CN110288039A - 基于用户用电负荷特征窃电检测方法 - Google Patents

Abstract

本发明涉及一种基于模糊C均值聚类算法和时间相似度技术处理用户用电负荷特征数据信息，来找出窃电用户的方法。本发明包括四个步骤：步骤一，对智能电表采集到的数据进行预处理，得到多个用户的日负荷曲线；步骤二，利用模糊C均值聚类算法对单个用户的电力日负荷曲线进行聚类，得到该用户的日负荷曲线中心，并给出该用户疑为窃电的数据；步骤三，利用时间相似度技术对该用户疑为窃电的数据进行时间序列相似度分析，给出该用户是否窃电和窃电信息的预判；步骤四，循环步骤二和步骤三，完成所有用户基于模糊C均值聚类和时间序列相似度分析的窃电检测。优点在于可以给出疑为窃电的时间和窃电相序，缩小疑为窃电用户的范围和窃电的时间段。

Description

基于用户用电负荷特征窃电检测方法

技术领域

本发明涉及一种窃电检测领域，具体涉及一种基于模糊C均值聚类和时间相似度技术的窃电检测方法，属于配电网电参数测量应用领域。

背景技术

随着国民经济的发展，电力的清洁、便利也逐渐使电力成为人们生产、生活必不可少的能源，但与此同时，非法窃电问题也变得越来越突出。窃电行为会使电力部门的收入锐减，用户未经允许随意的私接电线，会给电网的稳定运行带来了严重的安全隐患，因此如何有效防止窃电、维护电网安全稳定是保证电力稳定发展的一个重要分支。用户的窃电检测显得特别重要。目前窃电检测有三种方法：可以通过人工到现场进行排查；硬件上通过防非法开启、防电磁干扰等来防止窃电；软件上通过实时监控系统、对智能电表进行软件加密等来进行窃电检测。目前的窃电检测方法有很多不足之处：人工排查的工作量大、硬件上非法开启窃电后不能实时计量电能损耗；软件检测方法存在误判、漏判等缺陷。

基于大数据分析的窃电检测方法显得格外重要。目前我国已经基本实现了智能电能表的全覆盖工作，基于大数据分析的窃电检测方法，不需要增加额外硬件开销，通过编写算法对采集到的用户负荷数据进行处理、分类，得到电力用户的电能使用情况，能大大降低一线运检人员的工作强度和提高电力公司的运营管理水平。

虽然在大数据分析的窃电检测方法领域可以通过实时监控来判断是否窃电，但其不能精确到某一位用户，无法有效减少人工排查的工作量；基于模糊C均值聚类和时间序列相似度分析的用户窃电检测方法是一种有效的大数据窃电检测方法，可以有效找出疑为窃电用户及其窃电时间。

发明内容

一种基于聚类的大数据窃电检测方法，由模糊C均值聚类算法处理用户的日负荷特征曲线，其特征在于：对智能电表采集到的数据进行预处理，得到多个用户的日负荷曲线；利用模糊C均值聚类算法对单个用户的电力日负荷曲线进行聚类，得到该用户的日负荷曲线中心，并找出疑为窃电的用户数据；利用时间相似度技术对疑为窃电的用户数据进行时间序列相似度分析，对用户疑为窃电的数据进行再次分析，给出是否窃电的预判；循环对单个用户进行检测，完成所有用户的窃电检测，给出是否窃电的预判。基于模糊C均值聚类的大数据窃电检测方法直接利用模糊C均值聚类方法对用户的用电信息聚类，可以准确判断用户的用电信息，分离出异常的日负荷曲线，挖掘出窃电用户，并给出疑为窃电的时间和相序；基于时间序列相似度分析的大数据窃电检测方法值可以进一步缩小疑为窃电数据的范围；不需要增加额外硬件开销，大大减少人工排查的工作量。

本发明的有效效果在于：1.基于聚类的大数据窃电检测方法直接利用模糊C均值聚类方法将用户的日负荷曲线进行聚类，可以准确分离出少数的用户异常的日负荷曲线，并给出疑为窃电的时间和相序，再通过时间序列相似度分析缩小范围，对窃电排查提供支持，减少人工工作量，来维持电力系统运行的稳定；2.不需要增加额外硬件开销，通过智能电能表测量到的电力数据进行聚类分析和时间序列相似度分析，可以查找出某个疑为窃电的用户，大大提高了窃电挖掘的准确性，减少误判、漏判，弥补了目前的窃电检测技术的弊端。

