CN111738364B - 一种基于用户负荷与用电参量相结合的窃电检测方法 - Google Patents

一种基于用户负荷与用电参量相结合的窃电检测方法 Download PDF

Info

Publication number
CN111738364B
CN111738364B CN202010775701.8A CN202010775701A CN111738364B CN 111738364 B CN111738364 B CN 111738364B CN 202010775701 A CN202010775701 A CN 202010775701A CN 111738364 B CN111738364 B CN 111738364B
Authority
CN
China
Prior art keywords
data
user
load
value
electricity stealing
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
CN202010775701.8A
Other languages
English (en)
Other versions
CN111738364A (zh
Inventor
邓高峰
温和
刘强
王珺
张春强
胡涛
赵震宇
郑振洲
郭雪薇
刘仕萍
李肖
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.)
Power Supply Service Management Center Of State Grid Jiangxi Electric Power Co ltd
State Grid Corp of China SGCC
Electric Power Research Institute of State Grid Jiangxi Electric Power Co Ltd
Original Assignee
Power Supply Service Management Center Of State Grid Jiangxi Electric Power Co ltd
Hunan University
State Grid Corp of China SGCC
Electric Power Research Institute of State Grid Jiangxi 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 Power Supply Service Management Center Of State Grid Jiangxi Electric Power Co ltd, Hunan University, State Grid Corp of China SGCC, Electric Power Research Institute of State Grid Jiangxi Electric Power Co Ltd filed Critical Power Supply Service Management Center Of State Grid Jiangxi Electric Power Co ltd
Priority to CN202010775701.8A priority Critical patent/CN111738364B/zh
Publication of CN111738364A publication Critical patent/CN111738364A/zh
Application granted granted Critical
Publication of CN111738364B publication Critical patent/CN111738364B/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
    • 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
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Electricity, gas or water supply

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Business, Economics & Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Economics (AREA)
  • Computing Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (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

本发明提供了一种基于用户负荷与用电参量相结合的窃电检测方法，采用模糊C均值算法与随机选择法相结合的方法对用户负荷数据进行聚类，将用户划分为不同的类别并找出用户的负荷特征曲线，计算用户日常负荷曲线与该用户特征负荷曲线的距离，找出偏离程度较大的嫌疑异常用户；最后利用基于用电参量的用户窃电识别模型进行进一步的观察和筛选找出窃电用户。本发明将用户负荷与用电参量相结合，建立基于负荷曲线的窃电初筛模型，使用改进并列式长短期记忆神经网络LSTM算法进行训练，充分考虑了实际电网中电能质量监测系统数据的时序性和规律性，能够精准检测到具体异常数值，具有很好的识别效果和实际应用价值，提升了算法的准确度。

