一种基于聚类算法的用户窃电严重等级检测的方法与流程
本发明属于计算机科学数据挖掘中的聚类和电气工程中的线损标杆值计算等技术领域，尤其涉及一种基于聚类算法的用户窃电严重等级检测的方法。
背景技术：
我国电业每年都投入大量人力实施用电稽查。然而，窃电多发生在低压用户(尤其居民用户)中，具有分散隐蔽的特点。由于用户量巨大，不可能采取周期性巡查的方法，目前主要靠抄表员或用户举报，然后有针对性地实施现场检查。该方法渗透率低，对窃电高发区明显缺乏威慑力和打击力度。
数据挖掘又称数据库中的知识发现(knowledgediscoverindatabase，kdd)，是目前人工智能和数据库领域研究的热点问题，所谓数据挖掘是指从数据库的大量数据中揭示出隐含的、先前未知的并有潜在价值的信息的非平凡过程。数据挖掘是一种决策支持过程，它主要基于人工智能、机器学习、模式识别、统计学、数据库、可视化技术等，高度自动化地分析企业的数据，做出归纳性的推理，从中挖掘出潜在的模式，帮助决策者调整市场策略，减少风险，做出正确的决策。利用数据挖掘的知识解决用户窃电监测问题是一个新的解决思路。
技术实现要素：
本发明的目的是提供一种利用聚类算法对大量样本进行聚类，有效划分出用户窃电严重等级的检测方法。
为实现上述目的，本发明采用的技术方案是：一种基于聚类算法的用户窃电严重等级检测的方法，包括以下步骤：
步骤1、划分用户窃电严重等级；具体步骤如下：
步骤1.1获取用户用电数据；包括采集电网平台内用户用电量异常率、线损率、三相电压/电流、功率因数的数据样本；
步骤1.2计算用户线损标杆值，确定用户线损异常等级；
步骤1.3、利用步骤1.1所采集三相电压/电流数据计算三相电压/电流不平衡率；
步骤1.4、将步骤1.1-1.3获取的用户用电量异常率、线损异常等级、三相电压/电流不平衡率、功率因数作为数据样本，采用k-means聚类算法进行聚类；设定k值为6，使聚类类别为6种类别，则用户窃电严重等级为0～5；其中，严重等级0代表该用户无窃电风险；观察聚类后6个类别中心点特征，若不具有明显差异或无法很好代表窃电严重等级，则重复聚类步骤直至中心点特征合适，实现划分6种用户窃电严重等级；
步骤:2、确定待检测用户窃电严重等级；具体步骤如下：
步骤2.1首先计算待检测用户的线损标杆值以及三相电压/电流不平衡率，确定用户线损异常率；
步骤2.2计算待检测用户与6个类别严重等级中心点的欧氏距离，取其中距离最近的一个严重等级作为待检测用户的窃电严重等级。
在上述的基于聚类算法的用户窃电严重等级检测的方法中，步骤1.2的实现包括以下步骤：
步骤1.2.1针对不同类型用户计算线损标杆值
步骤1.2.2比较实际线损率与线损标杆值，若实际线损率未超过理论线损标杆值，则线损异常等级为0；若实际线损率超过理论线损标杆值，则对超出值划分区间，得到线损异常等级1～5。
在上述的基于聚类算法的用户窃电严重等级检测的方法中，步骤1.3所述的三相电压/电流不平衡率计算公式具体为；
三相电压不平衡率：
三相电流不平衡率：
本发明的有益效果是：通过计算出特定用户的线损标杆值，可以量化得出用户线损异常等级；通过计算三相电压/电流不平衡率，可以更好的表达用户窃电的特点。自动划分窃电严重等级后，通过计算待检用户与类别中心点的距离确定该用户窃电严重等级。从而能够对数量庞大的低压用户窃电问题进行排查。
附图说明
图1为本发明一个实施例窃电严重等级划分流程图；
图2为本发明一个实施例判定用户窃电等级流程图；
图3为本发明一个实施例用户检测示例图。
具体实施方式
通过以下详细说明结合附图可以进一步理解本发明的特点和优点。所提供的实施例仅是对本发明方法的说明，而不以任何方式限制本发明揭示的其余内容。
本实施例的实现采用以下的技术方案，一种基于聚类算法的用户窃电严重等级检测的方法，包括以下步骤：
步骤1、划分用户窃电严重等级；具体步骤如下：
步骤1.1获取用户用电数据；包括采集电网平台内用户用电量异常率、线损率、三相电压/电流、功率因数的数据样本；
步骤1.2计算用户线损标杆值，确定用户线损异常等级；
步骤1.3、利用步骤1.1所采集三相电压/电流数据计算三相电压/电流不平衡率；
步骤1.4、将步骤1.1-1.3获取的用户用电量异常率、线损异常等级、三相电压/电流不平衡率、功率因数作为数据样本，采用k-means聚类算法进行聚类；设定k值为6，使聚类类别为6种类别，则用户窃电严重等级为0～5；其中，严重等级0代表该用户无窃电风险；观察聚类后6个类别中心点特征，若不具有明显差异或无法很好代表窃电严重等级，则重复聚类步骤直至中心点特征合适，实现划分6种用户窃电严重等级；
步骤:2、确定待检测用户窃电严重等级；具体步骤如下：
步骤2.1首先计算待检测用户的线损标杆值以及三相电压/电流不平衡率，确定用户线损异常率；
步骤2.2计算待检测用户与6个类别严重等级中心点的欧氏距离，取其中距离最近的一个严重等级作为待检测用户的窃电严重等级。
进一步，步骤1.2的实现包括以下具体步骤:
步骤1.2.1针对不同类型用户计算线损标杆值
步骤1.2.2比较实际线损率与线损标杆值，若实际线损率未超过理论线损标杆值，则线损异常等级为0；若实际线损率超过理论线损标杆值，则对超出值划分区间，得到线损异常等级1～5。
更进一步，步骤1.3所述的三相电压/电流不平衡率计算公式具体为；
三相电压不平衡率：
三相电流不平衡率：
具体实施时，本实施例解决的问题是用户窃电严重等级难以划分与检测的问题。在实际工作中，电网用户尤其是低压用户中窃电问题屡见不鲜，但是由于低压用户数量庞大，难以排查，电网内部对于窃电问题也没有具体的技术指标，全靠工作人员凭经验判断处理。本实施例利用对与窃电有关的几种数据类型：用电量异常率、线损率、三相电压/电流、功率因数进行聚类分析，由于不同用户之间的线损率与三相电压/电流特点各不相同，因此，对于线损率，通过计算出特定用户的线损标杆值，可以量化得出用户线损异常等级；其次，对于三相电压/电流，通过计算三相电压/电流不平衡率，可以更好的表达用户窃电的特点。最后，通过无监督的聚类方法对上述样本进行处理，最终形成6类数据，即窃电严重等级0-5，其中严重等级0代表该用户无窃电风险。在自动划分窃电严重等级后，通过计算待检用户与类别中心点的距离即可确定该用户窃电严重等级。
本实施例的步骤如下：
1、在电网平台内采集大量用户数据样本：用电量异常率、线损率、三相电压/电流、功率因数。
2、对采集到的数据样本进行处理：针对不同类型，用户计算线损标杆值
3、利用三相电压/电流计算三相电压/电流不平衡率，计算公式为三相电压不平衡率
4、将用户用电量异常率、线损异常等级、三相电压/电流不平衡率、功率因数作为数据样本，采用k-means聚类算法对其聚类，其中，设定k值为6，使聚类类别为6，即用户窃电严重等级为0～5。观察聚类后的6个类别中心点，若其不具有明显差异或无法很好代表窃电严重等级，则重复4。
5、分别计算待检测用户数据与6种类别中心点的欧氏距离，比较后取距离最近的类别为待检用户窃电严重等级。
如图1所示，首先划分用户窃电严重等级，在获得大量电网用户在用电量异常率、线损率、三相电压/电流、功率因数方面的数据后，分别计算用户线损标杆值以及三相电压/电流不平衡率，确定用户线损异常率。然后把数据样本通过k-means聚类算法(其中k＝6)进行聚类，使训练样本共聚为6类。最后对6类中心点进行检查，若不能很好代表窃电严重等级，则再重复聚类步骤直至满意。最终得出的6个类别即为6种窃电严重等级。
如图2所示，检测用户窃电严重等级的具体步骤，首先也需要计算出待检测用户的线损标杆值以及三相电压/电流不平衡率，确定用户线损异常率。然后计算该用户与6个严重等级中心点的欧氏距离，取其中距离最近的一个严重等级作为该用户的窃电严重等级。
如图3所示，检测用户窃电严重等级的示例图，可以看出图中已经划分了6种窃电严重等级，黑点代表待检测用户，点与等级中心点之间的线段代表了两者之间的欧氏距离。从图中可以看出距离当前用户最近的是等级2，由此可判定该用户具有窃电风险且严重等级为2。
应当理解的是，本说明书未详细阐述的部分均属于现有技术。
虽然以上结合附图描述了本发明的具体实施方式，但是本领域普通技术人员应当理解，这些仅是举例说明，可以对这些实施方式做出多种变形或修改，而不背离本发明的原理和实质。本发明的范围仅由所附权利要求书限定。
- 还没有人留言评论。精彩留言会获得点赞！