CN117290695A - 一种低压充电桩异常用电甄别方法 - Google Patents

一种低压充电桩异常用电甄别方法 Download PDF

Info

Publication number
CN117290695A
CN117290695A CN202311251668.9A CN202311251668A CN117290695A CN 117290695 A CN117290695 A CN 117290695A CN 202311251668 A CN202311251668 A CN 202311251668A CN 117290695 A CN117290695 A CN 117290695A
Authority
CN
China
Prior art keywords
charging pile
curve
abnormal
electricity utilization
electricity
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
CN202311251668.9A
Other languages
English (en)
Inventor
魏海斌
黄宇楠
蒋涵
何涵
解宇虹
方晓临
郑陈熹
杨鑫
黄海
吴立钦
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.)
State Grid Fujian Electric Power Co Ltd
Putian Power Supply Co of State Grid Fujian Electric Power Co Ltd
Original Assignee
State Grid Fujian Electric Power Co Ltd
Putian Power Supply Co of State Grid Fujian Electric Power Co Ltd
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 State Grid Fujian Electric Power Co Ltd, Putian Power Supply Co of State Grid Fujian Electric Power Co Ltd filed Critical State Grid Fujian Electric Power Co Ltd
Priority to CN202311251668.9A priority Critical patent/CN117290695A/zh
Publication of CN117290695A publication Critical patent/CN117290695A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • G06F18/211—Selection of the most significant subset of features
    • G06F18/2113—Selection of the most significant subset of features by ranking or filtering the set of features, e.g. using a measure of variance or of feature cross-correlation
    • 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
    • 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
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/60—Other road transportation technologies with climate change mitigation effect
    • Y02T10/70—Energy storage systems for electromobility, e.g. batteries
    • 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
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/60—Other road transportation technologies with climate change mitigation effect
    • Y02T10/7072—Electromobility specific charging systems or methods for batteries, ultracapacitors, supercapacitors or double-layer capacitors
    • 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
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02T90/10—Technologies relating to charging of electric vehicles
    • Y02T90/12—Electric charging stations

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Economics (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Probability & Statistics with Applications (AREA)
  • Water Supply & Treatment (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)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)

Abstract

本发明涉及一种低压充电桩异常用电甄别方法，包括以下步骤：A、获取充电桩用电数据，对异常数据进行数据清洗，并通过曲线拟合算法拟合出缺失的数据，得到完整的充电桩用电曲线；B、利用k‑means聚类算法对所有充电桩用电曲线循环聚类，计算充电桩用电曲线上每个点与各自质心的距离并进行求和，通过距离和确定每条充电桩用电曲线聚类的簇数，再结合预设的簇数阈值初步筛选出疑似异常的充电桩用电曲线；C、利用滑差法对筛选出的疑似异常的充电桩用电曲线上每两个点都采用一次曲线拟合，再结合预设的斜率阈值进一步筛选出疑似违约用电行为，列入后续现场用电检查的排查清单。该方法可以有效甄别低压充电桩异常用电行为。

Description

一种低压充电桩异常用电甄别方法
技术领域
本发明涉及用电检查技术领域，具体涉及一种低压充电桩异常用电甄别方法。
背景技术
根据《供电营业规则》，在电价低的供电线路上擅自接用电价高的用电设备或私自改变用电类别的行为属于违约用电行为，日常生活中违约用电行为屡见不鲜，低压充电桩异常用电就是其中一种。低压充电桩采用居民合表电价，因其电价低于高级别居民阶梯电价，存在大电量用户将充电桩线路私自接为家用，违反了《供电营业规则》，不仅导致供电企业经济损失，还给社会带来严重的用电安全隐患。因此类违约用电行为较为隐蔽，先前的排查完全依赖于用电检查人员现场走访，全市低压充电桩用户数以万计，采用先前的排查方式成效甚微。
发明内容
本发明的目的在于提供一种低压充电桩异常用电甄别方法，该方法可以有效甄别低压充电桩异常用电行为。
为了实现上述目的，本发明采用的技术方案是：一种低压充电桩异常用电甄别方法，包括以下步骤：
A、获取充电桩用电数据，对异常数据进行数据清洗，并通过曲线拟合算法拟合出缺失的数据，得到完整的充电桩用电曲线；
B、利用k-means聚类算法对所有充电桩用电曲线循环聚类，计算充电桩用电曲线上每个点与各自质心的距离并进行求和，通过距离和确定每条充电桩用电曲线聚类的簇数，再结合预设的簇数阈值初步筛选出疑似异常的充电桩用电曲线；
C、利用滑差法对筛选出的疑似异常的充电桩用电曲线上每两个点都采用一次曲线拟合，再结合预设的斜率阈值进一步筛选出疑似违约用电行为，列入后续现场用电检查的排查清单。
进一步地，步骤A具体包括以下步骤：
A1、从用电信息采集系统获取系统采集到的充电桩电流数据，包括m个数据点；
A2、剔除数值为0、重复或异常突变的电流数据，实现对异常数据的清洗；
A3、识别电流数据缺失的位置，对缺失值进行三次样条插值，拟合出缺失的电流值。
进一步地，所述三次样条插值将已知的数据分割成若干段，每段构造一个三次函数，并且保证分段函数的衔接处具有0阶连续、一阶导数连续和二阶导数连续，通过三次样条插值拟合出缺失的电流数据，同时使充电桩电流曲线光滑衔接。
进一步地，步骤B具体包括以下步骤：
B1、利用k-means聚类算法对充电桩用电曲线进行循环聚类，设置聚类簇数为循环条件，并设置聚类簇数k的取值范围，当达到最大聚类簇数，停止循环；聚类时，首先从充电桩用电曲线的m个点中随机选择k个点作为质心，然后对每条充电桩用电曲线的每个点都计算其与k个质心的欧拉距离，将距离质心最近的点归类为一个簇；
B2、对于每一个簇数k，聚类后，计算充电桩用电曲线上所有点与各自质心的欧拉距离并求和；
B3、通过距离和确定每条充电桩用电曲线合适的聚类簇数；
B4、考虑到充电桩充电曲线具有一定规律，即充电时和空闲时曲线都稳定在一个数值，不会出现波动较大的情况，同时综合考虑有的充电桩具备快充和慢充两种充电功率以及将充满电时采取涓流充电方式，将每条曲线的聚类簇数阈值设定为4，认为簇数不大于4的曲线为正常充电桩充电曲线，簇数大于4的曲线波动较大，可能存在异常用电行为，初步确定为疑似异常的充电桩用电曲线。
进一步地，步骤B1中，如果将两个点分别标记为X:(X1,X2,X3....Xn)和Y:(Y1,Y2,Y3.....Yn)，则欧拉距离的计算公式为：
其中，d为充电桩用电曲线上任意一个点X与质心Y之间的欧拉距离，n为曲线上点的维度，n＝2。
进一步地，步骤B3中，通过肘部法确定聚类簇数，具体为：通过画出不同簇数k和对应的所有点到质心距离和的曲线图，曲线下降的拐点即为合适的聚类簇数。
进一步地，步骤C具体包括以下步骤：
C1、两点之间确定一条直线，对步骤B筛选出的疑似异常的每条充电桩用电曲线上的96个点每相邻两个点之间使用一次曲线拟合，通过每条一次曲线的斜率值判断两个点之间的波动程度；对于曲线上任意相邻两个点(xi,yi)和(xj,yj)存在一次曲线定义如下：
y＝ax+b
其中，a为斜率值，当a>0.5时认为这两个点之间起伏较大；
C2、统计每条充电桩用电曲线中斜率值大于0.5出现的次数，当次数超过10次时，认为该充电桩用电曲线波动较大，可能存在异常用电行为，将该用户加入疑似违约用电行为的排查清单。
与现有技术相比，本发明具有以下有益效果：本发明通过分析低压充电桩用电数据，分两个阶段筛选出低压充电桩疑似异常用电行为作为现场用电检查的排查清单，相较于先前依靠用电检查人员逐户走访的排查方式，在准确率上有了明显的提升，可以有效甄别出低压充电桩异常用电行为，不仅能够帮助供电企业挽回经济损失和规避用电安全隐患，还减轻了用电检查人员的工作量，提升了工作效率。
附图说明
图1是本发明实施例的方法实现流程框图。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
应该指出，以下详细说明都是示例性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请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申请的示例性实施方式。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。
如图1所示，本实施例提供了一种低压充电桩异常用电甄别方法，包括以下步骤：
A、获取充电桩用电数据，对异常数据进行数据清洗，并通过曲线拟合算法拟合出缺失的数据，得到完整的充电桩用电曲线。
在本实施例中，步骤A具体包括以下步骤：
A1、从用电信息采集系统获取系统采集到的充电桩电流数据，包括m个数据点。
在本实施例中，m＝96，即每台充电桩一天24小时内有96个点的电流数据，每15分钟一个数值。
A2、剔除数值为0、重复或异常突变的电流数据，实现对异常数据的清洗。
A3、识别电流数据缺失的位置，对缺失值进行三次样条插值，拟合出缺失的电流值。三次样条插值将已知的数据分割成若干段，每段构造一个三次函数，并且保证分段函数的衔接处具有0阶连续、一阶导数连续和二阶导数连续，通过三次样条插值拟合出缺失的电流数据，同时使充电桩电流曲线光滑衔接。
B、利用k-means聚类算法对所有充电桩用电曲线循环聚类，计算充电桩用电曲线上每个点与各自质心的距离并进行求和，通过距离和确定每条充电桩用电曲线聚类的簇数，再结合预设的簇数阈值初步筛选出疑似异常的充电桩用电曲线。
在本实施例中，步骤B具体包括以下步骤：
B1、利用k-means聚类算法对充电桩用电曲线进行循环聚类，设置聚类簇数为循环条件，并设置聚类簇数k的取值范围为0<k<11(k为整数)，当达到最大聚类簇数，即k取到10时，停止循环。聚类时，首先从充电桩用电曲线的96个点中随机选择k个点作为质心，然后对每条充电桩用电曲线的每个点都计算其与k个质心的欧拉距离，将距离质心最近的点归类为一个簇(距离哪个质心近就归类到相应的簇)。比如当k取5时，代表有5个质心，聚类最后的结果就是将这96个点分成5个簇。
欧拉距离为多维空间两点间的距离，是一种计算相似度评价值的方法。如果将两个点分别标记为X:(X1,X2,X3....Xn)和Y:(Y1,Y2,Y3.....Yn)，则欧拉距离的计算公式为：
其中，d为充电桩用电曲线上任意一个点X与质心Y之间的欧拉距离，n为曲线上点的维度，在此处n＝2(横坐标和纵坐标两个维度)。
B2、对于每一个簇数k，聚类后，计算充电桩用电曲线上所有点与各自质心的欧拉距离并求和。
B3、通过距离和确定每条充电桩用电曲线合适的聚类簇数。
在本实施例中，通过肘部法确定聚类簇数，具体为：通过画出不同簇数k和对应的所有点到质心距离和的曲线图，曲线下降的拐点即为合适的聚类簇数。
B4、考虑到充电桩充电曲线具有一定规律，即充电时和空闲时曲线都稳定在一个数值，不会出现波动较大的情况，同时综合考虑有的充电桩具备快充和慢充两种充电功率以及将充满电时采取涓流充电方式，将每条曲线的聚类簇数阈值设定为4，认为簇数不大于4的曲线为正常充电桩充电曲线，簇数大于4的曲线波动较大，可能存在异常用电行为，初步确定为疑似异常的充电桩用电曲线。
C、利用滑差法对筛选出的疑似异常的充电桩用电曲线上每两个点都采用一次曲线拟合，再结合预设的斜率阈值进一步筛选出疑似违约用电行为，列入后续现场用电检查的排查清单。
在本实施例中，步骤C具体包括以下步骤：
C1、两点之间确定一条直线，对步骤B筛选出的疑似异常的每条充电桩用电曲线上的96个点每相邻两个点之间使用一次曲线拟合，通过每条一次曲线的斜率值判断两个点之间的波动程度；对于曲线上任意相邻两个点(xi,yi)和(xj,yj)存在一次曲线定义如下：
y＝ax+b
其中，a为斜率值，当a>0.5时认为这两个点之间起伏较大；
C2、统计每条充电桩用电曲线中斜率值大于0.5出现的次数，当次数超过10次时，认为该充电桩用电曲线波动较大，可能存在异常用电行为，将该用户加入疑似违约用电行为的排查清单。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请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，本申请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。
本申请是参照根据本申请实施例的方法、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，使得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。
以上所述，仅是本发明的较佳实施例而已，并非是对本发明作其它形式的限制，任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例。但是凡是未脱离本发明技术方案内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型，仍属于本发明技术方案的保护范围。

Claims (7)

1.一种低压充电桩异常用电甄别方法，其特征在于，包括以下步骤：
A、获取充电桩用电数据，对异常数据进行数据清洗，并通过曲线拟合算法拟合出缺失的数据，得到完整的充电桩用电曲线；
B、利用k-means聚类算法对所有充电桩用电曲线循环聚类，计算充电桩用电曲线上每个点与各自质心的距离并进行求和，通过距离和确定每条充电桩用电曲线聚类的簇数，再结合预设的簇数阈值初步筛选出疑似异常的充电桩用电曲线；
C、利用滑差法对筛选出的疑似异常的充电桩用电曲线上每两个点都采用一次曲线拟合，再结合预设的斜率阈值进一步筛选出疑似违约用电行为，列入后续现场用电检查的排查清单。
2.根据权利要求1所述的一种低压充电桩异常用电甄别方法，其特征在于，步骤A具体包括以下步骤：
A1、从用电信息采集系统获取系统采集到的充电桩电流数据，包括m个数据点；
A2、剔除数值为0、重复或异常突变的电流数据，实现对异常数据的清洗；
A3、识别电流数据缺失的位置，对缺失值进行三次样条插值，拟合出缺失的电流值。
3.根据权利要求2所述的一种低压充电桩异常用电甄别方法，其特征在于，所述三次样条插值将已知的数据分割成若干段，每段构造一个三次函数，并且保证分段函数的衔接处具有0阶连续、一阶导数连续和二阶导数连续，通过三次样条插值拟合出缺失的电流数据，同时使充电桩电流曲线光滑衔接。
4.根据权利要求1所述的一种低压充电桩异常用电甄别方法，其特征在于，步骤B具体包括以下步骤：
B1、利用k-means聚类算法对充电桩用电曲线进行循环聚类，设置聚类簇数为循环条件，并设置聚类簇数k的取值范围，当达到最大聚类簇数，停止循环；聚类时，首先从充电桩用电曲线的m个点中随机选择k个点作为质心，然后对每条充电桩用电曲线的每个点都计算其与k个质心的欧拉距离，将距离质心最近的点归类为一个簇；
B2、对于每一个簇数k，聚类后，计算充电桩用电曲线上所有点与各自质心的欧拉距离并求和；
B3、通过距离和确定每条充电桩用电曲线合适的聚类簇数；
B4、考虑到充电桩充电曲线具有一定规律，即充电时和空闲时曲线都稳定在一个数值，不会出现波动较大的情况，同时综合考虑有的充电桩具备快充和慢充两种充电功率以及将充满电时采取涓流充电方式，将每条曲线的聚类簇数阈值设定为4，认为簇数不大于4的曲线为正常充电桩充电曲线，簇数大于4的曲线波动较大，可能存在异常用电行为，初步确定为疑似异常的充电桩用电曲线。
5.根据权利要求4所述的一种低压充电桩异常用电甄别方法，其特征在于，步骤B1中，如果将两个点分别标记为X:(X1,X2,X3....Xn)和Y:(Y1,Y2,Y3.....Yn)，则欧拉距离的计算公式为：
其中，d为充电桩用电曲线上任意一个点X与质心Y之间的欧拉距离，n为曲线上点的维度，n＝2。
6.根据权利要求4所述的一种低压充电桩异常用电甄别方法，其特征在于，步骤B3中，通过肘部法确定聚类簇数，具体为：通过画出不同簇数k和对应的所有点到质心距离和的曲线图，曲线下降的拐点即为合适的聚类簇数。
7.根据权利要求1所述的一种低压充电桩异常用电甄别方法，其特征在于，步骤C具体包括以下步骤：
C1、两点之间确定一条直线，对步骤B筛选出的疑似异常的每条充电桩用电曲线上的96个点每相邻两个点之间使用一次曲线拟合，通过每条一次曲线的斜率值判断两个点之间的波动程度；对于曲线上任意相邻两个点(xi,yi)和(xj,yj)存在一次曲线定义如下：
y＝ax+b
其中，a为斜率值，当a>0.5时认为这两个点之间起伏较大；
C2、统计每条充电桩用电曲线中斜率值大于0.5出现的次数，当次数超过10次时，认为该充电桩用电曲线波动较大，可能存在疑似违约用电行为，将该用户加入疑似违约用电行为的排查清单。
CN202311251668.9A 2023-09-26 2023-09-26 一种低压充电桩异常用电甄别方法 Pending CN117290695A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311251668.9A CN117290695A (zh) 2023-09-26 2023-09-26 一种低压充电桩异常用电甄别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311251668.9A CN117290695A (zh) 2023-09-26 2023-09-26 一种低压充电桩异常用电甄别方法

Publications (1)

Publication Number Publication Date
CN117290695A true CN117290695A (zh) 2023-12-26

Family

ID=89243939

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311251668.9A Pending CN117290695A (zh) 2023-09-26 2023-09-26 一种低压充电桩异常用电甄别方法

Country Status (1)

Country Link
CN (1) CN117290695A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118035774A (zh) * 2024-04-15 2024-05-14 四川能投云电科技有限公司 一种水位和压力信号数据安全控制方法及系统

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118035774A (zh) * 2024-04-15 2024-05-14 四川能投云电科技有限公司 一种水位和压力信号数据安全控制方法及系统

Similar Documents

Publication Publication Date Title
Depuru et al. High performance computing for detection of electricity theft
CN117290695A (zh) 一种低压充电桩异常用电甄别方法
CN111428755B (zh) 非侵入式负荷监测方法
CN110390467B (zh) 一种基于关键场景辨别的虚拟电厂随机自适应鲁棒优化调度方法
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
CN111784093A (zh) 一种基于电力大数据分析的企业复工辅助判断方法
CN114076841A (zh) 基于用电信息数据的窃电行为识别方法及系统
CN115907168A (zh) 一种用于电力负荷预测的异常数据处理系统
Wu et al. Multi-agent modeling and analysis of EV users' travel willingness based on an integrated causal/statistical/behavioral model
CN114168583A (zh) 一种基于正则自动编码器的电量数据清洗方法及系统
Piao et al. Local characterization‐based load shape factor definition for electricity customer classification
CN111489073A (zh) 一种基于分类算法的用户用电廉情预警方法
CN115760078A (zh) 电池的回收方式确定方法、装置、电子设备和存储介质
CN113533895B (zh) 基于三相三线电路负荷曲线的异常用电判断方法及装置
CN111355243A (zh) 一种用电负荷辨识方法及装置
CN113408210B (zh) 基于深度学习的非侵入负荷分解方法、系统、介质和设备
Minku et al. Using unreliable data for creating more reliable online learners
CN112649641A (zh) 一种基于窃电特征的窃电用户判断方法
CN111144540A (zh) 反窃电仿真数据集的生成方法
CN114066239A (zh) 一种用户用电量异常检测方法及装置
CN112925827A (zh) 一种基于电力采集物联数据的用户性质异常分析方法
Blazakis et al. Lessons learnt from mining meter data of residential consumers
CN111222550A (zh) 一种用户用电行为确定方法和装置
Xu et al. [Retracted] Hazard Trend Identification Model Based on Statistical Analysis of Abnormal Power Generation Behavior Data
CN113326296B (zh) 一种适用于工商业用户的负荷分解的方法及系统

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