CN114090646A - 异常用电辨识方法及系统 - Google Patents

异常用电辨识方法及系统 Download PDF

Info

Publication number
CN114090646A
CN114090646A CN202111228499.8A CN202111228499A CN114090646A CN 114090646 A CN114090646 A CN 114090646A CN 202111228499 A CN202111228499 A CN 202111228499A CN 114090646 A CN114090646 A CN 114090646A
Authority
CN
China
Prior art keywords
data
abnormal
index
electricity consumption
power
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
Application number
CN202111228499.8A
Other languages
English (en)
Inventor
田超
车晓晓
张贻俊
张琪
李焕超
刘华建
张增寿
王健
齐凯奇
韩延超
徐广伟
刘立党
刘锦超
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Changyi Power Supply Co Of State Grid Shandong Electric Power Co
State Grid Corp of China SGCC
Original Assignee
Changyi Power Supply Co Of State Grid Shandong Electric Power Co
State Grid Corp of China SGCC
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Changyi Power Supply Co Of State Grid Shandong Electric Power Co, State Grid Corp of China SGCC filed Critical Changyi Power Supply Co Of State Grid Shandong Electric Power Co
Priority to CN202111228499.8A priority Critical patent/CN114090646A/zh
Publication of CN114090646A publication Critical patent/CN114090646A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2465—Query processing support for facilitating data mining operations in structured databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • 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
    • G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
    • 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
    • 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)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Databases & Information Systems (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Water Supply & Treatment (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明提供一种异常用电辨识方法及系统，属于电网系统管理技术领域，获取用电量数据；提取不同时间跨度下各用电数据的变化趋势；基于变化趋势，将指标数据降为时间跨度性和指标波动性两个维度；通过数据库中的分类模式对降为时间跨度性和指标波动性两个维度的数据指标进行分类，辨识异常用电用户；其中，搜集历史用电异常状态的用户的用电特征，通过聚类分析，计算各种用电模式的中心点及特征序列之间的距离，储存于数据库。本发明获取用户的用电量及相关数据，进行数据清洗和缺失数值补全；再进行特征提取，得到相应的异常用电识别特征量；然后通过聚类将用户聚为两组，并通过离群检测实现异常用电用户辨识，提高了辨识效率及识别准确率。

Description

异常用电辨识方法及系统
技术领域
本发明涉及电网系统管理技术领域，具体涉及一种基于t-SNE聚类分析算法的异常用电辨识方法及系统。
背景技术
电能在人们生活和企业生产中起到非常重要的作用，随着越来越多的电器设备投入使用，用电模式的数量剧增。人们舒适有序的生活、企业安全高效的生产都离不开合格的电能质量。电能质量决定生活与生产的质量，生产与生活也反过来影响电能质量，并反应在电力负荷曲线上。通过采集电力负荷曲线并进行分析，可以分析出设备存在的问题、存在的漏电窃电情况、用户用电量的演化趋势等。
目前针对用电异常检测的方法比较少，主要是通过人工检查、继电器报警等方式，属于事故后的补救措施，但是通过获得的大量数据进行的数据分析，可以预先获得设备运行状况的变化趋势，根据分析结果做出针对性的调整。正常生产生活的用电模式在一天或几天内应具有一定的规律性，发生用电模式的变化时，用电量会在下降后维持在偏低水平。随着数学模型的在电力发展规划上的应用，大数据的电力负荷问题也有了新的解决方案，同时全行业的信息化发展，基于数据分析的异常用电模式的检测方法得到了更加充分的重视。。
发明内容
本发明的目的在于提供一种基于t-SNE聚类分析算法的异常用电辨识方法及系统。以解决上述背景技术中存在的至少一项技术问题。
为了实现上述目的，本发明采取了如下技术方案：
一方面，本发明提供一种异常用电辨识方法，包括：
获取用电量数据；
提取不同时间跨度下各用电数据的变化趋势；
基于变化趋势，将指标数据降为时间跨度性和指标波动性两个维度；
通过数据库中的分类模式对降为时间跨度性和指标波动性两个维度的数据指标进行分类，辨识异常用电用户；其中，搜集历史用电异常状态的用户的用电特征，通过聚类分析，计算各种用电模式的中心点及特征序列之间的距离，储存于所述数据库。
优选的，所述用电量数据包括每日各用户的用电量、电能表相位数据、线路上电能损耗、电压、电流、有功功率、无功功率、用电指标的报警。
优选的，对所获得的用电量数据进行进行数据清洗和缺省值预处理；将预处理后的数据进行整理计算，提取不同时间跨度下各用电数据的变化趋势。
优选的，使用t-SNE降维分析模型，将变化趋势的指标数据降为时间跨度性和指标波动性，绘制降维分析图形。
优选的，对预处理后的数据进行整理，基于时间顺序建立用户用电量数据序列。
优选的，计算某天的用电量变化趋势指标时，将该天前n天、后n天共2n+1天的时间作为一个统计窗口期。
优选的，线路上电能损耗指标反映线路供电量与线路用户总用电量之间的差值百分比，若当天和前n天的线损率平均值比当天和后n天的线损率平均值增长率多预设的阈值，则认为该用户具有窃电嫌疑。
第二方面，本发明体用一种异常用电辨识系统，包括：
获取模块，用于获取用电量数据；
提取模块，用于提取不同时间跨度下各用电数据的变化趋势；
降维模块，用于基于变化趋势，将指标数据降为时间跨度性和指标波动性两个维度；
分类模块，用于通过数据库中的分类模式对降为时间跨度性和指标波动性两个维度的数据指标进行分类，辨识异常用电用户；其中，搜集历史用电异常状态的用户的用电特征，通过聚类分析，计算各种用电模式的中心点及特征序列之间的距离，储存于所述数据库。
第三方面，本发明提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质用于存储计算机指令，所述计算机指令被处理器执行时，实现如上所述的异常用电辨识方法。
第四方面，本发明提供一种电子设备，包括：处理器、存储器以及计算机程序；其中，处理器与存储器连接，计算机程序被存储在存储器中，当电子设备运行时，所述处理器执行所述存储器存储的计算机程序，以使电子设备执行实现如上所述的异常用电辨识方法的指令。
本发明有益效果：先获取用户的用电量及相关数据，进行数据清洗和缺失数值补全；再进行特征提取，得到相应的异常用电识别特征量；然后通过聚类将用户聚为两组，并通过离群检测实现异常用电用户辨识；通过聚类、优化特征空间算法，提高了辨识效率及识别准确率。
本发明附加的方面和优点将在下面的描述中部分给出，这些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
为了更清楚地说明本发明实施例的技术方案，下面将对实施例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。
图1为本发明实施例所述的异常用电辨识方法流程图。
具体实施方式
下面详细叙述本发明的实施方式，所述实施方式的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过附图描述的实施方式是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。
本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。
还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。
本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件和/或它们的组。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
为便于理解本发明，下面结合附图以具体实施例对本发明作进一步解释说明，且具体实施例并不构成对本发明实施例的限定。
本领域技术人员应该理解，附图只是实施例的示意图，附图中的部件并不一定是实施本发明所必须的。
实施例1
如图1所示，本实施例1提供一种异常用电辨识系统，该系统包括：
获取模块，用于获取用电量数据；
提取模块，用于提取不同时间跨度下各用电数据的变化趋势；
降维模块，用于基于变化趋势，将指标数据降为时间跨度性和指标波动性两个维度；
分类模块，用于通过数据库中的分类模式对降为时间跨度性和指标波动性两个维度的数据指标进行分类，辨识异常用电用户；其中，搜集历史用电异常状态的用户的用电特征，通过聚类分析，计算各种用电模式的中心点及特征序列之间的距离，储存于所述数据库。
本实施例1中，利用上述的异常用电辨识系统，实现了异常用电辨识方法，包括：
使用获取模块获取用电量数据；
使用提取模块提取不同时间跨度下各用电数据的变化趋势；
使用降维模块基于变化趋势，将指标数据降为时间跨度性和指标波动性两个维度；
使用分类模块通过数据库中的分类模式对降为时间跨度性和指标波动性两个维度的数据指标进行分类，辨识异常用电用户；其中，搜集历史用电异常状态的用户的用电特征，通过聚类分析，计算各种用电模式的中心点及特征序列之间的距离，储存于所述数据库。
所述用电量数据包括每日各用户的用电量、电能表相位数据、线路上电能损耗、电压、电流、有功功率、无功功率、用电指标的报警。
对所获得的用电量数据进行进行数据清洗和缺省值预处理；将预处理后的数据进行整理计算，提取不同时间跨度下各用电数据的变化趋势。
使用t-SNE降维分析模型，将变化趋势的指标数据降为时间跨度性和指标波动性，绘制降维分析图形。
对预处理后的数据进行整理，基于时间顺序建立用户用电量数据序列。
计算某天的用电量变化趋势指标时，将该天前n天、后n天共2n+1天的时间作为一个统计窗口期。
线路上电能损耗指标反映线路供电量与线路用户总用电量之间的差值百分比，若当天和前n天的线损率平均值比当天和后n天的线损率平均值增长率多预设的阈值，则认为该用户具有窃电嫌疑。
具体的，本实施例1中，异常用电模式的辨识方法与系统，实现了高效、自动、全方位的用户异常用电检测。
首先获取用电量数据：包括每日各用户的用电量、电能表相位数据、线路上电能损耗、电压、电流、有功功率、无功功率和用电指标的报警等8类数据。
然后进行数据预处理：对所获得的数据进行预处理，进行数据清洗和缺省值处理。
再进行变化趋势计算：将预处理后的数据进行整理计算，提取不同时间跨度下各用电数据的变化趋势。
然后降维分析：使用t-SNE降维分析模型，将指标数据降为两个维度，时间跨度性和指标波动性，绘制降为分析图形。
最后，通过数据库中的分类模式对各用户不同时间段的用电模型进行分类，辨识异常用电用户。其中搜集历史上处于窃电、漏电等状态的用户的用电特征，代入模型进行计算得到用电特征，通过聚类分析，计算各种用电模式的中心点及特征序列之间的距离，储存于数据库中。
本实施例1中，数据收集预处理后按以下格式进行整理：
建立用户用电序列rec，例用户1的用电量(1)时间序列为rec(1,1)，rec(1,1)＝{<day1,power1>,<day2,power2>,<day3,power3>···<day365,power365>}。day1表示第1天，power1表示第1天的用电量。同理收集其他八个指标的相关数据。
线路损失指标反映线路供电量与线路用户总用电量之间的差值百分比：
Figure BDA0003315131510000071
其中，Sl为第l天线路供电量；
Figure BDA0003315131510000072
为线路上各个用户的总用电量；M为该线路用户总数。考虑到线损均有波动性，同电量下降趋势指标类似，本实施例1中统计当日的前3天和后3天为窗口期。记当天和前3天的线损率平均值为Vl-1和当天与后3天之间的线损率平均值Vl-2。若Vl-1比Vl-2增长率多1％，则认为该用户具有一定的嫌疑，故定义线损指标如下：
Figure BDA0003315131510000073
3.数据变化趋势的计算：
依据技术背景的描述，某天的用电量变化趋势指标，将该天前n天、后n天共(2n+1)天的时间作为一个统计窗口期，变化趋势指标为：
Figure BDA0003315131510000074
Figure BDA0003315131510000075
其中ki为第i天的用电量趋势；fl为第l天的用电量。如果电量趋势不断下降，则认为该用户有可能窃电。然后统计用户7天内，当天比前一天用电递减的天数，即令：
Figure BDA0003315131510000081
则7天内的变量变化趋势的变化指标为：
T＝∑D(i)；
分别以七天、十五天、三十一天为统计窗口期，计算各个指标的变化趋势，得到每个用户三种时间窗口下的变化趋势change_7，change_15，change_31。
实施例2
本发明实施例2提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质用于存储计算机指令，所述计算机指令被处理器执行时，实现如上所述的异常用电辨识方法，该方法包括：
获取用电量数据；
提取不同时间跨度下各用电数据的变化趋势；
基于变化趋势，将指标数据降为时间跨度性和指标波动性两个维度；
通过数据库中的分类模式对降为时间跨度性和指标波动性两个维度的数据指标进行分类，辨识异常用电用户；其中，搜集历史用电异常状态的用户的用电特征，通过聚类分析，计算各种用电模式的中心点及特征序列之间的距离，储存于所述数据库。
实施例3
本发明实施例3提供一种计算机程序(产品)，包括计算机程序，所述计算机程序当在一个或多个处理器上运行时，用于实现如上所述的异常用电辨识方法，该方法包括：
获取用电量数据；
提取不同时间跨度下各用电数据的变化趋势；
基于变化趋势，将指标数据降为时间跨度性和指标波动性两个维度；
通过数据库中的分类模式对降为时间跨度性和指标波动性两个维度的数据指标进行分类，辨识异常用电用户；其中，搜集历史用电异常状态的用户的用电特征，通过聚类分析，计算各种用电模式的中心点及特征序列之间的距离，储存于所述数据库。
实施例4
本发明实施例4提供一种电子设备，包括：处理器、存储器以及计算机程序；其中，处理器与存储器连接，计算机程序被存储在存储器中，当电子设备运行时，所述处理器执行所述存储器存储的计算机程序，以使电子设备执行实现如上所述的异常用电辨识方法的指令，该方法包括：
获取用电量数据；
提取不同时间跨度下各用电数据的变化趋势；
基于变化趋势，将指标数据降为时间跨度性和指标波动性两个维度；
通过数据库中的分类模式对降为时间跨度性和指标波动性两个维度的数据指标进行分类，辨识异常用电用户；其中，搜集历史用电异常状态的用户的用电特征，通过聚类分析，计算各种用电模式的中心点及特征序列之间的距离，储存于所述数据库。
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，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。
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明公开的技术方案的基础上，本领域技术人员在不需要付出创造性劳动即可做出的各种修改或变形，都应涵盖在本发明的保护范围之内。

Claims (10)

1.一种异常用电辨识方法，其特征在于，包括：
获取用电量数据；
提取不同时间跨度下各用电数据的变化趋势；
基于变化趋势，将指标数据降为时间跨度性和指标波动性两个维度；
通过数据库中的分类模式对降为时间跨度性和指标波动性两个维度的数据指标进行分类，辨识异常用电用户；其中，搜集历史用电异常状态的用户的用电特征，通过聚类分析，计算各种用电模式的中心点及特征序列之间的距离，储存于所述数据库。
2.根据权利要求1所述的异常用电辨识方法，其特征在于，所述用电量数据包括每日各用户的用电量、电能表相位数据、线路上电能损耗、电压、电流、有功功率、无功功率、用电指标的报警。
3.根据权利要求1所述的异常用电辨识方法，其特征在于，对所获得的用电量数据进行进行数据清洗和缺省值预处理；将预处理后的数据进行整理计算，提取不同时间跨度下各用电数据的变化趋势。
4.根据权利要求1所述的异常用电辨识方法，其特征在于，使用t-SNE降维分析模型，将变化趋势的指标数据降为时间跨度性和指标波动性，绘制降维分析图形。
5.根据权利要求1所述的异常用电辨识方法，其特征在于，对预处理后的数据进行整理，基于时间顺序建立用户用电量数据序列。
6.根据权利要求1所述的异常用电辨识方法，其特征在于，计算某天的用电量变化趋势指标时，将该天前n天、后n天共2n+1天的时间作为一个统计窗口期。
7.根据权利要求2所述的异常用电辨识方法，其特征在于，线路上电能损耗指标反映线路供电量与线路用户总用电量之间的差值百分比，若当天和前n天的线损率平均值比当天和后n天的线损率平均值增长率多预设的阈值，则认为该用户具有窃电嫌疑。
8.一种异常用电辨识系统，其特征在于，包括：
获取模块，用于获取用电量数据；
提取模块，用于提取不同时间跨度下各用电数据的变化趋势；
降维模块，用于基于变化趋势，将指标数据降为时间跨度性和指标波动性两个维度；
分类模块，用于通过数据库中的分类模式对降为时间跨度性和指标波动性两个维度的数据指标进行分类，辨识异常用电用户；其中，搜集历史用电异常状态的用户的用电特征，通过聚类分析，计算各种用电模式的中心点及特征序列之间的距离，储存于所述数据库。
9.一种非暂态计算机可读存储介质，其特征在于，所述非暂态计算机可读存储介质用于存储计算机指令，所述计算机指令被处理器执行时，实现如权利要求1-7任一项所述的异常用电辨识方法。
10.一种电子设备，其特征在于，包括：处理器、存储器以及计算机程序；其中，处理器与存储器连接，计算机程序被存储在存储器中，当电子设备运行时，所述处理器执行所述存储器存储的计算机程序，以使电子设备执行实现如权利要求1-7任一项所述的异常用电辨识方法的指令。
CN202111228499.8A 2021-10-21 2021-10-21 异常用电辨识方法及系统 Pending CN114090646A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111228499.8A CN114090646A (zh) 2021-10-21 2021-10-21 异常用电辨识方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111228499.8A CN114090646A (zh) 2021-10-21 2021-10-21 异常用电辨识方法及系统

Publications (1)

Publication Number Publication Date
CN114090646A true CN114090646A (zh) 2022-02-25

Family

ID=80297322

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111228499.8A Pending CN114090646A (zh) 2021-10-21 2021-10-21 异常用电辨识方法及系统

Country Status (1)

Country Link
CN (1) CN114090646A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115684918A (zh) * 2023-01-04 2023-02-03 北京志翔科技股份有限公司 开关状态识别方法及装置
CN115905319A (zh) * 2022-11-16 2023-04-04 国网山东省电力公司营销服务中心(计量中心) 一种海量用户电费异常的自动识别方法及系统
CN116073436A (zh) * 2023-04-06 2023-05-05 山东创宇环保科技有限公司 一种光伏新能源电力系统容量优化控制方法
CN117786582A (zh) * 2024-02-23 2024-03-29 江苏斐能软件科技有限公司 基于数据驱动的用电异常状态智能监测方法及系统
CN118379161A (zh) * 2024-06-27 2024-07-23 中电装备山东电子有限公司 一种基于专变采集终端的用电负荷数据分析方法

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115905319A (zh) * 2022-11-16 2023-04-04 国网山东省电力公司营销服务中心(计量中心) 一种海量用户电费异常的自动识别方法及系统
CN115905319B (zh) * 2022-11-16 2024-04-19 国网山东省电力公司营销服务中心(计量中心) 一种海量用户电费异常的自动识别方法及系统
CN115684918A (zh) * 2023-01-04 2023-02-03 北京志翔科技股份有限公司 开关状态识别方法及装置
CN115684918B (zh) * 2023-01-04 2023-04-07 北京志翔科技股份有限公司 开关状态识别方法及装置
CN116073436A (zh) * 2023-04-06 2023-05-05 山东创宇环保科技有限公司 一种光伏新能源电力系统容量优化控制方法
CN117786582A (zh) * 2024-02-23 2024-03-29 江苏斐能软件科技有限公司 基于数据驱动的用电异常状态智能监测方法及系统
CN117786582B (zh) * 2024-02-23 2024-05-07 江苏斐能软件科技有限公司 基于数据驱动的用电异常状态智能监测方法及系统
CN118379161A (zh) * 2024-06-27 2024-07-23 中电装备山东电子有限公司 一种基于专变采集终端的用电负荷数据分析方法

Similar Documents

Publication Publication Date Title
CN114090646A (zh) 异常用电辨识方法及系统
CN110082699B (zh) 一种低压台区智能电能表运行误差计算方法及其系统
CN112730938A (zh) 一种基于用电采集大数据的窃电用户判断方法
CN105825298A (zh) 一种基于负荷特性预估的电网计量预警系统及方法
CN115511013B (zh) 一种大规模储能电站异常电池识别方法、设备及存储介质
CN108898248B (zh) 电力负荷影响因素量化分析方法、装置、设备及介质
CN110991477A (zh) 一种识别电力系统异常行业用户和异常用电行为的方法和系统
CN117034177B (zh) 一种电力负荷异常数据智能监测方法
CN115684939A (zh) 基于机器学习的电池充电异常状态监测方法及监测系统
CN115794578A (zh) 一种电力系统的数据管理方法、装置、设备及介质
CN111915211B (zh) 一种电力资源调度方法、装置和电子设备
CN108596416A (zh) 获取用电负荷基准量的方法和系统
Xue et al. Adaptive ultra-short-term wind power prediction based on risk assessment
CN110729718A (zh) 一种基于日负荷曲线的行业用户开工监测方法
CN114878934A (zh) 一种电能耗数据异常预警方法
CN117786582B (zh) 基于数据驱动的用电异常状态智能监测方法及系统
CN112308341A (zh) 电力数据的处理方法和装置
CN111553720A (zh) 基于改进k-means算法的用户用电行为分析方法
CN114594398A (zh) 储能锂离子电池数据预处理方法
CN112633666A (zh) 一种基于K-means聚类算法的电力企业用户复工状况监测方法
CN113255096A (zh) 基于向前逐步回归的高损线路异常台区定位方法及系统
CN116184305A (zh) 基于变压器外特性散点图的专变用户计量异常监测方法
CN116307886A (zh) 一种企业生产状态的实时监测方法及装置
CN112069168B (zh) 一种设备运行数据云端存储方法
CN114820036A (zh) 面向大数据和回归分析预测算法的充电市场分析系统

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