CN116976707A - 基于用电信息采集的用户用电数据异常分析方法及系统 - Google Patents
基于用电信息采集的用户用电数据异常分析方法及系统 Download PDFInfo
- Publication number
- CN116976707A CN116976707A CN202311225986.8A CN202311225986A CN116976707A CN 116976707 A CN116976707 A CN 116976707A CN 202311225986 A CN202311225986 A CN 202311225986A CN 116976707 A CN116976707 A CN 116976707A
- Authority
- CN
- China
- Prior art keywords
- electricity
- electricity consumption
- abnormal
- data
- user
- 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
- 230000005611 electricity Effects 0.000 title claims abstract description 317
- 238000004458 analytical method Methods 0.000 title claims abstract description 39
- 230000002159 abnormal effect Effects 0.000 claims abstract description 120
- 230000006399 behavior Effects 0.000 claims abstract description 44
- 238000000034 method Methods 0.000 claims abstract description 38
- 230000008859 change Effects 0.000 claims abstract description 17
- 238000012360 testing method Methods 0.000 claims description 22
- 238000004422 calculation algorithm Methods 0.000 claims description 18
- 238000012216 screening Methods 0.000 claims description 16
- 230000000737 periodic effect Effects 0.000 claims description 15
- 238000011156 evaluation Methods 0.000 claims description 13
- 238000013450 outlier detection Methods 0.000 claims description 10
- 230000005856 abnormality Effects 0.000 claims description 7
- 238000007621 cluster analysis Methods 0.000 claims description 7
- 238000013480 data collection Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000012300 Sequence Analysis Methods 0.000 claims description 5
- 238000001744 unit root test Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 4
- 230000003203 everyday effect Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 230000006641 stabilisation Effects 0.000 claims description 3
- 238000013112 stability test Methods 0.000 claims description 3
- 238000011105 stabilization Methods 0.000 claims description 3
- 238000007726 management method Methods 0.000 description 5
- 238000005311 autocorrelation function Methods 0.000 description 3
- 206010000117 Abnormal behaviour Diseases 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002354 daily effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000005406 washing Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
- G06Q10/06375—Prediction of business process outcome or impact based on a proposed change
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
-
- 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
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0203—Market surveys; Market polls
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2123/00—Data types
- G06F2123/02—Data types in the time domain, e.g. time-series data
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- General Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Accounting & Taxation (AREA)
- Marketing (AREA)
- Finance (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Quality & Reliability (AREA)
- Probability & Statistics with Applications (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了基于用电信息采集的用户用电数据异常分析方法及系统,该方法包括以下步骤:采集用户在历史时间段内的用电数据,并从中提取异常用电特征;对提取的异常用电特征进行特征重要性分析;将存在异常用电行为的用户标记为嫌疑用户;采集嫌疑用户的实时用电数据,并构建电量波动预测模型,预测嫌疑用户未来时间段的用电趋势;采用线性插值评估用电趋势的波动情况,判断嫌疑用户未来时间段内的用电量是否存在异常变化;若嫌疑用户未来时间段内的用电量存在异常变化,则对嫌疑用户发出警报,并制定控电措施进行干预。本发明通过对嫌疑用户的用电情况进行预测和评估,可以有效地节约电力资源,提高电力使用效率。
Description
技术领域
本发明涉及数据分析技术领域,更具体地,涉及基于用电信息采集的用户用电数据异常分析方法及系统。
背景技术
近年来,随着电力网络规模的不断扩大和运行模式的日益复杂化,人们对电网的供电质量和网络运行的可靠性提出了更高的要求。因此,获取并分析用户的用电数据,对于优化电力分配和调度,提高电网运行效率,提供更准确的供电预测以及帮助用户理解用电习惯,发现电力浪费并调整用电行为提高能源效率,都具有重要的意义。
然而,异常用电的存在可能会影响管理人员做出准确的决策,进而影响电力系统的正常运行,并可能导致电力企业遭受巨大的经济损失。因此,除了对用户的正常用电数据进行分析外,对异常的用电数据进行分析尤为重要。
在现有的技术中,虽然注重了对用户的用电数据进行异常分析和告警,但并没有针对异常的用电数据进行深入的用户行为分析。也就是说,现有的技术无法从异常的用电数据中准确地推断出用户的异常行为,从而为电力管理单位提供可靠的电力管控指导。这就导致了电力管理单位在电力管理上的力度不足。因此,对现有的用电信息采集和数据分析方法进行改进和优化是必要的。
针对相关技术中的问题,目前尚未提出有效的解决方案。
发明内容
本发明的主要目的在于提供基于用电信息采集的用户用电数据异常分析方法及系统,以克服现有相关技术所存在的上述技术问题。
为此,本发明采用的具体技术方案如下:
根据本发明的一个方面,提供了基于用电信息采集的用户用电数据异常分析方法,该方法包括以下步骤:
S1、设定用电采集频率及持续时间,采集用户在历史时间段内的用电数据,并从中提取异常用电特征;
S2、对提取的异常用电特征进行特征重要性分析,筛选出对异常用电行为判断影响最大的重要性特征;
S3、基于筛选出的重要性特征对用户进行聚类分析,将存在异常用电行为的用户标记为嫌疑用户;
S4、采集嫌疑用户的实时用电数据,并构建电量波动预测模型,预测嫌疑用户未来时间段的用电趋势;
S5、采用线性插值评估用电趋势的波动情况,判断嫌疑用户未来时间段内的用电量是否存在异常变化;
S6、若嫌疑用户未来时间段内的用电量存在异常变化,则对嫌疑用户发出警报,并制定控电措施进行干预。
可选地,所述对提取的异常用电特征进行特征重要性分析,筛选出对异常用电行为判断影响最大的重要性特征包括以下步骤:
S21、对提取的异常用电特征进行汇总及分类,所述异常用电特征至少包括用电量异常突增、持续高负荷、峰谷差异异常及异常负载波动;
S22、选择判断异常用电行为的特征评估指标,基于选定的特征评估指标,计算每个异常用电特征与异常用电行为之间的关联度;
S23、基于计算出的关联度,对每个异常用电特征进行排序,关联度越高则表示异常用电特征越重要;
S24、将关联度较高的异常用电特征作为重要性特征。
可选地,所述基于筛选出的重要性特征对用户进行聚类分析,将存在异常用电行为的用户标记为嫌疑用户包括以下步骤:
S31、将重要性特征的特征数量作为聚类中心数量,并利用聚类算法对所有用户进行聚类,将用户划分为多个群组;
S32、从各群组中提取数据点,利用局部离群点检测算法计算数据点的局部离群因子,判断是否为离群点;
S33、统计每个群组中离群点的数量,并计算离群点的所占比例;
S34、若群组中的离群点所占比例超过预设阈值,则判断该群组存在异常用电行为,并将该群组中的所有用户标记为嫌疑用户。
可选地,所述将重要性特征的特征数量作为聚类中心数量,并利用聚类算法对所有用户进行聚类,将用户划分为多个群组包括以下步骤:
S311、对重要性特征进行规范化处理,确保不同重要性特征之间的数值范围一致;
S312、以网格划分参数对特征空间进行网格划分,建立数据点与对应网格的映射,构造网格密度矩阵;
S313、调整网格划分参数并重复进行网格划分,得到最优的密度层次划分,并根据网格密度矩阵对重要性特征进行层次划分;
S314、从最高密度的层次开始,移除密度最大的网格单元,并根据等效规则计算当前密度层次的DBSCAN参数进行聚类;
S315、在密度最高的网格单元中任意选择数据点进行类的扩展,并进行高密度阈值及较低密度阈值的簇聚类;
S316、重复步骤S314-S315进行聚类,直到最低一级密度阈值的聚类完成,并基于聚类完成结果将用户划分为多个群组。
可选地,所述从各群组中提取数据点,利用局部离群点检测算法计算数据点的局部离群因子,判断是否为离群点包括以下步骤:
S321、提取群组中的所有数据点;
S322、计算每个数据点的距离邻域,所述距离邻域为该数据点距离最近的其他数据点;
S323、计算每个数据点相对于距离邻域的可达距离及距离可达比率,所述距离可达比率为距离邻域的可达距离除以距离其他数据点的平均距离;
S324、计算每个数据点的局部离群因子,所述局部离群因子为距离可达比率减去预设阈值;
S325、若数据点的局部离群因子大于0,则判断该数据点为离群点。
可选地,所述采集嫌疑用户的实时用电数据,并构建电量波动预测模型,预测嫌疑用户未来时间段的用电趋势包括以下步骤:
S41、采集嫌疑用户的实时用电数据并记录;
S42、对实时用电数据进行时间序列分析,提取实时用电数据的周期性特征,所述周期性特征包括每日的平均用电量、最大用电量及用电时间段;
S43、结合嫌疑用户的周期性特征,利用电量波动预测模型对嫌疑用户未来时间段内的用电趋势进行预测。
可选地,所述结合嫌疑用户的周期性特征,利用电量波动预测模型对嫌疑用户未来时间段内的用电趋势进行预测包括以下步骤:
S431、利用单位根检验法测试时间序列的平稳性;
S432、分析经过平稳化处理后的时间序列的自相关图及偏自相关图,并生成最佳滞后阶数,为构建电量波动预测模型提供依据;
S433、利用统计量检验模型确定电量波动预测模型的差分次数;
S434、结合根据平稳性检验、最佳滞后阶数及残差序列,确定电量波动预测模型的自回归阶数和移动平均阶数,并构建电量波动预测模型;
S435、利用电量波动预测模型对嫌疑用户未来时间段的用电量进行预测,生成未来时间段内的用电趋势。
可选地,所述利用单位根检验法包括不含截距项和趋势项的检验式、只含截距项的检验式以及包含截距项和趋势项的检验式。
可选地,所述统计量检验模型的表达式为:
式中,n表示样本容量;
Pt表示第t个残差序列的自相关系数值;
m表示自相关系数的个数;
Q表示检验统计量。
根据本发明的另一个方面,还提供了基于用电信息采集的用户用电数据异常分析系统,该系统包括用电数据采集模块、异常用电特征分析模块、嫌疑用户筛选模块、用电趋势预测模块、用电趋势评估模块及控电措施制定模块;
所述用电数据采集模块,用于设定用电采集频率及持续时间,采集用户在历史时间段内的用电数据,并从中提取异常用电特征;
所述异常用电特征分析模块,用于对提取的异常用电特征进行特征重要性分析,筛选出对异常用电行为判断影响最大的重要性特征;
所述嫌疑用户筛选模块,用于基于筛选出的重要性特征对用户进行聚类分析,将存在异常用电行为的用户标记为嫌疑用户;
所述用电趋势预测模块,用于采集嫌疑用户的实时用电数据,并构建电量波动预测模型,预测嫌疑用户未来时间段的用电趋势;
所述用电趋势评估模块,用于采用线性插值评估用电趋势的波动情况,判断嫌疑用户未来时间段内的用电量是否存在异常变化;
所述控电措施制定模块,用于若嫌疑用户未来时间段内的用电量存在异常变化,则对嫌疑用户发出警报,并制定控电措施进行干预。
本发明的有益效果为:
1、本发明通过对提取的异常用电特征进行重要性分析,并基于重要性特征进行用户的聚类分析,这样能够针对性地分析对异常用电行为影响最大的特征,同时降低需要进行聚类分析的数据维度,减轻计算负荷,提高分析效率和准确,并且通过聚类分析快速准确地筛选出具有相似异常用电行为的用户群体,为后续工作提供基础。
2、本发明利用局部离群点检测算法判断用户群组是否存在异常用电行为,并将该群组中的所有用户标记为嫌疑用户,从而能够更精准地找出异常用电行为的用户群组,而用户群组的聚类是基于相似的异常用电特征,可见,其在已知的异常用电的个体用户的基础上,从个体用户扩展到用户群组,实现了从个体数据到群体特征的跨越,可以更加全面完善的对嫌疑用户进行搜寻标记,便于后续对嫌疑用户的监测,进而更高效地识别出用户异常用电行为。
3、本发明通过预测嫌疑用户未来的用电趋势并进行波动情况的评估,从而能够提前发现未来可能出现的异常用电行为,实现预警,并及时进行处理,通过对嫌疑用户的用电情况进行预测和评估,可以有效地节约电力资源,提高电力使用效率,防止电网负荷过大,保护电网安全。同时,也能更好地预测和控制电网的运行状态,使得电力公司可以提前调整电力供应策略,提升服务质量,满足用户需求。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是根据本发明实施例的基于用电信息采集的用户用电数据异常分析方法的流程图;
图2是根据本发明实施例的基于用电信息采集的用户用电数据异常分析系统的原理框图。
图中:
1、用电数据采集模块;2、异常用电特征分析模块;3、嫌疑用户筛选模块;4、用电趋势预测模块;5、用电趋势评估模块;6、控电措施制定模块。
具体实施方式
应该指出,以下详细说明都是例示性的,旨在对本发明提供进一步的说明。除非另有指明,本发明使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要说明的是,本发明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,以便这里描述的本发明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。
正如背景技术所介绍的,现有技术中无法从异常的用电数据中准确地推断出用户的异常行为,为了解决如上问题,本发明提出了基于用电信息采集的用户用电数据异常分析方法及系统。
现结合附图和具体实施方式对本发明进一步说明,如图1所示,根据本发明实施例的基于用电信息采集的用户用电数据异常分析方法,该方法包括以下步骤:
S1、设定用电采集频率及持续时间,采集用户在历史时间段内的用电数据,并从中提取异常用电特征。
需要说明的是,用电数据的采集通常包括以下方式:
智能电表:智能电表是最常见的用电信息采集设备,它能实时记录电力使用信息,包括电流、电压、功率等数据,并自动将这些数据传输到电力公司的数据中心。
物联网设备:随着物联网技术的发展,家用电器如空调、冰箱、洗衣机等也可以连接到互联网,生成大量的用电数据。
数据库查询:对于已经收集并存储在数据库中的用户用电数据,可以通过查询数据库的方式获取,例如,可以查询特定用户在特定时间段的用电量。
S2、对提取的异常用电特征进行特征重要性分析,筛选出对异常用电行为判断影响最大的重要性特征。
其中,所述对提取的异常用电特征进行特征重要性分析,筛选出对异常用电行为判断影响最大的重要性特征包括以下步骤:
S21、对提取的异常用电特征进行汇总及分类,所述异常用电特征至少包括用电量异常突增、持续高负荷、峰谷差异异常及异常负载波动;
S22、选择判断异常用电行为的特征评估指标,基于选定的特征评估指标,计算每个异常用电特征与异常用电行为之间的关联度;
S23、基于计算出的关联度,对每个异常用电特征进行排序,关联度越高则表示异常用电特征越重要;
S24、将关联度较高的异常用电特征作为重要性特征。
S3、基于筛选出的重要性特征对用户进行聚类分析,将存在异常用电行为的用户标记为嫌疑用户。
其中,所述基于筛选出的重要性特征对用户进行聚类分析,将存在异常用电行为的用户标记为嫌疑用户包括以下步骤:
S31、将重要性特征的特征数量作为聚类中心数量,并利用聚类算法对所有用户进行聚类,将用户划分为多个群组。
其中,所述将重要性特征的特征数量作为聚类中心数量,并利用聚类算法对所有用户进行聚类,将用户划分为多个群组包括以下步骤:
S311、对重要性特征进行规范化处理,确保不同重要性特征之间的数值范围一致;
S312、以网格划分参数对特征空间进行网格划分,建立数据点与对应网格的映射,构造网格密度矩阵;
S313、调整网格划分参数并重复进行网格划分,得到最优的密度层次划分,并根据网格密度矩阵对重要性特征进行层次划分;
S314、从最高密度的层次开始,移除密度最大的网格单元,并根据等效规则计算当前密度层次的DBSCAN参数进行聚类;
S315、在密度最高的网格单元中任意选择数据点进行类的扩展,并进行高密度阈值及较低密度阈值的簇聚类;
