CN114067093A - 基于时序与图像的散乱污用户精准捕获方法及系统 - Google Patents
基于时序与图像的散乱污用户精准捕获方法及系统 Download PDFInfo
- Publication number
- CN114067093A CN114067093A CN202111114709.0A CN202111114709A CN114067093A CN 114067093 A CN114067093 A CN 114067093A CN 202111114709 A CN202111114709 A CN 202111114709A CN 114067093 A CN114067093 A CN 114067093A
- Authority
- CN
- China
- Prior art keywords
- users
- scattered
- user
- group
- electric quantity
- 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
- 238000000034 method Methods 0.000 title claims abstract description 34
- 230000005611 electricity Effects 0.000 claims abstract description 29
- 238000013507 mapping Methods 0.000 claims abstract description 8
- 239000003344 environmental pollutant Substances 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 12
- 238000003860 storage Methods 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 238000003064 k means clustering Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 17
- 231100000719 pollutant Toxicity 0.000 description 7
- 239000010865 sewage Substances 0.000 description 7
- 230000006870 function Effects 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000013450 outlier detection Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000005315 distribution function Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012216 screening 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
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
Abstract
本发明属于用电数据处理领域,提供了一种基于时序与图像的散乱污用户精准捕获方法及系统。其中,该方法包括获取设定供电区域内所有用户的用电情况并进行分群;选择群中用户数量少于预设用户数量阈值,且群中用户的峰值电量与总电量比值小于预设比值阈值的群,所筛选的群内成员作为疑似散乱污用户;将疑似散乱污用户的用电时序数据映射成电量格拉姆角场二维图像,根据电量格拉姆角场二维图像与散乱污样本库中格拉姆角场的相似度来精准捕获散乱污用户。
Description
技术领域
本发明属于用电数据处理领域,尤其涉及一种基于时序与图像的散乱污用户精准捕获方法及系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息,不必然构成在先技术。
散乱污用户具有月用电量大以及用户用电负荷与普通用户不一致的特点,而且散乱污用户存在量大及面广的问题,目前的散乱污用户捕获大多都是通过群众举报的方式,这样存在散乱污用户遗漏的问题。
而且现有的方法也有基于统计学的离群点检测方法捕获散乱污用户,然而基于近邻性的的离群点检测方法主要针对全局离群点或者局部离群点,对较为复杂的情况缺乏鲁棒性;基于聚类的解决方案考虑将具有不同特征的数据点划分到不同的区域,但是没有一个确定的指标来确定各个区域的离群程度,需要一定程度的人工干预才能完成离群检测,从而也造成散乱污用户捕获不准确且存在遗漏的问题。
发明内容
为了解决上述背景技术中存在的技术问题,本发明提供一种基于时序与图像的散乱污用户精准捕获方法及系统,其能够精准捕获散乱污用户,实现散乱污用户的智能诊断与定位。
为了实现上述目的,本发明采用如下技术方案:
本发明的第一个方面提供一种基于时序与图像的散乱污用户精准捕获方法,其包括:
获取设定供电区域内所有用户的用电情况并进行分群;
选择群中用户数量少于预设用户数量阈值,且群中用户的峰值电量与总电量比值小于预设比值阈值的群,所筛选的群内成员作为疑似散乱污用户;
将疑似散乱污用户的用电时序数据映射成电量格拉姆角场二维图像,根据电量格拉姆角场二维图像与散乱污样本库中格拉姆角场的相似度来精准捕获散乱污用户。
本发明的第二个方面提供一种基于时序与图像的散乱污用户精准捕获系统,其包括:
用户分群模块,其用于获取设定供电区域内所有用户的用电情况并进行分群;
疑似散乱污用户确定模块,其用于选择群中用户数量少于预设用户数量阈值,且群中用户的峰值电量与总电量比值小于预设比值阈值的群,所筛选的群内成员作为疑似散乱污用户;
散乱污用户捕获模块,其用于将疑似散乱污用户的用电时序数据映射成电量格拉姆角场二维图像,根据电量格拉姆角场二维图像与散乱污样本库中格拉姆角场的相似度来精准捕获散乱污用户。
本发明的第三个方面提供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上述所述的基于时序与图像的散乱污用户精准捕获方法中的步骤。
本发明的第四个方面提供一种计算机设备,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,所述处理器执行所述程序时实现如上述所述的基于时序与图像的散乱污用户精准捕获方法中的步骤。
与现有技术相比,本发明的有益效果是:
本发明选择群中用户数量少于预设用户数量阈值,且群中用户的峰值电量与总电量比值小于预设比值阈值的群,所筛选的群内成员作为疑似散乱污用户,将疑似散乱污用户的用电时序数据映射成电量格拉姆角场二维图像,根据电量格拉姆角场二维图像与散乱污样本库中格拉姆角场的相似度,能够精准捕获散乱污用户,并输出散乱污用户的户表信息,用以支撑环保部门稽查。
本发明附加方面的优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
构成本发明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。
图1是本发明实施例的基于时序与图像的散乱污用户精准捕获方法流程图;
图2是本发明实施例的基于时序与图像的散乱污用户精准捕获原理图;
图3(a)是本发明实施例的第一群用电量时序图;
图3(b)是本发明实施例的第一群格拉姆角场图;
图3(c)是本发明实施例的第二群中第一个用电量时序图;
图3(d)是本发明实施例的第二群中第一个格拉姆角场图;
图3(e)是本发明实施例的第二群中第二个用电量时序图;
图3(f)是本发明实施例的第二群中第二个格拉姆角场图;
图3(g)是本发明实施例的第三群中第一个用电量时序图;
图3(h)是本发明实施例的第三群中第一个格拉姆角场图;
图3(i)是本发明实施例的第三群中第二个用电量时序图;
图3(j)是本发明实施例的第三群中第二个格拉姆角场图;
图3(k)是本发明实施例的第三群中第三个用电量时序图;
图3(l)是本发明实施例的第三群中第三个格拉姆角场图;
图3(m)是本发明实施例的第四群中第一个用电量时序图;
图3(n)是本发明实施例的第四群中第一个格拉姆角场图;
图3(o)是本发明实施例的第四群中第二个用电量时序图;
图3(p)是本发明实施例的第四群中第二个格拉姆角场图;
图3(q)是本发明实施例的第四群中第三个用电量时序图;
图3(r)是本发明实施例的第四群中第三个格拉姆角场图;
图4(a)是本发明实施例的第三群中用户格拉姆角场256级灰度图像;
图4(b)是本发明实施例的散乱污特征库中的样本256级灰度图像;
图4(c)是本发明实施例的第三群中用户格拉姆角场缩放32*32图像;
图4(d)是本发明实施例的散乱污特征库中的样本缩放32*32图像;
图4(e)是本发明实施例的第三群中用户格拉姆角场哈希指纹图;
图4(f)是本发明实施例的散乱污特征库中的样本哈希指纹图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出,以下详细说明都是例示性的,旨在对本发明提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本发明的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
实施例一
如图1所示,本实施例提供了一种基于时序与图像的散乱污用户精准捕获方法,其包括:
步骤1:获取设定供电区域内所有用户的用电情况并进行分群。
在具体实施中,所述用户的用电情况包括设定时间段内设定采集区间内的每个用户总用电量、峰时段用电量和谷时段用电量数据。
在一个或多个实施例中,基于K-means聚类方法及用户的用电情况,对用户进行分群。
使用K-means聚类技术,能够分析海量时序用电数据并进行准确分类,分析用户用电特性演变规律,完成异常样本检测,实现对全体用户用电特性分析。
步骤2:选择群中用户数量少于预设用户数量阈值(比如:10户),且群中用户的峰值电量与总电量比值小于预设比值阈值(比如:50%)的群,所筛选的群内成员作为疑似散乱污用户。
步骤3:将疑似散乱污用户的用电时序数据映射成电量格拉姆角场二维图像,根据电量格拉姆角场二维图像与散乱污样本库中格拉姆角场的相似度来精准捕获散乱污用户。
其中,疑似散乱污用户的用电时序数据映射成电量格拉姆角场二维图像的过程,如图3(a)-图3(r)所示。
当电量格拉姆角场二维图像与散乱污样本库中格拉姆角场的相似度超过设定相似度阈值时,则判断相应疑似散乱污用户为真实散乱污用户,则将真实散乱污用户的用电量格拉姆角场二维图像添加入到散乱污样本库中,如图2所示。
在本实施例中,所述相似度采用汉明距离来表示。
在一个或多个实施例中,使用互信息算法或感知哈希算法,计算用电量格拉姆角场二维图像与散乱污样本库中格拉姆角场的相似度。
其中:
互信息算法为:
两个离散随机变量X和Y的互信息可以定义为:
