CN107230013A - 一种无监督学习下配网用户异常用电辨识与时间定位方法 - Google Patents
一种无监督学习下配网用户异常用电辨识与时间定位方法 Download PDFInfo
- Publication number
- CN107230013A CN107230013A CN201710330865.8A CN201710330865A CN107230013A CN 107230013 A CN107230013 A CN 107230013A CN 201710330865 A CN201710330865 A CN 201710330865A CN 107230013 A CN107230013 A CN 107230013A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- mtd
- electricity consumption
- cycle
- Prior art date
- Legal status (The legal status 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 status listed.)
- Granted
Links
- 230000005611 electricity Effects 0.000 title claims abstract description 58
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 50
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000009825 accumulation Methods 0.000 claims abstract description 12
- 239000011159 matrix material Substances 0.000 claims description 21
- 230000035508 accumulation Effects 0.000 claims description 11
- 230000003542 behavioural effect Effects 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 6
- 230000007704 transition Effects 0.000 claims description 6
- 230000004069 differentiation Effects 0.000 claims description 5
- 230000001351 cycling effect Effects 0.000 claims description 3
- 238000001514 detection method Methods 0.000 abstract description 8
- 239000000284 extract Substances 0.000 abstract description 2
- 230000006399 behavior Effects 0.000 description 11
- 230000005856 abnormality Effects 0.000 description 7
- 230000008859 change Effects 0.000 description 6
- 206010000117 Abnormal behaviour Diseases 0.000 description 4
- 238000007619 statistical method Methods 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提出了一种电力用户异常用电行为的检测与时间定位方法。该方法首先从采集系统中提取用户的用电负荷数据,然后将用户用电负荷数据转化成用电趋势并分割为a个演变周期,对每个周期内的趋势数据采用聚类处理,对电力用户群体进行周期演变分析,检测用户演变周期中的异常累积变化并进行异常判定和时间的定位。所提方法避开研究多种客观因素对用户用电水平的影响;通过周期演变分析,能有效降低误判可能性,提高异常判定的精度。
Description
技术领域
本发明属于电气信息技术领域,尤其涉及一种电力用户异常用电行为检测与时间定位方法。
背景技术
异常用电行为指用户负荷水平与同类用户或自身历史用电特征出现持续性显著不同的现象,常见异常行为可分为:电力欺诈(偷电、漏电、窃电)、设备异常或用电性质私自变更等。据国外专家估计,用电异常行为中电力欺诈行为占电力用户的5%左右,并由此导致电力公司大量的经济损失。因此,对电力公司而言,通过分析用户群体用电行为的时序变化特征,进行用户异常用电辨识,可有效提升其用户管理水平并降低运营成本。
实际工作中,由于难以收集足够多的异常用电行为数据样本集,无法支撑有监督学习实现异常行为模式辨识。因此,现有大部分用电异常辨识研究采用无监督异常检测方法,主要有:统计学方法,分析用户用电水平与客观因素的关联关系,不符合理论上用电规律的用户判为异常用户;采用聚类算法,对用户的用电数据进行聚类处理,通过用户的离群程度判断是否存在用电异常。
现有电力用户异常行为辨识研究工作存在以下不足:(1)用电水平受多种客观因素影响,若通过统计学方法显然无法全面体现客观因素对电力用户群体用电行为变化的影响;(2)不同用户用电量对客观因素的行为反馈存在差异,因此将电力用户所有用电数据进行异常辨识无法体现其动态行为特征,易出现异常行为误判。
本发明为克服现有异常检测的不足,提出了一种电力用户异常用电行为的检测与时间定位方法。该方法首先从采集系统中提取用户的用电负荷数据,然后将用户用电负荷数据转化成用电趋势并分割为a个演变周期,对每个周期内的趋势数据采用聚类处理,对电力用户群体进行周期演变分析,检测用户演变周期中的异常累积变化并进行异常判定和时间的定位。所提方法避开研究多种客观因素对用户用电水平的影响;通过周期演变分析,能有效降低误判可能性,提高异常判定的精度。
发明内容
本发明是一种电力用户异常用电行为检测辨识与时间定位方法,包含从采集系统中提取用户的用电负荷数据,并将用户的用电负荷数据转化为用电趋势,然后依次进行步骤1:对所述用户趋势进行周期分割;步骤2:计算电力用户对群体的隶属度;步骤3:计算用户群体的演变过渡矩阵;步骤4:计算电力用户演变过程核心度波动值;步骤5:异常用电用户辨识与定位。
步骤1进一步包括:
步骤1.1:把电力用户Vn的N天用电量序列LVn={L1,L2,L,LN},以T天用电量为一个周期,分割为a个周期,电力用户Vn第r(r∈[1,a])个周期的用电量序列为
步骤1.2:计算电力用户Vn每个周期r(1≤r≤a)内的用电趋势序列;第r个周期Vn的用电趋势序列为其中(r-1)T≤t≤rT。
步骤2进一步包括:
步骤2.1:每一个周期r(r∈[1,a])内电力用户用电趋势聚类形成Kr个群体,设第r个周期中Kr个群体的聚类中心分别为Vi,i∈[1,kr];
步骤2.2:计算每一个周期r(r∈[1,a])内每个用户Vn与周期内每一个群体的聚类中心Vi的用电趋势相似度simn,i,simn,i∈[0,1],其中 分别为周期r内电力用户Vn与聚类中心用户Vi的用电趋势序列;
步骤2.3:计算每一个周期r(r∈[1,a])内,电力用户Vn对第R(1≤R≤kr)个群体的隶属度pnR为:
步骤2.4:计算每一个周期r(r∈[1,a])内,电力用户Vn的用电趋势对Kr个群体的隶属度矩阵P(r),设共有M个用户,
步骤3进一步包括:第r(r∈[1,a])个周期内群体数为kr,隶属度矩阵P(r),第r+1(r+1∈[1,a])个周期群体数为kr+1,隶属度矩阵P(r+1),从P(r)至P(r+1)群体过渡矩阵为S(r),S(r)为Kr×Kr+1阶矩阵,
当Kr=Kr+1时,
当Kr≠Kr+1时,I:单位阵;C∈i;式中:
步骤4进一步包括:
步骤4.1:由第步骤2.4求得出第r个周期内电力用户Vn对Kr个群体的隶属度序列,
步骤4.2:计算用户Vn在第r周期对社群j的核心度ηnj(r): 为Pn(r)的均值
步骤4.3:计算电力用户Vn在第r个周期至第r+1个周期对第j个群体的核心度变化值,Δηnj(r)=|ηnj(r)(r+1)-ηnj(r)|;
步骤4.4:计算用户Vn由周期r演变至周期r+1阶段过程中,其用电趋势对所有群体的核心度变化值
步骤5进一步包括:
步骤5.1:Vn在第r演变周期可能存在间隔异常计算:
Vn在演变周期r至演变周期r+d(r+d∈(1,a])累积异常演变计算:
λ:异常累积系数,λ∈(0,1),且
步骤5.2:对的值进行降序排列,把前P%比例的用电用户判断为异常用电用户;
步骤5.3:对判定为异常用电的用户回溯检查每一演变周期内的间隔异常情况,对用电用户产生异常用电行为进行时间锁定。
附图说明
图1是电力用户异常用电行为的检测与时间定位方法的流程图;
图2是采用MATLAB计算处理得出的电力用户用电异常演变结果,图片截取了部分电力用户八个周期内的演变结果;
图3是第208号用户用电异常演变结果。
具体实施方式
为使得本发明的内容、效果更佳的清楚,结合图1对本发明的具体实施方法做进一步的阐述。
一种电力用户异常用电行为的检测与时间定位方法,步骤如下:
步骤1.用户用电趋势周期分割
1.1选取某市262个电力用户,385天用电量数据,每天一个数据,以5周(T=35)的用电量数据为一个演变周期,分割为a=11个演变周期。每个电力用户Vn第r(r∈[1,11])个周期的用电量序列为
1.2计算电力用户Vn每个周期r(r∈[1,11])内的用电趋势序列。第r个周期Vn的用电趋势序列为其中35(r-1)+1≤t≤35r。
步骤2.计算电力用户对群体的隶属度。
2.1每一个周期r(r∈[1,11])内电力用户用电趋势聚类形成Kr个群体。设第r个周期中Kr个群体的聚类中心分别为Vi,i∈[1.kr]。
2.2计算每一个周期r(r∈[1,11])内每个用户Vn与周期内每一个群体的聚类中心Vi的用电趋势相似度simn,i。simn,i∈[0,1]。其中 分别为周期r内电力用户Vn与聚类中心用户Vi的用电趋势序列。
2.3计算每一个周期r(r∈[1,11])内,电力用户Vn对第R(1≤R≤kr)个群体的隶属度pnR为:
2.4计算每一个周期r(r∈[1,11])内,262个电力用户的用电趋势对Kr个群体的隶属度矩阵P(r)。
步骤3.计算用户群体的演变过渡矩阵。
3.1第r(r∈[1,11])个周期内群体数为kr,隶属度矩阵P(r),第r+1(r+1∈[1,11])个周期群体数为kr+1,隶属度矩阵P(r+1),从P(r)至P(r+1)群体过渡矩阵为S(r),S(r)为Kr×Kr+1阶矩阵:
当Kr=Kr+1时,
当Kr≠Kr+1时,I:单位阵;C∈i。其中:
步骤4.计算电力用户演变过程核心度波动值。
4.1由2.4求得出第r个周期内电力用户Vn对Kr个群体的隶属度序列。
4.2计算用户Vn在第周期r对社群j的核心度ηnj(r): 为Pn(r)的均值
4.3计算电力用户Vn在第r个周期至第r+1个周期对第j个群体的核心度变化值,
Δηnj(r)=|ηnj(r)(r+1)-ηnj(r)|
4.4计算用户Vn由周期r演变至周期r+1阶段过程中,其用电趋势对所有群体的核心度变化值
步骤5.异常用电用户辨识与定位。
5.1Vn在第r(r∈[1,11])演变周期可能存在间隔异常计算:
Vn在演变周期r(r∈[1,11])至r+d(r+d∈(1,11])演变周期累积异常演变计算:
d取值[1,10],计算了电力用户从第1演变周期到第11演变周期的异常累积情况。λl为累计系数,取值为0.5。
5.2对的值进行降序排列,并把用户以前5%的比例输出并判定为异常用电用户。
5.3对异常用电用户的间隔异常和累积异常进行分析,锁定出现异常用电的时间范围。计算选取某直辖市电网262个电网大客户共385天的用电量数据,采样间隔为1天计算出262个用户中在11个周期的间隔异常和累积异常,定位出排列靠前的13个用电用户判定为异常用电用户,并计算锁定了异常行为的时间范围。图2是采用MATLAB计算处理得出的电力用户异常累积情况,图片截取了部分电力用户八个周期内的演变结果。图示颜色越重,则用户出现用电异常的可能性越大。图3示出第208号用户累积至第8、9演变周期被检测出存在异常用电行为,每个周期间隔异常显示在第8周期出现用电异常。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉该技术的人在本发明所揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求的保护范围为准。
Claims (6)
1.一种电力用户异常用电行为检测辨识与时间定位方法,包含从采集系统中提取用户的用电负荷数据,并将用户的用电负荷数据转化为用电趋势,其特征在于,还包括如下步骤:
步骤1:对用电趋势进行周期分割;
步骤2:计算电力用户对群体的隶属度;
步骤3:计算用户群体的演变过渡矩阵;
步骤4:计算电力用户演变过程核心度波动值;
步骤5:异常用电用户辨识与定位。
2.根据权利要求1所述的电力用户异常用电行为检测辨识与时间定位方法,其特征在于,所述步骤1进一步包括:
步骤1.1:把电力用户Vn的N天用电量序列以T天用电量为一个周期,分割为a个周期,电力用户Vn第r(r∈[1,a])个周期的用电量序列为
步骤1.2:计算电力用户Vn每个周期r(1≤r≤a)内的用电趋势序列;第r个周期Vn的用电趋势序列为其中
3.根据权利要求2所述的电力用户异常用电行为检测辨识与时间定位方法,其特征在于,所述步骤2进一步包括:
步骤2.1:每一个周期r(r∈[1,a])内电力用户用电趋势聚类形成Kr个群体,设第r个周期中Kr个群体的聚类中心分别为Vi,i∈[1,kr];
步骤2.2:计算每一个周期r(r∈[1,a])内每个用户Vn与周期内每一个群体的聚类中心Vi的用电趋势相似度simn,i,simn,i∈[0,1],其中 分别为周期r内电力用户Vn与聚类中心用户Vi的用电趋势序列;
步骤2.3:计算每一个周期r(r∈[1,a])内,电力用户Vn对第R(1≤R≤kr)个群体的隶属度pnR为:
步骤2.4:计算每一个周期r(r∈[1,a])内,电力用户Vn的用电趋势对Kr个群体的隶属度矩阵P(r),设共有M个用户,
4.根据权利要求3所述的电力用户异常用电行为检测辨识与时间定位方法,其特征在于:所述步骤3进一步包括:第r(r∈[1,a])个周期内群体数为kr,隶属度矩阵P(r),第r+1(r+1∈[1,a])个周期群体数为kr+1,隶属度矩阵P(r+1),从P(r)至P(r+1)群体过渡矩阵为S(r),S(r)为Kr×Kr+1阶矩阵,
当Kr=Kr+1时,
当Kr≠Kr+1时,I:单位阵;式中:
<mrow>
<msub>
<mi>H</mi>
<mrow>
<mi>K</mi>
<mi>r</mi>
<mo>,</mo>
<mi>K</mi>
<mi>r</mi>
</mrow>
</msub>
<mo>=</mo>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<mrow>
<mo><</mo>
<msub>
<mi>p</mi>
<mrow>
<mo>.</mo>
<mo>,</mo>
<mn>1</mn>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>r</mi>
<mo>)</mo>
</mrow>
<mo>,</mo>
<msub>
<mi>p</mi>
<mrow>
<mo>.</mo>
<mo>,</mo>
<mn>1</mn>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>r</mi>
<mo>)</mo>
</mrow>
<mo>></mo>
</mrow>
</mtd>
<mtd>
<mi>L</mi>
</mtd>
<mtd>
<mrow>
<mo><</mo>
<msub>
<mi>p</mi>
<mrow>
<mo>.</mo>
<mo>,</mo>
<msub>
<mi>K</mi>
<mi>r</mi>
</msub>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>r</mi>
<mo>)</mo>
</mrow>
<mo>,</mo>
<msub>
<mi>p</mi>
<mrow>
<mo>.</mo>
<mo>,</mo>
<mn>1</mn>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>r</mi>
<mo>)</mo>
</mrow>
<mo>></mo>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mi>M</mi>
</mtd>
<mtd>
<mi>O</mi>
</mtd>
<mtd>
<mi>M</mi>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo><</mo>
<msub>
<mi>p</mi>
<mrow>
<mo>.</mo>
<mo>,</mo>
<mn>1</mn>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>r</mi>
<mo>)</mo>
</mrow>
<mo>,</mo>
<msub>
<mi>p</mi>
<mrow>
<mo>.</mo>
<mo>,</mo>
<msub>
<mi>K</mi>
<mi>r</mi>
</msub>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>r</mi>
<mo>)</mo>
</mrow>
<mo>></mo>
</mrow>
</mtd>
<mtd>
<mi>L</mi>
</mtd>
<mtd>
<mrow>
<mo><</mo>
<msub>
<mi>p</mi>
<mrow>
<mo>.</mo>
<mo>,</mo>
<msub>
<mi>K</mi>
<mi>r</mi>
</msub>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>r</mi>
<mo>)</mo>
</mrow>
<mo>,</mo>
<msub>
<mi>p</mi>
<mrow>
<mo>.</mo>
<mo>,</mo>
<msub>
<mi>K</mi>
<mi>r</mi>
</msub>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>r</mi>
<mo>)</mo>
</mrow>
<mo>></mo>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>,</mo>
</mrow>
<mrow>
<msub>
<mi>H</mi>
<mrow>
<mi>K</mi>
<mi>r</mi>
<mo>,</mo>
<mi>K</mi>
<mi>r</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>=</mo>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<mrow>
<mo><</mo>
<msub>
<mi>p</mi>
<mrow>
<mo>.</mo>
<mo>,</mo>
<mn>1</mn>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>r</mi>
<mo>+</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>,</mo>
<msub>
<mi>p</mi>
<mrow>
<mo>.</mo>
<mo>,</mo>
<mn>1</mn>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>r</mi>
<mo>)</mo>
</mrow>
<mo>></mo>
</mrow>
</mtd>
<mtd>
<mi>L</mi>
</mtd>
<mtd>
<mrow>
<mo><</mo>
<msub>
<mi>p</mi>
<mrow>
<mo>.</mo>
<mo>,</mo>
<msub>
<mi>K</mi>
<mrow>
<mi>r</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>r</mi>
<mo>+</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>,</mo>
<msub>
<mi>p</mi>
<mrow>
<mo>.</mo>
<mo>,</mo>
<mn>1</mn>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>r</mi>
<mo>)</mo>
</mrow>
<mo>></mo>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mi>M</mi>
</mtd>
<mtd>
<mi>O</mi>
</mtd>
<mtd>
<mi>M</mi>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo><</mo>
<msub>
<mi>p</mi>
<mrow>
<mo>.</mo>
<mo>,</mo>
<mn>1</mn>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>r</mi>
<mo>+</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>,</mo>
<msub>
<mi>p</mi>
<mrow>
<mo>.</mo>
<mo>,</mo>
<msub>
<mi>K</mi>
<mi>r</mi>
</msub>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>r</mi>
<mo>)</mo>
</mrow>
<mo>></mo>
</mrow>
</mtd>
<mtd>
<mi>L</mi>
</mtd>
<mtd>
<mrow>
<mo><</mo>
<msub>
<mi>p</mi>
<mrow>
<mo>.</mo>
<mo>,</mo>
<msub>
<mi>K</mi>
<mrow>
<mi>r</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>r</mi>
<mo>+</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>,</mo>
<msub>
<mi>p</mi>
<mrow>
<mo>.</mo>
<mo>,</mo>
<msub>
<mi>K</mi>
<mi>r</mi>
</msub>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>r</mi>
<mo>)</mo>
</mrow>
<mo>></mo>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>.</mo>
</mrow>
5.根据权利要求4所述的电力用户异常用电行为检测辨识与时间定位方法,其特征在于,所述步骤4进一步包括:
步骤4.1:由第步骤2.4求得出第r个周期内电力用户Vn对Kr个群体的隶属度序列,
<mrow>
<msub>
<mi>P</mi>
<mi>n</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>r</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mrow>
<mo>(</mo>
<msub>
<mi>p</mi>
<mrow>
<mi>n</mi>
<mn>1</mn>
</mrow>
</msub>
<mo>(</mo>
<mi>r</mi>
<mo>)</mo>
<mo>,</mo>
<msub>
<mi>p</mi>
<mrow>
<mi>n</mi>
<mn>1</mn>
</mrow>
</msub>
<mo>(</mo>
<mi>r</mi>
<mo>)</mo>
<mo>,</mo>
<mi>L</mi>
<mo>,</mo>
<msub>
<mi>p</mi>
<mrow>
<msub>
<mi>nK</mi>
<mi>r</mi>
</msub>
</mrow>
</msub>
<mo>(</mo>
<mi>r</mi>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mo>;</mo>
</mrow>
步骤4.2:计算用户Vn在第r周期对社群j的核心度ηnj(r): 为Pn(r)的均值
步骤4.3:计算电力用户Vn在第r个周期至第r+1个周期对第j个群体的核心度变化值,Δηnj(r)=|ηnj(r)(r+1)-ηnj(r)|;
步骤4.4:计算用户Vn由周期r演变至周期r+1阶段过程中,其用电趋势对所有群体的核心度变化值
6.根据权利要求5所述的电力用户异常用电行为检测辨识与时间定位方法,其特征在于,步骤5进一步包括:
步骤5.1:Vn在第r演变周期可能存在间隔异常计算:
Vn在演变周期r至演变周期r+d(r+d∈(1,a])累积异常演变计算:
λ:异常累积系数,λ∈(0,1),且
步骤5.2:对的值进行降序排列,把前P%比例的用电用户判断为异常用电用户;
步骤5.3:对判定为异常用电的用户回溯检查每一演变周期内的间隔异常情况,对用电用户产生异常用电行为进行时间锁定。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710330865.8A CN107230013B (zh) | 2017-05-11 | 2017-05-11 | 一种无监督学习下配网用户异常用电辨识与时间定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710330865.8A CN107230013B (zh) | 2017-05-11 | 2017-05-11 | 一种无监督学习下配网用户异常用电辨识与时间定位方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107230013A true CN107230013A (zh) | 2017-10-03 |
CN107230013B CN107230013B (zh) | 2021-01-05 |
Family
ID=59934349
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710330865.8A Expired - Fee Related CN107230013B (zh) | 2017-05-11 | 2017-05-11 | 一种无监督学习下配网用户异常用电辨识与时间定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107230013B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108593990A (zh) * | 2018-06-04 | 2018-09-28 | 国网天津市电力公司 | 一种基于电能用户用电行为模式的窃电检测方法和应用 |
CN109636667A (zh) * | 2018-12-07 | 2019-04-16 | 国网江苏省电力有限公司扬州供电分公司 | 一种基于用户周用电特征的低压用户用电异常检测方法 |
CN110288383A (zh) * | 2019-05-31 | 2019-09-27 | 国网上海市电力公司 | 基于用户属性标签的群体行为配电网用电异常检测方法 |
CN110309134A (zh) * | 2019-05-31 | 2019-10-08 | 国网上海市电力公司 | 基于用电行为迁移与社群演化的配电网用电异常检测方法 |
CN110503111A (zh) * | 2019-08-23 | 2019-11-26 | 江苏方天电力技术有限公司 | 一种基于rgb色彩模式的用电异常行为可视化监控方法 |
CN110751354A (zh) * | 2018-07-24 | 2020-02-04 | 北京京东金融科技控股有限公司 | 一种异常用户的检测方法和装置 |
CN113592533A (zh) * | 2021-06-30 | 2021-11-02 | 国网上海市电力公司 | 一种基于无监督学习的异常用电检测方法及系统 |
CN117559407A (zh) * | 2023-11-15 | 2024-02-13 | 国网四川省电力公司营销服务中心 | 一种适用于新能源配网的异常用电行为定位方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0954728A (ja) * | 1995-08-16 | 1997-02-25 | Nec Corp | バス監視システム |
CN101299275A (zh) * | 2008-06-25 | 2008-11-05 | 北京中星微电子有限公司 | 一种目标检测方法、装置及一种监控系统 |
JP2012048598A (ja) * | 2010-08-30 | 2012-03-08 | Saxa Inc | 充電サービス予約システムおよび充電サービス予約方法 |
CN103941138A (zh) * | 2014-04-16 | 2014-07-23 | 华北电力大学 | Opgw线全线监测诊断系统及监测诊断方法 |
CN106529707A (zh) * | 2016-11-01 | 2017-03-22 | 华北电力大学(保定) | 一种负荷用电模式识别方法 |
-
2017
- 2017-05-11 CN CN201710330865.8A patent/CN107230013B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0954728A (ja) * | 1995-08-16 | 1997-02-25 | Nec Corp | バス監視システム |
CN101299275A (zh) * | 2008-06-25 | 2008-11-05 | 北京中星微电子有限公司 | 一种目标检测方法、装置及一种监控系统 |
JP2012048598A (ja) * | 2010-08-30 | 2012-03-08 | Saxa Inc | 充電サービス予約システムおよび充電サービス予約方法 |
CN103941138A (zh) * | 2014-04-16 | 2014-07-23 | 华北电力大学 | Opgw线全线监测诊断系统及监测诊断方法 |
CN106529707A (zh) * | 2016-11-01 | 2017-03-22 | 华北电力大学(保定) | 一种负荷用电模式识别方法 |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108593990A (zh) * | 2018-06-04 | 2018-09-28 | 国网天津市电力公司 | 一种基于电能用户用电行为模式的窃电检测方法和应用 |
CN110751354A (zh) * | 2018-07-24 | 2020-02-04 | 北京京东金融科技控股有限公司 | 一种异常用户的检测方法和装置 |
CN110751354B (zh) * | 2018-07-24 | 2024-03-05 | 京东科技控股股份有限公司 | 一种异常用户的检测方法和装置 |
CN109636667A (zh) * | 2018-12-07 | 2019-04-16 | 国网江苏省电力有限公司扬州供电分公司 | 一种基于用户周用电特征的低压用户用电异常检测方法 |
CN110288383B (zh) * | 2019-05-31 | 2024-02-02 | 国网上海市电力公司 | 基于用户属性标签的群体行为配电网用电异常检测方法 |
CN110309134A (zh) * | 2019-05-31 | 2019-10-08 | 国网上海市电力公司 | 基于用电行为迁移与社群演化的配电网用电异常检测方法 |
CN110288383A (zh) * | 2019-05-31 | 2019-09-27 | 国网上海市电力公司 | 基于用户属性标签的群体行为配电网用电异常检测方法 |
CN110503111A (zh) * | 2019-08-23 | 2019-11-26 | 江苏方天电力技术有限公司 | 一种基于rgb色彩模式的用电异常行为可视化监控方法 |
CN110503111B (zh) * | 2019-08-23 | 2022-04-15 | 江苏方天电力技术有限公司 | 一种基于rgb色彩模式的用电异常行为可视化监控方法 |
CN113592533A (zh) * | 2021-06-30 | 2021-11-02 | 国网上海市电力公司 | 一种基于无监督学习的异常用电检测方法及系统 |
CN113592533B (zh) * | 2021-06-30 | 2023-09-12 | 国网上海市电力公司 | 一种基于无监督学习的异常用电检测方法及系统 |
CN117559407A (zh) * | 2023-11-15 | 2024-02-13 | 国网四川省电力公司营销服务中心 | 一种适用于新能源配网的异常用电行为定位方法 |
CN117559407B (zh) * | 2023-11-15 | 2024-07-23 | 国网四川省电力公司营销服务中心 | 一种适用于新能源配网的异常用电行为定位方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107230013B (zh) | 2021-01-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107230013A (zh) | 一种无监督学习下配网用户异常用电辨识与时间定位方法 | |
CN110097297B (zh) | 一种多维度窃电态势智能感知方法、系统、设备及介质 | |
CN111461761A (zh) | 一种基于多维细粒度行为数据的居民用户画像方法 | |
CN108776939A (zh) | 用户用电行为的分析方法及系统 | |
CN110321919A (zh) | 一种用于低压单相用户户相关系辨识的聚类方法 | |
CN105117810A (zh) | 一种阶梯电价机制下居民用电中期负载预测方法 | |
CN110580585A (zh) | 一种基于负荷分解的电力用户聚类用电行为特性分析方法 | |
CN110866841A (zh) | 基于双聚类法的电力用户行业维度用电模式辨识分析方法及系统 | |
CN110321934A (zh) | 一种检测用户用电异常数据的方法及系统 | |
CN105260798A (zh) | 一种多维负荷特性分析的大数据挖掘器 | |
CN111324790A (zh) | 基于支持向量机分类的负荷类型识别方法 | |
CN113112177A (zh) | 一种基于混合指标的台区线损处理方法及系统 | |
Zhang et al. | A density-center-based automatic clustering algorithm for IoT data analysis | |
CN110309134A (zh) | 基于用电行为迁移与社群演化的配电网用电异常检测方法 | |
CN106204151A (zh) | 一种基于聚类算法的通信用户消费趋势检测方法 | |
CN110288383A (zh) | 基于用户属性标签的群体行为配电网用电异常检测方法 | |
CN111768066B (zh) | 基于融合特征的园区电热负荷耦合关系分析方法及装置 | |
CN112330136A (zh) | 一种大用户异常用电分析数据集的关联性挖掘方法和装置 | |
CN107292765A (zh) | 一种基于聚类算法的用户用电行为监测方法 | |
Shen et al. | A Novel AI-based Method for EV Charging Load Profile Clustering | |
Wang et al. | Optimization of clustering analysis of residential electricity consumption behavior | |
Chavda et al. | Electricity consumption patterns using SOM-based two-level clustering of residential households | |
CN116823338B (zh) | 电力用户经济属性缺失值的推断方法 | |
Salami et al. | Evaluating Power Consumption Model and Load Deficit at Different Temperatures Using Clustering Techniques and Presenting a Strategy for Changing Production Management | |
HU et al. | Non-intrusive load monitoring method based on SAGA-FCM algorithm |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210105 |