CN103678766B - 一种基于pso算法的异常用电客户检测方法 - Google Patents

Abstract

本发明公开了一种基于PSO算法的异常用电客户检测方法，首先，利用电力负荷管理系统采集用户实际用电负荷数据、用户历史用电负荷数据以及用户行业用电负荷数据；其次，基于PSO算法提取出用户行业日负荷模式曲线、用户历史日负荷模式曲线，并计算得到考察月的实际日平均负荷曲线；然后，分析考察月实际日平均负荷曲线分别与对应月份的用户行业日负荷模式曲线、用户历史日负荷模式曲线的匹配相似度；最后，依据供电企业对用户行业负荷模式以及用户历史负荷模式的匹配相似度的偏好设置匹配度权重，加权平均得到用户的用电正常度。本发明用PSO算法而非传统的聚类算法提取用户负荷的代表曲线，能克服聚类算法固有的缺陷，代表负荷曲线有更高的可靠性。

Description

一种基于PSO算法的异常用电客户检测方法

技术领域

本发明涉及异常用电客户检测方法。

背景技术

目前，国内异常用电监测的方法主要可以分为两类：一类是安装监测采控终端，通过实时监测用户的相电压、相电流等电路运行状态值，利用技术分析判定是否存在异常用电情况；另一类是利用供电中心获取的用户用电负荷数据，运用数据分析方法判定是否存在用电异常。

第一类方法需要在用户端安装监测设备，由于用户数量大，很大程度提高了异常用电监测的成本。通常需要较高的采样频率并且需要用存储设备存储监测到的数据，设备成本高。第二类方法大都存在着由于采用的数据不合理、聚类方法固有缺陷、模式曲线选取不合理等原因导致监测的准确度不高。

发明内容

本发明所要解决的技术问题就是提供一种异常用电客户检测方法，能在不增加监测成本的前提之下，利用已有的用户用电信息，更为准确的筛选出异常用电的嫌疑用户，从而有效的排查异常用电情况，提高供电企业的效益。

为解决上述技术问题，本发明采用如下技术方案：一种基于PSO算法的异常用电客户检测方法，

首先，利用电力负荷管理系统采集用户实际用电负荷数据、用户历史用电负荷数据以及用户行业用电负荷数据；

其次，基于PSO算法提取出用户行业日负荷模式曲线、用户历史日负荷模式曲线，并根据用户考察月份的实际用电负荷，计算得到考察月的实际日平均负荷曲线；

然后，分别以基于相关系数和基于相对平均距离为时间序列度量指标，分析考察月实际日平均负荷曲线分别与对应月份的用户行业日负荷模式曲线、用户历史日负荷模式曲线的匹配相似度；

最后，依据供电企业对用户行业负荷模式以及用户历史负荷模式的匹配相似度的偏好设置匹配度权重，加权平均得到用户的用电正常度，若用电正常度低于设定的警戒阈值，则用户归入异常用电的嫌疑用户，需对此类用户进行人工排查。

基于PSO算法的异常用电客户检测方法具体步骤如下：

a)收集用电负荷数据，共需获取三种用电负荷数据，分别是：用户所属行业过去一年同区域同行业的10个用户的日用电负荷数据，用户过去2年的日用电负荷数据以及用户考察月份的实际日用电负荷数据，其中，日用电负荷数据应包括计量电表每天每15分钟采集的用户用电负荷，即用户的日用电负荷数据为包括24×4个用电负荷数据点的负荷曲线，用X_i,j＝[x_i,j(1),x_i,j(2),...,x_i,j(k),...,x_i,j(96)]表示月份i第j天的用电负荷，按月进行数据分析，用电负荷数据按12个月分类，每个月平均有30天的用电负荷数据；

b)按月提取用户所属行业的行业代表日负荷模式曲线，将与考察用户同区域同行业的10个用户过去一年的用电负荷数据按照如下方式标准化：

$x_{i,j}^{\′}\left(k\right)=\frac{x_{i,j}\left(k\right)-x_{i\min }}{x_{imax}-x_{i\min }},k=1,2,\mathrm{...},96,$

其中x_imax、x_imin分别表示用户月份i中负荷的最大、最小值，每个用户每个月有30条负荷曲线，共有10×30条负荷曲线，然后利用标准化后的负荷数据采用标准PSO算法提取不同月份该用户所属行业的代表负荷模式曲线L_k＝[l_k(1),l_k(2),...,l_k(i),...,l_k(96)],k＝1,2,...,12，其中L_k表示月份k的行业代表负荷曲线；

c)按月提取用户的历史代表日负荷模式曲线，其直接使用历史负荷值，过去两年的负荷数据中，共有目标月份数据2×30条负荷曲线，直接采用标准的PSO算法提取该用户不同月份的历史代表日负荷模式曲线H_k＝[h_k(1),h_k(2),...,h_k(i),...,h_k(96)],k＝1,2,...,12，其中，H_k表示月份k的历史代表负荷曲线；

d)统计得到用户的目标月份的实际日平均负荷曲线，对于实际考察月份N天的负荷数据X_k＝[x_k(1),x_k(2),...,x_k(96)],k＝1,2,...,N，采用平均的方式得到该用户该月的实际日平均负荷曲线X′＝[x′(1),x′(2),x′(i),...,x′(96)]，其中，

$x^{\′}\left(i\right)=\frac{1}{N}\underset{k=1}{\overset{N}{\Σ}}{x}_k\left(i\right),i=1,2,\mathrm{...},96;$

e)将实际日平均负荷曲线标准化后与行业的代表负荷模式曲线匹配，标准化按如下方式进行：

$y\left(i\right)=\frac{x^{\′}\left(i\right)-x_{\min }^{\′}}{x_{max}^{\′}-x_{min}^{\′}},i=1,2,\mathrm{...},96,$

标准化后得到实际日平均负荷标准化曲线Y＝[y(1),y(2),...y(i),...,y(96)]，将对应月份的行业的代表负荷模式曲线L_k与实际日平均负荷标准化曲线Y视为两时间序列，利用基于相关系数的统计量指标来量化度量两曲线的相似性匹配度，两时间序列的匹配度定义如下：

$\left\{\begin{array}{c}{L}_{L_{k}Y}=\frac{\mathrm{\ρ}(L_k,Y)+1}{2}\\ \mathrm{\ρ}(L_k,Y)=\frac{\underset{i=1}{\overset{96}{\Σ}}\left(l_k\right(i)-\stackrel{\‾}{l_k})\left(y\right(i)-\stackrel{\‾}{y})}{\sqrt{\underset{i=1}{\overset{96}{\Σ}}{\left(l_k\right(i)-\stackrel{\‾}{l_k})}^2\underset{i=1}{\overset{96}{\Σ}}{\left(y\right(i)-\stackrel{\‾}{y})}^2}}\end{array}\right.,$

其中，

f)将实际日平均负荷曲线X′与对应月份的历史代表日负荷模式曲线H_k匹配，采用如下基于平均相对距离的度量来匹配量时间序列：

$d_{H_k{X}^{\′}}=1-\sqrt{\frac{1}{96}\underset{i=1}{\overset{96}{\Σ}}{\left(\frac{x^{\′}\left(i\right)-h_k\left(i\right)}{h_k\left(i\right)}\right)}^2};$

g)设置行业代表日负荷曲线与用户的历史代表日负荷曲线的匹配偏好度权值ω₁、ω₂，其中ω₁+ω₂＝1；

h)通过加权平均实际日平均曲线与两代表曲线的匹配相似度，得到用户的用电正常度η：当用户的用电正常度η小于设定的警戒阈值时，则该用户被纳入为异常用电嫌疑用户名单，最后，经过人工排查后确定是否存在异常用电情况。

本发明的有益效果为：

1.本方法利用计量电表记录的负荷数据，经过数据分析判定是否用电异常，无需额外安装任何监测设备，监测成本低；

2.本方法针对用户用电负荷与行业用户用电负荷和用户历史用电负荷匹配的不同特点，采用不同的数据处理方式，对行业用电负荷数据进行归一化后，侧重行业用电负荷变化趋势，提取行业负荷模式曲线，而对用户历史负荷数据则依据绝对数值，直接用户历史负荷代表曲线；

3.用PSO算法而非传统的聚类算法提取用户负荷的代表曲线，能克服聚类算法固有的缺陷，代表负荷曲线有更高的可靠性；

4.运用基于统计量的时间序列相似度度量来量化负荷模式曲线之间的匹配度，度量更加准确。

附图说明

下面结合附图和具体实施方式对本发明作进一步描述：

图1是本发明基于PSO算法的异常用电客户检测方法流程图；

图2是PSO算法流程图。

具体实施方式

下面结合图1对本发明基于PSO算法的异常用电客户检测方法做出具体说明：其利用电力负荷管理系统采集到的用户用电负荷数据，按月提取出用户所属行业的行业代表日负荷模式曲线与用户历史负荷数据的历史代表日负荷模式曲线，然后根据用户考察月份的实际用电负荷，计算得到考察月的实际日平均负荷曲线，再以统计分析量作为时间序列相似性度量指标，分析考察月份实际日平均负荷曲线分别与对应月份的行业代表日负荷模式曲线、历史代表日负荷模式曲线的匹配相似度，最后依据供电企业对行业代表负荷模式以及用户历史负荷模式的匹配相似度的偏好设置匹配度权重，加权平均得到用户的用电正常度，若用电正常度低于设定的警戒阈值，则用户归入异常用电的嫌疑用户，需对此类用户进行人工排查。具体步骤如下：

