CN116933986B - 一种基于深度学习的电力数据安全管理*** - Google Patents
一种基于深度学习的电力数据安全管理*** Download PDFInfo
- Publication number
- CN116933986B CN116933986B CN202311207597.2A CN202311207597A CN116933986B CN 116933986 B CN116933986 B CN 116933986B CN 202311207597 A CN202311207597 A CN 202311207597A CN 116933986 B CN116933986 B CN 116933986B
- Authority
- CN
- China
- Prior art keywords
- user
- window
- data
- ith
- representing
- 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.)
- Active
Links
- 238000013135 deep learning Methods 0.000 title claims abstract description 17
- 230000005611 electricity Effects 0.000 claims abstract description 20
- 230000006399 behavior Effects 0.000 claims abstract description 8
- 239000011159 matrix material Substances 0.000 claims description 25
- 238000000034 method Methods 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000013507 mapping Methods 0.000 claims description 4
- 238000007726 management method Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 4
- 238000007689 inspection Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Tourism & Hospitality (AREA)
- Software Systems (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Mathematical Physics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Primary Health Care (AREA)
- Educational Administration (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及电力管理技术领域,公开了一种基于深度学习的电力数据安全管理***,包括:用户数据采集模块,其用于从历史数据中采集用户数据和线路数据;用户特征生成模块,其用于基于用户数据生成用户特征;第一特征序列生成模块,其用于基于用户特征和线路特征生成第一特征序列;用户是否窃电判别模块,其将第i个用户的第一特征序列输入LSTM模型,LSTM模型的输出连接一个分类器,分类器输出两个分类标签,分别表示为第i个用户存在窃电行为和第i个用户不存在窃电行为;本发明提高了针对窃电用户识别的准确度。
Description
技术领域
本发明涉及电力数据管理领域,更具体地说,它涉及一种基于深度学习的电力数据安全管理***。
背景技术
为了保证供电安全,供电公司目前通过营销稽查人员、用电检查人员开展用户用电情况检查窃电用户。现有技术通过采集终端数据来计算表示用户用电量趋势用电量指标和线损趋势的线损类指标,然后输入线性回归模型来判断用户是否存在窃电情况,线路老化的情况下,线损会伴随用户所在线路的总负荷的产生较大的波动,线路单个窃用户电量比较小的情况下窃电对于线路线损的影响较小,导致线损类指标体现的并非是窃电量导致的线损变化趋势,导致窃电用户的误判。
发明内容
本发明提供一种基于深度学习的电力数据安全管理***,解决相关技术中窃电用户的误判的技术问题。
本发明提供了一种基于深度学习的电力数据安全管理***,包括:
用户数据采集模块,其用于从历史数据中采集用户数据和线路数据;
步骤S1,生成采集窗口,将采集窗口映射到历史的日期时间轴的一个位置,采集窗口的宽度为F天,初始化移动次数为1;
步骤S2,采集窗口采集连续的F天的历史数据来获得用户数据和线路数据;
步骤S3,如果移动次数小于R,则向后滑移采集窗口N天,并累加移动次数1,然后返回步骤S2,否则终止步骤S3;
用户数据是同一条线路上的用户的用户数据;
用户特征生成模块,其用于基于用户数据生成用户特征;第R次的窗口期内的用户数据生成的用户特征表示为:
,
其中分别表示第i个用户的第R次的采集窗口的第F天的平均负荷和用电量,/>表示第j个用户的平均负荷权重参数,/>表示第j个用户的用电量权重参数;
第一特征序列生成模块,其用于基于用户特征和线路特征生成第一特征序列;第i个用户的第一特征序列表示为:,/>表示其中第R个序列单元,,CONCAT表示拼接向量;
用户是否窃电判别模块,其将第i个用户的第一特征序列输入LSTM模型,LSTM模型的输出连接一个分类器,分类器输出两个分类标签,分别表示为第i个用户存在窃电行为和第i个用户不存在窃电行为。
进一步的,步骤S1采集窗口的第一天映射的历史的日期时间轴的位置是距离当前日期20天的位置。
进一步的,第t个LSTM单元的运算过程如下:
遗忘门的计算公式如下:
,
输入门的计算公式如下:
,
中间状态可表示为下式:
,
输出状态表示为下式:
,
输出门表示为下式:
,
输出可表示为下式:
,
定义,/>表示第t个第一特征序列的序列单元,/>表示第t-1个LSTM单元的输出,/>表示/>传递到/>对应的权重矩阵,/>表示/>传递到/>对应的权重矩阵,/>表示偏置项,/>表示输入/>传递到/>对应的权重矩阵,/>表示传递到/>对应的权重矩阵,/>表示偏置项,/>表示输入/>传递到/>对应的权重矩阵,/>表示/>传递到/>对应的权重矩阵,/>表示偏置项,/>表示逐点相乘,/>表示输入/>传递到/>对应的权重矩阵,/>表示/>传递到/>对应的权重矩阵,/>表示偏置项。
进一步的,第R次的窗口期的第i个用户的用户数据表示为:,其中/>分别表示第i个用户的第R次移动的采集窗口的第1天的平均负荷和用电量,/>分别表示第i个用户的第R次移动的采集窗口的第F天的平均负荷和用电量。
进一步的,第R次的窗口期内的线路数据表示为,其中c和d分别表示当前用户所在的线路上的窗口平均电压和窗口平均无功电流,l表示线路的总长度,y表示线路的使用年限。
进一步的,,其中/>表示第R次的窗口期内的第u天的线路上的平均电压。
进一步的,,其中/>表示第R次的窗口期内的第u天的线路上的平均无功电流。
进一步的,计算公式如下:
,
其中,表示第i个用户的第R次的采集窗口的第u天的平均负荷,/>表示第j个用户的第R次的采集窗口的第u天的平均负荷。
进一步的,计算公式如下:
,
其中表示第i个用户的第R次的采集窗口的第u天的用电量,/>表示第j个用户的第R次的采集窗口的第u天的用电量。
本发明的有益效果在于:提高了针对窃电用户的识别准确度,提高用电安全性和稳定性。
附图说明
图1是本发明的一种基于深度学习的电力数据安全管理***的模块示意图;
图2是本发明的采集用户数据的方法的流程图。
图中:用户数据采集模块101,用户特征生成模块102,第一特征序列生成模块103,用户是否窃电判别模块104。
具体实施方式
现在将参考示例实施方式讨论本文描述的主题。应该理解,讨论这些实施方式只是为了使得本领域技术人员能够更好地理解从而实现本文描述的主题,可以在不脱离本说明书内容的保护范围的情况下,对所讨论的元素的功能和排列进行改变。各个示例可以根据需要,省略、替代或者添加各种过程或组件。另外,相对一些示例所描述的特征在其他例子中也可以进行组合。
如图1和图2所示,一种基于深度学习的电力数据安全管理***,包括:
用户数据采集模块101,其用于从历史数据中采集用户数据和线路数据;
采集用户数据的方法包括:
步骤S1,生成采集窗口,将采集窗口映射到历史的日期时间轴的一个位置,采集窗口的宽度为F天,初始化移动次数为1;
步骤S2,采集窗口采集连续的F天的历史数据来获得用户数据和线路数据;
步骤S3,如果移动次数小于R,则向后滑移采集窗口N天,并累加移动次数1,然后返回步骤S2,否则终止步骤S3。
第R次的窗口期的第i个用户的用户数据表示为:,其中分别表示第i个用户的第R次移动的采集窗口的第1天的平均负荷和用电量,/>分别表示第i个用户的第R次移动的采集窗口的第F天的平均负荷和用电量;
第R次的窗口期内的线路数据表示为,其中c和d分别表示当前用户所在的(供电)线路上的窗口平均电压和窗口平均无功电流,l表示线路的总长度,y表示线路的使用年限;
,其中/>表示第R次的窗口期内的第u天的线路上的平均电压;
,其中/>表示第R次的窗口期内的第u天的线路上的平均无功电流。
步骤S1采集窗口的第一天映射的历史的日期时间轴的位置是距离当前日期20天的位置。
F的缺省值为6,R的缺省值为8,N的缺省值为1。
用户数据是同一条线路上的用户的用户数据。
用户特征生成模块102,其用于基于用户数据生成用户特征;
第R次的窗口期内的用户数据生成的用户特征表示为:
,
其中分别表示第i个用户的第R次的采集窗口的第F天的平均负荷和用电量,/>表示第j个用户的平均负荷权重参数,/>表示第j个用户的用电量权重参数;
计算公式如下:
,
其中,表示第i个用户的第R次的采集窗口的第u天的平均负荷,/>表示第j个用户的第R次的采集窗口的第u天的平均负荷;
计算公式如下:
,
其中表示第i个用户的第R次的采集窗口的第u天的用电量,/>表示第j个用户的第R次的采集窗口的第u天的用电量;
第一特征序列生成模块103,其用于基于用户特征和线路特征生成第一特征序列;
第i个用户的第一特征序列表示为:,/>表示其中第R个序列单元,/>,CONCAT表示拼接向量;
用户是否窃电判别模块104,其将第i个用户的第一特征序列输入LSTM模型,LSTM模型的输出连接一个分类器,分类器输出两个分类标签,分别表示为第i个用户存在窃电行为和第i个用户不存在窃电行为;
第t个LSTM单元的运算过程如下:
遗忘门的计算公式如下:
,
输入门的计算公式如下:
,
中间状态可表示为下式:
,
输出状态表示为下式:
,
输出门表示为下式:
,
输出可表示为下式:
,
定义,/>表示第t个第一特征序列的序列单元,/>表示第t-1个LSTM单元的输出,/>表示/>传递到/>对应的权重矩阵,/>表示/>传递到/>对应的权重矩阵,/>表示偏置项,/>表示输入/>传递到/>对应的权重矩阵,/>表示传递到/>对应的权重矩阵,/>表示偏置项,/>表示输入/>传递到/>对应的权重矩阵,/>表示/>传递到/>对应的权重矩阵,/>表示偏置项,/>表示逐点相乘,/>表示输入/>传递到/>对应的权重矩阵,/>表示/>传递到/>对应的权重矩阵,/>表示偏置项。
上述公式中,和/>表示激活函数,在本发明的一个实施例中,/>为sigmoid函数,/>为双曲正切函数。
上面对本实施例的实施例进行了描述,但是本实施例并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本实施例的启示下,还可做出很多形式,均属于本实施例的保护之内。
Claims (9)
1.一种基于深度学习的电力数据安全管理***,其特征在于,包括:
用户数据采集模块,其用于从历史数据中采集用户数据和线路数据;
采集用户数据的方法包括:
步骤S1,生成采集窗口,将采集窗口映射到历史的日期时间轴的一个位置,采集窗口的宽度为F天,初始化移动次数为1;
步骤S2,采集窗口采集连续的F天的历史数据来获得用户数据和线路数据;
步骤S3,如果移动次数小于R,则向后滑移采集窗口N天,并累加移动次数1,然后返回步骤S2,否则终止步骤S3;
用户数据是同一条线路上的用户的用户数据;
用户特征生成模块,其用于基于用户数据生成用户特征;第R次的窗口期内的用户数据生成的用户特征表示为:
,
其中分别表示第i个用户的第R次的采集窗口的第F天的平均负荷和用电量,/>表示第j个用户的平均负荷权重参数,/>表示第j个用户的用电量权重参数;
第一特征序列生成模块,其用于基于用户特征和线路特征生成第一特征序列;第i个用户的第一特征序列表示为:,/>表示其中第R个序列单元,,CONCAT表示拼接向量;
用户是否窃电判别模块,其将第i个用户的第一特征序列输入LSTM模型,LSTM模型的输出连接一个分类器,分类器输出两个分类标签,分别表示为第i个用户存在窃电行为和第i个用户不存在窃电行为。
2.根据权利要求1所述的一种基于深度学习的电力数据安全管理***,其特征在于,步骤S1采集窗口的第一天映射的历史的日期时间轴的位置是距离当前日期20天的位置。
3.根据权利要求1所述的一种基于深度学习的电力数据安全管理***,其特征在于,第t个LSTM单元的运算过程如下:
遗忘门的计算公式如下:
,
输入门的计算公式如下:
,
中间状态可表示为下式:
,
输出状态表示为下式:
,
输出门表示为下式:
,
输出可表示为下式:
,
定义,/>表示第t个第一特征序列的序列单元,/>表示第t-1个LSTM单元的输出,/>表示/>传递到/>对应的权重矩阵,/>表示/>传递到/>对应的权重矩阵,/>表示偏置项,/>表示输入/>传递到/>对应的权重矩阵,/>表示/>传递到/>对应的权重矩阵,/>表示偏置项,/>表示输入/>传递到/>对应的权重矩阵,表示/>传递到/>对应的权重矩阵,/>表示偏置项,/>表示逐点相乘,/>表示输入/>传递到/>对应的权重矩阵,/>表示/>传递到/>对应的权重矩阵,/>表示偏置项。
4.根据权利要求1所述的一种基于深度学***均负荷和用电量,/>分别表示第i个用户的第R次移动的采集窗口的第F天的平均负荷和用电量。
5.根据权利要求1所述的一种基于深度学***均电压和窗口平均无功电流,l表示线路的总长度,y表示线路的使用年限。
6.根据权利要求5所述的一种基于深度学***均电压。
7.根据权利要求5所述的一种基于深度学***均无功电流。
8.根据权利要求1所述的一种基于深度学习的电力数据安全管理***,其特征在于,计算公式如下:
,
其中,表示第i个用户的第R次的采集窗口的第u天的平均负荷,/>表示第j个用户的第R次的采集窗口的第u天的平均负荷。
9.根据权利要求1所述的一种基于深度学习的电力数据安全管理***,其特征在于,计算公式如下:
,
其中表示第i个用户的第R次的采集窗口的第u天的用电量,/>表示第j个用户的第R次的采集窗口的第u天的用电量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311207597.2A CN116933986B (zh) | 2023-09-19 | 2023-09-19 | 一种基于深度学习的电力数据安全管理*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311207597.2A CN116933986B (zh) | 2023-09-19 | 2023-09-19 | 一种基于深度学习的电力数据安全管理*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116933986A CN116933986A (zh) | 2023-10-24 |
CN116933986B true CN116933986B (zh) | 2024-01-23 |
Family
ID=88390174
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311207597.2A Active CN116933986B (zh) | 2023-09-19 | 2023-09-19 | 一种基于深度学习的电力数据安全管理*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116933986B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103208091A (zh) * | 2013-04-25 | 2013-07-17 | 国家电网公司 | 一种基于用电负荷管理***数据挖掘的反窃电方法 |
CN106022951A (zh) * | 2016-05-09 | 2016-10-12 | 北京智芯微电子科技有限公司 | 一种用电异常分析的方法及装置 |
CN106909933A (zh) * | 2017-01-18 | 2017-06-30 | 南京邮电大学 | 一种三阶段多视角特征融合的窃电分类预测方法 |
CN106936129A (zh) * | 2017-03-23 | 2017-07-07 | 东北大学 | 基于多特征融合的电力负荷辨识方法及*** |
CN109726364A (zh) * | 2018-07-06 | 2019-05-07 | 平安科技(深圳)有限公司 | 用电量异常检测方法、装置、终端及计算机可读存储介质 |
CN109784388A (zh) * | 2018-12-29 | 2019-05-21 | 北京中电普华信息技术有限公司 | 窃电用户识别方法和装置 |
CN114841253A (zh) * | 2022-04-19 | 2022-08-02 | 深圳市国电科技通信有限公司 | 窃电检测方法、装置及存储介质、电子设备 |
CN114841268A (zh) * | 2022-05-06 | 2022-08-02 | 国网江苏省电力有限公司营销服务中心 | 基于Transformer和LSTM融合算法的异常电力客户识别方法 |
CN115270974A (zh) * | 2022-08-02 | 2022-11-01 | 国网山东省电力公司蒙阴县供电公司 | 基于大数据分析的智能窃电检测*** |
KR102472040B1 (ko) * | 2022-06-23 | 2022-11-29 | 주식회사 셀포인트 | 학습된 추론모델 기반 배터리특성 도출시스템 및 그 방법 |
CN115684776A (zh) * | 2022-10-18 | 2023-02-03 | 神华准格尔能源有限责任公司 | 高压输电线路线损支路的确定方法及其装置、处理器 |
-
2023
- 2023-09-19 CN CN202311207597.2A patent/CN116933986B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103208091A (zh) * | 2013-04-25 | 2013-07-17 | 国家电网公司 | 一种基于用电负荷管理***数据挖掘的反窃电方法 |
CN106022951A (zh) * | 2016-05-09 | 2016-10-12 | 北京智芯微电子科技有限公司 | 一种用电异常分析的方法及装置 |
CN106909933A (zh) * | 2017-01-18 | 2017-06-30 | 南京邮电大学 | 一种三阶段多视角特征融合的窃电分类预测方法 |
CN106936129A (zh) * | 2017-03-23 | 2017-07-07 | 东北大学 | 基于多特征融合的电力负荷辨识方法及*** |
CN109726364A (zh) * | 2018-07-06 | 2019-05-07 | 平安科技(深圳)有限公司 | 用电量异常检测方法、装置、终端及计算机可读存储介质 |
CN109784388A (zh) * | 2018-12-29 | 2019-05-21 | 北京中电普华信息技术有限公司 | 窃电用户识别方法和装置 |
CN114841253A (zh) * | 2022-04-19 | 2022-08-02 | 深圳市国电科技通信有限公司 | 窃电检测方法、装置及存储介质、电子设备 |
CN114841268A (zh) * | 2022-05-06 | 2022-08-02 | 国网江苏省电力有限公司营销服务中心 | 基于Transformer和LSTM融合算法的异常电力客户识别方法 |
KR102472040B1 (ko) * | 2022-06-23 | 2022-11-29 | 주식회사 셀포인트 | 학습된 추론모델 기반 배터리특성 도출시스템 및 그 방법 |
CN115270974A (zh) * | 2022-08-02 | 2022-11-01 | 国网山东省电力公司蒙阴县供电公司 | 基于大数据分析的智能窃电检测*** |
CN115684776A (zh) * | 2022-10-18 | 2023-02-03 | 神华准格尔能源有限责任公司 | 高压输电线路线损支路的确定方法及其装置、处理器 |
Non-Patent Citations (1)
Title |
---|
基于正则自编码器及Optuna寻优的异常用电数据清洗研究;陈慧;《电力需求侧管理》;第25卷(第05期);第53-58页 * |
Also Published As
Publication number | Publication date |
---|---|
CN116933986A (zh) | 2023-10-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110490385A (zh) | 一种综合能源***中电负荷和热负荷的联合预测方法 | |
Dash et al. | Electric energy disaggregation via non-intrusive load monitoring: A state-of-the-art systematic review | |
CN109636667A (zh) | 一种基于用户周用电特征的低压用户用电异常检测方法 | |
CN113469266B (zh) | 一种基于改进深度卷积神经网络的窃电行为检测方法 | |
Wang et al. | Short-term industrial load forecasting based on ensemble hidden Markov model | |
CN111177216A (zh) | 综合能源消费者行为特征的关联规则生成方法及装置 | |
CN112100506B (zh) | 信息推送方法、***、设备及存储介质 | |
CN116257406A (zh) | 用于智慧城市的网关数据管理方法及其*** | |
Rehman et al. | Comparative evaluation of machine learning models and input feature space for non-intrusive load monitoring | |
CN110826315B (zh) | 使用神经网络***识别短文本时效性的方法 | |
CN115859099A (zh) | 样本生成方法、装置、电子设备和存储介质 | |
CN116933986B (zh) | 一种基于深度学习的电力数据安全管理*** | |
CN112686491A (zh) | 一种基于用电行为的企业电力数据分析方法 | |
CN117134504B (zh) | 基于安全防护的智能能源监测方法及*** | |
Wu et al. | Real-time monitoring and diagnosis scheme for IoT-enabled devices using multivariate SPC techniques | |
CN113468385A (zh) | 基于边缘处理端的能源梯度确定方法、装置及存储介质 | |
Mo et al. | Powerformer: A temporal-based transformer model for wind power forecasting | |
CN117314593A (zh) | 一种基于用户行为分析的保险项目推送方法及*** | |
Varanasi et al. | Enhancing non-intrusive load monitoring with channel attention guided bi-directional temporal convolutional network for sequence-to-point learning | |
CN113808071A (zh) | 基于深度学习的非侵入式负荷监测方法和*** | |
CN113435494A (zh) | 低压居民用户异常用电识别方法及仿真模拟*** | |
CN114019281B (zh) | 基于模体挖掘和半监督法的非侵入式负荷监测方法及*** | |
Selbaş et al. | Data mining method for energy system aplications | |
Ananthu et al. | Prominent smart grid measurements by RAP-NN to warrant the reliability of the PV system | |
Deng et al. | Real-time energy disaggregation algorithm based on multi-channels DCNN and autoregressive model |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |