CN110264015A - 反窃电稽查监控方法及平台 - Google Patents
反窃电稽查监控方法及平台 Download PDFInfo
- Publication number
- CN110264015A CN110264015A CN201910571307.XA CN201910571307A CN110264015A CN 110264015 A CN110264015 A CN 110264015A CN 201910571307 A CN201910571307 A CN 201910571307A CN 110264015 A CN110264015 A CN 110264015A
- Authority
- CN
- China
- Prior art keywords
- stealing
- user
- phase
- data
- power
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 75
- 238000012544 monitoring process Methods 0.000 title claims abstract description 56
- 230000002159 abnormal effect Effects 0.000 claims abstract description 98
- 238000012545 processing Methods 0.000 claims abstract description 75
- 238000007689 inspection Methods 0.000 claims abstract description 73
- 230000005856 abnormality Effects 0.000 claims abstract description 68
- 238000007405 data analysis Methods 0.000 claims abstract description 17
- 230000005611 electricity Effects 0.000 claims description 258
- 238000001514 detection method Methods 0.000 claims description 115
- 230000006837 decompression Effects 0.000 claims description 77
- 238000004458 analytical method Methods 0.000 claims description 69
- 230000008859 change Effects 0.000 claims description 61
- 238000005259 measurement Methods 0.000 claims description 57
- 230000008569 process Effects 0.000 claims description 20
- 239000000284 extract Substances 0.000 claims description 12
- 238000012795 verification Methods 0.000 claims description 10
- 239000006185 dispersion Substances 0.000 claims description 8
- 238000011084 recovery Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 6
- 230000006698 induction Effects 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 27
- 230000003993 interaction Effects 0.000 description 13
- 230000033228 biological regulation Effects 0.000 description 12
- 238000011835 investigation Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 238000012216 screening Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 238000013461 design Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 7
- 238000007726 management method Methods 0.000 description 7
- 238000003860 storage Methods 0.000 description 7
- 238000011161 development Methods 0.000 description 6
- 230000018109 developmental process Effects 0.000 description 6
- 230000007812 deficiency Effects 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000007423 decrease Effects 0.000 description 4
- 241001269238 Data Species 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000013499 data model Methods 0.000 description 3
- 239000000796 flavoring agent Substances 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 230000008929 regeneration Effects 0.000 description 3
- 238000011069 regeneration method Methods 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 208000009766 Blau syndrome Diseases 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 230000000295 complement effect Effects 0.000 description 2
- 239000012141 concentrate Substances 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 238000011065 in-situ storage Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012106 screening analysis Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 101100074336 Xenopus laevis ripply2.1 gene Proteins 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000003556 assay Methods 0.000 description 1
- 238000012550 audit Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000012905 input function Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000002045 lasting effect Effects 0.000 description 1
- 238000012917 library technology Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000004886 process control Methods 0.000 description 1
- 238000011165 process development Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005204 segregation Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000033772 system development Effects 0.000 description 1
- 230000017105 transposition Effects 0.000 description 1
- 230000003442 weekly effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2462—Approximate or statistical queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/248—Presentation of query results
-
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Quality & Reliability (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- General Health & Medical Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Water Supply & Treatment (AREA)
Abstract
一种反窃电稽查监控方法及平台包括专变用户窃电稽查监控方法，包括分析窃电样本，提取用户用电特征、窃电特征，根据特征确定窃电手法，生成用户用电画像、窃电指纹，建立专变用户窃电识别预测模型；检测用电异常，捕捉异常数据，提取特征量，进行比较，计算违规概率；若达到或超过设定概率，根据专变用户窃电识别预测模型识别疑似窃电用户，进行窃电指纹匹配，判定疑似窃电方式、时间，生成嫌疑窃电用户清单；生成反窃电稽查工单，下派稽查，获取稽查信息，更新；根据稽查信息进行窃电处理；上述反窃电稽查监控方法及平台通过大数据分析，根据用户用电信号特征生成窃电指纹，建立专变用户窃电识别模型，精准定位窃电用户，并确定嫌疑窃电手法。
Description
技术领域
本发明涉及电网监控系统，特别涉及一种反窃电稽查监控方法及平台。
背景技术
随着科学技术的发展，高科技的窃电手法使窃电行为甄别、界定、取证尤为困难，常见的窃电手法如：反接、短路、电流失流、电压失压、强磁场等，这些窃电手法具有很高的隐蔽性、灵活性，对反窃电现场侦察工作带来很大的难度，更加助长了用户的窃电行为。
目前，国网电网没有针对反窃电业务的系统化的工具，公司反窃电业务离散性高，且没有相关的统计分析，不能有效掌控反窃电业务开展情况，不利于制定反窃电工作计划。同时利用传统的反窃电排查方式无法明确甄别与定位窃电行为，致使反窃电诊断准确度和作业效率相对较低；传统的反窃电无法及时、准确定位用户窃电情况，同时也无法准确统计出窃电电量、电费等信息。
发明内容
基于此，有必要提供一种可提高定位窃电行为或窃电用户准确性的反窃电稽查监控方法。
同时，提供一种可提高定位窃电行为或窃电用户准确性的反窃电稽查监控平台。
一种反窃电稽查监控方法，包括：专变用户窃电稽查监控方法，所述专变用户窃电稽查监控方法包括：
构建识别预测模型：收集或采集窃电案例或样本，根据获取的窃电案例或样本进行大数据分析，获取窃电案例或样本中的用户用电数据或用户现象，获取与用电数据或用电现象对应的窃电信息，比较窃电用户与正常用户的用电数据或用电现象，进行归纳总结，根据用户用电数据或用户现象提取用户用电数据特征或用电现象特征，根据窃电信息从对应的用户用电数据或用户现象中提取窃电特征，根据相应窃电特征确定相应的窃电手法，根据窃电用户的用电数据或用电现象结合窃电信息生成用户的用电画像，对窃电用户进行归并，形成窃电案例库，根据用户的用电数据特征或窃电特征生成用户的窃电指纹，根据窃电指纹整理不同窃电手法生成窃电指纹库，建立专变用户窃电识别预测模型；
异常检测：获取专变用户用电数据或用电现象，检测用电异常，捕捉异常数据，若捕捉到异常数据，提取用户用电数据特征的特征量，将获取的异常数据与相应设置的标准数据或比较数据进行比较判断，计算违规概率；
窃电判断：若达到或超过设定的违规概率，则根据专变用户窃电识别预测模型识别疑似窃电用户，将疑似窃电用户的用电数据特征与窃电指纹库中的窃电指纹进行匹配，初步判定疑似窃电方式、疑似窃电时间，生成嫌疑窃电用户清单；
窃电核查：根据嫌疑窃电用户清单生成反窃电稽查工单，下发派工单进行稽查，获取稽查信息，根据用户记录稽查信息，根据用户的稽查信息、及用电数据或用电现象，提取用户用电数据特征或用电现象特征，更新窃电案例库或窃电指纹库；
窃电处理：根据稽查信息获取稽查情况进行窃电处理。
在优选的实施例中，所述窃电处理包括：费用计算：根据稽查信息核实是否窃电，若窃电，根据用户用电数据或用电现象结合窃电手法、窃电时间计算基本电费、违约罚款进行追缴。
在优选的实施例中，所述用电异常包括：功率异常、电量异常、线损异常、相位异常、电压异常、电流异常、功率因数异常中的一种或多种，所述功率异常包括：功率超容、日有功功率变化异常、功率不平衡异常，所述电量异常包括：日用电量变化异常，所述日用电量变化异常包括：日用电量突降异常，所述线损异常包括：线路线损变化异常，所述线路线损变化异常包括：线路线损突增异常，所述电流异常包括：电流不平衡异常、电流变化异常，所述电流变化异常包括：相位电流突降异常，所述电压异常包括：电压欠压异常，所述电压欠压异常包括：相位电压欠压异常，所述功率因数异常包括：功率因数变化异常，所述功率因数变化异常包括：功率因数突降异常。
在优选的实施例中，所述功率超容通过检测用户某时刻有功总功率是否超出专用变压器运行容量的设定比例进行比较判断，所述日有功功率变化异常检测判断通过检测某日或当日某时刻有功功率相对设定时间的同时刻有功功率的百分比是否超过设定比例进行比较判断；所述功率不平衡异常的检测判断通过检测比较三相有功功率之和与总共功率的差异占比是否设定比例进行比较判断；所述日用电量突降异常的检测判断通过检测用户当日或某日用电量相对设定时间的日用电量是否降低超过设定量或设定比例进行比较判断；所述线路线损突增异常的检测判断通过检测用户当日或某日的线路线损相对设定时间的线路线损是否增加超过设定量或设定比例进行比较判断；所述电流不平衡异常的检测判断通过检测用户的A相电流与C相电流的离散程度进行比较判断；所述相位电流突降异常的检测判断通过检测某日或当日某时刻A相、或B相、或C相的电流值相对设定时间同时刻的A相、或B相、或C相电流的下降比例或下降率是否超过设定比例或比率进行比较判断；所述相位电压欠压异常的检测判断通过检测某时刻A相、或B相、或C相的电压与额定电压的差值相对额定电压的百分比是否超过设定比例进行比较判断；所述功率因数突降异常的检测判断通过检测当日或某日某时刻功率因数相对设定时间的同时刻下降百分比是否超过设定比例进行比较判断。
在优选的实施例中，所述违规概率计算通过根据获取的异常数据相对比较数据的差异量或差异比例进行计算，所述电流不平衡异常的检测判断通过比较A相电流与C相电流的标准方差除以二者的算术平均值的计算值是否超过设定值或设定比例进行比较判断。
在优选的实施例中，所述用户画像包括：用户信息、用户用电信息、特征数据、窃电信息中的一种或多种；所述用户信息包括：用户身份信息、用户属性信息中的一种或多种；所述用户用电信息包括：用户的用电数据或用电现象，所述用户的用电数据或用电现象包括：用电参数或指标信息、用电参数或指标的变化信息、用电参数或指标的数据统计信息、用电参数或指标的数据分析信息中的一种或多种；所述特征数据包括：用户的用电数据特征或用电现象特征；所述窃电信息包括：窃电手法、窃电特征、窃电时间、窃电现象、窃电发现信息、窃电排查信息、窃电处理信息中的一种或多种。
在优选的实施例中，用户的用电数据特征包括：接线方式、计量方式、线路线损变化、日用电量变化、A相欠压比例、B相欠压比例、C相欠压比例、A相电流变化、B相电流变化、C相电流变化、电流不平衡情况、功率超容情况、功率因数变化、有功功率变化中的一种或多种；优选的，窃电手法或窃电方式包括：私自增容、二次侧A相分流、二次侧C相分流、二次侧对称分流、二次侧ABC平衡分流、CT一次侧A相分流、CT一次侧C相分流、CT一次侧对称分流、四线低计B失压、四线低计A失压、四线低计C失压、三线高计A失压、三线高计C失压、三线低计A失压、三线低计C失压中的一种或多种；
优选的，若用电数据特征或窃电特征包括：三相四线、高供低计、XXX时刻瞬间总有功功率超高、超出专用变压器运行容量的设定量或设定比例，则初步判断存在私自增容嫌疑；或三相四线、高供高计、XXX时刻瞬间总有功功率超高、超出专用变压器运行容量的设定量或设定比例，则初步判断存在私自增容嫌疑；或三相三线、高供低计、XXX时刻瞬间总有功功率超高、超出专用变压器运行容量的设定量或设定比例，则初步判断存在私自增容嫌疑；或三相三线、高供高计、XXX时刻瞬间总有功功率超高、超出专用变压器运行容量的设定量或设定比例，则初步判断存在私自增容嫌疑；优选的，若用电数据特征或窃电特征包括：三相三线、高供高计、电流显著不平衡且Ia远远小于Ic，初步判断存在二次侧A相分流的窃电嫌疑；优选地，若用电数据特征或窃电特征包括：三相三线、高供高计、电流显著不平衡且Ic远远小于Ia，初步判断存在二次侧C相分流的窃电嫌疑；
优选地，若用电数据特征或窃电特征包括：三相三线、高供高计、线路线损突增、用电量突降，A、C两相电流虽然平衡，但突降明显，初步判断有二次侧对称分流的窃电嫌疑；优选地，若用电数据特征或窃电特征包括：三相四线、高供高计、线路线损突增、用电量突降、三相电流突降且平衡、电压正常，初步判断存在二次侧A、B、C平衡分流的窃电嫌疑；优选地，若用电数据特征或窃电特征包括：三相三线、高供高计、线路线损突增、用户用电量突降，A、C两相电流显著不平衡且A相电流突降，功率因数突降，初步判断该用户存在CT一次侧A相分流的窃电嫌疑；优选地，若用电数据特征或窃电特征包括：三相三线、高供高计、线路线损突增、用户用电量突降，A、C两相电流显著不平衡且C相电流突降，功率因数突降，初步判断存在CT一次侧C相分流的窃电嫌疑；优选地，若用电数据特征或窃电特征包括：三相三线、高供高计、线路线损突增、用户用电量突降，A、C两相电流平衡且A、C相电流突降，功率因数突降，初步判断该用户存在CT一次侧A、C相分流窃电的嫌疑；
优选地，若用电数据特征或窃电特征包括：三相四线、高供低计、线路线损突增、用户用电流突降显著、B相电压不足，初步判断存在四线低计B失压窃电的嫌疑；优选地，若用电数据特征或窃电特征包括：三相四线、高供低计、线路线损突增、用户用电流突降显著、A相电压不足，初步判断存在四线低计A失压窃电的嫌疑；优选地，若用电数据特征或窃电特征包括：三相四线、高供低计、线路线损突增、用户用电流突降显著、C相电压不足，初步判断存在四线低计C失压窃电的嫌疑；优选地，若用电数据特征或窃电特征包括：三相三线、高供高计、线路线损突增、用户用电流突降、A相电压不足，初步判断存在三线高计A失压的窃电的嫌疑；优选地，若用电数据特征或窃电特征包括：三相三线、高供高计、线路线损突增、用户用电流突降、C相电压不足，初步判断存在三线高计C失压窃电的嫌疑；优选地，若用电数据特征或窃电特征包括：三相三线、高供低计、线路线损突增、用户用电流突降、A相电压不足，初步判断存在三线低计A失压窃电的嫌疑；优选地，若用电数据特征或窃电特征包括：三相三线、高供低计、线路线损突增、用户用电流突降、C相电压不足，初步判断存在三线低计C失压窃电的嫌疑。
在优选的实施例中，还包括：低压用户窃电监控方法，所述低压用户窃电监控方法包括：
窃电判断：获取用户的日用电量，与该用户所在台区下管理线损进行相似性比对，并根据该用户所在台区下线损率的变化趋势，生成嫌疑窃电清单；
窃电核查：根据嫌疑窃电用户清单生成反窃电稽查工单，下发派工单进行稽查，获取稽查信息，根据用户记录稽查信息；
窃电处理：根据稽查信息获取稽查情况进行窃电处理。
一种反窃电稽查监控平台，包括：
数据中心：采集或获取数据并存储，根据数据来源或数据属性包括：用电信息采集数据、客户服务数据、营销业务数据、费控数据、应用数据中的一种或多种，
数据仓库区：获取数据中心的数据进行预处理或轻度汇总，根据数据属性或处理方式不同形成预处理过程数据模块、主题域轻度汇总数据模块，
业务处理区：接收或获取数据中心数据并根据数据的不同属性或功能性或用途性进行分类，设置形成不同功能区数据模块的数据库，
数据集市区：接收指令对数据进行分析处理，根据相应的分析模型进行相应的分析预测，或根据分析指令或展示指令或展示模型进行相应的分析展示或预测展示，根据不同分析或处理包括：分析预测模块、综合展示模块、其他模块中的一种或多种；
所述分析预测模块接收分析预测指令根据相应分析模型或预测模型进行相应分析预测，所述分析预测模块包括：专变用户窃电识别预测模块，所述专变用户窃电识别预测单元中设置有一个或多个的分析模型进行分析预测，分析模型包括：自建专变用户窃电识别预测模型、引入模型中的一个或多个，
所述自建专变用户窃电识别预测模型的构建如下：收集或采集窃电案例或样本，根据获取的窃电案例或样本进行大数据分析，获取窃电案例或样本中的用户用电数据或用户现象，获取与用电数据或用电现象对应的窃电信息，比较窃电用户与正常用户的用电数据或用电现象，进行归纳总结，根据用户用电数据或用户现象提取用户用电数据特征或用电现象特征，根据窃电信息从对应的用户用电数据或用户现象中提取窃电特征，根据相应窃电特征确定相应的窃电手法，根据窃电用户的用电数据或用电现象结合窃电信息生成用户的用电画像，对窃电用户进行归并，形成窃电案例库，根据用户的用电数据特征或窃电特征生成用户的窃电指纹，根据窃电指纹整理不同窃电手法生成窃电指纹库，建立专变用户窃电识别预测模型；
所述自建专变用户窃电识别预测模块根据分析过程包括：
异常检测单元：获取专变用户用电数据或用电现象，检测用电异常，捕捉异常数据，若捕捉到异常数据，提取用户用电数据特征的特征量，将获取的异常数据与相应设置的标准数据或比较数据进行比较判断，计算违规概率；
窃电判断单元：若达到或超过设定的违规概率，根据专变用户窃电识别预测模型识别疑似窃电用户，将疑似窃电用户的用电数据特征与窃电指纹库中的窃电指纹进行匹配，初步判定疑似窃电方式、疑似窃电时间，生成嫌疑窃电用户清单；
窃电核查单元：根据嫌疑窃电用户清单生成反窃电稽查工单，下发派工单进行稽查，获取稽查信息，根据用户记录稽查信息，根据用户的稽查信息、及用电数据或用电现象，提取用户用电数据特征或用电现象特征，更新窃电案例库或窃电指纹库；
窃电处理单元：根据稽查信息获取稽查情况进行窃电处理。
在优选的实施例中，所述业务处理区的数据库中的功能区数据模块包括：业务处理数据模块、异常清单数据模块、系统支撑数据单元、统计报表数据单元中的一个或多个；优选地，所述窃电处理单元包括：费用计算单元：根据稽查信息核实是否窃电，若窃电，根据用户用电数据或用电现象结合窃电手法、窃电时间计算基本电费、违约罚款进行追缴；
所述分析预测模块还包括：低压用户窃电监控模块，所述低压用户窃电监控模块包括：
窃电判断单元：获取用户的日用电量，与该用户所在台区下管理线损进行相似性比对，并根据该用户所在台区下线损率的变化趋势，生成嫌疑窃电清单，
窃电核查单元：根据嫌疑窃电用户清单生成反窃电稽查工单，下发派工单进行稽查，获取稽查信息，根据用户记录稽查信息，
窃电处理单元：根据稽查信息获取稽查情况进行窃电处理。
优选地，所述用电异常包括：功率异常、电量异常、线损异常、相位异常、电压异常、电流异常、功率因数异常中的一种或多种，所述功率异常包括：功率超容、日有功功率变化异常、功率不平衡异常，所述电量异常包括：日用电量变化异常，所述日用电量变化异常包括：日用电量突降异常，所述线损异常包括：线路线损变化异常，所述线路线损变化异常包括：线路线损突增异常，所述电流异常包括：电流不平衡异常、电流变化异常，所述电流变化异常包括：相位电流突降异常，所述电压异常包括：电压欠压异常，所述电压欠压异常包括：相位电压欠压异常，所述功率因数异常包括：功率因数变化异常，所述功率因数变化异常包括：功率因数突降异常。
上述反窃电稽查监控方法及平台，基于对历史窃电样本的探索，发掘专变窃电用户的用电信号特征，将用电信号特征进行总结、归纳，生成用户的用电画像，通过对历史窃电用户进行归并，整理形成经典的窃电案例库，根据用户的用电信号特征，基于转换规则生成用户的窃电指纹，整理不同窃电手法生成窃电指纹库，基于窃电指纹库与用户的用电信号(用电数据特征或用电现象特征)，建立专变用户窃电识别模型，精准定位窃电用户，并给出嫌疑窃电手法；从而通过对窃电样本进行大数据分析，精确定位窃电和违约用电客户，优化整合反窃电资源，确保工作流程顺畅、高效运转。
附图说明
图1为本发明一实施例的反窃电稽查监控方法的流程图；
图2为本发明一实施例的部分窃电指纹列表；
图3为本发明一实施例的低压用户疑似窃电筛查模型；
图4为本发明一实施例的反窃电稽查监控平台的模型部分示意图。
具体实施方式
如图1所示，本发明一实施例的反窃电稽查监控方法，包括：专变用户窃电稽查监控方法。本实施例的专变用户窃电稽查监控方法包括：
步骤S101，构建识别预测模型：收集或采集窃电案例或样本，根据获取的窃电案例或样本进行大数据分析，获取窃电案例或样本中的用户用电数据或用户现象，获取与用电数据或用电现象对应的窃电信息，比较窃电用户与正常用户的用电数据或用电现象，进行归纳总结，根据用户用电数据或用户现象提取用户用电数据特征或用电现象特征，根据窃电信息从对应的用户用电数据或用户现象中提取窃电特征，根据相应窃电特征确定相应的窃电手法，根据窃电用户的用电数据或用电现象结合窃电信息生成用户的用电画像，对窃电用户进行归并，形成窃电案例库，根据用户的用电数据特征或窃电特征生成用户的窃电指纹，根据窃电指纹整理不同窃电手法生成窃电指纹库，建立专变用户窃电识别预测模型；
步骤S103，异常检测：获取专变用户用电数据或用电现象，检测用电异常，捕捉异常数据，若捕捉到异常数据，提取用户用电数据特征的特征量，将获取的异常数据与相应设置的标准数据或比较数据进行比较判断，计算违规概率；
步骤S105，窃电判断：若达到或超过设定的违规概率，根据专变用户窃电识别预测模型识别疑似窃电用户，将疑似窃电用户的用电数据特征与窃电指纹库中的窃电指纹进行匹配，初步判定疑似窃电方式、疑似窃电时间，生成嫌疑窃电用户清单；
步骤S107，窃电核查：根据嫌疑窃电用户清单生成反窃电稽查工单，下发派工单进行稽查，获取稽查信息，根据用户记录稽查信息，根据用户的稽查信息、及用电数据或用电现象，提取用户用电数据特征或用电现象特征，更新窃电案例库或窃电指纹库；
步骤S109，窃电处理：根据稽查信息获取稽查情况进行窃电处理。
进一步，本实施例的步骤S109，窃电处理包括：费用计算。费用计算：根据稽查信息核实是否窃电，若窃电，根据用户用电数据或用电现象结合窃电手法、窃电时间计算基本电费、违约罚款进行追缴。
进一步，本实施的步骤S109，窃电处理，还包括：根据稽查工单的处理情况进行审批，根据费用计算计算的费用设置相关审批权限，根据稽查处理信息生成营销流程数据，若获取到用户的缴费信息则更新营销数据，根据奖励规则或奖励办法进行奖励计算，对稽查人员等相关人员进行奖励，对信息进行归档，营销数据归档。
进一步，本实施的违规概率通过比较获取的异常数据相对比较数据的差异量或差异比例进行。如检测比较获取的异常数据相对设定时间或设定参数进行比较，比较差值或变化值是否达到或超过设定值或设定比例，若达到或超过设定值或设定比例，则判断为违规或疑似违规；可采用根据比较差值或变化值的大小或比例根据设定的计算方法或概率确定方法确定相应的违规概率。如异常数据相对比较数据的差异比例达到或超过20％判断为100％违规，若差异比例为10％判断违规概率为50％等。
进一步，本实施例的用电异常包括：功率异常、电量异常、线损异常、相位异常、电压异常、电流异常、功率因数异常中的一种或多种。进一步，本实施例的功率异常包括：功率超容、日有功功率变化异常、功率不平衡异常的一种或多种。本实施例的电量异常包括：日用电量变化异常。日用电量变化异常包括：日用电量突降异常。线损异常包括：线路线损变化异常。线路线损变化异常包括：线路线损突增异常。电流异常包括：电流不平衡异常、电流变化异常。电流变化异常包括：相位电流突降异常。电压异常包括：电压欠压异常。电压欠压异常包括：相位电压欠压异常。功率因数异常包括：功率因数变化异常。功率因数变化异常包括：功率因数突降异常。进一步，本实施例的功率超容检测判断通过检测用户某时刻有功总功率是否超出专用变压器运行容量的设定比例进行检测判断。在优选的实施例中，功率超容检测判断可通过检测用户某时刻有功总功率是否超出专用变压器运行容量的设定值或设定比例如20％进行检测判断，若超出设定值或设定比例如20％，判断功率超容，初步判断违规，进行窃电判断，根据专变用户窃电识别预测模型识别疑似窃电用户，将疑似窃电用户的用电数据特征与窃电指纹库中的窃电指纹进行匹配，初步判定疑似窃电方式、疑似窃电时间。
进一步，本实施例的日有功功率变化异常的检测判断通过检测某日或当日某时刻有功功率相对设定时间的同时刻有功功率的百分比是否超过设定比例进行判断。在优选的实施例中，日有功功率变化异常的检测判断可通过检测当日某时刻有功功率相对上周的同日(同周几)的同时刻有功功率的是否降低达到或超过设定值或设定比例如20％，若降低达到或超过设定值或设定比例如20％，判断为突降超过设定，初步判断违规，进行窃电判断，根据专变用户窃电识别预测模型识别疑似窃电用户，将疑似窃电用户的用电数据特征与窃电指纹库中的窃电指纹进行匹配，初步判定疑似窃电方式、疑似窃电时间。
进一步，本实施例的功率不平衡异常的检测判断通过检测三相有功功率之和与总共功率的差异占比是否超出设定比例进行判断。在优选的实施例中，功率不平衡异常的检测判断可通过设置检测三相有功功率之和与总共功率的差异占比是否超过设定值如20％进行比较判断，若超过设定值如20％判断为突降超过设定，功率不平衡异常，初步判断违规，进行窃电判断，根据专变用户窃电识别预测模型识别疑似窃电用户，将疑似窃电用户的用电数据特征与窃电指纹库中的窃电指纹进行匹配，初步判定疑似窃电方式、疑似窃电时间。进一步，本实施例的日用电量突降异常通过检测用户当日或某日用电量相对设定时间的日用电量是否降低超过设定量或设定比例进行判断。在优选的实施例中，日用电量突降异常的检测判断可通过设置检测用户当日用电量相对上周同日(同周几)的日用电量是否降低超过设定如20％进行判断，若超过设定如20％判断为突降超过设定，日用电量突降异常，初步判断违规，进行窃电判断，根据专变用户窃电识别预测模型识别疑似窃电用户，将疑似窃电用户的用电数据特征与窃电指纹库中的窃电指纹进行匹配，初步判定疑似窃电方式、疑似窃电时间。
进一步，本实施例的线路线损突增异常通过检测用户当日或某日的线路线损相对设定时间的线路线损是否增加超过设定量或设定比例进行判断。在优选的实施例中，线路线损突增异常的检测判断可通过设置检测用户当日线路线损与上周同日(同周几)相比，线路线损增加量是否超过设置值如20％，若超过设定值如20％，判断为线路线损突增或突增超过设定，线路线损突增异常，初步判断违规，进行窃电判断，根据专变用户窃电识别预测模型识别疑似窃电用户，将疑似窃电用户的用电数据特征与窃电指纹库中的窃电指纹进行匹配，初步判定疑似窃电方式、疑似窃电时间。进一步，本实施例的电流不平衡异常检测判断通过检测用户的A相电流与C相电流的离散程度进行判断。优选的，电流不平衡异常检测判断通过检测比较A相电流与C相电流的标准方差除以二者的算术平均值的计算值是否超过设定值进行判断。在优选的实施例中，电流不平衡异常检测判断可通过检测A相电流Ia、C相电流Ic的标准方差除以二者的算术平均值×100％的计算值是否超过设定值或设定比例如20％进行判断，若超过设定值或设定比例如20％，判断为电流不平衡率超过设定，电流不平衡异常，初步判断违规，进行窃电判断，根据专变用户窃电识别预测模型识别疑似窃电用户，将疑似窃电用户的用电数据特征与窃电指纹库中的窃电指纹进行匹配，初步判定疑似窃电方式、窃电时间。
进一步，本实施例的相位电流突降异常检测判断通过检测某日或当日某时刻A相、或B相、或C相的电流值相对设定时间同时刻的A相、或B相、或C相电流的下降比例或下降率是否超过设定比例或比率。本实施例的相位电流突降异常包括：A相电流突降异常、B相电流突降异常、C相电流突降异常。在优选的实施例中，A相电流突降异常检测判断可通过检测当日某时刻A相电流相对上周同日(同周几)同时刻A相电流下降是否超过设定值或设定比例如20％，若超过设定值或设定比例如20％，判断为A相电流突降率超过设定，A相电流突降异常，初步判断违规，进行窃电判断，根据专变用户窃电识别预测模型识别疑似窃电用户，将疑似窃电用户的用电数据特征与窃电指纹库中的窃电指纹进行匹配，初步判定疑似窃电方式、疑似窃电时间。
同理，B相电流突降异常检测判断可通过检测当日某时刻B相电流相对上周同日(同周几)同时刻B相电流下降是否超过设定值或设定比例如20％，若超过设定值或设定比例如20％，判断为B相电流突降率超过设定，B相电流突降异常，初步判断违规，进行窃电判断。C相电流突降异常检测判断可通过检测当日某时刻C相电流相对上周同日(同周几)同时刻C相电流下降是否超过设定值或设定比例如20％，若超过设定值或设定比例如20％，判断为C相电流突降率超过设定，C相电流突降异常，初步判断违规，进行窃电判断。
本实施例的相位电压欠压异常检测判断通过检测某时刻A相、或B相、或C相的电压与额定电压的差值相对额定电压的百分比是否超过设定比例进行比较判断。即相位电压欠压异常包括：A相电压欠压异常、B相电压欠压异常、C相电压欠压异常。在优选的实施例中，A相电压欠压异常检测判断可通过检测当日某时刻A相电压相对额定电压的差值相对额定电压的百分比是否超过设定比例如20％进行比较判断，若超过设定比例如20％，判断为A相电压欠压异常，初步判断违规，进行窃电判断，根据专变用户窃电识别预测模型识别疑似窃电用户，将疑似窃电用户的用电数据特征与窃电指纹库中的窃电指纹进行匹配，初步判定疑似窃电方式、疑似窃电时间。
同理，B相电压欠压异常检测判断可通过检测当日某时刻B相电压相对额定电压的差值相对额定电压的百分比是否超过设定比例如20％进行比较判断，若超过设定比例如20％，判断为B相电压欠压异常，初步判断违规，进行窃电判断。C相电压欠压异常检测判断可通过检测当日某时刻C相电压相对额定电压的差值相对额定电压的百分比是否超过设定比例如20％进行比较判断，若超过设定比例如20％，判断为C相电压欠压异常，初步判断违规，进行窃电判断。
本实施例的功率因数突降异常检测判断通过检测比较当日或某日某时刻功率因数相对设定时间的同时刻下降百分比是否超过设定比例进行判断。在优选的实施例中，功率因数突降异常的检测判断通过检测当日某时刻功率因数相对上周周日(同周几)同时刻的突降百分比是否超过设定比例如20％，若超过设定比例如20％，判断为功率因数突降异常，初步判断违规，进行窃电判断，根据专变用户窃电识别预测模型识别疑似窃电用户，将疑似窃电用户的用电数据特征与窃电指纹库中的窃电指纹进行匹配，初步判定疑似窃电方式、疑似窃电时间。
进一步，本实施例的用户画像包括：用户信息、用户用电信息、特征数据、窃电信息中的一种或多种。本实施例的用户信息包括：用户身份信息、用户属性信息中的一种或多种。本实施例的用户用电信息包括：用户的用电数据或用电现象。用户的用电数据或用电现象包括：用电参数或指标信息、用电参数或指标的变化信息、用电参数或指标的数据统计信息、用电参数或指标的数据分析信息中的一种或多种。本实施例的特征数据包括：用户的用电数据特征或用电现象特征。本实施例的窃电信息包括：窃电手法、窃电特征、窃电时间、窃电现象、窃电发现信息、窃电排查信息、窃电处理信息中的一种或多种。
如图2所示，本实施例的部分窃电指纹的列表，相应窃电手法对应的用电数据特征、窃电特征等。进一步，本实施例的用户的用电数据特征包括：接线方式、计量方式、线路线损变化、日用电量变化、A相欠压比例、B相欠压比例、C相欠压比例、A相电流变化、B相电流变化、C相电流变化、电流不平衡情况、功率超容情况、功率因数变化、有功功率变化中的一种或多种。可通过不同代码表示用电数据特征的不同特征或属性或种类。如采用－1表示三相四线的接线方式，1表示三相三线等。接线方式包括：三相三线、三相四线等。计量方式包括：高供低计、高供高计等。高供高计是指高压供电同时在高压装置PT(电压互感器)，CT(电流互感器)进行计量。高供高计的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。高供低计是指高压供电，在低压侧装置CT进行计量。高供低计的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。"高供低计"、"高供高计"一般供给用户的电力是高压，比如10kV，一般指专变用户。
窃电指纹中的窃电手法或窃电方式包括：私自增容、二次侧A相分流、二次侧C相分流、二次侧对称分流、二次侧ABC平衡分流、CT一次侧A相分流、CT一次侧C相分流、CT一次侧对称分流、四线低计B失压、四线低计A失压、四线低计C失压、三线高计A失压、三线高计C失压、三线低计A失压、三线低计C失压等。私自增容的窃电手法或窃电方式对应的用电数据特征或窃电特征包括：三相四线、高供低计、XXX时刻瞬间总有功功率超高、以超出专用变压器运行容量的120％则判断存在私自增容嫌疑；或三相四线、高供高计、XXX时刻瞬间总有功功率超高、以超出专用变压器运行容量的120％则判断存在私自增容嫌疑；或三相三线、高供低计、XXX时刻瞬间总有功功率超高、以超出专用变压器运行容量的120％则判断存在私自增容嫌疑；或三相三线、高供高计、XXX时刻瞬间总有功功率超高、以超出专用变压器运行容量的120％则判断存在私自增容嫌疑等。
二次侧A相分流的窃电手法或窃电方式对应的用电数据特征或窃电特征包括：三相三线、高供高计、电流显著不平衡且Ia(A相电流)远远小于Ic(C相电流)等，此时判断存在二次侧A相分流的窃电嫌疑。电流显著不平衡且Ia(A相电流)远远小于Ic(C相电流)可通过检测Ia(A相电流)是否小于Ic(C相电流)，且A相电流Ia、C相电流Ic的标准方差除以二者的算术平均值×100％的计算值是否超过设定值或设定比例如20％进行判断。二次侧C相分流的窃电手法或窃电方式对应的用电数据特征或窃电特征包括：三相三线、高供高计、电流显著不平衡且Ic(C相电流)远远小于Ia(A相电流)等，此时初步判断存在二次侧C相分流的窃电嫌疑。二次侧对称分流的窃电手法或窃电方式对应的用电数据特征或窃电特征包括：三相三线、高供高计、线路线损突增、用电量突降，A、C两相电流虽然平衡，但突降明显等；此时初步判断有二次侧对称分流的窃电嫌疑。A相或C相电流突降明显可通过检测当日某时刻A相电流或C相电流相对上周同日(同周几)同时刻A相电流或C相电流下降是否超过设定值或设定比例如20％，若超过设定值或设定比例如20％，判断为突降明显。二次侧A、B、C平衡分流的窃电手法或窃电方式对应的用电数据特征或窃电特征包括：三相四线、高供高计、线路线损突增、用电量突降、三相电流突降且平衡、电压正常等，此时判断存在二次侧A、B、C平衡分流的窃电嫌疑。
CT一次侧A相分流的窃电手法或窃电方式对应的用电数据特征或窃电特征包括：三相三线、高供高计、线路线损突增、用户用电量突降，A、C两相电流显著不平衡且A相电流突降，功率因数突降等，此时初步判断该用户存在CT一次侧A相分流的窃电嫌疑。CT一次侧C相分流的窃电手法或窃电方式对应的用电数据特征或窃电特征包括：三相三线、高供高计、线路线损突增、用户用电量突降，A、C两相电流显著不平衡且C相电流突降，功率因数突降等，此时初步判断该用户存在CT一次侧C相分流的窃电嫌疑。CT一次侧对称分流的窃电手法或窃电方式对应的用电数据特征或窃电特征包括：三相三线、高供高计、线路线损突增、用户用电量突降，A、C两相电流平衡且A、C相电流突降，功率因数突降等，此时初步判断该用户存在CT一次侧A、C相分流的窃电嫌疑。
四线低计B失压的窃电手法或窃电方式对应的用电数据特征或窃电特征包括：三相四线、高供低计、线路线损突增、用户用电流突降显著、B相电压不足等，此时初步判断存在四线低计B失压的窃电的嫌疑。四线低计A失压的窃电手法或窃电方式对应的用电数据特征或窃电特征包括：三相四线、高供低计、线路线损突增、用户用电流突降显著、A相电压不足等，此时初步判断存在四线低计A失压的窃电的嫌疑。四线低计C失压的窃电手法或窃电方式对应的用电数据特征或窃电特征包括：三相四线、高供低计、线路线损突增、用户用电流突降显著、C相电压不足等，此时初步判断存在四线低计C失压的窃电的嫌疑。用户用电流突降显著可通过检测当日某时刻用户用电电流相对上周同日(同周几)同时刻用户用电电流下降是否超过设定值或设定比例如20％，若超过设定值或设定比例如20％则判断为用户用电流突降显著。三线高计A失压的窃电手法或窃电方式对应的用电数据特征或窃电特征包括：三相三线、高供高计、线路线损突增、用户用电流突降、A相电压不足等，此时初步判断存在三线高计A失压的窃电的嫌疑。三线高计C失压的窃电手法或窃电方式对应的用电数据特征或窃电特征包括：三相三线、高供高计、线路线损突增、用户用电流突降、C相电压不足等，此时初步判断存在三线高计C失压的窃电的嫌疑。三线低计A失压的窃电手法或窃电方式对应的用电数据特征或窃电特征包括：三相三线、高供低计、线路线损突增、用户用电流突降、A相电压不足等，此时初步判断存在三线低计A失压的窃电的嫌疑。三线低计C失压的窃电手法或窃电方式对应的用电数据特征或窃电特征包括：三相三线、高供低计、线路线损突增、用户用电流突降、C相电压不足等，此时初步判断存在三线低计C失压的窃电的嫌疑。
疑似窃电时间根据异常发生或产生的时间进行推算，或根据异常发生或产生的时间结合窃电指纹库的相应窃电手法或窃电方式的对应窃电特征进行推算。
进一步，本实施例的反窃电稽查监控方法还包括：低压用户窃电监控方法。如图3所示，本发明一实施例的低压用户疑似窃电筛查模型，本实施例的低压供电模式下，展示某段时间的供电量与售电量的比对图。图3截取的某一个月时间段的供电量与销售量的比对图，纵轴表示电量KWh，横轴表示时间变化，该图仅为用于展示说明，不做限定之用。本实施例的低压用户窃电监控是一个持续的连续监控过程，可以进行长时间的监控获取数据，数据获取可根据需要进行实时抓取、实时监控。本实施例的低压用户窃电监控方法包括如下步骤：
窃电判断：获取用户的日用电量，与该用户所在台区下管理线损进行相似性比对，并根据该用户所在台区下线损率的变化趋势，生成嫌疑窃电清单；
窃电核查：根据嫌疑窃电用户清单生成反窃电稽查工单，下发派工单进行稽查，获取稽查信息，根据用户记录稽查信息；
窃电处理：根据稽查信息获取稽查情况进行窃电处理。
如图4所示，本发明一实施例的反窃电稽查监控平台，包括：
数据中心：采集或获取数据并存储，根据数据来源或数据属性包括：用电信息采集数据、客户服务数据、营销业务数据、费控数据、应用数据中的一种或多种；
数据仓库区：获取数据中心的数据进行预处理或轻度汇总，根据数据属性或处理方式不同形成预处理过程数据模块、主题域轻度汇总数据模块；
业务处理区：接收或获取数据中心数据并根据数据的不同属性或功能性或用途性进行分类，设置形成不同功能区数据模块的数据库；
数据集市区：接收指令对数据进行分析处理，根据相应的分析模型进行相应的分析预测，或根据分析指令或展示指令或展示模型进行相应的分析展示或预测展示，根据不同分析或处理包括：分析预测模块、综合展示模块、其他模块中的一种或多种。进一步，本实施例的分析预测模块接收分析预测指令根据相应分析模型或预测模型进行相应分析预测。
进一步，本实施例的分析预测模块包括：专变用户窃电识别预测模块。本实施例的专变用户窃电识别预测单元中设置有一个或多个的分析模型进行分析预测。进一步，本实施例的分析模型包括：自建专变用户窃电识别预测模型、引入模型中的一个或多个。
进一步，本实施例的自建专变用户窃电识别预测模型的构建如下：收集或采集窃电案例或样本，根据获取的窃电案例或样本进行大数据分析，获取窃电案例或样本中的用户用电数据或用户现象，获取与用电数据或用电现象对应的窃电信息，比较窃电用户与正常用户的用电数据或用电现象，进行归纳总结，根据用户用电数据或用户现象提取用户用电数据特征或用电现象特征，根据窃电信息从对应的用户用电数据或用户现象中提取窃电特征，根据相应窃电特征确定相应的窃电手法，根据窃电用户的用电数据或用电现象结合窃电信息生成用户的用电画像，对窃电用户进行归并，形成窃电案例库，根据用户的用电数据特征或窃电特征生成用户的窃电指纹，根据窃电指纹整理不同窃电手法生成窃电指纹库，建立专变用户窃电识别预测模型。
进一步，本实施例的自建专变用户窃电识别预测模块根据分析过程包括：
异常检测单元：获取专变用户用电数据或用电现象，检测用电异常，捕捉异常数据，若捕捉到异常数据，提取用户用电数据特征的特征量，将获取的异常数据与相应设置的标准数据或比较数据进行比较判断，计算违规概率；
窃电判断单元：若达到或超过设定的违规概率，根据专变用户窃电识别预测模型识别疑似窃电用户，将疑似窃电用户的用电数据特征与窃电指纹库中的窃电指纹进行匹配，初步判定疑似窃电方式、疑似窃电时间，生成嫌疑窃电用户清单；
窃电核查单元：根据嫌疑窃电用户清单生成反窃电稽查工单，下发派工单进行稽查，获取稽查信息，根据用户记录稽查信息，根据用户的稽查信息、及用电数据或用电现象，提取用户用电数据特征或用电现象特征，更新窃电案例库或窃电指纹库；
窃电处理单元：根据稽查信息获取稽查情况进行窃电处理。
进一步，本实施例的业务处理区的数据库中的功能区数据模块包括：业务处理数据模块、异常清单数据模块、系统支撑数据单元、统计报表数据单元中的一个或多个。进一步，本实施例的分析模型还包括：低压用户窃电识别预测模型。进一步，本实施例的数据集市区中的其他模块根据不同功能分析或功能预测或功能展示或分析展示进行设置或扩展，可以根据需要进行多功能扩展。
本实施例的数据中心与数据仓库区可通过ETL(Extract-Transform-Load数据仓库技术)进行数据传输、处理、运行等。ETL(Extract-Transform-Load数据仓库技术)将数据从来源端经过萃取(extract)、转置(transform)、加载(load)至目的端的过程。ETL一词较常用在数据仓库，但其对象并不限于数据仓库。业务处理区的数据库根据数据不同功能或不同特或不同用途设置不同功能区数据模块，可根据不同功能分区或功能索引对数据中心的数据进行索引查询。业务处理区可通过ETL对数据仓库区的数据进行抽取、清洗、转换、装载等处理或获取。数据集市区可通过ETL对数据仓库区的数据进行抽取、清洗、转换、装载等处理或获取。可通过数据集市区进行分析处理或预测或分析展示生成相应的报表、或进行即席查询、或进行多维分析、或进行数据挖掘等。
本实施例可根据嫌疑窃电用户的用户数据对疑似窃电方式、疑似窃电时间、用电现象中一个或多个数据或参数进行核查。
进一步，本实施例的分析预测模块还包括：低压用户窃电监控模块。进一步，本实施例的低压用户窃电监控模块包括：
窃电判断单元：获取用户的日用电量，与该用户所在台区下管理线损进行相似性比对，并根据该用户所在台区下线损率的变化趋势，生成嫌疑窃电清单；
窃电核查单元：根据嫌疑窃电用户清单生成反窃电稽查工单，下发派工单进行稽查，获取稽查信息，根据用户记录稽查信息；
窃电处理单元：根据稽查信息获取稽查情况进行窃电处理。
进一步，本实施例的窃电处理单元包括：费用计算单元：根据稽查信息核实是否窃电，若窃电，根据用户用电数据或用电现象结合窃电手法、窃电时间计算基本电费、违约罚款进行追缴。
进一步，本实施例的用电异常包括：功率异常、电量异常、线损异常、相位异常、电压异常、电流异常、功率因数异常中的一种或多种。本实施例的功率异常包括：功率超容、日有功功率变化异常、功率不平衡异常等。本实施例的电量异常包括：日用电量变化异常等。本实施例的日用电量变化异常包括：日用电量突降异常等。本实施例的线损异常包括：线路线损变化异常等。本实施例的线路线损变化异常包括：线路线损突增异常等。本实施例的电流异常包括：电流不平衡异常、电流变化异常等。本实施例的电流变化异常包括：相位电流突降异常。本实施例的电压异常包括：电压欠压异常等。本实施例的电压欠压异常包括：相位电压欠压异常等。本实施例的功率因数异常包括：功率因数变化异常等。本实施例的功率因数变化异常包括：功率因数突降异常等。
进一步，本实施例的功率超容通过检测用户某时刻有功总功率是否超出专用变压器运行容量的设定比例进行比较判断。进一步，本实施例的日有功功率变化异常检测判断通过检测某日或当日某时刻有功功率相对设定时间的同时刻有功功率的百分比是否超过设定比例进行比较判断。进一步，本实施例的功率不平衡异常的检测判断通过检测比较三相有功功率之和与总共功率的差异占比是否设定比例进行比较判断。进一步，本实施例的日用电量突降异常的检测判断通过检测用户当日或某日用电量相对设定时间的日用电量是否降低超过设定量或设定比例进行比较判断。进一步，本实施例的线路线损突增异常的检测判断通过检测用户当日或某日的线路线损相对设定时间的线路线损是否增加超过设定量或设定比例进行比较判断。
进一步，本实施例的电流不平衡异常的检测判断通过检测用户的A相电流与C相电流的离散程度进行比较判断。进一步，本实施例的相位电流突降异常的检测判断通过检测某日或当日某时刻A相、或B相、或C相的电流值相对设定时间同时刻的A相、或B相、或C相电流的下降比例或下降率是否超过设定比例或比率进行比较判断。进一步，本实施例的相位电压欠压异常的检测判断通过检测某时刻A相、或B相、或C相的电压与额定电压的差值相对额定电压的百分比是否超过设定比例进行比较判断。进一步，本实施例的功率因数突降异常的检测判断通过检测当日或某日某时刻功率因数相对设定时间的同时刻下降百分比是否超过设定比例进行比较判断。
进一步，本实施例的违规概率计算通过根据获取的异常数据相对比较数据的差异量或差异比例进行计算，所述电流不平衡异常的检测判断通过比较A相电流与C相电流的标准方差除以二者的算术平均值的计算值是否超过设定值或设定比例进行比较判断。
进一步，本实施例的用户画像包括：用户信息、用户用电信息、特征数据、窃电信息中的一种或多种。本实施例的用户信息包括：用户身份信息、用户属性信息中的一种或多种。本实施例的用户用电信息包括：用户的用电数据或用电现象。本实施例的用户的用电数据或用电现象包括：用电参数或指标信息、用电参数或指标的变化信息、用电参数或指标的数据统计信息、用电参数或指标的数据分析信息中的一种或多种。本实施例的特征数据包括：用户的用电数据特征或用电现象特征。本实施例的窃电信息包括：窃电手法、窃电特征、窃电时间、窃电现象、窃电发现信息、窃电排查信息、窃电处理信息中的一种或多种。
如图2所示，本实施例的部分窃电指纹的列表，相应窃电手法对应的用电数据特征、窃电特征等。进一步，本实施例的用户的用电数据特征包括：接线方式、计量方式、线路线损变化、日用电量变化、A相欠压比例、B相欠压比例、C相欠压比例、A相电流变化、B相电流变化、C相电流变化、电流不平衡情况、功率超容情况、功率因数变化、有功功率变化中的一种或多种。同一用电数据特征中可通过不同代码表示用电数据特征的不同特征或属性或种类。如在接线方式中采用－1表示三相四线，1表示三相三线等。在计量方式中可采用用1表示高供高计，－1表示高供低计等。在线路线损变化中可用1表示线路线损突增，可用0表示未突增等。功率超容特征中可采用1表示超容，0表示未超容等。电流突降中可采用1表示突降，0表示未突降等。欠压百分比参数中可采用1表示电压不足超过额定电压的设定量或设定比例，0表示未欠压或未超量等。
进一步，本实施例的窃电手法或窃电方式包括：私自增容、二次侧A相分流、二次侧C相分流、二次侧对称分流、二次侧ABC平衡分流、CT一次侧A相分流、CT一次侧C相分流、CT一次侧对称分流、四线低计B失压、四线低计A失压、四线低计C失压、三线高计A失压、三线高计C失压、三线低计A失压、三线低计C失压中的一种或多种。
优选的，若用电数据特征或窃电特征包括：三相四线、高供低计、XXX时刻瞬间总有功功率超高、超出专用变压器运行容量的设定量或设定比例，则初步判断存在私自增容嫌疑；或三相四线、高供高计、XXX时刻瞬间总有功功率超高、超出专用变压器运行容量的设定量或设定比例，则初步判断存在私自增容嫌疑；或三相三线、高供低计、XXX时刻瞬间总有功功率超高、超出专用变压器运行容量的设定量或设定比例，则初步判断存在私自增容嫌疑；或三相三线、高供高计、XXX时刻瞬间总有功功率超高、超出专用变压器运行容量的设定量或设定比例，则初步判断存在私自增容嫌疑。
优选的，若用电数据特征或窃电特征包括：三相三线、高供高计、电流显著不平衡且Ia远远小于Ic，初步判断存在二次侧A相分流的窃电嫌疑。优选地，若用电数据特征或窃电特征包括：三相三线、高供高计、电流显著不平衡且Ic远远小于Ia，初步判断存在二次侧C相分流的窃电嫌疑。优选地，若用电数据特征或窃电特征包括：三相三线、高供高计、线路线损突增、用电量突降，A、C两相电流虽然平衡，但突降明显，初步判断有二次侧对称分流的窃电嫌疑。优选地，若用电数据特征或窃电特征包括：三相四线、高供高计、线路线损突增、用电量突降、三相电流突降且平衡、电压正常，初步判断存在二次侧A、B、C平衡分流的窃电嫌疑。优选地，若用电数据特征或窃电特征包括：三相三线、高供高计、线路线损突增、用户用电量突降，A、C两相电流显著不平衡且A相电流突降，功率因数突降，初步判断该用户存在CT一次侧A相分流的窃电嫌疑。优选地，若用电数据特征或窃电特征包括：三相三线、高供高计、线路线损突增、用户用电量突降，A、C两相电流显著不平衡且C相电流突降，功率因数突降，初步判断存在CT一次侧C相分流的窃电嫌疑。优选地，若用电数据特征或窃电特征包括：三相三线、高供高计、线路线损突增、用户用电量突降，A、C两相电流平衡且A、C相电流突降，功率因数突降，初步判断该用户存在CT一次侧A、C相分流窃电的嫌疑。
优选地，若用电数据特征或窃电特征包括：三相四线、高供低计、线路线损突增、用户用电流突降显著、B相电压不足，初步判断存在四线低计B失压窃电的嫌疑。优选地，若用电数据特征或窃电特征包括：三相四线、高供低计、线路线损突增、用户用电流突降显著、A相电压不足，初步判断存在四线低计A失压窃电的嫌疑。优选地，若用电数据特征或窃电特征包括：三相四线、高供低计、线路线损突增、用户用电流突降显著、C相电压不足，初步判断存在四线低计C失压窃电的嫌疑。优选地，若用电数据特征或窃电特征包括：三相三线、高供高计、线路线损突增、用户用电流突降、A相电压不足，初步判断存在三线高计A失压的窃电的嫌疑。优选地，若用电数据特征或窃电特征包括：三相三线、高供高计、线路线损突增、用户用电流突降、C相电压不足，初步判断存在三线高计C失压窃电的嫌疑。优选地，若用电数据特征或窃电特征包括：三相三线、高供低计、线路线损突增、用户用电流突降、A相电压不足，初步判断存在三线低计A失压窃电的嫌疑。优选地，若用电数据特征或窃电特征包括：三相三线、高供低计、线路线损突增、用户用电流突降、C相电压不足，初步判断存在三线低计C失压窃电的嫌疑。
本实施例的反窃电稽查监控平台，全面提升反窃电工作信息化、智能化水平，加强全过程质量闭环管理，深化大数据反窃电分析预警应用，精准定位窃电和违约用电客户，服务提质增效；根据“集团化运作、集约化发展、精益化管理、标准化建设”的要求，优化整合反窃电资源，确保各项工作流程顺畅、高效运转。本实施例的反窃电稽查监控平台包含：首页、反窃电监控、反窃电稽查、反窃电分析、反窃电奖惩、天网行动、基础数据管理、辅助功能、系统支撑等大功能项。本实施例的反窃电稽查监控平台进一步包括：疑似窃电用户筛查、疑似窃电用户分析、疑似窃电用户现场核查、窃电用户处理、窃电用户监控、高损台区监控、高损台区核查、反窃电业务人员奖惩计算、反窃电成效统计分析、反窃电业务人员奖惩统计、反窃电案例库、反窃电模型库等功能项。同时本实施例的反窃电稽查监控平台可与营销业务应用系统、微信、供电服务指挥平台、用电采集信息系统、掌机app、外网app等多个系统设计开发接口，进行数据交互，提高现场作业能力。
本实施例的反窃电稽查监控平台可采用统一应用平台(EOS)，采用技术统一、架构柔性、性能高效、安全可靠的企业级信息系统基础框架和公共套件集，支撑业务系统的设计、开发、测试、发布、运行的全过程；为系统开发提供平台组件按需分类加载机制，降低运行时资源开销，制定平台组件模块化规范，方便各研发单位为平台贡献优秀组件，提供平台组件运行状态的监视接口，方便进行集中监控，提供可扩展的面向资源服务交互，适应云环境下的系统构建，提供良好的国际化接口，为平台提供全面的国际化支持。业务流程管理(BPS)作为EOS开发平台的重要组成部分，覆盖流程建设过程中的建模、测试、运行、监控、调整等阶段，为企业业务流程整合提供有效的技术支撑，全面实现业务流程的集约化管理。发布管理平台(GOVERNOR)可以实现项目补丁包、部署包等发布功能，并可查询在线用户或操作日志等功能用于监控系统。反窃电稽查监控平台为一个综合管理平台，其数据可基于营销相关业务系统、电采系统、供电服务指挥平台、及外部系统。反窃电稽查监控平台的数据模型的设计基于其业务需求和相关业务系统的数据特性。反窃电稽查监控平台的数据架构基于数据模型进行设计。数据架构中，数据技术分类、数据部署设计，每个方面分别解决某个领域的关键问题，同时又相互支撑，互为补充，形成一个统一、有机的整体。数据技术分类和数据部署设计在数据模型的基础上展开，按照不同的数据分类，结合系统架构的要求进行数据部署设计。
数据技术分类设计是基于反窃电稽查监控平台的数据模型和海量数据的处理实践，从技术角度，将反窃电稽查监控平台所需要的所有数据进行具体分类，并针对不同技术类别的数据特性采用不同的存储方式和处理方式，以保证系统的处理性能、灵活性和可扩展性。
反窃电稽查监控平台根据数据的不同属性对平台中的数据进行分类，根据数据的获取方式不同可分为：自动转入数据和手工录入数据。自动转入数据包括：从其他分析模型平台转入的疑似窃电用户数据、及从其它业务系统中通过各种数据接口方式导入到反窃电稽查监控平台的数据，如从供电服务指挥平台获得的举报窃电的数据、从电采系统获得的用户的电量、电流、电压、功率因数等数据。手工录入数据为通过反窃电稽查监控平台的录入界面由人工逐条录入的数据，如：反窃电稽查业务数据、案例库数据、查处人信息等。
根据数据的来源不同可分为：原生数据、再生数据。原生数据为直接从反窃电稽查监控平台外部获得的或手工录入的数据，任何从系统外直接进入系统的数据都成为原生数据。如：通过接口获得的各外部系统数据都属于原生数据。再生数据为在原生数据基础上经计算处理产生的数据，如通过筛选产生的异常信息数据，通过各种指标的计算数据等都属于再生数据。根据数据获取的频率不同可分为：实时(准实时)数据、非实时数据。实时(准实时)数据为根据反窃电稽查监控平台需要实时监控、实时查询分析需求时，需要营销基础数据平台提供的实时(准实时)数据。此类型数据按一定的频度采集。通常实时数据的数据量比较大，而且会随着时间的增长而线性增长。非实时数据主要指不发生变化，或很少发生变化的数据，如代码表、参数、组织结构数据、用户数据等数据。非实时数据的数据量一般相对固定，一般不会随着时间的推移而发生急剧的变化。实时(准实时)数据主要通过通信接口即时从各业务应用系统获取的数据，如用户档案数据等基础业务数据。
根据数据的用途不同可分为：事务型数据、分析型数据。事务型数据主要指反窃电稽查监控平台上在业务处理过程产生的数据。主要用于支持平台业务运转，从业务处理过程中产生，或为业务的正常执行而提前准备的公共基础数据。这些数据可通过多种方式进入平台系统，并通过不同的工作流程，由不同岗位的人员协作进行补充完善，最终形成完整的各种事务数据。如反窃电稽查监控流程数据、高损台区信息数据、疑似窃电用户数据、客户档案数据等。分析型数据主要来源于事务型数据，并经过加工处理的数据。主要对反窃电稽查监控平台进行综合展示、分析与辅助决策。根据数据的存储不同可分为：生产数据、备份数据。生产数据主要指存放在生产数据库中以支撑业务处理的数据。这类数据的响应时间要求高。备份数据主要对平台的各种数据采用磁带库或者其他备份方式进行备份存放的数据。由于需要按照备份策略完成各类数据的完全备份、增量备份、差分备份等，因此通常备份数据量巨大，与应用不直接连接，当需要访问这部分数据时，需要进行数据恢复操作才能使用。根据结构化定义可以分为：结构化数据和非结构化数据。结构化数据为行数据，存储在数据库表中，可以用二维表结构来逻辑表达实现的数据，例如业务应用的信息数据。非结构化数据就是指视频、语音、图片等。根据数据安全又分为：关键敏感数据、普通业务数据、公开数据。关键敏感数据数据主要指与资金流、资产流相关的数据，如：举报人姓名、举报人电话等关键敏感信息等。普通业务数据主要指一般业务处理的数据，如：服务请求信息、服务方式等。公开数据主要指公开发布的数据，如：技术规范、政策文件等。具体数据安全策略根据采用或设计的安全架构进行设计。
本实施例的反窃电稽查监控平台可采用网省公司集中部署模式，可采用将结构化数据部署在反窃电稽查监控平台，数据均可进行集中存储和管理。反窃电稽查监控平台主要存放疑似窃电用户数据、高损台区信息数据、统计分析数据、反窃电稽查监控流程业务过程数据、分析数据以及轻度汇总数据等，以支撑反窃电稽查监控平台进行综合展示、考核评价、主题分析、报表分析等。
本实施例的反窃电稽查监控平台通过人工智能、大数据技术的相应算法，构建基于用电数据的反窃电模型，获得嫌疑窃电用户清单。对反窃电工作的业务进行梳理研究，结合用电数据特征，根据自身业务特点建立反窃电模型，形成反窃电模型库。反窃电模型或分析模型包括：低压用户窃电识别预测模型、专变用户窃电识别预测模型、引入模型等。引入模型根据需要引入一种或多种。
本实施例的低压用户窃电监控方法将用户的日用电量与该用户所在台区下管理线损进行相似性比对，同时基于台区下线损率的趋势，生成嫌疑窃电清单。本实施例的每个台区下管理的线路线损可通过大数据采集分析，根据时间生成线损变化图，生成线损率变化趋势图，以作为比较基准。每个台区下的供电量也可通过大数据采集分析，生成时间变化趋势图。本发明通过大数据分析技术，实现窃电用户的自动识别，降低了一线用检人员的工作强度，同时也提升了其工作效率。
本实施例的专变用户窃电识别预测模型基于对历史窃电样本的探索，发掘专变窃电用户的用电信号特征(用电数据特征或用电现象特征)，并将这些信号进行总结、归纳，生成用户的用电画像，通过对历史窃电用户进行归并、整理形成经典的窃电案例库。根据用户的用电信号特征，基于转换规则生成用户的窃电指纹，整理不同的窃电手法生成窃电指纹库。基于窃电指纹库与用户的用电信号，建立专变用户窃电识别模型，精准定位窃电用户，并给出嫌疑窃电手法。本实施例的专变用户窃电识别预测模型摒弃了传统的单指标预警、主观性强等缺点，通过追溯历史窃电用户的用电信号，总结窃电用户与正常用户的用电特征，生成用户的用电画像，利用大数据分析向量相似性算法，生成嫌疑窃电用户清单，同时提供疑似窃电手法、疑似窃电日期。
本实施例的反窃电稽查监控平台结合反窃电业务，支持从疑似窃电用户筛查分析到对疑似窃电用户进行现场核查，再到对窃电用户进行处理，最终形成案例库，并根据窃电的处理情况对反窃电人员奖励、反窃电进行统计分析等对反窃电业务全流程管控。
本实施例的反窃电稽查监控平台不但支持平台内部构建的模型进行数据筛查分析展示，并可扩展兼容外部模型，可采用人工线下分析等多途径的疑似窃电用户分析展示，最终结合多模型筛查分析结果，标记展示窃电嫌疑最大的用户，提升排查准确率。
为了扩展疑似窃电用户数据分析来源，本实施例的反窃电稽查监控平台结合即时通信平台设计相应的举报入口，如在微信平台中开设微信公众号开发设计了微信举报入口，所有关注微信公众号的用户均可通过公众号举报发现的疑似窃电用户信息，并支持拍照、视频等现场信息的上传。本实施例的反窃电稽查监控平台开发设计了模型管理，监管各个模型的统计口径、数据来源、筛查频度等，并统计分析各模型筛查情况、现场排查情况、排查准确情况等，对各模型的迭代升级提供业务数据支撑。根据嫌疑窃电用户清单生成反窃电稽查工单，下发派工单进行稽查。根据派工单或现场稽查情况，详细记录现场进行窃电稽查人员，摒弃以前只能记录一个反窃电现场稽查人员的情况。反窃电稽查监控平台将现场稽查人员根据各自职能或职责划分分为查处人、处理人、协助查处人、举报人等。每一类或每种职能人员可选择多个反窃电人员。同时支持手持终端或手机APP端上传现场照片、视频等资料文件到反窃电稽查监控平台。
为保证数据的准确计算，本实施例的反窃电稽查监控平台在处理环节可直接调用营销业务应用系统算费方法，保证算法的统一、计算结果的准确。本实施例的反窃电稽查监控平台在处理环节对不同类型的窃电用户进行不同的处理方法，分别对窃电用户、违约用户按照不同的方式进行追补违约使用电费。
本实施例的反窃电稽查监控平台针对典型的反窃电案例形成案例库，详细记录窃电用户的现象、如何发现、如何排查、如何处理等过程信息，并通过反窃电平台分享，供所有反窃电人学习。本实施例的反窃电稽查监控平台根据现场反窃电业务开展情况，形成反窃电日报、周报、月报、季报、年报等一系列报表数据，并分别以报表、柱图、线图、饼图、曲面图、热力地图等各种形式展示窃电用户分布情况、反窃电业务开展成效分析情况等。根据相关规定，针对不同类型人员按照各自的分配比例进行奖励计算，并最终形成统计分析报表，各单位根据奖惩统计分析情况进行落实奖励，并最终由接受奖励人员在平台进行奖励落实确认。
本实施例的反窃电稽查监控平台通过监控高损台区信息，并关联该台区下疑似窃电用户情况、窃电用户情况等分析，制定现场排查计划任务。通过监控已排查的高损台区的线损反弹情况，重点核查线损反弹情况，防止台区下用户反复窃电。通过对连续高损台区进行监控，制定台区普查任务，根除台区高损情况。对已查实的窃电用户进行监控，采取相关措施进行相应处理以防止用户反复窃电。如对多次窃电、反复窃电的用户可采用进行推荐加入征信用户。与征信部门进行对接，打通反窃电系统与征信平台接口，对于性质恶劣、造成重大影响的窃电用户，通过反窃电平台直接推送窃电用户信息到征信平台，实现征信用户信息自动交互，助力市县公司利用社会公关资源制约窃电违法失信行为。
本实施例的反窃电稽查监控平台的反窃电接口包括：业务数据接口、业务流程交互接口。本实施例的反窃电稽查监控平台通过业务数据接口可从营销业务应用系统获取档案数据、用电检查数据、退补数据、违约窃电数据等营销数据；可从采集系统实时获取全事件采集数据、计量异常数据、电量数据、电压电流类数据、负荷数据、线损数据、停电事件数据等采集数据。对获取的营销数据、采集数据通过大数据算法模型筛选疑似窃电用户信息。本实施例的反窃电稽查监控平台从供电服务指挥平台系统定时获取用户窃电举报数据，并加入反窃电预警分析疑似窃电用户集中，进行疑似窃电用户分析处理。通过业务流程交互接口实现反窃电业务流程数据与营销业务应用系统业务流程数据交互。通过调用营销业务应用系统算费方法进行电量电费信息的计算，保证电量电费数据一致，同时反窃电稽查监控平台与营销业务应用系统进行流程数据交互，保证流程数据一致。通过业务流程交互接口实现反窃电业务流程数据与手持终端如掌机app业务流程数据交互。反窃电稽查监控平台通过与手持终端如掌机app进行业务数据交互，可实现了反窃电业务的现场作业的信息或情况的实时上传或及时上传，实现现场检查、现场办公、现场处理等。通过业务流程交互接口实现反窃电业务流程数据与即时通信平台如微信公众号举报业务流程数据交互。反窃电稽查监控平台可通过与微信公众号进行接口数据交互，实现了数据的内外网交互，提高了公众反窃电的意识，任何关注公众号的人员均可举报发现的疑似窃电用户信息，扩展了反窃电业务的监控力量。通过业务流程交互接口可实现反窃电业务流程数据与现场移动作业终端(用电检查)app业务流程数据交互。可实现反窃电业务移动作业、移动办公，随时随地查看报表统计等功能。
本实施例的反窃电稽查工单处理包括：疑似窃电用户上报、反窃电稽查工单生成、反窃电稽查工单核查处理、反窃电稽查工单审核、反窃电稽查工单处理等环节。本实施例的反窃电稽查监控方法及平台通过对典型违约窃电案例进行分析，总结案例中用于判断异常的特征，形成案例特征库，构建基于大数据的用户窃电行为预测模型，精准定位窃电行为，指导市县供电公司高效开展反窃电稽查工作。本实施例的反窃电稽查监控平台不仅支持平台内部自建模型对疑似窃电用户进行分析，还可引入外部模型进行分析预测。可通过微信公众号举报的疑似窃电用户、外部模型分析疑似窃电用户等信息展示，还支持用电检查人员现场工作过程中有意或者无意中发现的窃电用户信息录入功能。本实施例的反窃电稽查工单与营销业务应用系统可进行全过程数据交互，保证数据一致。工单处理环节可支持PC端处理、现场移动作业终端(掌机)app端处理，同时支持从各现场终端录入疑似窃电用户信息。
本实施例的反窃电稽查监控平台设置多级审批功能，如可根据需要设置五级审批功能，可采用根据现场处理的窃电金额，设置不同级别的审批。本实施例的反窃电稽查监控平台根据采集或获取的案例样本开发案例库，反窃电的典型案例形成案例入库存档，共享学习反窃查违经验。若违规概率达到或超过设定概率则可根据专变用户窃电识别预测模型识别疑似窃电用户，将疑似窃电用户的用电数据特征与窃电指纹库中的窃电指纹进行匹配，自动形成疑似窃电用户分析报告，以表格加线图的形式展示疑似窃电用户区间段用电情况及自动分析结果，为现场分析排查提供支撑。
以上述依据本申请的理想实施例为启示，通过上述的说明内容，相关工作人员完全可以在不偏离本项申请技术思想的范围内，进行多样的变更以及修改。本项申请的技术性范围并不局限于说明书上的内容，必须要根据权利要求范围来确定其技术性范围。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
Claims (10)
1.一种反窃电稽查监控方法，其特征在于，包括：专变用户窃电稽查监控方法，所述专变用户窃电稽查监控方法包括：
构建识别预测模型：收集或采集窃电案例或样本，根据获取的窃电案例或样本进行大数据分析，获取窃电案例或样本中的用户用电数据或用户现象，获取与用电数据或用电现象对应的窃电信息，比较窃电用户与正常用户的用电数据或用电现象，进行归纳总结，根据用户用电数据或用户现象提取用户用电数据特征或用电现象特征，根据窃电信息从对应的用户用电数据或用户现象中提取窃电特征，根据相应窃电特征确定相应的窃电手法，根据窃电用户的用电数据或用电现象结合窃电信息生成用户的用电画像，对窃电用户进行归并，形成窃电案例库，根据用户的用电数据特征或窃电特征生成用户的窃电指纹，根据窃电指纹整理不同窃电手法生成窃电指纹库，建立专变用户窃电识别预测模型；
异常检测：获取专变用户用电数据或用电现象，检测用电异常，捕捉异常数据，若捕捉到异常数据，提取用户用电数据特征的特征量，将获取的异常数据与相应设置的标准数据或比较数据进行比较判断，计算违规概率；
窃电判断：若达到或超过设定的违规概率，则根据专变用户窃电识别预测模型识别疑似窃电用户，将疑似窃电用户的用电数据特征与窃电指纹库中的窃电指纹进行匹配，初步判定疑似窃电方式、疑似窃电时间，生成嫌疑窃电用户清单；
窃电核查：根据嫌疑窃电用户清单生成反窃电稽查工单，下发派工单进行稽查，获取稽查信息，根据用户记录稽查信息，根据用户的稽查信息、及用电数据或用电现象，提取用户用电数据特征或用电现象特征，更新窃电案例库或窃电指纹库；
窃电处理：根据稽查信息获取稽查情况进行窃电处理。
2.根据权利要求1所述的反窃电稽查监控方法，其特征在于，所述窃电处理包括：
费用计算：根据稽查信息核实是否窃电，若窃电，根据用户用电数据或用电现象结合窃电手法、窃电时间计算基本电费、违约罚款进行追缴。
3.根据权利要求1所述的反窃电稽查监控方法，其特征在于，所述用电异常包括：功率异常、电量异常、线损异常、相位异常、电压异常、电流异常、功率因数异常中的一种或多种，所述功率异常包括：功率超容、日有功功率变化异常、功率不平衡异常，所述电量异常包括：日用电量变化异常，所述日用电量变化异常包括：日用电量突降异常，所述线损异常包括：线路线损变化异常，所述线路线损变化异常包括：线路线损突增异常，所述电流异常包括：电流不平衡异常、电流变化异常，所述电流变化异常包括：相位电流突降异常，所述电压异常包括：电压欠压异常，所述电压欠压异常包括：相位电压欠压异常，所述功率因数异常包括：功率因数变化异常，所述功率因数变化异常包括：功率因数突降异常。
4.根据权利要求3所述的反窃电稽查监控方法，其特征在于，所述功率超容通过检测用户某时刻有功总功率是否超出专用变压器运行容量的设定比例进行比较判断，
所述日有功功率变化异常检测判断通过检测某日或当日某时刻有功功率相对设定时间的同时刻有功功率的百分比是否超过设定比例进行比较判断；
所述功率不平衡异常的检测判断通过检测比较三相有功功率之和与总共功率的差异占比是否设定比例进行比较判断；
所述日用电量突降异常的检测判断通过检测用户当日或某日用电量相对设定时间的日用电量是否降低超过设定量或设定比例进行比较判断；
所述线路线损突增异常的检测判断通过检测用户当日或某日的线路线损相对设定时间的线路线损是否增加超过设定量或设定比例进行比较判断；
所述电流不平衡异常的检测判断通过检测用户的A相电流与C相电流的离散程度进行比较判断；
所述相位电流突降异常的检测判断通过检测某日或当日某时刻A相、或B相、或C相的电流值相对设定时间同时刻的A相、或B相、或C相电流的下降比例或下降率是否超过设定比例或比率进行比较判断；
所述相位电压欠压异常的检测判断通过检测某时刻A相、或B相、或C相的电压与额定电压的差值相对额定电压的百分比是否超过设定比例进行比较判断；
所述功率因数突降异常的检测判断通过检测当日或某日某时刻功率因数相对设定时间的同时刻下降百分比是否超过设定比例进行比较判断。
5.根据权利要求4所述的反窃电稽查监控方法，其特征在于，所述违规概率计算通过根据获取的异常数据相对比较数据的差异量或差异比例进行计算，所述电流不平衡异常的检测判断通过比较A相电流与C相电流的标准方差除以二者的算术平均值的计算值是否超过设定值或设定比例进行比较判断。
6.根据权利要求1至5任意一项所述的反窃电稽查监控方法，其特征在于，所述用户画像包括：用户信息、用户用电信息、特征数据、窃电信息中的一种或多种，
所述用户信息包括：用户身份信息、用户属性信息中的一种或多种，
所述用户用电信息包括：用户的用电数据或用电现象，所述用户的用电数据或用电现象包括：用电参数或指标信息、用电参数或指标的变化信息、用电参数或指标的数据统计信息、用电参数或指标的数据分析信息中的一种或多种，
所述特征数据包括：用户的用电数据特征或用电现象特征，
所述窃电信息包括：窃电手法、窃电特征、窃电时间、窃电现象、窃电发现信息、窃电排查信息、窃电处理信息中的一种或多种。
7.根据权利要求1至5任意一项所述的反窃电稽查监控方法，其特征在于，用户的用电数据特征包括：接线方式、计量方式、线路线损变化、日用电量变化、A相欠压比例、B相欠压比例、C相欠压比例、A相电流变化、B相电流变化、C相电流变化、电流不平衡情况、功率超容情况、功率因数变化、有功功率变化中的一种或多种；
优选的，窃电手法或窃电方式包括：私自增容、二次侧A相分流、二次侧C相分流、二次侧对称分流、二次侧ABC平衡分流、CT一次侧A相分流、CT一次侧C相分流、CT一次侧对称分流、四线低计B失压、四线低计A失压、四线低计C失压、三线高计A失压、三线高计C失压、三线低计A失压、三线低计C失压中的一种或多种；
优选的，若用电数据特征或窃电特征包括：三相四线、高供低计、XXX时刻瞬间总有功功率超高、超出专用变压器运行容量的设定量或设定比例，则初步判断存在私自增容嫌疑；或三相四线、高供高计、XXX时刻瞬间总有功功率超高、超出专用变压器运行容量的设定量或设定比例，则初步判断存在私自增容嫌疑；或三相三线、高供低计、XXX时刻瞬间总有功功率超高、超出专用变压器运行容量的设定量或设定比例，则初步判断存在私自增容嫌疑；或三相三线、高供高计、XXX时刻瞬间总有功功率超高、超出专用变压器运行容量的设定量或设定比例，则初步判断存在私自增容嫌疑；
优选的，若用电数据特征或窃电特征包括：三相三线、高供高计、电流显著不平衡且Ia远远小于Ic，初步判断存在二次侧A相分流的窃电嫌疑；
优选地，若用电数据特征或窃电特征包括：三相三线、高供高计、电流显著不平衡且Ic远远小于Ia，初步判断存在二次侧C相分流的窃电嫌疑；
优选地，若用电数据特征或窃电特征包括：三相三线、高供高计、线路线损突增、用电量突降，A、C两相电流虽然平衡，但突降明显，初步判断有二次侧对称分流的窃电嫌疑；
优选地，若用电数据特征或窃电特征包括：三相四线、高供高计、线路线损突增、用电量突降、三相电流突降且平衡、电压正常，初步判断存在二次侧A、B、C平衡分流的窃电嫌疑；
优选地，若用电数据特征或窃电特征包括：三相三线、高供高计、线路线损突增、用户用电量突降，A、C两相电流显著不平衡且A相电流突降，功率因数突降，初步判断该用户存在CT一次侧A相分流的窃电嫌疑；
优选地，若用电数据特征或窃电特征包括：三相三线、高供高计、线路线损突增、用户用电量突降，A、C两相电流显著不平衡且C相电流突降，功率因数突降，初步判断存在CT一次侧C相分流的窃电嫌疑；
优选地，若用电数据特征或窃电特征包括：三相三线、高供高计、线路线损突增、用户用电量突降，A、C两相电流平衡且A、C相电流突降，功率因数突降，初步判断该用户存在CT一次侧A、C相分流窃电的嫌疑；
优选地，若用电数据特征或窃电特征包括：三相四线、高供低计、线路线损突增、用户用电流突降显著、B相电压不足，初步判断存在四线低计B失压窃电的嫌疑；
优选地，若用电数据特征或窃电特征包括：三相四线、高供低计、线路线损突增、用户用电流突降显著、A相电压不足，初步判断存在四线低计A失压窃电的嫌疑；
优选地，若用电数据特征或窃电特征包括：三相四线、高供低计、线路线损突增、用户用电流突降显著、C相电压不足，初步判断存在四线低计C失压窃电的嫌疑；
优选地，若用电数据特征或窃电特征包括：三相三线、高供高计、线路线损突增、用户用电流突降、A相电压不足，初步判断存在三线高计A失压的窃电的嫌疑；
优选地，若用电数据特征或窃电特征包括：三相三线、高供高计、线路线损突增、用户用电流突降、C相电压不足，初步判断存在三线高计C失压窃电的嫌疑；
优选地，若用电数据特征或窃电特征包括：三相三线、高供低计、线路线损突增、用户用电流突降、A相电压不足，初步判断存在三线低计A失压窃电的嫌疑；
优选地，若用电数据特征或窃电特征包括：三相三线、高供低计、线路线损突增、用户用电流突降、C相电压不足，初步判断存在三线低计C失压窃电的嫌疑。
8.根据权利要求1至5任意一项所述的反窃电稽查监控方法，其特征在于，还包括：低压用户窃电监控方法，所述低压用户窃电监控方法包括：
窃电判断：获取用户的日用电量，与该用户所在台区下管理线损进行相似性比对，并根据该用户所在台区下线损率的变化趋势，生成嫌疑窃电清单；
窃电核查：根据嫌疑窃电用户清单生成反窃电稽查工单，下发派工单进行稽查，获取稽查信息，根据用户记录稽查信息；
窃电处理：根据稽查信息获取稽查情况进行窃电处理。
9.一种反窃电稽查监控平台，其特征在于，包括：
数据中心：采集或获取数据并存储，根据数据来源或数据属性包括：用电信息采集数据、客户服务数据、营销业务数据、费控数据、应用数据中的一种或多种，
数据仓库区：获取数据中心的数据进行预处理或轻度汇总，根据数据属性或处理方式不同形成预处理过程数据模块、主题域轻度汇总数据模块，
业务处理区：接收或获取数据中心数据并根据数据的不同属性或功能性或用途性进行分类，设置形成不同功能区数据模块的数据库，
数据集市区：接收指令对数据进行分析处理，根据相应的分析模型进行相应的分析预测，或根据分析指令或展示指令或展示模型进行相应的分析展示或预测展示，根据不同分析或处理包括：分析预测模块、综合展示模块、其他模块中的一种或多种；
所述分析预测模块接收分析预测指令根据相应分析模型或预测模型进行相应分析预测，
所述分析预测模块包括：专变用户窃电识别预测模块，
所述专变用户窃电识别预测单元中设置有一个或多个的分析模型进行分析预测，
分析模型包括：自建专变用户窃电识别预测模型、引入模型中的一个或多个，
所述自建专变用户窃电识别预测模型的构建如下：收集或采集窃电案例或样本，根据获取的窃电案例或样本进行大数据分析，获取窃电案例或样本中的用户用电数据或用户现象，获取与用电数据或用电现象对应的窃电信息，比较窃电用户与正常用户的用电数据或用电现象，进行归纳总结，根据用户用电数据或用户现象提取用户用电数据特征或用电现象特征，根据窃电信息从对应的用户用电数据或用户现象中提取窃电特征，根据相应窃电特征确定相应的窃电手法，根据窃电用户的用电数据或用电现象结合窃电信息生成用户的用电画像，对窃电用户进行归并，形成窃电案例库，根据用户的用电数据特征或窃电特征生成用户的窃电指纹，根据窃电指纹整理不同窃电手法生成窃电指纹库，建立专变用户窃电识别预测模型；
所述自建专变用户窃电识别预测模块根据分析过程包括：
异常检测单元：获取专变用户用电数据或用电现象，检测用电异常，捕捉异常数据，若捕捉到异常数据，提取用户用电数据特征的特征量，将获取的异常数据与相应设置的标准数据或比较数据进行比较判断，计算违规概率，
窃电判断单元：若达到或超过设定的违规概率，根据专变用户窃电识别预测模型识别疑似窃电用户，将疑似窃电用户的用电数据特征与窃电指纹库中的窃电指纹进行匹配，初步判定疑似窃电方式、疑似窃电时间，生成嫌疑窃电用户清单，
窃电核查单元：根据嫌疑窃电用户清单生成反窃电稽查工单，下发派工单进行稽查，获取稽查信息，根据用户记录稽查信息，根据用户的稽查信息、及用电数据或用电现象，提取用户用电数据特征或用电现象特征，更新窃电案例库或窃电指纹库，
窃电处理单元：根据稽查信息获取稽查情况进行窃电处理。
10.根据权利要求9所述的反窃电稽查监控平台，其特征在于，所述业务处理区的数据库中的功能区数据模块包括：业务处理数据模块、异常清单数据模块、系统支撑数据单元、统计报表数据单元中的一个或多个，
所述分析预测模块还包括：低压用户窃电监控模块，所述低压用户窃电监控模块包括：
窃电判断单元：获取用户的日用电量，与该用户所在台区下管理线损进行相似性比对，并根据该用户所在台区下线损率的变化趋势，生成嫌疑窃电清单，
窃电核查单元：根据嫌疑窃电用户清单生成反窃电稽查工单，下发派工单进行稽查，获取稽查信息，根据用户记录稽查信息，
窃电处理单元：根据稽查信息获取稽查情况进行窃电处理；
优选地，所述窃电处理单元包括：费用计算单元：根据稽查信息核实是否窃电，若窃电，根据用户用电数据或用电现象结合窃电手法、窃电时间计算基本电费、违约罚款进行追缴；
优选地，所述用电异常包括：功率异常、电量异常、线损异常、相位异常、电压异常、电流异常、功率因数异常中的一种或多种，所述功率异常包括：功率超容、日有功功率变化异常、功率不平衡异常，所述电量异常包括：日用电量变化异常，所述日用电量变化异常包括：日用电量突降异常，所述线损异常包括：线路线损变化异常，所述线路线损变化异常包括：线路线损突增异常，所述电流异常包括：电流不平衡异常、电流变化异常，所述电流变化异常包括：相位电流突降异常，所述电压异常包括：电压欠压异常，所述电压欠压异常包括：相位电压欠压异常，所述功率因数异常包括：功率因数变化异常，所述功率因数变化异常包括：功率因数突降异常；
优选地，所述功率超容通过检测用户某时刻有功总功率是否超出专用变压器运行容量的设定比例进行比较判断，
优选地，所述日有功功率变化异常检测判断通过检测某日或当日某时刻有功功率相对设定时间的同时刻有功功率的百分比是否超过设定比例进行比较判断；
优选地，所述功率不平衡异常的检测判断通过检测比较三相有功功率之和与总共功率的差异占比是否设定比例进行比较判断；
优选地，所述日用电量突降异常的检测判断通过检测用户当日或某日用电量相对设定时间的日用电量是否降低超过设定量或设定比例进行比较判断；
优选地，所述线路线损突增异常的检测判断通过检测用户当日或某日的线路线损相对设定时间的线路线损是否增加超过设定量或设定比例进行比较判断；
优选地，所述电流不平衡异常的检测判断通过检测用户的A相电流与C相电流的离散程度进行比较判断；
优选地，所述相位电流突降异常的检测判断通过检测某日或当日某时刻A相、或B相、或C相的电流值相对设定时间同时刻的A相、或B相、或C相电流的下降比例或下降率是否超过设定比例或比率进行比较判断；
优选地，所述相位电压欠压异常的检测判断通过检测某时刻A相、或B相、或C相的电压与额定电压的差值相对额定电压的百分比是否超过设定比例进行比较判断；
优选地，所述功率因数突降异常的检测判断通过检测当日或某日某时刻功率因数相对设定时间的同时刻下降百分比是否超过设定比例进行比较判断；
优选地，所述违规概率计算通过根据获取的异常数据相对比较数据的差异量或差异比例进行计算，所述电流不平衡异常的检测判断通过比较A相电流与C相电流的标准方差除以二者的算术平均值的计算值是否超过设定值或设定比例进行比较判断；
优选地，所述用户画像包括：用户信息、用户用电信息、特征数据、窃电信息中的一种或多种；
所述用户信息包括：用户身份信息、用户属性信息中的一种或多种；
所述用户用电信息包括：用户的用电数据或用电现象，所述用户的用电数据或用电现象包括：用电参数或指标信息、用电参数或指标的变化信息、用电参数或指标的数据统计信息、用电参数或指标的数据分析信息中的一种或多种；
所述特征数据包括：用户的用电数据特征或用电现象特征；
所述窃电信息包括：窃电手法、窃电特征、窃电时间、窃电现象、窃电发现信息、窃电排查信息、窃电处理信息中的一种或多种；
优选地，用户的用电数据特征包括：接线方式、计量方式、线路线损变化、日用电量变化、A相欠压比例、B相欠压比例、C相欠压比例、A相电流变化、B相电流变化、C相电流变化、电流不平衡情况、功率超容情况、功率因数变化、有功功率变化中的一种或多种；
优选的，窃电手法或窃电方式包括：私自增容、二次侧A相分流、二次侧C相分流、二次侧对称分流、二次侧ABC平衡分流、CT一次侧A相分流、CT一次侧C相分流、CT一次侧对称分流、四线低计B失压、四线低计A失压、四线低计C失压、三线高计A失压、三线高计C失压、三线低计A失压、三线低计C失压中的一种或多种；
优选的，若用电数据特征或窃电特征包括：三相四线、高供低计、XXX时刻瞬间总有功功率超高、超出专用变压器运行容量的设定量或设定比例，则初步判断存在私自增容嫌疑；或三相四线、高供高计、XXX时刻瞬间总有功功率超高、超出专用变压器运行容量的设定量或设定比例，则初步判断存在私自增容嫌疑；或三相三线、高供低计、XXX时刻瞬间总有功功率超高、超出专用变压器运行容量的设定量或设定比例，则初步判断存在私自增容嫌疑；或三相三线、高供高计、XXX时刻瞬间总有功功率超高、超出专用变压器运行容量的设定量或设定比例，则初步判断存在私自增容嫌疑；
优选的，若用电数据特征或窃电特征包括：三相三线、高供高计、电流显著不平衡且Ia远远小于Ic，初步判断存在二次侧A相分流的窃电嫌疑；
优选地，若用电数据特征或窃电特征包括：三相三线、高供高计、电流显著不平衡且Ic远远小于Ia，初步判断存在二次侧C相分流的窃电嫌疑；
优选地，若用电数据特征或窃电特征包括：三相三线、高供高计、线路线损突增、用电量突降，A、C两相电流虽然平衡，但突降明显，初步判断有二次侧对称分流的窃电嫌疑；
优选地，若用电数据特征或窃电特征包括：三相四线、高供高计、线路线损突增、用电量突降、三相电流突降且平衡、电压正常，初步判断存在二次侧A、B、C平衡分流的窃电嫌疑；
优选地，若用电数据特征或窃电特征包括：三相三线、高供高计、线路线损突增、用户用电量突降，A、C两相电流显著不平衡且A相电流突降，功率因数突降，初步判断该用户存在CT一次侧A相分流的窃电嫌疑；
优选地，若用电数据特征或窃电特征包括：三相三线、高供高计、线路线损突增、用户用电量突降，A、C两相电流显著不平衡且C相电流突降，功率因数突降，初步判断存在CT一次侧C相分流的窃电嫌疑；
优选地，若用电数据特征或窃电特征包括：三相三线、高供高计、线路线损突增、用户用电量突降，A、C两相电流平衡且A、C相电流突降，功率因数突降，初步判断该用户存在CT一次侧A、C相分流窃电的嫌疑；
优选地，若用电数据特征或窃电特征包括：三相四线、高供低计、线路线损突增、用户用电流突降显著、B相电压不足，初步判断存在四线低计B失压窃电的嫌疑；
优选地，若用电数据特征或窃电特征包括：三相四线、高供低计、线路线损突增、用户用电流突降显著、A相电压不足，初步判断存在四线低计A失压窃电的嫌疑；
优选地，若用电数据特征或窃电特征包括：三相四线、高供低计、线路线损突增、用户用电流突降显著、C相电压不足，初步判断存在四线低计C失压窃电的嫌疑；
优选地，若用电数据特征或窃电特征包括：三相三线、高供高计、线路线损突增、用户用电流突降、A相电压不足，初步判断存在三线高计A失压的窃电的嫌疑；
优选地，若用电数据特征或窃电特征包括：三相三线、高供高计、线路线损突增、用户用电流突降、C相电压不足，初步判断存在三线高计C失压窃电的嫌疑；
优选地，若用电数据特征或窃电特征包括：三相三线、高供低计、线路线损突增、用户用电流突降、A相电压不足，初步判断存在三线低计A失压窃电的嫌疑；
优选地，若用电数据特征或窃电特征包括：三相三线、高供低计、线路线损突增、用户用电流突降、C相电压不足，初步判断存在三线低计C失压窃电的嫌疑。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910571307.XA CN110264015A (zh) | 2019-06-28 | 2019-06-28 | 反窃电稽查监控方法及平台 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910571307.XA CN110264015A (zh) | 2019-06-28 | 2019-06-28 | 反窃电稽查监控方法及平台 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110264015A true CN110264015A (zh) | 2019-09-20 |
Family
ID=67922559
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910571307.XA Pending CN110264015A (zh) | 2019-06-28 | 2019-06-28 | 反窃电稽查监控方法及平台 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110264015A (zh) |
Cited By (25)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111061827A (zh) * | 2019-12-30 | 2020-04-24 | 广东电网有限责任公司 | 一种配电网电能供需平衡热力图的构建方法 |
| CN111160791A (zh) * | 2019-12-31 | 2020-05-15 | 国网北京市电力公司 | 一种基于gbdt算法及因素融合的异常用户识别方法 |
| CN111443237A (zh) * | 2020-04-20 | 2020-07-24 | 北京中电普华信息技术有限公司 | 一种追补电量的确定方法及系统 |
| CN111489240A (zh) * | 2020-04-16 | 2020-08-04 | 国网河北省电力有限公司沧州供电分公司 | 一种专变用户私自增容嫌疑程度评价方法 |
| CN111652761A (zh) * | 2020-07-28 | 2020-09-11 | 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 |
| CN111784379A (zh) * | 2020-05-19 | 2020-10-16 | 北京中电普华信息技术有限公司 | 追缴电费的估算方法、装置和异常案例的筛选方法、装置 |
| CN112180158A (zh) * | 2020-08-13 | 2021-01-05 | 中国电力科学研究院有限公司 | 一种基于典型用电类型特征库的窃电行为识别方法 |
| CN112201107A (zh) * | 2020-10-21 | 2021-01-08 | 国网天津市电力公司 | 一种基于电力物联网的反窃电仿真操作平台 |
| CN112415310A (zh) * | 2020-11-06 | 2021-02-26 | 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 |
| CN112557745A (zh) * | 2020-12-08 | 2021-03-26 | 国网山西省电力公司临汾供电公司 | 一种线损监测的功率叠加对比系统及方法 |
| CN112632152A (zh) * | 2020-12-28 | 2021-04-09 | 国网冀北电力有限公司技能培训中心 | 一种基于反窃电实训室的电路控制系统 |
| CN112688303A (zh) * | 2019-10-17 | 2021-04-20 | 南京沃旭电力科技有限公司 | 一种基于同期售电量的电力用户用电评价系统 |
| CN112986644A (zh) * | 2021-02-25 | 2021-06-18 | 深圳供电局有限公司 | 一种窃电识别方法及系统 |
| CN113128024A (zh) * | 2021-03-17 | 2021-07-16 | 国网山东省电力公司济南供电公司 | 一种基于大数据分析的低压窃电客户及窃电手段确定方法 |
| CN113514695A (zh) * | 2021-03-04 | 2021-10-19 | 华北电力大学 | 适用于群体性固定比例窃电行为的检测系统和检测方法 |
| CN113554529A (zh) * | 2021-09-18 | 2021-10-26 | 中国电力科学研究院有限公司 | 反窃电取证关键数据处理方法、装置及设备 |
| CN113706809A (zh) * | 2021-10-25 | 2021-11-26 | 广东电网有限责任公司东莞供电局 | 一种远程反窃电检查方法及装置 |
| CN113970659A (zh) * | 2021-10-21 | 2022-01-25 | 广东电网有限责任公司 | 一种用户窃电异常的识别方法、装置、计算机设备 |
| CN113988723A (zh) * | 2021-12-28 | 2022-01-28 | 广东电网有限责任公司佛山供电局 | 一种基于用电数据异常分析的用户行为锁定方法和系统 |
| CN114372835A (zh) * | 2022-03-22 | 2022-04-19 | 佰聆数据股份有限公司 | 综合能源服务潜力客户识别方法、系统及计算机设备 |
| CN116070162A (zh) * | 2023-03-06 | 2023-05-05 | 国网浙江省电力有限公司宁波供电公司 | 一种反窃电监测方法及系统 |
| CN116701947A (zh) * | 2023-08-02 | 2023-09-05 | 成都汉度科技有限公司 | 一种窃电行为检测方法及系统 |
| CN117131448A (zh) * | 2023-08-25 | 2023-11-28 | 国网河南省电力公司渑池县供电公司 | 基于大数据的窃电用户智能识别系统及方法 |
| CN117833479A (zh) * | 2024-03-06 | 2024-04-05 | 国网山东省电力公司日照供电公司 | 配电线路私自改动监控报警装置 |
| CN117833479B (zh) * | 2024-03-06 | 2024-06-07 | 国网山东省电力公司日照供电公司 | 配电线路私自改动监控报警装置 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102967735A (zh) * | 2012-12-04 | 2013-03-13 | 辽宁省电力有限公司抚顺供电公司 | 反窃电异常分析系统 |
| CN103076477A (zh) * | 2012-12-18 | 2013-05-01 | 广东电网公司汕头供电局 | 一种10kV专变计量装置CT二次侧分流窃电的在线监测方法 |
| US20140358838A1 (en) * | 2013-06-04 | 2014-12-04 | International Business Machines Corporation | Detecting electricity theft via meter tampering using statistical methods |
| 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 |
| 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 |
| CN106204002A (zh) * | 2016-07-13 | 2016-12-07 | 广东电网有限责任公司 | 一种违约/窃电费用确定方法及系统 |
| 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 |
| JPWO2017126273A1 (ja) * | 2016-01-18 | 2018-04-26 | 東京電力ホールディングス株式会社 | 盗電検出装置及びプログラム |
| CN109753989A (zh) * | 2018-11-18 | 2019-05-14 | 韩霞 | 基于大数据与机器学习的电力用户窃电行为分析方法 |
| 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 |
-
2019
- 2019-06-28 CN CN201910571307.XA patent/CN110264015A/zh active Pending
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102967735A (zh) * | 2012-12-04 | 2013-03-13 | 辽宁省电力有限公司抚顺供电公司 | 反窃电异常分析系统 |
| CN103076477A (zh) * | 2012-12-18 | 2013-05-01 | 广东电网公司汕头供电局 | 一种10kV专变计量装置CT二次侧分流窃电的在线监测方法 |
| US20140358838A1 (en) * | 2013-06-04 | 2014-12-04 | International Business Machines Corporation | Detecting electricity theft via meter tampering using statistical methods |
| JPWO2017126273A1 (ja) * | 2016-01-18 | 2018-04-26 | 東京電力ホールディングス株式会社 | 盗電検出装置及びプログラム |
| 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 |
| 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 |
| CN106204002A (zh) * | 2016-07-13 | 2016-12-07 | 广东电网有限责任公司 | 一种违约/窃电费用确定方法及系统 |
| 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 |
| CN109753989A (zh) * | 2018-11-18 | 2019-05-14 | 韩霞 | 基于大数据与机器学习的电力用户窃电行为分析方法 |
| 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 |
Non-Patent Citations (4)
| Title |
|---|
| 杨小铭等: "低压台区用户的防窃电的趋势嫌疑度分析方法研究", 《电器与能效管理技术》 * |
| 梁波等: "基于客户用电行为的窃电概率预警分析", 《农村电工》 * |
| 陈含琪等: "用电数据特征的窃电行为分析方法研究", 《中国计量大学学报》 * |
| 陈文瑛等: "基于指纹库的智能反窃电平台的研究与应用", 《电子世界》 * |
Cited By (36)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112688303A (zh) * | 2019-10-17 | 2021-04-20 | 南京沃旭电力科技有限公司 | 一种基于同期售电量的电力用户用电评价系统 |
| CN111061827B (zh) * | 2019-12-30 | 2023-04-18 | 广东电网有限责任公司 | 一种配电网电能供需平衡热力图的构建方法 |
| CN111061827A (zh) * | 2019-12-30 | 2020-04-24 | 广东电网有限责任公司 | 一种配电网电能供需平衡热力图的构建方法 |
| CN111160791A (zh) * | 2019-12-31 | 2020-05-15 | 国网北京市电力公司 | 一种基于gbdt算法及因素融合的异常用户识别方法 |
| CN111489240A (zh) * | 2020-04-16 | 2020-08-04 | 国网河北省电力有限公司沧州供电分公司 | 一种专变用户私自增容嫌疑程度评价方法 |
| CN111489240B (zh) * | 2020-04-16 | 2023-04-18 | 国网河北省电力有限公司沧州供电分公司 | 一种专变用户私自增容嫌疑程度评价方法 |
| CN111443237A (zh) * | 2020-04-20 | 2020-07-24 | 北京中电普华信息技术有限公司 | 一种追补电量的确定方法及系统 |
| CN111784379A (zh) * | 2020-05-19 | 2020-10-16 | 北京中电普华信息技术有限公司 | 追缴电费的估算方法、装置和异常案例的筛选方法、装置 |
| CN111784379B (zh) * | 2020-05-19 | 2023-09-15 | 北京中电普华信息技术有限公司 | 追缴电费的估算方法、装置和异常案例的筛选方法、装置 |
| 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 |
| CN111652761A (zh) * | 2020-07-28 | 2020-09-11 | 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 |
| CN112180158A (zh) * | 2020-08-13 | 2021-01-05 | 中国电力科学研究院有限公司 | 一种基于典型用电类型特征库的窃电行为识别方法 |
| CN112201107A (zh) * | 2020-10-21 | 2021-01-08 | 国网天津市电力公司 | 一种基于电力物联网的反窃电仿真操作平台 |
| CN112415310A (zh) * | 2020-11-06 | 2021-02-26 | 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 |
| CN112557745A (zh) * | 2020-12-08 | 2021-03-26 | 国网山西省电力公司临汾供电公司 | 一种线损监测的功率叠加对比系统及方法 |
| CN112632152A (zh) * | 2020-12-28 | 2021-04-09 | 国网冀北电力有限公司技能培训中心 | 一种基于反窃电实训室的电路控制系统 |
| CN112986644A (zh) * | 2021-02-25 | 2021-06-18 | 深圳供电局有限公司 | 一种窃电识别方法及系统 |
| CN113514695A (zh) * | 2021-03-04 | 2021-10-19 | 华北电力大学 | 适用于群体性固定比例窃电行为的检测系统和检测方法 |
| CN113514695B (zh) * | 2021-03-04 | 2022-05-06 | 华北电力大学 | 适用于群体性固定比例窃电行为的检测系统和检测方法 |
| CN113128024A (zh) * | 2021-03-17 | 2021-07-16 | 国网山东省电力公司济南供电公司 | 一种基于大数据分析的低压窃电客户及窃电手段确定方法 |
| CN113128024B (zh) * | 2021-03-17 | 2023-02-07 | 国网山东省电力公司济南供电公司 | 一种基于大数据分析的低压窃电客户及窃电手段确定方法 |
| CN113554529A (zh) * | 2021-09-18 | 2021-10-26 | 中国电力科学研究院有限公司 | 反窃电取证关键数据处理方法、装置及设备 |
| CN113970659A (zh) * | 2021-10-21 | 2022-01-25 | 广东电网有限责任公司 | 一种用户窃电异常的识别方法、装置、计算机设备 |
| CN113970659B (zh) * | 2021-10-21 | 2023-07-28 | 广东电网有限责任公司 | 一种用户窃电异常的识别方法、装置、计算机设备 |
| CN113706809A (zh) * | 2021-10-25 | 2021-11-26 | 广东电网有限责任公司东莞供电局 | 一种远程反窃电检查方法及装置 |
| CN113988723A (zh) * | 2021-12-28 | 2022-01-28 | 广东电网有限责任公司佛山供电局 | 一种基于用电数据异常分析的用户行为锁定方法和系统 |
| CN114372835A (zh) * | 2022-03-22 | 2022-04-19 | 佰聆数据股份有限公司 | 综合能源服务潜力客户识别方法、系统及计算机设备 |
| CN114372835B (zh) * | 2022-03-22 | 2022-06-24 | 佰聆数据股份有限公司 | 综合能源服务潜力客户识别方法、系统及计算机设备 |
| CN116070162A (zh) * | 2023-03-06 | 2023-05-05 | 国网浙江省电力有限公司宁波供电公司 | 一种反窃电监测方法及系统 |
| CN116070162B (zh) * | 2023-03-06 | 2023-08-29 | 国网浙江省电力有限公司宁波供电公司 | 一种反窃电监测方法及系统 |
| CN116701947A (zh) * | 2023-08-02 | 2023-09-05 | 成都汉度科技有限公司 | 一种窃电行为检测方法及系统 |
| CN116701947B (zh) * | 2023-08-02 | 2023-11-03 | 成都汉度科技有限公司 | 一种窃电行为检测方法及系统 |
| CN117131448A (zh) * | 2023-08-25 | 2023-11-28 | 国网河南省电力公司渑池县供电公司 | 基于大数据的窃电用户智能识别系统及方法 |
| CN117131448B (zh) * | 2023-08-25 | 2024-04-16 | 国网河南省电力公司渑池县供电公司 | 基于大数据的窃电用户智能识别系统及方法 |
| CN117833479A (zh) * | 2024-03-06 | 2024-04-05 | 国网山东省电力公司日照供电公司 | 配电线路私自改动监控报警装置 |
| CN117833479B (zh) * | 2024-03-06 | 2024-06-07 | 国网山东省电力公司日照供电公司 | 配电线路私自改动监控报警装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110264015A (zh) | 反窃电稽查监控方法及平台 | |
| León et al. | Variability and trend-based generalized rule induction model to NTL detection in power companies | |
| CN102084569B (zh) | 用于管理电网的方法和系统 | |
| CN106815709B (zh) | 一种服务快速响应中心支撑系统及方法 | |
| Cody et al. | Decision tree learning for fraud detection in consumer energy consumption | |
| US10116165B2 (en) | Powergrid operation and supervision system | |
| CN109636124A (zh) | 基于大数据的电力行业低压台区线损分析方法及处理系统 | |
| CN102947801B (zh) | 恶意攻击检测和分析 | |
| Nizar et al. | Load profiling method in detecting non-technical loss activities in a power utility | |
| CN106845646A (zh) | 一种基于gis平台的电力营销智能稽查系统及方法 | |
| CN103761624A (zh) | 一体化电网调度操作智能防误预警系统的实现方法 | |
| CN106156269A (zh) | 一种反窃电精准定位在线监测方法 | |
| CN107862467A (zh) | 一种基于大数据平台的电网综合数据指标监测方法及系统 | |
| CN103578039B (zh) | 一种电网运行风险预警分析系统 | |
| CN103279883A (zh) | 电子支付交易风险控制方法及系统 | |
| CN109117974A (zh) | 一种配电网台区重过载风险评估方法和装置 | |
| CN101789628A (zh) | 企业电能节能管理系统 | |
| CN103824148A (zh) | 电力营销风险预警方法及系统 | |
| CN106716454A (zh) | 利用机器学习来识别非技术性损失 | |
| CN101105852A (zh) | 基于远程检测数据的用电费用咨询系统和方法 | |
| CN112307003B (zh) | 电网数据多维辅助分析方法、系统、终端及可读存储介质 | |
| CN111507013A (zh) | 一种面向电力系统线损故障定位实现方法 | |
| CN114021970A (zh) | 一种基于数据中台的企业数据资产模型构建方法 | |
| CN114881808A (zh) | 基于大数据的电力窃电精准识别方法及防窃电系统 | |
| CN111626788A (zh) | 一种工程造价管理系统 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190920 |