CN113516313A - 一种基于用户画像的燃气异常检测方法 - Google Patents
一种基于用户画像的燃气异常检测方法 Download PDFInfo
- Publication number
- CN113516313A CN113516313A CN202110818902.6A CN202110818902A CN113516313A CN 113516313 A CN113516313 A CN 113516313A CN 202110818902 A CN202110818902 A CN 202110818902A CN 113516313 A CN113516313 A CN 113516313A
- Authority
- CN
- China
- Prior art keywords
- data
- gas
- user
- day
- characteristic
- 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.)
- Withdrawn
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 32
- 206010000117 Abnormal behaviour Diseases 0.000 claims abstract description 16
- 238000007781 pre-processing Methods 0.000 claims abstract description 11
- 238000000034 method Methods 0.000 claims description 56
- 230000002159 abnormal effect Effects 0.000 claims description 41
- 238000012360 testing method Methods 0.000 claims description 38
- 238000011156 evaluation Methods 0.000 claims description 36
- 230000006399 behavior Effects 0.000 claims description 31
- 238000012549 training Methods 0.000 claims description 27
- 238000004422 calculation algorithm Methods 0.000 claims description 25
- 238000012545 processing Methods 0.000 claims description 13
- 239000011159 matrix material Substances 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000012935 Averaging Methods 0.000 claims description 5
- 238000002790 cross-validation Methods 0.000 claims description 5
- 230000001052 transient effect Effects 0.000 claims description 4
- 238000002759 z-score normalization Methods 0.000 claims description 4
- 230000000295 complement effect Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 230000002547 anomalous effect Effects 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 10
- 230000002354 daily effect Effects 0.000 description 61
- 238000010586 diagram Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 7
- 238000007418 data mining Methods 0.000 description 6
- 238000004590 computer program Methods 0.000 description 5
- 230000007246 mechanism Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000013210 evaluation model Methods 0.000 description 3
- 238000003064 k means clustering Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000007621 cluster analysis Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000005034 decoration Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000003203 everyday effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Game Theory and Decision Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Quality & Reliability (AREA)
- Probability & Statistics with Applications (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Measuring Volume Flow (AREA)
Abstract
本发明属于燃气安全技术领域，本发明提供一种基于用户画像的燃气异常检测方法，包括：对燃气用户的用户数据进行预处理，得到时段数据；利用从所述时段数据中提取的特征，构建燃气用户的用户画像；利用所述燃气用户的用户画像和所述时段数据，检测所述燃气用户的异常行为；其中，所述用户数据包括瞬时流量数据和用气量数据。本发明针对目前燃气用户画像技术相对处于空白领域，燃气领域中的异常检测途径较为单一，提出了一种利用燃气用户画像的异常检测方法，该方法在能够对燃气用户数据进行画像构建，并利用构建的画像进行异常检测，检测出用户数据是否存在异常。
Description
技术领域
本发明涉及燃气安全技术领域，尤指一种基于用户画像的燃气异常检测方法。
背景技术
随着全国燃气行业模式的转变，燃气企业日趋智能化。通过智能诊断技术监测用气情况，并及时预警、提醒成为燃气企业及时止损的重要方法。对燃气用户进行画像可以帮助相关人员准确分析用户的行为特征。但目前燃气用户画像研究仍处于相对空白区域，同时燃气异常检测途径也较为单一。
现有的异常检测主要集中在调压器、计量表等固件检测方案，用户画像技术则在燃气领域尚未有应用。
因此如何构建燃气用户画像，以及更多途径检测用户异常用气行为成为一个急需解决的问题。
发明内容
本发明提供一种基于用户画像的燃气异常检测方法，解决上述问题。
本发明提供的技术方案如下：
一种基于用户画像的燃气异常检测方法，包括：
对燃气用户的用户数据进行预处理，得到时段数据；
利用从所述时段数据中提取的特征，构建燃气用户的用户画像；
利用所述燃气用户的用户画像和所述时段数据，检测所述燃气用户的异常行为；
其中，所述用户数据包括瞬时流量数据和用气量数据。
进一步优选的，所述对燃气用户的用户数据进行预处理，得到时段数据，包括步骤：
将所述瞬时量数据和所述用气量数据按照时段划分，对第一时段进行求取均值操作，以及对第二时段进行补零，生成时段数据；
其中，所述第一时段包括存在所述瞬时量数据和所述用气量数据的时段，所述第二时段为不存在所述瞬时量数据和所述用气量数据的时段；
对所述时段数据进行二次处理，具体包括：
将时段数据中首端数据和末端数据赋值到新列表；
将所述时段数据中不为零的数据赋值到新列表；
将所述时段数据中为零的数据，使用所述时段数据的左右相邻数据之和的均值赋值到新列表，形成处理后的时段数据，零数据补值公式为：
式中，n为样本大小，m为时段个数，di,j为填补的数据，di,j-1为所述时段数据中零值点前一个数据点的值，di,j+1为所述时段数据中零值点后一个数据点的值。
进一步优选的，在所述利用从所述时段数据中提取的特征，构建燃气用户的用户画像之前，还包括步骤：
利用处理后的时段数据，使用k-means算法进行聚类分析，以获取确定所述燃气用户的行为数量和行为类型；
基于所述行为数量和所述行为类型以及所述处理后的时段数据，进行所述行为数量对应的聚类，得到所述燃气用户的用气类的目标日负荷曲线；
利用所述目标日负荷曲线，获取所述燃气用户的特征。
进一步优选的，所述利用所述目标日负荷曲线，获取所述燃气用户的特征，包括步骤：
基于所述目标日负荷曲线，获取所述日最大负荷特征、日均负荷特征、日用气时段系数特征、日用气量特征、用气负荷相似度特征、用气负荷冲击度特征，具体包括：
所述日最大负荷特征为每天0时至24时之间，所述燃气用户使用燃气的瞬时流量最大值：
d(i)max＝Max(di,1,di,2,…di,j,…di,m)i＝1,2…,n
其中，j∈(1,m)，d(i)max表示第i天的单日最大负荷值，di,j表示第i天中第j个时间点的瞬时流量；
所述日均负荷特征包括所述燃气用户在每天0时至24时之间，m个统计点的瞬时流量的平均值：
d(i)mean＝Mean(di,1,di,2,…di,j,…di,m)i＝1,2…,n
其中，d(i)mean表示第i天的日均负荷，di,j表示第i天中第j个时间点的瞬时流量；
日用气时段系数特征，是指某日0时至24时之间，m个计量点中的非零值占总个数的系数。
其中，d(i)work_time表示第i天存在用气数据时段占总时段的系数，di,j(Zero)为BOOL类型变量值；
所述日用气量特征包括所述燃气用户当日的总用气量： d(i)DayUse＝Max(Usei,1,…,Usei,k)-Min(Usei,1,…,Usei,k)i＝1,2…,n；
其中，d(i)DayUse为第i天的总用气量，Max(Usei,1,…,Usei,k)表示第i天的燃气总用量的最大值，Min(Usei,1,…,Usei,k)为燃气总用量的最小值，k为第i天的计量点个数。
进一步优选的，所述利用所述目标日负荷曲线，获取所述燃气用户的特征，还包括步骤：
基于所述目标日负荷曲线，获取用气负荷相似度特征，具体包括：
利用所述目标日用气负荷曲线，基于Pearson系数法计算每日用气负荷曲线与典型负荷曲线的相似度，得到用气相似度，具体公式如下：
其中，p(Pi,Pj)为Pi、Pj的协方差；
分别为Pi、Pj的标准差； Pearson(Pi,P)为用气负荷相似度矩阵；Pi为所述目标日负荷曲线，P为n天数据的每日负荷曲线。
进一步优选的，所述利用所述目标日负荷曲线，获取所述燃气用户的特征，还包括步骤：
基于所述目标日负荷曲线，获取用气负荷冲击度特征，具体包括：
通过移动平均法得到每日的日负荷曲线，并通过计算实际值与平滑预测值的距离以得到所述用气负荷冲击度特征，具体公式如下：
其中，d(i,j)smooth表示第i天第j个时间点的预测平滑值，d(i)impact表示第i天的冲击度。
进一步优选的，所述利用从所述时段数据中提取的特征，构建燃气用户的用户画像，包括步骤：
将所述特征，分别利用Z-score归一化方法映射到(0,1)区间，并基于箱线图的方式表达所述时段数据的特征分布，所述特征分布为所述燃气用户的用户画像。
进一步优选的，所述利用所述燃气用户的用户画像和所述时段数据，检测所述燃气用户的异常行为，包括步骤：
基于K折交叉验证法，将所述用户数据划分为样本集数据和测试集数据；
利用岭回归算法拟合所述样本集数据，得到训练模型和异常评价标准；
基于所述训练模型、所述异常评价标准和所述测试集数据，识别所述燃气用户的异常行为。
进一步优选的，利用岭回归算法拟合所述样本集数据，得到训练模型和异常评价标准，包括步骤：
利用岭回归算法拟合第一预设比例的所述样本集数据，以得到训练模型；
通过所述训练模型预测第二预设比例的所述样本集数据，得到预测结果；
将所述预测结果中的预测值和所述第二预设比例的所述样本集数据中的实际值进行计算，得到相对误差，具体公式如下：
其中，b∈(1,d)，d为特征标准标签个数，dpre(b)为某日第b个特征的预测值，dactual(b)为实际值，d(b)relative_error为某日第b个特征的相对误差；
基于预设训练次数的相对误差，得到每个特征的异常评价标准：
其中，a∈(1,c)，c为相对误差列表的大小，d(b)error为第b个特征的异常评价标准。
进一步优选的，基于所述训练模型、所述异常评价标准和所述测试集数据，识别所述燃气用户的异常行为，包括步骤：
通过所述岭回归算法拟合所述样本集数据，得到预测函数，并利用预测函数预测所述测试集数据，得到所述测试集数据的预测值；
基于所述测试集数据的预测值和所述测试集数据的真实值，计算所述测试集数据的相对误差；
将所述测试集数据的相对误差与所述异常评价标准进行对比；
当所述测试集数据的相对误差不属于所述异常评价标准时，获取所述异常特征对应的异常行为。
本发明提供的一种基于用户画像的燃气异常检测方法，至少具有以下有益效果：
通过异常检测技术与用户画像技术的有效结合，可以让燃气行业的从业相关人员准确把握用户的用气规律和行为特征，并且为用气行为的异常检测提供了新的思路与方法。
附图说明
下面结合附图和具体实施方式对本发明作进一步详细说明：
图1是本发明中一种基于用户画像的燃气异常检测方法的实施例一的流程示意图；
图2是本发明中一种基于用户画像的燃气异常检测方法的实施例二的流程示意图；
图3是本发明中实施例二中步骤S1的示意图；
图4是本发明中实施例二中步骤S2的示意图；
图5是本发明中实施例二中步骤S3的示意图；
图6是本发明中聚类有效性指标分数图；
图7是本发明中用户负荷曲线聚类图；
图8是本发明中用户六种特征标签图；
图9是本发明中用户画像箱线图；
图10是本发明中样本一异常点风险预警评价图；
图11是本发明中样本一验证集负荷曲线图；
图12是本发明中样本二异常点风险预警评价图；
图13是本发明中样本二验证集负荷曲线图；
图14是本发明中样本三异常点风险预警评价图；
图15是本发明中样本三验证集负荷曲线图。
具体实施方式
为了更清楚地说明本发明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，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
为使图面简洁，各图中只示意性地表示出了与本发明相关的部分，它们并不代表其作为产品的实际结构。另外，以使图面简洁便于理解，在有些图中具有相同结构或功能的部件，仅示意性地绘示了其中的一个，或仅标出了其中的一个。在本文中，“一个”不仅表示“仅此一个”，也可以表示“多于一个”的情形。
还应当进一步理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
在本文中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
另外，在本申请的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对照附图说明本发明的具体实施方式。显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图，并获得其他的实施方式。
实施例一
本发明提供一种基于用户画像的燃气异常检测方法的一个实施例，如图1 所示，包括：
S100对燃气用户的用户数据进行预处理，得到时段数据。
具体的，本发明在进行画像与异常检测前，通过时间段对齐法与近邻点填充法对数据进行了预处理，得到了144点时段数据。
通过上述方法解决了原始用户数据中存在每日统计个数不一致、统计间隔不固定等问题。同时，通过该方法对数据进行预处理，有效保存了原始数据的完整性和正确性，提高了算法的处理效率。
S200利用从所述时段数据中提取的特征，构建燃气用户的用户画像。
在本实施例中，通过使用标准格式数据，此标准格式数据为预处理后的时段数据，利用聚类分析、数据挖掘等方法构建了多种特征标签，并运用箱线图的方式对数据进行了建模画像。
通过上述方法可以直观的让燃气公司了解用户特征数据分布，掌握用户的主要行为和用气特征。
S300利用所述燃气用户的用户画像和所述时段数据，检测所述燃气用户的异常行为。
其中，所述用户数据包括瞬时流量数据和用气量数据。
具体的，本发明使用144点时段数据和构建的特征标签，利用了岭回归、 K折交叉验证等方法建立了一套基于模型的异常检测方法，可以有效的检测出燃气用户的异常用气特征。
通过燃气用户的用户画像和时段数据建立异常评价模型对燃气用户的用气行为中异常行为进行检测，能够实时的对燃气安全进行监控。
其中，提取特征标签的方法包括k-means聚类、数据挖掘等方法。
在本实施例中，首先对燃气用户的用气负荷和日用气量进行研究分析，然后通过k-means聚类、数据挖掘等方法，提出了用户的多种用气行为特征标签。其次，将特征标签结合起来构建燃气用户画像。最后利用岭回归算法拟合了用户的各个特征标签，得到异常评价模型用于检测用气异常。
通过异常检测技术与用户画像技术的有效结合，可以让燃气行业的从业相关人员准确把握用户的用气规律和行为特征，并且为用气行为的异常检测提供了新的思路与方法。
本发明针对目前燃气用户画像技术相对处于空白领域，燃气领域中的异常检测途径较为单一，提出了一种利用燃气用户画像的异常检测方法，该方法在能够对燃气用户数据进行画像构建，并利用构建的画像进行异常检测，检测出用户数据是否存在异常。
实施例二
基于上述实施例，在本实施例中与上述实施例相同的部分就不一一赘述了，本实施例提供一种基于用户画像的燃气异常检测方法的一个实施例，如图2所示，包括：
步骤S100所述对燃气用户的用户数据进行预处理，得到时段数据，包括步骤：
将所述瞬时量数据和所述用气量数据按照时段划分，对第一时段进行求取均值操作，以及对第二时段进行补零，生成时段数据。
具体的，在数据预处理过程中，对不同点的时段数据进行了验证分析：
(1)以20分钟间隔处理为72点时段数据；
(2)以30分钟间隔处理为48点时段数据；
(3)以40分钟间隔处理为36点时段数据；
(4)以60分钟间隔处理为24点时段数据；
(5)以120分钟间隔处理为12点时段数据；
因市面上大多计量表计量间隔为1-10分钟左右，使用以上方案对数据降维处理后，数据中会丢失大量关键信息。
因此，在本实施例中优选的144点时段数据是最佳选择。
其中，时段数据包括140点时段数据，获取时段数据的具体步骤为：首先获取燃气用户瞬时流量、用气量数据。其次，将用户数据按照时段划分，每个时段包含十分钟数据，每个小时6个时段，每天24个小时，共144个数据时段。最后，对其中有数据的时段进行求取均值操作，无数据的时段进行补零，生成144点时段数据。
其中，所述第一时段包括存在所述瞬时量数据和所述用气量数据的时段，所述第二时段为不存在所述瞬时量数据和所述用气量数据的时段。
对所述时段数据进行二次处理，具体包括：
将时段数据中首端数据和末端数据赋值到新列表；将所述时段数据中不为零的数据赋值到新列表；将所述时段数据中为零的数据，使用所述时段数据的左右相邻数据之和的均值赋值到新列表，形成处理后的时段数据，零数据补值公式为：
式中，n为样本大小，m为时段个数，di,j为填补的数据，di,j-1为所述时段数据中零值点前一个数据点的值，di,j+1为所述时段数据中零值点后一个数据点的值。
具体的，对每日144点时段数据进行二次处理，原列表中第一个和最后一个值采取不处理操作，赋值到新列表。其他数据则采取：原列表不为零的数据直接赋值到新列表，原列表中该点为零的数据，使用原列表左右邻居之和的均值，再赋值到新列表，形成处理后的数据列表。
优选的，在所述利用从所述时段数据中提取的特征，构建燃气用户的用户画像之前，还包括步骤：
利用处理后的时段数据，使用k-means算法进行聚类分析，以获取确定所述燃气用户的行为数量和行为类型。
基于所述行为数量和所述行为类型以及所述处理后的时段数据，进行所述行为数量对应的聚类，得到所述燃气用户的用气类的目标日负荷曲线。
利用所述目标日负荷曲线，获取所述燃气用户的特征。
优选的，所述利用所述目标日负荷曲线，获取所述燃气用户的特征，包括步骤：
基于所述目标日负荷曲线，获取所述日最大负荷特征、日均负荷特征、日用气时段系数特征、日用气量特征、用气负荷相似度特征、用气负荷冲击度特征，具体包括：
所述日最大负荷特征为每天0时至24时之间，所述燃气用户使用燃气的瞬时流量最大值：
d(i)max＝Max(di,1,di,2,…di,j,…di,m)i＝1,2…,n
其中，j∈(1,m)，d(i)max表示第i天的单日最大负荷值，di,j表示第i天中第j个时间点的瞬时流量。
所述日均负荷特征包括所述燃气用户在每天0时至24时之间，m个统计点的瞬时流量的平均值：
d(i)mean＝Mean(di,1,di,2,…di,j,…di,m)i＝1,2…,n
其中，d(i)mean表示第i天的日均负荷，di,j表示第i天中第j个时间点的瞬时流量。
日用气时段系数特征，是指某日0时至24时之间，m个计量点中的非零值占总个数的系数。
其中，d(i)work_time表示第i天存在用气数据时段占总时段的系数，di,j(Zero)为BOOL类型变量值；
所述日用气量特征包括所述燃气用户当日的总用气量： d(i)DayUse＝Max(Usei,1,…,Usei,k)-Min(Usei,1,…,Usei,k)i＝1,2…,n；
其中，d(i)DayUse为第i天的总用气量，Max(Usei,1,…,Usei,k)表示第i天的燃气总用量的最大值，Min(Usei,1,…,Usei,k)为燃气总用量的最小值，k为第i天的计量点个数。
优选的，所述利用所述目标日负荷曲线，获取所述燃气用户的特征，还包括步骤：
基于所述目标日负荷曲线，获取用气负荷相似度特征，具体包括：
利用所述目标日用气负荷曲线，基于Pearson系数法计算每日用气负荷曲线与典型负荷曲线的相似度，得到用气相似度，具体公式如下：
其中，p(Pi,Pj)为Pi、Pj的协方差；
分别为Pi、Pj的标准差； Pearson(Pi,P)为用气负荷相似度矩阵；Pi为所述目标日负荷曲线，P为n天数据的每日负荷曲线。
优选的，所述利用所述目标日负荷曲线，获取所述燃气用户的特征，还包括步骤：
基于所述目标日负荷曲线，获取用气负荷冲击度特征，具体包括：
通过移动平均法得到每日的日负荷曲线，并通过计算实际值与平滑预测值的距离以得到所述用气负荷冲击度特征，具体公式如下：
其中，d(i,j)smooth表示第i天第j个时间点的预测平滑值，d(i)impact表示第i天的冲击度。
优选的，所述利用从所述时段数据中提取的特征，构建燃气用户的用户画像，包括步骤：
将所述特征，分别利用Z-score归一化方法映射到(0,1)区间，并基于箱线图的方式表达所述时段数据的特征分布，所述特征分布为所述燃气用户的用户画像。
优选的，步骤S300所述利用所述燃气用户的用户画像和所述时段数据，检测所述燃气用户的异常行为，包括步骤：
基于K折交叉验证法，将所述用户数据划分为样本集数据和测试集数据。
利用岭回归算法拟合所述样本集数据，得到训练模型和异常评价标准。
基于所述训练模型、所述异常评价标准和所述测试集数据，识别所述燃气用户的异常行为。
优选的，利用岭回归算法拟合所述样本集数据，得到训练模型和异常评价标准，包括步骤：
利用岭回归算法拟合第一预设比例的所述样本集数据，以得到训练模型。
通过所述训练模型预测第二预设比例的所述样本集数据，得到预测结果。
将所述预测结果中的预测值和所述第二预设比例的所述样本集数据中的实际值进行计算，得到相对误差，具体公式如下：
其中，b∈(1,d)，d为特征标准标签个数，dpre(b)为某日第b个特征的预测值，dactual(b)为实际值，d(b)relative_error为某日第b个特征的相对误差。
基于预设训练次数的相对误差，得到每个特征的异常评价标准：
其中，a∈(1,c)，c为相对误差列表的大小，d(b)error为第b个特征的异常评价标准。
优选的，基于所述训练模型、所述异常评价标准和所述测试集数据，识别所述燃气用户的异常行为，包括步骤：
通过所述岭回归算法拟合所述样本集数据，得到预测函数，并利用预测函数预测所述测试集数据，得到所述测试集数据的预测值。
基于所述测试集数据的预测值和所述测试集数据的真实值，计算所述测试集数据的相对误差。
将所述测试集数据的相对误差与所述异常评价标准进行对比。
当所述测试集数据的相对误差不属于所述异常评价标准时，获取所述异常特征对应的异常行为。
在本实施例中，首先对燃气用户的用气负荷和日用气量进行研究分析，然后通过k-means聚类、数据挖掘等方法提出了用户的多种用气行为特征标签，其次将特征标签结合起来构建燃气用户画像。最后利用岭回归算法拟合了用户的各个特征标签，得到异常评价模型用于检测用气异常。
本实施提供的方法的优点是：异常检测技术与用户画像技术的有效结合，可以让燃气行业的从业相关人员准确把握用户的用气规律和行为特征，并且为用气行为的异常检测提供了新的思路与方法。
实施例三
基于上述实施例，在本实施例中与上述实施例相同的部分就不一一赘述了，本实施例提供一种于用户画像的燃气异常检测方法的一个实施例，如图 2～15所示，包括：
S1获取燃气用户的流量、用气量数据，对数据进行预处理，形成标准格式数据。
S2使用处理好的数据，利用数据挖掘、聚类分析等方法提取特征标签，构建燃气用户画像。
S3利用构建好的燃气用户画像，建立基于模型的异常检测方法，检测用户异常。
在步骤S1中，对原始数据的格式预处理，具体包括以下几个步骤：
S11首先获取燃气用户瞬时流量、用气量数据，其次将用户数据按照时段划分，每个时段包含十分钟数据，每个小时6个时段，每天24个小时，共144 个数据时段。最后对其中有数据的时段进行求取均值操作，无数据的时段进行补零，生成144点时段数据。
S12对每日144点时段数据进行二次处理，原列表中第一个和最后一个值采取不处理操作，赋值到新列表。其他数据则采取：原列表不为零的数据直接赋值到新列表，原列表中该点为零的数据，使用原列表左右邻居之和的均值，再赋值到新列表，形成处理后的数据列表。零数据补值公式为：
式中，n为样本大小，m为时段个数，di,j为填补的数据，di,j-1为原列表中零值点前一个数据点的值，di,j+1为原列表中零值点后一个数据点的值。
在步骤S2中，使用144点时段数据构建燃气用户画像，具体包括以下几个步骤：
S21利用S1中处理好的数据，使用k-means算法进行聚类分析。算法中的k值分别取(2,10)，使用聚类有效性指标：轮廓系数、CH分数、戴维森堡丁指数计算不同k值分数，综合得出最佳k值，确定该用户有几类行为。
S22若21中确定的k值为2，即两类用气行为，则使用S1步骤中的处理过得流量数据进行2类聚类，得到用户用气类的典型日负荷曲线。
S23日最大负荷特征,是指某日0时至24时之间，用户使用的瞬时流量最大值。
d(i)max＝Max(di,1,di,2,…di,j,…di,m)i＝1,2…,n
式中j∈(1,m)，d(i)max表示第i天的单日最大负荷值，di,j表示第i天中第j个时间点的瞬时流量
S24日均负荷特征，是指用户在某日0时至24时之间，m个统计点的瞬时流量的平均值。
d(i)mean＝Mean(di,1,di,2,…di,j,…di,m)i＝1,2…,n
式中d(i)mean表示第i天的日均负荷，di,j表示第i天中第j个时间点的瞬时流量。
S25日用气时段系数特征，是指某日0时至24时之间，m个计量点中的非零值占总个数的系数。
式中d(i)work_time表示第i天有用气数据时段占总时段的系数，di,j(Zero)为 BOOL类型变量值，统计点有值则赋值为1，无值则赋值为0。
S26日用气量特征，用户某日的总用气量，计量设备返回的值为计量里程值，可以使用某日里程最大值减去最小值得到用户用气量。
d(i)DayUse＝Max(Usei,1,…,Usei,k)-Min(Usei,1,…,Usei,k)i＝1,2…,n
式中d(i)DayUse为第i天总用气量，Max(Usei,1,…,Usei,k)表示第i天燃气表上的燃气总用量最大值，Min(Usei,1,…,Usei,k)为燃气总用量最小值，k为第i天计量点个数，k值不唯一。
S27用气负荷相似度特征，利用s22中得到的典型日用气负荷曲线，使用 Pearson系数法计算每日用气负荷曲线与典型负荷曲线的相似度，得到用气相似度。定义如下：
式中p(Pi,Pj)为Pi、Pj的协方差，
分别为Pi、Pj的标准差，Pearson(Pi,P) 为用气负荷相似度矩阵。Pi为典型日负荷曲线，P为n天数据的每日负荷曲线。对于样本中存在的零用气数据，本文将其相关系数赋值为0。
S28用气负荷冲击度特征，是指具有周期性或非周期性突然变化很大的用气负荷。首先通过移动平均法生产每日的平滑的日负荷曲线。在通过计算实际值与平滑预测值得距离，得到负荷冲击度，定义如下：
式中d(i,j)smooth表示第i天第j个时间点的预测平滑值，d(i)impact表示第i天的冲击度。
S29利用S21中对用户进行分类后，将其中的用气类数据的六个特征，分别使用Z-score归一化方法映射到(0,1)区间。再使用箱线图的方式表达数据的特征分布，即为该用户的用户画像。
在步骤S3中，使用144点时段数据和燃气用户画像进行异常检测，具体包括以下几个步骤：
S31数据集被划分为两部分，样本集和测试集，样本集用于训练模型和参数，测试集用于测试训练模型的准确度。
S32使用K折交叉验证法，k值取5，将样本集数据分为80％和20％的两部分，每次数据划分训练集都不相同。
S33使用岭回归算法，拟合样本集中80％的数据，得到训练模型。
S34使用样本集中的训练模型，预测剩余20％的数据，得到预测结果。
S35使用预测结果与真实值做计算，得到相对误差，公式如下：
式中，b∈(1,d)，d为特征标准标签个数，dpre(b)为某日第b个特征的预测值，dactual(b)为实际值，d(b)relative_error为某日第b个特征的相对误差。
S36判断是否训练了5次，若不满足，则回到S32，计算新一轮的相对误差。
S37使用计算得到5次相对误差，取均值，再取阈值为2倍，得到每个特征的异常评价标准。
式中a∈(1,c)，c为相对误差列表的大小，d(b)error为第b个特征的异常评价标准。
S38使用岭回归算法，拟合样本集，得到新的预测函数。
S39使用新的预测函数预测测试集数据，得到预测值。
S310使用测试集的预测值和真实值，计算测试集相对误差。
S311使用测试集相对误差与异常评价标准进行对比，若在异常评价标准范围内则为正常，反之为异常，使用混淆矩阵统计准确率。
S312统计测试集上每个数据的异常特征个数，使用由蓝色到红色，分别表示每个数据的异常特征个数，建立风险预警评价机制。
本实施例的方法是一种基于人工智能的燃气用户画像异常检测方法，本实施例的算法对325个案例用户进行案例分析，随机选取了三个用户展示如下：
案列用户一：
处理用户数据后，按步骤S21获取有效性指标k值。如图6所示的聚类有效性指标分数图。
获取聚类中心为2后，按s22步骤进行用户行为聚类，得到如图7所示的用户负荷曲线聚类图。
按照S23～S28步骤建立用户的六种特征标签，如图8所示，六种特征标签包括日负荷最大值、日均负荷、工作时段百分比、单日总用气量、用气相似度和符合冲击度。
通过执行S29步骤对用户进行画像分析，得到用户画像箱线图，如图9所示。
S311步骤建立样本一用户混淆矩阵，样本一混淆矩阵如下表所示：
根据上表所示可知，该样本准确率为0.95。
通过执行本实施例的S312步骤，建立样本一用户风险预警评价机制。以此得到样本一异常点风险预警评价，如图10所示。其中，样本一用户验证集原负荷曲线如图11所示。
示例性的，样本二混淆矩阵如下表所示：
根据上表可知，样本二准确率为0.904。
其中，样本二用户风险预警评价机制效果，如图12所示。样本二用户验证集原负荷曲线，如图13所示。
示例性的，样本3混淆矩阵如下表所示：
根据上表可知，样本三准确率为1。
其中，样本三用户风险预警评价机制效果，如图14所示。样本三用户验证集原负荷曲线图如图15所示。
具体的，在325组用户数据的检测试验中，对于规律性的检测准确率均在 90％以上。
在本实施例中，通过一种基于燃气数据特性的预处理规则方法，将燃气数据处理为标准格式的144点时段数据，在保存原始数据的有效信息的前提下，改善数据挖掘分析工作，减少计算时间、降低运行成本、提高数据质量。
同时，目前对燃气用户进行画像分析仍处于空白阶段，通过本实施例中一种燃气用气通用特征提取和画像构建方法，以构建的燃气用户画像，可以初步掌握用户用气规律。
需要说明的是，本实施例提供的一种利用用户画像进行异常检测方法，解决了目前对燃气用户异常较为单一的场景，同时利用该算法可以有效检测用户用气异常。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详细描述或记载的部分，可以参见其他实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中，应该理解到，所揭露的装置/电子设备和方法，可以通过其他的方式实现。示例性的，以上所描述的装置/电子设备实施例仅仅是示意性的，示例性的，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，示例性的，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性、机械或其他的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可能集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序发送指令给相关的硬件完成，所述的计算机程序可存储于一存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述存储介质可以包括：能够携带所述计算机程序的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述存储介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，示例性的，在某些司法管辖区，根据立法和专利实践，计算机可读的存储介质不包括电载波信号和电信信号。
应当说明的是，上述实施例均可根据需要自由组合。以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种基于用户画像的燃气异常检测方法，其特征在于，包括：
对燃气用户的用户数据进行预处理，得到时段数据；
利用从所述时段数据中提取的特征，构建燃气用户的用户画像；
利用所述燃气用户的用户画像和所述时段数据，检测所述燃气用户的异常行为；
其中，所述用户数据包括瞬时流量数据和用气量数据。
2.根据权利要求1所述基于用户画像的燃气异常检测方法，其特征在于，所述对燃气用户的用户数据进行预处理，得到时段数据，包括步骤：
将所述瞬时量数据和所述用气量数据按照时段划分，对第一时段进行求取均值操作，以及对第二时段进行补零，生成时段数据；
其中，所述第一时段包括存在所述瞬时量数据和所述用气量数据的时段，所述第二时段为不存在所述瞬时量数据和所述用气量数据的时段；
对所述时段数据进行二次处理，具体包括：
将时段数据中首端数据和末端数据赋值到新列表；
将所述时段数据中不为零的数据赋值到新列表；
将所述时段数据中为零的数据，使用所述时段数据的左右相邻数据之和的均值赋值到新列表，形成处理后的时段数据，零数据补值公式为：
其中，n为样本大小，m为时段个数，di,j为填补的数据，di,j-1为所述时段数据中零值点前一个数据点的值，di,j+1为所述时段数据中零值点后一个数据点的值。
3.根据权利要求2所述基于用户画像的燃气异常检测方法，其特征在于，在所述利用从所述时段数据中提取的特征，构建燃气用户的用户画像之前，还包括步骤：
利用处理后的时段数据，使用k-means算法进行聚类分析，以获取确定所述燃气用户的行为数量和行为类型；
基于所述行为数量和所述行为类型以及所述处理后的时段数据，进行所述行为数量对应的聚类，得到所述燃气用户的用气类的目标日负荷曲线；
利用所述目标日负荷曲线，获取所述燃气用户的特征。
4.根据权利要求3所述基于用户画像的燃气异常检测方法，其特征在于，所述利用所述目标日负荷曲线，获取所述燃气用户的特征，包括步骤：
基于所述目标日负荷曲线，获取所述日最大负荷特征、日均负荷特征、日用气时段系数特征、日用气量特征、用气负荷相似度特征、用气负荷冲击度特征，具体包括：
所述日最大负荷特征为每天0时至24时之间，所述燃气用户使用燃气的瞬时流量最大值：
d(i)max＝Max(di,1,di,2,…di,j,…di,m)i＝1,2…,n；
其中，j∈(1,m)，d(i)max表示第i天的单日最大负荷值，di,j表示第i天中第j个时间点的瞬时流量；
所述日均负荷特征包括所述燃气用户在每天0时至24时之间，m个统计点的瞬时流量的平均值：
d(i)mean＝Mean(di,1,di,2,…di,j,…di,m)i＝1,2…,n；
其中，d(i)mean表示第i天的日均负荷，di,j表示第i天中第j个时间点的瞬时流量；
所述日用气时段系数特征是指某日0时至24时之间，m个计量点中的非零值占总个数的系数：
其中，d(i)work_time表示第i天存在用气数据时段占总时段的系数，di,j(Zero)为BOOL类型变量值；
所述日用气量特征包括所述燃气用户当日的总用气量：d(i)DayUse＝Max(Usei,1,…,Usei,k)-Min(Usei,1,…,Usei,k)i＝1,2…,n；
其中，d(i)DayUse为第i天的总用气量，Max(Usei,1,…,Usei,k)表示第i天的燃气总用量的最大值，Min(Usei,1,…,Usei,k)为燃气总用量的最小值，k为第i天的计量点个数。
5.根据权利要求4所述基于用户画像的燃气异常检测方法，其特征在于，所述利用所述目标日负荷曲线，获取所述燃气用户的特征，还包括步骤：
基于所述目标日负荷曲线，获取用气负荷相似度特征，具体包括：
利用所述目标日用气负荷曲线，基于Pearson系数法计算每日用气负荷曲线与典型负荷曲线的相似度，得到用气负荷相似度特征，具体公式如下：
其中，p(Pi,Pj)为Pi、Pj的协方差；
分别为Pi、Pj的标准差；
Pearson(Pi,P)为用气负荷相似度矩阵；Pi为所述目标日负荷曲线，P为n天数据的每日负荷曲线。
6.根据权利要求5所述基于用户画像的燃气异常检测方法，其特征在于，所述利用所述目标日负荷曲线，获取所述燃气用户的特征，还包括步骤：
基于所述目标日负荷曲线，获取用气负荷冲击度特征，具体包括：
通过移动平均法得到每日的日负荷曲线，并通过计算实际值与平滑预测值的距离以得到所述用气负荷冲击度特征，具体公式如下：
其中，d(i,j)smooth表示第i天第j个时间点的预测平滑值，d(i)impact表示第i天的冲击度。
7.根据权利要求1～6中任一项所述基于用户画像的燃气异常检测方法，其特征在于，所述利用从所述时段数据中提取的特征，构建燃气用户的用户画像，包括步骤：
将所述特征，分别利用Z-score归一化方法映射到(0,1)区间，并基于箱线图的方式表达所述时段数据的特征分布，所述特征分布为所述燃气用户的用户画像。
8.根据权利要求7所述基于用户画像的燃气异常检测方法，其特征在于，所述利用所述燃气用户的用户画像和所述时段数据，检测所述燃气用户的异常行为，包括步骤：
基于K折交叉验证法，将所述用户数据划分为样本集数据和测试集数据；
利用岭回归算法拟合所述样本集数据，得到训练模型和异常评价标准；
基于所述训练模型、所述异常评价标准和所述测试集数据，识别所述燃气用户的异常行为。
9.根据权利要求8所述基于用户画像的燃气异常检测方法，其特征在于，所述利用岭回归算法拟合所述样本集数据，得到训练模型和异常评价标准，包括步骤：
利用岭回归算法拟合第一预设比例的所述样本集数据，以得到训练模型；
通过所述训练模型预测第二预设比例的所述样本集数据，得到预测结果；
将所述预测结果中的预测值和所述第二预设比例的所述样本集数据中的实际值进行计算，得到相对误差，具体公式如下：
其中，b∈(1,d)，d为特征标准标签个数，dpre(b)为某日第b个特征的预测值，dactual(b)为实际值，d(b)relative_error为某日第b个特征的相对误差；
基于预设训练次数的相对误差，得到每个特征的异常评价标准：
其中，a∈(1,c)，c为相对误差列表的大小，d(b)error为第b个特征的异常评价标准。
10.根据权利要求9所述基于用户画像的燃气异常检测方法，其特征在于，所述基于所述训练模型、所述异常评价标准和所述测试集数据，识别所述燃气用户的异常行为，包括：
通过所述岭回归算法拟合所述样本集数据，得到预测函数，并利用预测函数预测所述测试集数据，得到所述测试集数据的预测值；
基于所述测试集数据的预测值和所述测试集数据的真实值，计算所述测试集数据的相对误差；
将所述测试集数据的相对误差与所述异常评价标准进行对比；
当所述测试集数据的相对误差不属于所述异常评价标准时，获取所述异常特征对应的异常行为。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110818902.6A CN113516313A (zh) | 2021-07-20 | 2021-07-20 | 一种基于用户画像的燃气异常检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110818902.6A CN113516313A (zh) | 2021-07-20 | 2021-07-20 | 一种基于用户画像的燃气异常检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113516313A true CN113516313A (zh) | 2021-10-19 |
Family
ID=78067452
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110818902.6A Withdrawn CN113516313A (zh) | 2021-07-20 | 2021-07-20 | 一种基于用户画像的燃气异常检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113516313A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114757270A (zh) * | 2022-03-30 | 2022-07-15 | 重庆合众慧燃科技股份有限公司 | 基于NB-IoT燃气智能设备的异常分析方法系统及存储介质 |
| CN116257811A (zh) * | 2023-05-16 | 2023-06-13 | 天津新科成套仪表有限公司 | 一种基于燃气流量检测深度学习的异常处理方法 |
| CN116662413A (zh) * | 2023-07-25 | 2023-08-29 | 成都千嘉科技股份有限公司 | 基于燃气用量数据拆解画像的工商用户业态变化监控方法 |
| CN118132857A (zh) * | 2024-05-08 | 2024-06-04 | 成都千嘉科技股份有限公司 | 燃气用户的画像勾画系统和勾画方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108764984A (zh) * | 2018-05-17 | 2018-11-06 | 国网冀北电力有限公司电力科学研究院 | 一种基于大数据的电力用户画像构建方法及系统 |
| CN110009527A (zh) * | 2019-04-04 | 2019-07-12 | 国家电网有限公司 | 一种综合能源系统用户画像方法及系统 |
| CN111461761A (zh) * | 2020-02-29 | 2020-07-28 | 国网江苏省电力有限公司苏州供电分公司 | 一种基于多维细粒度行为数据的居民用户画像方法 |
| CN111709626A (zh) * | 2020-06-05 | 2020-09-25 | 四川广安爱众股份有限公司 | 水电气热综合数据异常分析方法、系统、存储介质、终端 |
| US20200379423A1 (en) * | 2009-06-22 | 2020-12-03 | Johnson Controls Technology Company | Systems and methods for detecting changes in energy usage in a building |
| CN112084237A (zh) * | 2020-09-09 | 2020-12-15 | 广东电网有限责任公司中山供电局 | 一种基于机器学习和大数据分析的电力系统异常预测方法 |
| CN112215655A (zh) * | 2020-10-13 | 2021-01-12 | 广东电网有限责任公司 | 一种客户画像的标签管理方法及系统 |
-
2021
- 2021-07-20 CN CN202110818902.6A patent/CN113516313A/zh not_active Withdrawn
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20200379423A1 (en) * | 2009-06-22 | 2020-12-03 | Johnson Controls Technology Company | Systems and methods for detecting changes in energy usage in a building |
| CN108764984A (zh) * | 2018-05-17 | 2018-11-06 | 国网冀北电力有限公司电力科学研究院 | 一种基于大数据的电力用户画像构建方法及系统 |
| CN110009527A (zh) * | 2019-04-04 | 2019-07-12 | 国家电网有限公司 | 一种综合能源系统用户画像方法及系统 |
| CN111461761A (zh) * | 2020-02-29 | 2020-07-28 | 国网江苏省电力有限公司苏州供电分公司 | 一种基于多维细粒度行为数据的居民用户画像方法 |
| CN111709626A (zh) * | 2020-06-05 | 2020-09-25 | 四川广安爱众股份有限公司 | 水电气热综合数据异常分析方法、系统、存储介质、终端 |
| CN112084237A (zh) * | 2020-09-09 | 2020-12-15 | 广东电网有限责任公司中山供电局 | 一种基于机器学习和大数据分析的电力系统异常预测方法 |
| CN112215655A (zh) * | 2020-10-13 | 2021-01-12 | 广东电网有限责任公司 | 一种客户画像的标签管理方法及系统 |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114757270A (zh) * | 2022-03-30 | 2022-07-15 | 重庆合众慧燃科技股份有限公司 | 基于NB-IoT燃气智能设备的异常分析方法系统及存储介质 |
| CN116257811A (zh) * | 2023-05-16 | 2023-06-13 | 天津新科成套仪表有限公司 | 一种基于燃气流量检测深度学习的异常处理方法 |
| CN116257811B (zh) * | 2023-05-16 | 2023-07-25 | 天津新科成套仪表有限公司 | 一种基于燃气流量检测深度学习的异常处理方法 |
| CN116662413A (zh) * | 2023-07-25 | 2023-08-29 | 成都千嘉科技股份有限公司 | 基于燃气用量数据拆解画像的工商用户业态变化监控方法 |
| CN116662413B (zh) * | 2023-07-25 | 2023-10-27 | 成都千嘉科技股份有限公司 | 基于燃气用量数据拆解画像的工商用户业态变化监控方法 |
| CN118132857A (zh) * | 2024-05-08 | 2024-06-04 | 成都千嘉科技股份有限公司 | 燃气用户的画像勾画系统和勾画方法 |
| CN118132857B (zh) * | 2024-05-08 | 2024-07-16 | 成都千嘉科技股份有限公司 | 燃气用户的画像勾画系统和勾画方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113516313A (zh) | 一种基于用户画像的燃气异常检测方法 | |
| WO2021052031A1 (zh) | 基于统计四分位距的商品库存风险预警方法、系统及计算机可读存储介质 | |
| CN113592019B (zh) | 基于多模型融合的故障检测方法、装置、设备及介质 | |
| CN109446193A (zh) | 反窃电模型生成方法及装置 | |
| CN104408547A (zh) | 一种基于数据挖掘的医保欺诈行为的检测方法 | |
| CN112488507B (zh) | 一种基于聚类的专家分类画像方法、装置及存储介质 | |
| CN117196066A (zh) | 智慧运维信息分析模型 | |
| CN111242484A (zh) | 基于转移概率的车辆风险综合评价方法 | |
| CN110490486B (zh) | 一种企业大数据管理系统 | |
| CN111882420A (zh) | 响应率的生成方法、营销方法、模型训练方法及装置 | |
| CN115330531B (zh) | 一种基于用电变动周期的企业风险预测方法 | |
| CN116485020A (zh) | 一种基于大数据的供应链风险识别预警方法、系统及介质 | |
| CN115358301A (zh) | 配电网电压数据清洗平台及其清洗方法 | |
| CN114757270A (zh) | 基于NB-IoT燃气智能设备的异常分析方法系统及存储介质 | |
| CN117522598A (zh) | 区块链财务审计与交易跟踪系统 | |
| CN117670359A (zh) | 异常交易数据的识别方法、装置、存储介质及电子设备 | |
| CN115907837B (zh) | 基于机器学习的期货数据分析、风险预测方法及系统 | |
| CN112801528A (zh) | 车险风险监测方法、装置、存储介质及计算机设备 | |
| CN112348220A (zh) | 一种基于企业行为模式的信用风险评估预测方法及系统 | |
| CN112258095B (zh) | 基于标准正态分布的评分方法、装置、设备及存储介质 | |
| CN111861725B (zh) | 三方数据源成本核算方法及系统 | |
| CN113849464A (zh) | 信息处理方法和设备 | |
| CN116596575B (zh) | 一种基于人工智能的生鲜产品收银控制系统 | |
| CN118296565B (zh) | 基于数据挖掘的动力电池事故溯源管控系统 | |
| CN114549213B (zh) | 一种基金产品的分析管理方法、装置及系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20211019 |
|
| WW01 | Invention patent application withdrawn after publication |