CN113393103A - 一种基于遗传算法优化bp神经网络的反窃电系统 - Google Patents
一种基于遗传算法优化bp神经网络的反窃电系统 Download PDFInfo
- Publication number
- CN113393103A CN113393103A CN202110621828.9A CN202110621828A CN113393103A CN 113393103 A CN113393103 A CN 113393103A CN 202110621828 A CN202110621828 A CN 202110621828A CN 113393103 A CN113393103 A CN 113393103A
- Authority
- CN
- China
- Prior art keywords
- output
- network
- hidden
- layer
- input
- 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
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 26
- 230000002068 genetic effect Effects 0.000 title claims abstract description 12
- 238000005457 optimization Methods 0.000 title claims description 5
- 230000005611 electricity Effects 0.000 claims abstract description 54
- 238000012549 training Methods 0.000 claims abstract description 31
- 230000006870 function Effects 0.000 claims abstract description 28
- 238000000034 method Methods 0.000 claims abstract description 25
- 239000013598 vector Substances 0.000 claims abstract description 22
- 238000013461 design Methods 0.000 claims abstract description 17
- 230000002265 prevention Effects 0.000 claims abstract description 16
- 230000004913 activation Effects 0.000 claims abstract description 7
- 238000010606 normalization Methods 0.000 claims abstract description 6
- 238000011156 evaluation Methods 0.000 claims abstract description 5
- 238000004364 calculation method Methods 0.000 claims abstract description 4
- 230000008569 process Effects 0.000 claims description 12
- 230000001965 increasing effect Effects 0.000 claims description 7
- 238000013507 mapping Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 210000002569 neuron Anatomy 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 229920006395 saturated elastomer Polymers 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 7
- 238000004458 analytical method Methods 0.000 abstract description 4
- 238000007405 data analysis Methods 0.000 abstract description 4
- 238000005065 mining Methods 0.000 abstract 1
- 238000011161 development Methods 0.000 description 9
- 230000006399 behavior Effects 0.000 description 8
- 230000008901 benefit Effects 0.000 description 6
- 238000007726 management method Methods 0.000 description 6
- 238000001514 detection method Methods 0.000 description 4
- 238000009826 distribution Methods 0.000 description 3
- 238000009412 basement excavation Methods 0.000 description 2
- 230000002354 daily effect Effects 0.000 description 2
- 230000003203 everyday effect Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 1
- 229910052782 aluminium Inorganic materials 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 238000013024 troubleshooting Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- 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
- 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
- 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
- G06N3/08—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)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Marketing (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Computational Linguistics (AREA)
- Entrepreneurship & Innovation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种基于遗传算法优化BP神经网络的反窃电系统,其包括输入向量的选择、输入输出的归一化、训练样本的设计、隐含层数的设计、隐节点数的设计和激活函数的选取,本发明使建立基于遗传神经网络预测窃电行为的模型,并将其应用于电力用户用电信息采集系统,通过数据分析技术实现对电网用户行为的挖掘,从而解决电力公司对反窃电的实际需求,基于窃电的特点及反窃电的原理方法,将反窃电评价指标体系与BP神经网络相结合构建了反窃电模型,并将其应用于窃电嫌疑系数的计算,反窃电评价指标体系具有很好的科学性及BP神经网络对窃电嫌疑分析的可行性和有效性。
Description
技术领域
本发明涉及反窃电系统,具体为一种基于遗传算法优化BP神经网络的反 窃电系统。
背景技术
目前,我国已成为电力生产和消费大国。电力工业原有的一体化的垄断经营体制,以及 国内能源分布不均衡等状况严重制约了我国电力行业的发展[1],已不能适应新形势下电力工 业发展的要求。为进一步提高电力资源配置与运营效率,加快我国电力工业的发展步伐,智 能电网成为了电网技术发展的必然趋势。智能电网作为一种新型的智能化电网,与传统电网 相比具有很大的优势,智能电网具有支持新型电力市场、抵御外部的各种干扰和攻击、满足 高质量电能需求、适应多种类型电源的送电需求、实现资产优化利用、提高电网运行效率等 特性。
电量管理作为供电企业经营的中心,在电网经营效益分析中具有十分重要的地位。现在 越来越多的供电企业深刻地认识到,只有提高电量管理水平,降低线损,加大反窃电力度, 减少窃电带来的经济损失,增强电网运行分析能力,才能有效保证安全生产,取得企业良好 的经营效益。
供电企业是电力销售和利润实现的最终环节,是以开拓电力市场、增加 售电量为目标,努力降低销售费用的经济实体。目前我国供电企业在电量自 动化管理方面技术手段相对落后,线路损失率居高不下,反窃电技术手段落 后,经济损失巨大,供电可靠性、供电质量都有待进一步提高。而随着技术 的发展,窃电的手段与方法越来越高科技化和多样化,给用电管理的安全性、 可靠性、经济性带来巨大隐患。
目前反窃电技术存在很大的局限性,仅凭对线损率的计算,只能肯定线 损率大于15%时可能有窃电现象,但究竟窃电者是谁,窃电量是多少都不能判 定。
传统窃电排查方法是由供电所防窃电人员人工观察所辖区域的台区线 损、用户电量等,根据行业经验和业务规则,确定窃电嫌疑清单,再结合现 场摸排来捕捉窃电行为。在窃电与反窃电的较量中,供电部门旧的防窃方法 被窃电者熟知,一些新的方法也在被窃电者攻克。供电部门把电表装在电杆 顶上或装在用户屋外,或使用铅封、铝封封住表箱,但都关不住窃电的黑手。
目前供电企业主要通过电能计量自动化系统进行数据采集。电能计量自 动化系统包含了负荷管理系统、厂站电能量计量遥测系统、配变监测计量系 统、低压集中抄表系统这四个子系统随着智能电网的发展,各种智能电能计 量装置的广泛使用,电能计量自动化系统中的数据量明显增加,计量数据呈 指数级别增长、数据量巨大、结构类型繁多,而且交互性强。以现在广泛使 用的智能电表为例,智能电表每隔15min记录一条与用电情况相关的数据, 如电流、电压、电量等,这样一天就会产生96条相关记录,假设有10万个 用户,每天就会产生960万条数据。传统的窃电检测主要是靠人工进行排查, 而且往往都是窃电行为产生很长时间之后才被发现,再采取相关措施,要靠 人为在如此庞大的数据量里查找窃电行为无异于大海捞针,因此反窃电侦察 方式亟待改进。
随着数据挖掘、机器学习等技术的发展,一些智能检测方法的出现,这 也推动了智能检测的发展。本课题旨在研制一种基于遗传算法优化BP神经网 络的数据采集分析系统,对用户的历史数据进行分析,建立窃电判别模型或 规则。通过数据分析与处理,及时的发现窃电行为,提前釆取相关的措施将 损失降到最低,同时对相关用户进行惩罚,这对于减少电力部门和国家的经 济损失,保护电力系统的经济效益,保证国民的正常用电,维护电力市场的 正常发展具有很重要的意义。
发明内容
针对上述情况,为克服现有技术的缺陷,本发明提供一种基于遗传算法 优化BP神经网络的反窃电系统,有效的解决了上述技术背景中提到的问题。
为实现上述目的,本发明提供如下技术方案:本发明包括输入向量的选 择、输入输出的归一化、训练样本的设计、隐含层数的设计、隐节点数的设 计和激活函数的选取,所述输入向量的选择:样本向量的各分量应是能充分 反映反窃电嫌疑系数的定量指标,以反窃电评价指标为基础,将日用电量、用 户最大线损值、用表类型、所在台区线损、三相不平衡率、微机扫描情况、 功率因数及合同容量比作为网络的输入;
训练样本的设计:网络训练所需的样本数随输入—输出非线性映射关系 的复杂程度而增多,且样本中的噪声越大,网络的规模亦会相应扩大,神经网 络要提取的规律蕴含在训练样本中,样本的选择要有代表性,要注意样本类别 的均衡,使每个类别的样本数量大致相等,对同一类样本则要照顾样本的均匀 性和多样性,由此可避免学习过程出现反复,网络训练发生振荡;
隐含层数的设计:当学习不连续函数时,BP网络需两个隐含层,具有单隐 层的感知器可映射所有连续函数,设计BP网络隐含层时,先考虑设一个,当一 个隐含层的隐节点数很多仍不能改善网络性能时,再考虑增加另一个;
隐节点数的设计:采用常用的试凑法确定隐节点数,初始值用以下经验公 式计算;式中,m为隐含层节点数;n为输入层节点数,取为 8;l为输出层节点数,取为1;α为1~10之间的常数,式(7)表明,隐节点 数取值范围约为4~13,经多次试验后发现m值取7时,网络误差较小、训练 过程稳定,而隐节点数大于7时,训练极易过度,网络泛化能力差,故初步确定 隐节点数为7,网络结构即为8-7-1;
激活函数的选取:Sigmoid型函数的输出曲线在中间部分变化剧烈,两端 较平坦,这种特性更接近生物神经元的信号输出形式,同时Sigmoid型函数具 有饱和非线性特性和可微分性,增强了网络的非线性映射能力,因此,隐层节 点的激活函数通常选取连续可微的Sigmoid型函数,而输出层激活函数通常选 取线性型函数,可避免神经网络的输出范围受到限制。
根据上述技术方案:所述BP神经网络算法,输入向量为xp=(xp1,xp2,Λ,xpn)T, 隐含层输出向量为yp=(yp1,yp2,Λ,ypm)T;输入层和隐含层间的权值矩阵为 wjk(j=1,2Λ,n;k=1,2Λ,m);隐含层和输出层间的权值矩阵为 w=(w1,w2,Λ,wk,Λwm)T;列向量wk为输出层第k个神经元对应的权向量;bp为 样本的输出。
根据上述技术方案:所述隐含层和输出层样本p的输出计算公式分别为式中,ypk、b`p分别为 隐含层、输出层样本p的输出;θk为隐含层节点k的阈值;θ为输出层输出节 点的偏置值,每个节点的输出与输入间的非线性关系采用Sigmoid型函数描 述,即:f(x)=1/(1+e-x)(4)定义h个样本的实际输出b`p与期望输出bp的总误 差函数为:神经网络对样本的学习过程,即选取适当的 训练函数使E极小化的过程。
根据上述技术方案:所述训练样本的设计中在确定训练样本数时可参考 一个经验规则,网络连接权总数的5~10倍。
有益效果:本发明使建立基于遗传神经网络预测窃电行为的模型,并将 其应用于电力用户用电信息采集系统,通过数据分析技术实现对电网用户行 为的挖掘,从而解决电力公司对反窃电的实际需求,基于窃电的特点及反窃 电的原理方法,将反窃电评价指标体系与BP神经网络相结合构建了反窃电模 型,并将其应用于窃电嫌疑系数的计算,反窃电评价指标体系具有很好的科学 性及BP神经网络对窃电嫌疑分析的可行性和有效性。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本 发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1是本发明系统框图;
图2是本发明算法流程图。
具体实施方式
下面结合附图1-2对本发明的具体实施方式做进一步详细说明。
实施例,由图1-2给出,本发明提供一种基于遗传算法优化BP神经网络 的反窃电系统,包括输入向量的选择、输入输出的归一化、训练样本的设计、 隐含层数的设计、隐节点数的设计和激活函数的选取,所述输入向量的选择: 样本向量的各分量应是能充分反映反窃电嫌疑系数的定量指标,以反窃电评 价指标为基础,将日用电量、用户最大线损值、用表类型、所在台区线损、三 相不平衡率、微机扫描情况、功率因数及合同容量比作为网络的输入;
训练样本的设计:网络训练所需的样本数随输入—输出非线性映射关系 的复杂程度而增多,且样本中的噪声越大,网络的规模亦会相应扩大,神经网 络要提取的规律蕴含在训练样本中,样本的选择要有代表性,要注意样本类别 的均衡,使每个类别的样本数量大致相等,对同一类样本则要照顾样本的均匀 性和多样性,由此可避免学习过程出现反复,网络训练发生振荡;
隐含层数的设计:当学习不连续函数时,BP网络需两个隐含层,具有单隐 层的感知器可映射所有连续函数,设计BP网络隐含层时,先考虑设一个,当一 个隐含层的隐节点数很多仍不能改善网络性能时,再考虑增加另一个;
隐节点数的设计:采用常用的试凑法确定隐节点数,初始值用以下经验公 式计算;式中,m为隐含层节点数;n为输入层节点数,取为 8;l为输出层节点数,取为1;α为1~10之间的常数,式(7)表明,隐节点 数取值范围约为4~13,经多次试验后发现m值取7时,网络误差较小、训练 过程稳定,而隐节点数大于7时,训练极易过度,网络泛化能力差,故初步确定 隐节点数为7,网络结构即为8-7-1;
激活函数的选取:Sigmoid型函数的输出曲线在中间部分变化剧烈,两端 较平坦,这种特性更接近生物神经元的信号输出形式,同时Sigmoid型函数具 有饱和非线性特性和可微分性,增强了网络的非线性映射能力,因此,隐层节 点的激活函数通常选取连续可微的Sigmoid型函数,而输出层激活函数通常选 取线性型函数,可避免神经网络的输出范围受到限制。
所述BP神经网络算法,输入向量为xp=(xp1,xp2,Λ,xpn)T,隐含层输出向量为 yp=(yp1,yp2,Λ,ypm)T;输入层和隐含层间的权值矩阵为 wjk(j=1,2Λ,n;k=1,2Λ,m);隐含层和输出层间的权值矩阵为 w=(w1,w2,Λ,wk,Λwm)T;列向量wk为输出层第k个神经元对应的权向量;bp为 样本的输出。
所述隐含层和输出层样本p的输出计算公式分别为 k=1,2,Λ,m式中,ypk、b`p分别为隐含层、输出层样本 p的输出;θk为隐含层节点k的阈值;θ为输出层输出节点的偏置值,每个节 点的输出与输入间的非线性关系采用Sigmoid型函数描述,即:f(x)=1/(1+e-x) (4)定义h个样本的实际输出b`p与期望输出bp的总误差函数为:神经网络对样本的学习过程,即选取适当的训练函数使 E极小化的过程。
所述训练样本的设计中在确定训练样本数时可参考一个经验规则,网络 连接权总数的5~10倍。
有益效果:本发明使建立基于遗传神经网络预测窃电行为的模型,并将 其应用于电力用户用电信息采集系统,通过数据分析技术实现对电网用户行 为的挖掘,从而解决电力公司对反窃电的实际需求,基于窃电的特点及反窃 电的原理方法,将反窃电评价指标体系与BP神经网络相结合构建了反窃电模 型,并将其应用于窃电嫌疑系数的计算,反窃电评价指标体系具有很好的科学 性及BP神经网络对窃电嫌疑分析的可行性和有效性。
最后应说明的是:以上所述仅为本发明的优选实施例而已,并不用于限 制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的 技术人员来说,其依然可以对前述各实施例所记载的技术方案进行修改,或 者对其中部分技术特征进行等同替换。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 (4)
1.一种基于遗传算法优化BP神经网络的反窃电系统,包括输入向量的选择、输入输出的归一化、训练样本的设计、隐含层数的设计、隐节点数的设计和激活函数的选取,其特征在于:所述输入向量的选择:样本向量的各分量应是能充分反映反窃电嫌疑系数的定量指标,以反窃电评价指标为基础,将日用电量、用户最大线损值、用表类型、所在台区线损、三相不平衡率、微机扫描情况、功率因数及合同容量比作为网络的输入;输入输出的归一化:在输入神经网络前,数据需经归一化处理,限制于[0,1]区间内,常用以下变换式式中,xi为输入或输出数据;xmin、xmax分别为数据变化范围最小值、最大值;训练样本的设计:网络训练所需的样本数随输入—输出非线性映射关系的复杂程度而增多,且样本中的噪声越大,网络的规模亦会相应扩大,神经网络要提取的规律蕴含在训练样本中,样本的选择要有代表性,要注意样本类别的均衡,使每个类别的样本数量大致相等,对同一类样本则要照顾样本的均匀性和多样性,由此可避免学习过程出现反复,网络训练发生振荡;隐含层数的设计:当学习不连续函数时,BP网络需两个隐含层,具有单隐层的感知器可映射所有连续函数,设计BP网络隐含层时,先考虑设一个,当一个隐含层的隐节点数很多仍不能改善网络性能时,再考虑增加另一个;隐节点数的设计:采用常用的试凑法确定隐节点数,初始值用以下经验公式计算;式中,m为隐含层节点数;n为输入层节点数,取为8;l为输出层节点数,取为1;α为1~10之间的常数,式(7)表明,隐节点数取值范围约为4~13,经多次试验后发现m值取7时,网络误差较小、训练过程稳定,而隐节点数大于7时,训练极易过度,网络泛化能力差,故初步确定隐节点数为7,网络结构即为8-7-1;激活函数的选取:Sigmoid型函数的输出曲线在中间部分变化剧烈,两端较平坦,这种特性更接近生物神经元的信号输出形式,同时Sigmoid型函数具有饱和非线性特性和可微分性,增强了网络的非线性映射能力,因此,隐层节点的激活函数通常选取连续可微的Sigmoid型函数,而输出层激活函数通常选取线性型函数,可避免神经网络的输出范围受到限制。
2.根据权利要求1所述的一种基于遗传算法优化BP神经网络的反窃电系统,其特征在于,所述BP神经网络算法,输入向量为xp=(xp1,xp2,Λ,xpn)T,隐含层输出向量为yp=(yp1,yp2,Λ,ypm)T;输入层和隐含层间的权值矩阵为wjk(j=1,2Λ,n;k=1,2Δ,m);隐含层和输出层间的权值矩阵为w=(w1,w2,Λ,wk,Δwm)T;列向量wk为输出层第k个神经元对应的权向量;bp为样本的输出。
4.根据权利要求1所述的一种基于遗传算法优化BP神经网络的反窃电系统,其特征在于,所述训练样本的设计中在确定训练样本数时可参考一个经验规则,网络连接权总数的5~10倍。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110621828.9A CN113393103A (zh) | 2021-06-03 | 2021-06-03 | 一种基于遗传算法优化bp神经网络的反窃电系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110621828.9A CN113393103A (zh) | 2021-06-03 | 2021-06-03 | 一种基于遗传算法优化bp神经网络的反窃电系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113393103A true CN113393103A (zh) | 2021-09-14 |
Family
ID=77618266
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110621828.9A Pending CN113393103A (zh) | 2021-06-03 | 2021-06-03 | 一种基于遗传算法优化bp神经网络的反窃电系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113393103A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114217124A (zh) * | 2021-11-09 | 2022-03-22 | 河南九域腾龙信息工程有限公司 | 具有回路巡检功能的融合终端 |
CN115147135A (zh) * | 2022-08-02 | 2022-10-04 | 国网江苏省电力有限公司苏州供电分公司 | 一种基于drsn的台区窃电用户识别方法、系统及装置 |
CN116340765A (zh) * | 2023-02-16 | 2023-06-27 | 成都昶鑫电子科技有限公司 | 一种窃电用户预测方法、装置、存储介质及电子设备 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105573997A (zh) * | 2014-10-09 | 2016-05-11 | 普华讯光(北京)科技有限公司 | 一种确定窃电嫌疑用户的方法及装置 |
CN109214464A (zh) * | 2018-09-28 | 2019-01-15 | 国网江苏省电力有限公司常州供电分公司 | 一种基于大数据的疑似窃电用户识别装置及识别方法 |
-
2021
- 2021-06-03 CN CN202110621828.9A patent/CN113393103A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105573997A (zh) * | 2014-10-09 | 2016-05-11 | 普华讯光(北京)科技有限公司 | 一种确定窃电嫌疑用户的方法及装置 |
CN109214464A (zh) * | 2018-09-28 | 2019-01-15 | 国网江苏省电力有限公司常州供电分公司 | 一种基于大数据的疑似窃电用户识别装置及识别方法 |
Non-Patent Citations (1)
Title |
---|
王庆宁等: "基于GA-BP神经网络的反窃电系统研究与应用", 电测与仪表, vol. 55, no. 11, pages 35 - 40 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114217124A (zh) * | 2021-11-09 | 2022-03-22 | 河南九域腾龙信息工程有限公司 | 具有回路巡检功能的融合终端 |
CN114217124B (zh) * | 2021-11-09 | 2024-05-03 | 河南九域腾龙信息工程有限公司 | 具有回路巡检功能的融合终端 |
CN115147135A (zh) * | 2022-08-02 | 2022-10-04 | 国网江苏省电力有限公司苏州供电分公司 | 一种基于drsn的台区窃电用户识别方法、系统及装置 |
CN115147135B (zh) * | 2022-08-02 | 2023-10-24 | 国网江苏省电力有限公司苏州供电分公司 | 一种基于drsn的台区窃电用户识别方法、系统及装置 |
CN116340765A (zh) * | 2023-02-16 | 2023-06-27 | 成都昶鑫电子科技有限公司 | 一种窃电用户预测方法、装置、存储介质及电子设备 |
CN116340765B (zh) * | 2023-02-16 | 2024-02-09 | 成都昶鑫电子科技有限公司 | 一种窃电用户预测方法、装置、存储介质及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113393103A (zh) | 一种基于遗传算法优化bp神经网络的反窃电系统 | |
Hilorme et al. | Smart grid concept as a perspective for the development of Ukrainian energy platform | |
de Souza et al. | Detection and identification of energy theft in advanced metering infrastructures | |
Xia et al. | Detection methods in smart meters for electricity thefts: A survey | |
CN108490288B (zh) | 一种窃电检测方法及系统 | |
CN110458687A (zh) | 决策自动审批方法、装置及计算机可读存储介质 | |
US20140236513A1 (en) | Region-based security evaluation method for the electric power distribution system | |
CN105573997A (zh) | 一种确定窃电嫌疑用户的方法及装置 | |
CN104951866A (zh) | 一种县级供电企业线损综合管理对标评价体系及评价方法 | |
CN108805443A (zh) | 一种电网性能综合评价方法和系统 | |
CN105205531A (zh) | 一种基于机器学习的反窃电预测方法及装置 | |
CN104331773A (zh) | 一种电网规划方案综合评估方法 | |
CN107305653A (zh) | 基于属性数学的低压配电台区综合评价方法及装置 | |
CN111008870A (zh) | 一种基于pca-bp神经网络模型的区域物流需求预测方法 | |
CN103617447B (zh) | 智能变电站的评价系统及评价方法 | |
CN109271465A (zh) | 一种基于云计算的水文数据分析及展示方法 | |
CN110489783A (zh) | 一种基于qrnn的低压台区线损率合理范围估计方法 | |
CN113392910A (zh) | 一种判断违约用电与窃电的多维度智能分析经验算法和分类算法 | |
CN110110907A (zh) | 一种低压台区特征参数的提取方法 | |
Xia et al. | China’s provincial environmental efficiency evaluation and influencing factors of the mining industry considering technology heterogeneity | |
Prakash et al. | A machine learning approach-based power theft detection using GRF optimization | |
Zheng | Evaluation model of ecological economic benefits based on discrete mathematical algorithm | |
CN104036366A (zh) | 一种电力通信网对电网发展支撑度的评估方法 | |
CN113177682A (zh) | 基于系统动力学理论的电网企业综合绩效评估方法和装置 | |
Yang et al. | AI-Based Detection of Power Consumption Behavior of People in a Smart City |
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 |