CN116956198B - 基于物联网的智慧用电数据分析方法及*** - Google Patents
基于物联网的智慧用电数据分析方法及*** Download PDFInfo
- Publication number
- CN116956198B CN116956198B CN202311198227.7A CN202311198227A CN116956198B CN 116956198 B CN116956198 B CN 116956198B CN 202311198227 A CN202311198227 A CN 202311198227A CN 116956198 B CN116956198 B CN 116956198B
- Authority
- CN
- China
- Prior art keywords
- value
- data
- verification
- values
- 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.)
- Active
Links
- 230000005611 electricity Effects 0.000 title claims abstract description 140
- 238000000034 method Methods 0.000 title claims abstract description 21
- 238000007405 data analysis Methods 0.000 title claims abstract description 15
- 238000012795 verification Methods 0.000 claims abstract description 74
- 230000002159 abnormal effect Effects 0.000 claims abstract description 55
- 238000012216 screening Methods 0.000 claims abstract description 30
- 238000004458 analytical method Methods 0.000 claims abstract description 16
- 230000006855 networking Effects 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 abstract description 5
- 238000007689 inspection Methods 0.000 description 5
- 206010000117 Abnormal behaviour Diseases 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005265 energy consumption 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
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
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y10/00—Economic sectors
- G16Y10/35—Utilities, e.g. electricity, gas or water
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Computing Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了基于物联网的智慧用电数据分析方法及***,属于用电监控技术领域,具体包括:获取社区所在城市的历史温度数据,根据气象数据获取过去单位时间t0内的验证温度序列,从历史温度数据中提取与验证温度序列相似度最高的n个历史温度序列;生成预测用电数据,获取过去单位时间t0内的实际用电数据,将预测用电数据和实际用电数据进行对比;若对比存在较大差异,则获取社区内每户家庭在单位时间内的用电数据,筛选出大于预设用电量阈值的待定家庭,生成待定家庭单位时间内的待定用电曲线,生成拟合曲线,根据拟合曲线的参数筛选出异常拟合曲线,根据异常拟合曲线确定异常用电家庭;本发明实现了高效率的异常用电分析。
Description
技术领域
本发明涉及用电监控技术领域,具体涉及基于物联网的智慧用电数据分析方法及***。
背景技术
随着物联网技术的快速发展,电力行业也面临着日益复杂的用电数据分析问题。有效地分析社区或家庭的用电数据对于提高用电效率、降低能源消耗和改善电力供应具有重要意义,在社区中可能存在一些异常的用电行为,例如通过社区电力进行违规生产作业,或者进行窃电行为;此外也会发生设备自身原因的用电异常,对于用户来说,亦会导致不必要的用电成本和电力供应问题。
现有的用电异常行为分析技术多为基于人工对用电数据表格的分析,基于人为经验分析出与以往用电数据不符合的用电数据,并根据用电值判断异常行为的种类,并对可能的异常电用电住户进行上门检查,因此,基于人工分析的用电异常识别对工作人员的经验有较高要求,且人工的分析耗时耗力效率低,还面临着住户的上门沟通检查的纠纷问题,很难满足及时监控,及时发现安全隐患的需求。
发明内容
本发明的目的在于提供基于物联网的智慧用电数据分析方法及***,解决以下技术问题:
基于人工分析的用电异常识别对工作人员的经验有较高要求,且人工的分析耗时耗力效率低,还面临着住户的上门沟通检查的纠纷问题,很难满足及时监控,及时发现安全隐患的需求。
本发明的目的可以通过以下技术方案实现:
基于物联网的智慧用电数据分析方法,包括以下步骤:
采集社区的历史用电数据,并获取社区所在城市的历史温度数据,根据气象数据获取过去单位时间t0内的验证温度序列,从所述历史温度数据中提取与所述验证温度序列相似度最高的n个历史温度序列,n为正整数;
获取与若干个所述历史温度序列相同时间的历史用电数据,并生成预测用电数据,获取过去单位时间t0内的实际用电数据,将所述预测用电数据和实际用电数据进行对比;
若对比存在较大差异,则获取社区内每户家庭在单位时间内的用电数据,筛选出大于预设用电量阈值的家庭,标记为待定家庭,生成待定家庭单位时间内的待定用电曲线,对所述待定用电曲线进行分段拟合,生成拟合曲线,根据拟合曲线的参数筛选出异常拟合曲线,根据异常拟合曲线确定异常用电家庭。
作为本发明进一步的方案:根据日期对用电数据和温度数据进行排序,所述用电数据的基础单位为每天的用电量,所述温度数据的基础单位为每天的平均温度。
作为本发明进一步的方案:获取与所述验证温度序列相似度最高的若干个历史温度序列的过程为:
所述验证温度序列的长度为7天,获取所述验证温度序列的平均值、极大值、极小值、首末位差值,获取所述历史温度数据中与验证温度序列首位值相同的温度数据T0,并以温度数据T0为开始依次选取后续的6个温度数据,选取生成m个历史温度序列,m为正整数,且n小于m,分别计算若干个历史温度序列与验证温度序列的平均值、极大值、极小值、首末位差值的差异值Ai、Bi、Ci、Di,i=1,2,…,m,选取差异值均小于对应预设阈值的历史温度序列,并计算四个差异值之和,即总差异值,总差异值从小到大进行排序,选取其中排序靠前的n个历史温度序列。
作为本发明进一步的方案:优先选取与验证温度序列日期为同月的历史温度序列,次优先提取与验证温度序列日期相差一月的历史温度序列。
作为本发明进一步的方案:筛选异常拟合曲线的过程为:
获取所述拟合曲线波峰值Max、波谷值Min、平均值Ave和定积分值Int,通过公式计算拟合曲线的特征值Y=Max×a+Min×b+Ave×c+Int×d,其中a、b、c、d为预设系数,且a>d>c>b,选取其中一拟合曲线的特征值标记为待定值,将其余拟合曲线的特征值标记为验证值,分别计算待定值与所有验证值之间的差值,并计算差值均值,若所述差值均值大于预设阈值T1,且所有验证值的方差小于预设阈值T2,则将待定值对应的拟合曲线判定为异常拟合曲线,否则继续筛选。
作为本发明进一步的方案:若待测值与验证值的差值均值小于预设阈值T1,且所有验证值的方差大于预设阈值T2,则计算所述验证值的特征值均值,并选取与特征值均值差距最大的验证值,将该验证值对应的拟合曲线判定为异常拟合曲线,否则继续筛选。
作为本发明进一步的方案:将已筛选异常拟合曲线外的拟合曲线标记为正常拟合曲线,若正常拟合曲线的方差仍大于预设阈值T2,则提取剩余正常拟合曲线中与特征值均值差距最大的特征值,将该特征值对应的正常拟合曲线判定为异常拟合曲线,否则继续筛选。
作为本发明进一步的方案:若待测值与验证值的差值均值小于预设阈值T1,且所有验证值的方差均小于预设阈值T2,则获取所有拟合曲线的特征值均值,若所述均值大于预设阈值T3,则将所有拟合曲线标记为异常拟合曲线。
基于物联网的智慧用电数据分析***,包括:
数据获取模块,用于采集社区的历史用电数据,并获取社区所在城市的历史温度数据,根据气象数据获取过去单位时间t0内的验证温度序列,从所述历史温度数据中提取与所述验证温度序列相似度最高的n个历史温度序列,n为正整数;
数据对比模块,用于获取与若干个所述历史温度序列相同时间的历史用电数据,并生成预测用电数据,获取过去单位时间t0内的实际用电数据,将所述预测用电数据和实际用电数据进行对比;
异常分析模块,用于当对比存在较大差异,则获取社区内每户家庭在单位时间内的用电数据,筛选出大于预设用电量阈值的家庭,标记为待定家庭,生成待定家庭单位时间内的待定用电曲线,对所述待定用电曲线进行分段拟合,生成拟合曲线,根据拟合曲线的参数筛选出异常拟合曲线,根据异常拟合曲线确定异常用电家庭。
本发明的有益效果:
本发明通过采集和分析社区的历史用电数据和城市的历史温度数据,将气象数据与用电数据结合起来,能够快速识别异常用电情况,通过对比预测用电数据和实际用电数据,发现潜在的用电问题,不仅可以检测整个社区的异常用电情况,通过拟合曲线参数的计算,根据具体需求和预设阈值来比较参数,以确定异常拟合曲线,还可以进一步筛选出异常用电的家庭,从而更精确地识别异常用电家庭,有助于电力管理者更有针对性地解决问题,实现了高效率的异常用电分析,并能及时发现社区用电隐患。
附图说明
下面结合附图对本发明作进一步的说明。
图1是本发明基于物联网的智慧用电数据分析方法的流程示意图。
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作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
请参阅图1所示,本发明为基于物联网的智慧用电数据分析方法及***,包括以下步骤:
采集社区的历史用电数据,并获取社区所在城市的历史温度数据,根据气象数据获取过去单位时间t0内的验证温度序列,从所述历史温度数据中提取与所述验证温度序列相似度最高的n个历史温度序列,n为正整数;
获取与若干个所述历史温度序列相同时间的历史用电数据,并生成预测用电数据,获取过去单位时间t0内的实际用电数据,将所述预测用电数据和实际用电数据进行对比;
若对比存在较大差异,则获取社区内每户家庭在单位时间内的用电数据,筛选出大于预设用电量阈值的家庭,标记为待定家庭,生成待定家庭单位时间内的待定用电曲线,对所述待定用电曲线进行分段拟合,生成拟合曲线,根据拟合曲线的参数筛选出异常拟合曲线,根据异常拟合曲线确定异常用电家庭。
现有的用电异常行为分析技术多为基于人工对用电数据表格的分析,基于人为经验分析出与以往用电数据不符合的用电数据,并根据用电值判断异常行为的种类,并对可能的异常电用电住户进行上门检查,因此,基于人工分析的用电异常识别对工作人员的经验有较高要求,且人工的分析耗时耗力效率低,还面临着住户的上门沟通检查的纠纷问题,很难满足及时监控,及时发现安全隐患的需求;
本发明通过采集和分析社区的历史用电数据和城市的历史温度数据,将气象数据与用电数据结合起来,能够快速识别异常用电情况,通过对比预测用电数据和实际用电数据,发现潜在的用电问题,不仅可以检测整个社区的异常用电情况,通过拟合曲线参数的计算,根据具体需求和预设阈值来比较参数,以确定异常拟合曲线,还可以进一步筛选出异常用电的家庭,从而更精确地识别异常用电家庭,有助于电力管理者更有针对性地解决问题,实现了高效率的异常用电分析,并能及时发现社区用电隐患。
在本发明的一种优选的实施例中,根据日期对用电数据和温度数据进行排序,所述用电数据的基础单位为每天的用电量,所述温度数据的基础单位为每天的平均温度。
在本实施例的一种优选的情况中,获取与所述验证温度序列相似度最高的若干个历史温度序列的过程为:
所述验证温度序列的长度为7天,获取所述验证温度序列的平均值、极大值、极小值、首末位差值,获取所述历史温度数据中与验证温度序列首位值相同的温度数据T0,并以温度数据T0为开始依次选取后续的6个温度数据,选取生成m个历史温度序列,m为正整数,且n小于m,分别计算若干个历史温度序列与验证温度序列的平均值、极大值、极小值、首末位差值的差异值Ai、Bi、Ci、Di,i=1,2,…,m,选取差异值均小于对应预设阈值的历史温度序列,并计算四个差异值之和,即总差异值,总差异值从小到大进行排序,选取其中排序靠前的n个历史温度序列。
在本实施例的另一种优选的情况中,优先选取与验证温度序列日期为同月的历史温度序列,次优先提取与验证温度序列日期相差一月的历史温度序列。
在本发明的另一种优选的实施例中,筛选异常拟合曲线的过程为:
获取所述拟合曲线波峰值Max、波谷值Min、平均值Ave和定积分值Int,通过公式计算拟合曲线的特征值Y=Max×a+Min×b+Ave×c+Int×d,其中a、b、c、d为预设系数,且a>d>c>b,选取其中一拟合曲线的特征值标记为待定值,将其余拟合曲线的特征值标记为验证值,分别计算待定值与所有验证值之间的差值,并计算差值均值,若所述差值均值大于预设阈值T1,且所有验证值的方差小于预设阈值T2,则将待定值对应的拟合曲线判定为异常拟合曲线,否则继续筛选。
在本实施例的一种优选的情况中,若待测值与验证值的差值均值小于预设阈值T1,且所有验证值的方差大于预设阈值T2,则计算所述验证值的特征值均值,并选取与特征值均值差距最大的验证值,将该验证值对应的拟合曲线判定为异常拟合曲线,否则继续筛选。
在本实施例的另一种优选的情况中,将已筛选异常拟合曲线外的拟合曲线标记为正常拟合曲线,若正常拟合曲线的方差仍大于预设阈值T2,则提取剩余正常拟合曲线中与特征值均值差距最大的特征值,将该特征值对应的正常拟合曲线判定为异常拟合曲线,否则继续筛选。
在本实施例的另一种优选的情况中,若待测值与验证值的差值均值小于预设阈值T1,且所有验证值的方差均小于预设阈值T2,则获取所有拟合曲线的特征值均值,若所述均值大于预设阈值T3,则将所有拟合曲线标记为异常拟合曲线。
基于物联网的智慧用电数据分析***,包括:
数据获取模块,用于采集社区的历史用电数据,并获取社区所在城市的历史温度数据,根据气象数据获取过去单位时间t0内的验证温度序列,从所述历史温度数据中提取与所述验证温度序列相似度最高的n个历史温度序列,n为正整数;
数据对比模块,用于获取与若干个所述历史温度序列相同时间的历史用电数据,并生成预测用电数据,获取过去单位时间t0内的实际用电数据,将所述预测用电数据和实际用电数据进行对比;
异常分析模块,用于当对比存在较大差异,则获取社区内每户家庭在单位时间内的用电数据,筛选出大于预设用电量阈值的家庭,标记为待定家庭,生成待定家庭单位时间内的待定用电曲线,对所述待定用电曲线进行分段拟合,生成拟合曲线,根据拟合曲线的参数筛选出异常拟合曲线,根据异常拟合曲线确定异常用电家庭。
以上对本发明的一个实施例进行了详细说明,但所述内容仅为本发明的较佳实施例,不能被认为用于限定本发明的实施范围。凡依本发明申请范围所作的均等变化与改进等,均应仍归属于本发明的专利涵盖范围之内。
Claims (4)
1.基于物联网的智慧用电数据分析方法,其特征在于,包括以下步骤:
采集社区的历史用电数据,并获取社区所在城市的历史温度数据,根据气象数据获取过去单位时间t0内的验证温度序列,从所述历史温度数据中提取与所述验证温度序列相似度最高的n个历史温度序列,n为正整数;
获取与若干个所述历史温度序列相同时间的历史用电数据,并生成预测用电数据,获取过去单位时间t0内的实际用电数据,将所述预测用电数据和实际用电数据进行对比;
若对比存在较大差异,则获取社区内每户家庭在单位时间内的用电数据,筛选出大于预设用电量阈值的家庭,标记为待定家庭,生成待定家庭单位时间内的待定用电曲线,对所述待定用电曲线进行分段拟合,生成拟合曲线,根据拟合曲线的参数筛选出异常拟合曲线,根据异常拟合曲线确定异常用电家庭;
获取与所述验证温度序列相似度最高的若干个历史温度序列的过程为:
所述验证温度序列的长度为7天,获取所述验证温度序列的平均值、极大值、极小值、首末位差值,获取所述历史温度数据中与验证温度序列首位值相同的温度数据T0,并以温度数据T0为开始依次选取后续的6个温度数据,选取生成m个历史温度序列,m为正整数,且n小于m,分别计算若干个历史温度序列与验证温度序列的平均值、极大值、极小值、首末位差值的差异值Ai、Bi、Ci、Di,i=1,2,…,m,选取差异值均小于对应预设阈值的历史温度序列,并计算四个差异值之和,即总差异值,总差异值从小到大进行排序,选取其中排序靠前的n个历史温度序列;
筛选异常拟合曲线的过程为:
获取所述拟合曲线波峰值Max、波谷值Min、平均值Ave和定积分值Int,通过公式计算拟合曲线的特征值Y=Max×a+Min×b+Ave×c+Int×d,其中a、b、c、d为预设系数,且a>d>c>b,选取其中一拟合曲线的特征值标记为待定值,将其余拟合曲线的特征值标记为验证值,分别计算待定值与所有验证值之间的差值,并计算差值均值,若所述差值均值大于预设阈值T1,且所有验证值的方差小于预设阈值T2,则将待定值对应的拟合曲线判定为异常拟合曲线,否则继续筛选;
若待测值与验证值的差值均值小于预设阈值T1,且所有验证值的方差大于预设阈值T2,则计算所述验证值的特征值均值,并选取与特征值均值差距最大的验证值,将该验证值对应的拟合曲线判定为异常拟合曲线,否则继续筛选;
将已筛选异常拟合曲线外的拟合曲线标记为正常拟合曲线,若正常拟合曲线的方差仍大于预设阈值T2,则提取剩余正常拟合曲线中与特征值均值差距最大的特征值,将该特征值对应的正常拟合曲线判定为异常拟合曲线,否则继续筛选;
若待测值与验证值的差值均值小于预设阈值T1,且所有验证值的方差均小于预设阈值T2,则获取所有拟合曲线的特征值均值,若所述均值大于预设阈值T3,则将所有拟合曲线标记为异常拟合曲线。
