CN112132210A - 一种基于客户用电行为的窃电概率预警分析方法 - Google Patents

一种基于客户用电行为的窃电概率预警分析方法 Download PDF

Info

Publication number
CN112132210A
CN112132210A CN202010992938.1A CN202010992938A CN112132210A CN 112132210 A CN112132210 A CN 112132210A CN 202010992938 A CN202010992938 A CN 202010992938A CN 112132210 A CN112132210 A CN 112132210A
Authority
CN
China
Prior art keywords
electricity
stealing
data
customer
early warning
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
Application number
CN202010992938.1A
Other languages
English (en)
Inventor
李伟
王丽霞
杨超
杨壮观
刘为
李钊
田小蕾
李凤强
胡楠
冉冉
高强
刘晓强
白亮
胡非
齐俊
夏雨
刘育博
李峰
梁明
曹国强
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 Corp of China SGCC
Electric Power Research Institute of State Grid Liaoning Electric Power Co Ltd
Nari Information and Communication Technology Co
Original Assignee
State Grid Corp of China SGCC
Electric Power Research Institute of State Grid Liaoning Electric Power Co Ltd
Nari Information and Communication Technology Co
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 Corp of China SGCC, Electric Power Research Institute of State Grid Liaoning Electric Power Co Ltd, Nari Information and Communication Technology Co filed Critical State Grid Corp of China SGCC
Priority to CN202010992938.1A priority Critical patent/CN112132210A/zh
Publication of CN112132210A publication Critical patent/CN112132210A/zh
Pending legal-status Critical Current

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
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Pure & Applied Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Economics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Probability & Statistics with Applications (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Algebra (AREA)
  • Operations Research (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Databases & Information Systems (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Primary Health Care (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种基于客户用电行为的窃电概率预警分析方法，首先采用逻辑回归分析算法建立客户用电行为异常分类模型，然后采用聚类分析算法建立客户用电行为异常判别模型。本发明充分应用逻辑回归分析技术和K‑Means聚类分析技术对用户用电行为数据进行计算，实现对现场窃电行为的在线诊断，提高窃电排查工作效率，降低工作成本；搭建客户窃电概率大数据分析模型，对全部用电客户进行多维度分析，精准识别疑似窃电用户，建立系统化、常态化反窃电分析、预警、排查和处理闭环业务流程，提升反窃电工作成效；基于窃电方式细化分析结果，推动计量装置设计缺陷改进和防窃电功能升级。

Description

一种基于客户用电行为的窃电概率预警分析方法
技术领域
本发明涉及大数据领域，具体地说是一种基于客户用电行为的窃电概率预警分析方法。
背景技术
为了快速、精准定位“违约用电、窃电”嫌疑用户，基于用电信息采集系统和营销业务应用系统积累的大量客户用电信息，综合考虑各种窃电因素，建立客户窃电概率分析模型，通过大数据技术分析手段，实现对现场窃电行为的在线诊断及窃电行为分析的全过程管理，灵活开展防窃电业务，挽回电网经济损失。客户用电行为信息可分为静态信息数据和动态信息数据两大类，静态信息数据主要是客户基本信息，如户名、客户区域、行业分类、用电容量、用电地址、欠费信息、违约记录等；动态信息数据主要包括采集类信息和计量统计类信息，采集类信息主要包括表码、电压、电流、相位角等；计量统计类信息主要包括线损、电能量、各行业类别平均用电情况等。窃电形式尽管多种多样，但大致可分为2种方式：改变电能表硬件的窃电方式和不改变电能表硬件的高科技窃电手段。前者多会产生异常的采集数据，可基于各类指标数据来进行特征匹配；后者一般采取数据正常，只能通过数据趋势来对异常进行区分。
发明内容
针对现有技术的不足，本发明提供一种基于客户用电行为的窃电概率预警分析方法，解决了现有方法需要人工筛选以及多次到现场作业导致的工作繁琐进度较慢和结果准确性、可靠性不高的问题。
本发明为实现上述目的所采用的技术方案是：
一种基于客户用电行为的窃电概率预警分析方法，首先采用逻辑回归分析算法建立客户用电行为异常分类模型，然后采用聚类分析算法建立客户用电行为异常判别模型。
所述采用逻辑回归分析算法建立客户用电行为异常分类模型包括：
步骤1：获取典型窃电案例数据以及同等比例正常用电行为数据；
步骤2：通过数据库对典型窃电案例数据以及同等比例正常用电行为数据进行预处理；
步骤3：描述性统计出客户异常程度的多维度特征；
步骤4：将是否窃电作为因变量，利用spss进行逻辑回归分析，并设置50％作为预测结果阈值，设置向前步进似然比检验方法，选择出最优自变量，同时输出各变量回归系数值βi；
步骤5：根据模型训练结果带入预测函数。
所述典型窃电案例数据的获取包括获取营销业务应用系统中客户违约用电窃电相关数据信息，包括窃电案件信息、违约用电窃电信息、现场调查取证信息、检查结果信息。
所述同等比例正常用电行为数据的获取包括获取营销业务应用中同等比例正常用电行为数据。
所述客户异常程度的多维度特征包括：是否发生电流三相不平衡，是否发生电能表停走、电量波动异常，是否发生异常开盖记录。
所述对典型窃电案例数据以及同等比例正常用电行为数据进行预处理包括多表数据合并，删除无效值，填充空值，然后对是否窃电进行标注，窃电标注为1，否则为0。
所述采用聚类分析算法建立客户用电行为异常判别模型包括：
步骤a：获取营销业务应用系统中客户历史用电行为数据以及用户静态数据；
步骤b：通过数据库对客户历史用电行为数据以及用户静态数据进行预处理；
步骤c：对客户电量、电压、电流、功率、负荷数据进行归一化处理，并按区域、用电类型分成不同种类；
步骤d：对不同种类数据采用K-Means聚类分析算法，选择聚类数k值，并判断模型是否收敛；如果是，则输出聚类结果，执行步骤f；
步骤e：如果不收敛，则调整模型参数，并返回步骤d；
步骤f：根据聚类结构，生成各类型用户典型用电行为曲线。
所述对客户历史用电行为数据以及用户静态数据进行预处理包括：删除无效值和填充空值。
本发明具有以下有益效果及优点：
本发明充分应用逻辑回归分析技术和K-Means聚类分析技术对用户用电行为数据进行计算，实现对现场窃电行为的在线诊断，提高窃电排查工作效率，降低工作成本；
本发明搭建客户窃电概率大数据分析模型，对全部用电客户进行多维度分析，精准识别疑似窃电用户，建立系统化、常态化反窃电分析、预警、排查和处理闭环业务流程，提升反窃电工作成效；
本发明基于窃电方式细化分析结果，推动计量装置设计缺陷改进和防窃电功能升级。
附图说明
图1是本发明的逻辑回归分析算法建立客户用电行为异常分类流程图；
图2是本发明的聚类分析算法建立客户用电行为异常判别流程图；
图3是本发明的逻辑回归分析算法中因变量S型生长曲线函数图；
图4是本发明的客户负荷日均值案例数据图；
图5是本发明的用电行为曲线图。
具体实施方式
下面结合附图及实施例对本发明做进一步的详细说明。
为使本发明的上述目的、特征和有点能够更加明显易懂，下面结合附图对本发明的具体实施方式做详细的说明。在下面的描述中阐述了很多具体细节以便于充分理解本发明。但本发明能够以很多不同于在此描述的其他方式来实施，本领域技术人员可以在不违背发明内涵的情况下做类似改进，因此本发明不受下面公开的具体实施的限制。
除非另有定义，本文所使用的所有的技术和科学术语与属本发明的技术领域的技术人员通常理解的含义相同。本文中在发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。方法包括下述步骤：
如图1所示，是本发明的逻辑回归分析算法建立客户用电行为异常分类流程图。
1.采用逻辑回归分析算法建立客户用电行为异常分类模型,具体分解过程如下：
(1)数据获取：包括获取典型窃电案例数据和同等比例正常用电行为数据。一是营销业务应用系统中客户违约用电窃电相关数据信息，包括窃电案件信息、违约用电窃电信息、现场调查取证信息、检查结果信息等；二是从市、县公司汇总的不同类型的典型窃电案例信息；三是获取营销业务应用中同等比例正常用电行为数据；
(2)通过Oracle数据库对数据进行预处理，包括多表数据合并，删除无效值，填充空值，然后对是否窃电进行标注，窃电标注为1，否则为0；
(3)依托收集到的典型窃电案例，根据不同窃电类型，描述性统计出客户异常程度的多维度特征。主要包括：是否发生电流三相不平衡，是否发生电能表停走、电量波动异常，是否发生异常开盖记录等关键信息进行交叉统计；
(4)将是否窃电作为因变量，利用spss进行逻辑回归分析，并设置50％作为预测结果阈值，设置向前步进似然比检验方法，选择出最优自变量，同时输出各变量回归系数值βi；
(5)根据模型训练结果带入预测函数：
z＝β0+β1*电压断相+β2*电量差动异常+β3*电量波动异常+β4*电能表停走+β5*功率差动异常+β6*CT回路+β7*电流失流+β8*电能表开盖+β9*计量门开闭+β10*恒定磁场干扰
Figure BDA0002691384630000021
由于事先设定50％作为预测结果阈值，因此当p值大于50％代表窃电，否则代表正常用户。
(6)挖掘窃电用户行为信息数据中的潜在特征，建立窃电用户特征档案，用于反窃电预警、排查。
如图2所示，是本发明的聚类分析算法建立客户用电行为异常判别流程图。
2.采用聚类分析算法建立客户用电行为异常判别模型,具体分解过程如下：
(1)数据获取：来源于营销业务应用系统中客户历史用电行为数据以及用户静态数据；
(2)通过ORACLE数据库对客户历史用电行为数据数据进行预处理，删除无效值、填充空值等；
(3)将客户按区域、用电类型分成不同的种类；
(4)对客户电量、电压、电流、功率、负荷等数据归一化处理；
(5)对不同种类数据采用K-Means聚类分析算法，并根据业务常识选择聚类数k值，并判断模型是否收敛；
(6)如模型收敛，输出并生成各类型用户典型用电行为曲线；否则调整模型参数，并根据目标函数SSE判断模型是否收敛，不断调整k值，最终选取SSE最小的一次作为聚类结果；
(7)根据聚类结果分别绘制典型用电行为曲线；
(8)对新数据中客户用电行为曲线与典型用电行为曲线进行对比分析，锁定用电行为与档案类型对应典型用电行为轨迹不符的用电异常客户。
根据上述情况中所述的两个模型如下：
(1)采用逻辑回归分析技术的客户用电行为异常分类模型。逻辑回归是机器学习中的一种分类模型，主要用于因变量是分类变量的回归分析，自变量可以为分类变量，也可以为连续变量。他可以从多个自变量中选出对因变量有影响的自变量，并可以给出预测公式用于预测。
由于在逻辑回归算法中因变量是S型生长曲线函数，如图3所示：
Figure BDA0002691384630000031
z＝β0+β1x1+…+βkxk
从上图可以看到S型生长曲线中间段有一个快速变化的过程，这就可以用于做二分类的问题，即函数预测结果高于事先设定的阈值就为A类否则就为B类。由此将特征向量和参数引入得到以下预测函数：
Figure BDA0002691384630000032
βi的含义：某危险因素，暴露水平变化时，即xi＝1与xi＝0相比，发生某结果优势比的对数值：
Figure BDA0002691384630000033
Figure BDA0002691384630000034
似然比检验：
通过比较包含与不包含某一个或几个待检查观察因素的两个模型的对数似然函数的变化来进行，其统计量为G：
G＝-2(lnLp-lnLk)
样本量较大时，G近似服从自由度为待检验因素个数的χ2分布。
最后通过线性回归的损失函数来训练最后的模型。将大量典型窃电案例数据带入模型，同时随机选入同等比例的正常用户，挖掘客户用电行为信息数据中的潜在特征，建立客户用电行为异常分类模型。
(2)采用聚类分析技术的客户用电行为异常判别模型。聚类分析是对样品或指标进行分类的一种多元统计分析方法，其讨论的对象是大量的样品，要求能合理地按各自的特性进行分类，在没有先验知识的情况下进行。聚类原则是同一聚类内的数据具有较高的相似性，而不同聚类中的数据不具有相似性。划分方法给定一个包含n个对象或数据行的数据集，从中任意选择k个对象作为初始聚类中心，而剩下的其他对象，则根据它们与这些聚类中心的距离分别进行分配。然后再计算每个所获新聚类的聚类中心，不断重复迭代直到目标函数SSE开始收敛为止。通常采用均方差函数作为测度函数，通过采用K-Means算法，生成各类型用户典型用电行为曲线，通过对新数据中客户用电行为曲线与典型用电行为曲线的对比分析，进行用电行为是否异常的判别。
(3)K-Means的计算方法如下：
1、随机选取k个中心点；
2、遍历所有数据，将每个数据划分到最近的中心点中；
3、计算每个聚类的平均值，并作为新的中心点；
4、重复2-3，直到这k个中线点不再变化(收敛了)，或执行了足够多的迭代。
(4)算法收敛：
从K-Means的算法可以发现，SSE其实是一个严格的坐标下降过程。设目标函数SSE如下：
SSE(C1,C2,…,Ck)＝∑(X-Ci)2
采用欧式距离作为变量之间的聚类函数。每次朝一个变量Ci的方向找到最优解，也就是求偏倒数，然后等于0，可得
Figure BDA0002691384630000041
其中mi是Ci所在的簇的元素的个数。
也就是当前聚类的均值就是当前方向的最优解(最小值)，这与K-Means的每一次迭代过程一样。所以，这样保证SSE每一次迭代时，都会减小，最终使SSE收敛。
由于SSE是一个非凸函数，所以SSE不能保证找到全局最优解，只能确保局部最优解。但是可以重复执行几次K-Means，选取SSE最小的一次作为最终的聚类结果。
(5)0-1规格化：
由于数据之间量纲的不相同，不方便比较。所以，需要将数据统一放到0～1的范围，将其转化为无量纲的纯数值，便于不同单位或量级的指标能够进行比较和加权。具体计算方法如下：
Figure BDA0002691384630000042
(6)K值选取：
在实际应用中，由于K-Means一般作为数据预处理，或者用于辅助分类贴标签。所以k一般不会设置很大。可以通过枚举，令k从2到一个固定值如10，在每个k值上重复运行数次K-Means(避免局部最优解)，并计算当前k的平均轮廓系数，最后选取轮廓系数最大的值对应的k作为最终的集群数目。
实施例：
列举典型窃电案例数据，带入到逻辑回归模型中计算，得出潜在特征曲线，建立窃电特征档案。
具体数据准备：
下面表1分别获取典型窃电案例数据和同等比例正常用电行为数据，为了验证方便，对关键字段进行了精简，并进行了交叉统计，具体实施过程如下：
表1窃电案例数据
Figure BDA0002691384630000043
Figure BDA0002691384630000051
步骤1：建立模型
将是否窃电作为因变量，利用spss进行逻辑回归分析，并设置50％作为预测结果阈值，设置向前步进似然比检验方法，选择出最优自变量，同时输出各变量回归系数值βi；
模型输出结果如下表2所示：
表2方程中的变量
Figure BDA0002691384630000052
a.在步骤1中输入的变量:功率差动异常.
b.在步骤2中输入的变量:电能表开盖.
c.在步骤3中输入的变量:电流失流.
d.在步骤4中输入的变量:电压断相.
表3不在方程中的变量
Figure BDA0002691384630000053
Figure BDA0002691384630000061
步骤2：根据模型训练结果带入预测函数。
由步骤1可知，经过4次迭代最终入选模型变量有4个，根据模型训练结果带入预测函数：
x＝-3.070+1.195*电压断相+2.381*功率差动异常+1.990*电流失流+3.035*电能表开盖
Figure BDA0002691384630000062
步骤3：模型验证。
根据步骤2对样本进行预测，最终模型准确率可达到86％，尤其对窃电用户拟合效果较好，达到88％。
表4预测结果列联表
Figure BDA0002691384630000063
其次，列举1000个客户历史负荷日均值数据(负荷值每15分钟记录一次，每天96个点)建立K-Means聚类分析模型，带入K-Means聚类分析算法，判断模型是否收敛，对比曲线，得出用电行为异常客户。
具体数据准备：如图4
步骤1：建立模型。
将以上实验数据带入spss中进行训练，k值根据业务常识采取试探法，最终迭代次数为3，由于聚类中心没有改动或改动很小而达到收敛。
表6迭代历史记录
Figure BDA0002691384630000064
步骤2：根据聚类结果分别绘制典型用电行为曲线。
得出的用电行为曲线如图5.
步骤3：锁定异常客户。
对新数据中客户用电行为曲线与典型用电行为曲线进行对比分析，锁定用电行为与档案类型对应典型用电行为轨迹不符的用电异常客户。

Claims (5)

1.一种基于客户用电行为的窃电概率预警分析方法，其特征在于：首先采用逻辑回归分析算法建立客户用电行为异常分类模型，然后采用聚类分析算法建立客户用电行为异常判别模型。
2.根据权利要求1所述的基于客户用电行为的窃电概率预警分析方法，其特征在于：所述采用逻辑回归分析算法建立客户用电行为异常分类模型包括：
步骤1：获取典型窃电案例数据以及同等比例正常用电行为数据；
步骤2：通过数据库对典型窃电案例数据以及同等比例正常用电行为数据进行预处理；
步骤3：描述性统计出客户异常程度的多维度特征；
步骤4：将是否窃电作为因变量，利用spss进行逻辑回归分析，并设置50%作为预测结果阈值，设置向前步进似然比检验方法，选择出最优自变量，同时输出各变量回归系数值；
步骤5：根据模型训练结果带入预测函数。
3.根据权利要求2所述的基于客户用电行为的窃电概率预警分析方法，其特征在于：所述典型窃电案例数据的获取包括获取营销业务应用系统中客户违约用电窃电相关数据信息，包括窃电案件信息、违约用电窃电信息、现场调查取证信息、检查结果信息。
4.根据权利要求2所述的基于客户用电行为的窃电概率预警分析方法，其特征在于：所述同等比例正常用电行为数据的获取包括获取营销业务应用中同等比例正常用电行为数据。
5.根据权利要求2所述的基于客户用电行为的窃电概率预警分析方法，其特征在于：所述客户异常程度的多维度特征包括：是否发生电流三相不平衡，是否发生电能表停走、电量波动异常，是否发生异常开盖记录。
CN202010992938.1A 2020-09-21 2020-09-21 一种基于客户用电行为的窃电概率预警分析方法 Pending CN112132210A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010992938.1A CN112132210A (zh) 2020-09-21 2020-09-21 一种基于客户用电行为的窃电概率预警分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010992938.1A CN112132210A (zh) 2020-09-21 2020-09-21 一种基于客户用电行为的窃电概率预警分析方法

Publications (1)

Publication Number Publication Date
CN112132210A true CN112132210A (zh) 2020-12-25

Family

ID=73841470

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010992938.1A Pending CN112132210A (zh) 2020-09-21 2020-09-21 一种基于客户用电行为的窃电概率预警分析方法

Country Status (1)

Country Link
CN (1) CN112132210A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN113222624A (zh) * 2021-05-31 2021-08-06 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
CN114295880A (zh) * 2021-12-23 2022-04-08 国网天津市电力公司营销服务中心 一种电力窃电精准定位及异常用电行为检测分析模型
CN114841268A (zh) * 2022-05-06 2022-08-02 国网江苏省电力有限公司营销服务中心 基于Transformer和LSTM融合算法的异常电力客户识别方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN109190916A (zh) * 2018-08-09 2019-01-11 国网浙江桐庐县供电有限公司 基于大数据分析的反窃电方法
CN112101471A (zh) * 2020-09-21 2020-12-18 国网辽宁省电力有限公司电力科学研究院 窃电概率预警分析方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN109190916A (zh) * 2018-08-09 2019-01-11 国网浙江桐庐县供电有限公司 基于大数据分析的反窃电方法
CN112101471A (zh) * 2020-09-21 2020-12-18 国网辽宁省电力有限公司电力科学研究院 窃电概率预警分析方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
张德丰: "TensorFlow深度学习从入门到进阶", 31 May 2020, 《北京：机械工业出版社》, pages: 121 - 123 *
梁波等: "基于客户用电行为的窃电概率预警分析", 《农村电工》, vol. 27, no. 09, pages 181 - 192 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN113222624A (zh) * 2021-05-31 2021-08-06 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
CN114295880A (zh) * 2021-12-23 2022-04-08 国网天津市电力公司营销服务中心 一种电力窃电精准定位及异常用电行为检测分析模型
CN114841268A (zh) * 2022-05-06 2022-08-02 国网江苏省电力有限公司营销服务中心 基于Transformer和LSTM融合算法的异常电力客户识别方法
CN114841268B (zh) * 2022-05-06 2023-04-18 国网江苏省电力有限公司营销服务中心 基于Transformer和LSTM融合算法的异常电力客户识别方法

Similar Documents

Publication Publication Date Title
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
Buzau et al. Hybrid deep neural networks for detection of non-technical losses in electricity smart meters
CN110097297B (zh) 一种多维度窃电态势智能感知方法、系统、设备及介质
CN112132210A (zh) 一种基于客户用电行为的窃电概率预警分析方法
CN112101471A (zh) 窃电概率预警分析方法
CN111382542B (zh) 一种面向全寿命周期的公路机电设备寿命预测系统
Wang et al. Sample efficient home power anomaly detection in real time using semi-supervised learning
CN112084237A (zh) 一种基于机器学习和大数据分析的电力系统异常预测方法
CN108764584A (zh) 一种企业电能替代潜力评估方法
CN112084229A (zh) 一种识别城镇燃气用户异常用气行为的方法及装置
Sumathi et al. Data mining: analysis of student database using classification techniques
CN113869721A (zh) 一种变电设备健康状态分类方法及装置
CN117273489A (zh) 光伏状态评估方法及装置
CN113240527A (zh) 基于可解释机器学习的债券市场违约风险预警方法
Li et al. Distance measures in building informatics: An in-depth assessment through typical tasks in building energy management
CN115718861A (zh) 高耗能行业中用电用户的分类与异常行为监测方法及系统
CN115409120A (zh) 一种基于数据驱动的用户窃电行为检测辅助方法
Jianyuan et al. Anomaly electricity detection method based on entropy weight method and isolated forest algorithm
CN117251814A (zh) 一种高速公路充电桩电量损耗异常的分析方法
CN111861785A (zh) 一种基于用电特征与离群点检测的专变行业错户识别方法
Aquize et al. Self-organizing maps for anomaly detection in fuel consumption. Case study: Illegal fuel storage in Bolivia
CN111461565A (zh) 一种电力调控下的电源侧发电性能评估方法
Sheng et al. A modified Mahalanobis distance metric used to optimize mahalanobis space and improve classification performance of MTS
Yu et al. Research on risk identification of power theft in low-voltage distribution network based on machine learning hybrid algorithm
CN117539920B (zh) 基于房产交易多维度数据的数据查询方法及系统

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