CN110824270A - 结合台区线损和异常事件的窃电用户辨识方法及装置 - Google Patents

结合台区线损和异常事件的窃电用户辨识方法及装置 Download PDF

Info

Publication number
CN110824270A
CN110824270A CN201910954415.5A CN201910954415A CN110824270A CN 110824270 A CN110824270 A CN 110824270A CN 201910954415 A CN201910954415 A CN 201910954415A CN 110824270 A CN110824270 A CN 110824270A
Authority
CN
China
Prior art keywords
electricity
electricity stealing
line loss
user
area
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.)
Granted
Application number
CN201910954415.5A
Other languages
English (en)
Other versions
CN110824270B (zh
Inventor
刘厦
杨艺宁
薛阳
王子龙
杨恒
徐英辉
王聪
杨柳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
State Grid Corp of China SGCC
China Electric Power Research Institute Co Ltd CEPRI
Original Assignee
State Grid Corp of China SGCC
China Electric Power Research Institute Co Ltd CEPRI
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by State Grid Corp of China SGCC, China Electric Power Research Institute Co Ltd CEPRI filed Critical State Grid Corp of China SGCC
Priority to CN201910954415.5A priority Critical patent/CN110824270B/zh
Publication of CN110824270A publication Critical patent/CN110824270A/zh
Application granted granted Critical
Publication of CN110824270B publication Critical patent/CN110824270B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R11/00—Electromechanical arrangements for measuring time integral of electric power or current, e.g. of consumption
    • G01R11/02—Constructional details
    • G01R11/24—Arrangements for avoiding or indicating fraudulent use
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/08—Locating faults in cables, transmission lines, or networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G06F18/24155—Bayesian classification
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Business, Economics & Management (AREA)
  • Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Public Health (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Strategic Management (AREA)
  • Primary Health Care (AREA)
  • Marketing (AREA)
  • Human Resources & Organizations (AREA)
  • General Health & Medical Sciences (AREA)
  • Water Supply & Treatment (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开一种结合台区线损和异常事件的窃电用户辨识方法，包括：获取至少一个待稽查台区的台区及用户数据，所述台区及用户数据包括台区线损数据和台区内各用电用户的基础数据；应用台区线损异常检测方法和所述至少一个待稽查台区的台区线损数据，确定在指定的用电时段内存在窃电嫌疑用户的异常线损台区；针对任一存在窃电嫌疑用户的异常线损台区，确定出K‑means聚类窃电嫌疑用户集、支持向量机窃电嫌疑用户集和贝叶斯算法窃电嫌疑用户集；并综合评估后确定所述异常线损台区内的窃电嫌疑用户清单。该窃电用户辨识方法有效提升低压用电异常用户的识别率，有效地减少用电检查人员排查的工作量。

Description

结合台区线损和异常事件的窃电用户辨识方法及装置
技术领域
本发明涉及电力系统工程技术领域，尤其涉及结合台区线损和异常事件的窃电用户辨识方法、装置及系统。
背景技术
窃电用户占整体电力用户数量比例很小，但窃电行为干扰了正常的用电秩序。对窃电行为的容忍不利于用电公平。因此，反窃电始终是运检工作中的一项工作任务。现有的反窃电方法，实时性较差，检测准确度较低，针对数据集的处理结果不够理想，窃电排查效率较低。
发明内容
针对现有技术的不足，本发明提供一种结合台区线损和异常事件的窃电用户辨识方法、装置及系统，能够更准确地确定线损异常台区内的窃电嫌疑用户。
第一方面，本发明提供一种结合台区线损和异常事件的窃电用户辨识方法，包括以下步骤：
获取至少一个待稽查台区的台区及用户数据，所述台区及用户数据包括台区线损数据和台区内各用电用户的基础数据；
应用台区线损异常检测方法和所述至少一个待稽查台区的台区线损数据，确定在指定的用电时段内存在窃电嫌疑用户的异常线损台区；
针对任一存在窃电嫌疑用户的异常线损台区：
根据所述台区及用户数据，分别应用K-means聚类反窃电方法、预先构建的支持向量机反窃电模型和预先构建的贝叶斯算法反窃电模型，确定出K-means聚类窃电嫌疑用户集、支持向量机窃电嫌疑用户集和贝叶斯算法窃电嫌疑用户集；
根据所述K-means聚类窃电嫌疑用户集、支持向量机窃电嫌疑用户集和贝叶斯算法窃电嫌疑用户集，综合评估后确定所述异常线损台区内的窃电嫌疑用户清单。
第二方面，本发明还提出一种结合台区线损和异常事件的窃电用户辨识装置，包括：
数据获取模块，用于获取至少一个待稽查台区的台区及用户数据，所述台区及用户数据包括台区线损数据和台区内各用电用户的基础数据；
异常线损台区确定模块，用于应用台区线损异常检测方法和所述至少一个待稽查台区的台区线损数据，确定在指定的用电时段内存在窃电嫌疑用户的异常线损台区；
窃电嫌疑用户清单生成模块，用于针对任一存在窃电嫌疑用户的异常线损台区：
根据所述台区及用户数据，分别应用K-means聚类反窃电方法、预先构建的支持向量机反窃电模型和预先构建的贝叶斯算法反窃电模型，确定出K-means聚类窃电嫌疑用户集、支持向量机窃电嫌疑用户集和贝叶斯算法窃电嫌疑用户集；
根据所述K-means聚类窃电嫌疑用户集、支持向量机窃电嫌疑用户集和贝叶斯算法窃电嫌疑用户集，综合评估后确定所述异常线损台区内的窃电嫌疑用户清单。
第三方面，本发明还提出一种结合台区线损和异常事件的窃电用户辨识系统，包括：
在第一方面中说明的结合台区线损和异常事件的窃电用户辨识装置；
用电信息采集系统，用于向所述窃电用户辨识装置提供用电用户的基础数据的第一数据；
营销业务应用系统，用于向所述窃电用户辨识装置提供用电用户的基础数据的第二数据；
反窃电稽查监控平台，用于向所述窃电用户辨识装置发送至少一个待稽查台区的线损数据，并接收所述窃电用户辨识装置发送的窃电嫌疑用户清单、和/或疑似窃电用户分析报告；
其中，所述台区及用户数据包括台区线损数据和台区内各用电用户的基础数据。
本发明提供的结合台区线损和异常事件的窃电用户辨识方法、装置及系统，基于台区线损分析，利用聚类分析方法，建立异常线损识别模型，判断出线损异常的台区；对这些线损异常的台区，再分别建立用电异常用户识别模型(即K-means聚类算法反窃电识别模型)，得到台区内疑似用电异常用户集；并基于用户数据集，建立基于支持向量机的反窃电识别模型；并基于异常事件类数据，通过对异常事件与用电相关数据之间的因果关系的分析，建立贝叶斯网络反窃电识别模型。通过不同维度构建的低压用户反窃电识别模型，有效地提升了低压用电异常用户的识别率，减少了用电检查人员排查的工作量；其辨识结果对用电检查人员的现场操作具有指导意义，可以提高窃电排查效率，保证用电秩序正常运行。
附图说明
通过参考下面的附图，可以更为完整地理解本发明的示例性实施方式：
图1为本发明优选实施方式的方法的流程示意图；
图2是本发明优选实施方式的装置的组成示意图。
图3为本发明优选实施方式的方法的数据流示意图；
图4为本发明优选实施方式的方法的台区线损异常检测的流程示意图；
图5为本发明优选实施方式的方法的用电量趋势检测的流程示意图；
图6为本发明优选实施方式的方法的支持向量机防窃电步骤的流程示意图；
图7为本发明优选实施方式的方法的贝叶斯防窃电步骤的流程示意图；
图8为本发明优选实施方式的某用户的用电量曲线；
图9为本发明优选实施方式的某用户所在台区的线损率曲线。
具体实施方式
现在参考附图介绍本发明的示例性实施方式，然而，本发明可以用许多不同的形式来实施，并且不局限于此处描述的实施例，提供这些实施例是为了详尽地且完全地公开本发明，并且向所属技术领域的技术人员充分传达本发明的范围。对于表示在附图中的示例性实施方式中的术语并不是对本发明的限定。在附图中，相同的单元/元件使用相同的附图标记。
除非另有说明，此处使用的术语(包括科技术语)对所属技术领域的技术人员具有通常的理解含义。另外，可以理解的是，以通常使用的词典限定的术语，应当被理解为与其相关领域的语境具有一致的含义，而不应该被理解为理想化的或过于正式的意义。
用电信息采集技术和大数据挖掘技术的发展，为开发更加高效实用的反窃电算法模型提供了前提条件。目前用电信息采集系统可以全面地采集到低压用户的用电数据。利用大数据挖掘技术可以发现海量用电数据中存在的规律，找到正常用电行为和异常用电行为的区别数据特征，从而有效甄别出窃电嫌疑用户。
本发明首先以台区线损异常识别为基础，识别出高损台区和线损波动异常台区；建立台区用户用电特征系数，构建用户与台区线损相关性、用户用电量历史波动性、用户用电量与同类用户的离群系数等数据特征；建立不同用电异常判别模型，包括用电异常的聚类模型和用电异常分类模型，通过对模型的组合评价，综合识别出用电异常的用户。并以历史稽查存在窃电用户的异常事件类数据特征为基础，通过不同的异常事件类相关数据发生的概率与窃电的关系网络图，构建贝叶斯推断模型，推断出用户窃电嫌疑概率。
本实施例的方法通过不同维度构建低压用户反窃电识别模型，有效提升低压用电异常用户的识别率，有效地减少用电检查人员排查的工作量。
具体地，以用电信息采集系统数据、营销系统数据、一体化线损系统数据为基础，分别以台区异常线损和异常事件为研究方向，通过多种途径建立反窃电模型。
本实施例的方法基于台区线损分析，利用聚类分析和离群点算法，建立异常线损识别模型，判断出线损异常的台区。对这些线损异常的台区分别建立K-means聚类算法反窃电识别模型和基于支持向量机的反窃电识别模型，以分别确定该台区内存在的窃电嫌疑用户。
本实施例的方法还基于异常事件类数据，通过对异常事件与用电相关数据之间的因果关系的分析，建立贝叶斯网络反窃电识别模型，结合异常事件发生后用户的相关数据，推断出该用户发生窃电的概率。
最终，通过对这三种模型结果集进行综合评估，确定该台区内存在的窃电嫌疑用户。
本实施例的方法结合低压用户台区线损异常和异常事件两个方向分别建立低压用户反窃电预警模型，其中以台区线损为基础的模型包括K-means聚类算法的反窃电模型、支持向量机算法的反窃电模型；以异常事件为基础的模型包括贝叶斯算法的反窃电模型。通过对两种研究方向的输出结果进行组合评价，在反窃电稽查监控平台输出窃电嫌疑用户清单，生成疑似窃电用户分析报告，为现场排查疑似窃电工作提供有力依据，并及时对窃电嫌疑用户进行处理和案例归档。
如图1所示，本发明实施例的结合台区线损和异常事件的窃电用户辨识方法，包括以下步骤：
步骤S10：获取至少一个待稽查台区的台区及用户数据，所述台区及用户数据包括台区线损数据和台区内各用电用户的基础数据；
步骤S20：应用台区线损异常检测方法和所述至少一个待稽查台区的台区线损数据，确定在指定的用电时段内存在窃电嫌疑用户的异常线损台区；
步骤S30：针对任一存在窃电嫌疑用户的异常线损台区：
根据所述台区及用户数据，分别应用K-means聚类反窃电方法、预先构建的支持向量机反窃电模型和预先构建的贝叶斯算法反窃电模型，确定出K-means聚类窃电嫌疑用户集、支持向量机窃电嫌疑用户集和贝叶斯算法窃电嫌疑用户集；
根据所述K-means聚类窃电嫌疑用户集、支持向量机窃电嫌疑用户集和贝叶斯算法窃电嫌疑用户集，综合评估后确定所述异常线损台区内的窃电嫌疑用户清单。
本实施例的窃电用户辨识方法，有效提升低压用电异常用户的识别率，有效地减少用电检查人员排查的工作量；其辨识结果对用电检查人员的现场操作具有指导意义，可以提高窃电排查效率，保证用电秩序正常运行。
进一步地，所述应用台区线损异常检测方法，包括：
若待稽查的台区的线损超过预先设定的线损阈值，则判断所述待稽查的台区为高损台区；
若待稽查的台区的线损不超过预先设定的线损阈值，但该台区的线损的K-means聚类结果中最高类与最低类的中心点之间的距离D大于预先设定的距离阈值S，则判断所述待稽查的台区为线损波动异常台区；
若待稽查的台区的线损不超过预先设定的线损阈值，且该台区的线损的K-means聚类结果中最高类与最低类的中心点之间的距离D不大于预先设定的距离阈值S，但该台区的线损的K-means聚类结果中最高类的离散度大于预先设定的离散度阈值，则判断所述待稽查的台区为线损离散度异常台区；
所述高损台区或所述线损波动率异常台区或所述线损离散度异常台区均为异常线损台区。
进一步地，所述应用K-means聚类反窃电方法，包括：
获取台区内用户用电量与台区月平均线损之间的相关性指标序列、用户日用电量与地区日平均温度的相关性指标序列、用户月平均用电变化率序列、用户日用电量与同类用户的日平均用电量的相关性序列，以形成用户特征集；
对所述用户特征集进行K-means聚类分析，并确定聚类中心点与其他各类的中心点偏离最大的聚类中包括的用户为K-means聚类窃电嫌疑用户集。
进一步地，还包括预先构建支持向量机反窃电模型的步骤：
获取台区内用户的历年稽查记录，为用户设置窃电嫌疑标签或非窃电嫌疑标签；
选取具有窃电嫌疑标签的用户的当周用电量平均值和前M个周各周用电量平均值作为该用户的用电特征数据；
选取具有非窃电嫌疑标签的用户的当周用电量平均值和前M个周各周用电量平均值作为该用户的用电特征数据，其中，M为正整数；如，M为24；
利用多组具有窃电嫌疑标签的用户的用电特征数据和具有非窃电嫌疑标签的用户的用电特征数据，训练并得到支持向量机反窃电模型；
其中，将所述台区内全部用户的任一指定的连续的(M+1)周的用电量平均值，应用训练得到的所述支持向量机反窃电模型，可确定出支持向量机窃电嫌疑用户集，所述支持向量机窃电嫌疑用户集内的任一用户具有窃电嫌疑标签。
进一步地，还包括预先构建贝叶斯算法反窃电模型的步骤：
获取台区内历年出现电能表开盖异常事件后窃电用户与非窃电用户的其他异常事件数据，所述其他异常事件数据包括计量故障次数、用电量突降、台区的线损超过阈值；
利用所述电能表开盖异常事件、窃电用户与非窃电用户的其他异常事件数据，训练并得到基于有向图的贝叶斯模型；
其中，根据待稽查台区内任一用户的电能表开盖异常事件和其他异常事件数据，应用训练得到的所述基于有向图的贝叶斯模型，可确定所述用户的窃电嫌疑概率；
则窃电嫌疑概率大于预先指定的嫌疑阈值的用户为窃电嫌疑用户；全部的窃电嫌疑用户形成所述贝叶斯算法窃电嫌疑用户集。
应该理解为，这里的“历年”，是指多个用电年度，但并不限制必须是时间上连续的多个用电年度。
进一步地，所述根据所述K-means聚类窃电嫌疑用户集、支持向量机窃电嫌疑用户集和贝叶斯算法窃电嫌疑用户集，综合评估后确定所述异常线损台区内的窃电嫌疑用户清单，包括：
根据所述K-means聚类窃电嫌疑用户集、支持向量机窃电嫌疑用户集和贝叶斯算法窃电嫌疑用户集，采用投票原则确定所述异常线损台区内的窃电嫌疑用户清单，其中，所述窃电嫌疑用户清单内的任一用户属于所述K-means聚类窃电嫌疑用户集、支持向量机窃电嫌疑用户集和贝叶斯算法窃电嫌疑用户集中的任两个。
进一步地，所述用电用户的基础数据包括从用电信息采集系统中获取的第一数据、从营销业务应用系统中获取的第二数据；
所述第一数据包括：负荷曲线数据、日用电量数据、和异常事件数据；
所述第二数据包括：客户基础信息、信用违窃信息、业务变更信息和违窃历史信息。
进一步地，还包括：
输出所述窃电嫌疑用户清单、和/或疑似窃电用户分析报告；
其中，所述疑似窃电用户分析报告包括以下至少一项：
包括户号、计量点号、表号的客户基础信息；
包括窃电嫌疑概率、异常总体描述的用电异常报告；
用于支撑所述用电异常报告、在各反窃电方法或模型中应用的台区及用户数据。
如图2所示，本发明实施例的结合台区线损和异常事件的窃电用户辨识装置，包括：
数据获取模块100，用于获取至少一个待稽查台区的台区及用户数据，所述台区及用户数据包括台区线损数据和台区内各用电用户的基础数据；
异常线损台区确定模块200，用于应用台区线损异常检测方法和所述至少一个待稽查台区的台区线损数据，确定在指定的用电时段内存在窃电嫌疑用户的异常线损台区；
窃电嫌疑用户清单生成模块300，用于针对任一存在窃电嫌疑用户的异常线损台区：
根据所述台区及用户数据，分别应用K-means聚类反窃电方法、预先构建的支持向量机反窃电模型和预先构建的贝叶斯算法反窃电模型，确定出K-means聚类窃电嫌疑用户集、支持向量机窃电嫌疑用户集和贝叶斯算法窃电嫌疑用户集；
根据所述K-means聚类窃电嫌疑用户集、支持向量机窃电嫌疑用户集和贝叶斯算法窃电嫌疑用户集，综合评估后确定所述异常线损台区内的窃电嫌疑用户清单。
本实施例的窃电用户辨识装置，与窃电用户辨识方法具有相同的技术效果，这里不再赘述。
具体实施时，可以部署结合台区线损和异常事件的窃电用户辨识系统，包括：
上述的结合台区线损和异常事件的窃电用户辨识装置；
用电信息采集系统，用于向所述窃电用户辨识装置提供用电用户的基础数据的第一数据；
营销业务应用系统，用于向所述窃电用户辨识装置提供用电用户的基础数据的第二数据；
反窃电稽查监控平台，用于向所述窃电用户辨识装置发送至少一个待稽查台区的台区及用户数据，并接收所述窃电用户辨识装置发送的窃电嫌疑用户清单、和/或疑似窃电用户分析报告；
其中，所述台区及用户数据包括台区线损数据和台区内各用电用户的基础数据。
该窃电用户辨识系统，与窃电用户辨识方法具有相同的技术效果，这里不再赘述。
本实施例方法的数据的流转图如图3所示，自上而下，包括以下6个层级：
1)数据源层。针对低压用户反窃电任务，低压用电用户(以下简称用户)的基础数据包括从用电信息采集系统中获取的第一数据、从营销业务应用系统(简称营销系统)中获取的第二数据和台区线损数据。
从用电信息采集系统中获取的第一数据包括：负荷曲线数据、日电量数据、异常事件数据；
从营销系统中获取的第二数据包括：客户基础信息、信用违窃信息、业务变更信息、违窃历史信息。
2)数据处理层。不同的基础数据对应的处理方法也不同。对基础数据的处理方法可以分为异常事件分析和台区线损分析两类。
3)中间模型层。台区线损分析包括台区线损异常检测模型和用电趋势异常检测模型这两个中间模型，其主要目的是识别出异常台区和台区中的疑似用电异常用户集。
4)中间结果集。中间结果集包括通过用电趋势异常检测模型识别出的疑似用电异常用户集，以及筛选并统计历史窃电用户的异常事件类数据构成的异常事件类集合。中间结果集是生成反窃电模型特征数据的基础。
5)反窃电模型层。基于不同的分析角度，反窃电模型包括以异常台区线损为基础的K-means聚类模型、支持向量机判别模型以及以异常事件为基础的贝叶斯网络识别模型。
6)模型输出层。模型输出层输出窃电嫌疑用户清单(或列表)及相关分析报告。
以下具体说明按照以上6层结构进行窃电嫌疑用户排查的具体步骤。
(一)数据预处理
用于建模的海量数据的质量对于反窃电预警模型的准确性至关重要。从营销业务应用系统、用电信息采集系统中抽取数据时，这些海量的原始数据中存在着大量不完整、不一致、有异常的数据点。这些有瑕疵的数据点不但会影响到数据挖掘建模的执行效率，甚至可能会导致挖掘结果出现不可忽略的偏差。所以进行数据预处理显得尤为重要。
针对获取的海量的低压用电用户的基础数据，进行以下数据预处理：
1)、数据清洗。数据清洗要去除源数据集中的噪声数据和无关数据，处理遗漏数据和清洗脏数据，去除空白数据和知识背景上的白噪声，考虑时间顺序和数据变化等。主要包括重复数据处理和缺值数据清理等。
2)、数据变换。数据变换主要是找到数据的特征表示，用维变换或转换方式减少有效变量的数目或找到数据的不变式，包括规格化、归纳、切换、旋转和投影等操作。
(二)台区线损异常检测模型构建
在台区线损分析中，台区线损异常与该台区存在窃电用户有着密切的联系。台区线损异常检测的步骤如图4所示。
台区线损异常可分为两大类：一类是高损台区，表现为台区线损超过设定的阈值，如图4中的10％；另一类为线损波动率异常台区，其需要进一步通过聚类及离散度判定后得出。
平均线损率超过阈值的台区认为其台区线损率偏高，称为高损台区；高损台区存在用户窃电嫌疑。
在台区线损不超过设定的阈值时，对该台区的历史线损率数据进行聚类，将该台区的线损率数据分为三类：最高类、中间类、最低类，记最高类的聚类中心和最低类的聚类中心之间的距离为D。
记S为判定线损异常台区的线损率阈值；当任一台区的聚类结果中最高类与最低类的中心点之间的距离D超过该阈值S时，则认为该台区是线损率波动较大的线损异常台区。
当D＞S时，认为该台区线损率波动较大，台区下用户存在窃电嫌疑；反之，则认为台区正常，不存在窃电嫌疑用户。
进一步地，对存在窃电嫌疑用户的台区，对其聚类结果中最高类的数据点按照自然时间坐标形成时间序列，并计算该时间序列的时间离散度TD。
时间离散度TD的表达式如下：
Figure BDA0002226824910000111
式中，Ti为聚类算法提取出的各时间点对应的异常线损率，i为时间点Ti的序号，M为聚类结果中最高类内包括的异常线损率的数据点总数。
得到所有存在窃电嫌疑的台区的时间离散度后，形成一个时间离散度序列。对各时间离散度取倒数，并提取出取倒数结果小于
Figure BDA0002226824910000112
的数据点，并对这些数据点进行(0,1)的归一化处理。任一台区的窃电嫌疑系数r为上述归一化处理后的数值。
窃电嫌疑系数r用来表征台区存在窃电嫌疑用户的可能性大小。台区线损率的时间离散度越大，则用于表示该台区存在窃电嫌疑的窃电嫌疑系数r越小。
具体实施时，对于取倒数结果大于
Figure BDA0002226824910000121
的时间离散度，直接将其对应台区的嫌疑系数r设为1，表示该台区不存在窃电嫌疑用户。
以上步骤中，利用线损率的时间离散度，进一步对存在用户窃电嫌疑的台区进行筛选，降低误判概率。
随后，利用构建的台区线损异常检测模型，可以检测在指定的用电时段内存在用户窃电嫌疑的异常线损台区。
(三)用电趋势异常检测模型构建
台区出现线损异常时，那么该台区下可能存在多个用户的用电量变化趋势与该台区的总体用电量变化趋势存在较大的差异性。以下基于用电量变化趋势建立台区异常用户检测模型，以识别出台区内疑似用电异常的用户。
具体地，该模型是在两个用电周期(如，以一个自然月作为一个周期)内，将用户窃电嫌疑的台区的在当前周期内的用电量总体变化趋势与上个周期进行比较，并以该比较结果作为趋势参照。
在该台区内，在这两个用电周期内，用电量变化趋势低于台区的总体用电量变化趋势的用户将被确定为用电异常用户。
以自然月为用电周期的用电量趋势异常检测模型建立的具体过程如图5所示。
计算台区月平均用电量变化率，其中台区本月平均用电量E及上月平均用电量计量
Figure BDA0002226824910000122
公式如下：
Figure BDA0002226824910000123
式中：M为台区内的用户总数量，ei为各用户本月平均用电量，ei-1各为用户上月平均用电量；
该台区的月平均用电量变化率为：
该台区的单个用户，其用电量增长趋势为：
Figure BDA0002226824910000132
当台区的用电量的增长率ω与用户用电量的增长率ωi相比满足如下的关系：
Figure BDA0002226824910000133
那么表示该用户为该台区下的疑似异常用电用户；并且γ的值越小，该用户存在窃电的概率就越大。
基于用电量趋势异常检测模型能够有效地从台区中筛选出影响台区线损的用户集合，该集合记为窃电嫌疑用户集。
以上，利用平均用电量变化率，在窃电嫌疑用户的台区内定位到台区内的至少一个窃电嫌疑用户。
(四)基于K-means聚类算法的反窃电模型构建
当线损出现异常时，理论上日台区线损与用户的日用电量呈现互相关性，然而实际结果与用户日用电量序列选取的长度存在很大的依赖性。为此建立了多个与窃电相关的指标，并进一步对这些指标进行了聚类分析，从而把用电异常的用户聚成一类。
建立与窃电相关的指标包括如下4种：
1)用户月平均用电量与台区月平均线损之间的相关性指标
单个用户平均用电量与台区月平均线损关联的量化公式为：
Figure BDA0002226824910000134
式中，ρ(X,Y)为皮尔逊相关系数，ρ(X,Y)越大，表示其相关性越强；X和Y分别代表台区线损率与台区中单个用户月平均用电量序列，μ代表样本平均值，σ代表样本标准差。
2)用户日用电量与地区日平均温度的相关性指标
温度与用电量之间存在一定的相关性，存在对温度的变化不敏感异常用电的用户，因此建立了不同用户的日用电量与地区日平均温度的相关性指标，其相关性度量标同样采用了皮尔逊相关系数。
3)用户月平均用电变化率
对于发生窃电的用户，其用电量会在一段时间内发生下降，为此建立了用户月平均用电变化率，月用电量变化率为：
Figure BDA0002226824910000141
其中Ei为该用户当月的平均用电量，Ei-1为上月的平均用电量，那么用户月平均用电量变化率为：
Figure BDA0002226824910000142
其中n为该用户用电量数据总月数。
4)用户日用电量与同类用户的日平均用电量的相关性指标
对于发生窃电的用户，其用电特性与总体用电趋势表现不一致，为此建立用户与用电性质相同的用户的相关性指标；相关性度量标准采用皮尔逊相关系数。其中相同用电性质的用户集合为一类，每类用户的日用电量是该类所有用户的日用电量的平均值。
通过构建的4类指标，那么每个用户的特征如下表1所示。
表1基于4个相关性指标确定每个用户的特征值
Figure BDA0002226824910000143
基于建立的用户特征集进行K-means聚类分析。由于异常用户的特征与其他类存在较大的差异性，异常用户将会聚集成一类，该类主要表现为聚类中心点与其他各类的中心点偏离最大。
至此，利用表1中的4个特征，可以构建出存在窃电嫌疑用户的整个台区内的全部用户的特征集；通过K-means聚类分析，可以定位到台区内的至少一个窃电嫌疑用户。
(五)基于支持向量机算法的反窃电模型构建
本实施例方法的支持向量机判别模型的建立流程图如图5所示。
用电量异常是反映用户是否存在窃电的一项重要指标，为此，可以通过历史窃电用户相关数据采用支持向量机进行模型训练，建立低压用户电量异常的判定模型。
依据图6所示的流程图，得到基于支持向量机算法的反窃电模型.首先要生成特征集作为模型的训练集合，训练集合既要包含异常用电的用户又要含有正常用电用户的相关数据，且不能偏离太大。
通过对历年低压台区用户的稽查记录，选取稽查到窃电的用户当周用电量平均值和前24周各周数据用电量平均值作为该用户的用电特征，从而为每个用户生成25个周平均用电量。
那么对于N个用户，其通过周用电量构造的特征矩阵如下所示：
Figure BDA0002226824910000151
其中N为用户数量，s为特征数量，这里s等于24；x1，1为该用户选择的25周数据中，当前周平均用电量E1与上周平均用电量E2的变化率，即：
Figure BDA0002226824910000152
周用电量构造的特征矩阵中的其他元素的定义与x1，1相似，这里不再赘述。
基于此种方式构造的用户异常用电特征向量集，对其标签化处理，设置其标签为1。然后随机抽取稽查不存在窃电的用户，同样采用上述的构造方法，到正常用户的特征向量集，并对其标签化处理，设置其标签为0。通过异常用电和正常用电两类集合的合并，从而可以得到完备的用电特征集，即包含了用电异常类和用电正常类。
或者，为了减小不同用户之间的用电量变化率差异性，建立的特征集需进一步对其归一化处理，即对特征矩阵W的每一行，进行如下的变换：
Figure BDA0002226824910000161
基于构造用电量特征训练集合，利用支持向量机分类模型，通过对用电特征集的训练、测试和交叉验证，得到有效的异常用电量异常判断模型。
将训练好的模型，应用于当前的用户(也即，基于用电趋势判断为异常的用户)，其中用户数据的处理方式和训练集生成的方式一致。当异常用电量异常判断模型判断当前用户属于类别为0时，则认为该用户存在窃电嫌疑。
该步骤中，根据每个用户的25个周平均用电量，应用到建立的针对该台区的支持向量机异常用电量常判断模型中，就可以确定该台区的某个用户是否存在窃电嫌疑。
(六)基于贝叶斯网络的反窃电模型构建
本实施例方法的以异常事件为基础的贝叶斯网络识别模型，基于异常事件建立的有向无环图如图7所示。图7中，从计量表开盖这个异常事件出发，依次遍历B、C、D这三个异常事件后，就可以确定窃电的概率P(F|B，C，D)或其他异常事件(即不窃电)的概率P(E|B，C，D)。
计量终端采集到的异常事件类数据多种多样，如，计量表开盖(图7中的A)、磁场干扰等异常事件。这些异常事件的发生并不是相互独立的，而是和用户的相关数据存在一定的因果关系。
基于历年稽查存在窃电，且在窃电周期内有发生过异常告警的用户的异常事件及相关用电数据，进行统计转换，建立贝叶斯网络模型。
依据图7的流程图得到的贝叶斯网络推断模型，是通过对历史异常事件及相关用电数据的训练，得到不同异常事件的发生与窃电之间的概率关系。
(1)进行数据准备，收集历年出现电能表开盖异常事件后的窃电用户与非窃电用户的相关数据特征，包括计量故障次数、用电量突降率、台区线损率等指标。
(2)进行贝叶斯模型训练，通过贝叶斯模型计算获得用户窃电的情况下，各相关的数据特征的条件概率。
(3)计算新用户的窃电嫌疑概率P(F|B，C，D)，从而推断该用户存在窃电的概率，即概率越大其窃电嫌疑就越大。
通过贝叶斯网络识别模型，分析在出现用户电能表开盖告警异常事件后，相关的数据特征与用户是否窃电的概率关系，从而推断用户存在窃电行为的概率。
计算P(F|B，C，D)的概率值，P(F|B，C，D)的概率值越大，则该用户的窃电嫌疑就越大。
这里的相关的数据特征包括：计量故障告警次数(图7中的B)、用电量突降(图7中的C)、线损超过阈值(图7中的D)。
以上，贝叶斯网络模型的输出是用户窃电的概率p，需对其进行变形，采用符号函数映射后，选择满足p≥0.5的用户构成的集合为异常用户集：
Figure BDA0002226824910000171
(七)反窃电模型的输出
以上，基于线损异常和用电异常事件两个方向分别建立低压用户反窃电预警模型，其中以线损为基础的模型包括K-means聚类算法的反窃电模型、支持向量机算法的反窃电模型；以异常事件为基础建立了贝叶斯网络模型的反窃电模型。
记以线损为基础的K-means聚类算法的反窃电模型确定的异常用户集合为F1；以支持向量机算法的反窃电模型确定的异常用户集合为F2；以贝叶斯网络模型确定的异常用户集合为F3。
基于以上3个不同的反窃电模型的得到的结果集，对其采用投票原则确定最终的异常用电用户，即用户包含于集合F1、F2、和F3中任意两个或者两个以上，则该用户为异常用户。
反窃电模型最终输出经稽查后，目标稽查台区内的窃电嫌疑清单，生成疑似窃电用户分析报告，窃电用户分析报告的主要内容包括：
1、用户基本信息(户号、计量点号、表号)；
2、用电异常报告，包括：窃电嫌疑概率、异常总体描述；
3、佐证数据：用于支撑用电异常报告，如，在各反窃电方法或模型中应用的台区及用户数据佐证展示，如佐证展示如图7和图8的相关日用电量曲线和线损曲线。
应用本实施例方法的示例如下。判定某用户在6月份存在窃电嫌疑。该用户所属台区的线损率如图8所示，该用户的用电趋势如图9所示。具体地，分析发现，该用户所属台区在6月份线损变大；而且该用户的用电量波动较大(即出现用电量下降)且该用户所属台区的其他用户的用电量波动非常小。
经人工核查，该用户的窃电时间为：2018-06-05。也即应用本实施例方法建立的模型预测结果与人工核查结果相符合。
应用本实施例方法，已发现4起存在窃电违约用电情况，3起现场存在用电异常情况，共追补电量15.49万KWh，追补电费11.42万元。
以上已经通过参考少量实施方式描述了本发明。然而，本领域技术人员所公知的，正如附带的专利权利要求所限定的，除了本发明以上公开的其他的实施例等同地落在本发明的范围内。
通常地，在权利要求中使用的所有术语都根据他们在技术领域的通常含义被解释，除非在其中被另外明确地定义。所有的参考“一个//该[装置、组件等]”都被开放地解释为装置、组件等中的至少一个实例，除非另外明确地说明。这里公开的任何方法的步骤都没必要以公开的准确的顺序运行，除非明确地说明。

Claims (10)

1.一种结合台区线损和异常事件的窃电用户辨识方法，其特征在于，包括以下步骤：
获取至少一个待稽查台区的台区及用户数据，所述台区及用户数据包括台区线损数据和台区内各用电用户的基础数据；
应用台区线损异常检测方法和所述至少一个待稽查台区的台区线损数据，确定在指定的用电时段内存在窃电嫌疑用户的异常线损台区；
针对任一存在窃电嫌疑用户的异常线损台区：
根据所述台区及用户数据，分别应用K-means聚类反窃电方法、预先构建的支持向量机反窃电模型和预先构建的贝叶斯算法反窃电模型，确定出K-means聚类窃电嫌疑用户集、支持向量机窃电嫌疑用户集和贝叶斯算法窃电嫌疑用户集；
根据所述K-means聚类窃电嫌疑用户集、支持向量机窃电嫌疑用户集和贝叶斯算法窃电嫌疑用户集，综合评估后确定所述异常线损台区内的窃电嫌疑用户清单。
2.根据权利要求1所述的结合台区线损和异常事件的窃电用户辨识方法，其特征在于，所述应用台区线损异常检测方法，包括：
若待稽查的台区的线损超过预先设定的线损阈值，则判断所述待稽查的台区为高损台区；
若待稽查的台区的线损不超过预先设定的线损阈值，但该台区的线损的K-means聚类结果中最高类与最低类的中心点之间的距离D大于预先设定的距离阈值S，则判断所述待稽查的台区为线损波动异常台区；
若待稽查的台区的线损不超过预先设定的线损阈值，且该台区的线损的K-means聚类结果中最高类与最低类的中心点之间的距离D不大于预先设定的距离阈值S，但该台区的线损的K-means聚类结果中最高类的离散度大于预先设定的离散度阈值，则判断所述待稽查的台区为线损离散度异常台区；
所述高损台区或所述线损波动率异常台区或所述线损离散度异常台区均为异常线损台区。
3.根据权利要求1所述的结合台区线损和异常事件的窃电用户辨识方法，其特征在于，所述应用K-means聚类反窃电方法，包括：
获取台区内用户用电量与台区月平均线损之间的相关性指标序列、用户日用电量与地区日平均温度的相关性指标序列、用户月平均用电变化率序列、用户日用电量与同类用户的日平均用电量的相关性序列，以形成用户特征集；
对所述用户特征集进行K-means聚类分析，并确定聚类中心点与其他各类的中心点偏离最大的聚类中包括的用户为K-means聚类窃电嫌疑用户集。
4.根据权利要求1所述的结合台区线损和异常事件的窃电用户辨识方法，其特征在于，
还包括预先构建支持向量机反窃电模型的步骤：
获取台区内用户的历年稽查记录，为用户设置窃电嫌疑标签或非窃电嫌疑标签；
选取具有窃电嫌疑标签的用户的当周用电量平均值和前M个周各周用电量平均值作为该用户的用电特征数据；
选取具有非窃电嫌疑标签的用户的当周用电量平均值和前M个周各周用电量平均值作为该用户的用电特征数据，其中，M为正整数；
利用多组具有窃电嫌疑标签的用户的用电特征数据和具有非窃电嫌疑标签的用户的用电特征数据，训练并得到支持向量机反窃电模型；
其中，将所述台区内全部用户的任一指定的连续的(M+1)周的用电量平均值，应用训练得到的所述支持向量机反窃电模型，可确定出支持向量机窃电嫌疑用户集，所述支持向量机窃电嫌疑用户集内的任一用户具有窃电嫌疑标签。
5.根据权利要求1所述的结合台区线损和异常事件的窃电用户辨识方法，其特征在于，还包括预先构建贝叶斯算法反窃电模型的步骤：
获取台区内历年出现电能表开盖异常事件后窃电用户与非窃电用户的其他异常事件数据，所述其他异常事件数据包括计量故障次数、用电量突降、台区的线损超过阈值；
利用所述电能表开盖异常事件、窃电用户与非窃电用户的其他异常事件数据，训练并得到基于有向图的贝叶斯模型；
其中，根据待稽查台区内任一用户的电能表开盖异常事件和其他异常事件数据，应用训练得到的所述基于有向图的贝叶斯模型，可确定所述用户的窃电嫌疑概率；
则窃电嫌疑概率大于预先指定的嫌疑阈值的用户为窃电嫌疑用户；全部的窃电嫌疑用户形成所述贝叶斯算法窃电嫌疑用户集。
6.根据权利要求1所述的结合台区线损和异常事件的窃电用户辨识方法，其特征在于，所述根据所述K-means聚类窃电嫌疑用户集、支持向量机窃电嫌疑用户集和贝叶斯算法窃电嫌疑用户集，综合评估后确定所述异常线损台区内的窃电嫌疑用户清单，包括：
根据所述K-means聚类窃电嫌疑用户集、支持向量机窃电嫌疑用户集和贝叶斯算法窃电嫌疑用户集，采用投票原则确定所述异常线损台区内的窃电嫌疑用户清单，其中，所述窃电嫌疑用户清单内的任一用户属于所述K-means聚类窃电嫌疑用户集、支持向量机窃电嫌疑用户集和贝叶斯算法窃电嫌疑用户集中的任两个。
7.根据权利要求1至6中任一项所述的结合台区线损和异常事件的窃电用户辨识方法，其特征在于，
所述用电用户的基础数据包括从用电信息采集系统中获取的第一数据、从营销业务应用系统中获取的第二数据；
所述第一数据包括：负荷曲线数据、日用电量数据、和异常事件数据；
所述第二数据包括：客户基础信息、信用违窃信息、业务变更信息和违窃历史信息。
8.根据权利要求1所述的结合台区线损和异常事件的窃电用户辨识方法，其特征在于，还包括：
输出所述窃电嫌疑用户清单、和/或疑似窃电用户分析报告；
其中，所述疑似窃电用户分析报告包括以下至少一项：
包括户号、计量点号、表号的客户基础信息；
包括窃电嫌疑概率、异常总体描述的用电异常报告；
用于支撑所述用电异常报告、在各反窃电方法或模型中应用的台区及用户数据。
9.一种结合台区线损和异常事件的窃电用户辨识装置，其特征在于，包括：
数据获取模块，用于获取至少一个待稽查台区的台区及用户数据，所述台区及用户数据包括台区线损数据和台区内各用电用户的基础数据；
异常线损台区确定模块，用于应用台区线损异常检测方法和所述至少一个待稽查台区的台区线损数据，确定在指定的用电时段内存在窃电嫌疑用户的异常线损台区；
窃电嫌疑用户清单生成模块，用于针对任一存在窃电嫌疑用户的异常线损台区：
根据所述台区及用户数据，分别应用K-means聚类反窃电方法、预先构建的支持向量机反窃电模型和预先构建的贝叶斯算法反窃电模型，确定出K-means聚类窃电嫌疑用户集、支持向量机窃电嫌疑用户集和贝叶斯算法窃电嫌疑用户集；
根据所述K-means聚类窃电嫌疑用户集、支持向量机窃电嫌疑用户集和贝叶斯算法窃电嫌疑用户集，综合评估后确定所述异常线损台区内的窃电嫌疑用户清单。
10.一种结合台区线损和异常事件的窃电用户辨识系统，其特征在于，包括：
如权利要求9所述的结合台区线损和异常事件的窃电用户辨识装置；
用电信息采集系统，用于向所述窃电用户辨识装置提供用电用户的基础数据的第一数据；
营销业务应用系统，用于向所述窃电用户辨识装置提供用电用户的基础数据的第二数据；
反窃电稽查监控平台，用于向所述窃电用户辨识装置发送至少一个待稽查台区的台区及用户数据，并接收所述窃电用户辨识装置发送的窃电嫌疑用户清单、和/或疑似窃电用户分析报告；
其中，所述台区及用户数据包括台区线损数据和台区内各用电用户的基础数据。
CN201910954415.5A 2019-10-09 2019-10-09 结合台区线损和异常事件的窃电用户辨识方法及装置 Active CN110824270B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910954415.5A CN110824270B (zh) 2019-10-09 2019-10-09 结合台区线损和异常事件的窃电用户辨识方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910954415.5A CN110824270B (zh) 2019-10-09 2019-10-09 结合台区线损和异常事件的窃电用户辨识方法及装置

Publications (2)

Publication Number Publication Date
CN110824270A true CN110824270A (zh) 2020-02-21
CN110824270B CN110824270B (zh) 2022-04-26

Family

ID=69548826

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910954415.5A Active CN110824270B (zh) 2019-10-09 2019-10-09 结合台区线损和异常事件的窃电用户辨识方法及装置

Country Status (1)

Country Link
CN (1) CN110824270B (zh)

Cited By (37)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
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
CN111506636A (zh) * 2020-05-12 2020-08-07 上海积成能源科技有限公司 一种基于自回归和近邻算法的居民用电行为分析的系统及方法
CN111507611A (zh) * 2020-04-15 2020-08-07 北京中电普华信息技术有限公司 一种确定窃电嫌疑用户的方法及系统
CN111650432A (zh) * 2020-07-14 2020-09-11 国网冀北电力有限公司 一种基于线损的窃电确定方法及装置
CN111651721A (zh) * 2020-06-15 2020-09-11 四川中电启明星信息技术有限公司 一种基于时空关联矩阵的反窃电预警方法
CN111667144A (zh) * 2020-04-30 2020-09-15 北京中电普华信息技术有限公司 用户的识别方法及装置
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
CN111861211A (zh) * 2020-07-20 2020-10-30 国网信通亿力科技有限责任公司 一种具有双层反窃电模型的系统
CN111915189A (zh) * 2020-08-01 2020-11-10 青岛鼎信通讯股份有限公司 一种基于四分位方法的窃电行为检测方法
CN111930802A (zh) * 2020-08-01 2020-11-13 青岛鼎信通讯股份有限公司 一种基于Lasso解析的反窃电分析方法
CN112034260A (zh) * 2020-08-11 2020-12-04 国网福建省电力有限公司晋江市供电公司 一种配电台区低压线损精益分析与反窃电精准定位方法
CN112115180A (zh) * 2020-09-11 2020-12-22 国网山东省电力公司枣庄供电公司 一种基于大数据的电网事故预测方法
CN112418687A (zh) * 2020-11-26 2021-02-26 广东电网有限责任公司 基于用电特征的用户用电异常识别方法、装置和存储介质
CN112436606A (zh) * 2020-11-26 2021-03-02 国网天津市电力公司营销服务中心 一种用于反窃电的监控系统
CN112816774A (zh) * 2020-12-15 2021-05-18 国网宁夏电力有限公司营销服务中心(国网宁夏电力有限公司计量中心) 一种基于大数据的窃电排查方法
CN113094884A (zh) * 2021-03-31 2021-07-09 天津大学 基于三层递进式分析模型的配电网用户窃电行为诊断方法
CN113112177A (zh) * 2021-04-28 2021-07-13 国网山东省电力公司泰安供电公司 一种基于混合指标的台区线损处理方法及系统
CN113125903A (zh) * 2021-04-20 2021-07-16 广东电网有限责任公司汕尾供电局 线损异常检测方法、装置、设备及计算机可读存储介质
CN113128596A (zh) * 2021-04-21 2021-07-16 广东电网有限责任公司汕尾供电局 一种窃电检测方法、装置及计算机可读存储介质
CN113283779A (zh) * 2021-06-08 2021-08-20 内蒙古电力(集团)有限责任公司内蒙古电力科学研究院分公司 一种窃电损耗定位的精准分析算法
CN113362199A (zh) * 2021-06-15 2021-09-07 国网河南省电力公司许昌市建安供电公司 基于用户采集电量与台区线损相关性的窃电用户核查方法
CN113484572A (zh) * 2021-06-01 2021-10-08 国网吉林省电力有限公司信息通信公司 一种基于用电大数据的反窃电监测方法及系统
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
CN113609395A (zh) * 2021-08-10 2021-11-05 公安部交通管理科学研究所 一种融合多特征的机动车信息查询异常的判别方法及系统
CN113687176A (zh) * 2021-10-25 2021-11-23 广东电网有限责任公司湛江供电局 一种基于深度神经网络的用电异常检测方法、系统
CN113744089A (zh) * 2021-11-08 2021-12-03 广东电网有限责任公司佛山供电局 一种台区户变关系辨识方法及设备
CN113792264A (zh) * 2021-09-10 2021-12-14 广东电网有限责任公司 一种用电量异常用户识别方法、装置、设备和介质
CN113919853A (zh) * 2021-10-18 2022-01-11 浙江大学 一种基于边端融合的低压用户窃电识别方法
CN114638729A (zh) * 2022-05-18 2022-06-17 国网浙江省电力有限公司 基于能源互联网营销服务的双中台架构的电力稽查方法
CN114926303A (zh) * 2022-04-26 2022-08-19 广东工业大学 一种基于迁移学习的窃电检测方法
CN114971002A (zh) * 2022-05-20 2022-08-30 国网湖北省电力有限公司营销服务中心(计量中心) 一种基于计量终端负荷监测技术的异常电量预测方法
CN116450625A (zh) * 2023-02-20 2023-07-18 湖北华中电力科技开发有限责任公司 一种基于用电信息采集系统的计量异常数据甄别装置
CN116449284A (zh) * 2023-03-30 2023-07-18 宁夏隆基宁光仪表股份有限公司 居民用电异常监测方法及其智能电表
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
CN116976707A (zh) * 2023-09-22 2023-10-31 安徽融兆智能有限公司 基于用电信息采集的用户用电数据异常分析方法及系统
CN117195090A (zh) * 2023-11-08 2023-12-08 南昌工程学院 一种低压配电台区窃电检测方法及系统

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103778567A (zh) * 2014-01-21 2014-05-07 深圳供电局有限公司 一种用户异常用电甄别的方法及系统
CN104036357A (zh) * 2014-06-12 2014-09-10 国家电网公司 用户用电窃电行为模式的分析方法
CN106373025A (zh) * 2016-08-22 2017-02-01 重庆邮电大学 基于离群点检测的用电信息采集系统实时防窃电监测方法
CN106682079A (zh) * 2016-11-21 2017-05-17 云南电网有限责任公司电力科学研究院 一种基于聚类分析的用户用电行为检测方法
CN107169145A (zh) * 2017-06-19 2017-09-15 武汉大学 一种基于聚类算法的用户窃电严重等级检测的方法
CN108593990A (zh) * 2018-06-04 2018-09-28 国网天津市电力公司 一种基于电能用户用电行为模式的窃电检测方法和应用
CN109345013A (zh) * 2018-09-25 2019-02-15 广西电网有限责任公司电力科学研究院 一种配电用户用电行为预测方法
CN109583679A (zh) * 2018-09-30 2019-04-05 国网浙江长兴县供电有限公司 一种多算法融合的窃电疑似度分析方法
CN109583680A (zh) * 2018-09-30 2019-04-05 国网浙江长兴县供电有限公司 一种基于支持向量机的窃电辨识方法
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
CN109977984A (zh) * 2018-11-06 2019-07-05 国网新疆电力有限公司电力科学研究院 基于支持向量机的窃电用户判断方法
CN110147871A (zh) * 2019-04-17 2019-08-20 中国电力科学研究院有限公司 一种基于som神经网络与k-均值聚类的窃电检测方法及系统
CN110223196A (zh) * 2019-06-04 2019-09-10 国网浙江省电力有限公司电力科学研究院 基于典型行业特征库和反窃电样本库的反窃电分析方法

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103778567A (zh) * 2014-01-21 2014-05-07 深圳供电局有限公司 一种用户异常用电甄别的方法及系统
CN104036357A (zh) * 2014-06-12 2014-09-10 国家电网公司 用户用电窃电行为模式的分析方法
CN106373025A (zh) * 2016-08-22 2017-02-01 重庆邮电大学 基于离群点检测的用电信息采集系统实时防窃电监测方法
CN106682079A (zh) * 2016-11-21 2017-05-17 云南电网有限责任公司电力科学研究院 一种基于聚类分析的用户用电行为检测方法
CN107169145A (zh) * 2017-06-19 2017-09-15 武汉大学 一种基于聚类算法的用户窃电严重等级检测的方法
CN108593990A (zh) * 2018-06-04 2018-09-28 国网天津市电力公司 一种基于电能用户用电行为模式的窃电检测方法和应用
CN109345013A (zh) * 2018-09-25 2019-02-15 广西电网有限责任公司电力科学研究院 一种配电用户用电行为预测方法
CN109583679A (zh) * 2018-09-30 2019-04-05 国网浙江长兴县供电有限公司 一种多算法融合的窃电疑似度分析方法
CN109583680A (zh) * 2018-09-30 2019-04-05 国网浙江长兴县供电有限公司 一种基于支持向量机的窃电辨识方法
CN109977984A (zh) * 2018-11-06 2019-07-05 国网新疆电力有限公司电力科学研究院 基于支持向量机的窃电用户判断方法
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
CN110147871A (zh) * 2019-04-17 2019-08-20 中国电力科学研究院有限公司 一种基于som神经网络与k-均值聚类的窃电检测方法及系统
CN110223196A (zh) * 2019-06-04 2019-09-10 国网浙江省电力有限公司电力科学研究院 基于典型行业特征库和反窃电样本库的反窃电分析方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
李亚 等: "基于改进K-Means聚类和BP神经网络的台区线损率计算方法", 《中国电机工程学报》 *
许均星: "基于电网能量与电气参量数据的窃电分析研究", 《中国优秀硕士学位论文全文数据库 工程科技II辑》 *
赵俊鹏 等: "基于用电信息采集系统的反窃电风险评估研究与应用", 《河北电力技术》 *
陈洪涛等: "基于k-means聚类算法的低压台区线损异常辨别方法", 《南方电网技术》 *

Cited By (51)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN111507611A (zh) * 2020-04-15 2020-08-07 北京中电普华信息技术有限公司 一种确定窃电嫌疑用户的方法及系统
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
CN111667144A (zh) * 2020-04-30 2020-09-15 北京中电普华信息技术有限公司 用户的识别方法及装置
CN111667144B (zh) * 2020-04-30 2023-04-28 北京中电普华信息技术有限公司 用户的识别方法及装置
CN111506636A (zh) * 2020-05-12 2020-08-07 上海积成能源科技有限公司 一种基于自回归和近邻算法的居民用电行为分析的系统及方法
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
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
CN111651721B (zh) * 2020-06-15 2023-04-07 四川中电启明星信息技术有限公司 一种基于时空关联矩阵的反窃电预警方法
CN111651721A (zh) * 2020-06-15 2020-09-11 四川中电启明星信息技术有限公司 一种基于时空关联矩阵的反窃电预警方法
CN111650432A (zh) * 2020-07-14 2020-09-11 国网冀北电力有限公司 一种基于线损的窃电确定方法及装置
CN111861211A (zh) * 2020-07-20 2020-10-30 国网信通亿力科技有限责任公司 一种具有双层反窃电模型的系统
CN111861211B (zh) * 2020-07-20 2023-01-24 国网信通亿力科技有限责任公司 一种具有双层反窃电模型的系统
CN111930802A (zh) * 2020-08-01 2020-11-13 青岛鼎信通讯股份有限公司 一种基于Lasso解析的反窃电分析方法
CN111915189A (zh) * 2020-08-01 2020-11-10 青岛鼎信通讯股份有限公司 一种基于四分位方法的窃电行为检测方法
CN112034260A (zh) * 2020-08-11 2020-12-04 国网福建省电力有限公司晋江市供电公司 一种配电台区低压线损精益分析与反窃电精准定位方法
CN112034260B (zh) * 2020-08-11 2023-05-12 国网福建省电力有限公司晋江市供电公司 一种配电台区低压线损精益分析与反窃电精准定位方法
CN112115180A (zh) * 2020-09-11 2020-12-22 国网山东省电力公司枣庄供电公司 一种基于大数据的电网事故预测方法
CN112436606A (zh) * 2020-11-26 2021-03-02 国网天津市电力公司营销服务中心 一种用于反窃电的监控系统
CN112418687A (zh) * 2020-11-26 2021-02-26 广东电网有限责任公司 基于用电特征的用户用电异常识别方法、装置和存储介质
CN112816774A (zh) * 2020-12-15 2021-05-18 国网宁夏电力有限公司营销服务中心(国网宁夏电力有限公司计量中心) 一种基于大数据的窃电排查方法
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
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
CN113094884A (zh) * 2021-03-31 2021-07-09 天津大学 基于三层递进式分析模型的配电网用户窃电行为诊断方法
CN113125903A (zh) * 2021-04-20 2021-07-16 广东电网有限责任公司汕尾供电局 线损异常检测方法、装置、设备及计算机可读存储介质
CN113128596A (zh) * 2021-04-21 2021-07-16 广东电网有限责任公司汕尾供电局 一种窃电检测方法、装置及计算机可读存储介质
CN113112177A (zh) * 2021-04-28 2021-07-13 国网山东省电力公司泰安供电公司 一种基于混合指标的台区线损处理方法及系统
CN113484572A (zh) * 2021-06-01 2021-10-08 国网吉林省电力有限公司信息通信公司 一种基于用电大数据的反窃电监测方法及系统
CN113283779A (zh) * 2021-06-08 2021-08-20 内蒙古电力(集团)有限责任公司内蒙古电力科学研究院分公司 一种窃电损耗定位的精准分析算法
CN113362199A (zh) * 2021-06-15 2021-09-07 国网河南省电力公司许昌市建安供电公司 基于用户采集电量与台区线损相关性的窃电用户核查方法
CN113609395A (zh) * 2021-08-10 2021-11-05 公安部交通管理科学研究所 一种融合多特征的机动车信息查询异常的判别方法及系统
CN113609395B (zh) * 2021-08-10 2023-05-05 公安部交通管理科学研究所 一种融合多特征的机动车信息查询异常的判别方法及系统
CN113792264A (zh) * 2021-09-10 2021-12-14 广东电网有限责任公司 一种用电量异常用户识别方法、装置、设备和介质
CN113919853B (zh) * 2021-10-18 2022-07-15 浙江大学 一种基于边端融合的低压用户窃电识别方法
CN113919853A (zh) * 2021-10-18 2022-01-11 浙江大学 一种基于边端融合的低压用户窃电识别方法
CN113687176B (zh) * 2021-10-25 2022-02-15 广东电网有限责任公司湛江供电局 一种基于深度神经网络的用电异常检测方法、系统
CN113687176A (zh) * 2021-10-25 2021-11-23 广东电网有限责任公司湛江供电局 一种基于深度神经网络的用电异常检测方法、系统
CN113744089A (zh) * 2021-11-08 2021-12-03 广东电网有限责任公司佛山供电局 一种台区户变关系辨识方法及设备
CN114926303A (zh) * 2022-04-26 2022-08-19 广东工业大学 一种基于迁移学习的窃电检测方法
CN114638729B (zh) * 2022-05-18 2022-08-02 国网浙江省电力有限公司 基于能源互联网营销服务的双中台架构的电力稽查方法
CN114638729A (zh) * 2022-05-18 2022-06-17 国网浙江省电力有限公司 基于能源互联网营销服务的双中台架构的电力稽查方法
CN114971002A (zh) * 2022-05-20 2022-08-30 国网湖北省电力有限公司营销服务中心(计量中心) 一种基于计量终端负荷监测技术的异常电量预测方法
CN114971002B (zh) * 2022-05-20 2023-08-25 国网湖北省电力有限公司营销服务中心(计量中心) 一种基于计量终端负荷监测技术的异常电量预测方法
CN116450625A (zh) * 2023-02-20 2023-07-18 湖北华中电力科技开发有限责任公司 一种基于用电信息采集系统的计量异常数据甄别装置
CN116449284A (zh) * 2023-03-30 2023-07-18 宁夏隆基宁光仪表股份有限公司 居民用电异常监测方法及其智能电表
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
CN116976707A (zh) * 2023-09-22 2023-10-31 安徽融兆智能有限公司 基于用电信息采集的用户用电数据异常分析方法及系统
CN116976707B (zh) * 2023-09-22 2023-12-26 安徽融兆智能有限公司 基于用电信息采集的用户用电数据异常分析方法及系统
CN117195090A (zh) * 2023-11-08 2023-12-08 南昌工程学院 一种低压配电台区窃电检测方法及系统
CN117195090B (zh) * 2023-11-08 2024-03-08 南昌工程学院 一种低压配电台区窃电检测方法及系统

Also Published As

Publication number Publication date
CN110824270B (zh) 2022-04-26

Similar Documents

Publication Publication Date Title
CN110824270B (zh) 结合台区线损和异常事件的窃电用户辨识方法及装置
CN110097297B (zh) 一种多维度窃电态势智能感知方法、系统、设备及介质
Himeur et al. A novel approach for detecting anomalous energy consumption based on micro-moments and deep neural networks
Angelos et al. Detection and identification of abnormalities in customer consumptions in power distribution systems
CN106780121B (zh) 一种基于用电负荷模式分析的用电异常识别方法
CN110223196B (zh) 基于典型行业特征库和反窃电样本库的反窃电分析方法
Biswas et al. Electricity theft pinpointing through correlation analysis of master and individual meter readings
Zidi et al. Theft detection dataset for benchmarking and machine learning based classification in a smart grid environment
CN106650797B (zh) 一种基于集成elm的配电网窃电嫌疑用户智能识别方法
Seem Using intelligent data analysis to detect abnormal energy consumption in buildings
Nizar et al. Identification and detection of electricity customer behaviour irregularities
CN110222991B (zh) 基于rf-gbdt的计量装置故障诊断方法
TW201802626A (zh) 異常資料的重要度判定裝置以及異常資料的重要度判定方法
Ploennigs et al. Exploiting generalized additive models for diagnosing abnormal energy use in buildings
US11378415B2 (en) Method and system for detecting anomalies in energy consumption
Pavlovski et al. Hierarchical convolutional neural networks for event classification on PMU measurements
Li et al. Characterizing patterns and variability of building electric load profiles in time and frequency domains
CN112084229A (zh) 一种识别城镇燃气用户异常用气行为的方法及装置
Park et al. The good, the bad, and the ugly: Data-driven load profile discord identification in a large building portfolio
CN115840922B (zh) 一种基于深度学习算法的充电异常行为分析方法
CN113723861A (zh) 异常用电行为检测方法、装置、计算机设备和存储介质
Yip et al. Detection of energy theft and metering defects in advanced metering infrastructure using analytics
Sodenkamp et al. Smart meter data analytics for enhanced energy efficiency in the residential sector
CN116714469A (zh) 充电桩健康监测方法、装置、终端及存储介质
CN111489073A (zh) 一种基于分类算法的用户用电廉情预警方法

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
GR01 Patent grant
GR01 Patent grant