一种电量异常确定方法、装置、设备及介质与流程

本技术涉及数据处理，尤其涉及一种电量异常确定方法、装置、设备及介质。

背景技术：

1、用电量数据作为电力公司与用户结算的基础性数据，其准确性对于用户电费结算至关重要，目前用户电费结算主要以自然月作为结算周期，若在月份电费结算时存在电量错误则会导致用户电费产生差错，极易使电力公司或用户产生经济损失，此外还会引发用户投诉与社会舆情。电力公司为确保用户电量计量的准确性，在电能表误差智能监测与电能表故障监测方面进行了大量的算法改进，极大降低了电能表计量差错产生的比例。但仍存在以下几种情况导致用户电量计量错误，一是完成电能表计量异常监测与故障电能表的线下更换需要一定的时间周期，而电费结算于每月初开展，在电费结算周期内容易存在异常电能表未治理的情况，进而导致发行的电量电费产生差错。二是用户在申请用电变更业务过程中需要进行抄表，抄表数据属于人工录入，而人为失误极易导致电量数据录入错误，进而影响电量电费的准确性。三是调整用户档案时可能会误将受电点、计量点关系及电费计算所需的字段数据变更，导致计算用户电量电费的基础数据错误，进而导致电量电费误差。四是用户内部存在电力故障，例如漏电等故障同样会导致出现异常电量，但是在电能表终端无法发现其异常。

技术实现思路

1、本技术实施提供了一种电量异常确定方法、装置、设备及介质，用以解决现有技术中无法确定电量异常的问题。

2、本技术实施例提供了一种电量异常确定方法，所述方法包括：

3、接收确定请求，获取所述确定请求中携带的待确定月份、待预测用户的标识；

4、获取所述待预测用户所述待确定月份的实际用电量；并获取所述待确定月份对应的温度数据集和节假日数据集；

5、基于预先训练完成的预测模型和所述温度数据集和所述节假日数据集，确定所述待确定月份的预测最大用电量和预测最小用电量；

6、基于所述预测最大用电量、所述预测最小用电量和所述实际用电量，确定用电是否异常。

7、进一步地，所述基于预先训练完成的预测模型和所述温度数据集和所述节假日数据集，确定所述待确定月份的预测最大用电量和预测最小用电量包括：

8、将所述温度数据集和所述节假日数据集输入预先训练完成的预测模型中，获取所述预测模型输出的负荷趋势预测曲线；

9、并获取历史每年所述待确定月份对应的每个历史负荷曲线的集合；获取所述集合对应的负荷波动曲线；

10、根据所述负荷趋势预测曲线和所述负荷波动曲线融合，获取负荷预测上限曲线和负荷预测下限曲线；

11、根据所述负荷预测上限曲线和所述负荷预测下限曲线，确定所述待确定月份的预测最大用电量和预测最小用电量。

12、进一步地，所述获取所述集合对应的负荷波动曲线，包括：

13、对所述集合中的月份负荷曲线元素，两两进行离散度分析，获得离散度最大的一组负荷曲线；

14、提取离散度最大的一组负荷曲线间的波动特征曲线。

15、进一步地，所述根据所述负荷趋势预测曲线和所述负荷波动曲线融合，获取负荷预测上限曲线和负荷预测下限曲线，包括：

16、根据所述负荷趋势预测曲线和所述负荷波动曲线上各点的和值，确定负荷预测上限曲线；

17、并根据所述负荷趋势预测曲线和所述负荷波动曲线上各点的差值，确定负荷预测下限曲线。

18、进一步地，所述确定所述待确定月份的预测最大用电量和预测最小用电量之后，所述基于所述预测最大用电量、所述预测最小用电量和所述实际用电量，确定用电是否异常之前，所述方法还包括：

19、获取所述待预测用户的非计量基础用电量；

20、基于所述预测最大用电量和所述非计量基础用电量的和值，对所述预测最大用电量更新；

21、并基于所述预测最小用电量和所述非计量基础用电量的和值，对所述预测最小用电量更新；

22、针对更新后的预测最大用电量和预测最小用电量，执行后续，基于所述预测最大用电量、所述预测最小用电量和所述实际用电量，确定用电是否异常的步骤。

23、进一步地，所述预测模型通过以下方式训练：

24、对所述集合中的每个元素进行j层小波分解，获得负荷趋势曲线的集合；

25、基于所述负荷趋势曲线的集合、历史每年所述待确定月度的历史温度数据集和历史节假日数据集对预测模型进行训练。

26、进一步地，所述方法还包括：

27、若确定用电正常，则发行所述实际用电量；

28、若确定用电异常，则将所述实际用电量和所述待预测用户的标识发送至预设设备，若接收到预设设备返回的确认指令，则发行所述实际用电量。

29、本技术实施例还提供了一种电量异常确定产品，所述产品包括：

30、接收模块，用于接收确定请求，获取所述确定请求中携带的待确定月份、待预测用户的标识；

31、获取模块，用于获取所述待预测用户所述待确定月份的实际用电量；并获取所述待确定月份对应的温度数据集和节假日数据集；

32、处理模块，用于基于预先训练完成的预测模型和所述温度数据集和所述节假日数据集，确定所述待确定月份的预测最大用电量和预测最小用电量；基于所述预测最大用电量、所述预测最小用电量和所述实际用电量，确定用电是否异常。

33、进一步地，所述处理模块，具体用于将所述温度数据集和所述节假日数据集输入预先训练完成的预测模型中，获取所述预测模型输出的负荷趋势预测曲线；

34、并获取历史每年所述待确定月份对应的每个历史负荷曲线的集合；获取所述集合对应的负荷波动曲线；

35、根据所述负荷趋势预测曲线和所述负荷波动曲线融合，获取负荷预测上限曲线和负荷预测下限曲线；

36、根据所述负荷预测上限曲线和所述负荷预测下限曲线，确定所述待确定月份的预测最大用电量和预测最小用电量。

37、进一步地，所述处理模块，具体用于对所述集合中的月份负荷曲线元素，两两进行离散度分析，获得离散度最大的一组负荷曲线；

38、提取离散度最大的一组负荷曲线间的波动特征曲线。

39、进一步地，所述处理模块，具体用于根据所述负荷趋势预测曲线和所述负荷波动曲线上各点的和值，确定负荷预测上限曲线；

40、并根据所述负荷趋势预测曲线和所述负荷波动曲线上各点的差值，确定负荷预测下限曲线。

41、进一步地，所述处理模块，还用于获取所述待预测用户的非计量基础用电量；

42、基于所述预测最大用电量和所述非计量基础用电量的和值，对所述预测最大用电量更新；

43、并基于所述预测最小用电量和所述非计量基础用电量的和值，对所述预测最小用电量更新；

44、针对更新后的预测最大用电量和预测最小用电量，执行后续，基于所述预测最大用电量、所述预测最小用电量和所述实际用电量，确定用电是否异常的步骤。

45、进一步地，所述处理模块，还用于通过以下方式训练所述预测模型：

46、对所述集合中的每个元素进行j层小波分解，获得负荷趋势曲线的集合；

47、基于所述负荷趋势曲线的集合、历史每年所述待确定月度的历史温度数据集和历史节假日数据集对预测模型进行训练。

48、进一步地，所述处理模块，还用于若确定用电正常，则发行所述实际用电量；

49、若确定用电异常，则将所述实际用电量和所述待预测用户的标识发送至预设设备，若接收到预设设备返回的确认指令，则发行所述实际用电量。

50、本技术实施例还提供了一种电子设备，所述电子设备至少包括处理器和存储器，所述处理器用于执行存储器中存储的计算机程序时实现如上任一项所述电量异常确定方法的步骤。

51、本技术实施例还提供了一种计算机可读存储介质，其存储有计算机程序，所述计算机程序被处理器执行时实现如上述任一项所述电量异常确定方法的步骤。

52、由于在本技术实施例中，电子设备在接收到确定请求后，获取确定请求中携带的待确定月份和待预测用户的标识，获取该待预测用户在该待确定月份的实际用电量，并获取历史每年该待确定月份的温度数据集和节假日数据集，基于预先训练完成的预测模型和该温度数据集和节假日数据集，确定待确定月份的预测最大用电量和预测最小用电量，基于该预测最大用电量和预测最小用电量以及实际用电量，确定待预测用户的用电是否异常，从而可以准确有效地进行用电是否异常的确定。

技术特征：

1.一种电量异常确定方法，其特征在于，所述方法包括：

2.根据权利要求1所述的方法，其特征在于，所述基于预先训练完成的预测模型和所述温度数据集和所述节假日数据集，确定所述待确定月份的预测最大用电量和预测最小用电量包括：

3.根据权利要求2所述的方法，其特征在于，所述获取所述集合对应的负荷波动曲线，包括：

4.根据权利要求2所述的方法，其特征在于，所述根据所述负荷趋势预测曲线和所述负荷波动曲线融合，获取负荷预测上限曲线和负荷预测下限曲线，包括：

5.根据权利要求1或2所述的方法，其特征在于，所述确定所述待确定月份的预测最大用电量和预测最小用电量之后，所述基于所述预测最大用电量、所述预测最小用电量和所述实际用电量，确定用电是否异常之前，所述方法还包括：

6.根据权利要求2所述的方法，其特征在于，所述预测模型通过以下方式训练：

7.根据权利要求1-6任一项所述的方法，其特征在于，所述方法还包括：

8.一种电量异常确定产品，其特征在于，所述产品包括：

9.一种电子设备，其特征在于，所述电子设备至少包括处理器和存储器，所述处理器用于执行存储器中存储的计算机程序时实现如上述权利要求1-7任一项所述电量异常确定方法的步骤。

10.一种计算机可读存储介质，其特征在于，其存储有计算机程序，所述计算机程序被处理器执行时实现如上述权利要求1-7任一项所述电量异常确定方法的步骤。

技术总结
本申请实施提供了一种电量异常确定方法、装置、设备及介质，用以解决现有技术中无法确定电量异常的问题。由于在本申请实施例中，电子设备在接收到确定请求后，获取确定请求中携带的待确定月份和待预测用户的标识，获取该待预测用户在该待确定月份的实际用电量，并获取历史每年该待确定月份的温度数据集和节假日数据集，基于预先训练完成的预测模型和该温度数据集和节假日数据集，确定待确定月份的预测最大用电量和预测最小用电量，基于该预测最大用电量和预测最小用电量以及实际用电量，确定待预测用户的用电是否异常，从而可以准确有效地进行用电是否异常的确定。

技术研发人员：李镓辰,曹美娟,程蕾,勘学超,芦琳,梁晔,周湛宇,刘琳,姜珊,靳雪君,刘鹏程,万珂
受保护的技术使用者：国网北京市电力公司
技术研发日：
技术公布日：2024/12/5