CN103488800A - 一种基于svm的用电异常检测方法 - Google Patents

一种基于svm的用电异常检测方法 Download PDF

Info

Publication number
CN103488800A
CN103488800A CN201310484912.6A CN201310484912A CN103488800A CN 103488800 A CN103488800 A CN 103488800A CN 201310484912 A CN201310484912 A CN 201310484912A CN 103488800 A CN103488800 A CN 103488800A
Authority
CN
China
Prior art keywords
module
model
data
class
modules
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201310484912.6A
Other languages
English (en)
Inventor
曹敏
简富俊
张建伟
毕志周
王磊
唐二雷
李晶
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Yunnan Power Grid Corp Technology Branch
Yunnan Electric Power Experimental Research Institute Group Co Ltd of Electric Power Research Institute
Original Assignee
Yunnan Power Grid Corp Technology Branch
Yunnan Electric Power Experimental Research Institute Group Co Ltd of Electric Power Research Institute
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Yunnan Power Grid Corp Technology Branch, Yunnan Electric Power Experimental Research Institute Group Co Ltd of Electric Power Research Institute filed Critical Yunnan Power Grid Corp Technology Branch
Priority to CN201310484912.6A priority Critical patent/CN103488800A/zh
Publication of CN103488800A publication Critical patent/CN103488800A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Electricity, gas or water supply
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Abstract

一种基于SVM的用电异常检测方法，本发明整个系统由计量数据库系统（1-1）、预处理模块（1-2）、One-class SVM分类机（1-3）、报警信息过滤模块（1-4）和报警模块（1-5）五个模块组成，各模块之间的关系使用数据流向（1-6）表示；系统流程图由数据采集（2-1）、数据预处理（2-2）、训练样本采集（2-3）、工作日模型（2-4）、节假日模型（2-5）、周末模型（2-6）、数据预处理（2-7）、KKT条件判断器（2-8）、One-class SVM分类器（2-9）、系统决策（2-10）、报警（2-11）、满足KKT条件程序执行方向（2-12）和不满足KKT条件程序执行方向（2-13）十三个模块组成。本发明是一种基于SVM的用电异常检测方法，具有训练样本小，检测精度可设置等显著优点。

