CN113516192A - 一种用户用电异动识别方法、系统、装置及存储介质 - Google Patents
一种用户用电异动识别方法、系统、装置及存储介质 Download PDFInfo
- Publication number
- CN113516192A CN113516192A CN202110814474.XA CN202110814474A CN113516192A CN 113516192 A CN113516192 A CN 113516192A CN 202110814474 A CN202110814474 A CN 202110814474A CN 113516192 A CN113516192 A CN 113516192A
- Authority
- CN
- China
- Prior art keywords
- data
- user
- model
- power consumption
- electricity
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000005611 electricity Effects 0.000 title claims abstract description 91
- 238000000034 method Methods 0.000 title claims abstract description 53
- 230000002159 abnormal effect Effects 0.000 claims abstract description 21
- 238000003066 decision tree Methods 0.000 claims abstract description 14
- 238000003062 neural network model Methods 0.000 claims abstract description 3
- 230000005856 abnormality Effects 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 16
- 238000012549 training Methods 0.000 claims description 12
- 238000013527 convolutional neural network Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 8
- 238000012360 testing method Methods 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 7
- 238000007637 random forest analysis Methods 0.000 claims description 5
- 230000008014 freezing Effects 0.000 claims description 4
- 238000007710 freezing Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000012795 verification Methods 0.000 claims description 3
- 238000007635 classification algorithm Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 9
- 238000004458 analytical method Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000012216 screening Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 230000002045 lasting effect Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000004519 manufacturing process 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
- 238000010187 selection method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- 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
- G06N3/045—Combinations of networks
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Economics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种用户用电异动识别方法、系统、装置及存储介质，所述方法包括步骤：获取用户的用电数据；将所述用户的用电数据输入用电异常疑似用户识别模型进行用户用电异动识别，所述用电异常疑似用户识别模型包括决策树模型和卷积神经网络模型；输出用电异动的用户清单。本发明提供的用户用电异动识别方法，构建了疑似用电异常用户的识别模型模型通过智能判别实现准确快速的自动识别疑似用电异常用户，缩减核查范围，可减少人工核查工作量，提升稽查效率及准确度。
Description
技术领域
本发明属于数据处理技术领域，具体涉及一种用户用电异动识别方法、系统、装置及存储介质。
背景技术
线损是供电企业的经济指标之一，线损管理是供电企业提高经济效益的重要手段。近年来，由于用电异常形式多样、日趋复杂，导致了部分供电线路的线损指标经常处于高位，给供电企业开展的用电异常整治带来了重大挑战。目前，用电异常监测工作通常是用人工计算线损的方法来核查，不但需要耗费大量的人力物力，且效率低、准确度较低。
发明内容
本发明的目的在于提供一种用户用电异动识别方法、系统、装置及存储介质，以解决现有技术中，用电异常监测工作通常是用人工计算线损的方法来核查，不但需要耗费大量的人力物力，且效率低、准确度较低的问题。
为实现上述目的，采用如下技术方案：
一种用户用电异动识别方法，包括如下步骤：
获取用户的用电数据；
将所述用户的用电数据输入用电异常疑似用户识别模型进行用户用电异动识别，所述用电异常疑似用户识别模型包括决策树模型和卷积神经网络模型；
所述用电异常疑似用户识别模型输出用电异动的用户清单。
具体的，获取所述用电异常疑似用户识别模型的过程如下：
从电网的营销业务应用系统和用电信息系统中获取用电信息源数据；
计算用电信息源数据重要性，选取重要性大于阈值的用电信息源数据作为特征数据；
将所述特征数据分为训练集和测试集，分别采用树类分类算法和卷积神经网络算法，将训练集输入模型中进行训练，使模型最终收敛，得到用电异常疑似用户识别模型。
具体的，获取所述用电异常疑似用户识别模型的过程还包括：得到用电异常疑似用户识别模型后，对用电异常疑似用户识别模型进行调优，确定最终模型。
具体的，对用电异常疑似用户识别模型进行调优的过程如下：
将测试集输入到卷积神经网络模型中，使用验证集进行模型预测，并输出模型的准确率、召回率、精准率、F1值对模型进行评估，当误差大于阈值时，调整模型的中间层至输出层的连接权及输出层各单元的输出阈值，调整模型的输入层至中间层的连接权及输出层各单元的输出阈值，使误差小于阈值，形成最终的模型。
具体的，计算用电信息源数据重要性前，对用电信息源数据进行数据预处理，所述用电信息源数据包括：用户用电量数据、台区供用电数据、电压电流功率因数数据和用户基础信息数据。
具体的，所述对用电信息源数据进行数据预处理包括：
异常值处理：采用中位数替换用电信息源数据中的异常值；剔除台区供用电数据中供电量或用电量小于等于0的数据，剔除台区供用电数据中供电量或用电量为空的数据，剔除台区供用电数据中供电量除以用电量小于0.5以及大于2的数据；剔除用户用电量数据中日冻结电能量与平均值偏差超过两倍标准差的数据；
缺失值处理：若当天的日冻结电能量缺失时，首先用日冻结电能量示值的当日与前日差填补缺失值；若日冻结电能量示值也缺失，采用拉格朗日插值法填补当天日冻结电量。
数据归一化：采用零-均值归一化去除用电信息源数据的数据量纲的差异。
具体的，采用随机森林算法计算某个用电信息源数据的重要性。
本发明实施例提供的另一个技术方案是：
一种用于所述用户用电异动识别方法的系统，包括：
获取模块，用于获取用户的用电数据；
识别模块，用于将所述用户的用电数据输入用电异常疑似用户识别模型进行用户用电异动识别，所述用电异常疑似用户识别模型包括决策树模型和卷积神经网络模型；
输出模块，用于输出用电异动的用户清单。
本发明实施例提供的又一个技术方案是：
一种用于所述用户用电异动识别方法的装置，包括：
存储器，用于存储计算机程序；
处理器，用于当执行所述计算机程序时，实现所述的用户用电异动识别方法。
本发明实施例提供的再一个技术方案是：
一种计算机可读的存储介质，所述存储介质上存储有计算机程序，当所述计算机程序被执行时，实现所述的用户用电异动识别方法。
本发明的有益效果如下：
1、本发明提供的用户用电异动识别方法，基于用户电压、电流数据，构建了用电异常疑似用户识别模型，通过智能判别实现准确快速的自动识别疑似用电异常用户，缩减核查范围，可减少人工核查工作量，提升稽查效率及准确度。
2、本发明提供的用户用电异动识别方法，基于随机森林算法对已形成的用户用电特征进行特征分析与选择，对备选特征进行筛选。基于决策树算法和卷积神经网络采用筛选好的用电特征对疑似窃电行为进行判别，构建用电异常疑似用户识别模型。基于该模型进行识别分类，结果更为准确
附图说明
构成本申请的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1为本发明实施例中用户用电异动识别方法的流程图。
图2为本发明实施例中构建用电异常疑似用户识别模型的流程图。
图3为本发明实施例中决策树模型筛选过程图。
图4为本发明实施例中用电异常疑似用户识别模型优化流程图。
具体实施方式
下面将参考附图并结合实施例来详细说明本发明。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
以下详细说明均是示例性的说明，旨在对本发明提供进一步的详细说明。除非另有指明，本发明所采用的所有技术术语与本申请所属领域的一般技术人员的通常理解的含义相同。本发明所使用的术语仅是为了描述具体实施方式，而并非意图限制根据本发明的示例性实施方式。
如图1所示，本发明实施例提供了一种用户用电异动识别方法，基于用户电压、电流数据，构建了用电异常疑似用户识别模型，实现准确快速的自动识别疑似用电异常用户，缩减核查范围，可减少人工核查工作量，提升稽查效率及准确度。具体包括如下步骤：
S1、从电力公司的用采系统、营销业务系统等系统中获取用户的用电数据，例如电压、电流、功率因数等数据。
S2、将所述用户的用电数据输入用电异常疑似用户识别模型进行用户用电异动识别，所述用电异常疑似用户识别模型包括决策树模型和卷积神经网络模型。
如图2～4所示，步骤S2中，用电异常疑似用户识别模型的获取过程如下：
S21、本实施例中，提取国网北京海淀供电公司用电信息采集系统、营销业务应用系统的：用户用电量数据、台区供用电数据、电压电流功率因数数据和用户基础信息数据，作为用电信息源数据，如表1所示。
表1数据信息表
S22、对用电信息源数据预处理：
(1)提取用户用电量数据，形成用户档案表、用电量表、线路供用电表、异常事件表、用电数据表、窃电记录表等6张数据宽表，表格详情如表2-表7所示：
表2用户档案表
表3用电量表
表4线路供用电量表
表5异常事件表
表6用电数据表
表7窃电记录表
(2)对于线路供用电量数据表，计算三个指标：线损、线损率、采集成功率。具体计算方法如下：
1)线损电量＝供电量-用电量；
2)线损率＝线损电量/供电量；
3)采集成功率＝采集成功电能表数/应采集成功电能表数；
(3)异常值处理：
1)根据业务规则识别出用电信息源数据的异常值后，采用中位数进行替换。
2)如果台区供电量或用电量数据为0，剔除‘台区供用电量数据’中‘供电量’或‘用电量’小于等于0的数据，以及剔除‘供电量’或‘用电量’为空的数据。如果台区供电量和用电量差距过大，剔除‘台区供用电量数据’中‘供电量’除以‘用电量’小于0.5以及大于2的数据。
3)如果一组用户用电量的测定值与整体平均值超过两倍标准差，说明数据为高度异常值，剔除‘用户用电量数据’中‘日冻结电能量’与平均值偏差超过两倍标准差的数据。
(4)缺失值处理：
‘PAP_E’和‘PAP_R’在数据库中用来标示当天的日冻结电能量和日冻结电能量示值，在‘PAP_E’缺失的情况下，用‘PAP_R’的当日与前日差填补缺失值，如果‘PAP_R’也缺失，采用拉格朗日插值法填补当天日冻结电量。
(5)数据归一化：
由于用电信息源数据中各属性的量值差异较大，通过归一化去除数据量纲的差异，本实施例采用零-均值归一化。
S23、由于窃电数据样本较少，为了满足模型需要，采用数据平衡等方法对训练数据特征进行填充。共制作了150个特征，重点包括日用电特征(最大值、最小值、平均值、方差、偏度、峰度、中位数、上四分位数、下四分位数、四分位差)、周用电量特征、月用电量特征、季用电量特征、年用电量特征、总用电量特征、0值特征、空值特征等。
本发明实施例在构建用电异常疑似用户识别模型过程中，采用随机森林算法去掉不相关特征，提高模型构建的速度和准确率。
具体的，随机森林由多个决策树构成，对于每一棵决策树，首先使用袋外数据(未被抽样到的数据)对该决策树进行性能评估，计算袋外数据误差记为errOOB1，然后随机对袋外数据所有样本的特征加入噪声干扰(即随机改变样本在某个特征处的值)，再次计算袋外数据误差，记为errOOB2。假设此时森林中有N棵树，则某特征的重要性＝∑(errOOB2-errOOB1)/N。这个数值之所以能够衡量特征的重要性是因为，当加入随机噪声后，袋外数据准确率大幅度下降(即errOOB2上升)，说明这个特征对于样本的预测结果有很大影响，进而说明重要程度比较高。
如表9所示，通过该特征选择方法最终选用以下重要程度较高的特征：电能表示值异常、0控制特征、日用电量特征、周用电量特征、月用电量特征、周(每日)用电量特征、用电类别、电压等级、行业等。
表9特征明细表
S24、对于最终选用的重要程度较高的特征数据，按照8:2的比例分为训练集和测试集数据，然后从决策树模型、卷积神经网络算法中，选择不同的算法将训练数据输入模型进行训练，构建用电异常疑似用户识别模型，具体如下：
(1)将测试数据输入到决策树模型中，遍历测试数据特征，匹配训练数据的数据特征，从而判断该用户是否为疑似窃电用户。
(2)将测试数据输入到卷积神经网络模型中，使用验证集进行模型预测，并输出各模型准确率(所有的预测正确(正类负类)的占总的比重)、召回率(正确预测为正的占全部实际为正的比例)、精准率(正确预测为正的占全部预测为正的比例)、F1值(算数平均数除以几何平均数，且越大越好，F1对精准率和召回率都进行了加权)对模型进行评估，用来衡量模型的性能和分类能力，如输出结果较差则对模型进行调优，并形成最终的模型，使用最终模型输出疑似窃电用户清单。
