CN107230013A

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

Info

Publication number: CN107230013A
Application number: CN201710330865.8A
Authority: CN
Inventors: 许刚; 张丙旭; 吴舜裕; 陈海波; 田英杰
Original assignee: North China Electric Power University; State Grid Shanghai Electric Power Co Ltd
Current assignee: North China Electric Power University; State Grid Shanghai Electric Power Co Ltd
Priority date: 2017-05-11
Filing date: 2017-05-11
Publication date: 2017-10-03
Anticipated expiration: 2037-05-11
Also published as: CN107230013B

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

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

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V_n的N天用电量序列L_Vn＝{L₁,L₂,L,L_N}，以T天用电量为一个周期，分割为a个周期，电力用户V_n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V_n每个周期r(1≤r≤a)内的用电趋势序列；第r个周期V_n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K_r个群体，设第r个周期中K_r个群体的聚类中心分别为V_i，i∈[1，k_r]；

步骤2.2：计算每一个周期r(r∈[1,a])内每个用户V_n与周期内每一个群体的聚类中心V_i的用电趋势相似度sim_n,i，sim_n,i∈[0,1]，其中分别为周期r内电力用户V_n与聚类中心用户V_i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V_n对第R(1≤R≤k_r)个群体的隶属度p_nR为：

步骤2.4：计算每一个周期r(r∈[1,a])内，电力用户V_n的用电趋势对K_r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k_r，隶属度矩阵P(r)，第r+1(r+1∈[1,a])个周期群体数为k_r+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K_r×K_r+1阶矩阵，

当K_r＝K_r+1时，

当K_r≠K_r+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V_n对K_r个群体的隶属度序列，

步骤4.2：计算用户V_n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V_n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，Δη_nj(r)＝|η_nj(r)(r+1)-η_nj(r)|；

步骤4.4：计算用户V_n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：V_n在第r演变周期可能存在间隔异常计算：

V_n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V_n第r(r∈[1,11])个周期的用电量序列为

1.2计算电力用户V_n每个周期r(r∈[1,11])内的用电趋势序列。第r个周期V_n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K_r个群体的聚类中心分别为V_i，i∈[1.k_r]。

2.2计算每一个周期r(r∈[1,11])内每个用户V_n与周期内每一个群体的聚类中心V_i的用电趋势相似度sim_n,i。sim_n,i∈[0,1]。其中分别为周期r内电力用户V_n与聚类中心用户V_i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V_n对第R(1≤R≤k_r)个群体的隶属度p_nR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K_r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k_r，隶属度矩阵P(r)，第r+1(r+1∈[1,11])个周期群体数为k_r+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K_r×K_r+1阶矩阵：

当K_r＝K_r+1时，

当K_r≠K_r+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V_n对K_r个群体的隶属度序列。

4.2计算用户V_n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V_n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，

Δη_nj(r)＝|η_nj(r)(r+1)-η_nj(r)|

4.4计算用户V_n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。

5.1V_n在第r(r∈[1,11])演变周期可能存在间隔异常计算：

V_n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。λ_l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

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V_n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V_n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V_n每个周期r(1≤r≤a)内的用电趋势序列；第r个周期V_n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：

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k_r，隶属度矩阵P(r)，第r+1(r+1∈[1,a])个周期群体数为k_r+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K_r×K_r+1阶矩阵，

当K_r＝K_r+1时，

当K_r≠K_r+1时，I：单位阵；式中：

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4.2：计算用户V_n在第r周期对社群j的核心度η_nj(r)：为P_n(r)的均值

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：V_n在第r演变周期可能存在间隔异常计算：

V_n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