CN113011997A - 电网用户用电异常行为检测方法 - Google Patents
电网用户用电异常行为检测方法 Download PDFInfo
- Publication number
- CN113011997A CN113011997A CN202110192632.2A CN202110192632A CN113011997A CN 113011997 A CN113011997 A CN 113011997A CN 202110192632 A CN202110192632 A CN 202110192632A CN 113011997 A CN113011997 A CN 113011997A
- Authority
- CN
- China
- Prior art keywords
- power consumption
- power
- user
- electricity
- data
- 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
- 230000005611 electricity Effects 0.000 title claims abstract description 54
- 238000001514 detection method Methods 0.000 title claims abstract description 49
- 206010000117 Abnormal behaviour Diseases 0.000 title claims description 10
- 238000012549 training Methods 0.000 claims abstract description 32
- 238000000034 method Methods 0.000 claims abstract description 29
- 230000002159 abnormal effect Effects 0.000 claims abstract description 17
- 230000006399 behavior Effects 0.000 claims abstract description 16
- 230000005856 abnormality Effects 0.000 claims abstract description 15
- 238000007781 pre-processing Methods 0.000 claims abstract description 6
- 239000011159 matrix material Substances 0.000 claims description 5
- 238000004140 cleaning Methods 0.000 claims description 4
- 238000011049 filling Methods 0.000 claims description 4
- 230000004048 modification Effects 0.000 claims description 4
- 238000012986 modification Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 239000013585 weight reducing agent Substances 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 3
- 230000002265 prevention Effects 0.000 abstract 2
- 230000008901 benefit Effects 0.000 description 4
- 238000000354 decomposition reaction Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000005728 strengthening Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
Images
Classifications
-
- 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Economics (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种电网用户用电异常行为检测方法,包括步骤:S1:采集获取用户用电数据;S2:对用户用电数据进行数据预处理,获得训练集;S3:构建基于AdaBoost集成学习的用电异常检测模型;S4:利用训练集对用电异常检测模型进行训练;S5:向训练后的用电异常检测模型输入用户特征数据;S6:进行异常用电行为分析与识别;S7:用电异常检测模型输出分类结果;S8:使用分类性能指标评价分类结果。本发明的一种电网用户用电异常行为检测方法,利用电力企业现有系统所提供数据实现反窃电分析,对窃电嫌疑用户行为进行推测和诊断,精准识别重大窃电嫌疑用户,提高反窃电工作成效,加强我国电力企业对电能输出的高效监管力度。
Description
技术领域
本发明涉及大数据检测电网用户用电异常领域,尤其涉及一种电网用户用电异常行为检测方法。
背景技术
随着科学技术的不断提高,计算机科学日益成熟,其强大的计算功能被人们深刻地认识到,大数据检测窃电行为已经深入到许多电力公司。目前,应用于用电数据异常检测方面的有效方法可归纳为基于传统方法、基于数据挖掘两大类。传统方法涵盖了状态估计、矩阵分解、博弈论等。
虽然应用于用电数据异常检测方面的传统方法(状态估计法、矩阵分解法、博弈论等)正确率很髙,但模型的泛化能力较差。在处理小规模数据的问题时实用效果并不突出,可解释性较差。
发明内容
针对上述现有技术中的不足,本发明提供一种电网用户用电异常行为检测方法,利用电力企业现有系统所提供数据实现反窃电分析,对窃电嫌疑用户行为进行推测和诊断,精准识别重大窃电嫌疑用户,提高反窃电工作成效,加强我国电力企业对电能输出的高效监管力度。通过采用强有力的窃电监控识别手段,加大窃电的查处惩治力度,维护正常的供用电秩序,保障公司经营效益。
为了实现上述目的,本发明提供一种电网用户用电异常行为检测方法,包括步骤:
S1:采集获取用户用电数据;
S2:对所述用户用电数据进行数据预处理,获得训练集;
S3:构建基于AdaBoost集成学习的一用电异常检测模型;
S4:利用所述训练集对所述用电异常检测模型进行训练,获得训练后的所述用电异常检测模型;
S5:向训练后的所述用电异常检测模型输入用户特征数据;
S6:所述用电异常检测模型进行异常用电行为分析与识别;
S7:所述用电异常检测模型输出分类结果,所述分类结果包括窃电用户;
S8:使用分类性能指标评价分类结果。
优选地,所述S2进一步包括步骤:
S21:根据所述用户用电数据的异常情况,对所述用户用电数据进行相应的填充、清洗和修改操作,获得真实数据;
S22:随机选取10%的所述真实数据作为用户用电异常样本;
S23:按照六种不同的公式修改所述用户用电异常样本,获得所述训练集。
优选地,所述六种不同的公式包括公式(1)、公式(2)、公式(3)、公式(4)、公式(5)和公式(6):
h1(xt)=αxt,α∈(0.2,0.8) (1);
其中,h1(xt)表示t时刻按公式(1)修改后的用电量,α表示修改常系数,x表示原始用户用电量,t表示指定的某一时间;
其中,h2(xt)表示t时刻按公式(2)修改后的用电量,γ表示随机设定的分界值;
h3(xt)=x48-t (3);
其中,h3(xt)表示t时刻按公式(3)修改后的用电量;
h4(xt)=max{xt-γ,0} (4);
其中,h4(xt)表示t时刻按公式(4)修改后的用电量;
其中,h5(xt)表示t时刻按公式(5)修改后的用电量,t1表示设定t时刻之前的某一时间,t2表示设定t时刻之后的某一时间。
h6(xt)=mean(x) (6);
其中,h6(xt)表示t时刻按公式(6)修改后的用电量,mean(x)表示对用电量x求均值。
优选地,所述S3步骤进一步包括步骤:
S31:给定数据集:(x1,y1),(x2,y2),...(xN,yN),其中yi={0,1};其中N表示用电数据总数量,xN表示用户每天用电量,yN表示窃电标签,窃电标签的值等于1代表未窃电,窃电标签的值等于0代表窃电,i表示自然数;
S32:初始化数据的权值分部向量D1=(W11,W12,...,W1N)=(1/N,1/N,...,1/N);其中W1N表示第1次迭代时第N个样本的权值;
S33:迭代运算,直至设定值,进行t=1,2,...T次迭代,t表示迭代次数,T表示最大迭代次数;
S34:按弱分类器权重值αt组合各个弱分类器,得到所述用电异常检测模型。
优选地,所述S33步骤进一步包括步骤:
S331:选取一个当前误差率最低的所述弱分类器,计算该弱分类器在权重分布Di的预测误差率ei:
其中,P(hi(xi)≠yi)表示预测类别不等于真实类别的概率,hi(xi)表示弱分类器对样本的分类,wti表示权重系数,I(hi(xi)≠yi)表示若分类错误则I()值取1,反之取0;
S332:计算所述弱分类器在集成分类器中所占权重αi:
其中,ei表示预测误差率;
S333:更新训练样本所述权重分布,获得更新后权重分布Di+1:
优选地,所述S4步骤进一步包括步骤:
S41:确定所述弱分类器类型;
S42:确定所述弱分类器个数和权重缩减系数;
S43:利用所述训练集训练所述弱分类器;
S44:测试所述弱分类器。
优选地,所述S41步骤中,用生成的所述训练集对常见的BP、DT、SVM和KNN四种算法进行训练对比,确定所述弱分类器类型。
优选地,所述S4步骤中,还包括步骤:控制所述用电异常检测模型的学习率,绘制学习器个数分类错误率曲线,确定最佳弱学习器和学习率。
优选地,所述S8步骤中,使用查全率、查准率和精度检测所述用电异常检测模型的分类性能,输出混淆矩阵,分析所述用电异常检测模型的所述弱分类器识别窃电用户的分类性能。
本发明由于采用了以上技术方案,使其具有以下有益效果:
本发明通过构建基于AdaBoost集成学习的用电异常检测模型,进一步提高窃电检测的准确率与检测效率;对加强我国电力企业对电能输出的高效监管力度、加大窃电的查处惩治力度、维护正常的供用电秩序、保障公司经营效益起到了积极的作用。
附图说明
图1为本发明实施例的电网用户用电异常行为检测方法的流程图;
图2为本发明实施例的数据预处理的流程图;
图3为本发明实施例的对用电异常检测模型进行训练的流程图。
具体实施方式
下面根据附图1~图3,给出本发明的较佳实施例,并予以详细描述,使能更好地理解本发明的功能、特点。
请参阅图1~图3,本发明实施例的一种电网用户用电异常行为检测方法,包括步骤:
S1:采集获取用户用电数据;
S2:对用户用电数据进行数据预处理,获得训练集;
其中,S2进一步包括步骤:
S21:根据用户用电数据的异常情况,对用户用电数据进行相应的填充、清洗和修改操作,获得真实数据;
S22:随机选取10%的真实数据作为用户用电异常样本;
S23:按照六种不同的公式修改用户用电异常样本,获得训练集。
优选地,六种不同的公式包括公式(1)、公式(2)、公式(3)、公式(4)、公式(5)和公式(6):
h1(xt)=αxt,α∈(0.2,0.8) (1);
其中,h1(xt)表示t时刻按公式(1)修改后的用电量,α表示改常系数,x表示原始用户用电量,t表示指定的某一时间;
其中,h2(xt)表示t时刻按公式(2)修改后的用电量,γ表示随机设定的分界值;
h3(xt)=x48-t (3);
其中,h3(xt)表示t时刻按公式(3)修改后的用电量;
h4(xt)=max{xt-γ,0} (4);
其中,h4(xt)表示t时刻按公式(4)修改后的用电量;
其中,h5(xt)表示t时刻按公式(5)修改后的用电量,t1表示设定t时刻之前的某一时间,t2表示设定t时刻之后的某一时间;
h6(xt)=mean(x) (6);
其中,h6(xt)表示t时刻按公式(6)修改后的用电量,mean(x)表示对用电量x求均值。
本实施例根据电力企业发布的爱尔兰原始的用户真实用电数据,结合数据的实际状况及特征,设计了合理的数据预处理过程(修改、清洗、填充)。针对每一类真实用电用户数据其中随机取出10%的数据作为用户用电异常样本,并按6种不同的公式方法修改这部分数据。
S3:构建基于AdaBoost集成学习的一用电异常检测模型;
其中,S3步骤进一步包括步骤:
S31:给定数据集:(x1,y1),(x2,y2),...(xN,yN),其中yi={0,1};其中N表示用电数据总数量,xN表示用户每天用电量,yN表示窃电标签,窃电标签的值等于1代表未窃电,窃电标签的值等于0代表窃电,i表示自然数;
S32:初始化数据的权值分部向量D1=(W11,W12,...,W1N)=(1/N,1/N,...,1/N);其中W1N表示第1次迭代时第N个样本的权值;
S33:迭代运算,直至设定值,进行t=1,2,...T次迭代,t表示迭代次数,T表示最大迭代次数;
其中,S33步骤进一步包括步骤:
S331:选取一个当前误差率最低的弱分类器,计算该弱分类器在权重分布Di的预测误差率ei:
其中,P(hi(xi)≠yi)表示预测类别不等于真实类别的概率,hi(xi)表示弱分类器对样本xi的分类,wti表示权重系数,I(hi(xi)≠yi)表示若分类错误则I()值取1,反之取0;
S332:计算弱分类器在集成分类器中所占权重αi:
其中,ei表示预测误差率;
S333:更新训练样本权重分布,获得更新后权重分布Di+1:
S34:按弱分类器权重值αt组合各个弱分类器,得到用电异常检测模型。
S4:利用训练集对用电异常检测模型进行训练,获得训练后的用电异常检测模型;
其中,S4步骤进一步包括步骤:
S41:确定弱分类器类型;
S42:确定弱分类器个数和权重缩减系数;
S43:利用训练集训练弱分类器;
S44:测试弱分类器。
S41步骤中,用生成的训练集对常见的BP、DT、SVM和KNN四种算法进行训练对比,确定弱分类器类型。
S4步骤中,还包括步骤:控制用电异常检测模型的学习率,绘制学习器个数分类错误率曲线,确定最佳弱学习器和学习率。
S5:向训练后的用电异常检测模型输入用户特征数据;
S6:用电异常检测模型进行异常用电行为分析与识别;
S7:用电异常检测模型输出分类结果,分类结果包括窃电用户;
S8:使用分类性能指标评价分类结果。
优选地,S8步骤中,使用查全率、查准率和精度检测用电异常检测模型的分类性能,输出混淆矩阵,分析用电异常检测模型的弱分类器识别窃电用户的分类性能。
本发明实施例的提供了基于AdaBoost集成学习的窃电检测方法。利用爱尔兰智能电表数据集进行对比,验证了本方法的精确性与有效性。进一步提高窃电检测模型的准确率与检测效率。
基于AdaBoost集成学习识别电网用户用电异常行为的精度较优。经过与BP、DT、SVM、KNN四种算法进行训练对比,确定AdaBoost集成学习的弱学习器。得到AdaBoost集成学习分类用户用电异常的精度,如表1所示。
表1 Adaboost在6个只含单一窃电数据集上的精度(ACC)测试结果表
数据集1 | 数据集2 | 数据集3 | 数据集4 | 数据集5 | 数据集6 | |
AdaBoost | 89.3% | 97.3% | 98.3% | 93.2% | 99.0% | 98.9% |
本次实验基于电力企业发布的真实用户用电数据。利用电力企业现有系统所提供数据实现反窃电分析,对窃电嫌疑用户行为进行推测和诊断,精准识别重大窃电嫌疑用户,对加强我国电力企业对电能输出的高效监管力度、加大窃电的查处惩治力度、维护正常的供用电秩序、保障公司经营效益起到了积极地作用。
以上结合附图实施例对本发明进行了详细说明,本领域中普通技术人员可根据上述说明对本发明做出种种变化例。因而,实施例中的某些细节不应构成对本发明的限定,本发明将以所附权利要求书界定的范围作为本发明的保护范围。
Claims (9)
1.一种电网用户用电异常行为检测方法,包括步骤:
S1:采集获取用户用电数据;
S2:对所述用户用电数据进行数据预处理,获得训练集;
S3:构建基于AdaBoost集成学习的一用电异常检测模型;
S4:利用所述训练集对所述用电异常检测模型进行训练,获得训练后的所述用电异常检测模型;
S5:向训练后的所述用电异常检测模型输入用户特征数据;
S6:所述用电异常检测模型进行异常用电行为分析与识别;
S7:所述用电异常检测模型输出分类结果,所述分类结果包括窃电用户;
S8:使用分类性能指标评价分类结果。
2.根据权利要求1所述的电网用户用电异常行为检测方法,其特征在于,所述S2进一步包括步骤:
S21:根据所述用户用电数据的异常情况,对所述用户用电数据进行相应的填充、清洗和修改操作,获得真实数据;
S22:随机选取10%的所述真实数据作为用户用电异常样本;
S23:按照六种不同的公式修改所述用户用电异常样本,获得所述训练集。
3.根据权利要求2所述的电网用户用电异常行为检测方法,其特征在于,所述六种不同的公式包括公式(1)、公式(2)、公式(3)、公式(4)、公式(5)和公式(6):
h1(xt)=αxt,α∈(0.2,0.8) (1);
其中,h1(xt)表示t时刻按公式(1)修改后的用电量,α表示修改常系数,x表示原始用户用电量,t表示指定的某一时间;
其中,h2(xt)表示t时刻按公式(2)修改后的用电量,γ表示随机设定的分界值。
h3(xt)=x48-t (3);
其中,h3(xt)表示t时刻按公式(3)修改后的用电量;
h4(xt)=max{xt-γ,0} (4);
其中,h4(xt)表示t时刻按公式(4)修改后的用电量;
其中,h5(xt)表示t时刻按公式(5)修改后的用电量,t1表示设定t时刻之前的某一时间,t2表示表示设定t时刻之后的某一时间;
h6(xt)=mean(x) (6);
其中,h6(xt)表示t时刻按公式(6)修改后的用电量,mean(x)表示对用电量x求均值。
4.根据权利要求1所述的电网用户用电异常行为检测方法,其特征在于,所述S3步骤进一步包括步骤:
S31:给定数据集:(x1,y1),(x2,y2),...(xN,yN),其中yi={0,1};其中N表示用电数据总数量,xN表示用户每天用电量,yN表示窃电标签,窃电标签的值等于1代表未窃电,窃电标签的值等于0代表窃电,i表示自然数;
S32:初始化数据的权值分部向量D1=(W11,W12,...,W1N)=(1/N,1/N,...,1/N);其中W1N表示第1次迭代时第N个样本的权值;
S33:迭代运算,直至设定值,进行t=1,2,...T次迭代,t表示迭代次数,T表示最大迭代次数;
S34:按弱分类器权重值αt组合各个弱分类器,得到所述用电异常检测模型。
6.根据权利要求4所述的电网用户用电异常行为检测方法,其特征在于,所述S4步骤进一步包括步骤:
S41:确定所述弱分类器类型;
S42:确定所述弱分类器个数和权重缩减系数;
S43:利用所述训练集训练所述弱分类器;
S44:测试所述弱分类器。
7.根据权利要求6所述的电网用户用电异常行为检测方法,其特征在于,所述S41步骤中,用生成的所述训练集对常见的BP、DT、SVM和KNN四种算法进行训练对比,确定所述弱分类器类型。
8.根据权利要求6所述的电网用户用电异常行为检测方法,其特征在于,所述S4步骤中,还包括步骤:控制所述用电异常检测模型的学习率,绘制学习器个数分类错误率曲线,确定最佳弱学习器和学习率。
9.根据权利要求6所述的电网用户用电异常行为检测方法,其特征在于,所述S8步骤中,使用查全率、查准率和精度检测所述用电异常检测模型的分类性能,输出混淆矩阵,分析所述用电异常检测模型的所述弱分类器识别窃电用户的分类性能。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110192632.2A CN113011997A (zh) | 2021-02-20 | 2021-02-20 | 电网用户用电异常行为检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110192632.2A CN113011997A (zh) | 2021-02-20 | 2021-02-20 | 电网用户用电异常行为检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113011997A true CN113011997A (zh) | 2021-06-22 |
Family
ID=76404196
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110192632.2A Pending CN113011997A (zh) | 2021-02-20 | 2021-02-20 | 电网用户用电异常行为检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113011997A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113435915A (zh) * | 2021-07-14 | 2021-09-24 | 广东电网有限责任公司 | 用户窃电行为检测方法、装置、设备及存储介质 |
CN113589034A (zh) * | 2021-07-30 | 2021-11-02 | 南方电网科学研究院有限责任公司 | 一种配电系统的窃电检测方法、装置、设备和介质 |
CN113627821A (zh) * | 2021-08-25 | 2021-11-09 | 深圳供电局有限公司 | 一种基于用电行为特征进行异常用电识别的方法及系统 |
CN113687176A (zh) * | 2021-10-25 | 2021-11-23 | 广东电网有限责任公司湛江供电局 | 一种基于深度神经网络的用电异常检测方法、系统 |
CN116470618A (zh) * | 2023-04-17 | 2023-07-21 | 深圳市威能讯电子有限公司 | 一种移动式户外储能充放电控制方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104657912A (zh) * | 2015-02-06 | 2015-05-27 | 宁波永耀信息科技有限公司 | 基于水电量比和支持向量聚类异常用户检测方法及系统 |
CN109753989A (zh) * | 2018-11-18 | 2019-05-14 | 韩霞 | 基于大数据与机器学习的电力用户窃电行为分析方法 |
CN109858679A (zh) * | 2018-12-30 | 2019-06-07 | 国网浙江省电力有限公司 | 一种结合人机物的反窃电稽查监控系统及其工作方法 |
CN110060772A (zh) * | 2019-01-24 | 2019-07-26 | 暨南大学 | 一种基于社交网络的职业心理性格分析方法 |
CN110363384A (zh) * | 2019-06-03 | 2019-10-22 | 杭州电子科技大学 | 基于深度加权神经网络的异常用电检测方法 |
CN110782094A (zh) * | 2019-10-28 | 2020-02-11 | 国网江苏省电力有限公司苏州供电分公司 | 一种居民用户细粒度用电行为的分项负荷预测方法 |
CN112257784A (zh) * | 2020-10-22 | 2021-01-22 | 福州大学 | 一种基于梯度提升决策树的窃电检测方法 |
-
2021
- 2021-02-20 CN CN202110192632.2A patent/CN113011997A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104657912A (zh) * | 2015-02-06 | 2015-05-27 | 宁波永耀信息科技有限公司 | 基于水电量比和支持向量聚类异常用户检测方法及系统 |
CN109753989A (zh) * | 2018-11-18 | 2019-05-14 | 韩霞 | 基于大数据与机器学习的电力用户窃电行为分析方法 |
CN109858679A (zh) * | 2018-12-30 | 2019-06-07 | 国网浙江省电力有限公司 | 一种结合人机物的反窃电稽查监控系统及其工作方法 |
CN110060772A (zh) * | 2019-01-24 | 2019-07-26 | 暨南大学 | 一种基于社交网络的职业心理性格分析方法 |
CN110363384A (zh) * | 2019-06-03 | 2019-10-22 | 杭州电子科技大学 | 基于深度加权神经网络的异常用电检测方法 |
CN110782094A (zh) * | 2019-10-28 | 2020-02-11 | 国网江苏省电力有限公司苏州供电分公司 | 一种居民用户细粒度用电行为的分项负荷预测方法 |
CN112257784A (zh) * | 2020-10-22 | 2021-01-22 | 福州大学 | 一种基于梯度提升决策树的窃电检测方法 |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113435915A (zh) * | 2021-07-14 | 2021-09-24 | 广东电网有限责任公司 | 用户窃电行为检测方法、装置、设备及存储介质 |
CN113435915B (zh) * | 2021-07-14 | 2023-01-20 | 广东电网有限责任公司 | 用户窃电行为检测方法、装置、设备及存储介质 |
CN113589034A (zh) * | 2021-07-30 | 2021-11-02 | 南方电网科学研究院有限责任公司 | 一种配电系统的窃电检测方法、装置、设备和介质 |
CN113589034B (zh) * | 2021-07-30 | 2023-08-08 | 南方电网科学研究院有限责任公司 | 一种配电系统的窃电检测方法、装置、设备和介质 |
CN113627821A (zh) * | 2021-08-25 | 2021-11-09 | 深圳供电局有限公司 | 一种基于用电行为特征进行异常用电识别的方法及系统 |
CN113687176A (zh) * | 2021-10-25 | 2021-11-23 | 广东电网有限责任公司湛江供电局 | 一种基于深度神经网络的用电异常检测方法、系统 |
CN113687176B (zh) * | 2021-10-25 | 2022-02-15 | 广东电网有限责任公司湛江供电局 | 一种基于深度神经网络的用电异常检测方法、系统 |
CN116470618A (zh) * | 2023-04-17 | 2023-07-21 | 深圳市威能讯电子有限公司 | 一种移动式户外储能充放电控制方法 |
CN116470618B (zh) * | 2023-04-17 | 2024-01-26 | 深圳市威能讯电子有限公司 | 一种移动式户外储能充放电控制方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113011997A (zh) | 电网用户用电异常行为检测方法 | |
Shi et al. | An independent component analysis classification for complex power quality disturbances with sparse auto encoder features | |
Günnemann et al. | Predicting defective engines using convolutional neural networks on temporal vibration signals | |
CN110738232A (zh) | 一种基于数据挖掘技术的电网电压越限成因诊断方法 | |
CN111126820A (zh) | 反窃电方法及系统 | |
CN112949721A (zh) | 一种电力设备静态数据质量评估方法及系统 | |
CN110796159A (zh) | 基于k-means算法的电力数据分类方法及系统 | |
Zare et al. | Estimation of variance components in linear mixed measurement error models | |
CN114186639A (zh) | 基于双重加权朴素贝叶斯的电气事故分类方法 | |
CN112990593A (zh) | 基于cso-ann-el算法的变压器故障诊断及状态预测方法 | |
CN111090679B (zh) | 基于时序影响和图嵌入的时序数据表示学习方法 | |
CN112183459A (zh) | 一种基于进化多目标优化的遥感水质图像分类方法 | |
CN111965733B (zh) | 一种预报因子与太阳耀斑发生的相关性评估方法 | |
CN109726738A (zh) | 基于迁移学习与属性熵加权模糊聚类的数据分类方法 | |
WO2022047659A1 (zh) | 多源异构日志分析方法 | |
Zhou et al. | Attribute weight entropy regularization in fuzzy c-means algorithm for feature selection | |
CN105740885A (zh) | 基于多核鉴别线性表示的分类方法 | |
CN112102882A (zh) | 一种用于肿瘤样本ngs检测流程的质控系统和方法 | |
CN111698269A (zh) | 一种基于Plackett-Luce模型的网络入侵检测方法 | |
CN113904801B (zh) | 一种网络入侵检测方法及系统 | |
Zuo et al. | An Improved AdaBoost Tree-Based Method for Defective Products Identification in Wafer Test | |
Yang et al. | Research on Traffic Data Recovery Based on Tensor Filling and Tensor Matrix Association Analysis | |
CN109657795A (zh) | 一种基于属性选择的硬盘故障预测方法 | |
CN116740900B (zh) | 一种基于svm的电力施工预警方法及系统 | |
Ganbayev | Combining GAN with Other Machine Learning Techniques for Improving Customs Fraud Detection |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210622 |