CN107085653A - 一种数据驱动的防窃电实时诊断方法 - Google Patents

Abstract

本发明公开了一种数据驱动的防窃电实时诊断方法，包括下列步骤：原始数据读取步骤：从用户数据库中读取用户的日用电量、日用电量的移动平均、日用电量的移动平均差分、线损以及线损的移动平均的实时数据，作为实时诊断数据；从用户数据库中读取用户的日用电量、日用电量的移动平均、日用电量的移动平均差分、线损以及线损的移动平均的历史数据，作为建模历史数据；智能诊断模型构建步骤：依据建模历史数据建立专家数据库，作为专家样本数据，并根据专家样本数据构建智能诊断模型；窃电诊断步骤：将实时诊断数据导入智能诊断模型，运行智能诊断模型，进行窃电诊断。其技术效果是：其不仅可以有效降低窃电诊断的误报率和漏报率，提高诊断的准确率，而且增加了自适应性和稳定性。

Description

一种数据驱动的防窃电实时诊断方法

技术领域

本发明涉及电网领域的一种数据驱动的防窃电实时诊断方法。

背景技术

随着我国用电量的大幅增加，窃电的手段也发生了大的变化。一方面，窃电越来越隐蔽，另一方面，近年来采用高科技智能型等窃电手段也不断出现，这些窃电方式很难发现。传统的方法主要通过定期巡检、定期校验电表、用户举报窃电等手段来发现窃电或计量装置故障。面对这些新型的窃电手段，传统的防窃电方式面临着较大挑战。

我国是用电大国，电能资源对我国来说非常宝贵。因此，电网系统的建设是至关重要的。改革开放以来，科技不断发展，电网系统也不断地升级。现在的电网系统都安装了自动化远程监控功能，通过监控功能，检查到简单的可疑用电行为，再派遣相关人员到现场详细调查。该系统可以采集各类用电指标，如负荷数据，异常数据、主站报警、线损信息等，这些信息这些年得到大量的积累。

电网系统的自动化远程监控功能虽然可以获取到用电异常的信息，但是，电网目前所采用的终端误报率太高，无用的信息也很多，很难快速精准地锁定窃电用户，这往往令电力公司的检测人员无从下手，实施起来难度较大，反窃电效果不是很理想。

发明内容

本发明的目的是为了克服现有技术的不足，提供一种数据驱动的防窃电实时诊断方法，其不仅可以有效降低窃电诊断的误报率和漏报率，提高诊断的准确率，而且增加了自适应性和稳定性。

实现上述目的的一种技术方案是：一种数据驱动的防窃电实时诊断方法，包括下列步骤：

原始数据读取步骤：从用户数据库中读取用户的日用电量、日用电量的移动平均、日用电量的移动平均差分、线损以及线损的移动平均的实时数据，作为实时诊断数据；从用户数据库中读取用户的日用电量、日用电量的移动平均、日用电量的移动平均差分、线损以及线损的移动平均的历史数据，作为建模历史数据；

智能诊断模型构建步骤：依据建模历史数据建立专家数据库，作为专家样本数据，并根据专家样本数据构建智能诊断模型；

窃电诊断步骤：将实时诊断数据导入智能诊断模型，运行智能诊断模型，进行窃电诊断。

进一步的，所述原始数据读取步骤中还导入的天气类指标的实时数据和历史数据、报警类指标的实时数据和历史数据，以及特定类指标的实时数据和历史数据，对应作为实施诊断数据和建模历史数据。

进一步的，原始数据读取步骤后，构建智能诊断模型步骤前，还有原始数据预处理步骤，对建模历史数据和实施诊断数据中缺失值和异常值进行预处理。

再进一步的，原始数据预处理步骤中，采用最小二乘法回归模型对缺失值进行填充。

再进一步的，原始数据预处理步骤中，进行异常值审查，建模历史数据和实时诊断数据中时间属性的时间是否合理；审查建模历史数据和实时诊断数据中的峰电量和谷电量之和，与日用电量之间的偏差是否超出阈值。

再进一步的，原始数据预处理步骤中将异常值分为Normal类型，Change类型、Complex类型和离群点异常。

进一步的，智能诊断模型构建步骤中，采用神经网络构建智能诊断模型。

再进一步的，智能诊断模型构建步骤中，对构建完成的智能诊断模型进行训练、参数优化和评价。

再进一步的，窃电诊断步骤中，将实时诊断数据导入智能诊断模型，运行智能诊断模型，进行窃电诊断，若进行窃电诊断的结果有误，则对智能诊断模型进行重构，生成新的智能诊断模型，并运行新的智能诊断模型，直到结果正确为止。

进一步的，智能诊断模型构建步骤中，采用专家样本数据是可更新。

采用了本发明的一种数据驱动的防窃电实时诊断方法的技术方案，包括下列步骤：原始数据读取步骤：从用户数据库中读取用户的日用电量、日用电量的移动平均、日用电量的移动平均差分、线损以及线损的移动平均的实时数据，作为实时诊断数据；从用户数据库中读取用户的日用电量、日用电量的移动平均、日用电量的移动平均差分、线损以及线损的移动平均的历史数据，作为建模历史数据；智能诊断模型构建步骤：依据建模历史数据建立专家数据库，作为专家样本数据，并根据专家样本数据构建智能诊断模型；窃电诊断步骤：将实时诊断数据导入智能诊断模型，运行智能诊断模型，进行窃电诊断。其技术效果是：不仅可以有效降低窃电诊断的误报率和漏报率，提高诊断的准确率，而且增加了自适应性和稳定性，提高了窃电诊断的准确性和鲁棒性，也为电力公司减少了检查窃电行为的额外成本，从而为未来智能化的防窃电工作及用电的精细化工作打下了坚实基础。

附图说明

图1为本发明的一种数据驱动的防窃电实时诊断方法的流程示意图。

图2为本发明的一种数据驱动的防窃电实时诊断方法导入数据的示意图

图3本发明的一种数据驱动的防窃电实时诊断方法中智能模型构建步骤的流程图。

图4为本发明的一种数据驱动的防窃电实时诊断方法中窃电诊断步骤的流程图。

具体实施方式

请参阅图1，本发明的发明人为了能更好地对本发明的技术方案进行理解，下面通过具体地实施例，并结合附图进行详细地说明：

分析日用电量的特征，通过计算n日的日用电量移动平均，即连续n天的用电量平均值，计算式如下：

其中avg_e_n为n日的日用电量移动平均，E_i为第i日的日用电量；

接下来再计算日用电量的移动平均差分dif，即，连续n天的用电量的移动平均的累计变化值，在本项目中，以0.02作为差分阈值：

利用日用电量的移动平均、移动平均差分和线损，将窃电用户分为：

第一类窃电用户，即每天选择不同的时间段进行窃电，或者每月选择任意几天进行窃电的窃电用户，其每月的日用电量曲线是一个循序渐进的下降曲线，计算日用电量的移动平均和日用电量的移动平均差分，进行拟合。日用电量的移动平均是下降趋势的曲线，日用电量的移动平均差分出现多个绝对值超过差分阈值的点。用户的线损不断升高，这就是第一类窃电者开始窃电时所表现出来的重要特征。

第二类窃电用户，即每天24小时都在窃电的窃电用户，其日用电量中存在突然下降的点，然后保持平稳。日用电量的移动平均和日用电量的移动平均差分是上升趋势的曲线然后平稳，线损刚好相反。

请参阅图1和图2，本发明的一种数据驱动的防窃电实时诊断方法，包括下列步骤：

原始数据读取步骤：从用户数据库中读取用户的日用电量、日用电量的移动平均、日用电量的移动平均差分、线损以及线损的移动平均的实时数据，用户的日用电量、日用电量的移动平均、日用电量的移动平均差分、线损以及线损的移动平均的历史数据，其中用户的日用电量、日用电量的移动平均、日用电量的移动平均差分、线损以及线损的移动平均的实时数据用于窃电诊断，作为实时诊断数据，用户的日用电量、日用电量的移动平均、日用电量的移动平均差分、线损以及线损的移动平均的历史数据用于建模，作为建模历史数据。

因为天气对用电量的影响很大。原始数据导入步骤中还可导入天气类指标的实时数据和历史数据，即每天的最高温度、最高温度、天气状况、湿度等。其中天气类指标的实时数据用于窃电诊断，作为实时诊断数据，天气类指标的历史数据用于建模，作为建模历史数据。

报警类指标的实时数据和历史数据，原始数据导入步骤中还可导入与窃电相关的报警，比如计量故障的次数,比如日用电量的移动平均差分的绝对值超过差分阈值的次数，主要判断电表是否有异常情况。其中报警类指标的实时数据用于窃电诊断，作为实时诊断数据，报警类指标的历史数据用于建模，作为建模历史数据。

特定类指标的实时数据和历史数据，包括上一日是否窃电等，因为用户窃电是一个连续的过程。其中特定类指标的实时数据用于窃电诊断，作为实时诊断数据，特定类指标的历史数据用于建模，作为建模历史数据。

原始数据预处理步骤：

从用户数据库中读取用户用电量的实时数据和历史数据中往往包含大量的噪声，有时候还是不完整的，甚至是不一致的。因此必须要进行数据预处理。数据预处理步骤包括：

缺失值处理：

原始数据读取步骤中所读取的用户用电的实时数据和历史数据内经常存在缺失值，在大多数情况下，数据分析前需要对缺失数据进行处理。比如应用决策树算法的时候，该算法本身允许数据缺失值直接进入数据分析，因为在这种情况下缺失值本身已经被看作是一种特定的属性类别。

采用回归建模法对缺失值进行处理，通过回归建模，填充相应的值。回归建模法可通过诸如回归模型、决策树模型、贝叶斯定理等去预测缺失值的最近替代值，并将缺失值的最近替代值代替缺失值所对应的变量，也就是把缺失数据所对应的变量当作目标变量。本发明的一种数据驱动的防窃电实时诊断方法，所选的回归模型是最小二乘法回归模型，通过最小二乘法回归函数，去填充缺失值所对应的变量。

异常值处理：

原始数据读取步骤中所读取的用户用电的实时数据和历史数据内经常存在异常值，很可能会干扰模型系数的计算和评估，从而严重降低模型的稳定性。

异常值审查：

1.在用户用电的实时数据和历史数据中时间属性的时间是否合理。比如，4月份是否出现了31号。

2用户用电的实时数据和历史数据中的峰电量和谷电量之和，与日用电量之间的偏差是否超出阈值，该阈值通常为0.3度。

3，用户实时数据中的总用电量是否合法，数据集中的电表读数是电表自动抄送返回的日用电量累加数值。日用电量通过后一天的数据值减去前一天的数据值作为前一天的用电量。在遇到月份的边界时，读入下一个月的数据记录文件来计算最后一天的用电量。

异常值种类的种类包括：

Normal类型，即用户的月用电量曲线有一个或多个毛刺，毛刺的宽度一般为一至两日，其修正方法为分箱法。

Change类型，即用户的月用电量曲线中，有零至三个毛刺，用户的月用电量曲线会存在一个或者多个日用电量大幅下降的拐点，用户的月用电量曲线整体呈阶梯形，其通过将日用电量加上一个向上的位移段来修正。

Complex类型，用户的月用电量曲线是杂乱的，不规则的，存在两个以上的毛刺，部分毛刺宽度大于两日。其通过分箱法或回归法来修正，优选最小二乘法回归法修正。

离群点异常，用户的月用电量大于6000kwh为离群点异常下界，直接删除。

智能诊断模型构建步骤：

在数据准备完成后，即可进行模型构建，即利用建模历史数据中窃电用户的数据建立一个专家数据库作为专家样本数据；专家样本数据又称建模数据。

再将专家数据库中的专家样本数据，导入训练数据库，作为训练样本数据。

利用深度学习技术，根据专家样本数据构建智能诊断模型，简称构建模型，实现了高效的智能诊断，由于窃电的诊断，涉及复杂的现象和大量的因素之间的相互作用，而深度神经网络结合了模糊评价法与神经网络评价法的优点，在解决这类问题时有明显的优势。

通过训练样本数据对构建的智能诊断模型进行训练；简称模型训练。

根据对构建的智能诊断模型进行训练的训练结果对智能诊断模型中的参数进行优化；又称模型验证。

对专家数据库中的专家样本数据导入测试数据库,作为测试样本数据,对优化后的智能诊断模型进行评价；

导出对智能诊断模型进行评价的评价结果，在评价结果确认通过后，完成智能诊断模型构建步骤。

参见图3。

窃电诊断步骤：

在所述智能诊断模型构建完成后，就可以基于实时采集的用户的实时数据，即诊断数据，调用训练好的智能诊断模型实现对用户的窃电诊断。

从计量主站系统每日实时抽取所有计量点的用户的日用电量、日用电量的移动平均、日用电量的移动平均差分、线损以及线损的移动平均的实时数据，并从气象台调取当天的天气类指标，包括，一天中最高气温，一天中最低气温以及当天的天气情况等；

对实时抽取的户的日用电量、日用电量的移动平均、日用电量的移动平均差分、线损以及线损的移动平均的实时数据进行数据预处理，包括：缺失值的处理、四类异常值，即Normal类型，Change类型、Complex类型和离群点异常的处理、节假日数据修正等预处理。

计算得到经过处理的实时诊断数据，即用电量指标、天气指标、报警指标、节假日指标、线损指标和特定指标。并且将这些指标，整合一个向量矩阵，作为智能诊断模型的输入变量。

运行智能诊断模型构建步骤中所构建的智能诊断模型。

运行智能诊断模型的结果有误，则重新对智能诊断模型的参数进行优化，即重构，生成新的智能诊断模型，并运行新的智能诊断模型，直到结果正确为止。

参见图4。

必须说明的是：

第一，智能诊断模型构建步骤和窃电诊断步骤中，对智能诊断模型进行优化的结果需要人工进行。

第二，智能诊断模型构建步骤中的专家样本数据，以及专家样本数据中的栏目是可更新的。

第三，智能诊断模型是可以重新进行训练的。

本发明的一种数据驱动的防窃电实时诊断方法、处理用户数大于等于15000户，诊断误报率小于0.5％，诊断漏报率小于等于10％。

本发明的一种数据驱动的防窃电实时诊断方法基于深度学习构建的窃电智能诊断模型不仅可以有效降低窃电诊断的误报率和漏报率，提高诊断的准确率，而且增加了自适应性和稳定性，不仅提高了窃电诊断的准确性和鲁棒性，而且也为电力公司减少了检查窃电行为的额外成本，从而为未来智能化的防窃电工作及用电的精细化工作打下了坚实基础。供电企业及时发现并阻止窃电行为，有效地打击窃电者，给电力公司减少损失，同时也有力保障居民用电的合法利益。

本发明的一种数据驱动的防窃电实时诊断方法还基于SparkNet，对智能诊断模型进行了实验，并进行了参数调优。与传统的神经网络相比较，本发明的一种数据驱动的防窃电实时诊断方法所基于深度学习的智能诊断模型性的能有比较明显的提高。

本发明的一种数据驱动的防窃电实时诊断方法所构建的智能诊断模型具有自学习特性，通过对电力用户的用电数据进行学习建模，并通过已经形成的用电规律来诊断新数据的合理性和正确性，能够有效提高窃电监控诊断的准确性。

本技术领域中的普通技术人员应当认识到，以上的实施例仅是用来说明本发明，而并非用作为对本发明的限定，只要在本发明的实质精神范围内，对以上所述实施例的变化、变型都将落在本发明的权利要求书范围内。

Claims (10)

1.一种数据驱动的防窃电实时诊断方法，包括下列步骤：

原始数据读取步骤：从用户数据库中读取用户的日用电量、日用电量的移动平均、日用电量的移动平均差分、线损以及线损的移动平均的实时数据，作为实时诊断数据；从用户数据库中读取用户的日用电量、日用电量的移动平均、日用电量的移动平均差分、线损以及线损的移动平均的历史数据，作为建模历史数据；

智能诊断模型构建步骤：依据建模历史数据建立专家数据库，作为专家样本数据，并根据专家样本数据构建智能诊断模型；

窃电诊断步骤：将实时诊断数据导入智能诊断模型，运行智能诊断模型，进行窃电诊断。

2.根据权利要求1所述一种数据驱动的防窃电实时诊断方法，其特征在于：所述原始数据读取步骤中还导入的天气类指标的实时数据和历史数据、报警类指标的实时数据和历史数据，以及特定类指标的实时数据和历史数据，对应作为实施诊断数据和建模历史数据。

3.根据权利要求1所述一种数据驱动的防窃电实时诊断方法，其特征在于：原始数据读取步骤后，构建智能诊断模型步骤前，还有原始数据预处理步骤，对建模历史数据和实施诊断数据中缺失值和异常值进行预处理。

4.根据权利要求3所述一种数据驱动的防窃电实时诊断方法，其特征在于：原始数据预处理步骤中，采用最小二乘法回归模型对缺失值进行填充。

5.根据权利要求3所述一种数据驱动的防窃电实时诊断方法，其特征在于：原始数据预处理步骤中，进行异常值审查；审查建模历史数据和实时诊断数据中时间属性的时间是否合理；审查建模历史数据和实时诊断数据中的峰电量和谷电量之和，与日用电量之间的偏差是否超出阈值。

6.根据权利要求3所述一种数据驱动的防窃电实时诊断方法，其特征在于：原始数据预处理步骤中将异常值分为Normal类型，Change类型、Complex类型和离群点异常。

7.根据权利要求1所述一种数据驱动的防窃电实时诊断方法，其特征在于：智能诊断模型构建步骤中，采用神经网络构建智能诊断模型。

8.根据权利要求7所述一种数据驱动的防窃电实时诊断方法，其特征在于：智能诊断模型构建步骤中，对构建完成的智能诊断模型进行训练、参数优化和评价。

9.根据权利要求7所述一种数据驱动的防窃电实时诊断方法，其特征在于：窃电诊断步骤中，将实时诊断数据导入智能诊断模型，运行智能诊断模型，进行窃电诊断，若进行窃电诊断的结果有误，则对智能诊断模型进行重构，生成新的智能诊断模型，并运行新的智能诊断模型，直到结果正确为止。

10.根据权利要求1所述一种数据驱动的防窃电实时诊断方法，其特征在于：智能诊断模型构建步骤中，采用专家样本数据是可更新的。