一种用于甄别偷漏电用户的方法及系统
技术领域
本发明涉及用户用电行为监测技术领域,更具体地说,涉及一种用于甄别偷漏电用户的方法及系统。
背景技术
在现有技术中,电力行业普遍采用的是通过对线损异常数据进行分析来对用电行为异常用户进行层层排除,进而锁定偷漏电用户的反偷漏电技术方案。该反偷漏电技术方案存在如下缺陷:
1)由于线损易受外界干扰,导致该反偷漏电技术方案的偷漏电用户误判率高。
2)该反偷漏电技术方案包含的分析工作环节多,需要的人工稽核工作量大,偷漏电用户排查效率低,偷漏电用户排查耗时过长。
3)由于该反偷漏电技术方案的偷漏电用户的误判率高,用户的配合意愿较低,抵触情绪高,该方案易进一步激化官民矛盾。
因此,如何开发一款既可降低偷漏电用户误判率又能提高偷漏电用户排查效率的反偷漏电技术方案已成为亟待解决的问题。
发明内容
本发明要解决的技术问题在于,针对现有技术的上述缺陷,提供一种用于甄别偷漏电用户的方法及系统。
本发明解决其技术问题所采用的技术方案是:构造一种用于甄别偷漏电用户的方法,包括如下步骤:
S0)预先构建用电量与气候影响因子的通用关系模型及单个用户用电量与气候影响因子的关系模型;
S1)如接收到来自外部查询系统的行业用电行为异常用户查询请求信息,则查找所述通用关系模型中与用户用电量的相关性不低于第一相关系数阈值W1的关键影响因子,并将该行业的用户历史用电量信息与该关键影响因子进行整合,构建行业用户用电量与关键影响因子的关系模型;
S2)根据该行业用户历史用电量与关键影响因子的关系模型所反映的该行业用户用电量与该关键影响因子之间的关联性判断该行业中电能表数据存在异常可能性的嫌疑用户,并参考该嫌疑用户在一预期时间段的电能表抄表数据对该嫌疑用户的异常用电行为进行评估。
在本发明上述用于甄别偷漏电用户的方法中,所述步骤S0中所述预先构建用电量与气候影响因子的通用关系模型进一步包括:
读取数据库中存储的用户历史用电量信息,并接收由天气信息服务器提供的历史气候数据,将该用户历史用电量信息及该历史气候数据进行整合,构建用电量与气候影响因子的通用关系模型,并将所述通用关系模型存储到数据库;
且所述步骤S0中所述预先构建单个用户用电量与气候影响因子的关系模型进一步包括:
读取数据库中存储的用户历史用电量信息,并接收由天气信息服务器提供的历史气候数据,依次将每一个用户的历史用电量数据与该历史气候数据进行整合,构建单个用户用电量与气候影响因子的关系模型,并将该单个用户用电量与气候影响因子的关系模型存储到数据库。
在本发明上述用于甄别偷漏电用户的方法中,所述步骤S0中所述将该用户历史用电量信息及该历史气候数据进行整合,构建用电量与气候影响因子的通用关系模型的步骤包括:依次计算各个用户的历史用电量与该历史气候数据中各气候影响因子之间的相关系数,根据各用户的历史用电量与各气候影响因子之间的相关系数构建所述通用关系模型。
在本发明上述用于甄别偷漏电用户的方法中,所述步骤S2中所述根据该行业用户历史用电量与关键影响因子的关系模型所反映的该行业用户用电量与该关键影响因子之间的关联性判断该行业中电能表数据存在异常可能性的嫌疑用户的步骤包括:
S21)对该行业用户历史用电量与关键影响因子的关系模型进行渲染,得到该行业用户历史用电量与关键影响因子的相关系数统计图;
如判断该行业用户历史用电量与关键影响因子的相关系数统计图中某用户历史用电量与任一关键影响因子的相关系数不超过第二相关系数阈值W2,则将该行业中的该用户定义为嫌疑用户,将该嫌疑用户信息添加到用电行为异常用户表,并对该嫌疑用户的异常用电行为进行跟踪监测。
在本发明上述用于甄别偷漏电用户的方法中,所述步骤S2中所述参考该嫌疑用户在一预期时间段的电能表抄表数据对该嫌疑用户的用电行为进行定性的步骤包括:
S22)从数据库存储的单个用户用电量与气候影响因子的关系模型中查找该嫌疑用户用电量与气候影响因子的关系模型,根据该嫌疑用户用电量与气候影响因子的关系模型推测该嫌疑用户在一预期时间段的预期用电量,并将该嫌疑用户在该预期时间段的预期用电量与由抄表系统提供的该预期时间段内该嫌疑用户的实际的电能表抄表数据进行比较;
如判断该嫌疑用户在该预期时间段内的预期用电量与该预期时间段内该嫌疑用户的实际的电能表抄表数据之间的电量差额超过允许的电量差额范围,则认定该嫌疑用户为偷漏电用户,并将该嫌疑用户信息从用电行为异常用户表移至偷漏电用户表;
如判断该嫌疑用户在该预期时间段内的预期用电量与该预期时间段内该嫌疑用户的实际的电能表抄表数据之间的电量差额未超过允许的电量差额范围,则排除该嫌疑用户实施偷漏电行为的可能性,将该嫌疑用户从用电行为异常用户表中删除,并停止针对该嫌疑用户的用电行为跟踪监测。
本发明还构造一种用于甄别偷漏电用户的系统,包括数据库、接收模块、用电量与气候影响因子的关系模型构建模块、查找模块、及偷漏电用户判断模块;
所述数据库用于存储用户历史用电量数据;
所述接收模块还用于接收由天气信息服务器提供的历史气候数据,并将该历史气候数据输入到所述用电量与气候影响因子的关系模型构建模块;
所述用电量与气候影响因子的关系模型构建模块还用于读取所述数据库中存储的用户历史用电量,将该读取的用户历史用电量与该导入的历史气候数据进行整合以构建用户用电量与气候影响因子的通用关系模型;
所述接收模块还用于接收由外部查询系统输入的行业偷漏电用户查询信息;
所述查找模块用于查找该用电量与气候影响因子的通用关系模型中与用户用电量的相关性不低于第一相关系数阈值W1的关键影响因子,并将该关键影响因子输入到所述用电量与气候影响因子的关系模型构建模块;
所述用电量与气候影响因子的关系模型构建模块还用于读取数据库中的该行业用户历史用电量信息,并将该行业用户历史用电量信息与该关键影响因子进行整合,以构建行业用户用电量与关键影响因子的关系模型;
所述偷漏电用户判断模块用于根据该行业用户历史用电量与关键影响因子的关系模型所反映的该行业用户用电量与该关键影响因子的关联性判断该行业中电能表数据存在异常可能性的嫌疑用户,并参考由抄表系统提供的该嫌疑用户在一预期时间段的电能表抄表数据对该嫌疑用户的异常用电行为进行定性。
在本发明上述用于甄别偷漏电用户的系统中,所述用电量与气候影响因子的关系模型构建模块还用于读取所述数据库中的用户历史用电量数据,并将所读每一个用户的历史用电量数据与该历史气候数据进行整合,以构建单个用户用电量与气候影响因子的关系模型。
在本发明上述用于甄别偷漏电用户的系统中,所述系统还包括渲染模块;
所述存储模块还用于存储用电行为异常用户表及偷漏电用户表;
所述渲染模块用于对行业用户历史用电量与关键影响因子的关系模型进行渲染,得到行业用户历史用电量与关键影响因子的相关系数统计图;
所述偷漏电用户判断模块还用于判断该行业用户历史用电量与关键影响因子的相关系数统计图中某用户用电量与任一关键影响因子的相关系数不超过第二相关系数阈值W2时,将该行业中的该用户定义为嫌疑用户,将该嫌疑用户添加到用电行为异常用户表,并对该嫌疑用户的用电行为进行跟踪监测。
在本发明上述用于甄别偷漏电用户的系统中,所述查找模块还用于在所述数据库存储的单个用户用电量与气候影响因子的关系模型中查找该嫌疑用户用电量与气候影响因子的关系模型,并将该嫌疑用户用电量与气候影响因子的关系模型输入到所述偷漏电用户判断模块;
所述接收模块还用于接收由抄表系统输入的该嫌疑用户在一预期时间段的实际的电能表抄表数据,并将该嫌疑用户在该预期时间段的实际的电能表抄表数据输入到所述偷漏电用户判断模块;
所述偷漏电用户判断模块还用于根据该嫌疑用户用电量与气候影响因子的关系模型推测该嫌疑用户在该预期时间段的预期用电量,并将该嫌疑用户在该预期时间段的预期用电量与该预期时间段内该嫌疑用户的实际的电能表抄表数据进行比较;
所述偷漏电用户判断模块还用于判断该嫌疑用户在该预期时间段内的预期用电量与该预期时间段内该嫌疑用户的实际的电能表抄表数据之间的电量差额超过允许的电量差额范围时,认定该嫌疑用户为偷漏电用户,并将该嫌疑用户从用电行为异常用户表移至偷漏电用户表;
所述偷漏电用户判断模块还用于判断该嫌疑用户在该预期时间段内的预期用电量与该预期时间段内该嫌疑用户的实际的电能表抄表数据之间的电量差额未超过允许的电量差额范围时,将该嫌疑用户从用电行为异常用户表中删除,并停止针对该用户的用电行为跟踪监测。
由于本发明用于甄别偷漏电用户的方法及系统采用了先根据用户历史用电量数据及外部气候数据构建用户用电量与气候影响因子的通用关系模型及行业用户用电量与关键影响因子的关系模型,通过行业用户用电量与关键影响因子的关系模型来锁定该行业所有用户中用电行为存在可疑的用户,再根据该嫌疑用户用电量与外部气候数据构建嫌疑用户用电量与气候影响因子的关系模型,将基于该嫌疑用户用电量与气候影响因子的关系模型推测到的该嫌疑用户在预期时间段的预期用电量与抄表系统提供的该嫌疑用户在该预期时间段的抄表数据进行比较,以此来甄别该嫌疑用户中的偷漏电用户的技术方案,所以克服了现有技术中因电网企业采用了通过线损异常数据对用电行为可异常的嫌疑用户进行层层排除的方法来最终确定偷漏电用户的反偷漏电方案,导致人工稽核工作量大,偷漏电用户排查效率低,偷漏电用户的排查过程耗时长,偷漏电用户的误判率高,且容易遗漏偷电行为较隐蔽的偷电用户或违约用电用户的缺陷,实现了提高偷漏电用户的排查效率,缩短偷漏电用户的排查过程耗时,并显著降低偷漏电用户的误判率的目的。
附图说明
下面将结合附图及实施例对本发明作进一步说明,附图中:
图1是本发明较佳实施例提供的用于甄别偷漏电用户的系统的结构示意图;
图2是本发明用电量与气候影响因子的通用关系模型经渲染所得的用电量与气候影响因子的相关系数统计图。
图3是本发明行业用户用电量与关键影响因子的关系模型经渲染所得的行业用户用电量与关键影响因子的相关系数统计图(以酒店行业为例);
图4是本发明较佳实施方式提供的用于甄别偷漏电用户的方法流程图。
具体实施方式
为了解决现有技术中存在的因电网企业采用了通过线损异常数据对用电行为可异常的嫌疑用户进行层层排除的方法来最终确定偷漏电用户的反偷漏电方案,导致人工稽核工作量大,偷漏电用户排查效率低,偷漏电用户的排查过程耗时长,偷漏电用户的误判率高,且容易遗漏偷电行为较隐蔽的偷电用户或违约用电用户的缺陷,本发明的主要创新点在于:
1)本发明采用了用电量与气候影响因子的关系模型构建方案:即基于用户历史用电量数据及外部气候数据构建用户用电量与气候影响因子的通用关系模型,从该用户用电量与气候影响因子的通用关系模型中筛选出与用户用电量的相关性较高的关键影响因子,构建行业用户用电量与关键影响因子的关系模型;
2)本发明还采用了离群侦测方案:即先对该行业用户用电量与关键影响因子的关系模型进行渲染以得到行业用户用电量与关键影响因子的相关系数统计图,再根据该行业用户用电量与关键影响因子的相关系数统计图锁定该行业用户中用电行为存在可疑的用户;
3)本发明还采用了预测偏离侦测方案:即基于该嫌疑用户的历史用电量数据及外部气候数据构建嫌疑用户用电量与气候影响因子的关系模型,根据该嫌疑用户用电量与气候影响因子的关系模型推测该嫌疑用户在一预期时间段的预期用电量,将该预期用电量与抄表系统300提供的该嫌疑用户在该预期时间段的抄表数据进行比较,将预测偏离量(即预期用电量与抄表数据的差值)超过设定的电量差额的嫌疑用户定义为偷漏电用户。
由于本发明采用了先根据用户历史用电量数据及外部气候数据构建用户用电量与气候影响因子的通用关系模型及行业用户用电量与关键影响因子的关系模型,通过行业用户用电量与关键影响因子的关系模型来锁定该行业所有用户中用电行为存在可疑的用户,再根据该嫌疑用户用电量与外部气候数据构建嫌疑用户用电量与气候影响因子的关系模型,将基于该嫌疑用户用电量与气候影响因子的关系模型推测到的该嫌疑用户在预期时间段的预期用电量与抄表系统300提供的该嫌疑用户在该预期时间段的抄表数据进行比较,以此来甄别该嫌疑用户中的偷漏电用户的设计,所以解决了现有技术中因电网企业采用了通过线损异常数据对用电行为可异常的嫌疑用户进行层层排除的方法来最终确定偷漏电用户的反偷漏电方案,导致人工稽核工作量大,偷漏电用户排查效率低,偷漏电用户的排查过程耗时长,偷漏电用户的误判率高,且容易遗漏偷电行为较隐蔽的偷电用户或违约用电用户的技术问题,实现了提高偷漏电用户的排查效率,缩短偷漏电用户的排查过程耗时,显著地降低偷漏电用户的误判率的目的。
为了使本发明的目的更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
如图1所示,本发明用于甄别偷漏电用户的系统包括用电量与气候影响因子的关系模型构建模块103、与用电量与气候影响因子的关系模型构建模块103分别电连接的接收模块101、渲染模块105、查找模块102、接收模块101、与该查找模块102电连接的数据库104、以及与该渲染模块105电连接的用户行为异常用户判断模块。
其中,该数据库104存储有用户历史用电量数据、用电行为异常用户表及偷漏电用户表。
该接收模块101用于接收由外部查询系统400输入的行业偷漏电用户查询信息,并将该查询信息输入到该用电量与气候影响因子的关系模型构建模块103。
该查找模块102用于查找该数据库104中存储的用户历史用电量数据,并将查找到的用户历史用电量数据输入到该用电量与气候影响因子的关系模型构建模块103。
该接收模块101还用于接收由天气信息服务器200提供的历史气候数据,并将该历史气候数据输入到该用电量与气候影响因子的关系模型构建模块103。
该用电量与气候影响因子的关系模型构建模块103用于将该用户历史用电量数据与该历史气候数据进行整合以构建用电量与气候影响因子的通用关系模型、以及单个用户用电量与气候影响因子的关系模型。
该用电量与气候影响因子的关系模型构建模块103还用于将所构建的用电量与气候影响因子的通用关系模型写入数据库104,由该数据库104进行存储。
该渲染模块105用于对该用电量与气候影响因子的通用关系模型进行渲染以得到用电量与气候影响因子的相关系数统计图。
该查找模块102用于查找该用电量与气候影响因子的相关系数统计图中与用户用电量的相关系数不低于第一相关系数阈值W1(在本发明较佳实施方式中,W1=60%)的关键影响因子(例如平均气温、最高气温、日照时长、蒸发量),并将查找到的关键影响因子发送到该用电量与气候影响因子的关系模型构建模块103。
该用电量与气候影响因子的关系模型构建模块103还用于根据接收到的某行业偷漏电用户查询信息读取数据库104中存储的该行业用户历史用电量信息,并将该行业用户历史用电量信息与该关键影响因子进行整合,以构建行业用户用电量与关键影响因子的关系模型,并将所构建的行业用户用电量与关键影响因子的关系模型存储到数据库104。
