多源数据融合的电网异常变户识别方法及系统与流程

本发明涉及配电网诊断，更具体地说，本发明涉及多源数据融合的电网异常变户识别方法及系统。

背景技术：

1、随着智能电网的快速发展和普及，用电居民在享受它带来便利的同时，供电企业的线损率居高不下，用电居民的异常行为是导致供电企业线路损失率只升不降的主要原因，严重影响电力企业的正常运营秩序，频繁的异常电量消耗使电力企业遭受严重的经济损失虽然我国对供电和用电方面有着明确的规定，也在努力建设规范化以及法治化的用电售电环境，要求用户必须按照用电计量装置的所计算的示数来缴纳电费，但是仍然有部分个体和企业用户在利益的驱使下，为了少交电费甚至不交电费，采取各种各样的不法手段来达到目的，对供电秩序造成一定程度上的紊乱。

2、目前，现有的电力异常检测根据用电数据库规则推断以及通过确定各个异常指标的阈值，为每个异常指标分配不同的权重分值，最后通过累加计算每个用户的异常电量消耗系数来确定异常用电行为的方法，这两种种排查方存在适用性不高、准确率低的问题，随着智能电网技术的发展、智能电表的逐步普及以及电网信息采集系统中的数据快速增长，用电信息采集异常概率逐渐增大，同时终端用户异常用电数据累积也越来越多，这两种检测方法检测效率比较低下，得到的效果也不理想。

技术实现思路

1、(一)解决的技术问题

2、为了克服现有技术的上述缺陷，本发明的实施例提供多源数据融合的电网异常变户识别方法及系统，通过电量不平衡率计算模块，以解决上述背景技术中提出的问题。

3、(二)技术方案

4、为实现上述目的，本发明提供如下技术方案：多源数据融合的电网异常变户识别方法，具体包括以下步骤：

5、s100，通过设定标准时间来采集计量随机选取的若干个电力用户的用电负荷数据，采集电表异常的用电事件；

6、s200，对数据集进行过滤、清洗、剔除以及插补处理；

7、s300，将大于平均值三倍的数据进行去除；

8、s400，生成代表用户用电行为的日负荷曲线；

9、s500，进行待测用户典型日负荷曲线与负荷特征曲线之间的相似度计算；

10、s600，将采集的电能增量与计算的增量进行比较，进行不平衡率的计算。

11、在一个优选地实施方式中，多源数据融合的电网异常变户识别系统包括数据采集模块、数据预处理模块、异常数据处理模块、日负荷曲线模块、相似度计算模块以及电量不平衡率计算模块所述数据采集模块通过设定标准时间来采集计量随机选取的若干个电力用户的用电负荷数据，所述数据预处理模块对所述数据采集模块所采集的电力数据进行清洗、异常数据的剔除以及插补处理，所述异常数据处理模块处理数据集中的异常值以及最大最小值，所述日负荷曲线模块通过所述数据预处理模块处理后的有效数据生成日负荷曲线，所述相似度计算模块对对负荷曲线之间的相似度进行计算，所述电量不平衡计算模块将用户在一个时间段的电流进行采集，进行电能的增量理论计算。

12、在一个优选地实施方式中，所述数据采集模块通过设定标准时间来采集计量随机选取的若干个电力用户的用电负荷数据，包括电流、电压、功率以及电量，采集电表异常的用电事件，提供负荷曲线、日冻结曲线以及电能质量分析功能，确保电力数据的精确性和完整度，日负荷的生成要每间隔15分钟对监测点范围内的总有功和无功平均功率进行统计，统计信息包括三相电流、三相电压，通过日零点超标数据形成负荷曲线数据点，通过用户电力负荷曲线能直观的将电力用户的用电行为习惯表征出来，将电力用户负荷由时间推移所产生变化的趋势、大小描绘出来。

13、在一个优选地实施方式中，所述数据预处理模块在接收到数据预处理指令时，从数据源中读取待处理的数据，将待处理的数据由非结构化数据转化为结构化数据，根据预处理匹配库对结构化数据进行不同种类的数据处理，对结构化数据集进行轮询，检测空特征数据，检测到空特征数据，将空特征数据进行滤除，检测数据集中有无非时间格式的数据，监测到非时间格式的数据，对数据进行转换，对采集的电气数据进行清洗，将异常数据达到30％以上的用户剔除掉，在完成剔除之后，对部分缺失数据做出插补处理，将处理后的有效数据做加权平均处理，形成用户的日负荷曲线。

14、在一个优选地实施方式中，所述异常数据处理模块数据集中，某个数值与平均值的距离大于三倍标准差，则认定这个数值为异常值，去除数据集中的最大与最小值。

15、在一个优选地实施方式中，所述日负荷曲线模块代表用户的用电行为变化规律，非正常的用电行为规律会产生较大的偏差，设定抽取若干天的用电负荷记录，将某一用户于第i天的负荷曲线数据表示成di＝{di1,di2,di3,...dix}，求得时间点j于第i天的负荷权重，基于用户所选用的若干天的历史数据，负荷权重能够表示为于时间点j用户的加权平均负荷表示为用户的典型日负荷曲线是通过加权相同时间点的负荷值形成的。

16、在一个优选地实施方式中，所述所述相似度计算模块通过一致的采集时间得到负荷数据，鉴于相同类型用户的用电行为习惯以及电力用户自身用电存在的不确定性所造成的位移变化，变化幅度较小，负荷曲线间辨识所以找的重要参考为电力负荷曲线间的整体形状的相似度进行较好的度量，负荷曲线中存在较大形态差别的，反映的是用电行为习惯的不同，电力负荷曲线间形态相似的会有不同程度的位移变化，与时间顺序相关的负荷值构成了电力用户的负荷曲线，对负荷曲线之间的相似度度量方法选用基于时间序列的相似度来度量，相似度的计算公式如下：

17、

18、待测用户负荷曲线表示为x＝[x1,x2...xn]，负荷特征曲线表示为y＝[y1,y2...yn]，其中，s表示相似度，d为时间序列，时间序列定义为有k个按时间顺序排列的数据f＝[f1,f2...fk]，构成一组时间序列集，其中，所述时间序列集设k个观测点，形成观测点集t＝[t1,t2...tk]，时间序列能够找出当前时间历史信息的变化规律，对当前的历史数据信息进行扩展，若待测用户负荷曲线与特征曲线之间的相似度小于设置的相似度阈值，则将该用户筛选为窃电嫌疑用户类别不相同的日负荷特征曲线，为窃电嫌疑用户的初步筛选提供了判别依据，待测时段为一个月，抽取待测用户的日负荷曲线数据，经过加权平均处理，形成待测时段的典型日负荷曲线，计算及分析特征曲线与待测用户负荷曲线之间的相似度，相似度阈值的设置要结合实验中窃电用户样本与特征曲线的对比情况和一般情况，将相似度阈值设置为0.8，初步筛选出来存有窃电嫌疑的那部分用户，相似度阈值小于0.8的用户，存在异常用电的情况。

19、在一个优选地实施方式中，所述电量不平衡率计算模块包括以下步骤：

20、将通过所述相似度计算模块将存有非正常用电的用户初步筛选出来，通过电量不平衡计算对存在非正常用电的用户做进一步的识别判断，得出非正常用电的用户，通过用户在一个时间段的电流进行采集，进行电能的增量理论计算，利用用户所实用电量的平均数，计算用户所使用的功率因数，将采集的电能增量与计算的增量进行比较；

21、将出现相似度阈值小于0.8的数据作为非正常用电的数据，对数据进行归一化处理，使数据限制在0-1之间，转换成非正常用电的指标数据，通过特征选择的手段，将非正常用电的指标数据中存在的相关性不高、对分类冗余的特征进行去除，通过不平衡率的计算得出非正常用电的用户。

22、进行不平衡率的计算，用户进行异常用电行为时，理论值与实测值之间的不平衡率出现明显差距，电量不平衡率的计算公式如下所示：

23、|w1-w2|/max{w1-w2}

24、采集用户电流频率为1min/次时，得到电流w1，其中w1表示理论值，w2表示实测值。

25、(三)有益效果

26、与现有技术相比，本发明的有益效果如下：

27、本发明通过对具有非正常用电的用户进行识别判断，得出非正常用电用户的预测结果，通过进一步的计算，确定用户是否为非正常用户，通过综合考虑其电气参量指标数值的变化，包括电压、电流、相位角、电量、功率因素等各方面的指标量，通过从用户用电数据信息方面的研究，建立电力负荷曲线，通过分析电力负荷曲线的规律性，将具有代表性的日负荷曲线进行迭代处理，得到特征曲线，根据代表不同用户类型的日负荷特征曲线，结合电力用户负荷曲线的数据特性以及可能存在的位移变化，基于曲线相似度的计算及分析实现了对非正常用户的初步筛选，对于非正常用电的用户做到实时发现，利用通过数据采集模块能够即时采集到多种用户用电信息数据，为非正常用电的识别提供相关依据，一边及时形成相应的应对措施，第一时间开展调查工作。