CN112307435A - 一种基于模糊聚类和趋势判断筛查用电量异常的方法 - Google Patents
一种基于模糊聚类和趋势判断筛查用电量异常的方法 Download PDFInfo
- Publication number
- CN112307435A CN112307435A CN202011191686.9A CN202011191686A CN112307435A CN 112307435 A CN112307435 A CN 112307435A CN 202011191686 A CN202011191686 A CN 202011191686A CN 112307435 A CN112307435 A CN 112307435A
- Authority
- CN
- China
- Prior art keywords
- electricity consumption
- electricity
- trend
- abnormal
- user
- 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.)
- Granted
Links
- 230000005611 electricity Effects 0.000 title claims abstract description 144
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 61
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000012216 screening Methods 0.000 title claims abstract description 21
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000005192 partition Methods 0.000 claims 3
- 238000012423 maintenance Methods 0.000 abstract description 4
- 238000001514 detection method Methods 0.000 description 5
- 238000009413 insulation Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 239000004020 conductor Substances 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000007935 neutral effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000001174 ascending effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000000556 factor analysis Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000012774 insulation material Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003534 oscillatory effect Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- 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
- G06F18/23—Clustering techniques
-
- 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)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Mathematical Optimization (AREA)
- Evolutionary Biology (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Primary Health Care (AREA)
- Artificial Intelligence (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Human Resources & Organizations (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Algebra (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种基于模糊聚类和趋势判断筛查用电量异常的方法,包括以下步骤:1)根据台区所有用户日用电量,进行由大至小排序,并记录最大用电量及对应用户和最小用电量及其对应用户;2)根据渐小型梯形隶属函数计算每位用户用电量的隶属度值;3)采用聚类思想,以一维钟形分布,划分三类区间的阈值;根据阈值区间初步划分用户用电量的异常情况;4)以初步筛查出的用户,基于单用户的日负荷用电量,绘制出趋势曲线,以用电趋势辅助精准判断异常用电用户。本发明基于模糊聚类和趋势判断筛查用电量异常,找到台区有可能发生局部漏电或者窃电嫌疑的用户表箱位置,方便运维工作人员快速准确地处理情况。
Description
技术领域
本发明涉及大数据与智能电网技术领域,具体涉及一种基于模糊聚类和趋势判断筛查用电量异常的方法。
背景技术
在低压配电网中,特别是城郊结合部、或者农网,县级企业的低压台区用户多且分散,很多线路老化,且是裸导线架设,线路缠绕障碍物等,故障发生率高。在用户家中,也有一些线路布局不合理,强弱电线路混合布线,绝缘层破损,也容易造成故障,如三相电压不平衡,中性线带电,漏电等故障。因台区用户数较多,如有保修,运维人员需要花费较长时间巡检确定异常用电量用户。有部分文献是通过技术手段探测绝缘的局部破损,例如通过介损的超低频检测判断绝缘的性能情况(任志刚,李伟,周峰等.基于超低频介损检测的电缆绝缘性能评估与影响因素分析[J].绝缘材料,2018,51(4):64-74),或通过局部放电检测判断绝缘状况(张定华.配网中压电缆振荡波局部放电检测技术研究[J].企业技术开发,2016,35(8):35-36)。通过用户用电量来判断故障也有一些研究,如用户报修后,然后人工筛查用电异常表箱(卢路生.应用集成系统助查单相接地及中性线带电故障[J].农村电工,2016,24(5):33-34)。如通过趋势偏移度来分析用户窃电嫌疑度(杨小铭,花永冬,黄淳驿等.低压台区用户的防窃电的趋势嫌疑度分析方法研究[J].电器与能效管理技术,2016,51(10):28-36)。也有单纯研究基于密度聚类分析用电量异常(田力,向敏.基于密度聚类技术的电力系统用电量异常分析算法[J].电力系统自动化,2017,41(5):64-70)。
现有研究一方面对于故障类别的判断较为单一。另一方面由于用电用户的数据量非常大,且具有随机性,划分用户合理用电量区间一直是难点。居民区用户用电异常主要包括电力系统低压故障或用户违规用电两个相反方向的原因。这里采用隶属模糊聚类结合趋势判断的方法,划分用电合理区间,筛查异常用电量,确定异常表箱位置,从而缩小运维人员的检查范围,提高工作效率和用户用电满意度。同时该筛查方式也可以初步判断用户是否有窃电行为。
现有技术也有对用电量异常进行识别的方法,中国专利文献CN 109270316 A记载了一种电力用户用电量异常识别方法、装置及终端设备,获取目标专变电力用户的预设时间段的用电量数据;分别检测预设时间段的用电量数据中各个时刻的用电量数据是否满足预设用电量异常条件;若用电量数据满足预设用电量异常条件,则将第一专变电力用户在第一时刻的用电量数据作为用电量验证数据;若第一专变电力用户的用电量验证数据满足预设用电量验证条件,则判定目标专变用户用电量异常。该方法通过检测对应时刻的电流值与线电流额定值之间的关系作为检测条件,其应用根据时间、天气等客观因素存在波动样本缺陷,不适合普遍推广。
发明内容
本发明所要解决的技术问题是提供基于模糊聚类和趋势判断筛查用电量异常的方法,用于精确找到台区有可能发生局部漏电或者窃电嫌疑的用户表相关位置。
为解决上述技术问题,本发明所采用的技术方案是:
一种基于模糊聚类和趋势判断筛查用电量异常的方法,包括以下步骤:
步骤一、根据目标台区所有用户日用电量,进行由大至小排序,并记录最大用电量及对应用户和最小用电量及其对应用户;
步骤二、根据渐小型梯形隶属函数计算每位用户用电量的隶属度值;
步骤三、根据步骤二中取得的用户用电量隶属度值,采用模糊聚类分析,以一维钟形分布,划分三类区间的阈值,根据阈值区间初步筛查划分用户用电量的异常情况;
步骤四、以步骤三中筛查出的用户,基于单用户的日负荷用电量,绘制出趋势曲线,以用电趋势辅助精准判断用户用电量是否异常。
上述的步骤一中,根据目标台区所有用户同一时间的单日用电量,进行由大至小排序,并且记录最大用电量值及其对应用户编号和最小用电量值及其对应用户编号。
上述的步骤二中,渐小型梯形隶属函数中隶属度值的计算公式为:
式中,λi为编号为i的用户的用电量隶属度值,QD为编号为i的用户的当日用电量,p为目标台区内用电量排序后的最大用电量,g为目标台区内用电量排序后的最小用电量。
上述的步骤三中,以步骤二中获取的用户用电量隶属度值作为变量,描述“低谷”、“正常”和“高峰”这三个模糊区间概念,根据历史样本,绘制一维正态分布曲线,曲线的表达式为:
其中,μ为期望值,σ为标准差,σ2为方差,设定发生概率小于x%的f(λ)为小概事件,定义为用电量异常,以此划分阈值,得到用电量异常低区间阈值λg,用电量异常高的区间阈值λp,则用电量评价划分为:0至λg为异常低区间,λg至λp为正常,λp至1为异常高区间。
上述的步骤四中,基于步骤三所划分区间,筛选出处在用电量异常低区间和用电量异常高区间,将这些用户的日负荷用电量绘制成曲线,判断用户用电趋势与用电异常区间之间的关系决定用电异常具体情况。
上述的用电趋势判断过程为:
第i天电量变化的斜率li,因是单日斜率,此数值等同于单日增量,即:
li=fi-fi-1
第i天的电量趋势ki为:
随着用电天数i的变化,继续重复上述步骤一、二、三、四,得到变化的ki,当处于用电量异常低区间且电量趋势ki为负,则判断此用户有窃电嫌疑,当处于用电量异常高区间且电量趋势ki为正,则判断此用户有局部漏电嫌疑。
优选的方案中,述的统计区间设定为第i天前后各5天,即m=5。
优选的方案中,上述步骤三中,设定发生概率小于5%的f(λ)为小概事件,定义为用电量异常,即x=5。
本发明提供的一种基于模糊聚类和趋势判断筛查用电量异常的方法,根据台区用户的日负荷数据,结合聚类区间划分,和重点用户日用电量趋势,判断用户表箱后是否有局部漏电故障,或者是否有窃电情况,从而运维工作人员可快速到达用户表箱处,处理相关情况。
附图说明
下面结合附图和实施例对本发明作进一步说明:
图1为本发明的整体框架流程图;
图2为根据模糊聚类,台区用户的日用电量分布云图。
具体实施方式
如图1中所示,一种基于模糊聚类和趋势判断筛查用电量异常的方法,包括以下步骤:
步骤一、根据目标台区所有用户日用电量,进行由大至小排序,并记录最大用电量及对应用户和最小用电量及其对应用户;
步骤二、根据渐小型梯形隶属函数计算每位用户用电量的隶属度值;
步骤三、根据步骤二中取得的用户用电量隶属度值,采用模糊聚类分析,以一维钟形分布,划分三类区间的阈值,根据阈值区间初步筛查划分用户用电量的异常情况;
步骤四、以步骤三中筛查出的用户,基于单用户的日负荷用电量,绘制出趋势曲线,以用电趋势辅助精准判断用户用电量是否异常。
上述的步骤一中,根据目标台区所有用户同一时间的单日用电量,进行由大至小排序,并且记录最大用电量值及其对应用户编号和最小用电量值及其对应用户编号。
上述的步骤二中,渐小型梯形隶属函数中隶属度值的计算公式为:
式中,λi为编号为i的用户的用电量隶属度值,QD为编号为i的用户的当日用电量,p为目标台区内用电量排序后的最大用电量,g为目标台区内用电量排序后的最小用电量。
上述的步骤三中,以步骤二中获取的用户用电量隶属度值作为变量,描述“低谷”、“正常”和“高峰”这三个模糊区间概念,根据历史样本,绘制一维正太分布曲线,曲线的表达式为:
其中,μ为期望值,σ为标准差,σ2为方差,设定发生概率小于x%的f(λ)为小概事件,定义为用电量异常,以此划分阈值,得到用电量异常低区间阈值λg,用电量异常高的区间阈值λp,则用电量评价划分为:0至λg为异常低区间,λg至λp为正常,λp至1为异常高区间,表述如下:
上述的步骤四中,基于步骤三所划分区间,筛选出处在用电量异常低区间和用电量异常高区间,将这些用户的日负荷用电量绘制成曲线,判断用户用电趋势与用电异常区间之间的关系决定用电异常具体情况。
上述的用电趋势判断过程为:
第i天电量变化的斜率li,因是单日斜率,此数值等同于单日增量,即:
li=fi-fi-1
第i天的电量趋势ki为:
随着用电天数i的变化,继续重复上述步骤一、二、三、四,得到变化的ki,当处于用电量异常低区间且近期电量趋势ki为负,则判断此用户有窃电嫌疑,当处于用电量异常高区间且近期电量趋势ki为正,则判断此用户有局部漏电嫌疑,窃电嫌疑用户的日用电量处于所划分异常区间且近期用电量趋势为负,漏电用户的日用电量处于所划分异常区间且近期用电量趋势为正。
优选的方案中,述的统计区间设定为第i天前后各5天,即m=5。
优选的方案中,上述步骤三中,设定发生概率小于5%的f(λ)为小概事件,定义为用电量异常,即x=5。
当m=5且x=5时,取得判断准确率的同时有尽量缩小了计算的目标样本,使得计算量缩小,经过不断的试验运行,最为最优选的阈值和区间取值。
下面以m=5,x=5时作为实施例进行阐述:
一种基于高斯型隶属函数判断用户用电异常的方法,它包括以下步骤:
步骤一、根据台区所有用户日用电量,进行由大至小排序,并记录最大用电量及对应用户和最小用电量及其对应用户,并记录相应用户编号;
步骤二、根据渐小型梯形隶属函数计算每位用户用电量的隶属度值:
式中,λi为编号为i的用户的用电量隶属度值,QD为编号为i的用户的当日用电量,p为目标台区内用电量排序后的最大用电量,g为目标台区内用电量排序后的最小用电量;
步骤三、以步骤二中获取的用户用电量隶属度值作为变量,描述“低谷”、“正常”和“高峰”这三个模糊区间概念,根据历史样本,绘制一维正态分布曲线,曲线的表达式为:
其中,μ为期望值,σ为标准差,σ2为方差,设定发生概率小于5%的f(λ)为小概事件,定义为用电量异常,以此划分阈值,得到用电量异常低区间阈值λg,用电量异常高的区间阈值λp,则用电量评价划分为:0至λg为异常低区间,λg至λp为正常,λp至1为异常高区间,表述如下:
步骤四、基于步骤三所划分区间,筛选出处在用电量异常低区间和用电量异常高区间,将这些用户的日负荷用电量绘制成曲线,判断用户用电趋势与用电异常区间之间的关系决定用电异常具体情况;
上述的用电趋势判断过程为:
第i天电量变化的斜率li,因是单日斜率,此数值等同于单日增量,即:
li=fi-fi-1
第i天的电量趋势ki为:
随着用电天数i的变化,继续重复上述步骤一、二、三、四,得到变化的ki,当处于用电量异常低区间且近期电量趋势ki为负,则判断此用户有窃电嫌疑,当处于用电量异常高区间且近期电量趋势ki为正,则判断此用户有局部漏电嫌疑。
据某台区所有用户的日用电量数据,基于隶属函数模糊聚类方法,得出对应λg与λp的用户用电量分别是9.5和11,且可以直观表现出其他用电负荷值接近各个评价区间的隶属度值。
借助隶属模糊聚类模型,发现用户A在低区间内,用户C在高区间内,利用趋势辅助判断模型,选取用户用电1号至11号作为统计窗口期,利用电量做直线拟合得到的斜率作为衡量,表1是A用户电量下降指标趋势,表2是C用户电量上升指标趋势:
表1A用户电量下降指标趋势
Table 1 A user declining trend of user electricity
表2 C用户电量上升指标趋势
Table 2 C user Rising trend of user electricity
通过比较该用户日用电量和小区平均日用电量,A用户用电量水平一直处于明显下降状态,后期保持明显的水平状态,C用户用电量水平一直处于明显上升状态,用电量趋势在短暂时间内显著提高,因此,根据正向高位异常区间表示绝缘破损,漏电等故障可能性,反向低位异常区间表示窃电嫌疑性,可以判定出,A用户目前存在很高的窃电嫌疑,C用户存在漏电嫌疑,电力公司需要重点对其进行用电情况排查。
Claims (8)
1.一种基于模糊聚类和趋势判断筛查用电量异常的方法,其特征在于,包括以下步骤:
步骤一、根据目标台区所有用户日用电量,进行由大至小排序,并记录最大用电量及对应用户和最小用电量及其对应用户;
步骤二、根据渐小型梯形隶属函数计算每位用户用电量的隶属度值;
步骤三、根据步骤二中取得的用户用电量隶属度值,采用模糊聚类分析,以一维钟形分布,划分三类区间的阈值;根据阈值区间初步筛查划分用户用电量的异常情况;
步骤四、以步骤三中筛查出的用户,基于单用户的日负荷用电量,绘制出趋势曲线,以用电趋势辅助判断用户用电量是否异常。
2.根据权利要求1所述的一种基于模糊聚类和趋势判断筛查用电量异常的方法,其特征在于,所述的步骤一中,根据目标台区所有用户同一时间的单日用电量,进行由大至小排序,并且记录最大用电量值及其对应用户编号和最小用电量值及其对应用户编号。
5.根据权利要求4所述的一种基于模糊聚类和趋势判断筛查用电量异常的方法,其特征在于,所述的步骤四中,基于步骤三所划分区间,筛选出处在用电量异常低区间和用电量异常高区间,将这些用户的日负荷用电量绘制成曲线,判断用户用电趋势与用电异常区间之间的关系决定用电异常具体情况。
6.根据权利要求5所述的一种基于模糊聚类和趋势判断筛查用电量异常的方法,其特征在于,所述的用电趋势判断过程为:
第i天电量变化的斜率li,因是单日斜率,此数值等同于单日增量,即:
li=fi-fi-1
第i天的电量趋势ki为:
随着用电天数i的变化,继续重复上述步骤一、二、三、四,得到变化的ki,当处于用电量异常低区间且电量趋势ki为负值,则判断此用户有窃电嫌疑,当处于用电量异常高区间且电量趋势ki为正值,则判断此用户有局部漏电嫌疑。
7.根据权利要求6所述的一种基于模糊聚类和趋势判断筛查用电量异常的方法,其特征是:所述的统计区间设定为第i天前后各5天,即m=5。
8.根据权利要求4所述的一种基于模糊聚类和趋势判断筛查用电量异常的方法,其特征在于,所述的步骤三中设定发生概率小于5%的f(λ)为小概事件,定义为用电量异常,即x=5。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011191686.9A CN112307435B (zh) | 2020-10-30 | 2020-10-30 | 一种基于模糊聚类和趋势判断筛查用电量异常的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011191686.9A CN112307435B (zh) | 2020-10-30 | 2020-10-30 | 一种基于模糊聚类和趋势判断筛查用电量异常的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112307435A true CN112307435A (zh) | 2021-02-02 |
CN112307435B CN112307435B (zh) | 2024-05-31 |
Family
ID=74333092
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011191686.9A Active CN112307435B (zh) | 2020-10-30 | 2020-10-30 | 一种基于模糊聚类和趋势判断筛查用电量异常的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112307435B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113988711A (zh) * | 2021-11-22 | 2022-01-28 | 国网江苏省电力有限公司连云港供电分公司 | 基于用电数据的管控状态下排污企业停或限产监测方法 |
CN114049033A (zh) * | 2021-11-22 | 2022-02-15 | 国网江苏省电力有限公司连云港供电分公司 | 一种基于用电数据分布的排污企业监测方法 |
CN114594349A (zh) * | 2022-03-04 | 2022-06-07 | 福建时代星云科技有限公司 | 一种储能系统中直流绝缘监测方法及终端 |
CN114744636A (zh) * | 2022-03-29 | 2022-07-12 | 海南省电力学校(海南省电力技工学校) | 一种基于用电信息主动感知的节能与安全技术 |
CN115951295A (zh) * | 2022-11-11 | 2023-04-11 | 国网山东省电力公司营销服务中心(计量中心) | 一种日清电量异常的自动识别方法及系统 |
CN116628529A (zh) * | 2023-07-21 | 2023-08-22 | 山东科华电力技术有限公司 | 一种用于用户侧智能负荷控制系统的数据异常检测方法 |
CN116707135A (zh) * | 2023-06-07 | 2023-09-05 | 国网山东省电力公司临沭县供电公司 | 一址多户用电自动报警装置 |
CN117114252A (zh) * | 2023-10-24 | 2023-11-24 | 陕西禄远电子科技有限公司 | 一种基于物联网的综合能源智慧管理方法 |
CN117787572A (zh) * | 2024-02-27 | 2024-03-29 | 国网山西省电力公司临汾供电公司 | 一种异常用电用户识别方法、装置、存储介质及电子设备 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120137367A1 (en) * | 2009-11-06 | 2012-05-31 | Cataphora, Inc. | Continuous anomaly detection based on behavior modeling and heterogeneous information analysis |
CN108664990A (zh) * | 2018-03-29 | 2018-10-16 | 清华大学 | 综合熵方法和密度聚类方法的窃电检测方法及装置 |
CN109146705A (zh) * | 2018-07-02 | 2019-01-04 | 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 |
GB201910401D0 (en) * | 2019-07-19 | 2019-09-04 | Centrica Plc | System for distributed data processing using clustering |
CN110309134A (zh) * | 2019-05-31 | 2019-10-08 | 国网上海市电力公司 | 基于用电行为迁移与社群演化的配电网用电异常检测方法 |
CN111144440A (zh) * | 2019-11-28 | 2020-05-12 | 中国电力科学研究院有限公司 | 一种专变用户日电力负荷特征的分析方法及装置 |
-
2020
- 2020-10-30 CN CN202011191686.9A patent/CN112307435B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120137367A1 (en) * | 2009-11-06 | 2012-05-31 | Cataphora, Inc. | Continuous anomaly detection based on behavior modeling and heterogeneous information analysis |
CN108664990A (zh) * | 2018-03-29 | 2018-10-16 | 清华大学 | 综合熵方法和密度聚类方法的窃电检测方法及装置 |
CN109146705A (zh) * | 2018-07-02 | 2019-01-04 | 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 |
CN110309134A (zh) * | 2019-05-31 | 2019-10-08 | 国网上海市电力公司 | 基于用电行为迁移与社群演化的配电网用电异常检测方法 |
GB201910401D0 (en) * | 2019-07-19 | 2019-09-04 | Centrica Plc | System for distributed data processing using clustering |
CN111144440A (zh) * | 2019-11-28 | 2020-05-12 | 中国电力科学研究院有限公司 | 一种专变用户日电力负荷特征的分析方法及装置 |
Non-Patent Citations (1)
Title |
---|
孙毅;李世豪;崔灿;李彬;陈宋宋;崔高颖;: "基于高斯核函数改进的电力用户用电数据离群点检测方法", 电网技术, no. 05, pages 257 - 268 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113988711A (zh) * | 2021-11-22 | 2022-01-28 | 国网江苏省电力有限公司连云港供电分公司 | 基于用电数据的管控状态下排污企业停或限产监测方法 |
CN114049033A (zh) * | 2021-11-22 | 2022-02-15 | 国网江苏省电力有限公司连云港供电分公司 | 一种基于用电数据分布的排污企业监测方法 |
CN114049033B (zh) * | 2021-11-22 | 2024-06-07 | 国网江苏省电力有限公司连云港供电分公司 | 一种基于用电数据分布的排污企业监测方法 |
CN114594349A (zh) * | 2022-03-04 | 2022-06-07 | 福建时代星云科技有限公司 | 一种储能系统中直流绝缘监测方法及终端 |
CN114744636A (zh) * | 2022-03-29 | 2022-07-12 | 海南省电力学校(海南省电力技工学校) | 一种基于用电信息主动感知的节能与安全技术 |
CN115951295A (zh) * | 2022-11-11 | 2023-04-11 | 国网山东省电力公司营销服务中心(计量中心) | 一种日清电量异常的自动识别方法及系统 |
CN116707135A (zh) * | 2023-06-07 | 2023-09-05 | 国网山东省电力公司临沭县供电公司 | 一址多户用电自动报警装置 |
CN116707135B (zh) * | 2023-06-07 | 2024-04-19 | 国网山东省电力公司临沭县供电公司 | 一址多户用电自动报警装置 |
CN116628529B (zh) * | 2023-07-21 | 2023-10-20 | 山东科华电力技术有限公司 | 一种用于用户侧智能负荷控制系统的数据异常检测方法 |
CN116628529A (zh) * | 2023-07-21 | 2023-08-22 | 山东科华电力技术有限公司 | 一种用于用户侧智能负荷控制系统的数据异常检测方法 |
CN117114252A (zh) * | 2023-10-24 | 2023-11-24 | 陕西禄远电子科技有限公司 | 一种基于物联网的综合能源智慧管理方法 |
CN117787572A (zh) * | 2024-02-27 | 2024-03-29 | 国网山西省电力公司临汾供电公司 | 一种异常用电用户识别方法、装置、存储介质及电子设备 |
CN117787572B (zh) * | 2024-02-27 | 2024-05-17 | 国网山西省电力公司临汾供电公司 | 一种异常用电用户识别方法、装置、存储介质及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN112307435B (zh) | 2024-05-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112307435A (zh) | 一种基于模糊聚类和趋势判断筛查用电量异常的方法 | |
CN101493491B (zh) | 变电站地网缺陷综合诊断方法及其诊断系统 | |
CN109029960B (zh) | 一种断路器机械状态检测方法 | |
CN111160791A (zh) | 一种基于gbdt算法及因素融合的异常用户识别方法 | |
CN111505434A (zh) | 一种低压配电表箱线路、表箱故障隐患识别方法 | |
CN115048985B (zh) | 一种电气设备故障判别方法 | |
CN109086518A (zh) | 一种智能变电站输变电一次设备状态评估的方法 | |
EP3972084A2 (en) | Systems and methods for monitoring energy-related data in an electrical system | |
CN116307092A (zh) | 基于用电信息采集的台区防窃电分析方法 | |
CN113884837B (zh) | 一种电缆局部放电在线监测分析系统及分析方法 | |
CN116203351A (zh) | 线路阻抗异常的检测方法及系统 | |
CN113376553B (zh) | 三相四线计量串电流回路接线的智能甄别方法和系统 | |
Zyabkina et al. | Classification and identification of anomalies in time series of power quality measurements | |
CN114814402A (zh) | 基于一体化电量及线损系统大数据的异常用电分析方法 | |
CN111861141A (zh) | 一种基于模糊故障率预测的配电网可靠性评估方法 | |
US20220376501A1 (en) | Anomaly detection in energy systems | |
CN114280434A (zh) | 一种复合绝缘子劣化程度量化分析方法及系统 | |
CN108536911B (zh) | 一种基于中心距和样本特征的换流变压器状态评估方法 | |
CN114280435B (zh) | 一种电力系统开关柜的局部放电管理系统 | |
Pylarinos et al. | Discharges classification using genetic algorithms and feature selection algorithms on time and frequency domain data extracted from leakage current measurements | |
CN112633759B (zh) | 一种变电一次主设备状态评估方法 | |
Mirshekali et al. | Real fault location in a distribution network using smart feeder meter data. Energies 2021, 14, 3242 | |
CN116151511B (zh) | 一种基于数据处理的配电馈线和台区智能诊断管理方法及系统 | |
Xiong et al. | Research on Power Consumption Anomaly Detection Based on Fuzzy Clustering and Trend Judgment | |
Youtong et al. | The reliability compliance test of induction machines |
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 |