CN113033414A - 用电数据异常检测方法、装置、计算机设备和存储介质 - Google Patents

用电数据异常检测方法、装置、计算机设备和存储介质 Download PDF

Info

Publication number
CN113033414A
CN113033414A CN202110327417.9A CN202110327417A CN113033414A CN 113033414 A CN113033414 A CN 113033414A CN 202110327417 A CN202110327417 A CN 202110327417A CN 113033414 A CN113033414 A CN 113033414A
Authority
CN
China
Prior art keywords
data
frequency domain
power consumption
consumption data
electricity
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
CN202110327417.9A
Other languages
English (en)
Inventor
梁洪浩
伍少成
赵杰
姜和芳
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.)
Shenzhen Power Supply Bureau Co Ltd
Original Assignee
Shenzhen Power Supply Bureau 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 Shenzhen Power Supply Bureau Co Ltd filed Critical Shenzhen Power Supply Bureau Co Ltd
Priority to CN202110327417.9A priority Critical patent/CN113033414A/zh
Publication of CN113033414A publication Critical patent/CN113033414A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising
    • G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield 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
    • G06N3/045—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
    • G06N3/08—Learning methods
    • 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
    • G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
    • 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
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching

Landscapes

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

Abstract

本申请涉及一种用电数据异常检测方法、装置、计算机设备和存储介质。所述方法包括：获取待检测用电数据的频域组合数据；提取所述频域组合数据的特征信息；根据所述特征信息，得到所述待检测用电数据的下一时间段的预测用电数据以及所述预测用电数据的标签信息；所述标签信息用于表征所述预测用电数据是否异常；根据所述预测用电数据的标签信息，确定对所述预测用电数据的检测结果。采用本方法，能够提高用电数据的异常检测准确度。

