CN117312744A - 异常用电站点检测方法、装置、电子设备及可读存储介质 - Google Patents
异常用电站点检测方法、装置、电子设备及可读存储介质 Download PDFInfo
- Publication number
- CN117312744A CN117312744A CN202210713265.0A CN202210713265A CN117312744A CN 117312744 A CN117312744 A CN 117312744A CN 202210713265 A CN202210713265 A CN 202210713265A CN 117312744 A CN117312744 A CN 117312744A
- Authority
- CN
- China
- Prior art keywords
- change rate
- consumption data
- determining
- abnormal
- data
- 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
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 133
- 230000005611 electricity Effects 0.000 title claims abstract description 101
- 238000001514 detection method Methods 0.000 title claims abstract description 38
- 238000005265 energy consumption Methods 0.000 claims abstract description 57
- 238000000034 method Methods 0.000 claims abstract description 38
- 239000013598 vector Substances 0.000 claims description 37
- 238000004364 calculation method Methods 0.000 claims description 21
- 238000004590 computer program Methods 0.000 claims description 12
- 238000012163 sequencing technique Methods 0.000 claims description 9
- 238000005070 sampling Methods 0.000 claims description 6
- 230000001502 supplementing effect Effects 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 4
- 238000004891 communication Methods 0.000 abstract description 10
- 238000000605 extraction Methods 0.000 description 10
- 230000006399 behavior Effects 0.000 description 8
- 238000012795 verification Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000000295 complement effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000013480 data collection Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression 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
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Mathematical Physics (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Resources & Organizations (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Primary Health Care (AREA)
- Marketing (AREA)
- Evolutionary Biology (AREA)
- General Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Water Supply & Treatment (AREA)
- Algebra (AREA)