Description

一种基于用户负荷与用电参量相结合的窃电检测方法
技术领域
本发明涉及窃电检测技术领域，具体涉及一种基于用户负荷与用电参量相结合的窃电检测方法。
背景技术
电能计量准确性及质量可靠性直接影响用户的经济利益和社会能源的利用率。窃电是指非法使用电力资源，这种做法严重影响了计量准确性，不仅给电力企业造成了巨大损失，而且严重威胁了电网的安全运行。在电网发展过程中，窃电问题一直都存在，而且呈现出了高科技化发展趋势，而且隐蔽性更强。在窃电检测中还存在用户量大，检测效率不高问题。
发明内容
本发明提供一种基于用户负荷与用电参量相结合的窃电检测方法，首先建立基于用户负荷的窃电初筛模型，窃电初筛模型先采用模糊C均值算法与随机选择法相结合的方法对用户负荷数据进行聚类，将用户划分为不同的类别并找出用户的负荷特征曲线，计算用户日常负荷曲线与该用户特征负荷曲线的距离，找出偏离程度较大的嫌疑异常用户。最后利用改进并列式长短期记忆神经网络LSTM算法训练得到基于用电参量的用户窃电识别模型进行进一步的观察和筛选找出窃电用户。具体操作包括以下步骤：
步骤a．读取台区下N个用户的X个月的负荷数据，每个用户每天Y个负荷数据，其中0<N<1000，3≤X≤12，1≤Y≤240；然后对负荷数据进行数据预处理操作，得到预处理后的负荷数据且可以直接输入到窃电初筛模型中；
步骤b．利用模糊C均值算法与随机选择法相结合的方法对N个用户负荷数据进行聚类，首先运用模糊C均值算法确定各用户数据的最佳分类数FK，其范围是1至Y；然后采用随机选择法从N个用户负荷数据中随机选择数据对象作为初始的聚类中心线；将聚类算法运行FK次，最后取平均值作为最终的聚类中心线，并将聚类中心线作为N个用户负荷数据的负荷特征曲线
Figure 907920DEST_PATH_IMAGE001
，其中元素x j1,…, x jY 为N个用户负荷数据聚类后的平均值；
步骤c．使用第i个用户每天的负荷数据
Figure 773108DEST_PATH_IMAGE002
与步骤b中形成的负荷特征曲线j，其中x i1,…, x iY 分别为第i个用户的第1至Y个负荷数据，计算负荷数据与负荷特征曲线的欧式距离
Figure 911965DEST_PATH_IMAGE003
，进一步计算加权欧式距离
Figure 557710DEST_PATH_IMAGE004
，通过加权欧式距离和距离阈值，其中距离阈值范围为800-1200，判断用户是否偏移其日常用电规律，如果偏离度超过距离阈值，则将视为嫌疑异常用户；
步骤d．读取嫌疑异常用户的窃电判别指标数据并对数据进行归一化；窃电判别指标数据包括电压不平衡率、电流不平衡率、功率因数不平衡率、台区线损率、电量峰值、电量谷值；其中电压不平衡率为
Figure 807426DEST_PATH_IMAGE005
，U a 、U b 、 U c 为三相电压，
Figure 792700DEST_PATH_IMAGE006
和
Figure 414043DEST_PATH_IMAGE007
分别表示取U a 、U b 、U c 中的最大和最小值，电流不平衡率为
Figure 484767DEST_PATH_IMAGE008
，I a 、I b 、I c 为三相电流，Max（I a ,I b ,I c ）和Min（I a ,I b ,I c ）分别表示取I a 、I b 、I c 中的最大和最小值，数据进行归一化的公式为
Figure 538173DEST_PATH_IMAGE009
，x max 为数据的最大值，x min 为数据的最小值；
步骤e．将步骤d得到的归一化后的窃电判别指标数据作为样本数据，一部分作为训练样本数据，另一部分作为测试样本数据，然后利用改进并列式长短期记忆神经网络LSTM算法训练得到窃电识别模型；
步骤f．基于步骤e所训练得到的窃电识别模型，将嫌疑异常用户测试样本数据代入该窃电识别模型，如果模型显示的预测值超过模型阈值0.7，则将该嫌疑异常用户添加到窃电用户名单，否则对该用户结束检测。
进一步的，步骤a中数据预处理包括数据的筛选与清洗、缺失值填充、异常值处理及数据的归一化处理。
进一步的，步骤b中，模糊C均值算法的聚类有效性函数为
Figure 440270DEST_PATH_IMAGE010
：
Figure 920930DEST_PATH_IMAGE011
其中，U为隶属度矩阵，c为分类数目，u ij 表示第i个样本属于第j类的隶属度，n为样本个数，V j 为第j个聚类中心；
Figure 213371DEST_PATH_IMAGE012
为可能性划分系数；当
Figure 70469DEST_PATH_IMAGE013
取最大值时，c为最佳分类数；x i 为第i个输入样本；J 0为n个样本到聚类中心的距离的最大值。
