CN117992861A - 一种电力数据精准度稽查方法及系统 - Google Patents
一种电力数据精准度稽查方法及系统 Download PDFInfo
- Publication number
- CN117992861A CN117992861A CN202410403828.5A CN202410403828A CN117992861A CN 117992861 A CN117992861 A CN 117992861A CN 202410403828 A CN202410403828 A CN 202410403828A CN 117992861 A CN117992861 A CN 117992861A
- Authority
- CN
- China
- Prior art keywords
- data
- power
- generate
- electric power
- characteristic
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 72
- 238000007689 inspection Methods 0.000 claims abstract description 63
- 238000005070 sampling Methods 0.000 claims abstract description 55
- 238000004458 analytical method Methods 0.000 claims abstract description 49
- 238000000605 extraction Methods 0.000 claims abstract description 11
- 230000004927 fusion Effects 0.000 claims description 66
- 230000004913 activation Effects 0.000 claims description 58
- 238000012549 training Methods 0.000 claims description 56
- 238000013528 artificial neural network Methods 0.000 claims description 32
- 238000011156 evaluation Methods 0.000 claims description 31
- 238000004422 calculation algorithm Methods 0.000 claims description 27
- 238000010586 diagram Methods 0.000 claims description 19
- 238000005516 engineering process Methods 0.000 claims description 19
- 238000012360 testing method Methods 0.000 claims description 19
- 238000010276 construction Methods 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 13
- 238000010606 normalization Methods 0.000 claims description 13
- 238000004140 cleaning Methods 0.000 claims description 12
- 238000013079 data visualisation Methods 0.000 claims description 12
- 238000012550 audit Methods 0.000 claims description 11
- 238000006073 displacement reaction Methods 0.000 claims description 10
- 238000011049 filling Methods 0.000 claims description 10
- 230000011218 segmentation Effects 0.000 claims description 10
- 238000000547 structure data Methods 0.000 claims description 10
- 238000012216 screening Methods 0.000 claims description 9
- 238000013527 convolutional neural network Methods 0.000 claims description 8
- 238000013135 deep learning Methods 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 6
- 238000002372 labelling Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 5
- 238000007418 data mining Methods 0.000 claims description 4
- 238000012098 association analyses Methods 0.000 claims description 3
- 238000011425 standardization method Methods 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 description 24
- 230000008569 process Effects 0.000 description 13
- 238000009826 distribution Methods 0.000 description 12
- 230000001965 increasing effect Effects 0.000 description 12
- 230000002159 abnormal effect Effects 0.000 description 10
- 230000005540 biological transmission Effects 0.000 description 10
- 238000003860 storage Methods 0.000 description 7
- 238000007405 data analysis Methods 0.000 description 6
- 230000009286 beneficial effect Effects 0.000 description 5
- 230000009466 transformation Effects 0.000 description 5
- 230000000007 visual effect Effects 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 238000005096 rolling process Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000013136 deep learning model Methods 0.000 description 3
- 238000012217 deletion Methods 0.000 description 3
- 230000037430 deletion Effects 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000011176 pooling Methods 0.000 description 3
- 238000012300 Sequence Analysis Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013481 data capture Methods 0.000 description 1
- 238000013501 data transformation Methods 0.000 description 1
- 238000011550 data transformation method Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
- 238000002759 z-score normalization Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种电力数据精准度稽查方法及系统。所述方法包括以下步骤：获取电力数据；对电力数据进行电力特征提取，生成电力特征数据；对电力特征数据进行非对称加密，得到电力特征编码加密数据；对电力特征编码加密数据进行电力安全性调整，生成电力安全特征编码数据；对电力安全特征编码数据进行数据扰动，生成电力安全特征扰动数据段；对电力安全特征扰动数据段进行混淆置换，生成电力安全特征混淆置换数据；对电力安全特征混淆置换数据进行随机采样，生成电力特征随机采样数据。本发明通过加密、混淆、综合分析和高级特征提取，提高了电力数据精准度稽查中的精准性和可靠性。
Description
技术领域
本发明涉及数据稽查技术领域，尤其涉及一种电力数据精准度稽查方法及系统。
背景技术
