CN113723861A - 异常用电行为检测方法、装置、计算机设备和存储介质 - Google Patents
异常用电行为检测方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN113723861A CN113723861A CN202111069926.2A CN202111069926A CN113723861A CN 113723861 A CN113723861 A CN 113723861A CN 202111069926 A CN202111069926 A CN 202111069926A CN 113723861 A CN113723861 A CN 113723861A
- Authority
- CN
- China
- Prior art keywords
- electric quantity
- data
- evaluated
- user
- quantity data
- 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 98
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 95
- 238000001514 detection method Methods 0.000 title claims abstract description 46
- 230000006399 behavior Effects 0.000 claims abstract description 70
- 238000000034 method Methods 0.000 claims abstract description 50
- 239000013598 vector Substances 0.000 claims description 85
- 230000011218 segmentation Effects 0.000 claims description 31
- 230000015654 memory Effects 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 13
- 230000005856 abnormality Effects 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 6
- 238000011084 recovery Methods 0.000 claims description 3
- 230000008439 repair process Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 4
- 238000012800 visualization Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000013450 outlier detection Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013079 data visualisation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000003068 static 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
-
- 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
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/80—Management or planning
- Y02P90/82—Energy audits or management systems therefor
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Theoretical Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种异常用电行为检测方法、装置、计算机设备和存储介质。方法包括:获取待评估用户的电量数据;其中,电量数据包括电流数据、相位角数据和电能数据;根据电能数据确定出待评估用电曲线,并在待评估用电曲线与行业标准曲线的相似度低于预设相似度阈值时,修正待评估用户的用户档案;从电量数据中获取与分段时间序列对应的待测电量数据,并确定出待测电量数据中是否存在离群点;根据多个分段时间序列分别检测出的离群点的检测结果,确定待评估用户是否存在异常用电行为。采用本方法能够更精准地检测异常用电行为。
Description
技术领域
本申请涉及电力物联网技术领域,特别是涉及一种异常用电行为检测方法、装置、计算机设备和存储介质。
背景技术
随着电力物联网技术的快速发展,计量自动化***的应用也越来越普及。计量自动化***应用于服务器中,通过从计量终端获取用户的电量数据,根据采集的电量数据对各用户的用电情况进行监测。
传统的技术方案中,一般是根据待评估用户的电能数据确定出对应的待评估用电曲线,将该待评估用电曲线与行业标准曲线进行相似度比较,当二者的相似度低于预设相似度阈值时,则判定该待评估用户存在异常用电行为。但是,造成待评估用户的待评估用电曲线与行业标准曲线相似度低的原因多种多样,按照目前的技术方案,可能造成对异常用电行为的误判,即异常用电行为检测不准确。
因此,如何提高异常用电行为检测的准确度,是本领域技术人员目前需要解决的技术问题。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高异常用电行为检测的准确度的异常用电行为检测方法、装置、计算机设备和存储介质。
一种异常用电行为检测方法,所述方法包括:
获取待评估用户的电量数据;其中,所述电量数据包括电流数据、相位角数据和电能数据;
根据所述电能数据确定出待评估用电曲线,并在所述待评估用电曲线与行业标准曲线的相似度低于预设相似度阈值时,修正所述待评估用户的用户档案;
从所述电量数据中获取与分段时间序列对应的待测电量数据,并确定出所述待测电量数据中是否存在离群点;
根据多个所述分段时间序列分别检测出的离群点的检测结果,确定所述待评估用户是否存在异常用电行为。
在其中一个实施例中,所述根据多个所述分段时间序列分别检测出的离群点的检测结果,确定所述待评估用户是否存在异常用电行为的过程,包括:
根据多个所述分段时间序列中存在离群点的分段时间序列的数量,确定出异常时间序列总数;
当所述异常时间序列总数大于预设数量阈值时,判定所述待评估用户存在异常用电行为;
否则,判定所述待评估用户的所述电量数据为偶发异常。
在其中一个实施例中,所述从所述电量数据中获取与分段时间序列对应的待测电量数据,并确定出所述待测电量数据中是否存在离群点的过程,包括:
通过滑动时间窗确定出分段时间序列,并从所述电量数据中获取与所述分段时间序列对应的待测电量数据;
计算出所述分段时间序列对应的所述待测电量数据的范数和相邻分段时间序列的范数差;
根据所述范数和所述范数差确定出对应的统计特征;
根据所述统计特征确定出对应的第一特征向量,并将所述第一特征向量重构为第二特征向量;
根据所述第一特征向量和所述第二特征向量的重构误差是否大于预设误差阈值,确定对应的分段时间序列中的待测电量数据中是否存在离群点。
在其中一个实施例中,在所述判定所述待评估用户的所述电量数据为偶发异常之后,所述方法还包括:
对检测出的所述离群点对应的电量数据进行数据修复。
在其中一个实施例中,所述对检测出的所述离群点对应的电量数据进行数据修复的过程,包括:
获取与所述离群点相邻的预设数量的相邻电量数据;
确定出所述预设数量的所述相邻电量数据的平均值,利用所述平均值对所述离群点的电量数据进行数据修复。
在其中一个实施例中,所述根据所述电能数据确定出待评估用电曲线,并在所述待评估用电曲线与行业标准曲线的相似度低于预设相似度阈值时,修正所述待评估用户的用户档案的过程,包括:
根据所述电能数据确定出所述待评估用电曲线;
在所述待评估用电曲线与所述行业标准曲线的相似度低于所述预设相似度阈值时,对所述待评估用户的所述用户档案中的用户名称进行分词,并根据分词结果转换得出目标词向量;
根据所述目标词向量与各预设词向量的相似度以及各预设词向量与预设行业分类的对应关系,确定出与所述目标词向量对应的目标行业分类;
若所述用户档案中的行业分类与所述目标行业分类不一致,则根据所述目标行业分类修改所述用户档案。
在其中一个实施例中,所述方法还包括:
对修复后的所述电量数据和/或修正后的所述用户档案进行可视化展示。
一种异常用电行为检测装置,所述装置包括:
获取模块,用于获取待评估用户的电量数据;其中,所述电量数据包括电流数据、相位角数据和电能数据;
修正模块,用于根据所述电能数据确定出待评估用电曲线,并在所述待评估用电曲线与行业标准曲线的相似度低于预设相似度阈值时,修正所述待评估用户的用户档案;
确定模块,用于从所述电量数据中获取与分段时间序列对应的待测电量数据,并确定出所述待测电量数据中是否存在离群点;
判断模块,用于根据多个所述分段时间序列分别检测出的离群点的检测结果,确定所述待评估用户是否存在异常用电行为。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
获取待评估用户的电量数据;其中,所述电量数据包括电流数据、相位角数据和电能数据;
根据所述电能数据确定出待评估用电曲线,并在所述待评估用电曲线与行业标准曲线的相似度低于预设相似度阈值时,修正所述待评估用户的用户档案;
从所述电量数据中获取与分段时间序列对应的待测电量数据,并确定出所述待测电量数据中是否存在离群点;
根据多个所述分段时间序列分别检测出的离群点的检测结果,确定所述待评估用户是否存在异常用电行为。一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
获取待评估用户的电量数据;其中,所述电量数据包括电流数据、相位角数据和电能数据;
根据所述电能数据确定出待评估用电曲线,并在所述待评估用电曲线与行业标准曲线的相似度低于预设相似度阈值时,修正所述待评估用户的用户档案;
从所述电量数据中获取与分段时间序列对应的待测电量数据,并确定出所述待测电量数据中是否存在离群点;
根据多个所述分段时间序列分别检测出的离群点的检测结果,确定所述待评估用户是否存在异常用电行为。
上述异常用电行为检测方法、装置、计算机设备和存储介质,本方法中,在待评估用电曲线与行业标准曲线的相似度低于预设相似度阈值时,修正待评估用户的用户档案,在排除用户档案异常导致的用户异常用电行为的误判后,进一步通过确定分段时间序列对应的待测电量数据中是否存在离群点,得出电量数据中与正常用电行为不一致的时间点,并根据多个分段时间序列分别检测出的离群点的检测结果,确定待评估用户是否存在异常用电行为,因此本方法能够更精准地检测异常用电行为。
附图说明
图1为一个实施例中异常用电行为检测方法的应用环境图;
图2为一个实施例中异常用电行为检测方法的流程示意图;
图3为另一个实施例中异常用电行为检测方法的流程示意图;
图4为一个实施例中异常用电行为检测装置的结构框图;
图5为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请提供的异常用电行为检测方法,可以应用于如图1所示的应用环境中。其中,服务器102与计量终端104通过网络进行通信。具体的,服务器102指的是电力物联网中用于对电量数据进行统计分析的设备,可以用独立的服务器或者是多个服务器组成的服务器集群来实现,也可以是用各种个人计算机、笔记本电脑、平板电脑等来实现,计量终端104指的是用于采集各用户的电量数据的设备,如智能电表、负荷管理终端和配变监测计量终端等;在实际应用中,可以在多个不同位置设置计量终端104分别采集电量数据,以利用服务器102对多个计量终端104采集的电量数据进行统计分析。
在一个实施例中,如图2所示,提供了一种异常用电行为检测方法,以该方法应用于图1中的服务器为例进行说明,包括以下步骤:
步骤202,获取待评估用户的电量数据;其中,电量数据包括电流数据、相位角数据和电能数据。
具体的,待评估用户指的是需要进行异常用电行为检测的用户,本实施例中的待评估用户一般指的是公司企业用户。电量数据指的是表征用户用电情况的数据。一般的,电量数据包括电流数据、相位数据和电能数据;其中,电流数据指的是用电电流的大小;相位是反映交流电的状态的物理量,相位数据指的是采集时刻对应的交流电的方向;电能数据指的是用户每日用电量;在其他实施例中,电量数据还可以包括其他信息,本实施例对此不做限定。
在本实施例中,可以是通过计量终端采集待评估用户的电量数据并将采集到的电量数据发送给服务器,以使得服务器获取到待评估用户的电量数据;更具体的,在一种具体的实施方式中,计量终端以15分钟为间隔,获取待评估用户96个点的电流数据、相位数据和电能数据;并且,计量终端通过WIFI、运营网络或者NFC(近场通信)的方式向服务器发送电量数据,本实施例对此也不做限定。
另外需要说明的是,在获取到电量数据后,可以对获得的电量数据进行预处理操作,包括对电量数据进行格式转换,去除电量数据中的各空缺值以及对电量数据进行归一化处理等,后续则使用预处理后的电量数据进行处理分析,能够进一步提高异常用电行为检测的准确度。
步骤204,根据电能数据确定出待评估用电曲线,并在待评估用电曲线与行业标准曲线的相似度低于预设相似度阈值时,修正待评估用户的用户档案。
具体的,在本步骤中,首先利用电能数据确定出待评估用电曲线,即根据各电能数据的采集时间顺序,将各电能数据拟合为对应的曲线,该曲线可以直观地表示待评估用户的用电量随时间变化的变化情况。
另外,获取与待评估用户的所属行业对应的行业标准曲线;具体的,标准用电曲线通过对不同行业用电曲线进行聚类获得,每个行业可聚类得到一个或多个行业标准曲线。
计算待评估用电曲线与对应所属行业的行业标准曲线的相似度,具体的,可以是通过计算欧氏距离、余弦距离等方式确定出待评估用电曲线与行业标准曲线的相似度,本实施例对计算相似度的方式不做限定;并且,当通过计算欧氏距离的方式计算二者的相似度时,欧氏距离越小,相似度越高;当计算出的相似度低于预设相似度阈值,即欧氏距离超过预设阈值时,表示待评估用户的电量数据可能存在问题。
可以理解的是,待评估用户的用户档案可以是预先存储于服务器中,也可以是在采集电量数据时从计量终端获取,本实施例对此不做限定。档案异常是导致待评估用电曲线与行业标准曲线相似度低的主要原因之一,用户误报或者服务器统计时错漏都可能导致档案异常,因此在确定出待评估用电曲线与行业标准曲线的相似度低于预设相似度阈值时,修正待评估用户的用户档案。
步骤206,从电量数据中获取与分段时间序列对应的待测电量数据,并确定出待测电量数据中是否存在离群点。
具体的,首先确定出分段时间序列,如,T1至T2为一个分段时间序列,T2至T3为一个分段时间序列;根据各电量数据对应的时间点与所属的分段时间序列的对应关系,从电量数据中确定出与各分段时间序列对应的待测电量数据;然后判断每个分段时间序列中的待测电量数据是否存在离群点。
需要说明的是,在确保用户档案正确的情况下,导致电量数据异常的原因可能是电量数据中存在离群点,其中,离群点检测是找出电量数据中与正常用电行为不一致的时间点。在本步骤中,需要进一步确定出与分段时间序列对应的待测电量数据中是否存在离群点。具体的,可以是对分段时间序列中的待测电量数据进行聚类,也可以是通过计算重构误差的方式确定出待测电量数据中是否存在离群点,本实施例对此不做限定。
步骤208,根据多个分段时间序列分别检测出的离群点的检测结果,确定待评估用户是否存在异常用电行为。
具体的,异常用电行为指的是用户用电行为异常,如用户发生窃电行为等;在实际操作中,获取多个分段时间序列,并分别确定出各分段时间序列中的待测电量数据对应的离群点的检测结果,检测结果包括存在离群点或不存在离群点;再根据各分段时间序列中确定出的离群点的检测结果,判断电量数据中的离群点的数量是否达到确定异常用电行为的条件。需要说明的是,本实施例中,分段时间序列的具体个数一般根据实际经验设置,一般是两个以上,本实施例对此不做限定。
上述异常用电行为检测方法中,在待评估用电曲线与行业标准曲线的相似度低于预设相似度阈值时,修正待评估用户的用户档案,在排除用户档案异常导致的用户异常用电行为的误判后,进一步通过确定分段时间序列对应的待测电量数据中是否存在离群点,得出电量数据中与正常用电行为不一致的时间点,并根据多个分段时间序列分别检测出的离群点的检测结果,确定待评估用户是否存在异常用电行为,因此本方法能够更精准地检测异常用电行为。
如图3所示,为本发明实施例提供的另一种异常用电行为检测方法的流程图;在上述实施例的基础上,本实施例对技术方案作了进一步的说明和优化,具体的,本实施例中,根据多个分段时间序列分别检测出的离群点的检测结果,确定待评估用户是否存在异常用电行为的过程,包括:
根据多个分段时间序列中存在离群点的分段时间序列的数量,确定出异常时间序列总数;
当异常时间序列总数大于预设数量阈值时,判定待评估用户存在异常用电行为;
否则,判定待评估用户的电量数据为偶发异常。
具体的,在本实施例中,是在分别确定出各分段时间序列中是否存在离群点后,统计多个分段时间序列中存在离群点的分段时间序列的数量,确定出异常时间序列总数;另外,设置预设数量阈值,即异常时间序列总数的极限值;将异常时间序列总数与预设数量阈值进行比较,当异常时间序列总数大于该预设数量阈值时,即表示该待评估用户的电量数据中长期存在异常情况,因此判定待评估用户存在异常用电行为;若否,则表示待评估用户的电量数据为偶发异常。
需要说明的是,在实际操作中,可以在确定出待评估用户存在异常用电行为之后,进一步对该异常用电行为进行记录;例如记录检测出异常用电行为的检测时间,记录异常用电行为对应的异常分段时间序列等,以便后续针对异常用电行为进行数据追溯。
可见,本实施例中,通过比较异常时间序列总数与预设数量阈值,确定待评估用户是否存在异常用电行为,判断过程准确便捷。
在上述实施例的基础上,本实施例对技术方案作了进一步的说明和优化,具体的,从电量数据中获取与分段时间序列对应的待测电量数据,并确定出待测电量数据中是否存在离群点的过程,包括:
通过滑动时间窗确定出分段时间序列,并从电量数据中获取与分段时间序列对应的待测电量数据;
计算出分段时间序列对应的待测电量数据的范数和相邻分段时间序列的范数差;
根据范数和范数差确定出对应的统计特征;
根据统计特征确定出对应的第一特征向量,并将第一特征向量重构为第二特征向量;
根据第一特征向量和第二特征向量的重构误差是否大于预设误差阈值,确定对应的分段时间序列中的待测电量数据中是否存在离群点。
在本实施例中,电量数据包括电流数据、相位角数据和电能数据,即电量数据为多维时间序列,因此利用多维时间序列的离群点检测算法确定出分段时间序列中的待测电量数据中是否存在离群点。
具体的,首先设置滑动时间窗的窗口大小,窗口大小即为分段时间序列的时间长度;通过滑动时间窗确定出分段时间序列,并从电量数据中获取与分段时间序列对应的待测电量数据。更具体的,每个滑动时间窗对应的分段时间序列为Tw={S1,S2,…,Si,…,Sw},其中,Si=(Ii,φi,Pi)表示与i时刻对应的一组待测电量数据Si,Ii表示时间点i对应的电流数据,φi表示时间点i对应的相位数据,Pi表示时间点i对应的电能数据。
然后,计算出分段时间序列对应的待测电量数据的范数和相邻分段时间序列的范数差;更具体的,根据计算分段时间序列中的待测电量数据的范数,其中,Nt表示第t(1≤t≤w)个分段时间序列的范数;根据dN=Nt+1-Nt计算相邻分段时间序列的范数差,其中,dNt(1≤t≤w)表示第Nt+1和Nt这两个相邻的分段时间序列的范数差。
将计算出的范数和范数差作为该分段时间序列的待测电量数据的一阶特征G,并提取一阶特征G的统计特征,作为二阶特征,得到特征矩阵H;其中,统计特征包括均值、最大值、最小值、标准差等。将特征矩阵H按照行拼接得到第一特征向量F,通过自编码器将第一特征向量F重构为第二特征向量然后第一特征向量F和第二特征向量的重构误差;将重构误差与预设误差阈值进行比较;若计算出的重构误差大于预设误差阈值,则表示该分段时间序列中的待测电量数据中存在离群点;否则,表示该分段时间序列中的待测电量数据中不存在离群点。
需要说明的是,自编码器是一种适合识别离群点的无监督学习方法,通过比较原始输入数据与重构数据之间的偏差,可以判断是否存在离群点;自编码器可以具体为LSTM(Long Short-Term Memory,长短期记忆网络)自编码器,LSTM是一种特殊的卷积神经网络,优势在于可以解决普通RNN(Recurrent Neural Network,循环神经网络)的长期依赖问题,适用于计量时间序列曲线;LSTM自编码器的实现过程分为编码和解码,编码过程包括将第一特征向量F转换为一个固定维度的中间向量,解码过程包括将编码得出的中间向量再转化为特征向量,即得出第二特征向量
可见,本实施例通过确定出分段时间序列中的统计特征,根据统计特征确定出对应的第一特征向量,并将第一特征向量重构为第二特征向量;根据第一特征向量和第二特征向量的重构误差是否大于预设误差阈值,确定对应的分段时间序列中的待测电量数据中是否存在离群点;根据重构误差来确定是否存在离群点,能够更加精准。
在上述实施例的基础上,本实施例对技术方案作了进一步的说明和优化,具体的,在判定待评估用户的电量数据为偶发异常之后,方法还包括:
对检测出的离群点对应的电量数据进行数据修复。
具体的,在本实施例中,当判定待评估用户的电量数据为偶发异常时,即表示电量数据中离群点所对应的时间点的电量数据有误,因此通过确定出更加精准的电量修复值,并利用确定出的电量修复值替换离群点对应的电量数据,从而实现对离群点的电量数据进行数据修复。
作为一种优选的实施例,对检测出的离群点对应的电量数据进行数据修复的过程,包括:
获取与离群点相邻的预设数量的相邻电量数据;
确定出预设数量的相邻电量数据的平均值,利用平均值对离群点的电量数据进行数据修复。
需要说明的是,本实施例是采样移动平均法进行数据修复,移动平均法是用一组最接近离群点的电量数据,即相邻电量数据的平均值来预测离群点的电量数据的方法。具体的,相邻电量数据指的是在时间序列上靠近离群点的时间点的电量数据,具体可以是离群点之前的预设数量的相邻电量数据或离群点之后的预设数量的相邻电量数据,还可以是离群点之前和离群点之后各取一部分数据,数据量总和为预设数量;在获取到与离群点相邻的预设数量的相邻电量数据之后,计算出获取到的预设数量的相邻电量数据的平均值,将该平均值作为电量修复值,利用平均值对离群点的电量数据进行数据修复。
在一种具体的实施方式中,利用移动平均法对电量数据进行数据修复,采用如下计算公式计算电量修复值:
其中,Er为电量修复值,Ed为离群点对应的时间点的电量数据,即预测出的离群点对应的实际电量数据;N为移动的期数;Ed-1为离群点前一时间点的电量数据;Ed-2为离群点前两个时间点的电量数据;Ed-N为离群点前N个时间点的电量数据;假设设定N=7,即使用近7天的历史数据作为相邻电量数据,以这7天的相相邻电量数据的平均值修复离群点对应的时间点的电量数据。
另外需要说明的是,在实际操作中,在对离群点的电量数据进行数据修复后,可以进一步在离群点添加修复标识,以标识该时间点的电量数据是通过数据修复所得。
可见,本实施例采用与离群点相邻的相邻电量数据的平均值修复该离群点的电量数据,能够相对保障该电量修复值的准确度。
在上述实施例的基础上,本实施例对技术方案作了进一步的说明和优化,具体的,根据电能数据确定出待评估用电曲线,并在待评估用电曲线与行业标准曲线的相似度低于预设相似度阈值时,修正待评估用户的用户档案的过程,包括:
根据电能数据确定出待评估用电曲线;
在待评估用电曲线与行业标准曲线的相似度低于预设相似度阈值时,对待评估用户的用户档案中的用户名称进行分词,并根据分词结果转换得出目标词向量;
根据目标词向量与各预设词向量的相似度以及各预设词向量与预设行业分类的对应关系,确定出与目标词向量对应的目标行业分类;
若用户档案中的行业分类与目标行业分类不一致,则根据目标行业分类修改用户档案。
预先整理待分类的行业,得出对应的行业库;行业库中包括预设词向量和预设行业分类,且设置预设词向量和预设行业分类的对应关系,因此可以根据某一词向量确定出与之对应的行业分类。在实际操作中,还可以进一步设置与各行业分类对应的行业分类代码,即设置词向量、行业分类和行业分类代码三者的对应关系。
在本实施例中,在根据电能数据确定出待评估用电曲线,并计算待评估用电曲线与行业标准曲线的相似度之后,当相似度低于预设相似度阈值时,先通过自动检查对用户名称进行分词和行业名称提取,自动检查包含分词、过滤、词向量生成和相似度匹配等步骤。
更具体的,可以利用jieba分词对待评估用户的用户档案中的用户名称进行分词,例如对“中国电信股份有限公司云计算贵州分公司”进行分词,可以得出分词结果为“中国/电信/股份/有限/公司/云计算/贵州/分公司”;然后对分词结果进行过滤,去除预设的地区、“股份”、“有限”等与行业无关的分词结果,过滤后得到的分词结果为“电信/云计算”;针对过滤后得到的分词结果进行词向量生成,采用word2vec将分词结果转换为对应的目标词向量,将分词结果中的词语转换为对应的数学向量;在根据分词结果得出对应的目标词向量后,计算出目标词向量与各预设词向量的相似度,确定出与目标词向量相似度最高的预设词向量,并确定出该预设词向量对应的预设行业分类,将该预设行业分类确定为目标行业分类,即得出与目标词向量对应的目标行业分类;然后将该目标行业分类与用户档案中的行业分类进行比较,若二者一致,则表示用户档案中的行业分类是正确的;否则表示用户档案中的行业分类有误,因此利用目标行业分类修改用户档案中的行业分类。
更具体的,计算目标词向量与各预设词向量的相似度时,可以通过计算二者的余弦距离、欧氏距离、Jaccard距离或编辑距离的方式来计算二者的文本相似度,假设目标词向量为L1,预设词向量为L2,二者的余弦距离d=(L1·L2)/(|L1|*|L2|),余弦距离越小,二者的相似度越高,则两个向量越相似。通过这种方式,可以将目标词向量的分词结果“电信/云计算”匹配到“信息传输、软件和信息技术服务业”的行业分类。
并且,为了进一步提高修改用户档***度,在修改用户档案之前,可以进一步通过人工核验,在人工核验无误后,利用目标行业分类修改用户档案中的行业分类。在修正用户档案后,则需要根据用户档案中的行业分类重新确定出对应的行业标准曲线,再基于重新确定出行业标准曲线,重新计算待评估用电曲线和行业标准曲线的相似度。
另外需要说明的是,若目标词向量与各预设词向量的相似度都低于相似度最低值,则无法确定出与目标词向量对应的目标行业分类,因此也可以通人工检查用户档案是否异常。
可见,按照本实施例的方法对用户档案进行修正,不仅能够减少人工操作的工作量,而且修复准确、修复效率高。
在上述实施例的基础上,本实施例对技术方案作了进一步的说明和优化,具体的,方法还包括:
对修复后的电量数据和/或修正后的用户档案进行可视化展示。
具体的,可视化指的是利用计算机图形学和图像处理技术,将数据转换成图形或图像在屏幕上显示出来;本实施例中,是在对电量数据进行修复之后,对修复后的电量数据进行可视化展示,和/或在对用户档案进行修正后,对用户档案进行可视化展示。
更具体的,在实际操作中,可以利用Tableau制作可视化工作表实现数据可视化展示,本实施例对具体的可视化展示方式不做限定。在一种具体的实施方式中,采集电量数据,包括电流数据、相位数据和电能数据,在对电量数据进行数据修复后,分别确定出与各类型数据对应的数据曲线,并对各数据曲线进行可视化展示,以更直观地对展示电量数据。
另外,可以通过时间筛选器对各电量数据进行筛选,筛选出目标时间段的电量数据,并生成与目标时间段对应的电量数据的数据曲线,以针对目标时间段的电量数据进行可视化展示。
另外,若确定出待评估用电曲线和行业标准用电曲线的相似度不等于预设相似度阈值,也可以直接对该待评估用电曲线和行业标准用电曲线进行可视化展示。
另外,还可以将修复前的电量数据和修复后的电量数据进行对比展示,将修正前的用户档案和修正后的用户档案进行对比展示,并对修复的电量数据和/或修正的用户档案进行标识,以更直观地展示电量数据的修复情况和/或用户档案的修正情况。
应该理解的是,虽然上述实施例涉及的各流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,上述实施例涉及的各流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图4所示,提供了一种异常用电行为检测装置,包括:
获取模块402,用于获取待评估用户的电量数据;其中,电量数据包括电流数据、相位角数据和电能数据;
修正模块404,用于根据电能数据确定出待评估用电曲线,并在待评估用电曲线与行业标准曲线的相似度低于预设相似度阈值时,修正待评估用户的用户档案;
确定模块406,用于从电量数据中获取与分段时间序列对应的待测电量数据,并确定出待测电量数据中是否存在离群点;
判断模块408,用于根据多个分段时间序列分别检测出的离群点的检测结果,确定待评估用户是否存在异常用电行为。
本发明实施例提供的一种异常用电行为检测装置,具有与上述一种异常用电行为检测方法相同的有益效果。
在一个实施例中,判断模块包括:
第一确定子模块,用于根据多个分段时间序列中存在离群点的分段时间序列的数量,确定出异常时间序列总数;
第一判定子模块,用于当异常时间序列总数大于预设数量阈值时,判定待评估用户存在异常用电行为;
第二判定子模块,用于当异常时间序列总数小于或等于预设数量阈值时,判定待评估用户的电量数据为偶发异常。
在一个实施例中,确定模块包括:
第一获取子模块,用于通过滑动时间窗确定出分段时间序列,并从电量数据中获取与分段时间序列对应的待测电量数据;
计算子模块,用于计算出分段时间序列对应的待测电量数据的范数和相邻分段时间序列的范数差;
第二确定子模块,用于根据范数和范数差确定出对应的统计特征;
重构子模块,用于根据统计特征确定出对应的第一特征向量,并将第一特征向量重构为第二特征向量;
第三确定子模块,用于根据第一特征向量和第二特征向量的重构误差是否大于预设误差阈值,确定对应的分段时间序列中的待测电量数据中是否存在离群点。
在一个实施例中,装置还包括:
修复模块,用于对检测出的离群点对应的电量数据进行数据修复。
在一个实施例中,修复模块包括:
第二获取子模块,用于获取与离群点相邻的预设数量的相邻电量数据;
第四确定子模块,用于确定出预设数量的相邻电量数据的平均值,利用平均值对离群点的电量数据进行数据修复。
在一个实施例中,修正模块包括:
第五确定子模块,用于根据电能数据确定出待评估用电曲线;
分词子模块,用于在待评估用电曲线与行业标准曲线的相似度低于预设相似度阈值时,对待评估用户的用户档案中的用户名称进行分词,并根据分词结果转换得出目标词向量;
第六确定子模块,用于根据目标词向量与各预设词向量的相似度以及各预设词向量与预设行业分类的对应关系,确定出与目标词向量对应的目标行业分类;
修正子模块,用于若用户档案中的行业分类与目标行业分类不一致,则根据目标行业分类修改用户档案。
在一个实施例中,装置还包括:
可视化模块,用于对修复后的电量数据和/或修正后的用户档案进行可视化展示。
关于异常用电行为检测装置的具体限定可以参见上文中对于异常用电行为检测方法的限定,在此不再赘述。上述异常用电行为检测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图5所示。该计算机设备包括通过***总线连接的处理器、存储器和网络接口。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***、计算机程序和数据库。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的数据库用于存储电量数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种异常用电行为检测方法。
本领域技术人员可以理解,图5中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
获取待评估用户的电量数据;其中,电量数据包括电流数据、相位角数据和电能数据;
根据电能数据确定出待评估用电曲线,并在待评估用电曲线与行业标准曲线的相似度低于预设相似度阈值时,修正待评估用户的用户档案;
从电量数据中获取与分段时间序列对应的待测电量数据,并确定出待测电量数据中是否存在离群点;
根据多个分段时间序列分别检测出的离群点的检测结果,确定待评估用户是否存在异常用电行为。
本发明实施例提供的一种计算机设备,具有与上述一种异常用电行为检测方法相同的有益效果。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取待评估用户的电量数据;其中,电量数据包括电流数据、相位角数据和电能数据;
根据电能数据确定出待评估用电曲线,并在待评估用电曲线与行业标准曲线的相似度低于预设相似度阈值时,修正待评估用户的用户档案;
从电量数据中获取与分段时间序列对应的待测电量数据,并确定出待测电量数据中是否存在离群点;
根据多个分段时间序列分别检测出的离群点的检测结果,确定待评估用户是否存在异常用电行为。
本发明实施例提供的一种计算机可读存储介质,具有与上述一种异常用电行为检测方法相同的有益效果。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory,ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic Random Access Memory,DRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种异常用电行为检测方法,其特征在于,所述方法包括:
获取待评估用户的电量数据;其中,所述电量数据包括电流数据、相位角数据和电能数据;
根据所述电能数据确定出待评估用电曲线,并在所述待评估用电曲线与行业标准曲线的相似度低于预设相似度阈值时,修正所述待评估用户的用户档案;
从所述电量数据中获取与分段时间序列对应的待测电量数据,并确定出所述待测电量数据中是否存在离群点;
根据多个所述分段时间序列分别检测出的离群点的检测结果,确定所述待评估用户是否存在异常用电行为。
2.根据权利要求1所述的方法,其特征在于,所述根据多个所述分段时间序列分别检测出的离群点的检测结果,确定所述待评估用户是否存在异常用电行为的过程,包括:
根据多个所述分段时间序列中存在离群点的分段时间序列的数量,确定出异常时间序列总数;
当所述异常时间序列总数大于预设数量阈值时,判定所述待评估用户存在异常用电行为;
否则,判定所述待评估用户的所述电量数据为偶发异常。
3.根据权利要求2所述的方法,其特征在于,所述从所述电量数据中获取与分段时间序列对应的待测电量数据,并确定出所述待测电量数据中是否存在离群点的过程,包括:
通过滑动时间窗确定出分段时间序列,并从所述电量数据中获取与所述分段时间序列对应的待测电量数据;
计算出所述分段时间序列对应的所述待测电量数据的范数和相邻分段时间序列的范数差;
根据所述范数和所述范数差确定出对应的统计特征;
根据所述统计特征确定出对应的第一特征向量,并将所述第一特征向量重构为第二特征向量;
根据所述第一特征向量和所述第二特征向量的重构误差是否大于预设误差阈值,确定对应的分段时间序列中的待测电量数据中是否存在离群点。
4.根据权利要求2所述的方法,其特征在于,在所述判定所述待评估用户的所述电量数据为偶发异常之后,所述方法还包括:
对检测出的所述离群点对应的电量数据进行数据修复。
5.根据权利要求4所述的方法,其特征在于,所述对检测出的所述离群点对应的电量数据进行数据修复的过程,包括:
获取与所述离群点相邻的预设数量的相邻电量数据;
确定出所述预设数量的所述相邻电量数据的平均值,利用所述平均值对所述离群点的电量数据进行数据修复。
6.根据权利要求1至5任一项所述的方法,其特征在于,所述根据所述电能数据确定出待评估用电曲线,并在所述待评估用电曲线与行业标准曲线的相似度低于预设相似度阈值时,修正所述待评估用户的用户档案的过程,包括:
根据所述电能数据确定出所述待评估用电曲线;
在所述待评估用电曲线与所述行业标准曲线的相似度低于所述预设相似度阈值时,对所述待评估用户的所述用户档案中的用户名称进行分词,并根据分词结果转换得出目标词向量;
根据所述目标词向量与各预设词向量的相似度以及各预设词向量与预设行业分类的对应关系,确定出与所述目标词向量对应的目标行业分类;
若所述用户档案中的行业分类与所述目标行业分类不一致,则根据所述目标行业分类修改所述用户档案。
7.根据权利要求6所述的方法,其特征在于,所述方法还包括:
对修复后的所述电量数据和/或修正后的所述用户档案进行可视化展示。
8.一种异常用电行为检测装置,其特征在于,所述装置包括:
获取模块,用于获取待评估用户的电量数据;其中,所述电量数据包括电流数据、相位角数据和电能数据;
修正模块,用于根据所述电能数据确定出待评估用电曲线,并在所述待评估用电曲线与行业标准曲线的相似度低于预设相似度阈值时,修正所述待评估用户的用户档案;
确定模块,用于从所述电量数据中获取与分段时间序列对应的待测电量数据,并确定出所述待测电量数据中是否存在离群点;
判断模块,用于根据多个所述分段时间序列分别检测出的离群点的检测结果,确定所述待评估用户是否存在异常用电行为。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111069926.2A CN113723861A (zh) | 2021-09-13 | 2021-09-13 | 异常用电行为检测方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111069926.2A CN113723861A (zh) | 2021-09-13 | 2021-09-13 | 异常用电行为检测方法、装置、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113723861A true CN113723861A (zh) | 2021-11-30 |
Family
ID=78683513
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111069926.2A Pending CN113723861A (zh) | 2021-09-13 | 2021-09-13 | 异常用电行为检测方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113723861A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115079634A (zh) * | 2022-07-15 | 2022-09-20 | 重庆中环建设有限公司 | 基于5g物联网的空压站变频调速***及方法 |
CN115409433A (zh) * | 2022-11-02 | 2022-11-29 | 成都宏恒信息科技有限公司 | 基于深度nlp的社区重点人员画像分析方法及装置 |
CN116433402A (zh) * | 2023-04-11 | 2023-07-14 | 国网浙江省电力有限公司 | 用户电费自动化销账的分析处理装置、方法和存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103678766A (zh) * | 2013-11-08 | 2014-03-26 | 国家电网公司 | 一种基于pso算法的异常用电客户检测方法 |
CN110634080A (zh) * | 2018-06-25 | 2019-12-31 | 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 |
CN111708739A (zh) * | 2020-05-21 | 2020-09-25 | 北京奇艺世纪科技有限公司 | 时序数据的异常检测方法、装置、电子设备及存储介质 |
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 |
CN113284000A (zh) * | 2021-04-08 | 2021-08-20 | 南方电网数字电网研究院有限公司 | 用户用电数据异常检测方法、装置、计算机设备 |
-
2021
- 2021-09-13 CN CN202111069926.2A patent/CN113723861A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103678766A (zh) * | 2013-11-08 | 2014-03-26 | 国家电网公司 | 一种基于pso算法的异常用电客户检测方法 |
CN110634080A (zh) * | 2018-06-25 | 2019-12-31 | 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 |
CN111708739A (zh) * | 2020-05-21 | 2020-09-25 | 北京奇艺世纪科技有限公司 | 时序数据的异常检测方法、装置、电子设备及存储介质 |
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 |
CN113284000A (zh) * | 2021-04-08 | 2021-08-20 | 南方电网数字电网研究院有限公司 | 用户用电数据异常检测方法、装置、计算机设备 |
Non-Patent Citations (3)
Title |
---|
孙毅;李世豪;崔灿;李彬;陈宋宋;崔高颖;: "基于高斯核函数改进的电力用户用电数据离群点检测方法", 电网技术, no. 05, 7 December 2017 (2017-12-07) * |
王鹏伍;孙志杰;傅军;周国鹏;: "模糊C均值聚类算法在用电异常稽查中的应用", 华北电力技术, no. 04, 25 April 2016 (2016-04-25) * |
龚起航: "面向多导体***的非侵入式电气量传感器设计与开发", 硕士论文库, no. 11, 16 October 2020 (2020-10-16) * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115079634A (zh) * | 2022-07-15 | 2022-09-20 | 重庆中环建设有限公司 | 基于5g物联网的空压站变频调速***及方法 |
CN115409433A (zh) * | 2022-11-02 | 2022-11-29 | 成都宏恒信息科技有限公司 | 基于深度nlp的社区重点人员画像分析方法及装置 |
CN116433402A (zh) * | 2023-04-11 | 2023-07-14 | 国网浙江省电力有限公司 | 用户电费自动化销账的分析处理装置、方法和存储介质 |
CN116433402B (zh) * | 2023-04-11 | 2024-03-08 | 国网浙江省电力有限公司 | 用户电费自动化销账的分析处理装置、方法和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113723861A (zh) | 异常用电行为检测方法、装置、计算机设备和存储介质 | |
CN108923952B (zh) | 基于服务监控指标的故障诊断方法、设备及存储介质 | |
CN111045894B (zh) | 数据库异常检测方法、装置、计算机设备和存储介质 | |
CN112257755B (zh) | 航天器运行状态的分析方法和装置 | |
CN112488242B (zh) | 电力计量终端异常检测方法、装置、计算机设备和介质 | |
CN112416643A (zh) | 无监督异常检测方法与装置 | |
CN110941648A (zh) | 基于聚类分析的异常数据识别方法、***和存储介质 | |
CN110333962B (zh) | 一种基于数据分析预测的电子元器件故障诊断模型 | |
CN112862127A (zh) | 一种传感器数据的异常处理方法、装置、电子设备及介质 | |
US20230144809A1 (en) | Model operation support system and method | |
CN112416662A (zh) | 多时间序列数据异常检测方法与装置 | |
CN115660262B (zh) | 一种基于数据库应用的工程智慧质检方法、***及介质 | |
CN110858072B (zh) | 设备运行状态的确定方法及装置 | |
CN114978956A (zh) | 智慧城市网络设备性能异常突变点检测方法及装置 | |
CN111124732A (zh) | 一种磁盘故障的预测方法、***、设备及存储介质 | |
CN112016856B (zh) | 综合倍率异常识别方法、装置、计量***和存储介质 | |
CN111783883A (zh) | 一种异常数据的检测方法及装置 | |
CN117036732A (zh) | 一种基于融合模型的机电设备检测***、方法及设备 | |
US20220278527A1 (en) | Determination of phase connections in a power grid | |
CN110146634B (zh) | 一种油色谱数据的故障诊断方法、装置、设备和存储介质 | |
CN112949951A (zh) | 数据预测方法、装置、电子设备及存储介质 | |
CN113591396A (zh) | 一种基于朴素贝叶斯网络的电网元器件故障诊断方法 | |
CN111767938A (zh) | 一种异常数据检测方法、装置及电子设备 | |
CN110580494A (zh) | 一种基于分位数逻辑回归的数据分析方法 | |
CN113806495B (zh) | 一种离群机器检测方法和装置 |
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 |