CN113297539A - 户变关系异常识别方法、装置、电子设备和介质 - Google Patents
户变关系异常识别方法、装置、电子设备和介质 Download PDFInfo
- Publication number
- CN113297539A CN113297539A CN202110495567.0A CN202110495567A CN113297539A CN 113297539 A CN113297539 A CN 113297539A CN 202110495567 A CN202110495567 A CN 202110495567A CN 113297539 A CN113297539 A CN 113297539A
- Authority
- CN
- China
- Prior art keywords
- data
- electricity
- user
- meter
- area
- 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
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 136
- 238000000034 method Methods 0.000 title claims abstract description 65
- 230000005611 electricity Effects 0.000 claims abstract description 444
- 239000011159 matrix material Substances 0.000 claims abstract description 61
- 230000008859 change Effects 0.000 claims description 11
- 230000001419 dependent effect Effects 0.000 claims description 8
- 230000005856 abnormality Effects 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 238000012417 linear regression Methods 0.000 description 11
- 238000012549 training Methods 0.000 description 8
- 238000010200 validation analysis Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 238000007726 management method Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000002354 daily effect Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000007274 generation of a signal involved in cell-cell signaling Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000000540 analysis of variance Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Images
Classifications
-
- 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
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- 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
- 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
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Optimization (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Business, Economics & Management (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Economics (AREA)
- Databases & Information Systems (AREA)
- Algebra (AREA)
- Primary Health Care (AREA)
- General Business, Economics & Management (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Tourism & Hospitality (AREA)
- Evolutionary Biology (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Human Resources & Organizations (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开涉及一种户变关系异常识别方法、装置、电子设备和介质;其中,该方法包括:从用电量采集系统中获取至少一个用电数据和用电数据所属台区的电表数据;其中,用电数据包括用户表用电数据和/或电表箱用电数据;根据用电数据和用电数据所属台区的电表数据建立特征矩阵;将特征矩阵输入预先训练的户变关系异常识别模型中,并根据户变关系异常识别模型的输出,确定用户表与用电数据所属台区的异常关系,和/或电表箱与用电数据所属台区的异常关系。本公开实施例能够高效快速的实现台区与用户表、台区与电表箱用电关系的异常判别。
Description
技术领域
本公开涉及电网数据处理技术领域,尤其涉及一种户变关系异常识别方法、装置、电子设备和介质。
背景技术
精确的配电网网络拓扑是电力公司精细化管理的基础,台区作为用电管理部门精细化管理低压用户的重要划分,是指一台变压器的供电范围或区域;随着城市的快速发展,存在部分台区因线路的临时改变使计量箱表和台区关系档案更新不及时或记录错误,错误的计量箱表台区关系会影响停电通知、台区线损、设备管理、故障保修、业扩等大量营销业务。计量箱表台区关系错误的识别方法主要为人工现场判别或通过批量加装硬件判别。
现有方案的缺陷在于:每次判都需人工进行,花费时间较大,且资金成本较高。
发明内容
为了解决上述技术问题或者至少部分地解决上述技术问题,本公开提供了一种户变关系异常识别方法、装置、电子设备和介质。
第一方面,本公开提供了一种户变关系异常识别方法,所述方法包括:
从用电量采集系统中获取至少一个用电数据和所述用电数据所属台区的电表数据;其中,所述用电数据包括用户表用电数据和/或电表箱用电数据;
根据所述用电数据和所述用电数据所属台区的电表数据建立特征矩阵;
将所述特征矩阵输入预先训练的户变关系异常识别模型中,并根据所述户变关系异常识别模型的输出,确定所述用户表与所述用电数据所属台区的异常关系,和/或所述电表箱与所述用电数据所属台区的异常关系。
可选的,所述根据所述用电数据和所述用电数据所属台区的电表数据建立特征矩阵,包括:
根据所述用电数据和所述用电数据所属台区的电表数据,确定第一用电线损值和第二用电线损值;其中,所述用电数据中包括至少两个预设采集时刻的用电数据,所述用电数据所属台区的电表数据包括台区内所有用户表用电数据或电表箱用电数据,所述第一用电线损值根据所述台区的总表数据、所述台区内所有用户表用电数据和所述台区内所有电表箱用电数据中的至少一种确定,所述第二用电线损值根据所述第一用电线损值和所述用电数据确定;
根据所述用电数据、所述用电数据所属台区的总表数据、所述第一用电线损值和所述第二用电线损值,确定特征样本单元;
根据所述特征样本单元建立特征矩阵。
可选的,所述将所述特征矩阵输入预先训练的户变关系异常识别模型中之前,所述方法还包括:
从用电量采集系统的候选台区中选择目标台区,获取所述目标台区的总表数据、电表箱用电数据和所述目标台区内用户表用电数据,获取所述目标台区的相邻台区中用户表用电数据和电表箱用电数据;
根据所述目标台区的总表数据、所述电表箱用电数据、所述目标台区内用户表用电数据、所述目标台区的相邻台区中用户表用电数据和电表箱用电数据中的至少一种,建立户变关系异常识别模型;
其中,所述户变关系异常识别模型包括第一识别模型和/或第二识别模型。
可选的,所述根据所述目标台区的总表数据、所述电表箱用电数据、所述目标台区内用户表用电数据、所述目标台区的相邻台区中用户表用电数据和电表箱用电数据中的至少一种,建立户变关系异常识别模型,包括:
根据所述目标台区的总表数据和所述目标台区内用户表用电数据的拟合值,确定第一用户表数据集;
选择所述相邻台区中至少一个用户表用电数据,加入所述第一用户表数据集;并根据所述目标台区的总表数据和所述第一用户表数据集,确定第一用户用电线损值;
从所述第一用户表数据集中选择任一用户表作为疑似用户表,并从所述第一用户表数据集中去掉疑似用户表用电数据,得到一个第二用户表数据集;
根据所述目标台区的总表数据和所述第二用户表数据集,确定至少一个第二用户用电线损值;
根据所述目标台区的总表数据、所述第一用户用电线损值、所述第二用户用电线损值和所述第二用户用电线损值对应的疑似用户表用电数据,建立至少一个第一特征样本单元;
根据所述第一特征样本单元中的所述第二用户用电线损值对应的疑似用户表属于目标台区或相邻台区,确定第一样本标签;
根据所述第一特征样本单元和所述第一样本标签,建立第一数据集,以构建第一识别模型。
可选的,所述根据所述目标台区的总表数据、所述电表箱用电数据、所述目标台区内用户表用电数据、所述目标台区的相邻台区中用户表用电数据和电表箱用电数据中的至少一种,建立户变关系异常识别模型,包括:
根据所述目标台区的总表数据和电表箱用电数据的拟合值,确定第一电表箱用电数据集;
选择所述相邻台区中的至少一个电表箱用电数据,加入所述第一电表箱用电数据集;并根据所述目标台区的总表数据和所述第一电表箱用电数据集,确定第一电表箱用电线损值;
从所述第一电表箱用电数据集中选择任一电表箱作为疑似电表箱,并从所述第一电表箱用电数据集中去掉疑似电表箱用电数据,得到第二电表箱用电数据集;
根据所述目标台区的总表数据和所述第二电表箱用电数据集,确定至少一个第二电表箱用电线损值;
根据所述目标台区的总表数据、所述第一电表箱用电线损值、所述第二电表箱用电线损值和所述第二电表箱用电线损值对应的疑似电表箱用电数据,建立至少一个第二特征样本单元;
根据所述第二特征样本单元中的所述第二电表箱用电线损值对应的疑似电表箱属于目标台区或相邻台区,确定第二样本标签;
根据所述第二特征样本单元和所述第二样本标签,建立第二数据集,以构建第二识别模型。
可选的,所述根据所述户变关系异常识别模型的输出,确定所述用户表与所述用电数据所属台区的异常关系,包括:
根据所述第一识别模型的输出确定所述用户表与所述用电数据所属台区关系异常的第一预测概率;
若检测到所述第一预测概率小于预设概率阈值,则确定所述用户表与所述用电数据所属台区户变关系无异常;
根据所述户变关系异常识别模型的输出,确定所述电表箱与所述用电数据所属台区的异常关系,包括:
根据所述第二识别模型的输出确定所述电表箱与所述用电数据所属台区关系异常的第二预测概率;
若检测到所述第二预测概率小于所述预设概率阈值,则确定所述电表箱与所述用电数据所属台区户变关系无异常。
可选的,所述方法还包括:
若检测到所述第一预测概率大于或等于所述预设概率阈值,则确定所述用户表与所述用电数据所属台区户变关系异常,生成用户表关系异常信号;
若检测到所述第二预测概率大于或等于所述预设概率阈值,则确定所述电表箱与所述用电数据所属台区户变关系异常,生成电表箱关系异常信号。
第二方面,本公开还提供了一种户变关系异常识别装置,包括:
数据获取模块,用于从用电量采集系统中获取至少一个用电数据和所述用电数据所属台区的电表数据;其中,所述用电数据包括用户表用电数据和/或电表箱用电数据;
特征矩阵建立模块,用于根据所述用电数据和所述用电数据所属台区的电表数据建立特征矩阵;
异常关系确定模块,用于将所述特征矩阵输入预先训练的户变关系异常识别模型中,并根据所述户变关系异常识别模型的输出,确定所述用户表与所述用电数据所属台区的异常关系,和/或所述电表箱与所述用电数据所属台区的异常关系。
可选的,特征矩阵建立模块,具体用于:
根据所述用电数据和所述用电数据所属台区的电表数据,确定第一用电线损值和第二用电线损值;其中,所述用电数据中包括至少两个预设采集时刻的用电数据,所述用电数据所属台区的电表数据包括台区内所有用户表用电数据或电表箱用电数据,所述第一用电线损值根据所述台区的总表数据、所述台区内所有用户表用电数据和所述台区内所有电表箱用电数据中的至少一种确定,所述第二用电线损值根据所述第一用电线损值和所述用电数据确定;
根据所述用电数据、所述用电数据所属台区的总表数据、所述第一用电线损值和所述第二用电线损值,确定特征样本单元;
根据所述特征样本单元建立特征矩阵。
可选的,还包括:模型建立模块;
数据获取模块,还用于从用电量采集系统的候选台区中选择目标台区,获取所述目标台区的总表数据、电表箱用电数据和所述目标台区内用户表用电数据,获取所述目标台区的相邻台区中用户表用电数据和电表箱用电数据;
模型建立模块,用于根据所述目标台区的总表数据、所述电表箱用电数据、所述目标台区内用户表用电数据、所述目标台区的相邻台区中用户表用电数据和电表箱用电数据中的至少一种,建立户变关系异常识别模型;
其中,所述户变关系异常识别模型包括第一识别模型和/或第二识别模型。
可选的,模型建立模块,具体用于:
根据所述目标台区的总表数据和所述目标台区内用户表用电数据的拟合值,确定第一用户表数据集;
选择所述相邻台区中至少一个用户表用电数据,加入所述第一用户表数据集;并根据所述目标台区的总表数据和所述第一用户表数据集,确定第一用户用电线损值;
从所述第一用户表数据集中选择任一用户表作为疑似用户表,并从所述第一用户表数据集中去掉疑似用户表用电数据,得到一个第二用户表数据集;
根据所述目标台区的总表数据和所述第二用户表数据集,确定至少一个第二用户用电线损值;
根据所述目标台区的总表数据、所述第一用户用电线损值、所述第二用户用电线损值和所述第二用户用电线损值对应的疑似用户表用电数据,建立至少一个第一特征样本单元;
根据所述第一特征样本单元中的所述第二用户用电线损值对应的疑似用户表属于目标台区或相邻台区,确定第一样本标签;
根据所述第一特征样本单元和所述第一样本标签,建立第一数据集,以构建第一识别模型。
可选的,模型建立模块,具体用于:
根据所述目标台区的总表数据和电表箱用电数据的拟合值,确定第一电表箱用电数据集;
选择所述相邻台区中的至少一个电表箱用电数据,加入所述第一电表箱用电数据集;并根据所述目标台区的总表数据和所述第一电表箱用电数据集,确定第一电表箱用电线损值;
从所述第一电表箱用电数据集中选择任一电表箱作为疑似电表箱,并从所述第一电表箱用电数据集中去掉疑似电表箱用电数据,得到第二电表箱用电数据集;
根据所述目标台区的总表数据和所述第二电表箱用电数据集,确定至少一个第二电表箱用电线损值;
根据所述目标台区的总表数据、所述第一电表箱用电线损值、所述第二电表箱用电线损值和所述第二电表箱用电线损值对应的疑似电表箱用电数据,建立至少一个第二特征样本单元;
根据所述第二特征样本单元中的所述第二电表箱用电线损值对应的疑似电表箱属于目标台区或相邻台区,确定第二样本标签;
根据所述第二特征样本单元和所述第二样本标签,建立第二数据集,以构建第二识别模型。
可选的,异常关系确定模块,具体用于:
根据所述第一识别模型的输出确定所述用户表与所述用电数据所属台区关系异常的第一预测概率;
若检测到所述第一预测概率小于预设概率阈值,则确定所述用户表与所述用电数据所属台区户变关系无异常;
异常关系确定模块,具体用于:
根据所述第二识别模型的输出确定所述电表箱与所述用电数据所属台区关系异常的第二预测概率;
若检测到所述第二预测概率小于所述预设概率阈值,则确定所述电表箱与所述用电数据所属台区户变关系无异常。
可选的,还包括:
异常信号生成模块,用于若检测到所述第一预测概率大于或等于所述预设概率阈值,则确定所述用户表与所述用电数据所属台区户变关系异常,生成用户表关系异常信号;
异常信号生成模块,还用于若检测到所述第二预测概率大于或等于所述预设概率阈值,则确定所述电表箱与所述用电数据所属台区户变关系异常,生成电表箱关系异常信号。
第三方面,本公开还提供了一种电子设备,该电子设备包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现本发明实施例中的任一种所述的户变关系异常识别方法。
第四方面,本公开还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现本发明实施例中的任一种所述的户变关系异常识别方法。
本公开实施例提供的技术方案与现有技术相比具有如下优点:能够先对获取到的数据进行处理得到特征矩阵,再将特征矩阵输入至预先训练好的识别模型中进行快速判断,从而高效快速的实现台区与用户表、台区与电表箱用电关系的异常判别。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。
为了更清楚地说明本公开实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,对于本领域普通技术人员而言,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本公开实施例提供的一种户变关系异常识别方法的流程示意图;
图2是本公开实施例提供的另一种户变关系异常识别方法的流程示意图;
图3是本公开实施例提供的又一种户变关系异常识别方法的流程示意图;
图4是本公开实施例提供的一种户变关系异常识别装置的结构示意图;
图5是本公开实施例提供的一种电子设备的结构示意图。
具体实施方式
为了能够更清楚地理解本公开的上述目的、特征和优点,下面将对本公开的方案进行进一步描述。需要说明的是,在不冲突的情况下,本公开的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本公开,但本公开还可以采用其他不同于在此描述的方式来实施;显然,说明书中的实施例只是本公开的一部分实施例,而不是全部的实施例。
图1本公开实施例提供的一种户变关系异常识别方法的流程示意图。本实施例可适用于对台区与用户表、台区与电表箱用电关系进行快速判别的情况。本实施例方法可由户变关系异常识别装置来执行,该装置可采用硬件/或软件的方式来实现,并可配置于电子设备中。可实现本申请任意实施例所述的户变关系异常识别方法。如图1所示,该方法具体包括如下:
S110、从用电量采集系统中获取至少一个用电数据和用电数据所属台区的电表数据;其中,用电数据包括用户表用电数据和/或电表箱用电数据。
在本实施例中,用电量采集系统中的存储表记录着每日的用户表用电数据和电表箱用电数据,以方便后续在使用时可直接快速查找出待用的数据。其中,存储表中存储的每条数据均有对应的标识和使用日期,示例性的,一条用户表用电数据均对应一个用户标识和该数据的使用日期。
台区既是一个物理概念也是一个逻辑概念,物理上一个台区设有一个总表,总表下会连接多个用户表,总表用电量等于其连接的所有用户表用电量和线路损耗电量之和;一个台区中的多个用户表按照地域进行划分为多组,每组安装在一个电表箱中,电表箱中并不存在一个真实的电表汇聚电表箱中所有的用户表,但可以将电表箱中所有用户表用电量进行累加作为电表箱用电量,以方便管理;一个台区可能包含多个用户表,一个台区可能包含一个或多个电表箱,一个电表箱也可能包含多个用户表。
S120、根据用电数据和用电数据所属台区的电表数据建立特征矩阵。
在本实施例中,将用电数据和用电数据所属台区的电表数据的存储形式进行转换,转换成一个能够和户变关系异常识别模型有效对接的形式,以使得能够利用用户变关系异常识别模型有效识别出用户表(或电表箱)与用电数据所属台区的户变关系是否异常。
S130、将特征矩阵输入预先训练的户变关系异常识别模型中,并根据户变关系异常识别模型的输出,确定用户表与用电数据所属台区的异常关系,和/或电表箱与用电数据所属台区的异常关系。
由于用电量采集系统中存储的用户表或电表箱与其所属台区的关系(即户变关系)均是预先手工录入的,经过一段时间之后,由于用户表连接台区可能发生变更,而这些已存储信息没能得到及时的更新,会导致用电量采集系统中记录的户变关系有误,从而影响后续的用电分析;因此,定时对户变关系进行有效判断是非常重要的。现有技术中,对户变关系异常进行识别时,主要是依靠人工将待识别数据进行统一采集,并对每个台区使用多元线性回归方法逐一建模,以挑选出异常的户变关系;由于该方法在实施时需要大量的人力和计算,存在计算速度慢、效率低下的问题。
因此,本实施例预先建立一个能够快速识别用电关系的户变关系异常识别模型,以解决现有技术中需要大量人力和计算识别导致计算量大效率低下的问题,从而有效提高识别效率和精度。
在本实施例中,当检测到用电数据与其所属台区的电表数据的所属关系错误时,即认为用户表或电表箱与台区之间的归属关系为异常关系,存在户变关系异常。
本公开实施例从用电量采集系统中获取至少一个用电数据和用电数据所属台区的电表数据;其中,用电数据包括用户表用电数据和/或电表箱用电数据;根据用电数据和用电数据所属台区的电表数据建立特征矩阵;将特征矩阵输入预先训练的户变关系异常识别模型中,并根据户变关系异常识别模型的输出,确定用户表与用电数据所属台区的异常关系,和/或电表箱与用电数据所属台区的异常关系。本实施例能够先对获取到的数据进行处理得到特征矩阵,再将特征矩阵输入至预先训练好的识别模型中进行快速判断,从而高效快速的实现台区与用户表、台区与电表箱用电关系的异常判别。
图2是本公开实施例提供的另一种户变关系异常识别方法的流程示意图。本实施例是在上述实施例的基础上进一步扩展与优化,并可与上述技术方案中任意可选方案组合。如图2所示,该方法包括:
S210、从用电量采集系统中获取至少一个用电数据和用电数据所属台区的电表数据;其中,用电数据包括用户表用电数据和/或电表箱用电数据。
S220、根据用电数据和用电数据所属台区的电表数据,确定第一用电线损值和第二用电线损值。
其中,用电数据中包括至少两个预设采集时刻的用电数据,用电数据所属台区的电表数据包括台区内所有用户表用电数据或电表箱用电数据,第一用电线损值根据台区的总表数据、台区内所有用户表用电数据和台区内所有电表箱用电数据中的至少一种确定,第二用电线损值根据第一用电线损值和用电数据确定。
在本实施例中,理论上台区总表数据与其连接的且已经登记的用户表用电数据之和应该相等,实际上因为传输电力线以及其他电网设备在输电过程中存在不可避免的损耗,台区总表数据总是与其连接的全部用户表用点数据之和不一致;再考虑到因为台区拓扑变更,未登记的用户表接入,已经登记的用户表迁出等因素,这种不一致效应将更加明显。建模时将这种不一致效应统称为“用电线损值”。。
S230、根据用电数据、用电数据所属台区的总表数据、第一用电线损值和第二用电线损值,确定特征样本单元;并根据特征样本单元建立特征矩阵。
在本实施例中,将用电数据所属台区的总表数据、用电数据、第一用电线损值和第二用电线损值作为特征样本单元,再根据用电数据的不同采集时刻,按照时间顺序将特征样本单元进行排列,以一个特征矩阵的形式组织特征样本单元;例如,选择对应于连续N(例如,可以选择N=60)个用电数据采集时刻的特征样本单元按序排列,建立特征矩阵。
示例性的,特征矩阵可为Z行4列,Z可根据在用电量采集系统中选取不同的采集时段获得;特征矩阵可参见如下。
示例性的,特征矩阵A中的第一列可为用电数据;第二列可为该用电数据所属台区的总表数据;第三列可为第一用电线损值;第四列可为第二用电线损值。
本实施例将用电线损值融合到特征矩阵中,能够使得建立的特征矩阵更真实反应用户表与台区总表的用电量关系,从而有效提高户变关系异常识别模型输入参数的精准性。
S240、将特征矩阵输入预先训练的户变关系异常识别模型中,并根据户变关系异常识别模型的输出,确定用户表与用电数据所属台区的异常关系,和/或电表箱与用电数据所属台区的异常关系。
图3是本公开实施例提供的又一种户变关系异常识别方法的流程示意图。本实施例是在上述实施例的基础上进一步扩展与优化,并可与上述技术方案中任意可选方案组合。如图3所示,该方法包括:
S310、从用电量采集系统中获取至少一个用电数据和用电数据所属台区的电表数据;其中,用电数据包括用户表用电数据和/或电表箱用电数据。
S320、根据用电数据和用电数据所属台区的电表数据建立特征矩阵。
S330、从用电量采集系统的候选台区中选择目标台区,获取目标台区的总表数据、电表箱用电数据和目标台区内用户表用电数据,获取目标台区的相邻台区中用户表用电数据和电表箱用电数据。
在本实施例中,用电量采集系统包含多个存储表,存储表中记录着不同数据之间的对应关系;示例性的,可以根据下表1得到用电量数据。
表1 用电量数据示意表
表1中,用电量数据在表1中按日排列,台区总表数据和用户表用电数据对应当日两表的读数;电表类别包括用户表(对应数值2)和台区的总表(对应数值3)两种;如果台区标识和用户表标识出现在一行数据中,则表示这个用户表接在这个台区中的某个电表箱中,存在对应关系。
下表2为台区、电表箱和用户表的对应关系示意表。
表2 台区、电表箱和用户表的对应关系示意表
台区标识 | 用户表标识 | 电表箱标识 |
1989231 | 187519496 | 1641229572 |
1989231 | 2773199146 | 1641229572 |
1989231 | 187519127 | 1641229571 |
1989231 | 187521760 | 1641229573 |
1989231 | 187519115 | 1641229575 |
… | … | … |
若要计算某个电表箱用电数据,可通过首先在表2中筛选出接入某个标识对应电表箱的所有用户表标识,然后利用这些用户表标识去表1中获取对应用户表用电数据,然后进行累加,即可获得该电表箱用电数据。
获取台区相邻关系数据,包括获取台区与相邻台区数据表,数据表如下表3所示。
表3 台区相邻关系示意表
台区标识 | 相邻台区1 | 相邻台区2 | 相邻台区3 | … |
418 | 231 | 112 | 114 | … |
419 | 231 | / | / | … |
543 | / | / | / | … |
上表3中,每一个台区的相邻台区,可能有0个、1个、2个或多个;其中,“/”表示该字段为空,如果所有的相邻台区标识均为“/”,则表示该台区无相邻台区(例如图3中台区标识为543所对应的台区)。
具体的,可根据表3中的台区相邻关系,选择相邻台区最多的台区作为目标台区,再从该目标台区中选取至少一个相邻台区,作为该目标台区的相邻台区。
S340、根据目标台区的总表数据、电表箱用电数据、目标台区内用户表用电数据、目标台区的相邻台区中用户表用电数据和电表箱用电数据中的至少一种,建立户变关系异常识别模型;其中,户变关系异常识别模型包括第一识别模型。
其中,户变关系异常识别模型可包括第一识别模型和/或第二识别模型。本实施例中的户变关系异常识别模型能够有效判别出用户表(或电表箱)与其所属台区之间的对应关系,以快速确定出该用户表(或电表箱)是否异常。
在本实施例中,可选的,根据目标台区的总表数据、电表箱用电数据、目标台区内用户表用电数据、目标台区的相邻台区中用户表用电数据和电表箱用电数据中的至少一种,建立户变关系异常识别模型,包括:
根据目标台区的总表数据和目标台区内用户表用电数据的拟合值,确定第一用户表数据集;
选择相邻台区中至少一个用户表用电数据,加入第一用户表数据集;并根据目标台区的总表数据和第一用户表数据集,确定第一用户用电线损值;
从第一用户表数据集中选择任一用户表作为疑似用户表,并从第一用户表数据集中去掉疑似用户表用电数据,得到一个第二用户表数据集;
根据目标台区的总表数据和第二用户表数据集,确定至少一个第二用户用电线损值;
根据目标台区的总表数据、第一用户用电线损值、第二用户用电线损值和第二用户用电线损值对应的疑似用户表用电数据,建立至少一个第一特征样本单元;
根据第一特征样本单元中的第二用户用电线损值对应的疑似用户表属于目标台区或相邻台区,确定第一样本标签;
根据第一特征样本单元和第一样本标签,建立第一数据集,以构建第一识别模型。
具体包括,获取某一日的目标台区的总表数据,以及该日该目标台区内所有的N个用户表用电数据;然后,以线性回归或广义线性回归算法,将电表箱用电数据作为自变量,以目标台区的总表数据为因变量,拟合多元线性回归模型,获得每一个自变量的拟合系数,回归模型如下(1)所示:
M=β0+β1Y1+β2Y2+…+βNYN (1)
其中,M表示某日台区总表读数,Y1,Y2,…,YN表示N个用户表用电数据,β1,β2,…,βN表示N个自变量的拟合系数,β0为模型的截距。
如某个自变量的拟合系数在0.8和1.2之间,则将该自变量对应的用户表用电数据添加到台区用户表数据集中。
之后,针对目标台区,从其一个相邻台区中,选择一个或者多个用户表的用电数据,加入到台区用户表数据集合中。可选的,还可以从多个相邻台区中,选择多个用户表用电数据,加入台区用户表数据集中。
进一步地,在计算第一用户用电线损值和第二用户用电线损值时,可参见如下示例;设定时间窗口长度为T,选定起始日Date,获得起始日之后时间窗内每一日的目标台区的总表数据、该台区内的某一用户表用电数据、第一用户用电线损值和第二用户用电线损值。例如,假定台区用户表数据集中包含了目标台区的30个用户表和相邻台区的2个用户表(数据集里一共包含32个用户表对应的用电数据),我们可以确切的知道每一个用户表是来自目标台区还是目标台区的相邻台区。选取起始日为Date=2019/12/1,窗口T=60,对于目标台区的某一个用户表,根据2019/12/1日的目标台区的总表数据和其他31个用户表数据,可以分别计算当日该用户表的第一用户用电线损值(B)和第二用户用电线损值(C),计算方式为如下公式(2)和公式(3)。
公式(1)中,是第l个用户表第j日的第一用户用电损耗值,=1,2,…,32,数值上等价于假定全部用户表都连接到了目标台区的台区总表计算得到的线损值,Mj为当日目标台区的总表数据;为第i个用户表第j日用电数据。
公式(2)中,为第l个用户表在第j日的第二用户用电线损值,Mj为当日目标台区的总表数据;为第i个用户表第j日用电数据,为第l个用户表第j日用电数据,l=1,2,…,32。可见,是假定第l个用户表与目标台区总表没有连接时,利用台区总表数据与台区内其余的用户表用电数据计算出的线损值。
由公式(2)和公式(3)可知,针对某个用户表的第二用户用电线损值,还可根据第一用户用电线损值和对应的用户用电数据计算得到,即:
这样,即可获得该目标台区2019/12/1开始的60日用电量及损耗数据生成的32条样本,每一条样本都是一个T(T=60)行4列的矩阵,描述了60日内一个用户表与台区总表以及相关线损的数值,例如,第一个用户表生成的第一个样本对应的特征矩阵如下所示:
目标台区内的32个用户表,每一个都可以利用2019/12/1日及其之后的59日的用电数据生成一个样本,共32条样本。对于第l个用户表生成的样本,其形式如下所示:
移动时间窗口,起始日变成2019/12/2,可生成该目标台区的新样本。根据给定的数据规模,可根据目标台区和相邻台区的数据,生成一个数据集,数据集中每一条数据都是一个T行4列的矩阵;
最后,对于对应于目标台区电表数据,打上标签“0”,对于其相邻台区的数据,打上标签“1”。例如,对于第l个用户表生成的特征矩阵,如果第l个用户表属于目标台区,则这个特征矩阵打上标签“0”,作为负样本;如果第l个用户表属于相邻台区,则这个特征矩阵打上标签“1”,作为正样本。最终,利用全部正负样本得到第一数据集。
进一步地,可将第一数据集划分为训练集和验证集,例如,将第一数据集中80%的数据作为训练集,将剩余的20%作为验证集。利用训练集训练得到LSTM神经网络模型,再利用验证集进行验证模型预测效果。若验证集预测准确率超过准确率阈值(例如0.8),则可确认该初始网络模型为第一识别模型。此外,还可以有其他判别模型是否合格的标准,如模型在验证集上的AUC值大约0.75,则认为该模型为合格的模型,将其作为第一识别模型。本实施例能够准确得到第一识别模型,以预测用户表和其所属台区之间的户变关系是否异常。
在本实施例中,可选的,根据目标台区的总表数据、电表箱用电数据、目标台区内用户表用电数据、目标台区的相邻台区中用户表用电数据和电表箱用电数据中的至少一种,建立户变关系异常识别模型,包括:
根据目标台区的总表数据和电表箱用电数据的拟合值,确定第一电表箱用电数据集;
选择相邻台区中的至少一个电表箱用电数据,加入第一电表箱用电数据集;并根据目标台区的总表数据和第一电表箱用电数据集,确定第一电表箱用电线损值;
从第一电表箱用电数据集中选择任一电表箱作为疑似电表箱,并从第一电表箱用电数据集中去掉疑似电表箱用电数据,得到第二电表箱用电数据集;
根据目标台区的总表数据和第二电表箱用电数据集,确定至少一个第二电表箱用电线损值;
根据目标台区的总表数据、第一电表箱用电线损值、第二电表箱用电线损值和第二电表箱用电线损值对应的疑似电表箱用电数据,建立至少一个第二特征样本单元;
根据第二特征样本单元中的第二电表箱用电线损值对应的疑似电表箱属于目标台区或相邻台区,确定第二样本标签;
根据第二特征样本单元和第二样本标签,建立第二数据集,以构建第二识别模型。
其中,根据目标台区的总表数据和电表箱用电数据的拟合值,确定台区电表箱用电数据集,可参照如下示例。
获取某一日的目标台区的总表数据,以及该日该目标台区内所有的N1个用户表用电数据;并根据所有的N1个用户表用电数据以及登记的归属关系计算目标台区内N个电表箱用电数据;然后,以线性回归或广义线性回归算法,将电表箱用电数据作为自变量,以目标台区的总表数据为因变量,拟合多元线性回归模型,获得每一个自变量的拟合系数;如某个自变量的拟合系数在0.8和1.2之间,则将该自变量对应的电表箱用电数据添加到台区电表箱用电数据集中。
针对目标台区的某个相邻台区,可以按照针对目标台区及其电表箱的计算方法,获得相邻台区电表箱用电数据集,集合中每个电表箱经过多元线性回归算法校验,均可确认与相邻台区有连接关系。采用随机抽样算法,从相邻台区电表箱用电数据集中抽取1个或多个电表箱用电数据,加入到针对目标台区的台区电表箱用电数据集中。
本实施例中,在进行拟合值的计算之前,还可包括:对目标台区的总表数据进行异常值和缺失值处理;在计算电表箱用电数据之前,还可包括:对用户表用电数据进行异常值处理;在拟合多元线性回归模型之前,还可包括:对电表箱用电数据进行方差分析,以剔除异常的电表箱用电数据。
其中,对目标台区的总表数据进行异常值和缺失值处理,具体可包括:对于存储表中所以时刻的目标台区的总表数据,按照数据采集时刻求出所有总表数据的中位数Median1,然后用每一个目标台区的总表数据减去Median1之后再取绝对值得到一列新的数据,对新列求中位数得到Median2,令MAD=1.4826*Median2,设定阈值为Median1-3*MAD,以将所有日期下的目标台区的总表数据中不高于阈值的数据删除。
对用户表用电数据进行异常值处理,具体可包括:获取某个台区的用户表列表,然后统计某个时间周期内,某个用户表用电数据缺失情况,即用户表电量数据为0,为空或未上报的数量;统计某个台区内所有用户表的电量缺失的中位数Median和标准差Std。设定异常值门限为Median+3*Std,删除电量数据缺失超过异常值门限的用户表用电数据。
对电表箱用电数据进行方差分析,可具体包括:对累加用户表用电数据得到的电表箱用电数据,按照时间求方差;示例性的,获取到了标识为ID1的电表箱自2019/12/1~2020/6/30日每一天的数据,对这些数据求方差;如果方差小于1,则认为该电表箱所包含的用户表几乎没有用电,作为自变量引入到多元线性回归模型中将导致模型不稳定,因此剔除这个电表箱用电数据,以保证多元线性回归模型的稳定构建。
进一步的,可在计算第一电表箱用电线损值和第二电表箱用电线损值时,参见如下示例;设定时间窗口长度为T,选定起始日Date,获得起始日之后时间窗内每一日的目标台区的总表数据、该台区内的某一电表箱用电数据、第一电表箱用电线损值和第二电表箱用电线损值。例如,假定台区电表箱数据集中包含了目标台区的30个电表箱和相邻台区的2个电表箱(数据集里一共包含32个电表箱对应的用电数据),我们可以确切的知道每一个电表箱是来自目标台区还是目标台区的相邻台区。选取起始日为Date=2019/12/1,窗口T=60,对于目标台区的某一个电表箱,根据2019/12/1日的目标台区的总表数据和其他31个电表箱数据,可以分别计算当日该电表箱的第一电表箱用电线损值(B)和第二电表箱用电线损值(C),计算方式为如下公式(5)和公式(6)。
公式(5)中,是第l个电表箱第j日的第一电表箱用电线损值,l=1,2,…,32,数值上等价于假定全部电表箱都连接到了目标台区的台区总表计算得到的线损值,Mj为当日目标台区的总表数据;为第i个电表箱第j日用电数据。
公式(6)中,为第l个电表箱在第j日的第二电表箱用电线损值,Mj为当日目标台区的总表数据;为第i个电表箱第j日用电数据,为第l个电表箱第j日用电数据,l=1,2,…,32。可见,是假定第l个电表箱与目标台区总表没有连接时,利用台区总表数据与台区内其余的电表箱用电数据计算出的线损值。
由公式(5)和公式(6)可知,针对某个电表箱的第二电表箱用电线损值,还可根据第一电表箱用电线损值和对应的电表箱用电数据计算得到,即:
这样,即可获得该目标台区2019/12/1开始的60日用电量及损耗数据生成的32条样本,每一条样本都是一个T(T=60)行4列的矩阵,描述了60日内一个电表箱与台区总表以及相关线损的数值,例如,第一个电表箱生成的第一个样本对应的特征矩阵如下所示:
目标台区内的32个电表箱,每一个都可以利用2019/12/1日及其之后的59日的用电数据生成一个样本,共32条样本。对于第l个电表箱生成的样本,其形式如下所示:
移动时间窗口,起始日变成2019/12/2,可生成该目标台区的新样本。根据给定的数据规模,可根据目标台区和相邻台区的数据,生成一个数据集,数据集中每一条数据都是一个T行4列的矩阵;
最后,对于对应于目标台区电表箱数据,打上标签“0”,对于其相邻台区的数据,打上标签“1”。例如,对于第l个电表箱生成的特征矩阵,如果第l个电表箱属于目标台区,则这个特征矩阵打上标签“0”,作为负样本;如果第l个电表箱属于相邻台区,则这个特征矩阵打上标签“1”,作为正样本。最终,利用全部正负样本得到第二数据集。
进一步地,可将第二数据集划分为训练集和验证集,例如,将第二数据集中80%的数据作为训练集,将剩余的20%作为验证集。利用训练集训练得到LSTM神经网络模型,再利用验证集进行验证模型预测效果。若验证集预测准确率超过准确率阈值(例如0.8),则可确认该初始网络模型为第二识别模型。此外,还可以有其他判别模型是否合格的标准,如模型在验证集上的AUC值大约0.75,则认为该模型为合格的模型,将其作为第一识别模型。本实施例能够得到第二识别模型,用于识别电表箱与台区总表之间的户变关系异常。
S350、根据第一识别模型的输出确定用户表与用电数据所属台区关系异常的第一预测概率;若检测到第一预测概率小于预设概率阈值,则确定用户表与用电数据所属台区户变关系无异常。
在本实施例中,可选的,根据户变关系异常识别模型的输出,确定电表箱与用电数据所属台区的异常关系,包括:
根据第二识别模型的输出确定电表箱与用电数据所属台区关系异常的第二预测概率;
若检测到第二预测概率小于预设概率阈值,则确定电表箱与用电数据所属台区户变关系无异常。
其中,户变关系异常识别模型包括第一识别模型和第二识别模型;其中,当特征矩阵是根据用户表用电数据构建的,则可将该特征矩阵输入至第一识别模型,第一识别模型会输出一个概率,该概率表示该用户表与其所属台区之间所属关系的预测概率;相应的,当特征矩阵是根据电表箱用电数据构建的,则可将该特征矩阵输入至第二识别模型,第二识别模型会输出一个概率,该概率表示该电表箱与其所属台区之间所属关系的预测概率。
在本实施例中,预测概率阈值可为预先设置的一个预测值,预测值可根据用电数据的检测人员进行评估给出,例如,预测概率阈值可设置为0.75。
当预测概率小于预测概率阈值时,可认为该用电数据的提供主体(用户表或者电表箱)与该台区的所属关系正确,从而有效实现用电量采集系统中用电所属关系的快速判别。
在本实施例中,可选的,本实施例方法还包括:
若检测到第一预测概率大于或等于预设概率阈值,则确定用户表与用电数据所属台区户变关系异常,生成用户表关系异常信号;
若检测到第二预测概率大于或等于预设概率阈值,则确定电表箱与用电数据所属台区户变关系异常,生成电表箱关系异常信号。
在本实施例中,当检测到预测概率大于或等于预测概率阈值时,可认为该用电数据的提供主体(用户表或者电表箱)与该台区的所属关系存在异常,需要人为进行检测,以确认两者的正确所属关系;根据户表关系异常识别模型的输出结果生成用电关系异常信号,以使得相关人员可以及时发现该问题并及时处理。
具体的,用电关系异常信号可为向预先关联的检测人员进行信息通信,例如发短信、邮件以及系统提示的方式。
图4是本公开实施例提供的一种户变关系异常识别装置的结构示意图;该装置配置于电子设备中,可实现本申请任意实施例所述的户变关系异常识别方法。该装置具体包括如下:
数据获取模块410,用于从用电量采集系统中获取至少一个用电数据和所述用电数据所属台区的电表数据;其中,所述用电数据包括用户表用电数据和/或电表箱用电数据;
特征矩阵建立模块420,用于根据所述用电数据和所述用电数据所属台区的电表数据建立特征矩阵;
异常关系确定模块430,用于将所述特征矩阵输入预先训练的户变关系异常识别模型中,并根据所述户变关系异常识别模型的输出,确定所述用户表与所述用电数据所属台区的异常关系,和/或所述电表箱与所述用电数据所属台区的异常关系。
在本实施例中,可选的,特征矩阵建立模块420,具体用于:
根据所述用电数据和所述用电数据所属台区的电表数据,确定第一用电线损值和第二用电线损值;其中,所述用电数据中包括至少两个预设采集时刻的用电数据,所述用电数据所属台区的电表数据包括台区内所有用户表用电数据或电表箱用电数据,所述第一用电线损值根据所述台区的总表数据、所述台区内所有用户表用电数据和所述台区内所有电表箱用电数据中的至少一种确定,所述第二用电线损值根据所述第一用电线损值和所述用电数据确定;
根据所述用电数据、所述用电数据所属台区的总表数据、所述第一用电线损值和所述第二用电线损值,确定特征样本单元;
根据所述特征样本单元建立特征矩阵。
在本实施例中,可选的,还包括:模型建立模块;
数据获取模块410,还用于从用电量采集系统的候选台区中选择目标台区,获取所述目标台区的总表数据、电表箱用电数据和所述目标台区内用户表用电数据,获取所述目标台区的相邻台区中用户表用电数据和电表箱用电数据;
模型建立模块,用于根据所述目标台区的总表数据、所述电表箱用电数据、所述目标台区内用户表用电数据、所述目标台区的相邻台区中用户表用电数据和电表箱用电数据中的至少一种,建立户变关系异常识别模型;
其中,所述户变关系异常识别模型包括第一识别模型和/或第二识别模型。
在本实施例中,可选的,模型建立模块,具体用于:
根据所述目标台区的总表数据和所述目标台区内用户表用电数据的拟合值,确定第一用户表数据集;
选择所述相邻台区中至少一个用户表用电数据,加入所述第一用户表数据集;并根据所述目标台区的总表数据和所述第一用户表数据集,确定第一用户用电线损值;
从所述第一用户表数据集中选择任一用户表作为疑似用户表,并从所述第一用户表数据集中去掉疑似用户表用电数据,得到一个第二用户表数据集;
根据所述目标台区的总表数据和所述第二用户表数据集,确定至少一个第二用户用电线损值;
根据所述目标台区的总表数据、所述第一用户用电线损值、所述第二用户用电线损值和所述第二用户用电线损值对应的疑似用户表用电数据,建立至少一个第一特征样本单元;
根据所述第一特征样本单元中的所述第二用户用电线损值对应的疑似用户表属于目标台区或相邻台区,确定第一样本标签;
根据所述第一特征样本单元和所述第一样本标签,建立第一数据集,以构建第一识别模型。
在本实施例中,可选的,模型建立模块,具体用于:
根据所述目标台区的总表数据和电表箱用电数据的拟合值,确定第一电表箱用电数据集;
选择所述相邻台区中的至少一个电表箱用电数据,加入所述第一电表箱用电数据集;并根据所述目标台区的总表数据和所述第一电表箱用电数据集,确定第一电表箱用电线损值;
从所述第一电表箱用电数据集中选择任一电表箱作为疑似电表箱,并从所述第一电表箱用电数据集中去掉疑似电表箱用电数据,得到第二电表箱用电数据集;
根据所述目标台区的总表数据和所述第二电表箱用电数据集,确定至少一个第二电表箱用电线损值;
根据所述目标台区的总表数据、所述第一电表箱用电线损值、所述第二电表箱用电线损值和所述第二电表箱用电线损值对应的疑似电表箱用电数据,建立至少一个第二特征样本单元;
根据所述第二特征样本单元中的所述第二电表箱用电线损值对应的疑似电表箱属于目标台区或相邻台区,确定第二样本标签;
根据所述第二特征样本单元和所述第二样本标签,建立第二数据集,以构建第二识别模型。
在本实施例中,可选的,异常关系确定模块430,具体用于:
根据所述第一识别模型的输出确定所述用户表与所述用电数据所属台区关系异常的第一预测概率;
若检测到所述第一预测概率小于预设概率阈值,则确定所述用户表与所述用电数据所属台区户变关系无异常;
异常关系确定模块,具体用于:
根据所述第二识别模型的输出确定所述电表箱与所述用电数据所属台区关系异常的第二预测概率;
若检测到所述第二预测概率小于所述预设概率阈值,则确定所述电表箱与所述用电数据所属台区户变关系无异常。
在本实施例中,可选的,还包括:
异常信号生成模块,用于若检测到所述第一预测概率大于或等于所述预设概率阈值,则确定所述用户表与所述用电数据所属台区户变关系异常,生成用户表关系异常信号;
异常信号生成模块,还用于若检测到所述第二预测概率大于或等于所述预设概率阈值,则确定所述电表箱与所述用电数据所属台区户变关系异常,生成电表箱关系异常信号。
通过本发明实施例的户变关系异常识别装置,能够先对获取到的数据进行处理得到特征矩阵,再将特征矩阵输入至预先训练好的识别模型中进行快速判断,从而高效快速的实现台区与用户表、台区与电表箱用电关系的异常判别。
本发明实施例所提供的户变关系异常识别装置可执行本发明任意实施例所提供的户变关系异常识别方法,具备执行方法相应的功能模块和有益效果。
图5本公开实施例提供的一种电子设备的结构示意图。如图5所示,该电子设备包括处理器510、存储器520、输入装置530和输出装置540;电子设备中处理器510的数量可以是一个或多个,图5中以一个处理器510为例;电子设备中的处理器510、存储器520、输入装置530和输出装置540可以通过总线或其他方式连接,图5中以通过总线连接为例。
存储器520作为一种计算机可读存储介质,可用于存储软件程序、计算机可执行程序以及模块,如本发明实施例中的户变关系异常识别方法对应的程序指令/模块。处理器510通过运行存储在存储器520中的软件程序、指令以及模块,从而执行电子设备的各种功能应用以及数据处理,即实现本发明实施例所提供的户变关系异常识别方法。
存储器520可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序;存储数据区可存储根据终端的使用所创建的数据等。此外,存储器520可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中,存储器520可进一步包括相对于处理器510远程设置的存储器,这些远程存储器可以通过网络连接至电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置530可用于接收输入的数字或字符信息,以及产生与电子设备的用户设置以及功能控制有关的键信号输入,可以包括键盘、鼠标等。输出装置540可包括显示屏等显示设备。
本公开实施例还提供了一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于实现本发明实施例所提供的户变关系异常识别方法。
当然,本发明实施例所提供的一种包含计算机可执行指令的存储介质,其计算机可执行指令不限于如上所述的方法操作,还可以执行本发明任意实施例所提供的户变关系异常识别方法中的相关操作。
通过以上关于实施方式的描述,所属领域的技术人员可以清楚地了解到,本发明可借助软件及必需的通用硬件来实现,当然也可以通过硬件实现,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
需要说明的是,在本文中,诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅是本公开的具体实施方式,使本领域技术人员能够理解或实现本公开。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本公开的精神或范围的情况下,在其它实施例中实现。因此,本公开将不会被限制于本文所述的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种户变关系异常识别方法,其特征在于,所述方法包括:
从用电量采集系统中获取至少一个用电数据和所述用电数据所属台区的电表数据;其中,所述用电数据包括用户表用电数据和/或电表箱用电数据;
根据所述用电数据和所述用电数据所属台区的电表数据建立特征矩阵;
将所述特征矩阵输入预先训练的户变关系异常识别模型中,并根据所述户变关系异常识别模型的输出,确定所述用户表与所述用电数据所属台区的异常关系,和/或所述电表箱与所述用电数据所属台区的异常关系。
2.根据权利要求1所述的方法,其特征在于,所述根据所述用电数据和所述用电数据所属台区的电表数据建立特征矩阵,包括:
根据所述用电数据和所述用电数据所属台区的电表数据,确定第一用电线损值和第二用电线损值;其中,所述用电数据中包括至少两个预设采集时刻的用电数据,所述用电数据所属台区的电表数据包括台区内所有用户表用电数据或电表箱用电数据,所述第一用电线损值根据所述台区的总表数据、所述台区内所有用户表用电数据和所述台区内所有电表箱用电数据中的至少一种确定,所述第二用电线损值根据所述第一用电线损值和所述用电数据确定;
根据所述用电数据、所述用电数据所属台区的总表数据、所述第一用电线损值和所述第二用电线损值,确定特征样本单元;
根据所述特征样本单元建立特征矩阵。
3.根据权利要求1所述的方法,其特征在于,所述将所述特征矩阵输入预先训练的户变关系异常识别模型中之前,所述方法还包括:
从用电量采集系统的候选台区中选择目标台区,获取所述目标台区的总表数据、电表箱用电数据和所述目标台区内用户表用电数据,获取所述目标台区的相邻台区中用户表用电数据和电表箱用电数据;
根据所述目标台区的总表数据、所述电表箱用电数据、所述目标台区内用户表用电数据、所述目标台区的相邻台区中用户表用电数据和电表箱用电数据中的至少一种,建立户变关系异常识别模型;
其中,所述户变关系异常识别模型包括第一识别模型和/或第二识别模型。
4.根据权利要求3所述的方法,其特征在于,所述根据所述目标台区的总表数据、所述电表箱用电数据、所述目标台区内用户表用电数据、所述目标台区的相邻台区中用户表用电数据和电表箱用电数据中的至少一种,建立户变关系异常识别模型,包括:
根据所述目标台区的总表数据和所述目标台区内用户表用电数据的拟合值,确定第一用户表数据集;
选择所述相邻台区中至少一个用户表用电数据,加入所述第一用户表数据集;并根据所述目标台区的总表数据和所述第一用户表数据集,确定第一用户用电线损值;
从所述第一用户表数据集中选择任一用户表作为疑似用户表,并从所述第一用户表数据集中去掉疑似用户表用电数据,得到一个第二用户表数据集;
根据所述目标台区的总表数据和所述第二用户表数据集,确定至少一个第二用户用电线损值;
根据所述目标台区的总表数据、所述第一用户用电线损值、所述第二用户用电线损值和所述第二用户用电线损值对应的疑似用户表用电数据,建立至少一个第一特征样本单元;
根据所述第一特征样本单元中的所述第二用户用电线损值对应的疑似用户表属于目标台区或相邻台区,确定第一样本标签;
根据所述第一特征样本单元和所述第一样本标签,建立第一数据集,以构建第一识别模型。
5.根据权利要求3所述的方法,其特征在于,所述根据所述目标台区的总表数据、所述电表箱用电数据、所述目标台区内用户表用电数据、所述目标台区的相邻台区中用户表用电数据和电表箱用电数据中的至少一种,建立户变关系异常识别模型,包括:
根据所述目标台区的总表数据和电表箱用电数据的拟合值,确定第一电表箱用电数据集;
选择所述相邻台区中的至少一个电表箱用电数据,加入所述第一电表箱用电数据集;并根据所述目标台区的总表数据和所述第一电表箱用电数据集,确定第一电表箱用电线损值;
从所述第一电表箱用电数据集中选择任一电表箱作为疑似电表箱,并从所述第一电表箱用电数据集中去掉疑似电表箱用电数据,得到第二电表箱用电数据集;
根据所述目标台区的总表数据和所述第二电表箱用电数据集,确定至少一个第二电表箱用电线损值;
根据所述目标台区的总表数据、所述第一电表箱用电线损值、所述第二电表箱用电线损值和所述第二电表箱用电线损值对应的疑似电表箱用电数据,建立至少一个第二特征样本单元;
根据所述第二特征样本单元中的所述第二电表箱用电线损值对应的疑似电表箱属于目标台区或相邻台区,确定第二样本标签;
根据所述第二特征样本单元和所述第二样本标签,建立第二数据集,以构建第二识别模型。
6.根据权利要求3所述的方法,其特征在于,所述根据所述户变关系异常识别模型的输出,确定所述用户表与所述用电数据所属台区的异常关系,包括:
根据所述第一识别模型的输出确定所述用户表与所述用电数据所属台区关系异常的第一预测概率;
若检测到所述第一预测概率小于预设概率阈值,则确定所述用户表与所述用电数据所属台区户变关系无异常;
根据所述户变关系异常识别模型的输出,确定所述电表箱与所述用电数据所属台区的异常关系,包括:
根据所述第二识别模型的输出确定所述电表箱与所述用电数据所属台区关系异常的第二预测概率;
若检测到所述第二预测概率小于所述预设概率阈值,则确定所述电表箱与所述用电数据所属台区户变关系无异常。
7.根据权利要求6所述的方法,其特征在于,所述方法还包括:
若检测到所述第一预测概率大于或等于所述预设概率阈值,则确定所述用户表与所述用电数据所属台区户变关系异常,生成用户表关系异常信号;
若检测到所述第二预测概率大于或等于所述预设概率阈值,则确定所述电表箱与所述用电数据所属台区户变关系异常,生成电表箱关系异常信号。
8.一种户变关系异常识别装置,其特征在于,所述装置包括:
数据获取模块,用于从用电量采集系统中获取至少一个用电数据和所述用电数据所属台区的电表数据;其中,所述用电数据包括用户表用电数据和/或电表箱用电数据;
特征矩阵建立模块,用于根据所述用电数据和所述用电数据所属台区的电表数据建立特征矩阵;
异常关系确定模块,用于将所述特征矩阵输入预先训练的户变关系异常识别模型中,并根据所述户变关系异常识别模型的输出,确定所述用户表与所述用电数据所属台区的异常关系,和/或所述电表箱与所述用电数据所属台区的异常关系。
9.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1~7中任一所述的户变关系异常识别方法。
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,该程序被处理器执行时实现如权利要求1~7中任一所述的户变关系异常识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110495567.0A CN113297539A (zh) | 2021-05-07 | 2021-05-07 | 户变关系异常识别方法、装置、电子设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110495567.0A CN113297539A (zh) | 2021-05-07 | 2021-05-07 | 户变关系异常识别方法、装置、电子设备和介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113297539A true CN113297539A (zh) | 2021-08-24 |
Family
ID=77321072
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110495567.0A Pending CN113297539A (zh) | 2021-05-07 | 2021-05-07 | 户变关系异常识别方法、装置、电子设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113297539A (zh) |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109325545A (zh) * | 2018-10-16 | 2019-02-12 | 南方电网科学研究院有限责任公司 | 低压配电网拓扑结构校验方法、装置、设备及存储介质 |
CN110516912A (zh) * | 2019-07-24 | 2019-11-29 | 长沙恒电聚能电子科技有限公司 | 一种配电台区户变关系的识别方法 |
CN110739686A (zh) * | 2019-10-15 | 2020-01-31 | 福建网能科技开发有限责任公司 | 一种基于总表异常分析的台区线损治理方法及系统 |
CN111505433A (zh) * | 2020-04-10 | 2020-08-07 | 国网浙江余姚市供电有限公司 | 一种低压台区户变关系纠错及相位识别方法 |
CN111525560A (zh) * | 2020-05-12 | 2020-08-11 | 国网辽宁省电力有限公司沈阳供电公司 | 基于智能电表电流数据的台区户变识别方法及装置 |
CN111596232A (zh) * | 2020-06-15 | 2020-08-28 | 四川中电启明星信息技术有限公司 | 一种基于电压序列变点检测的户变关系校验方法 |
CN111650431A (zh) * | 2020-05-26 | 2020-09-11 | 珠海中慧微电子有限公司 | 一种电表台区识别方法 |
CN111753259A (zh) * | 2020-06-22 | 2020-10-09 | 国网福建省电力有限公司 | 基于台区能量平衡的台区拓扑档案校核方法 |
CN111951125A (zh) * | 2020-08-12 | 2020-11-17 | 积成电子股份有限公司 | 一种基于大数据分析的台区异常户变关系识别方法 |
CN112085403A (zh) * | 2020-09-16 | 2020-12-15 | 国网福建省电力有限公司营销服务中心 | 一种基于混合整数规划的低压台区拓扑辨识方法 |
CN112308459A (zh) * | 2020-11-23 | 2021-02-02 | 国网北京市电力公司 | 电网户变关系的识别方法及识别装置、电子设备 |
CN112463849A (zh) * | 2020-11-20 | 2021-03-09 | 北京市腾河电子技术有限公司 | 进行台区户变关系识别的方法、计算机可读取的存储介质 |
CN112699913A (zh) * | 2020-11-25 | 2021-04-23 | 国网湖南省电力有限公司 | 一种台区户变关系异常诊断方法及装置 |
CN112751335A (zh) * | 2020-12-25 | 2021-05-04 | 青岛鼎信通讯股份有限公司 | 一种基于用电信息采集系统的户变关系识别方法 |
-
2021
- 2021-05-07 CN CN202110495567.0A patent/CN113297539A/zh active Pending
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109325545A (zh) * | 2018-10-16 | 2019-02-12 | 南方电网科学研究院有限责任公司 | 低压配电网拓扑结构校验方法、装置、设备及存储介质 |
CN110516912A (zh) * | 2019-07-24 | 2019-11-29 | 长沙恒电聚能电子科技有限公司 | 一种配电台区户变关系的识别方法 |
CN110739686A (zh) * | 2019-10-15 | 2020-01-31 | 福建网能科技开发有限责任公司 | 一种基于总表异常分析的台区线损治理方法及系统 |
CN111505433A (zh) * | 2020-04-10 | 2020-08-07 | 国网浙江余姚市供电有限公司 | 一种低压台区户变关系纠错及相位识别方法 |
CN111525560A (zh) * | 2020-05-12 | 2020-08-11 | 国网辽宁省电力有限公司沈阳供电公司 | 基于智能电表电流数据的台区户变识别方法及装置 |
CN111650431A (zh) * | 2020-05-26 | 2020-09-11 | 珠海中慧微电子有限公司 | 一种电表台区识别方法 |
CN111596232A (zh) * | 2020-06-15 | 2020-08-28 | 四川中电启明星信息技术有限公司 | 一种基于电压序列变点检测的户变关系校验方法 |
CN111753259A (zh) * | 2020-06-22 | 2020-10-09 | 国网福建省电力有限公司 | 基于台区能量平衡的台区拓扑档案校核方法 |
CN111951125A (zh) * | 2020-08-12 | 2020-11-17 | 积成电子股份有限公司 | 一种基于大数据分析的台区异常户变关系识别方法 |
CN112085403A (zh) * | 2020-09-16 | 2020-12-15 | 国网福建省电力有限公司营销服务中心 | 一种基于混合整数规划的低压台区拓扑辨识方法 |
CN112463849A (zh) * | 2020-11-20 | 2021-03-09 | 北京市腾河电子技术有限公司 | 进行台区户变关系识别的方法、计算机可读取的存储介质 |
CN112308459A (zh) * | 2020-11-23 | 2021-02-02 | 国网北京市电力公司 | 电网户变关系的识别方法及识别装置、电子设备 |
CN112699913A (zh) * | 2020-11-25 | 2021-04-23 | 国网湖南省电力有限公司 | 一种台区户变关系异常诊断方法及装置 |
CN112751335A (zh) * | 2020-12-25 | 2021-05-04 | 青岛鼎信通讯股份有限公司 | 一种基于用电信息采集系统的户变关系识别方法 |
Non-Patent Citations (2)
Title |
---|
曹宏宇: "一种低压台区户变关系辨识算法研究", 电子设计工程, vol. 29, no. 08, 20 April 2021 (2021-04-20), pages 156 - 159 * |
连子宽;姚力;刘晟源;余允涛;唐小淇;杨莉;林振智;: "基于t-SNE降维和BIRCH聚类的单相用户相位及表箱辨识", 电力系统自动化, no. 08, 25 April 2020 (2020-04-25), pages 176 - 184 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ali et al. | A data-driven approach to optimize urban scale energy retrofit decisions for residential buildings | |
Ali et al. | A data-driven approach for multi-scale building archetypes development | |
CN106022592B (zh) | 一种用电行为异常检测与治安风险预警方法及装置 | |
CN108700851B (zh) | 用于预测能量消耗的系统、方法和基于云的平台 | |
CN110659273B (zh) | 分布式大数据采集平台的数据异常监控及修复方法 | |
CN110727662A (zh) | 基于相关性分析的低压台区用户相位识别方法和系统 | |
CN112766550A (zh) | 基于随机森林的停电敏感用户预测方法、系统、存储介质及计算机设备 | |
CN111506618B (zh) | 一种结合lightgbm-stacking算法的异常用电行为分析方法 | |
CN111090643B (zh) | 一种基于数据分析系统下的海量用电数据挖掘方法 | |
CN111552686B (zh) | 一种电力数据质量评估方法及其装置 | |
Xiao et al. | Status quo and opportunities for building energy prediction in limited data Context—Overview from a competition | |
CN116011827B (zh) | 一种用于重点小区的停电监测分析与预警系统及方法 | |
JP2006011715A (ja) | 資源消費量の推定方法及び装置 | |
CN112862172A (zh) | 国网95598停电投诉预测方法、装置、计算机设备和存储介质 | |
Hartmann et al. | Suspicious electric consumption detection based on multi-profiling using live machine learning | |
CN112288172A (zh) | 台区线损率的预测方法、装置 | |
CN111898918A (zh) | 一种设备使用跟踪管理方法、装置、设备及存储介质 | |
CN106875130B (zh) | 一种业扩执行效率的分析方法及装置 | |
CN106022640B (zh) | 电量指数核对系统及方法 | |
CN109064211B (zh) | 营销业务数据分析方法、装置及服务器 | |
CN112016856B (zh) | 综合倍率异常识别方法、装置、计量系统和存储介质 | |
CN112416904A (zh) | 电力数据规范化处理方法及装置 | |
CN112365082A (zh) | 一种基于机器学习的公共能源消耗预测方法 | |
CN113297539A (zh) | 户变关系异常识别方法、装置、电子设备和介质 | |
CN116662860A (zh) | 一种基于能源大数据的用户画像与分类方法 |
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 |