CN117609904A - 基于用电配电数据分析的稽查方法、装置以及存储介质 - Google Patents

基于用电配电数据分析的稽查方法、装置以及存储介质 Download PDF

Info

Publication number
CN117609904A
CN117609904A CN202311301391.6A CN202311301391A CN117609904A CN 117609904 A CN117609904 A CN 117609904A CN 202311301391 A CN202311301391 A CN 202311301391A CN 117609904 A CN117609904 A CN 117609904A
Authority
CN
China
Prior art keywords
distribution
household
information
power
value
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
CN202311301391.6A
Other languages
English (en)
Inventor
赵郭燚
张全
任海洋
苏媛
冉晶晶
刘佳
刘明明
董玉璐
朱瑾鹏
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 Co ltd Customer Service Center
Original Assignee
State Grid Co ltd Customer Service Center
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 Co ltd Customer Service Center filed Critical State Grid Co ltd Customer Service Center
Priority to CN202311301391.6A priority Critical patent/CN117609904A/zh
Publication of CN117609904A publication Critical patent/CN117609904A/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
    • G06F18/24—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
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R22/00—Arrangements for measuring time integral of electric power or current, e.g. electricity meters
    • G01R22/06—Arrangements for measuring time integral of electric power or current, e.g. electricity meters by electronic methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/27—Regression, e.g. linear or logistic regression
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Probability & Statistics with Applications (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Power Engineering (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请公开了一种基于用电配电数据分析的稽查方法、装置以及存储介质。方法包括：根据楼层配电箱的第一配电量信息以及各个用户家庭的第一家庭用电量信息构建配电量估计模型；根据各个用户家庭的第二家庭用电量信息估计楼层配电箱的第一配电量估计值；根据第一配电量估计值与楼层配电箱的第二配电量信息之间的第一偏差值确定偏差值概率分布；根据各个用户家庭的第三家庭用电量信息确定楼层配电箱的第二配电量估计值；根据第二配电量估计值与楼层配电箱的第三配电量信息之间的第二偏差值以及偏差值概率分布，确定第三家庭用电量信息是否异常；在确定第三家庭用电量信息异常的情况下，针对各个用户家庭，分别确定与各个用户家庭对应的用电异常信息。

Description

基于用电配电数据分析的稽查方法、装置以及存储介质
技术领域
本申请涉及电力数据信息处理技术领域，特别是涉及一种基于用电配电数据分析的稽查方法、装置以及存储介质。
背景技术
电力稽查是指电力监管机构对发电企业、输电企业、供电企业、电力调度交易机构和电力用户中存在的违反相关法律规章的违规操作进行监督的统称。其中，为了对电力用户进行监督，需要能够及时准确地发现用户用电行为中的异常。
现有技术已经提出了针对用户的用电量数据进行分析的技术方案。
例如，CN116227543A公开了一种用电异常的检测方法、检测装置、电子装置和电子设备。该方法包括：获取用电量数据和用电量数据对应的环境信息，根据用电量数据和用电量数据对应的环境信息生成用电数据序列；将用电数据序列输入LSTM-SVR神经网络模型中，以利用LSTM-SVR神经网络模型对用电数据序列进行回归分析，并获取LSTM-SVR神经网络模型输出的结果，得到预测用电量；获取当前时刻的真实用电量，计算预测用电量与真实用电量之间的二范数，在二范数的值大于预设阈值的情况下，标记真实用电量为第一异常用电数据，以使得根据第一异常用电数据确定异常用电的原因。通过本申请，解决了现有技术中用电异常的检测方法耗时耗力的问题。
CN116069815A公开了一种异常用电用户的确定方法、装置、设备及存储介质。该方法包括：获取用电用户总电能表的当月用电量和历史用电量；根据所述用电用户对应的用户类型，确定所述用电用户对应的预设筛选规则，其中，所述用户类型包括公变居民用户和/或专变居民用户；基于所述预设筛选规则，根据所述当月用电量和所述历史用电量，确定异常用电用户，可以提高确定异常用电用户的效率，同时降低人工核查成本。
但是，现有技术的缺陷是从用户用电的整体情况进行数据分析来确定用户是否存在用电异常，因此仅仅只能单方面地通过用户用电数据来确定用户是否存在用电异常。但是如果针对每个用户家庭的用电数据都进行分析，将极大地增加电力数据平台的运算量。
针对上述的现有技术中存在的技术问题，目前尚未提出有效的解决方案。
发明内容
本公开的实施例提供了一种基于用电配电数据分析的稽查方法、装置以及存储介质，通过将配电数据与用电数据结合进行数据分析，从而提高电力稽查的效率。
根据本公开实施例的一个方面，提供了一种基于用电配电数据分析的稽查方法，包括：获取预设的采样统计周期中，楼层中的楼层配电箱的第一配电量信息以及各个用户家庭的第一家庭用电量信息，其中第一家庭用电量信息与第一配电量信息对应，并且根据第一配电量信息以及第一家庭用电量信息，构建对楼层配电箱的配电量进行估计的配电量估计模型；获取采样统计周期中，楼层配电箱的第二配电量信息以及各个用户家庭的第二家庭用电量信息，其中第二家庭用电量信息与第二配电量信息对应，并且根据第二家庭用电量信息，利用配电量估计模型，确定楼层配电箱的第一配电量估计值；确定第一配电量估计值与第二配电量信息之间的第一偏差值，并根据第一偏差值确定偏差值概率分布，偏差值概率分布反映楼层配电箱的实际配电量与利用配电量估计模型估计的配电量估计值之间的偏差值的概率分布；在监控周期内获取楼层配电箱的第三配电量信息以及各个用户家庭的第三家庭用电量信息，其中第三家庭用电量信息与第三配电量信息对应，并且根据第三家庭用电量信息，利用配电量估计模型，确定楼层配电箱的第二配电量估计值；确定第二配电量估计值与第三配电量信息之间的第二偏差值，并且根据第二偏差值以及偏差值概率分布，确定第三家庭用电量信息是否异常；以及在确定第三家庭用电量信息异常的情况下，针对各个用户家庭，分别确定与各个用户家庭对应的用电异常信息。
根据本公开实施例的另一个方面，还提供了一种存储介质，存储介质包括存储的程序，其中，在程序运行时由处理器执行以上所述的方法。
根据本公开实施例的另一个方面，还提供了一种基于用电配电数据分析的稽查装置，包括：配电量估计模型构建模块，用于获取预设的采样统计周期中，楼层中的楼层配电箱的第一配电量信息以及各个用户家庭的第一家庭用电量信息，其中第一家庭用电量信息与第一配电量信息对应，并且根据第一配电量信息以及第一家庭用电量信息，构建对楼层配电箱的配电量进行估计的配电量估计模型；第一配电量估计值确定模块，用于获取采样统计周期中，楼层配电箱的第二配电量信息以及各个用户家庭的第二家庭用电量信息，其中第二家庭用电量信息与第二配电量信息对应，并且根据第二家庭用电量信息，利用配电量估计模型，确定楼层配电箱的第一配电量估计值；偏差值概率分布确定模块，用于确定第一配电量估计值与第二配电量信息之间的第一偏差值，并根据第一偏差值确定偏差值概率分布，偏差值概率分布反映楼层配电箱的实际配电量与利用配电量估计模型估计的配电量估计值之间的偏差值的概率分布；第二配电量估计值确定模块，用于在监控周期内获取楼层配电箱的第三配电量信息以及各个用户家庭的第三家庭用电量信息，其中第三家庭用电量信息与第三配电量信息对应，并且根据第三家庭用电量信息，利用配电量估计模型，确定楼层配电箱的第二配电量估计值；第一用电异常确定模块，用于确定第二配电量估计值与第三配电量信息之间的第二偏差值，并且根据第二偏差值以及偏差值概率分布，确定第三家庭用电量信息是否异常；以及第二用电异常确定模块，用于在确定第三家庭用电量信息异常的情况下，针对各个用户家庭，分别确定与各个用户家庭对应的用电异常信息。
根据本公开实施例的另一个方面，还提供了一种基于用电配电数据分析的稽查装置，包括：处理器；以及存储器，与所述处理器连接，用于为所述处理器提供处理以下处理步骤的指令：获取预设的采样统计周期中，楼层中的楼层配电箱的第一配电量信息以及各个用户家庭的第一家庭用电量信息，其中第一家庭用电量信息与第一配电量信息对应，并且根据第一配电量信息以及第一家庭用电量信息，构建对楼层配电箱的配电量进行估计的配电量估计模型；获取采样统计周期中，楼层配电箱的第二配电量信息以及各个用户家庭的第二家庭用电量信息，其中第二家庭用电量信息与第二配电量信息对应，并且根据第二家庭用电量信息，利用配电量估计模型，确定楼层配电箱的第一配电量估计值；确定第一配电量估计值与第二配电量信息之间的第一偏差值，并根据第一偏差值确定偏差值概率分布，偏差值概率分布反映楼层配电箱的实际配电量与利用配电量估计模型估计的配电量估计值之间的偏差值的概率分布；在监控周期内获取楼层配电箱的第三配电量信息以及各个用户家庭的第三家庭用电量信息，其中第三家庭用电量信息与第三配电量信息对应，并且根据第三家庭用电量信息，利用配电量估计模型，确定楼层配电箱的第二配电量估计值；确定第二配电量估计值与第三配电量信息之间的第二偏差值，并且根据第二偏差值以及偏差值概率分布，确定第三家庭用电量信息是否异常；以及在确定第三家庭用电量信息异常的情况下，针对各个用户家庭，分别确定与各个用户家庭对应的用电异常信息。
在本公开的技术方案中，首先根据每个楼层的楼层配电箱的配电量数据与该楼层各个用户家庭的家庭用电量数据构建用于对楼层配电箱的配电量数据进行估计的配电量估计模型；然后确定该配电量估计模型的配电量估计值与实际配电量之间的偏差值的概率分布。从而在进行监控时，可以首先根据该楼层的各个用户家庭的家庭用电量信息估计该楼层的楼层配电箱的配电量估计值，并且进一步计算该配电量估计值与实际配电量之间的偏差值，并进一步确定该偏差值的概率，并根据偏差值的概率确定监控周期内该楼层的家庭用电量信息是否存在异常。然后在确定该楼层的家庭用电量存在异常的情况下，再针对各个用户家庭分别确定与其对应的用电异常信息。从而根据本公开的技术方案，利用配电数据以及用电数据，先基于楼层进行电力稽查。如果该楼层的家庭用电量信息不存在异常，则不需要再针对各个用户家庭分别确定其用电异常信息。只有在确定该楼层的家庭用电量信息存在异常的情况下，才分别对该楼层的各个用户家庭进行进一步的电力稽查以便确定其用电异常信息。因此通过这种方式，相对于直接对各个用户家庭进行用电异常信息的电力稽查方式，能够大大减少电力数据平台的运算量，从而提高电力稽查的效率。
附图说明
此处所说明的附图用来提供对本公开的进一步理解，构成本申请的一部分，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的不当限定。在附图中：
图1是用于实现根据本公开实施例1所述的方法的计算设备的硬件结构框图；
图2是根据本公开实施例1所述的一个区域的配电网的示意图；
图3A和图3B是根据本实施例所述的电力稽查系统的示意图；
图4是根据本公开实施例1的第一个方面所述的基于用电配电数据分析的稽查方法的流程示意图；
图5是根据本公开实施例1所述的采样统计周期和监控周期的示意图；
图6是根据本公开实施例1所述的偏差值概率分布的示意图，该偏差值概率分布反映楼层配电箱的实际配电量与利用配电量估计模型估计的配电量估计值之间的偏差值的概率分布；
图7A是根据本申请实施例1的第一个方面所述的与电器1的用电量对应的正态分布的示意图；
图7B是根据本申请实施例1的第一个方面所述的与电器2的用电量对应的正态分布的示意图；
图7C是根据本申请实施例1的第一个方面所述的与电器m的用电量对应的正态分布的示意图；
图8A是根据本申请实施例1的第一个方面所述的与电器1的用电量对应的区间对应的正态分布的示意图；
图8B是根据本申请实施例1的第一个方面所述的与电器1的用电量对应的区间对应的正态分布的另一个示意图；
图9是根据本申请实施例1的第一个方面所述的用电矩阵Gf的示意图；
图10是根据本申请实施例1的第一个方面所述的监控时间窗所包含的概率特征的示意图；
图11是根据本申请实施例1的第一个方面所述的基于神经网络的第一检测模型的示意图；
图12是根据本申请实施例1的第一个方面所述的基于神经网络的第二检测模型的示意图；
图13A是根据本申请实施例1的第一个方面所述的尺度为L的监控时间窗在用电矩阵滑动的一个示意图；
图13B是根据本申请实施例1的第一个方面所述的尺度为L的监控时间窗在用电矩阵滑动的另一个示意图；
图13C是根据本申请实施例1的第一个方面所述的尺度为L的监控时间窗在用电矩阵滑动的又一个示意图；
图14是根据本申请实施例1的第一个方面所述的尺度为L的监控时间窗在位置P的时候所包含的概率特征的示意图；
图15是根据本公开实施例2所述的基于用电配电数据分析的稽查装置的示意图；以及
图16是根据本公开实施例3所述的基于用电配电数据分析的稽查装置的示意图。
具体实施方式
为了使本技术领域的人员更好地理解本公开的技术方案，下面将结合本公开实施例中的附图，对本公开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公开一部分的实施例，而不是全部的实施例。基于本公开中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本公开保护的范围。
需要说明的是，本公开的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本公开的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例1
根据本实施例，提供了一种基于用电配电数据分析的稽查方法的方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
本实施例所提供的方法实施例可以在服务器或者类似的计算设备中执行。图1示出了一种用于实现基于用电配电数据分析的稽查方法的计算设备的硬件结构框图。如图1所示，计算设备可以包括一个或多个处理器(处理器可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)、用于存储数据的存储器、用于通信功能的传输装置以及输入/输出接口。其中存储器、传输装置以及输入/输出接口通过总线与处理器连接。除此以外，还可以包括：与输入/输出接口连接的显示器、键盘以及光标控制设备。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对上述电子装置的结构造成限定。例如，计算设备还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。
应当注意到的是上述一个或多个处理器和/或其他数据处理电路在本文中通常可以被称为“数据处理电路”。该数据处理电路可以全部或部分的体现为软件、硬件、固件或其他任意组合。此外，数据处理电路可为单个独立的处理模块，或全部或部分的结合到计算设备中的其他元件中的任意一个内。如本公开实施例中所涉及到的，该数据处理电路作为一种处理器控制(例如与接口连接的可变电阻终端路径的选择)。
存储器可用于存储应用软件的软件程序以及模块，如本公开实施例中的基于用电配电数据分析的稽查方法对应的程序指令/数据存储装置，处理器通过运行存储在存储器内的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现上述的应用程序的基于用电配电数据分析的稽查方法。存储器可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器可进一步包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至计算设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输装置用于经由一个网络接收或者发送数据。上述的网络具体实例可包括计算设备的通信供应商提供的无线网络。在一个实例中，传输装置包括一个网络适配器(Network Interface Controller，NIC)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输装置可以为射频(Radio Frequency，RF)模块，其用于通过无线方式与互联网进行通讯。
显示器可以例如触摸屏式的液晶显示器(LCD)，该液晶显示器可使得用户能够与计算设备的用户界面进行交互。
此处需要说明的是，在一些可选实施例中，上述图1所示的计算设备可以包括硬件元件(包括电路)、软件元件(包括存储在计算机可读介质上的计算机代码)、或硬件元件和软件元件两者的结合。应当指出的是，图1仅为特定具体实例的一个实例，并且旨在示出可存在于上述计算设备中的部件的类型。
图2示出了一个区域的配电网的示意图。参考图2所示，该配电网包括总变配电室、低压配电柜、楼层配电箱、应急照明配电箱、动力配电箱以及用户配电箱等设备。
其中，该区域的各个楼房分别配置有低压配电柜。总变配电室分别与各个楼房的低压配电柜连接，用于向该区域的多个楼房配送电力。每个楼房的不同楼层分别配置有楼层配电箱，并且楼房内还配置有应急照明配电箱以及动力配电箱。楼房的低压配电柜与各个楼层的楼层配电箱、应急照明配电箱以及动力配电箱连接，从而分别向楼房的各个楼层、应急照明系统以及动力系统配送电力。此外，每个楼层的各个用户家庭还配置有入户配电箱，从而每个楼层的楼层配电箱与各个用户家庭的入户配电箱连接，向各个用户家庭配送电力。
图3A和图3B是根据本实施例所述的电力稽查系统的示意图。其中，图3A示出了任意一个楼层的电表与电力数据平台的示意图。参考图3A所示，设置于楼层的楼层配电箱内设置有楼层配电箱电表，用于测量配送至该楼层中各个用户家庭的配电量EL。此外，楼层的各个用户家庭设置有家庭电表，其中各个用户家庭的家庭电表用于测量各个用户家庭的用电量EF。此外，楼层配电箱电表和家庭电表通过互联网与电力数据平台通信连接，从而将所测量的数据实时传输至电力数据平台。
此外，图3B进一步示出了每个用户家庭的电力连接的示意图。参考图3B所示，每个家庭包括部署于用户家庭的家庭电表，并且家庭电表通过互联网与电力数据平台通信连接。其中，在本实施例中，家庭电表可以根据所采集的用户家庭的用电量信息，通过非侵入式负荷识别技术对各个电器1～m所消耗的用电量ES1～ESm进行监测。从而，电力数据平台不仅可以从家庭电表接收反映家庭用电量的家庭用电量信息，也可以从家庭电表接收反映各个电器的用电量的电器用电量信息。
需要说明的是，系统中的电力数据平台均可适用上面所述的硬件结构。
在上述运行环境下，根据本实施例的第一个方面，提供了一种基于用电配电数据分析的稽查方法，该方法由图3A和图3B中所示的电力数据平台实现。图4示出了该方法的流程示意图，参考图4所示，该方法包括：
S402：获取预设的采样统计周期中，楼层中的楼层配电箱的第一配电量信息以及各个用户家庭的第一家庭用电量信息，其中第一家庭用电量信息与第一配电量信息对应，并且根据第一配电量信息以及第一家庭用电量信息，构建对楼层配电箱的配电量进行估计的配电量估计模型；
S404：获取采样统计周期中，楼层配电箱的第二配电量信息以及各个用户家庭的第二家庭用电量信息，其中第二家庭用电量信息与第二配电量信息对应，并且根据第二家庭用电量信息，利用配电量估计模型，确定楼层配电箱的第一配电量估计值；
S406：确定第一配电量估计值与第二配电量信息之间的第一偏差值，并根据第一偏差值确定偏差值概率分布，偏差值概率分布反映楼层配电箱的实际配电量与利用配电量估计模型估计的配电量估计值之间的偏差值的概率分布；
S408：在监控周期内获取楼层配电箱的第三配电量信息以及各个用户家庭的第三家庭用电量信息，其中第三家庭用电量信息与第三配电量信息对应，并且根据第三家庭用电量信息，利用配电量估计模型，确定楼层配电箱的第二配电量估计值；
S410：确定第二配电量估计值与第三配电量信息之间的第二偏差值，并且根据第二偏差值以及偏差值概率分布，确定第三家庭用电量信息是否异常；以及
S412：在确定第三家庭用电量信息异常的情况下，针对各个用户家庭，确定与各个用户家庭对应的用电异常信息。
具体地，在本实施例中，为了进行稽查，楼层配电箱电表和各个家庭电表每天在预定的稽查采样时段(例如晚7点到24点，也可以根据具体的情况设置)，将各自测量的配电量信息或用电量信息发送至电力数据平台。
例如，在实施例中，同一楼层有v个家庭电表。从而每天在预定的稽查采样时段，楼层配电箱电表将稽查采样时段中该楼层的配电量信息发送至电力数据平台，并且各个家庭电表1～v将稽查采样时段中各个用户家庭的用电量信息发送至电力数据平台。
此外参考图5所示，根据本实施例的电力稽查方法，电力数据平台通过在采样统计周期和监控周期实现各自的操作来实现电力稽查。其中在本实施例中，采样统计周期的u个采样日期中，电力数据平台每天在稽查采样时段获取楼层配电箱电表发送的配电量信息(即第一配电量信息)以及各个用户家庭1～v的家庭电表1～v发送的家庭用电量信息(即第一家庭用电量信息)。其中，下面表1示出了采样统计周期的u个采样日期中，电力数据平台所获取的配电量信息和家庭用电量信息：
表1
其中，(a＝1～u)表示在表1中所示的第a个采样日期，楼层配电箱电表所测量的针对该楼层的配电量信息。
(b＝1～v)表示在表1所示的第a个采样日期，该楼层的第b个家庭电表所发送的家庭用电量信息。
然后，电力数据平台构建基于线性回归模型的配电量估计模型：
其中，EF1～EFv分别表示家庭电表1～家庭电表v在一个稽查采样时段所测量的相应家庭的家庭用电量信息，表示该稽查采样时段楼层配电箱对该楼层的配电量的估计值。k0～kv为该线性回归模型的权重。
然后，电力数据平台利用表1中所示的数据作为训练样本，对上述配电量估计模型进行训练，从而构建用于对楼层配电箱的配电量进行估计的配电量估计模型(S402)。
然后，在采样统计周期内之后的另外u个采样日期中，电力数据平台每天在稽查采样时段获取楼层配电箱电表发送的配电量信息(即第二配电量信息)以及各个用户家庭1～v的家庭电表1～v发送的家庭用电量信息(即第二家庭用电量信息)。
其中，下面表2示出了采样统计周期的另外u个采样日期中，电力数据平台所获取的配电量信息和家庭用电量信息：
表2
其中，(a＝1～u)表示在上面表2所示的第a个采样日期，楼层配电箱电表所测量的针对该楼层的配电量信息。
(b＝1～v)表示在上面表2所示的第a个采样日期，该楼层的第b个家庭电表所发送的家庭用电量信息。
此外，进一步参见表2所示，是根据同一日期的家庭用电量信息，利用公式(1)所示的配电量估计模型，所估计的楼层配电箱的配电量估计值(即第一配电量估计值)。例如：
从而，电力数据平台根据每天的各个家庭电表1～v所测量的家庭用电量信息(即第二家庭用电量信息)确定楼层配电箱的配电量估计值(即第一配电量估计值)(S404)。
然后，参考表2所示，电力数据平台计算楼层配电箱的实际配电量(即第二配电量信息)与相应配电量估计值之间的偏差值(即第一偏差值)。例如，
然后，电力数据平台根据所计算的偏差值确定该偏差值的概率分布。例如，电力数据平台确定偏差值/>的正态分布，作为该偏差值的概率分布(S406)：
例如，图6示出了该偏差值的正态分布的示意图。
然后，继续参考图5所示，电力数据平台在监控周期内获取楼层配电箱发送的配电量信息(即第三配电量信息)，以及各个用户家庭1～v的家庭电表1～v发送的家庭用电量信息(即第三家庭用电量信息)。例如，可以在监控周期内的n个日期进行监控，从而电力数据平台获取如下面表3所示的配电量信息和家庭用电量信息：
表3
其中，(j＝1～n)表示在上面表3所示的第j个采样日期，楼层配电箱电表所测量的针对该楼层的配电量信息。
(b＝1～v)表示在上面表3所示的第j个采样日期，该楼层第b个家庭电表所发送的家庭用电量信息。
此外，进一步参见表3所示，是根据同一日期的家庭用电量信息，利用公式(1)所示的配电量估计模型，所估计的楼层配电箱的配电量估计值(即第二配电量估计值)(S408)。例如：
然后，参考表3所示，电力数据平台计算楼层配电箱的实际配电量(即第三配电量信息)与相应配电量估计值(即第二配电量估计值)之间的偏差值(即第二偏差值)(S410)。例如：
然后，电力数据平台根据公式(2)所示的偏差值概率分布，以及偏差值确定所述/>是否存在异常。
具体地，以为例，当/>大于μ0时，计算在正态分布ferr(ERR)中，区间值 的概率值Perrj’；当/>小于μ0时，计算在正态分布ferr(ERR)中，区间值 的概率值Perrj’。然后计算Perrj＝1-Perrj’，作为与/>对应的概率值。当/>对应的概率Perrj小于预定的概率阈值时，则确定该偏差值/>存在异常。
并且，当偏差值中，存在异常的偏差值超过预定比例时，则认为表3中所示的家庭电表1～家庭电表v所测量的用电量信息存在异常(S410)。
最后，在确定家庭电表1～家庭电表v所测量的用电量信息存在异常的情况下，电力数据平台进一步针对用户家庭1～v进行用电异常的稽查，从而确定与各个用户家庭1～v对应的用电异常信息(S412)。
正如背景技术中所述的，现有技术的缺陷是从用户用电的整体情况进行数据分析来确定用户是否存在用电异常，因此仅仅只能单方面地通过用户用电数据来确定用户是否存在用电异常。但是如果针对每个用户家庭的用电数据都进行分析，将极大地增加电力数据平台的运算量。
有鉴于此，在本公开的技术方案中，首先根据每个楼层的楼层配电箱的配电量数据与该楼层各个用户家庭的家庭用电量数据构建用于对楼层配电箱的配电量数据进行估计的配电量估计模型；然后确定该配电量估计模型的配电量估计值与实际配电量之间的偏差值的概率分布。
从而在进行监控时，可以首先根据该楼层的各个用户家庭的家庭用电量信息估计该楼层的楼层配电箱的配电量估计值，并且进一步计算该配电量估计值与实际配电量之间的偏差值，并进一步确定该偏差值的概率，并根据偏差值的概率确定监控周期内该楼层的家庭用电量信息是否存在异常。然后在确定该楼层的家庭用电量存在异常的情况下，再针对各个用户家庭分别确定与其对应的用电异常信息。
从而根据本公开的技术方案，利用配电数据以及用电数据，先基于楼层进行电力稽查。如果该楼层的家庭用电量信息不存在异常，则不需要再针对各个用户家庭分别确定其用电异常信息。只有在确定该楼层的家庭用电量信息存在异常的情况下，才分别对该楼层的各个用户家庭进行进一步的电力稽查以便确定其用电异常信息。因此通过这种方式，相对于直接对各个用户家庭进行用电异常信息的电力稽查方式，能够大大减少电力数据平台的运算量，从而提高电力稽查的效率。
可选地，根据第一配电量信息以及第一家庭用电量信息，构建对楼层配电箱的配电量进行估计的配电量估计模型的操作，包括：构建基于线性回归的配电量估计模型；以及利用第一配电量信息以及第一家庭用电量信息作为训练样本，对配电量估计模型进行训练。
具体地，参考上文所述，电力数据平台首先构建如公式(1)所示的基于线性回归模型的配电量估计模型，其中该线性回归模型的输入变量为各个用户家庭的用电量信息，即各个家庭电表1～v所测量的家庭用电量，输出量为对应的楼层配电箱的配电量。
然后，电力数据平台利用表1中示出的配电量信息和用电量信息作为训练样本，对配电量估计模型进行训练。其中对配电量估计模型的训练方法可以采用已知的梯度下降的方法进行迭代直到损失函数收敛为止。在实际的配电过程中，楼层的楼层配电箱响应于各个用户家庭的用电按需对楼层中的各个用户家庭进行配电。
因此本公开的技术方案基于线性回归模型构建配电量估计模型，在不发生用电异常的情况下，能够更加准确地对配电箱的配电量进行估计。从而能够在发生用电异常的情况下，产生与实际配电量不一致的估计配电量，从而能够准确地判定楼层的各个家庭是否存在用电异常。
可选地，根据第一偏差值确定偏差值概率分布的操作，包括：根据第一偏差值确定基于正态分布的偏差值概率分布。参考图6所示，正如上面所述的，电力数据平台在确定偏差值之后，可以根据/>计算平均值作为正态分布的期望值μ0，并且进一步计算正态分布的方差值，从而计算确定与该偏差值的概率分布对应的正态分布曲线，如图6所示。
从而，进一步地，如上所述，根据所述第二偏差值以及所述偏差值概率分布，确定所述第三家庭用电量信息是否异常的操作，包括：在所述第二偏差值大于所述偏差值概率分布的期望值μ0的情况下，计算在所述偏差值概率分布中，区间/>所占的概率值Perrj’；在所述第二偏差值/>小于μ0的情况下，计算在所述偏差值概率分布中，区间/>的概率值Perrj’；计算Perrj＝1-Perrj’，作为与所述第二偏差值/>对应的概率值；以及在/>对应的概率Perrj小于预定的概率阈值情况下，确定该偏差值/>存在异常。
此外进一步地，方法还包括：根据目标用户家庭的各个电器的电器用电量信息，确定对应的正态分布。
具体地，参见图3B所示，楼层中的每个家庭包括部署于用户家庭的家庭电表，并且家庭电表通过互联网与电力数据平台通信连接。其中，在本实施例中，家庭电表可以根据所采集的用户家庭的用电量信息，通过非侵入式负荷识别技术对各个电器1～m所消耗的用电量ES1～ESm进行监测。从而，电力数据平台不仅可以从家庭电表接收反映家庭用电量的家庭用电量信息，也可以从家庭电表接收反映各个电器的用电量的电器用电量信息。
例如，家庭的电器用电量信息可以如下表示：
E＝[E1,E2,...,Em]T
其中，E1表示在稽查采样时段电器1所消耗的电量；E2表示在稽查采样时段电器2所消耗的电量；以此类推，Em表示在稽查采样时段电器1所消耗的电量。
从而，目标家庭的家庭电表可以在每个稽查采样时段结束时，将与该目标家庭对应的用电量信息E发送至电力数据平台。从而电力数据平台可以根据该用电器电量信息E，对该目标家庭的用电情况进行稽查，从而监控该目标家庭是否存在用电异常。
从而，电力数据平台通过在采样统计周期和监控周期实现各自的操作来实现对目标家庭的电力稽查。其中在本实施例中，采样统计周期包括u个采样日期，其中每天家庭电表都会将所采集的与目标家庭对应的电器用电量信息Ea(a＝1～u)发送至电力数据平台。其中
Ea＝[Ea,1,Ea,2,...,Ea,m]T
其中，Ea,i(i＝1～m)表示第a个采样日期的稽查采样时段目标家庭的电器i消耗的电量。从而，电力数据平台从目标家庭的家庭电表获取以下数据：
E1＝[E1,1,E1,2,...,E1,m]T
E2＝[E2,1,E2,2,...,E2,m]T
E3＝[E3,1,E3,2,...,E3,m]T
...
Eu＝[Eu,1,Eu,2,...,Eu,m]T
从而，电力数据平台根据所获取的电器用电量信息，确定在该采样统计周期中，分别与各个电器1～m对应的电器用电量信息序列：
与电器1对应的电器用电量信息序列：{E1,1,E2,1,E3,1,...,Eu,1}；
与电器2对应的电器用电量信息序列：{E1,2,E2,2,E3,2,...,Eu,2}；
与电器3对应的电器用电量信息序列：{E1,3,E2,3,E3,3,...,Eu,3}；
...
与电器m对应的电器用电量信息序列：{E1,m,E2,m,E3,m,...,Eu,m}。
进一步地，电力数据平台根据与各个电器1～m对应的电器用电量信息序列，确定与各个电器1～m的用电量对应的正态分布。
例如，根据与电器1的电器用电量信息序列{E1,1,E2,1,E3,1,...,Eu,1}，确定与电器1的用电量对应的正态分布(参考图7A所示)：
根据与电器2的电器用电量信息序列{E1,2,E2,2,E3,2,...,Eu,2}，确定与电器2的用电量对应的正态分布(参考图7B所示)：
以此类推，根据与电器m的电器用电量信息序列{E1,m,E2,m,E3,m,...,Eu,m}，确定与电器m的用电量对应的正态分布(参考图7C所示)：
从而在采样统计周期，电力数据平台确定与目标家庭的各个电器1～m对应的正态分布，以便在监控周期，对目标家庭的用电量进行监控。
从而进一步地，针对家庭电表各个用户家庭，分别确定与家庭电表各个用户家庭对应的用电异常信息的操作，包括：根据家庭电表正态分布确定预设的监控周期内家庭电表用户家庭的用电信息对应的概率特征；对家庭电表监控周期内监控时间窗中的概率特征进行特征提取，生成与家庭电表监控时间窗对应的用电数据特征；以及根据家庭电表用电数据特征确定与家庭电表监控时间窗对应的用电异常信息。
在判定楼层中的家庭用电量存在用电异常的情况下，在监控周期，电力数据平台获取目标家庭与包含n天的一个监控时间窗对应的电器用电量信息Ej(j＝1～n)，其中：
E1＝[E1,1,E1,2,...,E1,m]T
E2＝[E2,1,E2,2,...,E2,m]T
E3＝[E3,1,E3,2,...,E3,m]T
...
En＝[En,1,En,2,...,En,m]T
其中，Ej,i(i＝1～m，j＝1～n)表示监控时间窗中的第j个采样日期的稽查采样时段目标家庭的电器i消耗的电量。
进一步地，电力数据平台根据已确定的与各个电器1～m的用电量对应的正态分布，确定与监控时间窗中的电器用电量信息Ej(j＝1～n)中的各个用电量对应的概率信息。
下面以与监控时间窗的第1天对应的电器用电量信息E1＝[E1,1,E1,2,...,E1,m]T为例进行说明。
首先，电力数据平台针对与电器1对应的电器用电量E1,1，根据与电器1对应的正态分布(参考图7A所示)，确定与电器用电量E1,1对应的概率值G1,1：
当E1,1大于μ1时，将正态分布f1(E)中，区间值[2μ1-E1,1,E1,1]的概率作为G1,1(参见图8A)；当E1,1小于μ1时，将正态分布f1(E)中，区间值[E1,1,2μ1-E1,1]的概率作为G1,1(参见图8B)。
然后将Gf1,1＝1-G1,1，作为与电器用电量E1,1对应的概率特征。
以此类推，电力数据平台针对与电器i(i＝2～m)对应的电器用电量E1,i，根据与电器i对应的正态分布，确定与电器用电量E1,i对应的概率值G1,i：
当E1,i大于μi时，将正态分布fi(E)中，区间值[2μi-E1,i,E1,i]的概率作为G1,i；当E1,i小于μi时，将正态分布fi(E)中，区间值[E1,i,2μi-E1,i]的概率作为G1,i。
然后将Gf1,i＝1-G1,i，作为与电器用电量E1,i对应的概率特征。
从而，电力数据平台能够确定与电器用电量信息E1＝[E1,1,E1,2,...,E1,m]T对应的概率特征Gf1＝[Gf1,1,Gf1,2,...,Gf1,m]T。
然后，以此类推，电力数据平台可以确定分别与监控时间窗中的电器用电量信息Ej(j＝1～n)对应的概率特征Gfj：
Gf1＝[Gf1,1,Gf1,2,...,Gf1,m]T
Gf2＝[Gf2,1,Gf2,2,...,Gf2,m]T
Gf3＝[Gf3,1,Gf3,2,...,Gf3,m]T
...
Gfn＝[Gfn,1,Gfn,2,...,Gfn,m]T
从而通过这种方式，电力数据平台可以确定与监控时间窗中的电器用电量信息Ej(j＝1～n)对应的概率特征。
其中，图9示出了与概率特征对应的用电矩阵Gf的示意图。图10示出了监控时间窗所包含的概率特征的示意图。参考图9以及图10所示，电力数据平台确定与监控时间窗中的电器用电量信息Ej(j＝1～n)对应的概率特征进行特征提取，生成与监控时间窗对应的用电数据特征。
例如电力数据平台计算概率特征Gf1与各个概率特征Gf1～Gfn之间相关值R1,1～R1,n：
其中，j＝1～n，i＝1～m。
然后，电力数据平台利用softmax函数，根据概率特征Gf1与各个概率特征Gf1～Gfn之间相关值R1,1～R1,n，计算各个概率特征Gf1～Gfn相对于概率特征Gf1的权重值w1,1～w1,n。然后电力数据平台根据以下公式计算与Gf1对应特征向量GfF1：
电力数据平台计算概率特征Gf2与各个概率特征Gf1～Gfn之间相关值R2,1～R2,n：
其中，j＝1～n，i＝1～m。
然后，电力数据平台利用softmax函数，根据概率特征Gf2与各个概率特征Gf1～Gfn之间相关值R2,1～R2,n，计算各个概率特征Gf1～Gfn相对于概率特征Gf2的权重值w2,1～w2,n。然后电力数据平台根据以下公式计算与Gf2对应特征向量GfF2：
……
电力数据平台计算概率特征Gfn与各个概率特征Gf1～Gfn之间相关值Rn,1～Rn,n：
其中，j＝1～n，i＝1～m。
然后，电力数据平台利用softmax函数，根据概率特征Gfn与各个概率特征Gf1～Gfn之间相关值Rn,1～Rn,n，计算各个概率特征Gf1～Gfn相对于概率特征Gfn的权重值wn,1～wn,n。然后电力数据平台根据以下公式计算与Gfn对应特征向量GfFn：
从而通过这种方式，确定与概率特征Gf1～Gfn对应的特征向量GfF1～GfFn。从而电力数据平台将特征向量GfF1～GfFn构成与该监控时间窗对应的用电数据特征FLP。
进一步地，图11示出了基于神经网络的第一检测模型的示意图。参考图11所示，电力数据平台将矩阵形式的用电数据特征FLP输入至基于神经网络的第一检测模型。参考图11所示，该第一检测模型包括神经网络以及softmax分类器。其中，该神经网络的输出层具有两个神经元，分别输出与用电数据特征FLP对应的监控时间窗中数据存在用电异常的积分值和不存在用电异常的积分值。softmax分类器与输出层交互，并且根据输出层输出的积分值输出与用电数据特征FLP对应的监控时间窗中的数据存在用电异常的概率wp1和不存在用电异常的概率wp2。即第一检测模型例如可以是一个基于神经网络的二分类模型，针对监控时间窗中的数据检测是否存在用电异常。
例如，电力数据平台将用电数据特征FLP输入至第一检测模型的神经网络的输入层，之后神经网络的输出层输出用电数据特征FLP的存在用电异常的积分值和不存在用电异常的积分值，之后通过softmax分类器根据输出的积分值输出与用电数据特征FLP对应的存在用电异常的概率wp1和不存在用电异常的概率wp2。其中存在用电异常的概率wp1和不存在用电异常的概率wp2之和为1。
当存在用电异常的概率wp1大于不存在用电异常的概率wp2，则电力数据平台判定监控时间窗中的数据存在用电异常，并且将存在用电异常的用电数据特征FLP记为特征数据FLP’。
当存在用电异常的概率wp1小于不存在用电异常的概率wp2，则电力数据平台判定该监控时间窗中的数据不存在用电异常。
进一步地，图12示出了基于神经网络的第二检测模型的示意图。参考图12所示，第二检测模型包括神经网络和softmax分类器。其中，该神经网络的输出层具有多个神经元，分别输出各个用电异常的类型的积分值。softmax分类器与输出层交互，并且根据输出层输出的积分值输出各个用电异常的类型的概率值ga1、ga2、...、gak。其中第二检测模型例如可以是一个基于神经网络的多分类模型，用于对存在用电异常的监控时间窗确定用电异常的类型。
例如，电力数据平台将存在用电异常的特征数据FLP’，输入第二检测模型的神经网络的输入层，之后神经网络的输出层输出各个用电异常的类型的积分值，之后通过softmax分类器根据输出层输出的积分值输出各个用电异常的类型的概率值ga1、ga2、...、gak。其中各个用电异常的类型的概率ga1、ga2、...、gak的和为1。其中k≥2。
进一步地，电力数据平台将各个用电异常的类型的概率ga1、ga2、...、gak中概率值最大的用电异常的类型作为与特征数据FLP’对应的用电异常的类型。之后电力数据平台将与特征数据FLP’对应的用电异常的类型作为用电异常信息。其中用电异常的类型可以包括：短接、欠电压、欠电流、相移等。
从而，本技术方案通过第二检测模型可以快速并且准确地确定目标家庭所有存在用电异常的监控时间窗的用电异常的类型，从而可以根据用电异常的类型有针对性地进行处理。
可选地，可以通过不同的长度L以及不同位置的监控时间窗在监控周期扫描，从而确定用电异常情况。
具体地，参考图13A至图13C所示，电力数据平台用预先设置的多个不同尺度的监控时间窗分别按照时间顺序在与监控周期内的电器用电量信息对应的用电矩阵上进行滑动，并且对监控时间窗每一步滑动所限定的数据进行特征提取，生成与每一步监控时间窗对应的用电数据特征。
具体地，根据本实施例，例如可以设置多个不同尺度的监控时间窗，例如尺度可以是5，10，15，20，.....，100等等。其中不同尺度，分别代表监控时间窗所包含的天数。例如尺度5代表该监控时间窗包含5天。尺度10，表示该监控时间窗包含10天。以此类推，尺度100，表示该监控时间窗包含100天。
进一步的，图13A至图13C示出了尺度为L的监控时间窗(L可以为本实施例所设定的任意尺度)在用电矩阵滑动的示意图。其中在图13A至图13C中以L＝5为例进行了说明，但是对于L等于其他数值，也同样适用。
参考图13A所示，监控时间窗包含第1天至第L天所对应的概率特征Gf1～GfL。从而电力数据平台可以基于以上数据进行特征提取，从而生成与该步监控时间窗对应的用电数据特征。
然后，参考图13B所示，监控时间窗在用电矩阵上滑动，监控时间窗包含第2天至第L+1天所对应的概率特征Gf2～GfL+1。从而电力数据平台可以基于以上数据进行特征提取，从而生成与该步监控时间窗对应的用电数据特征。
以此类推，参考图13C所示，监控时间窗在用电矩阵上一直滑动到该预定时期的最后一天(即第n天)，从而该监控时间窗包含第(n-L+1)天至第n天，所对应的概率特征Gfn-L+1～Gfn。从而电力数据平台可以基于以上数据进行特征提取，从而生成与该步监控时间窗对应的用电数据特征。
从而，参考图13A～图13C所示，电力数据平台利用不同尺度L的监控时间窗在用电矩阵Gf上滑动，从而得到各个尺度L在各步滑动中所限定的用电矩阵Gf的数据，并根据所限定的数据生成对应的用电数据特征。
从而电力数据平台得到不同尺度L的监控时间窗在不同位置处所限定的数据对应的用电数据特征。
其中，图14示出了尺度为L的监控时间窗在位置P的时候所包含的概率特征的示意图。其中L可以是以上所述的任意尺度，并且位置P可以是以上所述的任意的滑动位置。
参考图14所示，该监控时间窗包含：概率特征Gf1对应的概率特征GfP1,1～GfP1,m，概率特征Gf2对应的概率特征GfP2,1～GfP2,m，以此类推，概率特征GfL对应的概率特征GfPL,1～GfPL,m。
其中，概率特征GfP1,1～GfP1,m表示位于尺度为L位置P的监控时间窗内的概率特征Gf1包括的第1个至第m个概率特征。概率特征GfP2,1～GfP2,m表示位于尺度为L位置P的监控时间窗内的概率特征Gf2包括的第1个至第m个概率特征。以此类推，概率特征GfPL,1～GfPL,m表示位于尺度为L位置P的监控时间窗内的概率特征GfL包括的第1个至第m个概率特征。
进一步地，例如电力数据平台计算概率特征Gf1与各个概率特征Gf1～GfL之间相关值R1,1～R1,L：
其中，x＝1～L，i＝1～m。
然后，电力数据平台利用softmax函数，根据概率特征Gf1与各个概率特征Gf1～GfL之间相关值R1,1～R1,L，计算各个概率特征Gf1～GfL相对于概率特征Gf1的权重值w1,1～w1,L。然后电力数据平台根据以下公式计算与Gf1对应特征向量GfF1：
电力数据平台计算概率特征Gf2与各个概率特征Gf1～GfL之间相关值R2,1～R2,L：
其中，x＝1～L，i＝1～m。
然后，电力数据平台利用softmax函数，根据概率特征Gf2与各个概率特征Gf1～GfL之间相关值R2,1～R2,L，计算各个概率特征Gf1～GfL相对于概率特征Gf2的权重值w2,1～w2,L。然后电力数据平台根据以下公式计算与Gf2对应特征向量GfF2：
……
电力数据平台计算概率特征GfL与各个概率特征Gf1～GfL之间相关值RL,1～RL,L：
其中，x＝1～L，i＝1～m。
然后，电力数据平台利用softmax函数，根据概率特征GfL与各个概率特征Gf1～GfL之间相关值RL,1～RL,L，计算各个概率特征Gf1～GfL相对于概率特征GfL的权重值wL,1～wL,L。然后电力数据平台根据以下公式计算与GfL对应特征向量GfFL：
从而通过这种方式，确定与概率特征Gf1～GfL对应的特征向量GfF1～GfFL。从而电力数据平台将特征向量GfF1～GfFL构成与该监控时间窗对应的用电数据特征FLP。
从而通过以上方式，针对不同的尺度L的监控时间窗在不同的滑动位置P，都可以生成相应的矩阵形式的特征数据。此处不再赘述。
进一步地，电力数据平台通过第一检测模型和第二检测模型，根据与监控时间窗对应的用电数据特征FLP，确定存在用电异常的监控时间窗中所限定的数据的用电异常的类型。
从而，本技术方案中利用了不同尺度的监控时间窗分别在用电矩阵上滑动，并根据不同尺度的监控时间窗在各个滑动位置所限定的数据进行特征提取生成与不同尺度监控时间窗在各个滑动位置所对应的用电数据特征。然后根据该用电数据特征确定存在用电异常的监控时间窗异常位置，并确定与监控时间窗异常位置对应的用电异常信息。从而本实施例的方法能够利用不同尺度的监控时间窗进行用电异常的检测，从而能够检测不同形式的用电异常。从而解决了现有技术中存在的问题，实现了准确的电力稽查。
此外，参考图1所示，根据本实施例的第二个方面，提供了一种存储介质。所述存储介质包括存储的程序，其中，在所述程序运行时由处理器执行以上任意一项所述的方法。
从而根据本实施例，首先根据每个楼层的楼层配电箱的配电量数据与该楼层各个用户家庭的家庭用电量数据构建用于对楼层配电箱的配电量数据进行估计的配电量估计模型；然后确定该配电量估计模型的配电量估计值与实际配电量之间的偏差值的概率分布。从而在进行监控时，可以首先根据该楼层的各个用户家庭的家庭用电量信息估计该楼层的楼层配电箱的配电量估计值，并且进一步计算该配电量估计值与实际配电量之间的偏差值，并进一步确定该偏差值的概率，并根据偏差值的概率确定监控周期内该楼层的家庭用电量信息是否存在异常。然后在确定该楼层的家庭用电量存在异常的情况下，再针对各个用户家庭分别确定与其对应的用电异常信息。从而根据本公开的技术方案，利用配电数据以及用电数据，先基于楼层进行电力稽查。如果该楼层的家庭用电量信息不存在异常，则不需要再针对各个用户家庭分别确定其用电异常信息。只有在确定该楼层的家庭用电量信息存在异常的情况下，才分别对该楼层的各个用户家庭进行进一步的电力稽查以便确定其用电异常信息。因此通过这种方式，相对于直接对各个用户家庭进行用电异常信息的电力稽查方式，能够大大减少电力数据平台的运算量，从而提高电力稽查的效率。
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本发明所必须的。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
实施例2
图15示出了根据本实施例所述的基于用电配电数据分析的稽查装置1500，该装置1500与根据实施例1的第一个方面所述的方法相对应。参考图15所示，该装置1500包括：配电量估计模型构建模块，用于获取预设的采样统计周期中，楼层中的楼层配电箱的第一配电量信息以及各个用户家庭的第一家庭用电量信息，其中第一家庭用电量信息与第一配电量信息对应，并且根据第一配电量信息以及第一家庭用电量信息，构建对楼层配电箱的配电量进行估计的配电量估计模型；第一配电量估计值确定模块，用于获取采样统计周期中，楼层配电箱的第二配电量信息以及各个用户家庭的第二家庭用电量信息，其中第二家庭用电量信息与第二配电量信息对应，并且根据第二家庭用电量信息，利用配电量估计模型，确定楼层配电箱的第一配电量估计值；偏差值概率分布确定模块，用于确定第一配电量估计值与第二配电量信息之间的第一偏差值，并根据第一偏差值确定偏差值概率分布，偏差值概率分布反映楼层配电箱的实际配电量与利用配电量估计模型估计的配电量估计值之间的偏差值的概率分布；第二配电量估计值确定模块，用于在监控周期内获取楼层配电箱的第三配电量信息以及各个用户家庭的第三家庭用电量信息，其中第三家庭用电量信息与第三配电量信息对应，并且根据第三家庭用电量信息，利用配电量估计模型，确定楼层配电箱的第二配电量估计值；第一用电异常确定模块，用于确定第二配电量估计值与第三配电量信息之间的第二偏差值，并且根据第二偏差值以及偏差值概率分布，确定第三家庭用电量信息是否异常；以及第二用电异常确定模块，用于在确定第三家庭用电量信息异常的情况下，针对各个用户家庭，分别确定与各个用户家庭对应的用电异常信息。
可选地配电量估计模型构建模块，包括：模型构建子模块，用于构建基于线性回归的配电量估计模型；以及模型训练子模块，用于利用第一配电量信息以及第一家庭用电量信息作为训练样本，对配电量估计模型进行训练。
可选地，偏差值概率分布确定模块，包括：偏差值概率分布确定子模块，用于根据第一偏差值确定基于正态分布的偏差值概率分布。
可选地，第一用电异常确定模块，包括：第一概率计算子模块，用于在第二偏差值大于偏差值概率分布的期望值μ0的情况下，计算在偏差值概率分布中，区间 所占的概率值Perrj’；在第二偏差值/>小于μ0的情况下，计算在偏差值概率分布中，区间/>的概率值Perrj’；第二概率计算子模块，用于计算Perrj＝1-Perrj’，作为与第二偏差值/>对应的概率值；以及用电异常确定子模块，用于在/>对应的概率Perrj小于预定的概率阈值情况下，确定该偏差值/>存在异常。
从而根据本实施例，首先根据每个楼层的楼层配电箱的配电量数据与该楼层各个用户家庭的家庭用电量数据构建用于对楼层配电箱的配电量数据进行估计的配电量估计模型；然后确定该配电量估计模型的配电量估计值与实际配电量之间的偏差值的概率分布。从而在进行监控时，可以首先根据该楼层的各个用户家庭的家庭用电量信息估计该楼层的楼层配电箱的配电量估计值，并且进一步计算该配电量估计值与实际配电量之间的偏差值，并进一步确定该偏差值的概率，并根据偏差值的概率确定监控周期内该楼层的家庭用电量信息是否存在异常。然后在确定该楼层的家庭用电量存在异常的情况下，再针对各个用户家庭分别确定与其对应的用电异常信息。从而根据本公开的技术方案，利用配电数据以及用电数据，先基于楼层进行电力稽查。如果该楼层的家庭用电量信息不存在异常，则不需要再针对各个用户家庭分别确定其用电异常信息。只有在确定该楼层的家庭用电量信息存在异常的情况下，才分别对该楼层的各个用户家庭进行进一步的电力稽查以便确定其用电异常信息。因此通过这种方式，相对于直接对各个用户家庭进行用电异常信息的电力稽查方式，能够大大减少电力数据平台的运算量，从而提高电力稽查的效率。
实施例3
图16示出了根据本实施例所述的基于用电配电数据分析的稽查装置1600，该装置1600与根据实施例1的第一个方面所述的方法相对应。参考图16所示，该装置1600包括：处理器1610；以及存储器1620，与所述处理器1610连接，用于为所述处理器1610提供处理以下处理步骤的指令：获取预设的采样统计周期中，楼层中的楼层配电箱的第一配电量信息以及各个用户家庭的第一家庭用电量信息，其中第一家庭用电量信息与第一配电量信息对应，并且根据第一配电量信息以及第一家庭用电量信息，构建对楼层配电箱的配电量进行估计的配电量估计模型；获取采样统计周期中，楼层配电箱的第二配电量信息以及各个用户家庭的第二家庭用电量信息，其中第二家庭用电量信息与第二配电量信息对应，并且根据第二家庭用电量信息，利用配电量估计模型，确定楼层配电箱的第一配电量估计值；确定第一配电量估计值与第二配电量信息之间的第一偏差值，并根据第一偏差值确定偏差值概率分布，偏差值概率分布反映楼层配电箱的实际配电量与利用配电量估计模型估计的配电量估计值之间的偏差值的概率分布；在监控周期内获取楼层配电箱的第三配电量信息以及各个用户家庭的第三家庭用电量信息，其中第三家庭用电量信息与第三配电量信息对应，并且根据第三家庭用电量信息，利用配电量估计模型，确定楼层配电箱的第二配电量估计值；确定第二配电量估计值与第三配电量信息之间的第二偏差值，并且根据第二偏差值以及偏差值概率分布，确定第三家庭用电量信息是否异常；以及在确定第三家庭用电量信息异常的情况下，针对各个用户家庭，分别确定与各个用户家庭对应的用电异常信息。
可选地，根据第一配电量信息以及第一家庭用电量信息，构建对楼层配电箱的配电量进行估计的配电量估计模型的操作，包括：构建基于线性回归的配电量估计模型；以及利用第一配电量信息以及第一家庭用电量信息作为训练样本，对配电量估计模型进行训练。
可选地，根据第一偏差值确定偏差值概率分布的操作，包括：根据第一偏差值确定基于正态分布的偏差值概率分布。
可选地，根据第二偏差值以及偏差值概率分布，确定第三家庭用电量信息是否异常的操作，包括：在第二偏差值大于偏差值概率分布的期望值μ0的情况下，计算在偏差值概率分布中，区间/>所占的概率值Perrj’；在第二偏差值/>小于μ0的情况下，计算在偏差值概率分布中，区间/>的概率值Perrj’；计算Perrj＝1-Perrj’，作为与第二偏差值/>对应的概率值；以及在/>对应的概率Perrj小于预定的概率阈值情况下，确定该偏差值/>存在异常。
从而根据本实施例，首先根据每个楼层的楼层配电箱的配电量数据与该楼层各个用户家庭的家庭用电量数据构建用于对楼层配电箱的配电量数据进行估计的配电量估计模型；然后确定该配电量估计模型的配电量估计值与实际配电量之间的偏差值的概率分布。从而在进行监控时，可以首先根据该楼层的各个用户家庭的家庭用电量信息估计该楼层的楼层配电箱的配电量估计值，并且进一步计算该配电量估计值与实际配电量之间的偏差值，并进一步确定该偏差值的概率，并根据偏差值的概率确定监控周期内该楼层的家庭用电量信息是否存在异常。然后在确定该楼层的家庭用电量存在异常的情况下，再针对各个用户家庭分别确定与其对应的用电异常信息。从而根据本公开的技术方案，利用配电数据以及用电数据，先基于楼层进行电力稽查。如果该楼层的家庭用电量信息不存在异常，则不需要再针对各个用户家庭分别确定其用电异常信息。只有在确定该楼层的家庭用电量信息存在异常的情况下，才分别对该楼层的各个用户家庭进行进一步的电力稽查以便确定其用电异常信息。因此通过这种方式，相对于直接对各个用户家庭进行用电异常信息的电力稽查方式，能够大大减少电力数据平台的运算量，从而提高电力稽查的效率。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，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，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元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单元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单元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，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.一种基于用电配电数据分析的稽查方法，其特征在于，包括：
获取预设的采样统计周期中，楼层中的楼层配电箱的第一配电量信息以及各个用户家庭的第一家庭用电量信息，其中所述第一家庭用电量信息与所述第一配电量信息对应，并且根据所述第一配电量信息以及所述第一家庭用电量信息，构建对所述楼层配电箱的配电量进行估计的配电量估计模型；
获取所述采样统计周期中，所述楼层配电箱的第二配电量信息以及所述各个用户家庭的第二家庭用电量信息，其中所述第二家庭用电量信息与所述第二配电量信息对应，并且根据所述第二家庭用电量信息，利用所述配电量估计模型，确定所述楼层配电箱的第一配电量估计值；
确定所述第一配电量估计值与所述第二配电量信息之间的第一偏差值，并根据所述第一偏差值确定偏差值概率分布，所述偏差值概率分布反映所述楼层配电箱的实际配电量与利用所述配电量估计模型估计的配电量估计值之间的偏差值的概率分布；
在监控周期内获取所述楼层配电箱的第三配电量信息以及所述各个用户家庭的第三家庭用电量信息，其中所述第三家庭用电量信息与所述第三配电量信息对应，并且根据所述第三家庭用电量信息，利用所述配电量估计模型，确定所述楼层配电箱的第二配电量估计值；
确定所述第二配电量估计值与所述第三配电量信息之间的第二偏差值，并且根据所述第二偏差值以及所述偏差值概率分布，确定所述第三家庭用电量信息是否异常；以及
在确定所述第三家庭用电量信息异常的情况下，针对所述各个用户家庭，分别确定与所述各个用户家庭对应的用电异常信息。
2.根据权利要求1所述的方法，其特征在于，根据所述第一配电量信息以及所述第一家庭用电量信息，构建对所述楼层配电箱的配电量进行估计的配电量估计模型的操作，包括：
构建基于线性回归的所述配电量估计模型；以及
利用所述第一配电量信息以及所述第一家庭用电量信息作为训练样本，对所述配电量估计模型进行训练。
3.根据权利要求1所述的方法，其特征在于，根据所述第一偏差值确定偏差值概率分布的操作，包括：根据所述第一偏差值确定基于正态分布的偏差值概率分布。
4.根据权利要求3所述的方法，其特征在于，根据所述第二偏差值以及所述偏差值概率分布，确定所述第三家庭用电量信息是否异常的操作，包括：
在所述第二偏差值大于所述偏差值概率分布的期望值μ0的情况下，计算在所述偏差值概率分布中，区间/>所占的概率值Perrj’；在所述第二偏差值小于μ0的情况下，计算在所述偏差值概率分布中，区间/>的概率值Perrj’；
计算Perrj＝1-Perrj’，作为与所述第二偏差值对应的概率值；以及
在对应的概率Perrj小于预定的概率阈值情况下，确定该偏差值/>存在异常。
5.一种存储介质，其特征在于，所述存储介质包括存储的程序，其中，在所述程序运行时由处理器执行权利要求1至4中任意一项所述的方法。
6.一种基于用电配电数据分析的稽查装置，其特征在于，包括：
配电量估计模型构建模块，用于获取预设的采样统计周期中，楼层中的楼层配电箱的第一配电量信息以及各个用户家庭的第一家庭用电量信息，其中所述第一家庭用电量信息与所述第一配电量信息对应，并且根据所述第一配电量信息以及所述第一家庭用电量信息，构建对所述楼层配电箱的配电量进行估计的配电量估计模型；
第一配电量估计值确定模块，用于获取所述采样统计周期中，所述楼层配电箱的第二配电量信息以及所述各个用户家庭的第二家庭用电量信息，其中所述第二家庭用电量信息与所述第二配电量信息对应，并且根据所述第二家庭用电量信息，利用所述配电量估计模型，确定所述楼层配电箱的第一配电量估计值；
偏差值概率分布确定模块，用于确定所述第一配电量估计值与所述第二配电量信息之间的第一偏差值，并根据所述第一偏差值确定偏差值概率分布，所述偏差值概率分布反映所述楼层配电箱的实际配电量与利用所述配电量估计模型估计的配电量估计值之间的偏差值的概率分布；
第二配电量估计值确定模块，用于在监控周期内获取所述楼层配电箱的第三配电量信息以及所述各个用户家庭的第三家庭用电量信息，其中所述第三家庭用电量信息与所述第三配电量信息对应，并且根据所述第三家庭用电量信息，利用所述配电量估计模型，确定所述楼层配电箱的第二配电量估计值；
第一用电异常确定模块，用于确定所述第二配电量估计值与所述第三配电量信息之间的第二偏差值，并且根据所述第二偏差值以及所述偏差值概率分布，确定所述第三家庭用电量信息是否异常；以及
第二用电异常确定模块，用于在确定所述第三家庭用电量信息异常的情况下，针对所述各个用户家庭，分别确定与所述各个用户家庭对应的用电异常信息。
7.一种基于用电配电数据分析的稽查装置，其特征在于，包括：
处理器；以及
存储器，与所述处理器连接，用于为所述处理器提供处理以下处理步骤的指令：
获取预设的采样统计周期中，楼层中的楼层配电箱的第一配电量信息以及各个用户家庭的第一家庭用电量信息，其中所述第一家庭用电量信息与所述第一配电量信息对应，并且根据所述第一配电量信息以及所述第一家庭用电量信息，构建对所述楼层配电箱的配电量进行估计的配电量估计模型；
获取所述采样统计周期中，所述楼层配电箱的第二配电量信息以及所述各个用户家庭的第二家庭用电量信息，其中所述第二家庭用电量信息与所述第二配电量信息对应，并且根据所述第二家庭用电量信息，利用所述配电量估计模型，确定所述楼层配电箱的第一配电量估计值；
确定所述第一配电量估计值与所述第二配电量信息之间的第一偏差值，并根据所述第一偏差值确定偏差值概率分布，所述偏差值概率分布反映所述楼层配电箱的实际配电量与利用所述配电量估计模型估计的配电量估计值之间的偏差值的概率分布；
在监控周期内获取所述楼层配电箱的第三配电量信息以及所述各个用户家庭的第三家庭用电量信息，其中所述第三家庭用电量信息与所述第三配电量信息对应，并且根据所述第三家庭用电量信息，利用所述配电量估计模型，确定所述楼层配电箱的第二配电量估计值；
确定所述第二配电量估计值与所述第三配电量信息之间的第二偏差值，并且根据所述第二偏差值以及所述偏差值概率分布，确定所述第三家庭用电量信息是否异常；以及
在确定所述第三家庭用电量信息异常的情况下，针对所述各个用户家庭，分别确定与所述各个用户家庭对应的用电异常信息。
8.根据权利要求7所述的装置，其特征在于，根据所述第一配电量信息以及所述第一家庭用电量信息，构建对所述楼层配电箱的配电量进行估计的配电量估计模型的操作，包括：
构建基于线性回归的所述配电量估计模型；以及
利用所述第一配电量信息以及所述第一家庭用电量信息作为训练样本，对所述配电量估计模型进行训练。
9.根据权利要求7所述的装置，其特征在于，根据所述第一偏差值确定偏差值概率分布的操作，包括：根据所述第一偏差值确定基于正态分布的偏差值概率分布。
10.根据权利要求9所述的装置，其特征在于，根据所述第二偏差值以及所述偏差值概率分布，确定所述第三家庭用电量信息是否异常的操作，包括：
在所述第二偏差值大于所述偏差值概率分布的期望值μ0的情况下，计算在所述偏差值概率分布中，区间/>所占的概率值Perrj’；在所述第二偏差值小于μ0的情况下，计算在所述偏差值概率分布中，区间/>的概率值Perrj’；
计算Perrj＝1-Perrj’，作为与所述第二偏差值对应的概率值；以及
在对应的概率Perrj小于预定的概率阈值情况下，确定该偏差值/>存在异常。
CN202311301391.6A 2023-10-09 2023-10-09 基于用电配电数据分析的稽查方法、装置以及存储介质 Pending CN117609904A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311301391.6A CN117609904A (zh) 2023-10-09 2023-10-09 基于用电配电数据分析的稽查方法、装置以及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311301391.6A CN117609904A (zh) 2023-10-09 2023-10-09 基于用电配电数据分析的稽查方法、装置以及存储介质

Publications (1)

Publication Number Publication Date
CN117609904A true CN117609904A (zh) 2024-02-27

Family

ID=89948527

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311301391.6A Pending CN117609904A (zh) 2023-10-09 2023-10-09 基于用电配电数据分析的稽查方法、装置以及存储介质

Country Status (1)

Country Link
CN (1) CN117609904A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117992861A (zh) * 2024-04-04 2024-05-07 国网湖北省电力有限公司 一种电力数据精准度稽查方法及系统

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117992861A (zh) * 2024-04-04 2024-05-07 国网湖北省电力有限公司 一种电力数据精准度稽查方法及系统

Similar Documents

Publication Publication Date Title
Chen et al. Real-time, appliance-level electricity use feedback system: How to engage users?
CA2755831C (en) Network status detection
US8237586B2 (en) Method and system for recognizing statuses of electric appliances
CN113452141B (zh) 基于物联数据的封闭式集成控制系统
CN105069535A (zh) 一种基于arima模型的配电网运行可靠性的预测方法
CN105158537A (zh) 一种智能电表
Wang et al. A load modeling algorithm for distribution system state estimation
CN103336493A (zh) 一种能源管理系统
Olivares-Rojas et al. A multi-tier architecture for data analytics in smart metering systems
TW201917671A (zh) 用電分析伺服器及其用電分析方法
CN112700144B (zh) 变电站运行状态风险评估方法、装置、设备以及存储介质
CN117609904A (zh) 基于用电配电数据分析的稽查方法、装置以及存储介质
Lee et al. Smart metering system capable of anomaly detection by bi-directional LSTM autoencoder
dos Reis et al. Synthetic residential load models for smart city energy management simulations
CN103618783A (zh) 具有用电量分析功能的远程家电用电情况管理方法
Jaiswal et al. Arduino mega and IOT based intelligent energy meter (IEM) to increase efficiency and accuracy in current billing methodology
CN103634387B (zh) 能够自动通知维修的远程家电用电情况管理方法
Lundén et al. Real-time smart metering with reduced communication and bounded error
Chrysopoulos et al. Response modeling of small-scale energy consumers for effective demand response applications
CN116384548A (zh) 一种基于环境反馈的电网短期电力负荷预测方法
CN117390561A (zh) 基于人工智能的电力稽查方法、装置及存储介质
CN115603321B (zh) 一种基于电力消费数据的电力负荷预测系统及方法
CN106468734A (zh) 电力监视系统
US11403508B1 (en) Method for estimating load by energy meter including load estimation model based on neural network and energy meter using the same
CN116777264A (zh) 考虑储能的新型配电网韧性指标的确定方法及评估系统

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