CN117787572B - 一种异常用电用户识别方法、装置、存储介质及电子设备 - Google Patents
一种异常用电用户识别方法、装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN117787572B CN117787572B CN202410210932.2A CN202410210932A CN117787572B CN 117787572 B CN117787572 B CN 117787572B CN 202410210932 A CN202410210932 A CN 202410210932A CN 117787572 B CN117787572 B CN 117787572B
- Authority
- CN
- China
- Prior art keywords
- user
- load data
- load
- cluster
- type
- 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 123
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 120
- 230000005611 electricity Effects 0.000 title claims abstract description 104
- 238000003860 storage Methods 0.000 title claims abstract description 16
- 238000012550 audit Methods 0.000 claims abstract description 100
- 238000010276 construction Methods 0.000 claims abstract description 21
- 238000007621 cluster analysis Methods 0.000 claims abstract description 15
- 230000008569 process Effects 0.000 claims description 33
- 238000004590 computer program Methods 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 13
- 238000004140 cleaning Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 description 13
- 238000004422 calculation algorithm Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000003973 irrigation Methods 0.000 description 2
- 230000002262 irrigation Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种异常用电用户识别方法、装置、存储介质及电子设备，其中方法包括：基于目标审计用户类型，获取各待识别用户的负荷数据；在所述目标审计用户类型为农业负荷类型的情况下，基于各待审计用户的负荷数据，采用预设构造字典的统计方式统计获得与各负荷数据对应的、各非相同负荷值的出现个数，识别得到各第一异常用电用户；在所述目标审计用户类型为居民负荷类型的情况下，基于各待审计用户的负荷数据以及各预设聚类中心，采用预设聚类分析方法对各负荷数据进行分类，得到各聚类簇；基于各聚类簇对各所述待审计用户进行识别，得到各第二异常用电用户。本申请对异常用电用户识别效率高，不需要大量人工去现场进行核查，节约人力成本。
Description
技术领域
本发明涉及电力用户用电负荷特性审计监测技术领域，特别涉及一种异常用电用户识别方法、装置、存储介质及电子设备。
背景技术
近年来，因异常用电导致的重大事件接连发生，异常用电主要是擅自转供电等违规行为，擅自转供电行为隐蔽性强，甚至还有一些无证经营的非法主体将供电线路由明线转为暗线，通过地埋电缆的方式躲避电网企业的检查，给电网企业造成重大的经济损失并且存在非常大的安全隐患。传统对异常用电用户识别主要采用现场核查方式，但是这种方式效率低，成本高，总体上存在发现滞后或未能识别出异常客户的弊端。
发明内容
有鉴于此，本发明提供了一种异常用电用户识别方法、装置、存储介质及电子设备，主要目的在于解决目前存在电网企业的异常用电用户识别效率低，成本高的问题。
为解决上述问题，本申请提供一种异常用电用户识别方法，包括：
基于目标审计用户类型，获取与所述目标审计用户类型对应的各待识别用户的负荷数据；
在所述目标审计用户类型为农业负荷类型的情况下，基于各待审计用户的负荷数据，采用预设构造字典的统计方式分别对同一负荷数据中的负荷值进行统计，获得与各负荷数据对应的、各非相同负荷值的出现个数；
基于各所述非相同负荷值的出现个数对各待审计用户进行识别，得到各第一异常用电用户；
在所述目标审计用户类型为居民负荷类型的情况下，基于各待审计用户的负荷数据以及各预设聚类中心，采用预设聚类分析方法对各所述负荷数据进行分类，得到各聚类簇；
基于各所述聚类簇对各所述待审计用户进行识别，得到各第二异常用电用户。
可选的，所述基于目标审计用户类型，获取与所述目标审计用户类型对应的各待识别用户的负荷数据，具体包括：
基于目标审计用户类型，获取与所述目标审计用户类型对应的各待识别用户的初始负荷数据；
在目标审计用户类型为农业负荷类型的情况下，对各所述初始负荷数据进行数据清洗，得到各所述负荷数据；
在目标审计用户类型为居民负荷类型的情况下，对各所述初始负荷数据进行标准化处理，得到各所述负荷数据。
可选的，所述在所述目标审计用户类型为农业负荷类型的情况下，基于各待审计用户的负荷数据，采用预设构造字典的统计方式分别对同一负荷数据中的负荷值进行统计，获得与各负荷数据对应的、各非相同负荷值的出现个数，具体包括：
在所述目标审计用户类型为农业负荷类型的情况下，逐条对各所述负荷数据进行遍历，得到与各所述负荷数据对应的若干非相同负荷值以及与各所述非相同负荷值对应的出现频率；
分别计算与各所述负荷数据对应的各所述非相同负荷值的数量，得到与各负荷数据对应的、各非相同负荷值的出现个数。
可选的，所述在所述目标审计用户类型为农业负荷类型的情况下，逐条对各所述负荷数据进行遍历，得到与各所述负荷数据对应的若干非相同负荷值以及与各所述非相同负荷值对应的出现频率，具体包括：
分别对各所述待审计用户的所述负荷数据中各时刻点对应的电量值进行遍历；
针对当前待审计用户，在当前时刻点的电量值与当前时刻点前的若干电量值均不同的情况下，对当前时刻点的目标电量值进行记录，并在遍历当前待审计用户的过程中，对当前时刻点后出现所述目标电量值的次数进行累加，得到当前待审计用户的各电量值以及与各所述电量值对应的出现频率，直至遍历完各所述待审计用户后，得到与各所述负荷数据对应的若干非相同负荷值以及与各所述非相同负荷值对应的出现频率。
可选的，所述在目标审计用户类型为居民负荷类型的情况下，对各所述初始负荷数据进行标准化处理，得到各所述负荷数据，具体包括：
基于与各所述待审计用户对应的所述初始负荷数据，计算各所述初始负荷数据中各初始用电量的平均值，得到与各所述初始负荷数据对应的平均值；
分别针对各所述初始负荷数据以及与各所述初始负荷数据对应的平均值进行除法运算处理，得到与各所述待审计用户对应负荷数据。
可选的，所述在所述目标审计用户类型为居民负荷类型的情况下，基于各待审计用户的负荷数据以及各预设聚类中心，采用预设聚类分析方法对各所述负荷数据进行分类，得到各聚类簇，具体包括：
在所述目标审计用户类型为居民负荷类型的情况下，计算各负荷数据与各预设聚类中心的欧式距离，得到与各所述负荷数据对应的各欧式距离值；
基于各所述欧式距离值，确定与各所述负荷数据对应的最小欧式距离值；
基于各所述最小欧式距离值对各所述负荷数据进行分类，得到包含若干负荷数据的各聚类簇。
可选的，在所述目标审计用户类型为居民负荷类型的情况下，计算各负荷数据与各预设聚类中心的欧式距离，得到与各所述负荷数据对应的各欧式距离值之前，所述方法还包括：确定类簇的目标数量值以及各所述预设聚类中心，具体包括：
基于初始类簇数量，采用预设聚类方法对各初始历史负荷数据进行聚类，得到包含若干所述初始历史负荷数据的初始聚类簇；
对各所述初始聚类簇中的各初始历史负荷数据进行计算处理，得到与各所述初始聚类簇对应的初始误方差以及与各所述初始聚类簇对应的初始聚类中心；
基于所述初始误方差调整所述初始类簇数量，重新采用预设聚类方法对各所述初始历史负荷数据进行聚类，得到包含若干所述初始历史负荷数据的中间聚类簇；
对各所述中间聚类簇中的各初始历史负荷数据进行计算处理，得到与各所述中间聚类簇对应的中间误方差以及与各所述中间聚类簇对应的中间聚类中心；
循环迭代，直至达到预设聚类个数阈值时，基于误方差与聚类数量值的曲线图确定得到类簇的目标数量值，以及当类簇数量为目标数量值时的各聚类簇对应的聚类中心。
为解决上述问题本申请提供一种异常用电用户识别装置，包括：
获取模块：用于基于目标审计用户类型，获取与所述目标审计用户类型对应的各待识别用户的负荷数据；
统计模块：用于在所述目标审计用户类型为农业负荷类型的情况下，基于各待审计用户的负荷数据，采用预设构造字典的统计方式分别对同一负荷数据中的负荷值进行统计，获得与各负荷数据对应的、各非相同负荷值的出现个数；
第一识别模块：用于基于各所述非相同负荷值的出现个数对各待审计用户进行识别，得到各第一异常用电用户；
聚类模块：用于在所述目标审计用户类型为居民负荷类型的情况下，基于各待审计用户的负荷数据以及各预设聚类中心，采用预设聚类分析方法对各所述负荷数据进行分类，得到各聚类簇；
第二识别模块：用于基于各所述聚类簇对各所述待审计用户进行识别，得到各第二异常用电用户。
为解决上述问题本申请提供一种存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述所述异常用电用户识别方法的步骤。
为解决上述问题本申请提供一种电子设备，其特征在于，至少包括存储器、处理器，所述存储器上存储有计算机程序，所述处理器在执行所述存储器上的计算机程序时实现上述所述异常用电用户识别方法的步骤。
本申请中的有益效果：本申请通过采用构造字典的方法对目标审计用户类型为农业负荷类型的用户进行识别，得到各第一异常用电用户，通过设定非相同负荷值预设数量阈值的方法，将各所述负荷数据中非相同负荷值数量超过预设数量阈值的用户筛选出来得到各第一异常用电用户，以对农业负荷类型用户中的异常用户进行排查；通过采用聚类分析方法对目标审计用户类型为居民负荷类型的用户进行识别，得到各第二异常用电用户，通过采用聚类算法将各居民负荷数据进行聚类，以得到各聚类簇，以基于各所述聚类簇进行异常用户筛选处理，得到各第二异常用电用户，以对居民负荷类型用户中的异常用户进行排查。本申请对异常用电用户识别效率高，不需要大量人工去现场进行核查，节约人力成本。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1示出了本申请实施例提供的一种异常用电用户识别方法的流程示意图；
图2示出了本申请另一实施例提供的一种异常用电用户识别方法的流程示意图；
图3示出了本申请实施例提供的正常农业负荷类型的负荷数据集合；
图4示出了本申请实施例的由各所述第一异常用电用户负荷曲线构成的负荷数据集合；
图5示出了本申请实施例的K线图；
图6示出了本申请实施例的居民负荷类型聚类后各聚类簇的平均负荷图；
图7示出了本申请又一实施例提供的一种异常用电用户识别装置的结构框图。
具体实施方式
此处参考附图描述本申请的各种方案以及特征。
应理解的是，可以对此处申请的实施例做出各种修改。因此，上述说明书不应该视为限制，而仅是作为实施例的范例。本领域的技术人员将想到在本申请的范围和精神内的其他修改。
包含在说明书中并构成说明书的一部分的附图示出了本申请的实施例，并且与上面给出的对本申请的大致描述以及下面给出的对实施例的详细描述一起用于解释本申请的原理。
通过下面参照附图对给定为非限制性实例的实施例的优选形式的描述，本申请的这些和其它特性将会变得显而易见。
还应当理解，尽管已经参照一些具体实例对本申请进行了描述，但本领域技术人员能够确定地实现本申请的很多其它等效形式。
当结合附图时，鉴于以下详细说明，本申请的上述和其他方面、特征和优势将变得更为显而易见。
此后参照附图描述本申请的具体实施例；然而，应当理解，所申请的实施例仅仅是本申请的实例，其可采用多种方式实施。熟知和/或重复的功能和结构并未详细描述以避免不必要或多余的细节使得本申请模糊不清。因此，本文所申请的具体的结构性和功能性细节并非意在限定，而是仅仅作为权利要求的基础和代表性基础用于教导本领域技术人员以实质上任意合适的详细结构多样地使用本申请。
本说明书可使用词组“在一种实施例中”、“在另一个实施例中”、“在又一实施例中”或“在其他实施例中”，其均可指代根据本申请的相同或不同实施例中的一个或多个。
本申请实施例提供一种异常用电用户识别方法，如图1所示，包括：
步骤S101：基于目标审计用户类型，获取与所述目标审计用户类型对应的各待识别用户的负荷数据；
本步骤在具体实施过程中，基于目标审计用户类型，筛选获得与所述目标审计用户类型对应的各待识别用户的初始负荷数据；在目标审计用户类型为农业负荷类型的情况下，对各所述初始负荷数据进行数据清洗，得到各所述负荷数据；在目标审计用户类型为居民负荷类型的情况下，对各所述初始负荷数据进行标准化处理，得到各所述负荷数据。所述负荷数据可以为与各用户对应的日96点负荷值数据。所述目标审计用户类型包括：农业负荷类型以及居民负荷类型，因为农业排灌用户以及居民用电用户电价较低，导致存在外部诸多潜在风险。因此需要针对农业负荷类型以及居民负荷类型分别进行异常用户识别，得到潜在的异常用电用户，异常用电用户包括：转供电等用户。
步骤S102：在所述目标审计用户类型为农业负荷类型的情况下，基于各待审计用户的负荷数据，采用预设构造字典的统计方式分别对同一负荷数据中的负荷值进行统计，获得与各负荷数据对应的、各非相同负荷值的出现个数；
本步骤在具体实施过程中，在所述目标审计用户类型为农业负荷类型的情况下，逐条对各所述负荷数据进行遍历，得到与各所述负荷数据对应的若干非相同负荷值以及与各所述非相同负荷值对应的出现频率；分别计算与各所述负荷数据对应的各所述非相同负荷值的数量，得到与各负荷数据对应的、各非相同负荷值的出现个数。具体的，循环遍历每条用户负荷数据；针对每条用户负荷数据的96点负荷值进行遍历；针对当前待审计用户，在当前时刻点的电量值与当前时刻点前的若干电量值均不同的情况下，对当前时刻点的目标电量值进行记录，并在遍历当前待审计用户的过程中，对当前时刻点后出现所述目标电量值的次数进行累加，得到当前待审计用户的各非相同电量值以及与各所述非相同电量值对应的出现频次，直至遍历完各所述待审计用户后，得到与各所述负荷数据对应的若干非相同负荷值以及与各所述非相同负荷值对应的出现个数。
步骤S103：基于各所述非相同负荷值的出现个数对各待审计用户进行识别，得到各第一异常用电用户；
本步骤在具体实施过程中，将非相同负荷值的数量值大于或者等于预设数量阈值的各待审计用户确定为各第一异常用电用户。
步骤S104：在所述目标审计用户类型为居民负荷类型的情况下，基于各待审计用户的负荷数据以及各预设聚类中心，采用预设聚类分析方法对各所述负荷数据进行分类，得到各聚类簇；
本步骤在具体实施过程中，所述聚类分析方法可以为K-means算法。K-means算法是无监督的聚类算法，该算法的主要作用是将相似的样本自动归到一个类别中。在所述目标审计用户类型为居民负荷类型的情况下，计算各负荷数据与各预设聚类中心的欧式距离，得到与各所述负荷数据对应的各欧式距离值；基于各所述欧式距离值，确定与各所述负荷数据对应的最小欧式距离值；基于各所述最小欧式距离值对各所述负荷数据进行分类，得到包含若干负荷数据的各聚类簇。
步骤S105：基于各所述聚类簇对各所述待审计用户进行识别，得到各第二异常用电用户。
本步骤在具体实施过程中，分别基于各所述聚类簇进行负荷数据计算处理，得到与各所述聚类簇对应的负荷数据数量值；基于各所述负荷数据数量值确定负荷数据数量较少的各聚类簇为各目标聚类簇；将各目标聚类簇中的待审计用户确定为各所述第二异常用电用户。
本申请通过采用构造字典的方法对目标审计用户类型为农业负荷类型的用户进行识别，得到各第一异常用电用户，通过设定非相同负荷值预设数量阈值的方法，将各所述负荷数据中非相同负荷值数量超过预设数量阈值的用户筛选出来得到各第一异常用电用户，以对农业负荷类型用户中的异常用户进行排查；通过采用聚类分析方法对目标审计用户类型为居民负荷类型的用户进行识别，得到各第二异常用电用户，通过采用聚类算法将各居民负荷数据进行聚类，以得到各聚类簇，以基于各所述聚类簇进行异常用户筛选处理，得到各第二异常用电用户，以对居民负荷类型用户中的异常用户进行排查。本申请对异常用电用户识别效率高，不需要大量人工去现场进行核查，节约人力成本。
本申请又一实施例提供另一种异常用电用户识别方法，如图2所示，包括：
步骤S201：基于目标审计用户类型，获取与所述目标审计用户类型对应的各待识别用户的初始负荷数据；
本步骤在具体实施过程中，在目标审计用户类型为农业负荷类型的情况下，通过用电信息采集系统采集目标用电时间段的所有农业负荷类型用户的96点日负荷数据表，以得到与农业负荷类型的各目标审计用户的初始负荷数据；在目标审计用户类型为居民负荷类型的情况下，通过用电信息采集系统采集目标用电时间段的所有居民负荷类型用户的96点日负荷数据表，以得到与居民负荷类型的各目标审计用户的初始负荷数据。
步骤S202：在目标审计用户类型为农业负荷类型的情况下，对各所述初始负荷数据进行数据清洗，得到各负荷数据；
本步骤在具体实施过程中，在目标审计用户类型为农业负荷类型的情况下，对各所述初始负荷数据进行第一数值过滤处理，得到各第一负荷数据；所述第一数值可以为所述目标用电时间段内各时刻对应的初始负荷值为0的负荷数据；然后对各所述第一负荷数据进行过滤处理，得到各第二负荷数据；具体的，分别针对各所述第一负荷数据进行筛选，当第一负荷数据中的各时刻点对应的用电负荷值恒小于0.2时，当前用户实际未用电，仅为感应电流电压形成的负荷值；将这一部分用户进行过滤，得到各所述第二负荷数据。最后对各所述第二负荷数据进行计算处理，得到各所述负荷数据；具体的，对各所述第二负荷数据进行四舍五入约简，在计量采集装置采集得到的负荷数据精度较高的情况下，小数点位数过多导致非重复值下降会形成较多异常数据，在具体实施过程中，负荷波动值在0.1范围内都不算改变，因此四舍五入保留1位小数，以得到各所述负荷数据。
步骤S203：在目标审计用户类型为居民负荷类型的情况下，对各所述初始负荷数据进行标准化处理，得到各负荷数据；
本步骤在具体实施过程中，在目标审计用户类型为居民负荷类型的情况下，基于与各所述待审计用户对应的所述初始负荷数据，计算各所述初始负荷数据中各初始用电量的平均值，得到与各所述初始负荷数据对应的平均值；分别针对各所述初始负荷数据以及与各所述初始负荷数据对应的平均值进行除法运算处理，得到与各所述待审计用户对应负荷数据。
步骤S204：在所述目标审计用户类型为农业负荷类型的情况下，逐条对各所述负荷数据进行遍历，得到与各所述负荷数据对应的若干非相同负荷值以及与各所述非相同负荷值对应的出现频率；
本步骤在具体实施过程中，具体的，循环遍历每条用户负荷数据；针对每条用户负荷数据的96点负荷值进行遍历；针对当前待审计用户，在当前时刻点的电量值与当前时刻点前的若干电量值均不同的情况下，对当前时刻点的目标电量值进行记录，并在遍历当前待审计用户的过程中，对当前时刻点后出现所述目标电量值的次数进行累加，得到当前待审计用户的各电量值以及与各所述电量值对应的频率值，直至遍历完各所述待审计用户后，得到与各所述负荷数据对应的若干非相同负荷值以及与各所述非相同负荷值对应的数量值。具体的，通过构造字典{key：value}，其中key代表负荷值的大小，value代表负荷值在整条负荷数据中出现的个数。例如：当对目标用户的96点负荷数据进行遍历，其中遍历过程中负荷值0出现54次，0.1出现32次，0.2出现10次时，则针对所述目标用户的构造字典为：{0.0：54；0.1:32；0.2:10}；其中0.0、0,1以及0.2为各所述非相同负荷值；54、32以及10为与各所述非相同负荷值对应的出现频率。当对目标用户的96点负荷数据进行遍历，其中遍历过程中负荷值1.4出现21次，2.3出现24次，2.4出现29次，2.2出现14次，2.1出现3次，1.3出现3次，1.0出现2次的时候，则针对所述目标用户的构造字典为：{1.4：21；2.3:24；2.4:29；2.2：14；2.1：3；1.3：3；1.0：2}，其中1.4、2.3、2.4、2.2、2.1、1.3以及1.0为各所述非相同负荷值；21、24、29、14、3、3以及2为与各所述负荷值对应的出现频率。
步骤S205：分别计算与各所述负荷数据对应的各所述非相同负荷值的数量，得到与各负荷数据对应的、各非相同负荷值的出现个数；
本步骤在具体实施过程中，分别计算与各所述负荷数据对应的各所述负荷值的数量，得到与各所述待审计用户对应的各负荷值的第二数量值；具体的，计算出现不同负荷值的数量值，例如：目标用户的构造字典为：{0.0：54；0.1:32；0.2:10}时，非相同负荷值分别为0.0、0.1以及0.2，则非相同负荷值的出现个数为3个；针对所述目标用户的构造字典为：{1.4：21；2.3:24；2.4:29；2.2：14；2.1：3；1.3：3；1.0：2}，其中1.4、2.3、2.4、2.2、2.1、1.3以及1.0为各所述非相同负荷值，出现个数为7个。
步骤S206：基于各所述非相同负荷值的出现个数对各待审计用户进行识别，得到各第一异常用电用户；
本步骤在具体实施过程中，基于各所述非相同负荷值的出现个数对各待审计用户进行识别，得到各第一异常用电用户，具体的，各所述非相同负荷值的出现个数大于或者等于预设数量阈值的待审计用户确定各第一异常用电用户。所述预设数量阈值可以为20，并且预设数量阈值可以根据实际需要而设定，当预设数量阈值为20时，将小于预设数量阈值的负荷数据作为正常排灌数据，如图3所示为正常农业负荷类型的负荷数据集合。将大于或者等于预设数量阈值的各待审计用户确定为各第一异常用电用户；如图4所示为由各所述第一异常用电用户负荷曲线构成的负荷数据集合。
步骤S207：确定类簇的目标数量值以及各预设聚类中心；
本步骤在具体实施过程中，基于初始类簇数量，采用预设聚类方法对各初始历史负荷数据进行聚类，得到包含若干所述初始历史负荷数据的初始聚类簇；对各所述初始聚类簇中的各初始历史负荷数据进行计算处理，得到与各所述初始聚类簇对应的初始误方差以及与各所述初始聚类簇对应的初始聚类中心；基于所述初始误方差调整所述初始类簇数量，重新采用预设聚类方法对各所述初始历史负荷数据进行聚类，得到包含若干所述初始历史负荷数据的中间聚类簇；对各所述中间聚类簇中的各初始历史负荷数据进行计算处理，得到与各所述中间聚类簇对应的中间误方差以及与各所述中间聚类簇对应的中间聚类中心；循环迭代，直至达到预设聚类个数阈值时，基于误方差与聚类数量值的曲线图确定得到类簇的目标数量值，以及当类簇数量为目标数量值时的各聚类簇对应的聚类中心。具体的，通过计算簇内误方差（SSE），如图5所示为绘制的K线图，寻找拐点，经过多次测试和推演，随着聚类数目的增加，聚类效果不断向理想发现发展，当聚类数据增加到目标数量值时聚类结果比较合适，得到类簇k的目标数量值，目标数量值可以为6，并且目标数量值可以根据实际需要而设定。
步骤S208：在所述目标审计用户类型为居民负荷类型的情况下，计算各负荷数据与各所述预设聚类中心的欧式距离，得到与各所述负荷数据对应的各欧式距离值；
本步骤在具体实施过程中，在所述目标审计用户类型为居民负荷类型的情况下，计算各负荷数据与各预设聚类中心的欧式距离，得到与各所述负荷数据对应的各欧式距离值；计算各负荷数据与各预设聚类中心的欧式距离的数学表达式为如下公式（1）所示：
（1）其中，/>表示第i条负荷数据1<i ≤ n，/>表示第j个聚类中心1 ≤ j ≤ k 1，/>表示第i条记录的第t个属性，1 ≤ t ≤96，依次比较每一条记录到每一个聚类中心的距离。
步骤S209：基于各所述欧式距离值，确定与各所述负荷数据对应的最小欧式距离值；
本步骤在具体实施过程中，基于各所述欧式距离值进行筛选处理，确定与各所述负荷数据对应的最小欧式距离值 ，以基于各所述最小欧式距离值对各所述负荷数据进行聚类。
步骤S210：基于各所述最小欧式距离值对各所述负荷数据进行分类，得到包含若干负荷数据的各聚类簇；
本步骤在具体实施过程中，将每条负荷数据分配到距离最近的最小欧式距离值对应的聚类中心的类簇中，得到目标数量值个聚类簇，在目标数量值个数为6的情况下，如图6所示，为居民负荷类型聚类后各聚类簇的平均负荷图。
步骤S211：基于各所述聚类簇对各所述待审计用户进行识别，得到各第二异常用电用户。
本步骤在具体实施过程中，分别基于各所述聚类簇进行负荷数据计算处理，得到与各所述聚类簇对应的负荷数据数量值；基于各所述负荷数据数量值确定数量值较少的各聚类簇为各目标聚类簇；将各所述目标聚类簇中的待审计用户确定为各所述第二异常用电用户。例如：在有6个聚类簇的情况下，可以将第三数量值较大的排名在前的3个聚类簇作为正常居民负荷聚类簇，将第三数量值较小的排名在后的3个聚类簇确定为各目标聚类簇，并将各所述目标聚类簇中的各居民用户确定为各第二异常用电用户。以针对各所述第二异常用电用户进行现场排查，逐个排查存在转供电风险的各所述第二异常用电用户。
本申请通过采用构造字典的方法对目标审计用户类型为农业负荷类型的用户进行识别，得到各第一异常用电用户，通过设定非相同负荷值预设数量阈值的方法，将各所述负荷数据中非相同负荷值数量超过预设数量阈值的用户识别出来得到各第一异常用电用户，以对农业负荷类型用户中的异常用户进行排查；通过采用聚类分析方法对目标审计用户类型为居民负荷类型的用户进行识别，得到各第二异常用电用户，通过采用聚类算法将各居民负荷数据进行聚类，以得到各聚类簇，以基于各所述聚类簇进行异常用户识别处理，得到各第二异常用电用户，以对居民负荷类型用户中的异常用户进行排查。本申请对异常用电用户识别效率高，不需要大量人工去现场进行核查，节约人力成本。
本申请又一实施例提供一种异常用电用户识别装置，如图7所示，包括：
获取模块1：用于基于目标审计用户类型，获取与所述目标审计用户类型对应的各待识别用户的负荷数据；
统计模块2：用于在所述目标审计用户类型为农业负荷类型的情况下，基于各待审计用户的负荷数据，采用预设构造字典的统计方式分别对同一负荷数据中的负荷值进行统计，获得与各负荷数据对应的、各非相同负荷值的出现个数；
第一识别模块3：用于基于各所述非相同负荷值的出现个数对各待审计用户进行识别，得到各第一异常用电用户；
聚类模块4：用于在所述目标审计用户类型为居民负荷类型的情况下，基于各待审计用户的负荷数据以及各预设聚类中心，采用预设聚类分析方法对各所述负荷数据进行分类，得到各聚类簇；
第二识别模块5：用于基于各所述聚类簇对各所述待审计用户进行识别，得到各第二异常用电用户。
在具体实施过程中，所述获取模块1具体用于：基于目标审计用户类型，获取与所述目标审计用户类型对应的各待识别用户的初始负荷数据；在目标审计用户类型为农业负荷类型的情况下，对各所述初始负荷数据进行数据清洗，得到各所述负荷数据；在目标审计用户类型为居民负荷类型的情况下，对各所述初始负荷数据进行标准化处理，得到各所述负荷数据。
在具体实施过程中，所述统计模块2具体用于：在所述目标审计用户类型为农业负荷类型的情况下，逐条对各所述负荷数据进行遍历，得到与各所述负荷数据对应的若干非相同负荷值以及与各所述非相同负荷值对应的出现频率；分别计算与各所述负荷数据对应的各所述非相同负荷值的数量，得到与各负荷数据对应的、各非相同负荷值的出现个数。
在具体实施过程中，所述统计模块2还用于：分别对各所述待审计用户的所述负荷数据中各时刻点对应的电量值进行遍历；针对当前待审计用户，在当前时刻点的电量值与当前时刻点前的若干电量值均不同的情况下，对当前时刻点的目标电量值进行记录，并在遍历当前待审计用户的过程中，对当前时刻点后出现所述目标电量值的次数进行累加，得到当前待审计用户的各电量值以及与各所述电量值对应的出现频率，直至遍历完各所述待审计用户后，得到与各所述负荷数据对应的若干非相同负荷值以及与各所述非相同负荷值对应的出现频率。
在具体实施过程中，所述获取模块1还用于：基于与各所述待审计用户对应的所述初始负荷数据，计算各所述初始负荷数据中各初始用电量的平均值，得到与各所述初始负荷数据对应的平均值；分别针对各所述初始负荷数据以及与各所述初始负荷数据对应的平均值进行除法运算处理，得到与各所述待审计用户对应负荷数据。
在具体实施过程中，所述聚类模块4具体用于：在所述目标审计用户类型为居民负荷类型的情况下，计算各负荷数据与各预设聚类中心的欧式距离，得到与各所述负荷数据对应的各欧式距离值；基于各所述欧式距离值，确定与各所述负荷数据对应的最小欧式距离值；基于各所述最小欧式距离值对各所述负荷数据进行分类，得到包含若干负荷数据的各聚类簇。
在具体实施过程中，所述异常用电用户识别装置还包括：确定模块，所述确定模块具体用于：确定类簇的目标数量值以及各所述预设聚类中心，具体包括：基于初始类簇数量，采用预设聚类方法对各初始历史负荷数据进行聚类，得到包含若干所述初始历史负荷数据的初始聚类簇；对各所述初始聚类簇中的各初始历史负荷数据进行计算处理，得到与各所述初始聚类簇对应的初始误方差以及与各所述初始聚类簇对应的初始聚类中心；基于所述初始误方差调整所述初始类簇数量，重新采用预设聚类方法对各所述初始历史负荷数据进行聚类，得到包含若干所述初始历史负荷数据的中间聚类簇；对各所述中间聚类簇中的各初始历史负荷数据进行计算处理，得到与各所述中间聚类簇对应的中间误方差以及与各所述中间聚类簇对应的中间聚类中心；循环迭代，直至达到预设聚类个数阈值时，基于误方差与聚类数量值的曲线图确定得到类簇的目标数量值，以及当类簇数量为目标数量值时的各聚类簇对应的聚类中心。
本申请通过采用构造字典的方法对目标审计用户类型为农业负荷类型的用户进行识别，得到各第一异常用电用户，通过设定非相同负荷值预设数量阈值的方法，将各所述负荷数据中非相同负荷值数量超过预设数量阈值的用户筛选出来得到各第一异常用电用户，以对农业负荷类型用户中的异常用户进行排查；通过采用聚类分析方法对目标审计用户类型为居民负荷类型的用户进行识别，得到各第二异常用电用户，通过采用聚类算法将各居民负荷数据进行聚类，以得到各聚类簇，以基于各所述聚类簇进行异常用户筛选处理，得到各第二异常用电用户，以对居民负荷类型用户中的异常用户进行排查。本申请对异常用电用户识别效率高，不需要大量人工去现场进行核查，节约人力成本。
本申请另一实施例提供一种存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如下方法步骤：
步骤一、基于目标审计用户类型，获取与所述目标审计用户类型对应的各待识别用户的负荷数据；
步骤二、在所述目标审计用户类型为农业负荷类型的情况下，基于各待审计用户的负荷数据，采用预设构造字典的统计方式分别对同一负荷数据中的负荷值进行统计，获得与各负荷数据对应的、各非相同负荷值的出现个数；
步骤三、基于各所述非相同负荷值的出现个数对各待审计用户进行识别，得到各第一异常用电用户；
步骤四、在所述目标审计用户类型为居民负荷类型的情况下，基于各待审计用户的负荷数据以及各预设聚类中心，采用预设聚类分析方法对各所述负荷数据进行分类，得到各聚类簇；
步骤五、基于各所述聚类簇对各所述待审计用户进行识别，得到各第二异常用电用户。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器（ROM）、可编程ROM（PROM）、电可编程ROM（EPROM）、电可擦除可编程ROM（EEPROM）或闪存。易失性存储器可包括随机存取存储器（RAM）或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM（SRAM）、动态RAM（DRAM）、同步DRAM（SDRAM）、双数据率SDRAM（DDRSDRAM）、增强型SDRAM（ESDRAM）、同步链路（Synchlink） DRAM（SLDRAM）、存储器总线（Rambus）直接RAM（RDRAM）、直接存储器总线动态RAM（DRDRAM）、以及存储器总线动态RAM（RDRAM）等。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。
上述方法步骤的具体实施过程可参见上述任意异常用电用户识别方法的实施例，本实施例在此不再重复赘述。
本申请通过采用构造字典的方法对目标审计用户类型为农业负荷类型的用户进行识别，得到各第一异常用电用户，通过设定非相同负荷值预设数量阈值的方法，将各所述负荷数据中非相同负荷值数量超过预设数量阈值的用户筛选出来得到各第一异常用电用户，以对农业负荷类型用户中的异常用户进行排查；通过采用聚类分析方法对目标审计用户类型为居民负荷类型的用户进行识别，得到各第二异常用电用户，通过采用聚类算法将各居民负荷数据进行聚类，以得到各聚类簇，以基于各所述聚类簇进行异常用户筛选处理，得到各第二异常用电用户，以对居民负荷类型用户中的异常用户进行排查。本申请对异常用电用户识别效率高，不需要大量人工去现场进行核查，节约人力成本。
本申请另一实施例提供一种电子设备，该电子设备可以是服务端，该电子设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该电子设备的处理器用于提供计算和控制能力。该电子设备的存储器包括非易失性和/或易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该电子设备的网络接口用于与外部的客户端通过网络连接通信。该电子设备程序被处理器执行时以实现一种异常用电用户识别方法服务端侧的功能或步骤。
在一个实施例中，提供了一种电子设备，该电子设备可以是客户端。该电子设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该电子设备的处理器用于提供计算和控制能力。该电子设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该电子设备的网络接口用于与外部服务器通过网络连接通信。该电子设备程序被处理器执行时以实现一种异常用电用户识别方法客户端侧的功能或步骤。
本申请另一实施例提供一种电子设备，至少包括存储器、处理器，所述存储器上存储有计算机程序，所述处理器在执行所述存储器上的计算机程序时实现如下方法步骤：
步骤一、基于目标审计用户类型，获取与所述目标审计用户类型对应的各待识别用户的负荷数据；
步骤二、在所述目标审计用户类型为农业负荷类型的情况下，基于各待审计用户的负荷数据，采用预设构造字典的统计方式分别对同一负荷数据中的负荷值进行统计，获得与各负荷数据对应的、各非相同负荷值的出现个数；
步骤三、基于各所述非相同负荷值的出现个数对各待审计用户进行识别，得到各第一异常用电用户；
步骤四、在所述目标审计用户类型为居民负荷类型的情况下，基于各待审计用户的负荷数据以及各预设聚类中心，采用预设聚类分析方法对各所述负荷数据进行分类，得到各聚类簇；
步骤五、基于各所述聚类簇对各所述待审计用户进行识别，得到各第二异常用电用户。
上述方法步骤的具体实施过程可参见上述任意异常用电用户识别方法的实施例，本实施例在此不再重复赘述。
本申请通过采用构造字典的方法对目标审计用户类型为农业负荷类型的用户进行识别，得到各第一异常用电用户，通过设定非相同负荷值预设数量阈值的方法，将各所述负荷数据中非相同负荷值数量超过预设数量阈值的用户筛选出来得到各第一异常用电用户，以对农业负荷类型用户中的异常用户进行排查；通过采用聚类分析方法对目标审计用户类型为居民负荷类型的用户进行识别，得到各第二异常用电用户，通过采用聚类算法将各居民负荷数据进行聚类，以得到各聚类簇，以基于各所述聚类簇进行异常用户筛选处理，得到各第二异常用电用户，以对居民负荷类型用户中的异常用户进行排查。本申请对异常用电用户识别效率高，不需要大量人工去现场进行核查，节约人力成本。
以上实施例仅为本申请的示例性实施例，不用于限制本申请，本申请的保护范围由权利要求书限定。本领域技术人员可以在本申请的实质和保护范围内，对本申请做出各种修改或等同替换，这种修改或等同替换也应视为落在本申请的保护范围内。
Claims (10)
1.一种异常用电用户识别方法，其特征在于，包括：
基于目标审计用户类型，获取与所述目标审计用户类型对应的各待识别用户的负荷数据；
在所述目标审计用户类型为农业负荷类型的情况下，基于各待审计用户的负荷数据，采用预设构造字典的统计方式分别对同一负荷数据中的负荷值进行统计，获得与各负荷数据对应的、各非相同负荷值的出现个数；
基于各所述非相同负荷值的出现个数对各待审计用户进行识别，得到各第一异常用电用户；
所述基于各所述非相同负荷值的出现个数对各待审计用户进行识别，得到各第一异常用电用户，具体包括：将各所述非相同负荷值的出现个数大于或者等于预设数量阈值的待审计用户确定各第一异常用电用户；
在所述目标审计用户类型为居民负荷类型的情况下，基于各待审计用户的负荷数据以及各预设聚类中心，采用预设聚类分析方法对各所述负荷数据进行分类，得到各聚类簇；
基于各所述聚类簇对各所述待审计用户进行识别，得到各第二异常用电用户；
所述基于各所述聚类簇对各所述待审计用户进行识别，得到各第二异常用电用户具体包括：
分别基于各所述聚类簇进行负荷数据计算处理，得到与各所述聚类簇对应的负荷数据数量值；
基于各所述负荷数据数量值确定数量值较少的各聚类簇为各目标聚类簇；
将各所述目标聚类簇中的待审计用户确定为各所述第二异常用电用户。
2.如权利要求1所述的方法，其特征在于，所述基于目标审计用户类型，获取与所述目标审计用户类型对应的各待识别用户的负荷数据，具体包括：
基于目标审计用户类型，获取与所述目标审计用户类型对应的各待识别用户的初始负荷数据；
在目标审计用户类型为农业负荷类型的情况下，对各所述初始负荷数据进行数据清洗，得到各所述负荷数据；
在目标审计用户类型为居民负荷类型的情况下，对各所述初始负荷数据进行标准化处理，得到各所述负荷数据。
3.如权利要求1所述的方法，其特征在于，所述在所述目标审计用户类型为农业负荷类型的情况下，基于各待审计用户的负荷数据，采用预设构造字典的统计方式分别对同一负荷数据中的负荷值进行统计，获得与各负荷数据对应的、各非相同负荷值的出现个数，具体包括：
在所述目标审计用户类型为农业负荷类型的情况下，逐条对各所述负荷数据进行遍历，得到与各所述负荷数据对应的若干非相同负荷值以及与各所述非相同负荷值对应的出现频率；
分别计算与各所述负荷数据对应的各所述非相同负荷值的数量，得到与各负荷数据对应的、各非相同负荷值的出现个数。
4.如权利要求3所述的方法，其特征在于，所述在所述目标审计用户类型为农业负荷类型的情况下，逐条对各所述负荷数据进行遍历，得到与各所述负荷数据对应的若干非相同负荷值以及与各所述非相同负荷值对应的出现频率，具体包括：
分别对各所述待审计用户的所述负荷数据中各时刻点对应的电量值进行遍历；
针对当前待审计用户，在当前时刻点的电量值与当前时刻点前的若干电量值均不同的情况下，对当前时刻点的目标电量值进行记录，并在遍历当前待审计用户的过程中，对当前时刻点后出现所述目标电量值的次数进行累加，得到当前待审计用户的各电量值以及与各所述电量值对应的出现频率，直至遍历完各所述待审计用户后，得到与各所述负荷数据对应的若干非相同负荷值以及与各所述非相同负荷值对应的出现频率。
5.如权利要求2所述的方法，其特征在于，所述在目标审计用户类型为居民负荷类型的情况下，对各所述初始负荷数据进行标准化处理，得到各所述负荷数据，具体包括：
基于与各所述待审计用户对应的所述初始负荷数据，计算各所述初始负荷数据中各初始用电量的平均值，得到与各所述初始负荷数据对应的平均值；
分别针对各所述初始负荷数据以及与各所述初始负荷数据对应的平均值进行除法运算处理，得到与各所述待审计用户对应负荷数据。
6.如权利要求1所述的方法，其特征在于，所述在所述目标审计用户类型为居民负荷类型的情况下，基于各待审计用户的负荷数据以及各预设聚类中心，采用预设聚类分析方法对各所述负荷数据进行分类，得到各聚类簇，具体包括：
在所述目标审计用户类型为居民负荷类型的情况下，计算各负荷数据与各预设聚类中心的欧式距离，得到与各所述负荷数据对应的各欧式距离值；
基于各所述欧式距离值，确定与各所述负荷数据对应的最小欧式距离值；
基于各所述最小欧式距离值对各所述负荷数据进行分类，得到包含若干负荷数据的各聚类簇。
7.如权利要求6所述的方法，其特征在于，在所述目标审计用户类型为居民负荷类型的情况下，计算各负荷数据与各预设聚类中心的欧式距离，得到与各所述负荷数据对应的各欧式距离值之前，所述方法还包括：确定类簇的目标数量值以及各所述预设聚类中心，具体包括：
基于初始类簇数量，采用预设聚类方法对各初始历史负荷数据进行聚类，得到包含若干所述初始历史负荷数据的初始聚类簇；
对各所述初始聚类簇中的各初始历史负荷数据进行计算处理，得到初始误方差以及与各所述初始聚类簇对应的初始聚类中心；
基于所述初始误方差调整所述初始类簇数量，重新采用预设聚类方法对各所述初始历史负荷数据进行聚类，得到包含若干所述初始历史负荷数据的中间聚类簇；
对各所述中间聚类簇中的各初始历史负荷数据进行计算处理，得到中间误方差以及与各所述中间聚类簇对应的中间聚类中心；
循环迭代，直至达到预设聚类个数阈值时，基于误方差与聚类数量值的曲线图确定得到类簇的目标数量值，以及当类簇数量为目标数量值时的各聚类簇对应的聚类中心。
8.一种异常用电用户识别装置，其特征在于，包括：
获取模块：用于基于目标审计用户类型，获取与所述目标审计用户类型对应的各待识别用户的负荷数据；
统计模块：用于在所述目标审计用户类型为农业负荷类型的情况下，基于各待审计用户的负荷数据，采用预设构造字典的统计方式分别对同一负荷数据中的负荷值进行统计，获得与各负荷数据对应的、各非相同负荷值的出现个数；
第一识别模块：用于基于各所述非相同负荷值的出现个数对各待审计用户进行识别，得到各第一异常用电用户；所述基于各所述非相同负荷值的出现个数对各待审计用户进行识别，得到各第一异常用电用户，具体包括：将各所述非相同负荷值的出现个数大于或者等于预设数量阈值的待审计用户确定各第一异常用电用户；
聚类模块：用于在所述目标审计用户类型为居民负荷类型的情况下，基于各待审计用户的负荷数据以及各预设聚类中心，采用预设聚类分析方法对各所述负荷数据进行分类，得到各聚类簇；
第二识别模块：用于基于各所述聚类簇对各所述待审计用户进行识别，得到各第二异常用电用户；所述基于各所述聚类簇对各所述待审计用户进行识别，得到各第二异常用电用户具体包括：分别基于各所述聚类簇进行负荷数据计算处理，得到与各所述聚类簇对应的负荷数据数量值；基于各所述负荷数据数量值确定数量值较少的各聚类簇为各目标聚类簇；将各所述目标聚类簇中的待审计用户确定为各所述第二异常用电用户。
9.一种存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述权利要求1-7任一项所述异常用电用户识别方法的步骤。
10.一种电子设备，其特征在于，至少包括存储器、处理器，所述存储器上存储有计算机程序，所述处理器在执行所述存储器上的计算机程序时实现上述权利要求1-7任一项所述异常用电用户识别方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410210932.2A CN117787572B (zh) | 2024-02-27 | 2024-02-27 | 一种异常用电用户识别方法、装置、存储介质及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410210932.2A CN117787572B (zh) | 2024-02-27 | 2024-02-27 | 一种异常用电用户识别方法、装置、存储介质及电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117787572A CN117787572A (zh) | 2024-03-29 |
| CN117787572B true CN117787572B (zh) | 2024-05-17 |
Family
ID=90389484
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410210932.2A Active CN117787572B (zh) | 2024-02-27 | 2024-02-27 | 一种异常用电用户识别方法、装置、存储介质及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117787572B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118036905B (zh) * | 2024-04-12 | 2024-06-28 | 国网山西省电力公司临汾供电公司 | 一种异常用电用户检测方法、装置、存储介质及电子设备 |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2007183890A (ja) * | 2006-01-10 | 2007-07-19 | Chugoku Electric Power Co Inc:The | 生活状況監視システム、装置、方法およびプログラム |
| CN106204335A (zh) * | 2016-07-21 | 2016-12-07 | 广东工业大学 | 一种电价执行异常判断方法、装置及系统 |
| CN109752613A (zh) * | 2018-12-31 | 2019-05-14 | 天津求实智源科技有限公司 | 基于非侵入式负荷监测的违约用电检测系统及方法 |
| CN110097297A (zh) * | 2019-05-21 | 2019-08-06 | 国网湖南省电力有限公司 | 一种多维度窃电态势智能感知方法、系统、设备及介质 |
| CN110133400A (zh) * | 2019-05-10 | 2019-08-16 | 青岛大学 | 一种融合递推状态估计的动态电力系统异常检测方法 |
| CN110991477A (zh) * | 2019-10-29 | 2020-04-10 | 中国电力科学研究院有限公司 | 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 |
| CN111751613A (zh) * | 2020-06-18 | 2020-10-09 | 深圳供电局有限公司 | 一种冰箱窃电检测方法 |
| CN112307435A (zh) * | 2020-10-30 | 2021-02-02 | 三峡大学 | 一种基于模糊聚类和趋势判断筛查用电量异常的方法 |
| CN113869849A (zh) * | 2021-09-09 | 2021-12-31 | 国网山东省电力公司济南供电公司 | 一种当日采集异常用电信息筛选处理方法及系统 |
| CN113988723A (zh) * | 2021-12-28 | 2022-01-28 | 广东电网有限责任公司佛山供电局 | 一种基于用电数据异常分析的用户行为锁定方法和系统 |
| CN114493619A (zh) * | 2021-12-08 | 2022-05-13 | 国网上海市电力公司 | 一种基于电力数据的企业征信标签构建方法 |
| CN115689374A (zh) * | 2022-11-14 | 2023-02-03 | 北京中电普华信息技术有限公司 | 一种农业排灌用电的电价执行异常识别方法及装置 |
| CN116777124A (zh) * | 2023-08-24 | 2023-09-19 | 国网山东省电力公司临沂供电公司 | 一种基于用户用电行为的窃电监测方法 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9595006B2 (en) * | 2013-06-04 | 2017-03-14 | International Business Machines Corporation | Detecting electricity theft via meter tampering using statistical methods |
| CN109272237A (zh) * | 2018-09-27 | 2019-01-25 | 国网河北省电力有限公司电力科学研究院 | 一种用电异常的识别方法、系统及终端设备 |
| US11927609B2 (en) * | 2018-12-14 | 2024-03-12 | University Of Georgia Research Foundation, Inc. | Condition monitoring via energy consumption audit in electrical devices and electrical waveform audit in power networks |
| CN110826641B (zh) * | 2019-11-13 | 2023-07-07 | 上海积成能源科技有限公司 | 一种基于聚类分析归类居民用电情况的系统及方法 |
| CN112966970A (zh) * | 2021-03-30 | 2021-06-15 | 国网冀北电力有限公司 | 一种基于Canopy-Kmedoids算法的台区线损数据处理方法、装置、介质 |
-
2024
- 2024-02-27 CN CN202410210932.2A patent/CN117787572B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2007183890A (ja) * | 2006-01-10 | 2007-07-19 | Chugoku Electric Power Co Inc:The | 生活状況監視システム、装置、方法およびプログラム |
| CN106204335A (zh) * | 2016-07-21 | 2016-12-07 | 广东工业大学 | 一种电价执行异常判断方法、装置及系统 |
| CN109752613A (zh) * | 2018-12-31 | 2019-05-14 | 天津求实智源科技有限公司 | 基于非侵入式负荷监测的违约用电检测系统及方法 |
| CN110133400A (zh) * | 2019-05-10 | 2019-08-16 | 青岛大学 | 一种融合递推状态估计的动态电力系统异常检测方法 |
| CN110097297A (zh) * | 2019-05-21 | 2019-08-06 | 国网湖南省电力有限公司 | 一种多维度窃电态势智能感知方法、系统、设备及介质 |
| CN110991477A (zh) * | 2019-10-29 | 2020-04-10 | 中国电力科学研究院有限公司 | 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 |
| CN111751613A (zh) * | 2020-06-18 | 2020-10-09 | 深圳供电局有限公司 | 一种冰箱窃电检测方法 |
| CN112307435A (zh) * | 2020-10-30 | 2021-02-02 | 三峡大学 | 一种基于模糊聚类和趋势判断筛查用电量异常的方法 |
| CN113869849A (zh) * | 2021-09-09 | 2021-12-31 | 国网山东省电力公司济南供电公司 | 一种当日采集异常用电信息筛选处理方法及系统 |
| CN114493619A (zh) * | 2021-12-08 | 2022-05-13 | 国网上海市电力公司 | 一种基于电力数据的企业征信标签构建方法 |
| CN113988723A (zh) * | 2021-12-28 | 2022-01-28 | 广东电网有限责任公司佛山供电局 | 一种基于用电数据异常分析的用户行为锁定方法和系统 |
| CN115689374A (zh) * | 2022-11-14 | 2023-02-03 | 北京中电普华信息技术有限公司 | 一种农业排灌用电的电价执行异常识别方法及装置 |
| CN116777124A (zh) * | 2023-08-24 | 2023-09-19 | 国网山东省电力公司临沂供电公司 | 一种基于用户用电行为的窃电监测方法 |
Non-Patent Citations (6)
| Title |
|---|
| Research on Identification and Processing Method for Abnormal Data of Residential Electric Power Consumption;Yingmei Zhang et al;《2019 IEEE 3rd International Electrical and Energy Conference (CIEEC)》;20200427;900-904 * |
| 基于大数据的用电行为异常情况研究;樊家树等;《电子世界》;20200515(第09期);23-24 * |
| 基于小波分析的农业用户异常用电识别与判断;刘人境等;《数学的实践与认识》;20230106;第53卷(第01期);65-75 * |
| 基于用电信息数据挖掘的智能反窃电研究与应用;张瑞;;价值工程;20161218(第35期);51-54 * |
| 基于电力采集阈值溢出的防窃电识别方法的研究;耿泉峰等;《微型电脑应用》;20220620;第38卷(第06期);108-112 * |
| 窃电行为检测方法研究综述;肖宇等;《电力科学与技术学报》;20230728;第38卷(第04期);1-14 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117787572A (zh) | 2024-03-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110610280B (zh) | 一种电力负荷短期预测方法、模型、装置及系统 | |
| CN117787572B (zh) | 一种异常用电用户识别方法、装置、存储介质及电子设备 | |
| Notaristefano et al. | Data size reduction with symbolic aggregate approximation for electrical load pattern grouping | |
| CN110781332A (zh) | 基于复合聚类算法的电力居民用户日负荷曲线聚类方法 | |
| CN113853528A (zh) | 用电异常识别方法、装置和计算机可读存储介质 | |
| CN109934301B (zh) | 一种电力负荷聚类分析方法、装置和设备 | |
| CN115563477B (zh) | 谐波数据识别方法、装置、计算机设备和存储介质 | |
| Shamim et al. | Multi-domain feature extraction for improved clustering of smart meter data | |
| CN115660262B (zh) | 一种基于数据库应用的工程智慧质检方法、系统及介质 | |
| CN115238815A (zh) | 异常交易数据获取方法、装置、设备、介质和程序产品 | |
| CN112734072A (zh) | 电力负荷预测方法、系统、终端设备及介质 | |
| CN111160404A (zh) | 配电网线损标杆合理值的分析方法及装置 | |
| CN115879017A (zh) | 一种电力敏感数据自动化分类分级方法、装置及存储介质 | |
| CN112132210A (zh) | 一种基于客户用电行为的窃电概率预警分析方法 | |
| CN118228069A (zh) | 用电负荷预测方法、装置、设备、介质和程序产品 | |
| CN113902485B (zh) | 一种专变电力用户行业识别方法、装置及设备 | |
| CN116029614A (zh) | 配电网台区电能质量评估方法、装置和计算机设备 | |
| CN111915116A (zh) | 一种基于K-means聚类的电力居民用户分类方法 | |
| CN113743519A (zh) | 电网母线典型负荷曲线识别方法 | |
| CN114372835A (zh) | 综合能源服务潜力客户识别方法、系统及计算机设备 | |
| CN113487080A (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 | |
| CN113344742A (zh) | 基于聚类和时序分析的自动抄表成功率影响因素分析方法 | |
| CN113962508A (zh) | 用电对象的识别方法及识别装置、电子设备 | |
| Shamim et al. | Novel technique for feature computation and clustering of smart meter data | |
| CN117910980B (zh) | 一种电力档案数据治理方法、系统、设备及介质 |
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 |