Description

一种基于SVM的用电异常检测方法
技术领域
本发明属于用电异常检测技术领域，尤其适用于用电稽查领域。
背景技术
窃电行为在电网损失中占有很大比重，传统的防窃电措施能够有效减少窃电行为，但是随着低压集抄系统的推广，电力系统计量自动化程度不断提高，使得电力窃贼窃电的方法增多。非法电力用户能够通过黑客技术等手段影响自动抄表系统，从而达到窃电的目的。
基于窃电问题，提出使用基于无监督机器学习检测的思路，并通过技术手段予以实现。本发明使用基于SVM的方法对采样数据进行分析，能够保证在小样本环境下有较高的置信概率。并在SVM分类结果的基础上使用过滤策略对分类结果进行处理，有效降低系统的虚警率。
发明内容
由于窃电行为复杂多样，有的行为和正常电力用户负荷曲线存在相似性等特点，本发明的目的在于解决用电负荷异常问题。
本发明是通过下列技术方案来实现的。
一种基于SVM(Support Vector Machine)的用电异常检测方法，本发明特征是：
1)整个系统由计量数据库系统、预处理模块、One-class SVM分类机、报警信息过滤模块和报警模块五个模块依序连接组成，各模块之间的关系使用数据流向表示；
2）系统流程由数据采集模块、数据预处理模块、训练样本采集模块、工作日模型模块、节假日模型模块、周末模型模块、数据预处理模块、KKT条件判断器、One-class SVM分类器、系统决策模块、报警模块、满足KKT条件程序执行方向模块和不满足KKT条件程序执行方向模块十三个模块组成；其中：
数据采集模块、数据预处理模块、One-class SVM分类器、系统决策模块、报警模块依序连接；
训练样本采集模块、节假日模型模块、数据预处理模块、KKT条件判断器、One-class SVM分类器依序连接；
训练样本采集模块还分别连接工作日模型模块、周末模型模块，工作日模型模块、周末模型模块共同与数据预处理模块连接；
训练样本采集模块还与KKT条件判断器连接；
3）系统训练模型包括工作日模型模块、节假日模型模块和周末模型模块三类模型，每个模型使用四个属于该类模型正常模型的向量作为训练向量；
4）预处理模块分为数据归一化和特征调整两个功能；
5）计量数据库系统中单个用户计量频率需要满足在15分钟每次到2小时每次之间；
6）系统决策模块使用逻辑运算的方法配置过滤策略。
本发明的有益效果是：
a.使用机器学习的方法对电力用户的负荷信息进行分析，为用电稽查人员提供报警信息。能够有效降低电力稽查的工作复杂度，降低用电异常稽查工作的人工成本。
b.使用基于One-class SVM的设计，能够在小样本环境下有较高的分类准确率，并能提供在样本分类不均衡条件下的无监督机器学习方法。
c.系统决策部分使用过滤策略可配置的设计，能够人工配置过滤策略，有效降低系统的虚警率。
d.通过手工设置One-class SVM参数的方法，能够调整检测的灵敏度。
下面结合附图及实例进一步阐述本发明内容。
附图说明
图1为基于SVM的用电异常检测方法整体示意图；
图2为基于SVM的用电异常检测方法流程图。
具体实施方式
一种基于SVM(Support Vector Machine)的用电异常检测方法，本发明特征是：
1)整个系统由计量数据库系统1-1、预处理模块1-2、One-class SVM分类机1-3、报警信息过滤模块1-4和报警模块1-5五个模块依序连接组成，各模块之间的关系使用数据流向1-6表示；
2）系统流程由数据采集模块2-1、数据预处理模块2-2、训练样本采集模块2-3、工作日模型模块2-4、节假日模型模块2-5、周末模型模块2-6、数据预处理模块2-7、KKT条件判断器2-8、One-class SVM分类器2-9、系统决策模块2-10、报警模块2-11、满足KKT条件程序执行方向模块2-12和不满足KKT条件程序执行方向模块2-13十三个模块组成；其中：
数据采集模块2-1、数据预处理模块2-2、One-class SVM分类器2-9、系统决策模块2-10、报警模块2-11依序连接；
训练样本采集模块2-3、节假日模型模块2-5、数据预处理模块2-7、KKT条件判断器2-8、One-class SVM分类器2-9依序连接；
训练样本采集模块2-3还分别连接工作日模型模块2-4、周末模型模块2-6，工作日模型模块2-4、周末模型模块2-6共同与数据预处理模块2-7连接；
训练样本采集模块2-3还与KKT条件判断器2-8连接；
3）系统训练模型包括工作日模型模块2-4、节假日模型模块2-5和周末模型模块2-6三类模型，每个模型使用四个属于该类模型正常模型的向量作为训练向量；
4）预处理模块1-2分为数据归一化和特征调整两个功能；
5）计量数据库系统1-1中单个用户计量频率需要满足在15分钟每次到2小时每次之间；
6）系统决策模块2-10使用逻辑运算的方法配置过滤策略。
见图1，该图示出了基于SVM的用电异常检测方法整体结构示意图。图中预处理模块1-2从数据库系统1-1中获取用户的计量数据，并把预处理过的数据传给One-class SVM分类机1-3，One-class SVM分类机1-3分类的结果再传递给报警信息过滤模块1-4对分类为-1的样本进行过滤。最后，把过滤后可以的样本传给报警模块1-5进行报警处理。
见图2，该图示出了基于SVM的用电异常检测方法流程示意图。
数据采集模块2-1从数据库系统1-1中提取用户的计量信息并形成特征变量。计算方法如式1所示，式中xn表示第n天的特征向量，di表示当天第i个计量数据，N表示一天的计量点数。
式1：xn={d1,d2,…,dN}
数据预处理模块2-2把所得到的数据进行归一化，消除由于不同用户用电量差距而对用电模型的影响。计算方法如式2所示，式中Ndi表示特征向量分量di的归一化处理结果，min(d)表示特征向量分量的最小值，max(d)表示特征向量分量的最大值。
式2：
训练样本采集模块2-3采用正常的数据经过数据预处理2-2得到正常的样本集。
工作日模型模块2-4、节假日模型模块2-5、周末模型模块2-6在训练样本集中选取多组（大于4）每类样本经过数据预处理模块2-7后作为训练样本模型。
KKT条件判断器2-8使用KKT条件对训练样本判断，结果为真程序按着满足KKT条件程序执行方向2-12对One-class SVM分类器2-9训练；结果为假则按着不满足KKT条件程序执行方向2-13重新选择训练样本。
待分类的样本通过数据预处理模块2-2后使用训练好的One-class SVM分类器2-9进行分类，分类结果为{1,-1}。其中，1表示样本正常，-1表示样本异常。分类异常的样本使用系统决策2-10模块对样本进行过滤，偏差度使用式4进行计算，xt表示带测试的特征向量，表示将训练样本的数据统计平均到一天的向量计算公式使用式3计算。
式3：
式中N表示训练样本的数目，M表示每个特征向量的分量数目。
式:4：
提取的过滤特征如下：
a.One-class SVM分类结果为1；
b.One-class SVM分类结果为-1；
c.DR不超过20%；
d.DR超过20%小于40%；
e.DR查过40%；
f.24小时内为零的负荷数据不超过2个；
g.24小时内为零的负荷数据超过2个但小于6个；
h.24小时内为零的负荷数据查过6个。
根据特征间的逻辑关系，过滤结果分为三类：
R类：a∨(c∧f)
S类：b∧[(c∧g)∨(d∧f)∨(d∧g)]
I类：b∧(e∨h)
其中，R类用户认为数据正常；S类用户的行为放入怀疑库中，供用电稽查人员参考I类用户认为是用电行为异常用户，可能存在窃电行为或者计量异常等异常现象。
过滤后为可疑的样本通过报警模块2-11进行报警处理。

