CN111798107A - 一种应用ai智能诊断分析的新型反窃电系统及方法 - Google Patents
一种应用ai智能诊断分析的新型反窃电系统及方法 Download PDFInfo
- Publication number
- CN111798107A CN111798107A CN202010562638.XA CN202010562638A CN111798107A CN 111798107 A CN111798107 A CN 111798107A CN 202010562638 A CN202010562638 A CN 202010562638A CN 111798107 A CN111798107 A CN 111798107A
- Authority
- CN
- China
- Prior art keywords
- module
- electricity stealing
- data
- decision tree
- electricity
- 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
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
- 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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/219—Managing data history or versioning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2462—Approximate or statistical queries
-
- 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
-
- 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
Abstract
本发明公开了一种应用AI智能诊断分析的新型反窃电系统,包括数据传入模块、历史数据库模块和决策树模块;所述数据传入模块和历史数据库模块均与决策树模块连接,数据传入模块用于监测接收低压户数据,并将数据传递给决策树模块,决策树模块接收低压户数据和历史数据后,决策预判用户是否存在窃电情况;所述决策树模块与窃电判断模块连接,决策树模块将预测结果发送给窃电判断模块,预测结果为存在窃电情况时,窃电判断模块通过预警模块进行窃电报警,预测结果不存在窃电情况,窃电判断模块结束输出。本发明对窃电情况的预判,显著提高窃电判定的效率和准确度。
Description
技术领域
本发明涉及窃电预判技术领域,具体是一种应用AI智能诊断分析的新型反窃电系统及方法。
背景技术
窃电时指非法占用电能,以不交或者少交电费为目的,采用非法手段不计量或者少计量用电的行为。
随着科学技术的不断发展,电力资源作为当前社会发展最重要的能源形式,通过不断运用高新技术,提高电网运行的可靠性,是电力工作的不变目标。智能电表作为当前电网智能化中的一个重要基础技术,有助于实现更为有效的电力资源管理工作,已经被广泛运用到社会发展的各个层面上。智能电能表的使用,能够准确计算出用户的用电量,同时能够将电力企业信息进行透明化,给予广大电力客户一定的知情权,但是其计量可靠性直接关系到电网能否正常运行。然而针对智能电能表的窃电事件却屡屡发生,窃电技术的不断升级,严重损坏了智能电能表作为法定计量依据的准确性和可靠性。
因此,针对以上现状,迫切需要开发一种应用AI智能诊断分析的新型反窃电系统及方法,以克服当前实际应用中的不足。
发明内容
本发明的目的在于提供一种应用AI智能诊断分析的新型反窃电系统及方法,以解决上述背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:
一种应用AI智能诊断分析的新型反窃电系统,包括数据传入模块、历史数据库模块和决策树模块;所述数据传入模块和历史数据库模块均与决策树模块连接,数据传入模块用于监测接收低压户数据,并将数据传递给决策树模块,决策树模块接收低压户数据和历史数据后,决策预判用户是否存在窃电情况;所述决策树模块与窃电判断模块连接,决策树模块将预测结果发送给窃电判断模块,预测结果为存在窃电情况时,窃电判断模块通过预警模块进行窃电报警,预测结果不存在窃电情况,窃电判断模块结束输出。
作为本发明进一步的方案:所述低压户数据包括用户的单向电流、电压以及三相电流电压。
作为本发明进一步的方案:所述预警模块与历史数据库模块连接,预警模块进行窃电报警后,将窃电数据发送至历史数据库模块进行存储。
作为本发明进一步的方案:所述历史数据库模块包括用户线损记录单元、电压实时记录单元、电流实时记录单元和异常数据记录单元,用于分别记录存储用户用电的各项数据。
作为本发明进一步的方案:还包括有用户识别模块和数据存储模块,用户识别模块与数据传入模块连接,历史数据库模块与数据存储模块连接,所述用户识别模块包括有用户名称记录单元和用户地址记录单元。
作为本发明进一步的方案:所述窃电判断模块和预警模块之间还设置有现场判断模块。
作为本发明进一步的方案:窃电判断模块的“Y”端与现场判断模块连接,现场判断模块的“Y”端与预警模块连接,现场判断模块的“N”端与历史数据库模块连接,窃电判断模块预判为窃电时,通过现场判断模块对用户进行现场核查、取证和反馈,反馈结果为存在窃电情况时,预警模块发出警报,反馈结果为不存在窃电情况时,将该数据传递给历史数据库模块进行存储。
一种应用AI智能诊断分析的新型反窃电方法,包括如下步骤:
S1、决策树模块根据历史数据库模块给定的历史数据,构造决策树;
S2、将数据传入模块采集得到的低压户数据导入决策树模块,通过决策树模块进行窃电预判;
S3、决策树模块将预测结果发送给窃电判断模块,预测结果为存在窃电情况时,窃电判断模块通过预警模块进行窃电报警,预测结果不存在窃电情况,窃电判断模块结束输出;
S4、预警模块进行窃电报警后,将窃电数据发送至历史数据库模块进行存储,完善并扩大历史数据库模块。
作为本发明进一步的方案:步骤S1包括以下步骤:
S11、根据历史数据,计算历史数据熵值,记为E0;
S12、选取特征事件X1为同期用电量、X2为同期电压值、X3为同期电流值、 X4为线损趋势、X5为欠费数额,并计算各特征事件的熵值,分别记为E1、E2、E3、 E4和E5;
S13、计算各特征事件的信息增益:
A1=E1-E0
A2=E2-E0
A3=E3-E0
A4=E4-E0
A5=E5-E0
作为本发明进一步的方案:特征事件Xi的熵值计算公式为:
其中,Pi为特征事件Xi的发生概率。
与现有技术相比,本发明的有益效果是:本发明通过数据输入模块采集低压户数据,并将低压户数据和历史样本数据输入决策树模块中,决策预判用户是否存在窃电情况,决策树模块将预测结果发送给窃电判断模块,预测结果为存在窃电情况时,窃电判断模块通过预警模块进行窃电报警,完成对窃电情况的预判,显著提高窃电判定的效率和准确度。
附图说明
图1为应用AI智能诊断分析的新型反窃电系统实施例1的结构框图。
图2为应用AI智能诊断分析的新型反窃电系统中历史数据库模块的结构示意图。
图3为应用AI智能诊断分析的新型反窃电系统中实施例2的结构框图。
图4为应用AI智能诊断分析的新型反窃电系统中实施例3的结构框图。
图中:1-数据输入模块、2-历史数据库模块、201-用户线损记录单元、202- 电压实时记录单元、203-电流实时记录单元、204-异常数据记录单元、3-决策树模块、4-窃电判断模块、5-预警模块、6-用户识别模块、7-数据存储模块、8- 现场判断模块。
具体实施方式
下面结合具体实施方式对本专利的技术方案作进一步详细地说明。
下面详细描述本专利的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本专利,而不能理解为对本专利的限制。
实施例1
请参阅图1-2,本发明实施例中,一种应用AI智能诊断分析的新型反窃电系统,包括数据传入模块1、历史数据库模块2和决策树模块3;所述数据传入模块1和历史数据库模块2均与决策树模块3连接,数据传入模块1用于监测接收低压户数据,并将数据传递给决策树模块3,决策树模块3接收低压户数据和历史数据后,决策预判用户是否存在窃电情况;所述决策树模块3与窃电判断模块4连接,决策树模块3将预测结果发送给窃电判断模块4,预测结果为存在窃电情况时,窃电判断模块4通过预警模块5进行窃电报警,预测结果不存在窃电情况,窃电判断模块4结束输出;
具体的,本实施例中,所述低压户数据包括用户的单向电流、电压以及三相电流电压;
所述预警模块5与历史数据库模块2连接,预警模块5进行窃电报警后,将窃电数据发送至历史数据库模块2进行存储,完善并扩大历史数据库模块2;
所述历史数据库模块2包括用户线损记录单元201、电压实时记录单元202、电流实时记录单元203和异常数据记录单元204,用于分别记录存储用户用电的各项数据。
实施例2
请参阅图1-2,本发明实施例中,一种应用AI智能诊断分析的新型反窃电系统,包括数据传入模块1、历史数据库模块2和决策树模块3;所述数据传入模块1和历史数据库模块2均与决策树模块3连接,数据传入模块1用于监测接收低压户数据,并将数据传递给决策树模块3,决策树模块3接收低压户数据和历史数据后,决策预判用户是否存在窃电情况;所述决策树模块3与窃电判断模块4连接,决策树模块3将预测结果发送给窃电判断模块4,预测结果为存在窃电情况时,窃电判断模块4通过预警模块5进行窃电报警,预测结果不存在窃电情况,窃电判断模块4结束输出;
具体的,本实施例中,所述低压户数据包括用户的单向电流、电压以及三相电流电压;
所述预警模块5与历史数据库模块2连接,预警模块5进行窃电报警后,将窃电数据发送至历史数据库模块2进行存储,完善并扩大历史数据库模块2;
所述历史数据库模块2包括用户线损记录单元201、电压实时记录单元202、电流实时记录单元203和异常数据记录单元204,用于分别记录存储用户用电的各项数据。
请参阅图3,本实施例与实施例1的不同之处在于:
还包括有用户识别模块6和数据存储模块7,用户识别模块6与数据传入模块1连接,历史数据库模块2与数据存储模块7连接,所述用户识别模块6包括有用户名称记录单元和用户地址记录单元,用于对用户的位置信息进行详细准确的记录,从而方便工作人员快速找到窃电用户。
实施例3
请参阅图1-2,本发明实施例中,一种应用AI智能诊断分析的新型反窃电系统,包括数据传入模块1、历史数据库模块2和决策树模块3;所述数据传入模块1和历史数据库模块2均与决策树模块3连接,数据传入模块1用于监测接收低压户数据,并将数据传递给决策树模块3,决策树模块3接收低压户数据和历史数据后,决策预判用户是否存在窃电情况;所述决策树模块3与窃电判断模块4连接,决策树模块3将预测结果发送给窃电判断模块4,预测结果为存在窃电情况时,窃电判断模块4通过预警模块5进行窃电报警,预测结果不存在窃电情况,窃电判断模块4结束输出;
具体的,本实施例中,所述低压户数据包括用户的单向电流、电压以及三相电流电压;
所述预警模块5与历史数据库模块2连接,预警模块5进行窃电报警后,将窃电数据发送至历史数据库模块2进行存储,完善并扩大历史数据库模块2;
所述历史数据库模块2包括用户线损记录单元201、电压实时记录单元202、电流实时记录单元203和异常数据记录单元204,用于分别记录存储用户用电的各项数据。
请参阅图3,实施例2与实施例1的不同之处在于:
还包括有用户识别模块6和数据存储模块7,用户识别模块6与数据传入模块1连接,历史数据库模块2与数据存储模块7连接,所述用户识别模块6包括有用户名称记录单元和用户地址记录单元,用于对用户的位置信息进行详细准确的记录,从而方便工作人员快速找到窃电用户。
请参阅图4,本实施例与实施例1-2的不同之处在于:
所述窃电判断模块4和预警模块5之间还设置有现场判断模块8,窃电判断模块4的“Y”端与现场判断模块8连接,现场判断模块8的“Y”端与预警模块 5连接,现场判断模块8的“N”端与历史数据库模块2连接,窃电判断模块4 预判为窃电时,通过现场判断模块8对用户进行现场核查、取证和反馈,反馈结果为存在窃电情况时,预警模块5发出警报,反馈结果为不存在窃电情况时,将该数据传递给历史数据库模块2进行存储。
实施例4
请参阅图1-2,本发明实施例中,一种应用AI智能诊断分析的新型反窃电系统,包括数据传入模块1、历史数据库模块2和决策树模块3;所述数据传入模块1和历史数据库模块2均与决策树模块3连接,数据传入模块1用于监测接收低压户数据,并将数据传递给决策树模块3,决策树模块3接收低压户数据和历史数据后,决策预判用户是否存在窃电情况;所述决策树模块3与窃电判断模块4连接,决策树模块3将预测结果发送给窃电判断模块4,预测结果为存在窃电情况时,窃电判断模块4通过预警模块5进行窃电报警,预测结果不存在窃电情况,窃电判断模块4结束输出;
具体的,本实施例中,所述低压户数据包括用户的单向电流、电压以及三相电流电压;
所述预警模块5与历史数据库模块2连接,预警模块5进行窃电报警后,将窃电数据发送至历史数据库模块2进行存储,完善并扩大历史数据库模块2;
所述历史数据库模块2包括用户线损记录单元201、电压实时记录单元202、电流实时记录单元203和异常数据记录单元204,用于分别记录存储用户用电的各项数据。
请参阅图3,实施例2与实施例1的不同之处在于:
还包括有用户识别模块6和数据存储模块7,用户识别模块6与数据传入模块1连接,历史数据库模块2与数据存储模块7连接,所述用户识别模块6包括有用户名称记录单元和用户地址记录单元,用于对用户的位置信息进行详细准确的记录,从而方便工作人员快速找到窃电用户。
请参阅图4,本实施例与实施例1-2的不同之处在于:
所述窃电判断模块4和预警模块5之间还设置有现场判断模块8,窃电判断模块4的“Y”端与现场判断模块8连接,现场判断模块8的“Y”端与预警模块 5连接,现场判断模块8的“N”端与历史数据库模块2连接,窃电判断模块4 预判为窃电时,通过现场判断模块8对用户进行现场核查、取证和反馈,反馈结果为存在窃电情况时,预警模块5发出警报,反馈结果为不存在窃电情况时,将该数据传递给历史数据库模块2进行存储。
一种应用AI智能诊断分析的新型反窃电方法,包括如下步骤:
S1、决策树模块3根据历史数据库2模块给定的历史数据,构造决策树;
S2、将数据传入模块1采集得到的低压户数据导入决策树模块3,通过决策树模块3进行窃电预判;
S3、决策树模块3将预测结果发送给窃电判断模块4,预测结果为存在窃电情况时,窃电判断模块4通过预警模块5进行窃电报警,预测结果不存在窃电情况,窃电判断模块4结束输出;
S4、预警模块5进行窃电报警后,将窃电数据发送至历史数据库模块2进行存储,完善并扩大历史数据库模块2;
具体的,本实施例步骤S1包括以下步骤:
S11、根据历史数据,计算历史数据熵值,记为E0;
S12、选取特征事件X1为同期用电量、X2为同期电压值、X3为同期电流值、 X4为线损趋势、X5为欠费数额,并计算各特征事件的熵值,分别记为E1、E2、E3、 E4和E5;
S13、计算各特征事件的信息增益:
A1=E1-E0
A2=E2-E0
A3=E3-E0
A4=E4-E0
A5=E5-E0
S14、对比各信息增益的大小,将信息增益最大的特征事件作为决策树的根节点,其余信息增益对应的特征事件按从大到小依次作为决策树的非叶子节点,完成决策树的构建;
具体的,本实施例中,特征事件Xi的熵值计算公式为:
其中,Pi为特征事件Xi的发生概率。
以上的仅是本发明的优选实施方式,应当指出,对于本领域的技术人员来说,在不脱离本发明构思的前提下,还可以作出若干变形和改进,这些也应该视为本发明的保护范围,这些都不会影响本发明实施的效果和专利的实用性。
Claims (10)
1.一种应用AI智能诊断分析的新型反窃电系统,其特征在于,包括数据传入模块(1)、历史数据库模块(2)和决策树模块(3);所述数据传入模块(1)和历史数据库模块(2)均与决策树模块(3)连接,数据传入模块(1)用于监测接收低压户数据,并将数据传递给决策树模块(3),决策树模块(3)接收低压户数据和历史数据后,决策预判用户是否存在窃电情况;所述决策树模块(3)与窃电判断模块(4)连接,决策树模块(3)将预测结果发送给窃电判断模块(4),预测结果为存在窃电情况时,窃电判断模块(4)通过预警模块(5)进行窃电报警,预测结果不存在窃电情况,窃电判断模块(4)结束输出。
2.根据权利要求1所述的应用AI智能诊断分析的新型反窃电系统,其特征在于,所述低压户数据包括用户的单向电流、电压以及三相电流电压。
3.根据权利要求2所述的应用AI智能诊断分析的新型反窃电系统,其特征在于,所述预警模块(5)与历史数据库模块(2)连接,预警模块(5)进行窃电报警后,将窃电数据发送至历史数据库模块(2)进行存储。
4.根据权利要求3所述的应用AI智能诊断分析的新型反窃电系统,其特征在于,所述历史数据库模块(2)包括用户线损记录单元(201)、电压实时记录单元(202)、电流实时记录单元(203)和异常数据记录单元(204),用于分别记录存储用户用电的各项数据。
5.根据权利要求4所述的应用AI智能诊断分析的新型反窃电系统,其特征在于,还包括有用户识别模块(6)和数据存储模块(7),用户识别模块(6)与数据传入模块(1)连接,历史数据库模块(2)与数据存储模块(7)连接,所述用户识别模块(6)包括有用户名称记录单元和用户地址记录单元。
6.根据权利要求5所述的应用AI智能诊断分析的新型反窃电系统,其特征在于,所述窃电判断模块(4)和预警模块(5)之间还设置有现场判断模块(8)。
7.根据权利要求6所述的应用AI智能诊断分析的新型反窃电系统,其特征在于,窃电判断模块(4)的“Y”端与现场判断模块(8)连接,现场判断模块(8)的“Y”端与预警模块(5)连接,现场判断模块(8)的“N”端与历史数据库模块(2)连接,窃电判断模块(4)预判为窃电时,通过现场判断模块(8)对用户进行现场核查、取证和反馈,反馈结果为存在窃电情况时,预警模块(5)发出警报,反馈结果为不存在窃电情况时,将该数据传递给历史数据库模块(2)进行存储。
8.如权利要求1-7任一所述的应用AI智能诊断分析的新型反窃电方法,其特征在于,包括如下步骤:
S1、决策树模块(3)根据历史数据库(2)模块给定的历史数据,构造决策树;
S2、将数据传入模块(1)采集得到的低压户数据导入决策树模块(3),通过决策树模块(3)进行窃电预判;
S3、决策树模块(3)将预测结果发送给窃电判断模块(4),预测结果为存在窃电情况时,窃电判断模块(4)通过预警模块(5)进行窃电报警,预测结果不存在窃电情况,窃电判断模块(4)结束输出;
S4、预警模块(5)进行窃电报警后,将窃电数据发送至历史数据库模块(2)进行存储,完善并扩大历史数据库模块(2)。
9.根据权利要求8所述的应用AI智能诊断分析的新型反窃电方法,其特征在于,步骤S1包括以下步骤:
S11、根据历史数据,计算历史数据熵值,记为E0;
S12、选取特征事件X1为同期用电量、X2为同期电压值、X3为同期电流值、X4为线损趋势、X5为欠费数额,并计算各特征事件的熵值,分别记为E1、E2、E3、E4和E5;
S13、计算各特征事件的信息增益:
A1=E1-E0
A2=E2-E0
A3=E3-E0
A4=E4-E0
A5=E5-E0
S14、对比各信息增益的大小,将信息增益最大的特征事件作为决策树的根节点,其余信息增益对应的特征事件按从大到小依次作为决策树的非叶子节点,完成决策树的构建。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010562638.XA CN111798107A (zh) | 2020-06-18 | 2020-06-18 | 一种应用ai智能诊断分析的新型反窃电系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010562638.XA CN111798107A (zh) | 2020-06-18 | 2020-06-18 | 一种应用ai智能诊断分析的新型反窃电系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111798107A true CN111798107A (zh) | 2020-10-20 |
Family
ID=72803539
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010562638.XA Pending CN111798107A (zh) | 2020-06-18 | 2020-06-18 | 一种应用ai智能诊断分析的新型反窃电系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111798107A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117131448A (zh) * | 2023-08-25 | 2023-11-28 | 国网河南省电力公司渑池县供电公司 | 基于大数据的窃电用户智能识别系统及方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106355209A (zh) * | 2016-09-07 | 2017-01-25 | 国网电力科学研究院武汉南瑞有限责任公司 | 基于决策树算法的窃电诊断系统及方法 |
CN106370903A (zh) * | 2016-10-27 | 2017-02-01 | 国网河北省电力公司衡水供电分公司 | 批量查窃电仪 |
CN106972628A (zh) * | 2017-04-12 | 2017-07-21 | 国家电网公司 | 低压台区反窃电及线损分析与监控系统 |
WO2017153005A1 (en) * | 2016-03-09 | 2017-09-14 | Siemens Aktiengesellschaft | Smart embedded control system for a field device of an automation system |
CN109522957A (zh) * | 2018-11-16 | 2019-03-26 | 上海海事大学 | 基于决策树算法的港口岸桥机械工作状态故障分类的方法 |
-
2020
- 2020-06-18 CN CN202010562638.XA patent/CN111798107A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017153005A1 (en) * | 2016-03-09 | 2017-09-14 | Siemens Aktiengesellschaft | Smart embedded control system for a field device of an automation system |
CN106355209A (zh) * | 2016-09-07 | 2017-01-25 | 国网电力科学研究院武汉南瑞有限责任公司 | 基于决策树算法的窃电诊断系统及方法 |
CN106370903A (zh) * | 2016-10-27 | 2017-02-01 | 国网河北省电力公司衡水供电分公司 | 批量查窃电仪 |
CN106972628A (zh) * | 2017-04-12 | 2017-07-21 | 国家电网公司 | 低压台区反窃电及线损分析与监控系统 |
CN109522957A (zh) * | 2018-11-16 | 2019-03-26 | 上海海事大学 | 基于决策树算法的港口岸桥机械工作状态故障分类的方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117131448A (zh) * | 2023-08-25 | 2023-11-28 | 国网河南省电力公司渑池县供电公司 | 基于大数据的窃电用户智能识别系统及方法 |
CN117131448B (zh) * | 2023-08-25 | 2024-04-16 | 国网河南省电力公司渑池县供电公司 | 基于大数据的窃电用户智能识别系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liu et al. | An optimal checkpoint/restart model for a large scale high performance computing system | |
CN110134566A (zh) | 一种基于标签技术的云环境下信息系统性能监测方法 | |
AU2017202818B2 (en) | Volumetric event forecasting system | |
CN101958804B (zh) | 提升告警处理效率的方法、服务器及系统 | |
CN105071983A (zh) | 一种面向云计算在线业务的异常负载检测方法 | |
US8886791B2 (en) | Generating alerts based on managed and unmanaged data | |
CN112749056A (zh) | 应用服务指标监控方法、装置、计算机设备和存储介质 | |
CN104601723A (zh) | 基于内部服务总线的电力营销管理系统soa架构 | |
WO2022252512A1 (zh) | 根因分析方法、装置、电子设备、介质和程序 | |
CN109447496A (zh) | 窃电行为判定方法及终端设备 | |
CN113254341B (zh) | 链路数据的跟踪方法、装置、设备及存储介质 | |
CN111367747B (zh) | 基于时间标注的指标异动检测预警的装置 | |
EP3759674A1 (en) | Summary chains in distributed systems | |
CN104917639A (zh) | 基于集群监控分配数据业务方法及装置 | |
da Silva et al. | A science-gateway workload archive to study pilot jobs, user activity, bag of tasks, task sub-steps, and workflow executions | |
Gilbert et al. | Trust aware fault tolerant prediction model for wireless sensor network based measurements in Smart Grid environment | |
CN115357418A (zh) | 微服务故障检测方法、装置、存储介质及计算机设备 | |
CN111798107A (zh) | 一种应用ai智能诊断分析的新型反窃电系统及方法 | |
CN111062590A (zh) | 用电异常行为检测方法、装置、计算机设备和存储介质 | |
CN112541711A (zh) | 模型构建方法、装置、计算机设备和存储介质 | |
CN108255710B (zh) | 一种脚本的异常检测方法及其终端 | |
Lee et al. | Detecting anomaly teletraffic using stochastic self-similarity based on Hadoop | |
Raju et al. | Reliability Analysis in HPC clusters | |
CN109377391A (zh) | 一种信息追踪方法、存储介质和服务器 | |
CN109783310A (zh) | It设备的多维动态安全监控方法及其监控装置 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201020 |
|
RJ01 | Rejection of invention patent application after publication |