CN113516336A - 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
- CN113516336A CN113516336A CN202110302024.2A CN202110302024A CN113516336A CN 113516336 A CN113516336 A CN 113516336A CN 202110302024 A CN202110302024 A CN 202110302024A CN 113516336 A CN113516336 A CN 113516336A
- Authority
- CN
- China
- Prior art keywords
- user
- voltage
- electricity
- low
- determining
- 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 251
- 238000000034 method Methods 0.000 title claims abstract description 52
- 230000002159 abnormal effect Effects 0.000 claims abstract description 109
- 230000008859 change Effects 0.000 claims abstract description 106
- 230000035772 mutation Effects 0.000 claims abstract description 50
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 39
- 238000007637 random forest analysis Methods 0.000 claims abstract description 13
- 238000012549 training Methods 0.000 claims abstract description 9
- 238000007689 inspection Methods 0.000 claims abstract description 8
- 239000011159 matrix material Substances 0.000 claims abstract description 8
- 230000009467 reduction Effects 0.000 claims description 20
- 238000009826 distribution Methods 0.000 claims description 18
- 238000010248 power generation Methods 0.000 claims description 14
- 238000003066 decision tree Methods 0.000 claims description 13
- 230000000630 rising effect Effects 0.000 claims description 12
- 238000012795 verification Methods 0.000 claims description 8
- 230000006872 improvement Effects 0.000 claims description 6
- 230000005612 types of electricity Effects 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 14
- 238000004590 computer program Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000002790 cross-validation Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 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
- 230000003287 optical effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000002265 prevention 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06Q30/00—Commerce
- G06Q30/018—Certifying business or products
- G06Q30/0185—Product, service or business identity fraud
-
- 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)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- Evolutionary Computation (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Health & Medical Sciences (AREA)
- Operations Research (AREA)
- Geometry (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- General Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Computer Hardware Design (AREA)