i)收集用电负荷数据。本方法共需获取三种用电负荷数据，分别是：用户所属行业过去一年同区域同行业的10个用户的日用电负荷数据，用户过去2年的日用电负荷数据以及用户考察月份的实际日用电负荷数据。其中，日用电负荷数据应包括计量电表每天每15分钟采集的用户用电负荷，即用户的日用电负荷数据为包括24×4个用电负荷数据点的负荷曲线，用X_i,j＝[x_i,j(1),x_i,j(2),...,x_i,j(k),...,x_i,j(96)]表示月份i第j天的用电负荷。由于用户用电量与季节、用户所在地的气候等因素相关联，本方法按月进行数据分析，用电负荷数据按12个月分类，每个月平均有30天的用电负荷数据。

j)按月提取用户所属行业的行业代表日负荷模式曲线。用户用电与同行业用户的用电模式的相似性主要体现在用电随时间的变化趋势相同，而用电负荷却因用户电力设备规模的不同呈现出较大差异。需要将与考察用户同区域同行业的10个用户过去一年的用电负荷数据按照如下方式标准化：

$x_{i,j}^{\′}\left(k\right)=\frac{x_{i,j}\left(k\right)-x_{i\min }}{x_{imax}-x_{i\min }},k=1,2,\mathrm{...},96---\left(1\right)$

其中x_imax、x_imin分别表示用户月份i中负荷的最大、最小值。每个用户每个月有30条负荷曲线，共有10×30条负荷曲线。标准化后的负荷数据主要体现用户用电随时间的大小变化规律。然后利用标准化后的负荷数据采用标准PSO算法提取不同月份该用户所属行业的代表负荷模式曲线L_k＝[l_k(1),l_k(2),...,l_k(i),...,l_k(96)],k＝1,2,...,12，其中L_k表示月份k的行业代表负荷曲线。

k)按月提取用户的历史代表日负荷模式曲线。用户用电在一般情况下应该与历史用电呈现出较强的一致性，用户历史代表日负荷模式需要体现用户在一天中的不同时刻的大体用电负荷，因此在提取用户的历史代表日负荷模式时，不将负荷数据标准化，而直接使用历史负荷值。过去两年的负荷数据中，共有目标月份数据2×30条负荷曲线。直接采用标准的PSO算法提取该用户不同月份的历史代表日负荷模式曲线H_k＝[h_k(1),h_k(2),...,h_k(i),...,h_k(96)],k＝1,2,...,12，其中H_k表示月份k的历史代表负荷曲线。

l)统计得到用户的目标月份的实际日平均负荷曲线。对于实际考察月份N天的负荷数据X_k＝[x_k(1),x_k(2),...,x_k(96)],k＝1,2,...,N，采用平均的方式得到该用户该月的实际日平均负荷曲线X′＝[x′(1),x′(2),x′(i),...,x′(96)]，其中

$x^{\′}\left(i\right)=\frac{1}{N}\underset{k=1}{\overset{N}{\Σ}}{x}_k\left(i\right),i=1,2,\mathrm{...},96---\left(2\right)$

m)将实际日平均负荷曲线标准化后与行业的代表负荷模式曲线匹配。标准化按如下方式进行：

$y\left(i\right)=\frac{x^{\′}\left(i\right)-x_{\min }^{\′}}{x_{max}^{\′}-x_{\min }^{\′}},i=1,2,\mathrm{...},96---\left(3\right)$

标准化后得到实际日平均负荷标准化曲线Y＝[y(1),y(2),...y(i),...,y(96)]。将对应月份的行业的代表负荷模式曲线L_k与实际日平均负荷标准化曲线Y视为两时间序列，利用基于相关系数的统计量指标来量化度量两曲线的相似性匹配度。因为基于统计量相关系数的相似性度量更加侧重与考虑曲线的形状相似，考虑变量之间的协方差，能体现出两时间序列如何一起变化，而非注重数值的绝对相似。这与实际情况中，用户与同行业的用电模式的关联性相一致。两时间序列的匹配度定义如下：

$\left\{\begin{array}{c}{L}_{L_{k}Y}=\frac{\mathrm{\ρ}(L_k,Y)+1}{2}\\ \mathrm{\ρ}(L_k,Y)=\frac{\underset{i=1}{\overset{96}{\Σ}}\left(l_k\right(i)-\stackrel{\‾}{l_k})\left(y\right(i)-\stackrel{\‾}{y})}{\sqrt{\underset{i=1}{\overset{96}{\Σ}}{\left(l_k\right(i)-\stackrel{\‾}{l_k})}^2\underset{i=1}{\overset{96}{\Σ}}{\left(y\right(i)-\stackrel{\‾}{y})}^2}}\end{array}\right.---\left(4\right)$

其中

n)将实际日平均负荷曲线X′与对应月份的历史代表日负荷模式曲线H_k匹配。实际日平均负荷与该用户历史代表日负荷模式的匹配，不仅体现在变化趋势一致，而且用电负荷也接近。因此，采用如下基于平均相对距离的度量来匹配量时间序列。

$d_{H_k{X}^{\′}}=1-\sqrt{\frac{1}{96}\underset{i=1}{\overset{96}{\Σ}}{\left(\frac{x^{\′}\left(i\right)-h_k\left(i\right)}{h_k\left(i\right)}\right)}^2}---\left(5\right)$

o)设置行业代表日负荷曲线与用户的历史代表日负荷曲线的匹配偏好度权值ω₁、ω₂，其中ω₁+ω₂＝1。

p)通过加权平均实际日平均曲线与两代表曲线的匹配相似度，得到用户的用电正常度η：

$\mathrm{\η}={\mathrm{\ω}}_1\×d_{L_{k}Y}+{\mathrm{\ω}}_2\×d_{H_k{X}^{\′}}---\left(6\right)$

当用户的用电正常度η小于设定的警戒阈值时，则该用户被纳入为异常用电嫌疑用户名单。最后，经过人工排查后确定是否存在异常用电情况。

以下结合图2说明本发明采用的PSO算法具体流程：

编码：粒子位置代表负荷数据曲线。P＝[p(1),p(2),...,p(96)]

评价：基于曲线间距离

$d^2\left(p\right(i),x_k(i\left)\right)=\frac{1}{K}\underset{k=1}{\overset{K}{\Σ}}{\left(p\right(i)-x_k(i\left)\right)}^2$

更新：本发明的方法相较于传统方法具有如下优势：

1、检测成本低：本方法利用计量电表记录的负荷数据，经过科学分析判定是否存在用电异常，无需额外安装任何监测设备。

2、检测准确率高。

3、负荷数据预处理合理：针对用户用电负荷与行业用户用电负荷和用户历史用电负荷匹配的不同特点，采用不同的数据处理方式，对行业用电负荷数据进行归一化后，侧重行业用电负荷变化趋势，提取行业负荷模式曲线，而对用户历史负荷数据则依据绝对数值，直接提取用户历史负荷代表曲线。

4、可靠性高：用PSO算法而非传统的聚类算法提取用户负荷的代表曲线，能克服传统聚类算法固有缺陷，获得的代表负荷曲线有更高的可靠性。

5、匹配评价科学准确：运用基于统计量的时间序列相似度度量来量化负荷模式曲线之间的匹配度。

Claims (2)

1.一种基于PSO算法的异常用电客户检测方法，其特征在于：

首先，利用电力负荷管理系统采集用户实际用电负荷数据、用户历史用电负荷数据以及用户行业用电负荷数据；

其次，基于PSO算法提取出用户行业日负荷模式曲线、用户历史日负荷模式曲线，并根据用户考察月份的实际用电负荷，计算得到考察月的实际日平均负荷曲线；

然后，分别以基于相关系数和基于相对平均距离为时间序列度量指标，分析考察月实际日平均负荷曲线分别与对应月份的用户行业日负荷模式曲线、用户历史日负荷模式曲线的匹配相似度；

最后，依据供电企业对用户行业负荷模式以及用户历史负荷模式的匹配相似度的偏好设置匹配度权重，加权平均得到用户的用电正常度，若用电正常度低于设定的警戒阈值，则用户归入异常用电的嫌疑用户，需对此类用户进行人工排查。

2.根据权利要求1所述的基于PSO算法的异常用电客户检测方法，其特征在于：具体步骤如下：

a)收集用电负荷数据，共需获取三种用电负荷数据，分别是：用户所属行业过去一年同区域同行业的10个用户的日用电负荷数据，用户过去2年的日用电负荷数据以及用户考察月份的实际日用电负荷数据，其中，日用电负荷数据应包括计量电表每天每15分钟采集的用户用电负荷，即用户的日用电负荷数据为包括24×4个用电负荷数据点的负荷曲线，用X_i,j＝[x_i,j(1),x_i,j(2),...,x_i,j(k),...,x_i,j(96)]表示月份i第j天的用电负荷，按月进行数据分析，用电负荷数据按12个月分类，每个月平均有30天的用电负荷数据；

b)按月提取用户所属行业的行业代表日负荷模式曲线，将与考察用户同区域同行业的10个用户过去一年的用电负荷数据按照如下方式标准化：

$x_{i,j}^{\′}\left(k\right)=\frac{x_{i,j}\left(k\right)-x_{i\min }}{x_{imax}-x_{i\min }},k=1,2,...,96,$

其中x_imax、x_imin分别表示用户月份i中负荷的最大、最小值，每个用户每个月有30条负荷曲线，共有10×30条负荷曲线，然后利用标准化后的负荷数据采用标准PSO算法提取不同月份该用户所属行业的代表负荷模式曲线L_k＝[l_k(1),l_k(2),...,l_k(i),...,l_k(96)],k＝1,2,...,12，其中L_k表示月份k的行业代表负荷曲线；

c)按月提取用户的历史代表日负荷模式曲线，其直接使用历史负荷值，过去两年的负荷数据中，共有目标月份数据2×30条负荷曲线，直接采用标准的PSO算法提取该用户不同月份的历史代表日负荷模式曲线H_k＝[h_k(1),h_k(2),...,h_k(i),...,h_k(96)],k＝1,2,...,12，其中，H_k表示月份k的历史代表负荷曲线；

d)统计得到用户的目标月份的实际日平均负荷曲线，对于实际考察月份N天的负荷数据X_k＝[x_k(1)_,x_k(2),...,x_k(96)]_,k＝1_,2,...,N，采用平均的方式得到该用户该月的实际日平均负荷曲线X′＝[x′(1),x′(2),x′(i),...,x′(96)]，其中，

$x^{\′}\left(i\right)=\frac{1}{N}\underset{k=1}{\overset{N}{\Σ}}{x}_k\left(i\right),i=1,2,...,96;$

e)将实际日平均负荷曲线标准化后与行业的代表负荷模式曲线匹配，标准化按如下方式进行：

$y\left(i\right)=\frac{x^{\′}\left(i\right)-x_{\min }^{\′}}{x_{max}^{\′}-x_{min}^{\′}},i=1,2,...,96,$

标准化后得到实际日平均负荷标准化曲线Y＝[y(1),y(2),...y(i),...,y(96)]，将对应月份的行业的代表负荷模式曲线L_k与实际日平均负荷标准化曲线Y视为两时间序列，利用基于相关系数的统计量指标来量化度量两曲线的匹配相似度，两时间序列的匹配相似度定义如下：

$\left\{\begin{array}{c}{d}_{L_{k}Y}=\frac{\mathrm{\ρ}(L_k,Y)+1}{2}\\ \mathrm{\ρ}(L_k,Y)=\frac{\underset{i=1}{\overset{96}{\Σ}}\left(l_k\right(i)-\stackrel{\‾}{l_k})\left(y\right(i)-\stackrel{\‾}{y})}{\sqrt{\underset{i=1}{\overset{96}{\Σ}}{\left(l_k\right(i)-\stackrel{\‾}{l_k})}^2\underset{i=1}{\overset{96}{\Σ}}{\left(y\right(i)-\stackrel{\‾}{y})}^2}}\end{array}\right.,$

其中，为实际日平均负荷标准化曲线与对应月份的行业的代表负荷模式曲线L_k的匹配相似度，

f)将实际日平均负荷曲线X′与对应月份的历史代表日负荷模式曲线H_k匹配，采用如下基于平均相对距离的度量来匹配两时间序列：

其中，为实际日平均负荷曲线X'与对应月份的历史代表日负荷模式曲线H_k的匹配相似度；

g)设置行业代表日负荷曲线与用户的历史代表日负荷曲线的匹配偏好度权值ω₁、ω₂，其中ω₁+ω₂＝1；

h)通过加权平均实际日平均曲线与两代表曲线的匹配相似度，得到用户的用电正常度η：当用户的用电正常度η小于设定的警戒阈值时，则该用户被纳入为异常用电嫌疑用户名单，最后，经过人工排查后确定是否存在异常用电情况。