CN113506190A - 一种异常用电行为辨识方法、装置、设备及存储介质 - Google Patents
一种异常用电行为辨识方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN113506190A CN113506190A CN202110862660.0A CN202110862660A CN113506190A CN 113506190 A CN113506190 A CN 113506190A CN 202110862660 A CN202110862660 A CN 202110862660A CN 113506190 A CN113506190 A CN 113506190A
- Authority
- CN
- China
- Prior art keywords
- current
- line loss
- curve
- abnormal
- behavior
- 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 196
- 230000005611 electricity Effects 0.000 title claims abstract description 150
- 238000000034 method Methods 0.000 title claims abstract description 76
- 238000003860 storage Methods 0.000 title claims abstract description 14
- 230000006399 behavior Effects 0.000 claims abstract description 181
- 238000009826 distribution Methods 0.000 claims abstract description 108
- 230000008859 change Effects 0.000 claims description 19
- 238000012795 verification Methods 0.000 claims description 15
- 238000004458 analytical method Methods 0.000 claims description 11
- 238000007689 inspection Methods 0.000 claims description 7
- 230000001364 causal effect Effects 0.000 claims description 6
- 206010000117 Abnormal behaviour Diseases 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 5
- 230000010354 integration Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 description 18
- 230000008569 process Effects 0.000 description 12
- 238000004422 calculation algorithm Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000009825 accumulation Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 201000004569 Blindness Diseases 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 3
- 238000000491 multivariate analysis Methods 0.000 description 3
- 238000013145 classification model Methods 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction 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
- 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
-
- 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
- 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
- G06Q30/00—Commerce
- G06Q30/018—Certifying business or products
- G06Q30/0185—Product, service or business identity fraud
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- Water Supply & Treatment (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Public Health (AREA)
- Quality & Reliability (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
Abstract
本申请实施例公开了一种异常用电行为辨识方法、装置、设备及存储介质，所述方法包括：根据当前台区设置的至少一个采集点的线损数据，构建所述当前台区的当前线损曲线；根据所述当前台区设置的所述至少一个采集点的电流数据和各所述采集点所属用户的电流数据，构建所述当前台区的当前电流差异曲线；根据所述当前线损曲线和所述当前电流差异曲线，确定所述当前台区是否存在异常用电行为；通过上述技术方案，对台区的线损曲线和电流差异曲线进行综合分析，准确辨识出了该台区是否存在异常用电行为。
Description
技术领域
本申请实施例涉及数据分析、处理技术领域，尤其涉及一种异常用电行为辨识方法、装置、设备及存储介质。
背景技术
电力用户用电行为主要包括生产性、技术性和异常三大类。其中，生产性行为是其生产计划的实施造成的用电变化，技术性是线路和变压器损耗等可计算损耗，而异常通常指电力用户的窃电、欺诈等异常用电行为。
目前，对异常用电行为分析主要集中在两个方面。一个是根据统计方法来计算电阻、线损、非技术损失等来判断。但这类方法存在一个缺点，因为配电网中的技术损失存在着多种可能，无法精确计算，并且这些方法不能对窃电用户进行精准的定位。另一种是采用数据挖掘和机器学习技术，如模式识别和决策树等，用来发现不正常的用电模式。但这类方法通常需要大量的窃电样本对模型进行训练，以提高窃电辨识率，若窃电样本数量较少或窃电样本类型单一，则模型的有效性难以保证，影响辨识结果的准确度。
由此可见，针对异常用电行为分析相关的研究方法多样且已取得一定的成果，但上述方法对低压用户实施的窃电行为分析还不够全面与准确。因此，针对现有技术中存在的问题，亟待进行改善。
发明内容
本申请提供一种异常用电行为辨识方法、装置、设备及存储介质，从多个变量角度综合分析，以准确辨识出异常用电行为。
第一方面，本申请实施例提供了一种异常用电行为辨识方法，该方法包括：
根据当前台区设置的至少一个采集点的线损数据，构建所述当前台区的当前线损曲线；
根据所述当前台区设置的所述至少一个采集点的电流数据和各所述采集点所属用户的电流数据，构建所述当前台区的当前电流差异曲线；
根据所述当前线损曲线和所述当前电流差异曲线，确定所述当前台区是否存在异常用电行为。
第二方面，本申请实施例还提供了一种异常用电行为辨识装置，该装置包括：
线损曲线构建模块，用于根据当前台区设置的至少一个采集点的线损数据，构建所述当前台区的当前线损曲线；
电流曲线构建模块，用于根据所述当前台区设置的所述至少一个采集点的电流数据和各所述采集点所属用户的电流数据，构建所述当前台区的当前电流差异曲线；
异常行为辨识模块，用于根据所述当前线损曲线和所述当前电流差异曲线，确定所述当前台区是否存在异常用电行为。
第三方面，本申请实施例还提供了一种电子设备，所述设备包括：
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如第一方面实施例所提供的任意一种异常用电行为辨识方法。
第六方面，本申请实施例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如第一方面实施例所提供的任意一种异常用电行为辨识方法。
本申请实施例通过根据当前台区设置的至少一个采集点的线损数据，构建所述当前台区的当前线损曲线；根据所述当前台区设置的所述至少一个采集点的电流数据和各所述采集点所属用户的电流数据，构建所述当前台区的当前电流差异曲线；根据所述当前线损曲线和所述当前电流差异曲线，确定所述当前台区是否存在异常用电行为。通过上述技术方案，基于对台区的线损曲线和电流差异曲线的综合分析，准确辨识出了该台区是否存在异常用电行为，避免了仅靠单一的线损数据或电流数据判定台区是否存在异常用电行为的盲目性，通过多变量分析方法，提高了对异常用电行为辨识的准确性。
附图说明
图1是本申请实施例一提供的一种异常用电行为辨识方法的流程图；
图2是本申请实施例二提供的一种异常用电行为辨识方法的流程图；
图3是本申请实施例三提供的一种异常用电行为辨识方法的流程图；
图4是本申请实施例四提供的一种异常用电行为辨识装置的示意图；
图5是本申请实施例五提供的一种电子设备的示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本申请，而非对本申请的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本申请相关的部分而非全部结构。
在更加详细地讨论示例性实施例之前应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各步骤描述成顺序的处理，但是其中的许多步骤可以被并行地、并发地或者同时实施。此外，各步骤的顺序可以被重新安排。当其操作完成时所述处理可以被终止，但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。
实施例一
图1为本申请实施例一提供的一种异常用电行为辨识方法的流程图。本申请实施例可适用于对台区的异常用电行为进行辨识的情况。该方法可以由一种异常用电行为辨识装置来执行，该装置可以由软件和/或硬件的方式实现，并具体配置于电子设备中，该电子设备可以是移动终端或固定终端。
参见图1，本申请实施例提供的异常用电行为辨识方法，包括：
S110、根据当前台区设置的至少一个采集点的线损数据，构建当前台区的当前线损曲线。
其中，线损数据包括采集点采集的供入电量数据和供出电量数据。通常，一个台区可以包括多个采集点。本实施例中，可以结合台区的实际情况和实际需求，在台区中设置多个采集点。
可以理解的是，若采集点的数量越多，则相应采集的线损数据会更加精确。与直接根据台区总表侧采集的线损数据相比，根据各采集点采集的线损数据计算的当前台区的当前线损更加准确。
本实施例中，可以将供入电量与供出电量的差值电量也即线损电量，与供入电量的比值作为当前台区的线损率；根据在预设时间尺度内获取的当前台区的线损率数据，构建当前台区的当前线损曲线。
其中，当前线损曲线是指以预设时间尺度为横坐标，以预设时间尺度内各时间点的当前台区的线损率为纵坐标确定的当前线损曲线。
预设时间尺度是指对台区的异常用电行为进行辨识的时间尺度，时间尺度可以为月、旬、周、日或小时等，当时间尺度设置为日时，相当于台区每积累一天的电量数据包括线损数据，就进行一次异常用电行为辨识。
在一些实施例中，为了在更短的时间内实现对台区的异常用电行为进行辨识，也可以将时间尺度设置为15分钟。
然而，需要注意的是，由于将时间尺度设置的较小，基于较短时间内获取的台区的用电数据，规律性较差，难以充分反映出异常用电行为对用电数据造成的影响。因此，基于上述用电数据进行异常用电行为的辨识结果也较差。
本实施例中，可以根据经验值对当前台区辨识的时间尺度进行设置。不同台区也可以设置不同的辨识时间尺度。
在一个实施例中，假设当前台区设置有1，2，…，t，…，T共T个采集点，根据第t个采集点采集的线损数据，可以计算得到线损率Lt。依据各采集点采集的线损数据，对所有的采集点计算线损率，则可以得到包括所有采集点的线损率数据，将其组成线损率序列，记为{L1，L2，…，Lt，…，LT}。当前台区的线损率Lσ可以通过计算线损率序列的标准差来进行表示，Lσ的计算公式如下：
其中，
表示当前台区的平均线损率，
的计算公式如下：
因此，根据上述线损率Lσ的计算公式，在预设时间尺度内，可以计算出各时间点的当前台区的线损率；根据各时间点的当前台区的线损率，可以构建在预设时间尺度内的当前台区的当前线损曲线。
需要说明的是，上述实施例中所提出的线损率Lσ计算公式均不是唯一的计算公式，也可以根据实际需要按照其他计算公式进行计算，均在本发明的保护范围之内。
可选地，在构建当前台区的当前线损曲线之前，还可以对采集的线损数据进行预处理，具体预处理的过程包括：采用线性插值算法对异常的电量数据进行清洗补正；其中，所述异常的电量数据包括采集缺失和采集错误的数据。
其中，电量数据包括但不限于线损数据、用电量数据和电流数据等。
具体地，清洗补正的过程包括：获取异常的电量数据点前后的电量数据，采用线性插值算法求解缺失数据或采集错误数据的预估值。
可以理解的是，在采集电量数据的过程中，由于通信中断、设备故障等原因造成部分数据缺失，将会导致对用户异常用电行为的辨识结果不准确。为消除异常的电量数据对辨识结果准确度的影响，可以采用线性插值算法对异常的电量数据进行清洗补正。
S120、根据当前台区设置的至少一个采集点的电流数据和各采集点所属用户的电流数据，构建当前台区的当前电流差异曲线。
其中，采集点采集的电流数据为其观测的所属用户总的电流数据。
假设当前台区设置有1，2，…，t，…，T共T个采集点。其中，第t个采集点采集的电流数据用Iall,t表示，采集点t共观测有K个所属用户，其中第j(j＝1，2，…，K)个用户采集的电流数据用Ic,jt表示。根据采集点t的电流数据和其所属用户的电流数据，可以计算第t个采集点的电流差异值Idiff,t。
其中，第t个采集点的电流差异值Idiff,t可以根据如下公式进行计算：
因此，根据当前台区设置的各采集点的电流数据和各采集点所属用户的电流数据，可以构成电流差异序列，记为{Idiff,1，Idiff,2，…，Idiff,t，…，Idiff,T}。
本实施例中，在获取到电流差异序列之后，可以构建当前台区在预设时间尺度内的当前电流差异曲线。
在一些实施例中，当然，为了保证对当前电流差异曲线进行分析的可靠性，还可以在进行数据分析之前，对当前电流差异曲线进行标准化处理。
可以理解的是，本申请实施例对上述S110和S120的执行顺序不做限定，S120可以先于S110执行，也可以在执行完S110之后，再执行S120。
S130、根据当前线损曲线和当前电流差异曲线，确定当前台区是否存在异常用电行为。
通常，当台区发生窃电时，将造成台区线损异常增高，因此可以根据当前线损曲线的变化情况来判断当前台区是否存在异常用电行为。
本实施例中，考虑到当前台区的线损波动会影响当前台区的电流发生波动的情况。本申请在确定当前台区的线损存在异动的情况下，进一步根据当前台区的电流差异曲线对当前台区的线损情况进行核实，以确定当前台区真正发生异常用电行为。
与仅靠单一的线损数据或电流数据判定当前台区是否存在异常用电行为的方法相比，本实施例对当前线损曲线和当前电流差异曲线进行综合分析，以确定当前台区是否存在异常用电行为，提高了异常用电行为辨识的准确性。
当然，在一些实施例中，在确定当前台区存在异常用电行为后，还可以根据当前台区其他的电量数据包括有功功率、电压和线损等数据来进一步对异常用电行为进行核实。
需要说明的是，针对某区域内的所有台区，均可以采用本实施例中的异常用电行为辨识方法对该区域中的每一个台区进行异常用电行为辨识。
本申请实施例通过根据当前台区设置的至少一个采集点的线损数据，构建所述当前台区的当前线损曲线；根据所述当前台区设置的所述至少一个采集点的电流数据和各所述采集点所属用户的电流数据，构建所述当前台区的当前电流差异曲线；根据所述当前线损曲线和所述当前电流差异曲线，确定所述当前台区是否存在异常用电行为。通过上述技术方案，基于对台区的线损曲线和电流差异曲线的综合分析，准确辨识出了该台区是否存在异常用电行为，避免了仅靠单一的线损数据或电流数据判定台区是否存在异常用电行为的盲目性，通过多变量分析方法，提高了对异常用电行为辨识的准确性。
实施例二
图2为本申请实施例二提供的一种异常用电行为辨识方法的流程图，本实施例是在上述实施例的基础上，对上述方案的优化。
进一步地，将操作“根据所述当前线损曲线和所述当前电流差异曲线，确定所述当前台区是否存在异常用电行为”，细化为“根据所述当前线损曲线和标准线损曲线，计算所述当前台区的线损波动差异值，并根据所述线损波动差异值，确定所述当前台区是否存在疑似异常用电行为；若存在，则根据所述当前线损曲线和所述当前电流差异曲线，对所述当前台区的疑似异常用电行为进行验证，若验证通过，则确实所述疑似异常用电行为为实际异常用电行为”，以完善对台区的异常用电行为的辨识过程。
其中与上述实施例相同或相应的术语的解释在此不再赘述。
参见图2，本实施例提供的异常用电行为辨识方法，包括：
S210、根据当前台区设置的至少一个采集点的线损数据，构建当前台区的当前线损曲线。
S220、根据当前台区设置的至少一个采集点的电流数据和各采集点所属用户的电流数据，构建当前台区的当前电流差异曲线。
S230、根据当前线损曲线和标准线损曲线，计算当前台区的线损波动差异值，并根据线损波动差异值，确定当前台区是否存在疑似异常用电行为。
其中，标准线损是指根据供电设备的参数和电力网的运行方式及潮流分布和负荷情况，由理论计算得出的理论线损，理论线损又称技术线损。
可选地，本实施例可以采用负荷电量计算低压配电台区理论线损的牛拉法，来计算当前台区的标准线损，以实现在无偷漏电情况下，计算当前台区的理论线损。其中，标准线损曲线由预设时间尺度内获取的当前台区的标准线损数据进行构建得到，本实施例中，标准线损曲线作为异常用电行为分析的基线。
本实施例中，通过对比标准线损曲线和当前线损曲线，可以确定出当前台区的线损波动差异值，具体可以是将预设时间尺度内各时间点的线损进行比较，确定线损波动差异值。
具体地，所述根据线损波动差异值，确定当前台区是否存在疑似异常用电行为，包括：根据线损波动差异值，判断在预设时间尺度内各时间点的线损波动差异值是否超过设定线损阈值，若存在至少一个时间点的线损波动差异值超过所述设定线损阈值，则认为当前台区存在疑似异常用电行为；
或者，还可以根据当前线损曲线和标准线损曲线，计算在预设时间尺度内各时间点的综合线损波动差异值；将各时间点的综合线损波动差异值与设定线损阈值进行比较，若存在至少一个时间点的综合线损波动差异值超过所述设定线损阈值，则认为当前台区存在疑似异常用电行为。其中，综合线损波动差异值ΔL的计算方式如下：
上式中，LS为理论线损值，T为当前台区设置的采集点个数，Lt为第t个采集点的线损。当当前台区的|ΔL|大于设定线损阈值时，则认为当前台区存在疑似异常用电行为。
本实施例中，设定线损阈值可以根据实际情况以及实际需要进行人工设定或者使用其他算法自动计算设定，在此不做限定。当然，设定线损阈值可以通过样本数据的积累和反馈，进行不断更新。
可选地，所述根据所述当前线损曲线和标准线损曲线，计算所述当前台区的线损波动差异值，并根据所述线损波动差异值，确定所述当前台区是否存在疑似异常用电行为，包括：根据所述当前线损曲线和所述标准线损曲线，确定所述线损波动差异值的波动方向；若所述波动方向为正向波动，且所述线损波动差异值超过第一预设线损阈值，则确定所述当前台区的低压用户侧存在疑似异常用电行为；若所述波动方向为负向波动，且所述线损波动差异值超过第二预设线损阈值，则确定所述当前台区的总表侧存在疑似异常用电行为。
其中，第一预设线损阈值和第二预设线损阈值可以相同也可以不同，具体对第一预设线损阈值和第二预设线损阈值的设置可以根据实际情况和实际需求进行确定。当然，第一预设线损阈值和第二预设线损阈值可以通过样本数据的积累和反馈，进行不断更新。
在正常情况下，当前台区的当前线损与理论线损是相差无几的，若当前台区的当前线损大于理论线损，则线损波动差异值的波动方向为正向波动，此时，在当前台区的低压用户侧发生窃电，也即存在异常用电行为；若当前台区的当前线损小于理论线损，则线损波动差异值的波动方向为负向波动，此时，在当前台区的总表侧发生窃电，也即存在异常用电行为。
本实施例中，疑似异常用电行为是指初步认定当前台区的低压用户侧或当前台区的总表侧存在异常用电行为，为了进一步验证异常用电行为是否实际发生，则还可以根据当前台区的其他电量数据如电流数据，对当前台区的疑似异常用电行为进行验证。
S240、若存在，则根据当前线损曲线和当前电流差异曲线，对当前台区的疑似异常用电行为进行验证，若验证通过，则确实疑似异常用电行为为实际异常用电行为。
本实施例中，若当前台区存在疑似用电行为，则当前台区的线损存在异常情况，而线损异常会引起台区的电流发生异常，因此，还可以根据当前线损曲线和当前电流差异曲线，对当前台区的疑似异常用电行为进行验证。
例如，可以在确定当前电流差异曲线发生异动的情况下，研究当前线损曲线和当前电流差异曲线发生异动的关联性，以确定当前电流差异曲线发生的异动是因为当前线损曲线存在异动。
可选地，所述根据所述当前线损曲线和所述当前电流差异曲线，对所述当前台区的疑似异常用电行为进行验证，若验证通过，则确实所述疑似异常用电行为为实际异常用电行为，包括：确定所述当前电流差异曲线的变化率是否大于预设变化率阈值；若是，则确定所述当前电流差异曲线与所述当前线损曲线在各时间点中的第一相关系数；若连续时间段内的第一相关系数超出预设相关系数阈值，且所述连续时间段大于预设时间段阈值，则确定所述当前台区存在实际异常用电行为。
其中，第一相关系数可以通过计算各时间点的曲线幅值的比例进行确定。
本实施例中，可以计算当前线损曲线和当前电流差异曲线的相关系数，将该相关系数设置为预设相关系数阈值。其中，当前线损曲线和当前电流差异曲线的相关系数用r(Lt,Idiff,t)表示，r(Lt,Idiff,t)的计算公式如下：
对于实施例中其他各项阈值，包括预设变化率阈值和预设时间段阈值，均可以根据实际情况以及实际需要进行人工设定或者使用其他算法自动计算设定，在此不做限定。当然，预设变化率阈值和预设时间段阈值可以通过样本数据的积累和反馈，进行不断更新。
具体地，对当前台区的疑似用电行为进行验证的过程，包括：在确认当前电流差异曲线的变化率大于预设变化率阈值的情况下，确定当前电流差异曲线与当前线损曲线在各时间点中的第一相关系数；若连续时间段内的第一相关系数超出预设相关系数阈值，且所述连续时间段大于预设时间段阈值，则确定当前台区存在实际异常用电行为，也即通过当前线损曲线和电流差异曲线的相关系数r(Lt,Idiff,t)，比对当前线损曲线和电流差异曲线的变点时间重合度是否大于预设时间阈值，以此验证当前台区是否存在实际异常用电行为。
在一些实施例中，若当前台区的线损波动差异值大于设定线损阈值，电流差异曲线的变化率大于预设变化率阈值，当前线损曲线和当前电流差异曲线的变点时间相似度大于预设时间段阈值，则说明当前台区内存在窃电风险，也即存在异常用电行为；若线损波动差异值的波动方向呈正向波动，则异常用电行为发生在当前台区的低压用户侧；若线损波动差异值的波动方向呈负向波动，则异常用电行为发生在当前台区的总表侧。
本申请实施例在上述实施例的基础上，对台区的异常用电行为的辨识过程进行了完善，通过根据所述当前线损曲线和标准线损曲线，计算所述当前台区的线损波动差异值，并根据所述线损波动差异值，确定所述当前台区是否存在疑似异常用电行为；若存在，则根据所述当前线损曲线和所述当前电流差异曲线，对所述当前台区的疑似异常用电行为进行验证，若验证通过，则确实所述疑似异常用电行为为实际异常用电行为。通过上述技术方案，基于线损波动差异值，实现了对台区的异常用电行为的疑似确认，并基于当前线损曲线和当前电流差异曲线对疑似用电行为进行了验证，提高了对异常用电行为辨识的准确性。
实施例三
图3为本申请实施例三提供的一种异常用电行为辨识方法的流程图，本实施例是在上述实施例的基础上，对上述方案的优化。
进一步地，在确定所述当前台区的低压用户侧存在实际异常用电行为之后，增加操作“根据所述当前台区内用户的电量数据，确定所述用户的用电量曲线，并计算所述用电量曲线与所述当前台区的当前线损曲线的最大互信息系数；若所述用户的最大互信息系数大于预设互信息阈值，则确定所述用户存在异常用电行为”，已完善对台区低压用户侧的用户的异常用电行为的辨识过程。
其中与上述实施例相同或相应的术语的解释在此不再赘述。
参见图3，本实施例提供的异常用电行为辨识方法，包括：
S310、根据当前台区设置的至少一个采集点的线损数据，构建当前台区的当前线损曲线。
S320、根据当前台区设置的至少一个采集点的电流数据和各采集点所属用户的电流数据，构建当前台区的当前电流差异曲线。
S330、根据当前线损曲线和标准线损曲线，计算当前台区的线损波动差异值，并根据线损波动差异值，确定当前台区是否存在疑似异常用电行为。
S340、若存在，则根据当前线损曲线和当前电流差异曲线，对当前台区的疑似异常用电行为进行验证，若验证通过，则确实疑似异常用电行为为实际异常用电行为。
本实施例中，实际异常用电行为既可以发生在当前台区的低压用户侧，也可以发生在当前台区的总表侧。
S350、根据当前台区内用户的电量数据，确定用户的用电量曲线，并计算用电量曲线与当前台区的当前线损曲线的最大互信息系数。
本实施例中，由于最大互信息系数具有普适性、公平性和对称性，因此可以计算用电量曲线与当前台区的当前线损曲线的最大互信息系数，来研究用户的用电量曲线与当前台区的当前线损曲线之间的关系，以提高数据分析的可靠性。
S360、若用户的最大互信息系数大于预设互信息阈值，则确定用户存在异常用电行为。
其中，预设互信息阈值可以根据实际情况以及实际需要进行人工设定或者使用其他算法自动计算设定，在此不做限定。当然，预设互信息阈值可以通过样本数据的积累和反馈，进行不断更新。
本实施例中，当用户的最大互信息系数大于预设互信息阈值时，说明用户的用电量曲线与当前台区的当前线损曲线关联程度较高，该用户有可能是造成当前台区线损发生异常的归因用户。
可选地，还可以在确定用户存在异常用电行为后，对用户的异常用电行为进行验证，该验证过程可以包括：采用协整检验方法对所述用电量曲线与所述当前线损曲线进行稳定关系检验；若所述用电量曲线与所述当前线损曲线存在稳定关系，则采用格兰杰归因分析方法对所述用电量曲线与所述当前线损曲线进行因果校验；若校验通过，则确定所述用户为线损异常的归因用户。
可选地，为避免误判，在对用电量曲线和当前线损曲线进行稳定关系检验之前，还可以对用电量曲线和当前线损曲线进行平稳性检验。若用电量曲线和当前线损曲线为非平稳序列，则可以通过协整检验方法，来验证非平稳变量间是否存在长期稳定的关系。
本实施例中，若因果校验通过，说明用户用电量的改变是造成当前台区的线损发生异常的原因，也即该用户为当前台区线损异常的归因用户。
可选地，在确定当前台区的低压用户侧存在真正异常用电行为之后，还可以根据所述当前台区内用户的电量数据，构建所述用户的电流不平衡曲线和负荷曲线，并计算所述电流不平衡曲线与所述负荷曲线的第二相关系数；若所述第二相关系数小于第二预设相关系数阈值，则确定所述用户存在异常用电行为。
其中，第二预设相关系数阈值可以根据实际情况以及实际需要进行人工设定或者使用其他算法自动计算设定，在此不做限定。当然，第二预设相关系数阈值可以通过样本数据的积累和反馈，进行不断更新。
具体地，可以将电流三相不平衡度在各个采集时刻下的数据点进行连接，以构建电流不平衡曲线。
本实施例中，考虑到用户的用电行为具有连续性和相似性的特点，在一定的负载水平内，电流不平衡曲线和负荷曲线具有较大的关联性。因此，可以计算电流不平衡曲线与负荷曲线的第二相关系数，若第二相关系数小于第二预设相关系数阈值，则确定用户存在异常用电行为。
可以理解的是，判断用户是否发生异常用电行为的方法有多种，可以根据实际情况和实际需求进行选取，如仅选取用户侧的电量数据来确定用户是否存在异常用电行为，或者，也还可以综合分析当前台区的线损数据与用户的电量数据之间的关联性，来确认用户是否存在异常用电行为。
在一些实施例中，还可以将上述最大互信息系数的计算结果、因果校验的结果和第二相关系数的计算结果，输入至预先训练好的打分模型，由打分模型输出用户的综合异常用电嫌疑系数；当综合异常用电嫌疑系数大于预设嫌疑系数阈值时，将该用户列入窃电用户名单。
其中，打分模型可以是神经网络模型，该打分模型经过大量预先收集的窃电样本数据进行训练得到。待打分模型训练完成后，可以直接由打分模型输出用户的综合异常用电嫌疑系数，根据该系数，可以进一步确定该用户是否存在异常用电行为。
当然，打分模型也可以是具有分类功能的分类模型，典型地，打分模型可以是逻辑回归二分类模型，由模型直接输出用户是否存在异常用电行为，也即模型的输出结果只有存在yes和不存在no。
例如，某一用户的最大互信息系数的计算结果为A(在0～100％之间)、因果校验的计算结果为B(通过或不通过)，第二相关系数的计算结果为C(0～100％之间)，将上述计算结果A、B和C输入打分模型，由打分模型直接输出用户的综合异常用电嫌疑系数D(分数值在0～100之间)。
可以理解的是，基于对用户的多种异常用电行为的分析结果，可以利用预先训练好的打分模型，基于神经网络模型的自学习能力，由打分模型输出用户的综合异常用电嫌疑系数，该综合异常用电嫌疑系数具有一定的准确性和客观性。
可选地，在得到窃电用户名单后，可以将该名单可视化显示在工作人员的计算机上，由工作人员进行密切关注和及时处理。
本申请实施例在上述实施例的基础上，对台区低压用户侧的用户的异常用电行为的辨识过程进行了完善，通过根据所述当前台区内用户的电量数据，确定所述用户的用电量曲线，并计算所述用电量曲线与所述当前台区的当前线损曲线的最大互信息系数；若所述用户的最大互信息系数大于预设互信息阈值，则确定所述用户存在异常用电行为。通过上述技术方案，在确定当前台区的低压用户侧存在异常用电行为时，可以研究用户的用电量曲线与当前台区的当前线损曲线的相互关系，基于计算的最大互信息系数结果，确定该用户是否是造成当前台区线损异常的归因用户，实现了对用户的异常用电行为的辨识。
实施例四
图4是本申请实施例四提供的一种异常用电行为辨识装置的结构示意图。参见图4，本申请实施例提供的一种异常用电行为辨识装置，该装置包括：线损曲线构建模块410、电流曲线构建模块420和异常行为辨识模块430。
线损曲线构建模块410，用于根据当前台区设置的至少一个采集点的线损数据，构建所述当前台区的当前线损曲线；
电流曲线构建模块420，用于根据所述当前台区设置的所述至少一个采集点的电流数据和各所述采集点所属用户的电流数据，构建所述当前台区的当前电流差异曲线；
异常行为辨识模块430，用于根据所述当前线损曲线和所述当前电流差异曲线，确定所述当前台区是否存在异常用电行为。
本申请实施例通过根据当前台区设置的至少一个采集点的线损数据，构建所述当前台区的当前线损曲线；根据所述当前台区设置的所述至少一个采集点的电流数据和各所述采集点所属用户的电流数据，构建所述当前台区的当前电流差异曲线；根据所述当前线损曲线和所述当前电流差异曲线，确定所述当前台区是否存在异常用电行为。通过上述技术方案，基于对台区的线损曲线和电流差异曲线的综合分析，准确辨识出了该台区是否存在异常用电行为，避免了仅靠单一的线损数据或电流数据判定台区是否存在异常用电行为的盲目性，通过多变量分析方法，提高了对异常用电行为辨识的准确性。
进一步地，所述异常行为辨识模块430，包括：
