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 PDFInfo
- 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
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
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。
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)
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)
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 |
-
2013
- 2013-10-16 CN CN201310484912.6A patent/CN103488800A/zh active Pending
Patent Citations (2)
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)
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)
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 |