一种基于负荷指纹识别的异常用电成因判别方法与流程

1.本发明属于电力识别技术领域，具体涉及一种基于负荷指纹识别的异常用电成因判别方法。


背景技术：

2.窃电作为一种电力用户以出于自身经济利益为目的，通过各种非法手段篡改电能计量装置正常计量数据的恶意异常用电行为，严重干扰了电网公司日常的电能计量工作，严重破坏了电网公司与电力用户间贸易结算的公平性与公正性，乃至影响国家的财政收入。目前，国内电网公司已将反窃电稽查作为定期工作开展，以期实现对实施窃电行为的不法分子的及时抓捕。
3.目前，电网公司的反窃电稽查工作主要技术手段为基于台区线损统计管理的反窃电巡查与基于数据驱动的用户异常用电行为检测，虽然取得了一定成效，窃电检测的召回率可以达到较高水平，但同时存在着因用户可能出现的非恶意异常用电行为带来的误检率过高的问题。针对此问题，目前工程实践中缺乏有效的解决方案。
4.在目前的工程实践中，传统的异常用电检测方法难以分辨用户不同性质的异常用电行为，这对电网公司的负荷管理，特别是反窃电稽查工作提出了巨大的挑战。现有的窃电检测技术主要包括两个方向：基于数据驱动的异常用电检测与基于台区线损统计管理的反窃电巡查。
5.一方面，前者进行异常用电检测的原理是：通过构建基于数理统计的概率分布模型或基于机器学习的数据挖掘模型对待测样本集进行分类或离群点检测，通常将检测出的数据特征明显异于大样本的小样本视为异常数据。该方法的缺陷是：忽视了窃电的本质机理，建立在窃电等恶意异常用电行为是少数情况的基础上而遵循异常小样本辨识的思想来进行检测。同时，相较于以典型负荷曲线为中心的大样本，用户的非恶意异常用电行为产生的负荷曲线具有多样化的特点，因此在该方法的检测过程中同样易被划分为小样本。但是，该方法无法实现对两类小样本的成因进行判别。
6.另一方面，后者进行异常用电检测的原理是：考虑在台区内存在一个关口表把住下属多个用户表的场景，通过建立相关性分析模型检验各用户表的计量值与关口表的计量值是否服从相关性关系，来判断台区内是否发生了窃电情况。该方法的缺陷是：该方法只能确定台区内是否出现窃电现象，而无法对窃电用户进行精准捕捉，且随着关口表下辖用户表数量的增多，允许误差的计算难度增大而导致该方法准确性的下降。同时，该方法为典型的数值解法，忽略了负荷曲线的时间特性，当面对最先进的基于虚假数据注入(false data injection,fdi)模式的对窃电数据进行精细化管理的场景，其检测效果变差。
7.综上，现有的窃电检测技术忽略了用户用电行为的多样化特点，无法对用户不同性质的异常用电行为进行成因判别。


技术实现要素：

8.本发明的目的是为了解决目前异常用电检测方法中因忽略了用户用电行为多样化的特点而在反窃电稽查中造成误检率过高的问题，提出了一种基于负荷指纹识别的异常用电成因判别方法。
9.本发明的技术方案是：一种基于负荷指纹识别的异常用电成因判别方法包括以下步骤：
10.s1：获取负荷数据；
11.s2：根据获取的负荷数据进行用电事件检测，并对用电事件中的用电负荷进行指纹刻画；
12.s3：根据指纹刻画结果，进行负荷指纹识别，判别异常用电成因。
13.进一步地，步骤s1中，根据负荷数据将用户用电行为分为正常用电行为、非恶意异常用电行为和恶意异常用电行为。
14.进一步地，步骤s2包括以下子步骤：
15.s21：设定观测窗口，并根据观测窗口计算检验统计量；
16.s22：在观测窗口中，根据检验统计量进行用电事件检测，得到用电事件集合；
17.s23：将用电事件集合划分为单一用电事件集合与复合用电事件集合；
18.s24：对单一用电事件集合中的用电负荷进行指纹刻画，对复合用电事件集合中的用电负荷进行二次指纹刻画。
19.进一步地，步骤s21中，观测窗口的窗口大小n满足n0《n《n1，其中，n0表示观测窗口大小的最小值，n1表示观测窗口的最大值，z
α/2
表示标准正态分布的上α/2分位点，σ
p
表示标准差，e表示检测到的用电事件的允许偏差量；
20.步骤s22中，检验统计量l
gof
的计算公式为：
[0021][0022]
其中，x
now_i
表示当前观测窗口第i个样本值，x
pre_i
表示前一个观测窗口第i个样本值。
[0023]
进一步地，步骤s22中，进行用电事件检测的具体方法为：若检验统计量l
gof
满足则当前观测窗口中存在用电事件，否则不存在用电事件，其中，α表示置信水平，l
gof
表示检验统计量，n表示观测窗口的窗口大小。
[0024]
进一步地，步骤s24中，对单一用电事件集合中的用电负荷进行指纹刻画和对复合用电事件集合中的用电负荷进行一次指纹刻画的计算公式均为：
[0025][0026][0027]
其中，δp表示用电负荷的有功功率，δq表示用电负荷的无功功率，n表示观测窗口的窗口大小，t表示初始检测时刻，p(i)表示i时刻的有功功率，p(i-n)表示i-n时刻的有
功功率，q(i)表示i时刻的无功功率，q(i-n)表示i-n时刻的无功功率；
[0028]
步骤s24中，对复合用电事件集合进行二次指纹刻画的计算公式为：
[0029][0030][0031]
其中，c
δp
表示复合用电事件集合中各元素c的有功功率特征值，δp
l
表示第l台负荷的有功功率，c
δq
表示复合用电事件集合中各元素c的无功功率特征值，δq
l
表示第l台负荷的无功功率，δa表示噪声特征。
[0032]
进一步地，步骤s3中，根据指纹刻画结果，利用基于密度的噪声应用空间聚类算法进行负荷指纹识别。
[0033]
本发明的有益效果是：本发明拟采用电力指纹技术，提出一种基于负荷指纹识别的异常用电成因判别方法，可以对电力用户恶意与非恶意两种不同性质的异常用电行为产生的负荷曲线进行成因判别，可为保障电网公司有效开展反窃电稽查工作提供技术支撑。通过用电特征匹配的负荷指纹识别对用户用电行为进行感知以实现两种不同性质的异常用电行为的区分。实现对两种性质不同的异常用电行为产生的异常负荷曲线进行成因判别，从而降低了窃电检测的误检率。
附图说明
[0034]
图1为异常用电成因判别方法的流程图。
具体实施方式
[0035]
下面结合附图对本发明的实施例作进一步的说明。
[0036]
在描述本发明的具体实施例之前，为使本发明的方案更加清楚完整，首先对本发明中出现的缩略语和关键术语定义进行说明：
[0037]
恶意异常用电行为：指电力用户以自身利益为目的而进行诸如擅自改变用电类别和擅自超过计划分配的用电指标用电等违规用电行为以及通过各种手段对计量数据进行篡改的窃电等违法用电行为。其中，在生产实践中，窃电是用户恶意异常用电行为的典型代表。
[0038]
非恶意异常用电行为：指用户因为自身用电行为习惯改变等由用户用电行为多样化而产生的异常负荷曲线所反映的用户用电行为。
[0039]
负荷指纹：指特定用电设备在特定工作状态下所体现的负荷特性。
[0040]
基于密度的噪声应用空间聚类算法：基于密度的聚类将样本点进行类簇划分。
[0041]
如图1所示，本发明提供了一种基于负荷指纹识别的异常用电成因判别方法，包括以下步骤：
[0042]
s1：获取负荷数据；
[0043]
s2：根据获取的负荷数据进行用电事件检测，并对用电事件中的用电负荷进行指纹刻画；
[0044]
s3：根据指纹刻画结果，进行负荷指纹识别，判别异常用电成因。
[0045]
在本发明实施例中，步骤s1中，根据负荷数据将用户用电行为分为正常用电行为、非恶意异常用电行为和恶意异常用电行为。
[0046]
在本发明实施例中，步骤s2包括以下子步骤：
[0047]
s21：设定观测窗口，并根据观测窗口计算检验统计量；
[0048]
s22：在观测窗口中，根据检验统计量进行用电事件检测，得到用电事件集合；
[0049]
s23：将用电事件集合划分为单一用电事件集合与复合用电事件集合；
[0050]
s24：对单一用电事件集合中的用电负荷进行指纹刻画，对复合用电事件集合中的用电负荷进行二次指纹刻画。
[0051]
首先基于负荷曲线对用户用电行为产生的用电事件进行检测。事件检测是对用电设备的投切时刻，即用户产生用电行为的时段进行捕捉。负荷曲线是典型的时间序列数据，因此可将其视为变点检测问题。本技术方案选取卡方拟合优度检验(χ2goodness of fitness,χ2gof)方法作为用电事件检测方法。
[0052]
χ2gof是采用卡方统计量进行假设检验的方法。其方法原理是：假设两个相邻的观察窗口的数据具有一致的分布特征，提出检验假设h0，计算χ2gof检验统计量并应用于相邻两个观察窗口，检验其是否服从所提假设h0。若服从所提假设h0，则说明无用电事件发生；若不服从h0，则说明存在用电事件发生。
[0053]
在经过事件检测后，可得到用户用电行为产生的用电事件集合r＝[r1,r2,
…
,rm]。对于用电事件集合r的构成元素，即检测到的各次用电事件r1,r2,
…
,rm又可根据用电设备的组成情况进一步划分为单一用电事件集合s＝[s1,s2,
…
,so]与复合用电事件集合c＝[c1,c2,
…
,c
m-o
]，现考虑对其进行负荷指纹刻画。
[0054]
考虑目前智能电表应用阶段的采样率已经可以实现分钟级数据的获取，因此选取稳态特征，包括有功功率p与无功功率q作为描绘用电事件的特征量。
[0055]
在本发明实施例中，步骤s21中，观测窗口的窗口大小n满足n0《n《n1，其中，n0表示观测窗口大小的最小值，n1表示观测窗口的最大值，由用电设备使用最大时长决定，z
α/2
表示标准正态分布的上α/2分位点，σ
p
表示标准差，e表示检测到的用电事件的允许偏差量，其值根据每户用电设备情况进行设置，例如e＝50w；
[0056]
步骤s22中，检验统计量l
gof
的计算公式为：
[0057][0058]
其中，x
now_i
表示当前观测窗口第i个样本值，x
pre_i
表示前一个观测窗口第i个样本值。
[0059]
在本发明实施例中，步骤s22中，进行用电事件检测的具体方法为：若检验统计量l
gof
满足则当前观测窗口中存在用电事件，否则不存在用电事件，其中，α表示置信水平，一般取0.05，自由度n-1取决于窗口大小n，l
gof
表示检验统计量，n表示观测窗口的窗口大小。即
[0060]
在本发明实施例中，步骤s24中，是对于复合用电事件集合c而言，采用自下而上的
负荷指纹搜索对负荷指纹进行二次刻画。对于负荷的电气学特性，负荷曲线可以看作是各用电设备功率信号叠加而成的总功率信号：对单一用电事件集合中的用电负荷进行指纹刻画和对复合用电事件集合中的用电负荷进行一次指纹刻画的计算公式均为：
[0061][0062][0063]
其中，δp表示用电负荷的有功功率，δq表示用电负荷的无功功率，n表示观测窗口的窗口大小，t表示初始检测时刻，p(i)表示i时刻的有功功率，p(i-n)表示i-n时刻的有功功率，q(i)表示i时刻的无功功率，q(i-n)表示i-n时刻的无功功率；
