CN110298765A - 一种基于客观关联因素的配电网用电功率异常检测方法 - Google Patents

Abstract

本发明涉及一种基于客观关联因素的配电网用电功率异常检测方法，该方法包括以下步骤：步骤1：针对用电用户建立结合综合用电特征信息的理论用电量模型；步骤2：实时收集用电用户的实际用电量；步骤3：获取实际用电量与理论用电量模型之间的偏差；步骤4：利用LOF算法对偏差进行离群检测并得出异常嫌疑用户检测结果。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

一种基于客观关联因素的配电网用电功率异常检测方法

技术领域

本发明涉及配电网用电异常检测技术领域，尤其是涉及一种基于客观关联因素的配电网用电功率异常检测方法。

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基于客观关联因素的配电网用电功率异常检测方法。

本发明的目的可以通过以下技术方案来实现：

一种基于客观关联因素的配电网用电功率异常检测方法，该方法包括以下步骤：

步骤1：针对用电用户建立结合综合用电特征信息的理论用电量模型；

步骤2：实时收集用电用户的实际用电量；

步骤3：获取实际用电量与理论用电量模型之间的偏差；

步骤4：利用LOF算法对偏差进行离群检测并得出异常嫌疑用户检测结果。

进一步地，所述步骤1中的综合用电特征信息包括自身历史用电水平、当前天气状况、温度、湿度、降雨量、风速和是否为节假日判断结果信息。

进一步地，所述的步骤1中的理论用电量模型，其描述公式为：

Y＝βY_-1+α+γweather+θDate+ε

式中，Y表示每日用电量，β、γ和θ均为对应元素的比例系数，α和ε均为调节参数，weather表示气象因素，Date表示节假日因素，Y_-1表示用电量的滞后水平。

进一步地，所述步骤2中的实际用电量包括至少2000户的用电用户的实际用电量数据信息。

进一步地，所述步骤4包括以下分步骤：

步骤41：针对理论用电量模型和用电用户的实际用电量两对象间利用可达距离公式得出第一判断结果；

步骤42：针对理论用电量模型和用电用户的实际用电量两对象间利用局部可达密度公式得出第二判断结果；

步骤43：针对理论用电量模型和用电用户的实际用电量两对象间利用局部离群点因子公式得出第三判断结果；

步骤44：根据第一判断结果、第二判断结果和第三判断结果综合得出异常嫌疑用户检测结果。

进一步地，所述步骤41中的可达距离公式为：

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

式中，reachdist(p,o)表示对象p与对象o的可达距离，k-distance(o)表示对象o的k距离，||p-o||表示对象p与对象o的实际距离。

进一步地，所述步骤42中的局部可达密度公式为：

式中，lrd_k(p)表示对象p的局部可达密度，N_k(p)表示对象p的第k距离领域，N_n(p)表示对象p的第n个k距离领域。

进一步地，所述步骤43中的局部离群点因子公式为：

式中，LOF_k(p)表示对象p的局部离群点因子，lrd_k(o)表示对象o的局部可达密度。

与现有技术相比，本发明具有以下优点：

(1)检测结果准确，本发明针对所有用电用户按照步骤1：针对用电用户建立结合综合用电特征信息的理论用电量模型；步骤2：实时收集用电用户的实际用电量；步骤3：获取实际用电量与理论用电量模型之间的偏差；步骤4：利用LOF算法对偏差进行离群检测并得出异常嫌疑用户检测结果的顺序，检测结果准确。

(2)针对性强，本发明提取用户的用电特征数据，以及考虑气象、节假日等与用户用电行为的关联特征作为输入，获取用户的关联特征异常度，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；

图5为本发明实施例用户XX理论与实际用电量的曲线示意图；

图6为本发明实施例用户XX用电量的偏差曲线示意图；

图7为本发明实施例LOF算法的处理结果图。

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。

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：用户用电量受多种因素影响，包括自身历史用电水平、当前天气状况等，根据历史用电水平以及温度、湿度、降雨量、风速等天气数据，以及是否节假日等计算用户理论上的用电量。与实际的用电量做对比，通过理论值与实际值误差波动范围，对误差采用LOF离群检测，检测异常嫌疑用户，如图4所示。

本发明采用了气象数据与节假日信息相结合的方法进行分析，用电特征是其用电滞后特征与气象、节假日信息的共同影响结果，其主要模型如下：

Y＝βY_-1+α+γweather+θDate+ε

式中，Y表示每日用电量，β、γ和θ均为对应元素的比例系数，α和ε均为调节参数，weather表示气象因素，Date表示节假日因素，Y_-1表示用电量的滞后水平。

其中Date由两个部分组成，其中DATE1代表工作日与休息日，DATE2代表休息日中的节假日与周末。这是为了衡量日常休息日和节假日休息日的区别而设立的。

结合具体气象信息、是否节假日等数据信息，通过计算与可以得出，用户理论上的用电量，考虑到计算得到的数据与用户的实际的用电数据本身存在的数据偏差问题，对偏差采用局部离群计算，以误差数据作为输入综合计算得出的用户的关联因素离群度。

如图5所示为本发明实施例的用户XX理论与实际用电量的曲线示意图，并根据图5进一步得出图6，即用户XX的用电量偏差曲线图。

经过本发明的方法过程操作后，得到如图7所示的结果示意图，由用户XX用电偏差曲线图可知，误差在第24周期明显高于其他周期。第24周期2000用户的LOF计算结果如图7所示。可知第1876个用户关联异常度在第24周期远远高于其他用户的异常度。

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 (8)

1.一种基于客观关联因素的配电网用电功率异常检测方法，其特征在于，该方法包括以下步骤：

步骤1：针对用电用户建立结合综合用电特征信息的理论用电量模型；

步骤2：实时收集用电用户的实际用电量；

步骤3：获取实际用电量与理论用电量模型之间的偏差；

步骤4：利用LOF算法对偏差进行离群检测并得出异常嫌疑用户检测结果。

2.根据权利要求1所述的一种基于客观关联因素的配电网用电功率异常检测方法，其特征在于，所述步骤1中的综合用电特征信息包括自身历史用电水平、当前天气状况、温度、湿度、降雨量、风速和是否为节假日判断结果信息。

3.根据权利要求1所述的一种基于客观关联因素的配电网用电功率异常检测方法，其特征在于，所述的步骤1中的理论用电量模型，其描述公式为：

Y＝βY_-1+α+γweather+θDate+ε

式中，Y表示每日用电量，β、γ和θ均为对应元素的比例系数，α和ε均为调节参数，weather表示气象因素，Date表示节假日因素，Y_-1表示用电量的滞后水平。

4.根据权利要求1所述的一种基于客观关联因素的配电网用电功率异常检测方法，其特征在于，所述步骤2中的实际用电量包括至少2000户的用电用户的实际用电量数据信息。

5.根据权利要求1所述的一种基于客观关联因素的配电网用电功率异常检测方法，其特征在于，所述步骤4包括以下分步骤：

步骤41：针对理论用电量模型和用电用户的实际用电量两对象间利用可达距离公式得出第一判断结果；

步骤42：针对理论用电量模型和用电用户的实际用电量两对象间利用局部可达密度公式得出第二判断结果；

步骤43：针对理论用电量模型和用电用户的实际用电量两对象间利用局部离群点因子公式得出第三判断结果；

步骤44：根据第一判断结果、第二判断结果和第三判断结果综合得出异常嫌疑用户检测结果。

6.根据权利要求5所述的一种基于客观关联因素的配电网用电功率异常检测方法，其特征在于，所述步骤41中的可达距离公式为：

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

式中，reachdist(p,o)表示对象p与对象o的可达距离，k-distance(o)表示对象o的k距离，||p-o||表示对象p与对象o的实际距离。

7.根据权利要求5所述的一种基于客观关联因素的配电网用电功率异常检测方法，其特征在于，所述步骤42中的局部可达密度公式为：

式中，lrd_k(p)表示对象p的局部可达密度，N_k(p)表示对象p的第k距离领域，N_n(p)表示对象p的第n个k距离领域。

8.根据权利要求5所述的一种基于客观关联因素的配电网用电功率异常检测方法，其特征在于，所述步骤43中的局部离群点因子公式为：

式中，LOF_k(p)表示对象p的局部离群点因子，lrd_k(o)表示对象o的局部可达密度。