一种窃电行为检测方法及系统与流程

本发明涉及智能电气，具体涉及一种窃电行为检测方法及系统。

背景技术：

1、窃电行为以非法占用电能，以不交或者少交电费为目的，采用非法手段不计量或者少计量用电的行为。在现有技术中，公开了申请号为201911313337.7的中国专利，其公开了一种反窃电方法及系统，方法包括：筛选出窃电样本，对已有窃电类别进行分类并对已有窃电样本和正常样本进行类别标记；排除正常样本形成疑似窃电样本集，并进行类别标记；针对疑似窃电样本集构建基于gru算法的疑似窃电识别模型；将疑似窃电样本集数据输入疑似窃电识别模型，输出二分类的疑似窃电样本与疑似正常样本；根据疑似窃电识别模型输出结果与疑似窃电样本集的类别标记计算其识别准确率，并对模型参数进行反馈调整；根据调整后的模型参数确定自适应类识别的反窃电防御模拟模型；利用反窃电防御模拟模型对用户用电实时数据进行反窃电检测。

2、然而窃电行为多种多样，通过单一的反窃电防御模拟模型难以有效区分数据的异常是由窃电引起的还是由负载变化引起的。

技术实现思路

1、为了至少克服现有技术中的上述不足，本技术的目的在于提供一种窃电行为检测方法及系统。

2、第一方面，本技术实施例提供了一种窃电行为检测方法，包括：

3、获取目标台区在预设周期内的异常数据，所述异常数据包括台区线损数据、电压异常数据、电流异常数据、异常用电数据和电量异常数据；

4、将所述异常用电数据输入参量模型，并获取所述参量模型输出的窃电类型；

5、将所述台区线损数据、所述电压异常数据、所述电流异常数据和所述电量异常数据输入对应所述窃电类型的识别模型；

6、根据所述识别模型的输出结果判断所述目标台区是否存在窃电行为。

7、本技术实施例实施时，通过配置目标台区的端设备获取异常数据，获取异常数据需要以预设周期进行采样统计；发明人发现，在异常数据中电压异常数据、电流异常数据和电量异常数据之间是具有较强的相关性的，而台区线损数据则具有较强的随机性，同时台区线损数据又会影响电压异常数据、电流异常数据和电量异常数据；而异常用电数据主要为电能表开盖记录、计量门开闭情况、恒定磁场干扰情况、电量差动异常情况和停电事件情况，其独立于其他的异常数据而存在，并且只要涉及到窃电行为一定会引起异常用电数据的变化，所以本技术实施例中，基于异常用电数据通过预先训练好的参量模型对可能存在的窃电行为进行初始分类，再通过对应窃电类型的模型基于其他的异常数据进行进一步的准确识别，可以有效提高窃电行为识别的准确度。

8、不同于现有技术中将所有数据笼统的进行数据统计的方式，本技术实施例可以为每一种类型的窃电行为都进行准确的识别。示例的，本技术实施例中所提及的窃电行为主要包括：欠压法窃电、欠流法窃电、移相法窃电、扩差法窃电和无表法窃电，其一般都需要对电表箱等进行操作，所以通过异常用电数据可以有效的识别出可能存在的窃电行为的类型，即根据参量模型输出的窃电类型为欠压法窃电、欠流法窃电、移相法窃电、扩差法窃电或无表法窃电，再选取对应该窃电类型的识别模型进行窃电行为的准确识别。本技术实施例通过上述技术方案，在进行具体的窃电行为检测时，先进行可能存在的窃电类型的判断，再选择对应窃电类型的模型进行识别，可以有效的提高识别精度，并且模型训练更为便捷。

9、在一种可能的实现方式中，获取目标台区在预设周期内的台区线损数据包括：

10、获取所述目标台区的三相电表数据；所述三相电表数据包括三相表电压数据、三相表电流数据和三相表视在功率数据；

11、在所述预设周期内，当所述三相表电压数据、所述三相表电流数据和所述三相表视在功率数据中任意一项超过所述目标台区主站的对应阈值时，将线损参量加一；所述线损参量在所述预设周期开始时归零；

12、将所述预设周期结束时的所述线损参量作为目标台区在预设周期内的台区线损数据。

13、在一种可能的实现方式中，获取目标台区在预设周期内的电压异常数据包括：

14、获取所述目标台区的电压断相情况、电压越限情况和电压平衡情况；

15、在所述预设周期内，当所述目标台区出现电压断相、电压越限或电压不平衡时，将电压参量加一；所述电压参量在所述预设周期开始时归零；

16、将所述预设周期结束时的所述电压参量作为目标台区在预设周期内的电压异常数据。

17、在一种可能的实现方式中，获取目标台区在预设周期内的电流异常数据包括：

18、获取所述目标台区的电流失流情况、电流反向情况和电流平衡情况；

19、在所述预设周期内，当所述目标台区出现电流失流、电流方向或电流不平衡时，将电流参量加一；所述电流参量在所述预设周期开始时归零；

20、将所述预设周期结束时的所述电流参量作为目标台区在预设周期内的电流异常数据。

21、在一种可能的实现方式中，获取目标台区在预设周期内的异常用电数据包括：

22、获取所述目标台区的电能表开盖记录、计量门开闭情况、恒定磁场干扰情况、电量差动异常情况和停电事件情况；

23、在所述预设周期内，当所述目标台区出现电能表开盖、计量门打开、恒定磁场干扰、电量差动异常或停电事件异常时，将用电参量加一；所述用电参量在所述预设周期开始时归零；

24、将所述预设周期结束时的所述用电参量作为目标台区在预设周期内的异常用电数据。

25、在一种可能的实现方式中，获取目标台区在预设周期内的电量异常数据包括：

26、获取所述目标台区的需量超容情况、负荷超容情况、电流过流情况、负荷持续超下限情况和功率因数异常情况；

27、在所述预设周期内，当所述目标台区出现需量超容、负荷超容、电流过流、负荷持续超下限和功率因数异常时，将电量参量加一；所述电量参量在所述预设周期开始时归零；

28、将所述预设周期结束时的所述电量参量作为目标台区在预设周期内的电量异常数据。

29、在一种可能的实现方式中，所述参量模型和所述识别模型的构筑包括：

30、获取异常数据样本；所述异常数据样本为在不同窃电类型下获取多个所述预设周期的台区线损数据、电压异常数据、电流异常数据、异常用电数据和电量异常数据；

31、为每种窃电类型构建不同的神经网络模型，并将所述异常数据样本中的所述异常用电数据与对应的窃电情况进行数据关联训练形成参量模型；所述参量模型的数据输入为异常用电数据，所述参量模型的数据输出为可能存在的窃电行为对应的窃电类型；

32、将所述异常数据样本中的所述台区线损数据、电压异常数据、电流异常数据和电量异常数据作为对应窃电类型的神经网络模型的输入数据对该神经网络模型进行训练生成多个判断模型；每个所述判断模型对应一种窃电类型，所述判断模型的输入数据为台区线损数据、电压异常数据、电流异常数据和电量异常数据，所述判断模型的数据输出为符合或不符合；

33、将多个判断模型形成模型组作为所述识别模型。

34、第二方面，本技术实施例还提供了一种窃电行为检测系统，包括：

35、获取单元，被配置为获取目标台区在预设周期内的异常数据，所述异常数据包括台区线损数据、电压异常数据、电流异常数据、异常用电数据和电量异常数据；

36、选型单元，被配置为将所述异常用电数据输入参量模型，并获取所述参量模型输出的窃电类型；

37、识别单元，被配置为将所述台区线损数据、所述电压异常数据、所述电流异常数据和所述电量异常数据输入对应所述窃电类型的识别模型；

38、判断单元，被配置为根据所述识别模型的输出结果判断所述目标台区是否存在窃电行为。

39、在一种可能的实现方式中，所述获取单元还被配置为：

40、获取所述目标台区的三相电表数据；所述三相电表数据包括三相表电压数据、三相表电流数据和三相表视在功率数据；

41、在所述预设周期内，当所述三相表电压数据、所述三相表电流数据和所述三相表视在功率数据中任意一项超过所述目标台区主站的对应阈值时，将线损参量加一；所述线损参量在所述预设周期开始时归零；

42、将所述预设周期结束时的所述线损参量作为目标台区在预设周期内的台区线损数据；

43、获取所述目标台区的电压断相情况、电压越限情况和电压平衡情况；

44、在所述预设周期内，当所述目标台区出现电压断相、电压越限或电压不平衡时，将电压参量加一；所述电压参量在所述预设周期开始时归零；

45、将所述预设周期结束时的所述电压参量作为目标台区在预设周期内的电压异常数据。

46、在一种可能的实现方式中，所述获取单元还被配置为：

47、获取所述目标台区的电流失流情况、电流反向情况和电流平衡情况；

48、在所述预设周期内，当所述目标台区出现电流失流、电流方向或电流不平衡时，将电流参量加一；所述电流参量在所述预设周期开始时归零；

49、将所述预设周期结束时的所述电流参量作为目标台区在预设周期内的电流异常数据；

50、获取所述目标台区的电能表开盖记录、计量门开闭情况、恒定磁场干扰情况、电量差动异常情况和停电事件情况；

51、在所述预设周期内，当所述目标台区出现电能表开盖、计量门打开、恒定磁场干扰、电量差动异常或停电事件异常时，将用电参量加一；所述用电参量在所述预设周期开始时归零；

52、将所述预设周期结束时的所述用电参量作为目标台区在预设周期内的异常用电数据；

53、获取所述目标台区的需量超容情况、负荷超容情况、电流过流情况、负荷持续超下限情况和功率因数异常情况；

54、在所述预设周期内，当所述目标台区出现需量超容、负荷超容、电流过流、负荷持续超下限和功率因数异常时，将电量参量加一；所述电量参量在所述预设周期开始时归零；

55、将所述预设周期结束时的所述电量参量作为目标台区在预设周期内的电量异常数据。

56、本发明与现有技术相比，具有如下的优点和有益效果：

57、本发明一种窃电行为检测方法及系统，通过上述技术方案，在进行具体的窃电行为检测时，先进行可能存在的窃电类型的判断，再选择对应窃电类型的模型进行识别，可以有效的提高识别精度，并且模型训练更为便捷。