CN116680641A - 一种基于机器学习算法的用户用电异常检测方法 - Google Patents
一种基于机器学习算法的用户用电异常检测方法 Download PDFInfo
- Publication number
- CN116680641A CN116680641A CN202310478755.1A CN202310478755A CN116680641A CN 116680641 A CN116680641 A CN 116680641A CN 202310478755 A CN202310478755 A CN 202310478755A CN 116680641 A CN116680641 A CN 116680641A
- Authority
- CN
- China
- Prior art keywords
- abnormal
- electricity consumption
- user
- data
- probability
- 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 62
- 230000005856 abnormality Effects 0.000 title claims abstract description 28
- 238000010801 machine learning Methods 0.000 title claims abstract description 9
- 238000001514 detection method Methods 0.000 title abstract description 13
- 230000002159 abnormal effect Effects 0.000 claims abstract description 67
- 230000004927 fusion Effects 0.000 claims abstract description 34
- 238000004891 communication Methods 0.000 claims abstract description 22
- 238000000034 method Methods 0.000 claims abstract description 18
- 238000003064 k means clustering Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 3
- 230000001419 dependent effect Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 238000003780 insertion Methods 0.000 claims description 3
- 230000037431 insertion Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000010365 information processing Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
- H02J13/00002—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by monitoring
-
- 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
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Probability & Statistics with Applications (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Power Engineering (AREA)
- Emergency Alarm Devices (AREA)
Abstract
本发明涉及用户用电异常检测方法,特别是一种基于机器学习算法的用户用电异常检测方法,属于电力电子控制技术领域。主要用于检测用户用电是否异常,构建多特征融合模型通过分析电流、电压、功率因数等日常电力数据,提取相关的功率特征。然后通过这些特征获得异常可靠性分布,以拟合多特征融合算法。最后,我们可以得到所有用电数据异常的概率。然后可以利用计算机端通过串口数据线向通信模块发送AT指令,从而实现向疑似异常用电的用户发送报警短信警示其用电异常。
Description
技术领域
本发明涉及用户用电异常检测方法,特别是一种基于机器学习算法的用户用电异常检测方法,属于电力电子控制技术领域。
背景技术
随着科技的进步以及大数据等相关技术在电力***中的运用,通过智能电表所采集的用户用电数据传回终端,技术人员便可利用各种算法从海量的数据中提取出所需要的特征和信息以便分析用户的用电行为。常见的用电异常行为主要分为:电力欺诈即偷电、漏电或者窃电,设备异常和居民家中突发异常情况等。
当前,检测用户异常用电行为主要分为两种。一是依靠安装硬件设备配合人工巡回检查的方式。二是采用数据分析的方式检测,对智能电表采集到的用户用电数据采用机器学习的方法分析,如神经网络、K-means聚类、深度学习等。由于安装硬件设备配合人工巡回检查的方式存在着成本高,设备需要人员定期维护耗时耗力且效率不高等问题,因此使用该方法进行用电异常检测的应用较少。异常数据检测算法可分为无监督学习和有监督学习两类,它们均被广泛的用于电网异常数据的分类或检测中。无监督学习主要利用未标记的数据来提取内部特征并发现异常,主要包括K-means聚类、主成分分析(PCA)等方法。监督学习算法则是试图找到特征和标签之间的内在相关性,以训练分类器作为检测器,主要包括支持向量机(SVM)、逻辑回归等。
尽管这些方法大大提高了异常用电数据检测的准确性,但仍存在许多问题和困难。异常数据检测器应包含较少的预设置参数,以增强其泛化能力。而无监督学习方法需要设置的主观参数,因此泛化能力较差。检测器应该在短时间内发现异常,目前的方法主要是在长时间内分析和构建训练和测试样本,因此无法对异常用电数据立刻做出反应。
发明内容
针对现有技术的不足,本发明提供一种主要用于检测用户用电是否异常,构建多特征融合模型通过分析电流、电压、功率因数等日常电力数据,提取相关的功率特征。然后通过这些特征获得异常可靠性分布,以拟合多特征融合算法。最后,我们可以得到所有用电数据异常的概率。然后可以利用计算机端通过串口数据线向通信模块发送AT指令,从而实现向疑似异常用电的用户发送报警短信警示其用电异常的一种基于机器学习算法的用户用电异常检测方法。
为实现以上目的,本发明通过以下技术方案予以实现:
一种基于机器学习算法的用户用电异常检测方法,包括如下步骤:
(1)数据预处理:
利用政府社会信息***中获取用户用电数据,通过对用电数据异常原因的分析,可以提取电流、电压、功率因数的电气特征,发现异常;
数据中难免会有因各种原因未采集到数据的时间点而形成空缺值,因此需要对数据中的空缺值进行填充;
使用拉格朗日插值法填充数据集中的空缺值,其公式如下:
式中:i和j缺失值和非缺失值a、b的下标号;M为缺失数据前后值的数量;LM(a)为缺失数值***后的结果;
(2)特征融合:
多特征融合是基于概率模型的D-S证据理论的组合规则基础上进行改进;需要先将特征转化为正常概率、怀疑概率和异常概率;
首先用K-means聚类算法将电流、电压、功率因数三个特征中每个特征分为三类,分别代表正常、怀疑和异常;
每个特征可以得到三个聚类中心和两个阈值,其中阈值是集群中心的中点;该方法主要对单日数据进行分析和检测;电流平衡度、电压平衡度、功率因数相关小时特征,每天24个特征;根据正常区间、可疑区间和异常区间的比例得到相应的概率:
式中m是概率函数,Ai是表示正常、可疑或异常的符号;Ni是每天在相应聚类间隔内的特征数量;
对于日常特征,如电流的相关系数,每天有一个特征;根据距离逆公式得到相应的概率如下:
式中di为特征与聚类中心之间的距离,所以我们可以看到,特征与聚类中心的距离越大,对应的概率就越大;
(3)多特征融合模型:
该多特征融合模型基于D-S证据理论,并从步骤(2)可知每个特征都可得到对应的异常用电分布,例如{m(A1),m(A2),m(A3)};其中A1代表正常,A2代表可疑,A3代表异常;多特征融合的具体算法如下:
①假设mi,m2,m3,...,mn是n个电气特征的基本概率分布,然后{m(A1),m(A2),m(A3)}代表异常电力可靠性分布,假设kij代表特征i和j之间的冲突程度:
②定义k是n个特征的冲突程度,公式如下:
则ε是特征的可靠性:
ε=e-k (6)
③假定p(A)是n个特征的相应基本赋值的乘积,q(A)是n个特征的相应基本赋值的平均值,公式如下:
④定义归一化常数
新的组合规则如下:
其中X表示不确定部分;
正如公式(10)中所表示,当证据之间的冲突很小时,融合结果与D-S证据理论相似,当没有冲突意味着r=0,新的融合公式等价于D-S证据理论,当存在高度冲突时,这意味着r→1,融合结果主要取决于ε×q(A),多特征融合算法相对于D-S证据理论的优势,它可以更好地处理证据之间的冲突。
(4)用电量异常指数算法:
为了获得一个统一的参数来表示异常的程度,采用电量异常指数算法来评估多特征融合的结果,主要公式如下:
s={m(A3)+m(A2)+m(X)×[1-m(A1)]}×100% (11)
其中s是综合评价用户是否属于用电异常的概率,其中若s越大,所代表这用户异常用电的可能性越高;
(5)用户用电异常短信报警装置:
当用户实时用电数据被判断疑似异常用电时,可利用计算机通过串口数据线向通信模块发送AT指令,从而实现向用户发送报警短信警示其用电异常:
①计算机与通信模块连接:
计算机通过串口数据线与通信模块相连,为了测试连接是否成功,可以通过串口调试助手软件打开相应窗口并设置对应参数,然后在串口调试助手窗口中输入“AT”,若窗口返回“OK”则表示计算机与通信模块连接成功;
②短信发送:
在执行向用电异常的用户发送报警短信前,需要将一张能够正常使用的SIM卡安装在通信模块的指定区域中,搭建完整电路再给通信模块上电,查看指示灯的是否已经被点亮,当确定模块已经处于工作状态时,最后在串口调试助手窗口界面中输入相关AT指令就可以实现在检测出某一用户疑似用电异常时发送报警短信的指令。
采用的方法主要基于无监督学习,是一种典型的分类器。通过选取智能电表所采集到的用户用电数据中的电流、电压、功率因素作为判断是否属于异常用电的特征,随后对数据进行预处理操作以排除某些空缺值、异常值对结果的干扰。对处理过后的数据集使用K-means聚类算法将每个特征聚为三类分别表示正常、怀疑、异常,并分别算出正常、怀疑、异常区间概率,然后在此数据基础上训练多特征融合模型,最后依靠一个评价标准输出用户是否属于异常用电,其模型训练及测试过程如图1所示。在应用该模型判断一个用户是否属于用电异常时,引入了一种短信报警装置。当模型判断用户疑似异常用电时,通过与计算机相连的通信模块及时向该用户发送报警短信。其框图如图2所示。
附图说明:
图1是本发明中的模型训练及测试过程图;
图2是本发明中的异常数据检测及报警框图;
图3是本发明中的应用场景图。
具体实施方式
下面将结合本发明实施例,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。
实施例1:一种基于机器学习算法的用户用电异常检测方法,包括如下步骤:
(1)数据预处理:
利用政府社会信息***中获取用户用电数据,通过对用电数据异常原因的分析,可以提取电流、电压、功率因数的电气特征,发现异常;
数据中难免会有因各种原因未采集到数据的时间点而形成空缺值,因此需要对数据中的空缺值进行填充;
使用拉格朗日插值法填充数据集中的空缺值,其公式如下:
式中:i和j缺失值和非缺失值a、b的下标号;M为缺失数据前后值的数量;LM(a)为缺失数值***后的结果;
(2)特征融合:
多特征融合是基于概率模型的D-S证据理论的组合规则基础上进行改进;需要先将特征转化为正常概率、怀疑概率和异常概率;
首先用K-means聚类算法将电流、电压、功率因数三个特征中每个特征分为三类,分别代表正常、怀疑和异常;
每个特征可以得到三个聚类中心和两个阈值,其中阈值是集群中心的中点;该方法主要对单日数据进行分析和检测;电流平衡度、电压平衡度、功率因数相关小时特征,每天24个特征;根据正常区间、可疑区间和异常区间的比例得到相应的概率:
式中m是概率函数,Ai是表示正常、可疑或异常的符号;Ni是每天在相应聚类间隔内的特征数量;
对于日常特征,如电流的相关系数,每天有一个特征;根据距离逆公式得到相应的概率如下:
式中di为特征与聚类中心之间的距离,所以我们可以看到,特征与聚类中心的距离越大,对应的概率就越大;
第三步骤:多特征融合模型:
该多特征融合模型基于D-S证据理论,并从步骤(2)可知每个特征都可得到对应的异常用电分布,例如{m(A1),m(A2),m(A3)};其中A1代表正常,A2代表可疑,A3代表异常;多特征融合的具体算法如下:
①假设m1,m2,m3,...,mn是n个电气特征的基本概率分布,然后{m(A1),m(A2),m(A3)}代表异常电力可靠性分布,假设kij代表特征i和j之间的冲突程度:
②义k是n个特征的冲突程度,公式如下:
则ε是特征的可靠性:
ε=e-k (6)
③假定p(A)是n个特征的相应基本赋值的乘积,q(A)是n个特征的相应基本赋值的平均值,公式如下:
③义归一化常数
新的组合规则如下:
其中X表示不确定部分;
正如公式(10)中所表示,当证据之间的冲突很小时,融合结果与D-S证据理论相似,当没有冲突意味着r=0,新的融合公式等价于D-S证据理论,当存在高度冲突时,这意味着r→1,融合结果主要取决于ε×q(A),多特征融合算法相对于D-S证据理论的优势,它可以更好地处理证据之间的冲突。
(4)用电量异常指数算法:
为了获得一个统一的参数来表示异常的程度,采用电量异常指数算法来评估多特征融合的结果,主要公式如下:
s={m(A3)+m(A2)+m(X)×[1-m(A1)]}×100% (11)
其中s是综合评价用户是否属于用电异常的概率,其中若s越大,所代表这用户异常用电的可能性越高;
(5)用户用电异常短信报警装置:
当用户实时用电数据被判断疑似异常用电时,可利用计算机通过串口数据线向通信模块发送AT指令,从而实现向用户发送报警短信警示其用电异常:
④计算机与通信模块连接:
计算机通过串口数据线与通信模块相连,为了测试连接是否成功,可以通过串口调试助手软件打开相应窗口并设置对应参数,然后在串口调试助手窗口中输入“AT”,若窗口返回“OK”则表示计算机与通信模块连接成功;
②短信发送:
在执行向用电异常的用户发送报警短信前,需要将一张能够正常使用的SIM卡安装在通信模块的指定区域中,搭建完整电路再给通信模块上电,查看指示灯的是否已经被点亮,当确定模块已经处于工作状态时,最后在串口调试助手窗口界面中输入相关AT指令就可以实现在检测出某一用户疑似用电异常时发送报警短信的指令。
具体应用场景:如图3所示,一个简易供电网模型由发电、输电、变电、配电,用电五个部分组成。通过检测***采集到用户的用电数据并上传到终端信息处理***中,同时用电异常检测算法集成在终端信息处理***的计算机中,若检测到某一用户用电数据异常,算法自动匹配与该数据相关联的用户相关信息,最后通过通信***中的报警装置向该用户的展示终端,例如手机发送报警信息。
Claims (1)
1.一种基于机器学习算法的用户用电异常检测方法,其特征在于,包括如下步骤:
(1)数据预处理:
利用政府社会信息***中获取用户用电数据,通过对用电数据异常原因的分析,可以提取电流、电压、功率因数的电气特征,发现异常;
数据中难免会有因各种原因未采集到数据的时间点而形成空缺值,因此需要对数据中的空缺值进行填充;
使用拉格朗日插值法填充数据集中的空缺值,其公式如下:
式中:i和j缺失值和非缺失值a、b的下标号;M为缺失数据前后值的数量;LM(a)为缺失数值***后的结果;
(2)特征融合:
多特征融合是基于概率模型的D-S证据理论的组合规则基础上进行改进;需要先将特征转化为正常概率、怀疑概率和异常概率;
首先用K-means聚类算法将电流、电压、功率因数三个特征中每个特征分为三类,分别代表正常、怀疑和异常;
每个特征可以得到三个聚类中心和两个阈值,其中阈值是集群中心的中点;该方法主要对单日数据进行分析和检测;电流平衡度、电压平衡度、功率因数相关小时特征,每天24个特征;根据正常区间、可疑区间和异常区间的比例得到相应的概率:
式中m是概率函数,Ai是表示正常、可疑或异常的符号;Ni是每天在相应聚类间隔内的特征数量;
对于日常特征,如电流的相关系数,每天有一个特征;根据距离逆公式得到相应的概率如下:
式中di为特征与聚类中心之间的距离,所以我们可以看到,特征与聚类中心的距离越大,对应的概率就越大;
(3)多特征融合模型:
该多特征融合模型基于D-S证据理论,并从步骤(2)可知每个特征都可得到对应的异常用电分布,例如{m(A1),m(A2),m(A3)};其中A1代表正常,A2代表可疑,A3代表异常;多特征融合的具体算法如下:
①假设m1,m2,m3,...,mn是n个电气特征的基本概率分布,然后{m(A1),m(A2),M(A3)}代表异常电力可靠性分布,假设kij代表特征i和j之间的冲突程度:
②定义k是n个特征的冲突程度,公式如下:
则ε是特征的可靠性:
ε=e-k (6)
③假定p(A)是n个特征的相应基本赋值的乘积,q(A)是n个特征的相应基本赋值的平均值,公式如下:
④定义归一化常数
新的组合规则如下:
其中X表示不确定部分;
正如公式(10)中所表示,当证据之间的冲突很小时,融合结果与D-S证据理论相似,当没有冲突意味着r=0,新的融合公式等价于D-S证据理论,当存在高度冲突时,这意味着r→1,融合结果主要取决于ε×q(A),多特征融合算法相对于D-S证据理论的优势,它可以更好地处理证据之间的冲突。
(4)用电量异常指数算法:
为了获得一个统一的参数来表示异常的程度,采用电量异常指数算法来评估多特征融合的结果,主要公式如下:
s={m(A3)+m(A2)+m(X)×[1-m(A1)]}×100% (11)
其中s是综合评价用户是否属于用电异常的概率,其中若s越大,所代表这用户异常用电的可能性越高;
(5)用户用电异常短信报警装置:
当用户实时用电数据被判断疑似异常用电时,可利用计算机通过串口数据线向通信模块发送AT指令,从而实现向用户发送报警短信警示其用电异常:
①计算机与通信模块连接:
计算机通过串口数据线与通信模块相连,为了测试连接是否成功,可以通过串口调试助手软件打开相应窗口并设置对应参数,然后在串口调试助手窗口中输入“AT”,若窗口返回“OK”则表示计算机与通信模块连接成功;
②短信发送:
在执行向用电异常的用户发送报警短信前,需要将一张能够正常使用的SIM卡安装在通信模块的指定区域中,搭建完整电路再给通信模块上电,查看指示灯的是否已经被点亮,当确定模块已经处于工作状态时,最后在串口调试助手窗口界面中输入相关AT指令就可以实现在检测出某一用户疑似用电异常时发送报警短信的指令。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310478755.1A CN116680641A (zh) | 2023-04-28 | 2023-04-28 | 一种基于机器学习算法的用户用电异常检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310478755.1A CN116680641A (zh) | 2023-04-28 | 2023-04-28 | 一种基于机器学习算法的用户用电异常检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116680641A true CN116680641A (zh) | 2023-09-01 |
Family
ID=87789855
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310478755.1A Pending CN116680641A (zh) | 2023-04-28 | 2023-04-28 | 一种基于机器学习算法的用户用电异常检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116680641A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117349220A (zh) * | 2023-12-04 | 2024-01-05 | 大连致胜科技有限公司 | 一种基于pci总线的数据处理方法及*** |
-
2023
- 2023-04-28 CN CN202310478755.1A patent/CN116680641A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117349220A (zh) * | 2023-12-04 | 2024-01-05 | 大连致胜科技有限公司 | 一种基于pci总线的数据处理方法及*** |
CN117349220B (zh) * | 2023-12-04 | 2024-02-02 | 大连致胜科技有限公司 | 一种基于pci总线的数据处理方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115170000B (zh) | 一种基于电能表通信模块的远程监测方法及*** | |
CN112327100B (zh) | 基于物联网的电力故障检测方法及其*** | |
CN111738348B (zh) | 一种电力数据异常检测方法和装置 | |
CN113177646B (zh) | 一种基于自适应边缘代理的配电设备在线监测方法及*** | |
CN116552306B (zh) | 直流桩的监控***及其方法 | |
CN109190916A (zh) | 基于大数据分析的反窃电方法 | |
CN116680641A (zh) | 一种基于机器学习算法的用户用电异常检测方法 | |
CN110889441A (zh) | 一种基于距离和点密度的变电设备数据异常识别方法 | |
Viegas et al. | Clustering-based novelty detection to uncover electricity theft | |
CN111143835B (zh) | 基于机器学习的电力计量***业务逻辑非侵入式防护方法 | |
CN115617784A (zh) | 一种信息化配电的数据处理***及其处理方法 | |
CN117036732B (zh) | 一种基于融合模型的机电设备检测***、方法及设备 | |
CN113327008A (zh) | 一种基于时序自动编码器的窃电检测方法、***及介质 | |
CN117110794A (zh) | 一种电缆故障智能诊断***及方法 | |
CN116845863A (zh) | 基于时空轨迹的末端电网异常设备接入告警方法及装置 | |
CN114167837B (zh) | 一种铁路信号***的智能故障诊断方法及*** | |
CN113098640B (zh) | 一种基于频道占用度预测的频谱异常检测方法 | |
CN112884000A (zh) | 一种基于数据挖掘的用电检查智能诊断方法及诊断*** | |
CN116993319B (zh) | 一种基于物联网的远程设备健康监测方法及装置 | |
CN117723917B (zh) | 基于光纤非本征法珀型超声波传感器的监测应用方法 | |
CN117990976A (zh) | 一种智能电表用电监控方法及*** | |
CN115693923A (zh) | 一种计量监督应用管理*** | |
CN118118818A (zh) | 基于物联网技术的燃气表远程动态监测***及方法 | |
CN118296061A (zh) | 电力数据的分析处理方法、***、终端及存储介质 | |
CN117749409A (zh) | 一种大规模网络安全事件分析*** |
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 |