CN114757270A - 基于NB-IoT燃气智能设备的异常分析方法系统及存储介质 - Google Patents
基于NB-IoT燃气智能设备的异常分析方法系统及存储介质 Download PDFInfo
- Publication number
- CN114757270A CN114757270A CN202210333878.1A CN202210333878A CN114757270A CN 114757270 A CN114757270 A CN 114757270A CN 202210333878 A CN202210333878 A CN 202210333878A CN 114757270 A CN114757270 A CN 114757270A
- Authority
- CN
- China
- Prior art keywords
- abnormal
- data
- equipment
- analysis
- gas
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 82
- 230000002159 abnormal effect Effects 0.000 claims abstract description 170
- 230000005856 abnormality Effects 0.000 claims abstract description 19
- 238000000034 method Methods 0.000 claims abstract description 5
- 238000001514 detection method Methods 0.000 claims description 5
- 238000010187 selection method Methods 0.000 claims description 5
- 238000012423 maintenance Methods 0.000 claims description 3
- 230000002596 correlated effect Effects 0.000 claims 1
- 230000000875 corresponding effect Effects 0.000 claims 1
- 239000007789 gas Substances 0.000 description 65
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000032683 aging Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 206010000117 Abnormal behaviour Diseases 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000002737 fuel gas Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012549 training 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
- G06F18/24—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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y10/00—Economic sectors
- G16Y10/35—Utilities, e.g. electricity, gas or water
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y40/00—IoT characterised by the purpose of the information processing
- G16Y40/20—Analytics; Diagnosis
Abstract
本发明涉及异常分析技术领域,具体涉及了一种基于NB‑IoT燃气智能设备的异常分析方法系统及存储介质。包括以下步骤:数据获取步骤:接收各设备上报的燃气用量数据,存储至服务器数据库,服务器数据库中还存储有各设备的设备基本信息;异常分析步骤:判断燃气用量数据是否存在用量异常,并发现用量异常的异常数据以及异常设备;类型分析步骤:根据异常分析结果,生成异常数据的异常类型;影响分析步骤:根据异常类型和异常设备的基本信息,对产生异常数据的影响因素进行分析。能够及时、准确地判断燃气用量是否出现异常,并发现异常原因。
Description
技术领域
本发明涉及异常分析技术领域,具体涉及了一种基于NB-IoT燃气智能设备的异常分析方法系统及存储介质。
背景技术
家用燃气通常是通过燃气表对用户使用的燃气量进行计量,通过计算后可以知道需要支付给燃气公司的费用,使得燃气公司更好开展后续的业务,若是燃气表的计量出现异常,会给用户或燃气公司造成经济损失。
传统的方案中,只能够笼统地对燃气使用过程中的异常情况进行检测,而无法具体到异常的类型以及导致异常产生的影响因素。燃气用量出现异常,可能是因为表具老化、选型不准等计量问题所导致,也有可能是由于用户偷盗气等人为因素所导致。工作人员在了解到燃气使用存在异常后,无法及时了解到异常的类型以及导致异常出现的原因,整改和解决的效率较低。
而随着物联网技术的快速发展,传统的燃气表已经逐渐被NB-IoT物联网燃气智能设备所替代,采用物联网技术的燃气物联网系统在给用户提供基本的燃气数据记录和燃气供给外,还可以提供额外的物联网服务,因此,如何基于NB-IoT物联网燃气智能设备对异常行为进行深入分析,提高对异常检测、整改的效率,成为亟待解决的问题。
发明内容
本发明所解决的技术问题在于提供一种基于NB-IoT燃气智能设备的异常分析方法系统及存储介质,能够及时、准确地判断燃气用量是否出现异常,并发现异常原因。
本发明提供的基础方案:一种基于NB-IoT燃气智能设备的异常分析方法,包括以下步骤:
数据获取步骤:接收各设备上报的燃气用量数据,存储至服务器数据库,服务器数据库中还存储有各设备的设备基本信息;
异常分析步骤:判断燃气用量数据是否存在用量异常,并发现用量异常的异常数据以及异常设备;
类型分析步骤:根据异常分析结果,生成异常数据的异常类型;
影响分析步骤:根据异常类型和异常设备的基本信息,对产生异常数据的影响因素进行分析。
本发明的原理及优点在于:通过服务器接收到各个燃气表设备上报的燃气用量数据和设备基本信息,并存储在服务器数据库中。对燃气表的用量数据进行分析,根据用量数据判断燃气表用量是否存在有异常,以及查找出在异常的数据和对应的燃气表设备。同时根据异常分析的结果,对不同的异常数据进行分类,最后结合异常类型结合异常的燃气表设备基本信息,对产生异常的影响因素进行分析,从而查找出导致异常数据产生的原因,以便针对异常原因进行响应的整改。相比于现有技术,能够准确、及时、快速的发现燃气用量存在的异常,分析出异常类型,异常原因,从而对存在的异常进行整改提供帮助。
进一步,所述数据获取步骤包括以下步骤:
S101:根据燃气用量数据,确定各个时段的时段用量数据;
S102:将时段用量数据与设备基本信息关联存储,设备基本信息包括设备厂商、设备规格、设备使用年限、设备维修次数、设备检测次数、用户类别以及用户区域。
通过燃气设备的燃气用量数据,确定出每个设备在各个时段的时段用量数据,确定出用户在某个时间点或者是某个时间段的燃气用量,以便于对用量是否异常进行分析。确定设备的各个基本信息,以便于在数据异常后,根据设备基本信息,通过设备的各项基本信息,分析可能存在的影响因素。
进一步,所述异常分析步骤包括以下步骤:
自身异常分析步骤:获取同一设备的多个时段用量数据,根据预设的自身异常分析规则,将满足自身异常分析规则的时段用量数据标记为自身用量异常,并将该设备标记为异常设备。
对于同一个设备,燃气用量数据变化应较为平缓,若是在某个时间点或者时间段出现激增或者是激减,则是用量存在异常,这种异常的产生原因可能是由于表具老化,选型不准等原因导致,也有可能是由于用户偷盗气等人为因素所导致,还有可能是由于燃气泄漏等安全隐患所导致。通过设置自身异常分析规则,发现设备的各个时段用量数据相较于其自身是否存在异常,发现存在异常的设备,以便后续更加有针对性地对异常设备做出调整、管控和改进。并且通过对各个时段的时段用量数据进行分析,能够精确地确定出用量出现异常的具体时间点或者是时间段。
进一步,所述异常分析步骤还包括以下步骤:
所述异常分析步骤还包括以下步骤:
同类用量分析步骤:分别获取用户类别相同,且用户区域相同的设备,在相同时段的时段用量数据,根据预设的同类异常分析规则,将满足同类异常分析规则的时段用量数据标记为异常数据,并将具有异常数据的设备标记为异常设备。
对于相同用户类型,相同区域内的用户的时段用量数据,燃气的用量应该较为接近,若是与相同区域且相同类型用户的时段用量数据存在较大或者是严重的偏离,则有可能是存在用量异常,通过设置同类异常分析规则,查找出时段用量数据存在较大偏离的设备。
进一步,所述异常分析步骤还包括以下步骤:
用量压力温度匹配分析步骤:获取各设备的压力数据与温度数据,根据预设的匹配分析规则,判断燃气设备的用量数据与压力数据以及温度数据是否匹配,将不匹配的标记为异常数据,并将具有异常数据的设备标记为异常设备。
