CN109345013A - 一种配电用户用电行为预测方法 - Google Patents

Abstract

本发明涉及用电监控领域，具体公开了一种配电用户用电行为预测方法，包括：获取相同类型用户的历史某月用电的量测数据作为输入数据，以用户的当前某月的用电量作为输出数据；建立SVM支持向量机预测模型，利用输入数据与输出数据对所述SVM向量机进行训练以获取最优的SVM支持向量机；确定误差阈值，利用训练好的SVM支持向量机预测某用户某一时间的预测用电量，并获取该用户的实际用电量，当所述实际用电量与所述预测用电量之间的差值超过所述误差阈值时则为判断该用户窃电。该方法利用不良数据辨识方法在用电信息里查询预测用户用电情况对比实际数据校核是否存在窃电行为，且性能更好、效率更高。

Description

一种配电用户用电行为预测方法

技术领域

本发明属于用电监控领域，特别涉及一种配电用户用电行为预测方法。

背景技术

电力系统不良数据的检测与辨识是电力系统状态估计的重要功能之一，其目的在与排除量测数据中偶然出现的少量不良数据，提高状态估计的可靠性。供电企业实施了“一户一表”的措施，改善了用电用户用电的制约因素，增强了供电的可靠性。而随着电力用户对电能的需求日益增加，一些电力用户采取各式各样的窃电方式，为无偿获得电能，达到少交或者不交电费的目的，来提高企业效益。不仅给供电企业造成巨大的经济损失，而且扰乱了正常的用电秩序，给电力企业与用户带来安全隐患。因此，建立一套算法评估模型，进行对用电用户用电数据检测与辨识是否是存在窃电行为，对电力企业的正常运行具有重要意义。

窃电的方法主要取决于电压、电流、功率因素3个参数，通过技术手段改变其中一个技术参数都能干扰电力计量设备，达到窃电的目的。随着电能计量在装备现代化上不断提升，自动化水平逐渐提高，为防止用户窃电，电力系统想取了很多种办法，有手动防窃电、报警防窃电等。但是这些报警装置都不具备实时性，也不能留下窃电证据。

发明内容

本发明的目的在于提供一种配电用户用电行为预测方法，其利用不良数据辨识方法在用电信息里查询预测用户用电情况对比实际数据校核是否存在窃电行为。

为实现上述目的，本发明提供了一种配电用户用电行为预测方法，包括：

S101，获取相同类型用户的历史某月用电的量测数据作为输入数据，以用户的当前某月的用电量作为输出数据；

S102，建立SVM支持向量机预测模型，利用输入数据与输出数据对所述SVM向量机进行训练以获取最优的SVM支持向量机；

S103，确定误差阈值，利用训练好的SVM支持向量机预测某用户某一时间的预测用电量，并获取该用户的实际用电量，当所述实际用电量与所述预测用电量之间的差值超过所述误差阈值时则为判断该用户窃电。

步骤S101中，根据用电特点把负荷划分为民用负荷、商业负荷、工业负荷以及其他负荷。

所述民用负荷是指居民的家庭负荷，所述商业负荷是商业负荷，所述工业负荷分别是与工业服务负荷，所述其他负荷为市政用电负荷。

建立SVM支持向量机预测模型，步骤S102利用输入数据与输出数据对所述SVM向量机进行训练以获取最优的SVM支持向量机具体包括：

将每一个用户每月用电量数据表示为S＝{(x_i，y_i),i＝1，2...，l}，其中x_i∈R是第i个输入样本，y_i∈R是相应于x_i的目标值，l为训练样本数目；

依据给定训练数据寻找一个实值函数y＝f(x)，定义线形ε不敏感损失函数为：

即如果目标值y和经过学习构造的回归估计函数的值f(x)之间的差别小于ε，则损失等于0；

如果存在一个超平面

f(x)＝w^Tx+b＝0 (2)

其中w∈R，b∈R，使得

|y_i-f(x_i)|≤ε (3)

则称样本S是ε线形近似，f(x)＝w^Tx+b＝0的距离为：

即是样本S中的点到超平面距离的上界，最大化该上界得到的超平面最优近似超平面；为此，应使||w||达到最小，引入的核函数K(x_i，x_j)来代替高维空间中的内积运算，该核函数形式为：

K(x_i，x_j)＝exp(-γ||x_i-x_j||²) (5)

式中γ为核函数的宽度；

当约束条件|y_i-f(x_i)|≤ε不可实现时，则需要软化对距离的要求，允许又不满足约束条件的样本存在，对于非线性回归问题，引入2个松弛变量优化问题目标函数变为：

约束条件为：

式中C为惩罚因子，C越大表示对误差大的样本惩罚越大；反之，则对误差的样本表现出更高的容忍性。

优选的，上述技术方案中，还包括调整惩罚因子C和选择核函数类型及其参数；

基于网格法，令C∈[C₁，C₂]，变化步长C_S；γ∈[γ₁，γ₂]，变化步长γ_S，针对每组参数(C，γ)进行训练，利用交叉验证计算高维空间中样本到最优超平面距离的均方根误差，取误差最小的一组参数作为模型参数，若存在多组参数具有相同的训练效果，则优先选择惩罚因子C较小的一组参数。

优选的，上述技术方案中，还包括检查拟合结果与原始样本数据的相关性，引入相关系数ρ：

式中：n为样本数，P越接近于1，则表明拟合结果与原始样本数据相关性越强。

优选的，上述技术方案中，步骤S103中误差阈值为η，将所述实际用电量与所述预测用电量进行误差比较具体如下：

式中：y_i为当月数据平台接收数据，即为当月用户实际用电量，y_i(x_i)为预测用户用电量。

与现有的技术相比，本发明中的配电用户用电行为预测方法，利用不良数据辨识方法结合SVM支持向量机对用户的用电量预测，当预测用户用电情况对比实际数据存在异常时则为窃电行为，能够对发生的非法、异常事件进行智能预测，使得能够对终端现场事件进行有效的管控，全程跟踪智能化记录用户用电的实时情况，解决了对窃电行为取证的难题。

附图说明

图1是根据本发明的配电用户用电行为预测方法的第一流程图。

图2是根据本发明的配电用户用电行为预测方法的第二流程图。

具体实施方式

下面结合附图，对本发明的具体实施方式进行详细描述，但应当理解本发明的保护范围并不受具体实施方式的限制。

如图1所示，该实施例中的配电用户用电行为预测方法包括：

步骤S101，获取相同类型用户的历史某月用电的量测数据作为输入数据，以用户的当前某月的用电量作为输出数据。

具体的，预先将地区相同类型企业历史月份用电的量测数据进行规整化后作为输入，企业对应预测月份的用电情况作为输出，其中规整化具体是指将从配电网大数据平台获得数据进行预处理，获得该地区相同类型用电用户的量测数据包括名称、气候情况数据以及各自用电量测量的历史数据。

数据获取方式为：

1.根据配网大数据测量装置接收数据进行存储。

所在的区域安放的测量装置，得到的原始数据输送到本地数据集中器中，之后把各个本地数据集中器的数据汇总，输送到数据集中器进行存储。

2.应用步骤1中的测量装置接收配电网中相关用户的用电量数据，以及从大数据库中提取得到线损与天气数据，对用电用户进行分类。

数据分类，对供电企业售电量数据，根据用电特点把负荷划分为民用负荷、商业负荷、工业负荷以及其他负荷。相同类型的负荷，拥有相似的负荷变化特点，并且对于客观因素，也形成了类似的变化。民用负荷是指居民的家庭负荷，商业负荷和工业负荷分别是商业与工业服务负荷，其他负荷包含了市政用电负荷等。

3.对接收数据进行预处理。

将接收数据中残缺数据或者无效数据进行清洗，获得完整的有效数据表格。

步骤S102，建立SVM支持向量机预测模型，利用输入数据与输出数据对SVM向量机进行训练以获取最优的SVM支持向量机；

步骤S103，确定误差阈值，利用训练好的SVM支持向量机预测某用户某一时间的预测用电量，并获取该用户的实际用电量，当实际用电量与预测用电量之间的差值超过误差阈值时则为判断该用户窃电。

进一步的，步骤S102和步骤S103具体包括：

将每一个用户每月用电量数据表示为S＝{(x_i，y_i),i＝1，2...，l}，其中x_i∈R是第i个输入样本，y_i∈R是相应于x_i的目标值，l为训练样本数目；

SVM算法采用结构风险最小化原则训练学习机，并使用VC维理论来度量结构风险。目的是依据给定训练数据寻找一个实值函数y＝f(x)，使得该函数能够表示y与x的依赖关系，以便用该函数推断任意x所对应的函数值y。定义线形ε不敏感损失函数为：

即如果目标值y和经过学习构造的回归估计函数的值f(x)之间的差别小于ε，则损失等于0；

如果存在一个超平面

f(x)＝w^Tx+b＝0 (2)

其中w∈R，b∈R，使得

|y_i-f(x_i)|≤ε (3)

则称样本S是ε线形近似，f(x)＝w^Tx+b＝0的距离为：

即是样本S中的点到超平面距离的上界，最大化该上界得到的超平面最优近似超平面；为此，应使||w||达到最小，引入的核函数K(x_i，x_j)来代替高维空间中的内积运算，该核函数形式为：

K(x_i，x_j)＝exp(-γ||x_i-x_j||²) (5)

式中γ为核函数的宽度。

当约束条件|y_i-f(x_i)|≤ε不可实现时，则需要软化对距离的要求，允许又不满足约束条件的样本存在，对于非线性回归问题，引入2个松弛变量优化问题目标函数变为：

约束条件为：

式中C为惩罚因子，C越大表示对误差大的样本惩罚越大；反之，则对误差的样本表现出更高的容忍性。其中，调整C可以改变SVM的泛化能力。

SVM训练时的性能时候收到诸多因素影响，尤其是如下2个因素：1)惩罚因子C，控制错分样本比例，即在确定的特征子空间中调节学习机器置信范围和经验风险比例，使学习器的泛化能力最好；2)核函数类型及其参数的选择。本文结合了交叉验证法和网络搜索法进行参数寻优。首先基于网格法，令C∈[C₁，C₂]，变化步长C_S；γ∈[γ₁，γ₂]，变化步长γ_S。针对每组参数(C，γ)进行训练，利用交叉验证计算高维空间中样本到最优超平面距离的均方根误差，取误差最小的一组参数作为模型参数。若存在多组参数具有相同的训练效果，则优先选择惩罚因子C较小的一组参数，以避免出现过学习，从而提高模型的泛化能力。

为检查拟合结果与原始样本数据的相关性，引入相关系数ρ：

式中：n为样本数，P越接近于1，则表明拟合结果与原始样本数据相关性越强。

将学习预测的结果与实际量测结果进行误差比较，确定一个阈值η，用来检测可靠性。由于用户用电量占负载容量不中较小，可以忽略线损数据。

式中：y_i为当月数据平台接收数据，即为当月用户实际用电量，y_i(x_i)为预测用户用电量。当超过阈值η时判断为具有窃电嫌疑的用电用户，反之，则为正常用单用户。具有窃电嫌疑数据通知相关部门，安排供电企业工作人员检查现场用电，对异常数据进行检测，辅助窃电稽查取证，具体如图2所示。

综上所述，传统的窃电方法具体是从外围设备管理方面实行反窃电，例如采用新型防窃电设备，但是改装或者更新一个地区的不同用户计量装置，这样缺乏目标性且投资巨大，耗费时间与财力。本发明利用大数据模式分析供电企业历史数据，联系生产技术部门的配电线路损耗研究，排除窃电嫌疑用户，进一步分析实时数据明确窃电疑似用户，提高了反窃电工作效率，相较于传统的仪器防窃电具有实时性、性能更好、效率更高。

前述对本发明的具体示例性实施方案的描述是为了说明和例证的目的。这些描述并非想将本发明限定为所公开的精确形式，并且很显然，根据上述教导，可以进行很多改变和变化。对示例性实施例进行选择和描述的目的在于解释本发明的特定原理及其实际应用，从而使得本领域的技术人员能够实现并利用本发明的各种不同的示例性实施方案以及各种不同的选择和改变。本发明的范围意在由权利要求书及其等同形式所限定。

Claims (7)

1.一种配电用户用电行为预测方法，其特征在于，包括：

S101，获取相同类型用户的历史某月用电的量测数据作为输入数据，以用户的当前某月的用电量作为输出数据；

S102，建立SVM支持向量机预测模型，利用输入数据与输出数据对所述SVM向量机进行训练以获取最优的SVM支持向量机；

S103，确定误差阈值，利用训练好的SVM支持向量机预测某用户某一时间的预测用电量，并获取该用户的实际用电量，当所述实际用电量与所述预测用电量之间的差值超过所述误差阈值时则为判断该用户窃电。

2.根据权利要求1所述的配电用户用电行为预测方法，其特征在于，步骤S101中，根据用电特点把负荷划分为民用负荷、商业负荷、工业负荷以及其他负荷。

3.根据权利要求2所述的配电用户用电行为预测方法，其特征在于，所述民用负荷是指居民的家庭负荷，所述商业负荷是商业负荷，所述工业负荷分别是与工业服务负荷，所述其他负荷为市政用电负荷。

4.根据权利要求1所述的配电用户用电行为预测方法，其特征在于，建立SVM支持向量机预测模型，步骤S102利用输入数据与输出数据对所述SVM向量机进行训练以获取最优的SVM支持向量机具体包括：

将每一个用户每月用电量数据表示为S＝{(x_i，y_i),i＝1，2...，l}，其中x_i∈R是第i个输入样本，y_i∈R是相应于x_i的目标值，l为训练样本数目；

依据给定训练数据寻找一个实值函数y＝f(x)，定义线形ε不敏感损失函数为：

即如果目标值y和经过学习构造的回归估计函数的值f(x)之间的差别小于ε，则损失等于0；

如果存在一个超平面

f(x)＝w^Tx+b＝0 (2)

其中w∈R，b∈R，使得

|y_i-f(x_i)|≤ε (3)

则称样本S是ε线形近似，f(x)＝w^Tx+b＝0的距离为：

即是样本S中的点到超平面距离的上界，最大化该上界得到的超平面最优近似超平面；为此，应使||w||达到最小，引入的核函数K(x_i，x_j)来代替高维空间中的内积运算，该核函数形式为：

K(x_i，x_j)＝exp(-γ||x_i-x_j||²) (5)

式中γ为核函数的宽度；

当约束条件|y_i-f(x_i)|≤ε不可实现时，则需要软化对距离的要求，允许又不满足约束条件的样本存在，对于非线性回归问题，引入2个松弛变量优化问题目标函数变为：

约束条件为：

式中C为惩罚因子，C越大表示对误差大的样本惩罚越大；反之，则对误差的样本表现出更高的容忍性。

5.根据权利要求4所述的配电用户用电行为预测方法，其特征在于，还包括调整惩罚因子C和选择核函数类型及其参数；

基于网格法，令C∈[C₁，C₂]，变化步长C_s；γ∈[γ₁，γ₂]，变化步长γ_s，针对每组参数(C，γ)进行训练，利用交叉验证计算高维空间中样本到最优超平面距离的均方根误差，取误差最小的一组参数作为模型参数，若存在多组参数具有相同的训练效果，则优先选择惩罚因子C较小的一组参数。

6.根据权利要求5所述的配电用户用电行为预测方法，其特征在于，还包括检查拟合结果与原始样本数据的相关性，引入相关系数ρ：

式中：n为样本数，P越接近于1，则表明拟合结果与原始样本数据相关性越强。

7.根据权利要求6所述的配电用户用电行为预测方法，其特征在于，步骤S103中误差阈值为η，将所述实际用电量与所述预测用电量进行误差比较具体如下：

式中：y_i为当月数据平台接收数据，即为当月用户实际用电量，y_i(x_i)为预测用户用电量。