- Finance (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种确定窃电嫌疑用户的方法及***，包括：对公变低压用户的用电数据进行用电特征的提取，以获取多维度的用电特征；根据所述用电特征采用随机森林算法进行低压用户模型的训练，并对检验和优化，以获取最优低压用户模型；根据低压用户的用电采集数据，利用所述最优低压用户模型确定窃电嫌疑用户。本发明还公开了一种确定窃电嫌疑用户的方法及***，包括：获取目标专变用户的用电采集数据，根据目标专变用户的用电采集数据进行异常事件变点检验，以确定用电数据阶跃突变点；将用电数据阶跃突变点与异常事件置于同一矩阵，设定时间重合度临界值，当用电数据阶跃突变点和异常事件的发生时间满足预设的时间范围时，确定为窃电嫌疑用户。
Description
技术领域
本发明涉及窃电分析技术领域，并且更具体地，涉及一种确定窃电嫌疑用户的方法及***。
背景技术
我国电力法的颁布，明确了供用电双方的权利和义务，使电力市场走上规范化、法制化的道路。用户用电必须按照国家核准的电价和计量装置的记录按时交纳电费。窃电是一种违法犯罪行为，禁止任何单位和个人非法侵占、使用电能。但是在现实生活中一些企业和个人受非法获利思想的驱使进行窃电以达到少缴纳电费甚至不缴纳电费的目的，国家和电力经营企业因此蒙受了巨大的经济损失。窃电行为不仅损害了国家和电力经营企业的经济利益，还危及电网正常运行，阻碍电力工业正常发展。个别用户的私拉乱挂极易引发电网事故，使合法用户的权益无辜受害，影响地区经济的健康发展。
随着科学技术的发展，社会用电需求不断增加，一些不法经营者、个体私营业主及居民用电大户为谋取利润，降低成本，不择手段地窃取国家电能,窃电问题成为困扰电力企业的一项难题。当前通过高科技手段进行窃电的用户成几何级数增长，窃电呈现出人员专业化、设备智能化、方式隐蔽性强，窃电量大等特点，窃电形势日益严峻，反窃电工作日益艰难，对智能化、信息化需求不断提升。
因此，如何精准发现窃电成为反窃电领域的一大难题。
发明内容
本发明提出一种确定窃电嫌疑用户的方法及***，以解决如何确定窃电嫌疑用户的问题。
为了解决上述问题，根据本发明的一个方面，提供了一种确定窃电嫌疑用户的方法，所述方法包括：
对公变低压用户的用电数据进行用电特征的提取，以获取多维度的用电特征；其中，所述用电特征包括：用电量时间序列特征、台区线损时间序列特征、异常时间特征和用电类别特征；
根据所述用电特征，采用随机森林算法进行低压用户模型的训练，并对所述低压用户模型进行检验和优化，以获取最优低压用户模型；
根据低压用户的用电采集数据，利用所述最优低压用户模型确定窃电嫌疑用户。
优选地，其中所述对所述低压用户模型进行检验和优化，以获取最优低压用户模型，包括：
采用交叉验证法对所述低压用户模型进行有效性校验，并在保证所述低压用户模型的查全率一定的情况下，以提高查准率为目标进行低压用户模型参数的优化，以获取最优低压用户模型；其中，所述低压用户模型参数包括：随机深林的深度、叶子节点的数量、决策树的数量和单叶下的最小样例数。
优选地，其中所述根据低压用户的用电采集数据，利用所述最优低压用户模型确定窃电嫌疑用户，包括：
根据低压用户的用电采集数据确定是否存在开盖异常事件；
在确定存在开盖异常事件时，根据时间序列突变点算法计算低压用户的日用电量的突变区间，并当开盖异常事件的发生时间属于某个日用电量的突变区间时，若开盖异常事件前后第一预设时间段内的用电量均值下降比例超过第一预设比例阈值，则确定该低压用户为窃电嫌疑用户；或根据时间序列突变点算法计算低压用户所在台区线损的突变区间，并当开盖异常事件的发生时间属于某个台区线损的突变区间时，若开盖异常事件前后第一预设时间段内的台区线损均值上升比例超过第二预设比例阈值，则确定该低压用户为窃电嫌疑用户；
在确定不存在开盖异常事件时，根据时间序列突变点算法计算用户的日用电量的突变区间，若日用电量突变区间前后第一预设时间段内的用电量均值变化比例超过第一预设比例阈值，并且在日用电量突变区间前后第一预设时间段内的该用户所在台区线损均值的上升比例超过第二预设比例阈值，则确定该低压用户为窃电嫌疑用户；和/或
若非发电用户的反向有功和正向有功的电量比值大于第三预设比例阈值，则确定该用户为窃电嫌疑用户。
根据本发明的另一个方面，提供了一种确定窃电嫌疑用户的方法，所述方法包括：
获取目标专变用户的用电采集数据，并根据目标专变用户的用电采集数据进行异常事件变点检验，以确定用电数据阶跃突变点；
将用电数据阶跃突变点与异常事件置于同一矩阵，设定时间重合度临界值，对于任一类别的用电数据阶跃突变点，当该任一类别的用电数据阶跃突变点和异常事件的发生时间满足预设的时间范围时，确定所述目标专变用户为窃电嫌疑用户。
优选地，其中所述方法还包括：
若所述目标专变用户存在开盖异常事件，则根据时间序列突变点算法计算所述目标专变用户的日用电量的突变区间，并当开盖异常事件的发生时间属于所述目标专变用户的日用电量的突变区间，且在开盖异常事件前后第二预设时间段内的用电量均值下降比例超过第四预设比例阈值，则确定所述目标专变用户为窃电嫌疑用户。
优选地，其中所述方法还包括：
若所述目标专变用户的三相电压与额定电压的比值小于等于第五预设比例阈值，并且连续失压时间大于预设天数阈值，则确定所述目标专变用户为窃电嫌疑用户；
若所述目标专变用户的相电压时间序列的突变区间前后第二预设时间段内的平均用电量，且平均用电量减少量大于等于第三预设比例阈值，则确定所述目标专变用户为窃电嫌疑用户；
根据相功率计算得到总功率，与表计功率进行比较，若总功率与表计功率的差值大于等于预设功率阈值且持续时间超预设天数阈值，则确定所述目标专变用户为窃电嫌疑用户；
若所述目标专变用户的相电流为负且绝对值大于等于预设倍数的额定电流，而且持续时间超过预设天数阈值，在排除为发电用户后，确定所述目标专变用户为窃电嫌疑用户；
计算所述目标专变用户的功率时间序列和日用电量时间序列的相关度，如果相关度小于等于预设相关度阈值，则确定所述目标专变用户为窃电嫌疑用户；和/或
若所述目标专变用户为三相三线用户，则当A相和C相电流的不平衡度大于预设不平衡度阈值，且持续时间超过大于预设天数阈值时，确定所述目标专变用户为窃电嫌疑用户。
根据本发明的又一个方面，提供了一种确定窃电嫌疑用户的***，所述***包括：
用电特征获取单元，用于对公变低压用户的用电数据进行用电特征的提取，以获取多维度的用电特征；其中，所述用电特征包括：用电量时间序列特征、台区线损时间序列特征、异常时间特征和用电类别特征；
最优低压用户模型确定单元，用于根据所述用电特征，采用随机森林算法进行低压用户模型的训练，并对所述低压用户模型进行检验和优化，以获取最优低压用户模型；
窃电嫌疑用户确定单元，用于根据低压用户的用电采集数据，利用所述最优低压用户模型确定窃电嫌疑用户。
优选地，其中所述最优低压用户模型确定单元，对所述低压用户模型进行检验和优化，以获取最优低压用户模型，包括：
采用交叉验证法对所述低压用户模型进行有效性校验，并在保证所述低压用户模型的查全率一定的情况下，以提高查准率为目标进行低压用户模型参数的优化，以获取最优低压用户模型；其中，所述低压用户模型参数包括：随机深林的深度、叶子节点的数量、决策树的数量和单叶下的最小样例数。
优选地，其中所述窃电嫌疑用户确定单元，根据低压用户的用电采集数据，利用所述最优低压用户模型确定窃电嫌疑用户，包括：
根据低压用户的用电采集数据确定是否存在开盖异常事件；
在确定存在开盖异常事件时，根据时间序列突变点算法计算低压用户的日用电量的突变区间，并当开盖异常事件的发生时间属于某个日用电量的突变区间时，若开盖异常事件前后第一预设时间段内的用电量均值下降比例超过第一预设比例阈值，则确定该低压用户为窃电嫌疑用户；或根据时间序列突变点算法计算低压用户所在台区线损的突变区间，并当开盖异常事件的发生时间属于某个台区线损的突变区间时，若开盖异常事件前后第一预设时间段内的台区线损均值上升比例超过第二预设比例阈值，则确定该低压用户为窃电嫌疑用户；
在确定不存在开盖异常事件时，根据时间序列突变点算法计算用户的日用电量的突变区间，若日用电量突变区间前后第一预设时间段内的用电量均值变化比例超过第一预设比例阈值，并且在日用电量突变区间前后第一预设时间段内的该用户所在台区线损均值的上升比例超过第二预设比例阈值，则确定该低压用户为窃电嫌疑用户；和/或
若非发电用户的反向有功和正向有功的电量比值大于第三预设比例阈值，则确定该用户为窃电嫌疑用户。
根据本发明的再一个方面，提供了一种确定窃电嫌疑用户的***，所述***包括：
用电数据阶跃突变点确定单元，用于获取目标专变用户的用电采集数据，并根据目标专变用户的用电采集数据进行异常事件变点检验，以确定用电数据阶跃突变点；
窃电嫌疑判断单元，用于将用电数据阶跃突变点与异常事件置于同一矩阵，设定时间重合度临界值，对于任一类别的用电数据阶跃突变点，当该任一类别的用电数据阶跃突变点和异常事件的发生时间满足预设的时间范围时，确定所述目标专变用户为窃电嫌疑用户。
优选地，其中所述窃电嫌疑判断单元，还用于：
若所述目标专变用户存在开盖异常事件，则根据时间序列突变点算法计算所述目标专变用户的日用电量的突变区间，并当开盖异常事件的发生时间属于所述目标专变用户的日用电量的突变区间，且在开盖异常事件前后第二预设时间段内的用电量均值下降比例超过第四预设比例阈值，则确定所述目标专变用户为窃电嫌疑用户。
优选地，其中所述窃电嫌疑判断单元，还用于：
若所述目标专变用户的三相电压与额定电压的比值小于等于第五预设比例阈值，并且连续失压时间大于预设天数阈值，则确定所述目标专变用户为窃电嫌疑用户；
若所述目标专变用户的相电压时间序列的突变区间前后第二预设时间段内的平均用电量，且平均用电量减少量大于等于第三预设比例阈值，则确定所述目标专变用户为窃电嫌疑用户；
根据相功率计算得到总功率，与表计功率进行比较，若总功率与表计功率的差值大于等于预设功率阈值且持续时间超预设天数阈值，则确定所述目标专变用户为窃电嫌疑用户；
若所述目标专变用户的相电流为负且绝对值大于等于预设倍数的额定电流，而且持续时间超过预设天数阈值，在排除为发电用户后，确定所述目标专变用户为窃电嫌疑用户；
计算所述目标专变用户的功率时间序列和日用电量时间序列的相关度，如果相关度小于等于预设相关度阈值，则确定所述目标专变用户为窃电嫌疑用户；和/或
若所述目标专变用户为三相三线用户，则当A相和C相电流的不平衡度大于预设不平衡度阈值，且持续时间超过大于预设天数阈值时，确定所述目标专变用户为窃电嫌疑用户。
本发明提供了一种确定窃电嫌疑用户的方法及***，利用大数据技术，结合用电数据、用电特性等进行反窃电研究，包括专变用户窃电嫌疑判断和低压用户窃电嫌疑判断两类，本发明的方法能够为现场检查人员提供有效数据依据，从而提高效率，极大减少一线员工的工作量，提高了电力企业人员的工作效率，大幅降低了运营成本，能够为电力企业挽回巨大的经济损失。
附图说明
通过参考下面的附图，可以更为完整地理解本发明的示例性实施方式：
图1为根据本发明实施方式的确定窃电嫌疑用户的方法100的流程图；
图2为根据本发明实施方式的建立低压用户模型的示意图；
图3为根据本发明实施方式的确定窃电嫌疑用户的方法300的流程图；
图4为根据本发明实施方式的建立专变用户模型的示意图；
图5为根据本发明实施方式的确定窃电嫌疑用户的***500的结构示意图；
图6为根据本发明实施方式的确定窃电嫌疑用户的***600的结构示意图。
具体实施方式
现在参考附图介绍本发明的示例性实施方式，然而，本发明可以用许多不同的形式来实施，并且不局限于此处描述的实施例，提供这些实施例是为了详尽地且完全地公开本发明，并且向所属技术领域的技术人员充分传达本发明的范围。对于表示在附图中的示例性实施方式中的术语并不是对本发明的限定。在附图中，相同的单元/元件使用相同的附图标记。
除非另有说明，此处使用的术语(包括科技术语)对所属技术领域的技术人员具有通常的理解含义。另外，可以理解的是，以通常使用的词典限定的术语，应当被理解为与其相关领域的语境具有一致的含义，而不应该被理解为理想化的或过于正式的意义。
本发明提供了一种确定窃电嫌疑用户的方法及***，利用大数据技术，结合用电数据、用电特性等进行反窃电研究，包括专变用户窃电嫌疑判断和低压用户窃电嫌疑判断两类，本发明能够为现场检查人员提供有效数据依据，从而提高效率，极大减少一线员工的工作量，提高了电力企业人员的工作效率，大幅降低了运营成本，能够为电力企业挽回巨大的经济损失。
图1为根据本发明实施方式的确定窃电嫌疑用户的方法100的流程图。如图1所示，本发明实施方式提供的确定窃电嫌疑用户的方法100，从步骤101处开始，在步骤101对公变低压用户的用电数据进行用电特征的提取，以获取多维度的用电特征；其中，所述用电特征包括：用电量时间序列特征、台区线损时间序列特征、异常时间特征和用电类别特征。
在本发明中，基于图2所示的低压用户模型的原理实现确定窃电嫌疑用户。本发明应用统计工具对公变低压用户的用电量时间序列、台区线损时间序列、异常事件、用电类别等数据进行特征提取，所提取的特征含有原数据某一方面的数据特征，达到拓展数据维度。
在步骤102，根据所述用电特征，采用随机森林算法进行低压用户模型的训练，并对所述低压用户模型进行检验和优化，以获取最优低压用户模型。
优选地，其中所述对所述低压用户模型进行检验和优化，以获取最优低压用户模型，包括：
采用交叉验证法对所述低压用户模型进行有效性校验，并在保证所述低压用户模型的查全率一定的情况下，以提高查准率为目标进行低压用户模型参数的优化，以获取最优低压用户模型；其中，所述低压用户模型参数包括：随机深林的深度、叶子节点的数量、决策树的数量和单叶下的最小样例数。
在本发明中，采用随机森林算法对模型进行训练。算法自动生成若干颗决策树，并根据各决策树的投票结果对用户是否窃电进行判别，若判别错误则修改决策树的分支，以达到不断学习优化。同时，采用交叉验证法对模型有效性进行检验，检验指标为模型的查全率与查准率。因反窃电模型需要现场验证，人力物力资源有限，故模型在保证一定查全率的情况下，以提高查准率为目标进行优化。优化通过调整随机森林模型的参数实现，包括调整随机森林的深度、叶子节点的数量、决策树的数量、单叶下最小样例数等。
在步骤103，根据低压用户的用电采集数据，利用所述最优低压用户模型确定窃电嫌疑用户。
优选地，其中所述根据低压用户的用电采集数据，利用所述最优低压用户模型确定窃电嫌疑用户，包括：
根据低压用户的用电采集数据确定是否存在开盖异常事件；
在确定存在开盖异常事件时，根据时间序列突变点算法计算低压用户的日用电量的突变区间，并当开盖异常事件的发生时间属于某个日用电量的突变区间时，若开盖异常事件前后第一预设时间段内的用电量均值下降比例超过第一预设比例阈值，则确定该低压用户为窃电嫌疑用户；或根据时间序列突变点算法计算低压用户所在台区线损的突变区间，并当开盖异常事件的发生时间属于某个台区线损的突变区间时，若开盖异常事件前后第一预设时间段内的台区线损均值上升比例超过第二预设比例阈值，则确定该低压用户为窃电嫌疑用户；
在确定不存在开盖异常事件时，根据时间序列突变点算法计算用户的日用电量的突变区间，若日用电量突变区间前后第一预设时间段内的用电量均值变化比例超过第一预设比例阈值，并且在日用电量突变区间前后第一预设时间段内的该用户所在台区线损均值的上升比例超过第二预设比例阈值，则确定该低压用户为窃电嫌疑用户；和/或
若非发电用户的反向有功和正向有功的电量比值大于第三预设比例阈值，则确定该用户为窃电嫌疑用户。
在本发明中，第一预设比例阈值、第二预设比例阈值、第三预设比例阈值和第一预设时间段可以根据需求设置。例如，设置第一预设比例阈值、第二预设比例阈值、第三预设比例阈值和第一预设时间段分别为：50％、30％、200％和[10,20]。
此时，如果发现用户存在开(钮)盖异常事件，首先根据时间序列突变点算法，计算用户日用电量的突变区间，然后判断开(钮)盖异常事件的发生时间，是否属于其中某个日用电量的突变区间，如果属于并且开(钮)盖异常事件前后10至20天的用电量均值下降比例超过50％，那么认为该用户有窃电嫌疑。
如果发现用户存在开(钮)盖异常事件，首先根据时间序列突变点算法，计算用户所在台区线损的突变区间，然后判断开(钮)盖异常事件的发生时间，是否属于其中某个台区线损的突变区间，如果属于并且开(钮)盖异常事件前后10至20天的台区线损均值上升比例超过30％，那么认为该用户有窃电嫌疑。
在根据时间序列突变点算法计算用户日用电量的突变区间时，如果用户日用电量突变区间前后10至20天的用电量均值变化(上升或者下降)比例超过50％，并且在突变区间前后10至20天的用户所在台区线损均值上升比例超过30％，那么认为该用户有窃电嫌疑。
本发明还可以计算非发电用户(guangfufadianyonghu)的反向有功和正向有功的电量比值，若比例超过200％，那么认为该用户有窃电嫌疑。
图3为根据本发明实施方式的确定窃电嫌疑用户的方法300的流程图。如图3所示，本发明实施方式提供的确定窃电嫌疑用户的方法300，从步骤301处开始，在步骤301获取目标专变用户的用电采集数据，并根据目标专变用户的用电采集数据进行异常事件变点检验，以确定用电数据阶跃突变点。
在本发明中，基于图4所示的低压用户模型的原理实现确定窃电嫌疑用户。异常事件变点检验的过程包括：首先，根据统计指标(平均值与标准差)的临界值计算时间序列曲线发生突变的所有时刻；其次，根据两个突变点发生间隔长短的临界值剔除短期波动所造成的无效突变点；最后，根据余下的有效突变点切分曲线，计算每段曲线的均值，将突变发生前后均值发生显著变化的突变点定义为阶跃突变点(窃电嫌疑点)。
在步骤302，将用电数据阶跃突变点与异常事件置于同一矩阵，设定时间重合度临界值，对于任一类别的用电数据阶跃突变点，当该任一类别的用电数据阶跃突变点和异常事件的发生时间满足预设的时间范围时，确定所述目标专变用户为窃电嫌疑用户。
优选地，其中所述方法还包括：
若所述目标专变用户存在开盖异常事件，则根据时间序列突变点算法计算所述目标专变用户的日用电量的突变区间，并当开盖异常事件的发生时间属于所述目标专变用户的日用电量的突变区间，且在开盖异常事件前后第二预设时间段内的用电量均值下降比例超过第四预设比例阈值，则确定所述目标专变用户为窃电嫌疑用户；
优选地，其中所述方法还包括：
若所述目标专变用户的三相电压与额定电压的比值小于等于第五预设比例阈值，并且连续失压时间大于预设天数阈值，则确定所述目标专变用户为窃电嫌疑用户；
若所述目标专变用户的相电压时间序列的突变区间前后第二预设时间段内的平均用电量，且平均用电量减少量大于等于第三预设比例阈值，则确定所述目标专变用户为窃电嫌疑用户；
根据相功率计算得到总功率，与表计功率进行比较，若总功率与表计功率的差值大于等于预设功率阈值且持续时间超预设天数阈值，则确定所述目标专变用户为窃电嫌疑用户；
若所述目标专变用户的相电流为负且绝对值大于等于预设倍数的额定电流，而且持续时间超过预设天数阈值，在排除为发电用户后，确定所述目标专变用户为窃电嫌疑用户；
计算所述目标专变用户的功率时间序列和日用电量时间序列的相关度，如果相关度小于等于预设相关度阈值，则确定所述目标专变用户为窃电嫌疑用户；和/或
若所述目标专变用户为三相三线用户，则当A相和C相电流的不平衡度大于预设不平衡度阈值，且持续时间超过大于预设天数阈值时，确定所述目标专变用户为窃电嫌疑用户。
在本发明中，将用户用电数据(电流、电压、功率因素曲线)阶跃突变点与异常事件置于同一矩阵，行为户号，列为时间轴，值为异常事件或突变点类别。设定时间重合度临界值，判断各类突变点、异常事件在一定时间范围为是否同时发生。将异常事件及用电数据突变点重合度高、重合次数多的用户标记为嫌疑用户，参与其它子模型的交叉验证。
在本发明中，第四预设比例阈值、第五预设比例阈值、第一预设时间段、不平衡度阈值、预设天数阈值可以根据需求设置。例如，第四预设比例阈值、第五预设比例阈值、第一预设时间段、不平衡度阈值、预设天数阈值分别为：50％、70％、[10,20]、40％和3。
此时，如果发现用户存在开(钮)盖异常事件，首先根据时间序列突变点算法，计算用户日用电量的突变区间，然后判断开(钮)盖异常事件的发生时间，是否属于其中某个日用电量的突变区间，如果属于并且开(钮)盖异常事件前后10至20天的用电量均值下降比例超过50％，则认为该用户有窃电嫌疑。
根据额定电压，分别检查三相电压，如果电压≤70％额定电压，而且连续失压天数超过3至7天，则认为专变用户存在窃电嫌疑。
计算用户相电压时间序列的突变区间，然后计算突变区间前后10至20天的平均用电量，平均用电量减少50％，则认为存在窃电嫌疑。
由相功率计算得到总功率，和表计功率进比较，如果标记功率明显少于计算总功率，而且持续时间超过3至7天，则认为专变用户存在窃电嫌疑。
检查用户的相电流，如果相电流为负且绝对值≥5％额定电流，而且持续时间超过3至7天，在排除为发电用户后，则认为专变用户存在窃电嫌疑。
计算功率时间序列和日用电量时间序列的相关度，如果相关度小于预设的相关度阈值，则认为专变用户存在窃电嫌疑。
对于三相三线用户，如果A,C电流不平衡度≥40％；而且持续时间超过3至7天，则认为专变用户存在窃电嫌疑。
根据本发明的方法可以构建图2和图4的模型。首先，提取电网内部数据，再加上导入的外部大数据，对用户数据进行预处理，提取用户的用电量时间序列、台区线损时间序列、异常事件、用电类别等用电特征集，再通过随机森林算法，算法自动生成若干颗决策树，并根据各决策树的投票结果对用户是否窃电进行判别，选取度量性能最优的数据，构建用户用电关键特征集。然后，利用交叉验证法对模型有效性进行检验，检验指标为模型的查全率与查准率。因反窃电模型需要现场验证，人力物力资源有限，故模型在保证一定查全率的情况下，以提高查准率为目标进行优化。优化通过调整随机森林模型的参数实现，包括调整随机森林的深度、叶子节点的数量、决策树的数量、单叶下最小样例数等得到的用户分类信息，作为监督信息，构建专变和低压用电行为模型。最后，在完成嫌疑程度排序后，根据***的客观数据，针对嫌疑用户名单，利用识别用户的测试集输入，进行特征提取，使其与训练模型时的原始训练集的数据格式相同。以用户为单位将特征序列输入训练好的模型，模型将输出各用户的窃电嫌疑度。
图5为根据本发明实施方式的确定窃电嫌疑用户的***500的结构示意图。如图5所示，本发明实施方式提供的确定窃电嫌疑用户的***500，包括：用电特征获取单元501、最优低压用户模型确定单元502和窃电嫌疑用户确定单元503。
优选地，所述用电特征获取单元501，用于对公变低压用户的用电数据进行用电特征的提取，以获取多维度的用电特征；其中，所述用电特征包括：用电量时间序列特征、台区线损时间序列特征、异常时间特征和用电类别特征。
优选地，所述最优低压用户模型确定单元502，用于根据所述用电特征，采用随机森林算法进行低压用户模型的训练，并对所述低压用户模型进行检验和优化，以获取最优低压用户模型。
优选地，其中所述最优低压用户模型确定单元502，对所述低压用户模型进行检验和优化，以获取最优低压用户模型，包括：
采用交叉验证法对所述低压用户模型进行有效性校验，并在保证所述低压用户模型的查全率一定的情况下，以提高查准率为目标进行低压用户模型参数的优化，以获取最优低压用户模型；其中，所述低压用户模型参数包括：随机深林的深度、叶子节点的数量、决策树的数量和单叶下的最小样例数。
优选地，所述窃电嫌疑用户确定单元503，用于根据低压用户的用电采集数据，利用所述最优低压用户模型确定窃电嫌疑用户。
优选地，其中所述窃电嫌疑用户确定单元503，根据低压用户的用电采集数据，利用所述最优低压用户模型确定窃电嫌疑用户，包括：
根据低压用户的用电采集数据确定是否存在开盖异常事件；
在确定存在开盖异常事件时，根据时间序列突变点算法计算低压用户的日用电量的突变区间，并当开盖异常事件的发生时间属于某个日用电量的突变区间时，若开盖异常事件前后第一预设时间段内的用电量均值下降比例超过第一预设比例阈值，则确定该低压用户为窃电嫌疑用户；或根据时间序列突变点算法计算低压用户所在台区线损的突变区间，并当开盖异常事件的发生时间属于某个台区线损的突变区间时，若开盖异常事件前后第一预设时间段内的台区线损均值上升比例超过第二预设比例阈值，则确定该低压用户为窃电嫌疑用户；
在确定不存在开盖异常事件时，根据时间序列突变点算法计算用户的日用电量的突变区间，若日用电量突变区间前后第一预设时间段内的用电量均值变化比例超过第一预设比例阈值，并且在日用电量突变区间前后第一预设时间段内的该用户所在台区线损均值的上升比例超过第二预设比例阈值，则确定该低压用户为窃电嫌疑用户；和/或
若非发电用户的反向有功和正向有功的电量比值大于第三预设比例阈值，则确定该用户为窃电嫌疑用户。
图6为根据本发明实施方式的确定窃电嫌疑用户的***600的结构示意图。如图6所示，本发明实施方式提供的确定窃电嫌疑用户的***600，包括：用电数据阶跃突变点确定单元601和窃电嫌疑判断单元602。
优选地，所述用电数据阶跃突变点确定单元601，用于获取目标专变用户的用电采集数据，并根据目标专变用户的用电采集数据进行异常事件变点检验，以确定用电数据阶跃突变点。
优选地，所述窃电嫌疑判断单元602，用于将用电数据阶跃突变点与异常事件置于同一矩阵，设定时间重合度临界值，对于任一类别的用电数据阶跃突变点，当该任一类别的用电数据阶跃突变点和异常事件的发生时间满足预设的时间范围时，确定所述目标专变用户为窃电嫌疑用户。
优选地，其中所述窃电嫌疑判断单元602，还用于：
若所述目标专变用户存在开盖异常事件，则根据时间序列突变点算法计算所述目标专变用户的日用电量的突变区间，并当开盖异常事件的发生时间属于所述目标专变用户的日用电量的突变区间，且在开盖异常事件前后第二预设时间段内的用电量均值下降比例超过第四预设比例阈值，则确定所述目标专变用户为窃电嫌疑用户。
优选地，其中所述窃电嫌疑判断单元602，还用于：
若所述目标专变用户的三相电压与额定电压的比值小于等于第五预设比例阈值，并且连续失压时间大于预设天数阈值，则确定所述目标专变用户为窃电嫌疑用户；
若所述目标专变用户的相电压时间序列的突变区间前后第二预设时间段内的平均用电量，且平均用电量减少量大于等于第三预设比例阈值，则确定所述目标专变用户为窃电嫌疑用户；
根据相功率计算得到总功率，与表计功率进行比较，若总功率与表计功率的差值大于等于预设功率阈值且持续时间超预设天数阈值，则确定所述目标专变用户为窃电嫌疑用户；
若所述目标专变用户的相电流为负且绝对值大于等于预设倍数的额定电流，而且持续时间超过预设天数阈值，在排除为发电用户后，确定所述目标专变用户为窃电嫌疑用户；
计算所述目标专变用户的功率时间序列和日用电量时间序列的相关度，如果相关度小于等于预设相关度阈值，则确定所述目标专变用户为窃电嫌疑用户；和/或
若所述目标专变用户为三相三线用户，则当A相和C相电流的不平衡度大于预设不平衡度阈值，且持续时间超过大于预设天数阈值时，确定所述目标专变用户为窃电嫌疑用户。
本发明的实施例的用于确定电力企业通信网的运行质量的***500与本发明的另一个实施例的用于确定电力企业通信网的运行质量的方法100相对应，在此不再赘述。
本发明的实施例的用于确定电力企业通信网的运行质量的***600与本发明的另一个实施例的用于确定电力企业通信网的运行质量的方法300相对应，在此不再赘述。
已经通过参考少量实施方式描述了本发明。然而，本领域技术人员所公知的，正如附带的专利权利要求所限定的，除了本发明以上公开的其他的实施例等同地落在本发明的范围内。
通常地，在权利要求中使用的所有术语都根据他们在技术领域的通常含义被解释，除非在其中被另外明确地定义。所有的参考“一个/所述/该[装置、组件等]”都被开放地解释为所述装置、组件等中的至少一个实例，除非另外明确地说明。这里公开的任何方法的步骤都没必要以公开的准确的顺序运行，除非明确地说明。
本领域内的技术人员应明白，本申请的实施例可提供为方法、***、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。
Claims (12)
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：
对公变低压用户的用电数据进行用电特征的提取，以获取多维度的用电特征；其中，所述用电特征包括：用电量时间序列特征、台区线损时间序列特征、异常时间特征和用电类别特征；
根据所述用电特征，采用随机森林算法进行低压用户模型的训练，并对所述低压用户模型进行检验和优化，以获取最优低压用户模型；
根据低压用户的用电采集数据，利用所述最优低压用户模型确定窃电嫌疑用户。
2.根据权利要求1所述的方法，其特征在于，所述对所述低压用户模型进行检验和优化，以获取最优低压用户模型，包括：
采用交叉验证法对所述低压用户模型进行有效性校验，并在保证所述低压用户模型的查全率一定的情况下，以提高查准率为目标进行低压用户模型参数的优化，以获取最优低压用户模型；其中，所述低压用户模型参数包括：随机深林的深度、叶子节点的数量、决策树的数量和单叶下的最小样例数。
3.根据权利要求1所述的方法，其特征在于，所述根据低压用户的用电采集数据，利用所述最优低压用户模型确定窃电嫌疑用户，包括：
根据低压用户的用电采集数据确定是否存在开盖异常事件；
在确定存在开盖异常事件时，根据时间序列突变点算法计算低压用户的日用电量的突变区间，并当开盖异常事件的发生时间属于某个日用电量的突变区间时，若开盖异常事件前后第一预设时间段内的用电量均值下降比例超过第一预设比例阈值，则确定该低压用户为窃电嫌疑用户；或根据时间序列突变点算法计算低压用户所在台区线损的突变区间，并当开盖异常事件的发生时间属于某个台区线损的突变区间时，若开盖异常事件前后第一预设时间段内的台区线损均值上升比例超过第二预设比例阈值，则确定该低压用户为窃电嫌疑用户；
在确定不存在开盖异常事件时，根据时间序列突变点算法计算用户的日用电量的突变区间，若日用电量突变区间前后第一预设时间段内的用电量均值变化比例超过第一预设比例阈值，并且在日用电量突变区间前后第一预设时间段内的该用户所在台区线损均值的上升比例超过第二预设比例阈值，则确定该低压用户为窃电嫌疑用户；和/或
若非发电用户的反向有功和正向有功的电量比值大于第三预设比例阈值，则确定该用户为窃电嫌疑用户。
4.一种确定窃电嫌疑用户的方法，其特征在于，所述方法包括：
获取目标专变用户的用电采集数据，并根据目标专变用户的用电采集数据进行异常事件变点检验，以确定用电数据阶跃突变点；
将用电数据阶跃突变点与异常事件置于同一矩阵，设定时间重合度临界值，对于任一类别的用电数据阶跃突变点，当该任一类别的用电数据阶跃突变点和异常事件的发生时间满足预设的时间范围时，确定所述目标专变用户为窃电嫌疑用户。
5.根据权利要求1所述的方法，其特征在于，所述方法还包括：
若所述目标专变用户存在开盖异常事件，则根据时间序列突变点算法计算所述目标专变用户的日用电量的突变区间，并当开盖异常事件的发生时间属于所述目标专变用户的日用电量的突变区间，且在开盖异常事件前后第二预设时间段内的用电量均值下降比例超过第四预设比例阈值，则确定所述目标专变用户为窃电嫌疑用户。
6.根据权利要求1所述的方法，其特征在于，所述方法还包括：
若所述目标专变用户的三相电压与额定电压的比值小于等于第五预设比例阈值，并且连续失压时间大于预设天数阈值，则确定所述目标专变用户为窃电嫌疑用户；
若所述目标专变用户的相电压时间序列的突变区间前后第二预设时间段内的平均用电量，且平均用电量减少量大于等于第三预设比例阈值，则确定所述目标专变用户为窃电嫌疑用户；
根据相功率计算得到总功率，与表计功率进行比较，若总功率与表计功率的差值大于等于预设功率阈值且持续时间超预设天数阈值，则确定所述目标专变用户为窃电嫌疑用户；
若所述目标专变用户的相电流为负且绝对值大于等于预设倍数的额定电流，而且持续时间超过预设天数阈值，在排除为发电用户后，确定所述目标专变用户为窃电嫌疑用户；
计算所述目标专变用户的功率时间序列和日用电量时间序列的相关度，如果相关度小于等于预设相关度阈值，则确定所述目标专变用户为窃电嫌疑用户；和/或
若所述目标专变用户为三相三线用户，则当A相和C相电流的不平衡度大于预设不平衡度阈值，且持续时间超过大于预设天数阈值时，确定所述目标专变用户为窃电嫌疑用户。
7.一种确定窃电嫌疑用户的***，其特征在于，所述***包括：
用电特征获取单元，用于对公变低压用户的用电数据进行用电特征的提取，以获取多维度的用电特征；其中，所述用电特征包括：用电量时间序列特征、台区线损时间序列特征、异常时间特征和用电类别特征；
最优低压用户模型确定单元，用于根据所述用电特征，采用随机森林算法进行低压用户模型的训练，并对所述低压用户模型进行检验和优化，以获取最优低压用户模型；
窃电嫌疑用户确定单元，用于根据低压用户的用电采集数据，利用所述最优低压用户模型确定窃电嫌疑用户。
8.根据权利要求7所述的***，其特征在于，所述最优低压用户模型确定单元，对所述低压用户模型进行检验和优化，以获取最优低压用户模型，包括：
采用交叉验证法对所述低压用户模型进行有效性校验，并在保证所述低压用户模型的查全率一定的情况下，以提高查准率为目标进行低压用户模型参数的优化，以获取最优低压用户模型；其中，所述低压用户模型参数包括：随机深林的深度、叶子节点的数量、决策树的数量和单叶下的最小样例数。
9.根据权利要求7所述的***，其特征在于，所述窃电嫌疑用户确定单元，根据低压用户的用电采集数据，利用所述最优低压用户模型确定窃电嫌疑用户，包括：
根据低压用户的用电采集数据确定是否存在开盖异常事件；
在确定存在开盖异常事件时，根据时间序列突变点算法计算低压用户的日用电量的突变区间，并当开盖异常事件的发生时间属于某个日用电量的突变区间时，若开盖异常事件前后第一预设时间段内的用电量均值下降比例超过第一预设比例阈值，则确定该低压用户为窃电嫌疑用户；或根据时间序列突变点算法计算低压用户所在台区线损的突变区间，并当开盖异常事件的发生时间属于某个台区线损的突变区间时，若开盖异常事件前后第一预设时间段内的台区线损均值上升比例超过第二预设比例阈值，则确定该低压用户为窃电嫌疑用户；
在确定不存在开盖异常事件时，根据时间序列突变点算法计算用户的日用电量的突变区间，若日用电量突变区间前后第一预设时间段内的用电量均值变化比例超过第一预设比例阈值，并且在日用电量突变区间前后第一预设时间段内的该用户所在台区线损均值的上升比例超过第二预设比例阈值，则确定该低压用户为窃电嫌疑用户；和/或
若非发电用户的反向有功和正向有功的电量比值大于第三预设比例阈值，则确定该用户为窃电嫌疑用户。
10.一种确定窃电嫌疑用户的***，其特征在于，所述***包括：
用电数据阶跃突变点确定单元，用于获取目标专变用户的用电采集数据，并根据目标专变用户的用电采集数据进行异常事件变点检验，以确定用电数据阶跃突变点；
窃电嫌疑判断单元，用于将用电数据阶跃突变点与异常事件置于同一矩阵，设定时间重合度临界值，对于任一类别的用电数据阶跃突变点，当该任一类别的用电数据阶跃突变点和异常事件的发生时间满足预设的时间范围时，确定所述目标专变用户为窃电嫌疑用户。
11.根据权利要求10所述的***，其特征在于，所述窃电嫌疑判断单元，还用于：
若所述目标专变用户存在开盖异常事件，则根据时间序列突变点算法计算所述目标专变用户的日用电量的突变区间，并当开盖异常事件的发生时间属于所述目标专变用户的日用电量的突变区间，且在开盖异常事件前后第二预设时间段内的用电量均值下降比例超过第四预设比例阈值，则确定所述目标专变用户为窃电嫌疑用户。
12.根据权利要求10所述的***，其特征在于，所述窃电嫌疑判断单元，还用于：
若所述目标专变用户的三相电压与额定电压的比值小于等于第五预设比例阈值，并且连续失压时间大于预设天数阈值，则确定所述目标专变用户为窃电嫌疑用户；
若所述目标专变用户的相电压时间序列的突变区间前后第二预设时间段内的平均用电量，且平均用电量减少量大于等于第三预设比例阈值，则确定所述目标专变用户为窃电嫌疑用户；
根据相功率计算得到总功率，与表计功率进行比较，若总功率与表计功率的差值大于等于预设功率阈值且持续时间超预设天数阈值，则确定所述目标专变用户为窃电嫌疑用户；
若所述目标专变用户的相电流为负且绝对值大于等于预设倍数的额定电流，而且持续时间超过预设天数阈值，在排除为发电用户后，确定所述目标专变用户为窃电嫌疑用户；
计算所述目标专变用户的功率时间序列和日用电量时间序列的相关度，如果相关度小于等于预设相关度阈值，则确定所述目标专变用户为窃电嫌疑用户；和/或
若所述目标专变用户为三相三线用户，则当A相和C相电流的不平衡度大于预设不平衡度阈值，且持续时间超过大于预设天数阈值时，确定所述目标专变用户为窃电嫌疑用户。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110302024.2A CN113516336A (zh) | 2021-03-22 | 2021-03-22 | 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 |
|---|---|---|---|
| CN202110302024.2A CN113516336A (zh) | 2021-03-22 | 2021-03-22 | 一种确定窃电嫌疑用户的方法及*** |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113516336A true CN113516336A (zh) | 2021-10-19 |
Family
ID=78061820
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110302024.2A Pending CN113516336A (zh) | 2021-03-22 | 2021-03-22 | 一种确定窃电嫌疑用户的方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113516336A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113947504A (zh) * | 2021-11-11 | 2022-01-18 | 国网辽宁省电力有限公司营销服务中心 | 一种基于随机森林法的窃电分析方法及其*** |
| CN115294750A (zh) * | 2022-10-09 | 2022-11-04 | 广东电网有限责任公司广州供电局 | 窃电检测方法、装置、***、计算机设备及存储介质 |
| CN116777121A (zh) * | 2023-08-18 | 2023-09-19 | 武汉振铭科技发展有限公司 | 基于大数据的非法用电的稽查方法、存储介质及电子设备 |
-
2021
- 2021-03-22 CN CN202110302024.2A patent/CN113516336A/zh active Pending
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113947504A (zh) * | 2021-11-11 | 2022-01-18 | 国网辽宁省电力有限公司营销服务中心 | 一种基于随机森林法的窃电分析方法及其*** |
| CN115294750A (zh) * | 2022-10-09 | 2022-11-04 | 广东电网有限责任公司广州供电局 | 窃电检测方法、装置、***、计算机设备及存储介质 |
| CN115294750B (zh) * | 2022-10-09 | 2023-01-20 | 广东电网有限责任公司广州供电局 | 窃电检测方法、***及存储介质 |
| CN116777121A (zh) * | 2023-08-18 | 2023-09-19 | 武汉振铭科技发展有限公司 | 基于大数据的非法用电的稽查方法、存储介质及电子设备 |
| CN116777121B (zh) * | 2023-08-18 | 2023-11-03 | 武汉振铭科技发展有限公司 | 基于大数据的非法用电的稽查方法、存储介质及电子设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110097297B (zh) | 一种多维度窃电态势智能感知方法、***、设备及介质 | |
| CN113516336A (zh) | 一种确定窃电嫌疑用户的方法及*** | |
| CN110988422B (zh) | 一种窃电识别方法、装置及电子设备 | |
| CN111275333B (zh) | 污染数据处理方法和装置 | |
| CN112766550B (zh) | 基于随机森林的停电敏感用户预测方法、***、存储介质及计算机设备 | |
| CN106651169A (zh) | 基于模糊综合评价的配电自动化终端状态评价方法及*** | |
| CN110288039B (zh) | 基于用户用电负荷特征窃电检测方法 | |
| CN108198408B (zh) | 一种基于用电信息采集***的自适应反窃电监控方法及*** | |
| CN111008193B (zh) | 一种数据清洗与质量评价方法及*** | |
| CN109190950B (zh) | 一种电表和水表档案贯通的用能异常识别方法 | |
| CN113221931B (zh) | 一种基于用电信息采集大数据分析的反窃电智能识别方法 | |
| CN113239087A (zh) | 一种反窃电稽查监控方法及*** | |
| CN109902747B (zh) | 一种身份识别方法、装置、设备及计算机可读存储介质 | |
| CN111723367A (zh) | 一种电力监控***业务场景处置风险评价方法及*** | |
| CN111861786A (zh) | 一种基于特征选择和孤立随机森林的专变窃电识别方法 | |
| CN114169424A (zh) | 基于k近邻回归算法和用电数据的排污量预测方法 | |
| CN110009224A (zh) | 嫌疑人违规概率预测方法、装置、计算机设备及存储介质 | |
| CN115600933B (zh) | 一种基于物联网的电表电能质量检测方法及*** | |
| CN111506635A (zh) | 一种基于自回归和朴素贝叶斯算法的居民用电行为分析的***及方法 | |
| CN113554361A (zh) | 一种综合能源***数据处理计算方法及处理*** | |
| CN113902062A (zh) | 一种基于大数据的台区线损异常原因分析方法及装置 | |
| CN114186781A (zh) | 一种基于采样间隔负荷曲线的冲击性负荷识别方法及*** | |
| CN109917184A (zh) | 一种窃电检测方法及*** | |
| CN111612054A (zh) | 一种基于非负矩阵分解和密度聚类的用户窃电行为识别方法 | |
| CN114066219A (zh) | 一种关联矩阵下用电异常点智能识别的窃电分析方法 |
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 |