CN113947504A - 一种基于随机森林法的窃电分析方法及其*** - Google Patents
一种基于随机森林法的窃电分析方法及其*** Download PDFInfo
- Publication number
- CN113947504A CN113947504A CN202111333465.5A CN202111333465A CN113947504A CN 113947504 A CN113947504 A CN 113947504A CN 202111333465 A CN202111333465 A CN 202111333465A CN 113947504 A CN113947504 A CN 113947504A
- Authority
- CN
- China
- Prior art keywords
- user
- data
- electricity
- stealing
- electricity stealing
- 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 146
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000004458 analytical method Methods 0.000 title claims abstract description 34
- 238000007637 random forest analysis Methods 0.000 title claims abstract description 22
- 238000009826 distribution Methods 0.000 claims abstract description 25
- 238000012216 screening Methods 0.000 claims abstract description 12
- 238000012549 training Methods 0.000 claims abstract description 12
- 238000011835 investigation Methods 0.000 claims abstract description 6
- 238000005457 optimization Methods 0.000 claims abstract description 5
- 238000012795 verification Methods 0.000 claims abstract description 4
- 238000012545 processing Methods 0.000 claims description 11
- 230000006399 behavior Effects 0.000 claims description 10
- 230000003203 everyday effect Effects 0.000 claims description 9
- 238000007405 data analysis Methods 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 7
- 230000035772 mutation Effects 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 230000002596 correlated effect Effects 0.000 claims description 3
- 230000002354 daily effect Effects 0.000 claims description 3
- 238000010801 machine learning Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 claims 1
- 230000008859 change Effects 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 230000002265 prevention Effects 0.000 description 3
- 238000007418 data mining Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process 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
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R11/00—Electromechanical arrangements for measuring time integral of electric power or current, e.g. of consumption
- G01R11/02—Constructional details
- G01R11/24—Arrangements for avoiding or indicating fraudulent use
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
Landscapes
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Water Supply & Treatment (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Public Health (AREA)
- Computing Systems (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)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于随机森林法的窃电分析方法及其***,包括获取数据,数据包括档案、用户用电量数据、低压台区损失电量数据、气温数据;筛选出气温数据出现突变区间、电变电量计量采集正常的低压台区;分析气温数据与用户用电量数据的相关性、用户所属低压台区损失电量与用户用电量的正相关性、用户所属低压台区损失电量与用户用电量的负相关性;通过随机森林法查找分析结果中的离群数据,离群数据所属的用户为窃电用户,通过窃电用户数据训练窃电分析模型;实地考察验证与模型优化。本发明可以根据气象发布的地区温度变化,结合模型提供的特征更加有针对性,有目的性的去定位窃电用户。
Description
技术领域
本发明涉及窃电分析领域,尤其涉及一种基于随机森林法的窃电分析方法。
背景技术
传统反窃电方法,是由反窃电人员根据现场经验和电力业务规则,通过现场摸排的方式来排查窃电用户,效率低,成本高,申请号为202110796688.9的现有技术,提供了一种基于数据挖掘技术的自动化窃电识别,但是该方法是基于已有窃电用户数据进行的窃电识别分析,然而现实生活中,往往不具备更强的通用性,因为需要对每个地方的已知窃电用户进行档案提取及分析,然后训练处机器学习模型,筛查未知的窃电用户,如果已有的窃电用户数据不多,那么机器学习模型的准确性会降低,因为窃电特征会不足,有些窃电用户不会被发现。
发明内容
本发明为解决上述问题,提供一种基于随机森林法的窃电分析方法及其***,本发明基于所选台区内的大量数据进行分析,找出离群数据,在未知该区域内窃电用户的窃电特征情况下,通过本方法,可以准确筛查出窃电用户。
一种基于随机森林法的窃电分析方法,包括如下步骤:
S1:获取数据,所述数据包括档案、用户用电量数据、低压台区损失电量数据、气温数据;
S2:对数据进行预处理:筛选出所述气温数据出现突变区间、电量计量采集正常的低压台区;
S3:数据分析:分析所述气温数据与所述用户用电量数据的相关性、用户所属低压台区损失电量与用户用电量的正相关性、用户所属低压台区损失电量与用户用电量的负相关性;
S4:根据步骤S3的数据分析结果,通过随机森林法查找分析结果中的特征数据,所述特征数据所属的用户为窃电用户,通过窃电用户数据训练窃电分析模型;
S5:实地考察验证与模型优化。
优选的,所述步骤S4包括对每个用户的窃电可能的期望进行计算:
P=P1×ξ1+P2×ξ2+P3×ξ3 (1)
ξ1+ξ2+ξ3=1 (2)
其中,P为用户存在窃电行为的可能性,P1为气温数据与用户用电量数据的存在相关性时,用户存在窃电行为的可能性,P2为用户所属低压台区损失电量与用户用电量存在正相关时,用户存在窃电行为的可能性,P3为用户所属低压台区损失电量与用户用电量存在负相关时,用户存在窃电行为的=的可能性,ξ1为P1事件的加权系数,ξ2为P2事件的加权系数,ξ3为P3事件的加权系数,P的数值越接近1,用户存在窃电行为的可能性越大,当P大于0.8时,该用户被判断为窃电用户。
优选的,所述窃电用户在夏季时的数据特征包括:
所述窃电用户所属台区的负载率明显较春节要高;
所述窃电用户所属台区的线损率较春季上升明显。
优选的,还包括对所述窃电用户分类,所述窃电用户包括一直窃电用户和间歇窃电用户,
所述一直窃电用户的数据特征包括:春季用电每天存在波动,夏季用电量比春季呈倍数增多;
所述间歇窃电用户的数据特征包括:春季用电每天存在波动,夏季用电量较春季少且夏季用电量稳定。
优选的,还包括正常用户的用电数据,所述正常用户数据遵循:
春季用电,每天用电量存在波动;
夏季用电量比春季用电量多,每天用电量存在波动。
优选的,所述步骤S5包括:
S501:现场确定所选台区内实际窃电用户数量;
S502:计算所述模型准确率和召回率,公式如下:
优选的,所述步骤S4包括:
选取70%的用户用电数据作为训练集,其余30%的用户用电数据作为测试集,统计所述30%的用户窃电命中率。
一种基于随机森林法的窃电分析***,包括依次连接的输入单元、处理单元、分析单元、模型、输出单元;
所述输入单元用于获取数据,所述数据包括档案、用户用电量数据、低压台区损失电量数据、气温数据;
所述处理单元用于对数据进行预处理,筛选出所述气温数据出现突变区间、电变电量计量采集正常的低压台区;
所述分析单元用于数据分析,分析所述气温数据与所述用户用电量数据的相关性、用户所属低压台区损失电量与用户用电量的正相关性、用户所属低压台区损失电量与用户用电量的负相关性;
所述模型为机器学习,通过随机森林法找到查找离群数据,用于通过输入测试数据,输出窃电用户;
所述输出单元用于展示窃电用户。
有益效果:传统反窃电方法,是由反窃电人员根据现场经验和电力业务规则,通过现场摸排的方式来排查窃电用户,效率低,成本高,本发明可以根据气象发布的地区温度变化,结合模型提供的特征更加有针对性,有目的性的去定位窃电用户。
附图说明
图1为本发明一种实施例的流程图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,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的实施例,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,都应当属于本发明保护的范围。
需要注意的是,本文使用术语第一、第二、第三等来描述各种部件或零件,但这些部件或零件不受这些术语的限制。这些术语仅用来区别一个部件或零件与另一部件或零件。术语诸如“第一”、“第二”和其他数值项在本文使用时不是暗示次序或顺序,除非由上下文清楚地指出。为了便于描述,本文使用空间相对术语,诸如“内部”、“外部”、“上端”、“下端”、“左侧”、“右侧”、“上部的”、“左”、“右”等,以描述本实施例中部件或零件的方位关系,但这些空间相对术语并不对技术特征在实际应用中的方位构成限制。
现有技术存在针对温度变化等因素训练了一种窃电分析分析模型,但是该模型是基于对已知的窃电用户进行模型训练,基于该数据训练的窃电筛查模型的筛查结果准确率低,因为存在各种情况下的窃电用户和窃电手段,已知的窃电用户未必涵盖全部可能,该模型主要是超出与已知窃电用户数据特征相似的数据来排查出其他窃电用户,所以基于上述方案,现有技术的准确定、排查效率都不高。
针对现有技术的不足,本发明提供一种窃电分析方法,针对所选台区内的用户分为两部分,一部分用来训练筛查窃电用户的模型,另一部分用来检验模型的准确性。
如图1,一种基于随机森林法的窃电分析方法,包括如下步骤:
S1:获取数据,所述数据包括档案、用户用电量数据、低压台区损失电量数据、气温数据。
将所选台区内的基本数据进行整合,档案、用户用电量数据、低压台区损失电量数据的获取渠道通过电站***本身记载的数据,气象数据为气象部门对外公布的数据。
S2:对数据进行预处理:筛选出所述气温数据出现突变区间、电量计量采集正常的低压台区。
数据的预处理主要是基于获取的数据进行一个分析,找出突变的数据集,根据突变的数据集进行步骤S3的数据分析,查找是否在突变区间存在相关性,具体如下:
S3:数据分析:分析所述气温数据与所述用户用电量数据的相关性、用户所属低压台区损失电量与用户用电量的正相关性、用户所属低压台区损失电量与用户用电量的负相关性。
气温数据与所述用户用电量数据的相关性可以判断:此处的相关性是指线性相关,一般两者之间存在线性相关,就表明用电用户存在窃电可能。
用户所属低压台区损失电量与用户用电量的正相关性可以判断:当两者数据关系存在正相关性,说明可能存在偷用电行为,就表明用电用户存在窃电可能。
用户所属低压台区损失电量与用户用电量的负相关性可以判断:存在负相关同样标表明该用户存在窃电可能。
S4:根据步骤S3的数据分析结果,通过随机森林法查找分析结果中的特征数据,所述特征数据所属的用户为窃电用户,通过窃电用户数据训练窃电分析模型。
离群数据一般为气温数据与所述用户用电量数据:
用户所属低压台区损失电量与用户用电量存在正常关或负相关的数据。
由于S3分析出来一些存在窃电可能性的用户,提取存在窃电可能性的用户的特征数据并通过随机森林方法进行窃电分析模型训练,经过大量数据训练后的窃电分析模型的准确度提升,另外,在本发明中,根据训练结果,能够得出用户窃电的可能性进行计算,如下:
所述步骤S4包括对每个用户的窃电可能性为:
P=P1×ξ1+P2×ξ2+P3×ξ3 (1)
ξ1+ξ2+ξ3=1 (2)
其中,P为用户存在窃电行为的可能性,P1为气温数据与用户用电量数据的存在相关性时,用户存在窃电行为的可能性,P2为用户所属低压台区损失电量与用户用电量存在正相关时,用户存在窃电行为的可能性,P3为用户所属低压台区损失电量与用户用电量存在负相关时,用户存在窃电行为的=的可能性,ξ1为P1事件的加权系数,ξ2为P2事件的加权系数,ξ3为P3事件的加权系数,P的数值越接近1,用户存在窃电行为的可能性越大,当P大于0.8时,该用户被判断为窃电用户。
S5:实地考察验证与模型优化。
实地考察窃电用户数量,并对模型进行优化,优化的方法可以为将未检测到的窃电用户找到,将该窃电用户的数据中用电数据与气温关系进行分析,训练窃电分析模型输入该数据后,输出其为窃电用户。以此不断提高准确性。
窃电分析模型中窃电用户的数据特征的一种实施例如下,但不限于以下结果:
优选的一种实施方式,所述窃电用户在夏季时的数据特征包括:所述窃电用户所属台区的负载率明显较春节要高;所述窃电用户所属台区的线损率较春季上升明显。
窃电用户包括一直窃电用户和间歇窃电用户,所述一直窃电用户的数据特征包括:春季用电每天存在波动,夏季用电量比春季呈倍数增多;所述间歇窃电用户的数据特征包括:春季用电每天存在波动,夏季用电量较春季少且夏季用电量稳定。
窃电分析模型中正常用户的用电数据,所述正常用户数据遵循:春季用电,每天用电量存在波动;夏季用电量比春季用电量多,每天用电量存在波动。
优选的一种实施方式,所述步骤S5包括:
S501:现场确定所选台区内实际窃电用户数量;
S502:计算所述模型准确率和召回率,公式如下:
优选的一种实施方式,所述步骤S4包括:
选取70%的用户用电数据作为训练集,其余30%的用户用电数据作为测试集,统计所述30%的用户窃电命中率。
本发明另一方面义工了一种基于随机森林法的窃电分析***,包括依次连接的输入单元、处理单元、分析单元、模型、输出单元;
所述输入单元用于获取数据,所述数据包括档案、用户用电量数据、低压台区损失电量数据、气温数据;
所述处理单元用于对数据进行预处理,筛选出所述气温数据出现突变区间、电变电量计量采集正常的低压台区;
所述分析单元用于数据分析,分析所述气温数据与所述用户用电量数据的相关性、用户所属低压台区损失电量与用户用电量的正相关性、用户所属低压台区损失电量与用户用电量的负相关性;
所述模型为机器学习,通过随机森林法找到查找离群数据,用于通过输入测试数据,输出窃电用户;
所述输出单元用于展示窃电用户。
输入单元可以为键盘、鼠标等设备,处理单元、分析单元可以为表格对数据进行分析或者通过预先设定好的程序等;模型为机器训练学习的模型,用于筛选特征数据,例如上述存在相关线性的数据或者正相关或负相关数据中的特征数据,该特征数据所属用户为可能存在窃电可能性的用户,将其代如公式进行判断。
本发明是参照根据本发明实施例的方法、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。
以上仅为本发明的实施例而已,并不用于限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均包含在申请待批的本发明的权利要求范围之内。
Claims (8)
1.一种基于随机森林法的窃电分析方法,其特征在于,包括如下步骤:
S1:获取数据,所述数据包括档案、用户用电量数据、低压台区损失电量数据、气温数据;
S2:对数据进行预处理:筛选出所述气温数据出现突变区间、电量计量采集正常的低压台区;
S3:数据分析:分析所述气温数据与所述用户用电量数据的相关性、用户所属低压台区损失电量与用户用电量的正相关性、用户所属低压台区损失电量与用户用电量的负相关性;
S4:根据步骤S3的数据分析结果,通过随机森林法查找分析结果中的特征数据,所述特征数据所属的用户为窃电用户,通过窃电用户数据训练窃电分析模型;
S5:实地考察验证与模型优化。
2.根据权利要求1所述的通信用线的温度检测装置,其特征在于,所述步骤S4包括对每个用户的窃电可能的期望进行计算:
P=P1×ξ1+P2×ξ2+P3×ξ3 (1)
ξ1+ξ2+ξ3=1 (2)
其中,P为用户存在窃电行为的可能性,P1为气温数据与用户用电量数据的存在相关性时,用户存在窃电行为的可能性,P2为用户所属低压台区损失电量与用户用电量存在正相关时,用户存在窃电行为的可能性,P3为用户所属低压台区损失电量与用户用电量存在负相关时,用户存在窃电行为的=的可能性,ξ1为P1事件的加权系数,ξ2为P2事件的加权系数,ξ3为P3事件的加权系数,P的数值越接近1,用户存在窃电行为的可能性越大,当P大于0.8时,该用户被判断为窃电用户。
3.根据权利要求2所述的一种基于随机森林法的窃电分析方法,其特征在于,所述窃电用户在夏季时的数据特征包括:
所述窃电用户所属台区的负载率明显较春节要高;
所述窃电用户所属台区的线损率较春季上升明显。
4.根据权利要求3所述的一种基于随机森林法的窃电分析方法,其特征在于,还包括对所述窃电用户分类,所述窃电用户包括一直窃电用户和间歇窃电用户,
所述一直窃电用户的数据特征包括:春季用电每天存在波动,夏季用电量比春季呈倍数增多;
所述间歇窃电用户的数据特征包括:春季用电每天存在波动,夏季用电量较春季少且夏季用电量稳定。
5.根据权利要求3所述的一种基于随机森林法的窃电分析方法,其特征在于,还包括正常用户的用电数据,所述正常用户数据遵循:
春季用电,每天用电量存在波动;
夏季用电量比春季用电量多,每天用电量存在波动。
7.根据权利要求1所述的一种基于随机森林法的窃电分析方法,其特征在于,所述步骤S4包括:
选取70%的用户用电数据作为训练集,其余30%的用户用电数据作为测试集,统计所述30%的用户窃电命中率。
8.一种基于随机森林法的窃电分析***,其特征在于,包括依次连接的输入单元、处理单元、分析单元、模型、输出单元;
所述输入单元用于获取数据,所述数据包括档案、用户用电量数据、低压台区损失电量数据、气温数据;
所述处理单元用于对数据进行预处理,筛选出所述气温数据出现突变区间、电变电量计量采集正常的低压台区;
所述分析单元用于数据分析,分析所述气温数据与所述用户用电量数据的相关性、用户所属低压台区损失电量与用户用电量的正相关性、用户所属低压台区损失电量与用户用电量的负相关性;
所述模型为机器学习,通过随机森林法找到查找离群数据,用于通过输入测试数据,输出窃电用户;
所述输出单元用于展示窃电用户。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111333465.5A CN113947504A (zh) | 2021-11-11 | 2021-11-11 | 一种基于随机森林法的窃电分析方法及其*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111333465.5A CN113947504A (zh) | 2021-11-11 | 2021-11-11 | 一种基于随机森林法的窃电分析方法及其*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113947504A true CN113947504A (zh) | 2022-01-18 |
Family
ID=79337803
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111333465.5A Pending CN113947504A (zh) | 2021-11-11 | 2021-11-11 | 一种基于随机森林法的窃电分析方法及其*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113947504A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116449284A (zh) * | 2023-03-30 | 2023-07-18 | 宁夏隆基宁光仪表股份有限公司 | 居民用电异常监测方法及其智能电表 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109753989A (zh) * | 2018-11-18 | 2019-05-14 | 韩霞 | 基于大数据与机器学习的电力用户窃电行为分析方法 |
CN110097297A (zh) * | 2019-05-21 | 2019-08-06 | 国网湖南省电力有限公司 | 一种多维度窃电态势智能感知方法、***、设备及介质 |
CN112101635A (zh) * | 2020-08-25 | 2020-12-18 | 南方电网深圳数字电网研究院有限公司 | 一种用电异常的监测方法和*** |
CN113221940A (zh) * | 2021-03-16 | 2021-08-06 | 国网浙江省电力有限公司台州供电公司 | 一种融合异构多源时序数据的窃电行为检测方法 |
CN113239087A (zh) * | 2021-04-06 | 2021-08-10 | 中国电力科学研究院有限公司 | 一种反窃电稽查监控方法及*** |
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 |
CN113408658A (zh) * | 2021-07-14 | 2021-09-17 | 国网吉林省电力有限公司营销服务中心 | 一种基于数据挖掘技术的自动化窃电识别方法 |
CN113516336A (zh) * | 2021-03-22 | 2021-10-19 | 中国电力科学研究院有限公司 | 一种确定窃电嫌疑用户的方法及*** |
-
2021
- 2021-11-11 CN CN202111333465.5A patent/CN113947504A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109753989A (zh) * | 2018-11-18 | 2019-05-14 | 韩霞 | 基于大数据与机器学习的电力用户窃电行为分析方法 |
CN110097297A (zh) * | 2019-05-21 | 2019-08-06 | 国网湖南省电力有限公司 | 一种多维度窃电态势智能感知方法、***、设备及介质 |
CN112101635A (zh) * | 2020-08-25 | 2020-12-18 | 南方电网深圳数字电网研究院有限公司 | 一种用电异常的监测方法和*** |
CN113221940A (zh) * | 2021-03-16 | 2021-08-06 | 国网浙江省电力有限公司台州供电公司 | 一种融合异构多源时序数据的窃电行为检测方法 |
CN113516336A (zh) * | 2021-03-22 | 2021-10-19 | 中国电力科学研究院有限公司 | 一种确定窃电嫌疑用户的方法及*** |
CN113239087A (zh) * | 2021-04-06 | 2021-08-10 | 中国电力科学研究院有限公司 | 一种反窃电稽查监控方法及*** |
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 |
CN113408658A (zh) * | 2021-07-14 | 2021-09-17 | 国网吉林省电力有限公司营销服务中心 | 一种基于数据挖掘技术的自动化窃电识别方法 |
Non-Patent Citations (2)
Title |
---|
王浩;马迅;刘安磊;贾旭超;纪书军;骆云娟;徐冬冬;: "机器学习算法在反窃电分析中的应用", 河北电力技术, no. 01, 25 February 2020 (2020-02-25), pages 42 - 45 * |
陈晶晶;李红娇;许智;: "基于随机森林的用电行为分析", 上海电力学院学报, no. 04, 15 August 2017 (2017-08-15), pages 23 - 28 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116449284A (zh) * | 2023-03-30 | 2023-07-18 | 宁夏隆基宁光仪表股份有限公司 | 居民用电异常监测方法及其智能电表 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021174751A1 (zh) | 基于大数据的污染源定位方法、装置、设备及存储介质 | |
CN108593990B (zh) | 一种基于电能用户用电行为模式的窃电检测方法和应用 | |
CN111521868B (zh) | 一种基于计量大数据筛查窃电用户的方法及装置 | |
CN107609783B (zh) | 一种基于数据挖掘的智能电能表综合性能进行评估的方法及*** | |
CN110097297A (zh) | 一种多维度窃电态势智能感知方法、***、设备及介质 | |
CN110070282B (zh) | 一种基于综合关联度的低压台区线损影响因素分析方法 | |
CN110634080A (zh) | 异常用电检测方法、装置、设备及计算机可读存储介质 | |
CN105556554A (zh) | 多个设备相关性 | |
CN110988422A (zh) | 一种窃电识别方法、装置及电子设备 | |
CN111506618B (zh) | 一种结合lightgbm-stacking算法的异常用电行为分析方法 | |
CN110376430B (zh) | 一种基于大数据的通信元器件测试评估*** | |
CN115689396B (zh) | 污染物排放管控方法、装置、设备及介质 | |
CN109242158B (zh) | 一种寒冷地区的城市居住建筑***的能耗预测方法 | |
CN112463773A (zh) | 数据质量确定方法及装置 | |
Dent et al. | An approach for assessing clustering of households by electricity usage | |
CN107832949A (zh) | 一种面向电力用户的大数据服务方法 | |
CN103487644A (zh) | 电能分项能耗计量方法和装置 | |
CN113947504A (zh) | 一种基于随机森林法的窃电分析方法及其*** | |
CN107688589A (zh) | 数据库***优化的方法及装置 | |
CN112418687A (zh) | 基于用电特征的用户用电异常识别方法、装置和存储介质 | |
CN112684400A (zh) | 小电量台区的电能表运行误差数据监测方法及*** | |
CN113283768A (zh) | 食品检测项目提取方法、装置、设备及存储介质 | |
CN112732773B (zh) | 一种继电保护缺陷数据的唯一性校核方法及*** | |
CN109521312B (zh) | 一种非技术线损检测方法、装置及*** | |
CN112925827A (zh) | 一种基于电力采集物联数据的用户性质异常分析方法 |
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 |