CN111507611A - 一种确定窃电嫌疑用户的方法及*** - Google Patents
一种确定窃电嫌疑用户的方法及*** Download PDFInfo
- Publication number
- CN111507611A CN111507611A CN202010292926.8A CN202010292926A CN111507611A CN 111507611 A CN111507611 A CN 111507611A CN 202010292926 A CN202010292926 A CN 202010292926A CN 111507611 A CN111507611 A CN 111507611A
- Authority
- CN
- China
- Prior art keywords
- electricity
- area
- abnormal
- checked
- user set
- 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
- 230000005611 electricity Effects 0.000 title claims abstract description 265
- 238000000034 method Methods 0.000 title claims abstract description 74
- 230000002159 abnormal effect Effects 0.000 claims abstract description 159
- 238000012545 processing Methods 0.000 claims abstract description 34
- 238000003062 neural network model Methods 0.000 claims description 34
- 238000012549 training Methods 0.000 claims description 17
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000012897 Levenberg–Marquardt algorithm Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000013024 troubleshooting Methods 0.000 abstract description 22
- 230000008569 process Effects 0.000 description 26
- 230000006399 behavior Effects 0.000 description 10
- 230000005856 abnormality Effects 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 8
- 238000010845 search algorithm Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 238000011835 investigation Methods 0.000 description 4
- 230000007423 decrease Effects 0.000 description 3
- 230000003247 decreasing effect Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000005314 correlation function Methods 0.000 description 2
- 238000013016 damping Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000008014 freezing Effects 0.000 description 1
- 238000007710 freezing Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000000630 rising 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0609—Buyer or seller confidence or verification
-
- 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)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Strategic Management (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Tourism & Hospitality (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Primary Health Care (AREA)
- Bioinformatics & Computational Biology (AREA)
- Water Supply & Treatment (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Public Health (AREA)
- Computer Vision & Pattern Recognition (AREA)
Abstract
本发明提供了一种确定窃电嫌疑用户的方法及***,利用预设的台区异常识别模型分别对多个用电台区的用电指标数据进行异常用电识别处理,确定多个用电台区中的异常用电台区;获取在预设时间段内异常用电台区的线损,以及获取在预设时间段内异常用电台区中每个待排查用户的用电量;利用每个待排查用户的用电量和所在用电台区的线损,确定累计用电量与线损的相关性最大的用户集为窃电嫌疑用户集;确定窃电嫌疑用户集中的待排查用户为窃电嫌疑用户。本方案中,利用预先训练好的台区异常识别模型,从多个用电台区中确定异常用电台区。根据累计用电量与线损的相关性,确定异常用电台区中的窃电嫌疑用户,降低排查成本、提高工作效率和提高排查准确性。
Description
技术领域
本发明涉及数据处理技术领域,具体涉及一种确定窃电嫌疑用户的方法及***。
背景技术
供电企业在为各个用电用户供电的过程中,窃电事件层出不穷,为保障供电企业的合法经营权益,需要确定用电用户中的窃电嫌疑用户。
目前确定窃电嫌疑用户的方式为:通过大量的工作人员进行拉网式排查,人工排查出窃电嫌疑用户。但是一方面,用电用户数量巨多,拉网式排查窃电嫌疑用户需要大量的工作人员和耗费大量的时间,导致排查成本高和排查效率低。另一方面,单个窃电嫌疑用户的窃电特征不明显,人工排查的时候容易遗漏窃电嫌疑用户,排查准确性低。
发明内容
有鉴于此,本发明实施例提供一种确定窃电嫌疑用户的方法及***,以解决目前确定窃电嫌疑用户的方式存在的排查成本高、工作效率低和排查准确性低等问题。
为实现上述目的,本发明实施例提供如下技术方案:
本发明实施例第一方面公开一种确定窃电嫌疑用户的方法,所述方法包括:
利用预设的台区异常识别模型分别对多个用电台区的用电指标数据进行异常用电识别处理,确定多个所述用电台区中的异常用电台区,所述用电指标数据用于反映所述用电台区的用电状况,所述台区异常识别模型由基于样本数据训练神经网络模型得到;
获取在预设时间段内所述异常用电台区的线损,以及获取在所述预设时间段内所述异常用电台区中每个待排查用户的用电量;
利用每个待排查用户的用电量和所述异常用电台区的线损,确定累计用电量与所述线损的相关性最大的用户集为窃电嫌疑用户集,所述累计用电量为所述用户集中所包括的待排查用户的用电量之和;
确定所述窃电嫌疑用户集中的待排查用户为窃电嫌疑用户。
优选的,所述利用每个待排查用户的用电量和所述异常用电台区的线损,确定累计用电量与所述线损的相关性最大的用户集为窃电嫌疑用户集,包括:
将第一预设数量的待排查用户添加至第一用户集中;
计算所述第一用户集中的待排查用户的用电量之和,得到第一累计用电量;
计算所述第一累计用电量与和所述异常用电台区的线损的第一相关性,返回执行将第一预设数量的待排查用户添加至第一用户集中这一步骤,直至所述第一相关性不再增加,确定最大的所述第一相关性对应的所述第一用户集为第二用户集;
从所述第二用户集中剔除第二预设数量的待排查用户;
计算剔除第二预设数量的待排查用户后的所述第二用户集中的待排查用户的用电量之和,得到第二累计用电量;
计算所述第二累计用电量与所述线损的第二相关性,返回执行从所述第二用户集中剔除第二预设数量的待排查用户这一步骤,直至所述第二相关性不再增加,确定最大的所述第二相关性对应的所述第二用户集为窃电嫌疑用户集。
优选的,所述预设的利用台区异常识别模型分别对多个用电台区的用电指标数据进行异常用电识别处理,确定多个所述用电台区中的异常用电台区,包括:
针对每一个用电台区,将所述用电台区的用电指标数据输入预设的台区异常识别模型进行异常用电识别处理,得到用于指示所述用电台区是否为异常用电台区的识别结果;
利用每个所述用电台区的识别结果,确定多个所述用电台区中的异常用电台区。
优选的,获取所述台区异常识别模型的过程包括:
获取样本异常用电台区的用电指标样本数据;
利用阻尼最小二乘法和所述用电指标样本数据,训练后向传播BP神经网络模型直至所述BP神经网络模型收敛,得到所述台区异常识别模型。
优选的,所述利用每个待排查用户的用电量,确定累计用电量与所述线损的相关性最大的窃电嫌疑用户集之前,还包括:
对所述线损和每个待排查用户的用电量进行归一化处理。
优选的,所述确定所述窃电嫌疑用户集中的待排查用户为窃电嫌疑用户之后,还包括:
从所有待排查用户中剔除所述窃电嫌疑用户,利用剔除所述窃电嫌疑用户之后的每个待排查用户的用电量,返回执行确定累计用电量与所述线损的相关性最大的窃电嫌疑用户集这一步骤。
本发明实施例第二方面公开一种确定窃电嫌疑用户的***,所述***包括:
识别单元,用于利用预设的台区异常识别模型分别对多个用电台区的用电指标数据进行异常用电识别处理,确定多个所述用电台区中的异常用电台区,所述用电指标数据用于反映所述用电台区的用电状况,所述台区异常识别模型由基于样本数据训练神经网络模型得到;
获取单元,用于获取在预设时间段内所述异常用电台区的线损,以及获取在所述预设时间段内所述异常用电台区中每个待排查用户的用电量;
第一确定单元,用于利用每个待排查用户的用电量和所述异常用电台区的线损,确定累计用电量与所述线损的相关性最大的用户集为窃电嫌疑用户集,所述累计用电量为所述用户集中所包括的待排查用户的用电量之和;
第二确定单元,用于确定所述窃电嫌疑用户集中的待排查用户为窃电嫌疑用户。
优选的,所述第一确定单元包括:
添加模块,用于将第一预设数量的待排查用户添加至第一用户集中;
第一计算模块,用于计算所述第一用户集中的待排查用户的用电量之和,得到第一累计用电量;
第一处理模块,用于计算所述第一累计用电量与和所述异常用电台区的线损的第一相关性,返回执行所述添加模块,直至所述第一相关性不再增加,确定最大的所述第一相关性对应的所述第一用户集为第二用户集;
剔除模块,从所述第二用户集中剔除第二预设数量的待排查用户;
第二计算模块,用于计算剔除第二预设数量的待排查用户后的所述第二用户集中的待排查用户的用电量之和,得到第二累计用电量;
第二处理模块,用于计算所述第二累计用电量与所述线损的第二相关性,返回执行所述剔除模块,直至所述第二相关性不再增加,确定最大的所述第二相关性对应的所述第二用户集为窃电嫌疑用户集。
优选的,所述识别单元具体用于:针对每一个用电台区,将所述用电台区的用电指标数据输入预设的台区异常识别模型进行异常用电识别处理,得到用于指示所述用电台区是否为异常用电台区的识别结果,利用每个所述用电台区的识别结果,确定多个所述用电台区中的异常用电台区。
优选的,所述***还包括:
处理单元,用于对所述线损和每个待排查用户的用电量进行归一化处理。
基于上述本发明实施例提供的一种确定窃电嫌疑用户的方法及***,该方法为:利用预设的台区异常识别模型分别对多个用电台区的用电指标数据进行异常用电识别处理,确定多个用电台区中的异常用电台区;获取在预设时间段内异常用电台区的线损,以及获取在预设时间段内异常用电台区中每个待排查用户的用电量;利用每个待排查用户的用电量和异常用电台区的线损,确定累计用电量与线损的相关性最大的用户集为窃电嫌疑用户集;确定窃电嫌疑用户集中的待排查用户为窃电嫌疑用户。本方案中,利用预先训练好的台区异常识别模型,从多个用电台区中确定异常用电台区。根据异常用电台区的累计用电量与线损的相关性,确定异常用电台区中的窃电嫌疑用户,提高排查窃电嫌疑用户的效率,降低排查成本、提高工作效率和提高排查准确性。
附图说明
为了更清楚地说明本发明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发明的实施例,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,还可以根据提供的附图获得其他的附图。
图1为本发明实施例提供的一种确定窃电嫌疑用户的方法的流程图;
图2为本发明实施例提供的获取台区异常识别模型的流程图;
图3为本发明实施例提供的神经网络模型的结构示意图;
图4为本发明实施例提供的一种确定窃电嫌疑用户的方法的另一流程图;
图5为本发明实施例提供的确定窃电嫌疑用户集的流程图;
图6为本发明实施例提供的一种确定窃电嫌疑用户的***的结构框图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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他实施例,都属于本发明保护的范围。
在本申请中,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、物品或者设备不仅包括那些要素,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、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
由背景技术可知,目前在确定窃电嫌疑用户时,需要大量的工作人员进行拉网式排查,人工排查出窃电嫌疑用户。但是由于用电用户数量巨多和单个窃电嫌疑用户的窃电特征不明显,导致人工排查窃电嫌疑用户的方式存在排查成本高、排查效率低和排查准确性低等问题。
因此,本发明实施例提供一种确定窃电嫌疑用户的方法及***,通过台区异常识别模型确定异常用电台区,并根据累计用电量与线损的相关性,确定异常用电台区中的窃电嫌疑用户,提高排查窃电嫌疑用户的效率,以降低排查成本、提高工作效率和提高排查准确性。
参见图1,示出了本发明实施例提供的一种确定窃电嫌疑用户的方法的流程图,该方法包括以下步骤:
步骤S101:利用预设的台区异常识别模型分别对多个用电台区的用电指标数据进行异常用电识别处理,确定多个用电台区中的异常用电台区。
可以理解的是,从电力历史数据中获取具有窃电(漏电)标识的用电台区,将具有窃电标识的用电台区作为样本异常用电台区。收集每个样本异常用电台区的用电指标样本数据,样本异常用电台区的用电指标样本数据包括但不仅限于:供电量、售电量、线损指标、电量趋势下降指标、天气数据和节假日数据等。
也就是说,用电指标样本数据反映了样本异常用电台区的用电状况,即用电指标数据用于反映用电台区的用电状况,对于用电台区的用电指标数据的具体内容可参见上述关于用电指标样本数据的内容。
利用前述收集得到的样本异常用电台区的用电指标样本数据,训练神经网络模型得到台区异常识别模型。
需要说明的是,用电台区指的是一台变压器的供电范围或区域。为更好解释说明上述提及到的线损指标和电量趋势下降指标,通过以下内容进行解释说明。
线损指标:当用电台区存在异常用电现象时,该用电台区当天的线损率会上升,但该用电台区内的用户的每天用电量会存在一定程度的波动,如果只是将线损率上升作为窃电行为的评价指标会出现评价偏差的问题,因此需要考虑用电台区在一定时间段内的线损率平均值,判断该线损率平均值的增长率是否超过增长率阈值,若超过增长率阈值则确定该用电台区发生窃电行为。
电量趋势下降指标:用电台区正常用电时,该用电台区的用电量较为平稳,当出现窃电行为时,该用电台区的用电量呈现下降的趋势。因此,通过确定电量趋势下降指标来判断用电台区是否存在窃电行为。电量趋势下降指标的确定过程通过以下公式(2)和公式(3)进行举例说明。
假设一用电台区目标日i的前后6天为窗口期,对该用电台区的用电量进行直线拟合得到斜率li(第i天的电量趋势),斜率li的计算如公式(2)。
公式(2)中,dk为第k天的用电量。若斜率li随着时间逐步下降,则确定该用电台区存在窃电行为的嫌疑较大,计算目标日i前后6天内的li,将该用电台区的用电量递减的天数作为电量趋势下降指标Q,假设则目标日i前后6天内电量趋势下降指标Q的计算方式如公式(3)。
在具体实现步骤S101的过程中,预先收集需要进行异常用电识别处理的用电台区的用电指标数据。
针对每一个用电台区,将用电台区的用电指标数据输入预设的台区异常识别模型进行异常用电识别处理,得到用于指示用电台区是否为异常用电台区的识别结果。也就是说,将一个用电台区的用电指标数据输入台区异常识别模型,该台区异常识别模型输出用于指示用电台区是否为异常用电台区的识别结果。
利用每个用电台区的识别结果,确定多个用电台区中的异常用电台区。可以理解的是,多个用电台区中可能不存在异常用电台区,也可能存在1个以上的异常用电台区,在此对于多个用电台区中的异常用电台区的数量不做限定。
步骤S102:获取在预设时间段内异常用电台区的线损,以及获取在预设时间段内异常用电台区中每个待排查用户的用电量。
在具体实现步骤S102的过程中,针对每一个异常用电台区,获取异常用电台区在预设时间段内每天的线损(日线损),以及获取在预设时间段内异常用电台区中每个待排查用户的用户明细。
需要说明的是,异常用电台区中的每个用电用户称为待排查用户。根据每个待排查用户的用户明细,获取在预设时间段内各个待排查用户的电能表的表计示数信息,即可获取得到在预设时间段内异常用电台区中每个待排查用户的用电量。
优选的,可以理解的是,由于线损和用电量的计量单位不同,无法直接同时对线损和用电量进行比较处理。因此,对线损和每个待排查用户的用电量进行归一化处理,比如:采集待排查用户和异常用电台区的关口表的日电冻结数据,通过零均值标准化对线损和用电量进行归一化。
步骤S103:利用每个待排查用户的用电量和异常用电台区(待排查用户所在的用电台区)的线损,确定累计用电量与线损的相关性最大的用户集为窃电嫌疑用户集。
需要说明的是,群体性窃电行为的表现特征为:对异常用电台区中的多个待排查用户进行组合分析时,多个待排查用户的日电量累加后表现为电能表不完全计量实际用电量,电能表计量电量与窃电量的比例恒定。
根据以上群体性窃电行为的表现特征,可利用用户集中所包括的待排查用户的用电量之和与异常用电台区的线损的相关性,识别出群体性窃电行为,即确定窃电嫌疑用户集。
在具体实现步骤S103的过程中,利用启发式搜索算法,对异常用电台区中的待排查用户进行组合(包括多个待排查用户的用户集),计算用户集所包括的待排查用户的用电量之和,得到累计用电量。确定累计用电量与线损的相关性最大的用户集为窃电嫌疑用户集,窃电嫌疑用户集中的待排查用户即为窃电嫌疑用户。
可以理解的是,针对每一个异常用电台区,对该异常用电台区中的待排查用户进行组合并计算用户集的累计用电量,确定累计用电量与该异常用电台区的线损的相关性最大的用户集为窃电嫌疑用户集。
也就是说,通过上述步骤S102和步骤S103中的内容,可以确定每个异常用电台区中的窃电嫌疑用户集。
优选的,可以理解的是,对于一异常用电台区,该异常用电台区可能存在多个窃电嫌疑用户集。在每确定一个窃电嫌疑用户集之后,从该异常用电台区的所有待排查用户中剔除窃电嫌疑用户,利用剔除窃电嫌疑用户之后的每个待排查用户的用电量,返回执行步骤S103中的内容,继续确定该异常用电台区中的窃电嫌疑用户集。
步骤S104:确定窃电嫌疑用户集中的待排查用户为窃电嫌疑用户。
在具体实现步骤S104的过程中,确定每一个异常用电台区的窃电嫌疑用户集之后,窃电嫌疑用户集中的待排查用户即为窃电嫌疑用户。
也就是说,通过上述各个步骤中的内容,可以识别出群体性窃电行为和识别出窃电嫌疑用户。
在本发明实施例中,利用预先训练得到的台区异常识别模型分别对多个用电台区的用电指标数据进行异常用电识别处理,确定多个用电台区中的异常用电台区。根据在预设时间段内异常用电台区的线损和每个待排查用户的用电量,确定累计用电量与线损的相关性最大的用户集为窃电嫌疑用户集,从而确定异常用电台区中的窃电嫌疑用户,提高排查窃电嫌疑用户的效率,降低排查成本、提高工作效率和提高排查准确性。
上述本发明实施例图1步骤S101中涉及的获取台区异常识别模型的过程,参见图2,示出了本发明实施例提供的获取台区异常识别模型的流程图,包括以下步骤:
步骤S201:获取样本异常用电台区的用电指标样本数据。
需要说明的是,用电指标样本数据的内容可参见上述本发明实施例图1步骤S101中的内容,在此不再进行赘述。
步骤S202:利用阻尼最小二乘法和用电指标样本数据,训练后向传播(BackPropagation,BP)神经网络模型直至BP神经网络模型收敛,得到台区异常识别模型。
需要说明的是,本发明实施例中所采用的神经网络模型为具有监督学习的深度网络,并且该神经网络模型具有用于模式分类的能力,例如BP神经网络模型。
神经网络模型采用多层结构,其中包括输入层、多个隐含层和输出层,其中输出层采用sigmoid函数,神经网络模型的结构如图3,需要说明的是,图3示出的神经网络模型的结构示意图仅用于举例说明。
图3中第k-1个隐层的各个节点的输出组合作为第k个隐层的节点的输入,Wk为第k-1个隐层和第k个隐层之间的权重矩阵,第k个隐层的节点i的输入如公式(4)。
需要说明的是,阻尼最小二乘法为LM(Levenberg-Marquardt)算法,在具体实现步骤S202的过程中,利用LM算法和用电指标样本数据,训练BP神经网络模型直至该BP神经网络模型收敛,也就是说,在训练BP神经网络模型的过程中,通过LM算法调整BP神经网络模型的网络权值直至该BP神经网络模型收敛,收敛后的BP神经网络模型即为台区异常识别模型。
在本发明实施例中,利用LM算法和用电指标样本数据,训练BP神经网络模型直至该BP神经网络模型收敛,得到台区异常识别模型。通过台区异常识别模型分别对多个用电台区的用电指标数据进行异常用电识别处理,确定多个用电台区中的异常用电台区,并执行后续操作从而确定异常用电台区中的窃电嫌疑用户,提高排查窃电嫌疑用户的效率,降低排查成本、提高工作效率和提高排查准确性。
为更好解释说明上述本发明实施例图1和图2中示出的内容,通过图4进行举例说明,需要说明的是,图4仅用于举例说明。
参见图4,示出了本发明实施例提供的一种确定窃电嫌疑用户的方法的另一流程图,该方法包括以下步骤:
步骤S401:利用用电指标样本数据和LM算法,训练BP神经网络模型至BP神经网络模型收敛,得到台区异常识别模型。
可以理解的是,用电指标样本数据包括但不仅限于:供电量、售电量、线损指标、电量趋势下降指标、天气数据和节假日数据等,在图4中仅示出部分的用电指标样本数据,其余的用电指标样本数据就不一一展示。
步骤S402:将未知是否用电异常的用电台区的用电指标数据输入台区异常识别模型。
步骤S403:针对每一个用电台区,利用台区异常识别模型,判断该用电台区是否为异常用电台区。若用电台区为异常用电台区,执行步骤S404,若用电台区不是异常用电台区,结束并继续判断下一个用电台区是否为异常用电台区。
在具体实现步骤S403的过程中,对于每一个用电台区,利用台区异常识别模型确定该用电台区是否为异常用电台区,若该用电台区是异常用电台区,则执行后续操作确定异常用电台区中的窃电嫌疑用户,该用电台区不是异常用电台区,结束并继续判断下一个用电台区是否为异常用电台区。
步骤S404:利用启发式搜索算法,确定异常用电台区中的窃电嫌疑用户集。
在具体实现步骤S404的过程中,通过启发式搜索算法确定异常用电台区中的窃电嫌疑用户集,从而识别出群体性窃电行为和识别出窃电嫌疑用户。
上述步骤S401至步骤S404的执行原理,可参见本发明实施例图1和图2中的内容,在此不做具体限定。
在本发明实施例中,利用用电指标样本数据和LM算法训练BP神经网络模型直至收敛,得到台区异常识别模型。通过台区异常识别模型确定用电台区是否为异常用电台区,若用电台区是异常用电台区,则通过启发式搜索算法确定异常用电台区中的窃电嫌疑用户集,提高排查窃电嫌疑用户的效率,降低排查成本、提高工作效率和提高排查准确性。
上述本发明实施例图1步骤S103中涉及的利用启发式搜索算法确定窃电嫌疑用户集的过程,参见图5,示出了本发明实施例提供的确定窃电嫌疑用户集的流程图,包括以下步骤:
需要说明的是,对于每一个异常用电台区,可通过图5各个步骤中的内容确定该异常用电台区中的窃电嫌疑用户集。
步骤S501:将第一预设数量的待排查用户添加至第一用户集中。
需要说明的是,第一用户集的初始值为空集,也就是说,在第一次向第一用户集中添加第一预设数量的待排查用户之前,第一用户集为空集。
在具体实现步骤S501的过程中,从异常用电台区未被添加至第一用户集的待排查用户(未被选择的待排查用户)中,随机挑选第一预设数量的待排查用户添加至第一用户集中。
需要说明的是,第一预设数量的具体数值可根据实际情况进行设定,例如每次随机挑选2个待排查用户添加至第一用户集中。
步骤S502:计算第一用户集中的待排查用户的用电量之和,得到第一累计用电量。
由前述本发明实施例图1步骤S102中的内容可知,预先获取在预设时间段内异常用电台区中每个待排查用户的用电量,因此在具体实现步骤S502的过程中,计算第一用户集中的待排查用户的用电量之和,得到第一累计用电量。
可以理解的是,第一用户集中每个待排查用户的用电量即为在预设时间段内每个待排查用户的用电量。
步骤S503:计算第一累计用电量与异常用电台区的线损的第一相关性。
在具体实现步骤S503的过程中,利用相关性函数,计算第一累计用电量与线损之间的第一相关性,可以理解的是,计算得到的第一相关性通过皮尔逊积矩相关系数进行衡量。
步骤S504:确定第一相关性是否增加,若第一相关性增加,返回执行步骤S501,若第一相关性不增加,确定最大的第一相关性对应的第一用户集为第二用户集,执行步骤S505。
在具体实现步骤S504的过程中,计算得到第一相关性之后,将本次计算得到的第一相关性与前一次计算得到的第一相关性进行比较,确定第一相关性是否增加。若第一相关性不增加,则确定最大的第一相关性对应的第一用户集为第二用户集,执行步骤S505。
若第一相关性增加,返回执行步骤S501,继续将第一预设数量的待排查用户添加至第一用户集中,并执行后续步骤直至第一相关性不再增加。
需要说明的是,每次将第一预设数量的待排查用户添加至第一用户集中时,第一用户集中的第一累计用电量会发生变化。因此,每次将第一预设数量的待排查用户添加至第一用户集中后都需要计算第一累计用电量,然后计算第一累计用电量与线损之间的第一相关性。
步骤S505:从第二用户集中剔除第二预设数量的待排查用户。
在具体实现步骤S505的过程中,从第二用户集中随机剔除第二预设数量的待排查用户,需要说明的是,第二预设数量的具体数值可根据实际情况进行设置。
步骤S506:计算剔除第二预设数量的待排查用户后的第二用户集中的待排查用户的用电量之和,得到第二累计用电量。
在具体实现步骤S506的过程中,从第二用户集中随机剔除第二预设数量的待排查用户之后,计算第二用户集中的待排查用户的用电量之和,得到第二累计用电量。
可以理解的是,待排查用户的用电量的获取,可参见步骤S502中的内容,在此不做具体限定。
步骤S507:计算第二累计用电量与线损的第二相关性。
在具体实现步骤S507的过程中,利用相关性函数,计算第二累计用电量与线损之间的第二相关性,可以理解的是,计算得到的第二相关性通过皮尔逊积矩相关系数进行衡量。
步骤S508:确定第二相关性是否增加。若第二相关性增加,返回执行步骤S505,若第二相关性不增加,确定最大的第二相关性对应的第二用户集为窃电嫌疑用户集。
在具体实现步骤S508的过程中,计算得到第二相关性之后,将本次计算得到的第二相关性与前一次计算得到的第二相关性进行比较,确定第二相关性是否增加。若第二相关性不增加,则确定最大的第二相关性对应的第二用户集为窃电嫌疑用户集。
若第二相关性增加,返回执行步骤S505,继续从第二用户集中剔除第二预设数量的待排查用户,并执行后续步骤直至第二相关性不再增加。
需要说明的是,每次从第二用户集中剔除第二预设数量的待排查用户时,第二用户集中的第二累计用电量会发生变化。因此,每次从第二用户集中剔除第二预设数量的待排查用户后都需要计算第二累计用电量,然后计算第二累计用电量与线损之间的第二相关性。
可以理解的是,针对每一个异常用电台区,利用上述步骤S501至步骤S508中的内容,可搜索并确定该异常用电台区中的窃电嫌疑用户集。
在本发明实施例中,第一用户集从空集开始,每次将第一预设数量的待排查用户添加至第一用户集中,直至第一用户集中的第一累计用电量与线损的第一相关性最大,确定最大的第一相关性对应的第一用户集为第二用户集。每次从第二用户集中剔除第二预设数量的待排查用户,直至第二用户集中的第二累计用电量与线损的第二相关性最大,确定最大的第二相关性对应的第二用户集为窃电嫌疑用户集,提高排查窃电嫌疑用户的效率,降低排查成本、提高工作效率和提高排查准确性。
与上述本发明实施例提供的一种确定窃电嫌疑用户的方法相对应,参见图6,本发明实施例还提供了一种确定窃电嫌疑用户的***的结构框图,该***包括:识别单元601、获取单元602、第一确定单元603和第二确定单元604;
识别单元601,用于利用预设的台区异常识别模型分别对多个用电台区的用电指标数据进行异常用电识别处理,确定多个用电台区中的异常用电台区,用电指标数据用于反映用电台区的用电状况,台区异常识别模型由基于样本数据训练神经网络模型得到。
在具体实现中,识别单元601具体用于:针对每一个用电台区,将用电台区的用电指标数据输入预设的台区异常识别模型进行异常用电识别处理,得到用于指示用电台区是否为异常用电台区的识别结果,利用每个用电台区的识别结果,确定多个用电台区中的异常用电台区。
获取单元602,用于获取在预设时间段内异常用电台区的线损,以及获取在预设时间段内异常用电台区中每个待排查用户的用电量。
第一确定单元603,用于利用每个待排查用户的用电量和异常用电台区的线损,确定累计用电量与线损的相关性最大的用户集为窃电嫌疑用户集,累计用电量为用户集中所包括的待排查用户的用电量之和。
第二确定单元604,用于确定窃电嫌疑用户集中的待排查用户为窃电嫌疑用户。
优选的,第二确定单元604还用于:从所有待排查用户中剔除窃电嫌疑用户,返回执行第一确定单元603,使第一确定单元603利用剔除窃电嫌疑用户之后的每个待排查用户的用电量,确定累计用电量与线损的相关性最大的用户集为窃电嫌疑用户集。
在本发明实施例中,利用预先训练得到的台区异常识别模型分别对多个用电台区的用电指标数据进行异常用电识别处理,确定多个用电台区中的异常用电台区。根据在预设时间段内异常用电台区的线损和每个待排查用户的用电量,确定累计用电量与线损的相关性最大的用户集为窃电嫌疑用户集,从而确定异常用电台区中的窃电嫌疑用户,提高排查窃电嫌疑用户的效率,降低排查成本、提高工作效率和提高排查准确性。
优选的,结合图6中示出的内容,第一确定单元603包括:添加模块、第一计算模块、第一处理模块、剔除模块、第二计算模块和第二处理模块,各个模块的执行原理如下:
添加模块,用于将第一预设数量的待排查用户添加至第一用户集中。
第一计算模块,用于计算第一用户集中的待排查用户的用电量之和,得到第一累计用电量。
第一处理模块,用于计算第一累计用电量与和异常用电台区的线损的第一相关性,返回执行添加模块,直至第一相关性不再增加,确定最大的第一相关性对应的第一用户集为第二用户集。
剔除模块,从第二用户集中剔除第二预设数量的待排查用户。
第二计算模块,用于计算剔除第二预设数量的待排查用户后的第二用户集中的待排查用户的用电量之和,得到第二累计用电量。
第二处理模块,用于计算第二累计用电量与线损的第二相关性,返回执行剔除模块,直至第二相关性不再增加,确定最大的第二相关性对应的第二用户集为窃电嫌疑用户集。
在本发明实施例中,第一用户集从空集开始,每次将第一预设数量的待排查用户添加至第一用户集中,直至第一用户集中的第一累计用电量与线损的第一相关性最大,确定最大的第一相关性对应的第一用户集为第二用户集。每次从第二用户集中剔除第二预设数量的待排查用户,直至第二用户集中的第二累计用电量与线损的第二相关性最大,确定最大的第二相关性对应的第二用户集为窃电嫌疑用户集,提高排查窃电嫌疑用户的效率,降低排查成本、提高工作效率和提高排查准确性。
优选的,结合图6示出的内容,用于获取台区异常识别模型的识别单元601包括:
获取模块,用于获取样本异常用电台区的用电指标样本数据。
训练模块,用于利用阻尼最小二乘法和用电指标样本数据,训练BP神经网络模型直至BP神经网络模型收敛,得到台区异常识别模型。
在本发明实施例中,利用用电指标样本数据和LM算法训练BP神经网络模型直至收敛,得到台区异常识别模型。通过台区异常识别模型确定用电台区是否为异常用电台区,若用电台区是异常用电台区,则通过启发式搜索算法确定异常用电台区中的窃电嫌疑用户集,提高排查窃电嫌疑用户的效率,降低排查成本、提高工作效率和提高排查准确性。
优选的,结合图6示出的内容,该确定窃电嫌疑用户的***还包括:
处理单元,用于对线损和每个待排查用户的用电量进行归一化处理。
综上所述,本发明实施例提供一种确定窃电嫌疑用户的方法及***,利用预先训练好的台区异常识别模型,从多个用电台区中确定异常用电台区。根据异常用电台区的累计用电量与线损的相关性,确定异常用电台区中的窃电嫌疑用户,提高排查窃电嫌疑用户的效率,降低排查成本、提高工作效率和提高排查准确性。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于***或***实施例而言,由于其基本相似于方法实施例,所以描述得比较简单,相关之处参见方法实施例的部分说明即可。以上所描述的***及***实施例仅仅是示意性的,其中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模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种确定窃电嫌疑用户的方法,其特征在于,所述方法包括:
利用预设的台区异常识别模型分别对多个用电台区的用电指标数据进行异常用电识别处理,确定多个所述用电台区中的异常用电台区,所述用电指标数据用于反映所述用电台区的用电状况,所述台区异常识别模型由基于样本数据训练神经网络模型得到;
获取在预设时间段内所述异常用电台区的线损,以及获取在所述预设时间段内所述异常用电台区中每个待排查用户的用电量;
利用每个待排查用户的用电量和所述异常用电台区的线损,确定累计用电量与所述线损的相关性最大的用户集为窃电嫌疑用户集,所述累计用电量为所述用户集中所包括的待排查用户的用电量之和;
确定所述窃电嫌疑用户集中的待排查用户为窃电嫌疑用户。
2.根据权利要求1所述的方法,其特征在于,所述利用每个待排查用户的用电量和所述异常用电台区的线损,确定累计用电量与所述线损的相关性最大的用户集为窃电嫌疑用户集,包括:
将第一预设数量的待排查用户添加至第一用户集中;
计算所述第一用户集中的待排查用户的用电量之和,得到第一累计用电量;
计算所述第一累计用电量与和所述异常用电台区的线损的第一相关性,返回执行将第一预设数量的待排查用户添加至第一用户集中这一步骤,直至所述第一相关性不再增加,确定最大的所述第一相关性对应的所述第一用户集为第二用户集;
从所述第二用户集中剔除第二预设数量的待排查用户;
计算剔除第二预设数量的待排查用户后的所述第二用户集中的待排查用户的用电量之和,得到第二累计用电量;
计算所述第二累计用电量与所述线损的第二相关性,返回执行从所述第二用户集中剔除第二预设数量的待排查用户这一步骤,直至所述第二相关性不再增加,确定最大的所述第二相关性对应的所述第二用户集为窃电嫌疑用户集。
3.根据权利要求1所述的方法,其特征在于,所述预设的利用台区异常识别模型分别对多个用电台区的用电指标数据进行异常用电识别处理,确定多个所述用电台区中的异常用电台区,包括:
针对每一个用电台区,将所述用电台区的用电指标数据输入预设的台区异常识别模型进行异常用电识别处理,得到用于指示所述用电台区是否为异常用电台区的识别结果;
利用每个所述用电台区的识别结果,确定多个所述用电台区中的异常用电台区。
4.根据权利要求1所述的方法,其特征在于,获取所述台区异常识别模型的过程包括:
获取样本异常用电台区的用电指标样本数据;
利用阻尼最小二乘法和所述用电指标样本数据,训练后向传播BP神经网络模型直至所述BP神经网络模型收敛,得到所述台区异常识别模型。
5.根据权利要求1所述的方法,其特征在于,所述利用每个待排查用户的用电量,确定累计用电量与所述线损的相关性最大的窃电嫌疑用户集之前,还包括:
对所述线损和每个待排查用户的用电量进行归一化处理。
6.根据权利要求1所述的方法,其特征在于,所述确定所述窃电嫌疑用户集中的待排查用户为窃电嫌疑用户之后,还包括:
从所有待排查用户中剔除所述窃电嫌疑用户,利用剔除所述窃电嫌疑用户之后的每个待排查用户的用电量,返回执行确定累计用电量与所述线损的相关性最大的窃电嫌疑用户集这一步骤。
7.一种确定窃电嫌疑用户的***,其特征在于,所述***包括:
识别单元,用于利用预设的台区异常识别模型分别对多个用电台区的用电指标数据进行异常用电识别处理,确定多个所述用电台区中的异常用电台区,所述用电指标数据用于反映所述用电台区的用电状况,所述台区异常识别模型由基于样本数据训练神经网络模型得到;
获取单元,用于获取在预设时间段内所述异常用电台区的线损,以及获取在所述预设时间段内所述异常用电台区中每个待排查用户的用电量;
第一确定单元,用于利用每个待排查用户的用电量和所述异常用电台区的线损,确定累计用电量与所述线损的相关性最大的用户集为窃电嫌疑用户集,所述累计用电量为所述用户集中所包括的待排查用户的用电量之和;
第二确定单元,用于确定所述窃电嫌疑用户集中的待排查用户为窃电嫌疑用户。
8.根据权利要求7所述的***,其特征在于,所述第一确定单元包括:
添加模块,用于将第一预设数量的待排查用户添加至第一用户集中;
第一计算模块,用于计算所述第一用户集中的待排查用户的用电量之和,得到第一累计用电量;
第一处理模块,用于计算所述第一累计用电量与和所述异常用电台区的线损的第一相关性,返回执行所述添加模块,直至所述第一相关性不再增加,确定最大的所述第一相关性对应的所述第一用户集为第二用户集;
剔除模块,从所述第二用户集中剔除第二预设数量的待排查用户;
第二计算模块,用于计算剔除第二预设数量的待排查用户后的所述第二用户集中的待排查用户的用电量之和,得到第二累计用电量;
第二处理模块,用于计算所述第二累计用电量与所述线损的第二相关性,返回执行所述剔除模块,直至所述第二相关性不再增加,确定最大的所述第二相关性对应的所述第二用户集为窃电嫌疑用户集。
9.根据权利要求7所述的***,其特征在于,所述识别单元具体用于:针对每一个用电台区,将所述用电台区的用电指标数据输入预设的台区异常识别模型进行异常用电识别处理,得到用于指示所述用电台区是否为异常用电台区的识别结果,利用每个所述用电台区的识别结果,确定多个所述用电台区中的异常用电台区。
10.根据权利要求7所述的***,其特征在于,所述***还包括:
处理单元,用于对所述线损和每个待排查用户的用电量进行归一化处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010292926.8A CN111507611A (zh) | 2020-04-15 | 2020-04-15 | 一种确定窃电嫌疑用户的方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010292926.8A CN111507611A (zh) | 2020-04-15 | 2020-04-15 | 一种确定窃电嫌疑用户的方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111507611A true CN111507611A (zh) | 2020-08-07 |
Family
ID=71864817
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010292926.8A Pending CN111507611A (zh) | 2020-04-15 | 2020-04-15 | 一种确定窃电嫌疑用户的方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111507611A (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112418687A (zh) * | 2020-11-26 | 2021-02-26 | 广东电网有限责任公司 | 基于用电特征的用户用电异常识别方法、装置和存储介质 |
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 |
CN112816774A (zh) * | 2020-12-15 | 2021-05-18 | 国网宁夏电力有限公司营销服务中心(国网宁夏电力有限公司计量中心) | 一种基于大数据的窃电排查方法 |
CN112861128A (zh) * | 2021-01-21 | 2021-05-28 | 微梦创科网络科技(中国)有限公司 | 一种批量识别机器账号的方法及*** |
CN113009221A (zh) * | 2021-02-25 | 2021-06-22 | 深圳市国电科技通信有限公司 | 用于检测窃电的方法、智能断路器和电表 |
CN113112177A (zh) * | 2021-04-28 | 2021-07-13 | 国网山东省电力公司泰安供电公司 | 一种基于混合指标的台区线损处理方法及*** |
CN113128596A (zh) * | 2021-04-21 | 2021-07-16 | 广东电网有限责任公司汕尾供电局 | 一种窃电检测方法、装置及计算机可读存储介质 |
CN113267699A (zh) * | 2021-06-08 | 2021-08-17 | 武汉中原电子信息有限公司 | 供电线路窃电判断方法及其应用 |
CN113362199A (zh) * | 2021-06-15 | 2021-09-07 | 国网河南省电力公司许昌市建安供电公司 | 基于用户采集电量与台区线损相关性的窃电用户核查方法 |
CN113506190A (zh) * | 2021-07-29 | 2021-10-15 | 广东电网有限责任公司 | 一种异常用电行为辨识方法、装置、设备及存储介质 |
CN113514695A (zh) * | 2021-03-04 | 2021-10-19 | 华北电力大学 | 适用于群体性固定比例窃电行为的检测***和检测方法 |
CN113792264A (zh) * | 2021-09-10 | 2021-12-14 | 广东电网有限责任公司 | 一种用电量异常用户识别方法、装置、设备和介质 |
CN116701947A (zh) * | 2023-08-02 | 2023-09-05 | 成都汉度科技有限公司 | 一种窃电行为检测方法及*** |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106066423A (zh) * | 2016-05-25 | 2016-11-02 | 上海博英信息科技有限公司 | 一种基于损耗分配嫌疑分析的反窃电分析方法 |
CN107340492A (zh) * | 2017-05-31 | 2017-11-10 | 国网上海市电力公司 | 基于大数据挖掘和场景预判的电能计量装置故障分析方法 |
CN109767109A (zh) * | 2019-01-03 | 2019-05-17 | 南京海兴电网技术有限公司 | 基于神经网络的异常线损率台区识别方法 |
CN110231528A (zh) * | 2019-06-17 | 2019-09-13 | 国网重庆市电力公司电力科学研究院 | 基于负荷特征模型库的变压器户变异常识别方法及装置 |
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 |
CN110988422A (zh) * | 2019-12-19 | 2020-04-10 | 北京中电普华信息技术有限公司 | 一种窃电识别方法、装置及电子设备 |
-
2020
- 2020-04-15 CN CN202010292926.8A patent/CN111507611A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106066423A (zh) * | 2016-05-25 | 2016-11-02 | 上海博英信息科技有限公司 | 一种基于损耗分配嫌疑分析的反窃电分析方法 |
CN107340492A (zh) * | 2017-05-31 | 2017-11-10 | 国网上海市电力公司 | 基于大数据挖掘和场景预判的电能计量装置故障分析方法 |
CN109767109A (zh) * | 2019-01-03 | 2019-05-17 | 南京海兴电网技术有限公司 | 基于神经网络的异常线损率台区识别方法 |
CN110231528A (zh) * | 2019-06-17 | 2019-09-13 | 国网重庆市电力公司电力科学研究院 | 基于负荷特征模型库的变压器户变异常识别方法及装置 |
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 |
CN110988422A (zh) * | 2019-12-19 | 2020-04-10 | 北京中电普华信息技术有限公司 | 一种窃电识别方法、装置及电子设备 |
Non-Patent Citations (2)
Title |
---|
刘盛;朱翠艳;: "应用数据挖掘技术构建反窃电管理***的研究" * |
黄乐媛;雷乾;徐钦华;谭旎栗;王月霞;: "深化用电信息采集***数据分析及应用研究" * |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112418687A (zh) * | 2020-11-26 | 2021-02-26 | 广东电网有限责任公司 | 基于用电特征的用户用电异常识别方法、装置和存储介质 |
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 |
CN112816774A (zh) * | 2020-12-15 | 2021-05-18 | 国网宁夏电力有限公司营销服务中心(国网宁夏电力有限公司计量中心) | 一种基于大数据的窃电排查方法 |
CN112861128A (zh) * | 2021-01-21 | 2021-05-28 | 微梦创科网络科技(中国)有限公司 | 一种批量识别机器账号的方法及*** |
CN113009221A (zh) * | 2021-02-25 | 2021-06-22 | 深圳市国电科技通信有限公司 | 用于检测窃电的方法、智能断路器和电表 |
CN113514695B (zh) * | 2021-03-04 | 2022-05-06 | 华北电力大学 | 适用于群体性固定比例窃电行为的检测***和检测方法 |
CN113514695A (zh) * | 2021-03-04 | 2021-10-19 | 华北电力大学 | 适用于群体性固定比例窃电行为的检测***和检测方法 |
CN113128596A (zh) * | 2021-04-21 | 2021-07-16 | 广东电网有限责任公司汕尾供电局 | 一种窃电检测方法、装置及计算机可读存储介质 |
CN113112177A (zh) * | 2021-04-28 | 2021-07-13 | 国网山东省电力公司泰安供电公司 | 一种基于混合指标的台区线损处理方法及*** |
CN113267699A (zh) * | 2021-06-08 | 2021-08-17 | 武汉中原电子信息有限公司 | 供电线路窃电判断方法及其应用 |
CN113362199A (zh) * | 2021-06-15 | 2021-09-07 | 国网河南省电力公司许昌市建安供电公司 | 基于用户采集电量与台区线损相关性的窃电用户核查方法 |
CN113362199B (zh) * | 2021-06-15 | 2022-12-02 | 国网河南省电力公司许昌市建安供电公司 | 基于用户采集电量与台区线损相关性的窃电用户核查方法 |
CN113506190A (zh) * | 2021-07-29 | 2021-10-15 | 广东电网有限责任公司 | 一种异常用电行为辨识方法、装置、设备及存储介质 |
CN113792264A (zh) * | 2021-09-10 | 2021-12-14 | 广东电网有限责任公司 | 一种用电量异常用户识别方法、装置、设备和介质 |
CN116701947A (zh) * | 2023-08-02 | 2023-09-05 | 成都汉度科技有限公司 | 一种窃电行为检测方法及*** |
CN116701947B (zh) * | 2023-08-02 | 2023-11-03 | 成都汉度科技有限公司 | 一种窃电行为检测方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111507611A (zh) | 一种确定窃电嫌疑用户的方法及*** | |
CN104967629B (zh) | 网络攻击检测方法及装置 | |
CN105930976B (zh) | 基于加权理想点法的节点电压暂降严重程度综合评估方法 | |
CN110232240B (zh) | 一种改进的变压器顶层油温预测方法 | |
CN108198408B (zh) | 一种基于用电信息采集***的自适应反窃电监控方法及*** | |
CN113987033B (zh) | 主变在线监测数据群体偏差识别与校准方法 | |
CN111898247B (zh) | 滑坡位移预测方法、设备及存储介质 | |
CN113868953B (zh) | 工业***中多机组运行优化方法、装置、***及存储介质 | |
Liu et al. | Identifying resilient-important elements in interdependent critical infrastructures by sensitivity analysis | |
CN113554361B (zh) | 一种综合能源***数据处理计算方法及处理*** | |
CN107426019A (zh) | 网络故障确定方法、计算机设备及计算机可读存储介质 | |
Haridy et al. | An optimisation design of the combined np-CUSUM scheme for attributes | |
CN115130764A (zh) | 基于状态评估的配电网态势预测方法及*** | |
Swarup et al. | Neural network approach to contingency screening and ranking in power systems | |
RU2364926C2 (ru) | Способ контроля состояния многопараметрического объекта | |
CN102468997A (zh) | 一种多维网络安全指标体系稳定性评估方法 | |
CN102012902A (zh) | 网站访客价值评估***及方法 | |
CN111783883A (zh) | 一种异常数据的检测方法及装置 | |
Kaur et al. | Predicting power for home appliances based on climatic conditions | |
Li et al. | Real‐time approach for oscillatory stability assessment in large‐scale power systems based on MRMR classifier | |
CN109657967A (zh) | 一种输电网规划方案评价指标权重的确认方法及*** | |
CN102096692A (zh) | 网站访客价值评估***及方法 | |
Li et al. | Robustness analysis model for MADM methods based on cloud model | |
CN107679709A (zh) | 一种基于直觉模糊数和信誉传递的供应商选择方法及装置 | |
CN112613224A (zh) | 桥梁结构检测模型的训练方法、检测方法、装置、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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200807 |