附图说明

图1为本发明的窃电检测模型总流程图；

图2为本发明的模糊C均值聚类算法子程序；

图3为本发明的时间相似度算法子程序；

图4基于模糊C均值聚类和时间序相似度分析的大数据窃电检测的实测实验验证1；

图5基于模糊C均值聚类和时间相似度分析的大数据窃电检测的实测实验验证2。

具体实施方式

下面结合具体实施方式对本发明作进一步详细说明；

电力用户安装有智能电表，可以将用户历史用电数据作为正常用电负荷参考值；

通过智能电能表测量用户用电负荷信息；

对系统收集到的用户数据进行处理，缺失的数据用相邻数据补齐，并计算每位用户每相的日负荷曲线；

设置聚类类别数为2，并设置阈值为0.000001；

对单个用户的非零日负荷曲线和人为加入的7条全零日负荷曲线进行模糊C均值聚类；

返回聚类结果，得到该用户疑为窃电的数据，给出该用户正常的日负荷曲线中心；

再计算该用户疑为窃电的数据进行与正常日负荷曲线中心的欧氏距离，当该欧氏距离大于50％正常日负荷曲线中心与正常日负荷曲线中心的欧氏距离时，则该条数据为窃电数据；

将窃电检测结果保存到CSV文件；

对所有用户的用电数据进行窃电检测，并将结果保存到CSV文件；

调用模糊C均值聚类算法对用户日负荷曲线信息进行聚类分组处理，具体步骤为：

(1)输入用户的非零日负荷曲线数据，并加入一组7条全零日负荷曲线；

(2)设置模糊C均值聚类的类别数为2，设置阈值为0.000001；

(3)初始化隶属度矩阵：采用随机生成n×c个0到1之间的随机数，并使其每一行的和为1，表示每条数据对不同聚类中心的隶属度和为1；其中n表示数据的个数；c表示聚类类别数；

(4)根据当前的隶属度矩阵给出初始聚类中心，见公式(1)；

公式(1)中，b＝1，表示初始化隶属度矩阵，表示第j条数据对第i簇的归属度；m表示模糊权重指数，通常取m∈[1.5,2.5]；x_j表示第j条数据，表示初始聚类中心；

(5)根据公式(1)和当前的聚类中心更新隶属度矩阵

公式(2)中，表示第b+1次更新后的隶属度矩阵，表示第j条数据对第i簇的归属度；c表示聚类类别数；表示第b次更新后的第j条数据与第i簇的中心的欧氏距离；表示第b次更新后的第j条数据与第l簇的中心的欧氏距离；

(6)根据当前的隶属度矩阵，更新聚类中心见公式(3)；

其中，表示第b+1更新后，第i簇的聚类中心；表示第b+1次更新后的隶属度矩阵，表示第j条数据对第i簇的归属度；

(7)判断是否满足阈值条件：当Vb和Vb+1的欧氏距离差不小于设定的阈值条件时，跳到步骤(5)，继续循环迭代更新隶属度矩阵和聚类中心，直到满足阈值条件；

(8)标准化隶属度矩阵U，当i一定时，u_ij(j＝1,2,…,c)中最大的值为1，其它值为0，使第i条数据完全隶属于第j类；

(9)输出标准化后的隶属度矩阵和聚类中心；

本发明的窃电检测模型总流程图如附图1所示；

模糊C均值聚类算法程序编程框图如附图2所示；

时间相似度分析算法程序编程框图如附图3所示；

本发明提出的方案通过如下实测数据加以验证：

实测数据包含了10位用户(每位用户采集的数据包含A、B、C三相)，每个用户采集7天的数据，将数据带入程序，窃电检测结果为10位用户中有7位窃电，与实际情况6位窃电用户略有出入，但当结合具体数据对疑为窃电用户进行排查时，可以找出误判用户，该次实测数据验证中，某窃电行为的用户的分析结果如附图4所示，某正常用户分析结果如附图5所示；图4和图5中，编号为120000的用户为每次对单个用户数据进行聚类时，人为加入7条全零日负荷曲线的表号；图4中可以清楚的观察到该用户的该时间段的用电情况除了全0数据外，分为2类，该用户的A相基本保持在0.37左右，C相保持在0.65左右，经窃电检测模型找出的数据为A相，据此A相疑为窃电相，但是也不排除该相所带的功率一直偏小，需要派人到现场进行勘察，再做出判断；图5中该用户的日负荷曲线均位于50％日负荷曲线中心之上，认为该用户没有窃电；用户实际窃电情况与实测实验结论较为一致。

本发明说明书中未作详细描述的内容属于本专业领域技术人员公知的现有技术。

Claims (6)

1.一种基于用户用电负荷特征窃电检测方法，由模糊C均值聚类算法和时间序列相似度技术处理电力用户的日负荷曲线，其特征在于，该窃电检测方法的步骤如下：

步骤1）对智能电表采集到的数据进行预处理，得到多个用户的日负荷曲线；

步骤2）利用模糊C均值聚类算法对单个用户的电力日负荷曲线进行聚类，得到该用户的日负荷曲线中心，并找出疑为窃电的用户数据；

步骤3）利用时间相似度技术对疑为窃电的用户数据进行时间序列相似度分析，对用户疑为窃电的数据进行再次分析，给出是否窃电的预判；

步骤4）循环步骤2）和步骤3），完成所有用户窃电检测，给出是否窃电的预判。

2.根据权利1所述基于用户用电负荷特征窃电检测方法，其技术特征在于，所述步骤1）对智能电表采集到的数据进行预处理，得到多个用户的日负荷曲线，具体为：

（1）将智能电表采集到的电压、电流、功率因数的空缺数据用相邻数据替代；

（2）将对应用户、日期、相序的电压、电流、功率因数相乘，得到该用户的每相日负荷特征曲线。

3.根据权利1所述基于用户用电负荷特征窃电检测方法，其技术特征在于，所述步骤2）利用模糊C均值聚类算法对单个用户的电力日负荷曲线进行聚类，得到该用户的日负荷曲线中心，并找出疑为窃电的用户数据，具体为：

（1）取出单个用户的非零日负荷曲线，并加入7条全零日负荷曲线，使之作为单个用户模糊C均值聚类的输入数据；

（2）输入选定的聚类类别数为2，并设置误差阈值；

（3）对单个用户的输入数据进行模糊C均值聚类，将用户的日负荷曲线分为2类，其中一类为该用户正常的用电数据，另一类为该用户疑为窃电的数据并得到该用户正常的日负荷曲线中心；

（4）聚类结果中，聚类中心较低的那一类的个数如果大于7，则认为该用户疑为窃电用户，聚类中心较低的那一类中，非零的日负荷曲线即为该用户疑为窃电的数据；

（5）输出疑为窃电的用户数据和该用户正常的日负荷曲线中心。

4.根据权利1所述基于用户用电负荷特征窃电检测方法，其技术特征在于，所述步骤3）利用时间相似度技术对疑为窃电的用户数据进行时间序列相似度分析，对用户疑为窃电的数据进行再次分析，给出是否窃电的预判，具体为：

（1）计算单个用户用电数据聚类得到的疑为窃电的数据与该用户正常的日负荷曲线中心的欧氏距离；

（2）当两条曲线的欧氏距离大于正常的日负荷曲线中心与50%日负荷曲线中心的欧氏距离时，认为该条日负荷曲线为窃电数据。

5.根据权利3或权利4所述基于用户用电负荷特征窃电检测方法，其技术特征在于，首先通过模糊C均值聚类，可以将疑为窃电的数据分离出来，并得到正常的日负荷曲线中心，然后通过时间相似度技术，对疑为窃电的数据进行二次排查，可进一步缩小疑为窃电用户的范围，大大减小人工排查量。

6.根据权利1所述基于用户用电负荷特征窃电检测方法，其技术特征在于，所述步骤4）需要循环步骤2）和步骤3），完成所有用户窃电检测，给出是否窃电的预判；具体为：一次窃电检测处理一个用户的数据，多次循环可处理多个用户的用电数据，并保存检测结果。