CN108490288B - 一种窃电检测方法及系统 - Google Patents
一种窃电检测方法及系统 Download PDFInfo
- Publication number
- CN108490288B CN108490288B CN201810194723.8A CN201810194723A CN108490288B CN 108490288 B CN108490288 B CN 108490288B CN 201810194723 A CN201810194723 A CN 201810194723A CN 108490288 B CN108490288 B CN 108490288B
- Authority
- CN
- China
- Prior art keywords
- stealing
- user
- electricity consumption
- history
- consumption factor
- 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.)
- Active
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
-
- 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
- G06Q10/067—Enterprise or organisation modelling
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Primary Health Care (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种窃电检测方法及系统,包括:获取用户历史的用电因子和窃电标签;根据用户历史的用电因子和窃电标签,建立用于窃电检测的CBOW模型;获取用户当前的用电因子;将用户当前的用电因子输入到该用于窃电检测的CBOW模型中,获取该用户出现窃电和不窃电的条件概率;根据该用户窃电和不窃电出现的条件概率计算窃电嫌疑概率,进而判断出窃电行为。本发明的CBOW模型可适用于大批量的数据处理,而且根据大批量的历史用电因子和窃电标签建立的CBOW模型,大大提高了检测的准确率,提高了数据的处理能力。
Description
技术领域
本发明涉及电力系统窃电检测领域,特别是涉及一种窃电检测方法及系统。
背景技术
在电力领域,随着经济发展和社会用电量的增大,窃电方法越来越繁多,窃电行为成为了各个供电企业头疼的问题。
目前,常用的窃电方法包括欠压法窃电、欠流法窃电、移相法窃电、扩差法窃电和无表法窃电等。随着科技的发展,结合高科技手段已经能够很方便地检测到具有窃电嫌疑的用户,并根据计算机得出的窃电嫌疑,追踪,排查,走访,最终找到确切窃电的用户。目前,窃电检测方法包括基于人工的排查方法和基于学习算法的排查方法。
1.基于人工排查方法
随着电力市场化的不断深入,我国区域网、省电网的各级关口表大部分已使用多功能电能表,各地在普及和实施分时电价的过程中,大用户电能表也大部分更换为多功能电能表。多功能电子式电能表具有线性度高、过载能力强、功耗低、抗高次谐波干扰能力强、灵敏度高、易于扩展功能等优点,适合现代电能管理的需要。同时,还搭建了营销业务应用系统(SG186)和用电信息采集系统,其中,用电信息采集系统主要有综合线损分析系统,厂站计量遥测系统以及大用户、配变检测系统等功能。营销业务应用系统涵盖了电费计算、电力计量装置管理、业扩报装及用电变更管理、收费欠费管理、抄表管理、需求侧管理和用电现场管理等多项功能。
目前,基于人工排查的窃电检测方法中,通常通过计算理论线损标杆值,与实际统计线损比较确定台区窃电严重程度,从而筛选中窃电较为严重的台区作为主要稽查对象。这是因为台区窃电程度较严重说明该台区窃电用户相对集中或窃电量较大,对该台区实行稽查打击的效率较高。然而,分布式电源入网政策放开后,台区潮流大小和方向发生变化,给传统的台区标杆值计算提出了新的挑战,同时,用户部分发电量“自发自用”使得用户实际用电量难以监测和追踪,营销部门很难从用户表计用电量以经验来判断用户是否出现窃电。因此,供电企业亟需一套考虑分布式电源入网后的反窃电管理办法,能够准确可靠地锁定窃电嫌疑用户,高效打击窃电行为。
2.基于学习算法的排查方法
由于人工排查的局限性,单纯依靠线损率所排查出的具有窃电嫌疑的用户量大、范广,为了精准确定窃电用户,往往需要根据以往经验判断,逐一各项指标对比,耗费大量的人力去逐一排查,最终确定窃电嫌疑用户。这样的做法无疑是低效的,有关工作者都希望判断窃电嫌疑用户的过程能够简化,因此研究出了多种多样的排查学习算法进行排查,主要包括可分为以下两种:根据排查经验建立数学模型的方法和利用数据挖掘的排查方法。
2.1根据排查经验建立数学模型的方法
在不同电力公司内,窃电一直都是重要的工作之一,因此各电力公司积累了大量的窃电案例,研究人员可根据这些案例总结出少部分规律,建立数学模型,并根据此规律排查窃电嫌疑用户。但是,由该思路总结得出的规律往往不具备普适性,在计算用户窃电嫌疑前,需要对不同的用户进行分类,并对不同的情况应用不同的模型,进而使这种方法不具备适应性,一旦发生新的情况将很可能无法进行判断。
2.2利用数据挖掘的排查方法
目前在漏电检测中常用的数据挖掘方法有:聚类分析和分类方法,但这两者在算法本身上有诸多不适应的地方。一方面,聚类方法不适合处理大量数据,在处理超过200个数据对象的聚类过程中,其处理能力就会下降;另一方面,用电数据难免有噪声出现,而聚类方法对噪声却异常敏感,导致结果较差。
发明内容
基于此,本发明的目的在于,提供一种窃电检测方法,其可适用于大批量的数据处理,可提高检测准确率,提高数据的处理能力的优点。
一种窃电检测方法,包括如下步骤:
获取用户历史的用电因子和窃电标签;
根据用户历史的用电因子和窃电标签,建立用于窃电检测的CBOW模型;
获取用户当前的用电因子;
将用户当前的用电因子输入到该用于窃电检测的CBOW模型中,获取该用户出现窃电和不窃电的条件概率;
根据该用户窃电和不窃电出现的条件概率计算窃电嫌疑概率,进而判断出窃电行为;
所述建立CBOW模型时,包括如下步骤:
获取窃电标签对应的布尔向量,并根据用户历史的用电因子构建数值词典,且根据该数值词典建立哈夫曼树,以获取用电因子对应的布尔向量;
将用户历史的用电因子和窃电标签进行顺序排列,获取历史序列数据;
将历史序列数据中用电因子对应的布尔向量依序输入到CBOW模型中,并对CBOW模型进行训练,以确定CBOW模型各节点的模型参数,进而建立用于窃电检测的CBOW模型。
相比于现有技术,本发明根据用户历史的用电因子和窃电标签建立用于窃电检测的CBOW模型,进而将用户当前的用电因子输入到该CBOW模型时,就可以方便快捷地检测出该用户是否窃电。进一步,本发明的CBOW模型可适用于大批量的数据处理,而且根据大批量的历史用电因子和窃电标签建立的CBOW模型,大大提高了检测的准确率,提高了数据的处理能力。
进一步地,所述对CBOW模型进行训练时,各节点的模型参数更新方式为:
其中,是哈夫曼树某一条路径的第i-1个非叶子结点的权值向量,xv是由2c个布尔向量相加得到,且i=1,2,...,2c,c表示排列在窃电标签前面或后面的窃电因子的数量;是xv的转置,η为步长。即梯度上升法的;学习率。σ是sigmiod函数,是第i条路径的标签值,基于上述更新公式,xv和θv经过一定次数的迭代更新,最后得到词向量xv和条件概率参数θv。
进一步地,所述计算窃电概率的计算公式为:
其中,P(1)表示窃电嫌疑概率,P(1|x)表示根据用户当前的x个用电因子,获取该用户出现窃电的条件概率;P(0|x)表示根据用户当前的x个用电因子,获取该用户出现不窃电的条件概率。
进一步地,所述判断是否窃电方式为:若窃电嫌疑概率满足0≤P(1)<0.5,则判断为无窃电嫌疑;若窃电嫌疑概率满足0.5≤P(1)<0.8,则判断为可能有窃电嫌疑;若窃电嫌疑概率满足0.8≤P(1)<1,则判断为有窃电嫌疑。
进一步地,所述获取用户历史的用电因子后,还将该历史的用电因子均加上M,之后再建立用于窃电检测的CBOW模型;所述获取用户当前的用电因子后,还将该当前的用电因子均加上M,之后再输入到该用于窃电检测的CBOW模型中,其中,M大于等于1,且为整数。
进一步地,所述获取用户历史的用电因子时,若用户为居民,则该居民的历史用电因子包括:用电量、线损率和线损电量、功率因数、告警事件发生次数和时间、负载率和区域电量趋同率;若用户为企业,则该企业的历史用电因子包括:用电量、线损率和线损电量、功率因数、告警事件发生次数和时间、三相电压不平衡率、相位角、行业用电量趋同率、企业用户单耗和合同容量比率。
本发明还提供一种窃电检测系统,包括处理器,适于实现各指令;以及存储设备,适于存储多条指令,所述指令适于由所述处理器加载并执行:
获取用户历史的用电因子和窃电标签;
根据用户历史的用电因子和窃电标签,建立用于窃电检测的CBOW模型;
获取用户当前的用电因子;
将用户当前的用电因子输入到该用于窃电检测的CBOW模型中,获取该用户出现窃电和不窃电的条件概率;
根据该用户窃电和不窃电出现的条件概率计算窃电嫌疑概率,进而判断出窃电行为。
相比于现有技术,本发明根据用户历史的用电因子和窃电标签建立用于窃电检测的CBOW模型,进而将用户当前的用电因子输入到该CBOW模型时,就可以方便快捷地检测出该用户是否窃电。进一步,本发明的CBOW模型可适用于大批量的数据处理,而且根据大批量的历史用电因子和窃电标签建立的CBOW模型,大大提高了检测的准确率,提高了数据的处理能力。
为了更好地理解和实施,下面结合附图详细说明本发明。
附图说明
图1为本发明实施例中窃电检测方法的流程图;
图2本发明实施例中建立CBOW模型的流程图。
具体实施方式
请参阅图1,其为本发明实施例中窃电检测方法的流程图;该窃电检测方法,包括如下步骤:
步骤S1:获取用户历史的用电因子和窃电标签。
在对居民用户进行检测分析时,获取的历史的用电因子包括:用电量A1、线损率和线损电量B1、功率因数C1、告警事件发生次数和时间D1、负载率E1和区域电量趋同率F1,其中所述告警事件发生次数和时间D1包括:电能表停走D11、电压不平衡度越限D12、三相电流不平衡D13、电流不平衡度越限D14、电压缺相事件D15、电压断相事件D16、电流反极性事件D17、电量持续为0事件D18、非费率时段走字D19和主备表电量超差D110。
所述居民用户的窃电标签y1为根据上述历史的用电因子,人为判断出的该居民用户是否窃电的数据。
在对企业用户进行检测分析时,获取的用电因子包括:用电量A2、线损率和线损电量B2、功率因数C2、告警事件发生次数和时间D2、三相电压不平衡率E2、相位角F2、行业用电量趋同率G2、企业用户单耗H2和合同容量比率I2。其中所述告警事件发生次数和时间D2包括:电能表停走D21、电压不平衡度越限D22、三相电流不平衡D23、电流不平衡度越限D24、电压缺相事件D25、电压断相事件D26、电流反极性事件D27、电量持续为0事件D28、非费率时段走字D29和主备表电量超差D210。
所述企业用户的窃电标签y2为根据上述历史的用电因子,人为判断出的该企业用户是否窃电的数据。
下面依次对用电因子进行解释说明:
一、用电量
1)含义:用户用电量是直接反应用户用电量大小的指标,可以从电表上直接获取,通过分析用电量的多少可以直观的作为用户是否窃电的指标之一。
2)计算公式:用电量=周期末电表数-上周期末电表数。
二、线损率和线损电量
1)含义:线损率表示线路上所损失的电能占线路首端输出电能的百分数。当一个计量误差大的计量点在线路运行后,会导致线路的线损率上升,通过对电量曲线的分析和一些技术排查的手段,可以排查计量误差大的点。当用户发生窃电的时候,线损率和线损电量会上升,而窃电用户用电量会下降。与去年同期比较,若增幅大于10%则有窃电嫌疑。
2)计算公式:
A、线损率P1可按下式计算:
其中,W供是供电量,W用是用户用电量,供电量和用电量均以供、受端电度表的抄表电度为准。
B、按线路的计算损失功率与首端输送功率来计算线损率:
3)衡量标准:将本期累计线损率,与去年同期累计线损率进行比较,若线损率增幅超过10%,则列为窃电嫌疑户。在电网配置结构合理情况下,正常的配电线路损耗受线路特性、功率因数和负荷电流等影响,并在小范围内波动。但一旦发生用电异常,该线路的损耗将显著增加。所以,分析线路损耗能有效地监测异常用电情况。
三、功率因数
1)含义:功率因数是用来衡量用电设备(包括:广义的用电设备,如:电网的变压器、传输线路等)的用电效率的数据。有功功率:保持用电设备正常运行所需的电功率,也就是将电能转换为其他形式能量的功率。无功功率:是用于电路内电场与磁场的交换,并用来在电气设备中建立和维持磁场的电功率。
2)计算公式:
(1)、功率因数=有功功率÷视在功率。
(2)、求视在功率
A单相电路:视在功率:S=UI;有功功率:P=ScosΦ;无功功率:Q=SsinΦ;
B三相电路:视在功率:S=1.732UI;有功功率:P=ScosΦ;无功功率:Q=SsinΦ。
3)衡量标准:通常标准值为0.9,低于0.9要处罚。每月的功率因数变化为上、下0.1至0.2的幅值范围。
四、告警事件发生次数和时间
所述告警事件发生次数和时间包括:电能表停走、电压不平衡度越限、三相电流不平衡、电流不平衡度越限、电压缺相事件、电压断相事件、电流反极性事件、电量持续为0事件、非费率时段走字和主备表电量超差。
1)电能表停走
(1)含义:电能表示数不变的事件。
(2)计算公式:每月持续不断的一定时间间隔的电能表读数。
(3)衡量标准:电能表示数不变,而且持续时间大于设定的判断时间。
2)电压不平衡度越限
(1)含义:电压不平衡度超过允许值的事件。
(2)计算公式:电压负序分量和正序分量的均方根百分比。
(3)衡量标准:1995《三相电压允许不平衡度》规定了电力系统公共连接点正常电压不平衡度允许值为2%,同时规定了短时的不平衡度不得超过4%,对接入公共连接点的每个用户引起该点正常电压不平衡度允许值一般为1.3%。电压不平衡度超过允许值。而且持续时间大于设定的判断时间。
3)三相电流不平衡
(1)含义:在窃电过程中,对接线模式或电路的改动会导致三相电流可能存在不平衡。判断依据为至少有一相大于0.05A。负控至少有一相大于0.1A。
(2)计算公式:
三相不平衡率=MAX{(Ia一AVG(Ia,Ib,Ic)/AVG(Ia,Ib,Ic)),(Ib一AVG(Ia,Ib,Ic)),(Ic一AVG(Ia,Ib,Ic))}若为三相三线,B相不参加计算。
(3)衡量标准:不平衡度超过指定阈值且持续时间超过指定的持续时间。接线方式为三相三线时,计量方式分为髙供高计和髙供低计,阈值都为0.3。接线方式为三相四线时,计量方式分为髙供髙计和髙供低计,阈值都为0.5。
4)电流不平衡度越限
(1)含义:电流不平衡度超过允许值的事件。
(2)计算公式:电流负序分量和正序分量的均方根百分比。
(3)衡量标准:配电变压器出口的负荷电流不平衡度应小于10%,中性线电流不应超过低压侧额电流的25%,低压主干线及主要分支线的首端电流不平衡度应小于20%。
电流不平衡度超过允许值。而且持续时间大于设定的判断时间。
5)电压缺相事件
(1)含义:三相电路中有一相不能工作。
(2)计算公式:当接线方式为三相三线的时候,若计量方式为髙供高计,则为100V,若为三相四线的接线方式,计量方式分别为髙供髙计和髙供低计,启动电压分别为57.7和220.
(3)衡量标准:启动电压:默认为失压比率阀值*Un,Un参考《启动电压Un配置》
启动电流:默认为10%Ib,参考《启动电流Ib配置》,直连时,即CT=1时,为80A。有互感时,即CT>1时为5A。失压比率:参考《失压比率阀值配置》为0.8。
电压小于启动电压,同时电流小于启动电流,而且持续时间大于设定的判断时间
【高供高计】是指高压供电同时在高压装置PT,CT进行计量,高供低计是指高压供电,在低压侧装置CT进行计量,“高供低计”、“高供高计”均是供给用户的电力是高压,比如10kV一般指专变用户。
【高供低计】即由高压供电到用户,它的电能计量装置安装在用户电力变压器的低压侧,实行的低压计量,这种计量方式的特点是电力变压器的损耗在计量装置的前面,未包含在计量数据内。而“高供高计”即由高压供电到用户,它的电能计量装置安装在用户电力变压器的高压侧,实行的高压计量,这种计量方式的特点是电力变压器的损耗在计量装置的后面,已包含在计量数据内。
【三相三线制】三相交流发电机的三个定子绕组的末端联结在一起,从三个绕组的始端引出三根火线向外供电、没有中线的三相制叫三相三线制。
6)电压断相事件
(1)含义:指表计的计量回路中的一相或者多相断开的现象,但不是所有的相,失去电压也无电流。
(2)计算公式:当接线方式为三相三线的时候,若计量方式为髙供高计,则为100V,若为三相四线的接线方式,计量方式分别为髙供髙计和髙供低计,启动电压分别为57.7和220.
(3)衡量标准:启动电压:默认(78%Un±2V)Un参考《启动电压Un配置》。
启动电流:默认为0.02A,(按DL/T645要求)。
7)电流反极性事件
(1)含义:指通过改变电流回路的接法,达到降低功率因素,从而降低计量电量的目的。
(2)计算公式:判断本相电流值大于阈值,总功率与分相功率之和的偏差率大于阈值。偏差公式为:|分相和一总功率|/总功率。判断本相电流值大于阈值,总功率与分相功率之和的偏差率大于阈值。偏差公式为:|分相和一总功率|/总功率。而且持续时间大于设定的判断时间。
(3)衡量标准:本相电流值阈值为0.05A。偏差率大于5%,持续时间默认为4小时。
8)电量持续为0事件
(1)含义:利用窃电手法,绕过计量表,得到的用户量变为0的事件。
(2)计算公式:用户电量由非0值变为0值,持续时间超过n天。整点电量来判断日持续0电量事件阈值。
(3)衡量标准:用户用电量等于0;持续时间n和事件发生的阈值根据居民节假日外出等时间设定调整。
9)非费率时段走字
(1)含义:分时电价的每个时段的费率有较大差价,修改电表内设置的费率时段不影响计量精度,但是可显著减少用户实际支付的电费。
(2)计算公式:分三个费率时段,峰,谷,平,在峰时段只有,峰时段表码示数能发生变化,谷时段和平时段如此类推。
(3)衡量标准:若与以上规则不一样则该表存在非费率时段走字。
10)主备表电量超差
(1)含义:专变负控终端的交流采样装置可以采集电量数据,具有较高的测量精度,可以作为该表校验主表计量数据是否正确。当主表(计量表)的计量数据比交采装置的数据小时,主表可能存在窃电嫌疑。
(2)计算公式:指定时间点,电表和交采表,或者主表和备表(核表)的电流数据比较,当误差率大于误差阀值。误差率=|主表日电量一备表日电量|/主表日电量。
(3)衡量标准:设定误差率阀值(缺省为1%)认为存在用电异常。
五、负载率
1)含义:变压器实际容量和额定容量的比值叫负载率,一般是80%。
2)计算公式:电机在每个工作周期的工作时间/(工作时间+非工作时间)。
六、区域电量趋同率
1)含义:用户用电量与同区域所有用户的用电量均值的比,代表用户用电量与区域均值的偏离程度。
2)计算公式:用电量偏离率=用户用电量/区域用户用电量均值。
3)衡量标准:区域电量趋同率越低,表明用电异常,存在窃电的可能性。
七、三相电压不平衡率
1)含义:三相电压不平衡度度是指三相系统中三相电压的不平衡程度。
2)计算公式:用电压负序基波分量或零序基波与正序基波分量的均方根百分比表示。
3)衡量标准:
《三相电压允许不平衡度》规定了电力系统公共连接点正常电压不平衡度允许值为2%,同时规定了短时的不平衡度不得超过4%,对接入公共连接点的每个用户引起该点正常电压不平衡度允许值一般为1.3%。
八、相位角
1)含义:目前,所有电力系统的全部领域所采用的供电方式,绝大多数是属于三相制交流电路。三相交流电是由三个频率相同、电势振幅相等、相位差互差120°角的交流电路组成的电力系统。三相其中任两相任一时刻的波形矢量角度相差120度,这一角度差可称之为两条波形的相位角。两相电的相位角窃电者采用不正常接线,接人与电能表线圈不对应的电压、电流,或在线路中接人电感或电容,改变电能表线圈中电流和电压间的正常相位关系,致使电能表转速变慢甚至反转,这种窃电的方法称为相角型窃电法,所以相位角是判断窃电的一种重要指标。
2)计算公式:相位角可通过计算A、B、C三相的功率因数的反余弦得到。
3)衡量标准:角度对应关系参考表格如下:
九、行业用电量趋同率
1)含义:企业用户的用电量与同行业、区域企业用电量平均水平的比值,反映企业用户和同区域、行业企业用户用电情况的差异大小。
2)计算公式:行业用电量趋同率=企业用户的用电量/同行业、区域企业用电量平均值。
3)衡量标准:行业趋同率越低于设定阈值,表示用电异常,存在窃电的可能性。
十、企业用户单耗
1)含义:指一段时间内,企业的生产总值对应消耗的电能,此指标可以反映企业的运行情况。
2)计算公式:单位时间的用电量除以单位时间内企业的生产总值。
3)衡量标准:企业的单耗在排除采取节能措施的情况下,应该保持在一个相对稳定的水平上。
十一、合同容量比率
1)含义:合同容量也称认可容量,指供电部门许可并在供用电合同中的用户受电设备总容。对居民用户而言,指装设的电能表表量;对低压用户而言,指允许装接的用电设备容量;对高压用户而言,指直接接在受电电压线路上的变压器和直配高压电动机容量之和。双电源或多电源用户,应按每路电源可接入容量的最大可能值之和计算;用MD表考核的保安电源容量,按协议确定的容量计算。即用户在业务报装时申请的合同容量与用户的月用电量之间存在着数值上的对应关系。
2)计算公式:(合同容量×360/月用电量)
3)衡量标准:(合同容量×360/月用电量)>2则该用户可能存在窃电现象。
步骤S2:根据用户历史的用电因子和窃电标签,建立用于窃电检测的CBOW模型。
请参阅图2,其为本发明实施例中建立CBOW模型的流程图。
所述建立CBOW模型时,包括如下步骤:
步骤S21:获取窃电标签对应的布尔向量,并根据用户历史的用电因子构建数值词典,且根据该数值词典建立哈夫曼树,以获取用电因子对应的布尔向量。
本实施例中,窃电标签对应的布尔向量“1”表示窃电,“0”表示不窃电。
由于用户历史的用电因子可能会出现“0”和“1”的数据,可能会影响后续的处理分析,因此,在一个实施例中,所述获取用户历史的用电因子后,还对该历史的用电因子均加上M,之后再建立用于窃电检测的CBOW模型,其中,M大于等于1,且为整数。
遍历用户历史的用电因子构建数值词典vi∈D,即将多个数值相同的用电因子归类为一个用电因子,并累计该数值相同的用电因子的个数,进而获得用电因子vi和该用电因子对应的频数wi,其中vi表示第i个用电因子,wi表示第i个用电因子的频数。
再将(w1,w2,w3,...,wN)看成N棵树,每棵树仅一个节点;选择权值最小的两棵树进行合并,得到新的树。原来的树分别作为新树的左右子树,新树的根节点权重为左右子树节点的权重之和;再选择当前权值最小的两棵树进行合并,得到新的树。原来的树分别作为新树的左右子树,新树的根节点权重为左右子树节点的权重之和,不断重复,直到构建出一棵树为止,该最后构建的树即为哈夫曼树。根据该哈夫曼树就可以获得频数wi对应的布尔向量,进而可获取该频数wi对应的用电因子vi的布尔向量。
步骤S22:将用户历史的用电因子和窃电标签进行顺序排列,获取历史序列数据。
建立基于居民用户的用于窃电检测的CBOW模型时,将居民的用电因子和窃电标签进行排列的方式为:(c,y1,c)=(F1,E1,D11,D12,D13,D14,D15,y1,D16,D17,D18,D19,B1,C1,A1)。
建立基于企业用户的用于窃电检测的CBOW模型时,将企业的用电因子和窃电标签进行排列的方式为:(c,y2,c)=(E2,F2,G2,H2,I2,D21,D22,D23,D24,y2,D25,D26,D27,D28,D29,D210,B2,C2,A2)。
步骤S23:将历史序列数据中用电因子对应的布尔向量依序输入到CBOW模型中,并对CBOW模型进行训练,以确定CBOW模型各节点的模型参数,进而建立用于窃电检测的CBOW模型。
所述对CBOW模型进行训练时,各节点的模型参数更新方式为:
其中,是哈夫曼树某一条路径的第i-1个非叶子结点的权值向量,xv是由2c个布尔向量相加得到,且i=1,2,...,2c,是xv的转置,η为步长。即梯度上升法的学习率。σ是sigmiod函数,是第i条路径的标签值,基于上述更新公式,xv经过一定次数的迭代更新,最后得到词向量xv。
具体的训练过程如下:
首先将输入层的2c个数值的布尔向量先求和再取平均:
其中,xi是{P2,φ,P3,W2,P4,X1,X2,X3,X4,X5,X6,X7,X8,X9,X10,P1,P,W1}中各个元素数值对应的布尔向量。然后,假设输入的数值v,经过计算上述计算后的数值向量为xv,从根节点v到所在的叶子节点,包含的节点总数为lv,v在哈夫曼树中从根节点开始,经过的第i个节点表示为对应的哈夫曼编码为其中i=2,3,...,lv。而该节点对应的模型参数表示为其中i=2,3,...,lv-1。
那么,v经过的哈夫曼树某一个节点i的逻辑回归概率为
其中,σ为sigmod函数。那么对于某一个目标输出词v,其最大似然为:
可以得到v的对数似然函数L:
为得到模型中v的词向量和内部节点的参数θ,采用梯度上升法。首先计算的梯度:
同样的方法,可以求出xv的梯度表达式如下:
于是,更新参数和xv:
其中,是哈夫曼树某一条路径的第i-1个非叶子结点的权值向量,xv是由2c个布尔向量相加得到,且i=1,2,...,2c,是xv的转置,η为步长。即梯度上升法的学习率。σ是sigmiod函数,是第i条路径的标签值,基于上述更新公式,xv和θv经过一定次数的迭代更新得到了满足最大条件概率的词向量xv和条件概率参数θv。
因此,根据居民用户历史的用电因子和窃电便签,就可以建立基于居民的用于窃电检测的CBOW模型;根据企业用户的用电因子和窃电便签,就可以建立基于企业的用于窃电检测的CBOW模型;当用户是居民时,后续则将用户当前的用电因子输入到基于居民的用于窃电检测的CBOW模型进行检测;当用户时企业时,后续则将用户当前的用电因子输入到基于企业的用于窃电检测的CBOW模型进行检测。
步骤S3:获取用户当前的用电因子。
由于用户当前的用电因子可能会出现“0”和“1”的数据,可能会影响后续的处理分析,因此,在一个实施例中,所述获取用户当前的用电因子后,还对该当前的用电因子均加上M,之后再输入到CBOW模型中,其中,M大于等于1,且为整数。
步骤S4:将用户当前的用电因子输入到该用于窃电检测的CBOW模型中,获取该用户出现窃电和不窃电的条件概率。
步骤S5:根据该用户窃电和不窃电出现的条件概率计算窃电嫌疑概率,进而判断出窃电行为。
所述计算窃电概率的计算公式为:
其中,P(1)表示窃电嫌疑概率,P(1|x)表示根据用户当前的x个用电因子,获取该用户出现窃电的条件概率;P(0|x)表示根据用户当前的x个用电因子,获取该用户出现不窃电的条件概率。
在一个实施例中,所述判断是否窃电方式为:若窃电嫌疑概率满足0≤P(1)<0.5,则判断为无窃电嫌疑;若窃电嫌疑概率满足0.5≤P(1)<0.8,则判断为可能有窃电嫌疑;若窃电嫌疑概率满足0.8≤P(1)<1,则判断为有窃电嫌疑。其中,出现0.5≤P(1)<0.8的时候,此时需要人为的按照上述因子判定规则进行窃电行为判断。当出现0.8≤P(1)<1时,表示有重大窃电嫌疑,需要引起重视,重点审查。
本发明还根据上述窃电检测方法提出一种窃电检测系统,其包括处理器,适于实现各指令;以及存储设备,适于存储多条指令,所述指令适于由所述处理器加载并执行:
获取用户历史的用电因子和窃电标签;
根据用户历史的用电因子和窃电标签,建立用于窃电检测的CBOW模型;
获取用户当前的用电因子;
将用户当前的用电因子输入到该用于窃电检测的CBOW模型中,获取该用户出现窃电和不窃电的条件概率;
根据该用户窃电和不窃电出现的条件概率计算窃电嫌疑概率,进而判断出窃电行为。
所述建立用于窃电检测的CBOW模型时,所述处理器还记载并执行:
获取窃电标签对应的布尔向量,并根据用户历史的用电因子构建数值词典,且根据该数值词典建立哈夫曼树,以获取用电因子对应的布尔向量;
将用户历史的用电因子和窃电标签进行顺序排列,获取历史序列数据;
将历史序列数据中用电因子对应的布尔向量依序输入到CBOW模型中,并对CBOW模型进行训练,以确定CBOW模型各节点的模型参数,进而建立用于窃电检测的CBOW模型。
相比于现有技术,本发明根据用户历史的用电因子和窃电标签建立用于窃电检测的CBOW模型,进而将用户当前的用电因子输入到该CBOW模型时,就可以方便快捷地检测出该用户是否窃电。进一步,本发明的CBOW模型可适用于大批量的数据处理,而且根据大批量的历史用电因子和窃电标签建立的CBOW模型,大大提高了检测的准确率,提高了数据的处理能力。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。
Claims (7)
1.一种窃电检测方法,其特征在于,包括如下步骤:
获取用户历史的用电因子和窃电标签;
根据用户历史的用电因子和窃电标签,建立用于窃电检测的CBOW模型;
获取用户当前的用电因子;
将用户当前的用电因子输入到该用于窃电检测的CBOW模型中,获取该用户出现窃电和不窃电的条件概率;
根据该用户窃电和不窃电出现的条件概率计算窃电嫌疑概率,进而判断出窃电行为;
所述建立CBOW模型时,包括如下步骤:
获取用户历史的窃电标签对应的布尔向量,并根据用户历史的用电因子构建数值词典,且根据该数值词典建立哈夫曼树,以获取用户历史的用电因子对应的布尔向量;
将用户历史的用电因子和用户历史的窃电标签进行顺序排列,获取历史序列数据;
将历史序列数据中用电因子对应的布尔向量依序输入到CBOW模型中,并对CBOW模型进行训练,以确定CBOW模型各节点的模型参数,进而建立用于窃电检测的CBOW模型。
2.根据权利要求1所述的窃电检测方法,其特征在于:
所述对CBOW模型进行训练时,各节点的模型参数更新方式为:
其中,是哈夫曼树某一条路径的第i-1个非叶子结点的权值向量,xv是由2c个布尔向量相加得到,且i=1,2,...,2c;是xv的转置,η为步长,即梯度上升法的学习率;σ是sigmiod函数,是第i条路径的标签值,基于上述更新公式,xv和θv经过一定次数的迭代更新,最后得到词向量xv和条件概率参数θv。
3.根据权利要求1所述的窃电检测方法,其特征在于:计算所述窃电嫌疑概率的公式为:
其中,P(1)表示窃电嫌疑概率,P(1|x)表示根据用户当前的x个用电因子,获取该用户出现窃电的条件概率;P(0|x)表示根据用户当前的x个用电因子,获取该用户出现不窃电的条件概率。
4.根据权利要求3所述的窃电检测方法,其特征在于:判断所述窃电行为的方式为:若窃电嫌疑概率满足0≤P(1)<0.5,则判断为无窃电嫌疑;若窃电嫌疑概率满足0.5≤P(1)<0.8,则判断为可能有窃电嫌疑;若窃电嫌疑概率满足0.8≤P(1)<1,则判断为有窃电嫌疑。
5.根据权利要求1所述的窃电检测方法,其特征在于:所述获取用户历史的用电因子后,还将该历史的用电因子均加上M,之后再建立用于窃电检测的CBOW模型;所述获取用户当前的用电因子后,还将该当前的用电因子均加上M,之后再输入到该用于窃电检测的CBOW模型中,其中,M大于等于1,且为整数。
6.根据权利要求1所述的窃电检测方法,其特征在于:所述获取用户历史的用电因子时,若用户为居民,则该居民的历史用电因子包括:用电量、线损率和线损电量、功率因数、告警事件发生次数和时间、负载率和区域电量趋同率;若用户为企业,则该企业的历史用电因子包括:用电量、线损率和线损电量、功率因数、告警事件发生次数和时间、三相电压不平衡率、相位角、行业用电量趋同率、企业用户单耗和合同容量比率。
7.一种窃电检测系统,其特征在于:包括处理器,适于实现各指令;以及存储设备,适于存储多条指令,所述指令适于由所述处理器加载并执行:
获取用户历史的用电因子和窃电标签;
根据用户历史的用电因子和窃电标签,建立用于窃电检测的CBOW模型;
获取用户当前的用电因子;
将用户当前的用电因子输入到该用于窃电检测的CBOW模型中,获取该用户出现窃电和不窃电的条件概率;
根据该用户窃电和不窃电出现的条件概率计算窃电嫌疑概率,进而判断出窃电行为;
所述处理器还加 载并执行:
获取用户历史的窃电标签对应的布尔向量,并根据用户历史的用电因子构建数值词典,且根据该数值词典建立哈夫曼树,以获取用户历史的用电因子对应的布尔向量;
将用户历史的用电因子和用户历史的窃电标签进行顺序排列,获取历史序列数据;
将历史序列数据中用电因子对应的布尔向量依序输入到CBOW模型中,并对CBOW模型进行训练,以确定CBOW模型各节点的模型参数,进而建立用于窃电检测的CBOW模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810194723.8A CN108490288B (zh) | 2018-03-09 | 2018-03-09 | 一种窃电检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810194723.8A CN108490288B (zh) | 2018-03-09 | 2018-03-09 | 一种窃电检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108490288A CN108490288A (zh) | 2018-09-04 |
CN108490288B true CN108490288B (zh) | 2019-04-16 |
Family
ID=63338351
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810194723.8A Active CN108490288B (zh) | 2018-03-09 | 2018-03-09 | 一种窃电检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108490288B (zh) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109543943B (zh) * | 2018-10-17 | 2023-07-25 | 国网辽宁省电力有限公司电力科学研究院 | 一种基于大数据深度学习的电价稽查执行方法 |
CN109858679A (zh) * | 2018-12-30 | 2019-06-07 | 国网浙江省电力有限公司 | 一种结合人机物的反窃电稽查监控系统及其工作方法 |
CN110095719A (zh) * | 2019-04-23 | 2019-08-06 | 上海蔚来汽车有限公司 | 电机缺相检测方法、系统及装置 |
CN111126785B (zh) * | 2019-11-29 | 2022-08-02 | 广东电网有限责任公司 | 一种窃电行为识别方法及装置 |
CN111521868B (zh) * | 2020-04-28 | 2022-07-29 | 广东电网有限责任公司梅州供电局 | 一种基于计量大数据筛查窃电用户的方法及装置 |
CN111612044A (zh) * | 2020-04-28 | 2020-09-01 | 国网浙江武义县供电有限公司 | 一种基于电压数据的台区拓扑识别方法 |
CN111652761B (zh) * | 2020-07-28 | 2020-12-01 | 国网江西省电力有限公司供电服务管理中心 | 一种基于证据理论的多源特征融合窃电行为检测方法 |
CN112595906B (zh) * | 2020-10-09 | 2022-05-10 | 国网浙江省电力有限公司湖州供电公司 | 一种台区运行异常的判断方法 |
CN112415310B (zh) * | 2020-11-06 | 2023-05-02 | 天津天大求实电力新技术股份有限公司 | 面向用户侧窃电行为识别分析方法及应用 |
CN113361943A (zh) * | 2021-06-21 | 2021-09-07 | 广东电网有限责任公司 | 一种基于决策树规则生成的专变用户窃电检测方法及系统 |
CN115808563B (zh) * | 2023-01-11 | 2023-05-16 | 国网山西省电力公司营销服务中心 | 一种基于用电功率异常分析的高压用户窃电检测方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103792420A (zh) * | 2014-01-26 | 2014-05-14 | 威胜集团有限公司 | 基于负荷曲线的防窃电及用电监察方法 |
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 |
CN105573997A (zh) * | 2014-10-09 | 2016-05-11 | 普华讯光(北京)科技有限公司 | 一种确定窃电嫌疑用户的方法及装置 |
CN106093707A (zh) * | 2016-07-12 | 2016-11-09 | 亿米特(上海)信息科技有限公司 | 智能防窃电分析系统的数据处理方法 |
CN106909933A (zh) * | 2017-01-18 | 2017-06-30 | 南京邮电大学 | 一种三阶段多视角特征融合的窃电分类预测方法 |
CN107328974A (zh) * | 2017-08-03 | 2017-11-07 | 北京中电普华信息技术有限公司 | 一种窃电识别方法及装置 |
CN107492043A (zh) * | 2017-09-04 | 2017-12-19 | 国网冀北电力有限公司电力科学研究院 | 窃电分析方法及装置 |
-
2018
- 2018-03-09 CN CN201810194723.8A patent/CN108490288B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103792420A (zh) * | 2014-01-26 | 2014-05-14 | 威胜集团有限公司 | 基于负荷曲线的防窃电及用电监察方法 |
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 |
CN105573997A (zh) * | 2014-10-09 | 2016-05-11 | 普华讯光(北京)科技有限公司 | 一种确定窃电嫌疑用户的方法及装置 |
CN106093707A (zh) * | 2016-07-12 | 2016-11-09 | 亿米特(上海)信息科技有限公司 | 智能防窃电分析系统的数据处理方法 |
CN106909933A (zh) * | 2017-01-18 | 2017-06-30 | 南京邮电大学 | 一种三阶段多视角特征融合的窃电分类预测方法 |
CN107328974A (zh) * | 2017-08-03 | 2017-11-07 | 北京中电普华信息技术有限公司 | 一种窃电识别方法及装置 |
CN107492043A (zh) * | 2017-09-04 | 2017-12-19 | 国网冀北电力有限公司电力科学研究院 | 窃电分析方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN108490288A (zh) | 2018-09-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108490288B (zh) | 一种窃电检测方法及系统 | |
CN107340492B (zh) | 基于大数据挖掘和场景预判的电能计量装置故障分析方法 | |
de Souza et al. | Detection and identification of energy theft in advanced metering infrastructures | |
CN106093652B (zh) | 一种具备自学习功能的非侵入式电力负荷监测系统与方法 | |
Deng et al. | A branch-estimation-based state estimation method for radial distribution systems | |
US7979239B2 (en) | System and method for monitoring and managing electrical power transmission and distribution networks | |
CN101958544B (zh) | 电力配电线路线损率计算系统及方法 | |
AU2013201595B2 (en) | Method and apparatus for harmonic state estimation in power system | |
RU2625913C2 (ru) | Анализ распределительной системы, использующий данные электросчетчиков | |
Ferreira et al. | Load flow-based method for nontechnical electrical loss detection and location in distribution systems using smart meters | |
Chen et al. | Examination of the definitions of voltage unbalance | |
Chen et al. | Wide-area measurement-based voltage stability sensitivity and its application in voltage control | |
CN105356461B (zh) | 一种低压电网负荷不平衡治理项目碳减排量的核算方法 | |
CN112288303A (zh) | 确定线损率的方式、装置 | |
CN105552885B (zh) | 一种提高配电网状态估计可观测性的方法及其系统 | |
CN111443237B (zh) | 一种追补电量的确定方法及系统 | |
CN113687293A (zh) | 基于大数据的线损异常智能分析方法 | |
CN112232382A (zh) | 一种低压台区的分路与电表隶属关系识别方法及系统 | |
CN108062616A (zh) | 一种具有约束条件的用电异常检测模型 | |
Lin et al. | Voltage sag severity analysis based on improved FP-Growth algorithm and AHP algorithm | |
Yin et al. | Global configuration strategy of SAPFs combined with comprehensive evaluation of power quality in distribution network | |
Luya et al. | Detecting and estimating amount of energy theft in the distribution network using linear regression | |
Cardet | Analysis on voltage stability indices | |
CN112305489A (zh) | 一种电压异常波动的检测方法、装置、设备及存储介质 | |
Wan et al. | Load estimation in radial electric power distribution networks using limited measurements |
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 |