[0064]
步骤s24中，对复合用电事件集合进行二次指纹刻画的计算公式为：
[0065][0066][0067]
其中，c
δp
表示复合用电事件集合中各元素c的有功功率特征值，δp
l
表示第l台负荷的有功功率，c
δq
表示复合用电事件集合中各元素c的无功功率特征值，δq
l
表示第l台负荷的无功功率，δa表示噪声特征。通过上式的分析，可以基于递归方式对单一用电事件集合s中各元素进行全组合，自下而上地对复合用电事件c中各元素进行匹配，以实现复合用电事件中用电负荷的确定。
[0068]
在本发明实施例中，步骤s3中，根据指纹刻画结果，利用噪声应用空间聚类算法进行负荷指纹识别。
[0069]
完成对具体用电事件的用电设备完成指纹刻画后，采用基于用电特征匹配的负荷指纹识别实现两种不同性质的异常用电行为的成因判别。本文采用基于密度的噪声应用空间聚类(density-based spatial clustering of applications with noise,dbscan)方法实现该过程。
[0070]
该算法的主要思想为在空间中先找到高密度的样本集，进一步使用低密度区域将其划分成若干个的簇，利用不同簇之间的密度连通性来发现任意形状的可纳入簇范围的新簇，直至无法满足形成新簇的要求。该算法包括邻域半径ε和最小聚类点数minpts两个输入参数、核心点、边界点以及密度可达等重要概念。
[0071]
ε邻域指以数据集d中任一样本pi为圆心，ε为半径的圆形区域。设定ε可以确定核心点之间的分界线。pi的ε邻域包含的对象满足下式：
[0072]nε
(pi)＝{pj|dist(pi,pj)≤ε}
[0073]
其中，dist(pi,pj)选取欧氏距离。
[0074]
最小聚类点数minpts指在一个ε范围内含有minpts数量的数据点的邻域被认为是一个簇。
[0075]
核心点指对于数据集d中某一样本pi，若在该点ε内包含的数据点数量大于
minpts，则该点为一个核心点。
[0076]
边界点指位于核心点的ε范围内但不属于核心点的数据点。
[0077]
密度可达指对于数据集d，如果样本点q在p的ε邻域内，并且p为核心点，那么则称对象q从对象p密度可达；在此之上，如果数据集d中存在一样本点s，且对象s到对象p与q都是密度可达的话，那么则称p与q密度相连。
[0078]
本发明的工作原理及过程为：技术方案首先基于用户用电心理将异常用电行为划分为恶意异常用电行为与非恶意异常用电行为。其次，考虑到前者的负荷曲线无真实用电设备信息支撑而后者的负荷曲线仍是具体用电设备工作状态的反映，本文基于用电曲线对居民用电行为进行分解，采用基于卡方拟合优度检验的事件检测方法捕捉用户用电行为产生的用电事件，然后对具体用电事件进行特征提取完成负荷指纹刻画，之后，基于用电特征匹配对用户用电行为进行感知以实现对异常用电行为性质的判别。
[0079]
本发明的有益效果为：本发明拟采用电力指纹技术，提出一种基于负荷指纹识别的异常用电成因判别方法，可以对电力用户恶意与非恶意两种不同性质的异常用电行为产生的负荷曲线进行成因判别，可为保障电网公司有效开展反窃电稽查工作提供技术支撑。通过用电特征匹配的负荷指纹识别对用户用电行为进行感知以实现两种不同性质的异常用电行为的区分。实现对两种性质不同的异常用电行为产生的异常负荷曲线进行成因判别，从而降低了窃电检测的误检率。
[0080]
本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。