CN105205531A - 一种基于机器学习的反窃电预测方法及装置 - Google Patents

一种基于机器学习的反窃电预测方法及装置 Download PDF

Info

Publication number
CN105205531A
CN105205531A CN201410305888.XA CN201410305888A CN105205531A CN 105205531 A CN105205531 A CN 105205531A CN 201410305888 A CN201410305888 A CN 201410305888A CN 105205531 A CN105205531 A CN 105205531A
Authority
CN
China
Prior art keywords
stealing
sample data
neural network
electricity
learning
Prior art date
Application number
CN201410305888.XA
Other languages
English (en)
Inventor
张艳丽
孙志杰
介志毅
傅军
王莉
谢枫
张凌宇
程杰
陈洪涛
牛逸宁
刘同新
徐剑
李守超
高小博
闫东泽
赵玉妲
兰得志
贾喜涛
Original Assignee
国家电网公司
国网冀北电力有限公司电力科学研究院
普华讯光(北京)科技有限公司
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 国家电网公司, 国网冀北电力有限公司电力科学研究院, 普华讯光(北京)科技有限公司 filed Critical 国家电网公司
Priority to CN201410305888.XA priority Critical patent/CN105205531A/zh
Publication of CN105205531A publication Critical patent/CN105205531A/zh

Links

Abstract

本发明涉及一种基于机器学习的反窃电预测方法及装置,其中,所述方法包括:获取学习样本数据和预测样本数据;其中,所述学习样本数据包括:窃电特征因子、用户编号、电压等级、行业类别和所属线路,所述预测样本数据包括:窃电特征因子、用户编号、电压等级、行业类别和所属线路;对所述学习样本数据和所述预测样本数据进行预处理;对预处理后的学习样本数据确定反窃电神经网络模型;将所述预测样本数据作为所述反窃电神经网络模型的输入量,运行所述反窃电神经网络模型,输出每个用户的窃电嫌疑系数;根据所述窃电嫌疑系数预测窃电嫌疑户。

