CN117132025A - 一种基于多源数据融合的用电监测预警*** - Google Patents
一种基于多源数据融合的用电监测预警*** Download PDFInfo
- Publication number
- CN117132025A CN117132025A CN202311395155.5A CN202311395155A CN117132025A CN 117132025 A CN117132025 A CN 117132025A CN 202311395155 A CN202311395155 A CN 202311395155A CN 117132025 A CN117132025 A CN 117132025A
- Authority
- CN
- China
- Prior art keywords
- data
- early warning
- abnormal
- electricity
- power
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 39
- 230000004927 fusion Effects 0.000 title claims abstract description 14
- 230000005611 electricity Effects 0.000 claims abstract description 107
- 230000002159 abnormal effect Effects 0.000 claims abstract description 78
- 238000001514 detection method Methods 0.000 claims abstract description 60
- 238000004458 analytical method Methods 0.000 claims abstract description 28
- 238000005065 mining Methods 0.000 claims abstract description 12
- 238000005265 energy consumption Methods 0.000 claims abstract description 8
- 238000012360 testing method Methods 0.000 claims abstract description 4
- 238000000034 method Methods 0.000 claims description 20
- 238000004422 calculation algorithm Methods 0.000 claims description 14
- 238000007405 data analysis Methods 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 13
- 238000005516 engineering process Methods 0.000 claims description 12
- 238000007726 management method Methods 0.000 claims description 12
- 230000005540 biological transmission Effects 0.000 claims description 11
- 238000012216 screening Methods 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 8
- 238000013527 convolutional neural network Methods 0.000 claims description 5
- 238000012417 linear regression Methods 0.000 claims description 4
- 230000007246 mechanism Effects 0.000 claims description 4
- 230000007774 longterm Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims description 2
- 238000005457 optimization Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000005284 excitation Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000001556 precipitation Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 235000018185 Betula X alpestris Nutrition 0.000 description 1
- 235000018212 Betula X uliginosa Nutrition 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000007619 statistical method 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
- 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
- G06F18/24—Classification techniques
-
- 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
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
- G06Q10/20—Administration of product repair or maintenance
-
- 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)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Development Economics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Probability & Statistics with Applications (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于用电监测预警技术领域,具体提供一种基于多源数据融合的用电监测预警***,包括异常用电检测模块通过比对分析多个测试点的用能数据之间的差异快速筛选出异常数据,构建异常检测模型实现异常用电的检测;并将数据导入用电监测预警显示模块;故障停电风险预警模块分析停电影响因素与停电事件之间的关联关系,建立故障停电概率模型,结合实时采集数据实现用户的停电风险概率预测,并将数据导入用电监测预警显示模块;用户精细化分析管理模块挖掘分析客户用电规律,进行客户分类,识别不同客户群体的用电特征和需求差异,制定针对性营销服务策略。实现故障预警,保证用电的安全稳定。
Description
技术领域
本发明涉及台区用电监测预警技术领域,具体涉及一种基于多源数据融合的用电监测预警***。
背景技术
将用电安全问题纳入智能用电范畴,结合传感与量测技术,可以实现对用电设备的智能监测、智能分析与智能告警,为解决用电安全问题提供可行的方案。
常见的用于异常检测的算法有DBSCAN、BIRCH、KNN等。但聚类的方法往往需要面临参数选择的问题,且参数往往通过人工指定,实验结果通常不稳定。基于回归的方法,其核心思想是根据用户用电曲线的短期负荷预测值与实际用电量的偏差程度作为异常情况判断的依据。同时考虑将天气、经济等因素作为短期预测模型的输入。但是对单个用户建立回归模型将带来巨大的计算成本,且异常检测的精度也受到负荷预测的精度的影响。若用户持续性的有规律的窃电,则单一利用这种方式也很难检测出窃电。
窃电行为势必会引起用电量或电参量出现异常,如果单纯使用一种电量数据进行检测分析,计算量大、效率低,同时有可能会出现误判或者漏判。窃电行为势必会引起用电量出现异常,整个台区下的用户数量非常庞大,直接对用户侧用能数据进行分析计算量大且效率低。
发明内容
鉴于上述问题,本发明技术方案提供一种基于多源数据的用电监测预警***,包括异常用电检测模块、故障停电风险预警模块和用电监测预警显示模块;
异常用电检测模块,用于通过比对分析多个测试点的用能数据之间的差异快速筛选出异常数据,构建异常检测模型实现异常用电的检测;并将数据导入用电监测预警显示模块;
传统异常用电检测通常是对台区下各用户用电数据单独进行分析,计算量大,且无法有效识别出被用户使用但未被电表实际计费的情况,这是当前异常用电检测领域普遍存在的一个问题。针对上述情况,本发明提出了融合变、线、表多源数据的异常用电检测技术,通过对比分析变、线、表用能数据之间的差异量,快速筛选出异常数据,基于时序类神经网络构建异常原因识别和定位模型,实现异常用电用户的准确检测;实际上,该***还包括数据采集模块,用于采集低压台区电力数据,所述电力数据包括变电站、输电线、电能表的电压、电流和电量信息。
故障停电风险预警模块,用于分析停电影响因素与停电事件之间的关联关系,建立故障停电概率模型,结合实时采集数据实现用户的停电风险概率预测,并将数据导入用电监测预警显示模块;
当前停电预测技术基本上只考虑极端天气对故障停电的影响,方法单一,没有考虑用户、电网等方面因素对故障停电的影响本发明采用关联规则挖掘技术分析用户家庭负荷、用户近期停电次数、温湿度等多方面因素与故障停电之间的关联关系,建立故障停电概率模型,结合实时采集数据实现低压用户的停电风险概率预测,主动为高停电风险用户提供停电预警服务。
用电监测预警显示模块,用于接收导入的数据对导入的数据进行处理并将处理结果数据以图形化的方式展示出来。
作为本发明技术方案的优选,该***还包括用户精细化分析管理模块,用于挖掘分析客户用电规律,进行客户分类,识别不同客户群体的用电特征和需求差异,制定针对性营销服务策略,客户欠费特征、电量增长特征和月均用电量。
当前以客户用能精细化分析辅助电力营销服务的研究较少,本发明设计气温、居住环境等外部影响因素的用户设备级精细化用能分析模型,从时间、空间等多个维度全面挖掘分析客户用电规律,采用聚类算法从客户价值、欠费高风险以及停电高敏感等多个维度进行客户分类,识别不同客户群体的用电特征和需求差异,从而制定针对性营销服务策略。
针对智能电网对监控和停电预测及预警的客观需求,采用计算机图形图像技术和B/S架构开发技术实现一个高内聚低耦合的台区用电监测预警***,导入电网运行过程中的采集数据,实现多信息融合的异常用电检测定位、多因素故障停电风险预测、用户精细化分析管理等功能模块,将分析结果数据以图形化的方式展示出来,提高用电监测管理工作的质量和效率。
作为本发明技术方案的优选,异常用电检测模块包括数据分析单元、模型建立训练单元和异常用电检测单元;
数据分析单元,比对分析变电站、配电线以及电能表用能数据之间的差异量,根据比对出的差异量筛选出异常数据;并提取特征量;
模型建立训练单元,用于建立并训练异常检测模型;
异常用电检测单元,用于基于训练好的异常检测模型结合提取的特征量进行用户异常用电的检测。
作为本发明技术方案的优选,数据分析单元,具体用于采用多源数据分析融合技术手段,对比分析变电站、输电线和用户侧电表数据量之间的差异,快速筛选出异常的数据,用卷积神经网络对短期用电进行特征提取构建局部特征信息;采用注意力机制对长期用电进行特征提取构建全局特征信息;
异常用电检测单元,用于基于训练好的异常检测模型结合构建的局部特征和全局特征进行用户异常用电的检测。
采用多源数据分析融合技术手段,对比分析变电站、输电线和用户侧电表数据量之间的差异,快速筛选出异常的数据,缩小异常用电用户范围,减小数据规模。
作为本发明技术方案的优选,故障停电风险预警模块包括关联规则生成单元和故障停电概率模型生成单元;
关联规则生成单元,用于基于Apriori算法以逐层搜索的迭代方法找出数据库中用户家庭负荷、用户设定时间内停电次数、温湿度与故障停电之间的关系形成关联规则;
故障停电概率模型生成单元,基于生成的关联规则生成各影响因素及其组合导致发生故障停电事件的故障停电概率模型。
作为本发明技术方案的优选,关联规则生成单元,具体用于将收集到的历史训练数据划分为多条记录,并将每条记录对应时刻之后不同间隔的时间跨度内是否出现停电事件分别添加到对应记录中;再分别挖掘不同时间维度对应的关联规则。
作为本发明技术方案的优选,故障停电概率模型生成单元,用于基于生成的关联规则结合实时采集的数据来预测在设定时间范围内发生故障停电的概率,具体用于将实时采集的数据与挖掘的关联规则的先导进行比较,与实时数据相符合的关联规则中的最大的置信度是发生停电风险的概率。
作为本发明技术方案的优选,故障停电风险预警模块还包括预警发送单元,用于通过短信的方式向用户发送停电预警信息,预警信息的内容分别包括用户房屋在多个时间维度内发生故障停电事件的概率。
作为本发明技术方案的优选,用户精细化分析管理模块,具体用于从影响电量的供给因素、需求因素和外界因素角度分别选取客户个人收入、电价、地区人口数量、气温以及人均居住面积作为分析指标,建立多元线性回归模型确定各个影响因素对客户用电影响程度,将影响程度大于设定阈值的影响因素确定为主要因素,结合客户对于电器设备的使用对客户用能进行分析,根据分析结果将客户进行分类。气温、居住环境等外部因素和用电量、用电时间等内部因素进行用能分析多维聚类实现客户分类。
从以上技术方案可以看出,本发明具有以下优点:通过收集处理多源大数据,重点分析影响用户用电量的关键因素,研究用户用电行为模式,建立适于高频数据的异常检测和定位模型。在不停电情况下帮助电网公司快速定位出产生异常的用户数据,并根据分析出的异常原因做更为详细的排查。通过故障停电风险预警技术识别可能因异常状态积聚引发的相应故障,实现故障报警及预警,为建筑运行过程的安全稳定、绿色节能提供保障;帮助电网决策者准确挖掘客户用电规律,以调整电价及激励政策实现用户节能服务推送或用户个性化服务推送,进而提升用户体验,高效利用资源,提高企业信誉度。同时也为用户归类,为电价、电价与供需联动激励政策制定提供依据。
此外,本发明设计原理可靠,结构简单,具有非常广泛的应用前景。
由此可见,本发明与现有技术相比,具有突出的实质性特点和显著地进步,其实施的有益效果也是显而易见的。
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,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,对于本领域普通技术人员而言,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是本发明一个实施例的***的示意性框图。
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中的技术方案,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,都应当属于本发明保护的范围。
如图1所示,本发明实施例提供一种基于多源数据的用电监测预警***,包括异常用电检测模块、故障停电风险预警模块和用电监测预警显示模块;
异常用电检测模块,用于通过比对分析多个测试点的用能数据之间的差异快速筛选出异常数据,构建异常检测模型实现异常用电的检测;并将数据导入用电监测预警显示模块;
传统异常用电检测通常是对台区下各用户用电数据单独进行分析,计算量大,且无法有效识别出被用户使用但未被电表实际计费的情况,这是当前异常用电检测领域普遍存在的一个问题。针对上述情况,本发明提出了融合变、线、表多源数据的异常用电检测技术,通过对比分析变、线、表用能数据之间的差异量,快速筛选出异常数据,基于时序类神经网络构建异常原因识别和定位模型,实现异常用电用户的准确检测;实际上,该***还包括数据采集模块,用于采集低压台区电力数据,所述电力数据包括变电站、输电线、电能表的电压、电流和电量信息。
故障停电风险预警模块,用于分析停电影响因素与停电事件之间的关联关系,建立故障停电概率模型,结合实时采集数据实现用户的停电风险概率预测,并将数据导入用电监测预警显示模块;
当前停电预测技术基本上只考虑极端天气对故障停电的影响,方法单一,没有考虑用户、电网等方面因素对故障停电的影响本发明采用关联规则挖掘技术分析用户家庭负荷、用户近期停电次数、温湿度等多方面因素与故障停电之间的关联关系,建立故障停电概率模型,结合实时采集数据实现低压用户的停电风险概率预测,主动为高停电风险用户提供停电预警服务。
用电监测预警显示模块,用于接收导入的数据对导入的数据进行处理并将处理结果数据以图形化的方式展示出来。
在有些实施例中,该***还包括用户精细化分析管理模块,用于挖掘分析客户用电规律,进行客户分类,识别不同客户群体的用电特征和需求差异,制定针对性营销服务策略,用电特征包括客户欠费特征、电量增长特征和月均用电量。
当前以客户用能精细化分析辅助电力营销服务的研究较少,本发明设计气温、居住环境等外部影响因素的用户设备级精细化用能分析模型,从时间、空间等多个维度全面挖掘分析客户用电规律,采用聚类算法从客户价值、欠费高风险以及停电高敏感等多个维度进行客户分类,识别不同客户群体的用电特征和需求差异,从而制定针对性营销服务策略。
针对智能电网对监控和停电预测及预警的客观需求,采用计算机图形图像技术和B/S架构开发技术实现一个高内聚低耦合的台区用电监测预警***,导入电网运行过程中的采集数据,实现多信息融合的异常用电检测定位、多因素故障停电风险预测、用户精细化分析管理等功能模块,将分析结果数据以图形化的方式展示出来,提高用电监测管理工作的质量和效率。
在有些实施例中,异常用电检测模块包括数据分析单元、模型建立训练单元和异常用电检测单元;
数据分析单元,比对分析变电站、配电线以及电能表用能数据之间的差异量,根据比对出的差异量筛选出异常数据;并提取特征量;具体用于采用多源数据分析融合技术手段,对比分析变电站、输电线和用户侧电表数据量之间的差异,快速筛选出异常的数据,用卷积神经网络对短期用电进行特征提取构建局部特征信息;采用注意力机制对长期用电进行特征提取构建全局特征信息;
模型建立训练单元,用于建立并训练异常检测模型;
异常用电检测单元,用于基于训练好的异常检测模型结合构建的局部特征和全局特征进行用户异常用电的检测。
窃电行为势必会引起用电量或电参量出现异常,如果单纯使用一种电量数据进行检测分析,计算量大、效率低,同时有可能会出现误判或者漏判。因此,本申请从不同维度切入分析,综合分析变、线、表数据之间的关联关系,筛选异常用能数据,在此基础上用卷积神经网络对短时间的用电数据特征提取,探究特征融合方式,构建基于局部特征和全局特征的异常检测模型。综合局部特征与全局特征,一定程度上解决了误检测与漏检测的问题,进一步提升异常检测模型的性能。
整个台区下的用户数量非常庞大,直接对用户侧用能数据进行分析计算量大且效率低。本发明采用多源数据分析融合技术手段,对比分析变电站、输电线和用户侧电表数据量之间的差异,快速筛选出异常的数据,缩小异常用电用户范围,减小数据规模。