Claims (1)

1.一种基于SVM的用电异常检测方法，其特征是：
1)整个系统由计量数据库系统（1-1）、预处理模块（1-2）、One-class SVM分类机（1-3）、报警信息过滤模块（1-4）和报警模块（1-5）五个模块依序连接组成，各模块之间的关系使用数据流向（1-6）表示；
2）系统流程由数据采集模块（2-1）、数据预处理模块（2-2）、训练样本采集模块（2-3）、工作日模型模块（2-4）、节假日模型模块（2-5）、周末模型模块（2-6）、数据预处理模块（2-7）、KKT条件判断器（2-8）、One-class SVM分类器（2-9）、系统决策模块（2-10）、报警模块（2-11）、满足KKT条件程序执行方向模块（2-12）和不满足KKT条件程序执行方向模块（2-13）十三个模块组成；其中：
数据采集模块（2-1）、数据预处理模块（2-2）、One-class SVM分类器（2-9）、系统决策模块（2-10）、报警模块（2-11）依序连接；
训练样本采集模块（2-3）、节假日模型模块（2-5）、数据预处理模块（2-7）、KKT条件判断器（2-8）、One-class SVM分类器（2-9）依序连接；
训练样本采集模块（2-3）还分别连接工作日模型模块（2-4）、周末模型模块（2-6），工作日模型模块（2-4）、周末模型模块（2-6）共同与数据预处理模块（2-7）连接；
训练样本采集模块（2-3）还与KKT条件判断器（2-8）连接；
3）系统训练模型包括工作日模型模块（2-4）、节假日模型模块（2-5）和周末模型模块（2-6）三类模型，每个模型使用四个属于该类模型正常模型的向量作为训练向量；
4）预处理模块（1-2）分为数据归一化和特征调整两个功能；
5）计量数据库系统（1-1）中单个用户计量频率需要满足在15分钟每次到2小时每次之间；
6）系统决策（2-10）模块使用逻辑运算的方法配置过滤策略。
CN201310484912.6A 2013-10-16 2013-10-16 一种基于svm的用电异常检测方法 Pending CN103488800A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201310484912.6A CN103488800A (zh) 2013-10-16 2013-10-16 一种基于svm的用电异常检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201310484912.6A CN103488800A (zh) 2013-10-16 2013-10-16 一种基于svm的用电异常检测方法

Publications (1)

Publication Number Publication Date
CN103488800A true CN103488800A (zh) 2014-01-01

Family

ID=49829026

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201310484912.6A Pending CN103488800A (zh) 2013-10-16 2013-10-16 一种基于svm的用电异常检测方法

Country Status (1)

Country Link
CN (1) CN103488800A (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103942453A (zh) * 2014-05-07 2014-07-23 华北电力大学 一种针对非技术性损失的智能用电异常检测方法
CN104680423A (zh) * 2014-10-21 2015-06-03 中华电信股份有限公司 一种电费异常侦测系统及方法
CN105391579A (zh) * 2015-11-25 2016-03-09 国家电网公司 基于关键告警集和监督分类的电力通信网故障定位方法
CN106199276A (zh) * 2016-07-25 2016-12-07 国电南瑞科技股份有限公司 一种用电信息采集系统中异常信息的智能诊断系统及方法
CN107430716A (zh) * 2015-03-31 2017-12-01 微软技术许可有限责任公司 推断用户睡眠模式
CN108197425A (zh) * 2018-01-19 2018-06-22 北京工业大学 一种基于非负矩阵分解的智能电网数据分解方法
CN109919520A (zh) * 2019-04-08 2019-06-21 四川大学 窃电行为检测方法及装置
CN113762332A (zh) * 2021-07-19 2021-12-07 深圳供电局有限公司 窃电检测方法、装置、计算机设备和存储介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7106044B1 (en) * 2005-08-02 2006-09-12 General Electric Company Systems, methods, and apparatuses for detecting residential electricity theft in firmware
CN102967735A (zh) * 2012-12-04 2013-03-13 辽宁省电力有限公司抚顺供电公司 反窃电异常分析系统

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7106044B1 (en) * 2005-08-02 2006-09-12 General Electric Company Systems, methods, and apparatuses for detecting residential electricity theft in firmware
CN102967735A (zh) * 2012-12-04 2013-03-13 辽宁省电力有限公司抚顺供电公司 反窃电异常分析系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
SOMA SHEKARA SREENADH REDDY DEPURU ET AL: ""Support Vector Machine Based Data Classification for Detection of Electricity Theft"", 《IEEE POWER SYSTEMS CONFERENCE AND EXPOSITION》 *

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103942453A (zh) * 2014-05-07 2014-07-23 华北电力大学 一种针对非技术性损失的智能用电异常检测方法
CN104680423A (zh) * 2014-10-21 2015-06-03 中华电信股份有限公司 一种电费异常侦测系统及方法
CN107430716A (zh) * 2015-03-31 2017-12-01 微软技术许可有限责任公司 推断用户睡眠模式
CN105391579A (zh) * 2015-11-25 2016-03-09 国家电网公司 基于关键告警集和监督分类的电力通信网故障定位方法
CN105391579B (zh) * 2015-11-25 2018-08-24 国家电网公司 基于关键告警集和监督分类的电力通信网故障定位方法
CN106199276A (zh) * 2016-07-25 2016-12-07 国电南瑞科技股份有限公司 一种用电信息采集系统中异常信息的智能诊断系统及方法
CN106199276B (zh) * 2016-07-25 2018-11-30 国电南瑞科技股份有限公司 一种用电信息采集系统中异常信息的智能诊断系统及方法
CN108197425A (zh) * 2018-01-19 2018-06-22 北京工业大学 一种基于非负矩阵分解的智能电网数据分解方法
CN109919520A (zh) * 2019-04-08 2019-06-21 四川大学 窃电行为检测方法及装置
CN109919520B (zh) * 2019-04-08 2020-02-11 四川大学 窃电行为检测方法及装置
CN113762332A (zh) * 2021-07-19 2021-12-07 深圳供电局有限公司 窃电检测方法、装置、计算机设备和存储介质
CN113762332B (zh) * 2021-07-19 2024-03-19 深圳供电局有限公司 窃电检测方法、装置、计算机设备和存储介质

Similar Documents

Publication Publication Date Title
CN103488800A (zh) 一种基于svm的用电异常检测方法
CN109146705B (zh) 一种用电特征指标降维与极限学习机算法进行窃电检测的方法
CN110097297B (zh) 一种多维度窃电态势智能感知方法、系统、设备及介质
CN107742127B (zh) 一种改进的防窃电智能预警系统及方法
CN103323749B (zh) 多分类器信息融合的局部放电诊断方法
CN108008176B (zh) 一种光伏阵列实时状态监测与故障定位系统
CN103144937B (zh) 煤矿钢丝绳芯带式输送机智能监控系统及监控方法
CN103617568B (zh) 稳态电能质量预警机制中的异常数据判定阈值设定方法
CN107436277B (zh) 基于相似距离判别的单指标数据质量控制方法
CN102360526B (zh) 一种快速道路路段状态的实时监测方法
CN103198147B (zh) 自动化监测异常数据的判别及处理方法
CN107633050A (zh) 一种基于大数据分析用电行为判定窃电概率的方法
CN203241494U (zh) 直流系统交流串电及绝缘故障监测选线装置
CN111861211B (zh) 一种具有双层反窃电模型的系统
CN107798395A (zh) 一种电网事故信号自动诊断方法及系统
CN103455855A (zh) 一种基于用电信息数据分析的反间歇性窃电检测方法
CN103631681A (zh) 一种在线修复风电场异常数据的方法
CN106656669B (zh) 一种基于阈值自适应设置的设备参数异常检测系统及方法
CN103103570B (zh) 基于主元相似性测度的铝电解槽况诊断方法
CN104050361A (zh) 一种监狱服刑人员危险性倾向的智能分析预警方法
CN103674538A (zh) 一种直升机自动倾斜器多故障模式识别方法及装置
CN106959422B (zh) 一种电池寿命预警装置的检测方法
CN102521604A (zh) 一种基于巡检系统的设备性能退化评估装置及方法
CN103927874A (zh) 基于欠抽样面向不平衡数据集的交通事件自动检测方法
CN103018537A (zh) 基于cwd谱峭度的暂态电能质量扰动分类识别方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C02 Deemed withdrawal of patent application after publication (patent law 2001)
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20140101