Description

-种基于机器学习的反窃电预测方法及装置
技术领域
[0001] 本发明涉及反窃电技术领域,特别涉及一种基于机器学习的反窃电预测方法及装 置。
背景技术
[0002] 电能表分为电压线圈、电流线圈、圆盘、磁钢、计度器等几个重要组成部分。要想窃 电,只要改变输入电能表的电压、电流、相位以及转速等任何一项即可,这就是窃电的基本 原理。目前的窃电方法主要有如下几种:
[0003] 1)欠压法窃电
[0004] 所谓欠压法窃电是指窃电者采用故意造成计量电压回路开路或接触不良,或改变 计量电压回路的正常接线,或在电压线圈回路串联电阻等,使得计量电压回路障碍,从而使 电能表的电压线圈失压或额定电压降低最终导致电能表不计或少计电量的方法。欠压法窃 电常用手法有:(1)使用电压回流开路;(2)造成电压回路接触不良故障;(3)串入电阻降 压;(4)改变电路接法。
[0005] 2)欠流法窃电
[0006] 所谓欠流法窃电,是指窃电者采用某种方法来改变电流回路的接线方法或者制造 电流回路故障,从而达到阻碍电流通过电能表中的电流线圈或者仅使少量电流通过其电流 线圈,并最终实现电能表上的电流计量变小的方法。欠流法窃电常用手法有:(1)使电流回 路开路;(2)短接电流回路;(3)改变TA的变比;(4)改变电路接法。
[0007] 3)移相法窃电
[0008] 所谓移相法窃电,是指窃电者采用各种手法故意改变电能表的正常接线或者接入 与电能表线圈无电联系的电压、电流,还有的则会利用电感、电容的特定接法,从而改变电 能表线圈中电压、电流之间的正常相位关系,最终导致电能表慢转甚至倒转的窃电方法。移 相法窃电常用手法有:(1)改变电流回路的接线;(2)改变电压回路的接线:(3)用变流器 或变压器附加电流;(4)用外部电源使电表倒转;(5)用一台一、二次侧没有电联系的升压 变压器将某相电压升高后反相加入表尾零线;(6)用电感或电容移相。
[0009] 4)扩差法窃电
[0010] 所谓扩差法窃电是指,窃电者私拆电表,通过采用各种手法改变电能表的内部结 构性能,致使电表本身的误差扩大;或者利用机械力或电流损坏电表,改变电表的安装条 件,使得电流表少计的方法。扩差法窃电常用的手法有:(1)私拆电表,改变电表内部的结 构性能;(2)用大电流或机械力损坏电表;(3)改变电表的安装条件。
[0011] 5)无表法窃电
[0012] 所谓无表法窃电是指,末经报装入户就私自在供电部门的线路上接线用电,或有 表用户私自甩表用电的窃电方法。这类窃电方法与前述四类在性质上是有所区别的,前四 类手法基本上是属于偷偷摸摸的窃电行为,而无表法窃电则是明目张胆的带抢劫性质的窃 电行为,并且其危害性也更大,不但造成供电部门的电量损夫,扰乱、破坏供电秩序,并且容 易造成人身伤亡及引起火灾等。同时,无表法窃电对社会造或的负面影响也更大,还可能对 其它的窃电行为起到推波助澜的作用。
[0013] 目前反窃电的技术措施主要有下面这几种:
[0014] 1)采用专用计量柜(箱)加铅封的方式。这是传统上防窃电的主要方式。如在表 盖、接线盒、计量柜(箱)门上加封普通铅封;高低压计量柜,电能表箱。这种方式的缺点是 普通铅封容易被窃电者打开后复原,也容易被仿冒。
[0015] 2)采用防伪和防撬铅封的防窃电的方式。这种防窃电方式主要是针对普通铅封在 防伪、防撬的能力上差而设计的。可以把印有供电企业的字样的铅封帽套在铅封上,铅封编 号标示明显,安装时安装人员和编号登记备案,用以增加窃电者的仿冒难度。优点是:由于 铅封帽是与铅封压在一起的,打开铅封肯定会损坏铅封帽,可以有利的证明窃电行为。缺点 是:不能准确证明窃电量和窃电时间。
[0016] 3)高位安装电能表。把电能表安装在高处后,窃电人想要窃电就必须爬上几米高 的电杆上,容易被发现。但是这种方式给抄表带来较大的麻烦。
[0017] 4)采用高压电能表。优点是:只要不停电人是很难接近高压电能表的。缺点是: 给抄表和定期检验带来不便。
[0018] 5)采用防窃电电能表。这种方式的缺点是防窃电功能单一,主要用在单相电能表 上。
[0019] 6)采用网络监控远程抄表。把具有远程抄表功能的电能表安装在每条配电线路的 用电侧和电源侧,同时抄表,同一时间段的供电和用电量由计算机统计计算,然后与理论线 损比较,发生异常时,证明存在计量问题,再针对性地排查。这种方式的优点是:有利于提高 线损管理、负荷控制以及配网的管理水平。缺点是:由于每一条配电线路上用户都比较多, 因此要查到具体的窃电点工作量比较大。
[0020] 7)采用电子封印。这种方法的优点是:如果非法打开专用计量柜(箱),控制器会 自动断开供电电源,同时记录断开时间,这就增加了窃电难度。而且窃电者如果试图破坏记 量装置便会留下窃电时间证据。缺点是:如果受到干扰会降低供电可靠性。
[0021] 8)安装计量装置故障记来录仪防窃电。这种方式的优点是:当窃电者试图通过改 变二次回路来使接入电能表的电压、电流、相位角发生改变时,它会自动记录下窃电发生的 时间和漏计的电量。如果只改动电能表则会与记录仪所记录的电量不一致,从而发现问题。 缺点是:如改变电流互感器的变比,便不能识别。
[0022] 由以上防窃电技术措施可知,目前普遍采用的防窃电措施,都或多或少的存在着 缺陷和不足。首先,对计量柜(箱)的封印等措施并不绝对安全,无法彻底防撬或保证供电 可靠性;另外,通过人工巡查的方式先发现可疑窃电用户,然后再安装相应的反窃电硬件装 置进行监测,这种原始的人工反窃电模式,必然造成大量的窃电者称为漏网之鱼,被发现的 很可能只是少数;而且还要付出昂贵的反窃电硬件成本。
发明内容
[0023] 为了解决现有技术的问题,本发明提出一种基于机器学习的反窃电预测方法及装 置,本技术方案通过对海量用电历史数据隐含规律的挖掘和学习,预测出用户的窃电嫌疑 系数,快速准确的定位到有窃电嫌疑的用户,然后再通过现场稽查确认,可以极大改善现有 的反窃电效率,提高反窃电的准确度。
[0024]为实现上述目的,本发明提供了一种基于机器学习的反窃电预测方法,所述方法 包括:
[0025] 获取学习样本数据和预测样本数据;其中,所述学习样本数据包括:窃电特征因 子、用户编号、电压等级、行业类别和所属线路,所述预测样本数据包括:窃电特征因子、用 户编号、电压等级、行业类别和所属线路;
[0026] 对所述学习样本数据和所述预测样本数据进行预处理;
[0027] 对预处理后的学习样本数据确定反窃电神经网络模型;
[0028] 将所述预测样本数据作为所述反窃电神经网络模型的输入量,运行所述反窃电神 经网络模型,输出每个用户的窃电嫌疑系数;
[0029] 根据所述窃电嫌疑系数预测窃电嫌疑户。
[0030] 可选的,在本发明一实施例中,所述方法还包括:
