CN112906790A - 一种基于用电数据的独居老人识别方法和系统 - Google Patents
一种基于用电数据的独居老人识别方法和系统 Download PDFInfo
- Publication number
- CN112906790A CN112906790A CN202110192708.1A CN202110192708A CN112906790A CN 112906790 A CN112906790 A CN 112906790A CN 202110192708 A CN202110192708 A CN 202110192708A CN 112906790 A CN112906790 A CN 112906790A
- Authority
- CN
- China
- Prior art keywords
- data
- electricity consumption
- living alone
- elderly
- elderly living
- 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.)
- Granted
Links
- 230000005611 electricity Effects 0.000 title claims abstract description 71
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000012549 training Methods 0.000 claims abstract description 25
- 238000007621 cluster analysis Methods 0.000 claims abstract description 8
- 238000003066 decision tree Methods 0.000 claims description 18
- 239000013598 vector Substances 0.000 claims description 10
- 230000002159 abnormal effect Effects 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 238000007637 random forest analysis Methods 0.000 claims description 8
- 238000012795 verification Methods 0.000 claims description 8
- 238000012216 screening Methods 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 6
- 238000011002 quantification Methods 0.000 claims 2
- 238000004364 calculation method Methods 0.000 claims 1
- 238000004140 cleaning Methods 0.000 abstract description 5
- 238000012544 monitoring process Methods 0.000 abstract description 5
- 238000013139 quantization Methods 0.000 abstract description 3
- 238000002372 labelling Methods 0.000 description 2
- 241000253999 Phasmatodea Species 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
Images
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
- G06F18/24323—Tree-organised classifiers
-
- 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
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
-
- 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)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Alarm Systems (AREA)
