CN116662413B - 基于燃气用量数据拆解画像的工商用户业态变化监控方法 - Google Patents
基于燃气用量数据拆解画像的工商用户业态变化监控方法 Download PDFInfo
- Publication number
- CN116662413B CN116662413B CN202310917212.5A CN202310917212A CN116662413B CN 116662413 B CN116662413 B CN 116662413B CN 202310917212 A CN202310917212 A CN 202310917212A CN 116662413 B CN116662413 B CN 116662413B
- Authority
- CN
- China
- Prior art keywords
- air
- gas consumption
- consumption
- data
- air consumption
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 18
- 238000012544 monitoring process Methods 0.000 title claims abstract description 15
- 239000007789 gas Substances 0.000 claims abstract description 70
- 239000013598 vector Substances 0.000 claims abstract description 47
- 230000002159 abnormal effect Effects 0.000 claims abstract description 7
- 238000005070 sampling Methods 0.000 claims abstract description 7
- 239000002737 fuel gas Substances 0.000 claims abstract description 5
- 238000004364 calculation method Methods 0.000 claims description 43
- 238000012937 correction Methods 0.000 claims description 8
- 230000007774 longterm Effects 0.000 claims description 8
- 230000000737 periodic effect Effects 0.000 claims description 7
- 238000012935 Averaging Methods 0.000 claims description 3
- 239000000470 constituent Substances 0.000 claims description 3
- 230000001788 irregular Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000000611 regression analysis Methods 0.000 claims description 3
- 238000013213 extrapolation Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06F16/2462—Approximate or statistical queries
-
- 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
- G06F16/2474—Sequence data queries, e.g. querying versioned data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
- G06F18/15—Statistical pre-processing, e.g. techniques for normalisation or restoring missing data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Probability & Statistics with Applications (AREA)
- Economics (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Databases & Information Systems (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- General Business, Economics & Management (AREA)
- Mathematical Physics (AREA)
- Fuzzy Systems (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Measuring Volume Flow (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及基于燃气用量数据拆解画像的工商用户业态变化监控方法,包括步骤:对一个运行周期的抄表数据进行采样,形成以变动周期为单位的用气量数据;对用气量数据进行时间序列数据的建模分析,构建用于表征用气量的特征向量;对特征向量求解,计算得到用气画像特征;基于用气画像特征,采用预测模型对预期用气量进行预测,得到下一个变动周期的用气量预测值;获取用气量预测值所在变动周期的用气量真实值,计算该变动周期的用气量预测值与用气量真实值之间的差异百分比;对超过预设百分比的用户,判定为用气量特征异常。本发明对工商用户的用气量数据进行模型解析得到特征向量后,对工商用户业态变化进行异常监控。
Description
技术领域
本发明涉及数据处理技术领域,特别涉及一种基于燃气用量数据拆解画像的工商用户业态变化监控方法。
背景技术
城镇燃气用户管理数量大,种类多,使得数据繁多,管理难度大。为了能更好地提升服务效率,需要及时有效地对燃气用户业态变化进行监控,从而实现对用户的个性化服务质量提升,及时感知用户用气异常、保障用户用气安全。
发明内容
本发明的目的在于对工商用户的用气量数据进行模型解析得到特征向量后,对工商用户业态变化进行异常监控,提供一种基于燃气用量数据拆解画像的工商用户业态变化监控方法。
为了实现上述发明目的,本发明实施例提供了以下技术方案:
基于燃气用量数据拆解画像的工商用户业态变化监控方法,包括以下步骤:
步骤1,对一个运行周期的抄表数据进行采样,形成以变动周期为单位的用气量数据;
步骤2,基于用气量数据,生成用于表征用气量的特征向量;对特征向量求解,计算得到用气画像特征;
步骤3,基于用气画像特征,采用预测模型对预期用气量进行预测,得到下一个变动周期的用气量预测值;
步骤4,获取步骤3中计算的用气量预测值所在变动周期的用气量真实值,计算该变动周期的用气量预测值与用气量真实值之间的差异百分比;对超过预设百分比的用户,判定为用气量特征异常。
所述步骤1具体包括以下步骤:
收集用户一个运行周期的抄表数据,确定一个变动周期,以及变动周期数n:
抄表数据的格式为[表号,采集时间,抄表读数];
以变动周期对抄表数据进行采样,格式为[表号,抄表年份,抄表季度,抄表读数],对其中抄表读数进行查分处理后,格式为[表号,抄表年份,抄表季度,用气量],根据其中用气量得到用气量数据。
所述步骤2中,基于用气量数据,生成用于表征用气量的特征向量的步骤,包括:
对用气量数据进行时间序列数据的建模分析,得到用于表征用气量数据的关键维度参数,关键维度参数构成特征向量[K,B,C,S],其中,K表示用户用气的长期趋势增长系数,B表示用户用气的长期趋势的起始常量,C表示用户用气的周期变动特征量,S表示用户用气的周期波动特征量;
用I表示用户用气的不规则变动特征量,用气量数据Y用时间序列的乘法模型表示Y=(Kt+B)*C*S*I,其中,t为时间序列的编号。
所述步骤2中,对特征向量求解,计算得到用气画像特征的步骤,包括:
步骤2.1,根据运行周期和变动周期,确定变动周期数n;
步骤2.2,对用气量数据取n项移动平均,n项移动平均计算结果附加在平均计算数据的[n/2]+1周期位置上;当用气量数据不足n项时,则停止该步骤计算,得到n项移动平均用气量序列;
步骤2.3,对步骤2.2的n项移动平均用气量序列进行两项平均,将计算结果放在[n/2]+1周期位置上;当用气量数据不足n项时,则停止该步骤计算,得到n项移动平均用气量序列的位置修正结果,作为特征向量(Kt+B)*C的值;
步骤2.4,根据乘法模型的定义,S*I=Y/[(Kt+B)*C]采用第[n/2]+1周期的用气量数据Y,除以步骤2.3中特征向量(Kt+B)*C的值,得到特征向量S*I的值;S*I计算结果位置与特征向量(Kt+B)*C的位置对应;
步骤2.5,对用气量数据Y按照时间先后排序后,从t=1开始编号,构成元素为[编号,用气量]的新序列,采用Y=Kt+B对该新序列进行最小二乘回归分析,求解得到特征向量K、B的值,并基于K、B计算得到Kt+B的值;
步骤2.6,基于步骤2.3计算的[(Kt+B)*C]除以步骤2.5计算的(Kt+B),得到特征向量C;
步骤2.7,基于变动周期数n,将特征向量S*I分成n组,对每组进行组内平均,组内平均值用an表示,计算得到;
从而,得到该用户的用气画像特征K、B、C、S。
所述步骤3中的预测模型为:
其中,为用气量预测值。
与现有技术相比,本发明的有益效果:
本发明通过对工商用户以变动周期为基本粒度的用气量数据进行建模分析,将模型的关键维度参数作为可以表征该工商用户的特征向量,即为该工商用户的用气画像特征;基于该用气画像特征对一个变动周期后的用气量进行预测,并将用气量预测值与用气量真实值进行对比,通过差异百分比判定该工商用户是否出现了用气异常,进而实现了对工商用户业态变化的自动监控预警。通过对工商用户业态变化自动监控预警,可以实现对工商用户需求变化的提前感知,实现主动客户关系管理与安全维护。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1为本发明方法流程图;
图2为本发明实施例特征向量C拟合的波动曲线。
具体实施方式
下面将结合本发明实施例中附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。同时,在本发明的描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性,或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。另外,术语“相连”、“连接”等可以是元件之间直接相连,也可以是经由其他元件的间接相连。
实施例
本发明通过下述技术方案实现,如图1所示,基于燃气用量数据拆解画像的工商用户业态变化监控方法,包括以下步骤:
步骤1,对一个运行周期的抄表数据进行采样,形成以变动周期为单位的用气量数据。
收集工商用户(用户)一个运行周期的抄表数据,运行周期可以根据业态监控的需求而定,比如一个运行周期可以是年、季度或月。根据运行周期,确定一个变动周期,比如当运行周期为“年”时,变动周期可以为“季度”,那么变动周期数则为n=4。变动周期也是形成后续时间序列的参考周期。
作为举例,提取某工商用户3年内的抄表数据,采用的抄表时间间隔为15分钟(抄表时间间隔小于变动周期),抄表数据的格式为[表号,采集时间,抄表读数],则每天采集96条抄表数据,收集该工商用户1年的抄表数据作为原始抄表数据。确定变动周期为“季度”对原始抄表数据进行采样,则形成每个季度1条抄表数据,格式为[表号,抄表年份,抄表季度,抄表读数]。对抄表读数进行差分处理后可得到抄表数据[表号,抄表年份,抄表季度,用气量],也就得到每个变动周期的用气量数据。
步骤2,基于步骤1得到的用气量数据,生成用于表征用气量的特征向量;对特征向量求解,计算得到用气画像特征。
系统对步骤1得到的用气量数据进行时间序列数据的建模分析,得到用于表征用气量数据的关键维度参数,这些关键维度参数构成特征向量[K,B,C,S],其中,K、B构成用户用气的长期趋势特征,K表示用户用气的长期趋势增长系数,B表示用户用气的长期趋势的起始常量,C表示用户用气的周期变动特征量,S表示用户用气的周期波动特征量。
用I表示用户用气的不规则变动特征量,用气量数据Y可用时间序列的乘法模型表示Y=(Kt+B)*C*S*I,其中,t为时间序列的编号,按照以下步骤进行关键维度参数的计算:
步骤2.1,根据运行周期和变动周期,确定变动周期数n,比如运行周期为“年”,变动周期为“季度”时,变动周期数n=4。
按照运行周期为“年”,变动周期为“季度”,获取的用气量数据按照时间序列编号t增加如表1所示。
表1 用气量数据
步骤2.2,对用气量数据取n项移动平均,以消除周期变动的影响,即消除特征向量S、I的影响。n项移动平均计算结果附加在平均计算数据的[n/2]+1周期位置上;当用气量数据不足n项时,则停止该步骤计算,得到n项移动平均用气量序列。
进行n项移动平均,计算结果如表2所示。
表2 n项移动平均计算结果
首先,对t=1,2,3,4的这4项(n=4)用气量数据取平均值,计算结果为258060.7,将该计算结果附加在平均计算数据的[4/2]+1周期位置上,也就是t=3的位置上;接着,对t=2,3,4,5的这4项用气量数据取平均值,计算结果为273530.075,将该计算结果附加在平均计算数据的[4/2]+1周期位置上,也就是t=4的位置上;以此类推,直到,对t=9,10,11,12的这4项用气量数据取平均值,计算结果为338969.9,将该计算结果附加在t=11的位置上后,剩余的用气量数据不足4项,停止计算。
步骤2.3,对步骤2.2的n项移动平均用气量序列进行位置修正,对n项移动平均的结果再进行两项平均,将计算结果放在[n/2]+1周期位置上;当用气量数据不足n项时,则停止该步骤计算,得到n项移动平均用气量序列的位置修正结果,作为特征向量(Kt+B)*C的值。
对表2的结果进行位置修正,计算结果如表3所示,计算结果作为特征向量(Kt+B)*C的值。
表3 特征向量(Kt+B)*C计算结果
首先,对t=3,4的这两项n项移动平均用气量序列取平均值,计算结果为265795.3875,将该计算结果附加在[4/2]+1周期位置上,也就是t=3的位置上;接着,对t=4,5的这两项n项移动平均用气量序列取平均值,计算结果为283758.2875,将该计算结果附加在[4/2]+1周期位置上,也就是t=4的位置上;以此类推,直到,对t=10,11的这两项n项移动平均用气量序列取平均值,计算结果为333526.2375,将该计算结果附加在t=10的位置上后,剩余的用气量数据不足4项,停止计算。
步骤2.4,根据乘法模型的定义,S*I=Y/[(Kt+B)*C]采用第[n/2]+1周期的用气量数据Y,除以步骤2.3中特征向量(Kt+B)*C的值,得到特征向量S*I的值。S*I计算结果位置与特征向量(Kt+B)*C的位置对应。
基于乘法模型Y=(Kt+B)*C*S*I,有S*I=Y/[(Kt+B)*C],计算S*I,结果如表4所示。
表4 特征向量S*I计算结果
首先,用t=3的用气量数据Y除以特征向量(Kt+B)*C,得到特征向量S*I的计算结果为0.89942381,该结果的位置与特征向量(Kt+B)*C的位置对应,即t=3的位置上;接着,用t=4的用气量数据Y除以特征向量(Kt+B)*C,得到特征向量S*I的计算结果为1.14783925,该结果的位置与特征向量(Kt+B)*C的位置对应,即t=4的位置上;以此类推。
步骤2.5,特征向量K、B表示了用户用气的长期趋势特征,通过对用气量数据进行趋势外推来获得,对用气量数据Y按照时间先后排序后,从1开始编号,构成元素为[编号,用气量]的新序列,采用Y=Kt+B对该新序列进行最小二乘回归分析,求解得到特征向量K、B的值,并基于K、B计算得到Kt+B的值。
根据t对Y做趋势外推,通过Y和t进行趋势拟合,计算Kt+B,结果如表5所示。
Kt+B=9877.6t+238381,则K=9877.6,B=238381。
表5 特征向量Kt+B计算结果
步骤2.6,基于步骤2.3计算的[(Kt+B)*C]除以步骤2.5计算的(Kt+B),得到特征向量C。
计算C,结果如表6所示。
表6 特征向量C计算结果
按照特征向量C的值的变化规律,拟合波动曲线,如图2所示,横坐标为序号t,纵坐标为特征向量C的值,有:
C=0.0004t3-0.0091t2+0.052t+0.9491
步骤2.7,基于变动周期数n,将特征向量S*I分成n组,对每组进行组内平均,组内平均值用ai表示,i表示第i组,,计算得到/>。
计算S,通过对S*I按照同一变动周期平均,消除I的影响,得到S,结果如表7所示。
表7 S计算结果
根据业务的判定需求,步骤1到步骤2可以循环执行,执行周期为步骤1中确定的变动周期,比如运行周期采用“年”,滚动执行周期则可以定为季度、月或周。
至此,除了I之外的所有特征参数均已求得,由此得到该用户的用气画像特征:
K=9877.6,
B=238381
C=0.0004t3-0.0091t2+0.052t+0.9491
S=[1.157822844,0.860278467,0.878023294,1.103875395]
步骤3,根据步骤2得到的用气画像特征,采用预测模型对预期用气量进行预测,得到下一个变动周期的用气量预测值。
步骤4,获取步骤3中计算的用气量预测值所在变动周期的用气量真实值,计算该变动周期的用气量预测值与用气量真实值之间的差异百分比;对超过预设百分比的用户,判定为用气量特征异常,表明有相应的业态变化可能,提醒管理人员进行核实和管理。
容易理解的,比如具有2023年第1季度的真实用气量数据后,可按照步骤2的计算更新用气画像特征的值,有助于提高用气量预测值的准确性。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应所述以权利要求的保护范围为准。
Claims (4)
1.基于燃气用量数据拆解画像的工商用户业态变化监控方法,其特征在于:包括以下步骤:
步骤1,对一个运行周期的抄表数据进行采样,形成以变动周期为单位的用气量数据;
步骤2,基于用气量数据,生成用于表征用气量的特征向量;对特征向量求解,计算得到用气画像特征;
所述步骤2中,基于用气量数据,生成用于表征用气量的特征向量的步骤,包括:
对用气量数据进行时间序列数据的建模分析,得到用于表征用气量数据的关键维度参数,关键维度参数构成特征向量[K,B,C,S],其中,K表示用户用气的长期趋势增长系数,B表示用户用气的长期趋势的起始常量,C表示用户用气的周期变动特征量,S表示用户用气的周期波动特征量;
用I表示用户用气的不规则变动特征量,用气量数据Y用时间序列的乘法模型表示Y=(Kt+B)*C*S*I,其中,t为时间序列的编号;
步骤3,基于用气画像特征,采用预测模型对预期用气量进行预测,得到下一个变动周期的用气量预测值;
步骤4,获取步骤3中计算的用气量预测值所在变动周期的用气量真实值,计算该变动周期的用气量预测值与用气量真实值之间的差异百分比;对超过预设百分比的用户,判定为用气量特征异常。
2.根据权利要求1所述的基于燃气用量数据拆解画像的工商用户业态变化监控方法,其特征在于:所述步骤1具体包括以下步骤:
收集用户一个运行周期的抄表数据,确定一个变动周期,以及变动周期数n:
抄表数据的格式为[表号,采集时间,抄表读数];
以变动周期对抄表数据进行采样,格式为[表号,抄表年份,抄表季度,抄表读数],对其中抄表读数进行差分处理后,格式为[表号,抄表年份,抄表季度,用气量],根据其中用气量得到用气量数据。
3.根据权利要求2所述的基于燃气用量数据拆解画像的工商用户业态变化监控方法,其特征在于:所述步骤2中,对特征向量求解,计算得到用气画像特征的步骤,包括:
步骤2.1,根据运行周期和变动周期,确定变动周期数n;
步骤2.2,对用气量数据取n项移动平均,n项移动平均计算结果附加在平均计算数据的[n/2]+1周期位置上;当用气量数据不足n项时,则停止该步骤计算,得到n项移动平均用气量序列;
步骤2.3,对步骤2.2的n项移动平均用气量序列进行两项平均,将计算结果放在[n/2]+1周期位置上;当用气量数据不足n项时,则停止该步骤计算,得到n项移动平均用气量序列的位置修正结果,作为特征向量(Kt+B)*C的值;
步骤2.4,根据乘法模型的定义,S*I=Y/[(Kt+B)*C]采用第[n/2]+1周期的用气量数据Y,除以步骤2.3中特征向量(Kt+B)*C的值,得到特征向量S*I的值;S*I计算结果位置与特征向量(Kt+B)*C的位置对应;
步骤2.5,对用气量数据Y按照时间先后排序后,从t=1开始编号,构成元素为[编号,用气量]的新序列,采用Y=Kt+B对该新序列进行最小二乘回归分析,求解得到特征向量K、B的值,并基于K、B计算得到Kt+B的值;
步骤2.6,基于步骤2.3计算的[(Kt+B)*C]除以步骤2.5计算的(Kt+B),得到特征向量C;
步骤2.7,基于变动周期数n,将特征向量S*I分成n组,对每组进行组内平均,组内平均值用ai表示,i表示第i组,,计算得到/>;
从而,得到该用户的用气画像特征K、B、C、S。
4.根据权利要求3所述的基于燃气用量数据拆解画像的工商用户业态变化监控方法,其特征在于:所述步骤3中的预测模型为:
其中,/>为用气量预测值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310917212.5A CN116662413B (zh) | 2023-07-25 | 2023-07-25 | 基于燃气用量数据拆解画像的工商用户业态变化监控方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310917212.5A CN116662413B (zh) | 2023-07-25 | 2023-07-25 | 基于燃气用量数据拆解画像的工商用户业态变化监控方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116662413A CN116662413A (zh) | 2023-08-29 |
CN116662413B true CN116662413B (zh) | 2023-10-27 |
Family
ID=87720838
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310917212.5A Active CN116662413B (zh) | 2023-07-25 | 2023-07-25 | 基于燃气用量数据拆解画像的工商用户业态变化监控方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116662413B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8131609B1 (en) * | 2007-07-12 | 2012-03-06 | MRDB Holdings, L.P. | System and method for managing utility resources based on utility service points |
CN107977737A (zh) * | 2017-11-19 | 2018-05-01 | 国网浙江省电力公司信息通信分公司 | 基于mxnet框架深度神经网络的配变负荷预测方法 |
WO2019104949A1 (zh) * | 2017-11-28 | 2019-06-06 | 特斯联(北京)科技有限公司 | 一种实现人员大数据采集分析的住宅门禁系统 |
CN111652417A (zh) * | 2020-05-25 | 2020-09-11 | 成都千嘉科技有限公司 | 一种远传抄表数据的自动校正方法与系统 |
CN111709626A (zh) * | 2020-06-05 | 2020-09-25 | 四川广安爱众股份有限公司 | 水电气热综合数据异常分析方法、系统、存储介质、终端 |
CN112101635A (zh) * | 2020-08-25 | 2020-12-18 | 南方电网深圳数字电网研究院有限公司 | 一种用电异常的监测方法和系统 |
WO2021072890A1 (zh) * | 2019-10-18 | 2021-04-22 | 平安科技(深圳)有限公司 | 基于模型的流量异常监测方法、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 |
-
2023
- 2023-07-25 CN CN202310917212.5A patent/CN116662413B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8131609B1 (en) * | 2007-07-12 | 2012-03-06 | MRDB Holdings, L.P. | System and method for managing utility resources based on utility service points |
CN107977737A (zh) * | 2017-11-19 | 2018-05-01 | 国网浙江省电力公司信息通信分公司 | 基于mxnet框架深度神经网络的配变负荷预测方法 |
WO2019104949A1 (zh) * | 2017-11-28 | 2019-06-06 | 特斯联(北京)科技有限公司 | 一种实现人员大数据采集分析的住宅门禁系统 |
WO2021072890A1 (zh) * | 2019-10-18 | 2021-04-22 | 平安科技(深圳)有限公司 | 基于模型的流量异常监测方法、装置、设备及存储介质 |
CN111652417A (zh) * | 2020-05-25 | 2020-09-11 | 成都千嘉科技有限公司 | 一种远传抄表数据的自动校正方法与系统 |
CN111709626A (zh) * | 2020-06-05 | 2020-09-25 | 四川广安爱众股份有限公司 | 水电气热综合数据异常分析方法、系统、存储介质、终端 |
CN112101635A (zh) * | 2020-08-25 | 2020-12-18 | 南方电网深圳数字电网研究院有限公司 | 一种用电异常的监测方法和系统 |
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 |
Non-Patent Citations (7)
Title |
---|
Construction of User Portrait Based on Alipay Big Data;Xiaodan ma 等;2020 International Conference on Applications and Techniques in Cyber Intelligence;467–472 * |
Customer Load Forecasting Method Based on the Industry Electricity Consumption Behavior Portrait;Guan Weiling 等;Frontiers in Energy Research;1-12 * |
基于城市居民日用燃气消费数据的预测分析及对比评估;王剑锋;中国优秀硕士学位论文全文数据库 信息科技辑(第5期);I140-135 * |
基于多维特征分析的月用电量精准预测研究;唐静 等;电力系统保护与控制(第16期);145-150 * |
基于状态空间模型的电力需求增长率分析;李翔 等;电网技术(第04期);60-65 * |
基于聚类分析和用户画像的用气负荷异常检测;胡殿涛 等;煤气与热力;35-42 * |
电力用户行为画像构建技术研究;傅军 等;电气应用(第13期);18-23 * |
Also Published As
Publication number | Publication date |
---|---|
CN116662413A (zh) | 2023-08-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104280791B (zh) | 一种气象数据质量控制处理方法及系统 | |
CN112381476B (zh) | 用于确定状态异常的电能表的方法及装置 | |
CN112730938B (zh) | 一种基于用电采集大数据的窃电用户判断方法 | |
JP2009294969A (ja) | 需要予測方法および需要予測装置 | |
CN114978956B (zh) | 智慧城市网络设备性能异常突变点检测方法及装置 | |
Zhang et al. | Statistical monitoring of the hand, foot and mouth disease in China | |
CN111898068A (zh) | 一种基于pert算法及仪表用量分析的异常检测方法 | |
CN115587532A (zh) | 一种工业建筑能耗工况异常监测方法、系统和存储介质 | |
CN117972314B (zh) | 一种基于数字孪生的云平台监控方法及系统 | |
CN109214458A (zh) | 一种基于历史数据的城市负荷量化方法 | |
CN116662413B (zh) | 基于燃气用量数据拆解画像的工商用户业态变化监控方法 | |
CN113587520B (zh) | 冰箱化霜系统异常检测方法及装置 | |
CN117469603B (zh) | 一种基于大数据学习的多水厂供水系统压力优化控制方法 | |
CN110635947A (zh) | 异常访问监测方法及装置 | |
CN108363024B (zh) | 一种充电桩故障点定位的方法和装置 | |
CN111650432A (zh) | 一种基于线损的窃电确定方法及装置 | |
CN115542236B (zh) | 电能表运行误差估计方法及装置 | |
CN116307886A (zh) | 一种企业生产状态的实时监测方法及装置 | |
Katemee et al. | Control charts for zero-inflated Poisson models | |
KR20210137435A (ko) | 산업 환경에서 에너지 소비를 평가하기 위한 방법, 시스템, 및 컴퓨터 프로그램 제품 | |
CN115809805A (zh) | 基于边缘计算的电网多源数据处理方法 | |
CN114118633B (zh) | 一种基于先行关系的指标自优化预测方法及装置 | |
CN105973629B (zh) | 多模块机组分水不均自诊断方法、系统及装置 | |
CN109754333B (zh) | 一种多区域聚合的地区雷电敏感负荷挖掘方法 | |
CN109117449A (zh) | 基于非线性最小二乘模型测算网吧安装率的方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |