CN113592533B - 一种基于无监督学习的异常用电检测方法及系统 - Google Patents
一种基于无监督学习的异常用电检测方法及系统 Download PDFInfo
- Publication number
- CN113592533B CN113592533B CN202110733679.5A CN202110733679A CN113592533B CN 113592533 B CN113592533 B CN 113592533B CN 202110733679 A CN202110733679 A CN 202110733679A CN 113592533 B CN113592533 B CN 113592533B
- Authority
- CN
- China
- Prior art keywords
- user
- abnormal
- value
- power
- community
- 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.)
- Active
Links
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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
-
- 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
- G06N3/088—Non-supervised learning, e.g. competitive learning
-
- 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
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0203—Market surveys; Market polls
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Data Mining & Analysis (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Public Health (AREA)
- Human Resources & Organizations (AREA)
- Primary Health Care (AREA)
- Tourism & Hospitality (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Water Supply & Treatment (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
Abstract
本发明涉及一种基于无监督学习的异常用电检测方法及系统,所述的方法包括:S1:对用户的用电数据进行处理,基于社群演化理论获取用户的社群演化异常度值;S2:对用户的用电数据和台账数据进行处理得到用户的用电特征,获取用户的群体行为异常度值;S3:根据用户的用电数据获取用户的历史用电特征,采用LOF算法计算考虑历史用电特征的个体功率异常度值;S4:根据用户的用电数据和客观关联因素,获取用户的关联因素异常度值;S5:基于社群演化异常度值、群体行为异常度值、个体功率异常度值和关联因素异常度值获取用户的综合用电异常水平。与现有技术相比,本发明具有检测识别准确性高、综合考虑因素完善等优点。
Description
技术领域
本发明涉及异常用电检测领域,尤其是涉及一种基于无监督学习的异常用电检测方法及系统。
背景技术
配电网用户异常用电行为包含了偷电、漏电、窃电以及用电性质变更、用户变更的行为,该类行为会降低需求侧管理效率与政策制定有效性,是用电行为分析技术中的研究热点之一。目前国内外在研究异常用电行为时大多只研究了偷电漏电行为识别,且多采用有监督学习方法对偷电漏电的行为特征进行算法模型训练,实现异常用电行为辨识工作,其识别范围有限,识别效率低。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于无监督学习的异常用电检测方法及系统。
本发明的目的可以通过以下技术方案来实现:
一种基于无监督学习的异常用电检测方法,包括以下步骤:
S1:对用户的用电数据进行处理,基于社群演化理论获取用户的社群演化异常度值;
S2:对用户的用电数据和台账数据进行处理得到用户的用电特征,获取用户的群体行为异常度值;
S3:根据用户的用电数据获取用户的历史用电特征,采用LOF算法计算考虑历史用电特征的个体功率异常度值;
S4:根据用户的用电数据和客观关联因素,获取用户的关联因素异常度值;
S5:基于社群演化异常度值、群体行为异常度值、个体功率异常度值和关联因素异常度值获取用户的综合用电异常水平。
优选地,所述的步骤S1具体包括:
S11:对用户的用电数据进行清洗和特征提取;
S12:计算用户的隶属度矩阵;
S13:基于迁移矩阵获取用户的核心度变化值;
S14:根据隶属度矩阵和核心度变化值获取电力用户的群体性为异常度值。
优选地,所述的步骤S2具体包括:
S21:根据用户的用电数据和台账数据提取用户的用电量数据;
S22:采用随机前沿模型计算用户的负载效率系数;
S23:计算电力用户每个周期内的用电趋势序列;
S24:根据用户的台账数据对用电趋势序列进行标签标记;
S25:构建每个用户每周期的特征矩阵;
S26:计算每个用户每个周期的局部离群得分,每个周期内的局部离群得分取均值获取用户的每个周期的个体功率异常度值。
优选地,所述的步骤S3具体包括:
S31:根据用户的用电数据获取用户的用电特征向量;
S32:计算用户每一天的用电特征向量,得到用户的用电特征矩阵;
S33:采用局部离群算法对用户的用电特征矩阵进行结束,获取用户的局部离群得分;
S34:在每个周期内取均值作为用户每个周期的个体功率异常度值。。
优选地,所述的步骤S4具体包括:
S41:确认用户的客观关联因素;
S42:根据客观关联因素获取用户的关联预估用电量;
S43:获取用户的关联预估用电量与实际用电量的偏差,根据偏差数据获取用户的关联因素异常度值。
优选地,所述的步骤S5综合用电异常水平的计算公式为:
Z=α1Z1+α2Z2+α3Z3+α4Z4
其中,Z为综合用电异常水平,Z1、Z2、Z3、Z4分别为社群演化异常度值、群体行为异常度值、个体功率异常度值和关联因素异常度值,α1、α2、α3、α4分别为社群演化异常度值、群体行为异常度值、个体功率异常度值和关联因素异常度值的计算权重。
一种基于无监督学习的异常用电检测系统,包括:
社群演化异常度值获取模块,用于对用户的用电数据进行处理,基于社群演化理论获取用户的社群演化异常度值;
群体行为异常度值获取模块,用于对用户的用电数据和台账数据进行处理得到用户的用电特征,获取用户的群体行为异常度值;
个体功率异常度值获取模块,用于根据用户的用电数据获取用户的历史用电特征,采用LOF算法计算考虑历史用电特征的个体功率异常度值;
关联因素异常度值获取模块,用于根据用户的用电数据和客观关联因素,获取用户的关联因素异常度值,
综合用电异常水平计算模块,用于基于社群演化异常度值、群体行为异常度值、个体功率异常度值和关联因素异常度值获取用户的综合用电异常水平。
优选地,所述的社群演化异常度值获取模块的处理流程包括:
对用户的用电数据进行清洗和特征提取;
计算用户的隶属度矩阵;
基于迁移矩阵获取用户的核心度变化值;
根据隶属度矩阵和核心度变化值获取电力用户的群体性为异常度值。
优选地,所述的群体行为异常度值获取模块的处理流程包括:
根据用户的用电数据和台账数据提取用户的用电量数据;
采用随机前沿模型计算用户的负载效率系数;
计算电力用户每个周期内的用电趋势序列;
根据用户的台账数据对用电趋势序列进行标签标记;
构建每个用户每周期的特征矩阵;
计算每个用户每个周期的局部离群得分,每个周期内的局部离群得分取均值获取用户的每个周期的个体功率异常度值。
优选地,所述的综合用电异常水平的计算公式为:
Z=α1Z1+α2Z2+α3Z3+α4Z4
其中,Z为综合用电异常水平,Z1、Z2、Z3、Z4分别为社群演化异常度值、群体行为异常度值、个体功率异常度值和关联因素异常度值,α1、α2、α3、α4分别为社群演化异常度值、群体行为异常度值、个体功率异常度值和关联因素异常度值的计算权重。
与现有技术相比,本发明具有如下优点:
(1)本发明有效构建了用户异常用电检测体系,能够综合获取用户的用电数据、台账数据、客观关联因素信息辨识用户与同类用户用电行为的异常变化,实现了对用户用电异常行为的辨识,基于获取的综合用电异常水平进行排名可为电力稽查工作提供一定的参考依据,提升电力稽查工作效率。
(2)本发明分别获取四个异常度值:社群演化异常度值、群体行为异常度值、个体功率异常度值和关联因素异常度值,有效提高用户异常度的判断准确性和可靠性,降低误判概率,采用无监督学习检测形式,能够在已有异常数据样本的情况下实现了较好的异常用电行为辨识。
附图说明
图1为本发明的流程图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。注意,以下的实施方式的说明只是实质上的例示,本发明并不意在对其适用物或其用途进行限定,且本发明并不限定于以下的实施方式。
实施例
一种基于无监督学习的异常用电检测方法,如图1所示,包括以下步骤:
S1:对用户的用电数据进行处理,基于社群演化理论获取用户的社群演化异常度值。S1具体包括以下步骤:
S11:对用户的用电数据进行清洗和特征提取。
本实施例中,提取待检测用户的用电数据,以T天为一周期,获取用户的用电数据。
S12:计算用户的隶属度矩阵,相似度计算采用欧式距离计算并归一化处理;用户特征聚类形成用户群体;
S13:基于迁移矩阵获取用户的核心度变化值。迁移矩阵用以定量描述的演变当前周期至下一周期过程中群体的分裂、合并、扩张、收缩等群体间的动态变化特征。用户核心度表征用户个体在群体中的地位。核心度可以有效抑制社群内用户分布密度对其个体重要程度的影响。
S14:根据隶属度矩阵和核心度变化值获取电力用户的群体性为异常度值。
S2:对用户的用电数据和台账数据进行处理得到用户的用电特征,获取用户的群体行为异常度值。
步骤S2具体包括:
S21:根据用户的用电数据和台账数据提取用户的用电量数据;
S22:采用随机前沿模型计算用户的负载效率系数;
S23:计算电力用户每个周期内的用电趋势序列;
S24:根据用户的台账数据对用电趋势序列进行标签标记;
S25:构建每个用户每周期的特征矩阵,本实施例中,每个用户的每周期内的用电趋势、标准差、平均用电水平以及用户的用电类型、合同容量、信用等级构成特征矩阵。
S26:计算每个用户每个周期的局部离群得分,每个周期内的局部离群得分取均值获取用户的每个周期的个体功率异常度值。
S3:根据用户的用电数据获取用户的历史用电特征,采用LOF算法计算考虑历史用电特征的个体功率异常度值。
步骤S3具体包括:
S31:根据用户的用电数据获取用户的用电特征向量;
S32:计算用户每一天的用电特征向量,得到用户的用电特征矩阵;
S33:采用LOF算法对用户的用电特征矩阵进行结束,获取用户的局部离群得分;
S34:在每个周期内取均值作为用户每个周期的个体功率异常度值。
S4:根据用户的用电数据和客观关联因素,获取用户的关联因素异常度值。
步骤S4具体包括:
S41:确认用户的客观关联因素;
S42:根据客观关联因素获取用户的关联预估用电量,本实施例中,采用了气象数据与节假日信息相结合的方法进行分析,本实施例的用电特征是其用电滞后特征与气象、节假日信息的共同影响结果,其主要模型如下:
Y=βY-1+α+γω+θD+ε
其中,Y为关联预估用电量,Y-1为用电量的滞后水平,w为气象因素参数,D为节假日因素参数,β、α、γ、θ、ε分别为计算参数。
S43:获取用户的关联预估用电量与实际用电量的偏差,根据偏差数据获取用户的关联因素异常度值。
S5:基于社群演化异常度值、群体行为异常度值、个体功率异常度值和关联因素异常度值获取用户的综合用电异常水平。
步骤S5综合用电异常水平的计算公式为:
Z=α1Z1+α2Z2+α3Z3+α4Z4
其中,Z为综合用电异常水平,Z1、Z2、Z3、Z4分别为社群演化异常度值、群体行为异常度值、个体功率异常度值和关联因素异常度值,α1、α2、α3、α4分别为社群演化异常度值、群体行为异常度值、个体功率异常度值和关联因素异常度值的计算权重。
与本发明的一种基于无监督学习的异常用电检测方法对应,本发明还提供了一种基于无监督学习的异常用电检测系统,包括:
社群演化异常度值获取模块,用于对用户的用电数据进行处理,基于社群演化理论获取用户的社群演化异常度值;
群体行为异常度值获取模块,用于对用户的用电数据和台账数据进行处理得到用户的用电特征,获取用户的群体行为异常度值;
个体功率异常度值获取模块,用于根据用户的用电数据获取用户的历史用电特征,采用LOF算法计算考虑历史用电特征的个体功率异常度值;
关联因素异常度值获取模块,用于根据用户的用电数据和客观关联因素,获取用户的关联因素异常度值,
综合用电异常水平计算模块,用于基于社群演化异常度值、群体行为异常度值、个体功率异常度值和关联因素异常度值获取用户的综合用电异常水平。
其中,社群演化异常度值获取模块的处理流程包括:
对用户的用电数据进行清洗和特征提取;
计算用户的隶属度矩阵;
基于迁移矩阵获取用户的核心度变化值;
根据隶属度矩阵和核心度变化值获取电力用户的群体性为异常度值。
群体行为异常度值获取模块的处理流程包括:
根据用户的用电数据和台账数据提取用户的用电量数据;
采用随机前沿模型计算用户的负载效率系数;
计算电力用户每个周期内的用电趋势序列;
根据用户的台账数据对用电趋势序列进行标签标记;
构建每个用户每周期的特征矩阵;
计算每个用户每个周期的局部离群得分,每个周期内的局部离群得分取均值获取用户的每个周期的个体功率异常度值。
上述实施方式仅为例举,不表示对本发明范围的限定。这些实施方式还能以其它各种方式来实施,且能在不脱离本发明技术思想的范围内作各种省略、置换、变更。
Claims (8)
1.一种基于无监督学习的异常用电检测方法,其特征在于,包括以下步骤:
S1:对用户的用电数据进行处理,基于社群演化理论获取用户的社群演化异常度值;
S2:对用户的用电数据和台账数据进行处理得到用户的用电特征,获取用户的群体行为异常度值;
S3:根据用户的用电数据获取用户的历史用电特征,采用LOF算法计算考虑历史用电特征的个体功率异常度值;
S4:根据用户的用电数据和客观关联因素,获取用户的关联因素异常度值;
S5:基于社群演化异常度值、群体行为异常度值、个体功率异常度值和关联因素异常度值获取用户的综合用电异常水平,
所述的步骤S5综合用电异常水平的计算公式为:
Z=α1Z1+α2Z2+α3Z3+α4Z4
其中,Z为综合用电异常水平,Z1、Z2、Z3、Z4分别为社群演化异常度值、群体行为异常度值、个体功率异常度值和关联因素异常度值,α1、α2、α3、α4分别为社群演化异常度值、群体行为异常度值、个体功率异常度值和关联因素异常度值的计算权重。
2.根据权利要求1所述的一种基于无监督学习的异常用电检测方法,其特征在于,所述的步骤S1具体包括:
S11:对用户的用电数据进行清洗和特征提取;
S12:计算用户的隶属度矩阵;
S13:基于迁移矩阵获取用户的核心度变化值;
S14:根据隶属度矩阵和核心度变化值获取电力用户的群体性为异常度值。
3.根据权利要求1所述的一种基于无监督学习的异常用电检测方法,其特征在于,所述的步骤S2具体包括:
S21:根据用户的用电数据和台账数据提取用户的用电量数据;
S22:采用随机前沿模型计算用户的负载效率系数;
S23:计算电力用户每个周期内的用电趋势序列;
S24:根据用户的台账数据对用电趋势序列进行标签标记;
S25:构建每个用户每周期的特征矩阵;
S26:计算每个用户每个周期的局部离群得分,每个周期内的局部离群得分取均值获取用户的每个周期的个体功率异常度值。
4.根据权利要求1所述的一种基于无监督学习的异常用电检测方法,其特征在于,所述的步骤S3具体包括:
S31:根据用户的用电数据获取用户的用电特征向量;
S32:计算用户每一天的用电特征向量,得到用户的用电特征矩阵;
S33:采用LOF算法对用户的用电特征矩阵进行结束,获取用户的局部离群得分;
S34:在每个周期内取均值作为用户每个周期的个体功率异常度值。
5.根据权利要求1所述的一种基于无监督学习的异常用电检测方法,其特征在于,所述的步骤S4具体包括:
S41:确认用户的客观关联因素;
S42:根据客观关联因素获取用户的关联预估用电量;
S43:获取用户的关联预估用电量与实际用电量的偏差,根据偏差数据获取用户的关联因素异常度值。
6.一种基于无监督学习的异常用电检测系统,其特征在于,包括:
社群演化异常度值获取模块,用于对用户的用电数据进行处理,基于社群演化理论获取用户的社群演化异常度值;
群体行为异常度值获取模块,用于对用户的用电数据和台账数据进行处理得到用户的用电特征,获取用户的群体行为异常度值;
个体功率异常度值获取模块,用于根据用户的用电数据获取用户的历史用电特征,采用LOF算法计算考虑历史用电特征的个体功率异常度值;
关联因素异常度值获取模块,用于根据用户的用电数据和客观关联因素,获取用户的关联因素异常度值,
综合用电异常水平计算模块,用于基于社群演化异常度值、群体行为异常度值、个体功率异常度值和关联因素异常度值获取用户的综合用电异常水平,
所述的综合用电异常水平的计算公式为:
Z=α1Z1+α2Z2+α3Z3+α4Z4
其中,Z为综合用电异常水平,Z1、Z2、Z3、Z4分别为社群演化异常度值、群体行为异常度值、个体功率异常度值和关联因素异常度值,α1、α2、α3、α4分别为社群演化异常度值、群体行为异常度值、个体功率异常度值和关联因素异常度值的计算权重。
7.根据权利要求6所述的一种基于无监督学习的异常用电检测系统,其特征在于,所述的社群演化异常度值获取模块的处理流程包括:
对用户的用电数据进行清洗和特征提取;
计算用户的隶属度矩阵;
基于迁移矩阵获取用户的核心度变化值;
根据隶属度矩阵和核心度变化值获取电力用户的群体性为异常度值。
8.根据权利要求6所述的一种基于无监督学习的异常用电检测系统,其特征在于,所述的群体行为异常度值获取模块的处理流程包括:
根据用户的用电数据和台账数据提取用户的用电量数据;
采用随机前沿模型计算用户的负载效率系数;
计算电力用户每个周期内的用电趋势序列;
根据用户的台账数据对用电趋势序列进行标签标记;
构建每个用户每周期的特征矩阵;
计算每个用户每个周期的局部离群得分,每个周期内的局部离群得分取均值获取用户的每个周期的个体功率异常度值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110733679.5A CN113592533B (zh) | 2021-06-30 | 2021-06-30 | 一种基于无监督学习的异常用电检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110733679.5A CN113592533B (zh) | 2021-06-30 | 2021-06-30 | 一种基于无监督学习的异常用电检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113592533A CN113592533A (zh) | 2021-11-02 |
CN113592533B true CN113592533B (zh) | 2023-09-12 |
Family
ID=78245195
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110733679.5A Active CN113592533B (zh) | 2021-06-30 | 2021-06-30 | 一种基于无监督学习的异常用电检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113592533B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106780115A (zh) * | 2016-11-30 | 2017-05-31 | 国网上海市电力公司 | 异常用电监测与定位系统及方法 |
CN107230013A (zh) * | 2017-05-11 | 2017-10-03 | 华北电力大学 | 一种无监督学习下配网用户异常用电辨识与时间定位方法 |
CN108985632A (zh) * | 2018-07-16 | 2018-12-11 | 国网上海市电力公司 | 一种基于孤立森林算法的用电数据异常检测模型 |
CN110298765A (zh) * | 2019-05-31 | 2019-10-01 | 国网上海市电力公司 | 一种基于客观关联因素的配电网用电功率异常检测方法 |
CN110309134A (zh) * | 2019-05-31 | 2019-10-08 | 国网上海市电力公司 | 基于用电行为迁移与社群演化的配电网用电异常检测方法 |
WO2019237492A1 (zh) * | 2018-06-13 | 2019-12-19 | 山东科技大学 | 一种基于半监督学习的异常用电用户检测方法 |
CN111710150A (zh) * | 2020-05-14 | 2020-09-25 | 国网江苏省电力有限公司南京供电分公司 | 一种基于对抗自编码网络的异常用电数据检测方法 |
-
2021
- 2021-06-30 CN CN202110733679.5A patent/CN113592533B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106780115A (zh) * | 2016-11-30 | 2017-05-31 | 国网上海市电力公司 | 异常用电监测与定位系统及方法 |
CN107230013A (zh) * | 2017-05-11 | 2017-10-03 | 华北电力大学 | 一种无监督学习下配网用户异常用电辨识与时间定位方法 |
WO2019237492A1 (zh) * | 2018-06-13 | 2019-12-19 | 山东科技大学 | 一种基于半监督学习的异常用电用户检测方法 |
CN108985632A (zh) * | 2018-07-16 | 2018-12-11 | 国网上海市电力公司 | 一种基于孤立森林算法的用电数据异常检测模型 |
CN110298765A (zh) * | 2019-05-31 | 2019-10-01 | 国网上海市电力公司 | 一种基于客观关联因素的配电网用电功率异常检测方法 |
CN110309134A (zh) * | 2019-05-31 | 2019-10-08 | 国网上海市电力公司 | 基于用电行为迁移与社群演化的配电网用电异常检测方法 |
CN111710150A (zh) * | 2020-05-14 | 2020-09-25 | 国网江苏省电力有限公司南京供电分公司 | 一种基于对抗自编码网络的异常用电数据检测方法 |
Non-Patent Citations (1)
Title |
---|
苏鹏涛 等.基于LOF分析算法的异常用电行为研究.《信息与电脑》.2022,(第15期),55-57. * |
Also Published As
Publication number | Publication date |
---|---|
CN113592533A (zh) | 2021-11-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108876600B (zh) | 预警信息推送方法、装置、计算机设备和介质 | |
Hilas et al. | An application of supervised and unsupervised learning approaches to telecommunications fraud detection | |
Jiang et al. | A fused load curve clustering algorithm based on wavelet transform | |
CN110874381B (zh) | 一种基于空间密度聚类的用户侧负荷数据异常值识别方法 | |
CN107230013B (zh) | 一种无监督学习下配网用户异常用电辨识与时间定位方法 | |
CN110245783B (zh) | 一种基于c-均值聚类模糊粗糙集的短期负荷预测方法 | |
CN111784204A (zh) | 一种基于用户用电行为画像的优质用户挖掘方法及系统 | |
Kangping et al. | Analysis on residential electricity consumption behavior using improved k-means based on simulated annealing algorithm | |
CN101515286B (zh) | 基于图像特征多级过滤的图像匹配方法 | |
Varghese et al. | Smart grid consumer behavioral model using machine learning | |
McLoughlin et al. | Analysing domestic electricity smart metering data using self organising maps | |
CN113592533B (zh) | 一种基于无监督学习的异常用电检测方法及系统 | |
Zhu et al. | Deep active learning-enabled cost-effective electricity theft detection in smart grids | |
Grigoras et al. | Processing of smart meters data for peak load estimation of consumers | |
CN110288383B (zh) | 基于用户属性标签的群体行为配电网用电异常检测方法 | |
Akperi et al. | Analysis of clustering techniques on load profiles for electrical distribution | |
CN117236022A (zh) | 互感器剩余寿命预测模型训练方法、应用方法及电子设备 | |
Yang et al. | Analysis of electricity consumption behaviors based on principal component analysis and density peak clustering | |
CN113191409A (zh) | 标签数据扩充与深度学习的居民异常用电行为检测方法 | |
CN111626559A (zh) | 一种基于主因子分析法的中压配电网线损关键特征指标提取方法及系统 | |
Khafaf et al. | Optimal Clustering of Energy Consumers based on Entropy of the Correlation Matrix between Clusters | |
Son et al. | Residential Load Charateristics Analysis Using Clustering and Principal Component Analysis | |
Quinde et al. | Non-technical loss detection using data mining algorithms | |
Yoshida et al. | Feature extraction and background information detection method using power demand | |
Wang et al. | Clustering of Consumption Behavior Dynamics |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |