一种适用于新能源配网的异常用电行为检测方法与流程

本发明属于电力检测，具体涉及到一种适用于新能源配网的异常用电行为检测方法。

背景技术：

1、随着新能源渗透率的日益提升，传统的配网正逐步向新能源配网转型，较之传统配网，新能源配网存在结构复杂、分布性强、时空波动性大等特点，而传统用电检测方式依赖于人工排查与现场巡查，该类方法存在检测效率低、检测延时高等多种问题，难以适应新能源配网特性。近年来，随着人工智能算法的兴起，各种基于机器学习的异常用电行为智能检测方法逐渐开始引入配网，但是目前主流的方法应用于新能源配网中时仍存在一定缺陷：1、用于识别异常的各种数据相互之间关联性程度不一，智能算法不能自适应地进行关联性调整，易使得模型存在过拟合问题，造成算力和资源的浪费；2、由于新能源配网和传统配网的特性差异，基于传统配网历史数据训练的用电识别模型存在较为严重的误判情况，且新能源配网结构复杂多变的特性加剧了误判情况，在用电采集系统中引发了大量用电异常伪警。

技术实现思路

1、本发明要解决的技术问题在于提供一种适用于新能源配网的异常用电行为检测方法，该检测方法构建异常伪警识别模型，利用模型识别结果认定用电是否存在异常。

2、为了解决上述技术问题，本发明通过以下方式来实现：

3、一种适用于新能源配网的异常用电行为检测方法，具体步骤如下：

4、1)基于用户台区历史数据，进行特征提取得到用电可疑行为筛选网络的样本集；

5、2)按照训练集中数据的耦合度分别构建三层深度学习筛选网络，并基于样本集完成可疑行为筛选网络的训练；

6、3)将历史异常数据作为伪警识别的样本集，基于svdd建立异常伪警识别模型；

7、4)用电采集系统中的数据经过特征提取后输入可疑行为筛选网络，当输出异常状态值超过阈值则将该用户数据传输至异常伪警识别模型；

8、5)异常伪警识别模型根据用电数据特征，识别该用户用电可疑行为是否存在异常伪警，若为否则判定该用户存在用电异常行为；若为是则将该用户列入不确定性监视名单；

9、6)在24小时后针对步骤5)中的监视名单内的用户再次执行步骤4)，若输出异常状态值仍超过阈值则判定该用户存在用电异常行为。

10、进一步的，所述步骤1)中历史数据的用电行为特征分类具体方法如下：

11、11)用于提取特征的用户台区历史数据包含电流：a相电流ia、b相电流ib、c相电流ic，电压：a相电压ua、b相电压ub、c相电压uc，有功功率：总有功功率pz、a相有功功率pa、b相有功功率pb、c相有功功率pc，无功功率：总无功功率qz、a相无功功率qa、b相无功功率qb、c相无功功率qc，功率因数：有功功率因数无功功率因数事件状态：台区总表电池欠压事件；

12、12)特征提取获得的用电可疑行为筛选网络样本集data_example包括输出集y、输入集x，所述输出集y为一组一维数列，包括异常状态值ys；所述输入集x为六组一维数列，包括电压特征量uunb、电流特征量iunb、有功特征量pmin/max、无功特征量qmin/max、功率因数特征台区总表电池欠压事件状态ustate。

13、优选的，所述步骤12)中特征提取具体方法如下：

14、121)从0时开始提取采集系统中各项电气数据，提取间隔为15分钟，共提取96项数据；

15、122)针对输入集x特征量的提取，其表达公式如下所示：

16、

17、其中，ua,i表示a相每日第i个数据点电压，ub,i表示b相每日第i个数据点电压，uc,i表示c相每日第i个数据点电压；

18、

19、其中，ia,i表示a相每日第i个数据点电流，ib,i表示b相每日第i个数据点电流，ic,i表示c相每日第i个数据点电流；

20、

21、其中，pa,i表示a相每日第i个数据点有功功率，pb,i表示b相每日第i个数据点有功功率，pc,i表示c相每日第i个数据点有功功率；

22、

23、其中，qa,i表示a相每日第i个数据点有功功率，qb,i表示b相每日第i个数据点有功功率，qc,i表示c相每日第i个数据点有功功率；

24、

25、其中，表示每日第i个数据点无功功率因数，表示每日第i个数据点有功功率因数；

26、

27、其中，台区总表电压异常，欠压事件状态特征量ustate为1；台区总表电压正常，欠压事件状态特征量ustate为0。

28、进一步的，所述步骤2)中按照训练集中数据的耦合度分别构建三层深度学习筛选网络，其具体方法如下：

29、21)针对所述特征量进行耦合度关联分组：第一关联级：电压特征量uunb和电流特征量iunb；第二关联级：有功特征量pmin/max和无功特征量qmin/max；第三关联级：功率因数特征和台区总表电池欠压事件状态ustate；

30、22)深度学习筛选网络结构包括输入层、隐藏层和输出层，其中输入层层数为1层，神经元个数为6；隐藏层层数为3层，神经元个数为7-6-5；输出层层数为1层，神经元个数为1；

31、23)隐藏层神经元类别：包含了学习神经元和传递神经元两种神经元：

32、所述学习神经元连接方式为同上一级和下一级所有神经元保持连接，连接权wii为[-1,1]，传递函数是tansig对称s形函数，其表达公式如下：

33、

34、学习神经元的输出表达公式如下：

35、

36、其中，wii表示与上一神经元连接的权值，xi表示上一层网络第i个神经元对该神经元输入，n表示上一层网络神经元个数；

37、所述传递神经元连接方式为上一级仅同一个神经元保持连接，下一级连接若干个神经元，连接权vii恒为1，传递函数是del函数，其表达公式如下：

38、del(x)＝x    (9)

39、传递神经元输出表达公式如下：

40、y＝x    (10)

41、24)各层网络神经元的连接方式

42、输入层6个神经元，x1,x2,x3,x4,x5,x6分别对应电压特征量uunb、电流特征量iunb、有功特征量pmin/max、无功特征量qmin/max、功率因数特征台区总表电池欠压事件状态ustate；

43、隐藏层第一层包含7个神经元，其中h11,h12,h13为学习神经元，h14,h15,h16,h17为传递神经元，x1,x2与h11,h12,h13全连接，x3,x4,x5,x6与h14,h15,h16,h17依次连接；隐藏层第二层包含6个神经元，其中h21,h22,h23,h24为学习神经元，h25,h26为传递神经元，h11,h12,h13,h14,h15与h21,h22,h23,h24全连接，h16,h17与h25,h26依次连接；隐藏层第三层包含5个神经元，h31,h32,h33,h34,h35为学习神经元，h21，h22，h23，h24，h25，h26与h31,h32,h33,h34,h35全连接；

44、输出层包含一个学习神经元y，h31,h32,h33,h34,h35与y全连接；

45、25)网络训练参数设置

46、筛选网络的样本集随机抽取85％的数据作为训练集，余下15％作为测试集；学习率区间为[0.01,0.05]，目标误差区间为[0.002,0.01]。

47、进一步的，所述步骤3)以历史异常数据作为样本集并基于svdd建立异常伪警识别模型，其具体方法如下：

48、31)提取筛选网络样本集data_example中输出集y为1的数组，共n组数据构成异常样本集data_fault，其表达公式如下：

49、data_fault＝{s1,s2,...,sn}    (11)

50、其中，si包含6个数据，

51、32)基于异常样本集data_fault构建异常超球体f(r2,a,c)，其中r表示超球体半径，a表示球心，坐标为(η1,η2,η3,η4,η5,η6)，0≤η1,η2,η3,η4,η5,η6≤1，c表示越界罚参数，并引入高斯核函数k，表达公式如下：

52、

53、其中，σ表示高斯参数，σ>0，表示高斯高维映射函数；

54、33)异常伪警识别模型

55、将输出异常状态值超过阈值的样本sf输入，计算其与异常超球体球心a的距离d，表达公式如下：

56、

57、若d＞r，则输出结果为否，用户用电异常嫌疑排除，可疑行为筛选网络发生伪警，若d≤r，则输出结果为是，用户存在用电异常嫌疑。

58、优选的，所述步骤23)中异常超球体参数获取步骤如下：

59、321)参数求解模型

60、

61、其中，ξi表示松弛变量，c>0；

62、322)参数求解方法

63、将上述公式(14)中的最优化问题进行对偶转化后的表达公式如下：

64、

65、

66、其中，α1、α2、…、αn表示拉格朗日乘子，

67、异常超球体球心a的表达公式如下：

68、

69、异常超球体半径r的表达公式如下：

70、

71、进一步的，所述步骤4)的输出异常状态值超过阈值判定方法如下：

72、输出异常状态值阈值sf：

73、sf＝max(ys1,ys2,...,ysn)    (18)

74、其中，ysn表示测试集中第n组正常特征数据计算出的输出异常状态值，测试集中总计n组正常特征数据。

75、与现有技术相比，具有如下的优点和有益效果：

76、本发明通过用户台区历史的电压、电流、功率、功率因数及事件上报标记和异常状态值作为训练集，利用梯级训练得到用电可疑行为筛选网络；通过汇总历史异常数据并基于支持向量数据描述(svdd)构建异常伪警识别模型。用电采集系统将用电信息与上报事件实时传输至用电可疑行为筛选网络，被判定为可疑行为的数据组将传输至异常伪警识别模型，根据模型识别结果认定用电是否存在异常。

77、本发明适用于新能源配网异常用电行为检测，有效考虑用于识别异常的各种数据相互之间关联性，引入传递神经元优化神经网络的方式，提升算力使用有效率，降低了在线异常用电行为检测对于硬件的依赖度；通过引入了基于svdd的异常伪警识别，通过神经网络的高灵敏可疑筛选与异常伪警的二次验证，在兼顾用电异常识别成功率的同时，降低了异常误报的发生率，有效提高异常用电行为查处的准确率。