CN117786582B - 基于数据驱动的用电异常状态智能监测方法及系统 - Google Patents
基于数据驱动的用电异常状态智能监测方法及系统 Download PDFInfo
- Publication number
- CN117786582B CN117786582B CN202410200199.6A CN202410200199A CN117786582B CN 117786582 B CN117786582 B CN 117786582B CN 202410200199 A CN202410200199 A CN 202410200199A CN 117786582 B CN117786582 B CN 117786582B
- Authority
- CN
- China
- Prior art keywords
- data
- user
- length
- abnormal
- data sequence
- 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
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 107
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000012544 monitoring process Methods 0.000 title claims abstract description 34
- 230000005611 electricity Effects 0.000 claims abstract description 120
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 23
- 230000009467 reduction Effects 0.000 claims abstract description 22
- 230000011218 segmentation Effects 0.000 claims abstract description 18
- 238000001914 filtration Methods 0.000 claims abstract description 13
- 230000008569 process Effects 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 4
- 238000011045 prefiltration Methods 0.000 claims description 3
- 238000005192 partition Methods 0.000 claims description 2
- 101150049349 setA gene Proteins 0.000 claims description 2
- 230000006399 behavior Effects 0.000 description 19
- 230000008859 change Effects 0.000 description 5
- 230000002354 daily effect Effects 0.000 description 3
- 230000007423 decrease Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及数据监测技术领域,具体涉及基于数据驱动的用电异常状态智能监测方法及系统,该方法包括:获取用户的电量数据序列;对用户的电量数据序列进行分割获取基于不同分割长度的分割数据序列集合;对同一分割长度的分割数据序列集合的元素分布差异进行分析,构建数据异同度;获取用户电量数据序列的周期长度;结合均值滤波获取用户当天的用电下降率;获取异常用电系数集合;构建最佳近邻密度距离;结合CFSFDP算法获取各聚类簇以及聚类簇的数量;完成用户用电异常状态的智能监测。本发明旨在通过CFSFDP算法提高用户用电异常状态的监测精度,保证监测质量。
Description
技术领域
本发明涉及数据监测技术领域,具体涉及基于数据驱动的用电异常状态智能监测方法及系统。
背景技术
电网的电能损耗是电力系统运行过程中不可避免的现象,主要可以分为技术损失和非技术损失两个方面。技术损失是指在电能从发电站传输到最终用户的过程中,由于物理现象和设备效率等因素导致的电能损耗。非技术损失主要是指由于人为因素或管理问题导致的电能损耗,这些损耗并非直接源于电力传输和转换过程,而是与用户的异常用电行为相关。用户的用电异常行为会给电网带来经济损失。