卷积网络由于其对图像中待检测目标局部特征的建模,在大规模图像识别应用方面取得了一系列突破。类比到异常检测领域,短时间范围的正常用户用电数据,相同或相邻日期达到峰值和谷值,各星期用电量的上升和下降趋势表现出很好的一致性,呈现出强烈的时间局部相关性。因此,本发明选取卷积神经网络来对短时间的用电数据局部特征进行提取。
通过对用户用能数据分析,正常用户和窃电用户的长时间范围用电量数据存在差异,仅依赖短时间范围的局部特征很难再正确区分出异常用电用户,此时我们必须依赖全局特征的提取,即长时间范围的用电数据的周期规律。因此,本发明采用注意力机制来提取用能数据的全局特征,即捕捉时间窗口内的用电趋势的相关性实现对用能数据的深度挖掘。
这种特征提取与融合技术不仅能把握短期内的局部特征(相邻周期特征和前后周期特征),还能利用长时间跨度的全局特征。全局特征信息背后的逻辑往往是物理客观规律和用户用电行为习惯的独特体现,综合局部特征与全局特征,一定程度上解决了误检测与漏检测的问题,来进一步提升异常检测模型的性能。
在有些实施例中,故障停电风险预警模块包括关联规则生成单元和故障停电概率模型生成单元;
关联规则生成单元,用于基于Apriori算法以逐层搜索的迭代方法找出数据库中用户家庭负荷、用户设定时间内停电次数、温湿度与故障停电之间的关系形成关联规则;具体用于将收集到的历史训练数据划分为多条记录,并将每条记录对应时刻之后不同间隔的时间跨度内是否出现停电事件分别添加到对应记录中;再分别挖掘不同时间维度对应的关联规则。
故障停电概率模型生成单元,基于生成的关联规则生成各影响因素及其组合导致发生故障停电事件的故障停电概率模型。具体用于基于生成的关联规则结合实时采集的数据来预测在设定时间范围内发生故障停电的概率,具体用于将实时采集的数据与挖掘的关联规则的先导进行比较,与实时数据相符合的关联规则中的最大的置信度是发生停电风险的概率。
故障停电风险预警模块还包括预警发送单元,用于通过短信的方式向用户发送停电预警信息,预警信息的内容分别包括用户房屋在多个时间维度内发生故障停电事件的概率。
停电风险预警主要研究内容包括停电影响因素挖掘、停电风险预测和预警通知,准确的停电预警能够提升用户体验。
可能导致故障停电的影响因素涉及电网内部因素、环境因素、时间因素等多种因素,其中,内部因素有用户当前负荷、线路使用时间、用户历史故障情况(近7天故障次数、近30天故障次数等);环境因素有线路所在的位置信息、天气数据(最小降水量、最大降水量、最小风速、最大风速、最小湿度、最大湿度、最小温度、最大温度等);时间因素有当前季度、当前工作日、当前时刻。本发明基于Apriori算法挖掘停电影响因素与停电事件之间的关联规则,该算法以逐层搜索的迭代方法找出数据库中项集的关系并形成规则,能够生成各影响因素及其组合导致发生故障停电事件的概率。考虑到影响因素出现与停电事件之间存在一定的时间差,从多个时间维度挖掘它们之间的关联规则。首先,我们将收集到的历史训练数据划分为多条记录,并将每条记录对应时刻之后1分钟、10分钟、1小时及1天的时间跨度内是否出现停电事件分别添加到对应记录中。然后再分别挖掘不同时间维度对应的关联规则。在生成关联规则的时候,是否停电仅作为规则的后继,而不考虑其作为先导条件的情况。在挖掘各影响因素到停电事件的关联规则时需要保证影响因素的取值是离散的,所以需要通过离散化的方法处理用户负荷等取值连续的影响因素,通过区间划分的方式将这些连续变量映射为对应的离散值。
在获得各影响因素及其组合到停电事件的关联规则后,可以结合实时采集的这些影响因素的数据来预测在一定时间范围内发生故障停电的概率。具体来说,我们将实时采集的数据与挖掘的关联规则的先导进行比较,与实时数据相符合的关联规则中的最大的置信度就是用户房屋发生停电风险的概率。当该概率大于预设的警戒值时向用户发出停电风险预警。
在有些实施例中,用户精细化分析管理模块,具体用于从影响电量的供给因素、需求因素和外界因素角度分别选取客户个人收入、电价、地区人口数量、气温以及人均居住面积作为分析指标,建立多元线性回归模型确定各个影响因素对客户用电影响程度,将影响程度大于设定阈值的影响因素确定为主要因素,结合客户对于电器设备的使用对客户用能进行分析,根据分析结果将客户进行分类。
客户用电与多种因素有关,包括供给因素、需求因素以及外界因素三大类。其中供给因素包括价格因素,需求因素包括收入因素以及人口因素等,外界因素包括气温因素以及居住因素等,而各个影响因素影响着客户用电。从多个维度分析客户用电,并基于聚类算法对客户进行分类,从而识别不同客户群体的用电特征和需求差异,便于电力营销策略的制定,用电特征包括客户欠费特征、电量增长特征和月均用电量。
首先研究各个影响因素对客户用电影响程度的大小,从影响电量的供给因素、需求因素和外界因素角度分别选取客户个人收入、电价、地区人口数量、气温以及人均居住面积等影响因素作为分析指标,建立多元线性回归模型,研究各个影响因素对客户用电影响程度的大小,从而确定影响客户用电量的主要外部因素。然后结合客户对于电器设备的使用对客户用能从时间和空间等多个维度进行分析。时间维度上,结合统计学方法和AGNES聚类算法分析客户用电聚焦时段;空间维度上,拟运用FP-Growth算法分析客户对于若干电器设备的使用的同时性;拟采用PrefixSpan算法分析客户对于电器设备使用的顺序性。从而全面揭示客户用电的日常行为活动。
针对不同分类维度采用相关聚类算法完成客户分群。客户价值维度,考虑客户欠费情况、电量增长情况以及月均用电量等因素,采用K-Means聚类算法将客户分成高价值客户群、中等价值客户群、普通客户群以及低价值客户群等,可供电力公司寻找价值贡献度高的客户(大客户)并针对不同客户群进行差异化电力营销;客户停电、欠费维度,拟考虑欠费停电次数、故障停电次数以及平均停电时长等因素,采用逻辑回归模型进行客户停电及欠费分类研究,有效识别停电高敏感度客户及欠费高风险客户,可供电力公司圈定停电高敏感及欠费高风险客户群体,并在营销管理***中进行标识,并提供差异化服务策略。
本发明提供的***主要包括用户表示层、应用服务层、数据服务层和物理设备层四个层次。不同层级之间可以通过接口来进行数据的传输。各个层次的主要内容为:
用户表示层是用户能够直接接触到***界面的,能够实现与***的交互。其主要的内容包括用户登陆及操作界面、用户认证方式、***登录等功能。
***的应用服务层主要是对整个***逻辑关系的处理,具体的包括变、线、表多源信息融合的异常用电检测,低压用户停电影响因素关联规则挖掘及停电风险预警,用户设备级精细用能分析等方面的内容。
数据服务层可以对整个***中的数据进行综合管理,具体的数据类型包括三个部分,分别是基础数据、业务数据和备份数据,通过数据服务层可以将这些数据进行上传、存储和传输。
物理设备层是支撑***运行的层次,该层次的主要功能是能够实现对所有设备的综合管理,具体的包括服务器设备、通信网络设备、数据采集设备和数据存储设备以及访问设备等。
尽管通过参考附图并结合优选实施例的方式对本发明进行了详细描述,但本发明并不限于此。在不脱离本发明的精神和实质的前提下,本领域普通技术人员可以对本发明的实施例进行各种等效的修改或替换,而这些修改或替换都应在本发明的涵盖范围内/任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种基于多源数据的用电监测预警***,其特征在于,包括异常用电检测模块、故障停电风险预警模块和用电监测预警显示模块;
异常用电检测模块,用于通过比对分析多个测试点的用能数据之间的差异快速筛选出异常数据,构建异常检测模型实现异常用电的检测;并将数据导入用电监测预警显示模块;
故障停电风险预警模块,用于分析停电影响因素与停电事件之间的关联关系,建立故障停电概率模型,结合实时采集数据实现用户的停电风险概率预测,并将数据导入用电监测预警显示模块;
用电监测预警显示模块,用于接收导入的数据对导入的数据进行处理并将处理结果数据以图形化的方式展示出来。
2.根据权利要求1所述的基于多源数据的用电监测预警***,其特征在于,该***还包括用户精细化分析管理模块,用于挖掘分析客户用电规律,进行客户分类,识别不同客户群体的用电特征和需求差异,制定针对性营销服务策略,用电特征包括客户欠费特征、电量增长特征和月均用电量。
3.根据权利要求2所述的基于多源数据的用电监测预警***,其特征在于,该***还包括数据采集模块,用于采集低压台区电力数据,所述电力数据包括变电站、输电线、电能表的电压、电流和电量信息。
4.根据权利要求3所述的基于多源数据的用电监测预警***,其特征在于,异常用电检测模块包括数据分析单元、模型建立训练单元和异常用电检测单元;
数据分析单元,比对分析变电站、配电线以及电能表用能数据之间的差异量,根据比对出的差异量筛选出异常数据;并提取特征量;
模型建立训练单元,用于建立并训练异常检测模型;
异常用电检测单元,用于基于训练好的异常检测模型结合提取的特征量进行用户异常用电的检测。
5.根据权利要求4所述的基于多源数据的用电监测预警***,其特征在于,数据分析单元,具体用于采用多源数据分析融合技术手段,对比分析变电站、输电线和用户侧电表数据量之间的差异,快速筛选出异常的数据,用卷积神经网络对短期用电进行特征提取构建局部特征信息;采用注意力机制对长期用电进行特征提取构建全局特征信息;
异常用电检测单元,用于基于训练好的异常检测模型结合构建的局部特征和全局特征进行用户异常用电的检测。
6.根据权利要求5所述的基于多源数据的用电监测预警***,其特征在于,故障停电风险预警模块包括关联规则生成单元和故障停电概率模型生成单元;
关联规则生成单元,用于基于Apriori算法以逐层搜索的迭代方法找出数据库中用户家庭负荷、用户设定时间内停电次数、温湿度与故障停电之间的关系形成关联规则;
故障停电概率模型生成单元,基于生成的关联规则生成各影响因素及其组合导致发生故障停电事件的故障停电概率模型。
7.根据权利要求6所述的基于多源数据的用电监测预警***,其特征在于,关联规则生成单元,具体用于将收集到的历史训练数据划分为多条记录,并将每条记录对应时刻之后不同间隔的时间跨度内是否出现停电事件分别添加到对应记录中;再分别挖掘不同时间维度对应的关联规则。
8.根据权利要求7所述的基于多源数据的用电监测预警***,其特征在于,故障停电概率模型生成单元,用于基于生成的关联规则结合实时采集的数据来预测在设定时间范围内发生故障停电的概率,具体用于将实时采集的数据与挖掘的关联规则的先导进行比较,与实时数据相符合的关联规则中的最大的置信度是发生停电风险的概率。
9.根据权利要求8所述的基于多源数据的用电监测预警***,其特征在于,故障停电风险预警模块还包括预警发送单元,用于通过短信的方式向用户发送停电预警信息,预警信息的内容分别包括用户房屋在多个时间维度内发生故障停电事件的概率。
10.根据权利要求9所述的基于多源数据的用电监测预警***,其特征在于,用户精细化分析管理模块,具体用于从影响电量的供给因素、需求因素和外界因素角度分别选取客户个人收入、电价、地区人口数量、气温以及人均居住面积作为分析指标,建立多元线性回归模型确定各个影响因素对客户用电影响程度,将影响程度大于设定阈值的影响因素确定为主要因素,结合客户对于电器设备的使用对客户用能进行分析,根据分析结果将客户进行分类。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311395155.5A CN117132025A (zh) | 2023-10-26 | 2023-10-26 | 一种基于多源数据融合的用电监测预警*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311395155.5A CN117132025A (zh) | 2023-10-26 | 2023-10-26 | 一种基于多源数据融合的用电监测预警*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117132025A true CN117132025A (zh) | 2023-11-28 |
Family
ID=88860401
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311395155.5A Pending CN117132025A (zh) | 2023-10-26 | 2023-10-26 | 一种基于多源数据融合的用电监测预警*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117132025A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117572331A (zh) * | 2024-01-16 | 2024-02-20 | 山东宜美科节能服务有限责任公司 | 一种对智能电表数据实时采集的方法及*** |
CN117691752A (zh) * | 2024-02-01 | 2024-03-12 | 国网吉林省电力有限公司白山供电公司 | 一种具有通讯功能的低压台区停电自动报警装置 |
CN117808157A (zh) * | 2023-12-29 | 2024-04-02 | 国网江苏省电力有限公司扬州供电分公司 | 基于智能识别的未报备停电行为预测分析*** |
CN117639280B (zh) * | 2024-01-25 | 2024-04-12 | 国网四川省电力公司天府新区供电公司 | 一种基于云计算的电网故障智能监测*** |
Citations (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1866033A (zh) * | 2005-05-20 | 2006-11-22 | 湖南泰通电力科技有限公司 | 电网防窃电实时监测*** |
CN104331846A (zh) * | 2014-11-10 | 2015-02-04 | 国家电网公司 | 一种窃电行为多源建模与协同分析方法 |
CN104502793A (zh) * | 2014-11-24 | 2015-04-08 | 广州南方电力集团科技发展有限公司 | 一种基于可移动式的电网防窃电监测装置及方法 |
CN204359891U (zh) * | 2014-11-24 | 2015-05-27 | 广州南方电力集团科技发展有限公司 | 一种基于可移动式的电网防窃电监测装置 |
CN106156269A (zh) * | 2016-06-01 | 2016-11-23 | 国网河北省电力公司电力科学研究院 | 一种反窃电精准定位在线监测方法 |
CN106780115A (zh) * | 2016-11-30 | 2017-05-31 | 国网上海市电力公司 | 异常用电监测与定位***及方法 |
CN107679634A (zh) * | 2017-10-27 | 2018-02-09 | 国网陕西省电力公司西安供电公司 | 一种基于数据可视化的供电故障报修分析和预测的方法 |
CN108876138A (zh) * | 2018-06-12 | 2018-11-23 | 国网天津市电力公司 | 一种基于大数据分析的变电站监控信息漏监检测方法 |
CN109086804A (zh) * | 2018-07-12 | 2018-12-25 | 中石化石油机械股份有限公司 | 一种基于多源状态监测信息和可靠性特征融合的液压设备早期故障预测方法 |
CN109615004A (zh) * | 2018-12-07 | 2019-04-12 | 江苏瑞中数据股份有限公司 | 一种多源数据融合的防窃电预警方法 |
CN110427418A (zh) * | 2019-07-04 | 2019-11-08 | 深圳供电局有限公司 | 一种基于客户能源价值指标体系的客户分析分群方法 |
CN110990656A (zh) * | 2019-10-14 | 2020-04-10 | 广西电网有限责任公司贺州供电局 | 一种智能电网大数据可视化分析的*** |
CN111507013A (zh) * | 2020-04-27 | 2020-08-07 | 国网山西省电力公司 | 一种面向电力***线损故障定位实现方法 |
CN112288014A (zh) * | 2020-10-30 | 2021-01-29 | 云南电网有限责任公司电力科学研究院 | 一种基于数据挖掘的设备全生命周期管理方法 |
CN112348339A (zh) * | 2020-10-28 | 2021-02-09 | 国网信通亿力科技有限责任公司 | 一种基于大数据分析的配电网规划方法 |
CN113962659A (zh) * | 2021-10-25 | 2022-01-21 | 国网山东省电力公司平邑县供电公司 | 一种基于云计算的智能电网大数据信息管理***及方法 |
CN114094705A (zh) * | 2021-11-18 | 2022-02-25 | 贵州电网有限责任公司 | 一种基于线损和用户用电量的低压台区窃电监控*** |
CN114741822A (zh) * | 2022-03-29 | 2022-07-12 | 广东电网有限责任公司 | 一种自然灾害下配电网停电概率预测方法、***及装置 |
CN115099335A (zh) * | 2022-06-23 | 2022-09-23 | 广东电网有限责任公司广州供电局 | 多源异构数据的异常辨识和特征筛选方法、*** |
CN115146927A (zh) * | 2022-06-13 | 2022-10-04 | 广西电网有限责任公司电力科学研究院 | 考虑多源数据的配网灾害预警及风险评估方法和*** |
CN115630945A (zh) * | 2022-09-30 | 2023-01-20 | 广东电网有限责任公司广州供电局 | 一种低压态势感知指挥*** |
CN116203352A (zh) * | 2023-03-16 | 2023-06-02 | 广东电网有限责任公司广州供电局 | 一种配电网的故障预警方法、装置、设备及介质 |
CN116468426A (zh) * | 2023-04-28 | 2023-07-21 | 云南电网有限责任公司普洱供电局 | 基于Apriori算法的电网故障确定方法及存储介质 |
-
2023
- 2023-10-26 CN CN202311395155.5A patent/CN117132025A/zh active Pending
Patent Citations (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1866033A (zh) * | 2005-05-20 | 2006-11-22 | 湖南泰通电力科技有限公司 | 电网防窃电实时监测*** |
CN104331846A (zh) * | 2014-11-10 | 2015-02-04 | 国家电网公司 | 一种窃电行为多源建模与协同分析方法 |
CN104502793A (zh) * | 2014-11-24 | 2015-04-08 | 广州南方电力集团科技发展有限公司 | 一种基于可移动式的电网防窃电监测装置及方法 |
CN204359891U (zh) * | 2014-11-24 | 2015-05-27 | 广州南方电力集团科技发展有限公司 | 一种基于可移动式的电网防窃电监测装置 |
CN106156269A (zh) * | 2016-06-01 | 2016-11-23 | 国网河北省电力公司电力科学研究院 | 一种反窃电精准定位在线监测方法 |
CN106780115A (zh) * | 2016-11-30 | 2017-05-31 | 国网上海市电力公司 | 异常用电监测与定位***及方法 |
CN107679634A (zh) * | 2017-10-27 | 2018-02-09 | 国网陕西省电力公司西安供电公司 | 一种基于数据可视化的供电故障报修分析和预测的方法 |
CN108876138A (zh) * | 2018-06-12 | 2018-11-23 | 国网天津市电力公司 | 一种基于大数据分析的变电站监控信息漏监检测方法 |
CN109086804A (zh) * | 2018-07-12 | 2018-12-25 | 中石化石油机械股份有限公司 | 一种基于多源状态监测信息和可靠性特征融合的液压设备早期故障预测方法 |
CN109615004A (zh) * | 2018-12-07 | 2019-04-12 | 江苏瑞中数据股份有限公司 | 一种多源数据融合的防窃电预警方法 |
CN110427418A (zh) * | 2019-07-04 | 2019-11-08 | 深圳供电局有限公司 | 一种基于客户能源价值指标体系的客户分析分群方法 |
CN110990656A (zh) * | 2019-10-14 | 2020-04-10 | 广西电网有限责任公司贺州供电局 | 一种智能电网大数据可视化分析的*** |
CN111507013A (zh) * | 2020-04-27 | 2020-08-07 | 国网山西省电力公司 | 一种面向电力***线损故障定位实现方法 |
CN112348339A (zh) * | 2020-10-28 | 2021-02-09 | 国网信通亿力科技有限责任公司 | 一种基于大数据分析的配电网规划方法 |
CN112288014A (zh) * | 2020-10-30 | 2021-01-29 | 云南电网有限责任公司电力科学研究院 | 一种基于数据挖掘的设备全生命周期管理方法 |
CN113962659A (zh) * | 2021-10-25 | 2022-01-21 | 国网山东省电力公司平邑县供电公司 | 一种基于云计算的智能电网大数据信息管理***及方法 |
CN114094705A (zh) * | 2021-11-18 | 2022-02-25 | 贵州电网有限责任公司 | 一种基于线损和用户用电量的低压台区窃电监控*** |
CN114741822A (zh) * | 2022-03-29 | 2022-07-12 | 广东电网有限责任公司 | 一种自然灾害下配电网停电概率预测方法、***及装置 |
CN115146927A (zh) * | 2022-06-13 | 2022-10-04 | 广西电网有限责任公司电力科学研究院 | 考虑多源数据的配网灾害预警及风险评估方法和*** |
CN115099335A (zh) * | 2022-06-23 | 2022-09-23 | 广东电网有限责任公司广州供电局 | 多源异构数据的异常辨识和特征筛选方法、*** |
CN115630945A (zh) * | 2022-09-30 | 2023-01-20 | 广东电网有限责任公司广州供电局 | 一种低压态势感知指挥*** |
CN116203352A (zh) * | 2023-03-16 | 2023-06-02 | 广东电网有限责任公司广州供电局 | 一种配电网的故障预警方法、装置、设备及介质 |
CN116468426A (zh) * | 2023-04-28 | 2023-07-21 | 云南电网有限责任公司普洱供电局 | 基于Apriori算法的电网故障确定方法及存储介质 |
Non-Patent Citations (4)
Title |
---|
WU, QT等: "Analysis of electricity stealing based on user electricity characteristics of electricity information collection system", 《INTERNATIONAL CONFERENCE ON NEW ENERGY AND POWER ENGINEERING 》, vol. 8, 12 February 2022 (2022-02-12), pages 488 - 494 * |
张伟等: "基于供电轨迹信息阵的配电网故障处置效益评价方法", 《光源与照明》, no. 10, pages 234 - 236 * |
赵腾;王林童;张焰;田世明;: "采用互信息与随机森林算法的用户用电关联因素辨识及用电量预测方法", 中国电机工程学报, no. 03, pages 20 - 30 * |
邱灿树: "基于多源信息的配电网故障研判方法", 《农村电气化》, no. 08, pages 53 - 57 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117808157A (zh) * | 2023-12-29 | 2024-04-02 | 国网江苏省电力有限公司扬州供电分公司 | 基于智能识别的未报备停电行为预测分析*** |
CN117808157B (zh) * | 2023-12-29 | 2024-06-18 | 国网江苏省电力有限公司扬州供电分公司 | 基于智能识别的未报备停电行为预测分析*** |
CN117572331A (zh) * | 2024-01-16 | 2024-02-20 | 山东宜美科节能服务有限责任公司 | 一种对智能电表数据实时采集的方法及*** |
CN117572331B (zh) * | 2024-01-16 | 2024-03-26 | 山东宜美科节能服务有限责任公司 | 一种对智能电表数据实时采集的方法及*** |
CN117639280B (zh) * | 2024-01-25 | 2024-04-12 | 国网四川省电力公司天府新区供电公司 | 一种基于云计算的电网故障智能监测*** |
CN117691752A (zh) * | 2024-02-01 | 2024-03-12 | 国网吉林省电力有限公司白山供电公司 | 一种具有通讯功能的低压台区停电自动报警装置 |
CN117691752B (zh) * | 2024-02-01 | 2024-04-26 | 国网吉林省电力有限公司白山供电公司 | 一种具有通讯功能的低压台区停电自动报警装置 |
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 | |
Barja-Martinez et al. | Artificial intelligence techniques for enabling Big Data services in distribution networks: A review | |
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 | |
CN117132025A (zh) | 一种基于多源数据融合的用电监测预警*** | |
Zhao et al. | Hierarchical anomaly detection and multimodal classification in large-scale photovoltaic systems | |
Pereira et al. | Sustdata: A public dataset for ict4s electric energy research | |
Alahakoon et al. | Advanced analytics for harnessing the power of smart meter big data | |
Kang et al. | Big data analytics in China's electric power industry: modern information, communication technologies, and millions of smart meters | |
Nizar et al. | Load profiling method in detecting non-technical loss activities in a power utility | |
Serrano-Guerrero et al. | Statistical methodology to assess changes in the electrical consumption profile of buildings | |
Hartmann et al. | Suspicious electric consumption detection based on multi-profiling using live machine learning | |
Zafar et al. | Step towards secure and reliable smart grids in Industry 5.0: A federated learning assisted hybrid deep learning model for electricity theft detection using smart meters | |
Saad et al. | Data analytics-based anomaly detection in smart distribution network | |
CN116522746A (zh) | 高耗能企业配电托管方法 | |
Zhang et al. | Research on comprehensive diagnosis model of anti-stealing electricity based on big data technology | |
Abdelmoula et al. | Towards a sustainable edge computing framework for condition monitoring in decentralized photovoltaic systems | |
Mascali et al. | A machine learning-based Anomaly Detection Framework for building electricity consumption data | |
Dehbozorgi et al. | Data mining-based cause identification of momentary outages in power distribution systems | |
Seol et al. | Analysis of the seasonal characteristics of forest fires in South Korea using the multivariate analysis approach | |
Cheng et al. | PowerNet: Neural power demand forecasting in smart grid | |
Luna-Romero et al. | Enhancing anomaly detection in electrical consumption profiles through computational intelligence | |
Dehbozorgi et al. | Association rule mining application to diagnose smart distribution power system outage root cause | |
Hu et al. | Big data management and application research in power load forecasting and power transmission and transformation equipment evaluation | |
Li et al. | Research and design of power Visualization intelligent management platform based on big data technology | |
Koshy et al. | Smart grid–based big data analytics using machine learning and artificial intelligence: A survey |
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 |