CN113988723A - 一种基于用电数据异常分析的用户行为锁定方法和*** - Google Patents
一种基于用电数据异常分析的用户行为锁定方法和*** Download PDFInfo
- Publication number
- CN113988723A CN113988723A CN202111616708.6A CN202111616708A CN113988723A CN 113988723 A CN113988723 A CN 113988723A CN 202111616708 A CN202111616708 A CN 202111616708A CN 113988723 A CN113988723 A CN 113988723A
- Authority
- CN
- China
- Prior art keywords
- user
- power consumption
- user behavior
- electricity
- electricity consumption
- 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
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000004458 analytical method Methods 0.000 title claims abstract description 39
- 230000005611 electricity Effects 0.000 claims description 257
- 230000006399 behavior Effects 0.000 claims description 221
- 230000002159 abnormal effect Effects 0.000 claims description 60
- 238000013136 deep learning model Methods 0.000 claims description 26
- 230000002547 anomalous effect Effects 0.000 claims 3
- 238000007405 data analysis Methods 0.000 abstract description 6
- 101100129500 Caenorhabditis elegans max-2 gene Proteins 0.000 description 4
- 101100083446 Danio rerio plekhh1 gene Proteins 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 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
-
- 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)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (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
本发明公开了一种基于用电数据异常分析的用户行为锁定方法和***，涉及电力数据分析技术领域，先根据用户在预定时间段内的用电数据进行异常分析，当存在用电数据异常之后，计算异常的用电数据变化用电量，然后根据变化用电量确定用户的行为类型，不但进行了用电数据的异常分析，还利用变化用电量来锁定用户行为类型，解决了现有的用电数据异常分析没有针对异常的用电数据进行用户行为分析，无法根据异常的用电数据准确地锁定用户行为，无法为电力管理单位提供可靠的电力管控指导，导致电力管理单位的电力管理力度不足的技术问题。
Description
技术领域
本发明涉及电力数据分析技术领域，尤其涉及一种基于用电数据异常分析的用户行为锁定方法和***。
背景技术
对用户的用电数据来说，在一段时期内通常是趋于稳定的，用电数据的上下波动应在一定的范围之内。对于相同类型的用户来说，用电量也不会相差很大，因此，对用户的用电数据进行分析，能够获得该用户的行为类型。然而，在现有技术中，都只注重于对用户的用电数据进行异常分析和告警，并没有针对异常的用电数据进行用户行为分析，从而获知导致该用户用电数据异常的用户行为，即无法根据异常的用电数据准确地锁定用户行为，无法为电力管理单位提供可靠的电力管控指导，导致电力管理单位的电力管理力度不足。
发明内容
本发明提供了一种基于用电数据异常分析的用户行为锁定方法和***，用于解决现有的用电数据异常分析没有针对异常的用电数据进行用户行为分析，无法根据异常的用电数据准确地锁定用户行为，无法为电力管理单位提供可靠的电力管控指导，导致电力管理单位的电力管理力度不足的技术问题。
有鉴于此，本发明第一方面提供了一种基于用电数据异常分析的用户行为锁定方法，包括：
获取用户在预定时间段内的用电数据；
根据用户在预定时间段内的用电数据，分析用户的用电数据是否异常，其中，当用户在预定时间段内的用电数据超出预定范围时，判断用户的用电数据是否异常；
若用户的用电数据异常，则计算用户在预定时间段内的用电数据超出预定范围的变化用电量；
根据变化用电量确定用户行为类型；
其中，根据变化用电量确定用户行为类型为从行为数据库中查找变化用电量对应的用户行为类型，其中，行为数据库中存储有用户行为类型与变化用电量之间的对应关系，或将变化用电量输入预置深度学习模型，得到变化用电量对应的用户行为类型，其中，预置深度学习模型的输入为变化用电量，输出为用户行为类型，或从行为数据库中查找变化用电量对应的第一用户行为类型，将变化用电量输入预置深度学习模型，得到变化用电量对应的第二用户行为类型，当第一用户行为类型与第二用户行为类型相同时，确定用户行为类型并进行输出。
可选地，还包括：
更新行为数据库。
可选地，从行为数据库中查找变化用电量对应的用户行为类型，包括：
从行为数据库中查找变化用电量对应的用户行为类型，若行为数据库中存在变化用电量对应的用户行为类型，则提取出变化用电量对应的用户行为类型，若行为数据库中不存在变化用电量对应的用户行为类型，则返回调查用户行为请求，使得工作人员调查变化用电量对应的用户行为类型，并将变化用电量与用户行为类型的对应关系存储到行为数据库中。
可选地，根据用户在预定时间段内的用电数据，分析用户的用电数据是否异常，之前还包括：
获取用户的历史用电数据；
根据历史用电数据获取与预定时间段相同时长的多个时间段内的第一平均用电量；
将第一平均用电量乘以第一系数作为预定范围的下限，将第一平均用电量乘以第二系数作为预定范围的上限，确定预定范围，其中第一系数小于第二系数。
可选地，根据用户在预定时间段内的用电数据，分析用户的用电数据是否异常，之前还包括：
获取用户的用电类型和用电规模；
根据用户的用电类型和用电规模查找与用户的用电类型和用电规模相似度超过阈值的相似用户；
获取所有相似用户在预定时间段内的第二平均用电量；
将第二平均用电量乘以第一系数作为预定范围的下限，将第二平均用电量乘以第二系数作为预定范围的上限，确定预定范围，其中第一系数小于第二系数。
可选地，根据用户在预定时间段内的用电数据，分析用户的用电数据是否异常，之前还包括：
获取用户的历史用电数据；
根据历史用电数据获取与预定时间段相同时长的多个时间段内的第一平均用电量；
将第一平均用电量乘以第一系数作为第一预定范围的下限，将第一平均用电量乘以第二系数作为第一预定范围的上限，确定第一预定范围，其中第一系数小于第二系数；
获取用户的用电类型和用电规模；
根据用户的用电类型和用电规模查找与用户的用电类型和用电规模相似度超过阈值的相似用户；
获取所有相似用户在预定时间段内的第二平均用电量；
将第二平均用电量乘以第一系数作为第二预定范围的下限，将第二平均用电量乘以第二系数作为第二预定范围的上限，确定第二预定范围，其中第一系数小于第二系数；
将第一预定范围和第二预定范围确定为预定范围。
本发明第二方面提供了一种基于用电数据异常分析的用户行为锁定***，包括：
用电数据获取模块，用于获取用户在预定时间段内的用电数据；
用电数据异常分析模块，用于根据用户在预定时间段内的用电数据，分析用户的用电数据是否异常，其中，当用户在预定时间段内的用电数据超出预定范围时，判断用户的用电数据是否异常；
用电数据变化量计算模块，用于若用户的用电数据异常，则计算用户在预定时间段内的用电数据超出预定范围的变化用电量；
用户行为类型确定模块，用于根据变化用电量确定用户行为类型；
其中，根据变化用电量确定用户行为类型为从行为数据库中查找变化用电量对应的用户行为类型，其中，行为数据库中存储有用户行为类型与变化用电量之间的对应关系，或将变化用电量输入预置深度学习模型，得到变化用电量对应的用户行为类型，其中，预置深度学习模型的输入为变化用电量，输出为用户行为类型，或从行为数据库中查找变化用电量对应的第一用户行为类型，将变化用电量输入预置深度学习模型，得到变化用电量对应的第二用户行为类型，当第一用户行为类型与第二用户行为类型相同时，确定用户行为类型并进行输出。
从以上技术方案可以看出，本发明提供的基于用电数据异常分析的用户行为锁定方法具有以下优点：
本发明提供的基于用电数据异常分析的用户行为锁定方法，先根据用户在预定时间段内的用电数据进行异常分析，当存在用电数据异常之后，计算异常的用电数据变化用电量，然后根据变化用电量确定用户的行为类型，不但进行了用电数据的异常分析，还利用变化用电量来锁定用户行为类型，分别提供了采用变化用电量与用户行为类型之间的对应关系的行为数据库来确定用户行为类型的方式，以及利用深度学习模型的方式根据变化用电量来预测用户行为类型的方式，为准确锁定用户行为类型提供了更为具体的理论依据，解决了现有的用电数据异常分析没有针对异常的用电数据进行用户行为分析，无法根据异常的用电数据准确地锁定用户行为，无法为电力管理单位提供可靠的电力管控指导，导致电力管理单位的电力管理力度不足的技术问题。
进一步地 ，还提供了获取用户在预定时间段内的用电数据的异常判定依据：预定范围的确定的技术手段，从而根据预定范围来确定用电数据是否存在异常。
附图说明
为了更清楚的说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1为本发明提供的一种基于用电数据异常分析的用户行为锁定方法的流程示意图；
图2为本发明提供的第一种确定用于判断用户在预定时间段内的用电数据是否异常的预定范围的流程示意图；
图3为本发明提供的第二种确定用于判断用户在预定时间段内的用电数据是否异常的预定范围的另一个流程示意图；
图4为本发明提供的第三种确定用于判断用户在预定时间段内的用电数据是否异常的预定范围的另一个流程示意图；
图5为本发明提供的一种基于用电数据异常分析的用户行为锁定***的结构示意图。
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，所描述的实施例仅是本发明一部分实施例，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，都属于本发明保护的范围。
为了便于理解，请参阅图1，本发明中提供了一种基于用电数据异常分析的用户行为锁定方法的实施例，包括：
步骤101、获取用户在预定时间段内的用电数据。
对用户的用电数据来说，在一段时期内通常是趋于稳定的，用电数据的上下波动应在一定的范围之内。因此，本发明实施例中，首先需要获取用户在预定时间段内的用电数据，获取的方式可以通过电力管理单位的智能抄表***中获取。
步骤102、根据用户在预定时间段内的用电数据，分析用户的用电数据是否异常，其中，当用户在预定时间段内的用电数据超出预定范围时，判断用户的用电数据是否异常。
用户的正常用电数据会在预定范围之内，若用户的用电数据不在这个预定范围之内，则说明用户的用电数据存在异常情况。
步骤103、若用户的用电数据异常，则计算用户在预定时间段内的用电数据超出预定范围的变化用电量。
当用户的用电数据，即用电量超出了预定范围，则计算超出部分的用电量，即变化用电量。用户的用电数据的异常情况可能是低于预定范围的下限，也可能是高于预定范围的上限，一般情况下，只关注于高于预定范围的上限的异常情况。
步骤104、根据变化用电量确定用户行为类型。
用户行为类型与耗电量的增加情况是具有一定的规律的，不同的用户行为类型，将导致用户产生不同的耗电量。而用户行为类型与耗电量之间的关系，可以预先经过数据分析处理获得，因而，确定出用户的变化用电量之后，即可根据用户行为类型与耗电量之间的关系确定出用户行为类型，即锁定用户行为类型。在锁定用户行为类型之后，还可以根据预设的联系人，将该用户的基本信息、用电数据以及该时间段内对应的用户行为类型发送给预设的联系人，不同的用户行为类型可以设置不同的联系人，以便于对应的联系人根据用户的用电情况。
一方面，根据变化用电量确定用户行为类型的方式可以是从行为数据库中查找变化用电量对应的用户行为类型，其中，行为数据库中存储有用户行为类型与变化用电量之间的对应关系。为了保证根据用户的用电数据锁定用户行为类型的正确性，应定时或不定时更新行为数据库。
另一方面，根据变化用电量确定用户行为类型的方式还可以是：将变化用电量输入预置深度学习模型，得到变化用电量对应的用户行为类型，其中，预置深度学习模型的输入为变化用电量，输出为用户行为类型。预置深度学习模型可以通过历史数据进行训练，训练好预置深度学习模型之后，可以直接使用预置深度学习模型。
再另一方面，根据变化用电量确定用户行为类型的方式还可以是：
从行为数据库中查找变化用电量对应的第一用户行为类型，其中，行为数据库中存储有用户行为类型与变化用电量之间的对应关系；
将变化用电量输入预置深度学习模型，得到变化用电量对应的第二用户行为类型，其中，预置深度学习模型的输入为变化用电量，输出为用户行为类型；
当第一用户行为类型与第二用户行为类型相同时，确定用户行为类型并进行输出。
通过从行为数据库中查找变化用电量对应的第一用户行为类型来确定用户行为类型的方式和通过预置深度学习模型来确定用户行为类型的方式一同使用，可以保证用户行为类型判定的正确性。当两种方式判定的用户行为类型相同时，则可直接输出该用户行为类型，当两种方式判定的用户行为类型不同时，则可根据两种方式的判定准确度来确定用户行为类型，以准确度高的方式判定的用户行为类型为最终的判定结果，并对准确度低的方式进行校正。
本发明实施例提供的基于用电数据异常分析的用户行为锁定方法，先根据用户在预定时间段内的用电数据进行异常分析，当存在用电数据异常之后，计算异常的用电数据变化用电量，然后根据变化用电量确定用户的行为类型，不但进行了用电数据的异常分析，还利用变化用电量来锁定用户行为类型，分别提供了采用变化用电量与用户行为类型之间的对应关系的行为数据库来确定用户行为类型的方式，以及利用深度学习模型的方式根据变化用电量来预测用户行为类型的方式，为准确锁定用户行为类型提供了更为具体的理论依据，解决了现有的用电数据异常分析没有针对异常的用电数据进行用户行为分析，无法根据异常的用电数据准确地锁定用户行为，无法为电力管理单位提供可靠的电力管控指导，导致电力管理单位的电力管理力度不足的技术问题。
在一个实施例中，当从行为数据库中可以查找出变化用电量对应的用户行为类型时，则可直接提取出变化用电量对应的用户行为类型。但是由于电网的发展，用户的用电类型和用电规模也是会发生变化的，或者由于其他原因导致行为数据库中的变化用电量和用户行为类型的对应关系可能存在没有对应关系的情况，即依照已有的行为数据库可能存在查找不到对应的用户行为类型的情况，此时，则需要返回调查用户行为请求，使得工作人员调查变化用电量对应的用户行为类型，并将变化用电量与用户行为类型的对应关系存储到行为数据库中。
为了便于理解，请参阅图2，在一个实施例中，在步骤102之前，还包括对用于分析用户在预定时间段内的用电数据是否发生异常的预定范围的确定的内容，即确定预定范围。具体地，确定预定范围的方式为：
S1、获取用户的历史用电数据；
S2、根据历史用电数据获取与预定时间段相同时长的多个时间段内的第一平均用电量；
S3、将第一平均用电量乘以第一系数作为预定范围的下限，将第一平均用电量乘以第二系数作为预定范围的上限，确定预定范围，其中第一系数小于第二系数。
需要说明的是，获取用户历史上在与预定时间段相同时长的多个时间段内的第一平均用电量A，将第一平均用电量A乘以第一系数x作为预定范围的下限min，将第一平均用电量A乘以第二系数y作为预定范围的上限max，即得到预定范围（min,max）其中，第二系数y大于第一系数x。例如，第一系数x为0.9，第二系数y为1.1。
为了便于理解，请参阅图3，在一个实施例中，确定预定范围的另一个方式是：
S1’、获取用户的用电类型和用电规模。
S2’、根据用户的用电类型和用电规模查找与用户的用电类型和用电规模相似度超过阈值的相似用户。
S3’、获取所有相似用户在预定时间段内的第二平均用电量。
S4’、将第二平均用电量乘以第一系数作为预定范围的下限，将第二平均用电量乘以第二系数作为预定范围的上限，确定预定范围，其中第一系数小于第二系数。
需要说明的是，获取用户的用电类型（例如：工业用户、农业用户、商业用户等）以及用户的用电规模，查找与用户的用电类型和用电规模相似度超过阈值的其他用户在同一预定时间内的第二平均用电量，根据第二平均用电量B确定预定范围，将第二平均用电量B乘以第一系数x作为预定范围的下限min，将第二平均用电量B乘以第二系数y作为预定范围的上限max，即得到预定范围（min,max），其中，第二系数y大于第一系数x。例如，第一系数x为0.9，第二系数y为1.1。
为了便于理解，请参阅图4，在一个实施例中，确定预定范围的另一个方式是：
S1、获取用户的历史用电数据；
S2、根据历史用电数据获取与预定时间段相同时长的多个时间段内的第一平均用电量；
S3、将第一平均用电量乘以第一系数作为预定范围的下限，将第一平均用电量乘以第二系数作为预定范围的上限，确定预定范围，其中第一系数小于第二系数；
S1’、获取用户的用电类型和用电规模。
S2’、根据用户的用电类型和用电规模查找与用户的用电类型和用电规模相似度超过阈值的相似用户。
S3’、获取所有相似用户在预定时间段内的第二平均用电量。
S4’、将第二平均用电量乘以第一系数作为预定范围的下限，将第二平均用电量乘以第二系数作为预定范围的上限，确定预定范围，其中第一系数小于第二系数。
S5’、将第一预定范围和第二预定范围确定为预定范围。
需要说明的是，获取用户历史上在与预定时间段相同时长的多个时间段内的第一平均用电量A，将第一平均用电量A乘以第一系数x作为预定范围的下限min1，将第一平均用电量A乘以第二系数y作为预定范围的上限max1，即得到第一预定范围（min1,max1），获取用户的用电类型（例如：工业用户、农业用户、商业用户等）以及用户的用电规模，查找与用户的用电类型和用电规模相似度均超过阈值的其他所有用户在同一预定时间内的第二平均用电量B，即对与用户的用电类型和用电规模相似度均超过阈值的其他所有用户在同一预定时间内的用电量求平均，得到第二平均用电量B，根据第二平均用电量B确定预定范围，将第二平均用电量B乘以第一系数x作为预定范围的下限min2，将第二平均用电量B乘以第二系数y作为预定范围的上限max2，即得到第二预定范围（min2,max2），其中，第二系数y大于第一系数x。例如，第一系数x为0.9，第二系数y为1.1。
如果用户在预定时间段内的用电数据未落入第一预定范围（min1,max1）内，且也未落入到第二预定范围（min2,max2）内，则确定用户在预定时间段内的用电数据出现异常。
当用户在预定时间段内的用电数据未落入第一预定范围（min1,max1）内，且也未落入到第二预定范围（min2,max2）内时，确定用户超出第一预定范围的第一变化用电量和超出第二预定范围的第二变化用电量，判断第一变化用电量和第二变化用电量的差值是否超过阈值，如果超过阈值则选择第一变化用电量和第二变化用电量的平均值作为变化用电量，如果未超过阈值，则使用第二变化用电量作为变化用电量。
为了便于理解，请参阅图5，本发明中提供了一种基于用电数据异常分析的用户行为锁定***的实施例，包括：
用电数据获取模块，用于获取用户在预定时间段内的用电数据；
用电数据异常分析模块，用于根据用户在预定时间段内的用电数据，分析用户的用电数据是否异常，其中，当用户在预定时间段内的用电数据超出预定范围时，判断用户的用电数据是否异常；
用电数据变化量计算模块，用于若用户的用电数据异常，则计算用户在预定时间段内的用电数据超出预定范围的变化用电量；
用户行为类型确定模块，用于根据变化用电量确定用户行为类型其中，根据变化用电量确定用户行为类型为从行为数据库中查找变化用电量对应的用户行为类型，其中，行为数据库中存储有用户行为类型与变化用电量之间的对应关系，或将变化用电量输入预置深度学习模型，得到变化用电量对应的用户行为类型，其中，预置深度学习模型的输入为变化用电量，输出为用户行为类型，或从行为数据库中查找变化用电量对应的第一用户行为类型，将变化用电量输入预置深度学习模型，得到变化用电量对应的第二用户行为类型，当第一用户行为类型与第二用户行为类型相同时，确定用户行为类型并进行输出。
本发明实施例提供的基于用电数据异常分析的用户行为锁定***，先根据用户在预定时间段内的用电数据进行异常分析，当存在用电数据异常之后，计算异常的用电数据变化用电量，然后根据变化用电量确定用户的行为类型，不但进行了用电数据的异常分析，还利用变化用电量来锁定用户行为类型，分别提供了采用变化用电量与用户行为类型之间的对应关系的行为数据库来确定用户行为类型的方式，以及利用深度学习模型的方式根据变化用电量来预测用户行为类型的方式，为准确锁定用户行为类型提供了更为具体的理论依据，解决了现有的用电数据异常分析没有针对异常的用电数据进行用户行为分析，无法根据异常的用电数据准确地锁定用户行为，无法为电力管理单位提供可靠的电力管控指导，导致电力管理单位的电力管理力度不足的技术问题。
具体地，还包括：
更新行为数据库。
具体地，从行为数据库中查找变化用电量对应的用户行为类型，包括：
从行为数据库中查找变化用电量对应的用户行为类型，若行为数据库中存在变化用电量对应的用户行为类型，则提取出变化用电量对应的用户行为类型，若行为数据库中不存在变化用电量对应的用户行为类型，则返回调查用户行为请求，使得工作人员调查变化用电量对应的用户行为类型，并将变化用电量与用户行为类型的对应关系存储到行为数据库中。
具体地，根据用户在预定时间段内的用电数据，分析用户的用电数据是否异常，之前还包括：
获取用户的历史用电数据；
根据历史用电数据获取与预定时间段相同时长的多个时间段内的第一平均用电量；
将第一平均用电量乘以第一系数作为预定范围的下限，将第一平均用电量乘以第二系数作为预定范围的上限，确定预定范围，其中第一系数小于第二系数。
具体地，根据用户在预定时间段内的用电数据，分析用户的用电数据是否异常，之前还包括：
获取用户的用电类型和用电规模；
根据用户的用电类型和用电规模查找与用户的用电类型和用电规模相似度超过阈值的相似用户；
获取所有相似用户在预定时间段内的第二平均用电量；
将第二平均用电量乘以第一系数作为预定范围的下限，将第二平均用电量乘以第二系数作为预定范围的上限，确定预定范围，其中第一系数小于第二系数。
具体地，根据用户在预定时间段内的用电数据，分析用户的用电数据是否异常，之前还包括：
获取用户的历史用电数据；
根据历史用电数据获取与预定时间段相同时长的多个时间段内的第一平均用电量；
将第一平均用电量乘以第一系数作为第一预定范围的下限，将第一平均用电量乘以第二系数作为第一预定范围的上限，确定第一预定范围，其中第一系数小于第二系数；
获取用户的用电类型和用电规模；
根据用户的用电类型和用电规模查找与用户的用电类型和用电规模相似度超过阈值的相似用户；
获取所有相似用户在预定时间段内的第二平均用电量；
将第二平均用电量乘以第一系数作为第二预定范围的下限，将第二平均用电量乘以第二系数作为第二预定范围的上限，确定第二预定范围，其中第一系数小于第二系数；
将第一预定范围和第二预定范围确定为预定范围。
本发明实施例中提供的基于用电数据异常分析的用户行为锁定***，用于执行前述基于用电数据异常分析的用户行为锁定方法实施例中的方法，其原理与前述基于用电数据异常分析的用户行为锁定方法实施例中的方法相同，在此不再进行赘述。
以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (7)
1.一种基于用电数据异常分析的用户行为锁定方法，其特征在于，包括：
获取用户在预定时间段内的用电数据；
根据用户在预定时间段内的用电数据，分析用户的用电数据是否异常，其中，当用户在预定时间段内的用电数据超出预定范围时，判断用户的用电数据是否异常；
若用户的用电数据异常，则计算用户在预定时间段内的用电数据超出预定范围的变化用电量；
根据变化用电量确定用户行为类型；
其中，根据变化用电量确定用户行为类型为从行为数据库中查找变化用电量对应的用户行为类型，其中，行为数据库中存储有用户行为类型与变化用电量之间的对应关系，或将变化用电量输入预置深度学习模型，得到变化用电量对应的用户行为类型，其中，预置深度学习模型的输入为变化用电量，输出为用户行为类型，或从行为数据库中查找变化用电量对应的第一用户行为类型，将变化用电量输入预置深度学习模型，得到变化用电量对应的第二用户行为类型，当第一用户行为类型与第二用户行为类型相同时，确定用户行为类型并进行输出。
2.根据权利要求1所述的基于用电数据异常分析的用户行为锁定方法，其特征在于，还包括：
更新行为数据库。
3.根据权利要求1所述的基于用电数据异常分析的用户行为锁定方法，其特征在于，从行为数据库中查找变化用电量对应的用户行为类型，包括：
从行为数据库中查找变化用电量对应的用户行为类型，若行为数据库中存在变化用电量对应的用户行为类型，则提取出变化用电量对应的用户行为类型，若行为数据库中不存在变化用电量对应的用户行为类型，则返回调查用户行为请求，使得工作人员调查变化用电量对应的用户行为类型，并将变化用电量与用户行为类型的对应关系存储到行为数据库中。
4.根据权利要求1所述的基于用电数据异常分析的用户行为锁定方法，其特征在于，根据用户在预定时间段内的用电数据，分析用户的用电数据是否异常，之前还包括：
获取用户的历史用电数据；
根据历史用电数据获取与预定时间段相同时长的多个时间段内的第一平均用电量；
将第一平均用电量乘以第一系数作为预定范围的下限，将第一平均用电量乘以第二系数作为预定范围的上限，确定预定范围，其中第一系数小于第二系数。
5.根据权利要求1所述的基于用电数据异常分析的用户行为锁定方法，其特征在于，根据用户在预定时间段内的用电数据，分析用户的用电数据是否异常，之前还包括：
获取用户的用电类型和用电规模；
根据用户的用电类型和用电规模查找与用户的用电类型和用电规模相似度超过阈值的相似用户；
获取所有相似用户在预定时间段内的第二平均用电量；
将第二平均用电量乘以第一系数作为预定范围的下限，将第二平均用电量乘以第二系数作为预定范围的上限，确定预定范围，其中第一系数小于第二系数。
6.根据权利要求1所述的基于用电数据异常分析的用户行为锁定方法，其特征在于，根据用户在预定时间段内的用电数据，分析用户的用电数据是否异常，之前还包括：
获取用户的历史用电数据；
根据历史用电数据获取与预定时间段相同时长的多个时间段内的第一平均用电量；
将第一平均用电量乘以第一系数作为第一预定范围的下限，将第一平均用电量乘以第二系数作为第一预定范围的上限，确定第一预定范围，其中第一系数小于第二系数；
获取用户的用电类型和用电规模；
根据用户的用电类型和用电规模查找与用户的用电类型和用电规模相似度超过阈值的相似用户；
获取所有相似用户在预定时间段内的第二平均用电量；
将第二平均用电量乘以第一系数作为第二预定范围的下限，将第二平均用电量乘以第二系数作为第二预定范围的上限，确定第二预定范围，其中第一系数小于第二系数；
将第一预定范围和第二预定范围确定为预定范围。
7.一种基于用电数据异常分析的用户行为锁定***，其特征在于，包括：
用电数据获取模块，用于获取用户在预定时间段内的用电数据；
用电数据异常分析模块，用于根据用户在预定时间段内的用电数据，分析用户的用电数据是否异常，其中，当用户在预定时间段内的用电数据超出预定范围时，判断用户的用电数据是否异常；
用电数据变化量计算模块，用于若用户的用电数据异常，则计算用户在预定时间段内的用电数据超出预定范围的变化用电量；
用户行为类型确定模块，用于根据变化用电量确定用户行为类型；
其中，根据变化用电量确定用户行为类型为从行为数据库中查找变化用电量对应的用户行为类型，其中，行为数据库中存储有用户行为类型与变化用电量之间的对应关系，或将变化用电量输入预置深度学习模型，得到变化用电量对应的用户行为类型，其中，预置深度学习模型的输入为变化用电量，输出为用户行为类型，或从行为数据库中查找变化用电量对应的第一用户行为类型，将变化用电量输入预置深度学习模型，得到变化用电量对应的第二用户行为类型，当第一用户行为类型与第二用户行为类型相同时，确定用户行为类型并进行输出。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111616708.6A CN113988723A (zh) | 2021-12-28 | 2021-12-28 | 一种基于用电数据异常分析的用户行为锁定方法和*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111616708.6A CN113988723A (zh) | 2021-12-28 | 2021-12-28 | 一种基于用电数据异常分析的用户行为锁定方法和*** |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113988723A true CN113988723A (zh) | 2022-01-28 |
Family
ID=79734669
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111616708.6A Pending CN113988723A (zh) | 2021-12-28 | 2021-12-28 | 一种基于用电数据异常分析的用户行为锁定方法和*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113988723A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114460890A (zh) * | 2022-02-08 | 2022-05-10 | 南京城建隧桥智慧管理有限公司 | 一种无人值守配电房的远程监控***及方法 |
| CN116579884A (zh) * | 2023-07-12 | 2023-08-11 | 武汉振铭科技发展有限公司 | 一种电力用户行为分析方法及*** |
| CN117787572A (zh) * | 2024-02-27 | 2024-03-29 | 国网山西省电力公司临汾供电公司 | 一种异常用电用户识别方法、装置、存储介质及电子设备 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106199276A (zh) * | 2016-07-25 | 2016-12-07 | 国电南瑞科技股份有限公司 | 一种用电信息采集***中异常信息的智能诊断***及方法 |
| CN110264015A (zh) * | 2019-06-28 | 2019-09-20 | 国网河南省电力公司电力科学研究院 | 反窃电稽查监控方法及平台 |
| 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 |
-
2021
- 2021-12-28 CN CN202111616708.6A patent/CN113988723A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106199276A (zh) * | 2016-07-25 | 2016-12-07 | 国电南瑞科技股份有限公司 | 一种用电信息采集***中异常信息的智能诊断***及方法 |
| 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 |
| CN110264015A (zh) * | 2019-06-28 | 2019-09-20 | 国网河南省电力公司电力科学研究院 | 反窃电稽查监控方法及平台 |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114460890A (zh) * | 2022-02-08 | 2022-05-10 | 南京城建隧桥智慧管理有限公司 | 一种无人值守配电房的远程监控***及方法 |
| CN116579884A (zh) * | 2023-07-12 | 2023-08-11 | 武汉振铭科技发展有限公司 | 一种电力用户行为分析方法及*** |
| CN116579884B (zh) * | 2023-07-12 | 2023-09-22 | 武汉振铭科技发展有限公司 | 一种电力用户行为分析方法及*** |
| CN117787572A (zh) * | 2024-02-27 | 2024-03-29 | 国网山西省电力公司临汾供电公司 | 一种异常用电用户识别方法、装置、存储介质及电子设备 |
| CN117787572B (zh) * | 2024-02-27 | 2024-05-17 | 国网山西省电力公司临汾供电公司 | 一种异常用电用户识别方法、装置、存储介质及电子设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113988723A (zh) | 一种基于用电数据异常分析的用户行为锁定方法和*** | |
| CN111459778B (zh) | 运维***异常指标检测模型优化方法、装置及存储介质 | |
| CN108696368B (zh) | 一种网元健康状态的检测方法及设备 | |
| CN116112292B (zh) | 基于网络流量大数据的异常行为检测方法、***和介质 | |
| CN109947815B (zh) | 一种基于离群点算法的窃电辨识方法 | |
| CN109308589B (zh) | 电网自动化数据质量监测方法、存储介质、终端设备和*** | |
| CN114328075A (zh) | 一种智能配电房传感器多维数据融合异常事件检测方法、***及计算机可读存储介质 | |
| CN113868953B (zh) | 工业***中多机组运行优化方法、装置、***及存储介质 | |
| CN113568960B (zh) | 物联网数据实时分析方法、***及计算机可读存储介质 | |
| CN117783745B (zh) | 用于换电柜的数据在线监测方法及*** | |
| CN115796708B (zh) | 一种工程建设用的大数据智能质检方法、***和介质 | |
| CN110399903B (zh) | 异常数据的检测方法及装置、计算机可读存储介质 | |
| CN115664038A (zh) | 一种用于电气安全管理的智能配电运维监控*** | |
| CN114924203A (zh) | 一种电池soh预测分析方法及电动汽车 | |
| US20230297095A1 (en) | Monitoring device and method for detecting anomalies | |
| CN110852906A (zh) | 一种基于高维随机矩阵进行窃电嫌疑识别的方法和*** | |
| CN110928859A (zh) | 模型监控方法、装置、计算机设备和存储介质 | |
| JP6625839B2 (ja) | 負荷実績データ判別装置、負荷予測装置、負荷実績データ判別方法及び負荷予測方法 | |
| CN115422263B (zh) | 一种电力现场多功能通用型故障分析方法及*** | |
| CN112506901A (zh) | 一种数据质量测量方法、装置及介质 | |
| CN112036634A (zh) | 光伏发电功率的确定方法、预测***及可读存储介质 | |
| CN116365519A (zh) | 一种电力负荷预测方法、***、存储介质及设备 | |
| CN116126807A (zh) | 一种日志分析方法及相关装置 | |
| CN115392380A (zh) | 一种识别局放在线监测异常数据的方法、装置及存储介质 | |
| CN114282952A (zh) | 电价计费异常识别方法、装置、计算机设备和存储介质 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220128 |