CN110298552B

CN110298552B - 一种结合历史用电特征的配电网个体功率异常检测方法

Info

Publication number: CN110298552B
Application number: CN201910473325.4A
Authority: CN
Inventors: 田英杰; 吴力波; 周阳; 马戎; 施正昱; 陈伟; 苏运; 郭乃网; 瞿海妮; 张琪祁; 时志雄; 宋岩; 庞天宇; 沈泉江
Original assignee: Fudan University; North China Electric Power University; State Grid Shanghai Electric Power Co Ltd
Current assignee: Fudan University; North China Electric Power University; State Grid Shanghai Electric Power Co Ltd
Priority date: 2019-05-31
Filing date: 2019-05-31
Publication date: 2023-12-01
Anticipated expiration: 2039-05-31
Also published as: CN110298552A

Abstract

本发明涉及一种结合历史用电特征的配电网个体功率异常检测方法，该方法包括以下步骤：步骤1：提取特征向量；步骤2：分别计算用电低谷时段和平段用电量各自占总用电的百分比；步骤3：根据用电低谷时段和平段用电量各自占总用电的百分比的计算结果构造特征矩阵；步骤4：利用局部离群算法得出局部得去得分；步骤5：循环执行步骤1～步骤4得出所有用户的局部得去得分；步骤6：根据所有用户的局部得去得分进一步得出对应的个体异常矩阵，计算个体异常矩阵中个体每个周期的异常度并将个体每个周期的异常度与历史异常用户异常用电行为对应数据比对得出用户用电异常检测结果。与现有技术相比，本发明具有检测准确度高，针对性强等优点。

Description

一种结合历史用电特征的配电网个体功率异常检测方法

技术领域

本发明涉及配电网用电异常检测技术领域，尤其是涉及一种结合历史用电特征的配电网个体功率异常检测方法。

背景技术

配电网用户异常用电行为包含了偷电、漏电、窃电以及用电性质变更、用户变更的行为，该类行为会降低需求侧管理效率与政策制定有效性，是用电行为分析技术中的研究热点之一。

针对国内偷电漏电样本数据较少，无法利用有监督学习进行异常用电行为辨识模型学习与构建的现状，一种通过综合异常指标与分项异常指标判别用户异常用电程度与类型，辅助用户管理单位进行用电稽查、用户管理等方面工作，提升电力公司相关部门工作效率的配电网用电异常检测方法亟待开发。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种结合历史用电特征的配电网个体功率异常检测方法。

本发明的目的可以通过以下技术方案来实现：

一种结合历史用电特征的配电网个体功率异常检测方法，该方法包括以下步骤：

步骤1：针对单个用电用户提取特征向量；

步骤2：针对单个用电用户分别计算用电低谷时段和平段用电量各自占总用电的百分比；

步骤3：根据用电低谷时段和平段用电量各自占总用电的百分比的计算结果构造针对单个用户的特征矩阵；

步骤4：针对单个用户的特征矩阵利用局部离群算法得出局部得去得分；

步骤5：循环执行步骤1～步骤4得出所有用户的局部得去得分；

步骤6：根据所有用户的局部得去得分进一步得出对应的个体异常矩阵，计算个体异常矩阵中个体每个周期的异常度并将个体每个周期的异常度与历史异常用户异常用电行为对应数据比对得出用户用电异常检测结果。

进一步地，所述步骤1中的特征向量，其描述公式为：

式中，β_n,j表示用户V_n第j天的用电行为特征向量，表示96点序列的平均值，S_P_nj表示96点序列的标准差。

进一步地，所述的步骤2中用电低谷时段占总用电的百分比，其计算公式为：

式中，G_nj表示用电低谷时段占总用电的百分比，P_nj(i)表示96点序列中第i点序列。

进一步地，所述的步骤2中平段用电量占总用电的百分比，其计算公式为：

式中，H_nj表示平段用电量占总用电的百分比。

进一步地，所述步骤5包括以下分步骤：

步骤51：针对单个用户依次获取96点序列的平均值、96点序列的标准差、用电低谷时段占总用电的百分比和平段用电量占总用电的百分比并按顺序组成单个用户的行元素；

步骤52：将所有用户的行元素组合得到所有用户的特征矩阵，并将所有用户的特征矩阵作为输入采用局部离群算法得出局部得去得分矩阵。

进一步地，所述步骤52中的所有用户的特征矩阵，其描述公式为：

式中，F_2k表示所有用户的特征矩阵，表示由单个用户的6点序列的平均值、96点序列的标准差、用电低谷时段占总用电的百分比和平段用电量占总用电的百分比并按顺序组成单个用户的行元素组成的特征矩阵的所有矩阵元素。

进一步地，所述步骤52中的局部得去得分矩阵，其描述公式为：

f_n＝{f_n1,f_n2,...f_nD}

式中，f_n表示局部得去得分矩阵，f_n1,f_n2,...f_nD表示总共n个用户D总天数各自对应的特征矩阵的局部得去得分。

进一步地，所述的步骤6中个体每个周期的异常度为总共n个用户D总天数各自对应的特征矩阵的局部得去得分的平均值。

与现有技术相比，本发明具有以下优点：

(1)检测准确度高，本发明先针对单个用电用户进行步骤1：提取特征向量；步骤2：分别计算用电低谷时段和平段用电量各自占总用电的百分比；步骤3：根据用电低谷时段和平段用电量各自占总用电的百分比的计算结果构造针对单个用户的特征矩阵；步骤4：利用局部离群算法得出局部得去得分；提取用户的用电特征数据，包含用电功率、行为变化趋势、峰谷差、平均用电功率等、标准差等作为用户的用电特征作为输入，采用LOF离群算法，得出异常度并据此与历史数据对比进一步得到检测结果，检测准确度高。

(2)针对性强，本发明提取用户的用电特征数据，包含用电功率、行为变化趋势、峰谷差、平均用电功率等、标准差等作为用户的用电特征作为输入，提取日冻结电量数据及用户的96点数据，与电力系统实际环境匹配程度高。

附图说明

图1为本发明中的局部离群因子算法示意图；

图2为本发明中的局部离群因子算法的k-distance示意图；

图3为本发明中的局部离群因子算法的可达距离示意图；

图4为本发明方法的过程示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都应属于本发明保护的范围。

实施例

基于密度的局部离群点检测(Local Outlier Factor，LOF)算法，是基于密度的离群点检测方法中一个比较有代表性的算法。该算法会给数据集中的每个点计算一个离群因子LOF，通过判断LOF是否接近于1来判定是否是离群因子。若LOF远大于1，则认为是离群因子，接近于1，则是正常点。

局部离群因子算法LOF赋予每个对象一个表征其离群程度的因子，而不是将其硬性划分为正常或离群对象。LOF的基本思想是比较数据集中某个对象和其近邻对象的局部密度，由图1可见，对象A的局部密度远小于其近邻对象。

局部离群因子算法(LOF算法)，建立在以下几个定义的基础之上：

1.对象p的k距离

对于正整数k，对象p的第k距离可记作k-distance(P)。在样本空间中，存在对象o，它与对象p之间的距离基座d(p,o)。如果满足以下两个条件，则认为k-distance(P)＝d(p,o)：

1)在样本空间中，至少存在k个对象q，使得d(p,q)<＝d(p,o)；

2)在样本空间中，至多存在k-1个对象q，使得d(p,q)<d(p,o)；

k-distance(P)＝max||p-o||，p的第k距离，也就是距离p第k远的点的距离，不包括p，如图2：

显然易见，如果使用k-distance(P)来量化对象p的局部空间区域范围，那么对于对象密度较大的区域，k-distance(P)值较小，而对象密度较小的区域，k-distance(P)值较大。

2.对象p的第k距离领域已经对象p的第k距离，那么，与对象p之间距离小于等于k-distance(P)的对象集合称为对象p的第k距离领域，记作：Nk(p)该领域其实是以p为中心，k-distance(P)为半径的区域内所有对象的集合(不包括p本身)。由于可能同时存在多个第k距离的数据，因此该集合至少包括k个对象。可以想象，离群度越大的对象的范围往往比较大，而离群度比较小的对象范围小。

3.对象p相对于对象o的可达距离公式：

reachdist(p,o)＝max{k-distance(o),||p-o||}

也就是说，如果对象p远离对象o，则两者之间的可达距离就是它们之间的实际距离，但是如果它们足够近，则实际距离用o的k距离代替。

根据该定义，如图3中，对象B和对象C关于对象A的可达距离(k＝3)相等。

4.局部可达密度

对象p的局部可达密度定义为p的k最近邻点的平均可达密度的倒数

5.局部离群点因子：表征了称p是离群点的程度，定义如下：

如果对象p不是局部离群点，则LOF(p)接近于1。即p是局部离群点的程度较小，对象o的局部可达密度和对象p的局部可达密度相似，最后所得的LOF(p)值应该接近1。相反，p是局部离群点的程度越大，最后所得的LOF(p)值越高。通过这种方式就能在样本空间数据分布不均匀的情况下也可以准确发现离群点。

本发明的基本原理为：提取日冻结电量数据及用户的96点数据。首先获取每个用户每日用电特征指标，构成每个用户的特征矩阵；然后，根据局部离群算法求得用户每日得分值；最后，获取每个周期内的每个用户的异常度，具体过程如图4所示。

①特征计算：提取待检测的n个电力用户V₁,V₂,...V_n。总天数为D＝RT，R为周期数，T为每周期天数。电力用户V_n第j天的96点序列为：P_n,j＝{P_n,j(1),P_n,j(2),...P_n,j(96)}，j＝1,2,...RT。用户V_n第j天的用电行为特征向量记为β_n,j，为96点序列的平均值；S_P_nj为96点序列的标准差；G_nj为谷电系数，表示用电低谷时段占总用电的百分比，用下式计算：

H_nj为平段百分比，表示平段用电量占总用电量的百分比，采用下式计算：

②构造特征矩阵：对用户n计算每一天的用电特征向量，得到n个电力用户总天数D的特征矩阵F_2k：

③离群计算：以用户n的特征矩阵F_2k作为输入，采用局部离群算法(Local OutlierFactor，LOF)，得出用户n每天用电行为的局部得去得分f_n，f_n＝{f_n1,f_n2,...f_nD}；

④计算每个周期的异常度：对每个用户分别进行计算用电行为的局部离群得分f_n，每个周期内取均值即为个体的每个周期的异常度。得出个体异常矩阵

本发明采用LOF算法，获取用户每天的用电行为得分，得分值越小表示用户的当天用电行为在用户历史的用电行为相似度越大；相反，得分值越大，用户当天的用电行为与历史的用电行为相似度越小，相应的异常嫌疑度也越高。

将个体用电功率与个人的历史N个的周期用电功率做对比，判断用户用电行为是否在历史行为中经常出现。检测采用LOF局部离群算法，得分值较高用户判定为异常嫌疑用户。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims

1.一种结合历史用电特征的配电网个体功率异常检测方法，其特征在于，该方法包括以下步骤：

步骤1：针对单个用电用户提取特征向量；

步骤2：针对单个用电用户分别计算用电低谷时段和平段用电量各自占总用电的百分比，具体的，针对单个用户依次获取96点序列的平均值、96点序列的标准差、用电低谷时段占总用电的百分比和平段用电量占总用电的百分比并按顺序组成单个用户的行元素；

步骤6：根据所有用户的局部得去得分进一步得出对应的个体异常矩阵，计算个体异常矩阵中个体每个周期的异常度并将个体每个周期的异常度与历史异常用户异常用电行为对应数据比对得出用户用电异常检测结果，

所述的步骤2中用电低谷时段占总用电的百分比，其计算公式为：

式中，G_nj表示用电低谷时段占总用电的百分比，P_nj(i)表示96点序列中第i点序列，

所述的步骤2中平段用电量占总用电的百分比，其计算公式为：

式中，H_nj表示平段用电量占总用电的百分比。

2.根据权利要求1所述的一种结合历史用电特征的配电网个体功率异常检测方法，其特征在于，所述步骤1中的特征向量，其描述公式为：

3.根据权利要求1所述的一种结合历史用电特征的配电网个体功率异常检测方法，其特征在于，所述步骤5包括以下分步骤：

4.根据权利要求3所述的一种结合历史用电特征的配电网个体功率异常检测方法，其特征在于，所述步骤52中的所有用户的特征矩阵，其描述公式为：

式中，F_2k表示所有用户的特征矩阵，表示由单个用户的96点序列的平均值、96点序列的标准差、用电低谷时段占总用电的百分比和平段用电量占总用电的百分比并按顺序组成单个用户的行元素组成的特征矩阵的所有矩阵元素。

5.根据权利要求3所述的一种结合历史用电特征的配电网个体功率异常检测方法，其特征在于，所述步骤52中的局部得去得分矩阵，其描述公式为：

f_n＝{f_n1,f_n2,...f_nD}

6.根据权利要求1所述的一种结合历史用电特征的配电网个体功率异常检测方法，其特征在于，所述的步骤6中个体每个周期的异常度为总共n个用户D总天数各自对应的特征矩阵的局部得去得分的平均值。