S316、重复步骤S314-S315进行聚类,直到最低一级密度阈值的聚类完成,并基于聚类完成结果将用户划分为多个群组。
需要说明的是,DBSCAN(Density-Based Spatial Clustering of Applicationswith Noise)是一种基于密度的空间聚类算法,它将数据点的集群定义为密度相连的区域。
S32、从各群组中提取数据点,利用局部离群点检测算法计算数据点的局部离群因子,判断是否为离群点。
其中,所述从各群组中提取数据点,利用局部离群点检测算法计算数据点的局部离群因子,判断是否为离群点包括以下步骤:
S321、提取群组中的所有数据点;
S322、计算每个数据点的距离邻域,所述距离邻域为该数据点距离最近的其他数据点。
需要说明的是,计算每个数据点的距离邻域是非常常见的操作,所谓的距离邻域,就是在某种距离度量下,某个数据点距离最近的其他数据点,常用的距离度量方法有:欧氏距离,曼哈顿距离,切比雪夫距离及马氏距离等等。
S323、计算每个数据点相对于距离邻域的可达距离及距离可达比率,所述距离可达比率为距离邻域的可达距离除以距离其他数据点的平均距离;
S324、计算每个数据点的局部离群因子,所述局部离群因子为距离可达比率减去预设阈值;
S325、若数据点的局部离群因子大于0,则判断该数据点为离群点。
S33、统计每个群组中离群点的数量,并计算离群点的所占比例。
需要说明的是,计算离群点的所占比例通过离群点数量除以聚类中的总点数得到。
S34、若群组中的离群点所占比例超过预设阈值,则判断该群组存在异常用电行为,并将该群组中的所有用户标记为嫌疑用户。
需要说明的是,离群点的检测通常代表着可能的异常用电行为,如窃电、漏电等。通过群组中的离群点,可以有效地检测到这类异常用电行为。首先可以设定一个阈值(如20%),如果某个群组中的离群点所占比例超过这个阈值,那么就将该群组标记为存在异常用电行为的群组,并将群组中的所有用户标记为嫌疑用户。
需要说明的是,局部离群点检测算法(Local Outlier Factor,简称LOF)是一种用于异常检测的算法,不同于许多其他的离群点检测算法,LOF考虑了邻近点的局部特性,所以它可以更准确地识别出各种密度区域的离群点,在LOF算法中,一个对象的LOF分数大于1,说明该对象比其邻居更可能是离群点。
S4、采集嫌疑用户的实时用电数据,并构建电量波动预测模型,预测嫌疑用户未来时间段的用电趋势。
其中,所述采集嫌疑用户的实时用电数据,并构建电量波动预测模型,预测嫌疑用户未来时间段的用电趋势包括以下步骤:
S41、采集嫌疑用户的实时用电数据并记录;
S42、对实时用电数据进行时间序列分析,提取实时用电数据的周期性特征,所述周期性特征包括每日的平均用电量、最大用电量及用电时间段。
需要说明的是,时间序列分析是一种统计方法,以了解用电量的趋势、周期性、季节性等特征,在实时用电数据上进行时间序列分析,可以帮助我们理解用电的规律,进行电网的规划和管理,以及预测未来的用电需求,其包括以下步骤:
数据聚合:将实时用电数据按照一定的时间间隔进行聚合,比如按小时、按天或按月等,得到各个时间段的总用电量。
确定周期性:使用自相关函数(ACF)和偏自相关函数(PACF)来确定数据的周期性,例如,如果数据每小时采集一次,那么可能存在每24小时(即每天)一个周期的情况。
模型拟合:选择合适的时间序列模型拟合出用电量的时间序列模型。
特征提取:基于拟合的模型,提取出实时用电数据的周期性特征。例如,可以提取出每天的用电高峰和低谷时间,以及高峰和低谷的用电量等。
结果分析:对提取出的周期性特征进行分析,了解其随时间的变化趋势,以及可能的影响因素等。
S43、结合嫌疑用户的周期性特征,利用电量波动预测模型对嫌疑用户未来时间段内的用电趋势进行预测。
其中,所述结合嫌疑用户的周期性特征,利用电量波动预测模型对嫌疑用户未来时间段内的用电趋势进行预测包括以下步骤:
S431、利用单位根检验法测试时间序列的平稳性。
其中,所述利用单位根检验法包括不含截距项和趋势项的检验式、只含截距项的检验式以及包含截距项和趋势项的检验式。
S432、分析经过平稳化处理后的时间序列的自相关图及偏自相关图,并生成最佳滞后阶数,为构建电量波动预测模型提供依据;
S433、利用统计量检验模型确定电量波动预测模型的差分次数。
其中,所述统计量检验模型的表达式为:
式中,n表示样本容量;
Pt表示第t个残差序列的自相关系数值;
m表示自相关系数的个数;
Q表示检验统计量。
S434、结合根据平稳性检验、最佳滞后阶数及残差序列,确定电量波动预测模型的自回归阶数和移动平均阶数,并构建电量波动预测模型;
S435、利用电量波动预测模型对嫌疑用户未来时间段的用电量进行预测,生成未来时间段内的用电趋势。
需要说明的是,电量波动预测模型为自回归整合移动平均模型,自回归整合移动平均模型(ARIMA)是一种时间序列预测方法。它主要用于数据点之间具有线性关系的序列,ARIMA模型有三个主要的参数:自回归阶数、差分次数和移动平均阶数。这三个参数需要根据数据的特性和模型的性能来进行选择和调整。
S5、采用线性插值评估用电趋势的波动情况,判断嫌疑用户未来时间段内的用电量是否存在异常变化。
需要说明的是,利用线性插值来评估用电趋势的波动情况,并判断嫌疑用户未来时间段内的用电量是否存在异常变化包括以下步骤:
线性插值:根据预测的用电趋势,使用线性插值来评估未来用电量的波动情况。这可能会生成一个波动趋势,表示预期的用电量如何随时间波动。
判断异常变化:基于波动趋势和一些预设的阈值或规则,判断未来用电量是否可能存在异常变化。例如,如果波动过大,或者波动的频率超过一定的范围,那么就认为可能存在异常。
输出判断结果:若判断存在异常变化,则输出警报信息;若判断不存在异常变化,则输出正常信息。
S6、若嫌疑用户未来时间段内的用电量存在异常变化,则对嫌疑用户发出警报,并制定控电措施进行干预。
需要说明的是,警报的形式可以有多种,如短信、电话、邮件等,警报的内容应包括用户的信息、异常的详细情况、可能的原因以及建议的处理措施等,其主要包括以下方面:
制定干预措施:根据异常的具体情况,制定相应的干预措施。例如,如果怀疑是设备故障,可以派人对设备进行检查和维修;如果怀疑是电力盗窃,可以启动相关的调查程序。
执行干预措施:根据制定的干预措施,进行实施。例如,派人进行设备检查和维修,或者进行电力盗窃的调查。
跟踪结果:执行干预措施后,需要继续监控用户的用电量,判断是否恢复正常。若没有恢复正常,可能需要重新评估情况,制定新的干预措施。
如图2所示,根据本发明的另一个实施例,还提供了基于用电信息采集的用户用电数据异常分析系统,该系统包括用电数据采集模块1、异常用电特征分析模块2、嫌疑用户筛选模块3、用电趋势预测模块4、用电趋势评估模块5及控电措施制定模块6;
所述用电数据采集模块1,用于设定用电采集频率及持续时间,采集用户在历史时间段内的用电数据,并从中提取异常用电特征;
所述异常用电特征分析模块2,用于对提取的异常用电特征进行特征重要性分析,筛选出对异常用电行为判断影响最大的重要性特征;
所述嫌疑用户筛选模块3,用于基于筛选出的重要性特征对用户进行聚类分析,将存在异常用电行为的用户标记为嫌疑用户;
所述用电趋势预测模块4,用于采集嫌疑用户的实时用电数据,并构建电量波动预测模型,预测嫌疑用户未来时间段的用电趋势;
所述用电趋势评估模块5,用于采用线性插值评估用电趋势的波动情况,判断嫌疑用户未来时间段内的用电量是否存在异常变化;
所述控电措施制定模块6,用于若嫌疑用户未来时间段内的用电量存在异常变化,则对嫌疑用户发出警报,并制定控电措施进行干预。
综上所述,借助于本发明的上述技术方案,本发明通过对提取的异常用电特征进行重要性分析,并基于重要性特征进行用户的聚类分析,这样能够针对性地分析对异常用电行为影响最大的特征,同时降低需要进行聚类分析的数据维度,减轻计算负荷,提高分析效率和准确,并且通过聚类分析快速准确地筛选出具有相似异常用电行为的用户群体,为后续工作提供基础。本发明利用局部离群点检测算法判断用户群组是否存在异常用电行为,并将该群组中的所有用户标记为嫌疑用户,从而能够更精准地找出异常用电行为的用户群组,而用户群组的聚类是基于相似的异常用电特征,可见,其在已知的异常用电的个体用户的基础上,从个体用户扩展到用户群组,实现了从个体数据到群体特征的跨越,可以更加全面完善的对嫌疑用户进行搜寻标记,便于后续对嫌疑用户的监测,进而更高效地识别出用户异常用电行为。
本发明通过预测嫌疑用户未来的用电趋势并进行波动情况的评估,从而能够提前发现未来可能出现的异常用电行为,实现预警,并及时进行处理,通过对嫌疑用户的用电情况进行预测和评估,可以有效地节约电力资源,提高电力使用效率,防止电网负荷过大,保护电网安全。同时,也能更好地预测和控制电网的运行状态,使得电力公司可以提前调整电力供应策略,提升服务质量,满足用户需求。
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.基于用电信息采集的用户用电数据异常分析方法,其特征在于,该方法包括以下步骤:
S1、设定用电采集频率及持续时间,采集用户在历史时间段内的用电数据,并从中提取异常用电特征;
S2、对提取的异常用电特征进行特征重要性分析,筛选出对异常用电行为判断影响最大的重要性特征;
S3、基于筛选出的重要性特征对用户进行聚类分析,将存在异常用电行为的用户标记为嫌疑用户;
S4、采集嫌疑用户的实时用电数据,并构建电量波动预测模型,预测嫌疑用户未来时间段的用电趋势;
S5、采用线性插值评估用电趋势的波动情况,判断嫌疑用户未来时间段内的用电量是否存在异常变化;
S6、若嫌疑用户未来时间段内的用电量存在异常变化,则对嫌疑用户发出警报,并制定控电措施进行干预。
2.根据权利要求1所述的基于用电信息采集的用户用电数据异常分析方法,其特征在于,所述对提取的异常用电特征进行特征重要性分析,筛选出对异常用电行为判断影响最大的重要性特征包括以下步骤:
S21、对提取的异常用电特征进行汇总及分类,所述异常用电特征至少包括用电量异常突增、持续高负荷、峰谷差异异常及异常负载波动;
S22、选择判断异常用电行为的特征评估指标,基于选定的特征评估指标,计算每个异常用电特征与异常用电行为之间的关联度;
S23、基于计算出的关联度,对每个异常用电特征进行排序,关联度越高则表示异常用电特征越重要;
S24、将关联度较高的异常用电特征作为重要性特征。
3.根据权利要求2所述的基于用电信息采集的用户用电数据异常分析方法,其特征在于,所述基于筛选出的重要性特征对用户进行聚类分析,将存在异常用电行为的用户标记为嫌疑用户包括以下步骤:
S31、将重要性特征的特征数量作为聚类中心数量,并利用聚类算法对所有用户进行聚类,将用户划分为多个群组;
S32、从各群组中提取数据点,利用局部离群点检测算法计算数据点的局部离群因子,判断是否为离群点;
S33、统计每个群组中离群点的数量,并计算离群点的所占比例;
S34、若群组中的离群点所占比例超过预设阈值,则判断该群组存在异常用电行为,并将该群组中的所有用户标记为嫌疑用户。
4.根据权利要求3所述的基于用电信息采集的用户用电数据异常分析方法,其特征在于,所述将重要性特征的特征数量作为聚类中心数量,并利用聚类算法对所有用户进行聚类,将用户划分为多个群组包括以下步骤:
S311、对重要性特征进行规范化处理,确保不同重要性特征之间的数值范围一致;
S312、以网格划分参数对特征空间进行网格划分,建立数据点与对应网格的映射,构造网格密度矩阵;
S313、调整网格划分参数并重复进行网格划分,得到最优的密度层次划分,并根据网格密度矩阵对重要性特征进行层次划分;
S314、从最高密度的层次开始,移除密度最大的网格单元,并根据等效规则计算当前密度层次的DBSCAN参数进行聚类;
S315、在密度最高的网格单元中任意选择数据点进行类的扩展,并进行高密度阈值及较低密度阈值的簇聚类;
S316、重复步骤S314-S315进行聚类,直到最低一级密度阈值的聚类完成,并基于聚类完成结果将用户划分为多个群组。
5.根据权利要求4所述的基于用电信息采集的用户用电数据异常分析方法,其特征在于,所述从各群组中提取数据点,利用局部离群点检测算法计算数据点的局部离群因子,判断是否为离群点包括以下步骤:
S321、提取群组中的所有数据点;
S322、计算每个数据点的距离邻域,所述距离邻域为该数据点距离最近的其他数据点;
S323、计算每个数据点相对于距离邻域的可达距离及距离可达比率,所述距离可达比率为距离邻域的可达距离除以距离其他数据点的平均距离;
S324、计算每个数据点的局部离群因子,所述局部离群因子为距离可达比率减去预设阈值;
S325、若数据点的局部离群因子大于0,则判断该数据点为离群点。
6.根据权利要求5所述的基于用电信息采集的用户用电数据异常分析方法,其特征在于,所述采集嫌疑用户的实时用电数据,并构建电量波动预测模型,预测嫌疑用户未来时间段的用电趋势包括以下步骤:
S41、采集嫌疑用户的实时用电数据并记录;
S42、对实时用电数据进行时间序列分析,提取实时用电数据的周期性特征,所述周期性特征包括每日的平均用电量、最大用电量及用电时间段;
S43、结合嫌疑用户的周期性特征,利用电量波动预测模型对嫌疑用户未来时间段内的用电趋势进行预测。
7.根据权利要求6所述的基于用电信息采集的用户用电数据异常分析方法,其特征在于,所述结合嫌疑用户的周期性特征,利用电量波动预测模型对嫌疑用户未来时间段内的用电趋势进行预测包括以下步骤:
S431、利用单位根检验法测试时间序列的平稳性;
S432、分析经过平稳化处理后的时间序列的自相关图及偏自相关图,并生成最佳滞后阶数,为构建电量波动预测模型提供依据;
S433、利用统计量检验模型确定电量波动预测模型的差分次数;
S434、结合根据平稳性检验、最佳滞后阶数及残差序列,确定电量波动预测模型的自回归阶数和移动平均阶数,并构建电量波动预测模型;
S435、利用电量波动预测模型对嫌疑用户未来时间段的用电量进行预测,生成未来时间段内的用电趋势。
8.根据权利要求7所述的基于用电信息采集的用户用电数据异常分析方法,其特征在于,所述利用单位根检验法包括不含截距项和趋势项的检验式、只含截距项的检验式以及包含截距项和趋势项的检验式。
9.根据权利要求8所述的基于用电信息采集的用户用电数据异常分析方法,其特征在于,所述统计量检验模型的表达式为:
;
式中,n表示样本容量;
Pt表示第t个残差序列的自相关系数值;
m表示自相关系数的个数;
Q表示检验统计量。
10.基于用电信息采集的用户用电数据异常分析系统,用于实现权利要求1-9中任一项所述的基于用电信息采集的用户用电数据异常分析方法,其特征在于,该系统包括用电数据采集模块、异常用电特征分析模块、嫌疑用户筛选模块、用电趋势预测模块、用电趋势评估模块及控电措施制定模块;
所述用电数据采集模块,用于设定用电采集频率及持续时间,采集用户在历史时间段内的用电数据,并从中提取异常用电特征;
所述异常用电特征分析模块,用于对提取的异常用电特征进行特征重要性分析,筛选出对异常用电行为判断影响最大的重要性特征;
所述嫌疑用户筛选模块,用于基于筛选出的重要性特征对用户进行聚类分析,将存在异常用电行为的用户标记为嫌疑用户;
所述用电趋势预测模块,用于采集嫌疑用户的实时用电数据,并构建电量波动预测模型,预测嫌疑用户未来时间段的用电趋势;
所述用电趋势评估模块,用于采用线性插值评估用电趋势的波动情况,判断嫌疑用户未来时间段内的用电量是否存在异常变化;
所述控电措施制定模块,用于若嫌疑用户未来时间段内的用电量存在异常变化,则对嫌疑用户发出警报,并制定控电措施进行干预。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311225986.8A CN116976707B (zh) | 2023-09-22 | 2023-09-22 | 基于用电信息采集的用户用电数据异常分析方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311225986.8A CN116976707B (zh) | 2023-09-22 | 2023-09-22 | 基于用电信息采集的用户用电数据异常分析方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116976707A true CN116976707A (zh) | 2023-10-31 |
CN116976707B CN116976707B (zh) | 2023-12-26 |
Family
ID=88473311
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311225986.8A Active CN116976707B (zh) | 2023-09-22 | 2023-09-22 | 基于用电信息采集的用户用电数据异常分析方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116976707B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117290797A (zh) * | 2023-11-24 | 2023-12-26 | 国网山东省电力公司济宁供电公司 | 一种建筑能耗预测方法、系统、装置及介质 |
CN117572331A (zh) * | 2024-01-16 | 2024-02-20 | 山东宜美科节能服务有限责任公司 | 一种对智能电表数据实时采集的方法及系统 |
CN118035731A (zh) * | 2024-04-11 | 2024-05-14 | 深圳华建电力工程技术有限公司 | 用电安全监测预警方法及服务系统 |
CN118133185A (zh) * | 2024-03-28 | 2024-06-04 | 中电装备山东电子有限公司 | 基于智能电能采集终端的区域用电异常预测的用户安全评估系统 |
CN118484740A (zh) * | 2024-05-24 | 2024-08-13 | 禹安智能科技(无锡)有限公司 | 基于边缘计算的用电行为安全分析方法、系统及存储介质 |
CN118644268A (zh) * | 2024-08-16 | 2024-09-13 | 国网山东省电力公司兰陵县供电公司 | 一种基于物联网的电力营销管理系统及方法 |
CN118739613A (zh) * | 2024-09-02 | 2024-10-01 | 中电装备山东电子有限公司 | 一种基于电网专变的运行数据采集终端 |
CN118484740B (zh) * | 2024-05-24 | 2024-11-19 | 禹安智能科技(无锡)有限公司 | 基于边缘计算的用电行为安全分析方法、系统及存储介质 |
Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140358838A1 (en) * | 2013-06-04 | 2014-12-04 | International Business Machines Corporation | Detecting electricity theft via meter tampering using statistical methods |
CN105630885A (zh) * | 2015-12-18 | 2016-06-01 | 国网福建省电力有限公司泉州供电公司 | 一种用电异常检测方法及系统 |
CN107145966A (zh) * | 2017-04-12 | 2017-09-08 | 山大地纬软件股份有限公司 | 基于逻辑回归概率分析优化模型的反窃电分析预警方法 |
CN107742127A (zh) * | 2017-10-19 | 2018-02-27 | 国网辽宁省电力有限公司 | 一种改进的防窃电智能预警系统及方法 |
CN108416693A (zh) * | 2018-02-01 | 2018-08-17 | 东华大学 | 一种基于模糊神经网络的用电异常行为识别方法 |
CN108805747A (zh) * | 2018-06-13 | 2018-11-13 | 山东科技大学 | 一种基于半监督学习的异常用电用户检测方法 |
US20190026761A1 (en) * | 2013-06-13 | 2019-01-24 | Flytxt B.V. | Method and system for automated detection, classification and prediction of multi-scale, multidimensional trends |
CN109446193A (zh) * | 2018-11-13 | 2019-03-08 | 国网宁夏电力有限公司电力科学研究院 | 反窃电模型生成方法及装置 |
CN109784388A (zh) * | 2018-12-29 | 2019-05-21 | 北京中电普华信息技术有限公司 | 窃电用户识别方法和装置 |
CN109858679A (zh) * | 2018-12-30 | 2019-06-07 | 国网浙江省电力有限公司 | 一种结合人机物的反窃电稽查监控系统及其工作方法 |
CN110738415A (zh) * | 2019-10-15 | 2020-01-31 | 国网山西省电力公司晋中供电公司 | 基于用电采集系统和离群点算法的窃电用户分析方法 |
CN110824270A (zh) * | 2019-10-09 | 2020-02-21 | 中国电力科学研究院有限公司 | 结合台区线损和异常事件的窃电用户辨识方法及装置 |
US20200153645A1 (en) * | 2018-11-08 | 2020-05-14 | International Business Machines Corporation | Increasing processing capacity of processor cores during initial program load processing |
CN111861211A (zh) * | 2020-07-20 | 2020-10-30 | 国网信通亿力科技有限责任公司 | 一种具有双层反窃电模型的系统 |
CN113484572A (zh) * | 2021-06-01 | 2021-10-08 | 国网吉林省电力有限公司信息通信公司 | 一种基于用电大数据的反窃电监测方法及系统 |
KR20220055737A (ko) * | 2020-10-27 | 2022-05-04 | 고려대학교 산학협력단 | 전기 이용 고객 데이터 군집 분석 방법 |
CN114595952A (zh) * | 2022-02-25 | 2022-06-07 | 广西电网有限责任公司 | 基于注意力网络改进卷积神经网络的窃电行为检测方法 |
CN116341788A (zh) * | 2022-11-09 | 2023-06-27 | 国网甘肃省电力公司兰州供电公司 | 一种配电网线损分析的电力指纹精准治理方法 |
-
2023
- 2023-09-22 CN CN202311225986.8A patent/CN116976707B/zh active Active
Patent Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140358838A1 (en) * | 2013-06-04 | 2014-12-04 | International Business Machines Corporation | Detecting electricity theft via meter tampering using statistical methods |
US20190026761A1 (en) * | 2013-06-13 | 2019-01-24 | Flytxt B.V. | Method and system for automated detection, classification and prediction of multi-scale, multidimensional trends |
CN105630885A (zh) * | 2015-12-18 | 2016-06-01 | 国网福建省电力有限公司泉州供电公司 | 一种用电异常检测方法及系统 |
CN107145966A (zh) * | 2017-04-12 | 2017-09-08 | 山大地纬软件股份有限公司 | 基于逻辑回归概率分析优化模型的反窃电分析预警方法 |
CN107742127A (zh) * | 2017-10-19 | 2018-02-27 | 国网辽宁省电力有限公司 | 一种改进的防窃电智能预警系统及方法 |
CN108416693A (zh) * | 2018-02-01 | 2018-08-17 | 东华大学 | 一种基于模糊神经网络的用电异常行为识别方法 |
WO2019237492A1 (zh) * | 2018-06-13 | 2019-12-19 | 山东科技大学 | 一种基于半监督学习的异常用电用户检测方法 |
CN108805747A (zh) * | 2018-06-13 | 2018-11-13 | 山东科技大学 | 一种基于半监督学习的异常用电用户检测方法 |
US20200153645A1 (en) * | 2018-11-08 | 2020-05-14 | International Business Machines Corporation | Increasing processing capacity of processor cores during initial program load processing |
CN109446193A (zh) * | 2018-11-13 | 2019-03-08 | 国网宁夏电力有限公司电力科学研究院 | 反窃电模型生成方法及装置 |
CN109784388A (zh) * | 2018-12-29 | 2019-05-21 | 北京中电普华信息技术有限公司 | 窃电用户识别方法和装置 |
CN109858679A (zh) * | 2018-12-30 | 2019-06-07 | 国网浙江省电力有限公司 | 一种结合人机物的反窃电稽查监控系统及其工作方法 |
CN110824270A (zh) * | 2019-10-09 | 2020-02-21 | 中国电力科学研究院有限公司 | 结合台区线损和异常事件的窃电用户辨识方法及装置 |
CN110738415A (zh) * | 2019-10-15 | 2020-01-31 | 国网山西省电力公司晋中供电公司 | 基于用电采集系统和离群点算法的窃电用户分析方法 |
CN111861211A (zh) * | 2020-07-20 | 2020-10-30 | 国网信通亿力科技有限责任公司 | 一种具有双层反窃电模型的系统 |
KR20220055737A (ko) * | 2020-10-27 | 2022-05-04 | 고려대학교 산학협력단 | 전기 이용 고객 데이터 군집 분석 방법 |
CN113484572A (zh) * | 2021-06-01 | 2021-10-08 | 国网吉林省电力有限公司信息通信公司 | 一种基于用电大数据的反窃电监测方法及系统 |
CN114595952A (zh) * | 2022-02-25 | 2022-06-07 | 广西电网有限责任公司 | 基于注意力网络改进卷积神经网络的窃电行为检测方法 |
CN116341788A (zh) * | 2022-11-09 | 2023-06-27 | 国网甘肃省电力公司兰州供电公司 | 一种配电网线损分析的电力指纹精准治理方法 |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117290797A (zh) * | 2023-11-24 | 2023-12-26 | 国网山东省电力公司济宁供电公司 | 一种建筑能耗预测方法、系统、装置及介质 |
CN117290797B (zh) * | 2023-11-24 | 2024-02-02 | 国网山东省电力公司济宁供电公司 | 一种建筑能耗预测方法、系统、装置及介质 |
CN117572331A (zh) * | 2024-01-16 | 2024-02-20 | 山东宜美科节能服务有限责任公司 | 一种对智能电表数据实时采集的方法及系统 |
CN117572331B (zh) * | 2024-01-16 | 2024-03-26 | 山东宜美科节能服务有限责任公司 | 一种对智能电表数据实时采集的方法及系统 |
CN118133185A (zh) * | 2024-03-28 | 2024-06-04 | 中电装备山东电子有限公司 | 基于智能电能采集终端的区域用电异常预测的用户安全评估系统 |
CN118035731A (zh) * | 2024-04-11 | 2024-05-14 | 深圳华建电力工程技术有限公司 | 用电安全监测预警方法及服务系统 |
CN118484740A (zh) * | 2024-05-24 | 2024-08-13 | 禹安智能科技(无锡)有限公司 | 基于边缘计算的用电行为安全分析方法、系统及存储介质 |
CN118484740B (zh) * | 2024-05-24 | 2024-11-19 | 禹安智能科技(无锡)有限公司 | 基于边缘计算的用电行为安全分析方法、系统及存储介质 |
CN118644268A (zh) * | 2024-08-16 | 2024-09-13 | 国网山东省电力公司兰陵县供电公司 | 一种基于物联网的电力营销管理系统及方法 |
CN118644268B (zh) * | 2024-08-16 | 2024-10-22 | 国网山东省电力公司兰陵县供电公司 | 一种基于物联网的电力营销管理系统及方法 |
CN118739613A (zh) * | 2024-09-02 | 2024-10-01 | 中电装备山东电子有限公司 | 一种基于电网专变的运行数据采集终端 |
Also Published As
Publication number | Publication date |
---|---|
CN116976707B (zh) | 2023-12-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116976707B (zh) | 基于用电信息采集的用户用电数据异常分析方法及系统 | |
CN116646933A (zh) | 一种基于大数据的电力负荷调度方法及系统 | |
CN118427761B (zh) | 一种智慧建筑能耗异常分析系统及方法 | |
CN113632025B (zh) | 用于评估工业环境中的能量消耗的方法、系统和计算机程序产品 | |
CN117318614A (zh) | 一种光伏逆变器故障预测方法 | |
Xue et al. | Adaptive ultra-short-term wind power prediction based on risk assessment | |
CN118017502A (zh) | 基于数字孪生的配电算力预测方法、系统及介质 | |
CN117931925A (zh) | 节能设备运行远程管理信息方法及系统 | |
EP3839743B1 (en) | System-state monitoring method and device and storage medium | |
CN118534830B (zh) | 一种能源管理系统及方法 | |
CN118607799B (zh) | 基于物联网的企业能源采集与碳排放智能管理系统 | |
CN118094262B (zh) | 一种基于空间聚类的负荷异常值检测方法 | |
CN117094478B (zh) | 能量调度管理方法、装置、设备及存储介质 | |
CN117543589B (zh) | 一种梯级水电安全集控系统调度方法 | |
CN111506636A (zh) | 一种基于自回归和近邻算法的居民用电行为分析的系统及方法 | |
CN117993540A (zh) | 一种基于随机森林算法预测用户用电量方法及系统 | |
CN117543835A (zh) | 一种配电柜智能配电控制方法及装置 | |
CN118133947B (zh) | 用于空压机能源系统的ai处理方法及系统 | |
CN111400284B (zh) | 一种基于性能数据建立动态异常探测模型的方法 | |
CN117575176B (zh) | 一种电力数据中异常值的处理方法及系统 | |
CN110297145B (zh) | 一种基于多用户电能量数据深度分析的电压暂降检测方法 | |
CN118211190B (zh) | 一种基于工况网格的断面数据分析方法及系统 | |
CN118014386A (zh) | 针对区域性的用电企业数据趋势分析系统、方法及介质 | |
CN118362865A (zh) | 施工现场用电数据异常诊断方法、系统、介质 | |
CN114091742A (zh) | 一种基于负荷分析的分析诊断子系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |