CN110909813A - 一种基于边缘算法的商业体异常用电检测方法 - Google Patents
一种基于边缘算法的商业体异常用电检测方法 Download PDFInfo
- Publication number
- CN110909813A CN110909813A CN201911201100.XA CN201911201100A CN110909813A CN 110909813 A CN110909813 A CN 110909813A CN 201911201100 A CN201911201100 A CN 201911201100A CN 110909813 A CN110909813 A CN 110909813A
- Authority
- CN
- China
- Prior art keywords
- data
- edge
- hour
- electricity
- business
- 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 72
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 45
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 23
- 238000001514 detection method Methods 0.000 title claims abstract description 23
- 238000003708 edge detection Methods 0.000 claims abstract description 16
- 239000011159 matrix material Substances 0.000 claims description 29
- 238000000034 method Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000013480 data collection Methods 0.000 claims 1
- 230000009286 beneficial effect Effects 0.000 abstract description 6
- 238000004458 analytical method Methods 0.000 abstract description 4
- 238000012544 monitoring process Methods 0.000 abstract description 3
- 230000000737 periodic effect Effects 0.000 abstract description 3
- 230000000694 effects Effects 0.000 description 2
- 238000004378 air conditioning Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000005612 types of electricity Effects 0.000 description 1
Images
Classifications
-
- 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
- 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
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Economics (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Biology (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)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于边缘算法的商业体异常用电检测方法,包括以下步骤:采集待检测用电数据,确定待检测用电数据所在日期,并根据待检测用电数据所在日期确定训练集数据;利用边缘检测算法对训练集数据进行边缘检测,得到稳定边缘列;根据稳定边缘列和训练集数据,获取样本数据;通过样本数据构建异常规则,得到商业体用电的上下界阈值;通过上下界阈值对待检测用电数据进行用电异常检测,得到商业体用电异常结果。本发明通过对商业体用电的监控,充分利用了商业体业务天周期性的特性,且避免了小时之间的异方差问题,能够实现对异常用电的报警,有利于管理人员对商业体用能进行偏差分析和异常判断。
Description
技术领域
本发明属于商业体用电检测领域,具体涉及一种基于边缘算法的商业体异常用电检测方法。
背景技术
商业体用电特征受业务、设备类型的影响,回路复杂,回路数量众多,回路用电差异大,有单独设备回路,也有多个设备组成的复合回路。根据前期调研,商业体用电类型可分为:空调、电梯、动力、消防、照明等回路。根据对回路的分析,一些回路序列存在季节性、工作日与非工作日、是否固定启停、是否平稳用电等差异,这就决定了商业用电异常用能的检测场景比较复杂。目前用电异常检测技术包括曲线拟合,即根据拟合剩余的偏差来判别异常,这个属于波动异常,不适合不平稳的用电时序检测,即当遇到异方差的时序异常会比较难判别;也有根据当前数据历史相似天寻找相似的曲线来判断是否异常,相似天的计算方法包括KNN,DTW,聚类等方法,但是距离参数以及聚类个数设置比较复杂,且对于有固定启停的回路不能很好的判断启停边界,会将固定启停时序里面的一些波动误判别为异常。而LOF和随机森林容易将时序中的变化点识别为异常,且解释性较弱。所以目前现有技术商业体用电异常识别的准确率不高。
发明内容
针对现有技术中的上述不足,本发明提供的一种基于边缘算法的商业体异常用电检测方法解决了商业体用电异常识别的准确率不高的问题。
为了达到上述发明目的,本发明采用的技术方案为:一种基于边缘算法的商业体异常用电检测方法,包括以下步骤:
S1、采集待检测用电数据,确定待检测用电数据所在日期,并根据待检测用电数据所在日期确定训练集数据;
S2、利用边缘检测算法对训练集数据进行边缘检测,得到稳定边缘列;
S3、根据稳定边缘列和训练集数据,获取样本数据;
S4、通过样本数据构建异常规则,得到商业体用电的上下界阈值;
S5、通过上下界阈值对待检测用电数据进行异常用电检测,得到商业体异常用电检测结果。
进一步地,所述步骤S1包括以下分步骤:
S1.1、采集待检测用电数据,确定待检测用电数据所在日期d和月份t;
S1.2、根据日期d和月份t进行数据采集,并将采集的数据作为训练集数据。
进一步地,所述步骤S1.2中根据日期d和月份t进行数据采集具体方法为:对月份t中1号至日期d的用电数据、月份t的上两个月的用电数据、与去年同月相邻两个月的用电数据和去年同月的用电数据进行采集。
进一步地,所述步骤S2包括以下分步骤:
S2.1、将训练集数据归一化到[0,255]的范围内,归一化的计算公式为:
S2.2、将归一化过后的电量按天表示,将其转化为24列的二维小时矩阵X_hour(day,hour_cols);
S2.3、利用边缘检测算法对二维小时矩阵进行边缘检测,将二维小时矩阵中边缘点用255表示,将二维小时矩阵中非边缘点用0表示,得到边缘矩阵Y_hour;
S2.4、根据边缘矩阵Y_hour,获取每一个小时列向量中边缘点出现的次数占据总行数的比例;
S2.5、判断每一个小时列向量中边缘点的占比是否超过55%,若是则对应的列为稳定边缘列,并将其标记为1,否则对应的列为非边缘列,并将其标记为0。
其中,x'表示固定小时时间点电量数据的归一化结果向量,x表示发生于固定小时的历史电量向量,PARAM_xmax表示电量x的0.99分位数,PARAM_xmin表示电量x的0.01分位数,ymax表示归一化范围的上界,ymin表示归一化范围的下界,xmin表示电量最小值,xmax表示电量最大值,day表示电量x所在的天数,hour_cols表示二维小时矩阵中24小时对应的24列。
进一步地,所述步骤S2.4中每一列边缘点出现的次数占天数的比例计算公式为:
其中,cntday表示边缘矩阵Y_hour中边缘点的天数和非边缘点的天数总数,cnt0表示非边缘点出现天数,cnt255表示边缘点出现天数,z_i和表示边缘矩阵Y_hour中第i个小时对应列向量中边缘点出现的次数,f(z_i)表示边缘点占总天数的比例。
进一步地,所述步骤S3包括以下分步骤:
S3.1、将与稳定边缘列对应小时的数据作为其样本数据;所述样本数据samplej为:
samplej={trainj}
其中,trainj表示第j个小时对应稳定边缘列的数据;
S3.2、将非边缘列对应小时及其前后相邻小时的数据作为其样本数据samplei,所述样本数据samplei为:
samplei={traini_before,traini,traini_end};
其中,traini表示第i个小时对应非边缘列的数据,j∈{0,1,2,...,23,},i∈{0,1,2,...,23,},j≠i,traini_before表示第i小时的前一个小时i_before的用电数据,traini_end表示第i小时的后一个小时i_end的用电数据;当i=0时,i_before=23;当i=23时,i_end=0。
进一步地,所述步骤S4的分步骤为:
S4.1、利用样本数据samplei和samplej生成第一四分位数q75i和第三四分位数q25i;
S4.2、根据第一四分位数q75i和第三四分位数q25i生成商业体用电的上下界阈值为:
其中,thresh_maxi表示商业体用电的上界阈值,thresh_mini表示商业体用电的下界阈值。
进一步地,所述步骤S5包括以下分步骤:
S5.1、判断待检测用电数据是否大于上界阈值thresh_maxi,若是则为异常用电,否则进入步骤S5.2;
S5.2、判断检测用电数据是否小于下界阈值thresh_mini,若是则判断为异常用电,否则为正常用电,得到商业体异常用电检测结果。
本发明的有益效果为:
(1)本发明通过利用边缘检测自动识别梯度变化大的位置,有利于有效的识别回路启停的时间点位,辅助判断商业体业务中的回路开启时间是否按时;对于非边缘点,前后小时具有参考效应,因此采用前后的数据增加单个小时的样本,有利于更好的判断该小时对应的有效边界,进而判断异常。
(2)本发明通过对商业体用电的监控,充分利用了商业体业务天周期性的特性,且避免了小时之间的异方差问题,能够实现对异常用电的报警,有利于管理人员对商业体用能进行偏差分析和异常判断。
附图说明
图1为本发明提出的一种基于边缘算法的商业体异常用电检测方法流程图。
具体实施方式
下面对本发明的具体实施方式进行描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
下面结合附图详细说明本发明的实施例。
如图1所示,一种基于边缘算法的商业体异常用电检测方法,包括以下步骤:
S1、采集待检测用电数据,确定待检测用电数据所在日期,并根据待检测用电数据所在日期确定训练集数据;
S2、利用边缘检测算法对训练集数据进行边缘检测,得到稳定边缘列;
S3、根据稳定边缘列和训练集数据,获取样本数据;
S4、通过样本数据构建异常规则,得到商业体用电的上下界阈值;
S5、通过上下界阈值对待检测用电数据进行异常用电检测,得到商业体异常用电检测结果。
所述步骤S1包括以下分步骤:
S1.1、采集待检测用电数据,确定待检测用电数据所在日期d和月份t;
S1.2、根据日期d和月份t进行数据采集,并将采集的数据作为训练集数据。
所述步骤S1.2中根据日期d和月份t进行数据采集具体方法为:对月份t中1号至日期d的用电数据、月份t的上两个月的用电数据、与去年同月相邻两个月的用电数据和去年同月的用电数据进行采集。
所述步骤S2包括以下分步骤:
S2.1、将训练集数据归一化到[0,255]的范围内,归一化的计算公式为:
S2.2、将归一化过后的电量按天表示,将其转化为24列的二维小时矩阵X_hour(day,hour_cols);
S2.3、利用边缘检测算法对二维小时矩阵进行边缘检测,将二维小时矩阵中边缘点用255表示,将二维小时矩阵中非边缘点用0表示,得到边缘矩阵Y_hour;
S2.4、根据边缘矩阵Y_hour,获取每一个小时列向量中边缘点出现的次数占据总行数的比例;
S2.5、判断每一个小时列向量中边缘点的占比是否超过55%,若是则对应的列为稳定边缘列,并将其标记为1,否则对应的列为非边缘列,并将其标记为0。
其中,x'表示固定小时时间点电量数据的归一化结果向量,x表示发生于固定小时的历史电量向量,PARAM_xmax表示电量x的0.99分位数,PARAM_xmin表示电量x的0.01分位数,ymax表示归一化范围的上界,ymin表示归一化范围的下界,xmin表示电量最小值,xmax表示电量最大值,day表示电量x所在的天数,hour_cols表示二维小时矩阵中24小时对应的24列。
在本实施例中,二维小时矩阵X_hour(day,hour_cols)的每一列包括具体到某一天的日期和与其对应24个小时的用电量,二维小时矩阵X_hour(day,hour_cols)的总列数为训练集数据中的总天数。
所述步骤S2.4中每一列边缘点出现的次数占天数的比例计算公式为:
其中,cntday表示边缘矩阵Y_hour中边缘点的天数和非边缘点的天数总数,cnt0表示非边缘点出现天数,cnt255表示边缘点出现天数,z_i和表示边缘矩阵Y_hour中第i个小时对应列向量中边缘点出现的次数,f(z_i)表示边缘点占总天数的比例。
所述步骤S3包括以下分步骤:
S3.1、将与稳定边缘列对应小时的数据作为其样本数据;所述样本数据samplej为:
samplej={trainj}
其中,trainj表示第j个小时对应稳定边缘列的数据;
S3.2、将非边缘列对应小时及其前后相邻小时的数据作为其样本数据samplei,所述样本数据samplei为:
samplei={traini_before,traini,traini_end};
其中,traini表示第i个小时对应非边缘列的数据,j∈{0,1,2,...,23,},i∈{0,1,2,...,23,},j≠i,traini_before表示第i小时的前一个小时i_before的用电数据,traini_end表示第i小时的后一个小时i_end的用电数据;当i=0时,i_before=23;当i=23时,i_end=0。
所述步骤S4的分步骤为:
S4.1、利用样本数据samplei和samplej生成第一四分位数q75i和第三四分位数q25i;
S4.2、根据第一四分位数q75i和第三四分位数q25i生成商业体用电的上下界阈值为:
其中,thresh_maxi表示商业体用电的上界阈值,thresh_mini表示商业体用电的下界阈值。
所述步骤S5包括以下分步骤:
S5.1、判断待检测用电数据是否大于上界阈值thresh_maxi,若是则为异常用电,否则进入步骤S5.2;
S5.2、判断检测用电数据是否小于下界阈值thresh_mini,若是则判断为异常用电,否则为正常用电,得到商业体异常用电检测结果。
本发明通过利用边缘检测自动识别梯度变化大的位置,有利于有效的识别回路启停的时间点位,辅助判断商业体业务中的回路开启时间是否按时;对于非边缘点,前后小时具有参考效应,因此采用前后的数据增加单个小时的样本,有利于更好的判断该小时对应的有效边界,进而判断异常。
本发明通过对商业体用电的监控,充分利用了商业体业务天周期性的特性,且避免了小时之间的异方差问题,能够实现对异常用电的报警,有利于管理人员对商业体用能进行偏差分析和异常判断。
Claims (8)
1.一种基于边缘算法的商业体异常用电检测方法,其特征在于,包括以下步骤:
S1、采集待检测用电数据,确定待检测用电数据所在日期,并根据待检测用电数据所在日期确定训练集数据;
S2、利用边缘检测算法对训练集数据进行边缘检测,得到稳定边缘列;
S3、根据稳定边缘列和训练集数据,获取样本数据;
S4、通过样本数据构建异常规则,得到商业体用电的上下界阈值;
S5、通过上下界阈值对待检测用电数据进行异常用电检测,得到商业体异常用电检测结果。
2.根据权利要求1所述的一种基于边缘算法的商业体异常用电检测方法,其特征在于,所述步骤S1包括以下分步骤:
S1.1、采集待检测用电数据,确定待检测用电数据所在日期d和月份t;
S1.2、根据日期d和月份t进行数据采集,并将采集的数据作为训练集数据。
3.根据权利要求2所述的一种基于边缘算法的商业体异常用电检测方法,其特征在于,所述步骤S1.2中根据日期d和月份t进行数据采集具体方法为:对月份t中1号至日期d的用电数据、月份t的上两个月的用电数据、与去年同月相邻两个月的用电数据和去年同月的用电数据进行采集。
4.根据权利要求1所述的一种基于边缘算法的商业体异常用电检测方法,其特征在于,所述步骤S2包括以下分步骤:
S2.1、将训练集数据归一化到[0,255]的范围内,归一化的计算公式为:
S2.2、将归一化过后的电量按天表示,将其转化为24列的二维小时矩阵X_hour(day,hour_cols);
S2.3、利用边缘检测算法对二维小时矩阵进行边缘检测,将二维小时矩阵中边缘点用255表示,将二维小时矩阵中非边缘点用0表示,得到边缘矩阵Y_hour;
S2.4、根据边缘矩阵Y_hour,获取每一个小时列向量中边缘点出现的次数占据总行数的比例;
S2.5、判断每一个小时列向量中边缘点的占比是否超过55%,若是则对应的列为稳定边缘列,并将其标记为1,否则对应的列为非边缘列,并将其标记为0。
其中,x'表示固定小时时间点电量数据的归一化结果向量,x表示发生于固定小时的历史电量向量,PARAM_xmax表示电量x的0.99分位数,PARAM_xmin表示电量x的0.01分位数,ymax表示归一化范围的上界,ymin表示归一化范围的下界,xmin表示电量最小值,xmax表示电量最大值,day表示电量x所在的天数,hour_cols表示二维小时矩阵中24小时对应的24列。
6.根据权利要求1所述的一种基于边缘算法的商业体异常用电检测方法,其特征在于,所述步骤S3包括以下分步骤:
S3.1、将与稳定边缘列对应小时的数据作为其样本数据;所述样本数据samplej为:
samplej={trainj}
其中,trainj表示第j个小时对应稳定边缘列的数据;
S3.2、将非边缘列对应小时及其前后相邻小时的数据作为其样本数据samplei,所述样本数据samplei为:
samplei={traini_before,traini,traini_end};
其中,traini表示第i个小时对应非边缘列的数据,j∈{0,1,2,...,23,},i∈{0,1,2,...,23,},j≠i,traini_before表示第i小时的前一个小时i_before的用电数据,traini_end表示第i小时的后一个小时i_end的用电数据;当i=0时,i_before=23;当i=23时,i_end=0。
8.根据权利要求7所述的一种基于边缘算法的商业体异常用电检测方法,其特征在于,所述步骤S5包括以下分步骤:
S5.1、判断待检测用电数据是否大于上界阈值thresh_maxi,若是则为异常用电,否则进入步骤S5.2;
S5.2、判断检测用电数据是否小于下界阈值thresh_mini,若是则判断为异常用电,否则为正常用电,得到商业体异常用电检测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911201100.XA CN110909813B (zh) | 2019-11-29 | 2019-11-29 | 一种基于边缘算法的商业体异常用电检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911201100.XA CN110909813B (zh) | 2019-11-29 | 2019-11-29 | 一种基于边缘算法的商业体异常用电检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110909813A true CN110909813A (zh) | 2020-03-24 |
CN110909813B CN110909813B (zh) | 2022-04-22 |
Family
ID=69820743
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911201100.XA Active CN110909813B (zh) | 2019-11-29 | 2019-11-29 | 一种基于边缘算法的商业体异常用电检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110909813B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112085053A (zh) * | 2020-07-30 | 2020-12-15 | 济南浪潮高新科技投资发展有限公司 | 一种基于最近邻方法的数据漂移判别方法及装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB201108357D0 (en) * | 2011-05-18 | 2011-06-29 | Onzo Ltd | Event identification |
US20170061322A1 (en) * | 2015-08-31 | 2017-03-02 | International Business Machines Corporation | Automatic generation of training data for anomaly detection using other user's data samples |
CN106780121A (zh) * | 2016-12-06 | 2017-05-31 | 广州供电局有限公司 | 一种基于用电负荷模式分析的用电异常识别方法 |
CN109359513A (zh) * | 2018-08-29 | 2019-02-19 | 中山大学 | 一种基于边缘检测和颜色匹配的异常检测方法 |
CN109492667A (zh) * | 2018-10-08 | 2019-03-19 | 国网天津市电力公司电力科学研究院 | 一种用于非侵入式电力负荷监测的特征选择辨识方法 |
CN109919520A (zh) * | 2019-04-08 | 2019-06-21 | 四川大学 | 窃电行为检测方法及装置 |
-
2019
- 2019-11-29 CN CN201911201100.XA patent/CN110909813B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB201108357D0 (en) * | 2011-05-18 | 2011-06-29 | Onzo Ltd | Event identification |
US20170061322A1 (en) * | 2015-08-31 | 2017-03-02 | International Business Machines Corporation | Automatic generation of training data for anomaly detection using other user's data samples |
CN106780121A (zh) * | 2016-12-06 | 2017-05-31 | 广州供电局有限公司 | 一种基于用电负荷模式分析的用电异常识别方法 |
CN109359513A (zh) * | 2018-08-29 | 2019-02-19 | 中山大学 | 一种基于边缘检测和颜色匹配的异常检测方法 |
CN109492667A (zh) * | 2018-10-08 | 2019-03-19 | 国网天津市电力公司电力科学研究院 | 一种用于非侵入式电力负荷监测的特征选择辨识方法 |
CN109919520A (zh) * | 2019-04-08 | 2019-06-21 | 四川大学 | 窃电行为检测方法及装置 |
Non-Patent Citations (2)
Title |
---|
HOURUI ET AL: "Image anomaly detection for IoT equipment based on deep learning", 《JOURNAL OF VISUAL COMMUNICATION AND IMAGE REPRESENTATION》 * |
徐凯: "基于数据挖掘的异常用电行为诊断方法研究", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112085053A (zh) * | 2020-07-30 | 2020-12-15 | 济南浪潮高新科技投资发展有限公司 | 一种基于最近邻方法的数据漂移判别方法及装置 |
CN112085053B (zh) * | 2020-07-30 | 2022-08-26 | 山东浪潮科学研究院有限公司 | 一种基于最近邻方法的数据漂移判别方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN110909813B (zh) | 2022-04-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109583680B (zh) | 一种基于支持向量机的窃电辨识方法 | |
CN117093879B (zh) | 一种数据中心智能化运营管理方法及*** | |
CN109726731B (zh) | 用电量异常检测方法、装置、设备及可读存储介质 | |
CN106780121B (zh) | 一种基于用电负荷模式分析的用电异常识别方法 | |
CN111641519B (zh) | 异常根因定位方法、装置及存储介质 | |
EP3552067B1 (en) | Methods and systems for discovery of prognostic subsequences in time series | |
CN108776276B (zh) | 用电异常检测方法及*** | |
CN109947815B (zh) | 一种基于离群点算法的窃电辨识方法 | |
CN109784668B (zh) | 一种用于电力监控***异常行为检测的样本特征降维处理方法 | |
CN114076841B (zh) | 基于用电信息数据的窃电行为识别方法及*** | |
CN112418687B (zh) | 基于用电特征的用户用电异常识别方法、装置和存储介质 | |
CN117074965B (zh) | 一种锂离子电池剩余寿命预测方法及*** | |
CN115865649A (zh) | 一种智能运维管理控制方法、***和存储介质 | |
CN110909813B (zh) | 一种基于边缘算法的商业体异常用电检测方法 | |
CN115660262A (zh) | 一种基于数据库应用的工程智慧质检方法、***及介质 | |
CN115049410A (zh) | 窃电行为识别方法、装置、电子设备及计算机可读存储介质 | |
CN110738415A (zh) | 基于用电采集***和离群点算法的窃电用户分析方法 | |
CN110929800B (zh) | 一种基于sax算法的商业体异常用电检测方法 | |
CN113010394A (zh) | 一种用于数据中心的机房故障检测方法 | |
CN112365269A (zh) | 风险检测方法、装置、设备以及存储介质 | |
CN109871403B (zh) | 基于产业供应链的工业大数据分析方法 | |
CN116307886A (zh) | 一种企业生产状态的实时监测方法及装置 | |
CN115295016A (zh) | 一种设备运行状态监控方法、装置、设备及存储介质 | |
CN112526558B (zh) | 一种局部数据缺失条件下的***运行工况识别与切割方法 | |
CN112685473B (zh) | 一种基于时序分析技术的网络异常流量检测方法及其*** |
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 |