特征库和反窃电样本库的反窃电分析方法 |
| CN110675020A (zh) * | 2019-08-19 | 2020-01-10 | 国网天津市电力公司 | 一种基于大数据的高价低接用户识别方法 |
Non-Patent Citations (3)
| Title |
|---|
| XIAOHUI ZHAI等: "Comprehensive evaluation system o fstealing electricity", 《2018 2ND IEEE ADVANCED INFORMATION MANAGEMENT, COMMUNICATES, ELECTRONIC AND AUTOMATION CONTROL CONFERENCE》 * |
| 冯歆尧等: "基于半监督三训方法的窃电用户识别的研究及应用", 《微型电脑应用》 * |
| 王浩等: "机器学习算法在反窃电分析中的应用", 《河北电力技术》 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN113570002A (zh) * | 2021-09-23 | 2021-10-29 | 泰豪软件股份有限公司 | 窃电用户预测模型的建立方法、系统、存储介质及设备 |
| CN114154999A (zh) * | 2021-10-27 | 2022-03-08 | 国网河北省电力有限公司营销服务中心 | 一种反窃电方法、装置、终端及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111539843B (zh) | 2022-07-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111539843B (zh) | 基于数据驱动的反窃电智能预警方法 | |
| CN110097297B (zh) | 一种多维度窃电态势智能感知方法、系统、设备及介质 | |
| CN106780140B (zh) | 基于大数据的电力信用评价方法 | |
| Cody et al. | Decision tree learning for fraud detection in consumer energy consumption | |
| CN111476485B (zh) | 追补电量合理性的方法 | |
| CN109117974A (zh) | 一种配电网台区重过载风险评估方法和装置 | |
| CN108765004A (zh) | 一种基于数据挖掘识别用户窃电行为的方法 | |
| CN108964269A (zh) | 配电网运维与综合管理系统 | |
| CN111291076A (zh) | 基于大数据的异常用水监测报警系统及其构建方法 | |
| CN110503136A (zh) | 台区线损异常分析方法、计算机可读存储介质及终端设备 | |
| CN114094705A (zh) | 一种基于线损和用户用电量的低压台区窃电监控系统 | |
| CN105488118A (zh) | 电气设备故障信息的展示方法和装置 | |
| CN117132025A (zh) | 一种基于多源数据融合的用电监测预警系统 | |
| CN105139150A (zh) | 一种交费大数据的用户电费风险评估系统 | |
| CN113392910A (zh) | 一种判断违约用电与窃电的多维度智能分析经验算法和分类算法 | |
| CN116522746A (zh) | 高耗能企业配电托管方法 | |
| CN106685086B (zh) | 远程用电管理系统 | |
| CN106651093A (zh) | 一种用于低压集抄系统的智能复核管控方法 | |
| Shuai et al. | Analysis and identification of power blackout-sensitive users by using big data in the energy system | |
| Zhang et al. | Research on comprehensive diagnosis model of anti-stealing electricity based on big data technology | |
| Zhang et al. | Theories, applications and trends of non-technical losses in power utilities using machine learning | |
| CN117436688A (zh) | 一种基于电力营销数据的电费回收风险预警方法及系统 | |
| Poudel et al. | Artificial intelligence for energy fraud detection: a review | |
| CN112765425B (zh) | 水电站数据处理方法及电子设备 | |
| CN104408852A (zh) | 利用现场采集与通讯技术的配电变压器防盗辅助判断方法 |
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 | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20220627 Address after: 830011 No. 200 Hengda Street, Changchun Middle Road, Urumqi New Urban District, Xinjiang Uygur Autonomous Region Applicant after: Marketing service center of State Grid Xinjiang Electric Power Co.,Ltd. (capital intensive center metering center) Applicant after: STATE GRID FUJIAN ELECTRIC POWER Co.,Ltd. Applicant after: STATE GRID HEBEI ELECTRIC POWER Research Institute Applicant after: STATE GRID SICHUAN ELECTRIC POWER Research Institute Address before: 830011 No.200 Hengda street, high tech Industrial Development Zone, Xinshi District, Urumqi, Xinjiang Uygur Autonomous Region Applicant before: STATE GRID XINJIANG ELECTRIC POWER CO., LTD., ELECTRIC POWER Research Institute Applicant before: STATE GRID FUJIAN ELECTRIC POWER Co.,Ltd. Applicant before: STATE GRID HEBEI ELECTRIC POWER Research Institute Applicant before: STATE GRID SICHUAN ELECTRIC POWER Research Institute |
|
| TA01 | Transfer of patent application right | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |