CN108198408A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN108198408A CN108198408A CN201711293950.8A CN201711293950A CN108198408A CN 108198408 A CN108198408 A CN 108198408A CN 201711293950 A CN201711293950 A CN 201711293950A CN 108198408 A CN108198408 A CN 108198408A
- Authority
- CN
- China
- Prior art keywords
- stealing
- related data
- user
- target user
- data
- 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
- 238000000034 method Methods 0.000 title claims abstract description 40
- 230000003044 adaptive effect Effects 0.000 title claims abstract description 27
- 238000012544 monitoring process Methods 0.000 title claims abstract description 24
- 238000011156 evaluation Methods 0.000 claims abstract description 41
- 238000012549 training Methods 0.000 claims abstract description 30
- 239000011159 matrix material Substances 0.000 claims abstract description 23
- 230000002159 abnormal effect Effects 0.000 claims description 35
- 230000005611 electricity Effects 0.000 claims description 31
- 238000004590 computer program Methods 0.000 claims description 20
- 241001269238 Data Species 0.000 claims description 12
- 238000000819 phase cycle Methods 0.000 claims description 7
- 230000032258 transport Effects 0.000 claims 1
- 230000003993 interaction Effects 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 7
- 238000007621 cluster analysis Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 238000007689 inspection Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- PBKSAWGZZXKEBJ-UHFFFAOYSA-N cyclopenta-1,3-diene;4-cyclopenta-2,4-dien-1-ylphenol;iron(2+) Chemical compound [Fe+2].C=1C=C[CH-]C=1.C1=CC(O)=CC=C1[C-]1C=CC=C1 PBKSAWGZZXKEBJ-UHFFFAOYSA-N 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000686 essence Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08C—TRANSMISSION SYSTEMS FOR MEASURED VALUES, CONTROL OR SIMILAR SIGNALS
- G08C25/00—Arrangements for preventing or correcting errors; Monitoring arrangements
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G08—SIGNALLING
- G08C—TRANSMISSION SYSTEMS FOR MEASURED VALUES, CONTROL OR SIMILAR SIGNALS
- G08C19/00—Electric signal transmission systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明适用于电量监测技术领域，提供了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，包括：获取训练样本，训练样本包括历史的相关数据，对相关数据进行聚类分组，生成相关数据对应的权重；获取目标用户的相关数据；根据目标用户的相关数据生成由第一数值和第二数值组成的二值矩阵，将权重与二值矩阵中对应元素值相乘，得到目标用户的相关数据对应的疑似窃电指数；将目标用户所有的疑似窃电指数相加，得到目标用户的窃电评价值。本发明实现了与用电信息采集系统的数据交互，能够精准的确定窃电用户，节省了劳动力，消除了现场窃电检查工作的安全隐患，提高了窃电检查的准确性和工作效率，进一步维护了国家利益和公司权益。
Description
技术领域
本发明属于电量监测技术领域，尤其涉及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。
背景技术
窃电指异常非法占用电能，以不交或者少交电费为目的，采用非法手段不计量或者少计量用电的行为。窃电手段多样性，但都以减少电能计量装置的计量示值为主要目的，而计量示值通过电能表和采集系统传送营销业务应用系统，因此，窃电的排查对象可通过电能表和采集系统相关数据来排查得出。窃电直接影响电力系统的应得利润，为保障公司合法经营权益，需严肃查处窃电、违约用电行为，堵漏增收，降本增效，维护国家利益和公司权益，形成依法用电的良好社会氛围。
目前，国内各网省公司的反窃电工作仍旧以人工判断为主，没有与大数据挖掘技术深度融合。用电信息采集系统中存在各类的大量窃电信息，但是各类信息数据的交互性不够，对窃电事件不能准确定位。
发明内容
有鉴于此，本发明实施例提供了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，旨在解决现有技术中窃电信息交互性差、对窃电事件不能准确定位的问题。
本发明实施例的第一方面提供了一种基于用电信息采集系统的自适应反窃电监控方法，包括：
获取训练样本，训练样本包括历史的相关数据，相关数据包括电流失流数据、电压断相数据、反向电量异常数据、相序异常数据、三相电流不平衡数据、台区小电量用户数量、线路线损率和行业数据；
对相关数据进行聚类分组，生成相关数据对应的权重；
获取目标用户的相关数据；
根据目标用户的相关数据生成由第一数值和第二数值组成的二值矩阵，第一数值用于表征目标用户的相关数据有异常，第二数值用于表征目标用户的相关数据无异常；
将权重与二值矩阵中对应元素值相乘，得到目标用户的相关数据对应的疑似窃电指数；
将目标用户所有的相关数据对应的疑似窃电指数相加，得到目标用户的窃电评价值。
本发明实施例的第二方面提供了一种基于用电信息采集系统的自适应反窃电监控系统，包括：
样本获取模块，用于获取训练样本，训练样本包括历史的相关数据，相关数据包括电流失流数据、电压断相数据、反向电量异常数据、相序异常数据、三相电流不平衡数据、台区小电量用户数量、线路线损率和行业数据；
权重生成模块，用于对相关数据进行聚类分组，生成相关数据对应的权重；
相关数据获取模块，用于获取目标用户的相关数据；
二值矩阵生成模块，用于根据目标用户的相关数据生成由第一数值和第二数值组成的二值矩阵，第一数值用于表征目标用户的相关数据有异常，第二数值用于表征目标用户的相关数据无异常；
疑似窃电指数生成模块，用于将权重与二值矩阵中对应元素值相乘，得到目标用户的相关数据对应的疑似窃电指数；
窃电评价值生成模块，用于将目标用户所有的相关数据对应的疑似窃电指数相加，得到目标用户的窃电评价值。
本发明实施例的第三方面提供了一种服务器，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上所述基于用电信息采集系统的自适应反窃电监控方法的步骤。
本发明实施例的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上所述基于用电信息采集系统的自适应反窃电监控方法的步骤。
本发明实施例与现有技术相比存在的有益效果是：获取训练样本，训练样本包括历史的相关数据，对相关数据进行聚类分组，并计算相关数据在对应的聚类分组中的最大概率，生成相关数据对应的权重；获取目标用户的相关数据；根据目标用户的相关数据生成由第一数值和第二数值组成的二值矩阵，将权重与二值矩阵中对应元素值相乘，得到目标用户的相关数据对应的疑似窃电指数；将目标用户所有的相关数据对应的疑似窃电指数相加，得到目标用户的窃电评价值。本发明实现了与用电信息采集系统的数据交互，通过获取用电信息采集系统的窃电信息，精准的确定窃电用户，节省了劳动力，消除了现场窃电检查工作的安全隐患，提高了窃电检查的准确性和工作效率，从而进一步维护了国家利益和公司权益。
附图说明
为了更清楚地说明本发明实施例中的技术方案，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性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明的一个实施例提供的一种基于用电信息采集系统的自适应反窃电监控方法的实现流程示意图；
图2是本发明的一个实施例提供的一种基于用电信息采集系统的自适应反窃电监控方法的实现流程示意图；
图3是本发明的一个实施例提供的一种基于用电信息采集系统的自适应反窃电监控方法的实现流程示意图；
图4是本发明的一个实施例提供的一种基于用电信息采集系统的自适应反窃电监控系统的结构框图；
图5是本发明的一个实施例提供的一种基于用电信息采集系统的自适应反窃电监控系统的结构框图；
图6是本发明的一个实施例提供的一种基于用电信息采集系统的自适应反窃电监控系统的结构框图；
图7是本发明实施例提供服务器的的示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。
本发明的说明书和权利要求书及上述附图中的术语“包括”以及它们任何变形，意图在于覆盖不排他的包含。例如包含一系列步骤或单元的过程、方法或系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。此外，术语“第一”、“第二”和“第三”等是用于区别不同对象，而非用于描述特定顺序。
为了说明本发明所述的技术方案，下面通过具体实施例来进行说明。
实施例1：
图1示出了本发明的一个实施例提供的一种基于用电信息采集系统的自适应反窃电监控方法的实现流程，本实施例的流程执行主体可以是服务器，其过程详述如下：
步骤S101：获取训练样本，训练样本包括历史的相关数据，相关数据包括电流失流数据、电压断相数据、反向电量异常数据、相序异常数据、三相电流不平衡数据、台区小电量用户数量、线路线损率和行业数据。
在本实施例中，为了建立电量异常的相关数据和反窃电的关联性，首先需要通过大量的训练样本去训练分类器，从而利用分类器对训练样本的种类进行分类。
在本实施例中，选取的训练样本为用电信息采集系统窃电的历史的相关数据，用户用电信息采集系统是通过对配电变压器和终端用户的用电数据的采集和分析，实现用电监控、推行阶梯定价、负荷管理、线损分析，最终达到自动抄表、错峰用电、用电检查(防窃电)、负荷预测和节约用电成本等目的。用电信息采集系统中存在大量的窃电的相关数据，但是通过用电信息采集系统无法准确的判断该异常数据是否导致窃电，且无法准确的判断窃电的用户，所以需要利用本系统完成对异常信息的分析和判定。
在本实施例中，训练样本包括的相关数据有电流失流数据、电压断相数据、反向电量异常数据、相序异常数据、三相电流不平衡数据、台区小电量用户数量、线路线损率和行业数据，选取的数据均为存在异常的数据，从而训练分类器。
步骤S102：对相关数据进行聚类分组，生成相关数据对应的权重。
在本实施例中，首先对相关数据利用分类器进行聚类分组。而聚类分析是一种根据数据本身结构特征对数据进行分类的方法，通过聚类分析，可以把数据分成若干个类别，使得类别内部的差异尽可能的小，类别间的差异尽可能的大。聚类分析按照研究对象的不同，一般分为样本聚类和变量聚类；按照分析方法不同，一般分为分层聚类、快速聚类和两步聚类。
在本实施例中，利用两步聚类的方法将相关数据进行聚类分组，两步聚类的主要思想是先以距离为依据形成相应的聚类特征树节点，构建聚类特征树，然后通过信息准则确定最优分组个数对各个节点进行分组。本实施例中，将上述相关数据分为连续变量异常分组、电流失流聚类分组、小电量聚类分组、电能表开盖聚类分组、线路线损率聚类分组和行业分类聚类分组。然后对各个相关数据进行聚类分析。
在本实施例中，根据贝叶斯分类方法对相关数据进行聚类分析，贝叶斯分类的分类原理是通过某对象的先验概率，利用贝叶斯公式计算出其后验概率，即该对象属于某一类的概率，选择具有最大后验概率的类作为该对象所属的类。
在本实施例中，对相关数据进行聚类分析的具体方法如下：
首先获得贝叶斯分类方法的后验概率公式：
上式中H代表相关数据，X代表相关数据聚类组，假设P(HX)P(X)取最大值，在本实施例中，以最大发生概率确定各相关数据的权重。首先获得最大的相关数据的样本数量百分比的聚类分组，按照公式计算各聚类分组的各相关数据的样本数量的百分比之和，式中，p为该聚类分组中各相关数据的样本数量占总训练样本的样本数量的百分比。求得的哪个聚类分组的y值最大，则确定该聚类分组为最大的相关数据的样本数量百分比的聚类分组，以该聚类分组中的相关数据的最大发生概率作为所有相关数据的最大发生概率。由于本实施例选取的相关数据为存在异常的相关数据，所以P(H)＝1，求各个相关数据的最大发生概率即P(XH)。也就是求式中，Xy为最大相关数据聚类分组中某一相关数据样本的数量，为最大相关数据的样本数量百分比的聚类分组所有相关数据的样本数量，由此可以求得所有相关数据的最大发生概率。而相关数据的最大发生概率即为相关数据的权重。
步骤S103：获取目标用户的相关数据。
在本发明的一个实施例中，对用户进行窃电事件的判定，首先需要获取待检查的目标用户的相关数据。用电信息采集系统可以检测到某些用户的数据发生异常，将数据发生异常的用户作为目标用户，获取目标用户的相关数据。
步骤S104：根据目标用户的相关数据生成由第一数值和第二数值组成的二值矩阵，第一数值用于表征目标用户的相关数据有异常，第二数值用于表征目标用户的相关数据无异常。
在本实施例中，将目标用户的相关数据生成1×n的矩阵，n表示相关数据的类别数。在一个具体的场景中，将存在异常的相关数据对应的元素赋值为1，将不存在异常的相关数据对应的元素赋值为0，从而直观的表示出该目标用户的相关数据及异常情况。
步骤S105：将权重与二值矩阵中对应元素值相乘，得到目标用户的相关数据对应的疑似窃电指数。
步骤S106：将目标用户所有的相关数据对应的疑似窃电指数相加，得到目标用户的窃电评价值。
在本实施例中，将所有的疑似窃电指数相加，则可得到目标用户的窃电评价值，通过窃电评价值的大小可判定该目标用户是否存在窃电现象。
从上述实施例可知，本发明实施例获取训练样本，训练样本包括历史的相关数据，对相关数据进行聚类分组，并计算相关数据在对应的聚类分组中的最大概率，生成相关数据对应的权重；获取目标用户的相关数据；根据目标用户的相关数据生成由第一数值和第二数值组成的二值矩阵，将权重与二值矩阵中对应元素值相乘，得到目标用户的相关数据对应的疑似窃电指数；将目标用户所有的相关数据对应的疑似窃电指数相加，得到目标用户的窃电评价值。本发明实现了与用电信息采集系统的数据交互，通过获取用电信息采集系统的窃电信息，精准的确定窃电用户，提高了窃电检查的准确性和检查效率，从而维护了国家利益和公司权益。
图2示出了本发明的一个实施例提供的一种基于用电信息采集系统的自适应反窃电监控方法的实现流程，在本发明的一个实施例中，还包括：
步骤S201：当窃电评价值小于或等于第一阈值时，判定目标用户为怀疑用户。
在本实施例中，通过设定第一阈值和第二阈值，从而判断评价值的大小，当窃电评价值小于或等于第一阈值时，说明该窃电评价值过小，暂时判定为怀疑用户，并不能判定该用户存在窃电现象。
步骤S202：当窃电评价值大于第一阈值且小于或等于第二阈值时，判定目标用户为异常用户。
在本实施例中，当窃电评价值大于第一阈值且小于或等于第二阈值时，判定目标用户为异常用户，可以获取该用户的电压、电流和功率曲线等辅助数据进行二次判断，并对该异常用户的异常数据相关事件进行及时处理。
步骤S203：当窃电评价值大于第二阈值时，判定目标用户为疑似窃电用户。
在本实施例中，当窃电评价值大于第二阈值时，则不需要通过辅助数据就可判定目标用户为疑似窃电用户，判定为疑似窃电用户后可前去实地调查，并进行相应的后续处理。
从上述实施例可知，通过设置第一阈值和第二阈值，对目标用户的窃电评价值的大小进行判断并做出不同的处理，从而减小了工作人员的工作量，提高了窃电检查的准确性和检查效率。
如图3所示，在本发明的一个实施例中，所述自适应反窃电监控方法还包括：
步骤S301：将疑似窃电用户的用户编号、台区编号、相关数据、疑似窃电指数及窃电评价值生成疑似窃电用户窃电明细。
步骤S302：将疑似窃电用户窃电明细发送给客户端，以使客户端显示疑似窃电用户窃电明细。
在本实施例中，获取疑似窃电用户的用户编号、台区编号、相关数据、疑似窃电指数及窃电评价值，生成疑似窃电用户窃电明细，并发送给客户端进行图形化展示，数据定时更新，工作人员可以通过账号密码登录客户端进行查询，并可直观的了解到疑似窃电用户的相关数据的疑似窃电指数，并可通过用户编号查询到该疑似窃电用户的具体位置，户主信息及联系方式，有利于工作人员对疑似窃电用户的窃电信息进行进一步的核实。
在本发明的一个实施例中，可以获取怀疑用户的数据明细和异常用户的数据明细推送给客户端，以使工作人员能够及时发现潜在的窃电用户，或者根据怀疑用户的数据明细和异常用户的异常数据发现存在异常的用户并进行实地查探，从而发现用户用电存在的隐患。
从上述实施例可知，本发明实施例实现了窃电信息的图形化展示，使工作人员能够直观的查询疑似窃电用户的窃电明细，减小了工作人员的工作量，进一步提高了窃电检查的检查效率。
在一个实施例中，在获取训练样本之前，还包括：获取权重更新时间；当每到达所述权重更新时间时，重新获取训练样本。
在本实施例中，根据不同时期用电负荷以及专家库中的确认窃电用户相关信息，对相关数据的权重与相关数据的关联开展重新赋值计算工作，使其适应不同时期用电负荷用户的窃电查处功能，提高窃电查处的精准性。
在一个实施例中，获取目标用户的目标相关数据之前还包括：发送获取指令，所述获取指令包括查询时间和查询区域，所述获取指令用于指示用电信息采集系统根据所述获取指令的查询时间和查询区域，查询相关的目标用户的相关数据。
在本实施例中，相关数据的获取主要依靠用电信息采集系统，能够实时的获取异常的相关数据，从而提高数据的处理能力，进一步提高窃电查处的准确性。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
实施例2：
如图4所示，本发明的一个实施例提供的一种基于用电信息采集系统的自适应反窃电监控系统1000，用于执行图1所对应的实施例中的方法步骤，其包括：
样本获取模块1010，用于获取训练样本，训练样本包括历史的相关数据，相关数据包括电流失流数据、电压断相数据、反向电量异常数据、相序异常数据、三相电流不平衡数据、台区小电量用户数量、线路线损率和行业数据；
权重生成模块1020，用于对相关数据进行聚类分组，并计算相关数据在对应的聚类分组中的最大概率，生成相关数据对应的权重；
相关数据获取模块1030，用于获取目标用户的相关数据；
二值矩阵生成模块1040，用于根据目标用户的相关数据生成由第一数值和第二数值组成的二值矩阵，第一数值用于表征目标用户的相关数据有异常，第二数值用于表征目标用户的相关数据无异常；
疑似窃电指数生成模块1050，用于将权重与二值矩阵中对应元素值相乘，得到目标用户的相关数据对应的疑似窃电指数；
窃电评价值生成模块1060，用于将目标用户所有的相关数据对应的疑似窃电指数相加，得到目标用户的窃电评价值。
从上述实施例可知，本发明实施例获取训练样本，训练样本包括历史的相关数据，对相关数据进行聚类分组，并计算相关数据在对应的聚类分组中的最大概率，生成相关数据对应的权重；获取目标用户的相关数据；根据目标用户的相关数据生成由第一数值和第二数值组成的二值矩阵，将权重与二值矩阵中对应元素值相乘，得到目标用户的相关数据对应的疑似窃电指数；将目标用户所有的相关数据对应的疑似窃电指数相加，得到目标用户的窃电评价值。本发明实现了与用电信息采集系统的数据交互，通过获取用电信息采集系统的窃电信息，精准的确定窃电用户，提高了窃电检查的准确性和检查效率，从而维护了国家利益和公司权益。
如图5所示，在本发明的一个实施例中，自适应反窃电监控系统1000还包括用于执行图2所对应的实施例中的方法步骤的结构，其包括：
怀疑用户判定模块1070，用于当窃电评价值小于或等于第一阈值时，判定目标用户为怀疑用户；
异常用户判定模块1080，用于当窃电评价值大于第一阈值且小于或等于第二阈值时，判定目标用户为异常用户；
疑似窃电用户判定模块1090，用于当窃电评价值大于第二阈值时，判定目标用户为疑似窃电用户。
从上述实施例可知，通过设置第一阈值和第二阈值，对目标用户的窃电评价值的大小进行判断并做出不同的处理，从而减小了工作人员的工作量，提高了窃电检查的准确性和检查效率。
如图6所示，在本发明的一个实施例中，自适应反窃电监控系统1000还包括用于执行图3所对应的实施例中的方法步骤的结构，其包括：
疑似窃电用户窃电明细生成模块1100，用于将疑似窃电用户的用户编号、台区编号、相关数据、疑似窃电指数及窃电评价值生成疑似窃电用户窃电明细；
疑似窃电用户窃电明细发送模块1110，用于将疑似窃电用户窃电明细发送给客户端，以使客户端显示疑似窃电用户窃电明细。
从上述实施例可知，本发明实施例实现了窃电信息的图形化展示，使工作人员能够直观的查询疑似窃电用户的窃电明细，减小了工作人员的工作量，进一步提高了窃电检查的检查效率。
实施例3：
本发明实施例还提供了一种服务器，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如实施例1中所述的各实施例中的步骤，例如图1所示的步骤S101至步骤S106。或者，所述处理器执行所述计算机程序时实现如实施例2中所述的各装置实施例中的各模块的功能，例如图4所示的模块1010至1060的功能。
所述服务器可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述服务器可包括，但不仅限于，处理器、存储器。例如所述服务器还可以包括输入输出设备、网络接入设备、总线等。
所称处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器可以是所述服务器的内部存储单元，例如服务器的硬盘或内存。所述存储器也可以是所述服务器的外部存储设备，例如所述服务器上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器还可以既包括服务器的内部存储单元也包括外部存储设备。所述存储器用于存储所述计算机程序以及所述服务器所需的其他程序和数据。所述存储器还可以用于暂时地存储已经输出或者将要输出的数据。
实施例4：
本发明实施例还提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时实现如实施例1中所述的各实施例中的步骤，例如图1所示的步骤S101至步骤S106。或者，所述计算机程序被处理器执行时实现如实施例2中所述的各装置实施例中的各模块的功能，例如图4所示的模块1010至1060的功能。
所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括是电载波信号和电信信号。
本发明实施例方法中的步骤可以根据实际需要进行顺序调整、合并和删减。
本发明实施例系统中的模块或单元可以根据实际需要进行合并、划分和删减。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于用电信息采集系统的自适应反窃电监控方法，其特征在于，所述方法应用于服务器，包括：
获取训练样本，所述训练样本包括历史的相关数据，所述相关数据包括电流失流数据、电压断相数据、反向电量异常数据、相序异常数据、三相电流不平衡数据、台区小电量用户数量、线路线损率和行业数据；
对相关数据进行聚类分组，生成所述相关数据对应的权重；
获取目标用户的相关数据；
根据所述目标用户的相关数据生成由第一数值和第二数值组成的二值矩阵，所述第一数值用于表征所述目标用户的相关数据有异常，所述第二数值用于表征所述目标用户的相关数据无异常；
将所述权重与所述二值矩阵中对应元素值相乘，得到目标用户的相关数据对应的疑似窃电指数；
将所述目标用户所有的相关数据对应的疑似窃电指数相加，得到所述目标用户的窃电评价值。
2.如权利要求1所述的一种基于用电信息采集系统的自适应反窃电监控方法，其特征在于，所述将所述目标用户所有的相关数据的疑似窃电指数相加，得到所述目标用户的窃电评价值后，还包括：
当所述窃电评价值小于或等于第一阈值时，判定所述目标用户为怀疑用户；
当所述窃电评价值大于第一阈值且小于或等于第二阈值时，判定所述目标用户为异常用户；
当所述窃电评价值大于第二阈值时，判定所述目标用户为疑似窃电用户。
3.如权利要求2所述的一种基于用电信息采集系统的自适应反窃电监控方法，其特征在于，还包括：
将所述疑似窃电用户的用户编号、台区编号、相关数据、疑似窃电指数及窃电评价值生成疑似窃电用户窃电明细；
将所述疑似窃电用户窃电明细发送给客户端，以使所述客户端显示所述疑似窃电用户窃电明细。
4.如权利要求1所述的一种基于用电信息采集系统的自适应反窃电监控方法，其特征在于，所述获取训练样本之前，还包括：
获取权重更新时间；
当每到达所述权重更新时间时，重新获取训练样本。
5.如权利要求1所述的一种基于用电信息采集系统的自适应反窃电监控方法，其特征在于，所述获取目标用户的相关数据之前，包括：
发送获取指令，所述获取指令包括查询时间和查询区域，所述获取指令用于指示用电信息采集系统根据所述获取指令的查询时间和查询区域，查询相关的目标用户的相关数据。
6.一种基于用电信息采集系统的自适应反窃电监控系统，其特征在于，包括：
样本获取模块，用于获取训练样本，所述训练样本包括历史的相关数据，所述相关数据包括电流失流数据、电压断相数据、反向电量异常数据、相序异常数据、三相电流不平衡数据、台区小电量用户数量、线路线损率和行业数据；
权重生成模块，用于对相关数据进行聚类分组，生成所述相关数据对应的权重；
相关数据获取模块，用于获取目标用户的相关数据；
二值矩阵生成模块，用于根据所述目标用户的相关数据生成由第一数值和第二数值组成的二值矩阵，所述第一数值用于表征所述目标用户的相关数据有异常，所述第二数值用于表征所述目标用户的相关数据无异常；
疑似窃电指数生成模块，用于将所述权重与所述二值矩阵中对应元素值相乘，得到目标用户的相关数据对应的疑似窃电指数；
窃电评价值生成模块，用于将所述目标用户所有的相关数据对应的疑似窃电指数相加，得到所述目标用户的窃电评价值。
7.如权利要求6所述的一种基于用电信息采集系统的自适应反窃电监控系统，其特征在于，在所述窃电评价值生成模块之后，还包括：
怀疑用户判定模块，用于当所述窃电评价值小于或等于第一阈值时，判定所述目标用户为怀疑用户；
异常用户判定模块，用于当所述窃电评价值大于第一阈值且小于或等于第二阈值时，判定所述目标用户为异常用户；
疑似窃电用户判定模块，用于当所述窃电评价值大于第二阈值时，判定所述目标用户为疑似窃电用户。
8.如权利要求7所述的一种基于用电信息采集系统的自适应反窃电监控系统，其特征在于，还包括：
疑似窃电用户窃电明细生成模块，用于将所述疑似窃电用户的用户编号、台区编号、相关数据、疑似窃电指数及窃电评价值生成疑似窃电用户窃电明细；
疑似窃电用户窃电明细发送模块，用于将所述疑似窃电用户窃电明细发送给客户端，以使所述客户端显示所述疑似窃电用户窃电明细。
9.一种服务器，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至5任一项所述方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至5任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711293950.8A CN108198408B (zh) | 2017-12-08 | 2017-12-08 | 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 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711293950.8A CN108198408B (zh) | 2017-12-08 | 2017-12-08 | 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 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108198408A true CN108198408A (zh) | 2018-06-22 |
| CN108198408B CN108198408B (zh) | 2020-06-26 |
Family
ID=62573658
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711293950.8A Active CN108198408B (zh) | 2017-12-08 | 2017-12-08 | 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 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108198408B (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109213787A (zh) * | 2018-11-07 | 2019-01-15 | 闫福录 | 一种集成特征库的防窃电算法芯片及防窃电方法 |
| CN109447496A (zh) * | 2018-11-08 | 2019-03-08 | 国网河北省电力有限公司电力科学研究院 | 窃电行为判定方法及终端设备 |
| CN109615555A (zh) * | 2018-08-01 | 2019-04-12 | 美林数据技术股份有限公司 | 基于集成学习算法的用户异常用电行为识别方法及系统 |
| CN110070256A (zh) * | 2019-02-28 | 2019-07-30 | 国网浙江省电力有限公司 | 基于critic方法的零电量用户排查优先度权重计算方法 |
| CN110634080A (zh) * | 2018-06-25 | 2019-12-31 | 中兴通讯股份有限公司 | 异常用电检测方法、装置、设备及计算机可读存储介质 |
| CN112614012A (zh) * | 2020-12-11 | 2021-04-06 | 国网北京市电力公司 | 用户窃电识别方法及装置 |
| CN118017698A (zh) * | 2024-04-09 | 2024-05-10 | 河北雄安亿晶云科技有限公司 | 一种用电终端监测系统、方法、电子设备及存储介质 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105023042A (zh) * | 2015-07-10 | 2015-11-04 | 国家电网公司 | 基于大数据神经网络算法的用户窃电嫌疑分析装置及方法 |
| CN105205531A (zh) * | 2014-06-30 | 2015-12-30 | 国家电网公司 | 一种基于机器学习的反窃电预测方法及装置 |
| CN106156269A (zh) * | 2016-06-01 | 2016-11-23 | 国网河北省电力公司电力科学研究院 | 一种反窃电精准定位在线监测方法 |
| CN106780121A (zh) * | 2016-12-06 | 2017-05-31 | 广州供电局有限公司 | 一种基于用电负荷模式分析的用电异常识别方法 |
| CN106845107A (zh) * | 2017-01-19 | 2017-06-13 | 中国南方电网有限责任公司 | 基于信赖域算法的用户窃电概率预测方法、装置及设备 |
| CN107169145A (zh) * | 2017-06-19 | 2017-09-15 | 武汉大学 | 一种基于聚类算法的用户窃电严重等级检测的方法 |
| CN107221927A (zh) * | 2017-05-23 | 2017-09-29 | 国电南瑞三能电力仪表(南京)有限公司 | 一种基于量化评估模型窃电嫌疑分析算法的反窃电分析方法 |
-
2017
- 2017-12-08 CN CN201711293950.8A patent/CN108198408B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105205531A (zh) * | 2014-06-30 | 2015-12-30 | 国家电网公司 | 一种基于机器学习的反窃电预测方法及装置 |
| CN105023042A (zh) * | 2015-07-10 | 2015-11-04 | 国家电网公司 | 基于大数据神经网络算法的用户窃电嫌疑分析装置及方法 |
| CN106156269A (zh) * | 2016-06-01 | 2016-11-23 | 国网河北省电力公司电力科学研究院 | 一种反窃电精准定位在线监测方法 |
| CN106780121A (zh) * | 2016-12-06 | 2017-05-31 | 广州供电局有限公司 | 一种基于用电负荷模式分析的用电异常识别方法 |
| CN106845107A (zh) * | 2017-01-19 | 2017-06-13 | 中国南方电网有限责任公司 | 基于信赖域算法的用户窃电概率预测方法、装置及设备 |
| CN107221927A (zh) * | 2017-05-23 | 2017-09-29 | 国电南瑞三能电力仪表(南京)有限公司 | 一种基于量化评估模型窃电嫌疑分析算法的反窃电分析方法 |
| CN107169145A (zh) * | 2017-06-19 | 2017-09-15 | 武汉大学 | 一种基于聚类算法的用户窃电严重等级检测的方法 |
Non-Patent Citations (2)
| Title |
|---|
| 丁浩等: ""基于朴素贝叶斯分类器的电力系统信誉评级研究"", 《长江大学学报（自科版）》 * |
| 王红等: "《概率论与数理统计（第2版）》", 31 August 2016 * |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110634080A (zh) * | 2018-06-25 | 2019-12-31 | 中兴通讯股份有限公司 | 异常用电检测方法、装置、设备及计算机可读存储介质 |
| CN109615555A (zh) * | 2018-08-01 | 2019-04-12 | 美林数据技术股份有限公司 | 基于集成学习算法的用户异常用电行为识别方法及系统 |
| CN109213787A (zh) * | 2018-11-07 | 2019-01-15 | 闫福录 | 一种集成特征库的防窃电算法芯片及防窃电方法 |
| CN109213787B (zh) * | 2018-11-07 | 2022-03-08 | 闫福录 | 一种集成特征库的防窃电算法芯片及防窃电方法 |
| CN109447496A (zh) * | 2018-11-08 | 2019-03-08 | 国网河北省电力有限公司电力科学研究院 | 窃电行为判定方法及终端设备 |
| CN109447496B (zh) * | 2018-11-08 | 2020-06-26 | 国网河北省电力有限公司电力科学研究院 | 窃电行为判定方法及终端设备 |
| CN110070256A (zh) * | 2019-02-28 | 2019-07-30 | 国网浙江省电力有限公司 | 基于critic方法的零电量用户排查优先度权重计算方法 |
| CN110070256B (zh) * | 2019-02-28 | 2023-12-08 | 国网浙江省电力有限公司 | 基于critic方法的零电量用户排查优先度权重计算方法 |
| CN112614012A (zh) * | 2020-12-11 | 2021-04-06 | 国网北京市电力公司 | 用户窃电识别方法及装置 |
| CN118017698A (zh) * | 2024-04-09 | 2024-05-10 | 河北雄安亿晶云科技有限公司 | 一种用电终端监测系统、方法、电子设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108198408B (zh) | 2020-06-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108198408A (zh) | 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 | |
| CN110097297B (zh) | 一种多维度窃电态势智能感知方法、系统、设备及介质 | |
| Viegas et al. | Solutions for detection of non-technical losses in the electricity grid: A review | |
| Angelos et al. | Detection and identification of abnormalities in customer consumptions in power distribution systems | |
| Biswas et al. | Electricity theft pinpointing through correlation analysis of master and individual meter readings | |
| CN111275333B (zh) | 污染数据处理方法和装置 | |
| Bisset et al. | Monitoring and auditing of impacts | |
| Gaur et al. | Performance evaluation of techniques for identifying abnormal energy consumption in buildings | |
| CN111008193B (zh) | 一种数据清洗与质量评价方法及系统 | |
| CN110288039B (zh) | 基于用户用电负荷特征窃电检测方法 | |
| Cui et al. | Two-step electricity theft detection strategy considering economic return based on convolutional autoencoder and improved regression algorithm | |
| CN110222991A (zh) | 基于rf-gbdt的计量装置故障诊断方法 | |
| CN105320887A (zh) | 一种基于静态特征提取和选择的Android恶意应用检测方法 | |
| Jokar et al. | Intrusion detection in advanced metering infrastructure based on consumption pattern | |
| CN114094705A (zh) | 一种基于线损和用户用电量的低压台区窃电监控系统 | |
| Amara korba et al. | Smart grid energy fraud detection using SVM | |
| CN113392910A (zh) | 一种判断违约用电与窃电的多维度智能分析经验算法和分类算法 | |
| CN108072858B (zh) | 电能表质量管理方法、系统及终端设备 | |
| CN106685086B (zh) | 远程用电管理系统 | |
| CN115049410A (zh) | 窃电行为识别方法、装置、电子设备及计算机可读存储介质 | |
| Yip et al. | Detection of energy theft and metering defects in advanced metering infrastructure using analytics | |
| Fogliatto et al. | Power distribution system interruption duration model using reliability analysis regression | |
| CN112511503A (zh) | 提高智能电表安全性的方法及系统、设备及存储介质 | |
| CN117235797A (zh) | 大数据资源访问智能管理方法及装置、设备、系统 | |
| Lehri et al. | A survey of energy theft detection approaches in smart meters |
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 | ||
| CP01 | Change in the name or title of a patent holder |
Address after: 050011 no.238, TIYU South Street, Shijiazhuang City, Hebei Province Patentee after: STATE GRID HEBEI ELECTRIC POWER Research Institute Patentee after: STATE GRID CORPORATION OF CHINA Patentee after: STATE GRID HEBEI ENERGY TECHNOLOGY SERVICE Co.,Ltd. Address before: 050011 no.238, TIYU South Street, Shijiazhuang City, Hebei Province Patentee before: ELECTRIC POWER RESEARCH INSTITUTE, STATE GRID HEBEI ELECTRIC POWER SUPPLY Co.,Ltd. Patentee before: State Grid Corporation of China Patentee before: STATE GRID HEBEI ENERGY TECHNOLOGY SERVICE Co.,Ltd. |
|
| CP01 | Change in the name or title of a patent holder | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20210927 Address after: 050021 No. 238 South Sports street, Hebei, Shijiazhuang Patentee after: STATE GRID HEBEI ELECTRIC POWER Research Institute Patentee after: Marketing service center of State Grid Hebei Electric Power Co.,Ltd. Patentee after: STATE GRID CORPORATION OF CHINA Patentee after: STATE GRID HEBEI ENERGY TECHNOLOGY SERVICE Co.,Ltd. Address before: 050011 no.238, TIYU South Street, Shijiazhuang City, Hebei Province Patentee before: STATE GRID HEBEI ELECTRIC POWER Research Institute Patentee before: STATE GRID CORPORATION OF CHINA Patentee before: STATE GRID HEBEI ENERGY TECHNOLOGY SERVICE Co.,Ltd. |
|
| TR01 | Transfer of patent right |