其中p(x,y)是X和Y的联合概率分布函数,而p(x)和p(y)分别是X和Y的边缘概率分布函数。在连续随机变量的情形下,求和被替换成了二重定积分:
其中p(x,y)当前是X和Y的联合概率密度函数,而p(x)和p(y)分别是X和Y的边缘概率密度函数。
互信息量I(xi;yj)在联合概率空间P(XY)中的统计平均值。平均互信息I(X;Y)克服了互信息量I(xi;yj)的随机性,成为一个确定的量。如果对数以2为基底,互信息的单位是bit。
直观上,互信息度量X和Y共享的信息:它度量知道这两个变量其中一个,对另一个不确定度减少的程度。例如,如果X和Y相互独立,则知道X不对Y提供任何信息,反之亦然,所以它们的互信息为零。在另一个极端,如果X是Y的一个确定性函数,且Y也是X的一个确定性函数,那么传递的所有信息被X和Y共享:知道X决定Y的值,反之亦然。因此,在此情形互信息与Y(或X)单独包含的不确定度相同,称作Y(或X)的熵。而且,这个互信息与X的熵和Y的熵相同。(这种情形的一个非常特殊的情况是当X和Y为相同随机变量时。)
互信息是X和Y联合分布相对于假定X和Y独立情况下的联合分布之间的内在依赖性。于是互信息以下面方式度量依赖性:I(X;Y)=0当且仅当X和Y为独立随机变量。从一个方向很容易看出:当X和Y独立时,p(x,y)=p(x)p(y),因此:
此外,互信息是非负的(即I(X;Y)≥0),而且是对称的(即I(X;Y)=I(Y;X))。
若用电量格拉姆角场与散乱污样本库中格拉姆角场为互信息,则根据互信息的定义计算的值来衡量相似度;若用电量格拉姆角场与散乱污样本库中格拉姆角场不为互信息,则相似度为0。
感知哈希算法:
读取图片数据(相当于一个矩阵);
转换成灰度图片(256级);
缩放到32×32尺寸(剔除图片细节);
计算二维离散余弦变换(变换后还是32×32矩阵);
截取矩阵左上角8×8部分(因为高频部分大部分都在左上角);
计算该8×8矩阵的均值;
遍历矩阵,大于等于均值的元素赋值为1,否则赋值为0,生成一个8×8的哈希指纹图;
哈希指纹图就代表一串64位二进制的hash值,比较两张图的hash值,计算汉明距离,得到相似度(汉明距离=0代表完全相似,距离越大越不相似)。
在其他实施例中,根据所确定的散乱污用户所在供电区域的客户用电档案和网络拓扑信息,对散乱污用户进行定位及诊断。
以某市用电数据为例,共3060户居民用电量数据,每天每户分别一个总用电量、峰时段用电量和谷时段用电量数据,采集时间长度一年、共366天的数据量。
首先建立已经确定的散乱污用户的样本库,生成散乱污用户用电量的格拉姆角场;
使用高性能Hierarchical K-means(H-K-means)聚类技术扫描莆田市居民用电量366天的数据,共聚为11类,聚类结果以及11个群中心如图4(a)-图4(f)所示。
根据群成员数量进行排序,筛选出包含疑似散乱污用户的群进入第三阶段进行详细分析。选择用户数量少于5户的群共有4个,分别是第2群(1个用户,7605280396),第4群(1个用户,7620937394),第10群(4个用户,7588941220,745101051,745101087,7652886958),第11群(3个用户,7539423212,7604275344,7627591241)。
建立被选择4个群中成员用电量的格拉姆角场,如图3(a)-图3(r)所示。
针对第一个和第二个被选择的群的用户用电量数据,并与散乱污特征库中的样本进行相似度计算,没有发现相似度高的样本,但是这两个群的用户用电规律明显与其他用户的用电规律不同,并且与日常居民用电特性不符,疑似为散乱污用户,建议核查,如果核查后确认是散乱污,更新散乱污特征库。
针对第三个被选择的群的用户用电量数据,发现该群用户用电量有明显的规律,可能与生产工艺有关;并与散乱污特征库中的样本进行相似度计算,该群内4个用户的格拉姆角场与特征库中第49个样本相似,基本可以认定该群的用户是散乱污用户。
通过上述分析,建议在某市3060个用户中,核查以下用户:7605280396,7620937394,7588941220,745101051,745101087,7652886958,7539423212,7604275344,7627591241。
实施例二
本实施例提供了一种基于时序与图像的散乱污用户精准捕获系统,其具体包括如下模块:
用户分群模块,其用于获取设定供电区域内所有用户的用电情况并进行分群;
疑似散乱污用户确定模块,其用于选择群中用户数量少于预设用户数量阈值,且群中用户的峰值电量与总电量比值小于预设比值阈值的群,所筛选的群内成员作为疑似散乱污用户;
散乱污用户捕获模块,其用于将疑似散乱污用户的用电时序数据映射成电量格拉姆角场二维图像,根据电量格拉姆角场二维图像与散乱污样本库中格拉姆角场的相似度来精准捕获散乱污用户。
此处需要说明的是,本实施例中的各个模块与实施例一中的各个步骤一一对应,其具体实施过程相同,此处不再累述。
实施例三
本实施例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上述所述的基于时序与图像的散乱污用户精准捕获方法中的步骤。
实施例四
本实施例提供了一种计算机设备,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,所述处理器执行所述程序时实现如上述所述的基于时序与图像的散乱污用户精准捕获方法中的步骤。
