异常用电行为监测系统的监测方法、设备及可读存储介质

本技术涉及用电监测，特别涉及一种异常用电行为监测系统的监测方法、设备及可读存储介质。

背景技术：

1、目前智能电表已经普及，但其将用电数据直接传送到供电公司，且只有小部分大容量和大电量的用户可以被现场检查智能电表装置，对于大部分工商业用户和居民用户来说，即不能得到现场检查也不能对用电数据及时掌握，这就造成人为因素和窃电等情况很难发现，造成经济损失和能源的浪费。

2、相关技术中，公开号cn114330583b的专利文件公开了一种异常用电识别方法和异常用电识别系统，所述方法包括如下步骤：采集历史用电数据；对所述历史用电数据进行数据压缩处理，得到压缩后的用电数据；根据所述压缩后的用电数据，利用基于密度的聚类算法，对所述历史用电数据中的异常用电进行识别，得到识别结果。

3、然而，上述相关技术只是将异常用电识别的结果传输至云端，无法实现将异常用电行为的结果进行可视化展示，出现问题时需要人工现场排查异常用电行为，排查效率低，无法实现异常用电行为的精准管控。

技术实现思路

1、本技术的目的是提供一种异常用电行为监测系统的监测方法、设备及可读存储介质，以解决上述现有技术存在的问题。

2、为实现上述目的，本技术采用的技术方案为：

3、第一方面，本技术提供了一种异常用电行为监测系统的监测方法，所述异常用电行为监测系统包括用电数据采集终端、数据存储模块、数据处理模块、报警信息模块、web端以及云服务器，所述用电数据采集终端、所述数据存储模块、所述数据处理模块、所述报警信息模块以及所述web端均与所述云服务器之间建立通信连接；

4、所述方法包括：

5、s1、通过用电数据采集终端采集实时用电数据，所述实时用电数据包括三相电实时用电数据和单相电实时用电数据；

6、s2、将所述实时用电数据传输至云服务器，所述云服务器将所述实时用电数据保存至数据存储模块；

7、s3、通过数据处理模块读取所述数据存储模块内保存的实时用电数据，并基于所述实时用电数据构建用电行为学习算法模型；

8、s4、基于所述用电行为学习算法模型以及所述数据存储模块内保存的实时用电数据，得到预定时间段内的预测用电数据，并将所述预测用电数据保存至所述数据存储模块；

9、s5、通过web端将所述数据存储模块内保存的实时用电数据和预测用电数据进行数据管理以及可视化；

10、s6、响应于所述实时用电数据与所述预测用电数据的偏差大于设定阈值，通过报警信息模块向管理员发出异常报警信息。

11、在一种可能的实现方式中，所述用电数据采集终端安装于待监测区域的总开关处，所述用电数据采集终端包括mcu最小系统、电源模块、电压互感器、电流互感器、三相计量芯片以及nb-iot无线通信模块，所述电源模块用于给所述mcu最小系统、所述三相计量芯片以及所述nb-iot无线通信模块供电，所述电压互感器和所述电流互感器与所述三相计量芯片电连接，所述三相计量芯片与所述mcu最小系统通信连接，所述mcu最小系统与所述nb-iot无线通信模块通信连接；

12、所述步骤s1中，所述通过用电数据采集终端采集实时用电数据，包括：

13、响应于所述用电数据采集终端上电后，所述三相计量芯片初始化配置，所述三相计量芯片通过所述电压互感器和所述电流互感器采集实时用电数据；

14、响应于所述nb-iot无线通信模块注网成功后，所述mcu最小系统通过spi方式读取所述三相计量芯片采集的实时用电数据；

15、通过nb-iot无钱通信模块将采集的所述实时用电数据以json格式上传至云服务器；

16、其中，采集的实时用电数据至少包括各相的电压、电流、功率和总功率，所述mcu最小系统与所述nb-iot无钱通信模块采用串口方式通信。

17、在一种可能的实现方式中，所述步骤s2中：

18、所述数据存储模块包括本地数据库和云数据库，所述云服务器将所述实时用电数据同时保存至所述本地数据库和所述云数据库，所述云数据库具有访问控制策略、设置访问白名单、提供数据加密的功能，以保证数据的安全性。

19、在一种可能的实现方式中，所述步骤s3中：

20、所述用电行为学习算法模型为dbo-cnn-lstm-at算法模型，所述dbo-cnn-lstm-at算法模型基于所述数据存储模块内保存的实时用电数据进行离线训练，并将最优结果的模型保存至所述数据存储模块内。

21、在一种可能的实现方式中，所述步骤s4中，所述基于所述用电行为学习算法模型以及所述数据存储模块内保存的实时用电数据，得到预定时间段内的预测用电数据，包括：

22、通过所述dbo-cnn-lstm-at算法模型对所述实时用电数据进行预处理，cnn对处理后的用电数据进行特征提取，用作lstm的输入，以分析时间序列，注意力机制提取lstm隐藏状态的重要特征，忽略无用特征，逐步提高预测精度，利用dbo算法优化模型的超参数，以提高模型性能，找出最优的参数，得到预定时间段内的预测用电数据。

23、在一种可能的实现方式中，所述步骤s5中，所述通过web端将所述数据存储模块内保存的实时用电数据和预测用电数据进行数据管理以及可视化，包括：

24、通过web端对所述实时用电数据和所述预测用电数据进行增删改查，并同时将所述实时用电数据和所述预测用电数据以曲线的方式进行可视化展示。

25、在一种可能的实现方式中，所述步骤s6中，所述报警信息模块为阿里云短信服务报警模块；

26、所述步骤s6还包括：

27、响应于所述实时用电数据与所述预测用电数据的偏差大于设定阈值、且所述实时用电数据与所述预测用电数据产生的偏差持续时间大于设定阈值时，通过报警信息模块向管理员发出异常报警信息。

28、在一种可能的实现方式中，所述nb-iot无线通信模块通过mqtt协议将所述实时用电数据传输至云服务器。

29、第二方面，本技术提供了一种计算机设备，所述计算机设备包括处理器和存储器，所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、至少一段程序、代码集或指令集由所述处理器加载并执行以实现如上任一所述的异常用电行为监测系统的监测方法。

30、第三方面，本技术提供了一种计算机可读存储介质，可读存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，处理器可加载并执行至少一条指令、至少一段程序、代码集或指令集，以实现如上提供的异常用电行为监测系统的监测方法。

31、第四方面，本技术提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机程序指令，该计算机程序指令存储于计算机可读存储介质中。处理器从计算机可读存储介质读取该计算机指令，并执行该计算机指令，使得该计算机设备执行如上提供的异常用电行为监测系统的监测方法。

32、本技术提供的技术方案带来的有益效果至少包括：

33、本技术提供的技术方案将用电行为学习算法模型部署到云端，与实时用电数据进行对比，发现不符合预期行为的，则发出异常报警信息通知管理人员查验，对用电用户实时发现异常用电行为提供保障，可为用电用户带来最直观的经济效益的同时也避免了能源的浪费；本技术提供的技术方案的硬件成本低、易实现，同时nb-iot无线通信模块不需要部署网关即可以实现与基站的通信，大大减少了组网带来的工程问题。