CN103455855A - 一种基于用电信息数据分析的反间歇性窃电检测方法 - Google Patents

Abstract

本发明公开了一种基于用电信息数据分析的反间歇性窃电检测方法，包括步骤：数据筛选；构建预测分析模型；提取样本数据；通过预测分析模型参数计算进行误差检验，剔除异常值，提取新的样本数据；通过预测分析模型参数计算，求得平均相对误差和当月最终电能表示数预测值；计算当月用电预测值与实际值的差别量；判定该用户存在间歇性窃电嫌疑；提取另一个样本数据进行判别。本发明能有效检测使表计失电的间歇性窃电行为，为反窃电后续工作提供明确目标，工作人员仅需对“嫌疑”对象开展判断窃电行动，既可快速、高效完成工作任务，节省人力物力，又达到整体环节可控高效。

Description

一种基于用电信息数据分析的反间歇性窃电检测方法

技术领域

本发明涉及窃电检测领域，尤其涉及一种基于用电信息数据分析的反间歇性窃电检测方法。

背景技术

线损是国家考核电力企业的一项重要的经营技术指标，也是企业管理的关键环节之一。线损的高低反应了电网的经济运行状态，供电企业的管理水平和生产技术水平。线损包含了技术线损和管理线损，其中反窃电是降低管理线损、保障安全的重要措施。目前查处的窃电行为中，居民窃电方式主要集中于“一线一地”、“U型线”、“绕越表计直联”以及“表内跨接”等手法。违规用电和窃电不仅使管理线损上升，电力企业经济效益下降，而且容易导致用电事故与人身伤害。

为了维护正常的用电秩序，实现快速发现、准确判断、狠狠打击窃电行为，供电公司制定了详备的反窃电工作流程用以指导工作开展。主要分为“捕捉窃电信号”、“判断窃电行为”、“确定窃电行为”和“处理窃电案件”，其中：“捕捉窃电信号”主要任务是缩小和锁定窃电“嫌疑”用户；“判断窃电行为”任务是现场检查、确认这些“嫌疑”用户是否存在窃电行为；“确定窃电行为”是检查、分析窃电用户是如何窃电的；“处理窃电案件”是根据有关法律、法规确定用户窃电数量并追求其民事责任、行政责任或刑事责任。

当前反窃电实施需要电力营销人员积累丰富的反窃电工作经验，能快速捕捉从各种渠道、以各种形式传来的反窃电信号，目前主要获取窃电信息的途径有：举报法，通过群众举报而发现，举报通常通过电话、书面、口头、网络等方式实现。直观法，通过眼看、口问、耳听、鼻闻、手摸等手段检查用户用电及计量装置运行情况，从而发现窃电的蛛丝马迹，一般采取由外到里的原则。然而，群众举报难以覆盖所有台区用电情况，不确定性大；营业普查花费人力物力巨大，反窃电效率低，且无法常态化进行。以上两种反窃电方法的缺陷导致反窃电后续行动存在盲目性与不确定性，整体流程存在瓶颈，整体工作预期难以控制。而且，目前的窃电手法多为“使表计失电的间歇性窃电”（如“一线一地”、“绕越表计直联”），即：用户电表在线天数较少，且抄表日前后电表在线，更具隐蔽性。因此，需要在现有供电企业设备技术基础上调整反窃电检测方法，从而提高反窃电工作水平。

发明内容

本发明的目的在于提供一种基于用电信息数据分析的反间歇性窃电检测方法，所谓间歇性窃电是利用避开抄表日窃电方法，大都采用“一线一地”、“绕越表计直联”手段，避开抄表日意图不让抄表员发现其窃电行为。这部分用户在电网系统内是自然存在地，本发明利用日电量数据对用户的月电量进行预测，从而筛选出负误差超出设定值的用户，同时对筛选出用户采用多个月电量校核，是否存在相同类似情况来判断嫌疑对象，最终报相关部门进行流程和现场查核。本发明对用户电量数据信息进行深度发掘，构建预测分析模型，有效检测使表计失电的间歇性窃电行为，为反窃电后续工作提供明确目标。工作人员仅需对“嫌疑”对象开展判断窃电行动，既可快速、高效完成工作任务，节省人力物力，又达到整体环节可控高效。

实现上述目的的技术方案是：

一种基于用电信息数据分析的反间歇性窃电检测方法，包括下列步骤：

步骤S1，针对所选分析台区总的用电信息数据，按照规则：当月用户电表在线天数小于或者等于预设的在线天数阈值，筛选出符合所述规则的用户电能表数据；

步骤S2，为筛选出的用户电能表数据构建预测分析模型：

Q=k₀+k₁×t

其中，Q为电能表采集示数，k₀为上月电能表示数，t为当月时间，k₁为线性系数；

步骤S3，从筛选出的用户电能表数据中选定一个用户，将其电能表数据作为样本数据，该电能表数据包括：当月电能表实际在线天数n、各电能表在线日期t_i以及其对应的电能表采集示数Q_i，1≤i≤n且i为整数；

步骤S4，采用最小二乘法对所述样本数据进行预测分析模型参数计算，即：通过公式X=(A^TA)^-1A^Tb

其中，数据矩阵A为自由变量t_i所组成，为：

$\left(\begin{array}{cc}1& t_1\\ .& .\\ .& .\\ .& .\\ 1& t_n\end{array}\right),$ t_n为用户当月最后在线日期；

参数矢量X由所求参数k₀和k₁所组成，为：

$\left(\begin{array}{c}{k}_0\\ k_1\end{array}\right);$

b由Q_i组成，为：

$\left(\begin{array}{c}{Q}_1\\ .\\ .\\ .\\ Q_n\end{array}\right),$ Q_n为t_n当日的电能表采集示数；

求得参数k₀和k₁；

然后根据预测分析模型，求得与各电能表在线日期t_i对应的电能表采集示数预测值 $\widetilde{Q_i}=k_0+k_1\×t_i;$

将各电能表采集示数预测值与其相应的电能表采集示数Q_i进行比较，当误差超过预设的误差阈值，认定当日的电能表在线日期及其对应的电能表采集示数为异常值，将其从所述样本数据中剔除，得到新的样本数据：当月电能表在线天数m、各电能表在线日期t_i'以及其对应的电能表采集示数Q_i'，1≤i’≤m≤n且i’为整数；

步骤S5，针对剔除异常值后的样本数据，采用最小二乘法进行预测分析模型参数计算，即：通过公式X'=(A'^TA')^-1A'^Tb'

其中，数据矩阵A’为自由变量t_i'所组成，为：

$\left(\begin{array}{cc}1& t_1\\ .& .\\ .& .\\ .& .\\ 1& t_m\end{array}\right),$ t_m为剔除异常值后用户当月最后在线日期；

参数矢量X’由所求参数k₀'和k₁'所组成，为：

$\left(\begin{array}{c}{k_0}^{\′}\\ {k_1}^{\′}\end{array}\right);$

b’由Q_i'组成，为：

$\left(\begin{array}{c}{Q}_1\\ .\\ .\\ .\\ Q_m\end{array}\right),$ Q_m为t_m当日的电能表采集示数；

求得参数k₀'和k₁'；

然后根据预测分析模型，求得与各电能表在线日期t_i'对应的电能表采集示数预测值 ${\widetilde{Q_i}}^{\′}={k_0}^{\′}+{k_1}^{\′}\×t_{i\′};$

并根据公式：

求得平均相对误差σ；

判断：平均相对误差σ是否大于预设的平均相对误差阈值，或者m是否小于5；

若平均相对误差σ大于预设的平均相对误差阈值，或者m小于5，则返回步骤S3；

若平均相对误差σ小于或等于预设的平均相对误差阈值，或者m大于或等于5，则根据当月实际天数，使用预测分析模型计算出该用户当月最终电能表示数预测值

并进入步骤S6；其中，t_s为当月实际最后日期；

步骤S6，求得当月用电预测值与实际值的差别量

其中，Q_s为该用户当月最终电能表示数实际值；

步骤S7，将步骤S6中所得差别量与预设的差别量阈值进行比较，若大于差别量阈值，则判定该用户存在间歇性窃电嫌疑；

步骤S8，返回步骤S3。

上述的基于用电信息数据分析的反间歇性窃电检测方法，其中，所述步骤S7还包括：当差别量小于差别量阈值时，判断：是否存在明显的电能表集中离线时间段，若存在，则判定该用户存在间歇性窃电嫌疑。

上述的基于用电信息数据分析的反间歇性窃电检测方法，其中，所述步骤S7还包括：当不存在明显的电能表集中离线时间段时，判断：是否连续若干个月电能表离线日期相似，即：临近抄表日，电能表在线，其他日离线；若是，则判定该用户存在间歇性窃电嫌疑。

上述的基于用电信息数据分析的反间歇性窃电检测方法，其中，所述步骤S7还包括：当差别量小于差别量阈值时，判断：当月用电实际值对比上个月、去年本月用电量，若均超过预设的临界值，则判定该用户存在间歇性窃电嫌疑。

上述的基于用电信息数据分析的反间歇性窃电检测方法，其中，所述的电能表采集示数分为平时段电能表采集示数和谷时段电能表采集示数。

本发明的有益效果是：本发明采用在线监测法与分析法相结合，注重用户电量数据在线采集与离线分析。通过数据筛选，样本提取、样本基本模型构建、样本基本特征与异常值剔除、基本模型参数计算、基本模型预测输出与窃电嫌疑判据等环节，在大量正常用户群体中筛选甄别少数间歇性窃电“嫌疑对象”，对于有窃电行为“嫌疑”的用户，优先指派人员现场处理，既可快速、高效完成工作任务，节省人力物力，又达到整体环节可控高效，维护了正常的用电秩序。

附图说明

图1是本发明的反间歇性窃电检测方法的流程图；

图2是用户用电数据筛选图；

图3是某用户电能表示数曲线图；

图4是本发明中实施例用户平时段电能表示数曲线图；

图5是本发明中实施例用户谷时段电能表示数曲线图。

具体实施方式

下面将结合附图对本发明作进一步说明。

本发明使用国家电网用户用电信息采集平台的静态电量数据，采用在线监测法与分析法相结合，注重用户电量数据在线采集与离线分析，进而在大量正常用户群体中筛选甄别少数窃电“嫌疑对象”。此本发明主要侧重于检测表计失电的间歇性窃电行为，如“一线一地”、“绕越表计直联”，可为反窃电后续工作提供明确目标，工作人员仅需对“嫌疑”对象开展判断窃电行动，既可快速、高效完成工作任务，节省人力物力，又达到整体环节可控高效。

根据电力公司设备、技术等方面考虑，借助国网用户用电信息采集平台，用户电能表采集数据可按某集中器下辖台区分批次进行筛选、分析，选定一个台区。

请参阅图1，本发明的基于用电信息数据分析的反间歇性窃电检测方法，包括下列步骤：

步骤S1，针对所选分析台区总的用电信息数据，按照规则：当月用户电表在线天数小于或者等于预设的在线天数阈值，筛选出符合所述规则的用户电能表数据，如此能有效地缩小模型分析范围，为快速确定窃电“嫌疑”用户提供良好基础；其中，电表在线天数指：能有效采集到数据的天数；如图2所示，筛选后的用户数据大大减少；

步骤S2，根据间歇性窃电的特点：用户电表在线天数较小，但日均用电量比较稳定，可以假设电能表日采集电量值与用电时间成线性关系，因此，为筛选出的用户电能表数据构建预测分析模型：

Q=k₀+k₁×t

其中，Q为电能表采集示数，k₀为上月电能表示数，t为当月时间，k₁为线性系数；

步骤S3，从筛选出的用户电能表数据中选定一个用户，将其电能表数据作为样本数据，该电能表数据包括：当月电能表实际在线天数n、各电能表在线日期ti以及其对应的电能表采集示数Q_i，1≤i≤n且i为整数；当前系统所采集归档数据为每日电能表平谷段抄见数，因此，本实施例中所有电能表采集示数均分为平时段电能表采集示数和谷时段电能表采集示数，其有关计算也分别计算；

个别集抄用户存在间歇抄收失败情况，用户电能表有部分时间处于非在线状态，无法抄收电能表度数。如图3所示，图中电能表电量数值恒定不变区域即为电能表处于非在线状态；

步骤S4，采用最小二乘法对上述的样本数据进行预测分析模型参数计算，即：通过公式X=(A^TA)^-1A^Tb，求得参数k₀和k₁；

其中，数据矩阵A为自由变量t_i所组成，为：

$\left(\begin{array}{cc}1& t_1\\ .& .\\ .& .\\ .& .\\ 1& t_n\end{array}\right),$ t_n为用户当月最后在线日期；

参数矢量X由所求参数k₀和k₁所组成，为：

$\left(\begin{array}{c}{k}_0\\ k_1\end{array}\right);$

b由Q_i组成，为：

$\left(\begin{array}{c}{Q}_1\\ .\\ .\\ .\\ Q_n\end{array}\right),$ Q_n为t_n当日的电能表采集示数；

以下对X=(A^TA)^-1A^Tb进行验证：

根据样本基本模型特性以及所采集样本数据特性，将含有模型变量t与待求参数k组成线性函数的形式

Q(t;k₀,k₁)=k₀+k₁t

当使用一组样本值求解，可得线性方程组

$\left\{\begin{array}{c}{k}_0+k_1{t}_1=Q_1\\ k_0+k_1{t}_2=Q_2\\ .\\ .\\ .\\ k_0+k_1{t}_i=Q_i\\ .\\ .\\ .\\ k_0+k_1{t}_n=Q_n\end{array}\right.$

通常将t_i记作数据矩阵A，参数k₀和k₁记做参数矢量X，观测值Q_i记作b，则线性方程组又可写成：

$\left(\begin{array}{cc}1& t_1\\ .& .\\ .& .\\ .& .\\ 1& t_n\end{array}\right)\left(\begin{array}{c}{k}_0\\ k_1\end{array}\right)=\left(\begin{array}{c}{Q}_1\\ .\\ .\\ .\\ Q_n\end{array}\right)$

即：AX=b

上述方程运用最小二乘法导出为线性平方差计算的形式为：

$\underset{x}{\min }{\left|\right|\mathrm{AX}-b\left|\right|}^2,A\∈C^{m\×n},b\∈C^n$

将b拆成与A的值域及其正交补两部分：

b=b₁+b₂

b₁=AA⁺b∈R(A)

b₂=(I-AA⁺)b∈R(A)^⊥

所以AX-b₁∈R(A)，可得

||AX-b||²=||AX-b₁+(-b₂)||²=||AX-b₁||²+||b₂||²

故当且仅当X是AX=b₁=AA⁺b解时，X即为最小二乘解，即X=A⁺b。

又因为

N(A)=N(AA⁺)=R(I-AA⁺)={(I-AA⁺)h:h∈Cⁿ}

故AX=AA⁺b的通解为X=A⁺+(I-AA⁺)h:h∈Cⁿ

因为

||A⁺b||²<A⁺b||²+(I-AA⁺)h||²

=||A⁺b+(I-AA⁺)h||²,(I-AA⁺)h≠0

因此预测模型参数使用最小二乘法原理，可通过X=(A^TA)^-1A^Tb求得。

然后根据预测分析模型，求得与各电能表在线日期ti对应的电能表采集示数预测值 $\widetilde{Q_i}=k_0+k_1\&times;t_i;$

将各电能表采集示数预测值与其相应的电能表采集示数Q_i进行比较，当误差超过预设的误差阈值，认定当日的电能表在线日期及其对应的电能表采集示数为异常值，将其从所述样本数据中剔除，得到新的样本数据：剔除异常值后当月电能表在线天数m、各电能表在线日期t_i'以及其对应的电能表采集示数Q_i'，1≤i’≤m≤n且i’为整数；其中，异常值是由于系统误采集错误信号或存在干扰信号而产生的，当使用存在异常值样本数据构建预测模型，将对预测模型输出引入较大的误差，因此需对样本中的异常值加以辨别与剔除。

步骤S5，针对剔除异常值后的样本数据，采用最小二乘法进行预测分析模型参数计算，即：通过公式X'=(A'^TA')^-1A'^Tb'，求得参数k₀'和k₁'，其验证同上；

其中，数据矩阵A’为自由变量t_i'所组成，为：

$\left(\begin{array}{cc}1& t_1\\ .& .\\ .& .\\ .& .\\ 1& t_m\end{array}\right),$ t_m为剔除异常值后用户当月最后在线日期；

参数矢量X’由所求参数k₀'和k₁'所组成，为：

$\left(\begin{array}{c}{k_0}^{\&prime;}\\ {k_1}^{\&prime;}\end{array}\right);$

b’由Q_i'组成，为：

$\left(\begin{array}{c}{Q}_1\\ .\\ .\\ .\\ Q_m\end{array}\right),$ Q_m为t_m当日的电能表采集示数；

然后根据预测分析模型，求得与各电能表在线日期t_i'对应的电能表采集示数预测值 ${\widetilde{Q_i}}^{\&prime;}={k_0}^{\&prime;}+{k_1}^{\&prime;}\&times;t_{i\&prime;};$

并根据公式：

求得平均相对误差σ，平均相对误差σ用以验证该预测分析模型的时效性，根据样本数据特点，选定误差值5%-15%之间，m应该大于5，若平均相对误差大于阀值或m小于5，模型预测准确率降低，本方法失效，因此，进行判断：平均相对误差σ是否大于预设的平均相对误差阈值，或者m是否小于5；

若平均相对误差σ大于预设的平均相对误差阈值，或者m小于5，则返回步骤S3；

若平均相对误差σ小于或等于预设的平均相对误差阈值，或者m大于或等于5，则根据当月实际天数，使用预测分析模型计算出该用户当月最终电能表示数预测值

并进入步骤S6；其中，t_s为当月实际最后日期；

步骤S6，求得当月用电预测值与实际值的差别量

其中，Q_s为该用户当月最终电能表示数实际值，即为t_m当日的电能表采集示数Q_m；

步骤S7，将步骤S6中所得差别量与预设的差别量阈值进行比较，若大于差别量阈值，则判定该用户存在间歇性窃电嫌疑；当差别量小于差别量阈值时，判断：是否存在明显的电能表集中离线时间段，若存在，则判定该用户存在间歇性窃电嫌疑；当不存在明显的电能表集中离线时间段时，判断：是否连续若干个月电能表离线日期相似，即：临近抄表日，电能表在线，其他日离线；若是，则判定该用户存在间歇性窃电嫌疑；

或者，当差别量小于差别量阈值时，判断：当月用电实际值对比上个月、去年本月用电量，若均超过预设的临界值，则判定该用户存在间歇性窃电嫌疑；

对于有窃电行为“嫌疑”的用户，优先指派人员现场处理，可快速、高效完成工作任务，节省人力物力。

步骤S8，返回步骤S3，重新选定样本数据，进行判别。

本实施例中，选定图2中的0000530538用户，该用户电能表在线天数19天，远低于正常水平，因而就正常采集数据作数据拟合。对所选数据样本进行筛选，剔除第19日的异常数据，使用最小二乘法求取预测分析模型参数，使用该模型输出平谷段电能表示数与预测值，平时段电量如图4所示，通过多元线性拟合方法，求取预测分析模型参数，可得k₀'=649,k₁'=5.858，模型误差为σ=0.6%。使用模型预测该用户31天正常电能表平段示数为830.5，而实际示数仅为763.1，当月平段用电量相差58.8%。谷时段电量如图5所示，通过多元线性拟合方法，求取预测分析模型参数，可得k₀'=338,k₁'=2.21，模型误差为σ=0.3%。使用模型预测该用户31天正常电能表谷段示数为406.9，而实际示数为378.3，当月谷段用电量相差70%。

然后，通过下列预测分析模型输出判据表进行判断：

得出结论，该用户存在间歇性窃电嫌疑，对其重点关注，并指派人员现场处理。

根据统计，某电力公司2010年共检查居民用户数43079户，占全用户约3.69%，查实违章用电3536户，补收电量4558523kWh，补收电量金额2453415元。2011年共计检查居民用户数102129户，占全用户约8.74%，查实违章用电3237户，补收电量3983069kWh，补收电量金额2104440元。2012年共计检查居民户数61442户，占全用户约4.23%，查实违章用电1763户，补收电量3082100kWh，补收电费1894600元。根据2010年、2011年和2012年检查数据理论上估算出在未检查用户中约5.1万用户存在违章用电现象，这些违章用电损失电量约7140千万kWh，可以补收电量金额约3832万元损失。当前反窃电工作中由于用户区域分散，检查居民数有限，查实违章用户少，并且检查难度加大等因素导致当前反窃电工作涉及面不广，因此，若能够有效推广应用本发明的检测方法，能极大地提高反窃电工作效率，维护正常的用电秩序，能为电力公司挽回大量的经济损失，提高效益，促进发展。

以上实施例仅供说明本发明之用，而非对本发明的限制，有关技术领域的技术人员，在不脱离本发明的精神和范围的情况下，还可以作出各种变换或变型，因此所有等同的技术方案也应该属于本发明的范畴，应由各权利要求所限定。

Claims (5)

1.一种基于用电信息数据分析的反间歇性窃电检测方法，其特征在于，包括下列步骤：

步骤S1，针对所选分析台区总的用电信息数据，按照规则：当月用户电表在线天数小于或者等于预设的在线天数阈值，筛选出符合所述规则的用户电能表数据；

步骤S2，为筛选出的用户电能表数据构建预测分析模型：

Q=k₀+k₁×t

其中，Q为电能表采集示数，k₀为上月电能表示数，t为当月时间，k₁为线性系数；

步骤S3，从筛选出的用户电能表数据中选定一个用户，将其电能表数据作为样本数据，该电能表数据包括：当月电能表实际在线天数n、各电能表在线日期t_i以及其对应的电能表采集示数Q_i，1≤i≤n且i为整数；

步骤S4，采用最小二乘法对所述样本数据进行预测分析模型参数计算，即：通过公式X=(A^TA)^-1A^Tb

其中，数据矩阵A为自由变量t_i所组成，为：

$\left(\begin{array}{cc}1& t_1\\ .& .\\ .& .\\ .& .\\ 1& t_n\end{array}\right),$ t_n为用户当月最后在线日期；

参数矢量X由所求参数k₀和k₁所组成，为：

$\left(\begin{array}{c}{k}_0\\ k_1\end{array}\right);$

b由Q_i组成，为：

$\left(\begin{array}{c}{Q}_1\\ .\\ .\\ .\\ Q_n\end{array}\right),$ Q_n为t_n当日的电能表采集示数；

求得参数k₀和k₁；

然后根据预测分析模型，求得与各电能表在线日期t_i对应的电能表采集示数预测值 $\widetilde{Q_i}=k_0+k_1\&times;t_i;$

将各电能表采集示数预测值

与其相应的电能表采集示数Q_i进行比较，当误差超过预设的误差阈值，认定当日的电能表在线日期及其对应的电能表采集示数为异常值，将其从所述样本数据中剔除，得到新的样本数据：当月电能表在线天数m、各电能表在线日期t_i'以及其对应的电能表采集示数Q_i'，1≤i’≤m≤n且i’为整数；

步骤S5，针对剔除异常值后的样本数据，采用最小二乘法进行预测分析模型参数计算，即：通过公式X'=(A'^TA')^-1A'^Tb'

其中，数据矩阵A’为自由变量t_i'所组成，为：

$\left(\begin{array}{cc}1& t_1\\ .& .\\ .& .\\ .& .\\ 1& t_m\end{array}\right),$ t_m为剔除异常值后用户当月最后在线日期；

参数矢量X’由所求参数k₀'和k₁'所组成，为：

$\left(\begin{array}{c}{k_0}^{\&prime;}\\ {k_1}^{\&prime;}\end{array}\right);$

b’由Q_i'组成，为：

$\left(\begin{array}{c}{Q}_1\\ .\\ .\\ .\\ Q_m\end{array}\right),$ Q_m为t_m当日的电能表采集示数；

求得参数k₀'和k₁'；

然后根据预测分析模型，求得与各电能表在线日期t_i'对应的电能表采集示数预测值 ${\widetilde{Q_i}}^{\&prime;}={k_0}^{\&prime;}+{k_1}^{\&prime;}\&times;t_{i\&prime;};$

并根据公式：

求得平均相对误差σ；

判断：平均相对误差σ是否大于预设的平均相对误差阈值，或者m是否小于5；

若平均相对误差σ大于预设的平均相对误差阈值，或者m小于5，则返回步骤S3；

若平均相对误差σ小于或等于预设的平均相对误差阈值，或者m大于或等于5，则根据当月实际天数，使用预测分析模型计算出该用户当月最终电能表示数预测值并进入步骤S6；其中，t_s为当月实际最后日期；

步骤S6，求得当月用电预测值与实际值的差别量

其中，Q_s为该用户当月最终电能表示数实际值；

步骤S7，将步骤S6中所得差别量与预设的差别量阈值进行比较，若大于差别量阈值，则判定该用户存在间歇性窃电嫌疑；

步骤S8，返回步骤S3。

2.根据权利要求1所述的基于用电信息数据分析的反间歇性窃电检测方法，其特征在于，所述步骤S7还包括：当差别量小于差别量阈值时，判断：是否存在明显的电能表集中离线时间段，若存在，则判定该用户存在间歇性窃电嫌疑。

3.根据权利要求2所述的基于用电信息数据分析的反间歇性窃电检测方法，其特征在于，所述步骤S7还包括：当不存在明显的电能表集中离线时间段时，判断：是否连续若干个月电能表离线日期相似，即：临近抄表日，电能表在线，其他日离线；若是，则判定该用户存在间歇性窃电嫌疑。

4.根据权利要求1所述的基于用电信息数据分析的反间歇性窃电检测方法，其特征在于，所述步骤S7还包括：当差别量小于差别量阈值时，判断：当月用电实际值对比上个月、去年本月用电量，若均超过预设的临界值，则判定该用户存在间歇性窃电嫌疑。

5.根据权利要求1所述的基于用电信息数据分析的反间歇性窃电检测方法，其特征在于，所述的电能表采集示数分为平时段电能表采集示数和谷时段电能表采集示数。

Images