Abstract
本申请公开了一种基于用电数据的独居老人识别方法和系统，所述方法包括：随机选取批量低压用户用电数据，对选取数据进行清洗；对数据进行特征选择并向量化；对向量化的数据进行聚类分析；聚类分析结果结合电力营销数据，筛选疑似独居老人群体样本数据；对疑似独居老人群体样本数据进行随机验证，确定模型训练用正样本和负样本；构建独居老人识别模型，并利用正样本、负样本进行模型训练；获取全量用户用电数据，利用独居老人识别模型识别独居老人。本发明可借助电表等电力采集设备获得数据，无需投入大量资金安装监控设备；可以在缺少训练样本的情况下，利用原始用电数据，构建独居老人识别模型，快速定位独居老人用户。
Description
技术领域
本发明属于用电数据分析应用技术领域，涉及一种基于用电数据的独居老人识别方法和系统。
背景技术
目前针对独居老人监测的方法比较多，如通过智能设备来对独居老人检测，防止老人遇到危险无法得到及时的救助，如智能拐杖、智能手环等，或者通过视频监控和人工智能技术，对老人的行为、表情等进行识别和监控。
但是很多独居老人往往生活在社会的边缘，尤其是迫切需要帮助的独居老人，如何找到这些独居老人给他们提供必要地帮助，目前还没有比较好地方法。当前往往还是只能通过基层社区走访调查来获得独居老人名单。这种方法要消耗巨大的人力物力，且完全依赖社区管理水平和工作效率。在一些人口多且复杂的巨型社区，往往很难及时更新独居老人名单信息。虽然可以通过安装监控等设备来减轻社区工作强度，但是这需要前期投入大量的资金，且后期也需要专人维护。
发明内容
为解决现有技术中的不足，本申请提供一种基于用电数据的独居老人识别方法和系统。
为了实现上述目标，本发明采用如下技术方案：
一种基于用电数据的独居老人识别方法，其特征在于：
所述方法包括以下步骤：
步骤1：随机选取批量低压用户用电数据，对选取数据进行清洗，去除用电异常值和空值；
步骤2：对步骤1数据进行特征选择并向量化；
步骤3：利用聚类算法，对步骤2向量化的数据进行聚类分析；
步骤4：步骤3的聚类分析结果结合电力营销数据，筛选疑似独居老人群体样本数据；
步骤5：对步骤4的疑似独居老人群体样本数据进行随机验证，确定模型训练用正样本和负样本；
步骤6：构建独居老人识别模型，将步骤5确定的正样本与负样本分别打上标签合并在一起作为模型的训练数据训练独居老人识别模型；
步骤7：获取全量用户用电数据，利用独居老人识别模型识别独居老人。
本发明进一步包括以下优选方案：
优选地，步骤1所述低压用户为接入电压低于380V的用户；
所使用的用电数据为随机选取的50万用户最近两年每日用电量；
所述异常值包括日用电量为负值的或日用电量大于日用电量设定阈值。
优选地，步骤2中，选定用电统计特征并对各用户用电统计特征进行计算，将每一户的用电统计特征以向量形式存储。
优选地，所述用电统计特征包括夏季与冬季平均用电量比值、工作日与非工作日用电平均值比值、三日以上假期和非三日以上假期用电平均值和方差。
优选地，步骤3具体步骤如下：
步骤301：将每个用户特征向量作为一类，计算两两之间的最小欧式距离；
步骤302：将欧式距离最小的两个类合并成一个新类；
步骤303：重复计算新类与所有类之间的距离；
步骤304：重复步骤302和步骤303，直到所有类合并为一类。
优选地，步骤4所述电力营销数据包括用户基础档案和缴费渠道。
优选地，步骤5中，从疑似独居老人群体样本数据中随机取样，进行实地验证，如果准确率达到设定阈值，则将步骤4的疑似独居老人群体样本数据作为负样本，并从步骤3聚类结果中与负样本欧式距离最远的数据群作为正样本，如果准确率未达到设定阈值，则返回步骤2，重新进行特征选择及向量化处理。
优选地，步骤6中，采用随机森林模型构建独居老人识别模型，假设样本数量为N，每个样本有M个特征，具体训练步骤如下：
步骤601：从样本中有放回的抽样N次，每次1个，形成N个样本，并利用随机选择的N个样本来训练一个决策树，作为决策树根节点处的样本；
步骤602：步骤601中的决策树每个节点分裂时，随机从M个特征中选取m个特征，并保证m<<M，然后利用信息增益的策略从m个特征中选择一个特征作为该节点的分裂特征；
步骤603：重复步骤602，直到决策树节点不能分裂为止；
步骤604：按照步骤601、步骤602、步骤603的顺序，建立批量决策树；
步骤605：将步骤604中形成的决策树组成随机森林，作为独居老人识别模型。
优选地，步骤7中，将全量用户用电数据按照步骤2的方式进行特征选择并向量化，输入步骤6训练完成的独居老人识别模型中，获得独居老人名单；
所述全量用户用电数据是指全省全部低压用户最近两年每日用电量。
本申请还公开了另一件发明，即一种基于用电数据的独居老人识别系统，所述系统包括：
初始数据获取模块，用于随机选取批量低压用户用电数据，对选取数据进行清洗，去除用电异常值和空值；
特征选择与向量化模块，用于对初始数据获取模块的数据进行特征选择并向量化；
聚类分析模块，用于利用自下向上基于层次的聚类算法，对向量化的数据进行聚类分析；
样本数据筛选模块，用于利用聚类分析结果结合电力营销数据，筛选疑似独居老人群体样本数据；
训练样本验证模块，用于对疑似独居老人群体样本数据进行随机验证，确定模型训练用正样本和负样本；
模型构建模块，用于构建独居老人识别模型，并利用正样本、负样本进行模型训练；
识别模块，用于获取全量用户用电数据，利用独居老人识别模型识别独居老人。
本申请所达到的有益效果：
1.本发明通过对用电数据的分析与其他电力营销数据的辅助验证，迅速找出高概率独居老人名单，减轻社区等排查工作，为后续关爱独居老人工作提供前提条件；
2.本发明可借助电表等电力采集设备获得数据，无需投入大量资金安装监控设备；可以在缺少训练样本的情况下，利用原始用电数据，构建独居老人识别模型，快速定位独居老人用户。
附图说明
图1是本发明一种基于用电数据的独居老人识别方法的流程图。
具体实施方式
下面结合附图对本申请作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本申请的保护范围。
本发明利用用户用电数据，快速定位独居老人用户，并在缺少训练样本的情况下，通过聚类算法和电力营销数据辅助验证等方式，获得正负样本标签和特征信息，用于模型训练。
具体的，如图1所示，本发明的一种基于用电数据的独居老人识别方法，包括以下步骤：
步骤1：随机选取批量低压用户用电数据，对选取数据进行清洗，去除用电异常值、空值等，其中低压用户为接入电压低于380V的用户；
所使用的用电数据为随机选取的50万用户最近两年每日用电量；
所述异常值包括日用电量为负值的或日用电量过大的；
步骤2：对步骤1数据进行特征选择并向量化。
选定用电统计特征并对各用户用电统计特征进行计算，将每一户的用电统计特征以向量形式存储；
所述用户用电统计特征包括夏季与冬季平均用电量比值、工作日与非工作日用电平均值比值、三日以上假期与非三日以上假期用电平均值和方差等等。
步骤3：利用聚类算法，对步骤2向量化的数据进行聚类分析，具体聚类算法步骤如下：
步骤301：将每个用户特征向量作为一类，计算两两之间的最小欧式距离，如用户a的特征向量为A＝(a1,a2,a3,…),用户b的特征向量为B＝(b1,b2,b3,…)，用户c的特征向量为C＝(c1,c2,c3,…)，用户a与用户b特征向量的欧式距离Lab为
同样的方法可以求得用户a与用户c的欧式距离Lac以及用户b与用户c的欧氏距离Lbc。
步骤302：将欧式距离最小的两个类合并成一个新类，如Lab、Lbc、Lac三个距离中，Lab最小，则将用户a和用户b合并成一个新类；
步骤303：重复计算新类与所有类之间的距离；
步骤304：重复步骤302和步骤303，直到所有类合并为一类。
通过上述聚类，可以将用电特征相近的用户分到同一组中。
步骤4：步骤3的聚类分析结果结合电力营销数据等方式，筛选疑似独居老人群体样本数据；
所述电力营销数据包括用户基础档案、缴费渠道等；
例如，可以将用户年龄、是否为线下缴费等信息作为条件，将聚类结果中符合该条件的聚类群体筛选出来。
步骤5：对步骤4的疑似独居老人群体样本数据进行随机验证，确定模型训练用正样本和负样本；
从疑似独居老人群体样本数据中随机取样，进行实地验证，如果准确率达到设定阈值如80％，则将步骤4的疑似独居老人群体样本数据作为负样本，并从步骤3聚类结果中与负样本欧式距离最远的数据群作为正样本。如果准确率未达到80％，则返回步骤2，重新进行特征选择和向量化处理；
步骤6：构建独居老人识别模型，将步骤5确定的正样本与负样本分别打上标签合并在一起作为模型的训练数据训练独居老人识别模型，因为模型是一个二分类模型，需要判断输入数据是否为独居老人，因此用于训练的样本也需要两种类型，即步骤5所确定的正负样本；
采用随机森林模型构建独居老人识别模型，假设样本数量为N，每个样本有M个特征，具体训练步骤如下：
步骤601：从样本中有放回的抽样N次，每次1个，形成N个样本，并利用随机选择的N个样本来训练一个决策树，作为决策树根节点处的样本；
步骤602：步骤601中的决策树每个节点分裂时，随机从M个特征中选取m个特征，并保证m<<M，然后利用信息增益的策略从m个特征中选择一个特征作为该节点的分裂特征；
步骤603：重复步骤602，直到决策树节点不能分裂为止；
步骤604：按照步骤601、步骤602、步骤603的顺序，建立批量决策树；
步骤605：将步骤604中形成的决策树组成随机森林，作为独居老人识别模型。
步骤7：获取全量用户用电数据，利用独居老人识别模型识别独居老人。
将全量用户用电数据按照步骤2的方式进行特征选择并向量化，输入步骤6训练完成的独居老人识别模型中，获得独居老人名单；
所述全量用户用电数据是指全省全部低压用户最近两年每日用电量。
一种基于用电数据的独居老人识别系统，所述系统包括：
初始数据获取模块，用于随机选取批量低压用户用电数据，对选取数据进行清洗，去除用电异常值和空值；
特征选择与向量化模块，用于对初始数据获取模块的数据进行特征选择并向量化；
聚类分析模块，用于利用自下向上基于层次的聚类算法，对向量化的数据进行聚类分析；
样本数据筛选模块，用于利用聚类分析结果结合电力营销数据，筛选疑似独居老人群体样本数据；
训练样本验证模块，用于对疑似独居老人群体样本数据进行随机验证，确定模型训练用正样本和负样本；
模型构建模块，用于构建独居老人识别模型，并利用正样本、负样本进行模型训练；
识别模块，用于获取全量用户用电数据，利用独居老人识别模型识别独居老人。
本发明申请人结合说明书附图对本发明的实施示例做了详细的说明与描述，但是本领域技术人员应该理解，以上实施示例仅为本发明的优选实施方案，详尽的说明只是为了帮助读者更好地理解本发明精神，而并非对本发明保护范围的限制，相反，任何基于本发明的发明精神所作的任何改进或修饰都应当落在本发明的保护范围之内。
Claims (10)
1.一种基于用电数据的独居老人识别方法，其特征在于：
所述方法包括以下步骤：
步骤1：随机选取批量低压用户用电数据，对选取数据进行清洗，去除用电异常值和空值；
步骤2：对步骤1数据进行特征选择并向量化；
步骤3：利用聚类算法，对步骤2向量化的数据进行聚类分析；
步骤4：步骤3的聚类分析结果结合电力营销数据，筛选疑似独居老人群体样本数据；
步骤5：对步骤4的疑似独居老人群体样本数据进行随机验证，确定模型训练用正样本和负样本；
步骤6：构建独居老人识别模型，将步骤5确定的正样本与负样本分别打上标签合并在一起作为模型的训练数据训练独居老人识别模型；
步骤7：获取全量用户用电数据，利用独居老人识别模型识别独居老人。
2.根据权利要求1所述的一种基于用电数据的独居老人识别方法，其特征在于：
步骤1所述低压用户为接入电压低于380V的用户；
所使用的用电数据为随机选取的50万用户最近两年每日用电量；
所述异常值包括日用电量为负值的或日用电量大于日用电量设定阈值。
3.根据权利要求1所述的一种基于用电数据的独居老人识别方法，其特征在于：
步骤2中，选定用电统计特征并对各用户用电统计特征进行计算，将每一户的用电统计特征以向量形式存储。
4.根据权利要求3所述的一种基于用电数据的独居老人识别方法，其特征在于：
所述用电统计特征包括夏季与冬季平均用电量比值、工作日与非工作日用电平均值比值、三日以上假期和非三日以上假期用电平均值和方差。
5.根据权利要求1所述的一种基于用电数据的独居老人识别方法，其特征在于：
步骤3具体步骤如下：
步骤301：将每个用户特征向量作为一类，计算两两之间的最小欧式距离；
步骤302：将欧式距离最小的两个类合并成一个新类；
步骤303：重复计算新类与所有类之间的距离；
步骤304：重复步骤302和步骤303，直到所有类合并为一类。
6.根据权利要求1所述的一种基于用电数据的独居老人识别方法，其特征在于：
步骤4所述电力营销数据包括用户基础档案和缴费渠道。
7.根据权利要求1所述的一种基于用电数据的独居老人识别方法，其特征在于：
步骤5中，从疑似独居老人群体样本数据中随机取样，进行实地验证，如果准确率达到设定阈值，则将步骤4的疑似独居老人群体样本数据作为负样本，并从步骤3聚类结果中与负样本欧式距离最远的数据群作为正样本，如果准确率未达到设定阈值，则返回步骤2，重新进行特征选择及向量化处理。
8.根据权利要求1所述的一种基于用电数据的独居老人识别方法，其特征在于：
步骤6中，采用随机森林模型构建独居老人识别模型，假设样本数量为N，每个样本有M个特征，具体训练步骤如下：
步骤601：从样本中有放回的抽样N次，每次1个，形成N个样本，并利用随机选择的N个样本来训练一个决策树，作为决策树根节点处的样本；
步骤602：步骤601中的决策树每个节点分裂时，随机从M个特征中选取m个特征，并保证m<<M，然后利用信息增益的策略从m个特征中选择一个特征作为该节点的分裂特征；
步骤603：重复步骤602，直到决策树节点不能分裂为止；
步骤604：按照步骤601、步骤602、步骤603的顺序，建立批量决策树；
步骤605：将步骤604中形成的决策树组成随机森林，作为独居老人识别模型。
9.根据权利要求1所述的一种基于用电数据的独居老人识别方法，其特征在于：
步骤7中，将全量用户用电数据按照步骤2的方式进行特征选择并向量化，输入步骤6训练完成的独居老人识别模型中，获得独居老人名单；
所述全量用户用电数据是指全省全部低压用户最近两年每日用电量。
10.根据权利要求1-9任一项所述的一种基于用电数据的独居老人识别方法的基于用电数据的独居老人识别系统，其特征在于：
所述系统包括：
初始数据获取模块，用于随机选取批量低压用户用电数据，对选取数据进行清洗，去除用电异常值和空值；
特征选择与向量化模块，用于对初始数据获取模块的数据进行特征选择并向量化；
聚类分析模块，用于利用自下向上基于层次的聚类算法，对向量化的数据进行聚类分析；
样本数据筛选模块，用于利用聚类分析结果结合电力营销数据，筛选疑似独居老人群体样本数据；
训练样本验证模块，用于对疑似独居老人群体样本数据进行随机验证，确定模型训练用正样本和负样本；
模型构建模块，用于构建独居老人识别模型，并利用正样本、负样本进行模型训练；
识别模块，用于获取全量用户用电数据，利用独居老人识别模型识别独居老人。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110192708.1A CN112906790B (zh) | 2021-02-20 | 2021-02-20 | 一种基于用电数据的独居老人识别方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110192708.1A CN112906790B (zh) | 2021-02-20 | 2021-02-20 | 一种基于用电数据的独居老人识别方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112906790A true CN112906790A (zh) | 2021-06-04 |
| CN112906790B CN112906790B (zh) | 2023-08-18 |
Family
ID=76124115
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110192708.1A Active CN112906790B (zh) | 2021-02-20 | 2021-02-20 | 一种基于用电数据的独居老人识别方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112906790B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113298175A (zh) * | 2021-06-10 | 2021-08-24 | 国网江苏省电力有限公司营销服务中心 | 基于多场景和多元数据的独居老人用电监控方法和系统 |
| CN113447711A (zh) * | 2021-08-02 | 2021-09-28 | 宁夏隆基宁光仪表股份有限公司 | 具有老人用电异常报警功能的智能电表及其报警方法 |
| CN113780452A (zh) * | 2021-09-16 | 2021-12-10 | 国网北京市电力公司 | 独居群体的监控方法、监控装置以及电子设备 |
| CN114970672A (zh) * | 2022-04-13 | 2022-08-30 | 广东以诺通讯有限公司 | 一种安全家居系统及其使用方法 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120134532A1 (en) * | 2010-06-08 | 2012-05-31 | Gorilla Technology Inc. | Abnormal behavior detection system and method using automatic classification of multiple features |
| US20130346346A1 (en) * | 2012-06-21 | 2013-12-26 | Microsoft Corporation | Semi-supervised random decision forests for machine learning |
| WO2015133635A1 (ja) * | 2014-03-07 | 2015-09-11 | 株式会社日立製作所 | データ分析システム及び方法 |
| CN105184084A (zh) * | 2015-09-14 | 2015-12-23 | 深圳供电局有限公司 | 一种电力计量自动化终端故障类型预测方法和系统 |
| CN109753989A (zh) * | 2018-11-18 | 2019-05-14 | 韩霞 | 基于大数据与机器学习的电力用户窃电行为分析方法 |
| CN110634080A (zh) * | 2018-06-25 | 2019-12-31 | 中兴通讯股份有限公司 | 异常用电检测方法、装置、设备及计算机可读存储介质 |
| KR102060301B1 (ko) * | 2019-04-19 | 2020-02-11 | 한국전력공사 | 전력데이터 기반 생활 행동 패턴 분석 장치 및 방법 |
| CN110826641A (zh) * | 2019-11-13 | 2020-02-21 | 上海积成能源科技有限公司 | 一种基于聚类分析归类居民用电情况的系统及方法 |
| CN111126820A (zh) * | 2019-12-17 | 2020-05-08 | 国网山东省电力公司电力科学研究院 | 反窃电方法及系统 |
| CN111861781A (zh) * | 2020-02-29 | 2020-10-30 | 上海电力大学 | 一种居民用电行为聚类中的特征优选方法及系统 |
| WO2020238631A1 (zh) * | 2019-05-31 | 2020-12-03 | 南京瑞栖智能交通技术产业研究院有限公司 | 一种基于手机信令数据的人群类型识别方法 |
| CN112200209A (zh) * | 2020-06-28 | 2021-01-08 | 国网浙江省电力有限公司金华供电公司 | 一种基于日差分用电量的贫困用户识别方法 |
-
2021
- 2021-02-20 CN CN202110192708.1A patent/CN112906790B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120134532A1 (en) * | 2010-06-08 | 2012-05-31 | Gorilla Technology Inc. | Abnormal behavior detection system and method using automatic classification of multiple features |
| US20130346346A1 (en) * | 2012-06-21 | 2013-12-26 | Microsoft Corporation | Semi-supervised random decision forests for machine learning |
| WO2015133635A1 (ja) * | 2014-03-07 | 2015-09-11 | 株式会社日立製作所 | データ分析システム及び方法 |
| CN105184084A (zh) * | 2015-09-14 | 2015-12-23 | 深圳供电局有限公司 | 一种电力计量自动化终端故障类型预测方法和系统 |
| CN110634080A (zh) * | 2018-06-25 | 2019-12-31 | 中兴通讯股份有限公司 | 异常用电检测方法、装置、设备及计算机可读存储介质 |
| CN109753989A (zh) * | 2018-11-18 | 2019-05-14 | 韩霞 | 基于大数据与机器学习的电力用户窃电行为分析方法 |
| KR102060301B1 (ko) * | 2019-04-19 | 2020-02-11 | 한국전력공사 | 전력데이터 기반 생활 행동 패턴 분석 장치 및 방법 |
| WO2020238631A1 (zh) * | 2019-05-31 | 2020-12-03 | 南京瑞栖智能交通技术产业研究院有限公司 | 一种基于手机信令数据的人群类型识别方法 |
| CN110826641A (zh) * | 2019-11-13 | 2020-02-21 | 上海积成能源科技有限公司 | 一种基于聚类分析归类居民用电情况的系统及方法 |
| CN111126820A (zh) * | 2019-12-17 | 2020-05-08 | 国网山东省电力公司电力科学研究院 | 反窃电方法及系统 |
| CN111861781A (zh) * | 2020-02-29 | 2020-10-30 | 上海电力大学 | 一种居民用电行为聚类中的特征优选方法及系统 |
| CN112200209A (zh) * | 2020-06-28 | 2021-01-08 | 国网浙江省电力有限公司金华供电公司 | 一种基于日差分用电量的贫困用户识别方法 |
Non-Patent Citations (2)
| Title |
|---|
| 卢子萌;陈佳怡;李?;谢岳;蒋欣利;韩蕾;郭倩;: "基于加权随机森林算法的空巢电力用户识别方法", 电信科学, no. 08 * |
| 庄绪强;: "基于云计算技术的用户用电智能分析技术研究", 自动化与仪器仪表, no. 02 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113298175A (zh) * | 2021-06-10 | 2021-08-24 | 国网江苏省电力有限公司营销服务中心 | 基于多场景和多元数据的独居老人用电监控方法和系统 |
| CN113298175B (zh) * | 2021-06-10 | 2023-09-12 | 国网江苏省电力有限公司营销服务中心 | 基于多场景和多元数据的独居老人用电监控方法和系统 |
| CN113447711A (zh) * | 2021-08-02 | 2021-09-28 | 宁夏隆基宁光仪表股份有限公司 | 具有老人用电异常报警功能的智能电表及其报警方法 |
| CN113780452A (zh) * | 2021-09-16 | 2021-12-10 | 国网北京市电力公司 | 独居群体的监控方法、监控装置以及电子设备 |
| CN114970672A (zh) * | 2022-04-13 | 2022-08-30 | 广东以诺通讯有限公司 | 一种安全家居系统及其使用方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112906790B (zh) | 2023-08-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112906790A (zh) | 一种基于用电数据的独居老人识别方法和系统 | |
| CN112383052B (zh) | 基于电力物联网的电网故障修复方法和装置 | |
| Singh et al. | A review of studies on machine learning techniques | |
| CN109614488B (zh) | 基于文本分类和图像识别的配网带电作业条件判别方法 | |
| CN108985632A (zh) | 一种基于孤立森林算法的用电数据异常检测模型 | |
| CN110909224B (zh) | 一种基于人工智能的敏感数据自动分类识别方法及系统 | |
| CN113496440B (zh) | 一种用户异常用电检测方法及系统 | |
| CN111126820A (zh) | 反窃电方法及系统 | |
| CN114091549B (zh) | 一种基于深度残差网络的设备故障诊断方法 | |
| CN110472671A (zh) | 基于多阶段的油浸式变压器故障数据预处理方法 | |
| CN117131449A (zh) | 面向数据治理的具有传播学习能力的异常识别方法及系统 | |
| CN111506635A (zh) | 一种基于自回归和朴素贝叶斯算法的居民用电行为分析的系统及方法 | |
| CN112836809A (zh) | 一种基于差分特征融合的卷积神经网络的设备特性提取方法以及故障预测的方法 | |
| CN113989544A (zh) | 一种基于深度图卷积网络的群体发现方法 | |
| CN113641906A (zh) | 基于资金交易关系数据实现相似目标人员识别处理的系统、方法、装置、处理器及其介质 | |
| CN114626433A (zh) | 一种智能电能表故障预测并分类方法、装置及系统 | |
| CN114611738A (zh) | 一种基于用户用电行为分析的负荷预测方法 | |
| CN104778250B (zh) | 基于遗传规划决策树的信息物理融合系统数据分类方法 | |
| CN110334767A (zh) | 一种用于空气质量分类的改进随机森林方法 | |
| CN112001436A (zh) | 一种基于改进的极限学习机的水质分类方法 | |
| CN116796894A (zh) | 一种高效深度学习气象预测模型的构建方法 | |
| CN114399407B (zh) | 一种基于动静态选择集成的电力调度监控数据异常检测方法 | |
| CN113807462B (zh) | 一种基于ai的网络设备故障原因定位方法及其系统 | |
| CN116611729A (zh) | 一种基于多任务神经网络的社区韧性评估方法 | |
| CN114490645A (zh) | 一种用于电网结构化数据的自动机器学习方法 |
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 |