CN114066219A - 一种关联矩阵下用电异常点智能识别的窃电分析方法 - Google Patents
一种关联矩阵下用电异常点智能识别的窃电分析方法 Download PDFInfo
- Publication number
- CN114066219A CN114066219A CN202111339950.3A CN202111339950A CN114066219A CN 114066219 A CN114066219 A CN 114066219A CN 202111339950 A CN202111339950 A CN 202111339950A CN 114066219 A CN114066219 A CN 114066219A
- Authority
- CN
- China
- Prior art keywords
- electricity stealing
- value
- electricity
- user
- 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 139
- 239000011159 matrix material Substances 0.000 title claims abstract description 57
- 238000004458 analytical method Methods 0.000 title claims abstract description 21
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 16
- 238000000034 method Methods 0.000 claims abstract description 34
- 230000008569 process Effects 0.000 claims abstract description 16
- 230000006399 behavior Effects 0.000 claims abstract description 6
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 2
- 238000001514 detection method Methods 0.000 abstract description 8
- 238000011835 investigation Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000013024 troubleshooting Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013278 delphi method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- BTCSSZJGUNDROE-UHFFFAOYSA-N gamma-aminobutyric acid Chemical compound NCCCC(O)=O BTCSSZJGUNDROE-UHFFFAOYSA-N 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012795 verification 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
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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)
- 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
本发明公开了一种关联矩阵下用电异常点智能识别的窃电分析方法，包括：基于用户用电大数据提取窃电特征量，通过层次分析法对所述窃电特征量进行分析，获得窃电影响因素的权重值，根据所述权重值和窃电置信程度公式计算用户的疑似窃电值，基于所述疑似窃电值判断是否为窃电用户。本发明的窃听分析方法能够实现在线检测分析异常的用电行为，实现精准、高效的窃电定位，大大提升了窃电识别的准确性。
Description
技术领域
本发明属于电网反窃电技术领域，特别是涉及一种关联矩阵下用电异常点智能识别的窃电分析方法。
背景技术
伴随着社会经济的飞速发展，我国面临的电力需求也在不断的增加，如何安全和高效的实现电力输配成为目前所研究的热点问题，提升电力的可靠性和实现个性化的定制售电方案成为国家电网公司和各电力企业的首要任务。与此同时，随着电力网络的不断扩大，其受到窃电破坏的概率也大大提高，窃电行为不仅破坏电力***的经济效益，而且窃电装置往往会造成配电线路和装置的损坏，对周围居民的人身财产安全造成了严重的安全隐患。
传统的窃电检测技术具有许多局限性，第一：方法的精确性不高，导致误判、漏判的概率比较大，使得技术人员还需要进行二次判断。第二：对于数据的利用不充分，缺少跨平台的数据整合***，使得窃电检测需要联合多部门协同配合，工作进展速度缓慢。因此，研究一种基于有效的台区识别技术的用户窃电检测方法对于智能电网的发展具有十分重要的现实意义。
随着用电用户的迅速增加和智能电表的普及，供电企业能够从配电网中收集到海量的运行数据，因此电力企业需要对用户用电信息采集***收集到的数据进行整理与挖掘，获取隐藏其中的信息。用电数据信息来源广，结构复杂，对企业进行数据分析造成了困难。数据挖掘技术能实现数据整理、数据分类、异常数据查找等功能，以此推动泛在电力物联网的建设，提升电网的全息感知能力。
目前国内对于窃电检测已有一定的研究成果，基于用电信息采集***的研究主要有两类：第一类是抽取、提炼用电负荷曲线，从中提取用电特征再对其进行分析。第二类是基于用户用电过程中产生的电参量记录，从与其有关的时间序列中选取征，将其描述为样本点后再进行分析。目前有基于深度学习的用户异常用电模式检测模型，构建了特征提取网络和多层特征匹配网络，具有较高的准确性。
窃电排查作为电力***当中需要跨部门协作、跨专业融合的工作，其所需的电力特征数据种类繁多，如何快速整合窃电检查所需要的数据和接口是目前亟需解决的问题。并且相对于其他的电力业务，窃电排查需要快速、直观的找出异常的用户和电力数据，及时的保障电力***的安全平稳运行和经济利益。因此，需要一种直观的、快速的窃电排查方法。
发明内容
本发明提出了一种关联矩阵下用电异常点智能识别的窃电分析方法，并在此基础上结合用户的用电关联因素建立用户窃电检测模型，通过模型得出用户的窃电嫌疑值，根据嫌疑值的大小顺序为下一步的现场摸排提供了坚实的数据支撑。
为实现上述目的，本发明提供了如下方案：一种关联矩阵下用电异常点智能识别的窃电分析方法，包括：
基于用户用电大数据提取窃电特征量，通过层次分析法对所述窃电特征量进行分析，获得窃电影响因素的权重值，根据所述权重值和窃电置信程度公式计算用户的疑似窃电值，基于所述疑似窃电值判断是否为窃电用户。
优选地，所述窃电特征量包括Q值特征量和第一特征量；
所述Q值特征量为拐点用户电量与拐点单元损耗电量的比值Q；
所述第一特征量包括马鞍形特征曲线、用户所在台区线损、半年无购电记录、历史窃电行为、电能表开盖事件、电能表磁场干扰事件。
优选地，基于用户用电大数据提取所述窃电特征量的过程中，还包括基于不同场景，调整选定关联因素与剔除因素；
所述剔除因素包括电能表更换、采集掉线或数据异常。
优选地，通过层次分析法对所述窃电特征量进行分析的过程包括，通过层次分析法对所述Q值特征量和所述第一特征量之间的相互关系进行比较分析，获得比较矩阵；基于所述比较矩阵中窃电特征关联因素的评判结果，获得判断矩阵；根据所述判断矩阵，获得窃电影响因素的权重值。
优选地，所述比较矩阵表示为A＝(aij)n×n(1)，其中aij表示的是第i个关联因素与第j个关联因素相比较的重要程度。
优选地，所述判断矩阵基于所述比较矩阵与重要程度排序指数aij获得，公式表示为
B＝(bij)n×n (4)
其中：ri表示的是因素重要程度排序指数，bij代表的是判断矩阵B中的相应元素，I,j＝1,2,,n，n为矩阵的阶数；
所述判断矩阵中相应元素bij的取值包括大于1、1、小于1；取值大于1时，代表特征量i比特征量j重要；取值等于1时，表示两个特征量重要程度相等；取值小于1时，表示特征量j比特征量i更重要。
优选地，根据所述判断矩阵，获得窃电影响因素的权重值之后，还包括对所述权重值进行归一化处理，获得关联因此最终的权重值，公式表示为，
其中，wi为第i关联因素最终的权重值。
优选地，所述窃电置信程度公式表示为：
其中，当窃电关联因素实际发生时，wi的取值为计算得出的权重值，若未发生则取值为零；当窃电剔除因素实际发生时，Rk的取值为计算得出的权重值，若未发生则取值为零，n为关联因素总数；m为剔除因素的总数；G的取值范围为[-1，1]。
本发明公开了以下技术效果：
本发明提供的一种关联矩阵下用电异常点智能识别的窃电分析方法，首先提取多个特征量，比如Q值、马鞍形曲线等，然后利用层次分析法分析窃电包含的影响因素以及因素之间的相互关系，对其进行比较，建立相应的权重集，最后根据窃电置信程度公式来计算用户的疑似窃电值，判断是否为窃电用户。
本发明在Q值的基础上，通过对用户用电大数据的提取分析，得到了“马鞍形”负荷特征、用户所在台区线损等数据，Q值与多个特征因素相结合，综合分析用户的窃电可能性。
本发明基于海量的用户用电数据，通过大数据分析，进行有价值的数据筛选，构建用户用电模型和窃电模型，能够实现在线检测分析异常的用电行为。