对于燃气表来说,用量与压力、温度存在一定联系,若是用量与压力、温度存不匹配,则有可能是存在用量异常。
进一步,所述影响分析步骤包括以下步骤:
所述类型分析步骤包括以下步骤:
S201:提取异常数据的异常特征,根据预设的异常类型对应的异常特征,确定异常数据的异常类型。
当获取到异常数据之后,提取各个异常数据的异常特征,由于不同异常类型的异常数据,具有的异常特征会存在一定的区别,因此根据异常特征,便能够确定出各个异常数据的异常类型。
进一步,所述影响分析步骤包括以下步骤:
S301:获取各个异常设备的异常类型以及设备基本信息,生成异常样本集合;
S302:通过方差选择法对分析异常样本集合进行分析,生成各个异常类型的影响因素分析结果。
本发明还公开了一种基于NB-IoT燃气智能设备的异常分析系统,该系统使用了上述的基于NB-IoT燃气智能设备的异常分析方法。
本发明还公开了一种存储介质,用于存储计算机可执行指令,所述计算机可执行指令在被执行时实现上述的基于NB-IoT燃气智能设备的异常分析方法。
附图说明
图1为本发明基于NB-IoT燃气智能设备的实施例的流程示意图;
图2为本发明基于NB-IoT燃气智能设备的实施例中自身用量异常分析的结果示例图;
图3为本发明基于NB-IoT燃气智能设备的实施例中同类用量异常分析的结果示例图。
具体实施方式
下面通过具体实施方式进一步详细说明:
实施例基本如附图1所示:
基于NB-IoT燃气智能设备的异常分析方法,包括以下步骤:
数据获取步骤:接收各设备上报的燃气用量数据,存储至服务器数据库,服务器数据库中还存储有各设备的设备基本信息,获取NB-IoT物联网燃气表在各个时间点的标况流量。接收到燃气表的标况流量后,与设备基本信息关联存储。
数据获取步骤包括以下步骤:
S101:根据燃气用量数据,确定各个时段的时段用量数据;
具体的,在获取到各个时间点记录的标况流量之后,t点的燃气用量=t+1点的标况流量-t点的标况流量,得到在t点的时段用量数据。当存在数据缺失值,还需对缺失值进行处理,本实施例中,当t点的标况流量不存在时,获取i点和j点的标况流量,其中i点为t点前3天内最近一个存在标况流量的时间点,j点为i点后3天内最近一个存在标况流量的时间点,若i点和j点均不存在,则t点的时段用量数据为0。否则t点的标况流量=i点的标况流量+(j点标况流量-i点标况流量)/(j点-i点)×(x点-i点)。
S102:确定设备基本信息,本实施例中设备基本信息包括设备厂商、设备规格、设备使用年限、设备维修次数、设备检测次数、用户类别以及用户区域。
异常分析步骤:根据燃气用量数据,判断燃气用量数据是否存在用量异常,并发现用量异常的异常数据以及异常设备。
异常分析步骤包括自身异常分析步骤:获取同一设备多个时段用量数据,根据预设的自身异常分析规则,将满足自身异常分析规则的时段用量数据标记为自身用量异常,并将该设备标记为异常设备。
具体的,在本实施例中以一天为一个时段进行自身异常分析,首先计算设备i在t点小时用量方差=(t日用量-设备i的日平均用量)2,得到每日用量的方差,若某个用户的每日用量的方差趋势在某个时间点或时间段上出现了激增或激减,并且该点前后都较为平缓,则可以认为用量呈现异常。本实施例中,将用户每日用量的方差的样本数据放入KNN算法模型中进行训练,首先计算已知类别数据集中的点与当前未知类别点之间的距离,对于两个点A、B对应的坐标分别为A(x1,y1)、B(x2,y2),则A和B两点之间的距离为:((x1-x2)2+(y1-y2)×2)×0.5。然后按照距离递增次序排序,选取与当前点距离最小的k个点并确定前k个点所在类别的出现频率作为预测分析,最后如果能够找出严重偏离预测分类的离群点,就认为该用户的燃气用量数据出现了变大或变小的用量异常,具体的分析结果如图2所示。
异常分析步骤还包括同类用量分析步骤:分别获取用户类别相同,且用户区域相同的设备,在相同时段的时段用量数据,根据预设的同类异常分析规则,将满足同类异常分析规则的时段用量数据标记为异常数据,并将具有异常数据的设备标记我异常设备。
对于用户的用量,如果与同类型同区域其他用户的用量严重偏离,则可以认为用户的用量呈现异常。本实施例中,对于同类用量分析,采用基于正态分布的异常检测方法,将同类型同区域的用户用量数据放入正态分布模型,正态分布的概率密度函数为:
数学期望值或期望值μ等于位置参数,决定了分布的位置,标准差σ等于尺度参数,决定了分布的幅度。数值分布在(μ-σ,μ+σ)中的概率为0.6526,数值分布在(μ-2σ,μ+2σ)中的概率为0.9544,数值分布在(μ-3σ,μ+3σ)中的概率为0.9974,三个标准差覆盖的范围内,可覆盖99.7%的数据,因此认为3σ以外的数据为相比于同类型,同区域用户用量偏大或者偏小的异常数据。具体如图3所示。
异常分析步骤还包括用量压力温度匹配分析步骤:获取各设备的压力数据与温度数据,根据预设的匹配分析规则,判断燃气设备的用量数据与压力数据以及温度数据是否匹配,将不匹配的标记为异常数据,并将具有异常数据的设备标记为异常设备。
具体的,使用聚类算法将燃气用量数据、压力数据以及温度数据三个特征进行划分,找出明显偏离正常聚类的用量认定为存在异常的用量。本实施例中采用k均值算法进行聚类分析,首先建立燃气用量数据、压力数据以及温度数据三个特征的集合,在集合中随机选择k个对象,每个对象代表一个簇。对剩下的每个对象,根据其与各个簇中心的欧式距离,将它分配到最相似的簇,然后k均值算法迭代地改善簇内变差,对于每个簇,它使用上次迭代分配到该簇的对象,计算新的均值,然后使用更新后的均值作为新的簇的中心,重新分配所有的对象,迭代继续,直到分配稳定,即本轮形成的簇与前一轮形成的簇相同。
类型分析步骤:根据异常分析结果,生成异常数据的异常类型,类型分析步骤包括以下步骤:
S201:提取异常数据的异常特征,根据预设的异常类型对应的异常特征,确定异常数据的异常类型。
具体的,异常类型包括有用量突增、用量突减、用量偏高、用量偏低、大马拉小车、小马拉大车,各项异常类型的异常特征分析规则如下。
若设备i在t点的日用量方差>3*设备i的日用量方差且avg(设备i在t点后15天的用量)-avg(设备i在t点前15天的用量)>(3×设备i的日用量方差)1/2,则认为设备i产生一个用量突增异常。
若如设备i在t点的日用量方差>3×设备i的日用量方差且avg(设备i在t点前15天的用量)-avg(设备i在t点后15天的用量)>(3×设备i的日用量方差)1/2,则认为设备i产生一个用量突减异常。
若设备i的日均用量>μ+3σ,则认为设备i产生一个用量偏高异常。且同一个设备最多只能有一条用量偏高异常,若新产生一条,则覆盖之前的,若没有产生,则清除之前的。
若设备i的日均用量<μ—3σ,则认为设备i产生一个用量偏低异常。且同一个设备最多只能有一条用量偏低异常,若新产生一条,则覆盖之前的,若没有产生,则清除之前的。
若设备i存在一半以上的不为0的小时用量小于(设备公称流量×20%)则认为设备i产生一个大马拉小车异常。同一个设备最多只能有一条大马拉小车异常,如果新产生一条,则覆盖之前的,如果没有产生,则清除之前的。公称流量记录在设备基本信息中,通常为设备型号的描述里带有G或者Q,G或Q后的数字为设备的公称流量。
若设备i存在一半以上的不为0的小时用量大于(设备公称流量×80%)则认定设备i产生一个小马拉大车异常,同一个设备最多只能有一条小马拉大车异常,如果新产生一条,则覆盖之前的,如果没有产生,则清除之前的。
影响分析步骤:根据异常类型和异常设备的基本信息,对产生异常数据的影响因素进行分析。所述影响分析步骤包括以下步骤:
S301:获取各个异常设备的异常类型以及设备基本信息,生成异常样本集合;
S302:通过方差选择法对分析异常样本集合进行分析,生成各个异常类型的影响因素分析结果。
在检查出异常设备和异常类型后,根据异常类型以及记录的设备基本信息对异常影响因素进行分析。首选根据异常设备的异常类型以及设备基本信息生成异常样本集合,异常样本集合实例具体如表1所示。
表1
通过方差选择的方法对几种设备基本信息的引线程度进行排名,输入异常样本集合D,输出各个影响因素的方差集合L。依次计算异常样本集合D中的所有影响因素的方差,对结果进行排序,其中方差越大的表明其的影响程度越大。根据以上实例的异常样本集合,使用方差选择法得出的结论实例如表2所示。
表2
本实施例还公开了一种基于NB-IoT燃气智能设备的异常分析系统,该系统使用了上述的基于NB-IoT燃气智能设备的异常分析方法。
本实施例还公开了一种存储介质,用于存储计算机可执行指令,所述计算机可执行指令在被执行时实现上述的基于NB-IoT燃气智能设备的异常分析方法。
以上的仅是本发明的实施例,方案中公知的具体结构及特性等常识在此未作过多描述,所属领域普通技术人员知晓申请日或者优先权日之前发明所属技术领域所有的普通技术知识,能够获知该领域中所有的现有技术,并且具有应用该日期之前常规实验手段的能力,所属领域普通技术人员可以在本申请给出的启示下,结合自身能力完善并实施本方案,一些典型的公知结构或者公知方法不应当成为所属领域普通技术人员实施本申请的障碍。应当指出,对于本领域的技术人员来说,在不脱离本发明结构的前提下,还可以作出若干变形和改进,这些也应该视为本发明的保护范围,这些都不会影响本发明实施的效果和专利的实用性。本申请要求的保护范围应当以其权利要求的内容为准,说明书中的具体实施方式等记载可以用于解释权利要求的内容。
Claims (9)
1.基于NB-IoT燃气智能设备的异常分析方法系统及存储介质,其特征在于:包括以下步骤:
数据获取步骤:接收各设备上报的燃气用量数据,存储至服务器数据库,服务器数据库中还存储有各设备的设备基本信息;
异常分析步骤:判断燃气用量数据是否存在用量异常,并发现用量异常的异常数据以及异常设备;
类型分析步骤:根据异常分析结果,生成异常数据的异常类型;
影响分析步骤:根据异常类型和异常设备的基本信息,对产生异常数据的影响因素进行分析。
2.根据权利要求1所述的基于NB-IoT燃气智能设备的异常分析方法,其特征在于:所述数据获取步骤包括以下步骤:
S101:根据燃气用量数据,确定各个时段的时段用量数据;
S102:将时段用量数据与设备基本信息关联存储,设备基本信息包括设备厂商、设备规格、设备使用年限、设备维修次数、设备检测次数、用户类别以及用户区域。
3.根据权利要求2所述的基于NB-IoT燃气智能设备的异常分析方法,其特征在于:所述异常分析步骤包括以下步骤:
自身异常分析步骤:获取同一设备的多个时段用量数据,根据预设的自身异常分析规则,将满足自身异常分析规则的时段用量数据标记为自身用量异常,并将该设备标记为异常设备。
4.根据权利要求3所述的基于NB-IoT燃气智能设备的异常分析方法,其特征在于:所述异常分析步骤还包括以下步骤:
同类用量分析步骤:分别获取用户类别相同,且用户区域相同的设备,在相同时段的时段用量数据,根据预设的同类异常分析规则,将满足同类异常分析规则的时段用量数据标记为异常数据,并将具有异常数据的设备标记为异常设备。
5.根据权利要求4所述的基于NB-IoT燃气智能设备的异常分析方法,其特征在于:所述异常分析步骤还包括以下步骤:
用量压力温度匹配分析步骤:获取各设备的压力数据与温度数据,根据预设的匹配分析规则,判断燃气设备的用量数据与压力数据以及温度数据是否匹配,将不匹配的标记为异常数据,并将具有异常数据的设备标记为异常设备。
6.根据权利要求5所述的基于NB-IoT燃气智能设备的异常分析方法,其特征在于:
所述类型分析步骤包括以下步骤:
S201:提取异常数据的异常特征,根据预设的异常类型对应的异常特征,确定异常数据的异常类型。
7.根据权利要求6所述的基于NB-IoT燃气智能设备的异常分析方法,其特征在于:所述影响分析步骤包括以下步骤:
S301:获取各个异常设备的异常类型以及设备基本信息,生成异常样本集合;
S302:通过方差选择法对分析异常样本集合进行分析,生成各个异常类型的影响因素分析结果。
8.基于NB-IoT燃气智能设备的异常分析系统,其特征在于:使用了权利要求1-7任一项所述的基于NB-IoT燃气智能设备的异常分析方法。
9.一种存储介质,用于存储计算机可执行指令,其特征在于:所述计算机可执行指令在被执行时实现上述权利要求1-7中任一项所述的基于NB-IoT燃气智能设备的异常分析方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210333878.1A CN114757270A (zh) | 2022-03-30 | 2022-03-30 | 基于NB-IoT燃气智能设备的异常分析方法系统及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210333878.1A CN114757270A (zh) | 2022-03-30 | 2022-03-30 | 基于NB-IoT燃气智能设备的异常分析方法系统及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114757270A true CN114757270A (zh) | 2022-07-15 |
Family
ID=82329998
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210333878.1A Pending CN114757270A (zh) | 2022-03-30 | 2022-03-30 | 基于NB-IoT燃气智能设备的异常分析方法系统及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114757270A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116150239A (zh) * | 2022-12-16 | 2023-05-23 | 彭州华润燃气有限公司 | 一种针对燃气偷盗气行为的数据挖掘方法 |
CN116719984A (zh) * | 2023-08-10 | 2023-09-08 | 成都秦川物联网科技股份有限公司 | 一种智慧燃气数据管理方法、物联网系统和存储介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008190917A (ja) * | 2007-02-01 | 2008-08-21 | Yazaki Corp | ガスメータ異常検出方法、ガスメータ検針端末、及び、ガスメータ異常検出システム |
CN109711440A (zh) * | 2018-12-13 | 2019-05-03 | 新奥数能科技有限公司 | 一种数据异常检测方法和装置 |
JP2019124984A (ja) * | 2018-01-12 | 2019-07-25 | 株式会社明電舎 | 設備診断装置、設備診断方法 |
CN111339129A (zh) * | 2020-03-04 | 2020-06-26 | 潘从平 | 远程抄表异常监测方法、装置、燃气表系统及燃气云平台 |
CN112084229A (zh) * | 2020-07-27 | 2020-12-15 | 北京市燃气集团有限责任公司 | 一种识别城镇燃气用户异常用气行为的方法及装置 |
CN112504356A (zh) * | 2019-11-01 | 2021-03-16 | 金卡智能集团股份有限公司 | 燃气异常检测方法、装置、设备及存储介质 |
CN113516313A (zh) * | 2021-07-20 | 2021-10-19 | 上海航天能源股份有限公司 | 一种基于用户画像的燃气异常检测方法 |
CN114173370A (zh) * | 2021-12-30 | 2022-03-11 | 中国电信股份有限公司 | 一种故障定位方法、装置、设备及存储介质 |
CN114235108A (zh) * | 2021-12-24 | 2022-03-25 | 华中科技大学无锡研究院 | 基于数据分析燃气流量计异常状态检测方法和装置 |
-
2022
- 2022-03-30 CN CN202210333878.1A patent/CN114757270A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008190917A (ja) * | 2007-02-01 | 2008-08-21 | Yazaki Corp | ガスメータ異常検出方法、ガスメータ検針端末、及び、ガスメータ異常検出システム |
JP2019124984A (ja) * | 2018-01-12 | 2019-07-25 | 株式会社明電舎 | 設備診断装置、設備診断方法 |
CN109711440A (zh) * | 2018-12-13 | 2019-05-03 | 新奥数能科技有限公司 | 一种数据异常检测方法和装置 |
CN112504356A (zh) * | 2019-11-01 | 2021-03-16 | 金卡智能集团股份有限公司 | 燃气异常检测方法、装置、设备及存储介质 |
CN111339129A (zh) * | 2020-03-04 | 2020-06-26 | 潘从平 | 远程抄表异常监测方法、装置、燃气表系统及燃气云平台 |
CN112307084A (zh) * | 2020-03-04 | 2021-02-02 | 潘从平 | 远程抄表异常监测方法、燃气表系统及燃气云平台 |
CN112084229A (zh) * | 2020-07-27 | 2020-12-15 | 北京市燃气集团有限责任公司 | 一种识别城镇燃气用户异常用气行为的方法及装置 |
CN113516313A (zh) * | 2021-07-20 | 2021-10-19 | 上海航天能源股份有限公司 | 一种基于用户画像的燃气异常检测方法 |
CN114235108A (zh) * | 2021-12-24 | 2022-03-25 | 华中科技大学无锡研究院 | 基于数据分析燃气流量计异常状态检测方法和装置 |
CN114173370A (zh) * | 2021-12-30 | 2022-03-11 | 中国电信股份有限公司 | 一种故障定位方法、装置、设备及存储介质 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116150239A (zh) * | 2022-12-16 | 2023-05-23 | 彭州华润燃气有限公司 | 一种针对燃气偷盗气行为的数据挖掘方法 |
CN116150239B (zh) * | 2022-12-16 | 2023-09-22 | 彭州华润燃气有限公司 | 一种针对燃气偷盗气行为的数据挖掘方法 |
