CN111784042B - 一种用电节点安全风险预测方法、装置及存储介质 - Google Patents
一种用电节点安全风险预测方法、装置及存储介质 Download PDFInfo
- Publication number
- CN111784042B CN111784042B CN202010599522.3A CN202010599522A CN111784042B CN 111784042 B CN111784042 B CN 111784042B CN 202010599522 A CN202010599522 A CN 202010599522A CN 111784042 B CN111784042 B CN 111784042B
- Authority
- CN
- China
- Prior art keywords
- power utilization
- node
- current data
- utilization node
- safety risk
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 28
- 230000002159 abnormal effect Effects 0.000 claims abstract description 17
- 239000013598 vector Substances 0.000 claims description 20
- 238000004422 calculation algorithm Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 6
- 238000003064 k means clustering Methods 0.000 claims description 5
- 230000001131 transforming effect Effects 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims 1
- 230000005611 electricity Effects 0.000 description 17
- 238000004891 communication Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 230000000007 visual 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种用电节点安全风险预测方法,通过按照预设采集规则获取用电节点的一组电流数据,并对其进行快速傅里叶变换,以及根据变换结果得出每个电流数据的电流强度分量;然后对所有的电流强度分量进行聚类得出多个聚类结果集,并对每个聚类结果集中的所有电流强度分量计算平均值,以及将平均值与总体平均变动率进行比较,并根据比较的结果满足预设条件的聚类结果集中的每个电流强度分量挑选出来得出用电节点的特征模型;然后将获取到的用电节点的实时电流数据与特征模型进行匹配,进而判断用电节点是否存在异常。本发明解决了现有技术中不能对用电节点的安全风险进行预测等问题。本发明还提供了一种用电节点安全风险预测装置和存储介质。
Description
技术领域
本发明涉及用电安全,尤其涉及一种用电节点安全风险预测方法、装置及存储介质。
背景技术
目前,现有技术中对于用电节点的安全分析主要是通过对已知风险的用电数据进行匹配来完成,比如对电弧的分析是通过对瞬时电流峰值进行分析判断的。但是,对于用电数据往往会伴随着风险的发生同时发生变化,因此,这种方式无法对用电节点进行预测其潜在的风险,不能够提前预知风险的发生,从而不能够及时通知相关工作人员采取措施来避免风险的发生。
发明内容
为了克服现有技术的不足,本发明的目的之一在于提供一种用电节点安全风险预测方法,其能够解决现有技术中不能够及时对用电节点的潜在风险进行预测等问题。
本发明的目的之二在于提供一种用电节点安全风险预测装置,其能够解决现有技术中不能够及时对用电节点的潜在风险进行预测等问题。
本发明的目的之三在于提供一种存储介质,其能够解决现有技术中不能够及时对用电节点的潜在风险进行预测等问题。
本发明的目的之一采用如下技术方案实现:
一种用电节点安全风险预测方法,所述安全风险预测方法包括:
获取步骤:按照预设采集规则获取用电节点的一组电流数据,所述一组电流数据包括多个连续采集的电流数据;
变换步骤:对用电节点的一组电流数据进行快速傅里叶变换,并根据变换结果得出每个电流数据的电流强度分量;
计算步骤:对所有的电流强度分量进行聚类得出多个聚类结果集,然后对每个聚类结果集中的所有电流强度分量计算平均值得出每个聚类结果集的电流强度分量平均值;
特征提取步骤:根据预设聚类算法将每个聚类结果集的电流强度分量平均值与总体平均变动率进行比较,并根据比较的结果满足预设条件的聚类结果集中的每个电流强度分量挑选出来,作为用电节点的用电特征向量,生成用电节点的特征模型;
预测步骤:获取用电节点的实时电流数据,并将实时电流数据进行快速傅里叶变换得到实时电流数据的实时电流强度分量,然后将实时电流数据的实时电流强度分量与用电节点的特征模型进行匹配,判断用电节点是否存在异常;所述总体平均变动率为一组电流数据中所有电流数据的平均值。
进一步地,所述特征提取步骤还包括:当电流强度分量平均值大于预设值时,将对应的聚类结果集中的每个电流强度分量挑选出来,作为用电节点的用电特征向量;所述预设值为总体平均变动率的N%。
进一步地,所述预设值为总体平均变动率的20%。
进一步地,所述变换步骤包括:对用电节点的一组电流数据进行多次快速傅里叶变换。
进一步地,所述预设采集规则包括:采集频率大于30秒/次、采集的电流数据的精度大于1000点/秒、采集时间大于3秒、采集时间间隔均匀并且两次采集之间的时间间隔不超过1毫秒。
进一步地,所述预设聚类算法包括K均值聚类算法。
进一步地,所述预测步骤包括:当实时电流数据的实时电流强度分量与用电节点的特征模型中的用电特征向量均不匹配时,用电节点存在异常。
进一步地,所述预测步骤包括:当用电节点存在异常时,及时向相关工作人员发送提醒。
本发明的目的之二采用如下技术方案实现:
一种用电节点安全风险预测装置,包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述计算机程序为用电节点安全风险预测程序,所述处理器执行所述用电节点安全风险预测程序时实现如本发明目的之一采用的一种用电节点安全风险预测方法的步骤。
本发明的目的之三采用如下技术方案实现:
一种存储介质,所述存储介质为计算机可读存储介质,其上存储有计算机程序,所述计算机程序为用电节点安全风险预测程序,所述用电节点安全风险预测程序被处理器执行时实现如本发明目的之一采用的一种用电节点安全风险预测方法的步骤。
相比现有技术,本发明的有益效果在于:
本发明通过对用电节点的电流数据进行采集,并经过傅里叶变换处理后得到电流数据的电流强度分量,然后挑选出符合条件的电流强度分量作为用电节点的电流特征向量,形成用电节点的特征模型;在识别时,通过将实时采集的电流数据与建立的用电节点的特征模型中的电流特征向量进行匹配,进而判断实时采集的电流数据是否存在异常,进而实现对用电节点的安全风险进行预测判断,解决了现有技术中无法对用电节点的用电风险无法预测等的问题。
附图说明
图1为本发明提供的一种用电节点安全风险预测方法流程图;
图2为本发明提供的一种用电节点安全风险预测装置模块图。
图中:11、存储器;12、处理器;13、通信总线;14、网络接口。
具体实施方式
下面,结合附图以及具体实施方式,对本发明做进一步描述,需要说明的是,在不相冲突的前提下,以下描述的各实施例之间或各技术特征之间可以任意组合形成新的实施例。
实施例一
本发明提供了一种用电节点安全风险预测方法,通过对正常工作情况下的用电节点的电流数据进行特征分析得出用电节点的用电特征,然后将实际生产生活环境中采集到的实时电流数据与用电节点的用电特征进行匹配对比,从而实现对用点节点进行判断其是否存在异常,实现对用电节点的潜在风险的预测。本发明可实现对短期、中期以及长期存在的用电风险进行预测。
如图1所示,本发明提供了一优选的实施例,一种用电节点安全风险预测方法,包括以下步骤:
步骤S1、按照预设采集规则采集用电节点的一组电流数据。一组电流数据包括多个连续采集的电流数据。
一般通过在用电节点安装电流采集设备,持续采集用电节点的多个电流数据。优选地,在进行电流数据采集时,预设采集规则包括:采集频率大于30秒/次、单次采集到的电流数据的精度大于10000点/秒、采集时间大于3秒;同时,在采集过程中,采集时间的时间间隔均匀、两次采集之间的时间间隔误差不超过1毫秒。
按照上述采集规则采集得到一组连续的电流数据。该组电流数据中的每个电流数据均包括电流数据的采集时间和电流数据的电流值。
步骤S2、对采集到的用电节点的一组电流数据进行快速傅里叶变换,并根据变换结果得出每个电流数据的电流强度分量。
其中,快速傅里叶变换(Fast Fourier transform),利用计算机离散傅里叶变换(DFT)的高效、快速计算方法的统称,简称为FFT。FFT的基本思想是把原始的N点序列,依次分解成一系列的短序列。由于快速傅里叶变换是属于公知常识,因此,本发明不对快速傅里叶变换的算法过程做具体介绍。
本发明只是通过对采集到的用电节点的一组电流数据进行快速傅里叶变换,将变换得到的结果的实数部分作为每个电流数据的电流强度分量。
优选地,在进行快速傅里叶变换时,可对用电节点的一组电流数据进行多次变换。比如,经过10000次快速傅里叶变换。
步骤S3、根据预设聚类算法对所有的电流强度分量进行聚类得出多个聚类结果集,然后对每个聚类结果集中的电流强度分量计算平均值得出每个聚类结果集的电流强度分量平均值。优选地,预设聚类算法为K均值聚类算法。本发明中的预设聚类算法不仅仅局限于本实施例给出的K均值聚类算法。
步骤S4、将每个聚类结果集的电流强度分量平均值与总体平均变动率进行比较,并将满足条件的聚类结果集中的电流强度分量挑选出来,作为用电节点的用电特征向量,生成用电节点的特征模型。其中,总体平均变动率是指采集的所有电流数据所形成的采样集合中电流数据的平均值,也即是一组电流数据中的电流数据的平均值。
优选地,当电流强度分量平均值大于总体平均变动率的20%时,将该电流强度分量平均值对应的聚类结果集中的电流强度分量挑选出来,作为用电节点的用电特征向量,生成用电节点的特征模型。其中,用电节点的特征模型包括用电节点的用电特征向量,这些用电特征向量为用电节点在正常工作情况下的电流数据的特征向量。因此,在识别时,可通过将用电节点的实时电流数据与该用电模型的用电特征向量进行匹配,来实现对用电节点的电流数据进行判断是否异常。
步骤S5、获取用电节点的实时电流数据,并将实时电流数据进行快速傅里叶变换得到实时电流数据对应的实时电流强度分量。
步骤S6、将实时电流强度分量与用电节点的特征模型进行匹配,从而根据匹配结果判断用电节点是否存在异常。
当实时电流强度分量与用电节点的特征模型中的用电特征向量不匹配时,则认为用电节点的实时电流数据存在异常,即用电节点存在异常。
优选地,将实时电流强度分量与用电节点的特征模型中的用电特征向量进行匹配时,可采用Z检验的方法实现。当检验结果得出实时电流强度分量与用电特征向量存在明显差异时,则认为用电节点存在安全风险。
步骤S7、当用电节点存在异常时,及时向相关工作人员发送提醒。
本发明通过对正常工作情况下的用电节点的用电数据进行特征分析,得出用电特征,然后将实际生活环境中的实时用电数据与正常工作情况下的用电特征进行匹配独臂,从而发现用电节点存在的潜在的风险,实现了对用电节点的用电风险的预测,解决了现有技术中无法对用电节点的风险进行预测等的问题。
实施例二
本发明提供了一种用电节点安全风险预测装置。如图2所示,本发明一实施例提供的用电节点安全风险预测装置的内部结构示意图。
在本实施例中,用电节点安全风险预测装置可以是PC(Personal Computer,个人电脑),也可以是智能手机、平板电脑、便携计算机等终端设备。该用电节点安全风险预测装置至少包括:处理器12、通信总线13、网络接口14以及存储器11。
其中,存储器11至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、磁性存储器、磁盘、光盘等。存储器11在一些实施例中可以是用电节点安全风险预测装置的内部存储单元,例如该用电节点安全风险预测装置的硬盘。存储器11在另一些实施例中也可以是用电节点安全风险预测装置的外部存储设备,例如用电节点安全风险预测装置上配备的插接式硬盘,智能存储卡(SmartMedia Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,存储器11还可以既包括用电节点安全风险预测装置的内部存储单元也包括外部存储设备。存储器11不仅可以用于存储安装于用电节点安全风险预测装置的应用软件及各类数据,例如用电节点安全风险预测程序的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
处理器12在一些实施例中可以是一中央处理器(Central Processing Unit,CPU)、控制器、微控制器、微处理器或其他数据处理芯片,用于运行存储器11中存储的程序代码或处理数据,例如执行用电节点安全风险预测程序等。
通信总线13用于实现这些组件之间的连接通信。
网络接口14可选的可以包括标准的有线接口、无线接口(如WI-FI接口),通常用于在该用电节点安全风险预测装置与其他电子设备之间建立通信连接。
可选地,该用电节点安全风险预测装置还可以包括用户接口,用户接口可以包括显示器(Display)、输入单元比如键盘(Keyboard),可选的用户接口还可以包括标准的有线接口、无线接口。可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。其中,显示器也可以适当的称为显示屏或显示单元,用于显示在用电节点安全风险预测装置中处理的信息以及用于显示可视化的用户界面。
图2仅示出了具有组件11-14以及用电节点安全风险预测程序的用电节点安全风险预测装置,本领域技术人员可以理解的是,图2示出的结构并不构成对用电节点安全风险预测装置的限定,可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
在图2所示的用电节点安全风险预测装置实施例中,存储器11中存储有用电节点安全风险预测程序;处理器12执行存储器11中存储的用电节点安全风险预测程序时实现如下步骤:
获取步骤:按照预设采集规则获取用电节点的一组电流数据,所述一组电流数据包括多个连续采集的电流数据;
变换步骤:对用电节点的一组电流数据进行快速傅里叶变换,并根据变换结果得出每个电流数据的电流强度分量;
计算步骤:根据预设聚类算法对所有的电流强度分量进行聚类得出多个聚类结果集,然后对每个聚类结果集中的所有电流强度分量计算平均值得出每个聚类结果集的电流强度分量平均值;
特征提取步骤:将每个聚类结果集的电流强度分量平均值与总体平均变动率进行比较,并根据比较的结果满足预设条件的聚类结果集中的每个电流强度分量挑选出来,作为用电节点的用电特征向量,生成用电节点的特征模型;
预测步骤:获取用电节点的实时电流数据,并将实时电流数据进行快速傅里叶变换得到实时电流数据的实时电流强度分量,然后将实时电流数据的实时电流强度分量与用电节点的特征模型进行匹配,判断用电节点是否存在异常;所述总体平均变动率为一组电流数据中所有电流数据的平均值。
进一步地,所述特征提取步骤还包括:当电流强度分量平均值大于预设值时,将对应的聚类结果集中的每个电流强度分量挑选出来,作为用电节点的用电特征向量;所述预设值为总体平均变动率的N%。
进一步地,所述预设值为总体平均变动率的20%。
进一步地,所述变换步骤包括:对用电节点的一组电流数据进行多次快速傅里叶变换。
进一步地,所述预设采集规则包括:采集频率大于30秒/次、采集的电流数据的精度大于1000点/秒、采集时间大于3秒、采集时间间隔均匀并且两次采集之间的时间间隔不超过1毫秒。
进一步地,所述预设聚类算法为K均值聚类算法。
进一步地,所述预测步骤包括:当实时电流数据的实时电流强度分量与用电节点的特征模型中的用电特征向量均不匹配时,用电节点存在异常。
进一步地,所述预测步骤包括:当用电节点存在异常时,及时向相关工作人员发送提醒。
实施例三
一种存储介质,所述存储介质为计算机可读存储介质,其上存储有用电节点安全风险预测程序,所述用电节点安全风险预测程序为计算机程序,所述用电节点安全风险预测程序被处理器执行时实现如本发明提供的实施例一采用的一种用电节点安全风险预测方法的步骤。
上述实施方式仅为本发明的优选实施方式,不能以此来限定本发明保护的范围,本领域的技术人员在本发明的基础上所做的任何非实质性的变化及替换均属于本发明所要求保护的范围。
Claims (10)
1.一种用电节点安全风险预测方法,其特征在于,所述安全风险预测方法包括:
获取步骤:按照预设采集规则获取用电节点的一组电流数据,所述一组电流数据包括多个连续采集的电流数据;
变换步骤:对用电节点的一组电流数据进行快速傅里叶变换,并根据变换结果得出每个电流数据的电流强度分量;
计算步骤:根据预设聚类算法对所有的电流强度分量进行聚类得出多个聚类结果集,然后对每个聚类结果集中的所有电流强度分量计算平均值得出每个聚类结果集的电流强度分量平均值;
特征提取步骤:将每个聚类结果集的电流强度分量平均值与总体平均变动率进行比较,并根据比较的结果满足预设条件的聚类结果集中的每个电流强度分量挑选出来,作为用电节点的用电特征向量,生成用电节点的特征模型;
预测步骤:获取用电节点的实时电流数据,并将实时电流数据进行快速傅里叶变换得到实时电流数据的实时电流强度分量,然后将实时电流数据的实时电流强度分量与用电节点的特征模型进行匹配,判断用电节点是否存在异常;所述总体平均变动率为一组电流数据中所有电流数据的平均值。
2.根据权利要求1所述一种用电节点安全风险预测方法,其特征在于,所述特征提取步骤还包括:当电流强度分量平均值大于预设值时,将对应的聚类结果集中的每个电流强度分量挑选出来,作为用电节点的用电特征向量;所述预设值为总体平均变动率的N%。
3.根据权利要求2所述用电节点安全风险预测方法,其特征在于,所述预设值为总体平均变动率的20%。
4.根据权利要求1所述一种用电节点安全风险预测方法,其特征在于,所述变换步骤包括:对用电节点的一组电流数据进行多次快速傅里叶变换。
5.根据权利要求1所述一种用电节点安全风险预测方法,其特征在于,所述预设采集规则包括:采集频率大于30秒/次、采集的电流数据的精度大于1000点/秒、采集时间大于3秒、采集时间间隔均匀并且两次采集之间的时间间隔不超过1毫秒。
6.根据权利要求1所述一种用电节点安全风险预测方法,其特征在于,所述预设聚类算法为K均值聚类算法。
7.根据权利要求1所述一种用电节点安全风险预测方法,其特征在于,所述预测步骤包括:当实时电流数据的实时电流强度分量与用电节点的特征模型中的用电特征向量均不匹配时,用电节点存在异常。
8.根据权利要求1所述一种用电节点安全风险预测方法,其特征在于,所述预测步骤包括:当用电节点存在异常时,及时向相关工作人员发送提醒。
9.一种用电节点安全风险预测装置,包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述计算机程序为用电节点安全风险预测程序,其特征在于:所述处理器执行所述用电节点安全风险预测程序时实现如权利要求1-8中任一项所述的一种用电节点安全风险预测方法的步骤。
10.一种存储介质,所述存储介质为计算机可读存储介质,其上存储有计算机程序,所述计算机程序为用电节点安全风险预测程序,其特征在于:所述用电节点安全风险预测程序被处理器执行时实现如权利要求1-8中任一项所述的一种用电节点安全风险预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010599522.3A CN111784042B (zh) | 2020-06-28 | 2020-06-28 | 一种用电节点安全风险预测方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010599522.3A CN111784042B (zh) | 2020-06-28 | 2020-06-28 | 一种用电节点安全风险预测方法、装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111784042A CN111784042A (zh) | 2020-10-16 |
CN111784042B true CN111784042B (zh) | 2022-11-25 |
Family
ID=72761589
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010599522.3A Active CN111784042B (zh) | 2020-06-28 | 2020-06-28 | 一种用电节点安全风险预测方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111784042B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114769002B (zh) * | 2022-05-30 | 2022-09-16 | 浙江安达环保设备有限公司 | 湿式电除尘器喷淋装置及湿式电除尘器 |
CN115203274B (zh) * | 2022-07-25 | 2023-12-26 | 云南电网有限责任公司楚雄供电局 | 一种配电变压器容量异常的大数据筛查*** |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6371236B2 (ja) * | 2015-02-23 | 2018-08-08 | 株式会社日立製作所 | 予兆診断システム、予兆診断方法及び予兆診断装置 |
CN106022592B (zh) * | 2016-05-16 | 2021-12-28 | 中国电子科技集团公司电子科学研究院 | 一种用电行为异常检测与治安风险预警方法及装置 |
CN110634080B (zh) * | 2018-06-25 | 2023-03-31 | 中兴通讯股份有限公司 | 异常用电检测方法、装置、设备及计算机可读存储介质 |
CN109614997A (zh) * | 2018-11-29 | 2019-04-12 | 武汉大学 | 一种基于深度学习的窃电风险预测方法及装置 |
CN109697574A (zh) * | 2018-12-31 | 2019-04-30 | 国网浙江省电力有限公司杭州供电公司 | 一种电力中小客户用电风险识别方法 |
-
2020
- 2020-06-28 CN CN202010599522.3A patent/CN111784042B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN111784042A (zh) | 2020-10-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110134708A (zh) | 电网台区线损异常原因诊断方法、装置、计算机设备和存储介质 | |
CN111784042B (zh) | 一种用电节点安全风险预测方法、装置及存储介质 | |
JP2016081452A (ja) | 卸電力価格予測システムおよび卸電力価格予測方法 | |
CN108228428A (zh) | 用于输出信息的方法和装置 | |
CN107392259B (zh) | 构建不均衡样本分类模型的方法和装置 | |
CN113641994B (zh) | 基于图数据的数据处理方法及*** | |
CN114385869A (zh) | 检测数据异常的方法、装置、存储介质及计算机设备 | |
CN110807050B (zh) | 性能分析方法、装置、计算机设备及存储介质 | |
CN111310351A (zh) | 车间设备的状态监测方法、装置、终端设备及存储介质 | |
CN115878958A (zh) | 一种变压器油温预测方法、装置、设备及存储介质 | |
CN115659411A (zh) | 数据分析的方法和装置 | |
CN110648045A (zh) | 风险评估方法、电子装置及计算机可读存储介质 | |
CN113270863A (zh) | 一种智能用电行为分析方法及*** | |
CN113220946A (zh) | 基于强化学习的故障链路搜索方法、装置、设备及介质 | |
CN112346838A (zh) | 一种基于物联网的智能调度方法及装置 | |
CN117234844A (zh) | 云服务器异常管理方法、装置、计算机设备及存储介质 | |
CN109919180B (zh) | 电子装置、用户操作记录数据的处理方法和存储介质 | |
CN116843395A (zh) | 一种业务***的告警分级方法、装置、设备及存储介质 | |
CN107357703B (zh) | 一种终端应用耗电检测方法及服务器 | |
CN113408210B (zh) | 基于深度学习的非侵入负荷分解方法、***、介质和设备 | |
CN115344495A (zh) | 批量任务测试的数据分析方法、装置、计算机设备及介质 | |
CN115328764A (zh) | 基于自动化测试的测试代码优化方法及其相关设备 | |
Liu et al. | Real-time industrial carbon emission estimation with deep learning-based device recognition and incomplete smart meter data | |
CN107346329B (zh) | 一种数据处理方法和装置 | |
CN113537519A (zh) | 一种识别异常设备的方法和装置 |
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 |