CN106355209A - 基于决策树算法的窃电诊断系统及方法 - Google Patents

Abstract

本发明公开了一种基于决策树算法的窃电诊断系统及方法，包括数据接口模块、窃电诊断决策树模块、诊断结果输出模块、存储设备、人机接口，其特征在于，从电网数据库提取用户的历史数据，用户的历史数据传输到所述数据接口模块后进入窃电诊断决策树模块并形成推理结果，所述诊断结果输出模块将推理结果保存至存储设备并输出至人机接口。本发明利用决策树算法，通过分析用户历史数据，检测出窃电用户。

Description

基于决策树算法的窃电诊断系统及方法

技术领域

本发明属于电网维护技术领域，更具体地说，涉及一种基于决策树算法的窃电诊断系统及方法。

背景技术

长期以来，窃电现象层出不穷，窃电手段形形色色，严重扰乱了正常的供用电秩序，给用电安全造成威胁，影响了电网的稳定、经济运行，困扰电力企业的发展，使电力企业及国家蒙受巨大的经济损失。

将决策树等数据挖掘技术应用到电力行业的窃电诊断中，就是利用该技术对电力信息流进行分析，挖掘数据规律，为判别用户窃电行为提供科学的依据，而且不受窃电方式的影响。本发明基于决策树算法的窃电诊断系统，可有力提高电力企业的经济效益，降低配电网的管理线损，为电网正常运营提供技术支持，增强电力企业竞争力。

发明内容

为克服现有技术存在的缺陷，本发明提供一种基于决策树算法的窃电诊断系统及方法。

本发明解决其技术问题所采用的技术方案是：

设计一种基于决策树算法的窃电诊断系统，包括数据接口模块、窃电诊断决策树模块、诊断结果输出模块、存储设备、人机接口，其特征在于，从电网数据库提取用户的历史数据，用户的历史数据传输到所述数据接口模块后进入窃电诊断决策树模块并形成推理结果，所述诊断结果输出模块将推理结果保存至存储设备并输出至人机接口。

本发明还提供一种基于决策树算法的窃电诊断方法，包括以下步骤，

1)提取电网数据库的特征属性数据集合，形成训练集；

2)基于训练集构建决策树；

3)由决策树生成分类规则集，利用分类规则形成窃电诊断数据库；

4)输入用户的历史数据，进行窃电诊断。

在上述步骤(1)中，所述特征属性数据集合是一个从用户统计线损数据库、电压实时统计数据库、电流实时统计数据库中获取包含N个样本的样本集。

在上述步骤(2)中，决策树的构建采用ID3算法，其过程包括：

2.1)选取用户最大线损值、三相电压不平衡率、合同容量比、同期用电量比作为非分类类别属性；

2.2)计算分类类别的熵E0及非分类类别属性用户最大线损值的熵E₁、三相电压不平衡率的熵E₂、合同容量比的熵E₃、同期用电量比的熵E₄；

2.3)从上述四个非分类类别属性中选择熵值最大且熵值大于E0的属性作为分类点，创建节点N；

2.4)重复步骤2.1)至步骤2.3)寻找下一个分类点；

2.5)若样本都在同一非分类类别，则该节点成为树叶，并用该非分类类别标记，否则使用基于熵的度量信息增益作为启发信息，选择将样本分裂的最优属性作为该节点的分裂属性；

2.6)对分裂属性的每一个值创建一个分枝，并根据分枝来划分样本；

2.7)重复步骤2.5)至步骤2.6)对每个节点运行决策树算法。

实施本发明基于决策树算法的窃电诊断系统及方法，具有以下有益效果：

本发明利用决策树算法，通过分析用户历史数据，检测出窃电用户。

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为本发明一种基于决策树算法的窃电诊断系统的示意图；

图2为本发明窃电诊断系统中决策树建树的流程示意图。

具体实施方式

为了对本发明的技术特征、目的和效果有更加清楚的理解，现对照附图详细说明本发明的具体实施方式。

如图1所示，本发明基于决策树算法的窃电诊断系统，包括数据接口模块、窃电诊断决策树模块、诊断结果输出模块、存储设备、人机接口，其特征在于，从电网数据库提取用户的历史数据，用户的历史数据传输到数据接口模块后进入窃电诊断决策树模块并形成推理结果，诊断结果输出模块将推理结果保存至存储设备并输出至人机接口。

如图2所示，本发明还提供一种基于决策树算法的窃电诊断方法，包括以下步骤，

1)提取电网数据库的特征属性数据集合，形成训练集，其中，特征属性数据集合是一个从用户统计线损数据库、电压实时统计数据库、电流实时统计数据库中获取包含N个样本的样本集。

2)基于训练集构建决策树，其中，决策树的构建采用ID3算法，其过程包括：

2.1)选取用户最大线损值、三相电压不平衡率、合同容量比、同期用电量比作为非分类类别属性，其中这4个非分类类别属性的取值参照下表：

非分类类别属性	取值
		用户最大线损值(L)	统计线损值W1<L<统计线损值W2
三相电压不平衡率(U)	大(U1)、小(U2)
		合同容量比(C)	大(C1)、小(C2)
功率因数(P)	稳定(P1)、突变(P2)
		同期用电量比(E)	大(E1)、小(E2)
分类类别	窃电(S)、未窃电(N)

2.2)计算分类类别的熵E₀及非分类类别属性用户最大线损值的熵E₁、三相电压不平衡率的熵E₂、合同容量比的熵E₃、同期用电量比的熵E₄：

分类类别的熵E₀：

$E_0=-p_S{\log }_2^{p_S}-p_N{\log }_2^{p_N},$

其中p_S为窃电样本数量占总样本数量的比，p_N为未窃电样本数量占总样本数量的比。

用户最大线损值的熵：设大于统计线损值的样本为W个，则小于统计线损值的样本为(N-W)个，取属性大于统计线损值的正例为A₁个，反例为(W-A₁)个，取属性小于统计线损值的正例为B₁个，反例为(N-W-B₁)个，用户最大线损值的熵E₁为

$E_1=\frac{W}{N}(-\frac{A_1}{W}{\log }_2^{A_1/W}-\frac{W-A_1}{W}{\log }_2^{W-A_1/W})+\frac{N-W}{N}(-\frac{B_1}{N-W}{\log }_2^{B_1/W}-\frac{N-W-B_1}{N-W}{\log }_2^{W-B_1/W})$

三相电压不平衡率的熵：设三相电压不平衡率取大的样本为X个，则三相电压不平衡率取小的样本为(N-X)个，取属性为大的正例为A₂个，反例为(X-A₂)个，取属性为小的正例为B₂个，反例为(N-X-B₂)个，三相电压不平衡率的熵E₂为

$E_2=\frac{X}{N}(-\frac{A_2}{X}{\log }_2^{A_2/X}-\frac{X-A_2}{X}{\log }_2^{X-A_2/X})+\frac{N-X}{N}(-\frac{B_2}{N-X}{\log }_2^{B_2/X}-\frac{N-X-B_2}{N-X}{\log }_2^{X-B_2/X})$

合同容量比的熵：设合同容量比取大的样本为Y个，则合同容量比取小的样本(N-Y)为个，取属性为大的正例为A₃个，反例为(Y-A₃)个，取属性为小的正例为B₃个，反例为(N-Y-B₃)个，合同容量比的熵E₃为

$E_3=\frac{Y}{N}(-\frac{A_3}{Y}{\log }_2^{A_3/Y}-\frac{Y-A_3}{Y}{\log }_2^{Y-A_3/Y})+\frac{N-Y}{N}(-\frac{B_3}{N-Y}{\log }_2^{B_3/Y}-\frac{N-Y-B_3}{N-Y}{\log }_2^{Y-B_3/Y})$

同期用电量比的熵：设同期用电量比取大的样本为Z个，则同期用电量比取小的样本为(N-Z)个，取属性为大的正例为A₄个，反例为(Z-A₄)个，取属性为小的正例为B₄个，反例为(N-Z-B₄)个，同期用电量比的熵E₄为

$E_4=\frac{Z}{N}(-\frac{A_4}{Z}{\log }_2^{A_4/Z}-\frac{Z-A_4}{Z}{\log }_2^{Z-A_4/Z})+\frac{N-Z}{N}(-\frac{B_4}{N-Z}{\log }_2^{B_4/Z}-\frac{N-Z-B_4}{N-Z}{\log }_2^{Z-B_4/Z})$

2.3)从上述四个非分类类别属性中选择熵值最大且熵值大于E0的属性作为分类点，创建节点N；

2.4)重复步骤2.1)至步骤2.3)寻找下一个分类点；

2.5)若样本都在同一非分类类别，则该节点成为树叶，并用该非分类类别标记，否则使用基于熵的度量信息增益作为启发信息，选择将样本分裂的最优属性作为该节点的分裂属性；

2.6)对分裂属性的每一个值创建一个分枝，并根据分枝来划分样本；

2.7)重复步骤2.5)至步骤2.6)对每个节点运行决策树算法。

3)由决策树生成分类规则集，利用分类规则形成窃电诊断数据库；

4)输入用户的历史数据，进行窃电诊断。

上面结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，这些均属于本发明的保护之内。

Claims (4)

1.一种基于决策树算法的窃电诊断系统，包括数据接口模块、窃电诊断决策树模块、诊断结果输出模块、存储设备、人机接口，其特征在于，从电网数据库提取用户的历史数据，用户的历史数据传输到所述数据接口模块后进入窃电诊断决策树模块并形成推理结果，所述诊断结果输出模块将推理结果保存至存储设备并输出至人机接口。

2.一种基于决策树算法的窃电诊断方法，其特征在于，包括以下步骤，

1)提取电网数据库的特征属性数据集合，形成训练集；

2)基于训练集构建决策树；

3)由决策树生成分类规则集，利用分类规则形成窃电诊断数据库；

4)输入用户的历史数据，进行窃电诊断。

3.根据权利要求2所述基于决策树算法的窃电诊断方法，其特征在于，在所述步骤(1)中，所述特征属性数据集合是一个从用户统计线损数据库、电压实时统计数据库、电流实时统计数据库中获取包含N个样本的样本集。

4.根据权利要求2所述基于决策树算法的窃电诊断方法，其特征在于，在所述步骤(2)中，决策树的构建采用ID3算法，其过程包括：

2.1)选取用户最大线损值、三相电压不平衡率、合同容量比、同期用电量比作为非分类类别属性；

2.2)计算分类类别的熵E0及非分类类别属性用户最大线损值的熵E₁、三相电压不平衡率的熵E₂、合同容量比的熵E₃、同期用电量比的熵E₄；

2.3)从上述四个非分类类别属性中选择熵值最大且熵值大于E0的属性作为分类点，创建节点N；

2.4)重复步骤2.1)至步骤2.3)寻找下一个分类点；

2.5)若样本都在同一非分类类别，则该节点成为树叶，并用该非分类类别标记，否则使用基于熵的度量信息增益作为启发信息，选择将样本分裂的最优属性作为该节点的分裂属性；

2.6)对分裂属性的每一个值创建一个分枝，并根据分枝来划分样本；

2.7)重复步骤2.5)至步骤2.6)对每个节点运行决策树算法。