CN113269478A - 一种基于多模型的集中器异常数据提醒方法及系统 - Google Patents

一种基于多模型的集中器异常数据提醒方法及系统 Download PDF

Info

Publication number
CN113269478A
CN113269478A CN202110821861.6A CN202110821861A CN113269478A CN 113269478 A CN113269478 A CN 113269478A CN 202110821861 A CN202110821861 A CN 202110821861A CN 113269478 A CN113269478 A CN 113269478A
Authority
CN
China
Prior art keywords
data
user
model
abnormal
target
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.)
Granted
Application number
CN202110821861.6A
Other languages
English (en)
Other versions
CN113269478B (zh
Inventor
陈恩泽
申珅
陈君
周畅
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.)
Wuhan Zhongyuan Electronic Information Co ltd
Original Assignee
Wuhan Zhongyuan Electronic Information 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 Wuhan Zhongyuan Electronic Information Co ltd filed Critical Wuhan Zhongyuan Electronic Information Co ltd
Priority to CN202110821861.6A priority Critical patent/CN113269478B/zh
Publication of CN113269478A publication Critical patent/CN113269478A/zh
Application granted granted Critical
Publication of CN113269478B publication Critical patent/CN113269478B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/067—Enterprise or organisation modelling
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/80—Management or planning
    • Y02P90/82—Energy audits or management systems therefor

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Physics & Mathematics (AREA)
  • Development Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Educational Administration (AREA)
  • Health & Medical Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Public Health (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种基于多模型的集中器异常数据提醒方法及系统，本发明通过将计算装置安装在电网集中器端，实现了基于多个用户的用户数据构建目标耗电模型及通用异常模型对目标用户的用电数据进行分析，当两个模型都报告目标用户的用电数据出现异常时，报告目标用户用电异常，解决了现有技术中存在的电力计量自动化系统、电网采集器、电网集中器及电表异常报告较多但准确性较差的技术问题，达到了提高电网异常报告准确性的技术效果，极大的减少了误报的情况。

Description

一种基于多模型的集中器异常数据提醒方法及系统
技术领域
本发明涉及电网集中器技术领域，特别涉及一种基于多模型的集中器异常数据提醒方法及系统。
背景技术
随着碳中和概念的提出，各省逐渐对电能的使用提出了更加细致的管理需求，分时段收费于阶梯收费的收费规则得到大范围的应用，这使得大量用电单位的用电习惯在不同时段及不同收费阶梯的变化较大，而传统的电力计量自动化系统、电网采集器、电网集中器及电表报告的用电异常信息并未考虑到分时段收费及阶梯收费造成的影响，报告的用电异常信息错误率较高，难以适应更加复杂的收费规则。
智能电表的概念已经存在了相当长的时间，然而现有的智能电表仅实现了高级量测体系及自动抄表系统，受限于计算性能并未实现对量测的数据进行复杂的分析，现有电表的计算性能极大的限制了智能电网的整体发展。
随着深度学习领域在智能电网领域的发展，传统针对单一用户的用电数据进行分析来预测该用户下月的用电情况的数据分析方法已经逐渐淘汰，针对多用户的用电数据进行分析建模，然后使用模型分析单个用户的用电习惯，以判断是否存在用电异常的用电数据分析方法已经逐渐成为主流，然而现有数据处理主体依然集中在电表端，并不利于实现多用户数据共同分析的目标。
发明内容
本发明提供一种基于多模型的集中器异常数据提醒方法及系统，通过电网集中器对整个小区的用电数据进行分析来判断目标用户的用电数据是否存在异常，大大提高了异常提醒的准确率，降低了电表算力的需求，同时整个小区使用同一套计算装置进行分析计算，大大提高了计算装置的使用率，减少了能源消耗，提高了计算速度及计算效率，解决了现有技术中单一智能电表的算力无法满足智能电网需求造成无法实现复杂的数据分析且分析结果准确性极低的技术问题，达到了对用电数据进行复杂分析，提高分析结果准确率的技术效果，推动了智能电网的进一步发展。
本发明提出的基于多模型的集中器异常数据提醒方法包括以下步骤：
根据目标用户的历史用电数据生成所述目标用户的目标耗电模型，根据所述目标用户所在小区所有用户的用电异常数据生成通用异常模型；
从采集器中获取所述目标用户当前时刻预设单位时间间隔的待测用电数据，并将所述待测用户数据发送至所述目标耗电模型及所述通用异常模型；
当所述目标耗电模型及所述通用异常模型的输出结果均为异常时，报告所述目标用户用电异常，并将所述待测用户数据增加至所述目标用户所在小区所有用户的用电异常数据中。
优选地，根据目标用户的历史用电数据生成所述目标用户的目标耗电模型具体包括：
根据分时段收费的所有用户的每月耗电总量及每月对应的电费对用户用电习惯进行初步分类，得到环保用户数据、错峰用户数据及常规用户数据，并按照预设比例将环保用户数据、错峰用户数据及常规用户数据中的一部分数据作为训练集，另一部分数据作为测试集；
将所述训练集中的环保用户数据作为环保用户模型的识别目标，将所述训练集中的错峰用户数据作为错峰用户模型的识别目标，将所述训练集中的常规用户数据作为常规用户模型的识别目标，分别进行训练；
使用测试集对训练结果进行测试，以得到所述环保用户模型、所述错峰用户模型及所述常规用户模型；
将所述目标用户的历史用电数据发送至所述环保用户模型、所述错峰用户模型及所述常规用户模型，得到所述目标用户的历史用电数据与所述环保用户模型、所述错峰用户模型及所述常规用户模型的匹配程度，将匹配度最高的用户模型作为目标耗电模型。
优选地，所述使用测试集对训练结果进行测试，以得到所述环保用户模型、所述错峰用户模型及所述常规用户模型的步骤之后还包括：
将所述环保用户数据输入至所述环保用户模型，得到环保用户数据匹配度低于预设匹配度阈值的数据的占比，当所述环保用户数据匹配度低于预设匹配度阈值的数据的占比高于预设鲁棒性阈值时，从所述环保用户数据中去除所述环保用户数据匹配度低于预设匹配度阈值的数据，并使用去除后的环保用户数据重新训练所述环保用户模型；
将所述错峰用户数据输入至所述错峰用户模型，得到错峰用户数据匹配度低于预设匹配度阈值的数据的占比，当所述错峰用户数据匹配度低于预设匹配度阈值的数据的占比高于预设鲁棒性阈值时，从所述错峰用户数据中去除所述错峰用户数据匹配度低于预设匹配度阈值的数据，并使用去除后的错峰用户数据重新训练所述错峰用户模型；
将所述常规用户数据输入至所述常规用户模型，得到常规用户数据匹配度低于预设匹配度阈值的数据的占比，当所述常规用户数据匹配度低于预设匹配度阈值的数据的占比高于预设鲁棒性阈值时，从所述常规用户数据中去除所述常规用户数据匹配度低于预设匹配度阈值的数据，并使用去除后的常规用户数据重新训练所述常规用户模型。
优选地，所述的基于多模型的集中器异常数据提醒方法还包括：
所述目标耗电模型为随机森林模型，当所述待测用户数据与所述目标耗电模型的匹配度低于预设匹配度阈值时，所述目标耗电模型输出结果为异常。
优选地，所述目标用户所在小区所有用户的用电异常数据具体包括：
所述目标用户所在小区现有电力计量自动化系统所采集到的包含各相电流、电压、功率因数在内的用电负荷数据以及电网采集器、集中器及电表报告的用电异常信息。
本发明还提出一种基于多模型的集中器异常数据提醒系统，所述基于多模型的集中器异常数据提醒系统包括：
模型建立单元，用于根据目标用户的历史用电数据生成所述目标用户的目标耗电模型，根据所述目标用户所在小区所有用户的用电异常数据生成通用异常模型；
数据匹配单元，用于从采集器中获取所述目标用户当前时刻预设单位时间间隔的待测用电数据，并将所述待测用户数据发送至所述目标耗电模型及所述通用异常模型；
异常报告单元，用于当所述目标耗电模型及所述通用异常模型的输出结果均为异常时，报告所述目标用户用电异常，并将所述待测用户数据增加至所述目标用户所在小区所有用户的用电异常数据中。
本发明还提出一种服务器，所述服务器包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行基于多模型的集中器异常数据提醒程序，所述基于多模型的集中器异常数据提醒程序被所述处理器执行时实现如上所述的基于多模型的集中器异常数据提醒方法的步骤。
本发明还提出一种可读存储介质，所述可读存储介质上存储有基于多模型的集中器异常数据提醒程序，所述基于多模型的集中器异常数据提醒程序被处理器执行时实现如上所述的基于多模型的集中器异常数据提醒方法的步骤。
本发明通过将计算装置安装在电网集中器端，实现了基于多个用户的用户数据构建目标耗电模型及通用异常模型对目标用户的用电数据进行分析，当两个模型都报告目标用户的用电数据出现异常时，报告目标用户用电异常，解决了现有技术中存在的电力计量自动化系统、电网采集器、电网集中器及电表异常报告较多但准确性较差的技术问题，达到了提高电网异常报告准确性的技术效果，极大的减少了误报的情况，提高了用户体验。
附图说明
图1是本发明基于多模型的集中器异常数据提醒方法实施例方案涉及的硬件运行环境的服务器结构示意图；
图2为本发明基于多模型的集中器异常数据提醒方法另一实施例的流程示意图；
图3为本发明基于多模型的集中器异常数据提醒系统的功能模块图。
具体实施方式
以下结合具体实施方式对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。
参照图1，图1是本发明实施例方案涉及的硬件运行环境的服务器结构示意图。
如图1所示，所述服务器可以包括：处理器1001，例如CPU，通信总线1002、用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏（Display），可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口（如WI-FI接口）。存储器1005可以是高速RAM存储器，也可以是稳定的存储器（non-volatile memory），例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储服务器。
本领域技术人员可以理解，图1中示出的结构并不构成对所述服务器的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图1所示，作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及基于多模型的集中器异常数据提醒程序。
在图1所示的网络设备中，网络接口1004主要用于连接后台服务器，与所述后台服务器进行数据通信；用户接口1003主要用于连接外设；所述网络设备通过处理器1001调用存储器1005中存储的基于多模型的集中器异常数据提醒程序，并执行以下操作：
根据目标用户的历史用电数据生成所述目标用户的目标耗电模型，根据所述目标用户所在小区所有用户的用电异常数据生成通用异常模型；
从采集器中获取所述目标用户当前时刻预设单位时间间隔的待测用电数据，并将所述待测用户数据发送至所述目标耗电模型及所述通用异常模型；
当所述目标耗电模型及所述通用异常模型的输出结果均为异常时，报告所述目标用户用电异常，并将所述待测用户数据增加至所述目标用户所在小区所有用户的用电异常数据中。
进一步地，根据目标用户的历史用电数据生成所述目标用户的目标耗电模型具体包括：
根据分时段收费的所有用户的每月耗电总量及每月对应的电费对用户用电习惯进行初步分类，得到环保用户数据、错峰用户数据及常规用户数据，并按照预设比例将环保用户数据、错峰用户数据及常规用户数据中的一部分数据作为训练集，另一部分数据作为测试集；
将所述训练集中的环保用户数据作为环保用户模型的识别目标，将所述训练集中的错峰用户数据作为错峰用户模型的识别目标，将所述训练集中的常规用户数据作为常规用户模型的识别目标，分别进行训练；
使用测试集对训练结果进行测试，以得到所述环保用户模型、所述错峰用户模型及所述常规用户模型；
将所述目标用户的历史用电数据发送至所述环保用户模型、所述错峰用户模型及所述常规用户模型，得到所述目标用户的历史用电数据与所述环保用户模型、所述错峰用户模型及所述常规用户模型的匹配程度，将匹配度最高的用户模型作为目标耗电模型。
进一步地，所述使用测试集对训练结果进行测试，以得到所述环保用户模型、所述错峰用户模型及所述常规用户模型的步骤之后还包括：
将所述环保用户数据输入至所述环保用户模型，得到环保用户数据匹配度低于预设匹配度阈值的数据的占比，当所述环保用户数据匹配度低于预设匹配度阈值的数据的占比高于预设鲁棒性阈值时，从所述环保用户数据中去除所述环保用户数据匹配度低于预设匹配度阈值的数据，并使用去除后的环保用户数据重新训练所述环保用户模型；
将所述错峰用户数据输入至所述错峰用户模型，得到错峰用户数据匹配度低于预设匹配度阈值的数据的占比，当所述错峰用户数据匹配度低于预设匹配度阈值的数据的占比高于预设鲁棒性阈值时，从所述错峰用户数据中去除所述错峰用户数据匹配度低于预设匹配度阈值的数据，并使用去除后的错峰用户数据重新训练所述错峰用户模型；
将所述常规用户数据输入至所述常规用户模型，得到常规用户数据匹配度低于预设匹配度阈值的数据的占比，当所述常规用户数据匹配度低于预设匹配度阈值的数据的占比高于预设鲁棒性阈值时，从所述常规用户数据中去除所述常规用户数据匹配度低于预设匹配度阈值的数据，并使用去除后的常规用户数据重新训练所述常规用户模型。
进一步地，还包括：
所述目标耗电模型为随机森林模型，当所述待测用户数据与所述目标耗电模型的匹配度低于预设匹配度阈值时，所述目标耗电模型输出结果为异常。
进一步地，所述目标用户所在小区所有用户的用电异常数据具体包括：
所述目标用户所在小区现有电力计量自动化系统所采集到的包含各相电流、电压、功率因数在内的用电负荷数据以及电网采集器、集中器及电表报告的用电异常信息。
本实施例通过将计算装置安装在电网集中器端，实现了基于多个用户的用户数据构建目标耗电模型及通用异常模型对目标用户的用电数据进行分析，当两个模型都报告目标用户的用电数据出现异常时，才判断用户用电异常，解决了现有技术中存在的用电异常报告准确率较低的技术问题，达到了提高计算资源的使用效率，提高电网异常报告准确性的技术效果，极大的减少了误报的情况，提高了用户体验。
基于上述硬件结构，提出本发明基于多模型的集中器异常数据提醒方法的实施例。
参照图2所述基于多模型的集中器异常数据提醒方法包括以下步骤：
S10、根据目标用户的历史用电数据生成所述目标用户的目标耗电模型，根据所述目标用户所在小区所有用户的用电异常数据生成通用异常模型；
易于理解的是，本实施例将计算装置安装在电网集中器端，使得本申请异常数据提醒方法能够获取目标用户所在小区所有用户的用电异常数据，从而实现通用异常模型的构建，及时发现用户的用电异常。
S20、从采集器中获取所述目标用户当前时刻预设单位时间间隔的待测用电数据，并将所述待测用户数据发送至所述目标耗电模型及所述通用异常模型；
需要说明的是，在本实施例中，目标用户当前时刻预设单位时间间隔的待测用电数据通常设置为目标用户最近24小时内的用电数据，大多数用户的用电习惯是以天为单位存在一定的相似性，适用深度学习模型后，能够根据更好的适应节假日及季节时段，现有的判断方法在节假日及不同的季节下准确率会答复下降，产生大量误报。
S30、当所述目标耗电模型及所述通用异常模型的输出结果均为异常时，报告所述目标用户用电异常，并将所述待测用户数据增加至所述目标用户所在小区所有用户的用电异常数据中。
值得强调的是，通用异常模型目前仅检测用户的家庭电路是否存在偷电、漏电及短路的现象，当检测到目标用户的家庭电路异常时，判断家庭电路可能存在偷电、漏电或短路现象，此时将目标耗电模型能够准确报告异常为偷电、漏电或短路中的一种或两种。
本实施例通过将计算装置安装在电网集中器端，实现了基于多个用户的用户数据构建目标耗电模型及通用异常模型对目标用户的用电数据进行分析，当两个模型都报告目标用户的用电数据出现异常时，才判断用户用电异常，解决了现有技术中存在的用电异常报告准确率较低的技术问题，达到了提高计算资源的使用效率，提高电网异常报告准确性的技术效果，极大的减少了误报的情况，提高了用户体验。
根据目标用户的历史用电数据生成所述目标用户的目标耗电模型具体包括：
根据分时段收费的所有用户的每月耗电总量及每月对应的电费对用户用电习惯进行初步分类，得到环保用户数据、错峰用户数据及常规用户数据，并按照预设比例将环保用户数据、错峰用户数据及常规用户数据中的一部分数据作为训练集，另一部分数据作为测试集；
易于理解的是，在初步分类时会将全年用电总量低于该小区三个月平均用电量且，剩余用户中全年用电总量最低的20%的用户的用电数据作为环保用户数据，其中全年用电总量低于该小区三个月平均用电量的用户还会被标记为空置房，当所述空置房用户当用电总量高于环保用户数据的当月用电总量时，将该用户的用电数据排除出环保用户数据。
将所述训练集中的环保用户数据作为环保用户模型的识别目标，将所述训练集中的错峰用户数据作为错峰用户模型的识别目标，将所述训练集中的常规用户数据作为常规用户模型的识别目标，分别进行训练；
值得说明的是，在本实施例中，训练集与测试集的比例为3：1由于环保用户数据以及错峰用户数据的分类较为简单，因此其中的错误数据较多，一定程度的错误数据可以增加模型的鲁棒性，但错误数据过多会造成模型的准确性下降，而分开训练环保用户模型、错峰用户模型及常规用户模型可以显著降低单一模型的错误数据，从而解决错误数据过多带来的准确性下降的问题。
使用测试集对训练结果进行测试，以得到所述环保用户模型、所述错峰用户模型及所述常规用户模型；
需要强调的是，在本实施例中，采用随机森林算法进行模型的训练，由于本申请技术方案的训练数据较为充沛，采用随机森林算法能够有效提高训练模型的准确程度。
将所述目标用户的历史用电数据发送至所述环保用户模型、所述错峰用户模型及所述常规用户模型，得到所述目标用户的历史用电数据与所述环保用户模型、所述错峰用户模型及所述常规用户模型的匹配程度，将匹配度最高的用户模型作为目标耗电模型。
易于说明的是，由于本实施例技术方案采用多个模型进行训练，因此需要将待匹配的数据分别发送至多个模型，而通过与历史数据进行匹配的方式可以解决在数据集分类前采用简单的分类方法造成的数据集数据准确性偏低的问题。
具体地，所述使用测试集对训练结果进行测试，以得到所述环保用户模型、所述错峰用户模型及所述常规用户模型的步骤之后还包括：
将所述环保用户数据输入至所述环保用户模型，得到环保用户数据匹配度低于预设匹配度阈值的数据的占比，当所述环保用户数据匹配度低于预设匹配度阈值的数据的占比高于预设鲁棒性阈值时，从所述环保用户数据中去除所述环保用户数据匹配度低于预设匹配度阈值的数据，并使用去除后的环保用户数据重新训练所述环保用户模型；
易于理解的是，通过对数据集中的数据采用训练完成后的模型进行校验，能够识别数据集中的错误数据，进行去除后重新训练环保用户模型的步骤可以进一步提高环保用户模型的识别准确率。
将所述错峰用户数据输入至所述错峰用户模型，得到错峰用户数据匹配度低于预设匹配度阈值的数据的占比，当所述错峰用户数据匹配度低于预设匹配度阈值的数据的占比高于预设鲁棒性阈值时，从所述错峰用户数据中去除所述错峰用户数据匹配度低于预设匹配度阈值的数据，并使用去除后的错峰用户数据重新训练所述错峰用户模型；
需要说明的是，通过对数据集中的数据采用训练完成后的模型进行校验，能够识别数据集中的错误数据，进行去除后重新训练错峰用户模型的步骤可以进一步提高错峰用户模型的识别准确率。
将所述常规用户数据输入至所述常规用户模型，得到常规用户数据匹配度低于预设匹配度阈值的数据的占比，当所述常规用户数据匹配度低于预设匹配度阈值的数据的占比高于预设鲁棒性阈值时，从所述常规用户数据中去除所述常规用户数据匹配度低于预设匹配度阈值的数据，并使用去除后的常规用户数据重新训练所述常规用户模型。
值得强调的是，通过对数据集中的数据采用训练完成后的模型进行校验，能够识别数据集中的错误数据，进行去除后重新训练常规用户模型的步骤可以进一步提高常规用户模型的识别准确率。
具体地，还包括：
所述目标耗电模型为随机森林模型，当所述待测用户数据与所述目标耗电模型的匹配度低于预设匹配度阈值时，所述目标耗电模型输出结果为异常。
具体地，所述目标用户所在小区所有用户的用电异常数据还包括：
所述目标用户所在小区现有电力计量自动化系统所采集到的包含各相电流、电压、功率因数在内的用电负荷数据以及电网采集器、集中器及电表报告的用电异常信息。
本实施例通过使用训练完成的模型对训练数据进行校验，去除训练数据中的错误数据，并重新训练模型的方式进一步提高了训练模型的识别准确性，同时公开具体的模型算法，完善了技术方案，并公开了用电异常数据的来源，减少了人力资源的消耗。
参照图3，本发明还提出一种基于多模型的集中器异常数据提醒系统，所述基于多模型的集中器异常数据提醒系统包括：
模型建立单元10，用于根据目标用户的历史用电数据生成所述目标用户的目标耗电模型，根据所述目标用户所在小区所有用户的用电异常数据生成通用异常模型；
数据匹配单元20，用于从采集器中获取所述目标用户当前时刻预设单位时间间隔的待测用电数据，并将所述待测用户数据发送至所述目标耗电模型及所述通用异常模型；
异常报告单元30，用于当所述目标耗电模型及所述通用异常模型的输出结果均为异常时，报告所述目标用户用电异常，并将所述待测用户数据增加至所述目标用户所在小区所有用户的用电异常数据中。
由于本系统采用了上述所有实施例的全部技术方案，因此之上具有上述实施例的技术方案所带来的所有有益效果，在此不再一一赘述。
本发明还提出一种服务器，所述服务器包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的基于多模型的集中器异常数据提醒程序，所述基于多模型的集中器异常数据提醒程序被所述处理器执行时实现如上所述的基于多模型的集中器异常数据提醒方法的步骤，由于本服务器采用了上述所有实施例的全部技术方案，因此之上具有上述实施例的技术方案所带来的所有有益效果，在此不再一一赘述。
本发明还提出一种可读存储介质，所述可读存储介质上存储有基于多模型的集中器异常数据提醒程序，所述基于多模型的集中器异常数据提醒程序被处理器执行时实现如上所述的基于多模型的集中器异常数据提醒方法的步骤，由于本存储介质采用了上述所有实施例的全部技术方案，因此之上具有上述实施例的技术方案所带来的所有有益效果，在此不再一一赘述。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种基于多模型的集中器异常数据提醒方法，其特征在于，所述基于多模型的集中器异常数据提醒方法包括：
根据目标用户的历史用电数据生成所述目标用户的目标耗电模型，根据所述目标用户所在小区所有用户的用电异常数据生成通用异常模型；
从采集器中获取所述目标用户当前时刻预设单位时间间隔的待测用电数据，并将所述待测用户数据发送至所述目标耗电模型及所述通用异常模型；
当所述目标耗电模型及所述通用异常模型的输出结果均为异常时，报告所述目标用户用电异常，并将所述待测用户数据增加至所述目标用户所在小区所有用户的用电异常数据中。
2.根据权利要求1所述的基于多模型的集中器异常数据提醒方法，其特征在于，根据目标用户的历史用电数据生成所述目标用户的目标耗电模型具体包括：
根据分时段收费的所有用户的每月耗电总量及每月对应的电费对用户用电习惯进行初步分类，得到环保用户数据、错峰用户数据及常规用户数据，并按照预设比例将环保用户数据、错峰用户数据及常规用户数据中的一部分数据作为训练集，另一部分数据作为测试集；
将所述训练集中的环保用户数据作为环保用户模型的识别目标，将所述训练集中的错峰用户数据作为错峰用户模型的识别目标，将所述训练集中的常规用户数据作为常规用户模型的识别目标，分别进行训练；
使用测试集对训练结果进行测试，以得到所述环保用户模型、所述错峰用户模型及所述常规用户模型；
将所述目标用户的历史用电数据发送至所述环保用户模型、所述错峰用户模型及所述常规用户模型，得到所述目标用户的历史用电数据与所述环保用户模型、所述错峰用户模型及所述常规用户模型的匹配程度，将匹配度最高的用户模型作为目标耗电模型。
3.根据权利要求2所述的基于多模型的集中器异常数据提醒方法，其特征在于，所述使用测试集对训练结果进行测试，以得到所述环保用户模型、所述错峰用户模型及所述常规用户模型的步骤之后还包括：
将所述环保用户数据输入至所述环保用户模型，得到环保用户数据匹配度低于预设匹配度阈值的数据的占比，当所述环保用户数据匹配度低于预设匹配度阈值的数据的占比高于预设鲁棒性阈值时，从所述环保用户数据中去除所述环保用户数据匹配度低于预设匹配度阈值的数据，并使用去除后的环保用户数据重新训练所述环保用户模型；
将所述错峰用户数据输入至所述错峰用户模型，得到错峰用户数据匹配度低于预设匹配度阈值的数据的占比，当所述错峰用户数据匹配度低于预设匹配度阈值的数据的占比高于预设鲁棒性阈值时，从所述错峰用户数据中去除所述错峰用户数据匹配度低于预设匹配度阈值的数据，并使用去除后的错峰用户数据重新训练所述错峰用户模型；
将所述常规用户数据输入至所述常规用户模型，得到常规用户数据匹配度低于预设匹配度阈值的数据的占比，当所述常规用户数据匹配度低于预设匹配度阈值的数据的占比高于预设鲁棒性阈值时，从所述常规用户数据中去除所述常规用户数据匹配度低于预设匹配度阈值的数据，并使用去除后的常规用户数据重新训练所述常规用户模型。
4.根据权利要求2所述的基于多模型的集中器异常数据提醒方法，其特征在于，还包括：
所述目标耗电模型为随机森林模型，当所述待测用户数据与所述目标耗电模型的匹配度低于预设匹配度阈值时，所述目标耗电模型输出结果为异常。
5.根据权利要求1所述的基于多模型的集中器异常数据提醒方法，其特征在于，所述目标用户所在小区所有用户的用电异常数据具体包括：
所述目标用户所在小区现有电力计量自动化系统所采集到的包含各相电流、电压、功率因数在内的用电负荷数据以及电网采集器、集中器及电表报告的用电异常信息。
6.一种基于多模型的集中器异常数据提醒系统，其特征在于，所述基于多模型的集中器异常数据提醒系统包括：
模型建立单元，用于根据目标用户的历史用电数据生成所述目标用户的目标耗电模型，根据所述目标用户所在小区所有用户的用电异常数据生成通用异常模型；
数据匹配单元，用于从采集器中获取所述目标用户当前时刻预设单位时间间隔的待测用电数据，并将所述待测用户数据发送至所述目标耗电模型及所述通用异常模型；
异常报告单元，用于当所述目标耗电模型及所述通用异常模型的输出结果均为异常时，报告所述目标用户用电异常，并将所述待测用户数据增加至所述目标用户所在小区所有用户的用电异常数据中。
7.一种服务器，其特征在于，所述服务器包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行基于多模型的集中器异常数据提醒程序，所述基于多模型的集中器异常数据提醒程序被所述处理器执行时实现如权利要求1至5中任一项所述的基于多模型的集中器异常数据提醒方法的步骤。
8.一种可读存储介质，其特征在于，所述可读存储介质上存储有基于多模型的集中器异常数据提醒程序，所述基于多模型的集中器异常数据提醒程序被处理器执行时实现根据权利要求1至5中任一项所述的基于多模型的集中器异常数据提醒方法的步骤。
CN202110821861.6A 2021-07-21 2021-07-21 一种基于多模型的集中器异常数据提醒方法及系统 Active CN113269478B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110821861.6A CN113269478B (zh) 2021-07-21 2021-07-21 一种基于多模型的集中器异常数据提醒方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110821861.6A CN113269478B (zh) 2021-07-21 2021-07-21 一种基于多模型的集中器异常数据提醒方法及系统

Publications (2)

Publication Number Publication Date
CN113269478A true CN113269478A (zh) 2021-08-17
CN113269478B CN113269478B (zh) 2021-10-15

Family

ID=77236887

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110821861.6A Active CN113269478B (zh) 2021-07-21 2021-07-21 一种基于多模型的集中器异常数据提醒方法及系统

Country Status (1)

Country Link
CN (1) CN113269478B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113643002A (zh) * 2021-08-30 2021-11-12 南方电网数字电网研究院有限公司 一种电网用电数据账单派送方法及系统

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160041541A1 (en) * 2009-06-22 2016-02-11 Johnson Controls Technology Company Systems and methods for detecting changes in energy usage in a building
CN108492134A (zh) * 2018-03-07 2018-09-04 国网四川省电力公司 基于多周期回归树集成的大数据用户用电行为分析系统
CN109190890A (zh) * 2018-07-27 2019-01-11 南京理工大学 一种基于用户电力消费数据的用户行为分析方法
CN109325542A (zh) * 2018-10-09 2019-02-12 烟台海颐软件股份有限公司 一种基于多阶机器学习的电量异常智能识别方法及系统
CN109784388A (zh) * 2018-12-29 2019-05-21 北京中电普华信息技术有限公司 窃电用户识别方法和装置
CN106384300B (zh) * 2016-09-27 2019-08-16 山东建筑大学 基于大数据和模糊模型的建筑异常用能检测方法及系统
CN110516837A (zh) * 2019-07-10 2019-11-29 马欣 一种基于ai的智能化诊断方法、系统及装置
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
CN111223007A (zh) * 2019-12-31 2020-06-02 深圳供电局有限公司 用户异常用电行为分析预警方法、装置、设备和介质
CN112101635A (zh) * 2020-08-25 2020-12-18 南方电网深圳数字电网研究院有限公司 一种用电异常的监测方法和系统
CN113064942A (zh) * 2020-11-03 2021-07-02 国网浙江省电力有限公司绍兴供电公司 一种基于电力大数据分析的环保监测系统及方法

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160041541A1 (en) * 2009-06-22 2016-02-11 Johnson Controls Technology Company Systems and methods for detecting changes in energy usage in a building
CN106384300B (zh) * 2016-09-27 2019-08-16 山东建筑大学 基于大数据和模糊模型的建筑异常用能检测方法及系统
CN108492134A (zh) * 2018-03-07 2018-09-04 国网四川省电力公司 基于多周期回归树集成的大数据用户用电行为分析系统
CN109190890A (zh) * 2018-07-27 2019-01-11 南京理工大学 一种基于用户电力消费数据的用户行为分析方法
CN109325542A (zh) * 2018-10-09 2019-02-12 烟台海颐软件股份有限公司 一种基于多阶机器学习的电量异常智能识别方法及系统
CN109784388A (zh) * 2018-12-29 2019-05-21 北京中电普华信息技术有限公司 窃电用户识别方法和装置
CN110516837A (zh) * 2019-07-10 2019-11-29 马欣 一种基于ai的智能化诊断方法、系统及装置
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
CN111223007A (zh) * 2019-12-31 2020-06-02 深圳供电局有限公司 用户异常用电行为分析预警方法、装置、设备和介质
CN112101635A (zh) * 2020-08-25 2020-12-18 南方电网深圳数字电网研究院有限公司 一种用电异常的监测方法和系统
CN113064942A (zh) * 2020-11-03 2021-07-02 国网浙江省电力有限公司绍兴供电公司 一种基于电力大数据分析的环保监测系统及方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
张荣昌: "基于数据挖掘的用电数据异常的分析与研究", 《中国优秀硕士学位论文全文数据库 (信息科技辑)》 *
梁捷: "基于LSSVM的用户异常用电行为辨识研究", 《青海电力》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113643002A (zh) * 2021-08-30 2021-11-12 南方电网数字电网研究院有限公司 一种电网用电数据账单派送方法及系统

Also Published As

Publication number Publication date
CN113269478B (zh) 2021-10-15

Similar Documents

Publication Publication Date Title
CN110888913B (zh) 一种基于物联网技术用电信息智能分析系统
CN109977535B (zh) 一种线损异常诊断方法、装置、设备及可读存储介质
Jia et al. A fully unsupervised non-intrusive load monitoring framework
CN108520357A (zh) 一种线损异常原因的判别方法、装置及服务器
CN115170000B (zh) 一种基于电能表通信模块的远程监测方法及系统
CN106897833B (zh) 一种新能源配电网可靠性的评估方法及装置
CN103839197A (zh) 一种基于eemd方法的用户用电行为异常的判定方法
CN111738348B (zh) 一种电力数据异常检测方法和装置
CN113033617A (zh) 一种基于大数据台区线损数据深度挖掘分析方法
CN116882804A (zh) 一种智能电力监控方法及系统
CN113269478B (zh) 一种基于多模型的集中器异常数据提醒方法及系统
CN112560940A (zh) 一种用电异常检测方法、装置、设备和存储介质
CN103018611B (zh) 一种基于电流分解的非侵入式负载监测方法及系统
CN114878934A (zh) 一种电能耗数据异常预警方法
CN114091783A (zh) 一种企业用电预警方法、装置、计算机设备和存储介质
CN113327008A (zh) 一种基于时序自动编码器的窃电检测方法、系统及介质
CN113884734B (zh) 一种非侵入式用电异常诊断方法及装置
Frank et al. Extracting operating modes from building electrical load data
CN109407039B (zh) 智能电表及其系统、自诊断方法和故障检测方法
CN116384622A (zh) 基于电力大数据的碳排放监测方法及装置
CN114662589A (zh) 一种电表故障研判方法、装置、设备和可读存储介质
CN111260195A (zh) 一种低压用户串户检测方法及存储介质
Keramati et al. Non-intrusive Load Monitoring Using Water Consumption Patterns
Farrugia Imputation and anomaly detection for consumer load profiles
CN116231647B (zh) 高渗透率未监测光伏发电的配电系统状态估计方法及系统

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