CN109726731A - 用电量异常检测方法、装置、设备及可读存储介质 - Google Patents
用电量异常检测方法、装置、设备及可读存储介质 Download PDFInfo
- Publication number
- CN109726731A CN109726731A CN201810841413.0A CN201810841413A CN109726731A CN 109726731 A CN109726731 A CN 109726731A CN 201810841413 A CN201810841413 A CN 201810841413A CN 109726731 A CN109726731 A CN 109726731A
- Authority
- CN
- China
- Prior art keywords
- abnormal
- characteristic
- sequence
- electricity consumption
- value
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 230000005611 electricity Effects 0.000 title claims abstract description 96
- 230000005856 abnormality Effects 0.000 title claims abstract description 67
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000003860 storage Methods 0.000 title claims abstract description 16
- 230000002159 abnormal effect Effects 0.000 claims abstract description 210
- 238000001514 detection method Methods 0.000 claims abstract description 26
- 238000009826 distribution Methods 0.000 claims description 36
- 238000005520 cutting process Methods 0.000 claims description 15
- 238000013507 mapping Methods 0.000 claims description 15
- 238000012163 sequencing technique Methods 0.000 claims description 10
- 238000004891 communication Methods 0.000 claims description 9
- 230000009471 action Effects 0.000 claims description 7
- 238000012790 confirmation Methods 0.000 claims description 6
- 238000007689 inspection Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 239000004744 fabric Substances 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000005096 rolling process Methods 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 241001269238 Data Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000284 resting effect Effects 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 238000003892 spreading Methods 0.000 description 1
- 238000012546 transfer Methods 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
- 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
-
- 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
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种用电量异常检测方法、异常检测装置、异常检测设备及计算机可读存储介质，该用电量异常检测方法包括：按预设时间间隔从多个用电量时间序列中采集各目标时间点上的序列特征值，以生成所述各用电量时间序列对应的特征数据序列；根据孤立森林算法计算所述所有特征数据序列的异常得分；若所述异常得分大于异常警戒值，则将所述特征数据序列确认为正常序列；若所述异常得分小于或等于异常警戒值，则将所述特征数据序列确认为异常序列。本发明提高了用电量异常检测的精确度，排除了异常值的干扰，降低计算复杂度，提升了检测效率。
Description
技术领域
本发明涉及异常检测技术领域，尤其涉及一种用电量异常检测方法、异常检测装置、异常检测设备及计算机可读存储介质。
背景技术
目前对于用电量时间序列的异常检测大多从用电量时间序列角度(例如同比差异、环比差异、移动平均、ARIMA预测等)和距离差异角度(例如比较某一时间窗口内序列与其他序列的欧氏距离)入手，从用电量时间序列角度入手的缺点在于：1.同比差异环比差异考虑的点太片面，很可能造成误判；2.基于移动平均的方法会很大程度被异常值影响，造成异常值之后的一段序列也被判断为异常；从距离差异角度入手的缺点在于，用电量时间序列一般来说跨度较广且数据较大，距离计算较为复杂，耗时大效率不高。因此，传统的用电量异常检测方法无法实现大规模数据检测，并且检测精确度不高，容易被异常值干扰，且计算复杂，检测效率低下。
发明内容
本发明的主要目的在于提供一种用电量异常检测方法、异常检测装置、异常检测设备及计算机可读存储介质，旨在解决传统的用电量异常检测方法精确度不高，容易被异常值干扰，且计算复杂，检测效率低下的技术问题。
为实现上述目的，本发明实施例提供一种用电量异常检测方法，所述用电量异常检测方法包括：
按预设时间间隔从多个用电量时间序列中采集各目标时间点上的序列特征值，以生成所述各用电量时间序列对应的特征数据序列；
根据孤立森林算法计算所述所有特征数据序列的异常得分；
若所述异常得分大于异常警戒值，则将所述特征数据序列确认为正常序列；
若所述异常得分小于或等于异常警戒值，则将所述特征数据序列确认为异常序列。
可选地，所述根据孤立森林算法计算所述所有特征数据序列的异常得分的步骤包括：
确定所述每个特征数据序列中所有目标时间点上的序列特征值在孤立森林模型空间中对应的数据点的位置，以生成数据点集合，并统计所述数据点集合的总数据点个数；
按照孤立森林算法的预设算法规则对所述数据点集合中的所有数据点进行迭代空间切割，直至获取到所有单独被切割在单一空间内的单一数据点；
获取所述各个单一数据点产生时所属的迭代次数，并获取所述所有单一数据点中迭代次数在前预设次数中的目标数据点；
统计所述所有目标数据点的数据点个数，并计算所述数据点个数在所述总数据点个数中的占比值；
将所述占比值设置为异常得分。
可选地，所述方法还包括：
将所述各个正常序列和所述各个异常序列分别生成对应的正常分布曲线和异常分布曲线；
将所述正常分布曲线和所述异常分布曲线分别显示并标记在预设坐标系中，以供用户识别。
可选地，所述孤立森林算法中保存有所有特征数据序列中的异常特征值，所述将所述正常分布曲线和所述异常分布曲线分别显示并标记在预设坐标系中，以供用户识别的步骤之后还包括：
获取所述异常序列在孤立森林模型空间中对应的目标数据点，并获取所述目标数据点的异常时间点和异常特征值；
获取所述异常序列对应的异常分布曲线，在异常分布曲线上定位到所述目标数据点，并对应显示所述目标数据点的异常时间点和异常特征值。
可选地，所述正常序列中的各目标时间点均有对应的正常特征值，所述将所述正常分布曲线和所述异常分布曲线分别显示并标记在预设坐标系中，以供用户识别的步骤之后还包括：
采集所述各正常序列中对应的正常特征值，并对所述所有正常序列中同一目标时间点的所述所有正常特征值进行均值计算，以获得各个目标时间点的特征均值；
将所述所有特征均值按照目标时间点的先后顺序转化为平均分布曲线，并将所述平均分布曲线显示并标记在所述预设坐标系。
可选地，所述将所述所有特征均值按照目标时间点的先后顺序转化为平均分布曲线，并将所述平均分布曲线显示并标记在所述预设坐标系的步骤之后还包括：
对所述异常分布曲线上各异常时间点的异常特征值，以及所述平均分布曲线中各异常时间点对应的平均特征值进行差值计算，以获得所述异常分布曲线与所述平均分布曲线对应异常时间点上的特征偏移值；
若检测到基于所述异常分布曲线的触发操作，将该异常分布曲线所述各目标时间点上的所述特征偏移值显示在所述预设坐标系中，以供用户分析。
可选地，所述方法还包括：
当接收到异常控制比例时，从预设映射表中获取与所述异常控制比例相映射的目标警戒值；
将当前默认的异常警戒值调整为所述目标警戒值，以调整所述正常序列和所述异常序列的判断标准。
本发明还提供一种异常检测装置，所述异常检测装置包括：
采集模块，用于按预设时间间隔从多个用电量时间序列中采集各目标时间点上的序列特征值，以生成所述各用电量时间序列对应的特征数据序列；
第一计算模块，用于根据孤立森林算法计算所述所有特征数据序列的异常得分；
第一确认模块，用于若所述异常得分大于异常警戒值，则将所述特征数据序列确认为正常序列；
第二确认模块，用于若所述异常得分小于或等于异常警戒值，则将所述特征数据序列确认为异常序列。
可选地，所述第一计算模块包括：
生成单元，用于确定所述每个特征数据序列中所有目标时间点上的序列特征值在孤立森林模型空间中对应的数据点的位置，以生成数据点集合，并统计所述数据点集合的总数据点个数；
切割单元，用于按照孤立森林算法的预设算法规则对所述数据点集合中的所有数据点进行迭代空间切割，直至获取到所有单独被切割在单一空间内的单一数据点；
获取单元，用于获取所述各个单一数据点产生时所属的迭代次数，并获取所述所有单一数据点中迭代次数在前预设次数中的目标数据点；
计算单元，用于统计所述所有目标数据点的数据点个数，并计算所述数据点个数在所述总数据点个数中的占比值；
设置单元，用于将所述占比值设置为异常得分。
可选地，所述异常检测装置还包括：
生成模块，用于将所述各个正常序列和所述各个异常序列分别生成对应的正常分布曲线和异常分布曲线；
第一显示模块，用于将所述正常分布曲线和所述异常分布曲线分别显示并标记在预设坐标系中，以供用户识别。
可选地，所述孤立森林算法中保存有所有特征数据序列中的异常特征值，所述异常检测装置还包括：
第一获取模块，用于获取所述异常序列在孤立森林模型空间中对应的目标数据点，并获取所述目标数据点的异常时间点和异常特征值；
第二显示模块，用于获取所述异常序列对应的异常分布曲线，在异常分布曲线上定位到所述目标数据点，并对应显示所述目标数据点的异常时间点和异常特征值。
可选地，所述正常序列中的各目标时间点均有对应的正常特征值，所述异常检测装置还包括：
第二计算模块，用于采集所述各正常序列中对应的正常特征值，并对所述所有正常序列中同一目标时间点的所述所有正常特征值进行均值计算，以获得各个目标时间点的特征均值；
转化模块，用于将所述所有特征均值按照目标时间点的先后顺序转化为平均分布曲线，并将所述平均分布曲线显示并标记在所述预设坐标系。
可选地，所述异常检测装置还包括：
第三计算模块，用于对所述异常分布曲线上各异常时间点的异常特征值，以及所述平均分布曲线中各异常时间点对应的平均特征值进行差值计算，以获得所述异常分布曲线与所述平均分布曲线对应异常时间点上的特征偏移值；
第三显示模块，用于若检测到基于所述异常分布曲线的触发操作，将该异常分布曲线所述各目标时间点上的所述特征偏移值显示在所述预设坐标系中，以供用户分析。
可选地，所述异常检测装置还包括：
第二获取模块，用于当接收到异常控制比例时，从预设映射表中获取与所述异常控制比例相映射的目标警戒值；
调整模块，用于将当前默认的异常警戒值调整为所述目标警戒值，以调整所述正常序列和所述异常序列的判断标准。
此外，为实现上述目的，本发明还提供一种异常检测设备，所述异常检测设备包括：存储器、处理器、通信总线以及存储在所述存储器上的异常检测程序，所述通信总线用于实现处理器与存储器间的通信连接；
所述处理器用于执行所述预授权处理程序，以实现以下步骤：
按预设时间间隔从多个用电量时间序列中采集各目标时间点上的序列特征值，以生成所述各用电量时间序列对应的特征数据序列；
根据孤立森林算法计算所述所有特征数据序列的异常得分；
若所述异常得分大于异常警戒值，则将所述特征数据序列确认为正常序列；
若所述异常得分小于或等于异常警戒值，则将所述特征数据序列确认为异常序列。
此外，为实现上述目的，本发明还提供一种可读存储介质，所述可读存储介质存储有一个或者一个以上程序，所述一个或者一个以上程序可被一个或者一个以上的处理器执行以用于：
按预设时间间隔从多个用电量时间序列中采集各目标时间点上的序列特征值，以生成所述各用电量时间序列对应的特征数据序列；
根据孤立森林算法计算所述所有特征数据序列的异常得分；
若所述异常得分大于异常警戒值，则将所述特征数据序列确认为正常序列；
若所述异常得分小于或等于异常警戒值，则将所述特征数据序列确认为异常序列。
本发明通过按预设时间间隔从多个用电量时间序列中采集各目标时间点上的序列特征值，以生成所述各用电量时间序列对应的特征数据序列；根据孤立森林算法计算所述所有特征数据序列的异常得分；若所述异常得分大于异常警戒值，则将所述特征数据序列确认为正常序列；若所述异常得分小于或等于异常警戒值，则将所述特征数据序列确认为异常序列。本发明利用孤立森林算法，可对时间序列中的大规模数据进行异常检测，通过计算特征数据序列中的异常得分，并对异常得分进行阈值判断，从而确定正常序列和异常序列，避免了传统检测方法无法大规模进行检测，以及检测精确度不高的缺陷，提高了用电量异常检测的精确度，排除了异常值的干扰，降低计算复杂度，提升了检测效率。
附图说明
图1为本发明用电量异常检测方法第一实施例的流程示意图；
图2为图1中步骤S20的细化流程示意图；
图3为本发明实施例方法涉及的硬件运行环境的设备结构示意图；
图4为本发明异常检测装置的功能模块示意图。
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
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明提供一种用电量异常检测方法，在用电量异常检测方法第一实施例中，参照图1，所述用电量异常检测方法包括：
步骤S10，按预设时间间隔从多个用电量时间序列中采集各目标时间点上的序列特征值，以生成所述各用电量时间序列对应的特征数据序列；
用电量时间序列中代表了在一天之中不同时间阶段的用电量的分布数据，不同的用电量时间序列代表了不同日期中的用电量分布数据。***可对历史时间序列进行检测，也可以实时接收到的时间序列进行检测。用电量时间序列保存在数据库中，***从数据库中调取多个用电量时间序列，由于每个用电量时间序列的数据在时间单位上的分布较多，因此，***将采集每个用电量时间序列其中部分特征值作为样本，以降低数据计算复杂度。用电量时间序列的特征值是按照时间单位分布的，***将按照每隔预设个数小时采集一个特征数据的方式采集每个用电量时间序列的特征值。具体地，预设时间间隔可根据实际业务需求确定，例如每隔一个小时采集一个特征值，则***可从一个时间序列中采集到24个特征值，该24个特征值将作为该用电量时间序列的特征数据序列。采用多个用电量时间序列的特征数据序列，能够有效避免异常值的影响。
步骤S20，根据孤立森林算法计算所述所有特征数据序列的异常得分；
特征数据序列可反映对应的用电量时间序列的分布情况。本实施例中，***将应用孤立森林算法，计算所有特征数据序列的异常得分。通过孤立森林算法可捕捉到特征数据序列中的孤立游离数据，并将该孤立游离数据的离散程度量化为具体的数值。例如，***将特征数据序列代入到孤立森林算法中，利用孤立森林算法中的空间迭代切割方式，确定特征数据序列中的特征数据的空间离散量，具体为，通过将特征数据进行空间切割，并对各空间内的特征数据进行再切割，直到获取到被单独切割在数据空间中的特征数据。该过程可以二叉树分层的形式体现出来，也就是说，被切割在同一侧数据空间的所有特征数据将继续进行迭代切割，二叉树将继续向下分层，而被单独留在数据空间内的特征数据由于不会再继续切割，则停留在当前二叉树所在层的高度。孤立森林算法将根据所有离散特征数据的高度，统计出特征数据序列的异常得分。
步骤S30，若所述异常得分大于异常警戒值，则将所述特征数据序列确认为正常序列；
步骤S40，若所述异常得分小于或等于异常警戒值，则将所述特征数据序列确认为异常序列。
本实施例设置了一个异常警戒值，所述异常警戒值为异常得分的判断门限值。特征数据序列的异常与否需要通过异常警戒值来判断。当异常得分大于异常警戒值时，则说明异常得分对应的特征数据序列中的所有特征值相对集中，离散偏移量较小，处于合理范围之内，对应的特征数据序列属于正常序列。反之，若***检测到异常得分小于或等于异常警戒值，则说明该异常得分没有达到标准警戒线，对应的特征数据序列中的所有特征值偏移量较大，数据的实际分布情况中存在较多的离散无效数据，无法反映正常的用电量分布情况，对应的特征数据序列为异常序列。
本发明通过按预设时间间隔从多个用电量时间序列中采集各目标时间点上的序列特征值，以生成所述各用电量时间序列对应的特征数据序列；根据孤立森林算法计算所述所有特征数据序列的异常得分；若所述异常得分大于异常警戒值，则将所述特征数据序列确认为正常序列；若所述异常得分小于或等于异常警戒值，则将所述特征数据序列确认为异常序列。本发明利用孤立森林算法，可对时间序列中的大规模数据进行异常检测，通过计算特征数据序列中的异常得分，并对异常得分进行阈值判断，从而确定正常序列和异常序列，避免了传统检测方法无法大规模进行检测，以及检测精确度不高的缺陷，提高了用电量异常检测的精确度，排除了异常值的干扰，降低计算复杂度，提升了检测效率。
进一步地，在本发明用电量异常检测方法第一实施例的基础上，提出本发明用电量异常检测方法第二实施例，参照图2，与前述实施例的区别在于，所述步骤S20步骤包括：
步骤A，确定所述每个特征数据序列中所有目标时间点上的序列特征值在孤立森林模型空间中对应的数据点的位置，以生成数据点集合，并统计所述数据点集合的总数据点个数；
可以理解的是，每个特征数据序列中有目标时间点以及序列特征值两类数据，并且这两类数据都是相互映射的，因此每个特征数据序列中可根据目标时间点和序列特征值得到对应的数据点，将各个数据点代入到孤立森林算法模型中，模型中配置有模型空间，用于归纳放置所有数据点。即模型空间相当于一个坐标空间，根据各个数据点的坐标值，***可确定各个特征数据序列中所有数据点的坐标位置，从而在模型空间中生成相应的数据点集合。例如当前序列A中包括0时的用电量值为5，6时的用电量值为8，12时的用电量值为10，18时的用电量值为8。因此序列A中的数据点包括A1＝(0，5)，A2＝(6，8)，A3＝(12，10)，A4＝(18，8)。而这些数据点将在模型空间中根据坐标依次排列，从而获取到各个数据点的数据点集合，并根据数据点集合统计其中所有数据点的总数据点个数。
以上所述例子仅为举例，并不代表数据点集合仅包括以上四个数据点的具体数值。
步骤B，按照孤立森林算法的预设算法规则对所述数据点集合中的所有数据点进行迭代空间切割，直至获取到所有单独被切割在单一空间内的单一数据点；
孤立森林算法的预设算法规则是对所有数据点集合进行迭代空间切割，得到切割空间，并计算各个切割空间内的数据点数量。所述空间切割是指利用随机超平面将孤立森林模型空间中的数据点集合进行切割。假设数据点集合中各数据点较为集中，那么在空间切割过程中就不容易有单独的数据点内切割在一个空间内。而若是数据点集合中存在部分数据点较为松散或游离在数据点集合的边缘时，那么那些游离的数据点将容易被单独切割在一个空间内。***通过迭代空间切割，从而获得所有被单独切割在单一空间内的单一数据点。可以理解的是，数据点集合中每个数据点被单独切割在单一空间内时，此时即产生了单一数据点，***将记录该单一数据点。且所有单一数据点的数量等于数据点集合中所有数据点的数量。
步骤C，获取所述各个单一数据点产生时所属的迭代次数，并获取所述所有单一数据点中迭代次数在前预设次数中的目标数据点；
步骤D，统计所述所有目标数据点的数据点个数，并计算所述数据点个数在所述总数据点个数中的占比值；
***获取各单一数据点产生时的迭代次数。例如单一数据点A在第一次空间切割时产生，单一数据点B、C在第二次空间切割时产生，单一数据点D、E、F、G在第三次空间切割时产生等等，***将统计各个单一数据点产生时的迭代次数。假设预设次数为2，则***将获取在前2次空间迭代中产生的目标数据点A、B和C。
***统计目标数据点的数据点个数总共为3个，假设当前数据点集合中的总数据点个数15个，那么数据点个数占总比的占比值为3/15＝0.2。
步骤E，将所述占比值设置为异常得分。
***将把占比值设置为异常得分，以作为后续数值比较的参考值。
进一步地，在本发明用电量异常检测方法第二实施例的基础上，提出本发明用电量异常检测方法第三实施例，与前述实施例的区别在于，所述方法还包括：
步骤S50，将所述各个正常序列和所述各个异常序列分别生成对应的正常分布曲线和异常分布曲线；
将各序列可视化为曲线的意义在于，用户可以直观地观测并识别哪些用电量时间序列偏离了正常分布情形。
本实施例中，为方便用户直观地查看分析正常序列和异常序列在序列特征值上的差异，***在确定正常序列和异常序列之后，将把正常序列和异常序列分别转化为对应的正常分布曲线和异常分布曲线。由于正常序列和异常序列中的序列特征值都是以时间顺序分别排序的，因此按时间先后顺序***可根据目标时间点以及各自对应的序列特征值生成正常分布曲线和异常分布曲线。
步骤S60，将所述正常分布曲线和所述异常分布曲线分别显示并标记在预设坐标系中，以供用户识别。
在获取所有正常分布曲线和异常分布曲线之后，为了更直观地体现正常分布曲线和异常分布曲线之间的差异，***将把正常分布曲线和异常分布曲线显示在预设坐标系中。在所述预设坐标系中，为提高辨识度，正常分布曲线和异常分布曲线将通过不同的标记形式进行显示，例如将正常分布曲线标记为绿色曲线，将异常分布曲线标记为红色曲线，以分别表明正常分布曲线和异常分布曲线各自所对应的正常序列和异常序列，以方便用户识别分析。
进一步地，在本发明用电量异常检测方法第三实施例的基础上，提出本发明用电量异常检测方法第四实施例，与前述实施例的区别在于，所述孤立森林算法中保存有所有特征数据序列中的异常特征值，所述步骤S60之后还包括：
步骤S70，获取所述异常序列在孤立森林模型空间中对应的目标数据点，并获取所述目标数据点的异常时间点和异常特征值；
异常序列在模型空间中包括了游离的异常特征值，但也包括了正常的特征值。在本实施例中，由于目标数据点是前预设次数被切割出来的，即***已定位出偏移量较大的目标数据点。因此可获取异常序列在孤立森林模型空间中的目标数据点的异常时间点和异常特征值。这些异常时间点上的异常特征值在异常分布曲线中会显示，但并没有明确标记出来以增加辨识度。当异常分布曲线的数量规模较大时，会扰乱用户的分析判断。为提高异常特征值的辨识度，本实施例获取异常序列在孤立森林算法的模型空间中的目标数据点，由于目标数据点是确立下来的异常数据点，且异常序列已经确立下来，因此***可从之前的孤立森林算法的计算过程中获取目标数据点的异常时间点和异常特征值。所述异常特征值在孤立森林算法中的偏移量远远大于其他特征值。
步骤S80，获取所述异常序列对应的异常分布曲线，在异常分布曲线上定位到所述目标数据点，并对应显示所述目标数据点的异常时间点和异常特征值。
***根据异常序列获取到对应的异常分布曲线，从异常分布曲线中定位到目标数据点，例如目标数据点为C点，则获取到异常分布曲线中的C点，并根据该数据点的异常时间点和异常特征值在异常分布曲线中将其标记出来，以显示该数据点为目标数据点，并显示其异常时间点和异常特征值，提高数据辨识度。
进一步地，在本发明用电量异常检测方法第四实施例的基础上，提出本发明用电量异常检测方法第五实施例，与前述实施例的区别在于，所述正常序列中的各目标时间点均有对应的正常特征值，所述步骤S60之后还包括：
步骤S90，采集所述各正常序列中对应的正常特征值，并对所述所有正常序列中同一目标时间点的所述所有正常特征值进行均值计算，以获得各个目标时间点的特征均值；
所有正常序列代表了用电量时间序列在正常情况下的分布情况，本实施例将根据所有正常序列的数据在预设坐标系中提供了一种理想分布曲线。具体地，***采集到所有正常序列在不同时间点上的特征值，假设当前判定为正常序列的特征数据序列一共有n个，那么***从n个正常序列中提取出的同一时间点的特征值共有n个。***将计算同一时间点的所有特征值的均值，得到该时间点上的特征均值，该特征均值可代表该时间点上正常特征值的理想水准。例如，当前所采集到的所有正常序列一共5个，而在5个正常序列中时间点为18点整的5个特征值分别为3、5、4、3.5、4.5。则18点整的特征均值为(3+5+4+3.5+4.5)/5＝4。该特征均值4即可代表5个正常序列中目标时间点为18点整的平均分布情况。
步骤S100，将所述所有特征均值按照目标时间点的先后顺序转化为平均分布曲线，并将所述平均分布曲线显示并标记在所述预设坐标系。
获取到各个时间点的特征均值之后，***可将特征均值按照时间点顺序进行排序，转化为平均分布曲线。由于不同的特征均值均代表了对应时间点上的平均分布情况，因此将所有特征均值按时间点顺序进行排序，可得到从整体上代表不同时间点的平均分布情况的平均分布曲线。***将把该平均分布曲线显示在预设坐标系中，并将该平均分布曲线标记出来，以方便用户识别分析。
进一步地，在本发明用电量异常检测方法第五实施例的基础上，提出本发明用电量异常检测方法第六实施例，与前述实施例的区别在于，所述步骤S80之后还包括：
步骤S110，对所述异常分布曲线上各异常时间点的异常特征值，以及所述平均分布曲线中各异常时间点对应的平均特征值进行差值计算，以获得所述异常分布曲线与所述平均分布曲线对应异常时间点上的特征偏移值；
进一步地，在预设坐标系中显示异常分布曲线和平均分布曲线可方便观看，但用户可能需要精确地分析结果。例如房东需要对某个租户的异常用电量进行细致分析，或者用户需要调查异常用电量中的具体细节，为方便用户进行比对分析，***将基于异常分布曲线中各异常时间点上的异常特征值与平均分布曲线上对应异常时间点的平均特征值进行差值计算，以得到每个异常时间点上异常分布曲线与平均分布曲线的特征偏移值。例如异常分布曲线上5时的异常特征值为10，而平均分布曲线上5时的平均特征值为5，则特征偏移值为10-5＝5。
步骤S120，若检测到基于所述异常分布曲线的触发操作，将该异常分布曲线所述各目标时间点上的所述特征偏移值显示在所述预设坐标系中，以供用户分析。
当用户触发异常分布曲线(如点击查探异常分布曲线中的数据)时，***将把该异常分布曲线各目标时间点的特征偏移值直接显示在预设坐标系中。这样根据特征偏移值，用户可得知不同目标时间点上用电量的变化趋势，并可通过变化趋势分析判断产生该异常的原因，例如电路短路，电表仪失灵等等。
进一步地，在本发明用电量异常检测方法第六实施例的基础上，提出本发明用电量异常检测方法第七实施例，与前述实施例的区别在于，所述方法还包括：
步骤a，当接收到异常控制比例时，从预设映射表中获取与所述异常控制比例相映射的目标警戒值；
现实场景中，异常检测的异常判断标准可能会发生改变。例如某段时间内限电或者断电，那么用电量将发生大幅度变化，***将判断这是异常，但实际上这种变化并非是因为异常，而是由可知可控的原因导致的，因此需要将该异常情况进行排除。也就是说，本发明可根据实际业务需求调整异常判断标准。例如，当前1个月内需要限电，那么相对应的异常序列的数量将会上升，为将该类异常序列排除，***可对判断标准进行更改，而判断标准的确定与预设值相关。可以理解的是，异常控制比例是指对所有异常序列按比例进行过滤。
本实施例中，***保存有预设映射表。***接收到外界输入的异常控制比例，在预设映射表中找到与该比例相映射的目标预设值。例如出现限电或断电情况下，已知会使得所有特征数据序列中5％的正常序列被确定为异常序列，那么，只需调整异常控制比例，即可将这部分原本为正常序列的异常序列排除。而本实施例中的预设映射表，异常控制比例与警戒值存在一一对应关系。可以理解的是，实际分布情况的设定可通过异常警戒值确定，即异常警戒值可自定义设置，从而调整对异常序列的判断标准。
步骤b，将当前默认的异常警戒值调整为所述目标警戒值，以调整所述正常序列和所述异常序列的判断标准。
由上可知，当前***默认的异常警戒值将不再适应当前的实际业务需求，获取到目标警戒值之后，***将直接把当前默认的异常警戒值调整为目标警戒值，从而调整正常序列和异常序列的判断标准。
参照图3，图3是本发明实施例方法涉及的硬件运行环境的设备结构示意图。
本发明实施例设备可以是PC，也可以是智能手机、平板电脑、电子书阅读器、MP3(Moving Picture Experts Group Audio Layer III，动态影像专家压缩标准音频层面3)播放器、MP4(Moving Picture Experts Group Audio Layer IV，动态影像专家压缩标准音频层面4)播放器、便携计算机等终端设备。
如图3所示，该异常检测设备可以包括：处理器1001，例如CPU，存储器1005，通信总线1002。其中，通信总线1002用于实现处理器1001和存储器1005之间的连接通信。存储器1005可以是高速RAM存储器，也可以是稳定的存储器(non-volatile memory)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
可选地，该异常检测设备还可以包括用户接口、网络接口、摄像头、RF(RadioFrequency，射频)电路，传感器、音频电路、WiFi模块等等。用户接口可以包括显示屏(Display)、输入单元比如键盘(Keyboard)，可选用户接口还可以包括标准的有线接口、无线接口。网络接口可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。
本领域技术人员可以理解，图3中示出的异常检测设备结构并不构成对异常检测设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图3所示，作为一种计算机存储介质的存储器1005中可以包括操作***、网络通信模块以及异常检测程序。操作***是管理和控制异常检测设备硬件和软件资源的程序，支持异常检测程序以及其它软件和/或程序的运行。网络通信模块用于实现存储器1005内部各组件之间的通信，以及与异常检测设备中其它硬件和软件之间通信。
在图3所示的异常检测设备中，处理器1001用于执行存储器1005中存储的异常检测程序，实现以下步骤：
按预设时间间隔从多个用电量时间序列中采集各目标时间点上的序列特征值，以生成所述各用电量时间序列对应的特征数据序列；
根据孤立森林算法计算所述所有特征数据序列的异常得分；
若所述异常得分大于异常警戒值，则将所述特征数据序列确认为正常序列；
若所述异常得分小于或等于异常警戒值，则将所述特征数据序列确认为异常序列。
本发明异常检测设备的具体实施方式与上述用电量异常检测方法各实施例基本相同，在此不再赘述。
参照图4，本发明提供了一种异常检测装置，所述异常检测装置包括：
按预设时间间隔从多个用电量时间序列中采集各目标时间点上的序列特征值，以生成所述各用电量时间序列对应的特征数据序列；
根据孤立森林算法计算所述所有特征数据序列的异常得分；
若所述异常得分大于异常警戒值，则将所述特征数据序列确认为正常序列；
若所述异常得分小于或等于异常警戒值，则将所述特征数据序列确认为异常序列。
进一步地，所述根据孤立森林算法计算所述所有特征数据序列的异常得分的步骤包括：
确定所述每个特征数据序列中所有目标时间点上的序列特征值在孤立森林模型空间中对应的数据点的位置，以生成数据点集合，并统计所述数据点集合的总数据点个数；
按照孤立森林算法的预设算法规则对所述数据点集合中的所有数据点进行迭代空间切割，直至获取到所有单独被切割在单一空间内的单一数据点；
获取所述各个单一数据点产生时所属的迭代次数，并获取所述所有单一数据点中迭代次数在前预设次数中的目标数据点；
统计所述所有目标数据点的数据点个数，并计算所述数据点个数在所述总数据点个数中的占比值；
将所述占比值设置为异常得分。
进一步地，所述方法还包括：
将所述各个正常序列和所述各个异常序列分别生成对应的正常分布曲线和异常分布曲线；
将所述正常分布曲线和所述异常分布曲线分别显示并标记在预设坐标系中，以供用户识别。
进一步地，所述孤立森林算法中保存有所有特征数据序列中的异常特征值，所述将所述正常分布曲线和所述异常分布曲线分别显示并标记在预设坐标系中，以供用户识别的步骤之后还包括：
获取所述异常序列在孤立森林模型空间中对应的目标数据点，并获取所述目标数据点的异常时间点和异常特征值；
获取所述异常序列对应的异常分布曲线，在异常分布曲线上定位到所述目标数据点，并对应显示所述目标数据点的异常时间点和异常特征值。
进一步地，所述正常序列中的各目标时间点均有对应的正常特征值，所述将所述正常分布曲线和所述异常分布曲线分别显示并标记在预设坐标系中，以供用户识别的步骤之后还包括：
采集所述各正常序列中对应的正常特征值，并对所述所有正常序列中同一目标时间点的所述所有正常特征值进行均值计算，以获得各个目标时间点的特征均值；
将所述所有特征均值按照目标时间点的先后顺序转化为平均分布曲线，并将所述平均分布曲线显示并标记在所述预设坐标系。
进一步地，所述将所述所有特征均值按照目标时间点的先后顺序转化为平均分布曲线，并将所述平均分布曲线显示并标记在所述预设坐标系的步骤之后还包括：
对所述异常分布曲线上各异常时间点的异常特征值，以及所述平均分布曲线中各异常时间点对应的平均特征值进行差值计算，以获得所述异常分布曲线与所述平均分布曲线对应异常时间点上的特征偏移值；
若检测到基于所述异常分布曲线的触发操作，将该异常分布曲线所述各目标时间点上的所述特征偏移值显示在所述预设坐标系中，以供用户分析。
进一步地，所述方法还包括：
当接收到异常控制比例时，从预设映射表中获取与所述异常控制比例相映射的目标警戒值；
将当前默认的异常警戒值调整为所述目标警戒值，以调整所述正常序列和所述异常序列的判断标准。
本发明还提供一种异常检测装置，所述异常检测装置包括：
采集模块，用于按预设时间间隔从多个用电量时间序列中采集各目标时间点上的序列特征值，以生成所述各用电量时间序列对应的特征数据序列；
第一计算模块，用于根据孤立森林算法计算所述所有特征数据序列的异常得分；
第一确认模块，用于若所述异常得分大于异常警戒值，则将所述特征数据序列确认为正常序列；
第二确认模块，用于若所述异常得分小于或等于异常警戒值，则将所述特征数据序列确认为异常序列。
进一步地，所述第一计算模块包括：
生成单元，用于确定所述每个特征数据序列中所有目标时间点上的序列特征值在孤立森林模型空间中对应的数据点的位置，以生成数据点集合，并统计所述数据点集合的总数据点个数；
切割单元，用于按照孤立森林算法的预设算法规则对所述数据点集合中的所有数据点进行迭代空间切割，直至获取到所有单独被切割在单一空间内的单一数据点；
获取单元，用于获取所述各个单一数据点产生时所属的迭代次数，并获取所述所有单一数据点中迭代次数在前预设次数中的目标数据点；
计算单元，用于统计所述所有目标数据点的数据点个数，并计算所述数据点个数在所述总数据点个数中的占比值；
设置单元，用于将所述占比值设置为异常得分。
进一步地，所述异常检测装置还包括：
生成模块，用于将所述各个正常序列和所述各个异常序列分别生成对应的正常分布曲线和异常分布曲线；
第一显示模块，用于将所述正常分布曲线和所述异常分布曲线分别显示并标记在预设坐标系中，以供用户识别。
进一步地，所述孤立森林算法中保存有所有特征数据序列中的异常特征值，所述异常检测装置还包括：
第一获取模块，用于获取所述异常序列在孤立森林模型空间中对应的目标数据点，并获取所述目标数据点的异常时间点和异常特征值；
第二显示模块，用于获取所述异常序列对应的异常分布曲线，在异常分布曲线上定位到所述目标数据点，并对应显示所述目标数据点的异常时间点和异常特征值。
进一步地，所述正常序列中的各目标时间点均有对应的正常特征值，所述异常检测装置还包括：
第二计算模块，用于采集所述各正常序列中对应的正常特征值，并对所述所有正常序列中同一目标时间点的所述所有正常特征值进行均值计算，以获得各个目标时间点的特征均值；
转化模块，用于将所述所有特征均值按照目标时间点的先后顺序转化为平均分布曲线，并将所述平均分布曲线显示并标记在所述预设坐标系。
进一步地，所述异常检测装置还包括：
第三计算模块，用于对所述异常分布曲线上各异常时间点的异常特征值，以及所述平均分布曲线中各异常时间点对应的平均特征值进行差值计算，以获得所述异常分布曲线与所述平均分布曲线对应异常时间点上的特征偏移值；
第三显示模块，用于若检测到基于所述异常分布曲线的触发操作，将该异常分布曲线所述各目标时间点上的所述特征偏移值显示在所述预设坐标系中，以供用户分析。
进一步地，所述异常检测装置还包括：
第二获取模块，用于当接收到异常控制比例时，从预设映射表中获取与所述异常控制比例相映射的目标警戒值；
调整模块，用于将当前默认的异常警戒值调整为所述目标警戒值，以调整所述正常序列和所述异常序列的判断标准。
本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有一个或者一个以上程序，所述一个或者一个以上程序还可被一个或者一个以上的处理器执行以用于实现上述任一项所述的用电量异常检测方法的步骤。
本发明可读存储介质具体实施方式与上述用电量异常检测方法各实施例基本相同，在此不再赘述。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种用电量异常检测方法，其特征在于，所述用电量异常检测方法包括：
按预设时间间隔从多个用电量时间序列中采集各目标时间点上的序列特征值，以生成所述各用电量时间序列对应的特征数据序列；
根据孤立森林算法计算所述所有特征数据序列的异常得分；
若所述异常得分大于异常警戒值，则将所述特征数据序列确认为正常序列；
若所述异常得分小于或等于异常警戒值，则将所述特征数据序列确认为异常序列。
2.如权利要求1所述的用电量异常检测方法，其特征在于，所述根据孤立森林算法计算所述所有特征数据序列的异常得分的步骤包括：
确定所述每个特征数据序列中所有目标时间点上的序列特征值在孤立森林模型空间中对应的数据点的位置，以生成数据点集合，并统计所述数据点集合的总数据点个数；
按照孤立森林算法的预设算法规则对所述数据点集合中的所有数据点进行迭代空间切割，直至获取到所有单独被切割在单一空间内的单一数据点；
获取所述各个单一数据点产生时所属的迭代次数，并获取所述所有单一数据点中迭代次数在前预设次数中的目标数据点；
统计所述所有目标数据点的数据点个数，并计算所述数据点个数在所述总数据点个数中的占比值；
将所述占比值设置为异常得分。
3.如权利要求2所述的用电量异常检测方法，其特征在于，所述方法还包括：
将所述各个正常序列和所述各个异常序列分别生成对应的正常分布曲线和异常分布曲线；
将所述正常分布曲线和所述异常分布曲线分别显示并标记在预设坐标系中，以供用户识别。
4.如权利要求3所述的用电量异常检测方法，其特征在于，所述孤立森林算法中保存有所有特征数据序列中的异常特征值，所述将所述正常分布曲线和所述异常分布曲线分别显示并标记在预设坐标系中，以供用户识别的步骤之后还包括：
获取所述异常序列在孤立森林模型空间中对应的目标数据点，并获取所述目标数据点的异常时间点和异常特征值；
获取所述异常序列对应的异常分布曲线，在异常分布曲线上定位到所述目标数据点，并对应显示所述目标数据点的异常时间点和异常特征值。
5.如权利要求3所述的用电量异常检测方法，其特征在于，所述正常序列中的各目标时间点均有对应的正常特征值，所述将所述正常分布曲线和所述异常分布曲线分别显示并标记在预设坐标系中，以供用户识别的步骤之后还包括：
采集所述各正常序列中对应的正常特征值，并对所述所有正常序列中同一目标时间点的所述所有正常特征值进行均值计算，以获得各个目标时间点的特征均值；
将所述所有特征均值按照目标时间点的先后顺序转化为平均分布曲线，并将所述平均分布曲线显示并标记在所述预设坐标系。
6.如权利要求5所述的用电量异常检测方法，其特征在于，所述将所述所有特征均值按照目标时间点的先后顺序转化为平均分布曲线，并将所述平均分布曲线显示并标记在所述预设坐标系的步骤之后还包括：
对所述异常分布曲线上各异常时间点的异常特征值，以及所述平均分布曲线中各异常时间点对应的平均特征值进行差值计算，以获得所述异常分布曲线与所述平均分布曲线对应异常时间点上的特征偏移值；
若检测到基于所述异常分布曲线的触发操作，将该异常分布曲线所述各目标时间点上的所述特征偏移值显示在所述预设坐标系中，以供用户分析。
7.如权利要求1-6任一项所述的用电量异常检测方法，其特征在于，所述方法还包括：
当接收到异常控制比例时，从预设映射表中获取与所述异常控制比例相映射的目标警戒值；
将当前默认的异常警戒值调整为所述目标警戒值，以调整所述正常序列和所述异常序列的判断标准。
8.一种异常检测装置，其特征在于，所述异常检测装置包括：
采集模块，用于按预设时间间隔从多个用电量时间序列中采集各目标时间点上的序列特征值，以生成所述各用电量时间序列对应的特征数据序列；
第一计算模块，用于根据孤立森林算法计算所述所有特征数据序列的异常得分；
第一确认模块，用于若所述异常得分大于异常警戒值，则将所述特征数据序列确认为正常序列；
第二确认模块，用于若所述异常得分小于或等于异常警戒值，则将所述特征数据序列确认为异常序列。
9.一种异常检测设备，其特征在于，所述异常检测设备包括：存储器、处理器、通信总线以及存储在所述存储器上的异常检测程序，所述处理器用于执行所述异常检测程序，以实现如权利要求1至7中任一项所述的用电量异常检测方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有异常检测程序，所述异常检测程序被处理器执行时实现如权利要求1至7中任一项所述的用电量异常检测方法的步骤。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810841413.0A CN109726731B (zh) | 2018-07-26 | 2018-07-26 | 用电量异常检测方法、装置、设备及可读存储介质 |
| PCT/CN2018/103220 WO2020019403A1 (zh) | 2018-07-26 | 2018-08-30 | 用电量异常检测方法、装置、设备及可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810841413.0A CN109726731B (zh) | 2018-07-26 | 2018-07-26 | 用电量异常检测方法、装置、设备及可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109726731A true CN109726731A (zh) | 2019-05-07 |
| CN109726731B CN109726731B (zh) | 2023-04-18 |
Family
ID=66294601
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810841413.0A Active CN109726731B (zh) | 2018-07-26 | 2018-07-26 | 用电量异常检测方法、装置、设备及可读存储介质 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN109726731B (zh) |
| WO (1) | WO2020019403A1 (zh) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110472894A (zh) * | 2019-09-07 | 2019-11-19 | 陈赞 | 一种基于智能配电网的电力用户用电评价方法 |
| CN111159251A (zh) * | 2019-12-19 | 2020-05-15 | 青岛聚好联科技有限公司 | 一种异常数据的确定方法及装置 |
| CN111709790A (zh) * | 2020-06-19 | 2020-09-25 | 广东电网有限责任公司 | 一种日前市场异常电价辨识方法、装置、设备和存储介质 |
| CN111719210A (zh) * | 2020-06-11 | 2020-09-29 | 苏州汇川技术有限公司 | 细纱机中异常锭子的检测方法、设备及可读存储介质 |
| CN112541016A (zh) * | 2020-11-26 | 2021-03-23 | 南方电网数字电网研究院有限公司 | 用电异常检测方法、装置、计算机设备和存储介质 |
| WO2021139253A1 (zh) * | 2020-07-31 | 2021-07-15 | 平安科技（深圳）有限公司 | 获取kpi异常数据样本的方法、装置和计算机设备 |
| CN113123955A (zh) * | 2019-12-30 | 2021-07-16 | 北京国双科技有限公司 | 柱塞泵异常检测方法、装置、存储介质及电子设备 |
| CN113688125A (zh) * | 2021-08-24 | 2021-11-23 | 平安国际智慧城市科技股份有限公司 | 基于人工智能的异常值检测方法、装置、电子设备及介质 |
| CN113688166A (zh) * | 2021-08-16 | 2021-11-23 | 远景智能国际私人投资有限公司 | 电量获取***和方法 |
Families Citing this family (23)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111401431B (zh) * | 2020-03-12 | 2023-07-25 | 成都小步创想慧联科技有限公司 | 群租房识别方法及***及存储介质 |
| CN112541525A (zh) * | 2020-11-23 | 2021-03-23 | 歌尔股份有限公司 | 一种点云数据处理方法和装置 |
| CN112966017B (zh) * | 2021-03-01 | 2023-11-14 | 北京青萌数海科技有限公司 | 一种时间序列中不定长的异常子序列检测方法 |
| CN113377568B (zh) * | 2021-06-29 | 2023-10-20 | 北京同创永益科技发展有限公司 | 一种异常检测方法、装置、电子设备及存储介质 |
| CN113822343B (zh) * | 2021-09-03 | 2023-08-25 | 国网江苏省电力有限公司营销服务中心 | 一种基于细粒度用能数据的群租房识别方法 |
| CN114648227B (zh) * | 2022-03-23 | 2024-03-15 | 成都飞机工业（集团）有限责任公司 | 航空液压泵站时序异常检测方法、装置、设备及存储介质 |
| CN114872290B (zh) * | 2022-05-20 | 2024-02-06 | 深圳市信润富联数字科技有限公司 | 一种注塑件的自适应生产异常监测方法 |
| CN115473331B (zh) * | 2022-07-22 | 2024-04-12 | 国网河南省电力公司新乡供电公司 | 一种基于动态建模的数字孪生电网用电量监管*** |
| CN115665209B (zh) * | 2022-12-09 | 2023-05-05 | 云南电网有限责任公司 | 电表数据采集方法、装置、电子设备及可读存储介质 |
| CN115792479B (zh) * | 2023-02-08 | 2023-05-09 | 东营市建筑设计研究院 | 一种智能插座的用电智能监测方法及*** |
| CN116155298B (zh) * | 2023-04-20 | 2023-07-04 | 山东水运发展集团有限公司济宁分公司 | 一种基于互联网数据的船闸远程管理*** |
| CN116414097B (zh) * | 2023-05-15 | 2023-09-29 | 广东思创智联科技股份有限公司 | 基于工业设备数据的告警管理方法及*** |
| CN116611017B (zh) * | 2023-07-17 | 2023-09-19 | 山东一然环保科技有限公司 | 一种低氮燃烧加热炉的氮氧化物排放检测方法 |
| CN116864020B (zh) * | 2023-09-05 | 2023-11-03 | 山东鲁扬新材料科技有限公司 | 应用于egda生成过程的数据管理*** |
| CN116911806B (zh) * | 2023-09-11 | 2023-11-28 | 湖北华中电力科技开发有限责任公司 | 基于互联网+的电力企业能源信息管理*** |
| CN117195137B (zh) * | 2023-11-07 | 2024-02-20 | 江苏赛冲智能装备有限公司 | 基于数据分析的转子压铸误差检测*** |
| CN117312997B (zh) * | 2023-11-21 | 2024-03-08 | 乾程电力有限公司 | 一种电力管理***智能诊断方法及*** |
| CN117408734B (zh) * | 2023-12-15 | 2024-03-19 | 广东云百科技有限公司 | 基于物联网设备的客户信息智能管理*** |
| CN117436006B (zh) * | 2023-12-22 | 2024-03-15 | 圣道天德电气(山东)有限公司 | 一种智慧环网柜故障实时监测方法及*** |
| CN117478442B (zh) * | 2023-12-28 | 2024-03-29 | 深圳市金瑞铭科技有限公司 | 边缘智能终端及其智能远程控制方法 |
| 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*** |
| CN117609928B (zh) * | 2024-01-23 | 2024-04-05 | 华北电力科学研究院有限责任公司 | 基于电力数据的污染物排放量异常识别方法与装置 |
| CN118033300B (zh) * | 2024-04-10 | 2024-06-14 | 贵州国昱源丰节能科技有限公司 | 一种动态电压调节器的负载失电异常智能识别方法 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108319981A (zh) * | 2018-02-05 | 2018-07-24 | 清华大学 | 一种基于密度的时序数据异常检测方法及装置 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106095655B (zh) * | 2016-05-31 | 2018-06-12 | 北京蓝海讯通科技股份有限公司 | 一种异常检测方法、应用和监控设备 |
| CN106649438A (zh) * | 2016-09-09 | 2017-05-10 | 西安交通大学 | 一种时序数据非预期故障检测方法 |
| CN106371939B (zh) * | 2016-09-12 | 2019-03-22 | 山东大学 | 一种时序数据异常检测方法及其*** |
| CN106778841A (zh) * | 2016-11-30 | 2017-05-31 | 国网上海市电力公司 | 异常用电检测模型的建立方法 |
| CN106707099B (zh) * | 2016-11-30 | 2019-04-12 | 国网上海市电力公司 | 基于异常用电检测模型的监测定位方法 |
-
2018
- 2018-07-26 CN CN201810841413.0A patent/CN109726731B/zh active Active
- 2018-08-30 WO PCT/CN2018/103220 patent/WO2020019403A1/zh active Application Filing
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108319981A (zh) * | 2018-02-05 | 2018-07-24 | 清华大学 | 一种基于密度的时序数据异常检测方法及装置 |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110472894A (zh) * | 2019-09-07 | 2019-11-19 | 陈赞 | 一种基于智能配电网的电力用户用电评价方法 |
| CN111159251A (zh) * | 2019-12-19 | 2020-05-15 | 青岛聚好联科技有限公司 | 一种异常数据的确定方法及装置 |
| CN113123955A (zh) * | 2019-12-30 | 2021-07-16 | 北京国双科技有限公司 | 柱塞泵异常检测方法、装置、存储介质及电子设备 |
| CN113123955B (zh) * | 2019-12-30 | 2022-07-26 | 北京国双科技有限公司 | 柱塞泵异常检测方法、装置、存储介质及电子设备 |
| CN111719210A (zh) * | 2020-06-11 | 2020-09-29 | 苏州汇川技术有限公司 | 细纱机中异常锭子的检测方法、设备及可读存储介质 |
| CN111719210B (zh) * | 2020-06-11 | 2021-06-18 | 苏州汇川技术有限公司 | 细纱机中异常锭子的检测方法、设备及可读存储介质 |
| CN111709790A (zh) * | 2020-06-19 | 2020-09-25 | 广东电网有限责任公司 | 一种日前市场异常电价辨识方法、装置、设备和存储介质 |
| WO2021139253A1 (zh) * | 2020-07-31 | 2021-07-15 | 平安科技（深圳）有限公司 | 获取kpi异常数据样本的方法、装置和计算机设备 |
| CN112541016A (zh) * | 2020-11-26 | 2021-03-23 | 南方电网数字电网研究院有限公司 | 用电异常检测方法、装置、计算机设备和存储介质 |
| CN113688166A (zh) * | 2021-08-16 | 2021-11-23 | 远景智能国际私人投资有限公司 | 电量获取***和方法 |
| CN113688166B (zh) * | 2021-08-16 | 2023-09-12 | 远景智能国际私人投资有限公司 | 电量获取***和方法 |
| CN113688125A (zh) * | 2021-08-24 | 2021-11-23 | 平安国际智慧城市科技股份有限公司 | 基于人工智能的异常值检测方法、装置、电子设备及介质 |
| CN113688125B (zh) * | 2021-08-24 | 2023-12-05 | 平安国际智慧城市科技股份有限公司 | 基于人工智能的异常值检测方法、装置、电子设备及介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109726731B (zh) | 2023-04-18 |
| WO2020019403A1 (zh) | 2020-01-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109726731A (zh) | 用电量异常检测方法、装置、设备及可读存储介质 | |
| CN109726364A (zh) | 用电量异常检测方法、装置、终端及计算机可读存储介质 | |
| Szczurek et al. | Occupancy determination based on time series of CO2 concentration, temperature and relative humidity | |
| CN109947812A (zh) | 连续缺失值填充方法、数据分析装置、终端及存储介质 | |
| JP5805169B2 (ja) | 行動パターン分析装置および行動パターン分析方法 | |
| US11002773B2 (en) | Monitoring apparatus, monitoring method, and storage medium | |
| JP5830780B2 (ja) | 業務分析装置、業務分析システム及び業務分析方法 | |
| CN104320759B (zh) | 基于固定地标的室内定位***指纹库构建方法 | |
| CN115982602B (zh) | 一种光伏变压器电故障检测方法 | |
| WO2019153600A1 (zh) | 电子装置、楼层定位方法和计算机可读存储介质 | |
| CN110569876A (zh) | 非侵入式负荷识别方法、装置及计算设备 | |
| CN103310235B (zh) | 一种基于参数识别与估计的隐写分析方法 | |
| CN105100504A (zh) | 设备应用耗电管理方法和装置 | |
| US20210282033A1 (en) | Positioning system for integrating machine learning positioning models and positioning method for the same | |
| CN105589801A (zh) | 手机集群测试方法和*** | |
| CN105243285A (zh) | 一种大数据健康预测*** | |
| CN109033472A (zh) | 图片检索方法及装置、计算机设备及计算机可读介质 | |
| CN107589391A (zh) | 一种检测电能计量装置整体误差的方法、装置和*** | |
| CN111475746B (zh) | 兴趣点位置挖掘方法、装置、计算机设备和存储介质 | |
| US11647946B2 (en) | Computer-readable recording medium recording display program, display method, and information processing device | |
| CN102360503A (zh) | 基于空间贴近度和像素相似性的sar图像变化检测方法 | |
| EP2840402B1 (en) | Operating state estimating device for electrical apparatus, operating state estimating method for electrical apparatus, program, feature vector registration device for electrical apparatus, feature vector registration method for electrical apparatus, server apparatus, and operating state estimating system for electrical apparatus | |
| CN104318344A (zh) | 基于消费特征的产品生产辅助决策方法及*** | |
| CN104268852B (zh) | 红外序列图像中弱小目标的检测方法及其检测装置 | |
| CN111783528B (zh) | 监控货架上的物品的方法、计算机和*** |
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 |