CN111310120A - 基于大数据的异常用电用户识别方法、装置、终端和介质 - Google Patents
基于大数据的异常用电用户识别方法、装置、终端和介质 Download PDFInfo
- Publication number
- CN111310120A CN111310120A CN202010093088.1A CN202010093088A CN111310120A CN 111310120 A CN111310120 A CN 111310120A CN 202010093088 A CN202010093088 A CN 202010093088A CN 111310120 A CN111310120 A CN 111310120A
- Authority
- CN
- China
- Prior art keywords
- user
- electricity
- power consumption
- target user
- electricity consumption
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/17—Function evaluation by approximation methods, e.g. inter- or extrapolation, smoothing, least mean square method
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Mathematical Optimization (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Evolutionary Biology (AREA)
- Pure & Applied Mathematics (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种基于大数据的异常用电用户识别、装置、终端和介质,本申请首先按照平均用电量和用户类型,将各个用户的历史用电量数据划分为多个用户集合,然后根据目标用户的历史用电量数据和目标用户集合中的历史用电量数据,分别计算出同比用电量、环比用电量、同类用户用电量的均值和方差,进而得到代表目标用户的历史用电习惯的用电量波动区间。通过利用该目标用户的用电量波动区间对目标用户的实际用电量波动进行针对性判断,可以避免现有的识别方式忽略了不同用户个体的用电习惯的技术现状,解决了现有的异常用电用户识别方法误判率高的技术问题。
Description
技术领域
本申请涉及电力数据处理领域,尤其涉及一种基于大数据的异常用电用户识别、装置、终端和介质。
背景技术
由于近年来电网信息化水平的不断提高,各类信息管理***积累了大量的客户服务数据,并且呈指数规模增长,为了进一步提高电网公司的营销服务质量,提高对异常用电用户的稽查质量电网提升客户服务质量的重要环节。
目前常用的异常用电用户识别手段为基于阀值的核查类规则,以电量波动率为例,基于阀值规则的异常记录往往单凭待稽查用户的本期电量值与其他同类型用户的基准电量值的比对,从而做出用户异常用电判断,然而这种通用的识别方式忽略了不同用户个体的用电习惯,导致了现有的异常用电用户识别方法误判率高的技术问题。
发明内容
本申请提供了一种基于大数据的异常用电用户识别、装置、终端和介质,用于解决现有的异常用电用户识别方法误判率高的技术问题。
有鉴于此,本申请第一方面提供了一种基于大数据的异常用电用户识别方法,包括:
获取各个待识别用户的历史用电量数据;
根据所述各个待识别用户的历史平均用电量与预设的平均用电量分级阈值的比较结果,确定所述各个待识别用户的用电量分级区间;
根据所述各个待识别用户的用户类型,分别对各个所述用电量分级区间中的待识别用户进行聚类,得到用户集合;
根据目标用户的历史用电量数据,计算所述目标用户的同比用电量均值、同比用电量方差、环比用电量均值和环比用电量方差,其中,所述目标用户为所述待识别用户中的一个用户;
根据所述目标用户所在的目标用户集合和所述目标用户集合中各个所述待识别用户的历史用电量数据,计算所述目标用户的同类用户用电量均值和同类用户用电量方差;
根据所述同比用电量均值、所述环比用电量均值和所述同类用户用电量均值进行加权求和,得到所述目标用户对应的历史用电均值;
根据所述同比用电量方差、所述环比用电量方差和所述同类用户用电量方差进行加权求和,得到所述目标用户对应的历史用电方差;
根据所述历史用电均值与所述历史用电方差的和值和差值,得到所述目标用户的用电量波动区间;
根据所述用电量波动区间与所述目标用户的实际用电波动进行比较,以获取所述目标用户的异常用电识别结果。
可选地,所述根据所述用电量波动区间与所述目标用户的实际用电波动进行比较,以获取所述目标用户的异常用电识别结果具体包括:
根据所述用电量波动区间与所述目标用户的实际用电量波动进行比较,若所述实际用电量波动超出所述用电量波动区间限定的范围外,则将所述目标用户设为异常用电用户,若所述实际用电量波动处于所述用电量波动区间限定的范围内,则将所述目标用户设为正常用户。
可选地,所述根据所述历史用电均值与所述历史用电方差的和值和差值,得到所述目标用户的用电量波动区间具体包括:
以所述历史用电均值与所述历史用电方差之和为区间上限,以所述历史用电均值与所述历史用电方差之差为区间下限,根据所述区间上限和所述区间下限,得到所述目标用户的用电量波动区间。
可选地,所述待识别用户的用户类型具体包括:居民用电类型、商业用电类型和工业用电类型。
本申请第二方面提供了一种基于大数据的异常用电用户识别装置,包括:
历史数据获取单元,用于获取各个待识别用户的历史用电量数据;
平均用电量分级单元,用于根据所述各个待识别用户的历史平均用电量与预设的平均用电量分级阈值的比较结果,确定所述各个待识别用户的用电量分级区间;
用户分类单元,用于根据所述各个待识别用户的用户类型,分别对各个所述用电量分级区间中的待识别用户进行聚类,得到用户集合;
第一用电参数计算单元,用于根据目标用户的历史用电量数据,计算所述目标用户的同比用电量均值、同比用电量方差、环比用电量均值和环比用电量方差,其中,所述目标用户为所述待识别用户中的一个用户;
第二用电参数计算单元,用于根据所述目标用户所在的目标用户集合和所述目标用户集合中各个所述待识别用户的历史用电量数据,计算所述目标用户的同类用户用电量均值和同类用户用电量方差;
历史用电均值计算单元,用于根据所述同比用电量均值、所述环比用电量均值和所述同类用户用电量均值进行加权求和,得到所述目标用户对应的历史用电均值;
历史用电方差计算单元,用于根据所述同比用电量方差、所述环比用电量方差和所述同类用户用电量方差进行加权求和,得到所述目标用户对应的历史用电方差;
用电量波动区间建立单元,用于根据所述历史用电均值与所述历史用电方差的和值和差值,得到所述目标用户的用电量波动区间;
异常用电判定单元,用于根据所述用电量波动区间与所述目标用户的实际用电波动进行比较,以获取所述目标用户的异常用电识别结果。
可选地,所述异常用电判定单元具体用于:
根据所述用电量波动区间与所述目标用户的实际用电量波动进行比较,若所述实际用电量波动超出所述用电量波动区间限定的范围外,则将所述目标用户设为异常用电用户,若所述实际用电量波动处于所述用电量波动区间限定的范围内,则将所述目标用户设为正常用户。
可选地,所述用电量波动区间建立单元具体用于:
以所述历史用电均值与所述历史用电方差之和为区间上限,以所述历史用电均值与所述历史用电方差之差为区间下限,根据所述区间上限和所述区间下限,得到所述目标用户的用电量波动区间。
可选地,所述待识别用户的用户类型具体包括:居民用电类型、商业用电类型和工业用电类型。
本申请第三方面提供了一种终端,包括:存储器和处理器;
所述存储器用于存储与本申请第一方面所述的基于大数据的异常用电用户识别相对应的程序代码;
所述处理器用于执行所述程序代码。
本申请第四方面提供了一种存储介质,所述存储介质中保存有与本申请第一方面所述的基于大数据的异常用电用户识别相对应的程序代码。
从以上技术方案可以看出,本申请实施例具有以下优点:
本申请提供了一种基于大数据的异常用电用户识别方法,包括:获取各个待识别用户的历史用电量数据;根据各个待识别用户的历史平均用电量与预设的平均用电量分级阈值的比较结果,确定各个待识别用户的用电量分级区间;根据各个待识别用户的用户类型,分别对各个用电量分级区间中的待识别用户进行聚类,得到用户集合;根据目标用户的历史用电量数据,计算目标用户的同比用电量均值、同比用电量方差、环比用电量均值和环比用电量方差,其中,目标用户为待识别用户中的一个用户;根据目标用户所在的目标用户集合和目标用户集合中各个待识别用户的历史用电量数据,计算目标用户的同类用户用电量均值和同类用户用电量方差;根据同比用电量均值、环比用电量均值和同类用户用电量均值进行加权求和,得到目标用户对应的历史用电均值;根据同比用电量方差、环比用电量方差和同类用户用电量方差进行加权求和,得到目标用户对应的历史用电方差;根据历史用电均值与历史用电方差的和值和差值,得到目标用户的用电量波动区间;根据用电量波动区间与目标用户的实际用电波动进行比较,以获取目标用户的异常用电识别结果。
本申请首先按照平均用电量和用户类型,将各个用户的历史用电量数据划分为多个用户集合,然后根据目标用户的历史用电量数据和目标用户集合中的历史用电量数据,分别计算出同比用电量、环比用电量、同类用户用电量的均值和方差,进而得到代表目标用户的历史用电习惯的用电量波动区间。通过利用该目标用户的用电量波动区间对目标用户的实际用电量波动进行针对性判断,可以避免现有的识别方式忽略了不同用户个体的用电习惯的技术现状,解决了现有的异常用电用户识别方法误判率高的技术问题。
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性的前提下,还可以根据这些附图获得其它的附图。
图1为本申请提供的一种基于大数据的异常用电用户识别方法的第一个实施例的流程示意图;
图2为本申请提供的一种基于大数据的异常用电用户识别装置的第一个实施例的结构示意图。
具体实施方式
本申请实施例提供了一种基于大数据的异常用电用户识别、装置、终端和介质,用于现有的异常用电用户识别方法误判率高的技术问题。
为使得本申请的发明目的、特征、优点能够更加的明显和易懂,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,下面所描述的实施例仅仅是本申请一部分实施例,而非全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本申请保护的范围。
请参阅图1,本申请第一个实施例提供了一种基于大数据的异常用电用户识别方法,包括:
步骤101、获取各个待识别用户的历史用电量数据。
首先,在实施本实施例的异常用电用户识别方法时,先获取待识别用户的历史用电量数据,其中这里的历史用电量数据包括该用户在一定时期内的全部用电量抄表数据,且本实施例中的“一定时期”的优选范围为大于两年。
步骤102、根据各个待识别用户的历史平均用电量与预设的平均用电量分级阈值的比较结果,确定各个待识别用户的用电量分级区间。
接着,根据获取的每一个待识别用户的历史用电量数据,计算出每一个待识别用户的历史平均用电量,即历史用电量的平均值,然后,依次将每个待识别用户的历史平均用电量与预设的平均用电量分级阈值,确定各个待识别用户的用电量分级区间,具体的,即本实施例的平均用电量分级阈值代表的是预设的各个用电量分级区间的上限或下限,根据每一个待识别用户的历史平均用电量分别与各个用电量分级区间的上下限进行大小比较,确定历史平均用电量在哪个用电量分级区间内,从而确定各个待识别用户的用电量分级区间。
步骤103、根据各个待识别用户的用户类型,分别对各个用电量分级区间中的待识别用户进行聚类,得到用户集合。
再接着,基于步骤102的平均用电量分级结果,依次对每个用电量分级区间内的待识别用户进行聚类,具体步骤包括:首先,选定一个用电量分级区间,逐一确定用电量分级区间内的各个待识别用户的用户类型属性,将用户类型属性相同的待识别用户聚合在同一个用户集合中,对于其他的用电量分级区间也是采取同样处理流程。
其中,本实施例的待识别用户的用户类型包括:居民用电类型、商业用电类型和工业用电类型
步骤104、根据目标用户的历史用电量数据,计算目标用户的同比用电量均值、同比用电量方差、环比用电量均值和环比用电量方差。其中,目标用户为待识别用户中的一个用户。
再接着,基于步骤103得到的各个用户集合,从待识别用户中选定一个目标用户,以这个目标用户的历史用电量数据分别进行同比测算和环比测算,并算出同比用电量均值、同比用电量方差、环比用电量均值和环比用电量方差。
步骤105、根据目标用户所在的目标用户集合和目标用户集合中各个待识别用户的历史用电量数据,计算目标用户的同类用户用电量均值和同类用户用电量方差。
再接着,根据目标用户所在的目标用户集合和目标用户集合中各个待识别用户的历史用电量数据(包括目标用户的历史用电量数据),计算目标用户和目标用户集合中的其他待识别用户在同一时间范围的历史用电量数据进行均值计算和方差计算,得到同类用户用电量均值和同类用户用电量方差。
步骤106、根据同比用电量均值、环比用电量均值和同类用户用电量均值进行加权求和,得到目标用户对应的历史用电均值。
步骤107、根据同比用电量方差、环比用电量方差和同类用户用电量方差进行加权求和,得到目标用户对应的历史用电方差。
步骤108、根据历史用电均值与历史用电方差的和值和差值,得到目标用户的用电量波动区间。
更具体地,以历史用电均值与历史用电方差之和为区间上限,以历史用电均值与历史用电方差之差为区间下限,根据区间上限和区间下限,得到目标用户的用电量波动区间。
步骤109、根据用电量波动区间与目标用户的实际用电波动进行比较,以获取目标用户的异常用电识别结果。
更具体地,根据用电量波动区间与目标用户的实际用电量波动进行比较,若实际用电量波动超出用电量波动区间限定的范围外,则将目标用户设为异常用电用户,若实际用电量波动处于用电量波动区间限定的范围内,则将目标用户设为正常用户。
根据本实施例提供的基于大数据的异常用电用户识别方法,本实施例首先按照平均用电量和用户类型,将各个用户的历史用电量数据划分为多个用户集合,然后根据目标用户的历史用电量数据和目标用户集合中的历史用电量数据,分别计算出同比用电量、环比用电量、同类用户用电量的均值和方差,进而得到代表目标用户的历史用电习惯的用电量波动区间。通过利用该目标用户的用电量波动区间对目标用户的实际用电量波动进行针对性判断,可以避免现有的识别方式忽略了不同用户个体的用电习惯的技术现状,解决了现有的异常用电用户识别方法误判率高的技术问题。
以上为本申请提供的一种基于大数据的异常用电用户识别方法的第一个实施例的详细说明,下面为本申请提供的一种基于大数据的异常用电用户识别装置的第一个实施例的详细说明。
请参阅图2,本申请第二个实施例提供了一种基于大数据的异常用电用户识别装置,包括:
历史数据获取单元201,用于获取各个待识别用户的历史用电量数据;
平均用电量分级单元202,用于根据各个待识别用户的历史平均用电量与预设的平均用电量分级阈值的比较结果,确定各个待识别用户的用电量分级区间;
用户分类单元203,用于根据各个待识别用户的用户类型,分别对各个用电量分级区间中的待识别用户进行聚类,得到用户集合;
第一用电参数计算单元204,用于根据目标用户的历史用电量数据,计算目标用户的同比用电量均值、同比用电量方差、环比用电量均值和环比用电量方差,其中,目标用户为待识别用户中的一个用户;
第二用电参数计算单元205,用于根据目标用户所在的目标用户集合和目标用户集合中各个待识别用户的历史用电量数据,计算目标用户的同类用户用电量均值和同类用户用电量方差;
历史用电均值计算单元206,用于根据同比用电量均值、环比用电量均值和同类用户用电量均值进行加权求和,得到目标用户对应的历史用电均值;
历史用电方差计算单元207,用于根据同比用电量方差、环比用电量方差和同类用户用电量方差进行加权求和,得到目标用户对应的历史用电方差;
用电量波动区间建立单元208,用于根据历史用电均值与历史用电方差的和值和差值,得到目标用户的用电量波动区间;
异常用电判定单元209,用于根据用电量波动区间与目标用户的实际用电波动进行比较,以获取目标用户的异常用电识别结果。
进一步地,异常用电判定单元209具体用于:
根据用电量波动区间与目标用户的实际用电量波动进行比较,若实际用电量波动超出用电量波动区间限定的范围外,则将目标用户设为异常用电用户,若实际用电量波动处于用电量波动区间限定的范围内,则将目标用户设为正常用户。
进一步地,用电量波动区间建立单元208具体用于:
以历史用电均值与历史用电方差之和为区间上限,以历史用电均值与历史用电方差之差为区间下限,根据区间上限和区间下限,得到目标用户的用电量波动区间。
进一步地,待识别用户的用户类型具体包括:居民用电类型、商业用电类型和工业用电类型。
以上为本申请提供的一种基于大数据的异常用电用户识别装置的第一个实施例的详细说明,下面为本申请提供的一种终端和一种存储介质的实施例的详细说明。
本申第三个实施例提供了一种终端,包括:存储器和处理器;
所述存储器用于存储与本申请第一个实施例所述的基于大数据的异常用电用户识别相对应的程序代码;
所述处理器用于执行所述程序代码。
本申请第四个实施例提供了一种存储介质,所述存储介质中保存有与本申请第一个实施例所述的基于大数据的异常用电用户识别相对应的程序代码。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的***,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的***,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
本申请的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)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,以便这里描述的本申请的实施例例如能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。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或者该技术方案的全部或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中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
Claims (10)
1.一种基于大数据的异常用电用户识别方法,其特征在于,包括:
获取各个待识别用户的历史用电量数据;
根据所述各个待识别用户的历史平均用电量与预设的平均用电量分级阈值的比较结果,确定所述各个待识别用户的用电量分级区间;
根据所述各个待识别用户的用户类型,分别对各个所述用电量分级区间中的待识别用户进行聚类,得到用户集合;
根据目标用户的历史用电量数据,计算所述目标用户的同比用电量均值、同比用电量方差、环比用电量均值和环比用电量方差,其中,所述目标用户为所述待识别用户中的一个用户;
根据所述目标用户所在的目标用户集合和所述目标用户集合中各个所述待识别用户的历史用电量数据,计算所述目标用户的同类用户用电量均值和同类用户用电量方差;
根据所述同比用电量均值、所述环比用电量均值和所述同类用户用电量均值进行加权求和,得到所述目标用户对应的历史用电均值;
根据所述同比用电量方差、所述环比用电量方差和所述同类用户用电量方差进行加权求和,得到所述目标用户对应的历史用电方差;
根据所述历史用电均值与所述历史用电方差的和值和差值,得到所述目标用户的用电量波动区间;
根据所述用电量波动区间与所述目标用户的实际用电波动进行比较,以获取所述目标用户的异常用电识别结果。
2.根据权利要求1所述的一种基于大数据的异常用电用户识别方法,其特征在于,所述根据所述用电量波动区间与所述目标用户的实际用电波动进行比较,以获取所述目标用户的异常用电识别结果具体包括:
根据所述用电量波动区间与所述目标用户的实际用电量波动进行比较,若所述实际用电量波动超出所述用电量波动区间限定的范围外,则将所述目标用户设为异常用电用户,若所述实际用电量波动处于所述用电量波动区间限定的范围内,则将所述目标用户设为正常用户。
3.根据权利要求1所述的一种基于大数据的异常用电用户识别方法,其特征在于,所述根据所述历史用电均值与所述历史用电方差的和值和差值,得到所述目标用户的用电量波动区间具体包括:
以所述历史用电均值与所述历史用电方差之和为区间上限,以所述历史用电均值与所述历史用电方差之差为区间下限,根据所述区间上限和所述区间下限,得到所述目标用户的用电量波动区间。
4.根据权利要求1所述的一种基于大数据的异常用电用户识别方法,其特征在于,所述待识别用户的用户类型具体包括:居民用电类型、商业用电类型和工业用电类型。
5.一种基于大数据的异常用电用户识别装置,其特征在于,包括:
历史数据获取单元,用于获取各个待识别用户的历史用电量数据;
平均用电量分级单元,用于根据所述各个待识别用户的历史平均用电量与预设的平均用电量分级阈值的比较结果,确定所述各个待识别用户的用电量分级区间;
用户分类单元,用于根据所述各个待识别用户的用户类型,分别对各个所述用电量分级区间中的待识别用户进行聚类,得到用户集合;
第一用电参数计算单元,用于根据目标用户的历史用电量数据,计算所述目标用户的同比用电量均值、同比用电量方差、环比用电量均值和环比用电量方差,其中,所述目标用户为所述待识别用户中的一个用户;
第二用电参数计算单元,用于根据所述目标用户所在的目标用户集合和所述目标用户集合中各个所述待识别用户的历史用电量数据,计算所述目标用户的同类用户用电量均值和同类用户用电量方差;
历史用电均值计算单元,用于根据所述同比用电量均值、所述环比用电量均值和所述同类用户用电量均值进行加权求和,得到所述目标用户对应的历史用电均值;
历史用电方差计算单元,用于根据所述同比用电量方差、所述环比用电量方差和所述同类用户用电量方差进行加权求和,得到所述目标用户对应的历史用电方差;
用电量波动区间建立单元,用于根据所述历史用电均值与所述历史用电方差的和值和差值,得到所述目标用户的用电量波动区间;
异常用电判定单元,用于根据所述用电量波动区间与所述目标用户的实际用电波动进行比较,以获取所述目标用户的异常用电识别结果。
6.根据权利要求1所述的一种基于大数据的异常用电用户识别装置,其特征在于,所述异常用电判定单元具体用于:
根据所述用电量波动区间与所述目标用户的实际用电量波动进行比较,若所述实际用电量波动超出所述用电量波动区间限定的范围外,则将所述目标用户设为异常用电用户,若所述实际用电量波动处于所述用电量波动区间限定的范围内,则将所述目标用户设为正常用户。
7.根据权利要求1所述的一种基于大数据的异常用电用户识别装置,其特征在于,所述用电量波动区间建立单元具体用于:
以所述历史用电均值与所述历史用电方差之和为区间上限,以所述历史用电均值与所述历史用电方差之差为区间下限,根据所述区间上限和所述区间下限,得到所述目标用户的用电量波动区间。
8.根据权利要求1所述的一种基于大数据的异常用电用户识别装置,其特征在于,所述待识别用户的用户类型具体包括:居民用电类型、商业用电类型和工业用电类型。
9.一种终端,其特征在于,包括:存储器和处理器;
所述存储器用于存储与权利要求1至4任意一项所述的基于大数据的异常用电用户识别相对应的程序代码;
所述处理器用于执行所述程序代码。
10.一种存储介质,其特征在于,所述存储介质中保存有与权利要求1至4任意一项所述的基于大数据的异常用电用户识别相对应的程序代码。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010093088.1A CN111310120B (zh) | 2020-02-14 | 2020-02-14 | 基于大数据的异常用电用户识别方法、装置、终端和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010093088.1A CN111310120B (zh) | 2020-02-14 | 2020-02-14 | 基于大数据的异常用电用户识别方法、装置、终端和介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111310120A true CN111310120A (zh) | 2020-06-19 |
CN111310120B CN111310120B (zh) | 2023-01-17 |
Family
ID=71156626
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010093088.1A Active CN111310120B (zh) | 2020-02-14 | 2020-02-14 | 基于大数据的异常用电用户识别方法、装置、终端和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111310120B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112669075A (zh) * | 2020-12-30 | 2021-04-16 | 广东电网有限责任公司中山供电局 | 一种用电客户电量异常波动核查方法 |
CN112925827A (zh) * | 2021-03-04 | 2021-06-08 | 南京怡晟安全技术研究院有限公司 | 一种基于电力采集物联数据的用户性质异常分析方法 |
CN113125851A (zh) * | 2021-04-21 | 2021-07-16 | 广东电网有限责任公司梅州供电局 | 一种用电量统计方法、装置、设备及存储介质 |
CN114784976A (zh) * | 2022-05-19 | 2022-07-22 | 珠海市钛芯动力科技有限公司 | 一种基于云计算制定用电计划的智能排插 |
CN116029480A (zh) * | 2023-03-28 | 2023-04-28 | 广东电网有限责任公司 | 代理购电测算方法及其*** |
CN116613894A (zh) * | 2023-07-20 | 2023-08-18 | 国网汇通金财(北京)信息科技有限公司 | 一种用电数据的处理方法及装置 |
CN117273811A (zh) * | 2023-11-21 | 2023-12-22 | 国网浙江省电力有限公司 | 基于用电数据的企业用电预测数据处理方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109325542A (zh) * | 2018-10-09 | 2019-02-12 | 烟台海颐软件股份有限公司 | 一种基于多阶机器学习的电量异常智能识别方法及*** |
CN109815084A (zh) * | 2018-12-29 | 2019-05-28 | 北京城市网邻信息技术有限公司 | 异常识别方法、装置和电子设备及存储介质 |
-
2020
- 2020-02-14 CN CN202010093088.1A patent/CN111310120B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109325542A (zh) * | 2018-10-09 | 2019-02-12 | 烟台海颐软件股份有限公司 | 一种基于多阶机器学习的电量异常智能识别方法及*** |
CN109815084A (zh) * | 2018-12-29 | 2019-05-28 | 北京城市网邻信息技术有限公司 | 异常识别方法、装置和电子设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
王卫公等: "基于灰色分析的集抄数据异常判定", 《电网与清洁能源》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112669075A (zh) * | 2020-12-30 | 2021-04-16 | 广东电网有限责任公司中山供电局 | 一种用电客户电量异常波动核查方法 |
CN112925827A (zh) * | 2021-03-04 | 2021-06-08 | 南京怡晟安全技术研究院有限公司 | 一种基于电力采集物联数据的用户性质异常分析方法 |
CN112925827B (zh) * | 2021-03-04 | 2024-05-10 | 南京怡晟安全技术研究院有限公司 | 一种基于电力采集物联数据的用户性质异常分析方法 |
CN113125851A (zh) * | 2021-04-21 | 2021-07-16 | 广东电网有限责任公司梅州供电局 | 一种用电量统计方法、装置、设备及存储介质 |
CN114784976A (zh) * | 2022-05-19 | 2022-07-22 | 珠海市钛芯动力科技有限公司 | 一种基于云计算制定用电计划的智能排插 |
CN116029480A (zh) * | 2023-03-28 | 2023-04-28 | 广东电网有限责任公司 | 代理购电测算方法及其*** |
CN116613894A (zh) * | 2023-07-20 | 2023-08-18 | 国网汇通金财(北京)信息科技有限公司 | 一种用电数据的处理方法及装置 |
CN116613894B (zh) * | 2023-07-20 | 2023-10-10 | 国网汇通金财(北京)信息科技有限公司 | 一种用电数据的处理方法及装置 |
CN117273811A (zh) * | 2023-11-21 | 2023-12-22 | 国网浙江省电力有限公司 | 基于用电数据的企业用电预测数据处理方法 |
CN117273811B (zh) * | 2023-11-21 | 2024-02-09 | 国网浙江省电力有限公司 | 基于用电数据的企业用电预测数据处理方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111310120B (zh) | 2023-01-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111310120B (zh) | 基于大数据的异常用电用户识别方法、装置、终端和介质 | |
Benítez et al. | Dynamic clustering segmentation applied to load profiles of energy consumption from Spanish customers | |
CN104699710B (zh) | 用户结构判断方法和装置以及账号状态记录方法和装置 | |
CN111178396A (zh) | 用电异常用户的识别方法及装置 | |
CN107230013B (zh) | 一种无监督学习下配网用户异常用电辨识与时间定位方法 | |
JP2016517550A (ja) | ブロードバンドネットワークのチャーン予測 | |
CN110689084B (zh) | 一种异常用户识别方法及装置 | |
CN111311332A (zh) | 用户数据的处理方法和装置 | |
CN111782735A (zh) | 羊毛党流量识别方法及装置 | |
CN108076032B (zh) | 一种异常行为用户识别方法及装置 | |
CN113098912B (zh) | 用户账户异常的识别方法、装置、电子设备及存储介质 | |
US20160274609A1 (en) | Classifying utility consumption of consumers | |
CN110288383B (zh) | 基于用户属性标签的群体行为配电网用电异常检测方法 | |
CN115378143B (zh) | 电力营销智能稽查*** | |
CN114723554B (zh) | 异常账户识别方法及装置 | |
CN113095939B (zh) | 一种区块链智能合约推荐方法及装置 | |
CN113449793A (zh) | 用电状态的确定方法及装置 | |
CN115170153A (zh) | 一种基于多维属性的工单处理方法、装置及存储介质 | |
CN114240102A (zh) | 一种线损异常数据识别方法、装置、电子设备及存储介质 | |
Davarzani et al. | Study of missing meter data impact on domestic load profiles clustering and characterization | |
CN112434954A (zh) | 停电敏感度的评估方法以及装置 | |
CN117217830B (zh) | 一种广告刷单监控识别方法、***及可读存储介质 | |
CN109816425A (zh) | 价格监控方法、装置、计算机设备及存储介质 | |
CN112612996B (zh) | 一种抽样时间粒度选取方法、装置、电子设备及存储介质 | |
CN117634932B (zh) | 一种智能手表生产测试用平台的管理*** |
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 |