进一步的，步骤e中，改进并列式长短期记忆神经网络LSTM算法中，输入数据由传统的按时间序列输入的方式改进为按3个等级并列式输入的方式，首先将训练样本数据按照加权欧式距离进行分组排序，排序结果的前30%作为第1个等级输入，31%-60%作为第2个等级输入，余下的作为第3个等级输入；考虑到一天中的采样点个数s，其中s的范围是1至Y*N，具体设置LSTM的最优输入神经元个数为ne，且ne远小于s，ne的范围是1至s/10间的整数，设置最优输出神经元个数为1，即不断利用前ne个序列数据输入LSTM，预测下一个序列数据；将长短期记忆神经网络LSTM每个时间阶段的预测值作为准确值，设置上下浮动的阈值范围为0~0.7，对该序列数据点对应的实际负荷数据进行判断，若其超出阈值范围，则视为异常值，并将LSTM的预测值作为修正值，继续往前预测，直至－天的所有序列数据运行结束。
本发明的有益效果是：
针对用户每天的日负荷具有一定的波动，随机选取用户某天负荷数据作为该用户的代表会有较大偏差，所以本发明采用模糊C均值算法与随机选择法相结合的方法，将模糊C均值算法所确定的最佳分类数FK作为随机选择法计算的次数上限，使得用户负荷代表曲线更具有合理性。
以往窃电算法常常只对某个或几个计量指标进行评估，并没有考虑用户负荷及各个用电参量之间的关系。本发明将用户负荷与用电参量相结合，建立基于负荷曲线的窃电初筛模型，考虑到单一使用用户日负荷曲线匹配的方法可能存在较大误差，建立基于用电参量分析的窃电识别模型，结合用电参量对用户进行分析，进一步缩小异常用户范围。
本发明采用改进并列式长短期记忆神经网络LSTM，由传统的按时间序列输入的方式改进为按3个等级并列式输入的方式，使得该模型更适合学习具有前后关联、连续性的时序数据特征，充分考虑了实际电网中电能质量监测系统数据的时序性和规律性，能够精准检测到具体异常数值，同时避免了传统方法人工特征提取容易发生信息丢失的问题，具有很好的识别效果和实际应用价值，提升了算法的准确度。
附图说明
图1为本发明的方法流程图。
具体实施方式
以下给出一具体实施事例说明本发明实现的方法：
如图1所示，一种基于用户负荷与用电参量相结合的窃电检测方法流程如下：
选择某一台区中439个用户，将数据从数据库导出整理，实验数据为2019年4月-6月共计三个月的用户负荷数据。由于数据采集间隔为15min，所以每天记录中包含了96个负荷数据。将这439个用户每天负荷数据进行数据预处理操作，对每个用户的负荷数据采用加权平均值的方法得到用户的典型日负荷曲线，将每个用户的典型日负荷曲线作为聚类样本数据。
利用模糊C均值算法和随机选择法对用户进行分类，由于初始聚类中心是随机选择的，每次的结果可能不一样，因此每个聚类数下分别执行10次，然后取平均值作为最后的结果。通过实验计算，当聚类数为7，
Figure 577805DEST_PATH_IMAGE014
取值最大。当聚类数为7时，聚类分析得到的聚类中心线即为该类用户的负荷特征曲线。取439名用户数据测试，利用用户每天的负荷数据与该用户的负荷特征曲线做欧式距离运算，进一步计算用户数据与其负荷特征曲线的加权欧式距离，结果如表1，一共筛选出了34个嫌疑异常用户。经调查发现，有3个用户为窃电用户。
表1 不同距离下窃电用户数测试
Figure 229366DEST_PATH_IMAGE015
从表1中可以发现，一般存在窃电的用户距离普遍大于1000，因此，这里取距离阈值为1000。在实际工作中，窃电用户距离随着地区的不同而不同，所以运用该种方法时，需要根据实际情况调整距离阈值，其中距离阈值范围为800-1200。对于经该模型筛选出的用户，将其纳入嫌疑异常用户列表，在下一个模型中对其用电参量进行考量。实验表明，该窃电初筛模型具有较好的准确性，可以缩小用电检查的范围。
针对这34个嫌疑异常用户进行窃电检测研究，总的样本数为34，其中训练样本数为22，测试样本为12。通过数据预处理以及窃电特征数据提取，归一化的部分样本数据如表2。在是否窃电这一栏中，0表示未窃电，1表示窃电。
表2 嫌疑异常用户归一化的部分样本数据
Figure 274682DEST_PATH_IMAGE016
BP神经网络是一种按照误差逆向传播算法训练的多层前馈神经网络，是应用最广泛的神经网络之一。因此使用改进并列式长短期记忆神经网络LSTM算法和BP神经网络进行了对比分析，先通过训练数据建立窃电识别模型，模型的输入为各用户的窃电判别指标数据，模型的输出为窃电嫌疑系数。然后通过测试数据集测试后得到的结果如表3。
表3 测试后的输出结果
Figure 732208DEST_PATH_IMAGE017
从表3中数据可知，当用户出现窃电后，实际的输出值很高，而没有出现窃电时的输出值都比较的低。说明了这两个算法是可行的。通过计算可知，BP神经网络得到的平均绝对误差为0.0339，改进并列式长短期记忆神经网络LSTM算法得到的平均绝对误差为0.0122。改进并列式长短期记忆神经网络LSTM算法的精度更高。验证说明本发明是可行且效果更好。
本发明设计采用聚类分析和改进并列式长短期记忆神经网络相结合的方式对异常数据进行识别，该方法充分考虑了实际电网中电能质量监测系统数据的时序性和规律性，能够精准检测到具体异常数值，同时避免了传统方法人工特征提取容易发生信息丢失的问题，具有很好的识别效果和实际应用价值。
以上所述实施例仅表达了本发明的一种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (2)

1.一种基于用户负荷与用电参量相结合的窃电检测方法，其特征在于：首先建立基于用户负荷的窃电初筛模型，窃电初筛模型先采用模糊C均值算法与随机选择法相结合的方法对用户负荷数据进行聚类，将用户划分为不同的类别并找出用户的负荷特征曲线，计算用户日常负荷曲线与该用户特征负荷曲线的距离，找出偏离程度较大的嫌疑异常用户；最后利用改进并列式长短期记忆神经网络LSTM算法训练得到基于用电参量的用户窃电识别模型进行进一步的观察和筛选找出窃电用户；具体包括以下步骤：
步骤a．读取台区下N个用户的X个月的负荷数据，每个用户每天Y个负荷数据，其中3≤X≤12，Y≥1；然后对负荷数据进行数据预处理操作，得到预处理后的负荷数据且可以直接输入到窃电初筛模型中；
步骤b．采用模糊C均值算法与随机选择法相结合的方法对N个用户负荷数据进行聚类，首先运用模糊C均值算法确定各用户数据的最佳分类数FK，其范围是1至Y；然后采用随机选择法从N个用户负荷数据中随机选择数据对象作为初始的聚类中心线；将聚类算法运行FK次，最后取平均值作为最终的聚类中心线，并将聚类中心线作为N个用户负荷数据的负荷特征曲线
Figure DEST_PATH_IMAGE001
，其中元素x j1,…, x jY 为N个用户负荷数据聚类后的平均值；
所述步骤b中，模糊C均值算法的聚类有效性函数为
Figure 511730DEST_PATH_IMAGE002
：
Figure DEST_PATH_IMAGE003
其中，U为隶属度矩阵，c为分类数目，u ij 表示第i个样本属于第j类的隶属度，n为样本个数，V j 为第j个聚类中心；
Figure 491188DEST_PATH_IMAGE004
为可能性划分系数；当
Figure DEST_PATH_IMAGE005
取最大值时，此时的c值为最佳分类数；x i 为第i个输入样本；J 0为n个样本到聚类中心的距离的最大值；
步骤c．使用N个用户每天的负荷数据
Figure 270925DEST_PATH_IMAGE006
与步骤b中形成的负荷特征曲线j，其中x i1,…, x iY 分别为第i个用户的第1至Y个负荷数据，计算负荷数据与负荷特征曲线的欧式距离
Figure DEST_PATH_IMAGE007
，进一步计算加权欧式距离
Figure 479183DEST_PATH_IMAGE008
，通过加权欧式距离和距离阈值，判断用户是否偏移其日常用电规律，如果偏离度超过距离阈值，则将视为嫌疑异常用户；
步骤d．读取嫌疑异常用户的窃电判别指标数据并对数据进行归一化；窃电判别指标数据包括电压不平衡率、电流不平衡率、功率因数不平衡率、台区线损率、电量峰值、电量谷值；其中电压不平衡率为
Figure DEST_PATH_IMAGE009
，U a 、U b 、U c 为三相电压，
Figure 355873DEST_PATH_IMAGE010
和
Figure DEST_PATH_IMAGE011
分别表示取U a 、U b 、U c 中的最大和最小值，电流不平衡率为
Figure 178335DEST_PATH_IMAGE012
，I a 、I b 、I c 为三相电流，
Figure DEST_PATH_IMAGE013
和
Figure 255488DEST_PATH_IMAGE014
分别表示取I a 、I b 、I c 中的最大和最小值，数据进行归一化的公式为
Figure DEST_PATH_IMAGE015
，x max 为数据的最大值，x min 为数据的最小值；
步骤e．将步骤d得到的归一化后的窃电判别指标数据作为样本数据，一部分作为训练样本数据，另一部分作为测试样本数据，然后利用改进并列式长短期记忆神经网络LSTM算法训练得到窃电识别模型；
所述步骤e中，改进并列式长短期记忆神经网络LSTM算法中，输入数据由传统的按时间序列输入的方式改进为按3个等级并列式输入的方式，首先将训练样本数据按照加权欧式距离进行分组排序，排序结果的前30%作为第1个等级输入，31%-60%作为第2个等级输入，余下的作为第3个等级输入；考虑到一天中的采样点个数s，其中s的范围是1至Y*N，具体设置LSTM的最优输入神经元个数为ne，且ne远小于s，ne的范围是1至s/10间的整数，设置最优输出神经元个数为1，即不断利用前ne个序列数据输入LSTM，预测下一个序列数据；将长短期记忆神经网络LSTM每个时间阶段的预测值作为准确值，设置上下浮动的阈值范围，对该序列数据点对应的实际负荷数据进行判断，若其超出阈值范围，则视为异常值，并将LSTM的预测值作为修正值，继续往前预测，直至－天的所有序列数据运行结束；
步骤f．基于步骤e所训练得到的窃电识别模型，将嫌疑异常用户测试样本数据代入该窃电识别模型，如果模型显示的预测值超过模型阈值，则将该嫌疑异常用户添加到窃电用户名单，否则对该用户结束检测。
2.根据权利要求1所述的基于用户负荷与用电参量相结合的窃电检测方法，其特征在于：所述步骤a中数据预处理包括数据的筛选与清洗、缺失值填充、异常值处理及数据的归一化处理。
CN202010775701.8A 2020-08-05 2020-08-05 一种基于用户负荷与用电参量相结合的窃电检测方法 Active CN111738364B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010775701.8A CN111738364B (zh) 2020-08-05 2020-08-05 一种基于用户负荷与用电参量相结合的窃电检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010775701.8A CN111738364B (zh) 2020-08-05 2020-08-05 一种基于用户负荷与用电参量相结合的窃电检测方法

Publications (2)

Publication Number Publication Date
CN111738364A CN111738364A (zh) 2020-10-02
CN111738364B true CN111738364B (zh) 2021-05-25

Family

ID=72657954

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010775701.8A Active CN111738364B (zh) 2020-08-05 2020-08-05 一种基于用户负荷与用电参量相结合的窃电检测方法

Country Status (1)

Country Link
CN (1) CN111738364B (zh)

Families Citing this family (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112418623A (zh) * 2020-11-12 2021-02-26 国网河南省电力公司郑州供电公司 基于双向长短时记忆网络和滑动窗输入的反窃电识别方法
CN112398226A (zh) * 2020-11-13 2021-02-23 国网山东省电力公司泰安供电公司 一种供电系统反窃电方法、系统、终端及存储介质
CN112485515B (zh) * 2020-12-11 2022-12-30 广东电网有限责任公司 一种用于电能表费率时段更正方法及系统
CN112884000A (zh) * 2021-01-15 2021-06-01 国网河南省电力公司营销服务中心 一种基于数据挖掘的用电检查智能诊断方法及诊断系统
CN112926645B (zh) * 2021-02-22 2022-11-15 国网四川省电力公司营销服务中心 一种基于边缘计算的窃电检测方法
CN113156917B (zh) * 2021-04-10 2023-09-08 河北新大长远电力科技股份有限公司 基于人工智能的电网设备故障诊断方法及系统
CN113129168B (zh) * 2021-05-17 2022-03-25 国网河北省电力有限公司电力科学研究院 电力台区的线损确定方法、装置及终端设备
CN113222624B (zh) * 2021-05-31 2022-03-18 江苏新智合电力技术有限公司 一种反窃电智能分析方法及系统
CN113420912B (zh) * 2021-06-04 2022-04-26 国网江西省电力有限公司电力科学研究院 一种配电网低压异常用户辨识的方法
CN113933585A (zh) * 2021-11-26 2022-01-14 长沙理工大学 一种基于欧氏距离的漏电台区断零窃电用户检测方法
CN116150239B (zh) * 2022-12-16 2023-09-22 彭州华润燃气有限公司 一种针对燃气偷盗气行为的数据挖掘方法
CN116777124B (zh) * 2023-08-24 2023-11-07 国网山东省电力公司临沂供电公司 一种基于用户用电行为的窃电监测方法
CN116862116A (zh) * 2023-09-05 2023-10-10 国网天津市电力公司营销服务中心 一种反窃电智能预警方法、系统、电子设备和存储介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105931236A (zh) * 2016-04-19 2016-09-07 武汉大学 面向图像分割的模糊c-均值聚类初始聚类中心自动选取方法
CN110321934A (zh) * 2019-06-12 2019-10-11 深圳供电局有限公司 一种检测用户用电异常数据的方法及系统

