CN111178556A - 电量异常检测方法、装置、计算机设备和可读存储介质 - Google Patents
电量异常检测方法、装置、计算机设备和可读存储介质 Download PDFInfo
- Publication number
- CN111178556A CN111178556A CN201911357916.1A CN201911357916A CN111178556A CN 111178556 A CN111178556 A CN 111178556A CN 201911357916 A CN201911357916 A CN 201911357916A CN 111178556 A CN111178556 A CN 111178556A
- Authority
- CN
- China
- Prior art keywords
- electric quantity
- data
- detection model
- abnormal
- model
- 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.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 145
- 230000005856 abnormality Effects 0.000 title claims description 8
- 230000002159 abnormal effect Effects 0.000 claims abstract description 51
- 230000005611 electricity Effects 0.000 claims description 43
- 238000000034 method Methods 0.000 claims description 32
- 238000004590 computer program Methods 0.000 claims description 23
- 238000004364 calculation method Methods 0.000 claims description 22
- 238000012549 training Methods 0.000 claims description 16
- 238000004806 packaging method and process Methods 0.000 claims description 6
- 238000013135 deep learning Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000005259 measurement Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 210000003719 b-lymphocyte Anatomy 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
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
- G06Q10/20—Administration of product repair or maintenance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- G06Q20/00—Payment architectures, schemes or protocols
- G06Q20/08—Payment architectures
- G06Q20/14—Payment architectures specially adapted for billing systems
-
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Accounting & Taxation (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Finance (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Evolutionary Computation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种电量异常检测方法、装置、计算机设备和可读存储介质,包括:获取电量数据;将所述电量数据输入电量检测模型,并根据所述电量检测模型的输出结果确定所述电量数据是否异常。本申请提供的电量异常检测方法通过构建电量检测模型,可以根据电量检测模型的输出结果快速检测出大量电量数据中的异常电量数据,效率较高,且节省了大量的人力资源。
Description
技术领域
本发明涉及电力技术领域,特别是涉及一种电量异常检测方法、装置、计算机设备和可读存储介质。
背景技术
近年来,高压远程负荷测控终端、低压远程集中抄表都已实现了全覆盖。全覆盖的实现大大提高了电能电量数据的效率和频率,可采集大量的电能电量数据,极大的降低了人力成本。如何更好更高效的利用好这海量的数据,发挥其应用的潜在价值,成为电能电量管理应用上新的挑战。尤其是在目前多采用人工分析利用数据的背景下,更凸显研究开发电能电量的大数据智能运用的必要性和迫切性。
传统地,关于电量电费的管理和分析还是需要大量的人力资源,效率很低并难于全面筛查出异常电量数据,从而造成电费错误出账,后续还需要耗费大量人力和时间更正错误电费账单,同时错误的电量严重影响线损分析和管理。
发明内容
本申请提供一种电量异常检测方法、装置、计算机设备和可读存储介质,可以提高电量异常检测的效率。
一种电量异常检测方法,所述方法包括:
获取电量数据;
将所述电量数据输入电量检测模型,并根据所述电量检测模型的输出结果确定所述电量数据是否异常。
在一实施例中,所述将所述电量数据输入电量检测模型之前,所述方法还包括:
从预设电量样本集中获取电量样本;
根据所述电量样本构建所述电量检测模型。
在一实施例中,所述根据所述电量样本构建所述电量检测模型包括:
将所述电量样本按预设分类规则进行分类,得到多个电量样本子集;
针对每一个所述电量样本子集,构建对应的初始检测模型;
利用构建所述初始检测模型以外的电量样本子集对所述初始检测模型进行迭代训练,得到电量检测子模型;
将每一个所述电量检测子模型进行封装,得到所述电量检测模型。
在一实施例中,所述针对每一个所述电量样本子集,构建对应的初始检测模型包括:
获取所述电量样本子集中的特征数据和用电量;
根据所述特征数据和所述用电量构建对应的所述初始检测模型;所述特征数据包括时间信息和温度信息。
在一实施例中,所述预设分类规则包括用户类型分类规则。
在一实施例中,在所述根据所述电量检测模型的输出结果确定所述电量数据是否异常之后,所述方法还包括:
若确定所述电量数据不存在异常,则将所述电量数据输入电费计算模型,生成电费账单。
在一实施例中,在所述根据所述电量检测模型的输出结果确定所述电量数据是否异常之后,所述方法还包括:
若确定所述电量数据存在异常,则输出提示信息。
一种电量异常检测装置,所述装置包括:
获取模块,用于获取电量数据;
检测模块,用于将所述电量数据输入电量检测模型,并根据所述电量检测模型的输出结果确定所述电量数据是否异常。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述方法的步骤。
一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现上述的方法的步骤。
本申请实施例提供的电量异常检测方法、装置、计算机设备和可读存储介质,包括:获取电量数据;将所述电量数据输入电量检测模型,并根据所述电量检测模型的输出结果确定所述电量数据是否异常。本申请提供的电量异常检测方法通过构建电量检测模型,可以根据电量检测模型的输出结果快速检测出大量电量数据中的异常电量数据,效率较高,且节省了大量的人力资源。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为一实施例提供的电量异常检测方法的流程图;
图2为一个实施例中电量异常检测装置的结构框图;
图3为一个实施例中计算机设备的内部结构图。
具体实施方式
为了便于理解本申请,为使本申请的上述目的、特征和优点能够更加明显易懂,下面结合附图对本申请的具体实施方式做详细的说明。在下面的描述中阐述了很多具体细节以便于充分理解本申请,附图中给出了本申请的较佳实施方式。但是,本申请可以以许多不同的形式来实现,并不限于本文所描述的实施方式。相反地,提供这些实施方式的目的是使对本申请的公开内容理解的更加透彻全面。本申请能够以很多不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本申请内涵的情况下做类似改进,因此本申请不受下面公开的具体实施例的限制。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。在本申请的描述中,“若干”的含义是至少一个,例如一个,两个等,除非另有明确具体的限定。
除非另有定义,本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述具体的实施方式的目的,不是旨在于限制本申请。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。
图1为一实施例提供的电量异常检测方法的流程图,如图1所示,电量异常检测方法包括步骤110和步骤120,其中:
步骤110,获取电量数据。
本申请的电量数据可以包括用电量、电量日期、用户信息、所属线路、所属变电站等信息。其中,用户信息包括用户名、ID号、标识等,用电量包括各种类别的用电量。在获取到电量数据后可以以列表的格式进行存储,例如:用户信息:001,电量日期:2019年10月,用电量:10KW,所述线路:广东省深圳市B小区第一线路,所述变电站:广东省深圳市第一变电站。电量数据的存储格式还可以为其他格式,本实施例不作具体限定。
步骤120,将所述电量数据输入电量检测模型,并根据所述电量检测模型的输出结果确定所述电量数据是否异常。
在获取到电量数据后,将电量数据输入至电量检测模型,电量检测模型对接收到的电量数据进行检测并数据检测结果,根据检测结果可以快速筛查出异常电量数据。可以理解的是,由于目前高压远程负荷测控终端、低压远程集中抄表都已实现了全覆盖,因此可以将多个变电站的多个用户的电量数据同时输入至电量检测模型。
在一实施例中,所述将所述电量数据输入电量检测模型之前,所述方法还包括:
从预设电量样本集中获取电量样本;
根据所述电量样本构建所述电量检测模型。
预设电量样本集可以是预先存储的历史用电相关信息,历史用电相关信息需要为正常的数据,若存在异常数据,则会影响电量检测模型的质量。
在一实施例中,所述根据所述电量样本构建所述电量检测模型包括:
将所述电量样本按预设分类规则进行分类,得到多个电量样本子集。
需要说明的是,本申请中,多个可以理解为至少2个(大于等于2),也即,多个为2个、3个甚至更多个。
在一实施例中,所述预设分类规则包括用户类型分类规则。由于不同的用户类型用电需求和用电量均会存在差别,例如商品房用户和普通住宅用户的用电量会有明显差异,并且商品房用户和普通住宅用户的电费计算方式也不同,因此本申请以按照用户类型将用电数据进行分类为例进行说明。
按照用户类型将所述电量样本进行分类,得到多个电量样本子集,每一电量样本子集对应不同的类别。具体如下:
每一个电量信息均携带对应的标识信息,所述标识信息唯一标识所述电量信息的用户类型。通过识别电量信息的标识信息对所述电量信息进行分类处理。标识信息可以为数字、字母等,具体形式不做限定。
在一个实施例中,标识信息由数字组成,用于表示所述电量信息的类别信息。例如,可以用数字1来表示该电量信息为A类型用户,数字2为B类型用户。
在一实施例中,预设分类规则包括按照电量数据的采集时间分类规则。按照各个电量样本的采集时间进行分类,得到各个年份、各个月份对应的电量样本子集。例如第一个电量样本子集的信息为:2019年6月1日,位置为广东省深圳市xxx办公楼和气温30摄氏度的用电量,第二个电量样本子集的信息为:2019年6月2日,位置为广东省深圳市xxx办公楼和气温30摄氏度的用电量,第三个电量样本子集的信息为:2019年3月2日,位置为广东省深圳市xxx办公楼和气温15摄氏度的用电量。由于是否为休息日会对xxx办公楼用电量的多少产生影响,气温的高低也会对用电量产生影响。因此可以通过电量数据的采集时间对用电数据进行分类。
针对每一个所述电量样本子集,构建对应的初始检测模型。
在一实施例中,获取所述电量样本子集中的特征数据和用电量,所述特征数据包括时间信息和温度信息。
根据所述特征数据和所述用电量构建对应的所述初始检测模型;
初始检测模型可以使用深度学习框架Pytorch或者Caffe构建初始模型。在构建初始模型之后,需要对初始模型进行训练。训练样本的数量本实施例不作限制,训练样本的数量越多,训练得到的模型鲁棒性越强。
初始检测模型可以基于卷积运算的卷积网络***构建,另外采用深度学***移不变分类。监督学习(Supervised Learning)本质上就是通过有标签的数据训练获得一个模型,然后通过获得的模型,给新增数据添加上特定的标签。整个机器学习的目标,都是使学习得到的模型能很好地适用于新样本。
利用构建所述初始检测模型以外的电量样本子集对所述初始检测模型进行迭代训练,得到电量检测子模型。
在一实施例中,电量数据中的特征数据对用电量的影响程度不同,多个特征数据与用电量之间具有函数关系,可以是线性的一元一次方程,也可以是非线性的一元二次方程或二元二次方程等,本申请实施例对此不作限制。以二元二次方程f(z)=ax2+by2+cxy+dx+ey+f为例,其中,z表示用电量,x表示时间信息,y表示温度信息,将其中一个电量样本子集中的时间信息、温度信息和用电量对该二元二次方程进行迭代训练,得到最优的a值、b值、c值、e值和f值,最终得到该电量样本子集对应的电量检测子模型。
将每一个所述电量检测子模型进行封装,得到所述电量检测模型。
根据预设分类规则对电量检测子模型进行封装,本实施例将不同用户类型对应的电量检测子模型进行封装,得到电量检测模型。在获取到电量数据后,首先获取该电量数据的用户类型,然后根据用户类型将该电量数据输入至对应的电量检测子模型,电量检测子模型首先根据电量数据中的特征数据计算得到理论用电量,将理论用电量与电量数据中的实际用电量进行比较,若理论用电量与实际用电量相差预设阈值,则确定所述用电数据为异常。
本申请实施例提供的电量异常检测方法、装置、计算机设备和可读存储介质,包括:获取电量数据;将所述电量数据输入电量检测模型,并根据所述电量检测模型的输出结果确定所述电量数据是否异常。本申请提供的电量异常检测方法通过构建电量检测模型,可以根据电量检测模型的输出结果快速检测出大量电量数据中的异常电量数据,效率较高,且节省了大量的人力资源。
在一实施例中,在所述根据所述电量检测模型的输出结果确定所述电量数据是否异常之后,所述方法还包括:
若确定所述电量数据不存在异常,则将所述电量数据输入电费计算模型,生成电费账单。
电费计算模型可以预先设置,在确定电量数据不存在异常后,将电量数据输入电费计算模型可以直接生成电费账单,从而提高电费计算效率,且保证了电费计算的准确性。需要说明的是,电费计算模型可以根据电费单价进行调整,且不同类型的用户可以对应不同的电费计算模型。
在一实施例中,在所述根据所述电量检测模型的输出结果确定所述电量数据是否异常之后,所述方法还包括:
若确定所述电量数据存在异常,则输出提示信息。提示信息可以是语音提示,也可以显示提示框,具体提示方式本实施例不作限定,可以根据实际情况设置。
应该理解的是,虽然图1的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图1中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图2所示,提供了一种电量异常检测装置,包括:获取模块210和检测模块220,其中:
获取模块210,用于获取电量数据。
本申请的电量数据可以包括用电量、电量日期、用户信息、所属线路、所属变电站等信息。其中,用户信息包括用户名、ID号、标识等,用电量包括各种类别的用电量。在获取到电量数据后可以以列表的格式进行存储,例如:用户信息:001,电量日期:2019年10月,用电量:10KW,所述线路:广东省深圳市B小区第一线路,所述变电站:广东省深圳市第一变电站。电量数据的存储格式还可以为其他格式,本实施例不作具体限定。
检测模块220,用于将所述电量数据输入电量检测模型,并根据所述电量检测模型的输出结果确定所述电量数据是否异常。
在获取到电量数据后,将电量数据输入至电量检测模型,电量检测模型对接收到的电量数据进行检测并数据检测结果,根据检测结果可以快速筛查出异常电量数据。可以理解的是,由于目前高压远程负荷测控终端、低压远程集中抄表都已实现了全覆盖,因此可以将多个变电站的多个用户的电量数据同时输入至电量检测模型。
在一实施例中,电量异常检测装置还包括模型建立模块,用于从预设电量样本集中获取电量样本;
根据所述电量样本构建所述电量检测模型。
预设电量样本集可以是预先存储的历史用电相关信息,历史用电相关信息需要为正常的数据,若存在异常数据,则会影响电量检测模型的质量。
在一实施例中,模型建立模块还用于将所述电量样本按预设分类规则进行分类,得到多个电量样本子集。
需要说明的是,本申请中,多个可以理解为至少2个(大于等于2),也即,多个为2个、3个甚至更多个。
在一实施例中,所述预设分类规则包括用户类型分类规则。由于不同的用户类型用电需求和用电量均会存在差别,例如商品房用户和普通住宅用户的用电量会有明显差异,并且商品房用户和普通住宅用户的电费计算方式也不同,因此本申请以按照用户类型将用电数据进行分类为例进行说明。
按照用户类型将所述电量样本进行分类,得到多个电量样本子集,每一电量样本子集对应不同的类别。具体如下:
每一个电量信息均携带对应的标识信息,所述标识信息唯一标识所述电量信息的用户类型。通过识别电量信息的标识信息对所述电量信息进行分类处理。标识信息可以为数字、字母等,具体形式不做限定。
在一个实施例中,标识信息由数字组成,用于表示所述电量信息的类别信息。例如,可以用数字1来表示该电量信息为A类型用户,数字2为B类型用户。
在一实施例中,预设分类规则包括按照电量数据的采集时间分类规则。按照各个电量样本的采集时间进行分类,得到各个年份、各个月份对应的电量样本子集。例如第一个电量样本子集的信息为:2019年6月1日,位置为广东省深圳市xxx办公楼和气温30摄氏度的用电量,第二个电量样本子集的信息为:2019年6月2日,位置为广东省深圳市xxx办公楼和气温30摄氏度的用电量,第三个电量样本子集的信息为:2019年3月2日,位置为广东省深圳市xxx办公楼和气温15摄氏度的用电量。由于是否为休息日会对xxx办公楼用电量的多少产生影响,气温的高低也会对用电量产生影响。因此可以通过电量数据的采集时间对用电数据进行分类。
针对每一个所述电量样本子集,构建对应的初始检测模型。
在一实施例中,模型建立模块还用于获取所述电量样本子集中的特征数据和用电量;
根据所述特征数据和所述用电量构建对应的所述初始检测模型;所述特征数据包括时间信息和温度信息。
初始检测模型可以使用深度学习框架Pytorch或者Caffe构建初始模型。在构建初始模型之后,需要对初始模型进行训练。训练样本的数量本实施例不作限制,训练样本的数量越多,训练得到的模型鲁棒性越强。
初始检测模型可以基于卷积运算的卷积网络***构建,另外采用深度学***移不变分类。监督学习(Supervised Learning)本质上就是通过有标签的数据训练获得一个模型,然后通过获得的模型,给新增数据添加上特定的标签。整个机器学习的目标,都是使学习得到的模型能很好地适用于新样本。
利用构建所述初始检测模型以外的电量样本子集对所述初始检测模型进行迭代训练,得到电量检测子模型。
在一实施例中,电量数据中的特征数据对用电量的影响程度不同,多个特征数据与用电量之间具有函数关系,可以是线性的一元一次方程,也可以是非线性的一元二次方程或二元二次方程等,本申请实施例对此不作限制。以二元二次方程f(z)=ax2+by2+cxy+dx+ey+f为例,其中,z表示用电量,x表示时间信息,y表示温度信息,将其中一个电量样本子集中的时间信息、温度信息和用电量对该二元二次方程进行迭代训练,得到最优的a值、b值、c值、e值和f值,最终得到该电量样本子集对应的电量检测子模型。
将每一个所述电量检测子模型进行封装,得到所述电量检测模型。
根据预设分类规则对电量检测子模型进行封装,本实施例将不同用户类型对应的电量检测子模型进行封装,得到电量检测模型。在获取到电量数据后,首先获取该电量数据的用户类型,然后根据用户类型将该电量数据输入至对应的电量检测子模型,电量检测子模型首先根据电量数据中的特征数据计算得到理论用电量,将理论用电量与电量数据中的实际用电量进行比较,若理论用电量与实际用电量相差预设阈值,则确定所述用电数据为异常。
在一实施例中,电量异常检测装置还包括电费账单生成模块,用于若确定所述电量数据不存在异常,则将所述电量数据输入电费计算模型,生成电费账单。
电费计算模型可以预先设置,在确定电量数据不存在异常后,将电量数据输入电费计算模型可以直接生成电费账单,从而提高电费计算效率,且保证了电费计算的准确性。需要说明的是,电费计算模型可以根据电费单价进行调整,且不同类型的用户可以对应不同的电费计算模型。
在一实施例中,电量异常检测装置还包括提示模块,用于若确定所述电量数据存在异常,则输出提示信息。
若确定所述电量数据存在异常,则输出提示信息。提示信息可以是语音提示,也可以显示提示框,具体提示方式本实施例不作限定,可以根据实际情况设置。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图3所示。该计算机设备包括通过***总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***和计算机程序。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种电量异常检测装置方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图3中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
获取电量数据;
将所述电量数据输入电量检测模型,并根据所述电量检测模型的输出结果确定所述电量数据是否异常。
在一实施例中,处理器执行计算机程序时还实现以下步骤:
从预设电量样本集中获取电量样本;
根据所述电量样本构建所述电量检测模型。
在一实施例中,处理器执行计算机程序时还实现以下步骤:
将所述电量样本按预设分类规则进行分类,得到多个电量样本子集;
针对每一个所述电量样本子集,构建对应的初始检测模型;
利用构建所述初始检测模型以外的电量样本子集对所述初始检测模型进行迭代训练,得到电量检测子模型;
将每一个所述电量检测子模型进行封装,得到所述电量检测模型。
在一实施例中,处理器执行计算机程序时还实现以下步骤:
获取所述电量样本子集中的特征数据和用电量;
根据所述特征数据和所述用电量构建对应的所述初始检测模型;所述特征数据包括时间信息和温度信息。
在一实施例中,处理器执行计算机程序时还实现以下步骤:
若确定所述电量数据不存在异常,则将所述电量数据输入电费计算模型,生成电费账单。
在一实施例中,处理器执行计算机程序时还实现以下步骤:
若确定所述电量数据存在异常,则输出提示信息。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取电量数据;
将所述电量数据输入电量检测模型,并根据所述电量检测模型的输出结果确定所述电量数据是否异常。
在一实施例中,计算机程序被处理器执行时实现以下步骤:
从预设电量样本集中获取电量样本;
根据所述电量样本构建所述电量检测模型。
在一实施例中,计算机程序被处理器执行时实现以下步骤:
将所述电量样本按预设分类规则进行分类,得到多个电量样本子集;
针对每一个所述电量样本子集,构建对应的初始检测模型;
利用构建所述初始检测模型以外的电量样本子集对所述初始检测模型进行迭代训练,得到电量检测子模型;
将每一个所述电量检测子模型进行封装,得到所述电量检测模型。
在一实施例中,计算机程序被处理器执行时实现以下步骤:
获取所述电量样本子集中的特征数据和用电量;
根据所述特征数据和所述用电量构建对应的所述初始检测模型;所述特征数据包括时间信息和温度信息。
在一实施例中,计算机程序被处理器执行时实现以下步骤:
若确定所述电量数据不存在异常,则将所述电量数据输入电费计算模型,生成电费账单。
在一实施例中,计算机程序被处理器执行时实现以下步骤:
若确定所述电量数据存在异常,则输出提示信息。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种电量异常检测方法,其特征在于,所述方法包括:
获取电量数据;
将所述电量数据输入电量检测模型,并根据所述电量检测模型的输出结果确定所述电量数据是否异常。
2.根据权利要求1所述的方法,其特征在于,所述将所述电量数据输入电量检测模型之前,所述方法还包括:
从预设电量样本集中获取电量样本;
根据所述电量样本构建所述电量检测模型。
3.根据权利要求2所述的方法,其特征在于,所述根据所述电量样本构建所述电量检测模型包括:
将所述电量样本按预设分类规则进行分类,得到多个电量样本子集;
针对每一个所述电量样本子集,构建对应的初始检测模型;
利用构建所述初始检测模型以外的电量样本子集对所述初始检测模型进行迭代训练,得到电量检测子模型;
将每一个所述电量检测子模型进行封装,得到所述电量检测模型。
4.根据权利要求3所述的方法,其特征在于,所述针对每一个所述电量样本子集,构建对应的初始检测模型包括:
获取所述电量样本子集中的特征数据和用电量;
根据所述特征数据和所述用电量构建对应的所述初始检测模型;所述特征数据包括时间信息和温度信息。
5.根据权利要求3所述的方法,其特征在于,所述预设分类规则包括用户类型分类规则。
6.根据权利要求1所述的方法,其特征在于,在所述根据所述电量检测模型的输出结果确定所述电量数据是否异常之后,所述方法还包括:
若确定所述电量数据不存在异常,则将所述电量数据输入电费计算模型,生成电费账单。
7.根据权利要求1所述的方法,其特征在于,在所述根据所述电量检测模型的输出结果确定所述电量数据是否异常之后,所述方法还包括:
若确定所述电量数据存在异常,则输出提示信息。
8.一种电量异常检测装置,其特征在于,所述装置包括:
获取模块,用于获取电量数据;
检测模块,用于将所述电量数据输入电量检测模型,并根据所述电量检测模型的输出结果确定所述电量数据是否异常。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911357916.1A CN111178556A (zh) | 2019-12-25 | 2019-12-25 | 电量异常检测方法、装置、计算机设备和可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911357916.1A CN111178556A (zh) | 2019-12-25 | 2019-12-25 | 电量异常检测方法、装置、计算机设备和可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111178556A true CN111178556A (zh) | 2020-05-19 |
Family
ID=70654051
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911357916.1A Pending CN111178556A (zh) | 2019-12-25 | 2019-12-25 | 电量异常检测方法、装置、计算机设备和可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111178556A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112184491A (zh) * | 2020-10-13 | 2021-01-05 | 南方电网数字电网研究院有限公司 | 电网中异常数据识别方法、装置、计算机设备和存储介质 |
CN113110961A (zh) * | 2021-04-30 | 2021-07-13 | 平安国际融资租赁有限公司 | 设备异常检测方法、装置、计算机设备及可读存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106707099A (zh) * | 2016-11-30 | 2017-05-24 | 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 |
CN106780115A (zh) * | 2016-11-30 | 2017-05-31 | 国网上海市电力公司 | 异常用电监测与定位***及方法 |
CN109636667A (zh) * | 2018-12-07 | 2019-04-16 | 国网江苏省电力有限公司扬州供电分公司 | 一种基于用户周用电特征的低压用户用电异常检测方法 |
CN109726885A (zh) * | 2018-07-17 | 2019-05-07 | 平安科技(深圳)有限公司 | 用电量异常评估方法、装置、设备和计算机存储介质 |
CN110045209A (zh) * | 2019-05-10 | 2019-07-23 | 广东电网有限责任公司 | 用电数据异常的检测方法、装置、设备及可读存储介质 |
CN110119758A (zh) * | 2019-04-01 | 2019-08-13 | 全球能源互联网研究院有限公司 | 一种用电数据异常检测及模型训练方法、装置 |
-
2019
- 2019-12-25 CN CN201911357916.1A patent/CN111178556A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106707099A (zh) * | 2016-11-30 | 2017-05-24 | 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 |
CN106780115A (zh) * | 2016-11-30 | 2017-05-31 | 国网上海市电力公司 | 异常用电监测与定位***及方法 |
CN109726885A (zh) * | 2018-07-17 | 2019-05-07 | 平安科技(深圳)有限公司 | 用电量异常评估方法、装置、设备和计算机存储介质 |
CN109636667A (zh) * | 2018-12-07 | 2019-04-16 | 国网江苏省电力有限公司扬州供电分公司 | 一种基于用户周用电特征的低压用户用电异常检测方法 |
CN110119758A (zh) * | 2019-04-01 | 2019-08-13 | 全球能源互联网研究院有限公司 | 一种用电数据异常检测及模型训练方法、装置 |
CN110045209A (zh) * | 2019-05-10 | 2019-07-23 | 广东电网有限责任公司 | 用电数据异常的检测方法、装置、设备及可读存储介质 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112184491A (zh) * | 2020-10-13 | 2021-01-05 | 南方电网数字电网研究院有限公司 | 电网中异常数据识别方法、装置、计算机设备和存储介质 |
CN112184491B (zh) * | 2020-10-13 | 2023-10-24 | 南方电网数字电网研究院有限公司 | 电网中异常数据识别方法、装置、计算机设备和存储介质 |
CN113110961A (zh) * | 2021-04-30 | 2021-07-13 | 平安国际融资租赁有限公司 | 设备异常检测方法、装置、计算机设备及可读存储介质 |
CN113110961B (zh) * | 2021-04-30 | 2022-10-21 | 平安国际融资租赁有限公司 | 设备异常检测方法、装置、计算机设备及可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
James et al. | Intelligent time-adaptive transient stability assessment system | |
Xu et al. | Life prediction of lithium-ion batteries based on stacked denoising autoencoders | |
Chen et al. | Remaining useful life prediction and state of health diagnosis of lithium-ion battery based on second-order central difference particle filter | |
Aitio et al. | Predicting battery end of life from solar off-grid system field data using machine learning | |
Strange et al. | Prediction of future capacity and internal resistance of Li-ion cells from one cycle of input data | |
Kim et al. | Impedance-based capacity estimation for lithium-ion batteries using generative adversarial network | |
Feng et al. | State of health estimation of large-cycle lithium-ion batteries based on error compensation of autoregressive model | |
Fioriti et al. | Optimal sizing of residential battery systems with multi-year dynamics and a novel rainflow-based model of storage degradation: An extensive Italian case study | |
EP3905424A1 (en) | Data processing device, data processing method and computer program | |
CN111178556A (zh) | 电量异常检测方法、装置、计算机设备和可读存储介质 | |
Luo et al. | A simple feature extraction method for estimating the whole life cycle state of health of lithium-ion batteries using transformer-based neural network | |
Radaideh et al. | Efficient analysis of parametric sensitivity and uncertainty of fuel cell models with application to SOFC | |
Kunz et al. | Early battery performance prediction for mixed use charging profiles using hierarchal machine learning | |
Chen et al. | State of health estimation of lithium-ion batteries based on equivalent circuit model and data-driven method | |
Ly et al. | T-shape data and probabilistic remaining useful life prediction for Li-ion batteries using multiple non-crossing quantile long short-term memory | |
Kim et al. | Bayesian parameter identification in electrochemical model for lithium-ion batteries | |
Renold et al. | Comprehensive Review of Machine Learning, Deep Learning, and Digital Twin Data-Driven Approaches in Battery Health Prediction of Electric Vehicles | |
CN117310500A (zh) | 电池状态分类模型构建方法及电池状态分类方法 | |
Zhang et al. | A method for remaining discharge time prediction of lithium‐ion batteries under dynamic uncertainty | |
CN113933718B (zh) | 一种退役电池容量分选方法、装置、设备及存储介质 | |
CN115423159A (zh) | 光伏发电预测方法、装置及终端设备 | |
CN115511016A (zh) | 一种基于增量主动学习的电费异常检测方法及其装置 | |
CN115267586A (zh) | 锂电池soh评估方法 | |
CN112256735B (zh) | 一种用电监测方法、装置、计算机设备和存储介质 | |
CN114660468A (zh) | 一种退役电池荷电状态预测方法、装置及电子设备 |
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 |