Description

用电数据异常检测方法、装置、计算机设备和存储介质
技术领域
本申请涉及用电检测技术领域，特别是涉及一种用电数据异常检测方法、装置、计算机设备和存储介质。
背景技术
随着电网技术的快速发展，越来越多的用电设备投入到日常生活中；为了保证用电数据正常，需要提前对用电数据进行异常检测。
相关技术中，对用电数据的异常检测方法，一般是通过机器学习算法，对用电数据进行计算分析，以预测未来的用电数据是否异常；但是，用电数据异常受多方面影响，仅仅考虑用电数据本身，会导致用电数据的异常检测准确度较低。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提高用电数据的异常检测准确度的用电数据异常检测方法、装置、计算机设备和存储介质。
一种用电数据异常检测方法，所述方法包括：
获取待检测用电数据的频域组合数据；
提取所述频域组合数据的特征信息；
根据所述特征信息，得到所述待检测用电数据的下一时间段的预测用电数据以及所述预测用电数据的标签信息；所述标签信息用于表征所述预测用电数据是否异常；
根据所述预测用电数据的标签信息，确定对所述预测用电数据的检测结果。
在其中一个实施例中，所述获取待检测用电数据的频域组合数据，包括：
获取待检测用电数据的频域数据、时间信息和所述时间信息对应的天气信息；
获取所述频域数据、所述时间信息和所述天气信息对应的向量；
将所述频域数据、所述时间信息和所述天气信息对应的向量进行拼接处理，得到所述待检测用电数据的频域组合数据。
在其中一个实施例中，所述获取待检测用电数据的频域数据，包括：
获取待检测用电数据；
对所述待检测用电数据进行预处理，得到预处理后的待检测用电数据；
对所述预处理后的待检测用电数据进行傅里叶变换处理，得到所述待检测用电数据的频域数据。
在其中一个实施例中，所述提取所述频域组合数据的特征信息，包括：
将所述频域组合数据输入预先训练的第一特征提取模型，得到所述频域组合数据的频域特征；所述预先训练的第一特征提取模型用于对所述频域组合数据进行频域特征提取处理，得到所述频域组合数据的频域特征；
将所述频域组合数据的频域特征输入预先训练的第二特征提取模型，得到所述频域组合数据的时序特征，作为所述频域组合数据的特征信息；所述预先训练的第二特征提取模型用于对所述频域组合数据的频域特征进行时序特征提取处理，得到所述频域组合数据的时序特征。
在其中一个实施例中，所述根据所述特征信息，得到所述待检测用电数据的下一时间段的预测用电数据以及所述预测用电数据的标签信息，包括：
将所述频域组合数据的时序特征输入预先训练的用电数据预测模型，得到所述待检测用电数据的下一时间段的预测用电数据；所述预先训练的用电数据预测模型用于对所述频域组合数据的时序特征进行第一全连接处理，得到所述预测用电数据；
将所述频域组合数据的时序特征输入预先训练的用电数据异常检测模型，得到所述预测用电数据的标签信息；所述预先训练的用电数据异常检测模型用于对所述频域组合数据的时序特征进行第二全连接处理，得到所述预测用电数据的标签信息。
在其中一个实施例中，所述方法还包括：
获取样本用电数据的样本频域组合数据；
将所述样本用电数据的样本频域组合数据输入待训练的第一特征提取模型，得到所述样本频域组合数据的频域特征；
将所述样本频域组合数据的频域特征输入待训练的第二特征提取模型，得到所述样本频域组合数据的时序特征；
分别将所述样本频域组合数据的时序特征输入待训练的用电数据预测模型和待训练的用电数据异常检测模型，得到所述样本用电数据的下一时间段的预测用电数据和所述预测用电数据的标签信息；
根据所述预测用电数据和实际用电数据之间的差值，以及所述标签信息和实际标签信息之间的差值，得到损失值；
根据所述损失值对所述待训练的第一特征提取模型、所述待训练的第二特征提取模型、所述待训练的用电数据预测模型和所述待训练的用电数据异常检测模型进行训练，得到训练完成的第一特征提取模型、第二特征提取模型、用电数据预测模型和用电数据异常检测模型，对应作为所述预先训练的第一特征提取模型、第二特征提取模型、用电数据预测模型和用电数据异常检测模型。
在其中一个实施例中，在根据所述预测用电数据的标签信息，确定对所述预测用电数据的检测结果之后，还包括：
若所述预测用电数据的检测结果为所述预测用电数据出现异常，则生成对所述预测用电数据的预警信息。
一种用电数据异常检测装置，所述装置包括：
数据获取模块，用于获取待检测用电数据的频域组合数据；
特征提取模块，用于提取所述频域组合数据的特征信息；
用电预测模块，用于根据所述特征信息，得到所述待检测用电数据的下一时间段的预测用电数据以及所述预测用电数据的标签信息；所述标签信息用于表征所述预测用电数据是否异常；
结果确定模块，用于根据所述预测用电数据的标签信息，确定对所述预测用电数据的检测结果。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
获取待检测用电数据的频域组合数据；
提取所述频域组合数据的特征信息；
根据所述特征信息，得到所述待检测用电数据的下一时间段的预测用电数据以及所述预测用电数据的标签信息；所述标签信息用于表征所述预测用电数据是否异常；
根据所述预测用电数据的标签信息，确定对所述预测用电数据的检测结果。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
获取待检测用电数据的频域组合数据；
提取所述频域组合数据的特征信息；
根据所述特征信息，得到所述待检测用电数据的下一时间段的预测用电数据以及所述预测用电数据的标签信息；所述标签信息用于表征所述预测用电数据是否异常；
根据所述预测用电数据的标签信息，确定对所述预测用电数据的检测结果。
上述用电数据异常检测方法、装置、计算机设备和存储介质，通过获取待检测用电数据的频域组合数据；然后提取频域组合数据的特征信息；最后根据特征信息，得到待检测用电数据的下一时间段的预测用电数据以及预测用电数据的标签信息，并根据预测用电数据的标签信息，确定对预测用电数据的检测结果；这样，实现了根据待检测用电数据的频域组合数据，确定对预测用电数据的检测结果的目的，综合考虑了待检测用电数据的频域组合数据，使得用电数据异常检测更加准确，从而提高了用电数据的异常检测准确度，避免了仅仅考虑用电数据本身，导致用电数据的异常检测准确度较低的缺陷。
附图说明
图1为一个实施例中用电数据异常检测方法的应用环境图；
图2为一个实施例中用电数据异常检测方法的流程示意图；
图3为一个实施例中进行用电数据预测和用电数据异常检测的示意图；
图4为另一个实施例中用电数据异常检测方法的流程示意图；
图5为又一个实施例中用电数据异常检测方法的流程示意图；
图6为一个实施例中用电数据异常检测装置的结构框图；
图7为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请提供的用电数据异常检测方法，可以应用于如图1所示的应用环境中。其中，采集终端110通过网络与服务器120进行通信；具体地，参考图1，采集终端110采集用户的用电数据，作为待检测用电数据，并将待检测用电数据发送至服务器120；服务器120获取待检测用电数据的频域组合数据；提取频域组合数据的特征信息；根据特征信息，得到待检测用电数据的下一时间段的预测用电数据以及预测用电数据的标签信息；标签信息用于表征预测用电数据是否异常；根据预测用电数据的标签信息，确定对预测用电数据的检测结果。其中，采集终端110是指用于采集用电数据的终端，比如电表、仪表等；服务器120可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中，如图2所示，提供了一种用电数据异常检测方法，以该方法应用于图1中的服务器为例进行说明，包括以下步骤：
步骤S201，获取待检测用电数据的频域组合数据。
其中，待检测用电数据是指一段时间内的已知用电数据，比如7天的用电数据。频域组合数据由待检测用电数据的频域数据、待检测用电数据对应的时间信息和该时间信息对应的天气信息所组成。
需要说明的是，频域组合数据是一种向量形式的数据，不同待检测用电数据对应的频域组合数据不一样。具体地，采集终端采集待检测用户的一段时间内的用电数据，并将其作为待检测用电数据上传至服务器中，通过服务器对待检测用电数据进行分析处理，得到待检测用电数据的频域组合数据。
当然，服务器还可以从存储有多个用户的用电数据的数据库中，获取待检测用户的待检测用电数据，并对待检测用电数据进行分析，得到待检测用电数据的频域组合数据。
步骤S202，提取频域组合数据的特征信息。
其中，频域组合数据的特征信息是指能够表征待检测用电数据的下一时间段的预测用电数据是否异常的关键特征，比如频域组合数据的时序特征。
具体地，服务器获取预设的特征提取指令，通过预设的特征提取指令对频域组合数据进行特征提取处理，得到频域组合数据的特征信息；其中，预设的特征提取指令是一种能够提取出频域组合数据中的特征信息的指令。这样，通过提取频域组合数据的特征信息，有利于后续根据频域组合数据的特征信息，得到待检测用电数据的下一时间段的预测用电数据以及预测用电数据的异常标签，进而确定出对预测用电数据的检测结果，综合考虑了待检测用电数据的频域组合数据，有利于提高用电数据的异常检测准确度。
当然，服务器还可以将待检测用电数据的频域组合数据输入到特征提取模型中，通过特征提取模型对待检测用电数据的频域组合数据进行特征提取处理，得到频域组合数据的特征信息；特征提取模型是一种能够提取出频域组合数据中的特征信息的神经网络模型。
步骤S203，根据特征信息，得到待检测用电数据的下一时间段的预测用电数据以及预测用电数据的标签信息；标签信息用于表征预测用电数据是否异常。
其中，待检测用电数据的下一时间段的预测用电数据，是指待检测用电数据对应的时间段之后的一个时间段的预测用电数据，比如待检测用电数据是第1至7天的用电数据，那么下一时间段的预测用电数据是指第8天的预测用电数据。
其中，预测用电数据的标签信息用于标识预测用电数据是否存在异常，比如用于标识第8天的预测用电数据是否存在异常。
具体地，服务器分别将频域组合数据的特征信息输入到第一全连接网络和第二全连接网络，通过第一全连接网络对频域组合数据的特征信息进行第一全连接处理，得到待检测用电数据的下一时间段的预测用电数据；通过第二全连接网络对频域组合数据的特征信息进行第二全连接处理，得到该预测用电数据的标签信息。这样，通过同时获取待检测用电数据的下一时间段的预测用电数据以及预测用电数据的标签信息，有利于准确判断下一时间段的预测用电数据是否存在异常，避免仅仅预测出下一时间段的预测用电数据而无法判断其是否存在异常。
步骤S204，根据预测用电数据的标签信息，确定对预测用电数据的检测结果。
其中，对预测用电数据的检测结果，可以是指预测用电数据正常，也可以是预测用电数据异常。
具体地，服务器根据预测用电数据的标签信息，判断预测用电数据是否存在异常，进而生成对预测用电数据的检测结果；这样，有利于在预测用电数据异常时及时作为预警。例如，若预测用电数据的标签信息为异常标签，说明预测用电数据存在异常，若预测用电数据的标签信息为正常标签，说明预测用电数据不存在异常，进而说明预测用电数据正常。
上述用电数据异常检测方法中，通过获取待检测用电数据的频域组合数据；然后提取频域组合数据的特征信息；最后根据特征信息，得到待检测用电数据的下一时间段的预测用电数据以及预测用电数据的标签信息，并根据预测用电数据的标签信息，确定对预测用电数据的检测结果；这样，实现了根据待检测用电数据的频域组合数据，确定对预测用电数据的检测结果的目的，综合考虑了待检测用电数据的频域组合数据，使得用电数据异常检测更加准确，从而提高了用电数据的异常检测准确度，避免了仅仅考虑用电数据本身，导致用电数据的异常检测准确度较低的缺陷。
在一个实施例中，上述步骤S201，获取待检测用电数据的频域组合数据，具体包括：获取待检测用电数据的频域数据、时间信息和时间信息对应的天气信息；获取频域数据、时间信息和天气信息对应的向量；将频域数据、时间信息和天气信息对应的向量进行拼接处理，得到待检测用电数据的频域组合数据。
其中，待检测用电数据的频域数据是指从频域维度分析出的用电数据；时间信息，是指待检测用电数据对应的日期信息和季节信息，日期信息用于衡量待检测用电数据所属时间段是属于普通日，还是属于节假日，因为普通日和节假日的用电数据不一样，两者之间存在差异；比如，一般情况下，工作日的用电量较少，节假日的用电量较多。季节信息用于衡量待检测用电数据所属时间段对应的季节，因为不同季节的用电数据不一样，两者存在差异；比如，一般情况下，夏天的用电量较多，冬天的用电量较少。天气信息是指待检测用电数据对应的日期信息的天气状况，不同天气状况对应的用电数据不一样。
需要说明的是，获取待检测用电数据的频域数据、时间信息和时间信息对应的天气信息，是为了综合考虑多种影响因素，以获得更加准确的预测用电数据和预测用电数据的异常标签。