传统的用电异常检测方法通常依赖于聚类分析技术,其中CFSFDP聚类算法(Clustering by fast search and find of density peaks)是一种常用的方法。然而,CFSFDP聚类算法的精度在很大程度上取决于其截断距离的选择。在现实情况中,由于用电行为的复杂性和多样性,固定的截断距离可能无法适应所有用户的用电模式。不同的用户群体、季节变化、特殊事件等因素可能导致用电行为的显著差异,这些差异可能需要不同的截断距离来准确捕捉。
发明内容
为了解决上述技术问题,本发明的目的在于提供基于数据驱动的用电异常状态智能监测方法及系统,所采用的技术方案具体如下:
第一方面,本发明实施例提供了基于数据驱动的用电异常状态智能监测方法,该方法包括以下步骤:
获取各用户的电量数据序列;
对各用户的电量数据序列进行分割获取各分割长度的分割数据序列集合;根据每个用户的各分割长度的分割数据序列集合的元素分布差异获取各分割长度的分割数据序列集合的数据异同度;根据各分割长度的分割数据序列集合的数据异同度获取各用户电量数据序列的周期长度;根据各电量数据序列的周期长度结合均值滤波获取用户当天的用电下降率;根据用户周期内的用电下降率的差异获取异常用电系数集合;根据异常用电系数集合的元素之间的差异特征获取异常用电系数集合的最佳近邻密度距离;
根据最佳紧邻密度距离以及异常用电系数集合结合CFSFDP算法获取各聚类簇以及聚类簇的数量;根据聚类簇的数量结合聚类簇完成用户用电异常状态的智能监测。
优选的,所述对各用户的电量数据序列进行分割获取各分割长度的分割数据序列集合,包括:
对于各用户的电量数据序列,x从2开始,对连续的x个数据进行分割,其中x为整数,将得到的所有分割长度为x的分割数据序列组成的分割数据序列集合保存为,对应的集合元素数量保存为/>,直到/>等于2时停止数据分割。
优选的,所述根据每个用户的各分割长度的分割数据序列集合的元素分布差异获取各分割长度的分割数据序列集合的数据异同度,具体为:
对于各分割长度;将各分割长度的分割数据序列集合的所有序列各位置的元素均值作为各分割长度的分割数据均值序列;将各分割长度的分割数据序列集合所有序列各位置的元素值与所述均值的差值绝对值的均值作为各分割长度的分割数据序列集合的数据异同度。
优选的,所述根据各分割长度的分割数据序列集合的数据异同度获取各用户电量数据序列的周期长度,包括:
获取数据异同度最小时所对应的分割长度的个数;若所述个数等于1时,则将对应的分割长度作为用户电量数据序列的周期长度;
若所述个数大于1时,则获取最小分割长度,将最小分割长度作为除数,其余分割长度作为被除数,分别进行除法运算;当所有余数都不为0时,将最小分割长度作为电量数据序列的周期长度;当存在余数为0时,将余数为0的对应被除数的最大值作为电量数据序列的周期长度。
优选的,所述根据各电量数据序列的周期长度结合均值滤波获取用户当天的用电下降率,包括:
将各电量数据序列的周期长度作为窗口长度对各电量数据序列进行均值滤波;用户当天的用电下降率k,表达式为:
式中,表示电量数据序列的周期长度;/>表示用户使用当天的滤波前用电数据;/>表示用户使用当天用电数据以及前m-1天滤波后用电数据的均值;/>表示取绝对值;/>表示之前天数与当天天数的间隔。
优选的,所述根据用户周期内的用电下降率的差异获取异常用电系数集合,具体包括:
获取用户当天的供电数据;计算所述供电数据与用户当天的用电数据的差值;将所述差值与所述供电数据的比值作为用户每天的电量损耗;
计算用户在周期内的用电下降率的均值;计算用户当天的用电下降率与所述均值的差值绝对值;
将所述差值绝对值与所述电量损耗的乘积作为用户当天的异常用电系数;
将所有用户当天的异常用电系数组成的集合作为异常用电系数集合。
优选的,所述根据异常用电系数集合的元素之间的差异特征获取异常用电系数集合的最佳近邻密度距离,具体包括:
对于异常用电系数集合的各元素;计算各元素与其他元素之间的差值绝对值,并按照从小到大的顺序进行排列组成各元素的绝对差值序列;
最佳近邻密度距离,表达式为:
式中,表示异常用电系数集合的第a个平均近邻距离;/>表示绝对差值序列集合中绝对差值序列的数量;/>表示绝对差值序列集合中第b个绝对差值序列的第/>个元素值;/>表示异常用电系数集合的最佳近邻密度距离;/>表示最小值函数;/>表示平均近邻距离集合;/>表示取得最小平均近邻距离所采用的元素位置。
优选的,所述根据最佳紧邻密度距离以及异常用电系数集合结合CFSFDP算法获取各聚类簇以及聚类簇的数量,具体包括:
将异常用电系数集合作为CFSFDP算法的输入,将最佳紧邻密度距离作为CFSFDP算法的截断距离,CFSFDP算法的输出为各聚类簇以及聚类簇的数量。
优选的,所述根据聚类簇的数量结合聚类簇完成用户用电异常状态的智能监测,具体包括:
当聚类簇的数量等于1时,用户用电状态正常;
当聚类簇的数量大于1时,将元素最多的聚类簇作为用户状态正常的聚类簇,其余聚类簇中用户用电状态异常。
第二方面,本发明实施例还提供了基于数据驱动的用电异常状态智能监测系统,包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述任意一项所述方法的步骤。
本发明至少具有如下有益效果:
本发明主要通过对获取的数据进行不同长度的分割,利用分割获取到数据的数据异同度与数据周期长度,数据异同度可以反映数据在不同时间段的相似性和差异性,通过分析数据异同度识别出数据中的周期长度,数据周期长度具有更高的准确性。通过数据的周期长度计算数据的用电下降率,数据的周期长度对用户用电行为的趋势和模式进行识别,利用数据的周期长度计算用电下降率,从而获得更精确的结果;利用异常用电下降率与线路损耗计算用户当天用电的异常用电系数,异常用电系数反映了用户用电行为的异常程度;利用所有用户的异常用电系数集合的绝对差值序列集合计算异常用电系数集合的最佳近邻密度距离。通过最佳近邻密度距离对CFSFDP算法进行改进,使得CFSFDP算法对于用户异常用电行为具有更高的检测准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,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它附图。
图1为本发明一个实施例提供的基于数据驱动的用电异常状态智能监测方法的步骤流程图;
图2为分割方法示意图;
图3为最佳近邻密度距离的获取流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的基于数据驱动的用电异常状态智能监测方法及系统,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一个或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的基于数据驱动的用电异常状态智能监测方法及系统的具体方案。
请参阅图1,其示出了本发明一个实施例提供的基于数据驱动的用电异常状态智能监测方法的步骤流程图,该方法包括以下步骤:
步骤S001:获取用户电量使用数据,并对数据进行预处理。
具体的,从用户的用电数据库中获取所有用户当天以及前L天的用电数据,其中L取经验值300,实施者可根据实际情况自行调整,考虑到可能存在用户的用电数据的缺失,在此采用五阶多项式插值进行数据填充,由于五阶多项式插值法为公知技术,具体计算过程不再赘述。由于数据填充的方法多种多样,实施者可以采用其他的方法进行缺失数据的填充。将填充后的每个用户每天用电数据,保存为电量数据序列。
步骤S002:通过对获取的数据进行不同长度的分割,利用分割获取到数据的数据异同度与数据周期长度;通过数据的周期长度计算数据的用电下降率;利用异常用电下降率与线路损耗计算用户当天用电的异常用电系数;利用所有用户的异常用电系数集合的绝对差值序列集合计算异常用电系数集合的最佳近邻密度距离。
在正常使用电力的情况下,用户的用电行为通常会表现出一些规律性特征。一般而言,用户的电力消耗量会相对稳定,每天或每周的用电数据变化不会有很大波动。根据用户的生活和工作习惯,用电数据会呈现出明显的周期性变化。
对每个用户的电量数据序列,进行数据分割,分割方法为:首先按照连续的两个数据进行分割,将得到的所有分割长度为2分割数据序列组成的分割数据序列集合保存为,对应的集合元素数量保存为/>;按照连续的三个数据进行分割,将得到的所有分割长度为3分割数据序列组成的分割数据序列集合保存为/>,对应的集合元素数量保存为;以此类推,将得到的所有分割长度为x的分割数据序列组成的分割数据序列集合保存为,对应的集合元素数量保存为/>,直到分割数据序列的个数等于2时停止数据分割。当分割时出现多余数据,则直接将多余数据舍去。其中,分割方法如图2所示。
通过每个用户各分割数据序列集合计算对应分割长度的数据异同度,表达式为:
式中,表示分割长度为x的分割数据序列集合的数据异同度;/>表示分割长度;/>表示分割长度为/>的分割数据序列集合的序列数量;/>表示分割长度为/>的分割数据序列集合中第j个分割数据序列的第i个元素;/>表示分割长度为/>的分割数据序列集合中所有分割数据均值序列中的第i个元素值;/>表示取绝对值。
当分割后的分割数据序列之间越相似,即它们在相同位置的元素值越接近,那么这些分割数据序列与均值序列之间的差值就会越小。如果同一分割长度的所有的分割数据序列都具有较高的相似性,即它们的元素值在相同位置上都非常接近,整个分割数据序列集合的数据异同度也会相对较小。
为了确定电量数据序列的周期长度,需要获取数据异同度最小时所对应的分割的数据长度,若所述个数等于1时,则将对应的分 割长度作为用户电量数据序列的周期长度;由于最小值可能存在多个,因此对应的数据长度也有可能存在多个。在该种情况下,首先获取最小分割长度,将最小分割长度作为除数,其余分割长度作为被除数,分别进行除法运算;当所有余数都不为0时,将最小分割长度作为电量数据序列的周期长度m;当存在余数为0时,将余数为0的对应被除数的最大值作为电量数据序列的周期长度m。
当用户发生异常用电时,其正常用电特征规律将发生改变。异常用电时,用电数据变化曲线将失去周期性,用电数据逐渐下降并在一段时间后趋于低水平稳定状态。因此,依据用电数据变化特征,将异常用户用电数据随时间下降趋势和用电规律相似用户的用电数据差异指标作为用户用电电量变化指标。
将每个用户的电量数据序列的周期长度m作为窗口尺寸对电量数据序列进行均值滤波,将用户滤波前、滤波后当天用电数据以及之前m-1天用电数据组成的序列分别保存为、/>。需要说明的是,均值滤波为现有公知技术,本实施例中不再赘述。通过滤波前与滤波后的电量数据序列进行比较,获取用户当天的用电下降率,表达式为:
式中,表示用户当天的用电下降率;/>表示电量数据序列的周期长度;/>表示用户使用当天的滤波前用电数据;/>表示用户使用当天用电数据以及前m-1天滤波后用电数据的均值;/>表示取绝对值函数;/>表示之前天数与当天天数的间隔。
当用户当天的用电数据相较于前面的用电数据出现下降时,可以计算当天滤波前用电数据与前I天的滤波后用电数据的均值的差值绝对值,即,差值绝对值的大小可以反映用户用电行为的变化程度。如果差值增大,说明用户的用电数据下降越明显,可能存在用电异常的可能性。同时,考虑到时间序列数据中近期的数据可能对当前状态影响更大,可以引入距离权重的概念。具体来说,相距越远的用电数据,其对当前用电数据的影响应相应减小。赋予每个历史用电数据一个距离权重/>,距离权重的值随着日期距离的增加而减小,这样可以突出近期数据的重要性。当用户的用电数据下降越多,且这种下降趋势出现在较近的时间段内,那么用电下降率的值就会越大。
用户的用电数据与线路损耗密切相关,当用户发生异常用电时,线路上的损耗会增加。将线路损耗保存为L,计算公式为:用户每天的线路损耗L=((用户的供电数据-用户的用电数据)/用户的供电数据)×100%。通过持续监控和计算线路损耗,来识别可能存在的用户用电异常情况。当L值出现异常升高时,说明线路上的损耗增加,可能存在用户窃电、非法用电或者设备故障等问题。计算用户当天的异常用电系数,表达式为:
式中,表示用户当天的异常用电系数;/>表示取绝对值;/>表示用户当天的用电下降率;/>表示用户在周期内第y天的用电下降率;/>表示电量数据序列的周期长度;/>表示用户当天用电数据的线路损耗。
当用户出现用电异常,用户在线路上损耗会增加,使得线路损耗L的值增大,当用户出现用电异常时,用户的用电下降率会增大,使得用户当天的用电下降率与所在周期每天的下降率均值之间出现较大的差异,即的值越大,使得用户当天用电的异常用电系数的值增大。
进一步的,计算所有用户当天的异常用电系数,将构成的异常用电系数集合保存为。这个集合包含每个用户当天的用电行为异常程度的量化指标。对于集合中每一个元素,求得每一个元素的绝对差值序列,以第J个元素为例,计算其他元素与第J个元素的差值绝对值,得到第J个元素的绝对差值序列,序列的排列规则为从小到大排列,记为/>。计算异常用电系数集合/>中所有元素的绝对差值序列,并构建绝对差值序列集合/>。
计算异常用电系数集合的最佳近邻密度距离。
式中,表示异常用电系数集合的第a个平均近邻距离;/>表示绝对差值序列集合中绝对差值序列的数量;/>表示绝对差值序列集合中第b个绝对差值序列的第/>个元素值。/>表示异常用电系数集合的最佳近邻密度距离;/>表示最小值函数;/>表示平均近邻距离集合;/>表示取得最小平均近邻距离所采用的元素位置。需要说明的是,如果最小平均近邻距离对应的元素位置存在两个或者两个以上,计算各个对应位置以及其前后相邻位置的平均近邻距离的均值,选取平均近邻距离的均值最小的最小平均近邻距离对应的元素位置。其中,最佳近邻密度距离的获取流程如图3所示。
当异常用电系数集合的数据越集中,意味着用户之间的异常用电行为越相似,他们的异常用电系数数值差异越小。在这种情况下,数据之间的近邻距离值也会相应变小,使得计算异常用电系数集合的平均近邻距离越小,最小的平均近邻距离越小,计算的异常用电系数集合的最佳近邻密度距离的值越小。
步骤S003:根据异常用电系数集合以及最佳近邻密度距离通过CFSFDP算法完成对用电状态的监测。
将最佳近邻密度距离作为CFSFDP算法中的截断距离,改进后的CFSFDP算法可以根据异常用电系数变动而变动,提高了算法的精确度。将异常用电系数集合作为输入,采用改进的CFSFDP算法,输出结果为分类后的各聚类簇以及聚类簇数量K。
通过上述方法获取的聚类簇数量K,可以对聚类结果进行深入分析,以了解用户用电行为的模式和异常情况。当聚类簇数量K等于1时,这意味着所有用户的用电行为被聚类为一个单一的簇。这种情况表明所有用户的用电行为模式非常相似,没有明显差异或异常。在这种情况下,判定所有用户的用电行为都在正常范围内,没有检测到任何异常用电情况。然而,当聚类簇数量K大于1时,这表示用户群体被划分为多个不同的聚类簇。聚类簇中元素最多的簇,代表了大部分用户的常规用电行为模式。然而,除了这个最大的聚类簇之外,其他聚类簇中的用户群体表现出一种不同于常规用电行为的模式,那么这可能标志着这些用户出现了用电异常情况。
至此,完成用电异常状态智能监测。
基于与上述方法相同的发明构思,本发明实施例还提供了基于数据驱动的用电异常状态智能监测系统,包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述基于数据驱动的用电异常状态智能监测方法中任意一项所述方法的步骤。
综上所述,本发明实施例主要通过对获取的数据进行不同长度的分割,利用分割获取到数据的数据异同度与数据周期长度,数据异同度可以反映数据在不同时间段的相似性和差异性,通过分析数据异同度识别出数据中的周期长度,数据周期长度具有更高的准确性。通过数据的周期长度计算数据的用电下降率,数据的周期长度对用户用电行为的趋势和模式进行识别,利用数据的周期长度计算用电下降率,从而获得更精确的结果;利用异常用电下降率与线路损耗计算用户当天用电的异常用电系数,异常用电系数反映了用户用电行为的异常程度;利用所有用户的异常用电系数集合的绝对差值序列集合计算异常用电系数集合的最佳近邻密度距离。通过最佳近邻密度距离对CFSFDP算法进行改进,使得CFSFDP算法对于用户异常用电行为具有更高的检测准确性。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.基于数据驱动的用电异常状态智能监测方法,其特征在于,该方法包括以下步骤:
获取各用户的电量数据序列;
对各用户的电量数据序列进行分割获取各分割长度的分割数据序列集合;根据每个用户的各分割长度的分割数据序列集合的元素分布差异获取各分割长度的分割数据序列集合的数据异同度;根据各分割长度的分割数据序列集合的数据异同度获取各用户电量数据序列的周期长度;根据各电量数据序列的周期长度结合均值滤波获取用户当天的用电下降率;根据用户周期内的用电下降率的差异获取异常用电系数集合;根据异常用电系数集合的元素之间的差异特征获取异常用电系数集合的最佳近邻密度距离;
根据最佳紧邻密度距离以及异常用电系数集合结合CFSFDP算法获取各聚类簇以及聚类簇的数量;根据聚类簇的数量结合聚类簇完成用户用电异常状态的智能监测;
所述根据各电量数据序列的周期长度结合均值滤波获取用户当天的用电下降率,包括:
将各电量数据序列的周期长度作为窗口长度对各电量数据序列进行均值滤波;用户当天的用电下降率k,表达式为:
式中,表示电量数据序列的周期长度;/>表示用户使用当天的滤波前用电数据;表示用户使用当天用电数据以及前m-1天滤波后用电数据的均值;/>表示取绝对值;表示之前天数与当天天数的间隔。
2.如权利要求1所述的基于数据驱动的用电异常状态智能监测方法,其特征在于,所述对各用户的电量数据序列进行分割获取各分割长度的分割数据序列集合,包括:
对于各用户的电量数据序列,x从2开始,对连续的x个数据进行分割,其中x为整数,将得到的所有分割长度为x的分割数据序列组成的分割数据序列集合保存为,对应的集合元素数量保存为/>,直到/>等于2时停止数据分割。
3.如权利要求1所述的基于数据驱动的用电异常状态智能监测方法,其特征在于,所述根据每个用户的各分割长度的分割数据序列集合的元素分布差异获取各分割长度的分割数据序列集合的数据异同度,具体为:
对于各分割长度;将各分割长度的分割数据序列集合的所有序列各位置的元素均值作为各分割长度的分割数据均值序列;将各分割长度的分割数据序列集合所有序列各位置的元素值与所述均值的差值绝对值的均值作为各分割长度的分割数据序列集合的数据异同度。
4.如权利要求1所述的基于数据驱动的用电异常状态智能监测方法,其特征在于,所述根据各分割长度的分割数据序列集合的数据异同度获取各用户电量数据序列的周期长度,包括:
获取数据异同度最小时所对应的分割长度的个数;若所述个数等于1时,则将对应的分割长度作为用户电量数据序列的周期长度;
若所述个数大于1时,则获取最小分割长度,将最小分割长度作为除数,其余分割长度作为被除数,分别进行除法运算;当所有余数都不为0时,将最小分割长度作为电量数据序列的周期长度;当存在余数为0时,将余数为0的对应被除数的最大值作为电量数据序列的周期长度。
5.如权利要求1所述的基于数据驱动的用电异常状态智能监测方法,其特征在于,所述根据用户周期内的用电下降率的差异获取异常用电系数集合,具体包括:
获取用户当天的供电数据;计算所述供电数据与用户当天的用电数据的差值;将所述差值与所述供电数据的比值作为用户每天的电量损耗;
计算用户在周期内的用电下降率的均值;计算用户当天的用电下降率与所述均值的差值绝对值;
将所述差值绝对值与所述电量损耗的乘积作为用户当天的异常用电系数;
将所有用户当天的异常用电系数组成的集合作为异常用电系数集合。