[0031] 利用预测结果对应地窃电特征因子、用户编号、电压等级、行业类别和所属线路重 新确定反窃电神经网络模型,对所述反窃电神经网络模型的参数进行优化。
[0032] 可选的,在本发明一实施例中,所述窃电特征因子包括:产品单耗、行业趋同率、告 警事件发生情况、相位角、用电量、用户线损率、三相电压不平衡率、功率因数和合同容量比 率。
[0033] 可选的,在本发明一实施例中,所述对所述学习样本数据和所述预测样本数据进 行预处理的步骤包括:
[0034]对所述学习样本数据和所述预测样本数据进行缺失值处理和异常值处理;
[0035] 对处理后的所述学习样本数据的窃电特征因子、所述预测样本数据的窃电特征因 子进行归一化处理。
[0036] 可选的,在本发明一实施例中,所述反窃电神经网络模型的结构为:九个输入节点 数、单隐层结构、一个输出节点数、隐层的节点数为八个,作用函数为非线性S型函数。
[0037] 可选的,在本发明一实施例中,所述确定反窃电神经网络模型的方法为机器学习 中的监督学习法。
[0038]为实现上述目的,本发明还提供了一种基于机器学习的反窃电预测装置,所述装 置包括:
[0039] 样本数据获取单元,用于获取学习样本数据和预测样本数据;其中,所述学习样本 数据包括:窃电特征因子、用户编号、电压等级、行业类别和所属线路,所述预测样本数据包 括:窃电特征因子、用户编号、电压等级、行业类别和所属线路;
[0040] 预处理单元,用于对所述学习样本数据和所述预测样本数据进行预处理;
[0041] 反窃电神经网络模型确定单元,用于对预处理后的学习样本数据确定反窃电神经 网络模型;
[0042] 窃电嫌疑系数获取单元,用于将所述预测样本数据作为所述反窃电神经网络模型 的输入量,运行所述反窃电神经网络模型,输出每个用户的窃电嫌疑系数;
[0043]预测单元,用于根据所述窃电嫌疑系数预测窃电嫌疑户。
[0044]可选的,在本发明一实施例中,所述装置还包括:
[0045]优化单元,用于利用预测结果对应地窃电特征因子、用户编号、电压等级、行业类 别和所属线路重新确定反窃电神经网络模型,对所述反窃电神经网络模型的参数进行优 化。
[0046] 可选的,在本发明一实施例中,所述样本数据获取单元获得的窃电特征因子包括: 产品单耗、行业趋同率、告警事件发生情况、相位角、用电量、用户线损率、三相电压不平衡 率、功率因数和合同容量比率。
[0047] 可选的,在本发明一实施例中,所述反窃电神经网络模型确定单元确定的反窃电 神经网络模型的结构为:九个输入节点数、单隐层结构、一个输出节点数、隐层的节点数为 八个,作用函数为非线性S型函数。
[0048] 上述技术方案具有如下有益效果:本发明的技术方案抛开以往传统的反窃电的手 段方法,将机器学习的思想应用于电力行业的反窃电分析,基于BP神经网络纯数学模型, 从大量数字中进行分析,具备自行学习的特征,且本方法具有自我修正的能力,在反窃电工 作上,可谓独树一帜。
[0049] 另,本发明的技术方案可以使供电企业对窃电的预防工作由被动追踪改为变主动 预警,提高了反窃电工作的工作效率和技术水平,为反窃电工作开辟了新的途径,也为避免 电网企业遭受巨额经济损失提供了有效的手段。
附图说明
[0050] 为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现 有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本 发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以 根据这些附图获得其他的附图。
[0051] 图1为本发明提出的一种基于机器学习的反窃电预测方法流程图之一;
[0052] 图2为本发明提出的一种基于机器学习的反窃电预测方法流程图之二;
[0053] 图3为本发明提出的一种基于机器学习的反窃电预测装置框图之一;
[0054] 图4为本发明提出的一种基于机器学习的反窃电预测装置框图之二;
[0055] 图5为本实施例的基于机器学习的反窃电预测流程图;
[0056] 图6为本实施例的反窃电神经网络模型的机器学习原理图。
具体实施方式
[0057] 下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完 整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于 本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他 实施例,都属于本发明保护的范围。
[0058] 本技术方案的工作原理为:从用电信息采集系统、SG186营销业务应用系统等中 获取到以上窃电特征因子的历史数据,通过挖掘该组指标与用电户窃电嫌疑系数间科学规 律,生成合理的专家样本库,通过BP神经网络模型的构建,让神经网络对其因子与用电户 窃电嫌疑系数间复杂的非线性规律进行记忆,使神经网络就成为一个无限逼近该复杂特殊 映射的黑盒,最终达到预测窃电嫌疑户的效果。
[0059] 如图1所示,为本发明提出的一种基于机器学习的反窃电预测方法流程图。所述 方法包括:
[0060] 步骤101):获取学习样本数据和预测样本数据;其中,所述学习样本数据包括:窃 电特征因子、用户编号、电压等级、行业类别和所属线路,所述预测样本数据包括:窃电特征 因子、用户编号、电压等级、行业类别和所属线路;
[0061] 步骤102):对所述学习样本数据和所述预测样本数据进行预处理;
[0062] 步骤103):对预处理后的学习样本数据确定反窃电神经网络模型;
[0063] 步骤104):将所述预测样本数据作为所述反窃电神经网络模型的输入量,运行所 述反窃电神经网络模型,输出每个用户的窃电嫌疑系数;
[0064] 步骤105):根据所述窃电嫌疑系数预测窃电嫌疑户。
[0065] 如图2所示,为本发明提出的一种基于机器学习的反窃电预测方法流程图之二。 在图1的基础上,所述方法还包括:
[0066] 步骤106):利用预测结果对应地窃电特征因子、用户编号、电压等级、行业类别和 所属线路重新确定反窃电神经网络模型,对所述反窃电神经网络模型的参数进行优化。 [0067] 可选的,在本发明一实施例中,所述窃电特征因子包括:产品单耗、行业趋同率、告 警事件发生情况、相位角、用电量、用户线损率、三相电压不平衡率、功率因数和合同容量比 率。
[0068] 可选的,在本发明一实施例中,所述对所述学习样本数据和所述预测样本数据进 行预处理的步骤包括:
[0069] 对所述学习样本数据和所述预测样本数据进行缺失值处理和异常值处理;
[0070] 对处理后的所述学习样本数据的窃电特征因子、所述预测样本数据的窃电特征因 子进行归一化处理。
[0071] 可选的,在本发明一实施例中,所述反窃电神经网络模型的结构为:九个输入节点 数、单隐层结构、一个输出节点数、隐层的节点数为八个,作用函数为非线性S型函数。
[0072] 可选的,在本发明一实施例中,所述确定反窃电神经网络模型的方法为机器学习 中的监督学习法。
[0073] 如图3所示,为本发明提出的一种基于机器学习的反窃电预测装置框图之一。所 述装置包括:
[0074] 样本数据获取单元301,用于获取学习样本数据和预测样本数据;其中,所述学习 样本数据包括:窃电特征因子、用户编号、电压等级、行业类别和所属线路,所述预测样本数 据包括:窃电特征因子、用户编号、电压等级、行业类别和所属线路;
[0075] 预处理单元302,用于对所述学习样本数据和所述预测样本数据进行预处理;
[0076] 反窃电神经网络模型确定单元303,用于对预处理后的学习样本数据确定反窃电 神经网络模型;
[0077] 窃电嫌疑系数获取单元304,用于将所述预测样本数据作为所述反窃电神经网络 模型的输入量,运行所述反窃电神经网络模型,输出每个用户的窃电嫌疑系数;
[0078] 预测单元305,用于根据所述窃电嫌疑系数预测窃电嫌疑户。
[0079] 如图4所示,为本发明提出的一种基于机器学习的反窃电预测装置框图之二。在 图3的基础上,所述装置还包括:
[0080] 优化单元306,用于利用预测结果对应地窃电特征因子、用户编号、电压等级、行业 类别和所属线路重新确定反窃电神经网络模型,对所述反窃电神经网络模型的参数进行优 化。
[0081] 可选的,在本发明一实施例中,所述样本数据获取单元获得的窃电特征因子包括: 产品单耗、行业趋同率、告警事件发生情况、相位角、用电量、用户线损率、三相电压不平衡 率、功率因数和合同容量比率。
[0082] 可选的,在本发明一实施例中,所述反窃电神经网络模型确定单元确定的反窃电 神经网络模型的结构为:九个输入节点数、单隐层结构、一个输出节点数、隐层的节点数为 八个,作用函数为非线性S型函数。
[0083] 实施例:
[0084] 如图5所示,为本实施例的基于机器学习的反窃电预测流程图。
[0085] 步骤1):设计总结窃电特征因子体系;
[0086] 研究窃电领域的电力业务,总结设计出反映用电行为特征的因子体系。因子及分 析逻辑如下:
[0087] 1)产品单耗
[0088] 对于连续窃电户而言,对其用电量纵向的波动分析就失去了作用。针对此问题可 以将用户的产品单耗(单位产品耗电量),与国家颁布的标准进行横向对比。当用户产品单 耗下降明显时,即表明有异常,此时应进行核实:企业是否采用了先进的设备或工艺,而导 致产品单耗下降,否则可认为其有极大的窃电嫌疑。
[0089] 公式:单位产品耗电量=用户用于生产管理的总用电量/产品总量。
[0090] 2)行业趋同率
[0091] 通过对本地区各行业的用电数据进行分析,得出行业的平均用电水平数据,再将 用电户的用电数据与行业平均水平数据进行对比,相同或相近的部分越少则行业趋同率越 低。行业趋同率越低,表明用电异常,存在窃电的可能性。
[0092] 3)告警事件发生情况
[0093] 用电户进行窃电时,往往会伴随着如下告警事件的发生,下面事件发生次数越多, 则窃电嫌疑越大。
[0094] a)示度下降
[0095] b)电能表飞走事件
[0096] c)电能表停走事件
[0097] d)电压不平衡度越限事件
[0098] e)电流不平衡度越限事件
[0099] f)电压缺相事件
[0100] g)电压断相事件
[0101] h)电流反极性事件
[0102] 4)相位角
[0103] 窃电者采用不正常接线,接人与电能表线圈不对应的电压、电流,或在线路中接人 电感或电容,改变电能表线圈中电流和电压间的正常相位关系,致使电能表转速变慢甚至 反转,这种窃电的方法称为相角型窃电法。具体如:电流进出线对调法、电位高低端对调法、 相电压对调法、线电压对调法、相电流对调法、同相电压法、同相电流法、电抗性窃电方法 等。
[0104] 相位角可通过计算A、B、C三相的功率因数的反余弦得到。角度对应关系如下:
[0105] 1) -正转;
[0106] 2) -不转;
[0107] 3) 90<©<270--反转;
[0108] 4)q)=27〇--不转;
[0109] 5) 270<((><3:60--正转。
[0110] 5)用电量
[0111] 用电量的波动变化时判断用户窃电的一个关键指标,电量的陡增陡降都可能表明 用电异常。若月电量突增50%,而且月电量除以30天再除以12小时,除以功率因数后大于 其装接容量。就很有可能私增容量的问题存在。
[0112] 6)用户线损率
[0113] 将本期累计线损率,与去年同期累计线损率进行比较,若线损率增幅超过10%,则 列为窃电嫌疑户。
[0114] 7)三相电压不平衡率
[0115] 三相电压不平衡率的波动变化也可以表征窃电现象,若三相电压不平衡率>0. 3, 则说明出现异常。
[0116] 公式:三相电压不平衡率=(max(u)-min(u))/max(u)
[0117] 8)功率因数
[0118] 功率因数对于正常的用电户来说,应该是一个相对恒定的值,除非增加无功补偿 设备,否则功率因数不应增长。通常标准值为〇. 9,每月的功率因数变化为上、下0. 1至0. 2 的幅值范围。
[0119] 9)合同容量比率
[0120] 用电户在业务报装时申请的合同容量与用户的月用电量之间存在着数值上的对 应关系:如果((合同容量X360) /月用电量)>2,则有可能该用户存在窃电现象。
[0121] 步骤2):明确学习训练样本数据的范围;
[0122] 学习样本的范围是:全冀北公司范围内10kV大工业用户的所有历史数据(其中已 查明的窃电用户需要明确地指出)。
[0123] 步骤3):确定反窃电神经网络模型的结构;
[0124] 1、源数据的抽取采集
[0125] 从用电信息采集系统、SG186营销业务应用系统中抽取到以上因子的历史数据,为 了方便对数据做机器学习和训练,除了以上特征因子外,还需获取到"用户编号、电压等级、 行业类别、所属线路"数据,这些数据以月度为时间单位;
[0126] 2、数据预处理
[0127] 主要是对采集抽取到的样本数据进行缺失值处理和异常值处理,之后还需对数据 进行归一化处理,将以上九个核心因子的数值转换到(〇,1)区间之内,以确保之后及其学 习时BP神经网络的收敛进程加快。将输入输出数据变换到[0,1]区间的值常用以下变换 式:
[0128]
[0129] 式中,x_代表数据变化范围的最大值,x_代表数据变化范围的最小值,Xl代表输 入或输出数据。
[0130] 3、构建专家样本库
[0131] 输入量为:产品单耗、行业趋同率、告警事件发生情况、相位角、用电量、用户线损 率、三相电压不平衡率、功率因数、合同容量比率。
[0132] 输出量为:窃电嫌疑系数
[0133] 4、构建反窃电神经网络模型
[0134] 如图6所示,为本实施例的反窃电神经网络模型的机器学习原理图。本发明中采 用的机器学习中的有监督学习--BP神经网络模型,该模型采用三层结构:输入层、隐层和 输出层。
[0135] 首先,确定学习样本,供神经网络学习;
[0136] 本发明选取该企业10kV大工业用户的所有历史数据作为学习样本,涵盖正常用 户和窃电用户,供网络系统学习。学习训练样本必须尽可能全面的反映用户的用电情况,这 样BP神经网络模型才能准确的学习到其中蕴含的规律。神经网络的学习过程即根据样本 确定网络的联接权值和误差反复修正的过程。
[0137] 本发明提供的反窃电挖掘分析方法是一种有监督的机器学习方法,采用BP神经 网络算法,对样本数据具备自行组织、自行适应、自行学习的能力。BP网络能学习和存贮大 量的输入-输出模式映射关系,而无需事前揭示描述这种映射关系的数学方程。它的学习 规则是使用最速下降法,通过反向传播来不断调整网络的连接权值和阈值,使网络的误差 极小化。下面详细介绍其原理:
[0138] 先定义一个网络结构:输入层节点为n,有n个神经元,隐含层节点为p,输出层节 点为q。针对此网络定义如下变量:
[0139] 输入向量:x= (X"x2,…,xn)
[0140] 隐含层输入向量:hi= (hi^,hi2,…,hip)
[0141] 隐含层输出向量:ho= (hc^,ho2,…,hop)
[0142] 输出层输入向量:yi= (yh,yi2,…,yiq)
[0143] 输出层输出向量:y〇 = (yc^,y〇2,…,y〇q)
[0144] 期望输出向量:do=(山,d2,…,dq)
[0145] 输入层与中间层的连接权值:Wlh
[0146] 隐含层与输出层的连接权值:Wh。
[0147] 隐含层各神经元的阈值:bh
[0148] 输出层各神经元的阈值:b。
[0149] 样本数据个数:k=1,2,
[0150] 激活函数:f(_)
[0151] 误差函数
Figure CN105205531AD00111
[0152] 1)初始化神经网络
[0153] 给各连接权值分别赋一个区间(0,1)内的随机数,设定误差函数e,给定计算精度 值e和最大学习次数M。
[0154] 2)随机选取第k个输入样本及对应期望输出:
[0155] x(k) = (x^k),x2(k), •••,xn(k))
[0156] d。(k)=(山(k),d2 (k),…,dn (k))
[0157] 3)计算隐含层各神经元的输入和输出:
Figure CN105205531AD00121
[0158]
[0159]
[0160]
[0161] yoD(k) =f(yiD(k)) o=l,2,..q
[0162] 利用网络期望输出和实际输出,计算误差函数对输出层的各神经元的偏导数 8〇(k):
Figure CN105205531AD00122
[0166] 利用隐含层到输出层的连接权值、输出层的SJk)和隐含层的输出计算误差函数 对隐含层各神经元的偏导数Sh(k):
Figure CN105205531AD00123
[0167]
[0168] 0=1
Figure CN105205531AD00132
[0171] 利用输出层各神经元的Mk)和隐含层各神经元的输出来修正连接权值whC](k):
Figure CN105205531AD00131
[0173] "h0 ..... m ' 0 W…k、~.[0174] 利用隐含层各神经元的Sh(k)和输入层各神经元的输入修正连接权:
[0172]
Figure CN105205531AD00133
[0179] 判断网络误差是否满足要求。当误差达到预设精度或学习次数大于设定的最大次 数,则结束算法。否则,选取下一个学习样本及对应的期望输出,返回到第三步,进入下一轮 学习。
[0180] 然后,确定BP神经网络的结构;
[0181] 本模型中确定的输入节点数是9,采用单隐层结构,隐含层数为1,输出节点数为 1。隐层的节点数根据试凑法确定为8,此时网络误差相对较小。并且,确定作用函数,通常 选择非线形S型函数。在本实施例中,本模型选择的作用函数是:Sigmoid函数。
[0182] 步骤4):继续抽取需要预测的月份中各因子的数据,这些数据作为预测样本,是 反窃电神经网络模型的预测对象。
[0183] 步骤5):运行反窃电神经网络模型,得到每个用户的窃电嫌疑系数,从而确定预 测窃电嫌疑户。
[0184] 本实施例在这里选取某用户2012年至2013年两年的用电数据作为预测样本输入 到反窃电预测模型(基于BP神经网络)中,下表1为经过归一化处理之后的数据:
[0185] 表 1
[0186]
Figure CN105205531AD00141
[0187]
Figure CN105205531AD00151
[0188] 通过对预测样本的运算和处理,反窃电神经网络模型输出如下结果:
[0189]
Figure CN105205531AD00152
[0190]
Figure CN105205531AD00161
[0191] 从上表可以看出,数据离散的效果比较好,预测结果比较理想,可以发现该用户在 2012年7月和2013年3月的窃电嫌疑系数分别为0. 9861和0. 9729,接近于1,说明该月 份在这两个月份存在极大的窃电可能性。其他月份窃电嫌疑系数都在0. 2以下,基本正常。 经排查,该窃电嫌疑户在上述两个时间段确实存在窃电行为。
[0192] 利用预测结果对应地窃电特征因子、用户编号、电压等级、行业类别和所属线路重 新确定反窃电神经网络模型,从而对所述反窃电神经网络模型的参数进行优化。使得预测 结果越来越接近实际情况。
[0193] 通过上述实施例可知,通过对海量用电历史数据隐含规律的挖掘和学习,预测出 用户的窃电嫌疑系数,快速准确的定位到有窃电嫌疑的用户。然后再通过现场稽查确认,可 以极大改善现有的反窃电效率,提高反窃电的准确度,本方法可以广泛的应用于供电企业 的营销稽查和反窃电工作领域中。
[0194] 以上所述的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步 详细说明,所应理解的是,以上所述仅为本发明的具体实施方式而已,并不用于限定本发明 的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含 在本发明的保护范围之内。

Claims (10)

1. 一种基于机器学习的反窃电预测方法,其特征在于,所述方法包括: 获取学习样本数据和预测样本数据;其中,所述学习样本数据包括:窃电特征因子、用 户编号、电压等级、行业类别和所属线路,所述预测样本数据包括:窃电特征因子、用户编 号、电压等级、行业类别和所属线路; 对所述学习样本数据和所述预测样本数据进行预处理; 对预处理后的学习样本数据确定反窃电神经网络模型; 将所述预测样本数据作为所述反窃电神经网络模型的输入量,运行所述反窃电神经网 络模型,输出每个用户的窃电嫌疑系数; 根据所述窃电嫌疑系数预测窃电嫌疑户。
2. 如权利要求1所述的方法,其特征在于,所述方法还包括: 利用预测结果对应地窃电特征因子、用户编号、电压等级、行业类别和所属线路重新确 定反窃电神经网络模型,对所述反窃电神经网络模型的参数进行优化。
3. 如权利要求1或2所述的方法,其特征在于,所述窃电特征因子包括:产品单耗、行 业趋同率、告警事件发生情况、相位角、用电量、用户线损率、三相电压不平衡率、功率因数 和合同容量比率。
4. 如权利要求1或2所述的方法,其特征在于,所述对所述学习样本数据和所述预测样 本数据进行预处理的步骤包括: 对所述学习样本数据和所述预测样本数据进行缺失值处理和异常值处理; 对处理后的所述学习样本数据的窃电特征因子、所述预测样本数据的窃电特征因子进 行归一化处理。
5. 如权利要求1或2所述的方法,其特征在于,所述反窃电神经网络模型的结构为: 九个输入节点数、单隐层结构、一个输出节点数、隐层的节点数为八个,作用函数为非线性S 型函数。
6. 如权利要求1或2所述的方法,其特征在于,所述确定反窃电神经网络模型的方法为 机器学习中的监督学习法。
7. -种基于机器学习的反窃电预测装置,其特征在于,所述装置包括: 样本数据获取单元,用于获取学习样本数据和预测样本数据;其中,所述学习样本数据 包括:窃电特征因子、用户编号、电压等级、行业类别和所属线路,所述预测样本数据包括: 窃电特征因子、用户编号、电压等级、行业类别和所属线路; 预处理单元,用于对所述学习样本数据和所述预测样本数据进行预处理; 反窃电神经网络模型确定单元,用于对预处理后的学习样本数据确定反窃电神经网络 模型; 窃电嫌疑系数获取单元,用于将所述预测样本数据作为所述反窃电神经网络模型的输 入量,运行所述反窃电神经网络模型,输出每个用户的窃电嫌疑系数; 预测单元,用于根据所述窃电嫌疑系数预测窃电嫌疑户。
8. 如权利要求7所述的装置,其特征在于,所述装置还包括: 优化单元,用于利用预测结果对应地窃电特征因子、用户编号、电压等级、行业类别和 所属线路重新确定反窃电神经网络模型,对所述反窃电神经网络模型的参数进行优化。
9. 如权利要求7或8所述的装置,其特征在于,所述样本数据获取单元获得的窃电特征 因子包括:产品单耗、行业趋同率、告警事件发生情况、相位角、用电量、用户线损率、三相电 压不平衡率、功率因数和合同容量比率。
10.如权利要求7或8所述的装置,其特征在于,所述反窃电神经网络模型确定单元确 定的反窃电神经网络模型的结构为:九个输入节点数、单隐层结构、一个输出节点数、隐层 的节点数为八个,作用函数为非线性S型函数。
CN201410305888.XA 2014-06-30 2014-06-30 一种基于机器学习的反窃电预测方法及装置 CN105205531A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201410305888.XA CN105205531A (zh) 2014-06-30 2014-06-30 一种基于机器学习的反窃电预测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201410305888.XA CN105205531A (zh) 2014-06-30 2014-06-30 一种基于机器学习的反窃电预测方法及装置

Publications (1)

Publication Number Publication Date
CN105205531A true CN105205531A (zh) 2015-12-30

Family

ID=54953200

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201410305888.XA CN105205531A (zh) 2014-06-30 2014-06-30 一种基于机器学习的反窃电预测方法及装置

Country Status (1)

Country Link
CN (1) CN105205531A (zh)

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105808500A (zh) * 2016-02-26 2016-07-27 山西牡丹深度智能科技有限公司 深度学习的实现方法、装置
CN106093707A (zh) * 2016-07-12 2016-11-09 亿米特(上海)信息科技有限公司 智能防窃电分析系统的数据处理方法
CN106680557A (zh) * 2017-01-05 2017-05-17 云南电网有限责任公司电力科学研究院 一种基于用户行为分析的防窃电方法
CN107085653A (zh) * 2017-03-29 2017-08-22 国网上海市电力公司 一种数据驱动的防窃电实时诊断方法
CN107862347A (zh) * 2017-12-04 2018-03-30 国网山东省电力公司济南供电公司 一种基于随机森林的窃电行为的发现方法
CN107966600A (zh) * 2017-09-30 2018-04-27 国家电网公司 一种基于深度学习算法的防窃电系统及其防窃电方法
CN108198408A (zh) * 2017-12-08 2018-06-22 囯网河北省电力有限公司电力科学研究院 一种基于用电信息采集系统的自适应反窃电监控方法及系统
CN108490288A (zh) * 2018-03-09 2018-09-04 华南师范大学 一种窃电检测方法及系统
CN108538013A (zh) * 2018-04-04 2018-09-14 浙江工贸职业技术学院 一种带火灾探测功能的动车应急服务机器人
CN109063929A (zh) * 2018-08-29 2018-12-21 广东电网有限责任公司 反窃电分析预警方法、装置及计算机可读存储介质
CN109214464A (zh) * 2018-09-28 2019-01-15 国网江苏省电力有限公司常州供电分公司 一种基于大数据的疑似窃电用户识别装置及识别方法
CN109446193A (zh) * 2018-11-13 2019-03-08 国网宁夏电力有限公司电力科学研究院 反窃电模型生成方法及装置
CN109784388A (zh) * 2018-12-29 2019-05-21 北京中电普华信息技术有限公司 窃电用户识别方法和装置
CN111209595A (zh) * 2020-04-21 2020-05-29 国网四川省电力公司电力科学研究院 一种涉污企业用电信息匹配及数据处理方法
CN108123920B (zh) * 2016-11-30 2020-12-29 中国科学院沈阳自动化研究所 基于窃电嫌疑程度的智能电网邻域网络恶意用户检测方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101533058A (zh) * 2009-04-24 2009-09-16 东北大学 一种电力异常故障数据分析装置及诊断方法
CN102866321A (zh) * 2012-08-13 2013-01-09 广东电网公司电力科学研究院 一种自适应的防窃漏电诊断方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101533058A (zh) * 2009-04-24 2009-09-16 东北大学 一种电力异常故障数据分析装置及诊断方法
CN102866321A (zh) * 2012-08-13 2013-01-09 广东电网公司电力科学研究院 一种自适应的防窃漏电诊断方法

Non-Patent Citations (8)

* Cited by examiner, † Cited by third party
Title
FENG LIU,ZHIFANG WANG: "Electric load forecasting using parallel RBF neural network", 《GLOBAL CONFERENCE ON SIGNAL AND INFORMATION PROCESSING (GLOBALSIP), 2013 IEEE》 *
党三磊 等: "《线损与降损措施》", 31 December 2013, 中国电力出版社 *
刘振亚: "《国家电网公司信息化建设工程全书 八大业务应用典型设计卷:营销业务应用篇•营销功能精化设计3》", 31 October 2008, 中国电力出版社 *
姜力维: "《以案说法 供用电热点问题面对面》", 31 May 2013, 中国电力出版社 *
张巍: "窃电疑点的分析与初步判断", 《石河子科技》 *
曹峥: "反窃电系统的研究与应用", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 *
王鲁杨: "《电能计量技术》", 30 November 2013, 机械工业出版社 *
高梨: "《电力客户管理》", 31 August 2011, 中国电力出版社 *

Cited By (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105808500A (zh) * 2016-02-26 2016-07-27 山西牡丹深度智能科技有限公司 深度学习的实现方法、装置
CN106093707A (zh) * 2016-07-12 2016-11-09 亿米特(上海)信息科技有限公司 智能防窃电分析系统的数据处理方法
CN106093707B (zh) * 2016-07-12 2018-11-30 亿米特(上海)信息科技有限公司 智能防窃电分析系统的数据处理方法
CN108123920B (zh) * 2016-11-30 2020-12-29 中国科学院沈阳自动化研究所 基于窃电嫌疑程度的智能电网邻域网络恶意用户检测方法
CN106680557A (zh) * 2017-01-05 2017-05-17 云南电网有限责任公司电力科学研究院 一种基于用户行为分析的防窃电方法
CN107085653A (zh) * 2017-03-29 2017-08-22 国网上海市电力公司 一种数据驱动的防窃电实时诊断方法
CN107966600A (zh) * 2017-09-30 2018-04-27 国家电网公司 一种基于深度学习算法的防窃电系统及其防窃电方法
CN107862347A (zh) * 2017-12-04 2018-03-30 国网山东省电力公司济南供电公司 一种基于随机森林的窃电行为的发现方法
CN108198408A (zh) * 2017-12-08 2018-06-22 囯网河北省电力有限公司电力科学研究院 一种基于用电信息采集系统的自适应反窃电监控方法及系统
CN108490288A (zh) * 2018-03-09 2018-09-04 华南师范大学 一种窃电检测方法及系统
CN108490288B (zh) * 2018-03-09 2019-04-16 华南师范大学 一种窃电检测方法及系统
CN108538013A (zh) * 2018-04-04 2018-09-14 浙江工贸职业技术学院 一种带火灾探测功能的动车应急服务机器人
CN109063929A (zh) * 2018-08-29 2018-12-21 广东电网有限责任公司 反窃电分析预警方法、装置及计算机可读存储介质
CN109214464A (zh) * 2018-09-28 2019-01-15 国网江苏省电力有限公司常州供电分公司 一种基于大数据的疑似窃电用户识别装置及识别方法
CN109446193A (zh) * 2018-11-13 2019-03-08 国网宁夏电力有限公司电力科学研究院 反窃电模型生成方法及装置
CN109784388A (zh) * 2018-12-29 2019-05-21 北京中电普华信息技术有限公司 窃电用户识别方法和装置
CN111209595A (zh) * 2020-04-21 2020-05-29 国网四川省电力公司电力科学研究院 一种涉污企业用电信息匹配及数据处理方法
CN111209595B (zh) * 2020-04-21 2020-08-11 国网四川省电力公司电力科学研究院 一种涉污企业用电信息匹配及数据处理方法

Similar Documents

Publication Publication Date Title
US20170237254A1 (en) Systems And Methods For Model-Driven Demand Response
Faisal et al. Data-stream-based intrusion detection system for advanced metering infrastructure in smart grid: A feasibility study
Wang et al. A novel deep learning method for the classification of power quality disturbances using deep convolutional neural network
Aminifar et al. Synchrophasor measurement technology in power systems: Panorama and state-of-the-art
CN103996077B (zh) 一种基于多维时间序列的电气设备故障预测方法
Li Reliability assessment of electric power systems using Monte Carlo methods
Zhang et al. Big data analytics in smart grids: a review
Momoh Smart grid: fundamentals of design and analysis
Mashima et al. Evaluating electricity theft detectors in smart grid networks
Milanovic et al. Probabilistic assessment of financial losses due to interruptions and voltage sags-part II: practical implementation
US20150248510A1 (en) Systems and Methods for Automated Model-Based Real-Time Simulation of a Microgrid for Market-Based Electric Power System Optimization
Ding et al. Frequency domain approach and threshold selector for robust model-based fault detection and isolation
Jia et al. Malicious data attack on real-time electricity market
Ilic et al. Modeling future cyber-physical energy systems
Diao et al. Design of a real-time security assessment tool for situational awareness enhancement in modern power systems
Wang et al. Application of residual modification approach in seasonal ARIMA for electricity demand forecasting: A case study of China
Zhai A new method for short-term load forecasting based on fractal interpretation and wavelet analysis
Cavraro et al. Power distribution network topology detection with time-series signature verification method
Karimipour et al. Robust massively parallel dynamic state estimation of power systems against cyber-attack
Zio et al. Uncertainties in smart grids behavior and modeling: What are the risks and vulnerabilities? How to analyze them?
Viegas et al. Solutions for detection of non-technical losses in the electricity grid: A review
Koonce et al. Bulk power risk analysis: Ranking infrastructure elements according to their risk significance
Kamwa et al. Development of rule-based classifiers for rapid stability assessment of wide-area post-disturbance records
Sodhi et al. A simple scheme for wide area detection of impending voltage instability
Nizar et al. Identification and detection of electricity customer behaviour irregularities

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20151230