随着人工智能和机器学习技术的不断发展，电力数据的精准度稽查进入了一个新的阶段。基于大数据和智能算法的电力数据精准度稽查方法应运而生。这种方法利用机器学习算法对历史数据进行分析和学习，建立起电力系统的模型。通过比对实时数据与模型预测的结果，可以及时发现数据异常和错误。近年来，随着深度学习和神经网络技术的发展，电力数据精准度稽查方法进一步提升。深度学习模型可以更加准确地识别数据中的模式和规律，对电力系统的数据进行更细致的分析。同时，传感器技术的进步也为电力数据的采集提供了更多选择，实现了对电力系统各个环节的全面监测。然而目前传统的方法往往只能处理单一类型的数据，同时对电力数据的处理可能局限于简单的统计方法，导致电力数据精准度稽查的精准性和全面性较低。
发明内容
基于此，有必要提供一种电力数据精准度稽查方法及系统，以解决至少一个上述技术问题。
为实现上述目的，一种电力数据精准度稽查方法，所述方法包括以下步骤：
步骤S1：获取电力数据；对电力数据进行电力特征提取，生成电力特征数据；对电力特征数据进行非对称加密，得到电力特征编码加密数据；对电力特征编码加密数据进行电力安全性调整，生成电力安全特征编码数据；
步骤S2：对电力安全特征编码数据进行数据扰动，生成电力安全特征扰动数据段；对电力安全特征扰动数据段进行混淆置换，生成电力安全特征混淆置换数据；对电力安全特征混淆置换数据进行随机采样，生成电力特征随机采样数据；基于电力安全特征混淆置换数据对电力特征随机采样数据进行局部变量增强，生成电力增强标签数据；
步骤S3：对电力增强标签数据进行数据分源，得到多模态电力综合数据集；对多模态电力综合数据集进行数据复杂性分类，生成多模态电力数据复杂性数据；根据多模态电力数据复杂性数据对多模态电力综合数据集进行非线性激活，生成电力非线性激活特征数据；对电力非线性激活特征数据进行图神经网络嵌入融合，生成电力嵌入高级融合特征数据；
步骤S4：对电力嵌入高级融合特征数据进行结构化建模构建，生成结构化电力数据；将结构化电力数据和电力数据进行模型训练，生成电力精准度稽查模型；将电力稽查数据集导入至电力精准度稽查模型中进行电力精准度稽查，生成电力精准度稽查数据；对电力精准度稽查数据进行数据可视化，从而生成电力精准度稽查报告。
本发明通过获取电力数据，包括电力供应商提供的实时数据、历史数据等。通过提取关键特征，可以更好地理解和分析电力系统的运行状态，为后续的处理和分析提供基础数据。使用非对称加密算法对电力特征数据进行加密，确保数据在传输和存储过程中的安全性，可以保护电力数据的隐私和机密性，防止未经授权的访问和窃取。对加密后的电力特征编码数据进行安全性调整，包括访问控制、数据权限设置、安全策略等措施，可以增强电力数据的安全性，防止数据泄露、篡改或恶意攻击，确保数据在合法用户之间的安全传输和共享。结合非对称加密和安全性调整，生成电力安全特征编码数据，即经过加密和安全性处理后的电力特征数据，可以确保电力数据的机密性、完整性和可用性，为后续的数据分析、建模和决策提供可靠的基础。对已经加密和安全性调整的电力特征编码数据进行扰动操作，以增加数据的混淆度和难以理解性，可以提高数据的隐私保护级别，降低数据被恶意攻击者识别和分析的可能性。对扰动后的数据段进行混淆置换，打乱数据的原始顺序，增加数据的不可预测性和难以推断性。从混淆置换后的数据中随机采样，获取一定数量的样本数据，用于后续的分析和处理，可以增加数据的多样性，提高数据的覆盖范围，更全面地反映电力系统的运行状态和特征。将电力增强标签数据按照不同的来源或属性进行分组，得到多个数据源，即多模态电力数据，使得电力数据的不同来源和属性得到充分利用，提高了数据的多样性和代表性。对多模态电力数据进行复杂性分类，即将数据按照其复杂性程度进行划分或标注，可以帮助识别和理解电力数据中的复杂模式和关联，为后续的分析和处理提供重要参考。利用多模态电力数据的复杂性信息，对综合数据集进行非线性激活处理，即通过激活函数将数据映射到非线性空间，可以增强数据的表达能力和特征的多样性，使得数据更适合于复杂模式的建模和分析。将电力嵌入高级融合特征数据进行结构化处理，即将其转换为符合特定模型的数据结构，使得数据更易于理解和处理，为后续的模型训练提供了基础。通过模型训练，能够发现数据中的潜在模式和异常，提高了电力数据的精度和稳定性。将待稽查的电力数据集输入训练好的稽查模型中，进行数据的稽查和评估，以检测数据的准确性和完整性，能够及时发现数据中的错误、异常或缺失，提高了数据的可信度和使用价值。因此，本发明通过加密、混淆、综合分析和高级特征提取，提高了电力数据精准度稽查中的精准性和可靠性。
在本说明书中，提供了一种电力数据精准度稽查系统，用于执行上述的电力数据精准度稽查方法，该电力数据精准度稽查系统包括：
电力加密模块，用于获取电力数据；对电力数据进行电力特征提取，生成电力特征数据；对电力特征数据进行非对称加密，得到电力特征编码加密数据；对电力特征编码加密数据进行电力安全性调整，生成电力安全特征编码数据；
电力局部增强模块，用于对电力安全特征编码数据进行数据扰动，生成电力安全特征扰动数据段；对电力安全特征扰动数据段进行混淆置换，生成电力安全特征混淆置换数据；对电力安全特征混淆置换数据进行随机采样，生成电力特征随机采样数据；基于电力安全特征混淆置换数据对电力特征随机采样数据进行局部变量增强，生成电力增强标签数据；
多模态电力融合模块，用于对电力增强标签数据进行数据分源，得到多模态电力综合数据集；对多模态电力综合数据集进行数据复杂性分类，生成多模态电力数据复杂性数据；根据多模态电力数据复杂性数据对多模态电力综合数据集进行非线性激活，生成电力非线性激活特征数据；对电力非线性激活特征数据进行图神经网络嵌入融合，生成电力嵌入高级融合特征数据；
稽查精准性预测模块，用于对电力嵌入高级融合特征数据进行结构化建模构建，生成结构化电力数据；将结构化电力数据和电力数据进行模型训练，生成电力精准度稽查模型；将电力稽查数据集导入至电力精准度稽查模型中进行电力精准度稽查，生成电力精准度稽查数据；对电力精准度稽查数据进行数据可视化，从而生成电力精准度稽查报告。
本发明的有益效果在于通过获取电力数据并提取电力特征，然后对特征数据进行非对称加密和安全性调整，生成安全特征编码数据，可以保护电力数据的安全性，确保数据在传输和存储过程中不被泄露或篡改。对安全特征编码数据进行扰动和混淆置换，生成混淆置换数据，然后进行随机采样和局部变量增强，生成增强标签数据，增加了数据的多样性和复杂性，提高了数据的隐私保护和模型训练的鲁棒性。对增强标签数据进行分源，得到多模态电力综合数据集，然后进行复杂性分类和非线性激活，生成非线性激活特征数据，最后进行图神经网络嵌入融合，生成高级融合特征数据，提高了数据的表达能力和特征的多样性，为后续的模型训练提供更丰富的信息。对高级融合特征数据进行结构化建模，生成结构化电力数据，然后将其与原始电力数据一起用于模型训练，生成精准度稽查模型。将稽查数据导入模型进行精准度稽查，并对稽查数据进行可视化，生成最终的精准度稽查报告。通过建模和稽查，提高了数据的准确性和质量，并通过可视化报告，使数据分析结果更直观和易懂。因此，本发明通过加密、混淆、综合分析和高级特征提取，提高了电力数据精准度稽查中的精准性和可靠性。
附图说明
图1为一种电力数据精准度稽查方法的步骤流程示意图；
图2为图1中步骤S2的详细实施步骤流程示意图；
图3为图1中步骤S3的详细实施步骤流程示意图；
图4为图1中步骤S4的详细实施步骤流程示意图；
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
下面结合附图对本发明专利的技术方法进行清楚、完整的描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域所属的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，都属于本发明保护的范围。
此外，附图仅为本发明的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器方法和/或微控制器方法中实现这些功能实体。
应当理解的是，虽然在这里可能使用了术语“第一”、“第二”等等来描述各个单元，但是这些单元不应当受这些术语限制。使用这些术语仅仅是为了将一个单元与另一个单元进行区分。举例来说，在不背离示例性实施例的范围的情况下，第一单元可以被称为第二单元，并且类似地第二单元可以被称为第一单元。这里所使用的术语“和/或”包括其中一个或更多所列出的相关联项目的任意和所有组合。
为实现上述目的，请参阅图1至图4，一种电力数据精准度稽查方法，所述方法包括以下步骤：
步骤S1：获取电力数据；对电力数据进行电力特征提取，生成电力特征数据；对电力特征数据进行非对称加密，得到电力特征编码加密数据；对电力特征编码加密数据进行电力安全性调整，生成电力安全特征编码数据；
步骤S2：对电力安全特征编码数据进行数据扰动，生成电力安全特征扰动数据段；对电力安全特征扰动数据段进行混淆置换，生成电力安全特征混淆置换数据；对电力安全特征混淆置换数据进行随机采样，生成电力特征随机采样数据；基于电力安全特征混淆置换数据对电力特征随机采样数据进行局部变量增强，生成电力增强标签数据；
步骤S3：对电力增强标签数据进行数据分源，得到多模态电力综合数据集；对多模态电力综合数据集进行数据复杂性分类，生成多模态电力数据复杂性数据；根据多模态电力数据复杂性数据对多模态电力综合数据集进行非线性激活，生成电力非线性激活特征数据；对电力非线性激活特征数据进行图神经网络嵌入融合，生成电力嵌入高级融合特征数据；
步骤S4：对电力嵌入高级融合特征数据进行结构化建模构建，生成结构化电力数据；将结构化电力数据和电力数据进行模型训练，生成电力精准度稽查模型；将电力稽查数据集导入至电力精准度稽查模型中进行电力精准度稽查，生成电力精准度稽查数据；对电力精准度稽查数据进行数据可视化，从而生成电力精准度稽查报告。
本发明通过获取电力数据，包括电力供应商提供的实时数据、历史数据等。通过提取关键特征，可以更好地理解和分析电力系统的运行状态，为后续的处理和分析提供基础数据。使用非对称加密算法对电力特征数据进行加密，确保数据在传输和存储过程中的安全性，可以保护电力数据的隐私和机密性，防止未经授权的访问和窃取。对加密后的电力特征编码数据进行安全性调整，包括访问控制、数据权限设置、安全策略等措施，可以增强电力数据的安全性，防止数据泄露、篡改或恶意攻击，确保数据在合法用户之间的安全传输和共享。结合非对称加密和安全性调整，生成电力安全特征编码数据，即经过加密和安全性处理后的电力特征数据，可以确保电力数据的机密性、完整性和可用性，为后续的数据分析、建模和决策提供可靠的基础。对已经加密和安全性调整的电力特征编码数据进行扰动操作，以增加数据的混淆度和难以理解性，可以提高数据的隐私保护级别，降低数据被恶意攻击者识别和分析的可能性。对扰动后的数据段进行混淆置换，打乱数据的原始顺序，增加数据的不可预测性和难以推断性。从混淆置换后的数据中随机采样，获取一定数量的样本数据，用于后续的分析和处理，可以增加数据的多样性，提高数据的覆盖范围，更全面地反映电力系统的运行状态和特征。将电力增强标签数据按照不同的来源或属性进行分组，得到多个数据源，即多模态电力数据，使得电力数据的不同来源和属性得到充分利用，提高了数据的多样性和代表性。对多模态电力数据进行复杂性分类，即将数据按照其复杂性程度进行划分或标注，可以帮助识别和理解电力数据中的复杂模式和关联，为后续的分析和处理提供重要参考。利用多模态电力数据的复杂性信息，对综合数据集进行非线性激活处理，即通过激活函数将数据映射到非线性空间，可以增强数据的表达能力和特征的多样性，使得数据更适合于复杂模式的建模和分析。将电力嵌入高级融合特征数据进行结构化处理，即将其转换为符合特定模型的数据结构，使得数据更易于理解和处理，为后续的模型训练提供了基础。通过模型训练，能够发现数据中的潜在模式和异常，提高了电力数据的精度和稳定性。将待稽查的电力数据集输入训练好的稽查模型中，进行数据的稽查和评估，以检测数据的准确性和完整性，能够及时发现数据中的错误、异常或缺失，提高了数据的可信度和使用价值。因此，本发明通过加密、混淆、综合分析和高级特征提取，提高了电力数据精准度稽查中的精准性和可靠性。
本发明实施例中，参考图1所述，为本发明一种电力数据精准度稽查方法的步骤流程示意图，在本实例中，所述一种电力数据精准度稽查方法包括以下步骤：
步骤S1：获取电力数据；对电力数据进行电力特征提取，生成电力特征数据；对电力特征数据进行非对称加密，得到电力特征编码加密数据；对电力特征编码加密数据进行电力安全性调整，生成电力安全特征编码数据；
本发明实施例中，通过电力供应系统或智能电表等设备采集实时电力数据，可以使用传感器、测量仪器或电力公司提供的数据接口来获取电力数据。使用信号处理技术、时域分析或频域分析等方法提取电力数据中的关键特征，特征包括电流、电压的波形、频率、功率因数等。选择合适的非对称加密算法，如RSA算法。生成公钥和私钥，其中公钥用于加密，私钥用于解密。将电力特征数据使用公钥进行加密，得到加密后的数据，在加密的基础上，引入电力安全性调整措施，包括添加噪音、混淆数据等。考虑电力数据的特点，采取适当的措施以增强数据的安全性和隐私性，结合非对称加密和安全性调整的结果，得到最终的电力安全特征编码数据。
步骤S2：对电力安全特征编码数据进行数据扰动，生成电力安全特征扰动数据段；对电力安全特征扰动数据段进行混淆置换，生成电力安全特征混淆置换数据；对电力安全特征混淆置换数据进行随机采样，生成电力特征随机采样数据；基于电力安全特征混淆置换数据对电力特征随机采样数据进行局部变量增强，生成电力增强标签数据；
本发明实施例中，通过对电力安全特征编码数据应用一种或多种数据扰动方法，如加入噪声、数据变换等，以增加数据的复杂性和难以逆向推导的难度，从而提高数据的安全性和隐私性。对扰动后的数据段进行混淆置换，可以采用随机置换、置乱等方法，将数据段中的元素重新排列，使得数据的结构和特征更难以被理解和解析。从混淆置换后的数据中进行随机采样，以获取一部分样本数据，这有助于减少数据的维度和大小，并在保留数据重要特征的同时减少计算成本。对采样数据进行局部变量增强，可以通过增加、删除或修改数据中的局部元素，以增加数据的多样性和泛化能力，同时确保增强后的数据仍然保持原始数据的特征。
步骤S3：对电力增强标签数据进行数据分源，得到多模态电力综合数据集；对多模态电力综合数据集进行数据复杂性分类，生成多模态电力数据复杂性数据；根据多模态电力数据复杂性数据对多模态电力综合数据集进行非线性激活，生成电力非线性激活特征数据；对电力非线性激活特征数据进行图神经网络嵌入融合，生成电力嵌入高级融合特征数据；
本发明实施例中，通过将电力增强标签数据按照不同的来源或特征进行划分，得到多个数据源，可以包括来自不同电力设备、不同传感器、或者不同数据采集系统的数据。将来自不同数据源的电力增强标签数据合并，形成一个多模态的电力综合数据集，数据集包含了不同来源和特征的电力数据，有助于综合分析和建模。对综合数据集进行复杂性分类，即对每个样本的数据复杂性进行评估和标记，可以通过各种方法，如数据分布分析、统计指标计算等来实现。根据复杂性分类的结果，为每个样本生成相应的数据复杂性标签或特征，以表示该样本在多模态数据集中的复杂性。使用非线性激活函数（如ReLU、Sigmoid等）对多模态电力数据综合集进行处理，以引入非线性特征，有助于捕捉数据中的更复杂的模式和关系。将非线性激活后的数据输入图神经网络（Graph Neural Network, GNN），进行嵌入融合操作。GNN能够有效地处理具有图结构的数据，有助于学习数据之间的复杂关系。从图神经网络嵌入的结果中提取高级融合的特征数据，这些特征数据可以更好地表示多模态电力数据集中的潜在模式和关联。
步骤S4：对电力嵌入高级融合特征数据进行结构化建模构建，生成结构化电力数据；将结构化电力数据和电力数据进行模型训练，生成电力精准度稽查模型；将电力稽查数据集导入至电力精准度稽查模型中进行电力精准度稽查，生成电力精准度稽查数据；对电力精准度稽查数据进行数据可视化，从而生成电力精准度稽查报告。
本发明实施例中，通过利用电力嵌入高级融合特征数据，设计适当的结构化模型，将其转化为结构化电力数据。考虑不同模态的数据，确保数据间的关联性得到合适的建模。选择合适的机器学习或深度学习模型，如决策树、支持向量机、神经网络等，用于电力精准度稽查。将结构化电力数据与原始电力数据结合，作为训练数据集。划分数据集为训练集和测试集，以评估模型性能。收集电力稽查数据集，包括正常运行和异常情况下的数据。将电力稽查数据导入电力精准度稽查模型，以进行后续的稽查分析。使用经过训练的电力精准度稽查模型，对电力稽查数据进行预测和分类。检测异常或低精准度的电力数据，并标识可能存在的问题。利用数据可视化工具，如Matplotlib、Seaborn或其他业界常用工具，展示电力精准度稽查的结果。生成电力精准度稽查报告，包括模型性能指标、异常检测结果以及建议的改进措施。
优选的，步骤S1包括以下步骤：
步骤S11：获取电力数据；
步骤S12：对电力数据进行数据清洗，生成电力清洗数据；对电力清洗数据进行数据缺失值检测，得到电力缺失值检测数据；对电力缺失值检测数据进行缺失值填充，生成电力填充数据；利用Z-score标准化方法对电力填充数据进行数据标准化，生成标准电力数据；
步骤S13：通过数据挖掘技术对标准电力数据进行电力特征提取，生成电力特征数据；对电力特征数据进行特征编码，生成电力特征编码数据；对电力特征编码数据进行特征嵌入，生成电力特征嵌入编码数据；
步骤S14：对电力特征嵌入编码数据进行非对称加密，得到电力特征编码加密数据；对电力特征编码加密数据进行同态加密抽样，生成电力同态加密抽样数据；对电力同态加密抽样数据进行解密难度评估，得到电力同态加密安全性评估数据；
步骤S15：基于电力同态加密安全性评估数据对电力同态加密抽样数据进行电力安全性调整，生成电力安全特征编码数据。
本发明通过获取原始的电力数据，包括从电力传感器、仪表或其他数据源中收集的实时或历史电力使用情况的数据，可以建立数据处理的起点，提供了必要的信息来进行后续的数据清洗和分析。对电力数据进行清洗，处理数据中存在的错误或异常值，进行缺失值检测并填充缺失值，以确保数据的完整性和准确性。利用Z-score标准化方法对数据进行标准化，有助于提高数据的质量和一致性，使其更适合后续的分析。通过数据挖掘技术，从标准电力数据中提取关键的电力特征，有助于识别电力使用的模式和趋势。对提取的特征进行编码，可以减少数据的维度并保留关键信息，同时提高模型的效率和性能。对电力特征编码数据进行非对称加密，提高了数据的安全性。非对称加密确保只有授权的用户能够解密和访问原始的电力特征编码数据，同时进行同态加密抽样，以更进一步增强数据的安全性，保护用户隐私。基于电力同态加密安全性评估数据对同态加密抽样数据进行调整，以确保电力数据的安全性，涉及调整加密算法的参数或增加安全层级，以适应特定的安全需求，能够保护电力数据不受未经授权的访问，并确保数据在传输和存储过程中的安全性。
本发明实施例中，通过从电力传感器、仪表或其他数据源收集原始电力数据，包括电压、电流、功率等信息。对原始电力数据进行数据清洗，处理异常值和噪音，以生成电力清洗数据。对电力清洗数据进行缺失值检测，识别数据中的缺失值，并进行填充操作。使用Z-score标准化方法对填充后的电力数据进行标准化，以确保数据具有相似的尺度和分布。使用数据挖掘技术从标准化的电力数据中提取特征，例如频域特征、时域特征等，以生成电力特征数据。对提取的电力特征数据进行编码，使用独热编码、标签编码等技术，将特征转换为计算机可处理的形式，进一步对编码后的特征数据进行嵌入处理，增强其表示能力和模型的准确性。对特征嵌入编码数据进行非对称加密，确保数据在传输和存储过程中的安全性。对加密后的数据进行同态加密抽样，以保护数据的隐私性，并对同态加密的难度进行评估，确保数据的安全性。基于电力同态加密安全性评估数据，对同态加密抽样数据进行调整，进一步提高数据的安全性，生成最终的电力安全特征编码数据，确保数据的隐私和安全性，并可用于后续的数据分析和应用。
优选的，步骤S2包括以下步骤：
步骤S21：对电力安全特征编码数据进行数据分段，生成电力安全特征分段数据；利用拉普拉斯噪声对电力安全特征分段数据进行数据扰动，生成电力安全特征扰动数据段；
步骤S22：对电力安全特征扰动数据段进行混淆置换，生成电力安全特征混淆置换数据；对电力安全特征混淆置换数据进行随机采样，生成电力特征随机采样数据；
步骤S23：基于电力安全特征混淆置换数据对电力特征随机采样数据进行局部变量生成，得到电力局部变量数据；根据电力局部变量数据对电力安全特征编码数据进行增强数据标签，生成电力增强标签数据。
本发明通过将电力安全特征编码数据分段，有助于在数据处理过程中管理大规模数据。利用拉普拉斯噪声对数据段进行扰动，可以有效地隐藏数据中的敏感信息，提高数据的隐私性。对扰动后的数据段进行混淆置换，可以进一步混淆数据的顺序和结构，增加数据的难以理解性和解释性，增强数据的隐私保护能力。进行随机采样有助于减少数据量，同时保留数据的特征和分布，降低数据处理和存储的成本，提高数据的效率和可用性。基于混淆置换数据生成局部变量，有助于提取数据的局部特征，增加数据的多样性和复杂性。根据局部变量数据对原始编码数据进行增强数据标签，可以进一步强化数据的安全性和隐私保护能力，同时保留数据的可解释性和有效性。
作为本发明的一个实例，参考图2所示，在本实例中所述步骤S2包括：
步骤S21：对电力安全特征编码数据进行数据分段，生成电力安全特征分段数据；利用拉普拉斯噪声对电力安全特征分段数据进行数据扰动，生成电力安全特征扰动数据段；
本发明实施例中，通过将原始的电力安全特征编码数据按照一定的规则进行分段，可以根据数据的特点和需求来确定分段的方式，比如按时间、按空间等。例如，如果数据是时间序列数据，可以按照时间窗口将数据分成若干段，每段包含一定时间范围内的数据。对每个数据段进行拉普拉斯噪声的添加，以实现数据的扰动。拉普拉斯噪声是一种具有长尾分布的随机噪声，适合用于在保持数据总体趋势的情况下引入随机性。噪声的参数可以根据隐私保护需求和数据的特性进行调整，例如，可以根据数据的敏感程度和噪声添加的程度来确定噪声的方差。将每个数据段与相应的拉普拉斯噪声相加，得到扰动后的数据段，即生成电力安全特征扰动数据段。
步骤S22：对电力安全特征扰动数据段进行混淆置换，生成电力安全特征混淆置换数据；对电力安全特征混淆置换数据进行随机采样，生成电力特征随机采样数据；
本发明实施例中，通过对电力安全特征扰动数据段进行混淆置换，即对数据段中的元素进行重新排列，以实现数据的混淆。混淆置换可以采用各种置换算法，如随机置换、置乱置换等。其中，随机置换是一种简单而有效的方法，可以通过随机打乱数据元素的顺序来实现混淆，将经过混淆置换的数据段组合成完整的电力安全特征混淆置换数据。对电力安全特征混淆置换数据进行随机采样，即从混淆置换数据中随机选取一部分数据作为样本，随机采样可以采用各种采样方法，如简单随机采样、分层随机采样等。其中，简单随机采样是一种常用的方法，可以在保证样本的随机性的前提下，以等概率的方式选取样本，将随机采样得到的样本组合成完整的电力特征随机采样数据。
步骤S23：基于电力安全特征混淆置换数据对电力特征随机采样数据进行局部变量生成，得到电力局部变量数据；根据电力局部变量数据对电力安全特征编码数据进行增强数据标签，生成电力增强标签数据。
本发明实施例中，通过针对电力特征随机采样数据，可以采用各种局部特征提取方法，如局部窗口法、小波变换等，来提取局部变量，局部窗口法可以将采样数据分割成不同大小的窗口，并针对每个窗口提取局部特征，小波变换则可以通过将采样数据进行小波分解，提取不同尺度下的局部特征，得到的电力局部变量数据可以包括各种局部特征，如局部能量、频率分布等。利用电力局部变量数据，可以对电力安全特征编码数据进行增强数据标签，增强数据标签可以采用各种方法，如基于监督学习的分类器、聚类算法等，来对数据进行标记和分类，通过对电力局部变量数据进行分析和分类，可以为电力安全特征编码数据赋予更丰富的标签信息，从而增强数据的可解释性和应用性，将经过增强数据标签处理的电力安全特征编码数据与对应的标签信息组合，生成电力增强标签数据。
优选的，步骤S3包括以下步骤：
步骤S31：对电力增强标签数据进行数据分源，得到多模态电力分源数据；对多模态电力分源数据进行电力数据融合，生成多模态电力综合数据集；
步骤S32：利用电力数据复杂性评估公式对多模态电力综合数据集进行数据复杂性分类，生成多模态电力数据复杂性数据；根据多模态电力数据复杂性数据对多模态电力综合数据集进行节点划分，生成电力网络划分节点；
步骤S33：基于电力网络划分节点进行图卷积层构建，生成图卷积特征数据；根据非线性激活函数对图卷积特征数据进行非线性激活，生成电力非线性激活特征数据；对电力非线性激活特征数据进行特征归一化，生成电力非线性激活归一化特征数据；
步骤S34：对电力非线性激活归一化特征数据进行特征注意力加权，生成电力注意力加权特征数据；通过节点嵌入技术将电力注意力加权特征数据和图卷积特征数据进行图神经网络嵌入融合，生成电力嵌入高级融合特征数据。
本发明通过对电力增强标签数据进行数据分源和融合，得到多模态电力分源数据，可以综合利用来自不同来源或不同传感器的电力数据，从而提高数据的丰富性和综合性。利用电力数据复杂性评估公式对多模态电力综合数据集进行分类，可以帮助理解和识别不同数据的复杂性程度，为后续处理提供基础。根据数据复杂性对数据集进行节点划分，可以将数据集划分为不同的部分，有助于后续对数据的更有效处理和分析。基于电力网络划分节点构建图卷积层，可以充分考虑电力系统中节点之间的连接关系，从而更准确地提取节点特征。对图卷积特征数据进行非线性激活，有助于增强特征表达能力，提高对电力系统复杂特征的学习能力和泛化能力。对电力非线性激活特征数据进行特征归一化，可以使得不同特征的尺度相对一致，有利于模型训练的稳定性和收敛性。通过特征注意力加权，可以根据特征的重要性对特征进行加权，使得模型更关注重要特征，提高模型对电力系统的建模和预测能力。利用节点嵌入技术将电力注意力加权特征数据和图卷积特征数据进行融合，可以更充分地利用电力网络结构信息和特征信息，生成更具表征能力的电力嵌入高级融合特征数据，有助于提高电力系统的建模和预测性能。
作为本发明的一个实例，参考图3所示，在本实例中所述步骤S3包括：
步骤S31：对电力增强标签数据进行数据分源，得到多模态电力分源数据；对多模态电力分源数据进行电力数据融合，生成多模态电力综合数据集；
本发明实施例中，通过收集来自不同源头和传感器的电力数据，包括但不限于传感器测量数据、监控设备数据、天气数据等，数据以不同的格式和结构存在，需要进行预处理和标准化。将收集到的电力增强标签数据按照其来源进行分类，例如按照传感器类型、监控设备、区域等进行分类，形成多个数据源。对每个数据源进行特征提取、数据清洗和预处理，包括缺失值填充、异常值处理、数据转换等操作，确保数据质量和可用性。将处理后的多个数据源进行融合，可以采用以下几种方式：时间对齐：确保不同源头的数据在时间上对齐，以便于后续的分析和建模；特征融合：将不同数据源的特征进行合并或拼接，形成更加丰富和全面的特征集；数据关联：通过共享的标识符或地理位置等信息，将不同数据源中相对应的数据关联起来；数据加权融合：根据数据源的重要性或可信度，对不同源头的数据进行加权融合，将融合后的数据存储为多模态电力综合数据集，以便于后续的复杂性评估、建模和分析。
步骤S32：利用电力数据复杂性评估公式对多模态电力综合数据集进行数据复杂性分类，生成多模态电力数据复杂性数据；根据多模态电力数据复杂性数据对多模态电力综合数据集进行节点划分，生成电力网络划分节点；
本发明实施例中，通过设计电力数据复杂性评估公式，以评估多模态电力综合数据集的复杂性，公式可以基于多种指标，如数据的变化程度、波动性、频率分布、噪声水平等。根据设计好的评估公式，对多模态电力综合数据集进行复杂性分类，涉及到数据的分析、统计和模式识别技术，以确定数据集的复杂性等级或类别。根据分类结果，为多模态电力综合数据集中的每个数据样本分配相应的复杂性标签或指标，形成多模态电力数据复杂性数据。基于多模态电力数据复杂性数据，进行电力网络节点的划分，涉及到网络拓扑分析、负荷分布、供电方案等因素，以确定节点的位置和范围，根据节点划分结果，在电力网络中确定划分的节点，涉及到网络拓扑图的构建和节点的标识，以及节点间的连接关系。
步骤S33：基于电力网络划分节点进行图卷积层构建，生成图卷积特征数据；根据非线性激活函数对图卷积特征数据进行非线性激活，生成电力非线性激活特征数据；对电力非线性激活特征数据进行特征归一化，生成电力非线性激活归一化特征数据；
本发明实施例中，通过使用电力网络划分节点构建一个图结构，其中每个节点表示电力网络中的一个划分节点，节点之间的连接表示它们之间的关联关系。通过图卷积神经网络（GCN）的方法构建图卷积层，GCN是一种能够处理图结构数据的深度学习模型，在电力网络中可以用来学习节点之间的特征表示，在构建好的GCN模型上，将电力网络划分节点作为输入，通过GCN进行前向传播，得到每个节点的图卷积特征数据，特征数据将捕捉节点之间的结构信息和关联特征。将得到的图卷积特征数据输入到一个非线性激活函数中，如ReLU（Rectified Linear Unit）、Sigmoid、Tanh等，以引入非线性变换，可以增强模型的表达能力，并更好地捕捉节点间的复杂关系。将经过非线性激活函数处理后的数据称为电力非线性激活特征数据，数据包含了图卷积特征数据经过非线性变换后的信息。对电力非线性激活特征数据进行特征归一化，使其具有相似的尺度和范围，有助于提高模型的收敛速度和稳定性，以及更好地进行后续的模型训练和优化。
