CN113128567A - 一种基于用电量数据的异常用电行为识别方法 - Google Patents

一种基于用电量数据的异常用电行为识别方法 Download PDF

Info

Publication number
CN113128567A
CN113128567A CN202110322511.5A CN202110322511A CN113128567A CN 113128567 A CN113128567 A CN 113128567A CN 202110322511 A CN202110322511 A CN 202110322511A CN 113128567 A CN113128567 A CN 113128567A
Authority
CN
China
Prior art keywords
electricity consumption
abnormal
data
behavior
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
CN202110322511.5A
Other languages
English (en)
Inventor
张建伟
沈鑫
司大军
林聪�
纪思
漆辉霞
何兆磊
孙黎敏
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.)
Yunnan Power Grid Co Ltd
Original Assignee
Yunnan Power Grid 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 Yunnan Power Grid Co Ltd filed Critical Yunnan Power Grid Co Ltd
Priority to CN202110322511.5A priority Critical patent/CN113128567A/zh
Publication of CN113128567A publication Critical patent/CN113128567A/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
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • 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
    • 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
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
    • H02J13/00002—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by monitoring

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (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)
  • Economics (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (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)
  • Power Engineering (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种基于用电量数据的异常用电行为识别方法，属于异常用电识别技术领域。该方法包括数据采集、数据预处理、用电行为特征构建、用电行为特征提取、异常用电行为识别模型训练、异常用电行为识别几大步骤。通过本发明方法能提高用户用电异常行为识别的精准度，缩小了排查范围，从而保证排查能够得到有效执行，最终提升公司用户管理水平，达到降损增效的目的，易于推广应用。

Description

一种基于用电量数据的异常用电行为识别方法
技术领域
本发明属于异常用电识别技术领域，具体涉及一种基于用电量数据的异常用电行为识别方法。
背景技术
异常用电往往会造成电量电费的不正常计量，受经济利益驱使，一些个人或企业采用异常用电的手段偷逃电费，特别是近年来采用高科技手段进行异常用电的行为增多，这些技术手段不但隐蔽性强、而且查处困难，不仅给电力企业带来经济损失，同时也影响了用电安全，给公众的生命财产安全造成隐患。在异常用电手段不断更新升级的情况下，电力企业的用电检查工作却仍然停留在相对落后的水平上。目前，对于异常用电行为的查处还是以定期检查电表、用户举报等为主，存在工作效率低，覆盖范围小，对业务人员的经验依赖性大等缺点，难以满足用电检查工作的需求。因此如何克服现有技术的不足是目前异常用电识别技术领域亟需解决的问题。
发明内容
本发明的目的是为了解决现有技术的不足，提供一种基于用电量数据的异常用电行为识别方法，该方法能提高用户用电异常行为识别的精准度，缩小了排查范围，易于推广应用。
为实现上述目的，本发明采用的技术方案如下：
一种基于用电量数据的异常用电行为识别方法，包括如下步骤：
步骤(1)，数据采集：采集历史用户用电量数据；
步骤(2)，数据预处理：对采集到的数据进行归一化，然后采用隔离森林算法对归一化后数据中的异常值进行检测，对检测得到的异常值按缺失值进行处理，然后对缺失值采用固定值的填充方法进行填充；
步骤(3)，用电行为特征构建：将经步骤(2)预处理后的用户用电量数据分别按日、周、月、季、年来划分，得到日用电数据集、周用电量数据集、月用电量数据集、季用电量数据集、年用电量数据集；然后分别计算这五个数据集的用电行为特征，所述的用电行为特征包括用电量最大值、用电量最小值、用电量平均值、用电量方差、用电量偏度、用电量峰度和用电量中位数；
步骤(4)，用电行为特征提取：采用随机森林算法对用电行为特征进行提取，提取时，根据重要性指标对用电行为特征进行筛选，剔除重要性低于设定阈值的指标；
步骤(5)，异常用电行为识别模型训练：利用步骤(4)提取的用电行为特征作为输入，将是否有异常用电行为作为输出(预测目标属性)，采用GBDT算法训练模型，得到异常用电行为识别模型；
步骤(6)，异常用电行为识别：采用步骤(5)训练得到的异常用电行为识别模型对异常用电行为进行识别。
进一步，优选的是，步骤(1)中，采集用户最近6个月的日用电量数据。
进一步，优选的是，步骤(2)中，归一化采用零-均值归一化算法。
进一步，优选的是，步骤(2)中，固定值为-1。
进一步，优选的是，步骤(5)中，训练模型时，选取80％的用电行为特征样本作为训练集，另外20％作为测试集。
进一步，优选的是，步骤(5)中，训练模型时，将是否有异常用电行为作为输出具体为：输出采用0和1表示，0表示无异常用电行为，1表示有异常用电行为。
进一步，优选的是，步骤(6)中，对待识别用电行为，采集其历史用电量数据，然后按照步骤(2)～(4)的方法进行处理，将得到的用电行为特征输入到步骤(5)训练好的模型中，得到用户是否存在异常用电的预测结果。
本发明与现有技术相比，其有益效果为：
异常用电行为损害了供电公司的经济利益，同时带来用电安全的问题，所以开展异常用电检查是供电公司的一项重要业务。传统的异常用电检查依赖于专家业务经验，通过对线损、用户用电数据的观察、人工分析有可能发生异常用电的用户，在管理手段上主要是成立用电检查班进行常态化稽查工作，开展大规模的异常用电检查专项活动，采取一定的激励措施动员全民监督举报等，这些传统的专家经验和管理手段，需要耗费大量的人力物力。本发明提出了一种基于用电量数据的异常用电行为识别方法，该方法能提高用户用电异常行为识别的精准度，缩小了排查范围，从而保证排查能够得到有效执行，最终提升公司用户管理水平，达到降损增效的目的。
附图说明
图1为本发明基于用电量数据的异常用电行为识别方法的流程图。
具体实施方式
下面结合实施例对本发明作进一步的详细描述。
本领域技术人员将会理解，下列实施例仅用于说明本发明，而不应视为限定本发明的范围。实施例中未注明具体技术或条件者，按照本领域内的文献所描述的技术或条件或者按照产品说明书进行。所用材料或设备未注明生产厂商者，均为可以通过购买获得的常规产品。
实施例1
一种基于用电量数据的异常用电行为识别方法，包括如下步骤：
步骤(1)，数据采集：采集历史用户用电量数据；
步骤(2)，数据预处理：对采集到的数据进行归一化，然后采用隔离森林算法对归一化后数据中的异常值进行检测，对检测得到的异常值按缺失值进行处理，然后对缺失值采用固定值的填充方法进行填充；
步骤(3)，用电行为特征构建：将经步骤(2)预处理后的用户用电量数据分别按日、周、月、季、年来划分，得到日用电数据集、周用电量数据集、月用电量数据集、季用电量数据集、年用电量数据集；然后分别计算这五个数据集的用电行为特征，所述的用电行为特征包括用电量最大值、用电量最小值、用电量平均值、用电量方差、用电量偏度、用电量峰度和用电量中位数；
步骤(4)，用电行为特征提取：采用随机森林算法对用电行为特征进行提取，提取时，根据重要性指标对用电行为特征进行筛选，剔除重要性低于设定阈值的指标；
步骤(5)，异常用电行为识别模型训练：利用步骤(4)提取的用电行为特征作为输入，将是否有异常用电行为作为输出，采用GBDT算法训练模型，得到异常用电行为识别模型；
步骤(6)，异常用电行为识别：采用步骤(5)训练得到的异常用电行为识别模型对异常用电行为进行识别。
实施例2
一种基于用电量数据的异常用电行为识别方法，包括如下步骤：
步骤(1)，数据采集：采集历史用户用电量数据；
步骤(2)，数据预处理：对采集到的数据进行归一化，然后采用隔离森林算法对归一化后数据中的异常值进行检测，对检测得到的异常值按缺失值进行处理，然后对缺失值采用固定值的填充方法进行填充；
步骤(3)，用电行为特征构建：将经步骤(2)预处理后的用户用电量数据分别按日、周、月、季、年来划分，得到日用电数据集、周用电量数据集、月用电量数据集、季用电量数据集、年用电量数据集；然后分别计算这五个数据集的用电行为特征，所述的用电行为特征包括用电量最大值、用电量最小值、用电量平均值、用电量方差、用电量偏度、用电量峰度和用电量中位数；
步骤(4)，用电行为特征提取：采用随机森林算法对用电行为特征进行提取，提取时，根据重要性指标对用电行为特征进行筛选，剔除重要性低于设定阈值的指标；
步骤(5)，异常用电行为识别模型训练：利用步骤(4)提取的用电行为特征作为输入，将是否有异常用电行为作为输出，采用GBDT算法训练模型，得到异常用电行为识别模型；
步骤(6)，异常用电行为识别：采用步骤(5)训练得到的异常用电行为识别模型对异常用电行为进行识别。
步骤(1)中，采集用户最近6个月的日用电量数据。
步骤(2)中，归一化采用零-均值归一化算法。
步骤(2)中，固定值为-1。
实施例3
一种基于用电量数据的异常用电行为识别方法，包括如下步骤：
步骤(1)，数据采集：采集历史用户用电量数据；
步骤(2)，数据预处理：对采集到的数据进行归一化，然后采用隔离森林算法对归一化后数据中的异常值进行检测，对检测得到的异常值按缺失值进行处理，然后对缺失值采用固定值的填充方法进行填充；
步骤(3)，用电行为特征构建：将经步骤(2)预处理后的用户用电量数据分别按日、周、月、季、年来划分，得到日用电数据集、周用电量数据集、月用电量数据集、季用电量数据集、年用电量数据集；然后分别计算这五个数据集的用电行为特征，所述的用电行为特征包括用电量最大值、用电量最小值、用电量平均值、用电量方差、用电量偏度、用电量峰度和用电量中位数；
步骤(4)，用电行为特征提取：采用随机森林算法对用电行为特征进行提取，提取时，根据重要性指标对用电行为特征进行筛选，剔除重要性低于设定阈值的指标；
步骤(5)，异常用电行为识别模型训练：利用步骤(4)提取的用电行为特征作为输入，将是否有异常用电行为作为输出，采用GBDT算法训练模型，得到异常用电行为识别模型；
步骤(6)，异常用电行为识别：采用步骤(5)训练得到的异常用电行为识别模型对异常用电行为进行识别。
步骤(1)中，采集用户最近6个月的日用电量数据。
步骤(2)中，归一化采用零-均值归一化算法。
步骤(2)中，固定值为-1。
步骤(5)中，训练模型时，选取80％的用电行为特征样本作为训练集，另外20％作为测试集。
步骤(5)中，训练模型时，将是否有异常用电行为作为输出具体为：输出采用0和1表示，0表示无异常用电行为，1表示有异常用电行为。
步骤(6)中，对待识别用电行为，采集其历史用电量数据，然后按照步骤(2)～(4)的方法进行处理，将得到的用电行为特征输入到步骤(5)训练好的模型中，得到用户是否存在异常用电的预测结果。
应用实例
本发明提出的异常用电行为识别方法包括：数据采集、数据预处理用电行为特征构建、采用隔离森林算法对用电量数据中的异常值进行处理、采用随机森林算法进行特征提取、采用梯度提升决策树算法进行异常用电行为识别，整体流程如图1所示。
0、数据采集
采集最近6个月的用户日用电量数据；
1、数据预处理
用户用电量数据中存在量纲不统一、异常值以及数据缺失等问题，数据预处理过程采用相应的算法对数据质量问题进行处理，包括填补缺失值、光滑噪声数据、识别和删除离群点。
(1)数据归一化
为了消除不同量纲对分析结果产生的影响，对其进行数据归一化处理，以解决属性之间的可比性。本方法采用零-均值归一化算法：
Figure BDA0002993349980000051
其中，v表示原始属性值，μA表示属性值的均值，σA表示属性值的标准差，
v′表示归一化后的属性值
(2)异常值处理
异常值是用电量数据中，数值整体平均值超过两倍标准差的样本。本方法采用隔离森林算法(Liu,Fei Tony,Kai Ming Ting,and Zhi-Hua Zhou.“Isolation-basedanomaly detection.”ACM Transactions on Knowledge Discovery from Data(TKDD)6.1(2012):3.)对用户用电量中的异常值进行检测，对于识别为异常值的数据，按缺失值进行处理。
(3)缺失值填充
对于缺失数据的处理方式有丢弃、填充固定值、按特定函数进行填充，本方法采用固定值的填充方法，将缺失值填充为-1。
2、用电行为特征
用电行为特征从用户用电量数据中提取，区分度大的特征能够更大限度的发现不同用户的行为特点，为异常用电行为识别模型发挥更好的作用提供数据基础，有效提升算法模型的性能。
(1)特征构建
本方法通过数据聚合和统计量两个角度构建了一系列特征。数据统计特征包括日用电特征、周用电量特征、月用电量特征、季用电量特征、年用电量特征。所述的用电行为特征包括用电量最大值、用电量最小值、用电量平均值、用电量方差、用电量偏度、用电量峰度和用电量中位数。
1)数据聚合
用户日用电量数据的维度包括：表示用户ID的cons_id、表示日期的Data、表示用电量的Pap_e，如表1所示：
表1
Figure BDA0002993349980000061
Figure BDA0002993349980000071
为了对数据在周、月、季、年的时间频度上进行聚合，表1的数据进行扩展，增加Week、Month、Quarter、Year四个字段，扩展后数据如表2所示：
表2
Cons_id Date Pap_e(KWH) Week Month Quarter Year