2.根据权利要求1所述的基于物联网的智慧用电数据分析方法,其特征在于,根据日期对用电数据和温度数据进行排序,所述用电数据的基础单位为每天的用电量,所述温度数据的基础单位为每天的平均温度。
3.根据权利要求1所述的基于物联网的智慧用电数据分析方法,其特征在于,优先选取与验证温度序列日期为同月的历史温度序列,次优先提取与验证温度序列日期相差一月的历史温度序列。
4.基于物联网的智慧用电数据分析***,其特征在于,包括:
数据获取模块,用于采集社区的历史用电数据,并获取社区所在城市的历史温度数据,根据气象数据获取过去单位时间t0内的验证温度序列,从所述历史温度数据中提取与所述验证温度序列相似度最高的n个历史温度序列,n为正整数;
数据对比模块,用于获取与若干个所述历史温度序列相同时间的历史用电数据,并生成预测用电数据,获取过去单位时间t0内的实际用电数据,将所述预测用电数据和实际用电数据进行对比;
异常分析模块,用于当对比存在较大差异,则获取社区内每户家庭在单位时间内的用电数据,筛选出大于预设用电量阈值的家庭,标记为待定家庭,生成待定家庭单位时间内的待定用电曲线,对所述待定用电曲线进行分段拟合,生成拟合曲线,根据拟合曲线的参数筛选出异常拟合曲线,根据异常拟合曲线确定异常用电家庭;
获取与所述验证温度序列相似度最高的若干个历史温度序列的过程为:
所述验证温度序列的长度为7天,获取所述验证温度序列的平均值、极大值、极小值、首末位差值,获取所述历史温度数据中与验证温度序列首位值相同的温度数据T0,并以温度数据T0为开始依次选取后续的6个温度数据,选取生成m个历史温度序列,m为正整数,且n小于m,分别计算若干个历史温度序列与验证温度序列的平均值、极大值、极小值、首末位差值的差异值Ai、Bi、Ci、Di,i=1,2,…,m,选取差异值均小于对应预设阈值的历史温度序列,并计算四个差异值之和,即总差异值,总差异值从小到大进行排序,选取其中排序靠前的n个历史温度序列;
筛选异常拟合曲线的过程为:
获取所述拟合曲线波峰值Max、波谷值Min、平均值Ave和定积分值Int,通过公式计算拟合曲线的特征值Y=Max×a+Min×b+Ave×c+Int×d,其中a、b、c、d为预设系数,且a>d>c>b,选取其中一拟合曲线的特征值标记为待定值,将其余拟合曲线的特征值标记为验证值,分别计算待定值与所有验证值之间的差值,并计算差值均值,若所述差值均值大于预设阈值T1,且所有验证值的方差小于预设阈值T2,则将待定值对应的拟合曲线判定为异常拟合曲线,否则继续筛选;
若待测值与验证值的差值均值小于预设阈值T1,且所有验证值的方差大于预设阈值T2,则计算所述验证值的特征值均值,并选取与特征值均值差距最大的验证值,将该验证值对应的拟合曲线判定为异常拟合曲线,否则继续筛选;
将已筛选异常拟合曲线外的拟合曲线标记为正常拟合曲线,若正常拟合曲线的方差仍大于预设阈值T2,则提取剩余正常拟合曲线中与特征值均值差距最大的特征值,将该特征值对应的正常拟合曲线判定为异常拟合曲线,否则继续筛选;
若待测值与验证值的差值均值小于预设阈值T1,且所有验证值的方差均小于预设阈值T2,则获取所有拟合曲线的特征值均值,若所述均值大于预设阈值T3,则将所有拟合曲线标记为异常拟合曲线。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311198227.7A CN116956198B (zh) | 2023-09-18 | 2023-09-18 | 基于物联网的智慧用电数据分析方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311198227.7A CN116956198B (zh) | 2023-09-18 | 2023-09-18 | 基于物联网的智慧用电数据分析方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116956198A CN116956198A (zh) | 2023-10-27 |
CN116956198B true CN116956198B (zh) | 2023-12-26 |
Family
ID=88460426
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311198227.7A Active CN116956198B (zh) | 2023-09-18 | 2023-09-18 | 基于物联网的智慧用电数据分析方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116956198B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117424231B (zh) * | 2023-12-14 | 2024-03-15 | 深圳市华星数字有限公司 | 一种节能配电控制***及方法 |
CN117471928B (zh) * | 2023-12-26 | 2024-04-02 | 深圳市君和睿通科技股份有限公司 | 一种智能家居用电监控方法和*** |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103606015A (zh) * | 2013-11-26 | 2014-02-26 | 国网安徽省电力公司 | 基于逐时综合气象指数的短期负荷预测方法 |
CN105069525A (zh) * | 2015-07-30 | 2015-11-18 | 广西大学 | 全天候96点日负荷曲线预测及优化修正*** |
CN105630885A (zh) * | 2015-12-18 | 2016-06-01 | 国网福建省电力有限公司泉州供电公司 | 一种用电异常检测方法及*** |
CN107480832A (zh) * | 2017-09-05 | 2017-12-15 | 国网山东省电力公司汶上县供电公司 | 短期电量预测方法、装置及电子设备 |
CN110245798A (zh) * | 2019-06-18 | 2019-09-17 | 天津安捷物联科技股份有限公司 | 一种写字楼电力***月度用电量预测方法及*** |
CN111144654A (zh) * | 2019-12-27 | 2020-05-12 | 深圳供电局有限公司 | 一种基于物联网的园区能源管理配置方法及装置 |
CN111191811A (zh) * | 2018-11-14 | 2020-05-22 | 中兴通讯股份有限公司 | 集群负荷预测方法、装置及存储介质 |
CN112669075A (zh) * | 2020-12-30 | 2021-04-16 | 广东电网有限责任公司中山供电局 | 一种用电客户电量异常波动核查方法 |
CN113239030A (zh) * | 2021-05-20 | 2021-08-10 | 国网山东省电力公司潍坊供电公司 | 基于离散数据曲线拟合的智慧电网监控数据存储方法 |
CN113743673A (zh) * | 2021-09-09 | 2021-12-03 | 中国南方电网有限责任公司 | 一种台风期间的电力负荷预测方法 |
CN114978956A (zh) * | 2022-04-11 | 2022-08-30 | 北京邮电大学 | 智慧城市网络设备性能异常突变点检测方法及装置 |
JP2022148537A (ja) * | 2021-03-24 | 2022-10-06 | 株式会社チノー | 温度センサ異常判定装置および温度センサ異常判定方法並びに温度センサ異常判定プログラム |
CN115455340A (zh) * | 2022-10-21 | 2022-12-09 | 广西电网有限责任公司电力科学研究院 | 一种负载特征值和权重求解方法 |
-
2023
- 2023-09-18 CN CN202311198227.7A patent/CN116956198B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103606015A (zh) * | 2013-11-26 | 2014-02-26 | 国网安徽省电力公司 | 基于逐时综合气象指数的短期负荷预测方法 |
CN105069525A (zh) * | 2015-07-30 | 2015-11-18 | 广西大学 | 全天候96点日负荷曲线预测及优化修正*** |
CN105630885A (zh) * | 2015-12-18 | 2016-06-01 | 国网福建省电力有限公司泉州供电公司 | 一种用电异常检测方法及*** |
CN107480832A (zh) * | 2017-09-05 | 2017-12-15 | 国网山东省电力公司汶上县供电公司 | 短期电量预测方法、装置及电子设备 |
CN111191811A (zh) * | 2018-11-14 | 2020-05-22 | 中兴通讯股份有限公司 | 集群负荷预测方法、装置及存储介质 |
CN110245798A (zh) * | 2019-06-18 | 2019-09-17 | 天津安捷物联科技股份有限公司 | 一种写字楼电力***月度用电量预测方法及*** |