步骤S34：对电力非线性激活归一化特征数据进行特征注意力加权，生成电力注意力加权特征数据；通过节点嵌入技术将电力注意力加权特征数据和图卷积特征数据进行图神经网络嵌入融合，生成电力嵌入高级融合特征数据。
本发明实施例中，通过对电力非线性激活归一化特征数据进行特征注意力加权，可以通过注意力机制来实现，其中每个特征被赋予一个注意力权重，以便模型更加关注重要的特征，可以采用自注意力机制（self-attention）、注意力池化（attention pooling）等技术来实现。将注意力权重应用到电力非线性激活归一化特征数据中，生成电力注意力加权特征数据，数据将更加突出重要特征，并且保留了特征之间的关联信息。使用节点嵌入技术将电力注意力加权特征数据和图卷积特征数据进行融合，节点嵌入是一种将图数据转换为低维向量表示的方法，它可以捕捉节点之间的结构和特征信息，将通过节点嵌入技术得到的电力注意力加权特征数据与图卷积特征数据进行融合，可以通过将它们拼接在一起或者应用一些融合策略来实现，例如使用多层感知器（MLP）来学习融合后的特征表示，结合节点嵌入和图卷积特征数据融合的结果，生成电力嵌入高级融合特征数据，数据将更加综合地捕捉到电力网络的结构信息和特征表示，为后续的任务如分类、回归或者聚类提供更加有效的特征表示。
优选的，步骤S31包括以下步骤：
步骤S311：对电力增强标签数据进行不同传感器数据筛选，得到电力增强传感器筛选数据；对电力增强传感器筛选数据进行同源数据合并，生成多模态电力分源数据；
步骤S312：对多模态电力分源数据进行电力图结构构建，生成多模态电力图结构数据；利用图神经网络算法对多模态图结构数据进行图神经网络嵌入，生成多模态电力网络嵌入数据；
步骤S313：对多模态电力网路嵌入数据进行多模态信息融合，生成多模态电力综合数据集。
本发明通过对电力增强标签数据进行不同传感器数据的筛选，可以得到更加具有代表性和关键性的电力增强传感器筛选数据，有助于提高数据的质量和有效性，使得后续的分析和处理更具有针对性。将电力增强传感器筛选数据进行同源数据合并，可以生成多模态电力分源数据，有利于综合不同传感器的信息，提供更加全面和多角度的电力数据视角，从而更好地理解电力系统的运行状态和特征。将多模态电力分源数据进行电力图结构构建，可以生成反映不同传感器之间关联关系的多模态电力图结构数据，有助于捕捉电力系统中的复杂关系和拓扑结构，为后续的分析提供更加丰富的信息。通过利用图神经网络算法对多模态图结构数据进行嵌入，可以将多模态电力图结构数据映射到低维空间，得到更加紧凑和高效的多模态电力网络嵌入数据，有助于提取出更具代表性和区分性的特征，为后续的任务提供更好的输入表示。对多模态电力网络嵌入数据进行多模态信息融合，可以综合不同模态的信息，得到更加全面和一致的多模态电力综合数据集，有助于提高数据的综合性和可解释性，为后续的分析和应用提供更加丰富和准确的信息支持。
本发明实施例中，通过收集电力增强标签数据，包括从各种传感器获取的数据，例如温度、湿度、电流、电压等。对这些数据进行筛选，为了去除噪声或者选择与任务相关的特征。对筛选后的数据进行同源数据合并，意味着将来自不同传感器但描述相同事件或特征的数据进行合并，以创建多模态电力分源数据。将多模态电力分源数据转换为图结构数据，其中图的节点表示数据的样本或实体，边表示它们之间的关系或相似性。使用图神经网络算法对这些图结构数据进行嵌入操作，将其转换为低维向量表示，以捕捉数据之间的复杂关系。对多模态电力网络嵌入数据进行融合，使用一些融合技术（如集成学习方法、神经网络等）将不同模态的信息整合起来，生成一个更综合、更全面的多模态电力数据集，以供后续的分析和应用使用。
优选的，步骤S312包括以下步骤：
步骤S3121：对多模态电力分源数据进行电力波动性分析，得到电力波动性分析数据；基于电力波动性分析数据对多模态电力分源数据进行电力精准范围调整，生成电力精准范围区间数据；
步骤S3122：对多模态电力分源数据进行分源节点划分，生成电力分源节点数据集；对电力分源节点数据集进行节点关联度分析，生成电力节点关联度数据；
步骤S3123：根据电力节点关联度分析数据对电力分源节点数据集进行节点边链接，得到生成多模态电力图结构数据；利用图神经网络算法对多模态电力图结构数据进行深度学习，生成多模态电力分源嵌入数据；
步骤S3124：对多模态电力分源嵌入数据进行电力图神经网络结合，从而生成多模态电力网络嵌入数据。
本发明通过电力波动性分析，可以深入了解多模态电力分源数据的波动性质，包括电压、电流等参数的波动情况。基于分析数据进行电力精准范围调整可以使得数据更加准确，有助于后续的处理和分析，从而提高系统的稳定性和可靠性。通过分源节点划分，可以将多模态电力系统中的各个电力分源划分为不同的节点，使得系统结构更加清晰。对节点关联度进行分析可以揭示不同节点之间的关联程度，有助于识别系统中的重要节点和关键连接，从而为系统优化和控制提供参考依据。通过节点边链接生成多模态电力图结构数据，可以将各个电力分源节点之间的关联关系形成图结构，进一步揭示系统的拓扑结构和复杂性。利用图神经网络算法对这些数据进行深度学习可以提取出图结构中的隐藏特征和规律，为后续的数据分析和预测建模提供更加准确和高效的方法。将多模态电力分源嵌入数据与电力图神经网络相结合，可以将节点嵌入数据与图结构相结合，从而得到更加全面和准确的多模态电力网络嵌入数据，可以为系统状态监测、异常检测、负荷预测等应用提供有力支持，提高多模态电力系统的智能化水平和运行效率。
本发明实施例中，通过进行多模态电力分源数据的电力波动性分析，可以采用时间序列分析方法、频域分析方法等，以获得电力波动性分析数据。利用电力波动性分析数据对多模态电力分源数据进行精准范围调整，可以采用归一化、标准化等方法，确保不同传感器数据在相同尺度上进行比较，可以生成电力精准范围区间数据。对多模态电力分源数据进行分源节点划分，可以采用聚类算法，如K均值聚类、层次聚类等，以将相似的数据划分到同一个源节点。对电力分源节点数据集进行节点关联度分析，可以通过计算节点之间的相似性或关联度，例如使用相关系数、余弦相似度等，以生成电力节点关联度数据。根据电力节点关联度分析数据，对电力分源节点数据集进行节点边链接，建立节点之间的连接关系，形成多模态电力图结构数据。利用图数据结构表示电力系统的拓扑结构，其中节点表示电力分源，边表示节点之间的关联关系。利用图神经网络算法对多模态电力图结构数据进行深度学习，以学习节点之间的复杂关系和拓扑特征，生成多模态电力分源嵌入数据。可以使用GCN（Graph Convolutional Network）、GraphSAGE等图神经网络模型。将多模态电力分源嵌入数据与电力图神经网络结合，可以采用融合策略，如拼接、加权求和等，以综合考虑不同层次的信息。最终生成多模态电力网络嵌入数据，该数据集反映了多模态电力系统的综合特征，包含了电力分源节点之间的关系和多模态信息的融合。
优选的，步骤S32中的电力数据复杂性评估公式具体如下：
式中，表示为电力数据复杂性评估值，/>表示为电力系统中的复杂度参数，/>表示为电力数据传输速率，/>表示为电力系统中的不确定性因素，/>表示为电力数据的分辨率，/>表示为电力数据的噪声水平，/>表示为电力系统中的稳定性参数，/>表示为电力系统中的电压稳定性参数，/>表示为电力系统中的频率稳定性参数，/>表示为电力系统中的功率因数，/>表示为评估的时间范围。
本发明通过分析并整合了一种电力数据复杂性评估公式，公式中的这两项的比值反映了系统复杂度和数据传输速率之间的关系。当系统复杂度较高而传输速率较低时，会增加数据的复杂性评估值。/>表示不确定性因素的平方根表示系统的稳定性，稳定性越差，不确定性越大，导致数据复杂性增加。/> 这一项表示数据的清晰度和噪声之间的对比。当分辨率高且噪声低时，数据复杂性评估值较低。/>这两项表示了电力系统的稳定性和功率因数对数据复杂性的影响。当系统稳定性较差、电压和频率波动较大、功率因数较低时，会增加数据的复杂性评估值。通过整个时间段的积分，综合考虑了时间内各项参数的综合变化，更全面地反映了电力数据的复杂性。在使用本领域常规的电力数据复杂性评估公式时，可以得到电力数据复杂性评估值，通过应用本发明提供的电力数据复杂性评估公式，可以更加精确的计算出电力数据复杂性评估值。通过综合考虑多个参数，包括系统复杂度、传输速率、稳定性、数据精度和噪声等因素，使得电力数据复杂性的评估更加全面和综合。考虑了各项因素之间的相互作用，使得评估结果更加精准地反映了电力数据的复杂性水平。通过积分时间段的考量，对整个时间段内的数据变化综合评估，更符合实际电力系统长期运行的实际情况。评估结果可为电力系统的运营决策提供重要参考，例如系统优化、故障预测和维护计划的制定等，有助于提高电力系统的运行效率和安全性。
优选的，步骤S4包括以下步骤：
步骤S41：对电力嵌入高级融合特征数据进行结构化建模构建，生成结构化电力数据；
步骤S42：将结构化电力数据和电力数据进行数据合并，得到电力稽查数据集；对电力稽查数据集进行数据集划分，生成模型训练集和模型测试集；利用卷积神经网络算法对模型训练集进行模型训练，生成电力稽查训练模型；
步骤S43：通过模型测试集对电力稽查训练模型进行模型测试，生成电力精准度稽查模型；将电力稽查数据集导入至电力精准度稽查模型中进行电力精准度稽查，生成电力精准度稽查数据；
步骤S44：根据电力精准范围区间数据对电力精准度稽查数据进行稽查数据调整，生成电力精准度稽查调整数据；对电力精准度稽查调整数据进行数据可视化，从而生成电力精准度稽查报告。
本发明通过将电力嵌入高级融合特征数据进行结构化建模可以帮助整理和清晰化原始数据，使之更易于理解和处理。将结构化电力数据和电力数据合并形成电力稽查数据集，为后续模型训练提供了完整的数据基础。对电力稽查数据集进行划分为模型训练集和测试集，有助于评估模型的泛化能力和准确性。利用卷积神经网络等深度学习算法对电力稽查数据进行训练，可以学习电力数据的复杂特征和关联规律，从而生成高效的电力稽查训练模型。通过模型测试集评估训练模型的性能，确保其在未知数据上的有效性和准确度。将电力稽查数据导入训练好的电力精准度稽查模型中，可以对电力数据进行精准度评估，识别异常或错误数据。根据电力精准范围区间数据对稽查结果进行调整，进一步提高稽查的准确性和可靠性。将稽查调整数据进行可视化处理，生成电力精准度稽查报告，直观展示电力数据的稽查结果和分析结论，为决策提供参考依据。
作为本发明的一个实例，参考图4所示，在本实例中所述步骤S4包括：
步骤S41：对电力嵌入高级融合特征数据进行结构化建模构建，生成结构化电力数据；
本发明实施例中，通过了解电力嵌入高级融合特征数据的结构和含义，包括数据的字段、类型、范围等信息。确定数据中存在的缺失值、异常值等问题，并制定相应的处理策略。对电力数据进行特征提取和特征选择，选择对电力稽查有意义的特征。可以采用统计方法、时序分析、频域分析等技术对电力数据进行特征工程。清洗数据以处理缺失值、异常值等问题，确保数据的完整性和准确性，可以使用数据清洗技术如插值、删除异常值、填充缺失值等。将原始数据进行转换，使其更适合用于建模，包括对数据进行归一化、标准化、离散化等处理。可以利用数据转换方法如最小-最大缩放、标准缩放、对数转换等，利用建模技术如统计建模、机器学习建模等对结构化后的数据进行建模。选择合适的模型如线性回归、决策树、随机森林等，根据数据特点和需求进行调参和优化，对建立的结构化模型进行评估，以确保其在描述电力数据方面的准确性和可靠性，可以使用交叉验证、指标评估等技术进行模型评估，生成结构化电力数据。
步骤S42：将结构化电力数据和电力数据进行数据合并，得到电力稽查数据集；对电力稽查数据集进行数据集划分，生成模型训练集和模型测试集；利用卷积神经网络算法对模型训练集进行模型训练，生成电力稽查训练模型；
本发明实施例中，通过将步骤S41中生成的结构化电力数据和原始电力数据进行合并，形成电力稽查数据集，合并时确保数据字段对应正确，数据类型一致，以及数据格式规范。将电力稽查数据集划分为模型训练集和模型测试集，通常采用随机划分或者按时间划分的方式，确保训练集和测试集的数据分布一致。准备好模型训练集和测试集的输入数据和标签，输入数据是电力稽查数据集中的特征，标签是需要预测或分类的目标变量。使用卷积神经网络（CNN）算法构建模型。确定模型的层数、每层的神经元数量、激活函数等参数。考虑到电力数据具有时序性或空间特征，适当设计卷积层和池化层，使用模型训练集对CNN模型进行训练，选择合适的损失函数和优化器，如均方误差（MSE）损失函数和随机梯度下降（SGD）优化器。设置合适的训练轮次（epochs）和批量大小（batch size）。
步骤S43：通过模型测试集对电力稽查训练模型进行模型测试，生成电力精准度稽查模型；将电力稽查数据集导入至电力精准度稽查模型中进行电力精准度稽查，生成电力精准度稽查数据；
本发明实施例中，通过使用步骤S42中训练好的电力稽查训练模型对模型测试集进行测试。输入测试集数据到模型中进行预测或分类，评估模型在测试集上的性能，包括准确率、精确率、召回率、F1-score等指标，根据模型在测试集上的表现，生成电力精准度稽查模型，可以根据需要调整模型参数、结构或者选择其他模型进行训练。将待稽查的电力数据集导入电力精准度稽查模型中，确保导入的数据格式与模型输入要求一致，使用训练好的电力精准度稽查模型对导入的电力数据集进行稽查，模型会根据输入数据进行预测或分类，生成相应的稽查结果，根据模型输出结果，生成电力精准度稽查数据，数据可以包括稽查结果、异常点标记、预测值等信息。
步骤S44：根据电力精准范围区间数据对电力精准度稽查数据进行稽查数据调整，生成电力精准度稽查调整数据；对电力精准度稽查调整数据进行数据可视化，从而生成电力精准度稽查报告。
本发明实施例中，通过确定电力精准度的范围区间数据，根据业务需求和标准设定，例如，确定电力精准度应该在某个特定范围内，如95%至100%之间。对电力精准度稽查数据进行调整，使其符合电力精准范围区间数据的要求，需要对异常点进行修正或删除，或者对预测值进行调整，以使其在指定的范围内，根据对稽查数据的调整，生成新的电力精准度稽查调整数据，调整后的数据将更准确地反映电力精准度的情况，使用数据可视化工具，如matplotlib、Seaborn等，对电力精准度稽查调整数据进行可视化。创建各种图表和图形，以直观地展示电力精准度的情况，包括趋势、分布、异常点等。基于可视化结果和调整后的稽查数据，生成电力精准度稽查报告，报告可以包括对电力精准度的总体评估、趋势分析、异常点识别、改进建议等内容。将电力精准度稽查报告呈现给相关利益相关者，如管理者、决策者等，可以以文档形式或演示形式进行呈现，确保清晰传达电力精准度稽查的结果和建议。
优选的，步骤S41包括以下步骤：
步骤S411：基于电力嵌入高级融合特征数据进行潜在空间定义，生成潜在空间数据；利用变分自编码器对潜在空间数据进行空间训练， 生成变分自编码重构数据；
步骤S412：根据对抗网络算法对潜在空间数据进行对抗样本生成，得到电力对抗样本数据；通过变分自编码重构数据和电力对抗样本数据进行结构化映射，生成结构化电力数据。
本发明通过基于电力嵌入高级融合特征数据定义潜在空间，可以更好地捕捉电力数据中的重要特征。利用变分自编码器（VAE）对潜在空间数据进行空间训练，可以学习数据的潜在分布，并生成具有相似特征的变分自编码重构数据。可以减少数据的维度，并且生成的重构数据保留了原始数据的重要特征，同时降低了噪声和冗余信息的影响。通过对抗网络算法对潜在空间数据进行对抗样本生成，可以产生具有挑战性的数据样本，从而提高模型的鲁棒性和泛化能力。将变分自编码器重构数据和电力对抗样本数据进行结构化映射，可以进一步提取和加强数据中的结构信息，使得生成的结构化电力数据更具有可解释性和应用性。
本发明实施例中，通过确定用于训练的电力数据集，并提取其中的高级融合特征。将这些特征进行归一化和预处理，以确保它们的数值范围和分布适合模型训练。使用变分自编码器（VAE）等模型定义潜在空间，VAE通常由编码器和解码器组成，编码器将输入数据映射到潜在空间，解码器则将潜在空间的表示映射回原始数据空间，确保潜在空间具有足够的维度来捕捉输入数据的重要特征，同时避免过度拟合。使用电力数据集训练变分自编码器模型。训练过程中，编码器和解码器的参数会被优化，使得模型能够有效地重构输入数据。在训练过程中，使用重构损失函数和潜在空间损失函数来指导模型学习数据的潜在分布，实现对抗网络，如生成对抗网络（GAN），用于生成对抗样本，GAN包括生成器和判别器，生成器试图生成逼真的对抗样本，而判别器则试图区分生成的对抗样本和真实数据。在训练过程中，确保生成器能够生成具有多样性和挑战性的对抗样本。使用训练有素的对抗网络生成对抗样本数据，这些数据具有与真实数据类似但又略有不同的特征。确保生成的对抗样本能够提供挑战性，有助于提高模型的鲁棒性和泛化能力。将变分自编码器生成的重构数据和对抗样本数据进行结构化映射，以生成结构化电力数据，结构化映射涉及使用降维技术、聚类算法或其他特征提取方法，以确保生成的数据具有良好的结构性和可解释性。
在本说明书中，提供了一种电力数据精准度稽查系统，用于执行上述的电力数据精准度稽查方法，该电力数据精准度稽查系统包括：
电力加密模块，用于获取电力数据；对电力数据进行电力特征提取，生成电力特征数据；对电力特征数据进行非对称加密，得到电力特征编码加密数据；对电力特征编码加密数据进行电力安全性调整，生成电力安全特征编码数据；
电力局部增强模块，用于对电力安全特征编码数据进行数据扰动，生成电力安全特征扰动数据段；对电力安全特征扰动数据段进行混淆置换，生成电力安全特征混淆置换数据；对电力安全特征混淆置换数据进行随机采样，生成电力特征随机采样数据；基于电力安全特征混淆置换数据对电力特征随机采样数据进行局部变量增强，生成电力增强标签数据；
多模态电力融合模块，用于对电力增强标签数据进行数据分源，得到多模态电力综合数据集；对多模态电力综合数据集进行数据复杂性分类，生成多模态电力数据复杂性数据；根据多模态电力数据复杂性数据对多模态电力综合数据集进行非线性激活，生成电力非线性激活特征数据；对电力非线性激活特征数据进行图神经网络嵌入融合，生成电力嵌入高级融合特征数据；
稽查精准性预测模块，用于对电力嵌入高级融合特征数据进行结构化建模构建，生成结构化电力数据；将结构化电力数据和电力数据进行模型训练，生成电力精准度稽查模型；将电力稽查数据集导入至电力精准度稽查模型中进行电力精准度稽查，生成电力精准度稽查数据；对电力精准度稽查数据进行数据可视化，从而生成电力精准度稽查报告。
本发明的有益效果在于通过获取电力数据并提取电力特征，然后对特征数据进行非对称加密和安全性调整，生成安全特征编码数据，可以保护电力数据的安全性，确保数据在传输和存储过程中不被泄露或篡改。对安全特征编码数据进行扰动和混淆置换，生成混淆置换数据，然后进行随机采样和局部变量增强，生成增强标签数据，增加了数据的多样性和复杂性，提高了数据的隐私保护和模型训练的鲁棒性。对增强标签数据进行分源，得到多模态电力综合数据集，然后进行复杂性分类和非线性激活，生成非线性激活特征数据，最后进行图神经网络嵌入融合，生成高级融合特征数据，提高了数据的表达能力和特征的多样性，为后续的模型训练提供更丰富的信息。对高级融合特征数据进行结构化建模，生成结构化电力数据，然后将其与原始电力数据一起用于模型训练，生成精准度稽查模型。将稽查数据导入模型进行精准度稽查，并对稽查数据进行可视化，生成最终的精准度稽查报告。通过建模和稽查，提高了数据的准确性和质量，并通过可视化报告，使数据分析结果更直观和易懂。因此，本发明通过加密、混淆、综合分析和高级特征提取，提高了电力数据精准度稽查中的精准性和可靠性。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在申请文件的等同要件的含义和范围内的所有变化涵括在本发明内。
以上所述仅是本发明的具体实施方式，使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所发明的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种电力数据精准度稽查方法，其特征在于，包括以下步骤：
步骤S1：获取电力数据；对电力数据进行电力特征提取，生成电力特征数据；对电力特征数据进行非对称加密，得到电力特征编码加密数据；对电力特征编码加密数据进行电力安全性调整，生成电力安全特征编码数据；
步骤S2：对电力安全特征编码数据进行数据扰动，生成电力安全特征扰动数据段；对电力安全特征扰动数据段进行混淆置换，生成电力安全特征混淆置换数据；对电力安全特征混淆置换数据进行随机采样，生成电力特征随机采样数据；基于电力安全特征混淆置换数据对电力特征随机采样数据进行局部变量增强，生成电力增强标签数据；
步骤S3：对电力增强标签数据进行数据分源，得到多模态电力综合数据集；对多模态电力综合数据集进行数据复杂性分类，生成多模态电力数据复杂性数据；根据多模态电力数据复杂性数据对多模态电力综合数据集进行非线性激活，生成电力非线性激活特征数据；对电力非线性激活特征数据进行图神经网络嵌入融合，生成电力嵌入高级融合特征数据；
步骤S4：对电力嵌入高级融合特征数据进行结构化建模构建，生成结构化电力数据；将结构化电力数据和电力数据进行模型训练，生成电力精准度稽查模型；将电力稽查数据集导入至电力精准度稽查模型中进行电力精准度稽查，生成电力精准度稽查数据；对电力精准度稽查数据进行数据可视化，从而生成电力精准度稽查报告。
2.根据权利要求1所述的电力数据精准度稽查方法，其特征在于，步骤S1包括以下步骤：
步骤S11：获取电力数据；
步骤S12：对电力数据进行数据清洗，生成电力清洗数据；对电力清洗数据进行数据缺失值检测，得到电力缺失值检测数据；对电力缺失值检测数据进行缺失值填充，生成电力填充数据；利用Z-score标准化方法对电力填充数据进行数据标准化，生成标准电力数据；
步骤S13：通过数据挖掘技术对标准电力数据进行电力特征提取，生成电力特征数据；对电力特征数据进行特征编码，生成电力特征编码数据；对电力特征编码数据进行特征嵌入，生成电力特征嵌入编码数据；
步骤S14：对电力特征嵌入编码数据进行非对称加密，得到电力特征编码加密数据；对电力特征编码加密数据进行同态加密抽样，生成电力同态加密抽样数据；对电力同态加密抽样数据进行解密难度评估，得到电力同态加密安全性评估数据；
步骤S15：基于电力同态加密安全性评估数据对电力同态加密抽样数据进行电力安全性调整，生成电力安全特征编码数据。
3.根据权利要求1所述的电力数据精准度稽查方法，其特征在于，步骤S2包括以下步骤：
步骤S21：对电力安全特征编码数据进行数据分段，生成电力安全特征分段数据；利用拉普拉斯噪声对电力安全特征分段数据进行数据扰动，生成电力安全特征扰动数据段；
步骤S22：对电力安全特征扰动数据段进行混淆置换，生成电力安全特征混淆置换数据；对电力安全特征混淆置换数据进行随机采样，生成电力特征随机采样数据；
步骤S23：基于电力安全特征混淆置换数据对电力特征随机采样数据进行局部变量生成，得到电力局部变量数据；根据电力局部变量数据对电力安全特征编码数据进行增强数据标签，生成电力增强标签数据。
4.根据权利要求1所述的电力数据精准度稽查方法，其特征在于，步骤S3包括以下步骤：
步骤S31：对电力增强标签数据进行数据分源，得到多模态电力分源数据；对多模态电力分源数据进行电力数据融合，生成多模态电力综合数据集；
步骤S32：利用电力数据复杂性评估公式对多模态电力综合数据集进行数据复杂性分类，生成多模态电力数据复杂性数据；根据多模态电力数据复杂性数据对多模态电力综合数据集进行节点划分，生成电力网络划分节点；
步骤S33：基于电力网络划分节点进行图卷积层构建，生成图卷积特征数据；根据非线性激活函数对图卷积特征数据进行非线性激活，生成电力非线性激活特征数据；对电力非线性激活特征数据进行特征归一化，生成电力非线性激活归一化特征数据；
步骤S34：对电力非线性激活归一化特征数据进行特征注意力加权，生成电力注意力加权特征数据；通过节点嵌入技术将电力注意力加权特征数据和图卷积特征数据进行图神经网络嵌入融合，生成电力嵌入高级融合特征数据。
5.根据权利要求4所述的电力数据精准度稽查方法，其特征在于，步骤S31包括以下步骤：
步骤S311：对电力增强标签数据进行不同传感器数据筛选，得到电力增强传感器筛选数据；对电力增强传感器筛选数据进行同源数据合并，生成多模态电力分源数据；
步骤S312：对多模态电力分源数据进行电力图结构构建，生成多模态电力图结构数据；利用图神经网络算法对多模态图结构数据进行图神经网络嵌入，生成多模态电力网络嵌入数据；
步骤S313：对多模态电力网路嵌入数据进行多模态信息融合，生成多模态电力综合数据集。
6.根据权利要求5所述的电力数据精准度稽查方法，其特征在于，步骤S312包括以下步骤：
步骤S3121：对多模态电力分源数据进行电力波动性分析，得到电力波动性分析数据；基于电力波动性分析数据对多模态电力分源数据进行电力精准范围调整，生成电力精准范围区间数据；
步骤S3122：对多模态电力分源数据进行分源节点划分，生成电力分源节点数据集；对电力分源节点数据集进行节点关联度分析，生成电力节点关联度数据；
步骤S3123：根据电力节点关联度分析数据对电力分源节点数据集进行节点边链接，得到生成多模态电力图结构数据；利用图神经网络算法对多模态电力图结构数据进行深度学习，生成多模态电力分源嵌入数据；
步骤S3124：对多模态电力分源嵌入数据进行电力图神经网络结合，从而生成多模态电力网络嵌入数据。
7.根据权利要求4所述的电力数据精准度稽查方法，其特征在于，步骤S32中的电力数据复杂性评估公式如下所示：
式中，/>表示为电力数据复杂性评估值，/>表示为电力系统中的复杂度参数，/>表示为电力数据传输速率，/>表示为电力系统中的不确定性因素，/>表示为电力数据的分辨率，/>表示为电力数据的噪声水平，/>表示为电力系统中的稳定性参数，/>表示为电力系统中的电压稳定性参数，/>表示为电力系统中的频率稳定性参数，表示为电力系统中的功率因数，/>表示为评估的时间范围。
8.根据权利要求1所述的电力数据精准度稽查方法，其特征在于，步骤S4包括以下步骤：
步骤S41：对电力嵌入高级融合特征数据进行结构化建模构建，生成结构化电力数据；
步骤S42：将结构化电力数据和电力数据进行数据合并，得到电力稽查数据集；对电力稽查数据集进行数据集划分，生成模型训练集和模型测试集；利用卷积神经网络算法对模型训练集进行模型训练，生成电力稽查训练模型；
步骤S43：通过模型测试集对电力稽查训练模型进行模型测试，生成电力精准度稽查模型；将电力稽查数据集导入至电力精准度稽查模型中进行电力精准度稽查，生成电力精准度稽查数据；
步骤S44：根据电力精准范围区间数据对电力精准度稽查数据进行稽查数据调整，生成电力精准度稽查调整数据；对电力精准度稽查调整数据进行数据可视化，从而生成电力精准度稽查报告。
9.根据权利要求8所述的电力数据精准度稽查方法，其特征在于，步骤S41包括以下步骤：
步骤S411：基于电力嵌入高级融合特征数据进行潜在空间定义，生成潜在空间数据；利用变分自编码器对潜在空间数据进行空间训练，生成变分自编码重构数据；
步骤S412：根据对抗网络算法对潜在空间数据进行对抗样本生成，得到电力对抗样本数据；通过变分自编码重构数据和电力对抗样本数据进行结构化映射，生成结构化电力数据。
10.一种电力数据精准度稽查系统，其特征在于，用于执行如权利要求1所述的电力数据精准度稽查方法，该电力数据精准度稽查系统包括：
电力加密模块，用于获取电力数据；对电力数据进行电力特征提取，生成电力特征数据；对电力特征数据进行非对称加密，得到电力特征编码加密数据；对电力特征编码加密数据进行电力安全性调整，生成电力安全特征编码数据；
电力局部增强模块，用于对电力安全特征编码数据进行数据扰动，生成电力安全特征扰动数据段；对电力安全特征扰动数据段进行混淆置换，生成电力安全特征混淆置换数据；对电力安全特征混淆置换数据进行随机采样，生成电力特征随机采样数据；基于电力安全特征混淆置换数据对电力特征随机采样数据进行局部变量增强，生成电力增强标签数据；
多模态电力融合模块，用于对电力增强标签数据进行数据分源，得到多模态电力综合数据集；对多模态电力综合数据集进行数据复杂性分类，生成多模态电力数据复杂性数据；根据多模态电力数据复杂性数据对多模态电力综合数据集进行非线性激活，生成电力非线性激活特征数据；对电力非线性激活特征数据进行图神经网络嵌入融合，生成电力嵌入高级融合特征数据；
稽查精准性预测模块，用于对电力嵌入高级融合特征数据进行结构化建模构建，生成结构化电力数据；将结构化电力数据和电力数据进行模型训练，生成电力精准度稽查模型；将电力稽查数据集导入至电力精准度稽查模型中进行电力精准度稽查，生成电力精准度稽查数据；对电力精准度稽查数据进行数据可视化，从而生成电力精准度稽查报告。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410403828.5A CN117992861B (zh) | 2024-04-04 | 2024-04-04 | 一种电力数据精准度稽查方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410403828.5A CN117992861B (zh) | 2024-04-04 | 2024-04-04 | 一种电力数据精准度稽查方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117992861A true CN117992861A (zh) | 2024-05-07 |
| CN117992861B CN117992861B (zh) | 2024-06-21 |
Family
ID=90895748
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410403828.5A Active CN117992861B (zh) | 2024-04-04 | 2024-04-04 | 一种电力数据精准度稽查方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117992861B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20160138659A (ko) * | 2015-05-26 | 2016-12-06 | 주식회사 대륙 | 전력 관제 방법 및 전력 관제 시스템 |
| CN114399192A (zh) * | 2022-01-11 | 2022-04-26 | 广东电力信息科技有限公司 | 一种在线稽查自动化rpa系统 |
| CN115730962A (zh) * | 2022-11-28 | 2023-03-03 | 贵州电网有限责任公司 | 一种基于大数据的电力营销稽查分析系统及方法 |
| WO2023045278A1 (zh) * | 2021-09-27 | 2023-03-30 | 西安交通大学 | 数据双驱动的台风灾害下电网故障预测方法、装置和设备 |
| KR102540027B1 (ko) * | 2022-02-16 | 2023-06-08 | 호서대학교 산학협력단 | 전력 수요 예측과 이상 감지가 가능한 것을 특징으로 하는 전력제어 시스템 및 방법 |
| CN117175574A (zh) * | 2023-09-08 | 2023-12-05 | 南方电网数字电网研究院有限公司 | 电力系统调度方法、装置、计算机设备和存储介质 |
| CN117390561A (zh) * | 2023-09-19 | 2024-01-12 | 国家电网有限公司客户服务中心 | 基于人工智能的电力稽查方法、装置及存储介质 |
| CN117609904A (zh) * | 2023-10-09 | 2024-02-27 | 国家电网有限公司客户服务中心 | 基于用电配电数据分析的稽查方法、装置以及存储介质 |
-
2024
- 2024-04-04 CN CN202410403828.5A patent/CN117992861B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20160138659A (ko) * | 2015-05-26 | 2016-12-06 | 주식회사 대륙 | 전력 관제 방법 및 전력 관제 시스템 |
| WO2023045278A1 (zh) * | 2021-09-27 | 2023-03-30 | 西安交通大学 | 数据双驱动的台风灾害下电网故障预测方法、装置和设备 |
| CN114399192A (zh) * | 2022-01-11 | 2022-04-26 | 广东电力信息科技有限公司 | 一种在线稽查自动化rpa系统 |
| KR102540027B1 (ko) * | 2022-02-16 | 2023-06-08 | 호서대학교 산학협력단 | 전력 수요 예측과 이상 감지가 가능한 것을 특징으로 하는 전력제어 시스템 및 방법 |
| CN115730962A (zh) * | 2022-11-28 | 2023-03-03 | 贵州电网有限责任公司 | 一种基于大数据的电力营销稽查分析系统及方法 |
| CN117175574A (zh) * | 2023-09-08 | 2023-12-05 | 南方电网数字电网研究院有限公司 | 电力系统调度方法、装置、计算机设备和存储介质 |
| CN117390561A (zh) * | 2023-09-19 | 2024-01-12 | 国家电网有限公司客户服务中心 | 基于人工智能的电力稽查方法、装置及存储介质 |
| CN117609904A (zh) * | 2023-10-09 | 2024-02-27 | 国家电网有限公司客户服务中心 | 基于用电配电数据分析的稽查方法、装置以及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117992861B (zh) | 2024-06-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20240086944A1 (en) | Auto-encoder enhanced self-diagnostic components for model monitoring | |
| Biswas et al. | Electricity theft pinpointing through correlation analysis of master and individual meter readings | |
| Wang et al. | Data-driven risk assessment on urban pipeline network based on a cluster model | |
| CN114509266B (zh) | 一种基于故障特征融合的轴承健康监测方法 | |
| KR102359090B1 (ko) | 실시간 기업정보시스템 이상행위 탐지 서비스를 제공하는 방법과 시스템 | |
| CN117094184B (zh) | 基于内网平台的风险预测模型的建模方法、系统及介质 | |
| CN112200048A (zh) | 一种基于回归模型的旋转设备故障预测方法、系统及可读存储介质 | |
| CN116861331A (zh) | 一种融合专家模型决策的数据识别方法及系统 | |
| CN116976318A (zh) | 基于深度学习和模型推理的电网倒闸操作票智能审核系统 | |
| Vermetten et al. | Is there anisotropy in structural bias? | |
| Min et al. | Behavior language processing with graph based feature generation for fraud detection in online lending | |
| Ezeme et al. | An imputation-based augmented anomaly detection from large traces of operating system events | |
| CN116660761B (zh) | 一种锂离子电池检测方法及系统 | |
| CN117648858A (zh) | 机车状态评估方法、装置、设备和介质 | |
| CN117992861B (zh) | 一种电力数据精准度稽查方法及系统 | |
| Mascali et al. | A machine learning-based Anomaly Detection Framework for building electricity consumption data | |
| Zhu et al. | Generic process visualization using parametric t-SNE | |
| CN113469247A (zh) | 网络资产异常检测方法 | |
| Shoman et al. | Limitations for Data-driven Safeguards at Enrichment Facilities. | |
| Odoom | A Methodology in Utilizing Machine Learning Algorithm for Electricity Theft Detection in Ghana | |
| Lammering et al. | Detection of Abnormal System-and Operating Behaviour in the Electrical Grid Operation Based on Industrially Proven AI Technology | |
| CN115831339B (zh) | 基于深度学习的医疗系统风险管控事前预测方法、系统 | |
| US20240202351A1 (en) | Systems and methods for responsible ai | |
| CN117591813B (zh) | 基于多维特征的复杂装备故障诊断方法及系统 | |
| Banad Ramesh | Electricity Consumption Anomaly Detection Model Using Deep Learning |
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 |