该渲染模块105还用于对该行业用户历史用电量与关键影响因子的关系模型进行渲染以得到该行业用户用电量与关键影响因子的相关系数统计图。
该偷漏电用户判断模块106还用于根据该行业用户用电量与关键影响因子的相关系数统计图所表征的用户用电量与关键影响因子的影响关系判断该行业中电能表数据存在异常可能性的嫌疑用户,同时参考该嫌疑用户在一预期时间段(在本发明的较佳实施方式中,该预期时间段为一个月)的电能表抄表数据对该嫌疑用户的用电行为进行定性。
在本发明中,该偷漏电用户判断模块106可通过如下方式从该行业所有用户中筛选出电能表数据存在异常可能性的嫌疑用户。
该偷漏电用户判断模块106先接收由渲染模块105输入的该行业用户用电量与关键影响因子的相关系数统计图。如该偷漏电用户判断模块106判断该行业用户用电量与关键影响因子的相关系数统计图中某个用户历史用电量与任一关键影响因子的相关系数值不超过第二相关系数阈值W2(在本发明较佳实施方式中,W2=10%),则该偷漏电用户判断模块106将该用户定义为嫌疑用户,将该嫌疑用户添加到用电行为异常用户表,并对该嫌疑用户的用电行为进行跟踪监测。
如该偷漏电用户判断模块106根据该行业用户用电量与关键影响因子的相关系数统计图判断该行业中某用户历史用电量与任一关键影响因子的相关系数均不低于该第二相关系数阈值W2时,则该偷漏电用户判断模块106将该用户定义为用电行为正常的用户。
在本发明中,该查找模块102还用于在数据库104中查找该嫌疑用户的历史用电量与气候影响因子的关系模型,并将该嫌疑用户的历史用电量与气候影响因子的关系模型输入到所述偷漏电用户判断模块106。
该接收模块101还用于接收由抄表系统300输入的该嫌疑用户在预期时间段的实际的电能表抄表数据,并将该嫌疑用户在该预期时间段的实际的电能表抄表数据输入到所述偷漏电用户判断模块106。
该偷漏电用户判断模块106还用于根据该嫌疑用户的历史用电量与气候影响因子的关系模型推测该嫌疑用户在该预期时间段的预期用电量,并将该嫌疑用户在该预期时间段的预期用电量与该预期时间段内该嫌疑用户的实际的电能表抄表数据进行比较。
该偷漏电用户判断模块106还用于判断该嫌疑用户在该预期时间段内的预期用电量与该预期时间段内该嫌疑用户的实际的电能表抄表数据之间的电量差额超过允许的电量差额范围时,认定该嫌疑用户为偷漏电用户或违约用电用户,并将该嫌疑用户从用电行为异常用户表移至偷漏电用户表。
该偷漏电用户判断模块106还用于判断该嫌疑用户在该预期时间段内的预期用电量与该预期时间段内该嫌疑用户的实际的电能表抄表数据之间的电量差额未超过允许的电量误差范围时,将该嫌疑用户从用电行为异常用户表中删除,并停止针对该用户的用电行为跟踪监测。
图2为本发明渲染模块105将用电量与气候影响因子的关系模型构建模块103所构建的用户用电量与气候影响因子的通用关系模型进行渲染所得到的用电量与气候影响因子的相关系数统计图。该统计图中的椭圆代表其对应的用电量与各气候影响因子的相关性。如椭圆越扁,则表示该椭圆所对应的用户用电量及气候影响影子的相关系数越高。反之,则表示该椭圆所对应的用户用电量及气候影响影子的相关系数越低。
图3为本发明行业(以酒店行业为代表)用户用电量与关键影响因子的关系模型经渲染所得的行业用户用电量与关键影响因子的相关系数统计图。
横坐标X表示关键影响因子,分别为平均气温(℃)、最高气温(℃)、最低气温(℃)、日照时长(h)及蒸发量(mm)。纵坐标Y表示相关系数范围。该统计表中的任意一个点表示某一个酒店用电量与该五个关键影响因子中的其中一个关键影响因子的相关系数值。
下面将以本发明的较佳实施方式为例,对本发明用于甄别偷漏电用户的方法进行说明:
如图4所示,在步骤S101中,用户预设用于判断各气候影响因子中的关键影响因子的第一相关系数阈值W1、以及用于判断用电行为嫌疑用户的第二相关系数阈值W2,将该第一相关系数阈值W1及第二相关系数阈值W2存储到数据库104。
在步骤S102中,接收模块101101接收到由外部查询系统400输入的行业偷漏电用户查询信息时,将该查询信息输入到用电量与气候影响因子的关系模型构建模块103。该用电量与气候影响因子的关系模型构建模块103收到该查询信息时,控制查找模块102查找数据库104中的用户历史用电量数据。该接收模块101还接收由天气信息服务器200提供的历史气候数据,并将该历史气候数据输入到用电量与气候影响因子的关系模型构建模块103。用电量与气候影响因子的关系模型构建模块103将接收到的用户历史用电量数据与历史气候数据进行整合,以构建用电量与气候影响因子的通用关系模型、以及单个用户用电量与气候影响因子的关系模型。
在步骤S103中,渲染模块105对用电量与气候影响因子的通用关系模型进行渲染以得到用户用电量与各气候影响因子的相关系数统计图,并将其输入到用户用电量与各气候影响因子的相关系数统计图。在步骤S103中,该用电量与气候影响因子的关系模型构建模块103判断该用户用电量与各气候影响因子的相关系数统计图中所有气候影响因子与用户用电量的相关系数均不超过第一相关系数阈值W1,返回步骤S102。
在步骤S103中,用电量与气候影响因子的关系模型构建模块103判断该用户用电量与各气候影响因子的相关系数统计图中某些气候影响因子与用户用电量的相关系数超过第一相关系数阈值W1。
在步骤S104中,用电量与气候影响因子的关系模型构建模块103确定该气候影响因子为关键影响因子。该用电量与气候影响因子的关系模型构建模块103还根据接收到的行业用电行为用户查询请求信息在数据库104中读取该行业的用户历史用电量数据,并构建该行业用户用电量与关键影响因子的关系模型。
在步骤S105中,渲染模块105对该行业用户用电量与关键影响因子的关系模型进行渲染以得到该行业用户用电量与关键影响因子的相关系数统计图。
在步骤S106中,该偷漏电用户判断模块106判断该行业中某用户的历史用电量与关键影响因子的相关系数均超过第二相关系数阈值W2,则该偷漏电用户判断模块106将该用户定义为用电行为正常用户,并返回步骤S102。
在步骤S106中,该偷漏电用户判断模块106判断该行业中某用户的历史用电量与至少一个关键影响因子的相关系数不超过第二相关系数阈值W2。
在步骤S107中,该偷漏电用户判断模块106将该用户定义为嫌疑用户,将该嫌疑用户信息添加到用电行为异常用户表,并对该嫌疑用户的用电行为进行跟踪监测。
在步骤S108中,抄表系统300将一预期时间段的该嫌疑用户的电能表抄表数据输入到接收模块101。该接收模块101将该抄表数据转发到该偷漏电用户判断模块106。该偷漏电用户判断模块106还根据该嫌疑用户的用电量与气候影响因子的关系模型推测该嫌疑用户在该预期时间段的预期用电量,并将该预期用电量与该抄表数据进行比较。
在步骤S109中,该偷漏电用户判断模块106判断该预期用电量与抄表数据的差值超过允许的电量差额范围。
在步骤S110中,该偷漏电用户判断模块106确定该嫌疑用户为偷漏电用户或违约用电用户,并将该嫌疑用户信息从用电行为异常用户表移至偷漏电用户表。
在步骤S109中,该偷漏电用户判断模块106判断该预期用电量与抄表数据的差值未超过允许的电量差额范围。
在步骤S111中,该偷漏电用户判断模块106排除该嫌疑用户实施偷漏电行为的可能性,并将该嫌疑用户从用电行为异常用户表中删除。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。