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,本发明可采用硬件实施例、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和光学存储器等)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。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(RandomAccessMemory,RAM)等。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于时序与图像的散乱污用户精准捕获方法,其特征在于,包括:
获取设定供电区域内所有用户的用电情况并进行分群;
选择群中用户数量少于预设用户数量阈值,且群中用户的峰值电量与总电量比值小于预设比值阈值的群,所筛选的群内成员作为疑似散乱污用户;
将疑似散乱污用户的用电时序数据映射成电量格拉姆角场二维图像,根据电量格拉姆角场二维图像与散乱污样本库中格拉姆角场的相似度来精准捕获散乱污用户。
2.如权利要求1所述的基于时序与图像的散乱污用户精准捕获方法,其特征在于,当电量格拉姆角场二维图像与散乱污样本库中格拉姆角场的相似度超过设定相似度阈值时,则判断相应疑似散乱污用户为真实散乱污用户,则将真实散乱污用户的用电量格拉姆角场二维图像添加入到散乱污样本库中。
3.如权利要求1所述的基于时序与图像的散乱污用户精准捕获方法,其特征在于,使用互信息算法或感知哈希算法,计算用电量格拉姆角场二维图像与散乱污样本库中格拉姆角场的相似度。
4.如权利要求1所述的基于时序与图像的散乱污用户精准捕获方法,其特征在于,所述相似度采用汉明距离来表示。
5.如权利要求1所述的基于时序与图像的散乱污用户精准捕获方法,其特征在于,基于K-means聚类方法及用户的用电情况,对用户进行分群。
6.如权利要求1所述的基于时序与图像的散乱污用户精准捕获方法,其特征在于,所述用户的用电情况包括设定时间段内设定采集区间内的每个用户总用电量、峰时段用电量和谷时段用电量数据。
7.如权利要求1所述的基于时序与图像的散乱污用户精准捕获方法,其特征在于,根据所确定的散乱污用户所在供电区域的客户用电档案和网络拓扑信息,对散乱污用户进行定位及诊断。
8.一种基于时序与图像的散乱污用户精准捕获系统,其特征在于,包括:
用户分群模块,其用于获取设定供电区域内所有用户的用电情况并进行分群;
疑似散乱污用户确定模块,其用于选择群中用户数量少于预设用户数量阈值,且群中用户的峰值电量与总电量比值小于预设比值阈值的群,所筛选的群内成员作为疑似散乱污用户;
散乱污用户捕获模块,其用于将疑似散乱污用户的用电时序数据映射成电量格拉姆角场二维图像,根据电量格拉姆角场二维图像与散乱污样本库中格拉姆角场的相似度来精准捕获散乱污用户。
9.一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中任一项所述的基于时序与图像的散乱污用户精准捕获方法中的步骤。
10.一种计算机设备,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中任一项所述的基于时序与图像的散乱污用户精准捕获方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111114709.0A CN114067093A (zh) | 2021-09-23 | 2021-09-23 | 基于时序与图像的散乱污用户精准捕获方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111114709.0A CN114067093A (zh) | 2021-09-23 | 2021-09-23 | 基于时序与图像的散乱污用户精准捕获方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114067093A true CN114067093A (zh) | 2022-02-18 |
Family
ID=80234073
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111114709.0A Pending CN114067093A (zh) | 2021-09-23 | 2021-09-23 | 基于时序与图像的散乱污用户精准捕获方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114067093A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN111695598A (zh) * | 2020-05-11 | 2020-09-22 | 东南大学 | 一种基于生成对抗网络的监测数据异常诊断方法 |
CN112732785A (zh) * | 2020-12-31 | 2021-04-30 | 平安科技(深圳)有限公司 | 时序数据异常检测方法、装置、设备及存储介质 |
CN112800148A (zh) * | 2021-02-04 | 2021-05-14 | 国网福建省电力有限公司 | 一种基于聚类特征树和离群度量化的散乱污企业研判方法 |
CN113076985A (zh) * | 2021-03-29 | 2021-07-06 | 上海电力大学 | 电力用户负荷识别方法、装置及计算机可读介质 |
-
2021
- 2021-09-23 CN CN202111114709.0A patent/CN114067093A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN111695598A (zh) * | 2020-05-11 | 2020-09-22 | 东南大学 | 一种基于生成对抗网络的监测数据异常诊断方法 |
CN112732785A (zh) * | 2020-12-31 | 2021-04-30 | 平安科技(深圳)有限公司 | 时序数据异常检测方法、装置、设备及存储介质 |
CN112800148A (zh) * | 2021-02-04 | 2021-05-14 | 国网福建省电力有限公司 | 一种基于聚类特征树和离群度量化的散乱污企业研判方法 |
CN113076985A (zh) * | 2021-03-29 | 2021-07-06 | 上海电力大学 | 电力用户负荷识别方法、装置及计算机可读介质 |
Non-Patent Citations (3)
Title |
---|
张春祥;赵春蕾;陈超;罗辉;: "基于手机传感器的人体活动识别综述", 计算机科学, no. 10, 15 October 2020 (2020-10-15) * |
李宁;王伟峰;蔡慧;汪伟;王颖;: "基于电量离群点挖掘的窃电辨识方法研究", 中国计量大学学报, no. 03, 15 September 2018 (2018-09-15) * |
陈敏;王娆芬;: "基于二维图像与迁移卷积神经网络的心律失常分类", 计算机工程, no. 10, 15 October 2020 (2020-10-15) * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Fan et al. | A review on data preprocessing techniques toward efficient and reliable knowledge discovery from building operational data | |
Disegna et al. | Copula-based fuzzy clustering of spatial time series | |
WO2014198052A1 (en) | Fast grouping of time series | |
Ozkok et al. | International Journal of Intelligent Systems and Applications in Engineering | |
CN106780639B (zh) | 基于显著性特征稀疏嵌入和极限学习机的哈希编码方法 | |
Fan et al. | A novel automatic dam crack detection algorithm based on local-global clustering | |
CN104715024A (zh) | 一种多媒体热点分析方法 | |
CN106295498A (zh) | 光学遥感图像目标区域检测装置与方法 | |
Zhou et al. | A utility model for photo selection in mobile crowdsensing | |
CN116596921B (zh) | 一种焚烧炉渣分选方法及系统 | |
CN110929801B (zh) | 一种基于改进的Euclid距离KNN分类方法和系统 | |
CN114067093A (zh) | 基于时序与图像的散乱污用户精准捕获方法及系统 | |
CN109739840A (zh) | 数据空值处理方法、装置及终端设备 | |
EP3137895A1 (en) | Method and apparatus for processing block to be processed of urine sediment image | |
Veneziano et al. | The maximum of multifractal cascades: exact distribution and approximations | |
Gou | Urban Road Flooding Detection System based on SVM Algorithm | |
CN113705920A (zh) | 火电厂用水数据样本集的生成方法和终端设备 | |
CN116383262B (zh) | 一种基于电厂sis系统的能耗数据管理平台 | |
CN117541832B (zh) | 异常检测方法、系统、电子设备及存储介质 | |
Li et al. | Road crack detection and quantification based on segmentation network using architecture of matrix | |
CN110852355B (zh) | 一种基于knn的标签数据分类方法 | |
CN113723835B (zh) | 火电厂用水评估方法和终端设备 | |
CN115545107B (zh) | 一种基于海量电力数据的云计算方法、系统 | |
CN117218613B (zh) | 一种车辆抓拍识别系统及方法 | |
Chen et al. | Application on intersection classification algorithm based on clustering analysis |
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 |