一种适用于高供低计专变用户的用电检测方法及检测终端与流程

1.本发明涉及电力领域，具体涉及一种适用于高供低计专变用户的用电检测方法及检测终端。


背景技术：

2.电网的损耗可分为技术性损耗和非技术性损耗。技术性损耗来源于电力传输过程的热量耗散。而非技术性损耗则主要源于用户的非法用电行为,即电力盗窃。非法用电行为不仅危害电网的安全稳定运行,还严重损害了电力公司的经济利益。如何有效检测非法用电行为,减少非法用电带来的经济损失,维护用电秩序,一直是国内外学者研究的重点。
3.传统上,非法分子可以通过篡改仪表、私拉电线等手段进行窃电。近年来,随着智能电网的建设,高级计量架构(ami)搭配智能电表可以定期自动报告用户的用电信息,从而达到监管和计费的目的。
4.目前用户用电采集系统能进行一定程度的异常用电分析并记录,通过接口上报到相关部门，对这些数据的技术分析能探查到一定数量的异常用电用户,跟踪重点用户用电情况﹐但随着ami体系下异常用电模式的多样化,窃电行为越来越隐蔽,异常用电行为与正常用电行为的区分度越来越小,造成了管理难度的加大。


技术实现要素：

5.本发明所要解决的技术问题是对异常用电行为检测难度较大，目的在于提供一种适用于高供低计专变用户的用电检测方法及检测终端，对异常用电行为与正常用电行为进行有效区分。
6.本发明通过下述技术方案实现：
7.一种适用于高供低计专变用户的用电检测方法，包括：
8.通过数据预处理模型对输入数据进行预处理，并输出检测数据；
9.将检测数据输入用电检测模型，检测后输出异常数据；
10.所述用电检测模型的检测方法包括：
11.将检测数据输入用电不平衡特征模型，获得用电不平衡特征序列；
12.将检测数据输入电压异常特征模型，获得电压异常特征序列；
13.将检测数据输入电流异常特征模型，获得电流异常特征序列；
14.通过压电不平衡特征序列、电压异常特征序列和电流异常特征序列获得异常指数序列；
15.确定异常阈值p，若tn＞p，则判定为用电异常，其中tn为异常指数序列中的元素。
16.具体地，构建数据预处理模型的方法包括：
17.恢复输入数据中丢失的数据：其中zj表示采样时刻的电参量数据，nan表示数据未定义或丢失值；
18.修正输入数据中的异常值：其中mean(
·
)为取平均值，std(
·
)为取标准差，z为一个各个采样时刻的电参考数据；
19.对电参考数据进行归一化，并输出检测数据：
20.具体地，构建用电不平衡特征模型的方法包括：
21.建立电压不平衡和电流不平衡方程：其中u
in
表示i相在时刻n的电压值，i
in
表示i相在时刻n的电流值，x
vn
表示时刻n的电压不平衡度，x
in
表示时刻n的电流不平衡度，a,b,c表示交流电的三相；
22.建立用电不平衡特征矩阵xn：其中m为总采样时刻；
23.获取用电不平衡特征矩阵每一行所对应的二维观测点，并建立样本空间；
24.预设第k距离，所述第k距离为各观测点与距其第k个最近的观测点的距离，再通过局部离群因子检测算法对多个观测点进行离群点分析，并获得时刻n的检测数据对应的局部异常因子lofn；
25.遍历时刻1至时刻m中所有检测数据，获得用电不平衡特征序列x＝(x1,x2,
…
,xm)，其中lofn＝xn。
26.具体地，构建电压异常特征模型的方法包括：
27.a1、判断时刻n是否失压，若未失压，则确定额定电压与检测数据中电压的偏移值
28.a2、若时刻n失压，则判断是否有时刻n+1是否失压、时刻n+2是否失压、
…
、时刻n+b是否失压，其中b为设定的观测时间b中的时刻数量；
29.a3、若步骤a2中判断均为“是”，则令yn＝1；否则令yn＝0
30.a4、遍历时刻1至时刻m中所有检测数据，获得电压异常特征序列y＝(y1,y2,
…
,ym)。
31.具体地，构建电流异常特征模型的方法包括：
32.获取历史记录中各相电流的聚类中心曲线，并获得时刻n各相电流的电流记录值i
an
·z、i
bn
·z、i
cn
·z；
33.获取时刻n中各相的电流值，i
an
、i
bn
、i
cn
；
34.确定电流偏移值zn＝max(|i
an
·
z-i
an
|,|i
bn
·
z-i
bn
|,|i
cn
·
z-i
cn
|)；
35.遍历时刻1至时刻m中所有检测数据，获得电流异常特征序列z＝(z1,z2,
…
,zm)。
36.具体地，获得异常指数序列的方法包括：
37.对序列x和序列z进行归一化，获得序列和序列
38.获得异常指数序列t＝(t1,t2,
…
,tm)，其中
39.具体地，用电检测模型的训练方法包括：
40.设定k、b、b、p、h
(n+1)-n
的取值，其中h
(n+1)-n
为时刻n与时刻n+1的时间间隔；
41.将训练样本输入用电检测模型，所述训练样本中包括用电正常数据和用电异常数据；
42.训练完成后，将验证样本输入至用电检测模型，并构建验证结果的混淆矩阵；
43.获得混淆矩阵的f1值，并将其与设定的f10值对比，若f1＜f10，则重新设定设定k、b、b、p、h
(n+1)-n
的取值并再次进行模型训练；若f1≥f10，则输出用电训练模型。
44.优选地，k＝5，b＝4小时，h
(n+1)-n
＝15分钟，f10＝0.82，训练样本数量：验证样本数量＝7：3。
45.一种适用于高供低计专变用户的用电检测终端，包括存储器、处理器以及存储在存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述的适用于高供低计专变用户的用电检测方法的步骤。
46.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上述的适用于高供低计专变用户的用电检测方法的步骤。
47.本发明与现有技术相比，具有如下的优点和有益效果：
48.本发明通过对数据进行预处理解决由于数据的通信不稳定、电采集系统的故障和系统的存储等引起的电气测量数据不准确或缺失的问题，然后通过用电检测模型对用电不平衡、电压异常和电流异常进行检测，并获得异常指数序列，通过将异常指数与异常阈值比较，从而判断是否存在用电异常。
附图说明
49.附图示出了本发明的示例性实施方式，并与其说明一起用于解释本发明的原理，其中包括了这些附图以提供对本发明的进一步理解，并且附图包括在本说明书中并构成本说明书的一部分，并不构成对本发明实施例的限定。
50.图1是根据本发明所述的一种适用于高供低计专变用户的用电检测的流程示意图。
51.图2是根据本发明所述的用电检测模型的训练流程图。
具体实施方式
52.为使本发明的目的、技术方案和优点更加清楚明白，下面结合附图和实施方式对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施方式仅用于解释相关内容，而非对本发明的限定。
53.另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分。
54.在不冲突的情况下，本发明中的实施方式及实施方式中的特征可以相互组合。下面将参考附图并结合实施方式来详细说明本发明。
55.实施例一
56.如图1所示，本实施例提供一种适用于高供低计专变用户的用电检测方法，包括：
57.通过数据预处理模型对输入数据进行预处理，并输出检测数据；需要对数据进行预处理的原因：由于数据的通信不稳定,电采集系统等的故障和系统的存储等问题，电气测量数据经常会有不准确和缺失的问题。因此需要通过数据预处理模型对数据进行处理，恢复丢失的数据，矫正不准确值。
58.将检测数据输入用电检测模型，检测后输出异常数据；此处的检测数据为经过预处理的某一个高供低计专门用户在一段时间内的电采集数据。通过将相关数据输入用电检测模型，则可以通过用电检测模型进行用电异常判断。
59.用电检测模型的检测方法包括：
60.将检测数据输入用电不平衡特征模型，获得用电不平衡特征序列；用电正常时，三相上的用电是平衡的，仅可能存在轻微的上下波动，但是如果用电异常，则可能出现波动较大，因此通过用电不平衡特征模型对三相电的数据进行判断。
61.将检测数据输入电压异常特征模型，获得电压异常特征序列；电压异常降低时则可能出现窃电行为，因此通过对电压异常特征模型进行电压异常检测。
62.将检测数据输入电流异常特征模型，获得电流异常特征序列；在功率和电压较为恒定的情况下，可以通过改变电流来达到减少电费计量的目的，通过电流异常模型对电流进行异常检测。
63.通过压电不平衡特征序列、电压异常特征序列和电流异常特征序列获得异常指数序列；
64.确定异常阈值p，若tn＞p，则判定为用电异常，其中tn为异常指数序列中的元素。根据时间顺序对异常指数序列进行排序，并且在实际中，是在一段时间内对电采集数据进行间隔取样，因此tn为某一个时刻的异常指数，如果该异常指数大于异常阈值，则证明此时此刻此用户的用电存在异常，然后将相关数据进行输出；如果异常指数小于异常阈值，则证明此时此刻用户的用电正常。
65.实施例二
66.本实施例对实施例一中的数据预处理模型的构建方法进行说明。
67.运用插值法和填充法恢复丢失的数据，恢复输入数据中丢失的数据：
其中zj表示采样时刻的电参量数据，nan表示数据未定义或丢失值；如果zj是除数字以外的任何字符，均用nan表示。
68.此外，由于其他原因也可能存在数据不准确的情况，因此需要修正输入数据中的异常值：其中mean(
·
)为取平均值，std(
·
)为取标准差，z为一个各个采样时刻的电参考数据；
69.对电参考数据进行归一化，数据归一化是数据挖掘的基本处理，对于基于距离的分类尤其有效。由于神经网络对不同量纲的特征比较敏感，为了加快收敛速度，消除特征间单位和尺度差异的影响，需要对特征进行归一化处理，并输出检测数据：
70.实施例三
71.本实施例是对实施例一中用电检测模型的构建方法的说明。
72.构建用电不平衡特征模型的方法包括：
73.用户在正常用电行为时呈现出三相用电平衡的特征,电压数据在额定值的上下有轻微的浮动,电流的不平衡也在数值0附近波动.三相用电的专变用户出现的窃电行为能够从电压和电流不平衡率的偏移中体现出来
74.建立电压不平衡和电流不平衡方程：其中u
in
表示i相在时刻n的电压值，i
in
表示i相在时刻n的电流值，x
vn
表示时刻n的电压不平衡度，x
in
表示时刻n的电流不平衡度，a,b,c表示交流电的三相；
75.建立用电不平衡特征矩阵xn：其中m为总采样时刻；
76.获取用电不平衡特征矩阵每一行所对应的二维观测点，并建立样本空间；
77.预设第k距离，第k距离为各观测点与距其第k个最近的观测点的距离，再通过局部离群因子检测算法对多个观测点进行离群点分析，离群点指的是在样本空间中与其他数据特征显著不一致的数据，获得时刻n的检测数据对应的局部异常因子lofn；
78.若用户的用电行为正常,则用电不平衡特征矩阵每一行所对应的二维观测点在样本空间中应是密集的簇,不应存在显著偏离簇的观测点,此时的局部离群因子即lofn值接近1；当异常用电发生时电压和电流的不平衡度会产生较大偏移,lofn值非常大,进而形成
离群点。
79.遍历时刻1至时刻m中所有检测数据，获得用电不平衡特征序列x＝(x1,x2,
…
,xm)，其中lofn＝xn。
80.构建电压异常特征模型的方法包括：
81.电压异常表现为在某时刻电压记录值偏移额定值或趋于零,电压数值异常降低通常能够判断存在窃电行为发生。
82.a1、判断时刻n是否失压，若未失压，则确定额定电压与检测数据中电压的偏移值
83.a2、若时刻n失压，则判断是否有时刻n+1是否失压、时刻n+2是否失压、
…
、时刻n+b是否失压，其中b为设定的观测时间b中的时刻数量；
84.用户电能计量装置的失压记录可能存在两种情况,计量回路断开或供电异常，发生上述两种情况即可能出现用户是正常使用但是也出现了失压。因此，为了将上述情况筛除，设定一个观测时间b，当时观测时间内的多个时刻均出现失压，才判定为异常。
85.a3、若步骤a2中判断均为“是”，则令yn＝1；否则令yn＝0
86.a4、遍历时刻1至时刻m中所有检测数据，获得电压异常特征序列y＝(y1,y2,
…
,ym)。
87.构建电流异常特征模型的方法包括：
88.对专变用户来说,每日电力负荷曲线是相似的,这就决定了正常用电用户的每日电流曲线也同样具有相似性，获取历史记录中各相电流的聚类中心曲线，并获得时刻n各相电流的电流记录值i
an
·z、i
bn
·z、i
cn
·z；
89.本实施例中可以获取前20天的记录，获得聚类中心曲线，并根据坐标获得电流记录值。
90.获取时刻n中各相的电流值，i
an
、i
bn
、i
cn
；
91.确定电流偏移值zn＝max(|i
an
·
z-i
an
|,|i
bn
·
z-i
bn
|,|i
cn
·
z-i
cn
|)；
92.遍历时刻1至时刻m中所有检测数据，获得电流异常特征序列z＝(z1,z2,
…
,zm)。
93.获得异常指数序列的方法包括：
94.对序列x和序列z进行归一化，以消除量纲对计算结果的影响，获得序列和序列
95.获得异常指数序列t＝(t1,t2,
…
,tm)，其中
96.完成了上述用电检测模型的构建后，需要对其中的设定值进行训练，如图2所示，本实施例中的用电检测模型的训练方法包括：
97.设定k、b、b、p、h
(n+1)-n
的取值，其中h
(n+1)-n
为时刻n与时刻n+1的时间间隔；
98.将训练样本输入用电检测模型，训练样本中包括用电正常数据和用电异常数据；
99.训练完成后，将验证样本输入至用电检测模型，并构建验证结果的混淆矩阵；
100.异常用电检测过程的实质是二元分类问题,所有样本将被划分为正类(异常数据)或负类(正常数据),当检测样本中的正、负类样本分布极端不均衡时,直接使用检测结果的正确率衡量其检测效果将失去意义.因此为了检验检测方法的可行性,用二元分类问题评
判标准混淆矩阵及相关参数评判检测方法的可行性。
101.获得混淆矩阵的f1值，并将其与设定的f10值对比，若f1＜f10，则重新设定设定k、b、b、p、h
(n+1)-n
的取值并再次进行模型训练；若f1≥f10，则输出用电训练模型。
102.提供一个优选的设定值，k＝5，b＝4小时，h
(n+1)-n
＝15分钟，f10＝0.82，训练样本数量：验证样本数量＝7：3。
103.实施例三
104.一种适用于高供低计专变用户的用电检测终端，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现如上述的适用于高供低计专变用户的用电检测方法的步骤。
105.存储器可用于存储软件程序以及模块,处理器通过运行存储在存储器的软件程序以及模块,从而执行终端的各种功能应用以及数据处理。存储器可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的执行程序等。
106.存储数据区可存储根据终端的使用所创建的数据等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件,闪存器件、或其他易失性固态存储器件。
107.一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时实现如上述的适用于高供低计专变用户的用电检测方法的步骤。
108.不失一般性，计算机可读介质可以包括计算机存储介质和通信介质。计算机存储介质包括以用于存储诸如计算机可读指令数据结构,程序模块或其他数据等信息的任何方法或技术实现的易失性和非易失性、可移动和不可移动介质。计算机存储介质包括ram、rom、eprom、eeprom、闪存或其他固态存储技术,cd-rom、dvd或其他光学存储﹑磁带盒﹑磁带﹑磁盘存储或其他磁性存储设备。当然,本领域技术人员可知计算机存储介质不局限于上述几种。上述的系统存储器和大容量存储设备可以统称为存储器。
109.在本说明书的描述中，参考术语“一个实施例/方式”、“一些实施例/方式”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例/方式或示例描述的具体特征、结构、材料或者特点包含于本技术的至少一个实施例/方式或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例/方式或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例/方式或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例/方式或示例以及不同实施例/方式或示例的特征进行结合和组合。
110.此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本技术的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
111.本领域的技术人员应当理解，上述实施方式仅仅是为了清楚地说明本发明，而并非是对本发明的范围进行限定。对于所属领域的技术人员而言，在上述发明的基础上还可以做出其它变化或变型，并且这些变化或变型仍处于本发明的范围内。