在模型的训练阶段需要人工查找出疑似用电异常用户以提高模型识别的准确度与效率，本实施例中疑似用电异常用户的定位方法为：
步骤一：分析时段选择，分析时段选择标准为：台区供用电量数据连续、台区采集成功率保持不变、分析时段的长度不小于7天。
步骤二：用户电量异动定位判别方法：筛选用电量增长大于10％的用户，作为用户异动行为数据。
步骤三：电流异常判定方法：AC相电流数值差值大于50％定位为电流异常。
步骤四：电压异常判定方法：某相电压低于电能表的领结电压；超出电力系统规定电压曲线数值的±5％且持续超过1h，超出规范数值±10％且持续时间超过30min，定义为异常。
S3、所述用电异常疑似用户识别模型输出用电异动的用户清单。
本发明提供的另一个技术方案是：
一种用于的用户用电异动识别方法的系统，包括：
获取模块，用于获取用户的用电数据；
识别模块，用于将用户的用电数据输入用电异常疑似用户识别模型进行用户用电异动识别，用电异常疑似用户识别模型包括决策树模型和卷积神经网络模型；
输出模块，用于输出用电异动的用户清单。
本发明提供的又一个技术方案是：
一种用于用户用电异动识别方法的装置，包括：
存储器，用于存储计算机程序；
处理器，用于当执行计算机程序时，实现的用户用电异动识别方法。
本发明提供的再一个技术方案是：
一种计算机可读的存储介质，其特征在于，存储介质上存储有计算机程序，当计算机程序被执行时，实现的用户用电异动识别方法。
由技术常识可知，本发明可以通过其它的不脱离其精神实质或必要特征的实施方案来实现。因此，上述公开的实施方案，就各方面而言，都只是举例说明，并不是仅有的。所有在本发明范围内或在等同于本发明的范围内的改变均被本发明包含。
本领域内的技术人员应明白，本发明的实施例可提供为方法、装置、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、装置、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。
Claims (10)
1.一种用户用电异动识别方法，其特征在于，包括如下步骤：
获取用户的用电数据；
将所述用户的用电数据输入用电异常疑似用户识别模型进行用户用电异动识别，所述用电异常疑似用户识别模型包括决策树模型和卷积神经网络模型；
所述用电异常疑似用户识别模型输出用电异动的用户清单。
2.根据权利要求1所述的用户用电异动识别方法，其特征在于，获取所述用电异常疑似用户识别模型的过程如下：
从电网的营销业务应用系统和用电信息系统中获取用电信息源数据；
计算用电信息源数据重要性，选取重要性大于阈值的用电信息源数据作为特征数据；
将所述特征数据分为训练集和测试集，分别采用树类分类算法和卷积神经网络算法，将训练集输入模型中进行训练，使模型最终收敛，得到用电异常疑似用户识别模型。
3.根据权利要求2所述的用户用电异动识别方法，其特征在于，获取所述用电异常疑似用户识别模型的过程还包括：得到用电异常疑似用户识别模型后，对用电异常疑似用户识别模型进行调优，确定最终模型。
4.根据权利要求3所述的用户用电异动识别方法，其特征在于，对用电异常疑似用户识别模型进行调优的过程如下：
将测试集输入到卷积神经网络模型中，使用验证集进行模型预测，并输出模型的准确率、召回率、精准率、F1值对模型进行评估，当误差大于阈值时，调整模型的中间层至输出层的连接权及输出层各单元的输出阈值，调整模型的输入层至中间层的连接权及输出层各单元的输出阈值，使误差小于阈值，形成最终的模型。
5.根据权利要求2所述的用户用电异动识别方法，其特征在于，计算用电信息源数据重要性前，对用电信息源数据进行数据预处理，所述用电信息源数据包括：用户用电量数据、台区供用电数据、电压电流功率因数数据和用户基础信息数据。
6.根据权利要求5所述的用户用电异动识别方法，其特征在于，所述对用电信息源数据进行数据预处理包括：
异常值处理：采用中位数替换用电信息源数据中的异常值；剔除台区供用电数据中供电量或用电量小于等于0的数据，剔除台区供用电数据中供电量或用电量为空的数据，剔除台区供用电数据中供电量除以用电量小于0.5以及大于2的数据；剔除用户用电量数据中日冻结电能量与平均值偏差超过两倍标准差的数据；
缺失值处理：若当天的日冻结电能量缺失时，首先用日冻结电能量示值的当日与前日差填补缺失值；若日冻结电能量示值也缺失，采用拉格朗日插值法填补当天日冻结电量；
数据归一化：采用零-均值归一化去除用电信息源数据的数据量纲的差异。
7.根据权利要求2所述的用户用电异动识别方法，其特征在于，采用随机森林算法计算某个用电信息源数据的重要性。
8.一种用于权利要求1所述的用户用电异动识别方法的系统，其特征在于，包括：
获取模块，用于获取用户的用电数据；
识别模块，用于将所述用户的用电数据输入用电异常疑似用户识别模型进行用户用电异动识别，所述用电异常疑似用户识别模型包括决策树模型和卷积神经网络模型；
输出模块，用于输出用电异动的用户清单。
9.一种用于权利要求1所述用户用电异动识别方法的装置，其特征在于，包括：
存储器，用于存储计算机程序；
处理器，用于当执行所述计算机程序时，实现如权利要求1至7任一项所述的用户用电异动识别方法。
10.一种计算机可读的存储介质，其特征在于，所述存储介质上存储有计算机程序，当所述计算机程序被执行时，实现如权利要求1至7任一项所述的用户用电异动识别方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110814474.XA CN113516192A (zh) | 2021-07-19 | 2021-07-19 | 一种用户用电异动识别方法、系统、装置及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110814474.XA CN113516192A (zh) | 2021-07-19 | 2021-07-19 | 一种用户用电异动识别方法、系统、装置及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113516192A true CN113516192A (zh) | 2021-10-19 |
Family
ID=78067494
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110814474.XA Pending CN113516192A (zh) | 2021-07-19 | 2021-07-19 | 一种用户用电异动识别方法、系统、装置及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113516192A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115307644A (zh) * | 2022-08-25 | 2022-11-08 | 西南石油大学 | 一种基于uwb的三维定位模型 |
| CN115545119A (zh) * | 2022-11-24 | 2022-12-30 | 国网天津市电力公司城南供电分公司 | 一种用电数据的识别方法、系统及应用 |
| CN117472898A (zh) * | 2023-12-26 | 2024-01-30 | 国网江西省电力有限公司电力科学研究院 | 一种基于融合的配电网异常数据纠错方法及系统 |
| CN118070135A (zh) * | 2024-04-25 | 2024-05-24 | 佰聆数据股份有限公司 | 用电行为数据识别方法和装置、电子设备及存储介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108416693A (zh) * | 2018-02-01 | 2018-08-17 | 东华大学 | 一种基于模糊神经网络的用电异常行为识别方法 |
| JP2019054715A (ja) * | 2017-09-15 | 2019-04-04 | 東京電力ホールディングス株式会社 | 盗電監視システム、盗電監視装置、盗電監視方法及びプログラム |
| CN110175167A (zh) * | 2019-05-10 | 2019-08-27 | 国网天津市电力公司电力科学研究院 | 一种适用于低压台区用电数据的数据清洗方法及系统 |
| CN111160791A (zh) * | 2019-12-31 | 2020-05-15 | 国网北京市电力公司 | 一种基于gbdt算法及因素融合的异常用户识别方法 |
| CN113095739A (zh) * | 2021-05-17 | 2021-07-09 | 广东电网有限责任公司 | 一种电网数据异常检测方法及装置 |
| CN113128567A (zh) * | 2021-03-25 | 2021-07-16 | 云南电网有限责任公司 | 一种基于用电量数据的异常用电行为识别方法 |
-
2021
- 2021-07-19 CN CN202110814474.XA patent/CN113516192A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2019054715A (ja) * | 2017-09-15 | 2019-04-04 | 東京電力ホールディングス株式会社 | 盗電監視システム、盗電監視装置、盗電監視方法及びプログラム |
| CN108416693A (zh) * | 2018-02-01 | 2018-08-17 | 东华大学 | 一种基于模糊神经网络的用电异常行为识别方法 |
| CN110175167A (zh) * | 2019-05-10 | 2019-08-27 | 国网天津市电力公司电力科学研究院 | 一种适用于低压台区用电数据的数据清洗方法及系统 |
| CN111160791A (zh) * | 2019-12-31 | 2020-05-15 | 国网北京市电力公司 | 一种基于gbdt算法及因素融合的异常用户识别方法 |
| CN113128567A (zh) * | 2021-03-25 | 2021-07-16 | 云南电网有限责任公司 | 一种基于用电量数据的异常用电行为识别方法 |
| CN113095739A (zh) * | 2021-05-17 | 2021-07-09 | 广东电网有限责任公司 | 一种电网数据异常检测方法及装置 |
Non-Patent Citations (1)
| Title |
|---|
| 孙向阳: "基于XGBoost算法的窃电用户行为研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》, no. 01, pages 150 - 1867 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115307644A (zh) * | 2022-08-25 | 2022-11-08 | 西南石油大学 | 一种基于uwb的三维定位模型 |
| CN115545119A (zh) * | 2022-11-24 | 2022-12-30 | 国网天津市电力公司城南供电分公司 | 一种用电数据的识别方法、系统及应用 |
| CN117472898A (zh) * | 2023-12-26 | 2024-01-30 | 国网江西省电力有限公司电力科学研究院 | 一种基于融合的配电网异常数据纠错方法及系统 |
| CN117472898B (zh) * | 2023-12-26 | 2024-04-02 | 国网江西省电力有限公司电力科学研究院 | 一种基于融合的配电网异常数据纠错方法及系统 |
| CN118070135A (zh) * | 2024-04-25 | 2024-05-24 | 佰聆数据股份有限公司 | 用电行为数据识别方法和装置、电子设备及存储介质 |
| CN118070135B (zh) * | 2024-04-25 | 2024-07-12 | 佰聆数据股份有限公司 | 用电行为数据识别方法和装置、电子设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113516192A (zh) | 一种用户用电异动识别方法、系统、装置及存储介质 | |
| CN108364085B (zh) | 一种外卖配送时间预测方法和装置 | |
| CN110231528B (zh) | 基于负荷特征模型库的变压器户变异常识别方法及装置 | |
| CN109543943B (zh) | 一种基于大数据深度学习的电价稽查执行方法 | |
| CN105512799B (zh) | 一种基于海量在线历史数据的电力系统暂态稳定评估方法 | |
| CN104794206B (zh) | 一种变电站数据质量评价系统及方法 | |
| CN106952159B (zh) | 一种不动产抵押品风险控制方法、系统及存储介质 | |
| CN105203924A (zh) | 一种用电趋势异常嫌疑分析方法及反窃电监控系统 | |
| CN111539585B (zh) | 一种基于随机森林的电力客户诉求敏感度监督及预警方法 | |
| CN105786711A (zh) | 一种数据分析的方法及装置 | |
| CN108011367A (zh) | 一种基于深度决策树算法的电力负荷特性挖掘方法 | |
| CN111612149A (zh) | 一种基于决策树的主网线路状态检测方法、系统及介质 | |
| CN111177208A (zh) | 基于大数据分析的用电异常检测方法 | |
| CN112883062A (zh) | 一种不基于规则的自定义规则稽查方法 | |
| CN110555619A (zh) | 一种基于智能配电网的供电能力评估方法 | |
| CN115166625A (zh) | 智能电表误差估计方法及装置 | |
| CN111080484A (zh) | 一种配电网异常数据监测方法及装置 | |
| CN113836125A (zh) | 一种配电物联网边缘侧的配变数据清洗修复方法和系统 | |
| CN107274025B (zh) | 一种实现用电模式智能识别与管理的系统和方法 | |
| CN105260944A (zh) | 一种基于lssvm算法与关联规则挖掘的统计线损计算方法 | |
| CN114676931B (zh) | 一种基于数据中台技术的电量预测系统 | |
| CN116402528A (zh) | 电力数据处理系统 | |
| CN109871998B (zh) | 一种基于专家样本库的配电网线损率预测方法及装置 | |
| CN115204501A (zh) | 企业评估方法、装置、计算机设备和存储介质 | |
| CN114139408A (zh) | 一种电力变压器健康状态评估方法 |
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 |