CN111914942A - 一种多表合一用能异常分析方法 - Google Patents
一种多表合一用能异常分析方法 Download PDFInfo
- Publication number
- CN111914942A CN111914942A CN202010807528.5A CN202010807528A CN111914942A CN 111914942 A CN111914942 A CN 111914942A CN 202010807528 A CN202010807528 A CN 202010807528A CN 111914942 A CN111914942 A CN 111914942A
- Authority
- CN
- China
- Prior art keywords
- user
- data
- abnormal
- users
- consumption
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 32
- 230000002159 abnormal effect Effects 0.000 claims abstract description 75
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 42
- 230000005611 electricity Effects 0.000 claims abstract description 41
- 238000000034 method Methods 0.000 claims abstract description 22
- 238000005265 energy consumption Methods 0.000 claims abstract description 21
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 238000012216 screening Methods 0.000 claims abstract description 5
- 238000004422 calculation algorithm Methods 0.000 claims description 16
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000007621 cluster analysis Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 7
- 239000006185 dispersion Substances 0.000 claims description 6
- 230000005856 abnormality Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000001514 detection method Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 230000004927 fusion Effects 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 238000007418 data mining Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- -1 electricity Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism 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
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
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
- 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
Abstract
本发明涉及电力技术领域,特别涉及一种多表合一用能异常分析方法,包括以下步骤:1、获取多表合一用户每月的用电量,用水量,用气量数据;2、数据预处理;3、构建用户数据;4、初始化聚类数目及异常用户比例,运用CH指标计算得出最佳聚类数k;5、运用K‑means++聚类分析;6、对异常用户标记,若异常用户比例为固定,则根据输入的固定异常比例将异常用户筛出,若异常用户比例为自动,则异常用户为类别用户数占比最小的类别所包含的用户。本发明通过聚类数目固定或自动选取与异常用户比例固定或自动选取相结合的方式进行用能异常分析,来高效甄别异常用能用户,异常识别正确率高,效率高,有助于供能企业发现窃电、窃水、窃气用户,减少经济损失。
Description
技术领域
本发明涉及电力技术领域,特别涉及一种多表合一用能异常分析方法。
背景技术
国家发改委及能源局在出台的《关于促进智能电网发展的指导意见》中明确指出:要完善煤、电、油、气领域的信息资源共享机制,支持水、气、电实现“集采集抄”,建设跨行业能源运行动态数据集成平台,鼓励能源与信息基础设施共享复用。在当前国家电网公司“大营销”体系的背景下,已有地区(如江西鹰潭)实现了电表、水表、气表数据的全覆盖采集,但这些电、水、气数据及多表合一用户档案信息多用于进行计量点的数据显示和图表分析,并未对其中的多表合一用户的用能信息进行深度挖掘,充分发挥多表合一大数据平台的优势。
随着中国经济的迅速发展,窃电、窃水、窃气风险显著上升,这不仅让供能公司蒙受巨大损失,还具有一定的安全风险。目前应用的用户用能异常分析方法大部分是针对单一的能源进行异常检测,并没有进行多表融合数据的深入研究,没有综合考虑电、水、气数据的相关性进而判断用能异常用户,无法充分挖掘用户用能之间的相关性,分析效果较差。如文献[1](廖文权,杨家隆,陈春,杨泽武,白勇.基于大数据分析的用电异常检测系统设计[J].重庆电力高等专科学校学报,2017(6):30-32.)综合考虑电流、电压、功率和电量数据建立了用电异常分析模型,提出电流、电压、功率、电量异常分析策略以提高用电异常检测的准确性。文献[2](鞠常荣.基于用户行为的在线用电异常监测系统的实现[J].电子制作,2017(18):53-54.)以基础营销系统、计量自动化系统以及营配一体化系统所提供的大数据为基础,通过分析用户用电过程中的线损、电流、电压等情况进行用电异常识别。文献[3](张晶,刘晓巍,张松涛.基于营销大数据的用电异常事件统计及窃电特征分析[J].供用电,2018(6):77-82.)对营销业务应用平台用户信息、用电信息采集系统数据及防窃电采集信息等营销大数据进行了深度挖掘,通过分析用电异常事件顺序关联性及时间关联性,进行用电异常诊断。文献[4](黄琛,李文婷,张旭,孙悦,魏浩然.城市供水管网片区用水异常模式识别[J].云南大学学报(自然科学版),2018(5):879-885.)从自来水公司提取瞬时用水量数据,将基于密度的聚类算法与K均值算法相结合进行用水异常识别。
现有的异常诊断手段由于大部分使用上述传统的统计方法进行异常分析,所以效率较低且仅能判断出一种能源的异常,如用电异常,并未综合考虑用水及用气数据,且在对数据源进行的数据预处理中,仅为去除明显超出正常数据范围的异常数据,数据预处理规则简单,在实际的运用中容易引入脏数据,导致准确性降低,效率不高。若能利用多表合一大数据平台中积累的海量用能信息,挖掘电水气用量之间的内在联系,然后运用数据挖掘技术进行用能异常诊断分析,将会发挥巨大价值。
虽有一小部分用户利用了多表合一大数据对异常用能进行综合检测分析。但是,未对算法过程进行优化改进,采用的算法参数比例固定,灵活性差。
如专利CN 109919173 A,公开了一种基于减法聚类模型的多表融合用能行为分析方法,其包括以下步骤:步骤1、根据采集的水、电、气示度计算每日用能量;步骤2、对用户用能量进行清洗,去除的明显异常用能数据;步骤3、将用电量,用水量,用气量组成三维的用能数据作为该用户每日的用能数据;并根据聚类周期,构筑数据矢量,拼接的顺序要求每个用户一致;步骤4、初始化聚类数目,计算每个用户数据点处的密度指标,选取具有最高密度指标的数据点为第一个聚类中心;步骤5、增加聚类数目,对聚类中心选中的用户数据点,更新每个用户数据的密度指标,并选取具有最高密度指标的数据点为新的聚类中心;步骤6、在未达到决定聚类数目之前重复步骤5,直到完成。
虽然上述专利采用减法聚类实现了异常识别,具体是利用用户日用电量、用水量、用气量,通过构建电水气融合数据矢量,利用聚类算法实现用户聚类,达到对居民用户用能的分类与离群用户区分,并在后续对离群用户进行研究是否出现窃电、漏水等用能异常,也达到了提高工作效率和减少供能企业损失的目的。但是,由于减法聚类本身存在不足,所以导致上述专利有以下缺陷,首先,其聚类数目较为固定,在整个算法执行过程中不能更改,算法准确性较低,可能会影响异常识别正确率。其次,其聚类中心为源数据中的点,不能够真正反映聚类中心的含义。第三,需要设置的参数较多,虽然对结果可能没有太大影响,但会对运行效率具有一定的影响作用。
发明内容
针对现有技术存在的不足,本发明所要解决的技术问题是,提供一种通过采集用户的电、水、气月数据,构建电水气三维矩阵,采用聚类数目固定或自动选取与异常用户比例固定或自动选取相结合的方式进行用能异常分析,来提高异常识别正确率及运行效率的多表合一用能异常分析方法。
本发明为实现上述目的采用的技术方案是:一种多表合一用能异常分析方法,包括以下步骤:
步骤1、获取多表合一用户每月的用电量,用水量,用气量数据;
步骤2、数据预处理;
步骤3、构建用户数据,将预处理后的用电量,用水量,用气量数据组成三维的用能数据作为该用户每月的用能数据,并根据用户集抄档案提取用户信息,如多表合一关联户号、用户名、用户地址,多表合一关联户号可唯一对应用户,通过关联户号将用户的用户信息与用能数据相对应;
步骤4、初始化聚类数目及异常用户比例,若选择自动选取聚类数目则根据输入的最大聚类个数kmax,运用CH指标计算得出最佳聚类数k;
步骤5、运用K-means++聚类分析,对用户的用电量、用水量、用气量数据进行聚类,所述K-means++聚类分析包括如下步骤:
(1)、从用户的用能数据集中随机选取一个样本作为初始聚类中心;
(3)、重复步骤(2)直到选择出共k个聚类中心;
(4)、针对数据集中每个样本xi,计算他到k个聚类中心的距离并将其分到距离最小的聚类中心所对应的类中;
(5)、针对每个类别,重新计算每个类别的平均值,更新为新的聚类中心;
(6)、重复步骤(4)-步骤(5)直到聚类中心位置不再发生变化;
步骤6、对异常用户进行标记,若异常用户比例为固定,则根据输入的固定异常比例将异常用户筛出,若异常用户比例为自动,则异常用户为类别用户数占比最小的类别所包含的用户。
上述的多表合一用能异常分析方法,在步骤2中,所述数据预处理包括:
步骤2.1、将多表合一大数据平台中因数据采集过程中出现计量装置故障、计量装置接线错误等问题导致月用量数据错误的用户排除;
步骤2.2、将由于计量表计换表、电表表码值读取错误等问题产生负用量数据的用户排除;
步骤2.3、由于在实际生活中,部分用户房屋空置,用户当月的电、水、气用量很低,但属于正常现象,若参与聚类算法易产生误判,所以应将房屋空置用户排除,比如当月用电低于5kWh,且用水低于1m3,且用气低于1m3的用户排除(低于的房屋空置基准阈值可根据实际情况更改);
步骤2.4、多表合一大数据平台中可能会出现某个用量数据未采集成功为空值的情况,判断用户电、水、气数据,若其中有出现空值即电、水、气数据不全,则此用户不参与聚类分析,进行排除;
步骤2.5、电、水、气数据中若有一项有数据且值大于房屋空置基准阈值,而另两项数值为0,或若有两项有数据且值大于房屋空置基准阈值,而另一项数值为0则判断此用户异常,不须参与聚类分析。
上述的多表合一用能异常分析方法,在所述步骤4中,利用式子(1)计算CH指标;
其中,n表示样本数,k表示聚类数目,trB(k)表示类间离差矩阵的迹,trW(k)表示类内离差矩阵的迹。
本发明多表合一用能异常分析方法的有益效果是:本发明综合考虑电、水、气三表数据,先通过对数据进行预处理以提高数据挖掘的质量和效率。然后通过灵活选取聚类个数及异常用户比例,即可设置固定聚类个数及异常用户比例,又可根据数据自动选取最佳聚类数及异常用户比例,然后运用K-means++聚类算法进行异常分析,使得算法准确性以及运行效率得到有效提高,提高了异常识别正确率,有效识别高风险用能用户,并对用户用能异常预警。本发明通过采用聚类数目固定或自动选取与异常用户比例固定或自动选取相结合的方式进行用能异常分析,来实现高效甄别异常用能用户,不仅异常识别正确率高,且效率高,有助于帮助供能企业发现窃电、窃水、窃气用户,减少经济损失,值得被广泛推广应用。
附图说明
图1为本发明工作原理流程图。
具体实施方式
下面结合附图及具体实施例对本发明做进一步详细说明;
如图1所示,一种多表合一用能异常分析方法,包括以下步骤:
步骤1、获取多表合一用户每月的用电量,用水量,用气量数据;
步骤2、数据预处理;
步骤2.1.将多表合一大数据平台中因数据采集过程中出现计量装置故障、计量装置接线错误等问题导致月用量数据错误的用户排除;
步骤2.2.将由于计量表计换表、电表表码值读取错误等问题产生负用量数据的用户排除;
步骤2.3.由于在实际生活中,部分用户房屋空置,用户当月的电、水、气用量很低,但属于正常现象,若参与聚类算法易产生误判,所以应将房屋空置用户排除,比如当月用电低于5kWh,且用水低于1m3,且用气低于1m3的用户排除(低于的房屋空置基准阈值可根据实际情况更改);
步骤2.4.多表合一大数据平台中可能会出现某个用量数据未采集成功为空值的情况,判断用户电、水、气数据,若其中有出现空值即电、水、气数据不全,则此用户不参与聚类分析,进行排除;
步骤2.5.电、水、气数据中若有一项有数据且值大于房屋空置基准阈值,而另两项数值为0,或若有两项有数据且值大于房屋空置基准阈值,而另一项数值为0则判断此用户异常,不须参与聚类分析。
步骤3、构建用户数据,将预处理后的用电量,用水量,用气量数据组成三维的用能数据作为该用户每月的用能数据,并根据用户集抄档案提取用户信息,如多表合一关联户号、用户名、用户地址,多表合一关联户号可唯一对应用户,通过关联户号将用户的用户信息与用能数据相对应;
步骤4、初始化聚类数目及异常用户比例。若选择自动选取聚类数目则根据输入的最大聚类个数kmax,运用CH指标计算得出最佳聚类数k,CH指标通过计算类中各点与类中心的距离平方和来度量类内的紧密度,通过计算各类中心点与数据集中心点距离平方和来度量数据集的分离度,CH指标由分离度与紧密度的比值得到,从而,CH越大代表着类自身越紧密,类与类之间越分散,即更优的聚类结果,利用式子(1)计算CH指标,CH值最大的对应的聚类个数k为最佳聚类数;
其中,n表示样本数,k表示聚类数目,trB(k)表示类间离差矩阵的迹,trW(k)表示类内离差矩阵的迹。
如输入最大聚类个数20,按照公式(1),将聚类数目k=1-20的CH值均进行计算后,取CH值最高值所对应的聚类数目作为最佳聚类数目。
步骤5、运用K-means++聚类分析,对用户的用电量、用水量、用气量数据进行聚类;
(1)、从用户的用能数据集中随机选取一个样本作为初始聚类中心;
(3)、重复第(2)步直到选择出共k个聚类中心;
(4)、针对数据集中每个样本xi,计算他到k个聚类中心的距离并将其分到距离最小的聚类中心所对应的类中;
(5)、针对每个类别,重新计算每个类别的平均值,更新为新的聚类中心;
(6)、重复第(4)、(5)步直到聚类中心位置不再发生变化。
步骤6、对异常用户进行标记,若异常用户比例为固定,则根据输入的固定异常比例将异常用户筛出,假设固定异常比例为1%,用户分类后为七类,类别一占用户总数的80%,类别二占用户总数的10%,类别三占用户总数的5%,类别四占用户总数的1%,类别五占用户总数的3%,类别六占用户总数的0.5%,类别七占用户总数的0.5%,则异常用户为类别六和类别七所包含的用户。若异常用户比例为自动,则异常用户为类别用户数占比最小的类别所包含的用户。
众所周知,聚类数目越多,聚类内数据越紧凑,聚类间距越分离,那么聚类效果也就越好,但有时聚类数目和聚类效果不完全是线性关系,针对这种情况我们可通过自动选取聚类数目,得到最佳的聚类数目,来提高聚类效果,从而进一步提高算法准确性,提高异常用户甄别的正确率。采用聚类分析异常时,一般都是将类别占比最小的用户作为异常用户,但有时当用户数量较多时,如果聚类数目选取不当,类别占比最小的用户数可能会很多,这时用类别占比最小筛选出来的用户可能并不是真正需要的。所以,可通过采用聚类数目固定或自动选取与异常用户比例固定或自动选取相结合的方式进行用能异常分析。也就是说,在具体判别异常用户时,聚类数目固定、聚类数目自动选取、异常用户比例固定、异常用户比例自动选取中,可将聚类数目与异常用户比例按不同方式进行两两组合,即形成聚类数目固定、异常用户比例固定;聚类数目固定、异常用户比例自动选取;聚类数目自动选取、异常用户比例固定;聚类数目自动选取、异常用户比例自动选取四种技术方案,以达到高效甄别异常用能用户的目的。如当输入的聚类数目少,但用户数量很多时,采用固定异常用户比例比较合适。
本发明先结合用户以往的电、水、气月数据和档案参数,构建电水气三维矩阵,通过对数据进行多重预处理,并给出了具体的预处理规则,来提高数据质量,有助于后续聚类算法精度的提高,对异常用户标记的更准确。然后采用灵活选取聚类数目及异常用户比例的方式以及利用高效的K-means++算法,实现有效识别高风险用能用户。具体的,聚类数目及异常用户比例分固定及自动选取两种方式。其中,固定聚类数目指的是聚类个数为定值,自动选取聚类数目指的是用户输入最大聚类个数,算法可通过CH指标自动选取最佳聚类数进行聚类分析,不仅改善了聚类算法人工预设聚类个数但实际分类效果不佳的缺点,也满足了算法在实际运用时的不同需要。本发明还可以对用户异常比例进行任意配置,固定异常用户比例可以很好地解决聚类分析后的异常用户过多,不满足实际的情况。异常用户比例自动选取则不需要人工设置参数,可实现自动筛选,提高了效率及准确率。
上述实施例只是为了说明本发明的技术构思及特点,其目的是在于让本领域内的普通技术人员能够了解本发明的内容并据以实施,并不能以此限制本发明的保护范围。凡是根据本发明内容的实质所做出的等效的变化或修改,都应涵盖在本发明的保护范围内。
Claims (3)
1.一种多表合一用能异常分析方法,其特征在于:包括以下步骤:
步骤1、获取多表合一用户每月的用电量,用水量,用气量数据;
步骤2、数据预处理;
步骤3、构建用户数据,将预处理后的用电量,用水量,用气量数据组成三维的用能数据作为该用户每月的用能数据,并根据用户集抄档案提取用户信息,如多表合一关联户号、用户名、用户地址,多表合一关联户号可唯一对应用户,通过关联户号将用户的用户信息与用能数据相对应;
步骤4、初始化聚类数目及异常用户比例,若选择自动选取聚类数目则根据输入的最大聚类个数kmax,运用CH指标计算得出最佳聚类数k;
步骤5、运用K-means++聚类分析,对用户的用电量、用水量、用气量数据进行聚类,所述K-means++聚类分析包括如下步骤:
(1)、从用户的用能数据集中随机选取一个样本作为初始聚类中心;
(3)、重复步骤(2)直到选择出共k个聚类中心;
(4)、针对数据集中每个样本xi,计算他到k个聚类中心的距离并将其分到距离最小的聚类中心所对应的类中;
(5)、针对每个类别,重新计算每个类别的平均值,更新为新的聚类中心;
(6)、重复步骤(4)-步骤(5)直到聚类中心位置不再发生变化;
步骤6、对异常用户进行标记,若异常用户比例为固定,则根据输入的固定异常比例将异常用户筛出,若异常用户比例为自动,则异常用户为类别用户数占比最小的类别所包含的用户。
2.根据权利要求1所述的多表合一用能异常分析方法,其特征是:在步骤2中,所述数据预处理包括:
步骤2.1、将多表合一大数据平台中因数据采集过程中出现计量装置故障、计量装置接线错误等问题导致月用量数据错误的用户排除;
步骤2.2、将由于计量表计换表、电表表码值读取错误等问题产生负用量数据的用户排除;
步骤2.3、由于在实际生活中,部分用户房屋空置,用户当月的电、水、气用量很低,但属于正常现象,若参与聚类算法易产生误判,所以应将房屋空置用户排除,比如当月用电低于5kWh,且用水低于1m3,且用气低于1m3的用户排除(低于的房屋空置基准阈值可根据实际情况更改);
步骤2.4、多表合一大数据平台中可能会出现某个用量数据未采集成功为空值的情况,判断用户电、水、气数据,若其中有出现空值即电、水、气数据不全,则此用户不参与聚类分析,进行排除;
步骤2.5、电、水、气数据中若有一项有数据且值大于房屋空置基准阈值,而另两项数值为0,或若有两项有数据且值大于房屋空置基准阈值,而另一项数值为0则判断此用户异常,不须参与聚类分析。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010807528.5A CN111914942A (zh) | 2020-08-12 | 2020-08-12 | 一种多表合一用能异常分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010807528.5A CN111914942A (zh) | 2020-08-12 | 2020-08-12 | 一种多表合一用能异常分析方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111914942A true CN111914942A (zh) | 2020-11-10 |
Family
ID=73284359
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010807528.5A Pending CN111914942A (zh) | 2020-08-12 | 2020-08-12 | 一种多表合一用能异常分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111914942A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113312408A (zh) * | 2021-06-04 | 2021-08-27 | 河北工大科雅能源科技股份有限公司 | 基于数据分析的待巡检用户确定方法、装置及终端 |
CN113625028A (zh) * | 2021-08-11 | 2021-11-09 | 东南大学溧阳研究院 | 一种防窃电监测方法 |
CN113724117A (zh) * | 2020-12-28 | 2021-11-30 | 京东城市(北京)数字科技有限公司 | 用于房屋异常使用识别的模型训练方法和装置 |
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 |
CN114241229A (zh) * | 2022-02-21 | 2022-03-25 | 中煤科工集团西安研究院有限公司 | 一种电性成像结果中异常体边界智能识别方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106709662A (zh) * | 2016-12-30 | 2017-05-24 | 山东鲁能软件技术有限公司 | 一种电力设备运行工况划分方法 |
KR20170117794A (ko) * | 2016-04-14 | 2017-10-24 | 재단법인 한국기계전기전자시험연구원 | 국제 표준 프로토콜에 기반한 가정용 통합검침장치 및 그 방법 |
CN109919173A (zh) * | 2019-01-11 | 2019-06-21 | 国网浙江省电力有限公司宁波供电公司 | 一种基于减法聚类模型的多表融合用能行为分析方法 |
CN109961086A (zh) * | 2019-01-28 | 2019-07-02 | 平安科技(深圳)有限公司 | 基于聚类和sse的异常点比例优化方法及装置 |
-
2020
- 2020-08-12 CN CN202010807528.5A patent/CN111914942A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20170117794A (ko) * | 2016-04-14 | 2017-10-24 | 재단법인 한국기계전기전자시험연구원 | 국제 표준 프로토콜에 기반한 가정용 통합검침장치 및 그 방법 |
CN106709662A (zh) * | 2016-12-30 | 2017-05-24 | 山东鲁能软件技术有限公司 | 一种电力设备运行工况划分方法 |
CN109919173A (zh) * | 2019-01-11 | 2019-06-21 | 国网浙江省电力有限公司宁波供电公司 | 一种基于减法聚类模型的多表融合用能行为分析方法 |
CN109961086A (zh) * | 2019-01-28 | 2019-07-02 | 平安科技(深圳)有限公司 | 基于聚类和sse的异常点比例优化方法及装置 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113724117A (zh) * | 2020-12-28 | 2021-11-30 | 京东城市(北京)数字科技有限公司 | 用于房屋异常使用识别的模型训练方法和装置 |
CN113312408A (zh) * | 2021-06-04 | 2021-08-27 | 河北工大科雅能源科技股份有限公司 | 基于数据分析的待巡检用户确定方法、装置及终端 |
CN113625028A (zh) * | 2021-08-11 | 2021-11-09 | 东南大学溧阳研究院 | 一种防窃电监测方法 |
CN113625028B (zh) * | 2021-08-11 | 2024-04-09 | 东南大学溧阳研究院 | 一种防窃电监测方法 |
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 |
CN114241229A (zh) * | 2022-02-21 | 2022-03-25 | 中煤科工集团西安研究院有限公司 | 一种电性成像结果中异常体边界智能识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111914942A (zh) | 一种多表合一用能异常分析方法 | |
CN106780121B (zh) | 一种基于用电负荷模式分析的用电异常识别方法 | |
CN110634080A (zh) | 异常用电检测方法、装置、设备及计算机可读存储介质 | |
CN112101635A (zh) | 一种用电异常的监测方法和系统 | |
CN111624931A (zh) | 工业园区用电互联网智能运维管控系统及其方法 | |
CN105809277A (zh) | 一种电力营销稽查精益化管控主题大数据预测方法 | |
CN105488628A (zh) | 一种面向电力大数据可视化的数据挖掘方法 | |
CN106251241A (zh) | 一种基于特征选择改进的LR‑Bagging算法 | |
CN105139150A (zh) | 一种交费大数据的用户电费风险评估系统 | |
Liu et al. | Application of hierarchical clustering in tax inspection case-selecting | |
CN112686491A (zh) | 一种基于用电行为的企业电力数据分析方法 | |
CN104537434A (zh) | 基于业扩报装稳定周期的用电生长曲线提取系统和方法 | |
Ba et al. | A citation-based research framework for exploring policy diffusion: Evidence from China's new energy policies | |
CN106651093A (zh) | 一种用于低压集抄系统的智能复核管控方法 | |
CN110807174B (zh) | 一种基于统计分布的污水厂厂群出水分析及异常识别方法 | |
Al-Dahidi et al. | A novel ensemble clustering for operational transients classification with application to a nuclear power plant turbine | |
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 | |
CN111489073A (zh) | 一种基于分类算法的用户用电廉情预警方法 | |
CN113298148B (zh) | 一种面向生态环境评价的不平衡数据重采样方法 | |
CN115689323A (zh) | 一种基于聚类分析技术的下水道用电异常识别方法 | |
CN115730962A (zh) | 一种基于大数据的电力营销稽查分析系统及方法 | |
CN113705920A (zh) | 火电厂用水数据样本集的生成方法和终端设备 | |
CN109189775B (zh) | 一种工业监控平台海量数据处理系统及方法 | |
CN112307671A (zh) | 一种自适应不同大型设备仪器状态阈值的方法 | |
CN109753990B (zh) | 一种用户电能替代潜力预测方法、系统及存储介质 |
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 |