一种基于实时用电信息及大数据分析的窃电判别方法与流程

本发明属于电力系统，尤其涉及一种基于实时用电信息及大数据分析的窃电判别方法。

背景技术：

1、为了采用大数据实现对窃电的准确识别，在发明专利公告号cn111521868b《一种基于计量大数据筛查窃电用户的方法及装置》中通过获取计量大数据，其中，计量大数据包括用电量、台区损失电量和线损率；根据计量大数据，确定窃电行为特征；利用预设算法并根据窃电行为特征，计算窃电行为相关参数阈值；利用预设算法并根据目标台区的计量大数据，计算目标台区内用户的窃电行为相关参数；将窃电行为相关参数与窃电行为相关参数阈值进行比较；根据比较结果筛查目标台区内的窃电嫌疑用户，提高了筛查窃电用户的工作效率，但是却存在以下技术问题：

2、1、忽视了温度、用电量、输电线路材料的电阻率对阈值的影响，线损核心是由于线路的阻抗值产生的，而不同的温度、用电量、输电线路材料的电阻率都会影响线路的阻抗值，因此采用固定的阻抗值的方式，不仅不够准确，而且有可能会导致对窃电用户的错误识别。

3、2、仅仅采用某一次的识别结果的误差概率较大，由于用电设备更换或者短路等异常情况的出现，会导致对用电用户的的窃电行为的错误识别，因此若不通过一定的时间阈值内的多次的识别，则有可能会导致对窃电用户的错误识别。

4、针对上述技术问题，本发明提供了一种基于实时用电信息及大数据分析的窃电判别方法。

技术实现思路

1、为实现本发明目的，本发明采用如下技术方案：

2、根据本发明的一个方面，提供了一种基于实时用电信息及大数据分析的窃电判别方法。

3、一种基于实时用电信息及大数据分析的窃电判别方法，其特征在于，具体包括：

4、s11基于用户的历史用电数据，确定所述用户的用电数据异常阈值，并基于所述用户的实时用电数据，并判断所述用户的实时用电数据是否大于用电数据异常阈值，若是，则进入步骤s12，若否，则判断所述用户不存在窃电行为；

5、s12基于所述用户的实时用电数据、天气温度、输电线路材料的电阻率，采用基于la-gsa-gru算法的线损预测模型，获取所述用户的线损阈值；

6、s13判断所述用户的线损率是否大于所述用户的线损阈值，若是，则将所述用户认定为潜在异常客户，并将所述用户的线损率与线损阈值的比值作为线损比值，并进入步骤s14,若否，则判断所述用户不存在窃电行为；

7、s14当近一月内所述用户被认定为潜在线损用户的次数大于第一阈值时，基于所述用户被认定为潜在异常线损用户的次数、所有被认定为潜在异常线损用户时的线损比值的平均值、被认定为潜在异常线损用户时的线损比值的最大值，采用基于机器学习算法的预测模型，确定所述潜在线损用户的线损异常度，并基于所述潜在线损用户的线损异常度实现对窃电行为的判别。

8、通过基于用户的实时用电数据、天气温度、输电线路材料的电阻率，获取所述用户的线损阈值，从而使得线损阈值的确定与用户的实时用电数据、天气温度和输电线路材料的电阻率结合起来，避免了原有的采用固定的线损阈值的不准确以及灵活性较差的技术问题，进一步促进了判断的可靠性和准确性。

9、通过采用基于la-gsa-gru算法的线损预测模型，通过基于学习自动机进行gsa中初始引力的自动调整，从而使得gsa算法具有更好的寻优性能和更快的收敛速度，同时为了避免gru算法在结构无法自动选择、随机初始参数对其计算过程产生直接影响、收敛速度慢等的问题，通过采用la-gsa算法实现对gru算法的隐含层的网络层数、每层的节点数的寻优，进一步提升了收敛速度和收敛精度。

10、通过对潜在异常客户的判断以及第一阈值的设置，从而使得对于用户窃电行为的判断不仅仅依靠单一的数据或者单一的潜在异常情况，并结合采用机器学习算法的预测模型实现线损异常度的判断，使得判断的准确性和可靠性都明显得到提升，进一步保证了线损判断的可靠性。

11、进一步的技术方案在于，所述用户的用电数据异常阈值根据所述用户近一年内的用电数据的最大值进行确定。

12、进一步的技术方案在于，线损阈值构建的具体步骤为：

13、s21判断所述用户的实时用电数据是否大于近一周内所述用户相同时刻的历史用电数据的最大值，若是，则进入步骤s22；若否，则所述用户不存在线损异常情况，无须进行线损阈值的判断；

14、s22基于所述用户的实时用电数据与近一周内所述用户相同时刻的历史用电数据的平均值的比值得到实时用电比；

15、s23基于所述实时用电比、天气温度、输电线路材料的电阻率，采用基于la-gsa-gru算法的线损预测模型，获取所述用户的基础线损阈值；

16、s24基于近一月内所述用户被认定为潜在线损用户的次数对所述用户的基础线损阈值进行修正，得到所述用户的线损阈值。

17、通过首先进行历史用电数据的判断，从而避免了不必要的计算和预测模型的搭建，进一步提升了系统的效率，并进一步结合近一月内所述用户被认定为潜在线损用户的次数对所述用户的基础线损阈值进行修正，从而使得最终的线损阈值的判断的准确性和可靠性都得到明显提升。

18、通过实时用电比的判断，从而不仅结合实时用电数据，同时也与近一周内的用电数据相结合，从而使得最终的判断的数据的可靠性和一致性都得到进一步的提升。

19、进一步的技术方案在于，所述用户的线损阈值的计算公式为：

20、

21、其中tlimit为次数阈值，一般取3到5次之间,t1为近一月内所述用户被认定为潜在线损用户的次数，d1为基础线损阈值，k1为常数，取值范围在0到0.05之间。

22、进一步的技术方案在于，所述第一阈值根据所述潜在线损用户的历史电费欠费次数、历史电费欠费金额进行确定，其中所述潜在线损用户的历史电费欠费次数越多、历史电费欠费金额越多，则所述第一阈值越小。

23、进一步的技术方案在于，当近一月内所述用户被认定为潜在线损用户的次数大于第二阈值且近一月内被认定为潜在异常线损用户时的线损比值的最大值大于第一比值阈值，则认定所述用户存在窃电行为，其中所述第二阈值大于第一阈值。

24、进一步的技术方案在于，线损异常度构建的具体步骤为：

25、s31判断近一月内所述用户被认定为潜在线损用户的次数是否大于第三阈值，若是，则认定所述用户存在窃电行为,若否，则进入步骤s32；

26、s32判断所述用户是否所有被认定为潜在异常线损用户时的线损比值的平均值大于第一平均值阈值且近一月内所述用户被认定为潜在线损用户的次数大于第二阈值，若是，则认定所述用户存在窃电行为，若否，则进入步骤s33；

27、s33基于所述用户被认定为潜在异常线损用户的次数、每次被认定为潜在异常线损用户时的线损比值的平均值、被认定为潜在异常线损用户时的线损比值的最大值，采用基于bp神经网络算法的预测模型，确定所述潜在线损用户的线损异常度。

28、通过进一步结合第三阈值、第二阈值、以及第一平均阈值的设置，从而使得可以对于异常用户能够准确的进行识别，进而避免了部分异常程度较大的用户占用过多的计算资源，从而提升了判断的效率，并且对于异常程度较小的用户也提升了判断的精度。

29、进一步的技术方案在于，当所述潜在线损用户的线损异常度大于第一异常度阈值时，则认定所述用户存在窃电行为；当所述潜在线损用户的线损异常度大于第二异常度阈值且所述用户被认定为潜在线损用户的次数大于第二阈值，则认定所述用户存在窃电行为。

30、另一方面，本发明提供了一种终端设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时，实现上述的一种基于实时用电信息及大数据分析的窃电判别方法。

31、另一方面，本发明提供了一种计算机存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行上述的一种基于实时用电信息及大数据分析的窃电判别方法。

32、其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点在说明书以及附图中所特别指出的结构来实现和获得。

33、为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。