- Public Health (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及通信领域，提供一种异常用电站点检测方法、装置、电子设备及可读存储介质。异常用电站点检测方法包括：采集待检测站点的耗电数据、业务数据和能耗数据，确定耗电数据对应的第一变化率，业务数据对应的第二变化率以及能耗数据对应的第三变化率；在耗电数据符合目标正态分布的情况下，根据目标正态分布确定异常时间；根据第一变化率、第二变化率和第三变化率，确定变化率相关系数和变化率反相关时间；根据异常时间、变化率相关系数和变化率反相关时间，确定待检测站点中的异常用电站点。本申请通过待检测站点的耗电数据、业务数据和能耗数据计算并检测异常用电站点，实现异常用电站点的精确识别。
Description
技术领域
本申请涉及通信领域，具体涉及一种异常用电站点检测方法、装置、电子设备及可读存储介质。
背景技术
通信运营商网络机房广泛分布，由于无人看管，基站时长出现偷电漏电的现象，不仅侵害了通信运营商的合法权益，还造成了资源损失，而且偷电漏电现象引起的电压不稳问题，还对机房设备造成较大的安全隐患。由于偷电漏电的隐秘性，很难及时和精准地检测机房用电异常情况。
现有的机房用电异常检测主要方案包括：(1)在机房内部加装智能电表，收集机房内部所有设备用电数据，并与智能电表用电数据进行匹配，从而获得异常用电的数据。2、利用设备额定功率检测，机房的每个设备都有其最大额定功率，设备正常用电不可能突破最大额定功率，获取机房内所有设备的最大功率值，用每月的用电数据与整个月机房所有设备的额定功率比对，将超过额定功率的设备对应的站点标识为异常站点，从而获得异常用电数据。方案(1)的缺陷在于投资大，存在不适合加装智能电表的机房且收集机房内部所有设备用电数据较困难。方案(2)的缺陷在于比对维度单一，没有考虑影响机房设备用电量的其他因素，且机房设备额定功率值本身就比较大，即使出现偷电现象，也很少会超过额定功率，因此方案(2)的检测精度不足。
发明内容
本申请实施例提供一种异常用电站点检测方法、装置、电子设备及可读存储介质，用以解决现有机房用电异常检测方案中存在的上述问题。
第一方面，本申请实施例提供一种异常用电站点检测方法，包括：
采集待检测站点的耗电数据、业务数据和能耗数据，确定所述耗电数据对应的第一变化率，所述业务数据对应的第二变化率以及所述能耗数据对应的第三变化率；
在所述耗电数据符合目标正态分布的情况下，根据所述目标正态分布确定异常时间；
根据所述第一变化率、所述第二变化率和所述第三变化率，确定变化率相关系数和变化率反相关时间；
根据所述异常时间、所述变化率相关系数和所述变化率反相关时间，确定所述待检测站点中的异常用电站点。
在一个实施例中，所述采集待检测站点的耗电数据、业务数据和能耗数据的步骤之后包括：
在所述耗电数据中存在缺失数据的情况下，确定所述缺失数据对应的第一时间；
获取所述第一时间对应的数据序列，根据预设插值法和所述数据序列，对所述缺失数据进行补充。
在一个实施例中，所述采集待检测站点的耗电数据、业务数据和能耗数据，确定所述耗电数据对应的第一变化率，所述业务数据对应的第二变化率以及所述能耗数据对应的第三变化率的步骤之后包括：
根据预设抽样方式确定所述耗电数据对应的均值序列；
根据预设校验公式对所述均值序列进行检验，得到校验结果；
根据所述检验结果判断所述耗电数据是否符合目标正态分布。
在一个实施例中，所述根据所述目标正态分布确定异常时间的步骤包括：
根据所述目标正态分布对应的标准差，确定所述耗电数据中的偏离数据；
确定所述偏离数据的采集时间，并将所述采集时间作为异常时间。
在一个实施例中，所述根据所述第一变化率、所述第二变化率和所述第三变化率，确定变化率相关系数和变化率反相关时间的步骤包括：
根据所述第一变化率、所述第二变化率和预设系数计算公式，确定第一变化率相关系数；
根据所述第一变化率、所述第三变化率和预设系数计算公式，确定第二变化率相关系数；
在所述第一变化率相关系数小于预设阈值的情况下，根据所述第一变化率相关系数确定第一变化率反相关时间；
在所述第二变化率相关系数小于预设阈值的情况下，根据所述第二变化率相关系数确定第二变化率反相关时间。
在一个实施例中，所述根据所述异常时间、所述变化率相关系数和所述变化率反相关时间，确定所述待检测站点中的异常用电站点的步骤包括：
根据所述耗电数据、所述异常时间、所述变化率相关系数和所述变化率反相关时间，确定所述待检测站点对应的第一特征向量；
获取预设异常站点对应的第二特征向量，计算所述第一特征向量与所述第二特征向量之间的夹角弧度值；
根据所述夹角弧度值的大小对各所述待检测站点进行排序，根据排序结果确定各所述待检测站点中的异常用电站点。
在一个实施例中，所述确定所述耗电数据对应的第一变化率，所述业务数据对应的第二变化率以及所述能耗数据对应的第三变化率的步骤包括：
在所述耗电数据、所述业务数据以及所述能耗数据具有相同采集时间和相同采集周期的情况下，根据各所述采集时间对应的耗电数据计算第一变化率；
根据各所述采集时间对应的业务数据计算第二变化率，根据各所述采集时间对应的能耗数据计算第三变化率。
第二方面，本申请实施例提供一种异常用电站点检测装置，包括：
变化率计算模块，用于采集待检测站点的耗电数据、业务数据和能耗数据，确定所述耗电数据对应的第一变化率，所述业务数据对应的第二变化率以及所述能耗数据对应的第三变化率；
异常时间确定模块，用于在所述耗电数据符合目标正态分布的情况下，根据所述目标正态分布确定异常时间；
相关系数计算模块，用于根据所述第一变化率、所述第二变化率和所述第三变化率，确定变化率相关系数和变化率反相关时间；
异常用电站点确定模块，用于根据所述异常时间、所述变化率相关系数和所述变化率反相关时间，确定所述待检测站点中的异常用电站点。
第三方面，本申请实施例提供一种电子设备，包括处理器和存储有计算机程序的存储器，所述处理器执行所述计算机程序时实现第一方面所述的异常用电站点检测方法的步骤。
第四方面，本申请实施例提供一种可读存储介质，包括计算机程序，所述计算机程序被处理器执行时实现第一方面所述的异常用电站点检测方法的步骤。
本申请实施例提供的异常用电站点检测方法、装置、电子设备及可读存储介质，通过采集待检测站点的耗电数据、业务数据和能耗数据，确定各数据对应的变化率，在耗电数据符合目标正态分布的情况下，根据目标正态分布确定异常时间，然后根据各数据对应的变化率，确定变化率相关系数和变化率反相关时间，最终根据异常时间、变化率相关系数和变化率反相关时间，确定待检测站点中的异常用电站点，通过待检测站点的耗电数据、业务数据和能耗数据计算并检测异常用电站点，实现异常用电站点的精确识别。
附图说明
为了更清楚地说明本申请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一简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，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是本申请实施例提供的异常用电站点检测方法的流程示意图之一；
图2是本申请实施例提供的异常用电站点检测方法的流程示意图之二；
图3是本申请实施例提供的异常用电站点检测装置的结构示意图；
图4是本申请实施例提供的电子设备的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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他实施例，都属于本申请保护的范围。
参照图1，图1是本申请实施例中异常用电站点检测方法的流程示意图之一。本申请实施例提供的异常用电站点检测方法，可以包括：
步骤S100，采集待检测站点的耗电数据、业务数据和能耗数据，确定所述耗电数据对应的第一变化率，所述业务数据对应的第二变化率以及所述能耗数据对应的第三变化率；
具体地，通信运营商网络机房广泛分布在全国各处，机房用电无人看管，偷漏电现象时有发生，因此，及时准确地检测出网络机房中出现偷漏电现象的机房便成为了亟待解决的技术问题。本实施例中的待检测站点即是指待检测偷漏电现象的机房，通过机房内的设备(例如电表)采集待检测站点的耗电数据、业务数据和能耗数据，采集周期可以是30天或者60天，采集时间点可以是0点，采集得到的耗电数据包括采集周期内待检测站点每天的耗电量，业务数据和能耗数据相同，以时间先后顺序对耗电数据、业务数据和能耗数据进行排序，得到各待检测站点的耗电数据、业务数据和能耗数据。
以按时间排序得到的耗电数据为例，确定耗电数据对应的第一变化率的方法是：第N天的变化率＝(第N天的耗电数据－第N-1天的耗电数据)×100÷第N天的耗电数据。业务数据对应的第二变化率以及能耗数据对应的第三变化率计算方法与上述耗电数据对应的第一变化率相同。
步骤S200，在所述耗电数据符合目标正态分布的情况下，根据所述目标正态分布确定异常时间；
具体地，以时间先后顺序对耗电数据、业务数据和能耗数据进行排序，得到各待检测站点的耗电数据、业务数据和能耗数据后，判断耗电数据是否符合本实施例中的目标正态分布，具体方法如下：每次从总体耗电数据中随机抽取多个不同日期的耗电数据求出平均值，随机抽取多次，记录每次抽取的平均值，并且多次抽取需覆盖所有日期的耗电数据。校验每次抽取的平均值是否符合正态分布，校验公式如下：其中，n为抽取次数，/>为n次抽取的均值，xi为第i次抽取的平均值,xj为第j次抽取的平均值，exp为以自然常数e为底的指数函数。/>假设每次抽取的平均值符合正态分布，置信度α设定为0.05，计算Tep，如果Tep落入拒绝域，{TEP≥T1-α,EP(n)}，则不属于正态分布，拒绝域和EP检验查表信息如下表1所示。
表1
如果待检测站点的耗电数据属于正态分布，则按照偏离样本均值超过3倍的标准差筛选潜在异常数据的日期，统计发生潜在发生异常数据的天数，即本实施例中的异常时间的天数。
步骤S300，根据所述第一变化率、所述第二变化率和所述第三变化率，确定变化率相关系数和变化率反相关时间；
具体地，本实施例中的变化率相关系数包括第一变化率相关系数和第二变化率相关系数，变化率反相关时间包括第一变化率反相关时间和第二变化率反相关时间。确定耗电数据对应的第一变化率(以E表示)的方法是：第N天的变化率＝(第N天的耗电数据－第N-1天的耗电数据)×100÷第N天的耗电数据；确定能耗数据对应的第三变化率(以C表示)的方法是：第N天的变化率＝(第N天的能耗数据－第N-1天的能耗数据)×100÷第N天的能耗数据。则根据第一变化率、第三变化率和预设系数计算公式，确定第二变化率相关系数r(E，C)的方法是：Cov用于计算协方差，Var用于计算方差。第一变化率相关系数的计算方法与第二变化率相关系数相同。得到第一变化率相关系数与第二变化率相关系数后，在第一变化率相关系数小于预设阈值的情况下，根据第一变化率相关系数确定第一变化率反相关时间的方法是：按照时间顺序对齐耗电数据对应的第一变化率和能耗数据对应的第三变化率，若时间对齐的第一变化率和第三变化率正负相反，则确定该天为第二变化率反相关时间。第一变化率反相关时间的确定方法与第二变化率反相关时间的确定方法相同。
步骤S400，根据所述异常时间、所述变化率相关系数和所述变化率反相关时间，确定所述待检测站点中的异常用电站点。
具体地，得到异常时间、变化率相关系数和变化率反相关时间等特征数据后，将所有的站点用电特征，抽象为一组一组的向量。向量包含的内容如下：[站点耗电数据均值，方差，峰度，偏度统计信息，第一变化率相关系数，第二变化率相关系数，变化率反相关时间天数，反相关偏离幅度值]。通过向量内积，计算出待检测站点的特征向量与已知存在偷电行为的站点的特征向量之间的夹角弧度值，取待检测站点中最小弧度值对应的待预测站点作为检测结果。a＝{x1 x2 ... xn}，b＝{y1 y2 ... yn}，a为待检测站点的特征向量，b为已知存在偷电行为的站点的特征向量，cosθ为待检测站点的特征向量与已知存在偷电行为的站点的特征向量之间的夹角弧度值。按照从小到大的顺序对各夹角弧度值排序，其中排序靠前的待检测站点存在偷电行为的可能性越大，输出为异常用电站点。
本实施例通过采集待检测站点的耗电数据、业务数据和能耗数据，确定各数据对应的变化率，在耗电数据符合目标正态分布的情况下，根据目标正态分布确定异常时间，然后根据各数据对应的变化率，确定变化率相关系数和变化率反相关时间，最终根据异常时间、变化率相关系数和变化率反相关时间，确定待检测站点中的异常用电站点，通过待检测站点的耗电数据、业务数据和能耗数据计算并检测异常用电站点，实现异常用电站点的精确识别。
在一个实施例中，本申请实施例提供的异常用电站点检测方法，还可以包括：
步骤S101，在所述耗电数据中存在缺失数据的情况下，确定所述缺失数据对应的第一时间；
步骤S102，获取所述第一时间对应的数据序列，根据预设插值法和所述数据序列，对所述缺失数据进行补充。
具体地，由于数据采集不稳定等原因，某些待检测站点的耗电数据、业务数据和能耗数据可能存在数据缺失的情况，针对缺失的数据(例如某天耗电量为空值)，鉴于数据在短时间内相对稳定的特性，本实施例采用均值补差的方式对缺失数据进行填充处理。以时间先后顺序对耗电数据、业务数据和能耗数据进行排序(即本实施例中的数据序列)，得到各待检测站点的耗电数据、业务数据和能耗数据之后，采用以下均值补差的方式(即本实施中的预设插值法)对缺失数据进行填充处理，首先确定缺失数据在按照时间排序的耗电数据或业务数据或能耗数据中的位置，计算缺失数据时间顺序前后数据的平均值，将缺失数据时间顺序前后数据的平均值作为缺失数据，对缺失数据进行补充。
本实施例通过预设插值法和时间排序，对缺失数据进行补充，保证了数据的完整性，为后续实现异常用电站点的精确识别奠定了数据基础。
在一个实施例中，本申请实施例提供的异常用电站点检测方法，还可以包括：
步骤S110，根据预设抽样方式确定所述耗电数据对应的均值序列；
步骤S120，根据预设校验公式对所述均值序列进行检验，得到校验结果；
步骤S130，根据所述检验结果判断所述耗电数据是否符合目标正态分布。
具体地，以时间先后顺序对耗电数据、业务数据和能耗数据进行排序，得到各待检测站点的耗电数据、业务数据和能耗数据后，判断耗电数据是否符合本实施例中的目标正态分布，具体方法如下：根据预设抽样方式每次从总体耗电数据中随机抽取多个(例如，5-8个)不同日期的耗电数据求出平均值，随机抽取多次(例如，200次)，记录每次抽取的平均值，得到耗电数据对应的均值序列，并且多次抽取需覆盖所有日期的耗电数据。校验耗电数据对应的均值序列是否符合正态分布，校验公式(即本实施例中的预设校验公式)如下：其中，n为抽取次数，/>为n次抽取的均值，xi为第i次抽取的平均值,xj为第j次抽取的平均值，exp为以自然常数e为底的指数函数。/>假设每次抽取的平均值符合正态分布，置信度α设定为0.05，计算Tep，如果Tep落入拒绝域，{TEP≥T1-α,EP(n)}，则不属于正态分布，假设n＝200，α＝0.05，T1-α，EP(n)＝0.379，将n＝200，α＝0.05代入上述公式(1)，若得到的Tep≥T1-α，EP(n)，则判断耗电数据符合目标正态分布。
