CN112329895A - 一种具有窃电嫌疑的用户的识别方法及装置 - Google Patents

一种具有窃电嫌疑的用户的识别方法及装置 Download PDF

Info

Publication number
CN112329895A
CN112329895A CN202110005361.5A CN202110005361A CN112329895A CN 112329895 A CN112329895 A CN 112329895A CN 202110005361 A CN202110005361 A CN 202110005361A CN 112329895 A CN112329895 A CN 112329895A
Authority
CN
China
Prior art keywords
index
electricity stealing
user
electricity
slope
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
CN202110005361.5A
Other languages
English (en)
Inventor
户艳琴
刘念
李承霖
傅皆恺
黄天翔
张延�
石德文
李柯舟
胡志强
范志夫
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 Jiangxi Comprehensive Energy Service Co ltd
State Grid Corp of China SGCC
North China Electric Power University
Original Assignee
State Grid Jiangxi Comprehensive Energy Service Co ltd
State Grid Corp of China SGCC
North China Electric Power University
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 Jiangxi Comprehensive Energy Service Co ltd, State Grid Corp of China SGCC, North China Electric Power University filed Critical State Grid Jiangxi Comprehensive Energy Service Co ltd
Priority to CN202110005361.5A priority Critical patent/CN112329895A/zh
Publication of CN112329895A publication Critical patent/CN112329895A/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
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Medical Informatics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开一种具有窃电嫌疑的用户的识别方法及装置，方法包括：响应于获取的用户历史用电数据以及终端设备窃电记录，分别提取窃电识别评估指标和窃电标签，使形成训练数据集；对负荷曲线斜率指标、线损指标以及告警类指标进行加权求和，使得到综合评价指标；基于训练数据集对组合分类模型进行训练；将某一用户实时用电数据输入组合分类模型中，输出某一用户的窃电嫌疑系数，使确定窃电嫌疑用户。采用将多种窃电指标进行计算，基于加权求和将多种窃电指标综合考量，从而得到综合评价指标，并基于综合评价指标与窃电标签对组合分类模型进行训练，基于现有的电气数据进行具有窃电嫌疑的用户的识别，能够提高窃电用户识别的精确度。

Description

一种具有窃电嫌疑的用户的识别方法及装置
技术领域
本发明属于电网反窃电技术领域，尤其涉及一种具有窃电嫌疑的用户的识别方法及装置。
背景技术
随着我国现代化建设步伐的加快，国家对能源的消耗也在不断增长，尤其是对电力的需求量呈现逐年增加的态势。在此背景下，一些不法分子通过破坏计量装置、私接线路等手段窃取电力资源，从而减少用电成本。窃电行为不仅严重影响正常的供用电秩序，给电网企业带来较大的经济损失，还会造成触电事故和电气火灾事故，危及人身及电网安全。
目前具有窃电嫌疑的用户的识别方法大多为工人巡检，定期逐户排查，但这种方式效率低下，耗费大量的人力、物力，同时对于一些隐蔽的窃电方式很难进行准确的识别。
发明内容
本发明实施例提供一种具有窃电嫌疑的用户的识别方法，用于至少解决上述技术问题之一。
第一方面，本发明实施例提供一种具有窃电嫌疑的用户的识别方法，包括：响应于获取的用户历史用电数据以及终端设备窃电记录，分别提取窃电识别评估指标和窃电标签，使形成训练数据集，其中，所述窃电识别评估指标包括负荷曲线斜率指标、线损指标以及告警类指标，所述窃电标签为某一用户是否窃电；所述负荷曲线斜率指标的表达式为：
Figure 282035DEST_PATH_IMAGE001
，
Figure 170356DEST_PATH_IMAGE002
，
Figure 974233DEST_PATH_IMAGE003
，式中，
Figure 264400DEST_PATH_IMAGE004
是负荷曲线斜率指标，
Figure 385110DEST_PATH_IMAGE005
是负荷曲线斜率变化的标志，
Figure 760728DEST_PATH_IMAGE006
是第t天的负荷曲线斜率，
Figure 368295DEST_PATH_IMAGE007
是第t-1天的负荷曲线斜率，s是负荷曲线斜率变化次数，m是天数的统计周期；负荷曲线斜率的计算公式为：
Figure 575286DEST_PATH_IMAGE008
，
Figure 78948DEST_PATH_IMAGE009
，
Figure 738600DEST_PATH_IMAGE010
，式中，
Figure 900591DEST_PATH_IMAGE011
是第i天的负荷曲线斜率，
Figure 149038DEST_PATH_IMAGE012
是第t天的负荷，以m天为统计周期，
Figure 105493DEST_PATH_IMAGE013
是
Figure 707900DEST_PATH_IMAGE014
天的平均负荷，
Figure 673582DEST_PATH_IMAGE015
分别为第
Figure 838853DEST_PATH_IMAGE016
天和
Figure 966209DEST_PATH_IMAGE017
天，
Figure 787404DEST_PATH_IMAGE018
是平均天数；所述线损指标的表达式为：
Figure 291197DEST_PATH_IMAGE019
，
Figure 327286DEST_PATH_IMAGE020
，
Figure 874811DEST_PATH_IMAGE021
，式中，
Figure 934034DEST_PATH_IMAGE022
是线损指标，
Figure 493716DEST_PATH_IMAGE023
是线损指标参考值，
Figure 587574DEST_PATH_IMAGE024
和
Figure 571579DEST_PATH_IMAGE025
分别是该天前m天和后m天的平均线损率，
Figure 852519DEST_PATH_IMAGE026
分别表示第
Figure 212962DEST_PATH_IMAGE027
和
Figure 161327DEST_PATH_IMAGE028
天；线损率的计算公式为：
Figure 112971DEST_PATH_IMAGE029
，式中，
Figure 146786DEST_PATH_IMAGE030
是第t天的线损率，
Figure 782691DEST_PATH_IMAGE031
是线路输电量，
Figure 585562DEST_PATH_IMAGE032
是所有用户的总损耗，U是用户集合，u是用户；所述告警类指标的表达式为：
Figure 911370DEST_PATH_IMAGE033
，
Figure 229219DEST_PATH_IMAGE034
，式中，
Figure 416618DEST_PATH_IMAGE035
是报警的总次数，
Figure 323263DEST_PATH_IMAGE036
是警告信号的状态，如果有报警信息，则
Figure 570705DEST_PATH_IMAGE037
否则
Figure 828379DEST_PATH_IMAGE038
，
Figure 616207DEST_PATH_IMAGE039
是告警类指标，
Figure 657586DEST_PATH_IMAGE040
是警告次数参考值；对所述负荷曲线斜率指标、线损指标以及告警类指标进行加权求和，使得到综合评价指标，其中，所述综合评价指标的表达式为：
Figure 75929DEST_PATH_IMAGE041
，式中，
Figure 227425DEST_PATH_IMAGE042
是综合评价指标，
Figure 818943DEST_PATH_IMAGE043
是负荷曲线斜率指标，
Figure 700180DEST_PATH_IMAGE044
是线损指标，
Figure 289425DEST_PATH_IMAGE045
是告警类指标，
Figure 256112DEST_PATH_IMAGE046
分别为负荷曲线斜率指标、线损指标和告警类指标的权重，
Figure 589005DEST_PATH_IMAGE047
；基于所述训练数据集对组合分类模型进行训练，其中，所述组合分类模型为基于随机森林子模型和神经网络子模型的组合模型，所述组合分类模型的输入量为所述窃电识别评估指标，输出量为所述窃电标签；将某一用户实时用电数据输入所述组合分类模型中，输出某一用户的窃电嫌疑系数，使确定窃电嫌疑用户。
第二方面，本发明实施例提供一种具有窃电嫌疑的用户的识别装置，其特征在于，包括：获取模块，配置为响应于获取的用户历史用电数据以及终端设备窃电记录，分别提取窃电识别评估指标和窃电标签，使形成训练数据集，其中，所述窃电识别评估指标包括负荷曲线斜率指标、线损指标以及告警类指标，所述窃电标签为某一用户是否窃电；所述负荷曲线斜率指标的表达式为：
Figure 327678DEST_PATH_IMAGE048
，
Figure 150141DEST_PATH_IMAGE049
，
Figure 604125DEST_PATH_IMAGE050
，式中，
Figure 740708DEST_PATH_IMAGE051
是负荷曲线斜率指标，
Figure 330958DEST_PATH_IMAGE052
是负荷曲线斜率变化的标志，
Figure 262005DEST_PATH_IMAGE006
是第t天的负荷曲线斜率，
Figure 203285DEST_PATH_IMAGE007
是第t-1天的负荷曲线斜率，s是负荷曲线斜率变化次数，m是天数的统计周期；负荷曲线斜率的计算公式为：
Figure 877980DEST_PATH_IMAGE053
，
Figure 856825DEST_PATH_IMAGE009
，
Figure 427615DEST_PATH_IMAGE010
，式中，
Figure 387349DEST_PATH_IMAGE054
是第i天的负荷曲线斜率，
Figure 68997DEST_PATH_IMAGE055
是第t天的负荷，以m天为统计周期，
Figure 696157DEST_PATH_IMAGE056
是
Figure 969006DEST_PATH_IMAGE057
天的平均负荷，
Figure 884878DEST_PATH_IMAGE058
分别为第
Figure 635797DEST_PATH_IMAGE059
天和
Figure 323655DEST_PATH_IMAGE060
天，
Figure 767405DEST_PATH_IMAGE061
是平均天数；所述线损指标的表达式为：
Figure 436153DEST_PATH_IMAGE019
，
Figure 256341DEST_PATH_IMAGE020
，
Figure 530197DEST_PATH_IMAGE021
，式中，
Figure 410428DEST_PATH_IMAGE062
是线损指标，
Figure 582784DEST_PATH_IMAGE063
是线损指标参考值，
Figure 190351DEST_PATH_IMAGE064
和
Figure 335025DEST_PATH_IMAGE065
分别是该天前m天和后m天的平均线损率，
Figure 361057DEST_PATH_IMAGE066
分别表示第
Figure 20708DEST_PATH_IMAGE067
和
Figure 431967DEST_PATH_IMAGE068
天；线损率的计算公式为：
Figure 696726DEST_PATH_IMAGE029
，式中，
Figure 902448DEST_PATH_IMAGE030
是第t天的线损率，
Figure 49396DEST_PATH_IMAGE069
是线路输电量，
Figure 749499DEST_PATH_IMAGE070
是所有用户的总损耗，U是用户集合，u是用户；所述告警类指标的表达式为：
Figure 852453DEST_PATH_IMAGE033
，
Figure 245388DEST_PATH_IMAGE034
，式中，
Figure 335091DEST_PATH_IMAGE071
是报警的总次数，
Figure 635623DEST_PATH_IMAGE072
是警告信号的状态，如果有报警信息，则
Figure 858662DEST_PATH_IMAGE073
否则
Figure 422499DEST_PATH_IMAGE074
，
Figure 996569DEST_PATH_IMAGE075
是告警类指标，
Figure 772895DEST_PATH_IMAGE076
是警告次数参考值；求和模块，配置为对所述负荷曲线斜率指标、线损指标以及告警类指标进行加权求和，使得到综合评价指标，其中，所述综合评价指标的表达式为：
Figure 116020DEST_PATH_IMAGE041
，式中，
Figure 647496DEST_PATH_IMAGE042
是综合评价指标，
Figure 928435DEST_PATH_IMAGE077
是负荷曲线斜率指标，
Figure 291808DEST_PATH_IMAGE078
是线损指标，
Figure 240173DEST_PATH_IMAGE079
是告警类指标，
Figure 191817DEST_PATH_IMAGE080
、
Figure 960053DEST_PATH_IMAGE081
、
Figure 593028DEST_PATH_IMAGE082
分别为负荷曲线斜率指标、线损指标和告警类指标的权重，
Figure 458216DEST_PATH_IMAGE083
；训练模块，配置为基于所述训练数据集对组合分类模型进行训练，其中，所述组合分类模型为基于随机森林子模型和神经网络子模型的组合模型，所述组合分类模型的输入量为所述窃电识别评估指标，输出量为所述窃电标签；输出模块，配置为将某一用户实时用电数据输入所述组合分类模型中，输出某一用户的窃电嫌疑系数，使确定窃电嫌疑用户。
第三方面，提供一种电子设备，其包括：至少一个处理器，以及与所述至少一个处理器通信连接的存储器，其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本发明任一实施例的具有窃电嫌疑的用户的识别方法的步骤。
第四方面，本发明实施例还提供一种计算机程序产品，所述计算机程序产品包括存储在非易失性计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，使所述计算机执行本发明任一实施例的具有窃电嫌疑的用户的识别方法的步骤。
本申请的方法及装置提供的方案采用将多种窃电指标进行计算，基于加权求和将多种窃电指标综合考量，从而得到综合评价指标，并基于综合评价指标与窃电标签对组合分类模型进行训练，基于现有的电气数据进行具有窃电嫌疑的用户的识别，能够提高窃电用户识别的精确度。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明一实施例提供的一种具有窃电嫌疑的用户的识别方法的流程图；
图2为本发明一实施例提供的又一种具有窃电嫌疑的用户的识别方法的流程图；
图3为本发明一实施例提供一个具体实施例的窃电用户识别流程图；
图4为本发明一实施例提供的一种具有窃电嫌疑的用户的识别装置的框图；
图5是本发明一实施例提供的电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
术语解释部分:随机森林，是一个包含多个决策树的分类器。通过对大量原始数据采取有放回的抽样，构建子数据集，再由子数据集构建子决策树。对子树由待选特征进行分支，将待选数据经由待选特征进行编码分类，最终根据大量数据在算法中的多次运算分类结果确定各批数据的情况。
请参阅图1，其示出了本申请的具有窃电嫌疑的用户的识别方法一实施例的流程图，本实施例的具有窃电嫌疑的用户的识别方法可以适用于具备数据处理功能的终端。
如图1所示，在S101中，响应于获取的用户历史用电数据以及终端设备窃电记录，分别提取窃电识别评估指标和窃电标签，使形成训练数据集，其中，所述窃电识别评估指标包括负荷曲线斜率指标、线损指标以及告警类指标，所述窃电标签为某一用户是否窃电；所述负荷曲线斜率指标的表达式为：
Figure 534757DEST_PATH_IMAGE048
，
Figure 39556DEST_PATH_IMAGE049
，
Figure 226955DEST_PATH_IMAGE050
，式中，
Figure 198847DEST_PATH_IMAGE084
是负荷曲线斜率指标，
Figure 446288DEST_PATH_IMAGE085
是负荷曲线斜率变化的标志，
Figure 438384DEST_PATH_IMAGE006
是第t天的负荷曲线斜率，
Figure 429474DEST_PATH_IMAGE007
是第t-1天的负荷曲线斜率，s是负荷曲线斜率变化次数，m是天数的统计周期；负荷曲线斜率的计算公式为：
Figure 3674DEST_PATH_IMAGE086
，
Figure 405706DEST_PATH_IMAGE009
，
Figure 635830DEST_PATH_IMAGE010
，式中，
Figure 679878DEST_PATH_IMAGE087
是第i天的负荷曲线斜率，
Figure 108586DEST_PATH_IMAGE088
是第t天的负荷，以m天为统计周期，
Figure 961746DEST_PATH_IMAGE089
是
Figure 679166DEST_PATH_IMAGE090
天的平均负荷，
Figure 261326DEST_PATH_IMAGE091
分别为第
Figure 747802DEST_PATH_IMAGE092
天和
Figure 570265DEST_PATH_IMAGE093
天，
Figure 24249DEST_PATH_IMAGE094
是平均天数；所述线损指标的表达式为：
Figure 629673DEST_PATH_IMAGE019
，
Figure 485503DEST_PATH_IMAGE020
，
Figure 478867DEST_PATH_IMAGE021
，式中，
Figure 157497DEST_PATH_IMAGE095
是线损指标，
Figure 832192DEST_PATH_IMAGE096
是线损指标参考值，
Figure 89998DEST_PATH_IMAGE097
和
Figure 441214DEST_PATH_IMAGE098
分别是该天前m天和后m天的平均线损率，
Figure 354943DEST_PATH_IMAGE099
分别表示第
Figure 82597DEST_PATH_IMAGE100
和
Figure 194909DEST_PATH_IMAGE101
天；线损率的计算公式为：
Figure 717026DEST_PATH_IMAGE102
，式中，
Figure 118052DEST_PATH_IMAGE030
是第t天的线损率，
Figure 196866DEST_PATH_IMAGE103
是线路输电量，
Figure 619145DEST_PATH_IMAGE104
是所有用户的总损耗，U是用户集合，u是用户；所述告警类指标的表达式为：
Figure 859633DEST_PATH_IMAGE033
，
Figure 262802DEST_PATH_IMAGE034
，式中，
Figure 817411DEST_PATH_IMAGE105
是报警的总次数，
Figure 356846DEST_PATH_IMAGE106
是警告信号的状态，如果有报警信息，则
Figure 768235DEST_PATH_IMAGE107
否则
Figure 878274DEST_PATH_IMAGE108
，
Figure 751421DEST_PATH_IMAGE109
是告警类指标，
Figure 692832DEST_PATH_IMAGE110
是警告次数参考值；
在S102中，对负荷曲线斜率指标、线损指标以及告警类指标进行加权求和，使得到综合评价指标，其中，综合评价指标的表达式为：
Figure 730583DEST_PATH_IMAGE041
，式中，
Figure 390234DEST_PATH_IMAGE042
是综合评价指标，
Figure 552225DEST_PATH_IMAGE111
是负荷曲线斜率指标，
Figure 800673DEST_PATH_IMAGE112
是线损指标，
Figure 819444DEST_PATH_IMAGE113
是告警类指标，
Figure 153343DEST_PATH_IMAGE114
分别为负荷曲线斜率指标、线损指标和告警类指标的权重，
Figure 853445DEST_PATH_IMAGE115
；
在S103中，基于训练数据集对组合分类模型进行训练，其中，组合分类模型为基于随机森林子模型和神经网络子模型的组合模型，组合分类模型的输入量为窃电识别评估指标，输出量为窃电标签；
在S104中，将某一用户实时用电数据输入组合分类模型中，输出某一用户的窃电嫌疑系数，使确定窃电嫌疑用户。
在本实施例中，对于S101，识别装置响应于获取的用户历史用电数据以及终端设备窃电记录，分别提取窃电识别评估指标和窃电标签，使形成训练数据集，其中，所述窃电识别评估指标包括负荷曲线斜率指标、线损指标以及告警类指标，所述窃电标签为某一用户是否窃电；所述负荷曲线斜率指标的表达式为：
Figure 769449DEST_PATH_IMAGE048
，
Figure 146072DEST_PATH_IMAGE049
，
Figure 983578DEST_PATH_IMAGE050
，式中，
Figure 524588DEST_PATH_IMAGE116
是负荷曲线斜率指标，
Figure 232781DEST_PATH_IMAGE117
是负荷曲线斜率变化的标志，
Figure 593355DEST_PATH_IMAGE006
是第t天的负荷曲线斜率，
Figure 901846DEST_PATH_IMAGE007
是第t-1天的负荷曲线斜率，s是负荷曲线斜率变化次数，m是天数的统计周期；负荷曲线斜率的计算公式为：
Figure 209330DEST_PATH_IMAGE118
，
Figure 286877DEST_PATH_IMAGE009
，
Figure 818352DEST_PATH_IMAGE010
，式中，
Figure 614139DEST_PATH_IMAGE119
是第i天的负荷曲线斜率，
Figure 194156DEST_PATH_IMAGE120
是第t天的负荷，以m天为统计周期，
Figure 939258DEST_PATH_IMAGE121
是
Figure 97094DEST_PATH_IMAGE122
天的平均负荷，
Figure 865330DEST_PATH_IMAGE123
分别为第
Figure 763885DEST_PATH_IMAGE124
天和
Figure 629073DEST_PATH_IMAGE125
天，
Figure 689301DEST_PATH_IMAGE126
是平均天数；所述线损指标的表达式为：
Figure 944833DEST_PATH_IMAGE019
，
Figure 912658DEST_PATH_IMAGE020
，
Figure 570036DEST_PATH_IMAGE021
，式中，
Figure 614215DEST_PATH_IMAGE127
是线损指标，
Figure 609240DEST_PATH_IMAGE128
是线损指标参考值，
Figure 334751DEST_PATH_IMAGE129
和
Figure 361482DEST_PATH_IMAGE130
分别是该天前m天和后m天的平均线损率，
Figure 576562DEST_PATH_IMAGE131
分别表示第
Figure 55954DEST_PATH_IMAGE132
和
Figure 585155DEST_PATH_IMAGE133
天；线损率的计算公式为：
Figure 279442DEST_PATH_IMAGE029
，式中，
Figure 852375DEST_PATH_IMAGE030
是第t天的线损率，
Figure 569795DEST_PATH_IMAGE134
是线路输电量，
Figure 951622DEST_PATH_IMAGE135
是所有用户的总损耗，U是用户集合，u是用户；所述告警类指标的表达式为：
Figure 438098DEST_PATH_IMAGE033
，
Figure 447512DEST_PATH_IMAGE034
，式中，
Figure 448966DEST_PATH_IMAGE136
是报警的总次数，
Figure 319970DEST_PATH_IMAGE137
是警告信号的状态，如果有报警信息，则
Figure 175799DEST_PATH_IMAGE138
否则
Figure 903584DEST_PATH_IMAGE139
，
Figure 579284DEST_PATH_IMAGE140
是告警类指标，
Figure 316296DEST_PATH_IMAGE141
是警告次数参考值。之后，对于S102，识别装置对负荷曲线斜率指标、线损指标以及告警类指标进行加权求和，使得到综合评价指标，其中，综合评价指标的表达式为：
Figure 777365DEST_PATH_IMAGE041
，式中，
Figure 877650DEST_PATH_IMAGE042
是综合评价指标，
Figure 56958DEST_PATH_IMAGE142
是负荷曲线斜率指标，
Figure 581349DEST_PATH_IMAGE143
是线损指标，
Figure 896924DEST_PATH_IMAGE144
是告警类指标，
Figure 419041DEST_PATH_IMAGE145
、
Figure 820067DEST_PATH_IMAGE146
、
Figure 898881DEST_PATH_IMAGE147
分别为负荷曲线斜率指标、线损指标和告警类指标的权重，
Figure 52651DEST_PATH_IMAGE148
。之后，对于S103，识别装置基于训练数据集对组合分类模型进行训练，其中，组合分类模型为基于随机森林子模型和神经网络子模型的组合模型，组合分类模型的输入量为窃电识别评估指标，输出量为窃电标签。之后，对于S104，识别装置将某一用户实时用电数据输入组合分类模型中，输出某一用户的窃电嫌疑系数，使确定窃电嫌疑用户。
本实施例提供的方案通过基于用户历史用电数据对负荷曲线斜率指标、线损指标以及告警类指标进行计算，能够实现综合考虑用电负荷、线损及报警信息等反映窃电用户行为的影响因素，建立了包含用电负荷曲线斜率指标、线损指标和报警信息指标的窃电识别评估指标体系，并基于三类指标得到综合评价指标，多维度刻画窃电行为特征，结合用户的用电特征及采集数据的特点，借助随机森林算法和神经网络得到组合分类模型进行窃电用户识别，提高了窃电用户识别的精确度与实时性，基于现有的电气数据进行具有窃电嫌疑的用户的识别，不需要附加过多监测元件，降低了窃电用户识别的成本。
在一些可选的实施例中，在基于训练数据集对组合分类模型进行训练之前，方法还包括：响应于获取的用户历史用电数据，基于拉格朗日插值法对用户历史用电数据的缺失值进行处理。这样，能够降低由于各种原因出现数据丢失的现象，造成对计算线损数据的误差。
请参阅图2，其示出了本申请的又一种具有窃电嫌疑的用户的识别方法的流程图。该流程图主要是对流程图1的附加流程进一步限定的步骤的流程图。
如图2所示，在S201中，响应于获取的用户历史用电数据以及终端设备窃电记录，分别提取窃电识别评估指标和窃电标签，形成测试数据集；
在S202中，基于测试数据集对组合分类模型进行准确度测试，使调整随机森林子模型的参数。
在实施例中，对于S201，识别装置响应于获取的用户历史用电数据以及终端设备窃电记录，分别提取窃电识别评估指标和窃电标签，形成测试数据集。之后，对于S202，识别装置基于测试数据集对组合分类模型进行准确度测试，使调整随机森林子模型的参数。
本实施提供的方案采用测试数据集对组合分类模型进行准确度测试，能够进行调整随机森林的参数，如决策树的个数、生成每棵决策树所用的特征数，从而提高随机森林子模型识别的精确度。
在一些可选的实施例中，在基于训练数据集对组合分类模型进行训练之前，方法还包括：响应于获取的用户历史用电数据，对用户历史用电数据进行数据清洗。这样，能够将消除量纲等无关因素的影响。
需要说明的是，上述方法步骤并不用于限制各步骤的执行顺序，实际上，某些步骤可能会同时执行或者以与步骤限定的相反的顺序执行，本申请在此没有限制。
下面对通过描述发明人在实现本发明的过程中遇到的一些问题和对最终确定的方案的一个具体实施例进行说明，以使本领域技术人员更好地理解本申请的方案。
发明人在实现本申请的过程中发现现有技术中存在的缺陷主要是由以下原因导致的：
1.通过使用硬件对供电装置进行实时监测的方法成本太高，需要使用大量的硬件来满足监控的需求，而且对于软件窃电，遥控窃电等现象，由于没有人的直接参与，装置的摄像头难以识别并报警。
2.通过对电气量状态进行实时监测的方法，耗时较长，且占用较多的计算资源，未能充分利用可以反映窃电行为的其他数据，容易发生误判。
3.使用单一的神经网络算法容易出现过拟合或欠拟合，窃电行为识别的准确率较低。
本申请的方案主要从以下几个方面入手进行设计和优化提高窃电用户识别的精确度与实时性：
1）、综合考虑用电负荷、线损及报警信息等反映窃电用户行为的影响因素，建立了包含用电负荷曲线斜率指标、线损指标和报警信息指标的窃电识别评估指标体系，并基于三类指标得到综合评价指标，多维度刻画窃电行为特征；
2）、采用随机森林算法、神经网络得到组合分类模型进行窃电用户识别。
请参阅图3，其示出了本申请一个具体实施例的窃电用户识别流程图。
如图3所示，本申请的方案主要包括以下步骤：
步骤一：数据采集
采集所有影响窃电用户识别的相关数据，其中包括用户的用电数据、线路的线损数据、终端的告警类数据及对应地区用户的窃电记录。
步骤二：构建窃电识别评估指标体系及窃电标签。
（1）构建窃电识别评估指标体系
①负荷曲线斜率指标
由于用户用电存在一定的惯性，因此正常用户的负荷曲线较为稳定，负荷曲线的斜率接近0，然而窃电的用户，其负荷量会持续下降，即负荷曲线斜率的绝对值小于0，并且曲线斜率随时间变化而不断减小。因此将用户的负荷曲线斜率作为识别窃电用户的指标之一，计算公式如式（1-3）所示。
Figure 761981DEST_PATH_IMAGE149
(1)
Figure 699237DEST_PATH_IMAGE150
(2)
Figure 519426DEST_PATH_IMAGE151
(3)
其中，
Figure 58860DEST_PATH_IMAGE152
是第i天的负荷曲线斜率，
Figure 673513DEST_PATH_IMAGE153
是第t天的负荷，以m天为统计周期，计算包括该天在内的共(2m+1)天的负荷曲线斜率。
如果负荷曲线的斜率持续减小，则该用户具有窃电嫌疑。对于该类用户，统计(2m+1)天中当天负荷曲线斜率比前一天小的天数，并且定义(2m+1)天的负荷曲线斜率指标为公式（4）。
Figure 845868DEST_PATH_IMAGE154
(4)
Figure 719015DEST_PATH_IMAGE155
(5)
Figure 598109DEST_PATH_IMAGE156
(6)
其中，
Figure 898509DEST_PATH_IMAGE157
是负荷曲线斜率指标，
Figure 558161DEST_PATH_IMAGE158
是负荷曲线斜率变化的标志，若负荷曲线斜率变小，则
Figure 972349DEST_PATH_IMAGE159
，否则
Figure 971529DEST_PATH_IMAGE160
，
Figure 724722DEST_PATH_IMAGE161
是负荷曲线斜率变化的参考值，若负荷曲线斜率变化次数大于
Figure 324199DEST_PATH_IMAGE161
，则
Figure 24302DEST_PATH_IMAGE162
，否则
Figure 392835DEST_PATH_IMAGE163
。
②线损指标
线损为电网供电量与售电量的差值。用户侧出现窃电行为时，电网供电量不变，而售电量会降低，导致电网的线损会明显增大，并且，窃电量越多造成的线损增大越明显，因此，线损可以较为灵敏的反映窃电行为。此外，对于基于大量数据的学习类算法而言，更多的可靠特征会得到更加准确的训练模型，误判率更低，实际应用时对不同于训练集分布的数据集适应性也会更强。综上，本发明将线损作为窃电识别的一个关键特征。
线损率是用于衡量供电线路的损失比例，并且可以结合网络拓扑计算得到用户所属线路在当天的线损率。线损率的计算公式如式（7）所示。
Figure 582508DEST_PATH_IMAGE029
， (7)
式中，
Figure 138123DEST_PATH_IMAGE030
是第t天的线损率，
Figure 641917DEST_PATH_IMAGE164
是线路输电量，
Figure 678006DEST_PATH_IMAGE165
是所有用户的总损耗，U是用户集合，u是用户。
线路的线损率可以作为用户线损率的参考值，若用户发生窃漏电，则当天的线损率会上升。然而由于用户每天的用电量存在一定的波动，仅以当天线损率上升作为窃漏电特征会导致较大的误差，因此将m天的线损率平均值作为评估指标，并分别计算当天的前m天和后m天的平均线损率。定义线损指标如式（8）所示。
Figure 228460DEST_PATH_IMAGE166
(8)
Figure 287683DEST_PATH_IMAGE167
(9)
Figure 641173DEST_PATH_IMAGE168
(10)
其中，
Figure 469452DEST_PATH_IMAGE169
是线损指标，
Figure 927DEST_PATH_IMAGE170
是参考值，
Figure 796714DEST_PATH_IMAGE171
和
Figure 376731DEST_PATH_IMAGE172
分别是该天前m天和后m天的平均线损率。若平均线损率的增长率大于
Figure 574363DEST_PATH_IMAGE173
，则
Figure 480002DEST_PATH_IMAGE174
，反之，
Figure 754296DEST_PATH_IMAGE175
。
③告警类指标
与窃电行为有关的终端告警信息主要包括电压缺相、电压断相和电流反极性等。将与窃电行为有关的终端告警次数的总和作为告警信息指标，可以有效地减少单一告警信息带来的误差。告警类指标的计算公式如式（12）所示。
Figure 200320DEST_PATH_IMAGE176
(11)
Figure 986880DEST_PATH_IMAGE177
(12)
其中
Figure 63420DEST_PATH_IMAGE178
是报警的总次数，
Figure 381269DEST_PATH_IMAGE179
是警告信号的状态，如果有报警信息，则
Figure 83515DEST_PATH_IMAGE180
否则
Figure 475313DEST_PATH_IMAGE181
。
Figure 706443DEST_PATH_IMAGE182
是告警类指标，
Figure 967048DEST_PATH_IMAGE183
是警告次数参考值。
④综合评价指标
经过计算得到负荷曲线斜率指标、线损指标、告警类指标后，对各指标进行加权求和，从而得到综合评价指标，并以此综合评价指标作为组合分类模型的输入数据。
Figure 692558DEST_PATH_IMAGE184
(13)
其中，
Figure 719289DEST_PATH_IMAGE185
分别为负荷曲线斜率指标、线损指标和告警类指标的权重，并且
Figure 934369DEST_PATH_IMAGE186
。
（2）构建窃电标签
根据终端设备的窃电记录，分析用户是否为窃电用户，并定义窃电标签，如式(14)所示。此外，将所有用户的窃电标签按照窃电识别评估指标体系的时间序列顺序排列，生成全部用户在研究时间长度的窃电标签。
Figure 164494DEST_PATH_IMAGE187
(14)
步骤三：数据预处理
（1）数据清洗
数据清洗的目的是过滤掉与窃电行为无关的数据。银行、学校、工商业等公共事业用户一般不会窃电，因此需要将窃电识别评价指标体系及窃电标签的数据集中对应的用电数据从总数据集中剔除。对于居民用户来说，节假日和工作日的用电量差异较大，为了获得更好的识别效果，剔除节假日的数据，即令
Figure 942963DEST_PATH_IMAGE188
。
（2）缺失值处理
数据在采集过程中，会由于各种原因出现数据丢失的现象，如丢包、采集设备故障等。如果进行缺失值处理，计算得到的线损数据会有较大的误差，因此为了获得更好的识别效果，采用拉格朗日插值法对缺失值进行处理。具体方法如下：首先从原始数据集中确定因变量和自变量，取出缺失值前后的5个数据（前后数据中遇到数据不存在或者为空的，直接将数据舍去，将仅有的数据组成一组），将取出来的10个数据组成一组。然后采用拉格朗日多项式插值公式进行处理，如式(15-16)所示。对全部缺失数据依次进行插补，直到不存在缺失值为止。
Figure 371670DEST_PATH_IMAGE189
(15)
Figure 210182DEST_PATH_IMAGE190
(16)
其中，
Figure 724340DEST_PATH_IMAGE191
为缺失值对应的下标序号，
Figure 57232DEST_PATH_IMAGE192
为缺失值的插值结果，
Figure 795906DEST_PATH_IMAGE193
为多项式表达式，
Figure 556051DEST_PATH_IMAGE194
为非缺失值，
Figure 806773DEST_PATH_IMAGE195
为非缺失值
Figure 146618DEST_PATH_IMAGE196
的下标序号，
Figure 799185DEST_PATH_IMAGE197
为第j个数据样本的下标序号，N是数据样本的总数，
Figure 730232DEST_PATH_IMAGE198
表示从第一个数据样本开始进行计算，
Figure 405933DEST_PATH_IMAGE199
表示在计算
Figure 80628DEST_PATH_IMAGE200
时去掉缺失值对应样本数据的下标序号。
步骤四：训练组合分类模型
（1）将经过数据预处理的数据集按照8:2的比例分为训练集与测试集。
（2）生成并优化随机森林
1）随机选取特征并生成决策树。
基于基尼系数选择特征。基尼系数表示模型的混乱情况，基尼系数的值越小，混淆程度越小。概率分布的基尼系数如式(17-19)所示。
Figure 59473DEST_PATH_IMAGE201
(17)
其中，p为一种可能情况对应的概率，
Figure 161421DEST_PATH_IMAGE202
为二分类问题的基尼系数。
遍历特征参数的所有分割点后，根据特征参数与阈值之间的关系将样本分为两部分，如式（18）所示。其中，C为特征参数，
Figure 589997DEST_PATH_IMAGE203
为特征参数的阈值，
Figure 802804DEST_PATH_IMAGE204
分别为划分后样本的两部分。
Figure 180696DEST_PATH_IMAGE205
(18)
当
Figure 437234DEST_PATH_IMAGE206
时，样本
Figure 900576DEST_PATH_IMAGE207
的基尼系数如式（19）所示。
Figure 166341DEST_PATH_IMAGE208
(19)
其中，
Figure 336422DEST_PATH_IMAGE209
是样本D划分后的不确定性，
Figure 842490DEST_PATH_IMAGE210
和
Figure 994728DEST_PATH_IMAGE211
分别是样本
Figure 549337DEST_PATH_IMAGE212
和
Figure 885509DEST_PATH_IMAGE213
的不确定性。
决策树的生成：①首先取每个特征参数所有可能的阈值，计算划分后的数据样本的基尼系数，选择基尼系数最小的特征参数及其对应的阈值作为节点的特征分割点。②如果节点中的样本数或树的深度满足要求，则完成分类树的构建，并返回构建的决策树。否则，在第二个子节点上递归执行①，直至完成决策树的构建。
2）构建随机森林
基于（1）中划分出的训练集，重复执行1），直至生成目标个数的决策树，完成随机森林的构建。
3）测试并调整随机森林参数
在（1）划分的测试集上对生成的随机森林进行准确度测试，选择多数决策树的决策结果作为测试样本的窃电识别结果，统计识别正确的样本数量，并计算窃电识别模型的性能指标，如式（20）所示。调整随机森林的参数，如决策树的个数、生成每棵决策树所用的特征数，并按上述方法计算模型的性能指标。
Figure 500161DEST_PATH_IMAGE214
（20）
其中，E为窃电识别模型的性能评价指标，
Figure 125047DEST_PATH_IMAGE215
是识别模型识别正确的样本数量，N是数据样本的总数。
4）选取测试表现最优的参数，并基于该参数生成窃电识别的随机森林模型。
（3）训练BP神经网络模型
1)确定输入向量
将窃电识别评估指标体系中计算得到的综合评价指标作为BP神经网络的输入向量，并以窃电标签作为输出向量。
2）设计隐含节点数
设计一个隐含层，其节点数通过式（21）确定。
Figure 280084DEST_PATH_IMAGE216
（21）
其中，
Figure 690337DEST_PATH_IMAGE217
为输入层的节点数，
Figure 725158DEST_PATH_IMAGE218
为输出层的节点数，常数
Figure 384810DEST_PATH_IMAGE219
在1~10之间。
3）确定激活函数
选择Sigmoid型函数
Figure 798998DEST_PATH_IMAGE220
作为隐含层节点的激活函数；选择线性函数ReIU函数
Figure 532599DEST_PATH_IMAGE221
作为输出层节点的激活函数。
4）基于输入、输出向量训练BP神经网络模型，实现用户是否为窃电用户的判断识别。
（4）组合分类模型
本发明基于等权递归的方法求取随机森林和神经网络的组合权重。其基本原理为：
假设有n种分类方法，记为：
Figure 551370DEST_PATH_IMAGE222
(22)
其中，
Figure 885269DEST_PATH_IMAGE223
是第一种分类方法，
Figure 850950DEST_PATH_IMAGE224
是第一种分类方法在第一轮得到的分类结果向量，t为时刻，n为分类方法的数量，本发明中，
Figure 16221DEST_PATH_IMAGE225
，
Figure 877998DEST_PATH_IMAGE226
、
Figure 964772DEST_PATH_IMAGE227
分别为随机森林和神经网络的分类结果。
第一轮进行平均可以表示为：
Figure 265303DEST_PATH_IMAGE228
(23)
其中，
Figure 239075DEST_PATH_IMAGE229
，
Figure 789530DEST_PATH_IMAGE230
表示第i种单一分类方法在t时刻的分类值；
Figure 911070DEST_PATH_IMAGE231
表示第一轮代数平均后在t时刻的分类值。
假设n种分类方法中第i种单一分类模型的误差平方和最大，则用
Figure 202243DEST_PATH_IMAGE232
替换掉第i种方法的分类值，得到第二轮平均所需的n种方法分类值为：
Figure 827259DEST_PATH_IMAGE233
(24)
如此重复进行，经过k轮平均，即可得到组合分类模型为：
Figure 296418DEST_PATH_IMAGE234
(25)
式中，
Figure 92204DEST_PATH_IMAGE235
为各单一分类方法的权重，
Figure 117DEST_PATH_IMAGE236
为第k轮的分类结果。如果
Figure 932170DEST_PATH_IMAGE237
的模型相对误差百分比已经达到可接受的水平，则停止迭代，否则继续迭代直到模型相对误差百分比满足要求。
步骤五：进行窃电用户识别
（1）对采集到的用户的用电量、线损及告警类信息进行数据预处理，再按照步骤2分别计算用户的负荷曲线斜率指标、线损指标及告警类指标，计算综合评价指标，形成用户的窃电识别评估指标体系。
（2）借助步骤4得到的组合分类模型判断用户是否为窃电用户。
综上描述，本申请的方案具有以下效果：
1.运算速度快，精度高。考虑到单一模型的分类局限性，本发明选择使用随机森林和BP神经网络的组合，加快了运算的速度并提高了分类的准确度。
2.与依靠硬件的监测方式相比，本发明无需使用大批量的摄像头、传感器，依据采集到的电量数据即可识别是否发生窃电行为，降低了窃电用户识别的成本。
3.在应对遥控窃电、软件窃电等问题方面，本发明通过分析采集的电量数据，可以精确地识别各类方法导致的窃电行为，提高了窃电行为的识别适用性。
4.本发明可以定期生成新的窃电用户决策模型，根据历史的真实数据动态地调整判断依据，更加灵活地识别窃电用户，对新型的窃电手段具有一定的学习能力。
请参阅图4，其示出了本发明一实施例提供的一种具有窃电嫌疑的用户的识别装置的框图。
如图4所示，识别装置300，包括获取模块310、求和模块320、训练模块330以及输出模块340。
其中，获取模块310，配置为响应于获取的用户历史用电数据以及终端设备窃电记录，分别提取窃电识别评估指标和窃电标签，使形成训练数据集，其中，所述窃电识别评估指标包括负荷曲线斜率指标、线损指标以及告警类指标，所述窃电标签为某一用户是否窃电；所述负荷曲线斜率指标的表达式为：
Figure 837809DEST_PATH_IMAGE048
，
Figure 668362DEST_PATH_IMAGE049
，
Figure 304267DEST_PATH_IMAGE050
，式中，
Figure 107138DEST_PATH_IMAGE238
是负荷曲线斜率指标，
Figure 229684DEST_PATH_IMAGE239
是负荷曲线斜率变化的标志，
Figure 750795DEST_PATH_IMAGE006
是第t天的负荷曲线斜率，
Figure 921882DEST_PATH_IMAGE007
是第t-1天的负荷曲线斜率，s是负荷曲线斜率变化次数，m是天数的统计周期；负荷曲线斜率的计算公式为：
Figure 641576DEST_PATH_IMAGE240
，
Figure 889018DEST_PATH_IMAGE009
，
Figure 881114DEST_PATH_IMAGE010
，式中，
Figure 668941DEST_PATH_IMAGE241
是第i天的负荷曲线斜率，
Figure 686883DEST_PATH_IMAGE242
是第t天的负荷，以m天为统计周期，
Figure 839647DEST_PATH_IMAGE243
是
Figure 866509DEST_PATH_IMAGE244
天的平均负荷，
Figure 644978DEST_PATH_IMAGE245
分别为第
Figure 276947DEST_PATH_IMAGE246
天和
Figure 912197DEST_PATH_IMAGE247
天，
Figure 629617DEST_PATH_IMAGE248
是平均天数；所述线损指标的表达式为：
Figure 211777DEST_PATH_IMAGE019
，
Figure 494991DEST_PATH_IMAGE020
，
Figure 255136DEST_PATH_IMAGE021
，式中，
Figure 508788DEST_PATH_IMAGE249
是线损指标，
Figure 645371DEST_PATH_IMAGE250
是线损指标参考值，
Figure 970042DEST_PATH_IMAGE251
和
Figure 963406DEST_PATH_IMAGE252
分别是该天前m天和后m天的平均线损率，
Figure 389839DEST_PATH_IMAGE253
分别表示第
Figure 313802DEST_PATH_IMAGE254
和
Figure 571608DEST_PATH_IMAGE255
天；线损率的计算公式为：
Figure 922823DEST_PATH_IMAGE029
，式中，
Figure 836553DEST_PATH_IMAGE030
是第t天的线损率，
Figure 111676DEST_PATH_IMAGE256
是线路输电量，
Figure 679448DEST_PATH_IMAGE070
是所有用户的总损耗，U是用户集合，u是用户；所述告警类指标的表达式为：
Figure 952298DEST_PATH_IMAGE033
，
Figure 664908DEST_PATH_IMAGE034
，式中，
Figure 681405DEST_PATH_IMAGE257
是报警的总次数，
Figure 100754DEST_PATH_IMAGE258
是警告信号的状态，如果有报警信息，则
Figure 341243DEST_PATH_IMAGE259
否则
Figure 229564DEST_PATH_IMAGE260
，
Figure 299020DEST_PATH_IMAGE261
是告警类指标，
Figure 385925DEST_PATH_IMAGE262
是警告次数参考值；求和模块320，配置为对负荷曲线斜率指标、线损指标以及告警类指标进行加权求和，使得到综合评价指标，其中，综合评价指标的表达式为：
Figure 252774DEST_PATH_IMAGE041
，式中，
Figure 628392DEST_PATH_IMAGE042
是综合评价指标，
Figure 783430DEST_PATH_IMAGE263
是负荷曲线斜率指标，
Figure 177371DEST_PATH_IMAGE264
是线损指标，
Figure 962924DEST_PATH_IMAGE265
是告警类指标，
Figure 340685DEST_PATH_IMAGE266
分别为负荷曲线斜率指标、线损指标和告警类指标的权重，
Figure 955206DEST_PATH_IMAGE267
；训练模块330，配置为基于训练数据集对组合分类模型进行训练，其中，组合分类模型为基于随机森林子模型和神经网络子模型的组合模型，组合分类模型的输入量为窃电识别评估指标，输出量为窃电标签；输出模块340，配置为将某一用户实时用电数据输入组合分类模型中，输出某一用户的窃电嫌疑系数，使确定窃电嫌疑用户。
应当理解，图4中记载的诸模块与参考图1和图2中描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作和特征以及相应的技术效果同样适用于图4中的诸模块，在此不再赘述。
在另一些实施例中，本发明实施例还提供了一种非易失性计算机存储介质，计算机存储介质存储有计算机可执行指令，该计算机可执行指令可执行上述任意方法实施例中的具有窃电嫌疑的用户的识别方法；
作为一种实施方式，本发明的非易失性计算机存储介质存储有计算机可执行指令，计算机可执行指令设置为：
响应于获取的用户历史用电数据以及终端设备窃电记录，分别提取窃电识别评估指标和窃电标签，使形成训练数据集，其中，窃电识别评估指标包括负荷曲线斜率指标、线损指标以及告警类指标，窃电标签为某一用户是否窃电；
对负荷曲线斜率指标、线损指标以及告警类指标进行加权求和，使得到综合评价指标，其中，综合评价指标的表达式为：
Figure 16703DEST_PATH_IMAGE041
，
式中，
Figure 973158DEST_PATH_IMAGE042
是综合评价指标，
Figure 587283DEST_PATH_IMAGE268
是负荷曲线斜率指标，
Figure 84124DEST_PATH_IMAGE269
是线损指标，
Figure 187078DEST_PATH_IMAGE270
是告警类指标，
Figure 376751DEST_PATH_IMAGE271
分别为负荷曲线斜率指标、线损指标和告警类指标的权重，
Figure 214257DEST_PATH_IMAGE272
；
基于训练数据集对组合分类模型进行训练，其中，组合分类模型为基于随机森林子模型和神经网络子模型的组合模型，组合分类模型的输入量为窃电识别评估指标，输出量为窃电标签；
将某一用户实时用电数据输入组合分类模型中，输出某一用户的窃电嫌疑系数，使确定窃电嫌疑用户。
非易失性计算机可读存储介质可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据具有窃电嫌疑的用户的识别装置的使用所创建的数据等。此外，非易失性计算机可读存储介质可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施例中，非易失性计算机可读存储介质可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至具有窃电嫌疑的用户的识别装置。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
本发明实施例还提供一种计算机程序产品，计算机程序产品包括存储在非易失性计算机可读存储介质上的计算机程序，计算机程序包括程序指令，当程序指令被计算机执行时，使计算机执行上述任一项具有窃电嫌疑的用户的识别方法。
图5是本发明实施例提供的电子设备的结构示意图，如图5所示，该设备包括：一个或多个处理器410以及存储器420，图5中以一个处理器410为例。具有窃电嫌疑的用户的识别方法的设备还可以包括：输入装置430和输出装置440。处理器410、存储器420、输入装置430和输出装置440可以通过总线或者其他方式连接，图5中以通过总线连接为例。存储器420为上述的非易失性计算机可读存储介质。处理器410通过运行存储在存储器420中的非易失性软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例具有窃电嫌疑的用户的识别方法。输入装置430可接收输入的数字或字符信息，以及产生与具有窃电嫌疑的用户的识别装置的用户设置以及功能控制有关的键信号输入。输出装置440可包括显示屏等显示设备。
上述产品可执行本发明实施例所提供的方法，具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，可参见本发明实施例所提供的方法。
作为一种实施方式，上述电子设备应用于具有窃电嫌疑的用户的识别装置中，用于客户端，包括：至少一个处理器；以及，与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够：
响应于获取的用户历史用电数据以及终端设备窃电记录，分别提取窃电识别评估指标和窃电标签，使形成训练数据集，其中，窃电识别评估指标包括负荷曲线斜率指标、线损指标以及告警类指标，窃电标签为某一用户是否窃电；
对负荷曲线斜率指标、线损指标以及告警类指标进行加权求和，使得到综合评价指标，其中，综合评价指标的表达式为：
Figure 701739DEST_PATH_IMAGE041
，
式中，
Figure 675511DEST_PATH_IMAGE042
是综合评价指标，
Figure 285353DEST_PATH_IMAGE273
是负荷曲线斜率指标
Figure 344576DEST_PATH_IMAGE274
是线损指标，
Figure 183219DEST_PATH_IMAGE275
是告警类指标，
Figure 263695DEST_PATH_IMAGE276
分别为负荷曲线斜率指标、线损指标和告警类指标的权重，
Figure 998433DEST_PATH_IMAGE277
；
基于训练数据集对组合分类模型进行训练，其中，组合分类模型为基于随机森林子模型和神经网络子模型的组合模型，组合分类模型的输入量为窃电识别评估指标，输出量为窃电标签；
将某一用户实时用电数据输入组合分类模型中，输出某一用户的窃电嫌疑系数，使确定窃电嫌疑用户。
本申请实施例的电子设备以多种形式存在，包括但不限于：
(1)移动通信设备：这类设备的特点是具备移动通信功能，并且以提供话音、数据通信为主要目标。这类终端包括:智能手机(例如iPhone)、多媒体手机、功能性手机，以及低端手机等。
(2)超移动个人计算机设备：这类设备属于个人计算机的范畴，有计算和处理功能，一般也具备移动上网特性。这类终端包括：PDA、MID和UMPC设备等，例如iPad。
(3)便携式娱乐设备：这类设备可以显示和播放多媒体内容。该类设备包括:音频、视频播放器(例如iPod)，掌上游戏机，电子书，以及智能玩具和便携式车载导航设备。
(4)服务器:提供计算服务的设备，服务器的构成包括处理器、硬盘、内存、系统总线等，服务器和通用的计算机架构类似，但是由于需要提供高可靠的服务，因此在处理能力、稳定性、可靠性、安全性、可扩展性、可管理性等方面要求较高。
(5)其他具有数据交互功能的电子装置。
以上所描述的装置实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行各个实施例或者实施例的某些部分的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (7)

1.一种具有窃电嫌疑的用户的识别方法，其特征在于，包括：
响应于获取的用户历史用电数据以及终端设备窃电记录，分别提取窃电识别评估指标和窃电标签，使形成训练数据集，其中，所述窃电识别评估指标包括负荷曲线斜率指标、线损指标以及告警类指标，所述窃电标签为某一用户是否窃电；
所述负荷曲线斜率指标的表达式为：
Figure 682556DEST_PATH_IMAGE001
，
Figure 605512DEST_PATH_IMAGE002
，
Figure 305484DEST_PATH_IMAGE003
，
式中，
Figure 313891DEST_PATH_IMAGE004
是负荷曲线斜率指标，
Figure 557178DEST_PATH_IMAGE005
是负荷曲线斜率变化的标志，
Figure 334641DEST_PATH_IMAGE006
是第t天的负荷曲线斜率，
Figure 2252DEST_PATH_IMAGE007
是第t-1天的负荷曲线斜率，s是负荷曲线斜率变化次数，m是天数的统计周期；
负荷曲线斜率的计算公式为：
Figure 825852DEST_PATH_IMAGE008
，
Figure 355053DEST_PATH_IMAGE009
，
Figure 501869DEST_PATH_IMAGE010
，
式中，
Figure 91114DEST_PATH_IMAGE011
是第i天的负荷曲线斜率，
Figure 57802DEST_PATH_IMAGE012
是第t天的负荷，以m天为统计周期，
Figure 656273DEST_PATH_IMAGE013
是
Figure 660526DEST_PATH_IMAGE014
天的平均负荷，
Figure 420671DEST_PATH_IMAGE015
分别为第
Figure 874655DEST_PATH_IMAGE016
天和
Figure 11239DEST_PATH_IMAGE017
天，
Figure 867068DEST_PATH_IMAGE018
是平均天数；
所述线损指标的表达式为：
Figure 798115DEST_PATH_IMAGE019
，
Figure 739395DEST_PATH_IMAGE020
，
Figure 679669DEST_PATH_IMAGE021
，
式中，
Figure 607916DEST_PATH_IMAGE022
是线损指标，
Figure 709864DEST_PATH_IMAGE023
是线损指标参考值，
Figure 404019DEST_PATH_IMAGE024
和
Figure 882405DEST_PATH_IMAGE025
分别是该天前m天和后m天的平均线损率，
Figure 447248DEST_PATH_IMAGE026
分别表示第
Figure 313573DEST_PATH_IMAGE027
和
Figure 714598DEST_PATH_IMAGE028
天；
线损率的计算公式为：
Figure 511522DEST_PATH_IMAGE029
，
式中，
Figure 681603DEST_PATH_IMAGE030
是第t天的线损率，
Figure 846393DEST_PATH_IMAGE031
是线路输电量，
Figure 734714DEST_PATH_IMAGE032
是所有用户的总损耗，U是用户集合，u是用户；
所述告警类指标的表达式为：
Figure 69749DEST_PATH_IMAGE033
，
Figure 359916DEST_PATH_IMAGE034
，
式中，
Figure 568044DEST_PATH_IMAGE035
是报警的总次数，
Figure 458508DEST_PATH_IMAGE036
是警告信号的状态，如果有报警信息，则
Figure 82388DEST_PATH_IMAGE037
否则
Figure 679591DEST_PATH_IMAGE038
，
Figure 996303DEST_PATH_IMAGE039
是告警类指标，
Figure 187113DEST_PATH_IMAGE040
是警告次数参考值；
对所述负荷曲线斜率指标、线损指标以及告警类指标进行加权求和，使得到综合评价指标，其中，所述综合评价指标的表达式为：
Figure 601301DEST_PATH_IMAGE041
，
式中，
Figure 131640DEST_PATH_IMAGE042
是综合评价指标，
Figure 540624DEST_PATH_IMAGE043
是负荷曲线斜率指标，
Figure 890834DEST_PATH_IMAGE044
是线损指标，
Figure 371363DEST_PATH_IMAGE045
是告警类指标，
Figure 21787DEST_PATH_IMAGE046
分别为负荷曲线斜率指标、线损指标和告警类指标的权重，
Figure 867252DEST_PATH_IMAGE047
；
基于所述训练数据集对组合分类模型进行训练，其中，所述组合分类模型为基于随机森林子模型和神经网络子模型的组合模型，所述组合分类模型的输入量为所述窃电识别评估指标，输出量为所述窃电标签；
将某一用户实时用电数据输入所述组合分类模型中，输出某一用户的窃电嫌疑系数，使确定窃电嫌疑用户。
2.根据权利要求1所述的一种具有窃电嫌疑的用户的识别方法，其特征在于，在响应于获取的用户历史用电数据以及终端设备窃电记录，分别提取窃电识别评估指标和窃电标签，使形成训练数据集之后，所述方法还包括：
响应于获取的用户历史用电数据以及终端设备窃电记录，分别提取窃电识别评估指标和窃电标签，形成测试数据集；
基于所述测试数据集对所述组合分类模型进行准确度测试，使调整所述随机森林子模型的参数。
3.根据权利要求1所述的一种具有窃电嫌疑的用户的识别方法，其特征在于，在基于所述训练数据集对组合分类模型进行训练之前，所述方法还包括：
响应于获取的用户历史用电数据，对所述用户历史用电数据进行数据清洗。
4.根据权利要求1所述的一种具有窃电嫌疑的用户的识别方法，其特征在于，在基于所述训练数据集对组合分类模型进行训练之前，所述方法还包括：
响应于获取的用户历史用电数据，基于拉格朗日插值法对所述用户历史用电数据的缺失值进行处理。
5.一种具有窃电嫌疑的用户的识别装置，其特征在于，包括：
获取模块，配置为响应于获取的用户历史用电数据以及终端设备窃电记录，分别提取窃电识别评估指标和窃电标签，使形成训练数据集，其中，所述窃电识别评估指标包括负荷曲线斜率指标、线损指标以及告警类指标，所述窃电标签为某一用户是否窃电；
所述负荷曲线斜率指标的表达式为：
Figure 704758DEST_PATH_IMAGE048
，
Figure 460749DEST_PATH_IMAGE049
，
Figure 27997DEST_PATH_IMAGE050
，
式中，
Figure 591833DEST_PATH_IMAGE051
是负荷曲线斜率指标，
Figure 165903DEST_PATH_IMAGE052
是负荷曲线斜率变化的标志，
Figure 473387DEST_PATH_IMAGE006
是第t天的负荷曲线斜率，
Figure 19775DEST_PATH_IMAGE007
是第t-1天的负荷曲线斜率，s是负荷曲线斜率变化次数，m是天数的统计周期；
负荷曲线斜率的计算公式为：
Figure 754513DEST_PATH_IMAGE053
，
Figure 815879DEST_PATH_IMAGE009
，
Figure 661475DEST_PATH_IMAGE010
，
式中，
Figure 850318DEST_PATH_IMAGE054
是第i天的负荷曲线斜率，
Figure 83853DEST_PATH_IMAGE055
是第t天的负荷，以m天为统计周期，
Figure 383248DEST_PATH_IMAGE056
是
Figure 485065DEST_PATH_IMAGE057
天的平均负荷，
Figure 287936DEST_PATH_IMAGE058
分别为第
Figure 879323DEST_PATH_IMAGE059
天和
Figure 400434DEST_PATH_IMAGE060
天，
Figure 102680DEST_PATH_IMAGE061
是平均天数；
所述线损指标的表达式为：
Figure 87953DEST_PATH_IMAGE019
，
Figure 335395DEST_PATH_IMAGE020
，
Figure 2524DEST_PATH_IMAGE021
，
式中，
Figure 508461DEST_PATH_IMAGE062
是线损指标，
Figure 613820DEST_PATH_IMAGE063
是线损指标参考值，
Figure 32163DEST_PATH_IMAGE064
和
Figure 42713DEST_PATH_IMAGE065
分别是该天前m天和后m天的平均线损率，
Figure 775177DEST_PATH_IMAGE066
分别表示第
Figure 453152DEST_PATH_IMAGE067
和
Figure 511238DEST_PATH_IMAGE068
天；
线损率的计算公式为：
Figure 480855DEST_PATH_IMAGE029
，
式中，
Figure 79327DEST_PATH_IMAGE030
是第t天的线损率，
Figure 80650DEST_PATH_IMAGE069
是线路输电量，
Figure 840795DEST_PATH_IMAGE070
是所有用户的总损耗，U是用户集合，u是用户；
所述告警类指标的表达式为：
Figure 373408DEST_PATH_IMAGE033
，
Figure 431363DEST_PATH_IMAGE034
，
式中，
Figure 818350DEST_PATH_IMAGE071
是报警的总次数，
Figure 952660DEST_PATH_IMAGE072
是警告信号的状态，如果有报警信息，则
Figure 162449DEST_PATH_IMAGE073
否则
Figure 165040DEST_PATH_IMAGE074
，
Figure 626108DEST_PATH_IMAGE075
是告警类指标，
Figure 242903DEST_PATH_IMAGE076
是警告次数参考值；
求和模块，配置为对所述负荷曲线斜率指标、线损指标以及告警类指标进行加权求和，使得到综合评价指标，其中，所述综合评价指标的表达式为：
Figure 687791DEST_PATH_IMAGE041
，
式中，
Figure 353127DEST_PATH_IMAGE042
是综合评价指标，
Figure 199861DEST_PATH_IMAGE077
是负荷曲线斜率指标，
Figure 721978DEST_PATH_IMAGE078
是线损指标，
Figure 716479DEST_PATH_IMAGE079
是告警类指标，
Figure 998555DEST_PATH_IMAGE080
分别为负荷曲线斜率指标、线损指标和告警类指标的权重，
Figure 698132DEST_PATH_IMAGE081
；
训练模块，配置为基于所述训练数据集对组合分类模型进行训练，其中，所述组合分类模型为基于随机森林子模型和神经网络子模型的组合模型，所述组合分类模型的输入量为所述窃电识别评估指标，输出量为所述窃电标签；
输出模块，配置为将某一用户实时用电数据输入所述组合分类模型中，输出某一用户的窃电嫌疑系数，使确定窃电嫌疑用户。
6.一种电子设备，其包括：至少一个处理器，以及与所述至少一个处理器通信连接的存储器，其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1至4任一项所述方法的步骤。
7.一种存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现权利要求1至4任一项所述方法的步骤。
CN202110005361.5A 2021-01-05 2021-01-05 一种具有窃电嫌疑的用户的识别方法及装置 Pending CN112329895A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110005361.5A CN112329895A (zh) 2021-01-05 2021-01-05 一种具有窃电嫌疑的用户的识别方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110005361.5A CN112329895A (zh) 2021-01-05 2021-01-05 一种具有窃电嫌疑的用户的识别方法及装置

Publications (1)

Publication Number Publication Date
CN112329895A true CN112329895A (zh) 2021-02-05

Family

ID=74302192

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110005361.5A Pending CN112329895A (zh) 2021-01-05 2021-01-05 一种具有窃电嫌疑的用户的识别方法及装置

Country Status (1)

Country Link
CN (1) CN112329895A (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112986644A (zh) * 2021-02-25 2021-06-18 深圳供电局有限公司 一种窃电识别方法及系统
CN113094884A (zh) * 2021-03-31 2021-07-09 天津大学 基于三层递进式分析模型的配电网用户窃电行为诊断方法
CN113408676A (zh) * 2021-08-23 2021-09-17 国网江西综合能源服务有限公司 一种结合云端与边端的窃电用户识别方法及装置
CN113447820A (zh) * 2021-06-29 2021-09-28 国网北京市电力公司 电量监测方法、装置、智能电表及处理器
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
CN114819454A (zh) * 2021-11-15 2022-07-29 南方电网数字电网研究院有限公司 窃电检测方法、装置、设备、存储介质及程序产品
CN118036905A (zh) * 2024-04-12 2024-05-14 国网山西省电力公司临汾供电公司 一种异常用电用户检测方法、装置、存储介质及电子设备
CN118551313A (zh) * 2024-07-29 2024-08-27 无锡法拉第电机有限公司 一种同步发电机绕组状态评估方法及装置

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107862347A (zh) * 2017-12-04 2018-03-30 国网山东省电力公司济南供电公司 一种基于随机森林的窃电行为的发现方法
CN108416693A (zh) * 2018-02-01 2018-08-17 东华大学 一种基于模糊神经网络的用电异常行为识别方法
CN109447364A (zh) * 2018-11-08 2019-03-08 国网湖南省电力有限公司 基于标签的电力客户投诉预测方法
CN109872773A (zh) * 2019-02-26 2019-06-11 哈尔滨工业大学 基于Adaboost、BP神经网络和随机森林融合的mirco-RNA前体识别方法
CN109934371A (zh) * 2017-12-18 2019-06-25 普华讯光（北京）科技有限公司 基于用电数据对企业进行偿付能力风险识别和预测的方法
CN110490329A (zh) * 2019-07-05 2019-11-22 国网浙江省电力有限公司电力科学研究院 一种基于机器学习的大规模电力异常数据检测方法及系统
CN111027872A (zh) * 2019-12-16 2020-04-17 国家电网有限公司 一种区域用户的用电成熟度确定方法及系统
CN111310854A (zh) * 2020-03-10 2020-06-19 长沙理工大学 基于用电负荷指纹的低误报率窃电检测二次筛选方法
CN111797924A (zh) * 2020-07-03 2020-10-20 国家电网有限公司 一种基于聚类算法的三维度园区画像方法及系统
CN111832654A (zh) * 2020-07-15 2020-10-27 深圳天顺智慧能源科技有限公司 偷电漏电用户识别方法、装置、计算机设备及存储介质

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107862347A (zh) * 2017-12-04 2018-03-30 国网山东省电力公司济南供电公司 一种基于随机森林的窃电行为的发现方法
CN109934371A (zh) * 2017-12-18 2019-06-25 普华讯光（北京）科技有限公司 基于用电数据对企业进行偿付能力风险识别和预测的方法
CN108416693A (zh) * 2018-02-01 2018-08-17 东华大学 一种基于模糊神经网络的用电异常行为识别方法
CN109447364A (zh) * 2018-11-08 2019-03-08 国网湖南省电力有限公司 基于标签的电力客户投诉预测方法
CN109872773A (zh) * 2019-02-26 2019-06-11 哈尔滨工业大学 基于Adaboost、BP神经网络和随机森林融合的mirco-RNA前体识别方法
CN110490329A (zh) * 2019-07-05 2019-11-22 国网浙江省电力有限公司电力科学研究院 一种基于机器学习的大规模电力异常数据检测方法及系统
CN111027872A (zh) * 2019-12-16 2020-04-17 国家电网有限公司 一种区域用户的用电成熟度确定方法及系统
CN111310854A (zh) * 2020-03-10 2020-06-19 长沙理工大学 基于用电负荷指纹的低误报率窃电检测二次筛选方法
CN111797924A (zh) * 2020-07-03 2020-10-20 国家电网有限公司 一种基于聚类算法的三维度园区画像方法及系统
CN111832654A (zh) * 2020-07-15 2020-10-27 深圳天顺智慧能源科技有限公司 偷电漏电用户识别方法、装置、计算机设备及存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
董津辰等: ""基于社群特征的配电网异常用电行为分析"", 《电工电气》 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112986644A (zh) * 2021-02-25 2021-06-18 深圳供电局有限公司 一种窃电识别方法及系统
CN113094884A (zh) * 2021-03-31 2021-07-09 天津大学 基于三层递进式分析模型的配电网用户窃电行为诊断方法
CN113447820A (zh) * 2021-06-29 2021-09-28 国网北京市电力公司 电量监测方法、装置、智能电表及处理器
CN113408676A (zh) * 2021-08-23 2021-09-17 国网江西综合能源服务有限公司 一种结合云端与边端的窃电用户识别方法及装置
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
CN114819454A (zh) * 2021-11-15 2022-07-29 南方电网数字电网研究院有限公司 窃电检测方法、装置、设备、存储介质及程序产品
CN118036905A (zh) * 2024-04-12 2024-05-14 国网山西省电力公司临汾供电公司 一种异常用电用户检测方法、装置、存储介质及电子设备
CN118551313A (zh) * 2024-07-29 2024-08-27 无锡法拉第电机有限公司 一种同步发电机绕组状态评估方法及装置

Similar Documents

Publication Publication Date Title
CN112329895A (zh) 一种具有窃电嫌疑的用户的识别方法及装置
CN110113226B (zh) 一种检测设备异常的方法及装置
WO2019091177A1 (zh) 风险识别模型构建和风险识别方法、装置及设备
CN112700252B (zh) 一种信息安全性检测方法、装置、电子设备和存储介质
CN109389494B (zh) 借贷欺诈检测模型训练方法、借贷欺诈检测方法及装置
CN111371767B (zh) 恶意账号识别方法、恶意账号识别装置、介质及电子设备
CN111931047B (zh) 基于人工智能的黑产账号检测方法及相关装置
CN110363636A (zh) 基于关系网络的欺诈风险识别方法及装置
CN112200644B (zh) 欺诈用户识别方法、装置、计算机设备以及存储介质
CN110348472A (zh) 数据检测规则生成方法、装置、计算机设备及存储介质
CN113144624A (zh) 一种数据处理方法、装置、设备及存储介质
CN113408676A (zh) 一种结合云端与边端的窃电用户识别方法及装置
CN111951008A (zh) 一种风险预测方法、装置、电子设备和可读存储介质
CN115797005A (zh) 预测模型的训练、商品推荐方法、装置、电子设备及介质
CN113852510B (zh) 一种网络安全态势预测方法和装置、电子设备、存储介质
CN115130542A (zh) 模型训练方法、文本处理方法、装置及电子设备
CN112600814A (zh) 一种船舶cps系统欺骗攻击检测方法及系统
CN113763077A (zh) 用于检测虚假交易订单的方法和装置
CN111783883A (zh) 一种异常数据的检测方法及装置
CN114723554B (zh) 异常账户识别方法及装置
CN110866672A (zh) 数据处理方法、装置、终端及介质
CN115293872A (zh) 建立风险识别模型的方法及对应装置
CN111833171B (zh) 异常操作检测和模型训练方法、装置以及可读存储介质
CN112950222A (zh) 资源处理异常检测方法、装置、电子设备及存储介质
CN111209567A (zh) 提高检测模型鲁棒性的可知性判断方法及装置

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