001 2020-01-01 0.58 1 1 1 2020
002 2020-01-01 0.15 1 1 1 2020
003 2020-01-01 1.52 1 1 1 2020
001 2020-01-02 0.76 1 1 1 2020
002 2020-01-02 0.55 1 1 1 2020
... ... ...
其中，Week为1表示该日期是该年的第1周，Month为1表示1月份，Quarter为1表示第1季度，Year表示年份，以此类推。
周用电量聚台计算公式为：
Cons_weekcw＝∑Conscw
其中，Conscw代表用户c第w周每日的用电量；Cons_weekcw代表用户c第w周的用电量。
月用电量聚合计算公式为：
Cons_monthcm＝∑Conscm
其中，Conscm代表用户c第m月每日的用电量；Cons_monthcm代表用户c第m月的用电量。
季用电量聚合计算公式为：
Cons_quartercq＝∑Conscq
其中，Conscq代表用户c第q季每日的用电量；Cons_quartercq代表用户c第q季的用电量。
年用电量聚合计算公式为：
Cons_yearcy＝∑Conscy
其中，Conscy代表用户c第y年每日的用电量；Cons_yearcy代表用户c第y年的用电量。
2)统计量
分别对上述日用电量数据，以及聚合计算后得到的周用电量数据、月用电量数据、季用电量数据、年用电量数据，计算统计量特征，下述公式中，统一用Cons代表这五个数据集。
用电量最大值：
Max(Cons)
用电量最小值：
Min(Cons)
用电量平均值：
Figure BDA0002993349980000081
用电量方差：
Figure BDA0002993349980000082
用电量偏度：
Figure BDA0002993349980000083
用电量峰度：
Figure BDA0002993349980000084
用电量中位数：
Median(Cons)
(2)特征选择
通过上述特征构建，共生成35个特征，特征选择是从这些特征中寻找最优特征子集，剔除不相关或冗余特征，从而达到减少特征个数、提高模型精确度、减少运行时间的目的。本方法采用随机森林算法进行特征选择。
采用随机森林做特征选择的步骤如下：
1)对每一颗决策树选择相应的袋外数据(out of bag，OOB)并计算袋外数据误差，记为errOOB1，袋外数据指每次建立决策树时，通过重复抽样得到一个数据用于训练决策树，这时还有一部分数据没有被利用，没有参与决策树的建立，这部分数据可以用于对决策树的性能进行评估，计算模型的预测错误率，称为袋外数据误差。
2)随机对袋外数据OOB所有样本的特征X加入噪声干扰(可以随机改变样本在特征X处的值)，重复计算袋外数据误差，记为errOOB2。
3)假设森林中有N棵树，计算特征X的重要性指标：
Figure BDA0002993349980000091
4)根据重要性指标对特征进行筛选，剔除重要性低于设定阈值的指标。本发明阈值优选设置范围为剔除重要性低于0.5的指标。
3、异常用电行为识别模型训练
本方法采用GBDT(Gradient Boosting Decision Tree)作为模型训练算法，将数据集按一定比例拆分为训练集和测试集，通过多次迭代训练，得到最优模型。具体步骤如下：
(1)使用训练集和样本真值(即标准答案)训练一棵树。
(2)使用这棵树预测训练集，得到每个样本的预测值，由于预测值与真值存在偏差，所以二者相减可以得到“残差”。
(3)训练第二棵树，此时不再使用真值，而是使用残差作为标准答案。
(4)重复步骤2)和3)，当树的总棵数达到设定数量，或者某些指标(例如验证集上的误差)达到设定值时停止训练。
4、应用实例
(1)实例数据
数据提取自公司营销业务应用系统和用电信息采集系统，数据范围为2020年8月1日至2020年10月31日，如表1。
表1
Cons_id Date Pap_e(KWH) Label
001 2020-01-01 0.58 1
002 2020-01-01 0.15 0
003 2020-01-01 1.52 0
001 2020-01-02 0.76 1
002 2020-01-02 0.55 1
… … … …
其中Label为是否异常用电的标识，该标识的来源是历史异常用电记录数据，0表示无异常用电行为的用户，1表示有异常用电行为的用户。
(2)数据预处理
采用隔离森林算法对用户用电量中的异常值进行检测，对于异常值按缺值进行处理，缺失值填充时采用固定值的填充方法，将缺失值填充为-1，数据预处理前后的数据信息见表2：
表2
处理状态 缺失值数量 异常值数量
处理前 1318 286
处理后 0 0
(3)用电行为特征
通过数据聚合和统计量计算，形成了特征全集，采用随机森林算法对特征进行分析与选择。最终选出以下重要特征，如表3。
表3
Figure BDA0002993349980000101
Figure BDA0002993349980000111
(4)模型训练
将数据集分为训练集(80％)和测试集(20％)两类，训练集用于特征选取、模型构建的训练，测试集用于模型质量的测试。采用GBDT对模型进行训练，得到最终模型。将模型在测试集的834条数据上进行了测试，输出273条预测用电异常数据，实际用电异常用数据为253条，模型输出与实际用电异常匹配248条，不匹配用户数25条，用电异常用户查准率90.08％，查全率98.02％，模型性能达到业务应用的要求。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (7)

1.一种基于用电量数据的异常用电行为识别方法，其特征在于，包括如下步骤：
步骤（1），数据采集：采集历史用户用电量数据；
步骤（2），数据预处理：对采集到的数据进行归一化，然后采用隔离森林算法对归一化后数据中的异常值进行检测，对检测得到的异常值按缺失值进行处理，然后对缺失值采用固定值的填充方法进行填充；
步骤（3），用电行为特征构建：将经步骤（2）预处理后的用户用电量数据分别按日、周、月、季、年来划分，得到日用电数据集、周用电量数据集、月用电量数据集、季用电量数据集、年用电量数据集；然后分别计算这五个数据集的用电行为特征，所述的用电行为特征包括用电量最大值、用电量最小值、用电量平均值、用电量方差、用电量偏度、用电量峰度和用电量中位数；
步骤（4），用电行为特征提取：采用随机森林算法对用电行为特征进行提取，提取时，根据重要性指标对用电行为特征进行筛选，剔除重要性低于设定阈值的指标；
步骤（5），异常用电行为识别模型训练：利用步骤（4）提取的用电行为特征作为输入，将是否有异常用电行为作为输出，采用GBDT算法训练模型，得到异常用电行为识别模型；
步骤（6），异常用电行为识别：采用步骤（5）训练得到的异常用电行为识别模型对异常用电行为进行识别。
2.根据权利要求1所述的基于用电量数据的异常用电行为识别方法，其特征在于，步骤（1）中，采集用户最近6个月的日用电量数据。
3.根据权利要求1所述的基于用电量数据的异常用电行为识别方法，其特征在于，步骤（2）中，归一化采用零-均值归一化算法。
4.根据权利要求1所述的基于用电量数据的异常用电行为识别方法，其特征在于，步骤（2）中，固定值为-1。
5.根据权利要求1所述的基于用电量数据的异常用电行为识别方法，其特征在于，步骤（5）中，训练模型时，选取80%的用电行为特征样本作为训练集，另外20%作为测试集。
6.根据权利要求1所述的基于用电量数据的异常用电行为识别方法，其特征在于，步骤（5）中，训练模型时，将是否有异常用电行为作为输出具体为：输出采用0和1表示，0表示无异常用电行为，1表示有异常用电行为。
7.根据权利要求1所述的基于用电量数据的异常用电行为识别方法，其特征在于，步骤（6）中，对待识别用电行为，采集其历史用电量数据，然后按照步骤（2）~（4）的方法进行处理，将得到的用电行为特征输入到步骤（5）训练好的模型中，得到用户是否存在异常用电的预测结果。
CN202110322511.5A 2021-03-25 2021-03-25 一种基于用电量数据的异常用电行为识别方法 Pending CN113128567A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110322511.5A CN113128567A (zh) 2021-03-25 2021-03-25 一种基于用电量数据的异常用电行为识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110322511.5A CN113128567A (zh) 2021-03-25 2021-03-25 一种基于用电量数据的异常用电行为识别方法

Publications (1)

Publication Number Publication Date
CN113128567A true CN113128567A (zh) 2021-07-16

Family

ID=76774134

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110322511.5A Pending CN113128567A (zh) 2021-03-25 2021-03-25 一种基于用电量数据的异常用电行为识别方法

Country Status (1)

Country Link
CN (1) CN113128567A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113516192A (zh) * 2021-07-19 2021-10-19 国网北京市电力公司 一种用户用电异动识别方法、系统、装置及存储介质
CN113723497A (zh) * 2021-08-26 2021-11-30 广西大学 基于混合特征提取及Stacking模型的异常用电检测方法、装置、设备及存储介质
CN114066239A (zh) * 2021-11-16 2022-02-18 广东电网有限责任公司 一种用户用电量异常检测方法及装置
CN115545119A (zh) * 2022-11-24 2022-12-30 国网天津市电力公司城南供电分公司 一种用电数据的识别方法、系统及应用
CN115576936A (zh) * 2022-11-17 2023-01-06 浙江万胜智能科技股份有限公司 一种用电数据的智能校准方法及系统
CN116436002A (zh) * 2023-06-13 2023-07-14 成都航空职业技术学院 一种楼宇用电预测方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106909933A (zh) * 2017-01-18 2017-06-30 南京邮电大学 一种三阶段多视角特征融合的窃电分类预测方法
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
CN109308306A (zh) * 2018-09-29 2019-02-05 重庆大学 一种基于孤立森林的用户用电异常行为检测方法
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
CN111160791A (zh) * 2019-12-31 2020-05-15 国网北京市电力公司 一种基于gbdt算法及因素融合的异常用户识别方法
CN111178396A (zh) * 2019-12-12 2020-05-19 国网北京市电力公司 用电异常用户的识别方法及装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106909933A (zh) * 2017-01-18 2017-06-30 南京邮电大学 一种三阶段多视角特征融合的窃电分类预测方法
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
CN109308306A (zh) * 2018-09-29 2019-02-05 重庆大学 一种基于孤立森林的用户用电异常行为检测方法
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
CN111178396A (zh) * 2019-12-12 2020-05-19 国网北京市电力公司 用电异常用户的识别方法及装置
CN111160791A (zh) * 2019-12-31 2020-05-15 国网北京市电力公司 一种基于gbdt算法及因素融合的异常用户识别方法

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113516192A (zh) * 2021-07-19 2021-10-19 国网北京市电力公司 一种用户用电异动识别方法、系统、装置及存储介质
CN113723497A (zh) * 2021-08-26 2021-11-30 广西大学 基于混合特征提取及Stacking模型的异常用电检测方法、装置、设备及存储介质
CN114066239A (zh) * 2021-11-16 2022-02-18 广东电网有限责任公司 一种用户用电量异常检测方法及装置
CN115576936A (zh) * 2022-11-17 2023-01-06 浙江万胜智能科技股份有限公司 一种用电数据的智能校准方法及系统
CN115545119A (zh) * 2022-11-24 2022-12-30 国网天津市电力公司城南供电分公司 一种用电数据的识别方法、系统及应用
CN115545119B (zh) * 2022-11-24 2023-05-02 国网天津市电力公司城南供电分公司 一种用电数据的识别方法、系统及应用
CN116436002A (zh) * 2023-06-13 2023-07-14 成都航空职业技术学院 一种楼宇用电预测方法
CN116436002B (zh) * 2023-06-13 2023-09-05 成都航空职业技术学院 一种楼宇用电预测方法

Similar Documents

Publication Publication Date Title
CN113128567A (zh) 一种基于用电量数据的异常用电行为识别方法
CN109543943B (zh) 一种基于大数据深度学习的电价稽查执行方法
CN106780121B (zh) 一种基于用电负荷模式分析的用电异常识别方法
CN108304567B (zh) 高压变压器工况模式识别与数据分类方法及系统
CN106121622B (zh) 一种基于示功图的有杆泵抽油井的多故障诊断方法
CN105373894A (zh) 基于稽查数据的电力营销业务诊断模型的建立方法及系统
CN109947815B (zh) 一种基于离群点算法的窃电辨识方法
CN103729444B (zh) 一种基于设备监测数据间潜在关系的异常数据检测方法
CN111767521A (zh) 一种基于卷积神经网络与长短期记忆网络的输油泵滚动轴承状态评估方法
CN111861786A (zh) 一种基于特征选择和孤立随机森林的专变窃电识别方法
CN112418687B (zh) 基于用电特征的用户用电异常识别方法、装置和存储介质
CN115409131A (zh) 基于spc过程管控系统的生产线异常检测方法
CN103902798B (zh) 数据预处理方法
CN109948738B (zh) 涂装烘干室的能耗异常检测方法、装置
CN112329868A (zh) 基于clara聚类的制造加工设备群能效状态评价方法
CN114964776A (zh) 基于mse和pso-svm的轮对轴承故障诊断方法
CN113204894A (zh) 一种电能计量异常诊断模型的构建方法及应用
CN112465397A (zh) 一种审计数据的分析方法和装置
CN117435937A (zh) 一种智能电表异常数据识别方法、装置、设备及存储介质
CN111199209A (zh) 一种基于iwo-kfcm算法的轴承时频谱图识别方法
CN103984756B (zh) 基于半监督概率潜在语义分析的软件变更日志分类方法
CN116108376A (zh) 一种反窃电的监测系统、方法、电子设备及介质
CN115049879A (zh) 基于卷积的Swin Transformer植物叶片病害程度和种类的识别与分类方法
CN112685461A (zh) 一种基于预判模型的窃电用户判断方法
CN111626586B (zh) 数据质量检测方法、装置、计算机设备和存储介质

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

Application publication date: 20210716

RJ01 Rejection of invention patent application after publication