本实施例通过预设抽样方式和预设校验公式判断耗电数据是否符合目标正态分布，初步对耗电数据进行校验，为后续实现异常用电站点的精确识别奠定了数据基础。
在一个实施例中，本申请实施例提供的异常用电站点检测方法，还可以包括：
步骤S210，根据所述目标正态分布对应的标准差，确定所述耗电数据中的偏离数据；
步骤S220，确定所述偏离数据的采集时间，并将所述采集时间作为异常时间。
具体地，如果待检测站点的耗电数据属于正态分布，则按照偏离样本均值超过3倍的标准差筛选潜在异常数据(即本实施例中的偏离数据)的日期，统计发生潜在发生异常数据的天数，即本实施例中的异常时间的天数。
本实施例通过目标正态分布筛选潜在异常数据，初步对耗电数据进行筛选，为后续实现异常用电站点的精确识别奠定了数据基础。
在一个实施例中，本申请实施例提供的异常用电站点检测方法，还可以包括：
步骤S310，根据所述第一变化率、所述第二变化率和预设系数计算公式，确定第一变化率相关系数；
步骤S320，根据所述第一变化率、所述第三变化率和预设系数计算公式，确定第二变化率相关系数；
步骤S330，在所述第一变化率相关系数小于预设阈值的情况下，根据所述第一变化率相关系数确定第一变化率反相关时间；
步骤S340，在所述第二变化率相关系数小于预设阈值的情况下，根据所述第二变化率相关系数确定第二变化率反相关时间。
具体地，确定耗电数据对应的第一变化率(以E表示)的方法是：第N天的变化率＝(第N天的耗电数据－第N-1天的耗电数据)×100÷第N天的耗电数据；确定能耗数据对应的第三变化率(以C表示)的方法是：第N天的变化率＝(第N天的能耗数据－第N-1天的能耗数据)×100÷第N天的能耗数据。则根据第一变化率、第三变化率和预设系数计算公式，确定第二变化率相关系数r(E，C)的方法是：Cov用于计算协方差，Var用于计算方差。第一变化率相关系数的计算方法与第二变化率相关系数相同。得到第一变化率相关系数与第二变化率相关系数后，在第一变化率相关系数小于预设阈值的情况下，根据第一变化率相关系数确定第一变化率反相关时间的方法是：按照时间顺序对齐耗电数据对应的第一变化率和能耗数据对应的第三变化率，若时间对齐的第一变化率和第三变化率正负相反，则确定该天为第二变化率反相关时间。第一变化率反相关时间的确定方法与第二变化率反相关时间的确定方法相同。
本实施例通过变化率和预设系数计算公式确定变化率相关系数和变化率反相关时间，得到确定异常用电站点的数据，实现异常用电站点的精确识别。
参照图2，图2是本申请实施例中异常用电站点检测方法的流程示意图之二，在一个实施例中，本申请实施例提供的异常用电站点检测方法，还可以包括：
步骤S410，根据所述耗电数据、所述异常时间、所述变化率相关系数和所述变化率反相关时间，确定所述待检测站点对应的第一特征向量；
步骤S420，获取预设异常站点对应的第二特征向量，计算所述第一特征向量与所述第二特征向量之间的夹角弧度值；
步骤S430，根据所述夹角弧度值的大小对各所述待检测站点进行排序，根据排序结果确定各所述待检测站点中的异常用电站点。
具体地，得到异常时间、变化率相关系数和变化率反相关时间等特征数据后，将所有的站点用电特征，抽象为一组一组的向量，即本实施例中的第一特征向量。第一特征向量包含的内容如下：[站点耗电数据均值，方差，峰度，偏度统计信息，第一变化率相关系数，第二变化率相关系数，变化率反相关时间天数，反相关偏离幅度值]。通过向量内积，计算出待检测站点的特征向量与已知存在偷电行为的站点(即本实施例中的预设异常站点)的特征向量(即本实施例中的第二特征向量)之间的夹角弧度值，取待检测站点中最小弧度值对应的待预测站点作为检测结果。a＝{x1 x2 ... xn}，b＝{y1 y2 ... yn}，a为待检测站点的特征向量，b为已知存在偷电行为的站点的特征向量，cosθ为待检测站点的特征向量与已知存在偷电行为的站点的特征向量之间的夹角弧度值。按照从小到大的顺序对各夹角弧度值排序，其中排序靠前的待检测站点存在偷电行为的可能性越大，输出为异常用电站点。
本实施例通过异常时间、变化率相关系数和变化率反相关时间等特征数据，确定异常用电站点，实现异常用电站点的精确识别。
在一个实施例中，本申请实施例提供的异常用电站点检测方法，还可以包括：
步骤S103，在所述耗电数据、所述业务数据以及所述能耗数据具有相同采集时间和相同采集周期的情况下，根据各所述采集时间对应的耗电数据计算第一变化率；
步骤S104，根据各所述采集时间对应的业务数据计算第二变化率，根据各所述采集时间对应的能耗数据计算第三变化率。
具体地，在耗电数据、业务数据以及能耗数据具有相同采集时间和相同采集周期的情况下，以60天采集周期，0点采集时间，按时间排序得到的耗电数据为例，确定耗电数据对应的第一变化率的方法是：第N天的变化率＝(第N天的耗电数据－第N-1天的耗电数据)×100÷第N天的耗电数据。业务数据对应的第二变化率以及能耗数据对应的第三变化率计算方法与上述耗电数据对应的第一变化率相同。
本实施例通过计算各数据对应的变化率，为后续实现异常用电站点的精确识别奠定了数据基础。
参考图3，图3是本申请实施例中异常用电站点检测装置的结构示意图，下面对本申请实施例提供的异常用电站点检测装置进行描述，下文描述的异常用电站点检测装置与上文描述的异常用电站点检测方法可相互对应参照。
异常用电站点检测装置，包括：
变化率计算模块301，用于采集待检测站点的耗电数据、业务数据和能耗数据，确定所述耗电数据对应的第一变化率，所述业务数据对应的第二变化率以及所述能耗数据对应的第三变化率；
异常时间确定模块302，用于在所述耗电数据符合目标正态分布的情况下，根据所述目标正态分布确定异常时间；
相关系数计算模块303，用于根据所述第一变化率、所述第二变化率和所述第三变化率，确定变化率相关系数和变化率反相关时间；
异常用电站点确定模块304，用于根据所述异常时间、所述变化率相关系数和所述变化率反相关时间，确定所述待检测站点中的异常用电站点。
可选地，所述异常用电站点检测装置，还包括：
第一时间确定模块，用于在所述耗电数据中存在缺失数据的情况下，确定所述缺失数据对应的第一时间；
缺失数据补充模块，用于获取所述第一时间对应的数据序列，根据预设插值法和所述数据序列，对所述缺失数据进行补充。
可选地，所述异常用电站点检测装置，还包括：
均值序列确定模块，用于根据预设抽样方式确定所述耗电数据对应的均值序列；
校验结果确定模块，用于根据预设校验公式对所述均值序列进行检验，得到校验结果；
判断模块，用于根据所述检验结果判断所述耗电数据是否符合目标正态分布。
可选地，所述异常时间确定模块，包括：
偏离数据确定单元，用于根据所述目标正态分布对应的标准差，确定所述耗电数据中的偏离数据；
异常时间确定单元，用于确定所述偏离数据的采集时间，并将所述采集时间作为异常时间。
可选地，所述相关系数计算模块，包括：
第一变化率相关系数确定单元，用于根据所述第一变化率、所述第二变化率和预设系数计算公式，确定第一变化率相关系数；
第二变化率相关系数确定单元，用于根据所述第一变化率、所述第三变化率和预设系数计算公式，确定第二变化率相关系数；
第一变化率反相关时间确定单元，用于在所述第一变化率相关系数小于预设阈值的情况下，根据所述第一变化率相关系数确定第一变化率反相关时间；
第二变化率反相关时间确定单元，用于在所述第二变化率相关系数小于预设阈值的情况下，根据所述第二变化率相关系数确定第二变化率反相关时间。
可选地，所述异常用电站点确定模块，包括：
第一特征向量确定单元，用于根据所述耗电数据、所述异常时间、所述变化率相关系数和所述变化率反相关时间，确定所述待检测站点对应的第一特征向量；
夹角弧度值计算单元，用于获取预设异常站点对应的第二特征向量，计算所述第一特征向量与所述第二特征向量之间的夹角弧度值；
异常用电站点确定单元，用于根据所述夹角弧度值的大小对各所述待检测站点进行排序，根据排序结果确定各所述待检测站点中的异常用电站点。
可选地，所述变化率计算模块，包括：
第一变化率计算单元，用于在所述耗电数据、所述业务数据以及所述能耗数据具有相同采集时间和相同采集周期的情况下，根据各所述采集时间对应的耗电数据计算第一变化率；
第三变化率计算单元，用于根据各所述采集时间对应的业务数据计算第二变化率，根据各所述采集时间对应的能耗数据计算第三变化率。
图4示例了一种电子设备的实体结构示意图，如图4所示，该电子设备可以包括：处理器(processor)410、通信接口(Communication Interface)420、存储器(memory)430和通信总线440，其中，处理器410，通信接口420，存储器430通过通信总线440完成相互间的通信。处理器410可以调用存储器430中的计算机程序，以执行异常用电站点检测方法的步骤。
此外，上述的存储器430中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本申请实施例还提供一种可读存储介质，所述可读存储介质包括计算机程序，所述计算机程序可存储在非暂态计算机可读存储介质上，所述计算机程序被处理器执行时，计算机能够执行上述各实施例所提供的异常用电站点检测方法的步骤。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的异常用电站点检测方法。
最后应说明的是：以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
Claims (10)
1.一种异常用电站点检测方法，其特征在于，包括：
采集待检测站点的耗电数据、业务数据和能耗数据，确定所述耗电数据对应的第一变化率，所述业务数据对应的第二变化率以及所述能耗数据对应的第三变化率；
在所述耗电数据符合目标正态分布的情况下，根据所述目标正态分布确定异常时间；
根据所述第一变化率、所述第二变化率和所述第三变化率，确定变化率相关系数和变化率反相关时间；
根据所述异常时间、所述变化率相关系数和所述变化率反相关时间，确定所述待检测站点中的异常用电站点。
2.根据权利要求1所述的异常用电站点检测方法，其特征在于，所述采集待检测站点的耗电数据、业务数据和能耗数据的步骤之后包括：
在所述耗电数据中存在缺失数据的情况下，确定所述缺失数据对应的第一时间；
获取所述第一时间对应的数据序列，根据预设插值法和所述数据序列，对所述缺失数据进行补充。
3.根据权利要求1所述的异常用电站点检测方法，其特征在于，所述采集待检测站点的耗电数据、业务数据和能耗数据，确定所述耗电数据对应的第一变化率，所述业务数据对应的第二变化率以及所述能耗数据对应的第三变化率的步骤之后包括：
根据预设抽样方式确定所述耗电数据对应的均值序列；
根据预设校验公式对所述均值序列进行检验，得到校验结果；
根据所述检验结果判断所述耗电数据是否符合目标正态分布。
4.根据权利要求1所述的异常用电站点检测方法，其特征在于，所述根据所述目标正态分布确定异常时间的步骤包括：
根据所述目标正态分布对应的标准差，确定所述耗电数据中的偏离数据；
确定所述偏离数据的采集时间，并将所述采集时间作为异常时间。
5.根据权利要求1所述的异常用电站点检测方法，其特征在于，所述根据所述第一变化率、所述第二变化率和所述第三变化率，确定变化率相关系数和变化率反相关时间的步骤包括：
根据所述第一变化率、所述第二变化率和预设系数计算公式，确定第一变化率相关系数；
根据所述第一变化率、所述第三变化率和预设系数计算公式，确定第二变化率相关系数；
在所述第一变化率相关系数小于预设阈值的情况下，根据所述第一变化率相关系数确定第一变化率反相关时间；
在所述第二变化率相关系数小于预设阈值的情况下，根据所述第二变化率相关系数确定第二变化率反相关时间。
6.根据权利要求1所述的异常用电站点检测方法，其特征在于，所述根据所述异常时间、所述变化率相关系数和所述变化率反相关时间，确定所述待检测站点中的异常用电站点的步骤包括：
根据所述耗电数据、所述异常时间、所述变化率相关系数和所述变化率反相关时间，确定所述待检测站点对应的第一特征向量；
获取预设异常站点对应的第二特征向量，计算所述第一特征向量与所述第二特征向量之间的夹角弧度值；
根据所述夹角弧度值的大小对各所述待检测站点进行排序，根据排序结果确定各所述待检测站点中的异常用电站点。
7.根据权利要求1所述的异常用电站点检测方法，其特征在于，所述确定所述耗电数据对应的第一变化率，所述业务数据对应的第二变化率以及所述能耗数据对应的第三变化率的步骤包括：
在所述耗电数据、所述业务数据以及所述能耗数据具有相同采集时间和相同采集周期的情况下，根据各所述采集时间对应的耗电数据计算第一变化率；
根据各所述采集时间对应的业务数据计算第二变化率，根据各所述采集时间对应的能耗数据计算第三变化率。
8.一种异常用电站点检测装置，其特征在于，包括：
变化率计算模块，用于采集待检测站点的耗电数据、业务数据和能耗数据，确定所述耗电数据对应的第一变化率，所述业务数据对应的第二变化率以及所述能耗数据对应的第三变化率；
异常时间确定模块，用于在所述耗电数据符合目标正态分布的情况下，根据所述目标正态分布确定异常时间；
相关系数计算模块，用于根据所述第一变化率、所述第二变化率和所述第三变化率，确定变化率相关系数和变化率反相关时间；
异常用电站点确定模块，用于根据所述异常时间、所述变化率相关系数和所述变化率反相关时间，确定所述待检测站点中的异常用电站点。
9.一种电子设备，包括处理器和存储有计算机程序的存储器，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7任一项所述的异常用电站点检测方法的步骤。
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述异常用电站点检测方法。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210713265.0A CN117312744A (zh) | 2022-06-22 | 2022-06-22 | 异常用电站点检测方法、装置、电子设备及可读存储介质 |
| PCT/CN2022/143575 WO2023246070A1 (zh) | 2022-06-22 | 2022-12-29 | 异常用电站点检测方法、装置、电子设备及可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210713265.0A CN117312744A (zh) | 2022-06-22 | 2022-06-22 | 异常用电站点检测方法、装置、电子设备及可读存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117312744A true CN117312744A (zh) | 2023-12-29 |
Family
ID=89279967
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210713265.0A Pending CN117312744A (zh) | 2022-06-22 | 2022-06-22 | 异常用电站点检测方法、装置、电子设备及可读存储介质 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN117312744A (zh) |
| WO (1) | WO2023246070A1 (zh) |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2006146459A (ja) * | 2004-11-18 | 2006-06-08 | Renesas Technology Corp | 半導体デバイスの製造方法および製造システム |
| CN103488867A (zh) * | 2013-07-16 | 2014-01-01 | 深圳市航天泰瑞捷电子有限公司 | 一种用电异常用户自动筛选方法 |
| CN105228175B (zh) * | 2015-09-17 | 2018-11-06 | 福建新大陆软件工程有限公司 | 一种基于决策树的基站能耗优化方法及*** |
| JP7170564B2 (ja) * | 2019-03-14 | 2022-11-14 | 三菱電機株式会社 | モータ劣化傾向監視システム |
| CN110458230A (zh) * | 2019-08-12 | 2019-11-15 | 江苏方天电力技术有限公司 | 一种基于多判据融合的配变用采数据异常甄别方法 |
-
2022
- 2022-06-22 CN CN202210713265.0A patent/CN117312744A/zh active Pending
- 2022-12-29 WO PCT/CN2022/143575 patent/WO2023246070A1/zh unknown
Also Published As
| Publication number | Publication date |
|---|---|
| WO2023246070A1 (zh) | 2023-12-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110505196B (zh) | 物联网卡异常检测方法及装置 | |
| CN108198408B (zh) | 一种基于用电信息采集***的自适应反窃电监控方法及*** | |
| CN112597263B (zh) | 管网检测数据异常判断方法及*** | |
| CN103297267B (zh) | 一种网络行为的风险评估方法和*** | |
| CN110457175B (zh) | 业务数据处理方法、装置、电子设备及介质 | |
| CN111008510A (zh) | 一种台区内电表识别方法及判断电表所属台区的方法 | |
| CN113762525B (zh) | 一种具有差分隐私保护的联邦学习模型训练方法 | |
| Veerakumar et al. | PMU-based real-time distribution system state estimation considering anomaly detection, discrimination and identification | |
| CN112198375B (zh) | 单相用户的相位识别方法、装置、设备和存储介质 | |
| CN108900319B (zh) | 故障检测方法和装置 | |
| CN115936428A (zh) | 增量配电网防外破定值优化*** | |
| CN113075563A (zh) | 一种动力电池析锂的检测方法、装置和车辆 | |
| CN109270316A (zh) | 一种电力用户用电量异常识别方法、装置及终端设备 | |
| CN111353138A (zh) | 一种异常用户识别的方法、装置、电子设备及存储介质 | |
| CN110738415A (zh) | 基于用电采集***和离群点算法的窃电用户分析方法 | |
| CN117312744A (zh) | 异常用电站点检测方法、装置、电子设备及可读存储介质 | |
| CN108134703B (zh) | 网络小区隐患故障预测分析方法及装置 | |
| CN107580329B (zh) | 一种网络分析优化方法及装置 | |
| CN115795475A (zh) | 软件***风险的确定方法、装置及电子设备 | |
| CN107067700A (zh) | 采集用电信息的方法、装置和*** | |
| CN109521312B (zh) | 一种非技术线损检测方法、装置及*** | |
| CN113837512A (zh) | 异常用户的识别方法及装置 | |
| Augusto et al. | Low-cardinality critical k-tuples in measurement sets for state estimation | |
| CN115423250B (zh) | 一种台区户变关系分析方法 | |
| CN114124966B (zh) | 一种台区线损分析推送方法、***、电子设备及存储介质 |
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 |