CN115795329A - 一种基于大数据网格下的用电异常行为分析方法和装置 - Google Patents

一种基于大数据网格下的用电异常行为分析方法和装置 Download PDF

Info

Publication number
CN115795329A
CN115795329A CN202310068385.4A CN202310068385A CN115795329A CN 115795329 A CN115795329 A CN 115795329A CN 202310068385 A CN202310068385 A CN 202310068385A CN 115795329 A CN115795329 A CN 115795329A
Authority
CN
China
Prior art keywords
data
grid
target
feature
standard
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.)
Granted
Application number
CN202310068385.4A
Other languages
English (en)
Other versions
CN115795329B (zh
Inventor
周跃
方立毅
刘良洁
刘然
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.)
Brilliant Data Analytics Inc
Original Assignee
Brilliant Data Analytics Inc
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 Brilliant Data Analytics Inc filed Critical Brilliant Data Analytics Inc
Priority to CN202310068385.4A priority Critical patent/CN115795329B/zh
Publication of CN115795329A publication Critical patent/CN115795329A/zh
Application granted granted Critical
Publication of CN115795329B publication Critical patent/CN115795329B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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

  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明涉及用电异常行为分析技术，揭露了一种基于大数据网格下的用电异常行为分析方法和装置，包括：将历史用电数据划分成用电数据簇集，依次对用电数据簇集进行数据清洗和异常标定，得到标准用电数据簇集；从标准用电数据簇集中提取出用电数据特征，对用电数据特征进行采样，得到标准特征序列；将标准特征序列网格划分成动态用电网格；根据动态用电网格中各个网格单元的单元密度对动态用电网格进行特征聚类，得到用电特征类集；根据用电特征类集的偏差因子确定出用电特征类集中的用电异常类，并将用电异常类对应的用电行为作为异常用电行为。本发明可以提高用电异常行为分析的准确性。

Description

一种基于大数据网格下的用电异常行为分析方法和装置
技术领域
本发明涉及用电异常行为分析技术领域，尤其涉及一种基于大数据网格下的用电异常行为分析方法和装置。
背景技术
准确的电力需求特性分析已成为电力企业生产经营和计划管理工作的一项重要内容，也是指导电力企业经营计划工作非常重要的一个环节，为了辅助电力需求特性分析，需要对用电行为进行异常分析；
现有的用电异常行为分析技术多为基于用户经验的异常分析，例如，电力员工根据多年的工作经验发现用电数据中的异常数据，并进行标定，实际应用中，基于用户经验的异常分析对用户的经验有较高的要求，且需要耗费大量的人力物力，并且员工的经验不一定准确，可能导致进行异常用电行为分析时的准确性较低。
发明内容
本发明提供一种基于大数据网格下的用电异常行为分析方法和装置，其主要目的在于解决进行异常用电行为分析时的准确性较低的问题。
为实现上述目的，本发明提供的一种基于大数据网格下的用电异常行为分析方法，包括：
获取历史用电数据，按照数据种类对所述历史用电数据进行数据划分，得到用电数据簇集，依次对所述用电数据簇集进行数据清洗和异常标定，得到标准用电数据簇集；
从所述标准用电数据簇集中提取出用电数据特征，利用预设的时域窗口对所述用电数据特征进行采样，得到标准特征序列；
选取所述标准特征序列中的位于首位的标准特征作为目标标准特征，利用所述目标标准特征生成所述标准特征序列的用电数据网格，并利用所述标准特征序列中除所述目标标准特征之外的其余的标准特征对所述用电数据网格进行扩展，得到动态用电网格；
计算出所述动态用电网格中各个网格单元的单元密度，根据所述单元密度对所述动态用电网格进行特征聚类，得到用电特征类集；
将所述用电特征类集划分为异常特征类和正常特征类，计算出所述正常特征类所对应的各个标准特征的偏差因子，根据所述偏差因子对所述异常特征类进行更新，得到标准异常特征类，并将所述标准异常特征类对应的用电行为作为异常用电行为，其中，所述计算出所述正常特征类所对应的各个标准特征的偏差因子，包括：
从所述异常特征类中提取出簇心异常特征，逐个选取所述正常特征类对应的标准特征作为目标标准特征；
利用如下的偏差因子算法计算出所述簇心异常特征与所述目标标准特征之间的偏差因子：
Figure SMS_1
其中，
Figure SMS_2
是指所述偏差因子，
Figure SMS_3
是预设的对抗系数，
Figure SMS_4
是指所述簇心异常特征，
Figure SMS_5
是指所述目标标准特征，
Figure SMS_6
是点乘算法，
Figure SMS_7
是叉乘算法。
可选地，所述依次对所述用电数据簇集进行数据清洗和异常标定，得到标准用电数据簇集，包括：
逐个选取所述用电数据簇集中的用电数据簇作为目标数据簇，按照时序对所述目标数据簇中的数据进行排序，得到目标时序簇；
利用预设的占位符替换所述目标时序簇中的乱码数据和越位数据，得到初级时序簇；
逐个选取所述初级时序簇中的占位符作为目标占位符，选取所述目标占位符周围的若干数据组成目标占位数据集；
根据所述目标占位数据集计算出所述目标占位符对应的加权平均数；
利用所述加权平均数更新所述目标占位符，直至所述目标占位符为所述初级时序簇中的最后一个占位符时，将所述初级时序簇作为标准时序簇，并将所有的所述标准时序簇汇集成标准时序簇集；
对所述标准时序簇集中的各个数据进行异常标定，得到标准用电数据簇集。
可选地，所述根据所述目标占位数据集计算出所述目标占位符对应的加权平均数，包括：
逐个选取所述目标占位数据集中的数据作为目标占位数据，计算出所述目标占位数据与所述目标占位符之间的欧式距离；
将所述欧式距离作为所述目标占位数据的数据权重，将所有的所述数据权重汇集成数据权重集；
利用如下的加权平均数公式根据所述目标占位数据集和所述数据权重集计算出所述目标占位符对应的加权平均数：
Figure SMS_8
其中，
Figure SMS_9
是指所述加权平均数，
Figure SMS_14
是指第
Figure SMS_16
个，
Figure SMS_11
是指第
Figure SMS_18
个，
Figure SMS_19
是所述目标占位数据集的元素总数，且所述目标占位数据集的元素总数与所述数据权重集的元素总数相等，
Figure SMS_20
是所述数据权重集中的第
Figure SMS_10
个数据权重，
Figure SMS_13
是指所述目标转为数据集中的第
Figure SMS_15
个数据，
Figure SMS_17
是所述数据权重集中的第
Figure SMS_12
个数据权重。
可选地，所述从所述标准用电数据簇集中提取出用电数据特征，包括：
逐个选取所述标准用电数据簇集中的标准用电数据簇作为目标用电数据簇，按照时序分别提取出所述目标用电数据簇对应的短期用电特征和长期用电特征；
对所述短期用电特征和所述长期用电特征进行特征融合，得到所述目标用电数据簇的长短用电特征；
按照时序对所有的所述长短用电特征进行向量拼接，得到用电数据特征。
可选地，所述利用所述目标标准特征生成所述标准特征序列的用电数据网格，包括：
对所述目标标准特征进行向量拆分，得到多个单维标准特征；
逐个选取所述单维标准特征作为目标单维特征，计算出所述目标单维特征的网格边长；
根据各个所述目标单维特征的网格边长对所述标准特征序列进行划分，得到用电数据网格。
可选地，所述计算出所述动态用电网格中各个网格单元的单元密度，包括：
将所述标准特征序列中的各个特征数据映射到所述动态用电网格中，得到映射数据网格；
将所述映射数据网格中包含特征数据的网格单元作为非空网格单元，并将所述映射数据网格中所有的非空网格单元汇集成非空网格单元集；
逐个选取所述非空网格单元集中的非空网格单元作为目标非空网格单元，将所述目标非空网格单元中的特征数据的总数作为非空特征数；
将所述目标非空网格单元对应的扩展区域作为目标扩展区域，根据所述非空特征数计算出所述目标扩展区域中各个特征数据的影响度；
将所述目标扩展区域中所有特征数据的影响度之和与所述非空特征数的和作为所述目标非空网格单元的单元密度。
可选地，所述根据所述非空特征数计算出所述目标扩展区域中各个特征数据的影响度，包括：
逐个选取所述目标扩展区域中的特征数据作为目标扩充特征数据；
利用如下的影响度算法根据所述非空特征数计算出所述目标扩充特征数据的影响度：
Figure SMS_21
其中，
Figure SMS_23
是指所述影响度，
Figure SMS_32
是指第
Figure SMS_34
个，
Figure SMS_22
是指第
Figure SMS_27
个，
Figure SMS_28
是指所述目标扩充特征数据对应的单维标准特征的总数，
Figure SMS_33
是指所述目标扩充特征数据在第
Figure SMS_24
个单维标准特征上对应的特征数，
Figure SMS_29
是所述目标非空网格单元中的第
Figure SMS_30
个特征数据，所述
Figure SMS_31
是指所述非空特征数，所述
Figure SMS_25
是指所述目标扩充特征数据在第
Figure SMS_26
个单维标准特征上的网格边长。
可选地，所述根据所述单元密度对所述动态用电网格进行特征聚类，得到用电特征类集，包括：
根据所述动态用电网格中各个网格单元的单元密度计算出密度阈值；
根据所述密度阈值和各个网格单元的单元密度将所述动态用电网格的网格单元划分成稠密网格类、稀疏网格类以及孤立网格类；
逐个选取所述动态用电网格中的网格单元作为目标动态单元，根据所述目标动态单元周围的网格单元对所述目标动态单元进行聚类，并根据聚类结果生成所述目标动态单元的聚类偏差值；
当所述目标动态单元为所述动态用电网格中的最后一个网格单元时，将所有的聚类偏差值之和作为聚类偏差总数，并根据所述聚类偏差总数对所述动态用电网格中的各个网格单元进行迭代聚类，得到标准网格类集；
对所述标准网格类集进行映射，得到用电特征类集。
可选地，所述根据所述动态用电网格中各个网格单元的单元密度计算出密度阈值，包括：
将所述动态用电网格中包含特征数据的网格单元作为动态非空网格单元，并将所述动态用电网格中所有的动态非空网格单元汇集成动态非空网格单元集；
将所述动态非空网格单元集中各个网格单元的单元密度汇集成动态单元密度集，并选取所述动态单元密度集中单元密度的最大值作为最大单元密度；
利用如下的密度阈值算法根据所述动态单元密度集和所述最大单元密度计算出所述动态用电网格的密度阈值：
Figure SMS_35
其中，
Figure SMS_36
是指所述密度阈值，
Figure SMS_37
是指所述最大单元密度，
Figure SMS_38
是指第
Figure SMS_39
个，
Figure SMS_40
是指所述动态单元密度集中单元密度的总个数，
Figure SMS_41
是指所述动态单元密度集中的第
Figure SMS_42
个单元密度。
为了解决上述问题，本发明还提供一种基于大数据网格下的用电异常行为分析装置，所述装置包括：
数据划分模块，用于获取历史用电数据，按照数据种类对所述历史用电数据进行数据划分，得到用电数据簇集，依次对所述用电数据簇集进行数据清洗和异常标定，得到标准用电数据簇集；
特征提取模块，用于从所述标准用电数据簇集中提取出用电数据特征，利用预设的时域窗口对所述用电数据特征进行采样，得到标准特征序列；
网格生成模块，用于选取所述标准特征序列中的位于首位的标准特征作为目标标准特征，利用所述目标标准特征生成所述标准特征序列的用电数据网格，并利用所述标准特征序列中除所述目标标准特征之外的其余的标准特征对所述用电数据网格进行扩展，得到动态用电网格；
特征聚类模块，用于计算出所述动态用电网格中各个网格单元的单元密度，根据所述单元密度对所述动态用电网格进行特征聚类，得到用电特征类集；
异常分析模块，用于将所述用电特征类集划分为异常特征类和正常特征类，计算出所述正常特征类所对应的各个标准特征的偏差因子，根据所述偏差因子对所述异常特征类进行更新，得到标准异常特征类，并将所述标准异常特征类对应的用电行为作为异常用电行为，其中，所述计算出所述正常特征类所对应的各个标准特征的偏差因子，包括：从所述异常特征类中提取出簇心异常特征，逐个选取所述正常特征类对应的标准特征作为目标标准特征；利用如下的偏差因子算法计算出所述簇心异常特征与所述目标标准特征之间的偏差因子：
Figure SMS_43
其中，
Figure SMS_44
是指所述偏差因子，
Figure SMS_45
是预设的对抗系数，
Figure SMS_46
是指所述簇心异常特征，
Figure SMS_47
是指所述目标标准特征，
Figure SMS_48
是点乘算法，
Figure SMS_49
是叉乘算法。
本发明实施例通过按照数据种类对所述历史用电数据进行数据划分，得到用电数据簇集，可以提高用电数据的分析维度，从而提高异常分析的准确度，通过依次对所述用电数据簇集进行数据清洗和异常标定，得到标准用电数据簇集，可以提高所述标准用电数据簇集的准确性，从而提高后续异常分析的准确性，通过从所述标准用电数据簇集中提取出用电数据特征，利用预设的时域窗口对所述用电数据特征进行采样，得到标准特征序列，可以提取出所述历史用电数据中各种用电数据的数据特征，方便后续进行动态网格分析，通过利用所述目标标准特征生成所述标准特征序列的用电数据网格，并利用所述标准特征序列中除所述目标标准特征之外的其余的标准特征对所述用电数据网格进行扩展，得到动态用电网格，可以动态地调节网格边长的大小，从而提高动态用电网格的表征性；
通过计算出所述动态用电网格中各个网格单元的单元密度，根据所述单元密度对所述动态用电网格进行特征聚类，得到用电特征类集，可以按照网格单元的稠密度进行聚类分析，提高了聚类的效率，可以将用电行为进行聚类，也提升了后续异常行为分析的准确性，通过将所述用电特征类集划分为异常特征类和正常特征类，计算出所述正常特征类所对应的各个标准特征的偏差因子，根据所述偏差因子对所述异常特征类进行更新，得到标准异常特征类，并将所述标准异常特征类对应的用电行为作为异常用电行为，可以进一步对网格划分后的特征进行验证，从而提高异常用电行为分析的准确性。因此本发明提出的基于大数据网格下的用电异常行为分析方法和装置，可以解决进行异常用电行为分析时的准确性较低的问题。
附图说明
图1为本发明一实施例提供的基于大数据网格下的用电异常行为分析方法的流程示意图；
图2为本发明一实施例提供的生成标准用电数据簇集的流程示意图；
图3为本发明一实施例提供的计算单元密度的流程示意图；
图4为本发明一实施例提供的基于大数据网格下的用电异常行为分析装置的功能模块图；
本发明目的的实现、功能特点及优点将结合实施例，参照附图作进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本申请实施例提供一种基于大数据网格下的用电异常行为分析方法。所述基于大数据网格下的用电异常行为分析方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述基于大数据网格下的用电异常行为分析方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。所述服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络（Content Delivery Network，CDN)，以及大数据和人工智能平台等基础云计算服务的云服务器。
参照图1所示，为本发明一实施例提供的基于大数据网格下的用电异常行为分析方法的流程示意图。在本实施例中，所述基于大数据网格下的用电异常行为分析方法包括：
S1、获取历史用电数据，按照数据种类对所述历史用电数据进行数据划分，得到用电数据簇集，依次对所述用电数据簇集进行数据清洗和异常标定，得到标准用电数据簇集。
本发明实施例中，所述历史用电数据可以是某一地区的一段时间内的用电相关数据，所述历史用电数据包括家庭用电、商业用电、工业用电以及城市用电等种类；所述按照数据种类对所述历史用电数据进行数据划分，得到用电数据簇集是指按照用电种类将所述历史用电数据拆分成多个用电数据簇，并将所有的所述用电数据簇汇集成用电数据簇集，其中，每个用电数据簇中包含一种用电种类的历史用电数据。
本发明实施例中，参照图2所示，所述依次对所述用电数据簇集进行数据清洗和异常标定，得到标准用电数据簇集，包括：
S21、逐个选取所述用电数据簇集中的用电数据簇作为目标数据簇，按照时序对所述目标数据簇中的数据进行排序，得到目标时序簇；
S22、利用预设的占位符替换所述目标时序簇中的乱码数据和越位数据，得到初级时序簇；
S23、逐个选取所述初级时序簇中的占位符作为目标占位符，选取所述目标占位符周围的若干数据组成目标占位数据集；
S24、根据所述目标占位数据集计算出所述目标占位符对应的加权平均数；
S25、利用所述加权平均数更新所述目标占位符，直至所述目标占位符为所述初级时序簇中的最后一个占位符时，将所述初级时序簇作为标准时序簇，并将所有的所述标准时序簇汇集成标准时序簇集；
S26、对所述标准时序簇集中的各个数据进行异常标定，得到标准用电数据簇集。
详细地，所述乱码数据是指例如@、#以及^等无实际意义的数据，所述越位数据是指超出数据值域的数据，例如耗电量-50。
详细地，所述根据所述目标占位数据集计算出所述目标占位符对应的加权平均数，包括：
逐个选取所述目标占位数据集中的数据作为目标占位数据，计算出所述目标占位数据与所述目标占位符之间的欧式距离；
将所述欧式距离作为所述目标占位数据的数据权重，将所有的所述数据权重汇集成数据权重集；
利用如下的加权平均数公式根据所述目标占位数据集和所述数据权重集计算出所述目标占位符对应的加权平均数：
Figure SMS_50
其中，
Figure SMS_51
是指所述加权平均数，
Figure SMS_56
是指第
Figure SMS_58
个，
Figure SMS_54
是指第
Figure SMS_55
个，
Figure SMS_61
是所述目标占位数据集的元素总数，且所述目标占位数据集的元素总数与所述数据权重集的元素总数相等，
Figure SMS_62
是所述数据权重集中的第
Figure SMS_52
个数据权重，
Figure SMS_57
是指所述目标转为数据集中的第
Figure SMS_59
个数据，
Figure SMS_60
是所述数据权重集中的第
Figure SMS_53
个数据权重。
本发明实施例中，通过利用所述加权平均数公式根据所述目标占位数据集和所述数据权重集计算出所述目标占位符对应的加权平均数，可以利用所述目标占位符周围的数据和相对的距离分析出所述目标占位符的平均值，提高数据集的准确性，从而提高后续用电异常行为分析的准确性。
本发明实施例中，通过按照数据种类对所述历史用电数据进行数据划分，得到用电数据簇集，可以提高用电数据的分析维度，从而提高异常分析的准确度，通过依次对所述用电数据簇集进行数据清洗和异常标定，得到标准用电数据簇集，可以提高所述标准用电数据簇集的准确性，从而提高后续异常分析的准确性。
S2、从所述标准用电数据簇集中提取出用电数据特征，利用预设的时域窗口对所述用电数据特征进行采样，得到标准特征序列。
本发明实施例中，所述从所述标准用电数据簇集中提取出用电数据特征，包括：
逐个选取所述标准用电数据簇集中的标准用电数据簇作为目标用电数据簇，按照时序分别提取出所述目标用电数据簇对应的短期用电特征和长期用电特征；
对所述短期用电特征和所述长期用电特征进行特征融合，得到所述目标用电数据簇的长短用电特征；
按照时序对所有的所述长短用电特征进行向量拼接，得到用电数据特征。
详细地，所述按照时序分别提取出所述目标用电数据簇对应的短期用电特征和长期用电特征是指利用长短期记忆网络（long short-term memory, 简称LSTM）按照时序对所述目标用电数据簇进行特征提取，得到短期用电特征和长期用电特征；可以利用全连接算法对所述短期用电特征和所述长期用电特征进行特征融合，得到所述目标用电数据簇的长短用电特征。
本发明实施例中，所述利用预设的时域窗口对所述用电数据特征进行采样，得到标准特征序列是指按照时序滑动预设的时域窗口，并将每次滑动时所述时域窗口所对应的所述用电数据特征的部分作为标准特征，并将所有的所述标准特征汇集成标准特征序列；所述时域窗口是按照时间长度为单位的滑动窗口。
本发明实施例中，通过从所述标准用电数据簇集中提取出用电数据特征，利用预设的时域窗口对所述用电数据特征进行采样，得到标准特征序列，可以提取出所述历史用电数据中各种用电数据的数据特征，方便后续进行动态网格分析。
S3、选取所述标准特征序列中的位于首位的标准特征作为目标标准特征，利用所述目标标准特征生成所述标准特征序列的用电数据网格，并利用所述标准特征序列中除所述目标标准特征之外的其余的标准特征对所述用电数据网格进行扩展，得到动态用电网格。
本发明实施例中，所述利用所述目标标准特征生成所述标准特征序列的用电数据网格，包括：
对所述目标标准特征进行向量拆分，得到多个单维标准特征；
逐个选取所述单维标准特征作为目标单维特征，计算出所述目标单维特征的网格边长；
根据各个所述目标单维特征的网格边长对所述标准特征序列进行划分，得到用电数据网格。
具体地，所述对所述目标标准特征进行向量拆分，得到多个单维标准特征将所述目标标准特征中各个标准用电数据簇对应的特征向量进行拆分，使得每个单维标准特征对应一种标准用电数据簇。
详细地，所述计算出所述目标单维特征的网格边长包括获取所述目标单维特征对应的区间数，从所述目标单维特征中提取出取值上限和取值下限；将所述取值上限减去所述取值下限，得到取值区间，将所述取值区间除以所述区间数，得到所述目标单维特征的网格边长。
具体地，所述根据各个所述目标单维特征的网格边长对所述标准特征序列进行划分，得到用电数据网格是指按照所述网格边长将所述目标单维特征划分为多个目标网格单元，并将所有的所述目标网格单元汇集成用电数据网格。
详细地，所述利用所述标准特征序列中除所述目标标准特征之外的其余的标准特征对所述用电数据网格进行扩展，得到动态用电网格是指将所述标准特征序列中除所述目标标准特征之外的其余的标准特征依次生成所述用电数据网格的扩展区域，并将扩展区域和所述用电数据网格汇集成动态用电网格其中，所述将所述标准特征序列中除所述目标标准特征之外的其余的标准特征依次生成所述用电数据网格的扩展区域的步骤与上述S3中的所述利用所述目标标准特征生成所述标准特征序列的用电数据网格的步骤一致，这里不再赘述。
本发明实施例中，通过利用所述目标标准特征生成所述标准特征序列的用电数据网格，并利用所述标准特征序列中除所述目标标准特征之外的其余的标准特征对所述用电数据网格进行扩展，得到动态用电网格，可以动态地调节网格边长的大小，从而提高动态用电网格的表征性。
S4、计算出所述动态用电网格中各个网格单元的单元密度，根据所述单元密度对所述动态用电网格进行特征聚类，得到用电特征类集。
本发明实施例中，所述单元密度是用来表述网格单元对应的数据的数量个数与扩展区域内的数据对所述网格单元的影响度之和。
本发明实施例中，参照图3所示，所述计算出所述动态用电网格中各个网格单元的单元密度，包括：
S31、将所述标准特征序列中的各个特征数据映射到所述动态用电网格中，得到映射数据网格；
S32、将所述映射数据网格中包含特征数据的网格单元作为非空网格单元，并将所述映射数据网格中所有的非空网格单元汇集成非空网格单元集；
S33、逐个选取所述非空网格单元集中的非空网格单元作为目标非空网格单元，将所述目标非空网格单元中的特征数据的总数作为非空特征数；
S34、将所述目标非空网格单元对应的扩展区域作为目标扩展区域，根据所述非空特征数计算出所述目标扩展区域中各个特征数据的影响度；
S35、将所述目标扩展区域中所有特征数据的影响度之和与所述非空特征数的和作为所述目标非空网格单元的单元密度。
具体地，所述将所述标准特征序列中的各个特征数据映射到所述动态用电网格中，得到映射数据网格是指将所述标准特征序列中的各个特征数据按照拆分后的单维标准特征进行映射到所述动态用电网格的对应网格单元中，得到映射数据网格。
详细地，所述根据所述非空特征数计算出所述目标扩展区域中各个特征数据的影响度，包括：
逐个选取所述目标扩展区域中的特征数据作为目标扩充特征数据；
利用如下的影响度算法根据所述非空特征数计算出所述目标扩充特征数据的影响度：
Figure SMS_63
其中，
Figure SMS_65
是指所述影响度，
Figure SMS_75
是指第
Figure SMS_76
个，
Figure SMS_64
是指第
Figure SMS_68
个，
Figure SMS_70
是指所述目标扩充特征数据对应的单维标准特征的总数，
Figure SMS_71
是指所述目标扩充特征数据在第
Figure SMS_66
个单维标准特征上对应的特征数，
Figure SMS_72
是所述目标非空网格单元中的第
Figure SMS_73
个特征数据，所述
Figure SMS_74
是指所述非空特征数，所述
Figure SMS_67
是指所述目标扩充特征数据在第
Figure SMS_69
个单维标准特征上的网格边长。
本发明实施例中，通过利用所述影响度算法根据所述非空特征数计算出所述目标扩充特征数据的影响度，可以表征所述目标扩充特征数据在各个维度下对所述目标非空网格单元的相似度与影响力。
详细地，所述根据所述单元密度对所述动态用电网格进行特征聚类，得到用电特征类集，包括：
根据所述动态用电网格中各个网格单元的单元密度计算出密度阈值；
根据所述密度阈值和各个网格单元的单元密度将所述动态用电网格的网格单元划分成稠密网格类、稀疏网格类以及孤立网格类；
逐个选取所述动态用电网格中的网格单元作为目标动态单元，根据所述目标动态单元周围的网格单元对所述目标动态单元进行聚类，并根据聚类结果生成所述目标动态单元的聚类偏差值；
当所述目标动态单元为所述动态用电网格中的最后一个网格单元时，将所有的聚类偏差值之和作为聚类偏差总数，并根据所述聚类偏差总数对所述动态用电网格中的各个网格单元进行迭代聚类，得到标准网格类集；
对所述标准网格类集进行映射，得到用电特征类集。
本发明实施例中，所述密度阈值是用于对所述网格单元进行分类的阈值参数，所述稠密网格类是指所述网格单元中的特征数据分布较为稠密的网格组成的类，所述稀疏网格类是指所述网格单元中的特征数据分布较为稀疏的网格组成的类，所述孤立网格类是指所述网格单元中的特征数据分布较为孤立的网格组成的类。
详细地，所述根据所述动态用电网格中各个网格单元的单元密度计算出密度阈值，包括：
将所述动态用电网格中包含特征数据的网格单元作为动态非空网格单元，并将所述动态用电网格中所有的动态非空网格单元汇集成动态非空网格单元集；
将所述动态非空网格单元集中各个网格单元的单元密度汇集成动态单元密度集，并选取所述动态单元密度集中单元密度的最大值作为最大单元密度；
利用如下的密度阈值算法根据所述动态单元密度集和所述最大单元密度计算出所述动态用电网格的密度阈值：
Figure SMS_77
其中，
Figure SMS_78
是指所述密度阈值，
Figure SMS_79
是指所述最大单元密度，
Figure SMS_80
是指第
Figure SMS_81
个，
Figure SMS_82
是指所述动态单元密度集中单元密度的总个数，
Figure SMS_83
是指所述动态单元密度集中的第
Figure SMS_84
个单元密度。
详细地，通过利用所述密度阈值算法根据所述动态单元密度集和所述最大单元密度计算出所述动态用电网格的密度阈值，可以按照平均值和最大值对所述动态用电网格中各个网格单元的类别进行分类，提升了分类的效率。
详细地，所述根据所述密度阈值和各个网格单元的单元密度将所述动态用电的网格单元划分成稠密网格类、稀疏网格类以及孤立网格类是指将所述动态用电网格中单元密度大于或等于所述密度阈值的网格单元划分到稠密网格类，将所述动态用电网格中单元密度小于所述密度阈值所述的网格单元且与所述稠密网格类中的网格单元相邻的网格单元划分到稀疏网格类，将所述动态用电网格中单元密度小于所述密度阈值所述的网格单元且响铃网格单元都是所述稀疏稠密网格类中的网格单元划分到孤立网格类。
详细地，所述根据所述目标动态单元周围的网格单元对所述目标动态单元进行聚类的步骤与上述步骤S4中的所述根据所述密度阈值和各个网格单元的单元密度将所述动态用电的网格单元划分成稠密网格类、稀疏网格类以及孤立网格类的步骤一致，这里不再赘述；所述聚类偏差值是指聚类之前的网格类与聚类后的网格类不属于同一个网格类时的偏差值，例如，稠密网格类与稀疏网格类之间的偏差值为1，稀疏网格类与孤立网格类之间的偏差值为1，稠密网格类与孤立网格类之间的偏差值为2。
本发明实施例中，通过计算出所述动态用电网格中各个网格单元的单元密度，根据所述单元密度对所述动态用电网格进行特征聚类，得到用电特征类集，可以按照网格单元的稠密度进行聚类分析，提高了聚类的效率，可以将用电行为进行聚类，也提升了后续异常行为分析的准确性。
S5、将所述用电特征类集划分为异常特征类和正常特征类，计算出所述正常特征类所对应的各个标准特征的偏差因子，根据所述偏差因子对所述异常特征类进行更新，得到标准异常特征类，并将所述标准异常特征类对应的用电行为作为异常用电行为。
本发明实施例中，所述将所述用电特征类集划分为异常特征类和正常特征类是指将所述用电特征类集中所述稠密网格类和所述稀疏网格类对应的用电特征类作为正常特征类，所述孤立网格类对应的用电特征类作为异常特征类。
本发明实施例中，所述计算出所述正常特征类所对应的各个标准特征的偏差因子，包括：
从所述异常特征类中提取出簇心异常特征，逐个选取所述正常特征类对应的标准特征作为目标标准特征；
利用如下的偏差因子算法计算出所述簇心异常特征与所述目标标准特征之间的偏差因子：
Figure SMS_85
其中，
Figure SMS_86
是指所述偏差因子，
Figure SMS_87
是预设的对抗系数，
Figure SMS_88
是指所述簇心异常特征，
Figure SMS_89
是指所述目标标准特征，
Figure SMS_90
是点乘算法，
Figure SMS_91
是叉乘算法。
本发明实施例中，通过利用所述偏差因子算法计算出所述簇心异常特征与所述目标标准特征之间的偏差因子，可以对所述目标标准特征进行多维对比，从而提高偏差因子对相斥性的表征性。
具体地，所述簇心异常特征是指所述孤立网格类的簇心网格单元对应的标准特征，所述根据所述偏差因子对所述异常特征类进行更新，得到标准异常特征是指类将所述偏差因子小于预设的偏差阈值的目标标准特征添加到所述异常特征类中。
本发明实施例中，通过将所述用电特征类集划分为异常特征类和正常特征类，计算出所述正常特征类所对应的各个标准特征的偏差因子，根据所述偏差因子对所述异常特征类进行更新，得到标准异常特征类，并将所述标准异常特征类对应的用电行为作为异常用电行为，可以进一步对网格划分后的特征进行验证，从而提高异常用电行为分析的准确性。
本发明实施例通过按照数据种类对所述历史用电数据进行数据划分，得到用电数据簇集，可以提高用电数据的分析维度，从而提高异常分析的准确度，通过依次对所述用电数据簇集进行数据清洗和异常标定，得到标准用电数据簇集，可以提高所述标准用电数据簇集的准确性，从而提高后续异常分析的准确性，通过从所述标准用电数据簇集中提取出用电数据特征，利用预设的时域窗口对所述用电数据特征进行采样，得到标准特征序列，可以提取出所述历史用电数据中各种用电数据的数据特征，方便后续进行动态网格分析，通过利用所述目标标准特征生成所述标准特征序列的用电数据网格，并利用所述标准特征序列中除所述目标标准特征之外的其余的标准特征对所述用电数据网格进行扩展，得到动态用电网格，可以动态地调节网格边长的大小，从而提高动态用电网格的表征性；
通过计算出所述动态用电网格中各个网格单元的单元密度，根据所述单元密度对所述动态用电网格进行特征聚类，得到用电特征类集，可以按照网格单元的稠密度进行聚类分析，提高了聚类的效率，可以将用电行为进行聚类，也提升了后续异常行为分析的准确性，通过将所述用电特征类集划分为异常特征类和正常特征类，计算出所述正常特征类所对应的各个标准特征的偏差因子，根据所述偏差因子对所述异常特征类进行更新，得到标准异常特征类，并将所述标准异常特征类对应的用电行为作为异常用电行为，可以进一步对网格划分后的特征进行验证，从而提高异常用电行为分析的准确性。因此本发明提出的基于大数据网格下的用电异常行为分析方法，可以解决进行异常用电行为分析时的准确性较低的问题。
如图4所示，是本发明一实施例提供的基于大数据网格下的用电异常行为分析装置的功能模块图。
本发明所述基于大数据网格下的用电异常行为分析装置100可以安装于电子设备中。根据实现的功能，所述基于大数据网格下的用电异常行为分析装置100可以包括数据划分模块101、特征提取模块102、网格生成模块103、特征聚类模块104及异常分析模块105。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
在本实施例中，关于各模块/单元的功能如下：
所述数据划分模块101，用于获取历史用电数据，按照数据种类对所述历史用电数据进行数据划分，得到用电数据簇集，依次对所述用电数据簇集进行数据清洗和异常标定，得到标准用电数据簇集；
所述特征提取模块102，用于从所述标准用电数据簇集中提取出用电数据特征，利用预设的时域窗口对所述用电数据特征进行采样，得到标准特征序列；
所述网格生成模块103，用于选取所述标准特征序列中的位于首位的标准特征作为目标标准特征，利用所述目标标准特征生成所述标准特征序列的用电数据网格，并利用所述标准特征序列中除所述目标标准特征之外的其余的标准特征对所述用电数据网格进行扩展，得到动态用电网格；
所述特征聚类模块104，用于计算出所述动态用电网格中各个网格单元的单元密度，根据所述单元密度对所述动态用电网格进行特征聚类，得到用电特征类集；
所述异常分析模块105，用于将所述用电特征类集划分为异常特征类和正常特征类，计算出所述正常特征类所对应的各个标准特征的偏差因子，根据所述偏差因子对所述异常特征类进行更新，得到标准异常特征类，并将所述标准异常特征类对应的用电行为作为异常用电行为，其中，所述计算出所述正常特征类所对应的各个标准特征的偏差因子，包括：从所述异常特征类中提取出簇心异常特征，逐个选取所述正常特征类对应的标准特征作为目标标准特征；利用如下的偏差因子算法计算出所述簇心异常特征与所述目标标准特征之间的偏差因子：
Figure SMS_92
其中，
Figure SMS_93
是指所述偏差因子，
Figure SMS_94
是预设的对抗系数，
Figure SMS_95
是指所述簇心异常特征，
Figure SMS_96
是指所述目标标准特征，
Figure SMS_97
是点乘算法，
Figure SMS_98
是叉乘算法。
详细地，本发明实施例中所述基于大数据网格下的用电异常行为分析装置100中所述的各模块在使用时采用与上述图1至图3中所述的基于大数据网格下的用电异常行为分析方法一样的技术手段，并能够产生相同的技术效果，这里不再赘述。
在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其他的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(Artificial Intelligence，AI）是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一、第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。

Claims (10)

1.一种基于大数据网格下的用电异常行为分析方法，其特征在于，所述方法包括：
S1：获取历史用电数据，按照数据种类对所述历史用电数据进行数据划分，得到用电数据簇集，依次对所述用电数据簇集进行数据清洗和异常标定，得到标准用电数据簇集；
S2：从所述标准用电数据簇集中提取出用电数据特征，利用预设的时域窗口对所述用电数据特征进行采样，得到标准特征序列；
S3：选取所述标准特征序列中的位于首位的标准特征作为目标标准特征，利用所述目标标准特征生成所述标准特征序列的用电数据网格，并利用所述标准特征序列中除所述目标标准特征之外的其余的标准特征对所述用电数据网格进行扩展，得到动态用电网格；
S4：计算出所述动态用电网格中各个网格单元的单元密度，根据所述单元密度对所述动态用电网格进行特征聚类，得到用电特征类集；
S5：将所述用电特征类集划分为异常特征类和正常特征类，计算出所述正常特征类所对应的各个标准特征的偏差因子，根据所述偏差因子对所述异常特征类进行更新，得到标准异常特征类，并将所述标准异常特征类对应的用电行为作为异常用电行为，其中，所述计算出所述正常特征类所对应的各个标准特征的偏差因子，包括：
S51：从所述异常特征类中提取出簇心异常特征，逐个选取所述正常特征类对应的标准特征作为目标标准特征；
S52：利用如下的偏差因子算法计算出所述簇心异常特征与所述目标标准特征之间的偏差因子：
Figure QLYQS_1
其中，
Figure QLYQS_2
是指所述偏差因子，
Figure QLYQS_3
是预设的对抗系数，
Figure QLYQS_4
是指所述簇心异常特征，
Figure QLYQS_5
是指所述目标标准特征，
Figure QLYQS_6
是点乘算法，
Figure QLYQS_7
是叉乘算法。
2.如权利要求1所述的基于大数据网格下的用电异常行为分析方法，其特征在于，所述依次对所述用电数据簇集进行数据清洗和异常标定，得到标准用电数据簇集，包括：
逐个选取所述用电数据簇集中的用电数据簇作为目标数据簇，按照时序对所述目标数据簇中的数据进行排序，得到目标时序簇；
利用预设的占位符替换所述目标时序簇中的乱码数据和越位数据，得到初级时序簇；
逐个选取所述初级时序簇中的占位符作为目标占位符，选取所述目标占位符周围的若干数据组成目标占位数据集；
根据所述目标占位数据集计算出所述目标占位符对应的加权平均数；
利用所述加权平均数更新所述目标占位符，直至所述目标占位符为所述初级时序簇中的最后一个占位符时，将所述初级时序簇作为标准时序簇，并将所有的所述标准时序簇汇集成标准时序簇集；
对所述标准时序簇集中的各个数据进行异常标定，得到标准用电数据簇集。
3.如权利要求2所述的基于大数据网格下的用电异常行为分析方法，其特征在于，所述根据所述目标占位数据集计算出所述目标占位符对应的加权平均数，包括：
逐个选取所述目标占位数据集中的数据作为目标占位数据，计算出所述目标占位数据与所述目标占位符之间的欧式距离；
将所述欧式距离作为所述目标占位数据的数据权重，将所有的所述数据权重汇集成数据权重集；
利用如下的加权平均数公式根据所述目标占位数据集和所述数据权重集计算出所述目标占位符对应的加权平均数：
Figure QLYQS_8
其中，
Figure QLYQS_11
是指所述加权平均数，
Figure QLYQS_13
是指第
Figure QLYQS_15
个，
Figure QLYQS_12
是指第
Figure QLYQS_17
个，
Figure QLYQS_19
是所述目标占位数据集的元素总数，且所述目标占位数据集的元素总数与所述数据权重集的元素总数相等，
Figure QLYQS_20
是所述数据权重集中的第
Figure QLYQS_10
个数据权重，
Figure QLYQS_14
是指所述目标转为数据集中的第
Figure QLYQS_16
个数据，
Figure QLYQS_18
是所述数据权重集中的第
Figure QLYQS_9
个数据权重。
4.如权利要求1所述的基于大数据网格下的用电异常行为分析方法，其特征在于，所述从所述标准用电数据簇集中提取出用电数据特征，包括：
逐个选取所述标准用电数据簇集中的标准用电数据簇作为目标用电数据簇，按照时序分别提取出所述目标用电数据簇对应的短期用电特征和长期用电特征；
对所述短期用电特征和所述长期用电特征进行特征融合，得到所述目标用电数据簇的长短用电特征；
按照时序对所有的所述长短用电特征进行向量拼接，得到用电数据特征。
5.如权利要求1所述的基于大数据网格下的用电异常行为分析方法，其特征在于，所述利用所述目标标准特征生成所述标准特征序列的用电数据网格，包括：
对所述目标标准特征进行向量拆分，得到多个单维标准特征；
逐个选取所述单维标准特征作为目标单维特征，计算出所述目标单维特征的网格边长；
根据各个所述目标单维特征的网格边长对所述标准特征序列进行划分，得到用电数据网格。
6.如权利要求1所述的基于大数据网格下的用电异常行为分析方法，其特征在于，所述计算出所述动态用电网格中各个网格单元的单元密度，包括：
将所述标准特征序列中的各个特征数据映射到所述动态用电网格中，得到映射数据网格；
将所述映射数据网格中包含特征数据的网格单元作为非空网格单元，并将所述映射数据网格中所有的非空网格单元汇集成非空网格单元集；
逐个选取所述非空网格单元集中的非空网格单元作为目标非空网格单元，将所述目标非空网格单元中的特征数据的总数作为非空特征数；
将所述目标非空网格单元对应的扩展区域作为目标扩展区域，根据所述非空特征数计算出所述目标扩展区域中各个特征数据的影响度；
将所述目标扩展区域中所有特征数据的影响度之和与所述非空特征数的和作为所述目标非空网格单元的单元密度。
7.如权利要求6所述的基于大数据网格下的用电异常行为分析方法，其特征在于，所述根据所述非空特征数计算出所述目标扩展区域中各个特征数据的影响度，包括：
逐个选取所述目标扩展区域中的特征数据作为目标扩充特征数据；
利用如下的影响度算法根据所述非空特征数计算出所述目标扩充特征数据的影响度：
Figure QLYQS_21
其中，
Figure QLYQS_23
是指所述影响度，
Figure QLYQS_30
是指第
Figure QLYQS_31
个，
Figure QLYQS_24
是指第
Figure QLYQS_32
个，
Figure QLYQS_33
是指所述目标扩充特征数据对应的单维标准特征的总数，
Figure QLYQS_34
是指所述目标扩充特征数据在第
Figure QLYQS_22
个单维标准特征上对应的特征数，
Figure QLYQS_27
是所述目标非空网格单元中的第
Figure QLYQS_28
个特征数据，所述
Figure QLYQS_29
是指所述非空特征数，所述
Figure QLYQS_25
是指所述目标扩充特征数据在第
Figure QLYQS_26
个单维标准特征上的网格边长。
8.如权利要求1所述的基于大数据网格下的用电异常行为分析方法，其特征在于，所述根据所述单元密度对所述动态用电网格进行特征聚类，得到用电特征类集，包括：
根据所述动态用电网格中各个网格单元的单元密度计算出密度阈值；
根据所述密度阈值和各个网格单元的单元密度将所述动态用电网格的网格单元划分成稠密网格类、稀疏网格类以及孤立网格类；
逐个选取所述动态用电网格中的网格单元作为目标动态单元，根据所述目标动态单元周围的网格单元对所述目标动态单元进行聚类，并根据聚类结果生成所述目标动态单元的聚类偏差值；
当所述目标动态单元为所述动态用电网格中的最后一个网格单元时，将所有的聚类偏差值之和作为聚类偏差总数，并根据所述聚类偏差总数对所述动态用电网格中的各个网格单元进行迭代聚类，得到标准网格类集；
对所述标准网格类集进行映射，得到用电特征类集。
9.如权利要求8所述的基于大数据网格下的用电异常行为分析方法，其特征在于，所述根据所述动态用电网格中各个网格单元的单元密度计算出密度阈值，包括：
将所述动态用电网格中包含特征数据的网格单元作为动态非空网格单元，并将所述动态用电网格中所有的动态非空网格单元汇集成动态非空网格单元集；
将所述动态非空网格单元集中各个网格单元的单元密度汇集成动态单元密度集，并选取所述动态单元密度集中单元密度的最大值作为最大单元密度；
利用如下的密度阈值算法根据所述动态单元密度集和所述最大单元密度计算出所述动态用电网格的密度阈值：
Figure QLYQS_35
其中，
Figure QLYQS_36
是指所述密度阈值，
Figure QLYQS_37
是指所述最大单元密度，
Figure QLYQS_38
是指第
Figure QLYQS_39
个，
Figure QLYQS_40
是指所述动态单元密度集中单元密度的总个数，
Figure QLYQS_41
是指所述动态单元密度集中的第
Figure QLYQS_42
个单元密度。
10.一种基于大数据网格下的用电异常行为分析装置，其特征在于，所述装置包括：
数据划分模块，用于获取历史用电数据，按照数据种类对所述历史用电数据进行数据划分，得到用电数据簇集，依次对所述用电数据簇集进行数据清洗和异常标定，得到标准用电数据簇集；
特征提取模块，用于从所述标准用电数据簇集中提取出用电数据特征，利用预设的时域窗口对所述用电数据特征进行采样，得到标准特征序列；
网格生成模块，用于选取所述标准特征序列中的位于首位的标准特征作为目标标准特征，利用所述目标标准特征生成所述标准特征序列的用电数据网格，并利用所述标准特征序列中除所述目标标准特征之外的其余的标准特征对所述用电数据网格进行扩展，得到动态用电网格；
特征聚类模块，用于计算出所述动态用电网格中各个网格单元的单元密度，根据所述单元密度对所述动态用电网格进行特征聚类，得到用电特征类集；
异常分析模块，用于将所述用电特征类集划分为异常特征类和正常特征类，计算出所述正常特征类所对应的各个标准特征的偏差因子，根据所述偏差因子对所述异常特征类进行更新，得到标准异常特征类，并将所述标准异常特征类对应的用电行为作为异常用电行为，其中，所述计算出所述正常特征类所对应的各个标准特征的偏差因子，包括：从所述异常特征类中提取出簇心异常特征，逐个选取所述正常特征类对应的标准特征作为目标标准特征；利用如下的偏差因子算法计算出所述簇心异常特征与所述目标标准特征之间的偏差因子：
Figure QLYQS_43
其中，
Figure QLYQS_44
是指所述偏差因子，
Figure QLYQS_45
是预设的对抗系数，
Figure QLYQS_46
是指所述簇心异常特征，
Figure QLYQS_47
是指所述目标标准特征，
Figure QLYQS_48
是点乘算法，
Figure QLYQS_49
是叉乘算法。
CN202310068385.4A 2023-02-06 2023-02-06 一种基于大数据网格下的用电异常行为分析方法和装置 Active CN115795329B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310068385.4A CN115795329B (zh) 2023-02-06 2023-02-06 一种基于大数据网格下的用电异常行为分析方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310068385.4A CN115795329B (zh) 2023-02-06 2023-02-06 一种基于大数据网格下的用电异常行为分析方法和装置

Publications (2)

Publication Number Publication Date
CN115795329A true CN115795329A (zh) 2023-03-14
CN115795329B CN115795329B (zh) 2023-04-11

Family

ID=85430052

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310068385.4A Active CN115795329B (zh) 2023-02-06 2023-02-06 一种基于大数据网格下的用电异常行为分析方法和装置

Country Status (1)

Country Link
CN (1) CN115795329B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116090795A (zh) * 2023-03-28 2023-05-09 佰聆数据股份有限公司 一种基于dnn的配网网格动态资源规划方法和装置
CN116991145A (zh) * 2023-09-25 2023-11-03 上海纳信实业有限公司 一种应用于励磁电流的主控单元制备测试方法和装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090210373A1 (en) * 2008-02-20 2009-08-20 Matsushita Electric Industrial Co., Ltd. System architecture and process for seamless adaptation to context aware behavior models
US20190122132A1 (en) * 2016-04-19 2019-04-25 Grid4C Method and system for energy consumption prediction
CN112035334A (zh) * 2020-09-15 2020-12-04 深圳市欢太科技有限公司 异常设备检测方法、装置、存储介质与电子设备
CN112381668A (zh) * 2020-11-12 2021-02-19 国家电网公司华中分部 一种用于电网故障的信息抽取方法
CN115689323A (zh) * 2022-07-26 2023-02-03 国网上海市电力公司 一种基于聚类分析技术的下水道用电异常识别方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090210373A1 (en) * 2008-02-20 2009-08-20 Matsushita Electric Industrial Co., Ltd. System architecture and process for seamless adaptation to context aware behavior models
US20190122132A1 (en) * 2016-04-19 2019-04-25 Grid4C Method and system for energy consumption prediction
CN112035334A (zh) * 2020-09-15 2020-12-04 深圳市欢太科技有限公司 异常设备检测方法、装置、存储介质与电子设备
CN112381668A (zh) * 2020-11-12 2021-02-19 国家电网公司华中分部 一种用于电网故障的信息抽取方法
CN115689323A (zh) * 2022-07-26 2023-02-03 国网上海市电力公司 一种基于聚类分析技术的下水道用电异常识别方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116090795A (zh) * 2023-03-28 2023-05-09 佰聆数据股份有限公司 一种基于dnn的配网网格动态资源规划方法和装置
CN116991145A (zh) * 2023-09-25 2023-11-03 上海纳信实业有限公司 一种应用于励磁电流的主控单元制备测试方法和装置
CN116991145B (zh) * 2023-09-25 2023-12-15 上海纳信实业有限公司 一种应用于励磁电流的主控单元制备测试方法和装置

Also Published As

Publication number Publication date
CN115795329B (zh) 2023-04-11

Similar Documents

Publication Publication Date Title
CN115795329B (zh) 一种基于大数据网格下的用电异常行为分析方法和装置
CN111027629B (zh) 基于改进随机森林的配电网故障停电率预测方法及系统
CN109325118B (zh) 不平衡样本数据预处理方法、装置和计算机设备
CN115758255B (zh) 一种融合模型下的用电异常行为分析方法和装置
CN108345908A (zh) 电网数据的分类方法、分类设备及存储介质
CN111861023A (zh) 基于统计学的混合风电功率预测方法、装置
CN110647995A (zh) 规则训练方法、装置、设备及存储介质
CN110110915A (zh) 一种基于cnn-svr模型的负荷集成预测方法
CN111062520A (zh) 基于随机森林算法的hostname特征预测方法
CN115809795A (zh) 一种基于数字化的生产班组的承载能力评估方法和装置
CN114330440B (zh) 基于模拟学习判别的分布式电源负荷异常识别方法及系统
CN115936926A (zh) 一种基于smote-gbdt的不平衡窃电数据分类方法、装置、计算机设备和存储介质
CN116127447A (zh) 虚拟电厂虚假数据注入攻击检测方法、装置、终端及介质
CN115329899A (zh) 一种聚类等效模型构建方法、系统、设备和存储介质
CN115168326A (zh) Hadoop大数据平台分布式能源数据清洗方法及系统
CN113127464A (zh) 农业大数据环境特征处理方法、装置及电子设备
CN115209441A (zh) 基站退服告警预测方法、装置、设备及存储介质
CN116049700B (zh) 基于多模态的运检班组画像生成方法及装置
CN116090795B (zh) 一种基于dnn的配网网格动态资源规划方法和装置
CN115860574B (zh) 充电设备的使用效果分析方法及装置
CN117350549B (zh) 计及出力相关性的配电网电压风险识别方法、装置及设备
CN116993307B (zh) 一种具有人工智能学习能力的协同办公方法及系统
CN109670227A (zh) 一种基于大数据的仿真数学模型参数对的估量方法
CN117762758B (zh) 一种web系统的性能效率一致性测试方法及系统
CN113487080B (zh) 一种基于风速分类的风速动态场景生成方法、系统及终端

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