CN111861211B - 一种具有双层反窃电模型的系统 - Google Patents

一种具有双层反窃电模型的系统 Download PDF

Info

Publication number
CN111861211B
CN111861211B CN202010701264.5A CN202010701264A CN111861211B CN 111861211 B CN111861211 B CN 111861211B CN 202010701264 A CN202010701264 A CN 202010701264A CN 111861211 B CN111861211 B CN 111861211B
Authority
CN
China
Prior art keywords
electricity
stealing
model
user
abnormal
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
CN202010701264.5A
Other languages
English (en)
Other versions
CN111861211A (zh
Inventor
苏志勇
黄燕珊
戴建成
林瑞发
潘兴棋
陈正华
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.)
State Grid Siji Location Service Co ltd
State Grid Information and Telecommunication Co Ltd
Great Power Science and Technology Co of State Grid Information and Telecommunication Co Ltd
Original Assignee
State Grid Information and Telecommunication Co Ltd
Great Power Science and Technology Co of State Grid Information and Telecommunication 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 State Grid Information and Telecommunication Co Ltd, Great Power Science and Technology Co of State Grid Information and Telecommunication Co Ltd filed Critical State Grid Information and Telecommunication Co Ltd
Priority to CN202010701264.5A priority Critical patent/CN111861211B/zh
Publication of CN111861211A publication Critical patent/CN111861211A/zh
Application granted granted Critical
Publication of CN111861211B publication Critical patent/CN111861211B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F16/24—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
    • 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
    • G06F16/2465—Query processing support for facilitating data mining operations in structured databases
    • 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
    • G06F16/2474—Sequence data queries, e.g. querying versioned data
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Probability & Statistics with Applications (AREA)
  • Economics (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Fuzzy Systems (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Strategic Management (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Educational Administration (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Public Health (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Water Supply & Treatment (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供的一种具有双层反窃电模型的系统，其包括专变反窃电模型和公变低压反窃电模型，还包括用于上述模型的营销模块和拓展模块；本方案所建立的最终模型是可通过每天的历史数据进行自学习、自适应的动态预警模型，针对公变低压用户和专变用户的特点，通过应用系统的模型管理模块，对专变用户窃电嫌疑作出综合评分，对公变用户利用以上模型进行判断并定位嫌疑用户，有效补充传统人工式的用电检查方式，智能识别窃电嫌疑人，结合历史用电信息辅助研判分级，对其采取持续监控或派单到营销系统的专项检查计划进行处理等操作，还对查处的窃电手段、窃电类型等进行补充，实现反窃电工作“事前”分析预警、精准定位。

Description

一种具有双层反窃电模型的系统
技术领域
本发明涉及电力领域，更具体地说它涉及一种具有双层反窃电模型的系统。
背景技术
随着科学技术的发展，通过高科技手段进行窃电的行为增多，这些技术手段不但隐蔽性强，而且不容易控制，用户的窃电量大，查处难度非常大。窃电行为对国家的经济造成了巨大的损失，也对公众的生命财产安全造成了巨大的威胁。在窃电查处的实践中，窃电证据存在取证困难、查找难、核实难等问题，尤其是在对电气设备进行测量时，用户有足够的时间来销毁相关的窃电证据，通过信息化、智能化的远程监控和嫌疑定位进行窃电查处具有实践意义。
当前窃电手段层出不穷，从私拉无表用电、绕越计量表用电，到欠压窃电、欠流窃电、移相窃电、扩差窃电和其它高科技窃电手段，如强磁窃电、无线干扰窃电、更改电能表编程器窃电等，传统的检测窃电的方法已经无法满足要求，在信息时代的推动下，很多学者经数据采集处理并分析用户是否发生或是否将发生窃电行为。比如针对窃电用户的线损特点，采用时域和频域的曲线相似性分析方法，通过判断用户负荷曲线与异常馈线线损曲线之间的相似性来识别窃电行为。在时域中采用了欧氏距离、余弦距离和街区距离直接计算两种曲线的相似性，在频域中则采用自相关法、修正协方差法和Burg法先获得两种曲线的功率谱，再计算两种功率谱的相似性。但实际上，其在试验中所采用的数据非常有限而且相同的用户利用不同方法分析会出现偏差，也因此导致结果的不准确性(基于曲线相似性分析的窃电用户判断)。有学者根据“一个离群点是一个观察点偏离其他观察点如此之大以致引起怀疑是由不同机制生成的”建立基于距离的离群点检测方法检测电压、电流异常进而判断用户是否存在窃电行为，具有较高的时间复杂度且难以挖掘局部离群点，即这种方法在时间跨度上和部分离群点上存在一定的盲点。同样的，也有人采用了离点检测的方法挖掘离群点进而判断用户是否存在窃电行为，这些算法在一定程度上能解决窃电判别问题。
随着大数据在国内的兴起和发展，近年来，许多学者利用大数据挖掘技术建立反窃电模型。大数据挖掘是指通过系统分析海量的、模糊的、看似不相关的数据并提取隐藏在其中的规律，利用这些规律来指导工作，做出科学的预测，比如利用深度学习和CHAID决策树分类来预测用户是否窃电等。
国外使用数据挖掘来预测窃电要比国内的研究成熟许多。有学者在获取智能电表数据和配电变压器的数据后构建模型分析因电阻产生的温度变化进而判断用户是否窃电，从最后预测的结果看，具有推广的价值。但这种方式无法全部发挥数据的价值，不能挖掘到数据中的特征与用户窃电的关系进而预防用户产生窃电行为。有人利用TDR技术在不需要任何外用设备的前提下分析判断某用户是否存在窃电行为，但这种方法需要在计量表安装前使TDR与电缆成功连接。有些学者则利用支持向量机、电损耗分析及OS-ELM等数据挖掘技术进行分析研究窃电用户异常行为并对异常程度较高的用户进行现场检验，其测试结果表明基于大数据分析技术的模型分析用户窃电的方法较常用分析方法更为有效。此外，有人利用logistic回归、最近邻(KNN)、线性支持向量集和随机森林等模型，使用多个变量进行分析预测电网的非技术性损失。这些学者利用数据挖掘的方式，充分发挥了数据的价值，能够利用用户用电过程中所产生的数据来预防用户的窃电行为。
综上所述，将大数据和深度学习算法应用到反窃电领域，能够有效地提高窃电检测率，对构建基于大数据的反窃电稽查监控系统具有重要的社会和经济意义。
发明内容
针对上述存在的不足，本发明公开了一种基于大数据和深度学习技术设计的以针对专变用户和公变低压用户特点建立双层模型的方法，本方法的系统模型可根据用户的不同进行用户类型判断，以实现通过应用系统的模型管理模块，利用双层模型进行定位嫌疑用户，有效补充传统人工式的用电检查方式，智能识别窃电用户。
为实现上述目的，本发明提供了如下技术方案：一种具有双层反窃电模型的系统，其特征在于：包括
专变反窃电模型，包括用于对用户的电压、电流、功率、用电量数据进行检测的用电数据趋势异常模块；用于对用户的异常事件进行整合的异常事件模块；用于对用户表计和交采日用电量的同步性进行检测的交采表计失衡模块；用于将以上三个异常检验的模块检测结果进行整合的综合评分模块；
公变低压反窃电模型，所述公变低压反窃电模型基于历史用电信息数据构建特征向量集，用于表征窃电行为和正常用电行为的差异性，进而训练二分类机器学习模型，自动判断用户在该时间段内是否发生窃电，以实现对公变低压用户异常检验和定位；
营销模块，用于对上述模型的异常检验结果进行研判分级，并根据分级结果对其进行持续监控或派单到营销系统的专项检查计划进行处理；
拓展模块，所述拓展模块用于通过关联分析、聚类分析、机器学习的方式进行进一步分析每天的历史数据，对模型的权重系数进行不断修正，让进行模型的自学习、自适应的动态更新拓展。
优选的，所述用电数据趋势异常模块包括采用突变点检测算法，分别对各类别用电数据进行检测，找到用电数据趋势的突变次数、突变发生时间、突变强度和突变持续时间。
优选的，所述异常事件包括异常事件的发生次数、发生时间以及结束时间；
优选的，所述交采表计失衡模块包括采用滑动窗格提取两种用电量之间的时变相关性系数为特征量，结合突变点检测法和统计分析中的时间序列平稳性检验，来判断失衡出现的时间点以及持续时间。
优选的，所述的综合评分模块包括判断异常事件发生的事件重合度、加权计算异常用户的嫌疑度，为用户的窃电嫌疑作出综合评分。
优选的，所述公变低压反窃电模型包括对窃电用户和正常用户进行分类，并输出窃电嫌疑度，所述历史用电信息数据为用户在一段时间区间内(月/季/年)所产生用电行为信息和用户基本属性信息，包括时间序列类型信息、事件类信息、静态类信息，所述公变低压反窃电模型包括：
步骤一：针对历史用电信息的时间序列进行特征提取，包括提取用户日用电量的均值、方差、异常值、突变点、工作日及休息日与用电量的统计信息；
步骤二：提取时间序列的关联特征，用户日用电量和台区日线损量时间序列的相关性分析，时间序列一阶差分的相关性分析：
a.用户日用电量和台区日线损量的线性相关性；
b.用户日用电量一阶差分和台区日线损量的一阶差分的线性相关性；
c.在低线损时刻(线损率≤5％)用户日用电量的均值和方差；
d.在高线损时刻(线损率≥10％)用户日用电量的均值和方差；
步骤三：提取异常事件特征，异常事件的发生频率、发生前后用电量、线损变化信息：
a.在时间序列时间区间内的异常事件的发生次数；
b.异常事件发生时刻前后，用户用电量的平均变化；
c.异常事件发生时刻前后，台区线损率的平均变化；
步骤四：用户静态信息的特征提取，包括对用户的地址、职业、性别基本属性信息进行“one-hot”编码。
优选的，所述营销系统的专项检查计划为基层用电检查工作人员在营销系统中所完成的用电检查的相关处理流程，包括派发工单、根据派发工单的内容进行上门处理、保持对工单的状态、处理过程的信息跟踪及佐证材料数据的归档，还包括对查处窃电手段、窃电类型进行数据信息补充入库，所述的归档入库数据均可用于提高反窃电工作“事前”分析预警、精准定位的公变低压反窃电模型和专变反窃电模型优化。
本发明与现有技术相比，具有以下突出优点：本方案所建立的最终模型是可通过每天的历史数据进行自学习、自适应的动态预警模型，利用数据处理技术对窃电关联度高的特征量进行分析，对模型的权重系数进行不断修正，保证预警模型的准确性，其次可对用电属性进行聚类分析，提取能够反映用户用电状态的特征量，针对典型用户负荷特征建立用电行为模型，并对典型用电行为建立矩阵式评价模型，相对于现有的方案，本发明方案的模型针对低压用户具有数据量大、用电模式复杂、噪声数据多的特点，适用于基于大数据的机器学习算法进行设计；专变用户具有数量少、用电数据规律性强、拥有交采表记两套数据的特点，采用数据挖掘和统计分析算法进行设计，模型分为公变低压模型和专变模型两部分，分别针对公变低压用户和专变用户的特点针对采用数据挖掘和统计分析算法，通过应用系统的模型管理模块，对专变用户窃电嫌疑作出综合评分，对公变用户利用以上模型进行判断并定位嫌疑用户，有效补充传统人工式的用电检查方式，智能识别窃电嫌疑人，结合历史用电信息辅助研判分级，对其采取持续监控或派单到营销系统的专项检查计划进行处理等操作，由基层用电检查人员在营销系统中完成用电检查的相关处理流程；已派发的工单，应保持对工单的状态、处理过程等信息的跟踪及佐证材料等数据的归档，还需对查处的窃电手段、窃电类型等进行补充，实现反窃电工作“事前”分析预警、精准定位。
附图说明
图1为本发明一种具有双层反窃电模型的系统结构示意图；
图2为本发明公变低压反窃电模型的基本思路模型图；
图3为本发明所涉及历史用电信息数据内容类型。
具体实施方式
下面结合附图对本发明结构原理和工作原理进行详细描述。
如图1-3所示，本发明公开了一种具有双层反窃电模型的系统，其特征在于：包括
专变反窃电模型，包括用于对用户的电压、电流、功率、用电量数据进行检测的用电数据趋势异常模块；用于对用户的异常事件进行整合的异常事件模块；用于对用户表计和交采日用电量的同步性进行检测的交采表计失衡模块；用于将以上三个异常检验的模块检测结果进行整合的综合评分模块；
公变低压反窃电模型，所述公变低压反窃电模型基于历史用电信息数据构建特征向量集，用于表征窃电行为和正常用电行为的差异性，进而训练二分类机器学习模型，自动判断用户在该时间段内是否发生窃电，以实现对公变低压用户异常检验和定位；
营销模块，用于对上述模型的异常检验结果进行研判分级，并根据分级结果对其进行持续监控或派单到营销系统的专项检查计划进行处理；
拓展模块，所述拓展模块用于通过关联分析、聚类分析、机器学习的方式进行进一步分析每天的历史数据，对模型的权重系数进行不断修正，让进行模型的自学习、自适应的动态更新拓展。
优选的，所述用电数据趋势异常模块包括采用突变点检测算法，分别对各类别用电数据进行检测，找到用电数据趋势的突变次数、突变发生时间、突变强度和突变持续时间。
优选的，所述异常事件包括异常事件的发生次数、发生时间以及结束时间；
优选的，所述交采表计失衡模块包括采用滑动窗格提取两种用电量之间的时变相关性系数为特征量，结合突变点检测法和统计分析中的时间序列平稳性检验，来判断失衡出现的时间点以及持续时间。
优选的，所述的综合评分模块包括判断异常事件发生的事件重合度、加权计算异常用户的嫌疑度，为用户的窃电嫌疑作出综合评分。
优选的，所述公变低压反窃电模型包括对窃电用户和正常用户进行分类，并输出窃电嫌疑度，所述历史用电信息数据为用户在一段时间区间内(月/季/年)所产生用电行为信息和用户基本属性信息，包括时间序列类型信息、事件类信息、静态类信息，所述公变低压反窃电模型包括：
步骤一：针对历史用电信息的时间序列进行特征提取，包括提取用户日用电量的均值、方差、异常值、突变点、工作日及休息日与用电量的统计信息；
步骤二：提取时间序列的关联特征，用户日用电量和台区日线损量时间序列的相关性分析，时间序列一阶差分的相关性分析：
a.用户日用电量和台区日线损量的线性相关性；
b.用户日用电量一阶差分和台区日线损量的一阶差分的线性相关性；
c.在低线损时刻(线损率≤5％)用户日用电量的均值和方差；
d.在高线损时刻(线损率≥10％)用户日用电量的均值和方差；
步骤三：提取异常事件特征，异常事件的发生频率、发生前后用电量、线损变化信息：
a.在时间序列时间区间内的异常事件的发生次数；
b.异常事件发生时刻前后，用户用电量的平均变化；
c.异常事件发生时刻前后，台区线损率的平均变化；
步骤四：用户静态信息的特征提取，包括对用户的地址、职业、性别基本属性信息进行“one-hot”编码。
优选的，所述营销系统的专项检查计划为基层用电检查工作人员在营销系统中所完成的用电检查的相关处理流程，包括派发工单、根据派发工单的内容进行上门处理、保持对工单的状态、处理过程的信息跟踪及佐证材料数据的归档，还包括对查处窃电手段、窃电类型进行数据信息补充入库，所述的归档入库数据均可用于提高反窃电工作“事前”分析预警、精准定位的公变低压反窃电模型和专变反窃电模型优化。
以上所述仅为本发明的较佳实施例，但应认识到上述的描述不应被认为对本发明的限制，凡在本发明的设计构思之内，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 (5)

1.一种具有双层反窃电模型的系统，其特征在于：包括
专变反窃电模型，包括用于对用户的电压、电流、功率、用电量数据进行检测的用电数据趋势异常模块；用于对用户的异常事件进行整合的异常事件模块；用于对用户表计和交采日用电量的同步性进行检测的交采表计失衡模块；用于将以上三个模块检测结果进行整合的综合评分模块；所述交采表计失衡模块包括采用滑动窗格提取两种用电量之间的时变相关性系数为特征量，结合突变点检测法和统计分析中的时间序列平稳性检验，来判断失衡出现的时间点以及持续时间；
公变低压反窃电模型基于历史用电信息数据构建特征向量集，用于表征窃电行为和正常用电行为的差异性，进而训练二分类机器学习模型，自动判断用户是否发生窃电，以实现对公变低压用户异常检验和定位；
公变低压反窃电模型包括对窃电用户和正常用户进行分类，并输出窃电嫌疑度，所述历史用电信息数据为用户在一段时间区间内所产生用电行为信息和用户基本属性信息，包括时间序列类型信息、事件类信息、静态类信息，所述公变低压反窃电模型包括：
步骤一：针对历史用电信息的时间序列进行特征提取，包括提取用户日用电量的均值、方差、异常值、突变点、工作日及休息日与用电量的统计信息；
步骤二：提取时间序列的关联特征，用户日用电量和台区日线损量时间序列的相关性分析，时间序列一阶差分的相关性分析：
a.用户日用电量和台区日线损量的线性相关性;
b.用户日用电量一阶差分和台区日线损量的一阶差分的线性相关性;
c.在低线损时刻用户日用电量的均值和方差;
d.在高线损时刻用户日用电量的均值和方差；
步骤三：提取异常事件特征包括异常事件的发生频率、发生前后用电量、线损变化信息：
a.在时间序列时间区间内的异常事件的发生次数；
b.异常事件发生时刻前后，用户用电量的平均变化；
c.异常事件发生时刻前后，台区线损率的平均变化；
步骤四：用户静态信息的特征提取，包括对用户的地址、职业、性别基本属性信息进行“one-hot”编码；
营销模块，用于对专变反窃电模型或公变低压反窃电模型的异常检验结果进行研判分级，并根据分级结果对其进行持续监控或派单到营销系统的专项检查计划进行处理；
拓展模块，所述拓展模块通过关联分析、聚类分析、机器学习分析每天的历史数据，对模型的权重系数进行不断修正，用于模型的自学习、自适应的动态更新拓展。
2.根据权利要求1所述的一种具有双层反窃电模型的系统，其特征在于，所述用电数据趋势异常模块包括采用突变点检测算法，分别对各类别用电数据进行检测，找到用电数据趋势的突变次数、突变发生时间、突变强度和突变持续时间。
3.根据权利要求1所述的一种具有双层反窃电模型的系统，其特征在于，所述异常事件包括异常事件的发生次数、发生时间以及结束时间。
4.根据权利要求1所述的一种具有双层反窃电模型的系统，其特征在于，所述的综合评分模块包括判断异常事件发生的事件重合度、加权计算异常用户的嫌疑度，为用户的窃电嫌疑作出综合评分。
5.根据权利要求1所述的一种具有双层反窃电模型的系统，其特征在于，所述营销系统的专项检查计划为基层用电检查工作人员在营销系统中所完成的用电检查的相关处理流程，包括派发工单、根据派发工单的内容进行上门处理、保持对工单的状态、处理过程的信息跟踪及佐证材料数据的归档，还包括对查处窃电手段、窃电类型进行数据信息补充入库，所述的归档入库数据均可用于提高反窃电工作“事前”分析预警、精准定位的公变低压反窃电模型和专变反窃电模型优化。
CN202010701264.5A 2020-07-20 2020-07-20 一种具有双层反窃电模型的系统 Active CN111861211B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010701264.5A CN111861211B (zh) 2020-07-20 2020-07-20 一种具有双层反窃电模型的系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010701264.5A CN111861211B (zh) 2020-07-20 2020-07-20 一种具有双层反窃电模型的系统

Publications (2)

Publication Number Publication Date
CN111861211A CN111861211A (zh) 2020-10-30
CN111861211B true CN111861211B (zh) 2023-01-24

Family

ID=73001317

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010701264.5A Active CN111861211B (zh) 2020-07-20 2020-07-20 一种具有双层反窃电模型的系统

Country Status (1)

Country Link
CN (1) CN111861211B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112816774B (zh) * 2020-12-15 2023-01-06 国网宁夏电力有限公司营销服务中心(国网宁夏电力有限公司计量中心) 一种基于大数据的窃电排查方法
CN112527788B (zh) * 2020-12-17 2024-04-30 北京中恒博瑞数字电力科技有限公司 变压器监测数据异常值检测与清洗的方法及装置
CN112632152A (zh) * 2020-12-28 2021-04-09 国网冀北电力有限公司技能培训中心 一种基于反窃电实训室的电路控制系统
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
CN114416753B (zh) * 2022-04-01 2022-08-12 国网山东省电力公司营销服务中心(计量中心) 基于时空量体四维数据的窃电证据数据处理方法及系统
CN116976707B (zh) * 2023-09-22 2023-12-26 安徽融兆智能有限公司 基于用电信息采集的用户用电数据异常分析方法及系统
CN117251814A (zh) * 2023-09-28 2023-12-19 广东省交通开发有限公司 一种高速公路充电桩电量损耗异常的分析方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105373877A (zh) * 2015-09-14 2016-03-02 江苏南瑞通驰自动化系统有限公司 一种用电趋势异常嫌疑分析及反窃电监控系统
CN110568238A (zh) * 2019-10-15 2019-12-13 长沙理工大学 基于用电行为特性的路灯专变窃电检测分析方法
CN110824270A (zh) * 2019-10-09 2020-02-21 中国电力科学研究院有限公司 结合台区线损和异常事件的窃电用户辨识方法及装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105373877A (zh) * 2015-09-14 2016-03-02 江苏南瑞通驰自动化系统有限公司 一种用电趋势异常嫌疑分析及反窃电监控系统
CN110824270A (zh) * 2019-10-09 2020-02-21 中国电力科学研究院有限公司 结合台区线损和异常事件的窃电用户辨识方法及装置
CN110568238A (zh) * 2019-10-15 2019-12-13 长沙理工大学 基于用电行为特性的路灯专变窃电检测分析方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Design of non-intrusive power load decomposition and monitoring system based on multi-agent and visual instrument;Dongtao Wang;《2010 International Conference on Power System Technology》;20101213;全文 *
专变用户用电特征分析与窃电识别研究;任关友;《中国优秀博硕士学位论文全文数据库（硕士）》;20190115(第01期);原文第9-22、37-50页 *
基于生成式对抗网络的窃电检测数据生成方法;王德文等;《电网技术》;20200205(第02期);全文 *

Also Published As

Publication number Publication date
CN111861211A (zh) 2020-10-30

Similar Documents

Publication Publication Date Title
CN111861211B (zh) 一种具有双层反窃电模型的系统
CN110097297B (zh) 一种多维度窃电态势智能感知方法、系统、设备及介质
CN110223196B (zh) 基于典型行业特征库和反窃电样本库的反窃电分析方法
CN108564254B (zh) 基于大数据的配电设备状态可视化平台
Capozzoli et al. Fault detection analysis using data mining techniques for a cluster of smart office buildings
CN106712713A (zh) 一种光伏电站的监测系统以及监测和异常定位方法
CN106373025A (zh) 基于离群点检测的用电信息采集系统实时防窃电监测方法
CN105512448A (zh) 一种配电网健康指数的评估方法
CN105446139A (zh) 基于bp神经网络的建筑能耗分析方法与系统
CN107844067B (zh) 一种水电站闸门在线状态监测控制方法及监测系统
CN110298488A (zh) 一种基于数据挖掘的能源数据分析方法及系统
CN113466597A (zh) 一种轨道交通供电系统设备状态智能检测方法
CN112576312B (zh) 智能化综采工作面电液控支架数据收集及处理方法
Shi et al. Adversarial feature learning of online monitoring data for operational risk assessment in distribution networks
Sun et al. Data-driven approach for spatiotemporal distribution prediction of fault events in power transmission systems
CN117390546A (zh) 一种面向即时反窃电检测的多模数据库融合存算模型
CN115730962A (zh) 一种基于大数据的电力营销稽查分析系统及方法
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
CN114611764B (zh) 一种特定区域内企业工业用水异常监测预警方法
Carratù et al. A novel methodology for unsupervised anomaly detection in industrial electrical systems
CN118551989A (zh) 一种高速公路智能多维度负荷管理调度系统及方法
CN112835949A (zh) 一种负荷预测的方法
Catterson et al. On-line transformer condition monitoring through diagnostics and anomaly detection
CN111612054A (zh) 一种基于非负矩阵分解和密度聚类的用户窃电行为识别方法
Poudel et al. Artificial intelligence for energy fraud detection: a review

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: 20231112

Address after: 361001 room 402, No. 36, guanri Road, phase II, software park, Xiamen, Fujian

Patentee after: STATE GRID INFO-TELECOM GREAT POWER SCIENCE AND TECHNOLOGY Co.,Ltd.

Patentee after: STATE GRID INFORMATION & TELECOMMUNICATION GROUP Co.,Ltd.

Patentee after: State Grid Siji Location Service Co.,Ltd.

Address before: Room 402, 36 guanri Road, phase II, Xiamen Software Park, Fujian Province

Patentee before: STATE GRID INFO-TELECOM GREAT POWER SCIENCE AND TECHNOLOGY Co.,Ltd.

Patentee before: STATE GRID INFORMATION & TELECOMMUNICATION GROUP Co.,Ltd.

TR01 Transfer of patent right