CN114022307A - 分等级、分时级的孤寡老人用电量异常变化分析方法 - Google Patents
分等级、分时级的孤寡老人用电量异常变化分析方法 Download PDFInfo
- Publication number
- CN114022307A CN114022307A CN202111296673.2A CN202111296673A CN114022307A CN 114022307 A CN114022307 A CN 114022307A CN 202111296673 A CN202111296673 A CN 202111296673A CN 114022307 A CN114022307 A CN 114022307A
- Authority
- CN
- China
- Prior art keywords
- data
- abnormal
- power consumption
- electricity 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
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 100
- 230000008859 change Effects 0.000 title claims abstract description 43
- 238000000034 method Methods 0.000 title claims abstract description 33
- 230000005611 electricity Effects 0.000 claims abstract description 127
- 238000001514 detection method Methods 0.000 claims abstract description 14
- 238000004458 analytical method Methods 0.000 claims abstract description 11
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 230000005856 abnormality Effects 0.000 claims description 27
- 238000004364 calculation method Methods 0.000 claims description 24
- 238000004590 computer program Methods 0.000 claims description 14
- 238000012360 testing method Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 6
- 238000007405 data analysis Methods 0.000 claims description 5
- 230000007423 decrease Effects 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 4
- 238000005065 mining Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 230000003247 decreasing effect Effects 0.000 claims description 2
- 238000007670 refining Methods 0.000 claims description 2
- 238000012544 monitoring process Methods 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 5
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000035945 sensitivity Effects 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
Landscapes
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提出一种分等级、分时级的孤寡老人用电量异常变化分析方法,包括:对采集用电量数据的预处理;计算日用电量数据的各级动态阈值,并完成待检测日电量数据的异常检测及异常状态分级判断;计算日内小时用电量数据的各级动态阈值,并完成待检测小时级数据的异常检测及异常状态分级判断;计算孤寡老人用电异常比例系数,评估用户用电安全性。其对用户用电数据进行了分时级、分等级的异常检测,实现了对孤寡老人居家用电量变化的精准监测与异常分级判断。该方法原理简单,结果客观可信,具有较强的推广价值,可长期的、大范围的用于孤寡老人居家用电量变化监测。
Description
技术领域
本发明属于大数据分析、居家安全保障措施技术领域,涉及一种分等级、分时级的孤寡老人用电量异常变化分析方法。
背景技术
随着社会老龄化呈快速上升趋势。现阶段,社区中孤寡老人的比重也在不断增加,该类群体因其身体因素、家庭情况的特殊脆弱性以及安全用电知识的匮乏,使其家庭用电安全存在巨大风险,同时也使现有的利用视频监控、智能手环监测等对经济要求较高方式的使用受限。而依赖于社区工作人员不定期上门排查的方式,成本大、耗时长,对用电量变化情况不具有实时监管能力与足够的敏感度。
电力作为民用的基本需求,在一定程度上可反映用户居家的行为情况。且利用电力数据分析避免了额外设备安装的经济消耗与资源消耗,是一种便捷性、经济性的分析方式。
现有方案中,仅有一些典型用电情况下区分用户用电状态的固定阈值,以该类固定阈值集来判断所有用电情况,没有足够的灵活性与适用性。或仅用均值等基本统计量计算单一阈值,不能对异常用电量变化起到分级监测,缺少对异常情况的针对性。或采用二分类方式对用户用电情况进行。难以在上述需要监控场景中起有效作用。
发明内容
针对现有技术存在的缺陷和不足,本发明的目的在于提供一种分等级、分时级的孤寡老人用电量异常变化分析方法。包括:对采集用电量数据的预处理;计算日用电量数据的各级动态阈值,并完成待检测日电量数据的异常检测及异常状态分级判断;计算日内小时用电量数据的各级动态阈值,并完成待检测小时级数据的异常检测及异常状态分级判断;计算孤寡老人用电异常比例系数,评估用户用电安全性。
填补了当前技术以下两个空白:
1、目前对孤寡老人居家用电量异常变化划分没有普适的分级标准,不能有效的对异常变化程度进行等级划分。
2、目前对对孤寡老人用电量异常分析没有将日间变化与日内变化相结合,难以探究老人长期用电量趋势与短期用电量行为。
本发明具体采用以下技术方案:
一种分等级、分时级的孤寡老人用电量异常变化分析方法,其特征在于,包括以下步骤:
步骤S1:对所采集到的孤寡老人用户用电数据进行预处理,填补数据缺失,并设定用电异常分级标签与各级异常判断条件;
步骤S2:对步骤S1预处理后的日电量数据,引入概率模型进行数据分析与特征挖掘,对待检测日电量数据进行异常检测与异常等级判别;
步骤S3:针对步骤S2中出现异常的某日用电数据,进一步将S1预处理后的小时用电量数据引入环比模型,进行日内小时用电量异常检测与异常等级判别;
步骤S4:基于用电数据判别,对孤寡老人用电安全性进行评估与必要性预警。
步骤S1中,首先计算用户各个时间点的耗电量平均值,历遍待检测数据,以电量数据平均值填补其中缺失部分;将用电数据异常分为用电激增异常与用电激减异常,并依照不同的用电变化程度将以上两种情况分为不同异常等级。
进一步地,步骤S1具体包括以下步骤:
步骤S11:对孤寡老人所在单元每个时刻用电量求取平均值,用户x历史1~n天内的日用电量分别为Px1,Px2,……,Pxn,求取日电量平均值记为用户x历史1~n天的日内小时用电量数据分别Px1=[P1,1,P1,2,......,P1,t,......],……,Pxn=[Pn,1,Pn,2,......,Pn,t,......],计算该用户每个时刻的用电均值样本集记为均值计算公式如下:
其中xi表示代求均值的数据样本集,Ex表示该样本集的均值;
其次,遍历待检测的日电量数据,若出现日电量数据缺失与负值异常,则采用所求的日电量均值对其进行填补;遍历待检测的小时电量数据,若出现某时刻的数据缺失或负值异常,则采用该时刻的用电量均值对其进行填补。
进一步地,步骤S2中对用户日用电量数据的处理及分析包括以下步骤:
步骤S21:获取由步骤S1预处理过的一定时间窗口长度的用户历史用电数据集,作为输入各概率模型的训练集,计算区分用电状态正常与异常的动态阈值;
步骤S22:引入云模型、3sigma模型、四分位模型,分别计算用户日电量样本期望Ex,熵He,超熵He,标准差S,及四分位数Q1、Q2、Q3、Q4;并分别计算出各模型下区分用电量数据正常与异常的动态阈值;
步骤S23:获取由步骤S1预处理过的待检测日用电量数据集,作为输入日用电量变化情况分析模型的测试集;
步骤S24:将测试集分别与步骤S22中计算得到的三组动态阈值比较,若处于云模型对应动态阈值之外,定义为一级异常;若处于云模型对应动态阈值之内、3sigma模型动态阈值之外,定义为二级异常;若处于3sigma模型动态阈值之内、四分位模型之外,定义为三级异常。
进一步地,步骤S3中对用户小时用电量数据的处理及分析包括以下步骤:
步骤S31:针对步骤S2判断得到的日异常用电天数,细化到该天内各个时段的用电量判断;
步骤S32:获取由步骤S1预处理过的一定时间窗口长度的用户历史小时用电量数据,求取日内各小时用电量的均值,作为判断小时用电量是否正常的基准值;
步骤S33:获取由步骤S1与处理过的待检测小时用电量数据集,作为输入小时用电量环比模型的测试集;
步骤S34:利用环比模型计算环比系数,判断该时刻数据是否处于异常值范围;若环比系数大于1,定义为一级异常;若环比系数大于0.5小于1,定义为二级异常。
进一步地,所述环比模型具体包括:
其次,采用Z-score算法对小时用点量数据进行检测;选取前n天的日内第i小时用电数据Phi=[P1i,P2i,......,Pni],将数据统一标准化后记为Phi′=[P1i′,P2i′,......,Pni′],标准化计算公式如下:
若某天内某小时Z-score得分大于2且小于3,则判定该时刻用电量数据可能存在较小变化;记录前n天的日内第i小时所有可能存在异常的用电量记为Pfi=[Pfi1,Pfi2,......,Pfim],求其均值并于第i小时的用电量均值作比较,作为环比模型中判断二级异常的阈值,计算公式如下:
若某小时Z-score得分大于3,则判定该小时用电量数据可能存在较大变化;记录前n天的日内第i小时的所有可能存在较大变化异常的用电量记为Psi=[Psi1,Psi2,......,Psim],同理计算出环比模型中判断一级异常的阈值,计算公式如下:
同理,计算出每个小时所对应的一级异常阈值与二级异常阈值,记为Lth1=[Lf1,Lf2,......,Lf24]与Lth2=[Ls1,Ls2,......,Ls24];
最后,将出现异常日电量情况的待检测日内小时用电量数据Ph=[Ph1,Ph2,......,Phi,......,Ph24]输入环比模型,计算环比系数Li,计算公式如下:
其中,Li表示某日内i时刻的环比系数,Phi表示某日内i时刻的用电量数据,表示该时刻所对应的小时用电量平均值;若i时刻的环比系数大于Lfi小于Lsi,则定义该时刻用电量突增/突减较少预警,给予二级异常标签;若环比系数大于Lsi,则定义该时刻用电量突增/突减较多预警,给予一级异常标签。
进一步地,在步骤S4中:
以D天为用户日电量变化判断周期,计算周期内出现日电量异常的天数以及对应异常等级,设出现一级异常天数为D1,出现二级异常天数为D2,出现三级异常天数为D3,则该孤寡老人用户x的日用电量变化异常比例系数计算公式如下:
Dx=(D1×3+D2×2+D3×1)/(D×3) 公式(16)
计算周期内的日内小时用电量出现异常的小时数总量,设出现一级异常小时数为H1,出现二级异常小时数为H2,则该孤高老人用户x的小时用电量变化异常比例系数计算公式如下:
Hx=(H1×2+H2×1)/((D1+D2+D3)×24×2) 公式(17)
以上两个比例系数越大,则代表用户用电变化异常出现频率越高;若该用户的日用电量变化异常比例系数大于0.5,且小时用电变化异常比例系数大于0.5,则定义该用户家中存在用电量频繁激增或激减异常情况,应给予适当关注与必要预警。
以及,一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如上所述的分等级、分时级的孤寡老人用电量异常变化分析方法的步骤。
以及,一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如上所述的分等级、分时级的孤寡老人用电量异常变化分析方法的步骤。
与现有技术相比,本发明及其优选方案对用户用电数据进行了分时级、分等级的异常检测,实现了对孤寡老人居家用电量变化的精准监测与异常分级判断。该方法原理简单,结果客观可信,具有较强的推广价值,可长期的、大范围的用于孤寡老人居家用电量变化监测。
附图说明
下面结合附图和具体实施方式对本发明进一步详细的说明:
图1本发明实施例中分等级、分时级的孤寡老人用电量异常变化分析方法的流程示意图。
图2本发明实施例中采用的三组阈值之间大小关系示意图。
具体实施方式
为让本专利的特征和优点能更明显易懂,下文特举实施例,作详细说明如下:
图1为本发明实施例分等级、分时级的孤寡老人用电量异常变化分析方法的流程示意图,参照该图的步骤为:
一、对所采集到的孤寡老人用户用电数据进行预处理,填补数据缺失,并设定合理的用电异常分级标签与各级异常判断条件。
二、对步骤S1预处理后的日电量数据,引入概率模型进行数据分析与特征挖掘,对待检测日电量数据进行异常检测与异常等级判别。
三、针对步骤S2中出现异常的某日用电数据,进一步将S1预处理后的小时用电量数据引入环比模型,进行日内小时用电量异常检测与等级判别。
四、基于用电数据判别,对孤寡老人用电安全性进行评估与必要性预警。
对于步骤一,首先对孤寡老人每个时刻用电量求取平均值,用户x历史1~n天内的日用电量分别为Px1,Px2,……,Pxn,求取日电量平均值记为用户x历史1~n天的日内小时用电量数据分别Px1=[P1,1,P1,2,......,P1,t,......],……,Pxn=[Pn,1,Pn,2,......,Pn,t,......],计算该用户每个时刻的用电均值样本集记为均值计算公式如下:
其中xi表示代求均值的数据样本集,Ex表示该样本集的均值。
其次,遍历待检测的日电量数据,若出现日电量数据缺失与负值异常,则采用所求的日电量均值对其进行填补。遍历待检测的小时电量数据,若出现某时刻的数据缺失或负值异常,则采用该时刻的用电量均值对其进行填补。
至此完成对日电量数据与小时电量数据的数据预处理。
对于步骤二,针对日电量数据,引入三个概率模型,分别求出三组区分用电量正常与异常的动态阈值,并由三组阈值之间的数学关系,将其作为区分不同等级异常的分界线。
首先,引入云模型、3sigma模型及四分位模型,将步骤S1预处理后的一定时间窗口内的历史日电量数据作为训练集分别输入到三个概率模型中,计算以下基本统计量:表示用户历史用电数据空间分布的期望Ex、不确定性从程度的熵En、表示熵的不确定性的超熵He、标准差S以及训练集的四分位数Q1、Q2、Q3、Q4。各统计量计算公式如下:
其中xi表示某用户第i天的日用量,n表示选取历史日用量窗口长度为n天,Ex表示某用户n天内的日电量均值。
其次,根据各概率模型的数学意义,计算三组动态阈值。从云模型概率分布的数学意义出发,可知由该模型计算出的上下动态阈值算法公式如下:
MAX1=Ex+3(En+3He) 公式(5)
MIN1=Ex-3(En+3He) 公式(6)
从3sigma概率模型的数学意义出发,可知由该模型计算出的上下动态阈值算法公式如下:
MAX2=Ex+3S 公式(7)
MIN2=Ex-3S 公式(8)
从四分位模型的数学意义出发,可知由该模型计算出的上下动态阈值算法公式如下:
MAX3=Q3+1.5×(Q3-Q4) 公式(9)
MIN3=Q1-1.5×(Q3-Q4) 公式(10)
进一步,重复以上步骤,计算j个历史数据集的三组动态阈值,并分别组成两个动态阈值合集,分别是上限阈值集合,记为MAX=[MAX11,......,MAX1j,MAX21,......,MAX2j,MAX31,......,MAX3j],下限阈值集合,记为MIN=[MIN11,......,MIN1j,MIN21,......,MIN2j,MIN31,......,MIN3j]。将两个阈值合集分别输入Kmeans聚类模型中进行簇数为3类的聚类。由聚类结果可知,三个模型计算所得的三组阈值各自聚为一类,三簇之间有明确界限,且三个簇类之间的大小关系为,上限阈值集合聚类结果:云模型阈值>3sigma阈值>四分位模型阈值;下限阈值聚类结果:云模型阈值<3sigma阈值<四分位模型阈值。即三组阈值之间的大小关系如图2所示:
由此,以聚类后三个簇的聚类中心作为每一种概率模型最终所输出的动态阈值,作为后续判断的基准值。即将四分位簇的聚类中心作为定义三级异常的阈值;将3sigma簇的聚类中心作为定义二级异常的阈值;将云模型簇的聚类中心作为定义一级异常的阈值。
最后,将待检测日用电量数据分别与以上所得三组阈值进行比较,若用电量数据落在[MIN3,MAX3]区间内,则判定该用户在该天用电量数据正常。若用电量数据超过MAX1、MIN1则判定该用户该天存在用电量增多或减少较多情况,属于一级异常;若用电量数据落在[MAX2,MAX1]或[MIN1,MIN2]范围内,则判定该用户该天存在用电量增多或减少情况,属于二级异常;若用电量数据落在[MAX3,MAX2]或[MIN2,MIN3]范围内,则判定该用户该天存在用电量轻微增多或减少情况,属于三级异常。
至此完成对用户日用电量的异常值检测与异常分级判断。
对于步骤S3,在步骤S2对用户日用电量数据进行异常分级判断后,针对出现日用电异常的天数,针对该天日内的小时用电量数据,引入环比模型,计算环比系数,根据环比系数判断日内各小时用电状态与异常等级。
其次,采用Z-score算法对小时用点量数据进行检测。选取前n天的日内第i小时用电数据Phi=[P1i,P2i,......,Pni],将数据统一标准化后记为Phi′=[P1i′,P2i′,......,Pni′],标准化计算公式如下:
若某天内某小时Z-score得分大于2且小于3,则判定该时刻用电量数据可能存在较小变化。记录前n天的日内第i小时所有可能存在异常的用电量记为Pfi=[Pfi1,Pfi2,......,Pfim],求其均值并于第i小时的用电量均值作比较,作为环比模型中判断二级异常的阈值,计算公式如下:
若某小时Z-score得分大于3,则判定该小时用电量数据可能存在较大变化。记录前n天的日内第i小时的所有可能存在较大变化异常的用电量记为Psi=[Psi1,Psi2,......,Psim],同理计算出环比模型中判断一级异常的阈值,计算公式如下:
同理,计算出每个小时所对应的一级异常阈值与二级异常阈值,记为Lth1=[Lf1,Lf2,......,Lf24]与Lth2=[Ls1,Ls2,......,Ls24]。
最后,将出现异常日电量情况的待检测日内小时用电量数据Ph=[Ph1,Ph2,......,Phi,......,Ph24]输入环比模型,计算环比系数Li,计算公式如下:
其中,Li表示某日内i时刻的环比系数,Phi表示某日内i时刻的用电量数据,表示该时刻所对应的小时用电量平均值。若i时刻的环比系数大于Lfi小于Lsi,则定义该时刻用电量突增/突减较少预警,给予二级异常标签;若环比系数大于Lsi,则定义该时刻用电量突增/突减较多预警,给予一级异常标签。
至此完成对用户小时用电量的异常值检测与异常分级判断。
对于步骤S4,以D天为用户日电量变化判断周期,计算周期内出现日电量异常的天数以及对应异常等级,设出现一级异常天数为D1,出现二级异常天数为D2,出现三级异常天数为D3,则该孤寡老人用户x的日用电量变化异常比例系数计算公式如下:
Dx=(D1×3+D2×2+D3×1)/(D×3) 公式(16)
计算周期内的日内小时用电量出现异常的小时数总量,设出现一级异常小时数为H1,出现二级异常小时数为H2,则该孤高老人用户x的小时用电量变化异常比例系数计算公式如下:
Hx=(H1×2+H2×1)/((D1+D2+D3)×24×2) 公式(17)
以上两个比例系数越大,则代表用户用电变化异常出现频率越高。若该用户的日用电量变化异常比例系数大于0.5,且小时用电变化异常比例系数大于0.5,则定义该用户家中存在用电量频繁激增或激减异常情况,给予适当关注与必要预警。
以上结合附图对本发明的实施方式作了详细说明,但本发明不限于所描述的实施方式。对于本领域的技术人员而言,在不脱离本发明原理和精神的情况下,对这些实施方式进行多种变化、修改、替换和变型,仍落入本发明的保护范围内。
本实施例提供的以上系统及方法可以代码化的形式存储在计算机可读取存储介质中,并以计算机程序的方式进行实现,并通过计算机硬件输入计算所需的基本参数信息,并输出计算结果。
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、系统、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、设备(系统)、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。
本专利不局限于上述最佳实施方式,任何人在本专利的启示下都可以得出其它各种形式的分等级、分时级的孤寡老人用电量异常变化分析方法,凡依本发明申请专利范围所做的均等变化与修饰,皆应属本专利的涵盖范围。
Claims (9)
1.一种分等级、分时级的孤寡老人用电量异常变化分析方法,其特征在于,包括以下步骤:
步骤S1:对所采集到的孤寡老人用户用电数据进行预处理,填补数据缺失,并设定用电异常分级标签与各级异常判断条件;
步骤S2:对步骤S1预处理后的日电量数据,引入概率模型进行数据分析与特征挖掘,对待检测日电量数据进行异常检测与异常等级判别;
步骤S3:针对步骤S2中出现异常的某日用电数据,进一步将S1预处理后的小时用电量数据引入环比模型,进行日内小时用电量异常检测与异常等级判别;
步骤S4:基于用电数据判别,对孤寡老人用电安全性进行评估与必要性预警。
2.根据权利要求1所述的分等级、分时级的孤寡老人用电量异常变化分析方法,其特征在于:步骤S1中,首先计算用户各个时间点的耗电量平均值,历遍待检测数据,以电量数据平均值填补其中缺失部分;将用电数据异常分为用电激增异常与用电激减异常,并依照不同的用电变化程度将以上两种情况分为不同异常等级。
3.根据权利要求2所述的分等级、分时级的孤寡老人用电量异常变化分析方法,其特征在于:
步骤S1具体包括以下步骤:
步骤S11:对孤寡老人所在单元每个时刻用电量求取平均值,用户x历史1~n天内的日用电量分别为Px1,Px2,……,Pxn,求取日电量平均值记为用户x历史1~n天的日内小时用电量数据分别Px1=[P1,1,P1,2,......,P1,t,......],……,Pxn=[Pn,1,Pn,2,......,Pn,t,......],计算该用户每个时刻的用电均值样本集记为均值计算公式如下:
其中xi表示代求均值的数据样本集,Ex表示该样本集的均值;
其次,遍历待检测的日电量数据,若出现日电量数据缺失与负值异常,则采用所求的日电量均值对其进行填补;遍历待检测的小时电量数据,若出现某时刻的数据缺失或负值异常,则采用该时刻的用电量均值对其进行填补。
4.根据权利要求1所述的分等级、分时级的孤寡老人用电量异常变化分析方法,其特征在于:
步骤S2中对用户日用电量数据的处理及分析包括以下步骤:
步骤S21:获取由步骤S1预处理过的一定时间窗口长度的用户历史用电数据集,作为输入各概率模型的训练集,计算区分用电状态正常与异常的动态阈值;
步骤S22:引入云模型、3sigma模型、四分位模型,分别计算用户日电量样本期望Ex,熵He,超熵He,标准差S,及四分位数Q1、Q2、Q3、Q4;并分别计算出各模型下区分用电量数据正常与异常的动态阈值;
步骤S23:获取由步骤S1预处理过的待检测日用电量数据集,作为输入日用电量变化情况分析模型的测试集;
步骤S24:将测试集分别与步骤S22中计算得到的三组动态阈值比较,若处于云模型对应动态阈值之外,定义为一级异常;若处于云模型对应动态阈值之内、3sigma模型动态阈值之外,定义为二级异常;若处于3sigma模型动态阈值之内、四分位模型之外,定义为三级异常。
5.根据权利要求4所述的分等级、分时级的孤寡老人用电量异常变化分析方法,其特征在于:
步骤S3中对用户小时用电量数据的处理及分析包括以下步骤:
步骤S31:针对步骤S2判断得到的日异常用电天数,细化到该天内各个时段的用电量判断;
步骤S32:获取由步骤S1预处理过的一定时间窗口长度的用户历史小时用电量数据,求取日内各小时用电量的均值,作为判断小时用电量是否正常的基准值;
步骤S33:获取由步骤S1与处理过的待检测小时用电量数据集,作为输入小时用电量环比模型的测试集;
步骤S34:利用环比模型计算环比系数,判断该时刻数据是否处于异常值范围;若环比系数大于1,定义为一级异常;若环比系数大于0.5小于1,定义为二级异常。
6.根据权利要求5所述的分等级、分时级的孤寡老人用电量异常变化分析方法,其特征在于:所述环比模型具体包括:
其次,采用Z-score算法对小时用点量数据进行检测;选取前n天的日内第i小时用电数据Phi=[P1i,P2i,......,Pni],将数据统一标准化后记为Phi′=[P1i′,P2i′,......,Pni′],标准化计算公式如下:
若某天内某小时Z-score得分大于2且小于3,则判定该时刻用电量数据可能存在较小变化;记录前n天的日内第i小时所有可能存在异常的用电量记为Pfi=[Pfi1,Pfi2,......,Pfim],求其均值并于第i小时的用电量均值作比较,作为环比模型中判断二级异常的阈值,计算公式如下:
若某小时Z-score得分大于3,则判定该小时用电量数据可能存在较大变化;记录前n天的日内第i小时的所有可能存在较大变化异常的用电量记为Psi=[Psi1,Psi2,......,Psim],同理计算出环比模型中判断一级异常的阈值,计算公式如下:
同理,计算出每个小时所对应的一级异常阈值与二级异常阈值,记为Lth1=[Lf1,Lf2,......,Lf24]与Lth2=[Ls1,Ls2,......,Ls24];
最后,将出现异常日电量情况的待检测日内小时用电量数据Ph=[Ph1,Ph2,......,Phi,......,Ph24]输入环比模型,计算环比系数Li,计算公式如下:
7.根据权利要求5所述的分等级、分时级的孤寡老人用电量异常变化分析方法,其特征在于:
在步骤S4中:
以D天为用户日电量变化判断周期,计算周期内出现日电量异常的天数以及对应异常等级,设出现一级异常天数为D1,出现二级异常天数为D2,出现三级异常天数为D3,则该孤寡老人用户x的日用电量变化异常比例系数计算公式如下:
Dx=(D1×3+D2×2+D3×1)/(D×3) 公式(16)
计算周期内的日内小时用电量出现异常的小时数总量,设出现一级异常小时数为H1,出现二级异常小时数为H2,则该孤高老人用户x的小时用电量变化异常比例系数计算公式如下:
Hx=(H1×2+H2×1)/((D1+D2+D3)×24×2) 公式(17)
以上两个比例系数越大,则代表用户用电变化异常出现频率越高;若该用户的日用电量变化异常比例系数大于0.5,且小时用电变化异常比例系数大于0.5,则定义该用户家中存在用电量频繁激增或激减异常情况,应给予适当关注与必要预警。
8.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-7其中任一所述的分等级、分时级的孤寡老人用电量异常变化分析方法的步骤。
9.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1-7其中任一所述的分等级、分时级的孤寡老人用电量异常变化分析方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111296673.2A CN114022307A (zh) | 2021-11-03 | 2021-11-03 | 分等级、分时级的孤寡老人用电量异常变化分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111296673.2A CN114022307A (zh) | 2021-11-03 | 2021-11-03 | 分等级、分时级的孤寡老人用电量异常变化分析方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114022307A true CN114022307A (zh) | 2022-02-08 |
Family
ID=80060374
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111296673.2A Pending CN114022307A (zh) | 2021-11-03 | 2021-11-03 | 分等级、分时级的孤寡老人用电量异常变化分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114022307A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115660445A (zh) * | 2022-12-06 | 2023-01-31 | 东莞先知大数据有限公司 | 一种用电量预警方法、装置及计算机设备 |
CN116991219A (zh) * | 2023-09-26 | 2023-11-03 | 北京国电通网络技术有限公司 | 异常生产状态监测方法、装置、电子设备和介质 |
CN117290797A (zh) * | 2023-11-24 | 2023-12-26 | 国网山东省电力公司济宁供电公司 | 一种建筑能耗预测方法、系统、装置及介质 |
-
2021
- 2021-11-03 CN CN202111296673.2A patent/CN114022307A/zh active Pending
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115660445A (zh) * | 2022-12-06 | 2023-01-31 | 东莞先知大数据有限公司 | 一种用电量预警方法、装置及计算机设备 |
CN116991219A (zh) * | 2023-09-26 | 2023-11-03 | 北京国电通网络技术有限公司 | 异常生产状态监测方法、装置、电子设备和介质 |
CN116991219B (zh) * | 2023-09-26 | 2024-01-12 | 北京国电通网络技术有限公司 | 异常生产状态监测方法、装置、电子设备和介质 |
CN117290797A (zh) * | 2023-11-24 | 2023-12-26 | 国网山东省电力公司济宁供电公司 | 一种建筑能耗预测方法、系统、装置及介质 |
CN117290797B (zh) * | 2023-11-24 | 2024-02-02 | 国网山东省电力公司济宁供电公司 | 一种建筑能耗预测方法、系统、装置及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114022307A (zh) | 分等级、分时级的孤寡老人用电量异常变化分析方法 | |
CN112731159B (zh) | 一种储能电站电池舱电池故障预判及定位的方法 | |
CN109492193B (zh) | 基于深度机器学习模型的异常网络数据生成与预测方法 | |
CN110636066B (zh) | 基于无监督生成推理的网络安全威胁态势评估方法 | |
CN110297469B (zh) | 基于重采样的集成特征选择算法的生产线故障判断方法 | |
CN111796957B (zh) | 基于应用日志的交易异常根因分析方法及系统 | |
CN113610381B (zh) | 一种基于5g网络的水质远程实时监测系统 | |
CN113298422A (zh) | 一种基于用电数据的污染源企业违规生产监控方法 | |
CN110588658A (zh) | 一种基于综合模型检测驾驶员风险等级的方法 | |
CN117563184B (zh) | 一种基于物联网的储能消防控制系统 | |
CN111967717A (zh) | 一种基于信息熵值的数据质量评价方法 | |
CN117394337A (zh) | 一种电网负荷预警方法及其系统 | |
CN110472851A (zh) | 一种基于神经网络的配电网风险隐患动态评价模型构建方法 | |
CN111738348B (zh) | 一种电力数据异常检测方法和装置 | |
CN110562261A (zh) | 一种基于马尔可夫模型检测驾驶员风险等级的方法 | |
CN116415931A (zh) | 一种基于大数据的电力设备运行状态监控方法和系统 | |
CN107103425B (zh) | 发电设备运行状态计算机智能量化评价系统 | |
CN111222968A (zh) | 一种企业税务风险管控方法及系统 | |
CN110807174B (zh) | 一种基于统计分布的污水厂厂群出水分析及异常识别方法 | |
CN111339155B (zh) | 一种关联分析系统 | |
CN110736888A (zh) | 一种用户用电行为异常的监测方法 | |
CN108429771B (zh) | 基于突变理论的软件定义网络安全状态评估方法及装置 | |
CN111125195A (zh) | 一种数据异常检测方法及装置 | |
CN110705628A (zh) | 一种基于隐马尔可夫模型检测驾驶员风险等级的方法 | |
CN113298148B (zh) | 一种面向生态环境评价的不平衡数据重采样方法 |
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 |