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103839197A (zh) * 2014-03-19 2014-06-04 国家电网公司 一种基于eemd方法的用户用电行为异常的判定方法
CN106447206A (zh) * 2016-10-09 2017-02-22 国网浙江省电力公司信息通信分公司 基于用电信息采集数据的用电分析方法
MX2018011305A (es) * 2017-09-18 2019-07-04 Tata Consultancy Services Ltd Técnicas para corregir el desvío de entrenamiento lingüístico en los datos de entrenamiento.
CN109146705B (zh) * 2018-07-02 2022-04-12 昆明理工大学 一种用电特征指标降维与极限学习机算法进行窃电检测的方法
CN109272015A (zh) * 2018-08-07 2019-01-25 北京空间技术研制试验中心 基于最小距离最大化准则优化初始中心的模糊聚类方法
CN109922038A (zh) * 2018-12-29 2019-06-21 中国电力科学研究院有限公司 一种用于电力终端的异常数据的检测方法及装置
CN110334726A (zh) * 2019-04-24 2019-10-15 华北电力大学 一种基于密度聚类和lstm的电力负荷异常数据的识别与修复方法
CN111223006A (zh) * 2019-12-25 2020-06-02 国网冀北电力有限公司信息通信分公司 一种异常用电检测方法及装置

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105931236A (zh) * 2016-04-19 2016-09-07 武汉大学 面向图像分割的模糊c-均值聚类初始聚类中心自动选取方法
CN110321934A (zh) * 2019-06-12 2019-10-11 深圳供电局有限公司 一种检测用户用电异常数据的方法及系统

Also Published As

Publication number Publication date
CN111738364A (zh) 2020-10-02

Similar Documents

Publication Publication Date Title
CN111738364B (zh) 一种基于用户负荷与用电参量相结合的窃电检测方法
CN109146705B (zh) 一种用电特征指标降维与极限学习机算法进行窃电检测的方法
CN109543737B (zh) 一种基于fahp_fca组合赋权的信息系统健康度评估方法
CN110991786B (zh) 基于相似日负荷曲线的10kV静态负荷模型参数辨识方法
CN109934269B (zh) 一种电磁信号的开集识别方法和装置
WO2017143919A1 (zh) 一种建立数据识别模型的方法及装置
CN114090396B (zh) 一种云环境多指标无监督异常检测和根因分析方法
CN110222991B (zh) 基于rf-gbdt的计量装置故障诊断方法
CN110309863B (zh) 一种基于层次分析法和灰色关联分析的身份可信评价方法
CN113780443B (zh) 一种面向威胁检测的网络安全态势评估方法
CN112732748B (zh) 一种基于自适应特征选择的非侵入式家电负荷识别方法
CN112633337A (zh) 一种基于聚类和边界点的不平衡数据处理方法
CN109947815B (zh) 一种基于离群点算法的窃电辨识方法
CN112039903A (zh) 基于深度自编码神经网络模型的网络安全态势评估方法
CN111950645A (zh) 一种通过改进随机森林提高类不平衡分类性能的方法
CN114169424A (zh) 基于k近邻回归算法和用电数据的排污量预测方法
Shi et al. An improved agglomerative hierarchical clustering anomaly detection method for scientific data
CN116796271A (zh) 一种居民用能异常识别方法
CN115168870A (zh) 一种基于综合评价的区块链安全评估方法
CN113112188B (zh) 一种基于预筛选动态集成的电力调度监控数据异常检测方法
CN109508350B (zh) 一种对数据进行采样的方法和装置
CN117195505A (zh) 一种用于电能表信息化评价校准模型的测评方法及系统
CN107644285A (zh) 售电市场盈利能力评估指标的筛选与权重确定方法及系统
CN116170187A (zh) 一种基于cnn和lstm融合网络的工业互联网入侵监测方法
CN116010884A (zh) 基于主成分分析的SSA-LightGBM油浸式变压器的故障诊断方法

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
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right

Effective date of registration: 20220819

Address after: 330100 No.999 Furong Road, Nanchang Economic and Technological Development Zone, Nanchang City, Jiangxi Province

Patentee after: Power supply service management center of State Grid Jiangxi Electric Power Co.,Ltd.

Patentee after: STATE GRID CORPORATION OF CHINA

Patentee after: STATE GRID JIANGXI ELECTRIC POWER COMPANY LIMITED Research Institute

Address before: 330100 No.999 Furong Road, Nanchang Economic and Technological Development Zone, Nanchang City, Jiangxi Province

Patentee before: Power supply service management center of State Grid Jiangxi Electric Power Co.,Ltd.

Patentee before: STATE GRID CORPORATION OF CHINA

Patentee before: STATE GRID JIANGXI ELECTRIC POWER COMPANY LIMITED Research Institute

Patentee before: HUNAN University

TR01 Transfer of patent right