CN111144654A (zh) * | 2019-12-27 | 2020-05-12 | 深圳供电局有限公司 | 一种基于物联网的园区能源管理配置方法及装置 |
CN112669075A (zh) * | 2020-12-30 | 2021-04-16 | 广东电网有限责任公司中山供电局 | 一种用电客户电量异常波动核查方法 |
JP2022148537A (ja) * | 2021-03-24 | 2022-10-06 | 株式会社チノー | 温度センサ異常判定装置および温度センサ異常判定方法並びに温度センサ異常判定プログラム |
CN113239030A (zh) * | 2021-05-20 | 2021-08-10 | 国网山东省电力公司潍坊供电公司 | 基于离散数据曲线拟合的智慧电网监控数据存储方法 |
CN113743673A (zh) * | 2021-09-09 | 2021-12-03 | 中国南方电网有限责任公司 | 一种台风期间的电力负荷预测方法 |
CN114978956A (zh) * | 2022-04-11 | 2022-08-30 | 北京邮电大学 | 智慧城市网络设备性能异常突变点检测方法及装置 |
CN115455340A (zh) * | 2022-10-21 | 2022-12-09 | 广西电网有限责任公司电力科学研究院 | 一种负载特征值和权重求解方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116956198A (zh) | 2023-10-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116956198B (zh) | 基于物联网的智慧用电数据分析方法及*** | |
Capozzoli et al. | Automated load pattern learning and anomaly detection for enhancing energy management in smart buildings | |
CN109389180A (zh) | 一款基于深度学习的电力设备图像识别方法及巡查机器人 | |
CN109465676A (zh) | 一种刀具寿命预测方法 | |
CN108197817A (zh) | 一种基于大数据的非侵入式负荷暂态监测的方法 | |
CN110889088A (zh) | 一种应用电力模型辅助的企业排污监管方法 | |
CN111489188B (zh) | 一种居民可调负荷潜力挖掘方法及*** | |
CN109190184B (zh) | 一种供热***历史数据预处理方法 | |
CN110309984B (zh) | 一种非侵入式负荷识别与短期用户行为预测方法 | |
CN111553444A (zh) | 一种基于非侵入负荷终端数据的负荷辨识方法 | |
CN112131956B (zh) | 一种基于差异哈希算法的电压暂降源分类方法 | |
CN116780781B (zh) | 智能电网接入的功率管理方法 | |
CN111327118B (zh) | 一种非侵入式电力负荷识别方法 | |
CN111126780B (zh) | 一种非侵入式负荷监测方法及存储介质 | |
CN117559443A (zh) | 尖峰负荷下大工业用户集群有序用电控制方法 | |
CN117277566B (zh) | 基于大数据的电网数据分析电力调度***及方法 | |
CN113541306A (zh) | 一种绿色能源低碳效能监测***及方法 | |
CN107194529B (zh) | 基于挖掘技术的配电网可靠性经济效益分析方法及装置 | |
CN115828091A (zh) | 基于端-云协同的非侵入式负荷辨识方法与*** | |
CN114662576A (zh) | 基于有监督分类的非侵入式电瓶车充电检测方法及*** | |
CN113869601A (zh) | 一种电力用户负荷预测方法、装置及设备 | |
CN114580467B (zh) | 基于数据增强和Tri-Training的电力数据异常检测方法及*** | |
Piao et al. | Application of classification methods for forecasting mid-term power load patterns | |
CN112307671A (zh) | 一种自适应不同大型设备仪器状态阈值的方法 | |
CN111614159A (zh) | 一种面向需求侧管理的非侵入式家居负荷识别方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |