CN112816774B - 一种基于大数据的窃电排查方法 - Google Patents

一种基于大数据的窃电排查方法 Download PDF

Info

Publication number
CN112816774B
CN112816774B CN202011477386.7A CN202011477386A CN112816774B CN 112816774 B CN112816774 B CN 112816774B CN 202011477386 A CN202011477386 A CN 202011477386A CN 112816774 B CN112816774 B CN 112816774B
Authority
CN
China
Prior art keywords
user
power consumption
users
time sequence
sub
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
CN202011477386.7A
Other languages
English (en)
Other versions
CN112816774A (zh
Inventor
舒一飞
康洁滢
刘鹏
梁飞
牛刚
杨琦
樊博
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.)
Marketing Service Center Of State Grid Ningxia Electric Power Co ltd Metering Center Of State Grid Ningxia Electric Power Co ltd
Original Assignee
Marketing Service Center Of State Grid Ningxia Electric Power Co ltd Metering Center Of State Grid Ningxia Electric Power 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 Marketing Service Center Of State Grid Ningxia Electric Power Co ltd Metering Center Of State Grid Ningxia Electric Power Co ltd filed Critical Marketing Service Center Of State Grid Ningxia Electric Power Co ltd Metering Center Of State Grid Ningxia Electric Power Co ltd
Priority to CN202011477386.7A priority Critical patent/CN112816774B/zh
Publication of CN112816774A publication Critical patent/CN112816774A/zh
Application granted granted Critical
Publication of CN112816774B publication Critical patent/CN112816774B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R22/00—Arrangements for measuring time integral of electric power or current, e.g. electricity meters
    • G01R22/06—Arrangements for measuring time integral of electric power or current, e.g. electricity meters by electronic methods
    • G01R22/061—Details of electronic electricity meters
    • G01R22/066—Arrangements for avoiding or indicating fraudulent use

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Remote Monitoring And Control Of Power-Distribution Networks (AREA)

Abstract

本发明提供的一种基于大数据的窃电排查检测方法，属于反窃电技术领域。包括：S1：获取线路所有用户的用电量时间序列和总损耗电量时间序列；S3：评估线性度相关系数m；S4：判定m最大的用户为公变用户时，进入S5；判定m最大的用户为专变用户时，判定该专变用户为窃电用户，结束排查；S5：获取公变用户所有子用户的用电量时间序列和总损耗电量时间序列；S7：评估线性度相关系数m；S8：获得最前5％的子用户；S10：判断各个最前5％子用户用电量时间序列的频域波特图与公变用户总损耗电量时间序列频域波特图变化趋势是否一致，判定与公变用户总损耗电量时间序列的频域波特图变化趋势一致的子用户为窃电用户，结束排查。

Description

一种基于大数据的窃电排查方法
技术领域
本发明涉及反窃电技术领域，具体涉及一种基于大数据的窃电排查方法。
背景技术
众所周知，窃电行为给供电企业和国有资产带来巨大损失，同时也存在较大的人身及设备安全隐患，严重影响国家经济发展和社会稳定。随着技术的发展，不法分子的窃电方式也不断翻新，为了完成窃电过程往往伴随着破坏供电线路或电表、短接线路等行为。目前现有的低压窃电排查方式主要以读取表计及集中器上的开盖记录、零火线电流进行综合诊断分析，效率较低。
发明内容
有鉴于此，本发明提供了一种基于大数据的窃电排查方法，以解决现有技术中低压窃电排查方式效率较低的技术问题。
本发明提供的基于大数据的窃电排查方法，包括以下步骤：
S1：锁定需要排查的线路，并从用采系统获取所述线路在预设时段内关口的用电量时间序列和所有用户的用电量时间序列；
S2：获得所述线路在预设时段内的总损耗电量时间序列；
S3：评估各个用户用电量时间序列与总损耗电量时间序列的线性度相关系数m，
Figure BDA0002836015640000011
其中，ki＝qi线损/qi用户，
Figure BDA0002836015640000012
N为时间序列中的样本总量，1≤i≤N，qi线损为总损耗电量时间序列中第i个点的取值，qi用户为用户用电量时间序列中第i个点的取值；
S4：获得m最大的用户，判断m最大的用户为公变用户或专变用户，判定m最大的用户为公变用户时，则进入步骤S5；判定m最大的用户为专变用户时，判定该专变用户为窃电用户，结束排查；
S5：锁定所述公变用户为高损台区，并从用采系统获取所述公变用户在预设时段内关口和所有子用户的用电量时间序列；
S6：获得所述公变用户在预设时段内的总损耗电量时间序列；
S7：评估所述公变用户各个子用户用电量时间序列与所述公变用户总损耗电量时间序列的线性度相关系数m，
Figure BDA0002836015640000021
其中，ki＝qi线损/qi用户，
Figure BDA0002836015640000022
N为时间序列中的样本总量，1≤i≤N，qi线损为所述公变用户总损耗电量时间序列中第i个点的取值，qi用户为所述公变用户子用户用电量时间序列中第i个点的取值；
S8：对上述m值从大到小依次排序，获得最前5％的子用户；
S9：获得所述公变用户总损耗电量时间序列的频域波特图和所述最前5％子用户用电量时间序列的频域波特图；
S10：分别判断各个所述最前5％子用户用电量时间序列的频域波特图与所述公变用户总损耗电量时间序列的频域波特图变化趋势是否一致，判定与所述公变用户总损耗电量时间序列的频域波特图变化趋势一致的子用户为窃电用户，结束排查。
优选地，步骤S2中，所述线路在预设时段内的总损耗电量时间序列，由所述线路的供入电量时间序列减去所述线路的供出电量时间序列获得；所述线路的供入电量时间序列为所述线路所有用户的用电量时间序列之和；所述线路的供出电量时间序列为所述线路关口的用电量时间序列；
步骤S6中，所述公变用户在预设时段内的总损耗电量时间序列，由所述公变用户的供入电量时间序列减去所述公变用户的供出电量时间序列获得；所述公变用户的供入电量时间序列为所述公变用户所有子用户的用电量时间序列之和；所述公变用户的供出电量时间序列为所述公变用户关口的用电量时间序列。
优选地，步骤S9中，所述公变用户总损耗电量时间序列的频域波特图，通过对所述公变用户的总损耗电量时间序列进行傅立叶变换获得；所述m值最大的前5％子用户用电量时间序列的频域波特图，通过对所述子用户的用电量时间序列进行傅立叶变换获得。
优选地，步骤S1、S2、S5及S6中，所述预设时段可取小时、天、月或年。
由上述技术方案可知，本发明提供的基于大数据的窃电排查方法，从用采系统获得排查线路的关口用电时间序列和所有用户的用电时间序列，通过分别评估总损耗电量时间序列与各用户用电时间序列之间的线性度相关系数m，在时域内找出与总损耗电量时间序列变化趋势最接近的用户，即m最大的用户，并判定为窃电用户，若窃电用户为公变用户，则进一步先通过时域分析，找出m值排名最前5％的子用户，再针对排名最前5％的子用户，用频域分析法在频域内排查出某个子用户为具体的窃电用户，与现有技术相比，本发明无需到现场查看开盖记录和零火线电流，即可排查出具体的窃电用户，提高了排查效率，节约了时间和人力资源。
附图说明
图1为本发明的流程图。
图2为具体实施例一中用户A的用电量时间序列。
图3为具体实施例一中用户B的用电量时间序列。
图4为具体实施例一中用户C的用电量时间序列。
图5为具体实施例一中用户D的用电量时间序列。
图6为具体实施例一中线路供入电量、供出电量及总损耗电量时间序列。
图7为具体实施例二中为公变用户B所有子用户线性相关度系数m。
图8为具体实施例二中子用户1的用电量时间序列。
图9为具体实施例二中子用户2的用电量时间序列。
图10为具体实施例二中子用户30的用电量时间序列。
图11为具体实施例二中子用户49的用电量时间序列。
图12为具体实施例二中子用户56的用电量时间序列。
图13为具体实施例二中子用户1用电量与用户B总损耗电量频域波特图变化趋势对比图。
图14为具体实施例二中子用户2用电量与用户B总损耗电量频域波特图变化趋势对比图。
图15为具体实施例二中子用户30用电量与用户B总损耗电量频域波特图变化趋势对比图。
图16为具体实施例二中子用户49用电量与用户B总损耗电量频域波特图变化趋势对比图。
图17为具体实施例二中子用户56用电量与用户B总损耗电量频域波特图变化趋势对比图。
具体实施方式
以下结合本发明的附图，对本发明实施例的技术方案以及技术效果做进一步的详细阐述。
具体实施例一：
请参看图1，本实施例中，需要排查的线路，由用户A、用户B、用户C及用户D组成，其中用户A、用户B、用户D为专变用户，用户C为公变用户；
本实施例提供一种基于大数据的窃电排查方法，包括以下步骤：
S1：锁定需要排查的线路，并从用采系统获取所述线路在预设时段内关口的用电量时间序列和所有用户的用电量时间序列，设定预设时段为32天，每隔6小时采集一次关口和所有用户的用电量，获得关口的用电量时间序列和用户A、B、C及D的用电量时间序列，样本总量N为128，分别参看图2、图3、图4及图5所示；
S2：参阅图6所示，获得所述线路在预设时段内的总损耗电量时间序列，由所述线路的供入电量时间序列减去所述线路的供出电量时间序列获得；所述线路的供入电量时间序列为所述线路用户A、B、C及D的用电量时间序列之和；所述线路的供出电量时间序列为所述线路关口的用电量时间序列；
S3：评估各个用户用电量时间序列与总损耗电量时间序列的线性度相关系数m，
Figure BDA0002836015640000051
其中，ki＝qi线损/qi用户，
Figure BDA0002836015640000052
N为时间序列中的样本总量128，1≤i≤N，qi线损为总损耗电量时间序列中第i个点的取值，qi用户为用户用电量时间序列中第i个点的取值；用户A的m为0.09，用户B的m为0.10，用户C的m为0.14，用户D的m为2.23；
S4：获得m最大的用户为用户D，因用户D为专变用户，判定用户D为窃电用户，结束排查。
具体实施例二：
请参看图1，本实施例中，需要排查的线路，由用户A、用户B、用户C及用户D组成，其中用户A、用户C、用户D为专变用户，用户B为公变用户，用户B下共有92户子用户，分别为子用户1～子用户92；
本实施例提供一种基于大数据的窃电排查方法，包括以下步骤：
S1：锁定需要排查的线路，并从用采系统获取所述线路在预设时段内关口的用电量时间序列和所有用户的用电量时间序列，设定预设时段为61天，每天采集一次关口和所有用户当日的平均用电量，获得关口的用电量时间序列和用户A、B、C及D的用电量时间序列，样本总量N为61；
S2：获得所述线路在预设时段61天内的总损耗电量时间序列，由所述线路的供入电量时间序列减去所述线路的供出电量时间序列获得；所述线路的供入电量时间序列为所述线路所有用户的用电量时间序列之和；所述线路的供出电量时间序列为所述线路关口的用电量时间序列；
S3：评估各个用户用电量时间序列与总损耗电量时间序列的线性度相关系数m，
Figure BDA0002836015640000061
其中，ki＝qi线损/qi用户，
Figure BDA0002836015640000062
N为时间序列中的样本总量128，1≤i≤N，qi线损为总损耗电量时间序列中第i个点的取值，qi用户为用户用电量时间序列中第i个点的取值；用户A的m为0.08，用户B的m为2.32，用户C的m为0.12，用户D的m为0.13；
S4：获得m最大的用户为用户B，判定用户B为公变用户时，继续步骤S5；
S5：锁定所述公变用户B为高损台区，并从用采系统获取所述公变用户B在预设时段61天内关口和子用户1～子用户92的用电量时间序列；
S6：获得所述公变用户B在预设时段内61天的总损耗电量时间序列；
S7：参阅图7所示,评估所述公变用户B各个子用户用电量时间序列与所述公变用户B总损耗电量时间序列的线性度相关系数m，
Figure BDA0002836015640000071
其中，ki＝qi线损/qi用户，
Figure BDA0002836015640000072
N为时间序列中的样本总量61，1≤i≤N，qi线损为所述公变用户B总损耗电量时间序列中第i个点的取值，qi用户为所述公变用户子用户用电量时间序列中第i个点的取值；
S8：参阅图7所示，对上述m值从大到小依次排序，获得最前5％的子用户，分别为子用户1,m值为0.5759,子用户2,m值为0.5761,子用户30,m值为0.5315,子用户49,m值为0.5782,子用户56,m值为0.6402,其中，子用户1、子用户2、子用户30、子用户49及子用户56的用电量时间序列分别参阅图8、图9、图10、图11及图12所示；
S9：获得所述公变用户总损耗电量时间序列的频域波特图和所述子用户1、子用户2、子用户30、子用户49及子用户56用电量时间序列的频域波特图，参阅图13、图14、图15、图16及图17所示；
S10：参阅图13、图14、图15、图16及图17所示，分别判断所述子用户1、子用户2、子用户30、子用户49及子用户56用电量时间序列的频域波特图与所述公变用户B总损耗电量时间序列的频域波特图变化趋势是否一致，判定与所述公变用户总损耗电量时间序列的频域波特图变化趋势一致的子用户2为窃电用户，结束排查。
由上述技术方案可知，本发明提供的基于大数据的窃电排查方法，从用采系统获得排查线路的关口用电时间序列和所有用户的用电时间序列，通过分别评估总损耗电量时间序列与各用户用电时间序列之间的线性度相关系数m，在时域内找出与总损耗电量时间序列变化趋势最接近的用户，即m最大的用户，并判定为窃电用户，若窃电用户为公变用户，则进一步先通过时域分析，找出m值排名最前5％的子用户，再针对排名最前5％的子用户，用频域分析法在频域内排查出某个子用户为具体的窃电用户，与现有技术相比，本发明无需到现场查看开盖记录和零火线电流，即可排查出具体的窃电用户，提高了排查效率，节约了时间和人力资源。
以上所揭露的仅为本发明较佳实施例而已，当然不能以此来限定本发明之权利范围，本领域普通技术人员可以理解实现上述实施例的全部或部分流程，并依本发明权利要求所作的等同变化，仍属于本发明所涵盖的范围。

Claims (4)

1.一种基于大数据的窃电排查方法，其特征在于，包括以下步骤：
S1：锁定需要排查的线路，并从用采系统获取所述线路在预设时段内关口的用电量时间序列和所有用户的用电量时间序列；
S2：获得所述线路在预设时段内的总损耗电量时间序列；
S3：评估各个用户用电量时间序列与总损耗电量时间序列的线性度相关系数m，
Figure FDA0002836015630000011
其中，ki＝qi线损/qi用户，
Figure FDA0002836015630000012
N为时间序列中的样本总量，1≤i≤N，qi线损为总损耗电量时间序列中第i个点的取值，qi用户为用户用电量时间序列中第i个点的取值；
S4：获得m最大的用户，判断m最大的用户为公变用户或专变用户，判定m最大的用户为公变用户时，则进入步骤S5；判定m最大的用户为专变用户时，判定该专变用户为窃电用户，结束排查；
S5：锁定所述公变用户为高损台区，并从用采系统获取所述公变用户在预设时段内关口和所有子用户的用电量时间序列；
S6：获得所述公变用户在预设时段内的总损耗电量时间序列；
S7：评估所述公变用户各个子用户用电量时间序列与所述公变用户总损耗电量时间序列的线性度相关系数m，
Figure FDA0002836015630000013
其中，ki＝qi线损/qi用户，
Figure FDA0002836015630000014
N为时间序列中的样本总量，1≤i≤N，qi线损为所述公变用户总损耗电量时间序列中第i个点的取值，qi用户为所述公变用户子用户用电量时间序列中第i个点的取值；
S8：对上述m值从大到小依次排序，获得最前5％的子用户；
S9：获得所述公变用户总损耗电量时间序列的频域波特图和所述最前5％子用户用电量时间序列的频域波特图；
S10：分别判断各个所述最前5％子用户用电量时间序列的频域波特图与所述公变用户总损耗电量时间序列的频域波特图变化趋势是否一致，判定与所述公变用户总损耗电量时间序列的频域波特图变化趋势一致的子用户为窃电用户，结束排查。
2.如权利要求1所述的基于大数据的窃电排查方法，其特征在于：
步骤S2中，所述线路在预设时段内的总损耗电量时间序列，由所述线路的供入电量时间序列减去所述线路的供出电量时间序列获得；所述线路的供入电量时间序列为所述线路所有用户的用电量时间序列之和；所述线路的供出电量时间序列为所述线路关口的用电量时间序列；
步骤S6中，所述公变用户在预设时段内的总损耗电量时间序列，由所述公变用户的供入电量时间序列减去所述公变用户的供出电量时间序列获得；所述公变用户的供入电量时间序列为所述公变用户所有子用户的用电量时间序列之和；
所述公变用户的供出电量时间序列为所述公变用户关口的用电量时间序列。
3.如权利要求1所述的基于大数据的窃电排查方法，其特征在于：
步骤S9中，所述公变用户总损耗电量时间序列的频域波特图，通过对所述公变用户的总损耗电量时间序列进行傅立叶变换获得；所述m值最大的前5％子用户用电量时间序列的频域波特图，通过对所述子用户的用电量时间序列进行傅立叶变换获得。
4.如权利要求1所述的基于大数据的窃电排查方法，其特征在于：
步骤S1、S2、S5及S6中，所述预设时段可取小时、天、月或年。
CN202011477386.7A 2020-12-15 2020-12-15 一种基于大数据的窃电排查方法 Active CN112816774B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011477386.7A CN112816774B (zh) 2020-12-15 2020-12-15 一种基于大数据的窃电排查方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011477386.7A CN112816774B (zh) 2020-12-15 2020-12-15 一种基于大数据的窃电排查方法

Publications (2)

Publication Number Publication Date
CN112816774A CN112816774A (zh) 2021-05-18
CN112816774B true CN112816774B (zh) 2023-01-06

Family

ID=75853395

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011477386.7A Active CN112816774B (zh) 2020-12-15 2020-12-15 一种基于大数据的窃电排查方法

Country Status (1)

Country Link
CN (1) CN112816774B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108593990A (zh) * 2018-06-04 2018-09-28 国网天津市电力公司 一种基于电能用户用电行为模式的窃电检测方法和应用
CN109359848A (zh) * 2018-10-09 2019-02-19 烟台海颐软件股份有限公司 一种线损异常相关的用电户识别方法与系统
CN110046792A (zh) * 2019-02-28 2019-07-23 国网浙江省电力有限公司 基于雷达图综合评价法的零电量用户排查方法
CN110634080A (zh) * 2018-06-25 2019-12-31 中兴通讯股份有限公司 异常用电检测方法、装置、设备及计算机可读存储介质
CN110738415A (zh) * 2019-10-15 2020-01-31 国网山西省电力公司晋中供电公司 基于用电采集系统和离群点算法的窃电用户分析方法
CN111443237A (zh) * 2020-04-20 2020-07-24 北京中电普华信息技术有限公司 一种追补电量的确定方法及系统

Family Cites Families (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN203350314U (zh) * 2013-05-19 2013-12-18 国家电网公司 具有防窃电功能的高压线路计量系统
CN106066423A (zh) * 2016-05-25 2016-11-02 上海博英信息科技有限公司 一种基于损耗分配嫌疑分析的反窃电分析方法
CN107221927A (zh) * 2017-05-23 2017-09-29 国电南瑞三能电力仪表(南京)有限公司 一种基于量化评估模型窃电嫌疑分析算法的反窃电分析方法
CN107831379B (zh) * 2017-09-14 2019-06-04 国家电网公司 基于采集电量异常波动判断线损异常的方法
CN109101594A (zh) * 2018-07-27 2018-12-28 国家电网有限公司 一种检测窃电嫌疑用户的方法、装置及终端
CN109614997A (zh) * 2018-11-29 2019-04-12 武汉大学 一种基于深度学习的窃电风险预测方法及装置
CN110082579B (zh) * 2019-05-21 2021-06-25 国网湖南省电力有限公司 一种台区智能反窃电监测方法、系统、设备及介质
CN110322371A (zh) * 2019-07-08 2019-10-11 长沙理工大学 基于多元线性回归分析的高损台区用电异常用户检测定位方法
CN110824270B (zh) * 2019-10-09 2022-04-26 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
CN111507611A (zh) * 2020-04-15 2020-08-07 北京中电普华信息技术有限公司 一种确定窃电嫌疑用户的方法及系统
CN111651721B (zh) * 2020-06-15 2023-04-07 四川中电启明星信息技术有限公司 一种基于时空关联矩阵的反窃电预警方法
CN111695639A (zh) * 2020-06-17 2020-09-22 浙江经贸职业技术学院 一种基于机器学习的电力用户用电异常检测方法
CN111650432A (zh) * 2020-07-14 2020-09-11 国网冀北电力有限公司 一种基于线损的窃电确定方法及装置
CN111861211B (zh) * 2020-07-20 2023-01-24 国网信通亿力科技有限责任公司 一种具有双层反窃电模型的系统
CN111652761B (zh) * 2020-07-28 2020-12-01 国网江西省电力有限公司供电服务管理中心 一种基于证据理论的多源特征融合窃电行为检测方法
CN111948448A (zh) * 2020-08-20 2020-11-17 国网河北省电力有限公司沧州供电分公司 基于专家知识库的反窃电系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108593990A (zh) * 2018-06-04 2018-09-28 国网天津市电力公司 一种基于电能用户用电行为模式的窃电检测方法和应用
CN110634080A (zh) * 2018-06-25 2019-12-31 中兴通讯股份有限公司 异常用电检测方法、装置、设备及计算机可读存储介质
CN109359848A (zh) * 2018-10-09 2019-02-19 烟台海颐软件股份有限公司 一种线损异常相关的用电户识别方法与系统
CN110046792A (zh) * 2019-02-28 2019-07-23 国网浙江省电力有限公司 基于雷达图综合评价法的零电量用户排查方法
CN110738415A (zh) * 2019-10-15 2020-01-31 国网山西省电力公司晋中供电公司 基于用电采集系统和离群点算法的窃电用户分析方法
CN111443237A (zh) * 2020-04-20 2020-07-24 北京中电普华信息技术有限公司 一种追补电量的确定方法及系统

Also Published As

Publication number Publication date
CN112816774A (zh) 2021-05-18

Similar Documents

Publication Publication Date Title
Zheng et al. Climate-change impacts on electricity demands at a metropolitan scale: A case study of Guangzhou, China
CN106055918B (zh) 一种电力系统负荷数据的辨识及修正方法
CN108899892A (zh) 一种基于cnn非侵入式用电负荷分解方法
CN110412347B (zh) 一种基于非侵入式负荷监测的窃电行为识别方法与装置
Wang et al. New methods for clustering district heating users based on consumption patterns
CN102156814B (zh) 基于聚类的典型日负荷曲线选取方法及装置
CN109840691B (zh) 基于深度神经网络的非侵入式分项电量估计方法
CN113435610B (zh) 基于低压物联感知终端确定分级线损的方法
CN112990500B (zh) 基于改进加权灰色关联分析的台区线损分析方法及系统
Cheng et al. Enhanced state estimation and bad data identification in active power distribution networks using photovoltaic power forecasting
CN110109971A (zh) 一种低压台区用户用电负荷特性分析方法
CN110749784B (zh) 一种基于电力数据小波分析的线路窃电检测方法
CN112215405A (zh) 一种基于dann域适应学习的非侵入式居民用电负荷分解方法
CN111210170A (zh) 基于90%用电分布特征指标的环保管控监测及评价方法
CN116008714B (zh) 一种基于智能量测终端的反窃电分析方法
CN116796403A (zh) 一种基于商业建筑综合能耗预测的建筑节能方法
CN114444539A (zh) 电力负荷识别方法、装置、设备、介质和程序产品
CN106875058B (zh) 一种电力业扩可开放容量智能判断方法
CN112816774B (zh) 一种基于大数据的窃电排查方法
CN110414776B (zh) 分行业用电特性快速响应分析系统
CN112925827B (zh) 一种基于电力采集物联数据的用户性质异常分析方法
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
Du et al. Clustering heat users based on consumption data
CN115758188A (zh) 一种非侵入式的负荷识别方法、装置、设备和介质
CN115328965A (zh) 一种基于mk突变检验的用电异常分析方法

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