疑似用电行为辨识单元，用于根据所述当前线损曲线和标准线损曲线，计算所述当前台区的线损波动差异值，并根据所述线损波动差异值，确定所述当前台区是否存在疑似异常用电行为；
实际用电行为辨识单元，用于若存在，则根据所述当前线损曲线和所述当前电流差异曲线，对所述当前台区的疑似异常用电行为进行验证，若验证通过，则确实所述疑似异常用电行为为实际异常用电行为。
进一步地，所述疑似用电行为辨识单元，包括：
波动方向确定子单元，用于根据所述当前线损曲线和所述标准线损曲线，确定所述线损波动差异值的波动方向；
用户侧辨识子单元，用于若所述波动方向为正向波动，且所述线损波动差异值超过第一预设线损阈值，则确定所述当前台区的低压用户侧存在疑似异常用电行为；
总表侧辨识子单元，用于若所述波动方向为负向波动，且所述线损波动差异值超过第二预设线损阈值，则确定所述当前台区的总表侧存在疑似异常用电行为。
进一步地，所述实际用电行为辨识单元，包括：
变化率确定子单元，用于确定所述当前电流差异曲线的变化率是否大于预设变化率阈值；
相关系数确定子单元，用于若是，则确定所述当前电流差异曲线与所述当前线损曲线在各时间点中的第一相关系数；
实际用电行为辨识子单元，用于若连续时间段内的第一相关系数超出预设相关系数阈值，且所述连续时间段大于预设时间段阈值，则确定所述当前台区存在实际异常用电行为。
进一步地，所述装置还包括：
相关系数确定单元，用于在确定所述当前台区的低压用户侧存在实际异常用电行为之后，根据所述当前台区内用户的电量数据，构建所述用户的电流不平衡曲线和负荷曲线，并计算所述电流不平衡曲线与所述负荷曲线的第二相关系数；
第一用户辨识单元，用于若所述第二相关系数小于第二预设相关系数阈值，则确定所述用户存在异常用电行为。
进一步地，所述装置还包括：
信息系数确定单元，用于在确定所述当前台区的低压用户侧存在实际异常用电行为之后，根据所述当前台区内用户的电量数据，确定所述用户的用电量曲线，并计算所述用电量曲线与所述当前台区的当前线损曲线的最大互信息系数；
第二用户辨识单元，用于若所述用户的最大互信息系数大于预设互信息阈值，则确定所述用户存在异常用电行为。
进一步地，所述装置还包括：
稳定关系检验单元，用于采用协整检验方法对所述用电量曲线与所述当前线损曲线进行稳定关系检验；
因果校验单元，用于若所述用电量曲线与所述当前线损曲线存在稳定关系，则采用格兰杰归因分析方法对所述用电量曲线与所述当前线损曲线进行因果校验；
归因用户确定单元，用于若校验通过，则确定所述用户为线损异常的归因用户。
本申请实施例所提供的异常用电行为辨识装置可执行本申请任意实施例所提供的异常用电行为辨识方法，具备执行方法相应的功能模块和有益效果。
实施例五
图5是本申请实施例五提供的一种电子设备的结构图。图5示出了适于用来实现本申请实施方式的示例性电子设备512的框图。图5显示的电子设备512仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。
如图5所示，电子设备512以通用计算设备的形式表现。电子设备512的组件可以包括但不限于：一个或者多个处理器或者处理单元516，系统存储器528，连接不同系统组件(包括系统存储器528和处理单元516)的总线518。
总线518表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线，微通道体系结构(MCA)总线，增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
电子设备512典型地包括多种计算机系统可读介质。这些介质可以是任何能够被电子设备512访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
系统存储器528可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM)530和/或高速缓存存储器532。电子设备512可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统534可以用于读写不可移动的、非易失性磁介质(图5未显示，通常称为“硬盘驱动器”)。尽管图5中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM，DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线518相连。系统存储器528可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本申请各实施例的功能。
具有一组(至少一个)程序模块542的程序/实用工具540，可以存储在例如系统存储器528中，这样的程序模块542包括——但不限于——操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块542通常执行本申请所描述的实施例中的功能和/或方法。
电子设备512也可以与一个或多个外部设备514(例如键盘、指向设备、显示器524等)通信，还可与一个或者多个使得用户能与该电子设备512交互的设备通信，和/或与使得该电子设备512能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口522进行。并且，电子设备512还可以通过网络适配器520与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器520通过总线518与电子设备512的其它模块通信。应当明白，尽管图5中未示出，可以结合电子设备512使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理单元516通过运行存储在系统存储器528中的多个程序中其他程序的至少一个，从而执行各种功能应用以及数据处理，例如实现本申请实施例所提供的任意一种异常用电行为辨识方法。
实施例六
本申请实施例六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申请任一实施例所提供的一种异常用电行为辨识方法，该方法包括：根据当前台区设置的至少一个采集点的线损数据，构建所述当前台区的当前线损曲线；根据所述当前台区设置的所述至少一个采集点的电流数据和各所述采集点所属用户的电流数据，构建所述当前台区的当前电流差异曲线；根据所述当前线损曲线和所述当前电流差异曲线，确定所述当前台区是否存在异常用电行为。
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，本申请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，本申请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)执行本申请各个实施例所述的方法。
值得注意的是，上述异常用电行为辨识装置的实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。
注意，上述仅为本申请的较佳实施例及所运用技术原理。本领域技术人员会理解，本申请不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本申请的保护范围。因此，虽然通过以上实施例对本申请进行了较为详细的说明，但是本申请不仅仅限于以上实施例，在不脱离本申请构思的情况下，还可以包括更多其他等效实施例，而本申请的范围由所附的权利要求范围决定。
Claims (10)
1.一种异常用电行为辨识方法，其特征在于，包括：
根据当前台区设置的至少一个采集点的线损数据，构建所述当前台区的当前线损曲线；
根据所述当前台区设置的所述至少一个采集点的电流数据和各所述采集点所属用户的电流数据，构建所述当前台区的当前电流差异曲线；
根据所述当前线损曲线和所述当前电流差异曲线，确定所述当前台区是否存在异常用电行为。
2.根据权利要求1所述的方法，其特征在于，所述根据所述当前线损曲线和所述当前电流差异曲线，确定所述当前台区是否存在异常用电行为，包括：
根据所述当前线损曲线和标准线损曲线，计算所述当前台区的线损波动差异值，并根据所述线损波动差异值，确定所述当前台区是否存在疑似异常用电行为；
若存在，则根据所述当前线损曲线和所述当前电流差异曲线，对所述当前台区的疑似异常用电行为进行验证，若验证通过，则确实所述疑似异常用电行为为实际异常用电行为。
3.根据权利要求2所述的方法，其特征在于，所述根据所述当前线损曲线和标准线损曲线，计算所述当前台区的线损波动差异值，并根据所述线损波动差异值，确定所述当前台区是否存在疑似异常用电行为，包括：
根据所述当前线损曲线和所述标准线损曲线，确定所述线损波动差异值的波动方向；
若所述波动方向为正向波动，且所述线损波动差异值超过第一预设线损阈值，则确定所述当前台区的低压用户侧存在疑似异常用电行为；
若所述波动方向为负向波动，且所述线损波动差异值超过第二预设线损阈值，则确定所述当前台区的总表侧存在疑似异常用电行为。
4.根据权利要求2所述的方法，其特征在于，所述根据所述当前线损曲线和所述当前电流差异曲线，对所述当前台区的疑似异常用电行为进行验证，若验证通过，则确实所述疑似异常用电行为为实际异常用电行为，包括：
确定所述当前电流差异曲线的变化率是否大于预设变化率阈值；
若是，则确定所述当前电流差异曲线与所述当前线损曲线在各时间点中的第一相关系数；
若连续时间段内的第一相关系数超出预设相关系数阈值，且所述连续时间段大于预设时间段阈值，则确定所述当前台区存在实际异常用电行为。
5.根据权利要求2所述的方法，其特征在于，在确定所述当前台区的低压用户侧存在真正异常用电行为之后，所述方法还包括：
根据所述当前台区内用户的电量数据，确定所述用户的用电量曲线，并计算所述用电量曲线与所述当前台区的当前线损曲线的最大互信息系数；
若所述用户的最大互信息系数大于预设互信息阈值，则确定所述用户存在异常用电行为。
6.根据权利要求5所述的方法，其特征在于，所述方法还包括：
采用协整检验方法对所述用电量曲线与所述当前线损曲线进行稳定关系检验；
若所述用电量曲线与所述当前线损曲线存在稳定关系，则采用格兰杰归因分析方法对所述用电量曲线与所述当前线损曲线进行因果校验；
若校验通过，则确定所述用户为线损异常的归因用户。
7.根据权利要求2所述的方法，其特征在于，在确定所述当前台区的低压用户侧存在实际异常用电行为之后，所述方法还包括：
根据所述当前台区内用户的电量数据，构建所述用户的电流不平衡曲线和负荷曲线，并计算所述电流不平衡曲线与所述负荷曲线的第二相关系数；
若所述第二相关系数小于第二预设相关系数阈值，则确定所述用户存在异常用电行为。
8.一种异常用电行为辨识装置，其特征在于，包括：
线损曲线构建模块，用于根据当前台区设置的至少一个采集点的线损数据，构建所述当前台区的当前线损曲线；
电流曲线构建模块，用于根据所述当前台区设置的所述至少一个采集点的电流数据和各所述采集点所属用户的电流数据，构建所述当前台区的当前电流差异曲线；
异常行为辨识模块，用于根据所述当前线损曲线和所述当前电流差异曲线，确定所述当前台区是否存在异常用电行为。
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中任一项所述的一种异常用电行为辨识方法。
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中任一项所述的一种异常用电行为辨识方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110862660.0A CN113506190A (zh) | 2021-07-29 | 2021-07-29 | 一种异常用电行为辨识方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110862660.0A CN113506190A (zh) | 2021-07-29 | 2021-07-29 | 一种异常用电行为辨识方法、装置、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113506190A true CN113506190A (zh) | 2021-10-15 |
Family
ID=78014517
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110862660.0A Pending CN113506190A (zh) | 2021-07-29 | 2021-07-29 | 一种异常用电行为辨识方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113506190A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114217160A (zh) * | 2022-02-18 | 2022-03-22 | 青岛鼎信通讯股份有限公司 | 一种中压配电线路负荷监测单元安装定位方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106156269A (zh) * | 2016-06-01 | 2016-11-23 | 国网河北省电力公司电力科学研究院 | 一种反窃电精准定位在线监测方法 |
| CN110231503A (zh) * | 2019-07-08 | 2019-09-13 | 南方电网科学研究院有限责任公司 | 高损台区基于格兰杰因果检验的窃电用户识别定位方法 |
| CN111507611A (zh) * | 2020-04-15 | 2020-08-07 | 北京中电普华信息技术有限公司 | 一种确定窃电嫌疑用户的方法及系统 |
| CN111651721A (zh) * | 2020-06-15 | 2020-09-11 | 四川中电启明星信息技术有限公司 | 一种基于时空关联矩阵的反窃电预警方法 |
| CN112131441A (zh) * | 2020-09-27 | 2020-12-25 | 国网内蒙古东部电力有限公司 | 一种快速识别用电异常行为的方法及系统 |
-
2021
- 2021-07-29 CN CN202110862660.0A patent/CN113506190A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106156269A (zh) * | 2016-06-01 | 2016-11-23 | 国网河北省电力公司电力科学研究院 | 一种反窃电精准定位在线监测方法 |
| CN110231503A (zh) * | 2019-07-08 | 2019-09-13 | 南方电网科学研究院有限责任公司 | 高损台区基于格兰杰因果检验的窃电用户识别定位方法 |
| CN111507611A (zh) * | 2020-04-15 | 2020-08-07 | 北京中电普华信息技术有限公司 | 一种确定窃电嫌疑用户的方法及系统 |
| CN111651721A (zh) * | 2020-06-15 | 2020-09-11 | 四川中电启明星信息技术有限公司 | 一种基于时空关联矩阵的反窃电预警方法 |
| CN112131441A (zh) * | 2020-09-27 | 2020-12-25 | 国网内蒙古东部电力有限公司 | 一种快速识别用电异常行为的方法及系统 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114217160A (zh) * | 2022-02-18 | 2022-03-22 | 青岛鼎信通讯股份有限公司 | 一种中压配电线路负荷监测单元安装定位方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Luo et al. | Real-time anomaly detection for very short-term load forecasting | |
| CN112115602B (zh) | 磨煤机管路堵塞状态确定方法、装置、存储介质及计算设备 | |
| CN111126759B (zh) | 一种基于异常事件故障关联度的电能表状态评估方法 | |
| Cavagnini et al. | Workforce production planning under uncertain learning rates | |
| CN116125361B (zh) | 电压互感器误差评估方法、系统、电子设备及存储介质 | |
| CN107426019A (zh) | 网络故障确定方法、计算机设备及计算机可读存储介质 | |
| 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 | |
| CN113837596A (zh) | 一种故障确定方法、装置、电子设备及存储介质 | |
| CN110991985A (zh) | 一种项目进度数据处理方法 | |
| CN112950344A (zh) | 数据评估方法、装置、电子设备及存储介质 | |
| CN112001511A (zh) | 基于数据挖掘的设备可靠性及动态风险评价方法、系统和设备 | |
| CN113506190A (zh) | 一种异常用电行为辨识方法、装置、设备及存储介质 | |
| WO2019019429A1 (zh) | 一种虚拟机异常检测方法、装置、设备及存储介质 | |
| CN110348676A (zh) | 一种变电站自动化设备状态评价方法及系统 | |
| CN113934536A (zh) | 面向边缘计算的数据采集方法 | |
| CN111797530B (zh) | 一种电力系统薄弱环节确定方法、装置、设备及介质 | |
| CN115114124A (zh) | 主机风险的评估方法及评估装置 | |
| CN112070180A (zh) | 基于信息物理双侧数据的电网设备状态判断方法及装置 | |
| CN107480703A (zh) | 交易故障检测方法及装置 | |
| CN113919610A (zh) | 低压台区线损预测用arima模型构建方法及评估方法 | |
| CN110837980A (zh) | 企业信用评级方法、装置、设备及存储介质 | |
| CN113361729B (zh) | 基于检修计划的风险评估方法、装置、终端和存储介质 | |
| CN108805603A (zh) | 营销活动质量评估方法、服务器及计算机可读存储介质 | |
| Khorramrouz et al. | Fault diagnosis and prioritisation in sugar industry: a fuzzy-AHP approach | |
| CN114048592A (zh) | 一种精轧全流程分布式运行性能评估及非优原因追溯方法 |
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 |