CN116719984A (zh) * | 2023-08-10 | 2023-09-08 | 成都秦川物联网科技股份有限公司 | 一种智慧燃气数据管理方法、物联网系统和存储介质 |
CN116719984B (zh) * | 2023-08-10 | 2023-11-17 | 成都秦川物联网科技股份有限公司 | 一种智慧燃气数据管理方法、物联网系统和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11748227B2 (en) | Proactive information technology infrastructure management | |
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 | |
US20200175421A1 (en) | Machine learning methods for detection of fraud-related events | |
JP5291177B2 (ja) | ユーザーフィードバック情報に基づく電気器具検出方法とシステム | |
GB2547993A (en) | Real time autonomous archetype outlier analytics | |
CN109934268B (zh) | 异常交易检测方法及系统 | |
US10074079B2 (en) | Systems and methods for automated analysis, screening and reporting of group performance | |
EP3104323A1 (en) | Electric power business profit and loss calculation system and electric power business profit and loss calculation method | |
US10032167B2 (en) | Abnormal pattern analysis method, abnormal pattern analysis apparatus performing the same and storage medium storing the same | |
CN111612275B (zh) | 一种预测区域用户负荷量的方法及装置 | |
CN106708738B (zh) | 一种软件测试缺陷预测方法及系统 | |
TWI709932B (zh) | 交易指標的監控方法、裝置及設備 | |
CN107220557B (zh) | 一种用户越权访问敏感数据行为的检测方法及系统 | |
US20190007432A1 (en) | Comparing unsupervised algorithms for anomaly detection | |
CN111176953B (zh) | 一种异常检测及其模型训练方法、计算机设备和存储介质 | |
CN113570200A (zh) | 一种基于多维信息的电网运行状态监测方法及系统 | |
CN110796159A (zh) | 基于k-means算法的电力数据分类方法及系统 | |
CN114202256B (zh) | 架构升级预警方法、装置、智能终端及可读存储介质 | |
CN113516313A (zh) | 一种基于用户画像的燃气异常检测方法 | |
CN112541016A (zh) | 用电异常检测方法、装置、计算机设备和存储介质 | |
CN116823496A (zh) | 基于人工智能的智能保险风险评估和定价系统 | |
Litoriya et al. | Incorporating Cost driver substitution to improve the effort using Agile COCOMO II | |
CN107274025B (zh) | 一种实现用电模式智能识别与管理的系统和方法 | |
Vieira et al. | An Enhanced Seasonal-Hybrid ESD technique for robust anomaly detection on time series | |
US11265232B2 (en) | IoT stream data quality measurement indicator and profiling method and system therefor |
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 |