具体地，服务器获取待检测用电数据的时域数据、时间信息和该时间信息对应的天气信息；对待检测用电数据的时域数据进行傅里叶变换处理，得到待检测用电数据的频域数据；通过向量表征模型，获取频域数据、时间信息和天气信息对应的向量，其中，向量表征模型是一种用于将数据转换成向量的模型；接着，根据向量拼接指令，将频域数据、时间信息和天气信息对应的向量进行拼接处理，得到拼接后的向量，作为待检测用电数据的频域组合数据。
本实施例提供的技术方案，通过获取待检测用电数据的频域数据、时间信息和时间信息对应的天气信息，进而得到待检测用电数据的频域组合数据，有利于综合考虑多种影响因素，从而提高了用电数据的异常检测准确度，避免了仅仅考虑用电数据本身，导致用电数据的异常检测准确度较低的缺陷。
在一个实施例中，获取待检测用电数据的频域数据，具体包括：获取待检测用电数据；对待检测用电数据进行预处理，得到预处理后的待检测用电数据；对预处理后的待检测用电数据进行傅里叶变换处理，得到待检测用电数据的频域数据。
其中，对待检测用电数据进行预处理，是指归一化处理、异常离散点剔除处理、平滑插值处理等。
具体地，服务器获取待检测用电数据，比如7天内的用电数据；然后对待检测用电数据进行归一化处理，统一待检测用电数据的取值范围至[0，1]，从而得到归一化处理后的待检测用电数据；然后筛选出归一化处理后的待检测用电数据中明显的离散点，并去除这些明显的离群点，得到剩下的待检测用电数据；接着对剩下的待检测用电数据进行平滑插值处理，得到平滑插值处理后的待检测用电数据，作为预处理后的待检测用电数据；其中，预处理后的待检测用电数据为待检测用电数据的时域数据；通过傅里叶变换指令，对预处理后的待检测用电数据进行傅里叶变换处理，得到待检测用电数据的频域数据。
本实施例提供的技术方案，通过获取待检测用电数据的频域数据，有利于后续根据待检测用电数据的频域数据、时间信息和该时间信息对应的天气信息，得到待检测用电数据的频域组合数据，进而使得后续基于频域组合数据得到的预测用电数据更加准确。
在一个实施例中，上述步骤S202，提取频域组合数据的特征信息，包括：将频域组合数据输入预先训练的第一特征提取模型，得到频域组合数据的频域特征；预先训练的第一特征提取模型用于对频域组合数据进行频域特征提取处理，得到频域组合数据的频域特征；将频域组合数据的频域特征输入预先训练的第二特征提取模型，得到频域组合数据的时序特征，作为频域组合数据的特征信息；预先训练的第二特征提取模型用于对频域组合数据的频域特征进行时序特征提取处理，得到频域组合数据的时序特征。
其中，第一特征提取模型是一种用于频域特征提取处理的神经网络模型，比如全卷积形式的深度CNN(Convolutional Neural Networks，卷积神经网络)模型；第二特征提取模型是一种用于时序特征提取处理的网络模型，比如LSTM(Long Short-Term Memory，长短期记忆网络)模型。
例如，参考图3，服务器将频域组合数据输入到CNN模型，通过CNN模型对频域组合数据进行全卷积处理，得到频域组合数据的频域特征，具体计算过程如下：
yCNN＝fk(fk-1...(Wk-1,f1(W1,x)))；
其中，yCNN表示CNN模型输出的频域组合数据的频域特征，下标k表示CNN模型的第k层，W表示权值，x表示输入的频域组合数据，f表示激活函数；需要说明的是，本申请的激活函数采用sigmoid形式，前k-1层使用sigmoid激活函数，第k层采用tanh激活函数。
接着，参考图3，服务器将CNN模型输出的频域组合数据的频域特征输入到LSTM模型中，通过LSTM模型对频域组合数据的频域特征进行处理，得到频域组合数据的时序特征，具体计算过程如下：
yLSTM＝LSTM(yCNN)；
其中，yLSTM表示LSTM模型输出的频域组合数据的时序特征。
需要说明的是，通过全卷积形式的深度CNN模型，可以从频域组合数据中提取出有效的频域特征，又可以减少信息损失；另外，为了在提取频域特征的同时保留用电数据本身的时域特性，本申请通过在CNN模型输出的频域特征的基础上，使用LSTM模型提取出时序特征。
本实施例提供的技术方案，通过第一特征提取模型从频域组合数据中提取出频域特征，再通过第二特征提取模型从频域特征中提取出时序特征，使得最终得到的频域组合数据的特征信息既保留频域特性又保留时域特性，进而使得后续基于频域组合数据的特征信息得到的预测用电数据更加准确。
在一个实施例中，上述步骤S203，根据特征信息，得到待检测用电数据的下一时间段的预测用电数据以及预测用电数据的标签信息，包括：将频域组合数据的时序特征输入预先训练的用电数据预测模型，得到待检测用电数据的下一时间段的预测用电数据；预先训练的用电数据预测模型用于对频域组合数据的时序特征进行第一全连接处理，得到预测用电数据；将频域组合数据的时序特征输入预先训练的用电数据异常检测模型，得到预测用电数据的标签信息；预先训练的用电数据异常检测模型用于对频域组合数据的时序特征进行第二全连接处理，得到预测用电数据的标签信息。
其中，预先训练的用电数据预测模型是一种用于输出预测用电数据的全连接网络模型，预先训练的用电数据异常检测模型是一种用于输出预测用电数据的标签信息的全连接网络模型。
例如，参考图3，服务器将LSTM模型输出的频域组合数据的时序特征，输入到预先训练的用电数据预测模型，通过预先训练的用电数据预测模型对频域组合数据的时序特征进行第一全连接处理，得到待检测用电数据的下一时间段的预测用电数据，具体计算过程如下：
ypre＝Full1(yLSTM)；
其中，ypre表示待检测用电数据的下一时间段的预测用电数据，Full1表示全连接形式的用电数据预测模型。
同时，参考图3，服务器将LSTM模型输出的频域组合数据的时序特征，输入到预先训练的用电数据异常检测模型，通过预先训练的用电数据异常检测模型对频域组合数据的时序特征进行第二全连接处理，得到预测用电数据的标签信息，具体计算过程如下：
ydet＝Full2(yLSTM)；
其中，ydet表示预测用电数据的标签信息，Full2表示全连接形式的用电数据异常检测模型。
本实施例提供的技术方案，通过将参考多种影响因素的频域组合数据的时序特征分别输入到用电数据预测模型和用电数据异常检测模型，同时得到待检测用电数据的下一时间段的预测用电数据以及预测用电数据的标签信息，有利于后续根据预测用电数据的标签信息，确定对预测用电数据的检测结果，从而提高了用电数据的异常检测准确度。
在一个实施例中，本申请提供的用电数据异常检测方法还包括模型的训练步骤，具体包括如下内容：获取样本用电数据的样本频域组合数据；将样本用电数据的样本频域组合数据输入待训练的第一特征提取模型，得到样本频域组合数据的频域特征；将样本频域组合数据的频域特征输入待训练的第二特征提取模型，得到样本频域组合数据的时序特征；分别将样本频域组合数据的时序特征输入待训练的用电数据预测模型和待训练的用电数据异常检测模型，得到样本用电数据的下一时间段的预测用电数据和预测用电数据的标签信息；根据预测用电数据和实际用电数据之间的差值，以及标签信息和实际标签信息之间的差值，得到损失值；根据损失值对待训练的第一特征提取模型、待训练的第二特征提取模型、待训练的用电数据预测模型和待训练的用电数据异常检测模型进行训练，得到训练完成的第一特征提取模型、第二特征提取模型、用电数据预测模型和用电数据异常检测模型，对应作为预先训练的第一特征提取模型、第二特征提取模型、用电数据预测模型和用电数据异常检测模型。
其中，样本用电数据的样本频域组合数据，由样本用电数据的频域数据、样本用电数据对应的时间信息和该时间信息对应的天气信息所组成，具体是指一种向量形式的数据。
具体地，服务器获取样本用电数据的样本频域组合数据，然后将样本用电数据的样本频域组合数据输入待训练的第一特征提取模型，通过待训练的第一特征提取模型对样本频域组合数据进行频域特征提取处理，得到样本频域组合数据的频域特征；接着，服务器将样本频域组合数据的频域特征输入待训练的第二特征提取模型，通过待训练的第二特征提取模型对样本频域组合数据的频域特征进行时序特征提取处理，得到样本频域组合数据的时序特征；分别将样本频域组合数据的时序特征输入待训练的用电数据预测模型和待训练的用电数据异常检测模型，通过待训练的用电数据预测模型对样本频域组合数据的时序特征进行第一全连接处理，以及通过待训练的用电数据异常检测模型对样本频域组合数据的时序特征进行第二全连接处理，得到样本用电数据的下一时间段的预测用电数据和预测用电数据的标签信息；获取样本用电数据的下一时间段的实际用电数据以及该实际用电数据的实际标签信息，根据预测用电数据和实际用电数据之间的差值，结合欧式距离函数，计算得到第一损失值；根据标签信息和实际标签信息之间的差值，结合交叉熵函数，计算得到第二损失值；将第一损失值和第二损失值进行相加，得到损失值，具体计算过程如下：
Losspre＝||labelpre-ypre||2；
其中，Losspre表示第一损失值，labelpre表示样本用电数据的下一时间段的实际用电数据；
Lossdet＝||labeldet-ydet||2；
其中，Lossdet表示第二损失值，labeldet表示样本用电数据的下一时间段的实际用电数据的实际标签信息；
Loss＝Losspre+Lossdet；
其中，Loss表示最终计算得到的损失值。
接着，服务器根据损失值调整待训练的第一特征提取模型、待训练的第二特征提取模型、待训练的用电数据预测模型和待训练的用电数据异常检测模型的模型参数，得到调整后的第一特征提取模型、第二特征提取模型、用电数据预测模型和用电数据异常检测模型；根据样本用电数据的样本频域组合数据，对调整后的第一特征提取模型、第二特征提取模型、用电数据预测模型和用电数据异常检测模型进行反复训练，直到根据训练后的第一特征提取模型、第二特征提取模型、用电数据预测模型和用电数据异常检测模型得到的损失值小于预设阈值，则将训练后的第一特征提取模型、第二特征提取模型、用电数据预测模型和用电数据异常检测模型，对应作为预先训练的第一特征提取模型、第二特征提取模型、用电数据预测模型和用电数据异常检测模型。
本实施例提供的技术方案，通过样本用电数据的样本频域组合数据，对第一特征提取模型、第二特征提取模型、用电数据预测模型和用电数据异常检测模型进行反复训练，有利于提高通过这些训练好的模型最终输出的待检测用电数据的下一时间段的预测用电数据以及预测用电数据的标签信息的准确度，从而提高了用电数据的异常检测准确度。
在一个实施例中，上述步骤S204，在根据预测用电数据的异常标签，确定对预测用电数据的检测结果之后，还包括：若预测用电数据的检测结果为预测用电数据出现异常，则生成对预测用电数据的预警信息。
具体地，当服务器识别到预测用电数据的检测结果为预测用电数据出现异常时，则说明预测用电数据有较大可能存在异常，则生成对预测用电数据的预警信息，并及时作出预警；当然，也可以提醒相应的用电用户不要违规用电。
本实施例提供的技术方案，在预测用电数据的检测结果为预测用电数据出现异常时，则生成对预测用电数据的预警信息，有利于提前对下一时间段的异常用电数据进行预警，避免存在异常用电的情况。
在一个实施例中，如图4所示，提供了另一种用电数据异常检测方法，以该方法应用于图1中的服务器为例进行说明，包括以下步骤：
步骤S401，获取待检测用电数据；对待检测用电数据进行预处理，得到预处理后的待检测用电数据；对预处理后的待检测用电数据进行傅里叶变换处理，得到待检测用电数据的频域数据。
步骤S402，获取待检测用电数据的时间信息和该时间信息对应的天气信息；获取频域数据、时间信息和天气信息对应的向量；将频域数据、时间信息和天气信息对应的向量进行拼接处理，得到待检测用电数据的频域组合数据。
步骤S403，将频域组合数据输入预先训练的第一特征提取模型，得到频域组合数据的频域特征。
步骤S404，将频域组合数据的频域特征输入预先训练的第二特征提取模型，得到频域组合数据的时序特征。
步骤S405，将频域组合数据的时序特征输入预先训练的用电数据预测模型，得到待检测用电数据的下一时间段的预测用电数据。
步骤S406，将频域组合数据的时序特征输入预先训练的用电数据异常检测模型，得到预测用电数据的标签信息。
步骤S407，根据预测用电数据的标签信息，确定对预测用电数据的检测结果。
步骤S408，若预测用电数据的检测结果为预测用电数据出现异常，则生成对预测用电数据的预警信息。
上述用电数据异常检测方法中，实现了根据待检测用电数据的频域组合数据，确定对预测用电数据的检测结果的目的，综合考虑了待检测用电数据的频域组合数据，使得用电数据异常检测更加准确，从而提高了用电数据的异常检测准确度，避免了仅仅考虑用电数据本身，导致用电数据的异常检测准确度较低的缺陷。
在一个实施例中，为了更清晰阐明本申请实施例提供的技术方案，以下将详细阐述本申请的用电数据异常检测方法的一个应用实例，该应用实例的具体内容如下：
本申请提供了一种用电数据预测+用电数据异常检测的多任务学习算法，首先算法对用电量数据进行预处理，去除明显的离群点数据并进行平滑插值，由此构建有效的日用电量数据；然后使用傅里叶变换，将时域用电数据映射到频域，结合频域的用电量数据、节假日、天气信息等构建模型的输入数据，对数据进行标记，作为训练样本对应的标签；再然后定义一个多任务频域卷积+LSTM模型(Multi-task Frequency CNN+LSTM,MFCNN+LSTM)，利用标签信息、在频谱上进行卷积运算提取特征，此过程采用全卷积形式的深度CNN模型以便提取有效的频域特征的同时减少信息损失，然而，傅里叶变换存在的问题在于丢失了数据本身具有的时域特性，为了在提取频域特征的同时保留数据本身的时域特性，本发明在CNN模型提取的特征基础上，使用LSTM模型提取时序特征并作为预测模型预测用电数据，然后通过组合全连接模型来判断预测用电数据是否为异常用电数据。具体参考图5，主要包括如下步骤：
步骤S501，数据预处理。
首先对数据进行归一化，统一数据的取值范围至区间[0,1]，以便后续模型的处理，然后以7天为单位将数据划分为数据块，并对数据进行简单的预处理，筛选出明显的离群点数据并去除，对于剩下的数据进行平滑插值，然后使用傅里叶变换映射到频域，并将天气状况、季节、节假日信息编码为向量形式拼接到数据中。标注出正常的用电数据和含有异常的用电数据，将这些标注数据作为训练样本。
步骤S502，构建MFCNN+LSTM模型并训练模型。
本申请将有标签的用电数据作为训练数据，训练一个多任务频域卷积+LSTM模型(Multi-task Frequency CNN+LSTM,MFCNN+LSTM)，利用标签信息、在频谱上采用全卷积形式的深度CNN模型提取有效的频域特征，为了在提取频域特征的同时保留数据本身的时域特性，本申请在CNN模型提取的特征基础上，使用LSTM模型提取时序特征并作为预测模型预测用电数据，然后组合全连接模型判断预测数据是否是异常用电。
步骤S503，使用训练好的MFCNN+LSTM模型完成异常检测。
对于测试数据，本发明利用训练好的模型，对于预测任务，将每7天的数据作为一个训练样本，下一天的数据作为标签，因此预测天然是有标签的，而对于异常检测任务则与普通机器学习模型一样，进行测试分类，其中异常检测模块输出为异常的用电数据则标记为异常，而预测模块得到的结果与标签差异较大的用电数据则可以作为预警情况。
上述实施例，可以达到以下技术效果：(1)将多任务学习的思想引入到异常检测任务中，采用软共享机制，主任务是异常检测，辅助任务是用电数据的预测，其中辅助任务的标签可以根据样本自动生成；(2)基于多任务学习框架，设计了基于频域的全卷积神经网络和LSTM混合网络的形式，在LSTM提取的特征基础上分别构建全连接层和分类模型，完成用电数据预测和用电数据异常检测任务。
应该理解的是，虽然图2、4、5的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2、4、5中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图6所示，提供了一种用电数据异常检测装置，包括：数据获取模块610、特征提取模块620、用电预测模块630和结果确定模块640，其中：
数据获取模块610，用于获取待检测用电数据的频域组合数据。
特征提取模块620，用于提取频域组合数据的特征信息。
用电预测模块630，用于根据特征信息，得到待检测用电数据的下一时间段的预测用电数据以及预测用电数据的标签信息；标签信息用于表征预测用电数据是否异常。
结果确定模块640，用于根据预测用电数据的标签信息，确定对预测用电数据的检测结果。
在一个实施例中，数据获取模块610，还用于获取待检测用电数据的频域数据、时间信息和时间信息对应的天气信息；获取频域数据、时间信息和天气信息对应的向量；将频域数据、时间信息和天气信息对应的向量进行拼接处理，得到待检测用电数据的频域组合数据。
在一个实施例中，数据获取模块610，还用于获取待检测用电数据；对待检测用电数据进行预处理，得到预处理后的待检测用电数据；对预处理后的待检测用电数据进行傅里叶变换处理，得到待检测用电数据的频域数据。
在一个实施例中，特征提取模块620，还用于将频域组合数据输入预先训练的第一特征提取模型，得到频域组合数据的频域特征；预先训练的第一特征提取模型用于对频域组合数据进行频域特征提取处理，得到频域组合数据的频域特征；将频域组合数据的频域特征输入预先训练的第二特征提取模型，得到频域组合数据的时序特征，作为频域组合数据的特征信息；预先训练的第二特征提取模型用于对频域组合数据的频域特征进行时序特征提取处理，得到频域组合数据的时序特征。
在一个实施例中，用电预测模块630，还用于将频域组合数据的时序特征输入预先训练的用电数据预测模型，得到待检测用电数据的下一时间段的预测用电数据；预先训练的用电数据预测模型用于对频域组合数据的时序特征进行第一全连接处理，得到预测用电数据；将频域组合数据的时序特征输入预先训练的用电数据异常检测模型，得到预测用电数据的标签信息；预先训练的用电数据异常检测模型用于对频域组合数据的时序特征进行第二全连接处理，得到预测用电数据的标签信息。
在一个实施例中，本申请提供的用电数据异常检测装置还包括模型训练模块，用于获取样本用电数据的样本频域组合数据；将样本用电数据的样本频域组合数据输入待训练的第一特征提取模型，得到样本频域组合数据的频域特征；将样本频域组合数据的频域特征输入待训练的第二特征提取模型，得到样本频域组合数据的时序特征；分别将样本频域组合数据的时序特征输入待训练的用电数据预测模型和待训练的用电数据异常检测模型，得到样本用电数据的下一时间段的预测用电数据和预测用电数据的标签信息；根据预测用电数据和实际用电数据之间的差值，以及标签信息和实际标签信息之间的差值，得到损失值；根据损失值对待训练的第一特征提取模型、待训练的第二特征提取模型、待训练的用电数据预测模型和待训练的用电数据异常检测模型进行训练，得到训练完成的第一特征提取模型、第二特征提取模型、用电数据预测模型和用电数据异常检测模型，对应作为预先训练的第一特征提取模型、第二特征提取模型、用电数据预测模型和用电数据异常检测模型。
在一个实施例中，本申请提供的用电数据异常检测装置还包括信息生成模型，用于若预测用电数据的检测结果为预测用电数据出现异常，则生成对预测用电数据的预警信息。
关于用电数据异常检测装置的具体限定可以参见上文中对于用电数据异常检测方法的限定，在此不再赘述。上述用电数据异常检测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图7所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储待检测用电数据的频域组合数据、待检测用电数据的下一时间段的预测用电数据、预测用电数据的标签信息、对预测用电数据的检测结果等数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种用电数据异常检测方法。
本领域技术人员可以理解，图7中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，还提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个实施例中，提供了一种计算机可读存储介质，存储有计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
在一个实施例中，提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述各方法实施例中的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory，ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic Random Access Memory，DRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种用电数据异常检测方法，其特征在于，所述方法包括：
获取待检测用电数据的频域组合数据；
提取所述频域组合数据的特征信息；
根据所述特征信息，得到所述待检测用电数据的下一时间段的预测用电数据以及所述预测用电数据的标签信息；所述标签信息用于表征所述预测用电数据是否异常；
根据所述预测用电数据的标签信息，确定对所述预测用电数据的检测结果。
2.根据权利要求1所述的方法，其特征在于，所述获取待检测用电数据的频域组合数据，包括：
获取待检测用电数据的频域数据、时间信息和所述时间信息对应的天气信息；
获取所述频域数据、所述时间信息和所述天气信息对应的向量；
将所述频域数据、所述时间信息和所述天气信息对应的向量进行拼接处理，得到所述待检测用电数据的频域组合数据。
3.根据权利要求2所述的方法，其特征在于，所述获取待检测用电数据的频域数据，包括：
获取待检测用电数据；
对所述待检测用电数据进行预处理，得到预处理后的待检测用电数据；
对所述预处理后的待检测用电数据进行傅里叶变换处理，得到所述待检测用电数据的频域数据。
4.根据权利要求1所述的方法，其特征在于，所述提取所述频域组合数据的特征信息，包括：
将所述频域组合数据输入预先训练的第一特征提取模型，得到所述频域组合数据的频域特征；所述预先训练的第一特征提取模型用于对所述频域组合数据进行频域特征提取处理，得到所述频域组合数据的频域特征；
将所述频域组合数据的频域特征输入预先训练的第二特征提取模型，得到所述频域组合数据的时序特征，作为所述频域组合数据的特征信息；所述预先训练的第二特征提取模型用于对所述频域组合数据的频域特征进行时序特征提取处理，得到所述频域组合数据的时序特征。
5.根据权利要求4所述的方法，其特征在于，所述根据所述特征信息，得到所述待检测用电数据的下一时间段的预测用电数据以及所述预测用电数据的标签信息，包括：
将所述频域组合数据的时序特征输入预先训练的用电数据预测模型，得到所述待检测用电数据的下一时间段的预测用电数据；所述预先训练的用电数据预测模型用于对所述频域组合数据的时序特征进行第一全连接处理，得到所述预测用电数据；
将所述频域组合数据的时序特征输入预先训练的用电数据异常检测模型，得到所述预测用电数据的标签信息；所述预先训练的用电数据异常检测模型用于对所述频域组合数据的时序特征进行第二全连接处理，得到所述预测用电数据的标签信息。
6.根据权利要求5所述的方法，其特征在于，所述方法还包括：
获取样本用电数据的样本频域组合数据；
将所述样本用电数据的样本频域组合数据输入待训练的第一特征提取模型，得到所述样本频域组合数据的频域特征；
将所述样本频域组合数据的频域特征输入待训练的第二特征提取模型，得到所述样本频域组合数据的时序特征；
分别将所述样本频域组合数据的时序特征输入待训练的用电数据预测模型和待训练的用电数据异常检测模型，得到所述样本用电数据的下一时间段的预测用电数据和所述预测用电数据的标签信息；
根据所述预测用电数据和实际用电数据之间的差值，以及所述标签信息和实际标签信息之间的差值，得到损失值；
根据所述损失值对所述待训练的第一特征提取模型、所述待训练的第二特征提取模型、所述待训练的用电数据预测模型和所述待训练的用电数据异常检测模型进行训练，得到训练完成的第一特征提取模型、第二特征提取模型、用电数据预测模型和用电数据异常检测模型，对应作为所述预先训练的第一特征提取模型、第二特征提取模型、用电数据预测模型和用电数据异常检测模型。
7.根据权利要求1至6任一项所述的方法，其特征在于，在根据所述预测用电数据的标签信息，确定对所述预测用电数据的检测结果之后，还包括：
若所述预测用电数据的检测结果为所述预测用电数据出现异常，则生成对所述预测用电数据的预警信息。
8.一种用电数据异常检测装置，其特征在于，所述装置包括：
数据获取模块，用于获取待检测用电数据的频域组合数据；
特征提取模块，用于提取所述频域组合数据的特征信息；
用电预测模块，用于根据所述特征信息，得到所述待检测用电数据的下一时间段的预测用电数据以及所述预测用电数据的标签信息；所述标签信息用于表征所述预测用电数据是否异常；
结果确定模块，用于根据所述预测用电数据的标签信息，确定对所述预测用电数据的检测结果。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
CN202110327417.9A 2021-03-26 2021-03-26 用电数据异常检测方法、装置、计算机设备和存储介质 Pending CN113033414A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110327417.9A CN113033414A (zh) 2021-03-26 2021-03-26 用电数据异常检测方法、装置、计算机设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110327417.9A CN113033414A (zh) 2021-03-26 2021-03-26 用电数据异常检测方法、装置、计算机设备和存储介质

Publications (1)

Publication Number Publication Date
CN113033414A true CN113033414A (zh) 2021-06-25

Family

ID=76474258

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110327417.9A Pending CN113033414A (zh) 2021-03-26 2021-03-26 用电数据异常检测方法、装置、计算机设备和存储介质

Country Status (1)

Country Link
CN (1) CN113033414A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20130092199A (ko) * 2012-02-10 2013-08-20 한국전력공사 비정상 전력사용 검출 장치 및 방법
CN107977710A (zh) * 2017-12-21 2018-05-01 南方电网科学研究院有限责任公司 用电异常数据检测方法和装置
CN110119758A (zh) * 2019-04-01 2019-08-13 全球能源互联网研究院有限公司 一种用电数据异常检测及模型训练方法、装置
CN111967512A (zh) * 2020-08-07 2020-11-20 国网江苏省电力有限公司电力科学研究院 一种异常用电检测方法、系统和存储介质
CN112541016A (zh) * 2020-11-26 2021-03-23 南方电网数字电网研究院有限公司 用电异常检测方法、装置、计算机设备和存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20130092199A (ko) * 2012-02-10 2013-08-20 한국전력공사 비정상 전력사용 검출 장치 및 방법
CN107977710A (zh) * 2017-12-21 2018-05-01 南方电网科学研究院有限责任公司 用电异常数据检测方法和装置
CN110119758A (zh) * 2019-04-01 2019-08-13 全球能源互联网研究院有限公司 一种用电数据异常检测及模型训练方法、装置
CN111967512A (zh) * 2020-08-07 2020-11-20 国网江苏省电力有限公司电力科学研究院 一种异常用电检测方法、系统和存储介质
CN112541016A (zh) * 2020-11-26 2021-03-23 南方电网数字电网研究院有限公司 用电异常检测方法、装置、计算机设备和存储介质

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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

Similar Documents

Publication Publication Date Title
CN111210024B (zh) 模型训练方法、装置、计算机设备和存储介质
US11921566B2 (en) Abnormality detection system, abnormality detection method, abnormality detection program, and method for generating learned model
CN112783940B (zh) 基于图神经网络的多源时序数据故障诊断方法和介质
CN107506868B (zh) 一种短时电力负荷预测的方法及装置
CN112766342A (zh) 一种电气设备的异常检测方法
CN113884961A (zh) Soc校准方法、建模方法、建模装置、计算机设备及介质
CN116227543B (zh) 用电异常的检测方法、检测装置、电子装置和电子设备
CN112381673B (zh) 一种基于数字孪生的园区用电信息分析方法及装置
CN113093985B (zh) 传感器数据链路异常检测方法、装置和计算机设备
CN115935139A (zh) 一种海洋观测数据的空间场插补方法
CN113284000B (zh) 用户用电数据异常检测方法、装置、计算机设备
CN113284002A (zh) 用电数据异常检测方法、装置、计算机设备和存储介质
CN116187773B (zh) 一种用于电厂储存电能的损失分析方法及系统
CN112836720A (zh) 建筑运维设备异常诊断方法、系统及计算机可读存储介质
CN113110961B (zh) 设备异常检测方法、装置、计算机设备及可读存储介质
CN113469013B (zh) 一种基于迁移学习和时间序列的电机故障预测方法及系统
CN116306806A (zh) 故障诊断模型确定方法、装置及非易失性存储介质
CN113033414A (zh) 用电数据异常检测方法、装置、计算机设备和存储介质
CN112257224B (zh) 汽轮发电机状态检修方法、系统以及终端
CN111612648B (zh) 光伏发电预测模型的训练方法、装置和计算机设备
CN111930728B (zh) 一种设备的特征参数和故障率的预测方法及系统
CN115841580A (zh) 一种基于标记分布的轴承剩余使用寿命预测方法
CN115130731A (zh) 一种风力发电机故障检测方法、设备及介质
CN114611799A (zh) 发电功率预测方法、装置、设备、存储介质和程序产品
CN116643170B (zh) 电机轴系振动测试方法、装置和计算机设备

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