本发明利用层次分析法对选取的多个关联因素以及因素之间的相互关系进行比较分析，建立权重集，根据窃电置信程度公式对用户的窃电可能性进行分析，得到的分析结果更加具有客观性与准确性；通过构建用电模型实现精准、高效的窃电定位，也大大提升了窃电识别的准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，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的附图。
图1为本发明实施例的方法流程示意图；
图2为本发明实施例的德尔菲法流程图。
具体实施方式
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。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
本发明首先提取多个特征量，比如Q值、马鞍形曲线等，然后利用层次分析法分析窃电包含的影响因素以及因素之间的相互关系，对其进行比较，建立相应的权重集，最后根据窃电置信程度公式来计算用户的疑似窃电值，判断是否为窃电用户。
如图1所示，本发明提供了一种关联矩阵下用电异常点智能识别的窃电分析方法,主要包括两个步骤，分别为特征值提取与窃电置信程度公式求解，通过窃电置信程度公式对用户的窃电程度进行分析，判断是否需要对用户进行现场稽查。
提取特征值包括计算Q值和获取其他特征量；
(1)计算Q值
在电力***中，用户电量的变化会引起损耗电量的变化，在一般情况下，窃电用户的日电量曲线与线损率曲线存在一定的关系，即当日电量曲线与线损率曲线存在耦合或背驰的关系时，该用户窃电的几率较大。日电量曲线与线损率曲线的关系用拐点用户电量与拐点单元损耗电量的比值来表示，把比值记为Q值，Q值定义式如下：
其中，△拐点用户量＝(拐点日+1)日用户电量-拐点日用户电量，
△拐点单元损耗电量＝(拐点日+1)日损耗电量-拐点日损耗电量。
根据Q值的定义得到，当Q值越大时，两者之间的关联度也越来越大，即用户对线损的影响也越大，则该用户存在窃电嫌疑。
(2)获取其他特征量
其他特征量包括马鞍形特征曲线、用户所在台区线损、半年无购电记录、历史窃电行为、电能表开盖事件、电能表磁场干扰事件等。一般情况下，窃电用户的用电负荷存在波动，当用电时线损曲线会上升，而不用电时线损曲线就会下降。马鞍形曲线负荷特征由用户的线损日曲线确定，当发现用户的线损日曲线呈现马鞍形形状时，结合失压断流对用户的窃电情况进行判断，有极大可能稽查到窃电用户。其他的特征量通过智能电表与用电信息采集***进行实时获取。
在对特征量提取时，会有一些影响判据准确性的因素，虽然有补偿机制，但是依然会影响准确性，应予以剔除，如电能表更换、采集掉线或数据异常。在不同场景下关联因素与剔除因素的选定不是绝对的，需要根据更多的验证数据来进行调整，选择最优的方案。
用户窃电置信程度分析
对用户的窃电置信程度进行分析时，首先应用层次分析法对Q值和其他不同特征量以及特征量之间的相互关系进行比较分析，从而得到判断矩阵，将Q值蕴含的信息转移至判断矩阵中，根据判断矩阵得到权重值，将权重值代入窃电置信程度公式从而得到用户的疑似窃电值，判断用户是否需要加入怀疑范围，进行现场稽查。
计算判断矩阵B
首先根据德尔菲函询法中专家评判窃电特征关联因素中两两重要性的评判结果得出比较矩阵A＝(aij)n×n,其中aij表示的是第i个关联因素与第j个关联因素相比较的重要程度，把重要程度分成三个标度，分别为：重要、同等重要、不重要，用数字“2”“1”“0”表示对应的标度，如当因素i比因素j重要时，aij代表的数字就是2。图2为德尔菲函询法的流程图，通过Q值与其它关联因素的比较得出比较矩阵A，如Q值与马鞍形曲线相比更为重要，则对应的比较矩阵里的aij为2。
判断矩阵B通过比较矩阵A与重要程度排序指数aij的运算实现，具体公式如下：
B＝(bij)n×n (4)
其中：ri表示的是因素重要程度排序指数，bij代表的是判断矩阵B中的相应元素，I,j＝1,2,···,n，n为矩阵的阶数。通过上述公式即可求出判断矩阵B。矩阵B中相应元素bij有三种取值，分别为大于1、1、小于1。取值大于1时，代表特征量i比特征量j重要；取值等于1时，表示两个特征量重要程度相等；取值小于1时，表示特征量j比特征量i更重要。
计算权重W
在判断矩阵B的基础上求得权重公式。权重公式的表达式如下：
对wi进行归一化处理：
归一化处理后得到的wi为第i关联因素最终的权重值，对剔除因素进行量化的过程为：由专家根据经验对每一个剔除因素评判取值，取值范围为[0,1],此取值即为剔除因素最终的权重值，并且所有剔除因素的权重值之和小于1。
窃电置信程度公式
当窃电关联因素实际发生时，wi的取值为计算得出的权重值，若未发生则取值为零；当窃电剔除因素实际发生时，Rk的取值为计算得出的权重值，若未发生则取值为零，n为关联因素总数；m为剔除因素的总数；G的取值范围为[-1，1]。
根据窃电置信程度公式，综合关联因素与剔除因素，对权重值进行运算得到用户的窃电置信值，判断是否加入窃电嫌疑池及现场排查。当用户的窃电置信值较大时，窃电的可能性较大。
本发明在Q值的基础上，结合从用户用电大数据中提取出来的特征量，运用层次分析法对不同特征量以及特征量之间的相互关系进行比较，并分析得到比较矩阵A。通过比较矩阵A中的元素，进行相应的运算得到判断矩阵B中的元素，其中每个元素代表着两个特征量的重要程度信息。根据判断矩阵得到权重值，将权重值代入窃电置信程度公式从而得到用户的疑似窃电值，判断用户是否需要加入可疑窃电的范围，进行现场稽查。
本发明提出了一种关联矩阵下用电异常点智能识别的窃电分析方法：在Q值的基础上，通过对用户用电大数据的提取分析，得到了“马鞍形”负荷特征、用户所在台区线损等数据，Q值与多个特征因素相结合，综合分析用户的窃电可能性。利用层次分析法对选取的多个关联因素以及因素之间的相互关系进行比较分析，建立权重集，根据窃电置信程度公式对用户的窃电可能性进行分析，得到的分析结果更加具有客观性与准确性。
以上所述的实施例仅是对本发明的优选方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。
Claims (8)
1.一种关联矩阵下用电异常点智能识别的窃电分析方法,其特征在于，包括：
基于用户用电大数据提取窃电特征量，通过层次分析法对所述窃电特征量进行分析，获得窃电影响因素的权重值，根据所述权重值和窃电置信程度公式计算用户的疑似窃电值，基于所述疑似窃电值判断是否为窃电用户。
2.根据权利要求1所述的关联矩阵下用电异常点智能识别的窃电分析方法，其特征在于，
所述窃电特征量包括Q值特征量和第一特征量；
所述Q值特征量为拐点用户电量与拐点单元损耗电量的比值Q；
所述第一特征量包括马鞍形特征曲线、用户所在台区线损、半年无购电记录、历史窃电行为、电能表开盖事件、电能表磁场干扰事件。
3.根据权利要求1所述的关联矩阵下用电异常点智能识别的窃电分析方法，其特征在于，
基于用户用电大数据提取所述窃电特征量的过程中，还包括基于不同场景，调整选定关联因素与剔除因素；
所述剔除因素包括电能表更换、采集掉线或数据异常。
4.根据权利要求2所述的关联矩阵下用电异常点智能识别的窃电分析方法，其特征在于，
通过层次分析法对所述窃电特征量进行分析的过程包括，通过层次分析法对所述Q值特征量和所述第一特征量之间的相互关系进行比较分析，获得比较矩阵；基于所述比较矩阵中窃电特征关联因素的评判结果，获得判断矩阵；根据所述判断矩阵，获得窃电影响因素的权重值。
5.根据权利要求4所述的关联矩阵下用电异常点智能识别的窃电分析方法，其特征在于，
所述比较矩阵表示为A＝(aij)n×n (1)，其中aij表示的是第i个关联因素与第j个关联因素相比较的重要程度。
6.根据权利要求5所述的关联矩阵下用电异常点智能识别的窃电分析方法，其特征在于，
所述判断矩阵基于所述比较矩阵与重要程度排序指数aij获得，公式表示为
B＝(bij)n×n (4)
其中：ri表示的是因素重要程度排序指数，bij代表的是判断矩阵B中的相应元素，I,j＝1,2,,n，n为矩阵的阶数；
所述判断矩阵中相应元素bij的取值包括大于1、1、小于1；取值大于1时，代表特征量i比特征量j重要；取值等于1时，表示两个特征量重要程度相等；取值小于1时，表示特征量j比特征量i更重要。
7.根据权利要求4所述的关联矩阵下用电异常点智能识别的窃电分析方法，其特征在于，
根据所述判断矩阵，获得窃电影响因素的权重值之后，还包括对所述权重值进行归一化处理，获得关联因此最终的权重值，公式表示为，
其中，wi为第i关联因素最终的权重值。
8.根据权利要求1所述的关联矩阵下用电异常点智能识别的窃电分析方法，其特征在于，
所述窃电置信程度公式表示为：
其中，当窃电关联因素实际发生时，wi的取值为计算得出的权重值，若未发生则取值为零；当窃电剔除因素实际发生时，Rk的取值为计算得出的权重值，若未发生则取值为零，n为关联因素总数；m为剔除因素的总数；G的取值范围为[-1，1]。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111339950.3A CN114066219A (zh) | 2021-11-12 | 2021-11-12 | 一种关联矩阵下用电异常点智能识别的窃电分析方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111339950.3A CN114066219A (zh) | 2021-11-12 | 2021-11-12 | 一种关联矩阵下用电异常点智能识别的窃电分析方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114066219A true CN114066219A (zh) | 2022-02-18 |
Family
ID=80275404
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111339950.3A Pending CN114066219A (zh) | 2021-11-12 | 2021-11-12 | 一种关联矩阵下用电异常点智能识别的窃电分析方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114066219A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116008714A (zh) * | 2023-03-23 | 2023-04-25 | 青岛鼎信通讯股份有限公司 | 一种基于智能量测终端的反窃电分析方法 |
-
2021
- 2021-11-12 CN CN202111339950.3A patent/CN114066219A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116008714A (zh) * | 2023-03-23 | 2023-04-25 | 青岛鼎信通讯股份有限公司 | 一种基于智能量测终端的反窃电分析方法 |
| CN116008714B (zh) * | 2023-03-23 | 2023-06-30 | 青岛鼎信通讯股份有限公司 | 一种基于智能量测终端的反窃电分析方法 |
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 | |
| CN110223196B (zh) | 基于典型行业特征库和反窃电样本库的反窃电分析方法 | |
| Zhu et al. | Time series shapelet classification based online short-term voltage stability assessment | |
| CN110458230A (zh) | 一种基于多判据融合的配变用采数据异常甄别方法 | |
| CN107220906A (zh) | 基于用电采集***的多时间尺度用电异常分析方法 | |
| CN109784388A (zh) | 窃电用户识别方法和装置 | |
| CN107832927B (zh) | 基于灰色关联分析法的10kV线路线变关系评价方法 | |
| 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 | |
| CN116796271A (zh) | 一种居民用能异常识别方法 | |
| CN106022640B (zh) | 电量指数核对***及方法 | |
| 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 | |
| Du et al. | Text similarity detection method of power customer service work order based on tfidf algorithm | |
| CN117057666B (zh) | 一种数字化配电网的配电质量评估方法及*** | |
| CN114266457A (zh) | 一种配电线路异损诱因检测的方法 | |
| CN111612054B (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 | |
| Chen et al. | A power line loss analysis method based on boost clustering | |
| CN116401601B (zh) | 基于逻辑回归模型的停电敏感用户处置方法 | |
| CN115905319B (zh) | 一种海量用户电费异常的自动识别方法及*** | |
| CN111475548A (zh) | 一种基于大数据挖掘技术的用电异常分析决策*** | |
| CN113961708B (zh) | 一种基于多层次图卷积网络的电力设备故障溯源方法 | |
| CN115545422A (zh) | 一种基于改进决策机制的台区户变关系识别方法 | |
| Johncy et al. | An efficient power theft detection using mean-shift clustering and deep learning in smart grid | |
| CN115147242A (zh) | 一种基于数据挖掘的电网数据管理*** | |
| CN113191409A (zh) | 标签数据扩充与深度学习的居民异常用电行为检测方法 | |
| CN113538011A (zh) | 一种电力***中非在册联系信息与在册用户的关联方法 |
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 |