CN113496440A - 一种用户异常用电检测方法及*** - Google Patents
一种用户异常用电检测方法及*** Download PDFInfo
- Publication number
- CN113496440A CN113496440A CN202110721542.8A CN202110721542A CN113496440A CN 113496440 A CN113496440 A CN 113496440A CN 202110721542 A CN202110721542 A CN 202110721542A CN 113496440 A CN113496440 A CN 113496440A
- Authority
- CN
- China
- Prior art keywords
- abnormal
- power consumption
- time sequence
- sequence data
- user
- 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
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 122
- 238000001514 detection method Methods 0.000 title claims abstract description 62
- 230000005611 electricity Effects 0.000 title claims abstract description 47
- 238000000034 method Methods 0.000 claims abstract description 53
- 238000004458 analytical method Methods 0.000 claims abstract description 30
- 238000004364 calculation method Methods 0.000 claims abstract description 22
- 238000007781 pre-processing Methods 0.000 claims abstract description 9
- 230000005856 abnormality Effects 0.000 claims description 23
- 230000008569 process Effects 0.000 claims description 20
- 238000012545 processing Methods 0.000 claims description 13
- 238000010606 normalization Methods 0.000 claims description 7
- 238000007405 data analysis Methods 0.000 claims description 6
- 239000013589 supplement Substances 0.000 claims description 3
- 230000001502 supplementing effect Effects 0.000 claims 1
- 238000012549 training Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 241000283283 Orcinus orca Species 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012847 principal component analysis method Methods 0.000 description 1
- 230000011218 segmentation 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
- 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
-
- 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
- G06F18/24323—Tree-organised classifiers
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Water Supply & Treatment (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Public Health (AREA)
- Evolutionary Computation (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)
- Testing Or Calibration Of Command Recording Devices (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种用户异常用电检测方法及***，方法包括：1)采集若干用户的用电量时序数据，并进行预处理；2)对用电量时序数据进行解析，获得解析结果；3)根据用电量时序数据的原始值以及解析结果，通过孤立森林算法进行迭代计算，每次迭代对应获得若干组异常检测结果，每组异常检测结果包含所有用户的用电异常判定结果，获取若干组异常检测结果的结果交叉数量；4)判断最新获取的结果交叉数量与上一次获取的结果交叉数量的差值是否小于临界值，若是则判定最新的交叉的用电异常判定结果对应的用户用电异常，否则重复步骤3)。与现有技术相比，本发明具有客观性强、准确性好等优点。
Description
技术领域
本发明涉及一种用电信息采集技术，尤其是涉及一种用户异常用电检测方法及***。
背景技术
由于低压客户群体数量庞大，且变化频繁，目前台区线损管理中普遍存在户变关系不清、抄表质量不佳、窃电、计量故障等管理原因导致的线损异常。近年来，围绕用电侧的异常模式检测问题，发展了基于统计、基于距离和基于学习的三大类技术方法。从数据的角度看，并借鉴机器学习领域的常用概念，可以将这些方法分成两大类：有监督学习和无监督学习。有监督学习方法通常需要足够的带标签的训练样本，这意味着用电数据中需要包含用户的类型信息，即该用户是否为异常用户。这样的数据需要人类专家鉴定，并且无法形成较大的规模。无监督的方法不需要知道用户本身的类型信息，它能够从大量的用电数据中学习到特定的知识，并用于寻找异常的用电模式。随着智能电表的普及和配用电大数据的发展，电网的用电侧数据逐步表现出海量数据和高复杂度的特征，传统的用电异常检测模式已经难以满足现有的要求，而近年来被广泛应用于异常检测的神经网络和机器学习的方法，绝大多数对于训练样本的需求较高，无法很好地应用于缺少样本标签的用电数据集上。
现有技术也给出了一些解决方案，中国专利CN201810793660.8提出了一种基于孤立森林算法的用电数据异常检测模型，包括特征提取模块、特征降维模块、孤立森林计算模块、构建专家样本模块和二次训练模块，特征提取模块从原始数据集中提取用户的用电数据的时间序列作为初始特征集，然后对初始特征集进行无量纲化和特征选择处理；特征降维模块采用主成分分析法和自编码网络法对初始特征集进行降维得到有效特征集；孤立森林计算模块采用孤立森林算法计算出每个用户的异常分数以判定用户数据有无异常，该专利基于孤立森林算法的用电数据异常检测模型，是一种无监督的用电数据异常检测模型，不仅能够快速地处理大量的数据，而且能够适应缺乏训练样本的情况，能够更好地满足于电力部门的实践需求。
但该专利存在以下问题：
孤立森林算法是一种无监督学习算法，学习过程具有一定的随机性，判别用户用电是否异常的一个关键点是临界值的选取，临界值取值越接近1，被认为是用电异常的用户数量越少，这意味着检测结果的准确率会提高，但同时会导致用电异常的用户的漏报率上升，用电异常的用户被混淆在用电正常的用户中，因此该专利受孤立森林算法的随机性以及人为确定临界值的主观因素的影响较大，结果的可靠性和准确性不高。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种用户异常用电检测方法及***，客观性好，准确性高。
本发明的目的可以通过以下技术方案来实现：
一种用户异常用电检测方法，包括：
1)采集若干用户的用电量时序数据，并进行预处理；
2)对用电量时序数据进行解析，获得解析结果；
3)根据用电量时序数据的原始值以及解析结果，通过孤立森林算法进行迭代计算，每次迭代对应获得若干组异常检测结果，每组异常检测结果包含所有用户的用电异常判定结果，获取若干组异常检测结果的结果交叉数量；
4)判断最新获取的结果交叉数量与上一次获取的结果交叉数量的差值是否小于临界值，若是则判定最新的交叉的用电异常判定结果对应的用户用电异常，否则重复步骤3)。
进一步地，所述的步骤2)包括：
对用电量时序数据进行归一化处理，获得用电量时序数据的归一化值。
进一步地，所述的孤立森林算法的过程包括：
计算每个用户的用电量时序数据的异常得分s，若s小于临界值，则判定该用户用电异常，否则判定该用户用电正常；
通过对采集的用电量时序数据进行解析，利用解析结果以及用电量时序数据原始值，联合孤立森林算法进行异常分析，并通过多次迭代计算，结合结果交叉法，由若干组异常检测结果共同确定异常值，弱化了孤立森林算法的随机性以及人为确定临界值的主观因素的影响，提高了异常样本的检测准确度。
进一步地，所述的异常得分s的计算公式为：
H(i)＝n(i)+0.5772156649
其中，h(x)为点x在孤立森林iForest中的路径长度，E(h(x))为x在孤立森林iForest中路径长度的平均值，n为设定值。
进一步地，所述的预处理过程包括：
通过插值法补全用电量时序数据中的缺失点和异常点，提高了异常用电分析的准确性。
一种用户异常用电检测***，包括：
数据采集模块，用于采集若干用户的用电量时序数据；
数据处理模块，用于对用电量时序数据进行预处理；
数据解析模块，用于对预处理后的用电量时序数据进行解析，获得解析结果；
异常检测模块，用于根据用电量时序数据的原始值以及解析结果，通过孤立森林算法进行迭代计算，每次迭代对应获得若干组异常检测结果，每组异常检测结果包含所有用户的用电异常判定结果，并获取若干组异常检测结果的结果交叉数量；
判定模块，用于判断最新获取的结果交叉数量与上一次获取的结果交叉数量的差值是否小于临界值，若是则判定最新的交叉的用电异常判定结果对应的用户用电异常，否则发送迭代指令给异常检测模块，所述的异常检测模块接收到迭代指令后继续进行迭代计算。
进一步地，解析用电量时序数据的过程包括：
所述的数据解析模块对用电量时序数据进行归一化处理，获得用电量时序数据的归一化值。
进一步地，所述的孤立森林算法的过程包括：
所述的异常检测模块计算每个用户的用电量时序数据的异常得分s，若s小于临界值，则判定该用户用电异常，否则判定该用户用电正常；
通过对采集的用电量时序数据进行解析，利用解析结果以及用电量时序数据原始值，联合孤立森林算法进行异常分析，并通过多次迭代计算，结合结果交叉法，由若干组异常检测结果共同确定异常值，弱化了孤立森林算法的随机性以及人为确定临界值的主观因素的影响，提高了异常样本的检测准确度。
进一步地，所述的异常得分s的计算公式为：
H(i)＝n(i)+0.5772156649
其中，h(x)为点x在孤立森林iForest中的路径长度，E(h(x))为x在孤立森林iForest中路径长度的平均值，n为设定值。
进一步地，所述的预处理过程包括：
所述的数据处理模块通过插值法补全用电量时序数据中的缺失点和异常点。
与现有技术相比，本发明具有以如下有益效果：
(1)本发明通过对采集的用电量时序数据进行解析，利用解析结果以及用电量时序数据原始值，联合孤立森林算法进行异常分析，并通过多次迭代计算，结合结果交叉法，由若干组异常检测结果共同确定异常值，弱化了孤立森林算法的随机性以及人为确定临界值的主观因素的影响，客观性强，提高了异常样本的检测准确度；
(2)本发明通过插值法补全用电量时序数据中的缺失点和异常点，提高了异常用电分析的准确性。
附图说明
图1为本发明的方法流程示意图；
图2为交叉结果中异常用电用户数量随迭代次数的变化曲线图；
图3为实施例1中随机抽取的25户异常用电用户的实际用电曲线图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
一种用户异常用电检测方法，如图1，包括：
1)采集若干用户的用电量时序数据，并进行预处理；
2)对用电量时序数据进行解析，获得解析结果；
3)根据用电量时序数据的原始值以及解析结果，通过孤立森林算法进行迭代计算，每次迭代对应获得若干组异常检测结果，每组异常检测结果包含所有用户的用电异常判定结果，获取若干组异常检测结果的结果交叉数量；
4)判断最新获取的结果交叉数量与上一次获取的结果交叉数量的差值是否小于临界值，若是则判定最新的交叉的用电异常判定结果对应的用户用电异常，否则重复步骤3)。
步骤2)包括：
对用电量时序数据进行归一化处理，获得用电量时序数据的归一化值。
孤立森林算法的过程包括：
计算每个用户的用电量时序数据的异常得分s，若s小于临界值，则判定该用户用电异常，否则判定该用户用电正常；
异常得分s的计算公式为：
H(i)＝n(i)+0.5772156649
其中，h(x)为点x在孤立森林iForest中的路径长度，E(h(x))为x在孤立森林iForest中路径长度的平均值，n为设定值；
iForest的表达式为：
iForest＝{iTree1，iTree2，iTree3，…，iTreen}
其中，iTree为隔离树，iTree为iForest的一个节点。
孤立森林算法是一种适用于连续数据的无监督学习异常检测算法，它的基本思想是递归地随机分割数据集直至各个样本都是独立的或者树的深度达到限定值，在随机的分割策略下，异常的样本会先被分割出来，孤立森林算法在AUC和执行时间方面明显优于ORCA、LOF和RF等近线性时间复杂度距离法，特别是在大数据集上；
孤立森林算法的学习过程具有一定的随机性，判别用户用电是否异常的一个关键点是临界值的选取，临界值取值越接近1，被认为是用电异常的用户数量越少，这意味着检测结果的准确率会提高，但同时会导致用电异常的用户的漏报率上升，用电异常的用户被混淆在用电正常的用户中；
通过对采集的用电量时序数据进行解析，利用解析结果以及用电量时序数据原始值，联合孤立森林算法进行异常分析，并通过多次迭代计算，结合结果交叉法，由若干组异常检测结果共同确定异常值，弱化了孤立森林算法的随机性以及人为确定临界值的主观因素的影响，提高了异常样本的检测准确度。
预处理过程包括：
通过插值法补全用电量时序数据中的缺失点和异常点，提高了异常用电分析的准确性。
本实施例以2019年长兴居民的日用电数据为研究对象，应用本实施例提出的用户异常用电检测方法，探索分析异常用电情况。
以居民用户365天的日用电量为研究对象，采用孤立森林算法分别选用原始值和归一化法对长兴4万多用户进行异常用户的检测，临界值为0.5，异常检测结果中，异常分数s>0.5的用户可能是异常的用户，都暂被视为异常用户，分别进行多次计算并将其结果进行迭代，认为每次计算结果均为异常的用户为我们要监测的重点对象，计算得到的异常检测结果如表1所示：
表1异常检测结果表
两组异常检测结果的交叉结果中，异常用电用户数量随迭代次数的变化曲线图如图2所示，由表1和图2可知，仅采用归一化值的算法得到的异常用户范围最大，直接使用原始值的算法得到的异常用户数有所减少，两者迭代的结果可以大范围降低可能的异常的结果，并且经过11次迭代计算后，结果趋于稳定，可见多次迭代后的异常用户较为理想，抽取迭代计算结束后交叉结果中的25户异常用电用户，其实际用电曲线图如图3所示，可见这些用户的用电曲线与正常曲线差异较大，可证明本实施例提出的用户异常用电检测方法是有效的。
实施例2
一种用户异常用电检测***，包括：
数据采集模块，用于采集若干用户的用电量时序数据；
数据处理模块，用于对用电量时序数据进行预处理；
数据解析模块，用于对预处理后的用电量时序数据进行解析，获得解析结果；
异常检测模块，用于根据用电量时序数据的原始值以及解析结果，通过孤立森林算法进行迭代计算，每次迭代对应获得若干组异常检测结果，每组异常检测结果包含所有用户的用电异常判定结果，并获取若干组异常检测结果的结果交叉数量；
判定模块，用于判断最新获取的结果交叉数量与上一次获取的结果交叉数量的差值是否小于临界值，若是则判定最新的交叉的用电异常判定结果对应的用户用电异常，否则发送迭代指令给异常检测模块，异常检测模块接收到迭代指令后继续进行迭代计算。
解析用电量时序数据的过程包括：
数据解析模块对用电量时序数据进行归一化处理，获得用电量时序数据的归一化值。
孤立森林算法的过程包括：
异常检测模块计算每个用户的用电量时序数据的异常得分s，若s小于临界值，则判定该用户用电异常，否则判定该用户用电正常；
孤立森林算法是一种无监督学习算法，学习过程具有一定的随机性，判别用户用电是否异常的一个关键点是临界值的选取，临界值取值越接近1，被认为是用电异常的用户数量越少，这意味着检测结果的准确率会提高，但同时会导致用电异常的用户的漏报率上升，用电异常的用户被混淆在用电正常的用户中；
通过对采集的用电量时序数据进行解析，利用解析结果以及用电量时序数据原始值，联合孤立森林算法进行异常分析，并通过多次迭代计算，结合结果交叉法，由若干组异常检测结果共同确定异常值，弱化了孤立森林算法的随机性以及人为确定临界值的主观因素的影响，提高了异常样本的检测准确度。
异常得分s的计算公式为：
H(i)＝n(i)+0.5772156649
其中，h(x)为点x在孤立森林iForest中的路径长度，E(h(x))为x在孤立森林iForest中路径长度的平均值，n为设定值。
预处理过程包括：
数据处理模块通过插值法补全用电量时序数据中的缺失点和异常点。
实施例1和实施例2提出了一种用户异常用电检测方法及***，通过对采集的用电量时序数据进行解析，利用解析结果以及用电量时序数据原始值，联合孤立森林算法进行异常分析，并通过多次迭代计算，结合结果交叉法，由若干组异常检测结果共同确定异常值，弱化了孤立森林算法的随机性以及人为确定临界值的主观因素的影响，客观性强，提高了异常样本的检测准确度。
以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。
Claims (10)
1.一种用户异常用电检测方法，其特征在于，包括：
1)采集若干用户的用电量时序数据，并进行预处理；
2)对用电量时序数据进行解析，获得解析结果；
3)根据用电量时序数据的原始值以及解析结果，通过孤立森林算法进行迭代计算，每次迭代对应获得若干组异常检测结果，每组异常检测结果包含所有用户的用电异常判定结果，获取若干组异常检测结果的结果交叉数量；
4)判断最新获取的结果交叉数量与上一次获取的结果交叉数量的差值是否小于临界值，若是则判定最新的交叉的用电异常判定结果对应的用户用电异常，否则重复步骤3)。
2.根据权利要求1所述的一种用户异常用电检测方法，其特征在于，所述的步骤2)包括：
对用电量时序数据进行归一化处理，获得用电量时序数据的归一化值。
3.根据权利要求1所述的一种用户异常用电检测方法，其特征在于，所述的孤立森林算法的过程包括：
计算每个用户的用电量时序数据的异常得分s，若s小于临界值，则判定该用户用电异常，否则判定该用户用电正常。
4.根据权利要求3所述的一种用户异常用电检测方法，其特征在于，所述的异常得分s的计算公式为：
H(i)＝n(i)+0.5772156649
其中，h(x)为点x在孤立森林iForest中的路径长度，E(h(x))为x在孤立森林iForest中路径长度的平均值，n为设定值。
5.根据权利要求1所述的一种用户异常用电检测方法，其特征在于，所述的预处理过程包括：
通过插值法补全用电量时序数据中的缺失点和异常点。
6.一种用户异常用电检测***，其特征在于，包括：
数据采集模块，用于采集若干用户的用电量时序数据；
数据处理模块，用于对用电量时序数据进行预处理；
数据解析模块，用于对预处理后的用电量时序数据进行解析，获得解析结果；
异常检测模块，用于根据用电量时序数据的原始值以及解析结果，通过孤立森林算法进行迭代计算，每次迭代对应获得若干组异常检测结果，每组异常检测结果包含所有用户的用电异常判定结果，并获取若干组异常检测结果的结果交叉数量；
判定模块，用于判断最新获取的结果交叉数量与上一次获取的结果交叉数量的差值是否小于临界值，若是则判定最新的交叉的用电异常判定结果对应的用户用电异常，否则发送迭代指令给异常检测模块，所述的异常检测模块接收到迭代指令后继续进行迭代计算。
7.根据权利要求6所述的一种用户异常用电检测***，其特征在于，解析用电量时序数据的过程包括：
所述的数据解析模块对用电量时序数据进行归一化处理，获得用电量时序数据的归一化值。
8.根据权利要求6所述的一种用户异常用电检测***，其特征在于，所述的孤立森林算法的过程包括：
所述的异常检测模块计算每个用户的用电量时序数据的异常得分s，若s小于临界值，则判定该用户用电异常，否则判定该用户用电正常。
9.根据权利要求8所述的一种用户异常用电检测***，其特征在于，所述的异常得分s的计算公式为：
H(i)＝n(i)+0.5772156649
其中，h(x)为点x在孤立森林iForest中的路径长度，E(h(x))为x在孤立森林iForest中路径长度的平均值，n为设定值。
10.根据权利要求6所述的一种用户异常用电检测***，其特征在于，所述的预处理过程包括：
所述的数据处理模块通过插值法补全用电量时序数据中的缺失点和异常点。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110721542.8A CN113496440B (zh) | 2021-06-28 | 2021-06-28 | 一种用户异常用电检测方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110721542.8A CN113496440B (zh) | 2021-06-28 | 2021-06-28 | 一种用户异常用电检测方法及*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113496440A true CN113496440A (zh) | 2021-10-12 |
| CN113496440B CN113496440B (zh) | 2023-12-12 |
Family
ID=77998042
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110721542.8A Active CN113496440B (zh) | 2021-06-28 | 2021-06-28 | 一种用户异常用电检测方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113496440B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115904791A (zh) * | 2022-12-30 | 2023-04-04 | 广东石油化工学院 | 一种动量轮转速带跳变过程误码识别及自适应修复方法 |
| CN117235460A (zh) * | 2023-10-12 | 2023-12-15 | 广州拾贝云科技有限公司 | 一种基于电力时序数据的数据传输处理方法及*** |
| CN117970168A (zh) * | 2024-03-29 | 2024-05-03 | 国网山东省电力公司莱芜供电公司 | 一种双电源转换装置的监测数据高效处理方法 |
Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103401316A (zh) * | 2013-08-16 | 2013-11-20 | 国家电网公司 | 智能电网设备状态数据集成式监测及处理方法 |
| CN104216985A (zh) * | 2014-09-04 | 2014-12-17 | 深圳供电局有限公司 | 一种甄别异常数据的方法及*** |
| CN105844294A (zh) * | 2016-03-21 | 2016-08-10 | 全球能源互联网研究院 | 一种基于fcm聚类算法的用电行为分析方法 |
| CN108985632A (zh) * | 2018-07-16 | 2018-12-11 | 国网上海市电力公司 | 一种基于孤立森林算法的用电数据异常检测模型 |
| CN109308306A (zh) * | 2018-09-29 | 2019-02-05 | 重庆大学 | 一种基于孤立森林的用户用电异常行为检测方法 |
| CN109949176A (zh) * | 2019-03-28 | 2019-06-28 | 南京邮电大学 | 一种基于图嵌入的社交网络中异常用户检测方法 |
| CN110807014A (zh) * | 2019-09-24 | 2020-02-18 | 国网北京市电力公司 | 一种基于交叉验证的台区数据异常甄别方法和装置 |
| WO2020155752A1 (zh) * | 2019-01-28 | 2020-08-06 | 平安科技（深圳）有限公司 | 异常点检测模型验证方法、装置、计算机设备及存储介质 |
| CN111666276A (zh) * | 2020-06-11 | 2020-09-15 | 上海积成能源科技有限公司 | 一种电力负荷预测中应用孤立森林算法剔除异常数据处理的方法 |
| CN111931834A (zh) * | 2020-07-31 | 2020-11-13 | 广东工业大学 | 基于孤立森林算法的铝型材挤压过程流数据异常检测方法、设备及存储介质 |
| CN112527604A (zh) * | 2020-12-16 | 2021-03-19 | 广东昭阳信息技术有限公司 | 一种基于深度学习的运维检测方法、***、电子设备及介质 |
| CN112633421A (zh) * | 2021-03-09 | 2021-04-09 | 国网江西综合能源服务有限公司 | 一种用户异常用电行为检测方法及装置 |
| US20210160266A1 (en) * | 2019-11-27 | 2021-05-27 | Telefonaktiebolaget Lm Ericsson (Publ) | Computer-implemented method and arrangement for classifying anomalies |
| CN112949721A (zh) * | 2021-03-04 | 2021-06-11 | 吴统明 | 一种电力设备静态数据质量评估方法及*** |
-
2021
- 2021-06-28 CN CN202110721542.8A patent/CN113496440B/zh active Active
Patent Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103401316A (zh) * | 2013-08-16 | 2013-11-20 | 国家电网公司 | 智能电网设备状态数据集成式监测及处理方法 |
| CN104216985A (zh) * | 2014-09-04 | 2014-12-17 | 深圳供电局有限公司 | 一种甄别异常数据的方法及*** |
| CN105844294A (zh) * | 2016-03-21 | 2016-08-10 | 全球能源互联网研究院 | 一种基于fcm聚类算法的用电行为分析方法 |
| CN108985632A (zh) * | 2018-07-16 | 2018-12-11 | 国网上海市电力公司 | 一种基于孤立森林算法的用电数据异常检测模型 |
| CN109308306A (zh) * | 2018-09-29 | 2019-02-05 | 重庆大学 | 一种基于孤立森林的用户用电异常行为检测方法 |
| WO2020155752A1 (zh) * | 2019-01-28 | 2020-08-06 | 平安科技（深圳）有限公司 | 异常点检测模型验证方法、装置、计算机设备及存储介质 |
| CN109949176A (zh) * | 2019-03-28 | 2019-06-28 | 南京邮电大学 | 一种基于图嵌入的社交网络中异常用户检测方法 |
| CN110807014A (zh) * | 2019-09-24 | 2020-02-18 | 国网北京市电力公司 | 一种基于交叉验证的台区数据异常甄别方法和装置 |
| US20210160266A1 (en) * | 2019-11-27 | 2021-05-27 | Telefonaktiebolaget Lm Ericsson (Publ) | Computer-implemented method and arrangement for classifying anomalies |
| CN111666276A (zh) * | 2020-06-11 | 2020-09-15 | 上海积成能源科技有限公司 | 一种电力负荷预测中应用孤立森林算法剔除异常数据处理的方法 |
| CN111931834A (zh) * | 2020-07-31 | 2020-11-13 | 广东工业大学 | 基于孤立森林算法的铝型材挤压过程流数据异常检测方法、设备及存储介质 |
| CN112527604A (zh) * | 2020-12-16 | 2021-03-19 | 广东昭阳信息技术有限公司 | 一种基于深度学习的运维检测方法、***、电子设备及介质 |
| CN112949721A (zh) * | 2021-03-04 | 2021-06-11 | 吴统明 | 一种电力设备静态数据质量评估方法及*** |
| CN112633421A (zh) * | 2021-03-09 | 2021-04-09 | 国网江西综合能源服务有限公司 | 一种用户异常用电行为检测方法及装置 |
Non-Patent Citations (3)
| Title |
|---|
| XINLIN WANG: "Sample Efficient Home Power Anomaly Detection in Real Time Using Semi-Supervised Learning", 《IEEE ACCESS》 * |
| 潘磊: "基于智能电表大数据的异常用电检测", 《计算技术与自动化》 * |
| 黎承旭: "基于大数据的异常用电行为检测算法及应用", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》, no. 2020 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115904791A (zh) * | 2022-12-30 | 2023-04-04 | 广东石油化工学院 | 一种动量轮转速带跳变过程误码识别及自适应修复方法 |
| CN115904791B (zh) * | 2022-12-30 | 2023-10-13 | 广东石油化工学院 | 一种动量轮转速带跳变过程误码识别及自适应修复方法 |
| CN117235460A (zh) * | 2023-10-12 | 2023-12-15 | 广州拾贝云科技有限公司 | 一种基于电力时序数据的数据传输处理方法及*** |
| CN117235460B (zh) * | 2023-10-12 | 2024-05-31 | 广州拾贝云科技有限公司 | 一种基于电力时序数据的数据传输处理方法及*** |
| CN117970168A (zh) * | 2024-03-29 | 2024-05-03 | 国网山东省电力公司莱芜供电公司 | 一种双电源转换装置的监测数据高效处理方法 |
| CN117970168B (zh) * | 2024-03-29 | 2024-05-28 | 国网山东省电力公司莱芜供电公司 | 一种双电源转换装置的监测数据高效处理方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113496440B (zh) | 2023-12-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111882446B (zh) | 一种基于图卷积网络的异常账户检测方法 | |
| CN113496440A (zh) | 一种用户异常用电检测方法及*** | |
| CN101738998B (zh) | 一种基于局部判别分析的工业过程监测***及方法 | |
| CN107153409B (zh) | 一种基于缺失变量建模思路的非高斯过程监测方法 | |
| CN109767054A (zh) | 基于深度神经网络算法的能效云评估方法及边缘能效网关 | |
| CN111628494B (zh) | 一种基于逻辑回归法的低压配电网拓扑识别方法及*** | |
| CN106709816A (zh) | 基于非参数回归分析的电力负荷异常数据识别与修正方法 | |
| CN109389325B (zh) | 基于小波神经网络的变电站电子式互感器状态评估方法 | |
| CN109710661A (zh) | 基于遗传模拟退火算法对高压加热器状态分析的方法 | |
| CN109190184A (zh) | 一种供热***历史数据预处理方法 | |
| CN113128567A (zh) | 一种基于用电量数据的异常用电行为识别方法 | |
| CN111273125A (zh) | 基于rst-cnn的电力电缆沟道故障诊断方法 | |
| CN115965135A (zh) | 基于朴素贝叶斯分类的新能源预测误差建模方法及*** | |
| CN113010985A (zh) | 一种基于并行aann的非侵入式负荷识别方法 | |
| CN112507881A (zh) | 一种基于时间卷积神经网络的sEMG信号分类方法及*** | |
| CN112329868A (zh) | 基于clara聚类的制造加工设备群能效状态评价方法 | |
| CN111737993A (zh) | 一种配电网设备的故障缺陷文本提取设备健康状态方法 | |
| CN104980442B (zh) | 一种基于元样本稀疏表示的网络入侵检测方法 | |
| CN116433049A (zh) | 一种基于模糊粗糙熵的用电异常检测方法 | |
| CN116502149A (zh) | 基于电流特征传导的低压配电网户变关系识别方法及*** | |
| CN115392710A (zh) | 一种基于数据过滤的风电机组运行决策方法及*** | |
| CN115840116A (zh) | 一种基于gan-cnn的开关柜局放故障模式识别方法 | |
| Wu et al. | Early anomaly detection in wind turbine bolts breaking problem—Methodology and application | |
| CN114358160A (zh) | 一种电力***中的数据异常检测方法 | |
| CN113327008A (zh) | 一种基于时序自动编码器的窃电检测方法、***及介质 |
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 |