6.如权利要求1所述的基于数据驱动的用电异常状态智能监测方法,其特征在于,所述根据异常用电系数集合的元素之间的差异特征获取异常用电系数集合的最佳近邻密度距离,具体包括:
对于异常用电系数集合的各元素;计算各元素与其他元素之间的差值绝对值,并按照从小到大的顺序进行排列组成各元素的绝对差值序列;
最佳近邻密度距离,表达式为:
式中,表示异常用电系数集合的第a个平均近邻距离;/>表示绝对差值序列集合中绝对差值序列的数量;/>表示绝对差值序列集合中第b个绝对差值序列的第/>个元素值;/>表示异常用电系数集合的最佳近邻密度距离;/>表示最小值函数;/>表示平均近邻距离集合;/>表示取得最小平均近邻距离所采用的元素位置。
7.如权利要求1所述的基于数据驱动的用电异常状态智能监测方法,其特征在于,所述根据最佳紧邻密度距离以及异常用电系数集合结合CFSFDP算法获取各聚类簇以及聚类簇的数量,具体包括:
将异常用电系数集合作为CFSFDP算法的输入,将最佳紧邻密度距离作为CFSFDP算法的截断距离,CFSFDP算法的输出为各聚类簇以及聚类簇的数量。
8.如权利要求1所述的基于数据驱动的用电异常状态智能监测方法,其特征在于,所述根据聚类簇的数量结合聚类簇完成用户用电异常状态的智能监测,具体包括:
当聚类簇的数量等于1时,用户用电状态正常;
当聚类簇的数量大于1时,将元素最多的聚类簇作为用户状态正常的聚类簇,其余聚类簇中用户用电状态异常。
9.基于数据驱动的用电异常状态智能监测系统,包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1-8任意一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410200199.6A CN117786582B (zh) | 2024-02-23 | 2024-02-23 | 基于数据驱动的用电异常状态智能监测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410200199.6A CN117786582B (zh) | 2024-02-23 | 2024-02-23 | 基于数据驱动的用电异常状态智能监测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117786582A CN117786582A (zh) | 2024-03-29 |
CN117786582B true CN117786582B (zh) | 2024-05-07 |
Family
ID=90381911
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410200199.6A Active CN117786582B (zh) | 2024-02-23 | 2024-02-23 | 基于数据驱动的用电异常状态智能监测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117786582B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114090646A (zh) * | 2021-10-21 | 2022-02-25 | 国网山东省电力公司昌邑市供电公司 | 异常用电辨识方法及系统 |
CN116243097A (zh) * | 2023-05-11 | 2023-06-09 | 新风光电子科技股份有限公司 | 基于大数据的电能质量检测方法 |
CN116628529A (zh) * | 2023-07-21 | 2023-08-22 | 山东科华电力技术有限公司 | 一种用于用户侧智能负荷控制系统的数据异常检测方法 |
CN116702081A (zh) * | 2023-08-07 | 2023-09-05 | 西安格蒂电力有限公司 | 基于人工智能的配电设备智能巡检方法 |
CN117056764A (zh) * | 2023-10-11 | 2023-11-14 | 唐山市南堡经济开发区航天万源新能源有限公司 | 一种发电机组智能保护方法及系统 |
CN117313957A (zh) * | 2023-11-28 | 2023-12-29 | 威海华创软件有限公司 | 基于大数据分析的生产流水任务量智能预测方法 |
CN117349630A (zh) * | 2023-12-04 | 2024-01-05 | 邢台医学高等专科学校 | 一种用于生化数据分析的方法及系统 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108009938B (zh) * | 2016-11-02 | 2021-12-03 | 中国电力科学研究院 | 一种基于形状的系统负荷聚类及负荷周期的模式识别方法 |
CN108664990B (zh) * | 2018-03-29 | 2020-09-18 | 清华大学 | 综合熵方法和密度聚类方法的窃电检测方法及装置 |
-
2024
- 2024-02-23 CN CN202410200199.6A patent/CN117786582B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114090646A (zh) * | 2021-10-21 | 2022-02-25 | 国网山东省电力公司昌邑市供电公司 | 异常用电辨识方法及系统 |
CN116243097A (zh) * | 2023-05-11 | 2023-06-09 | 新风光电子科技股份有限公司 | 基于大数据的电能质量检测方法 |
CN116628529A (zh) * | 2023-07-21 | 2023-08-22 | 山东科华电力技术有限公司 | 一种用于用户侧智能负荷控制系统的数据异常检测方法 |
CN116702081A (zh) * | 2023-08-07 | 2023-09-05 | 西安格蒂电力有限公司 | 基于人工智能的配电设备智能巡检方法 |
CN117056764A (zh) * | 2023-10-11 | 2023-11-14 | 唐山市南堡经济开发区航天万源新能源有限公司 | 一种发电机组智能保护方法及系统 |
CN117313957A (zh) * | 2023-11-28 | 2023-12-29 | 威海华创软件有限公司 | 基于大数据分析的生产流水任务量智能预测方法 |
CN117349630A (zh) * | 2023-12-04 | 2024-01-05 | 邢台医学高等专科学校 | 一种用于生化数据分析的方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN117786582A (zh) | 2024-03-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116011686B (zh) | 基于多数据融合的充电棚光伏发电储量预测方法 | |
CN108681973A (zh) | 电力用户的分类方法、装置、计算机设备和存储介质 | |
CN115511013B (zh) | 一种大规模储能电站异常电池识别方法、设备及存储介质 | |
CN105843733B (zh) | 一种大数据平台的性能检测方法及装置 | |
CN114090646A (zh) | 异常用电辨识方法及系统 | |
CN114266421B (zh) | 基于复合气象特征构建与选择的新能源功率预测方法 | |
CN117743870A (zh) | 一种基于大数据的水利数据管理系统 | |
CN117786582B (zh) | 基于数据驱动的用电异常状态智能监测方法及系统 | |
CN109656887B (zh) | 一种海量高铁轴温数据的分布式时间序列模式检索方法 | |
CN116992311B (zh) | 基于机器学习的储能电源状态分析方法 | |
CN113159106A (zh) | 一种基于形态趋势特征的负荷曲线聚类方法、介质及设备 | |
CN116894687A (zh) | 一种基于机器学习的用电量分析方法及系统、电子设备 | |
CN115862653A (zh) | 音频去噪方法、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 | |
CN115344996A (zh) | 一种基于改进K-means算法的多特征量指标下风电典型场景构建方法及系统 | |
CN111563543B (zh) | 一种风电机组的风速-发电功率数据的清洗方法及装置 | |
CN116804957A (zh) | 一种系统监控方法及装置 | |
CN114201369A (zh) | 一种服务器集群管理方法、装置、电子设备及存储介质 | |
CN113660147A (zh) | 一种基于模糊熵的ip会话序列周期性评估方法 | |
CN113589034A (zh) | 一种配电系统的窃电检测方法、装置、设备和介质 | |
CN116883059B (zh) | 一种配电终端管理方法及系统 | |
CN110659681A (zh) | 基于模式识别的时序数据预测系统及方法 | |
Liu et al. | A multidimensional time-series association rules algorithm based on spark | |
CN117094478B (zh) | 能量调度管理方法、装置、设备及存储介质 | |
CN117578487A (zh) | 非侵入式负荷监测方法、装置和计算机设备 |
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 |