CN111652761B - 一种基于证据理论的多源特征融合窃电行为检测方法 - Google Patents

一种基于证据理论的多源特征融合窃电行为检测方法 Download PDF

Info

Publication number
CN111652761B
CN111652761B CN202010735396.XA CN202010735396A CN111652761B CN 111652761 B CN111652761 B CN 111652761B CN 202010735396 A CN202010735396 A CN 202010735396A CN 111652761 B CN111652761 B CN 111652761B
Authority
CN
China
Prior art keywords
user
calculating
electricity
electricity stealing
data
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.)
Active
Application number
CN202010735396.XA
Other languages
English (en)
Other versions
CN111652761A (zh
Inventor
邓高峰
赵燕
王珺
刘经昊
胡涛
刘仕萍
郭雪薇
赵震宇
马建
邓林峰
程栋
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.)
Power Supply Service Management Center Of State Grid Jiangxi Electric Power Co ltd
State Grid Corp of China SGCC
Electric Power Research Institute of State Grid Jiangxi Electric Power Co Ltd
Original Assignee
Power Supply Service Management Center Of State Grid Jiangxi Electric Power Co ltd
Hunan University
State Grid Corp of China SGCC
Electric Power Research Institute of State Grid Jiangxi Electric Power Co Ltd
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 Power Supply Service Management Center Of State Grid Jiangxi Electric Power Co ltd, Hunan University, State Grid Corp of China SGCC, Electric Power Research Institute of State Grid Jiangxi Electric Power Co Ltd filed Critical Power Supply Service Management Center Of State Grid Jiangxi Electric Power Co ltd
Priority to CN202010735396.XA priority Critical patent/CN111652761B/zh
Publication of CN111652761A publication Critical patent/CN111652761A/zh
Application granted granted Critical
Publication of CN111652761B publication Critical patent/CN111652761B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Electricity, gas or water supply
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features

Landscapes

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

Abstract

本发明提出一种基于证据理论的多源特征融合窃电行为检测方法，采集用户三相电压数据、三相电流数据、用电量数据，用数据相关性理论的方法计算窃电量数据与用电量数据的相关系数，其次计算三相电压不平衡度、三相电流不平衡度和归一化常数
Figure DEST_PATH_IMAGE001
，利用证据理论合成规则计算组合函数，最后根据特征融合方程得到用户的窃电概率。本发明克服了传统利用单一用电量数据判断用户状态的局限性。采用数据相关性理论，对用电量数据进行相关性分析，在分析得出正常用户与窃电用户相关性的同时，计算电压、电流不平衡度，应用证据理论，对多源特征进行融合分析，得出用户发生窃电行为的概率，步骤简单，计算量小，为进一步提高窃电行为检测效率提供了一条有效途径。

Description

一种基于证据理论的多源特征融合窃电行为检测方法
技术领域
本发明属于智能电网领域，涉及一种应用于窃电用户检测的基于证据理论的多特征融合计算方法。
背景技术
电能是国民经济持续发展的重要保障，人民生活水平的不断提高对电能的需求也在不断扩大。然而，在经济利益的驱使下，不法分子将盗窃电能作为获利手段，采用各种手段减小电能计量，达到不交或少交电费的目的，供电企业和社会因此受到巨大的损失。以往的窃电手段如绕越电表接线、篡改表计接线、短接电流回路等技术手段低下，容易暴露。但近年来科学技术的发展给不法分子利用高科技手段窃电提供了途径，例如利用无线遥控器、强磁铁和高频干扰器等手段窃电。这类手段隐蔽性强，不法分子往往难以被发现，大大增加了反窃电工作的难度。窃电等违法行为已经对供电企业的利益受到了侵害，正常的供用电秩序也因此收到威胁，影响社会的正常运转。现有的各种传统检测方法效率低下且效果不明显，随着电网公司更新设备，升级电力系统，供电企业可以通过智能电表收集海量的用户数据，通过大数据技术挖掘隐含有用的信息，从数据中找出正常用户与非法分子的差异。然而，如何有效选取电气参数数据，融合多源特征，克服单一数据源存在的局限性，得到比单一数据源无法获得更准确可靠的信息。这对电网新型窃电检测方法提出了新的挑战。
发明内容
本发明提供了一种基于证据理论的多源特征融合窃电行为检测方法，克服了传统利用单一用电量数据判断用户状态的局限性。采用数据相关性分析理论，对用电量数据进行相关性分析，在分析得出正常用户与窃电用户相关性的同时，计算电压、电流不平衡度，应用证据理论，对多源特征进行融合分析，得出用户发生窃电行为的概率，该方法步骤简单，计算量小，为进一步提高窃电行为检测效率提供了一条有效途径。
为解决上述技术问题，本发明提供如下技术方案：
一种基于证据理论的多源特征融合窃电行为检测方法，采集用户三相电压数据、三相电流数据、用电量数据，用数据相关性理论的方法计算窃电量数据与用电量数据的相关系数，其次计算三相电压不平衡度、三相电流不平衡度和归一化常数
Figure 398307DEST_PATH_IMAGE001
，利用证据理论合成规则计算组合函数，最后根据特征融合方程得到用户的窃电概率。具体包括以下步骤：
步骤a，提取同一集中器下所有用户一天内的三相电压
Figure 76544DEST_PATH_IMAGE002
，三相电流
Figure 153085DEST_PATH_IMAGE003
，单个集中器下包含
Figure 736513DEST_PATH_IMAGE004
名用户，其中
Figure 110862DEST_PATH_IMAGE005
，采样点数为
Figure 781622DEST_PATH_IMAGE006
，其中
Figure 91380DEST_PATH_IMAGE007
，用户
Figure 99788DEST_PATH_IMAGE008
在一段时间内电能表用电量读数
Figure 153194DEST_PATH_IMAGE009
，集中器读数
Figure 179925DEST_PATH_IMAGE010
；
步骤b，对配电网进行潮流计算得到正常损耗
Figure 660585DEST_PATH_IMAGE011
，计算给定时间点
Figure 890709DEST_PATH_IMAGE012
非法分子窃取的电量
Figure 747807DEST_PATH_IMAGE013
，经过分析可知某一时间点
Figure 130509DEST_PATH_IMAGE014
的窃电量为集中器的电量值减去正常损耗和所有用户的电表用电量读数；
步骤c，计算一天内所有时间点的窃电量
Figure 782070DEST_PATH_IMAGE015
，求
Figure 827386DEST_PATH_IMAGE016
与
Figure 160279DEST_PATH_IMAGE017
在时间点
Figure 709072DEST_PATH_IMAGE018
的相关系数
Figure 984064DEST_PATH_IMAGE019
；
步骤d，根据得到的三相电压和三相电流分别计算电压不平衡度
Figure 188780DEST_PATH_IMAGE020
和电流不平衡度
Figure 387681DEST_PATH_IMAGE021
；
步骤e，计算
Figure 790980DEST_PATH_IMAGE022
个点的相关系数
Figure 741268DEST_PATH_IMAGE023
，电压不平衡度
Figure 495598DEST_PATH_IMAGE024
和电流不平衡度
Figure 232610DEST_PATH_IMAGE025
，分别对每位用户
Figure 693678DEST_PATH_IMAGE026
的相关系数、电压不平衡度和电流不平衡度这三个特征做聚类处理，每个特征分别得到两个聚类中心
Figure 123522DEST_PATH_IMAGE027
，分别代表正常和存在嫌疑；
步骤f，计算每位用户三个特征的两个类别的定向概率函数
Figure 286519DEST_PATH_IMAGE028
和
Figure 827222DEST_PATH_IMAGE029
；
步骤g，根据三个特征的定向概率函数计算归一化常数
Figure 470693DEST_PATH_IMAGE030
并利用证据理论组合规则计算组合comb函数；
步骤h，根据特征融合方程计算组合comb函数的结果，得到用户窃电嫌疑系数。
进一步的，步骤b中，用户电表读数可表示为
Figure 743542DEST_PATH_IMAGE031
，
Figure 472464DEST_PATH_IMAGE032
为用户实际用电量，
Figure 239694DEST_PATH_IMAGE033
为随机变量，
Figure 737671DEST_PATH_IMAGE034
，窃电量表达式如下：
Figure 243739DEST_PATH_IMAGE035
式中，
Figure 397640DEST_PATH_IMAGE036
表示对正常用户实际用电量的累加，
Figure 280145DEST_PATH_IMAGE037
表示对窃电用户实际用电量的累加。
进一步的，步骤c中，确定窃电用户的窃电量
Figure 632629DEST_PATH_IMAGE038
与电表读数
Figure 762128DEST_PATH_IMAGE039
呈现正相关，计算窃电量
Figure 200063DEST_PATH_IMAGE040
与电表读数
Figure 558363DEST_PATH_IMAGE041
的相关系数
Figure 30932DEST_PATH_IMAGE042
：
Figure 564288DEST_PATH_IMAGE043
进一步的，步骤f中，根据三个特征在两个聚类中心内的点数，分别计算三个特征的定向概率函数
Figure 489519DEST_PATH_IMAGE044
和
Figure 713827DEST_PATH_IMAGE045
，表达式为：
Figure 978586DEST_PATH_IMAGE046
，
Figure 262937DEST_PATH_IMAGE047
式中，
Figure 862415DEST_PATH_IMAGE048
分别为距离聚类中心
Figure 624834DEST_PATH_IMAGE049
更小的特征的数量，
Figure 806417DEST_PATH_IMAGE050
是对应的特征，
Figure 199352DEST_PATH_IMAGE051
分别为距离聚类中心
Figure 99175DEST_PATH_IMAGE052
更小的特征。
进一步的，步骤g中，根据三个特征的定向概率函数计算归一化常数
Figure 353701DEST_PATH_IMAGE053
，表达式如下：
Figure 389790DEST_PATH_IMAGE054
Figure 953627DEST_PATH_IMAGE055
式中，
Figure 340746DEST_PATH_IMAGE056
和
Figure 444968DEST_PATH_IMAGE057
分别代表相关系数的两个类别的定向概率函数，
Figure 788094DEST_PATH_IMAGE058
和
Figure 585148DEST_PATH_IMAGE059
分别代表电流不平衡度的两个类别的定向概率函数，
Figure 131667DEST_PATH_IMAGE060
和
Figure 305160DEST_PATH_IMAGE061
分别代表电压不平衡度的两个类别的定向概率函数；
并利用证据理论组合规则计算组合comb函数，表达式如下：
Figure 995467DEST_PATH_IMAGE062
式中，
Figure 963423DEST_PATH_IMAGE063
表示用户相关系数异常的嫌疑度，
Figure 59555DEST_PATH_IMAGE064
和
Figure 443263DEST_PATH_IMAGE065
分别代表用户在时间点
Figure 574030DEST_PATH_IMAGE066
的相关系数为正常和异常的定向概率函数，
Figure 899838DEST_PATH_IMAGE067
表示用户电流不平衡异常的嫌疑度，
Figure 483266DEST_PATH_IMAGE068
和
Figure 732982DEST_PATH_IMAGE069
分别代表用户在时间点
Figure 655939DEST_PATH_IMAGE070
的电流不平衡度为正常和异常的定向概率函数，
Figure 965697DEST_PATH_IMAGE071
表示用户电压不平衡异常的嫌疑度，
Figure 724837DEST_PATH_IMAGE072
和
Figure 778244DEST_PATH_IMAGE073
分别代表用户在时间点
Figure 618024DEST_PATH_IMAGE074
的电压不平衡度为正常和异常的定向概率函数。
进一步的，步骤h中，根据特征融合方程计算组合comb函数的结果，得到用户窃电嫌疑系数，特征融合方程的表达式如下：
Figure 36367DEST_PATH_IMAGE075
本发明的有益效果是：
本发明提出一种基于证据理论的多源特征融合窃电行为检测方法，克服了传统利用单一用电量数据判断用户状态的局限性。采用数据相关性理论，对用电量数据进行相关性分析，在分析得出正常用户与窃电用户相关性的同时，计算电压、电流不平衡度，应用证据理论，对多源特征进行融合分析，得出用户发生窃电行为的概率，该方法步骤简单，计算量小，为进一步提高窃电行为检测效率提供了一条有效途径。
附图说明
图1为本发明中用户窃电行为检测的原理框图；
图2为本发明中实现基于证据理论和多源特征融合窃电行为检测方法流程图。
具体实施方式
下面结合附图，对本发明作进一步地说明。
第一步，提取同一集中器下所有用户一天内的三相电压
Figure 328808DEST_PATH_IMAGE076
，三相电流
Figure 185905DEST_PATH_IMAGE077
，单个集中器下包含
Figure 67143DEST_PATH_IMAGE078
名用户，其中
Figure 718704DEST_PATH_IMAGE079
，采样点数为
Figure 701703DEST_PATH_IMAGE080
，其中
Figure 96913DEST_PATH_IMAGE081
，用户
Figure 645706DEST_PATH_IMAGE082
在一段时间内电能表用电量读数
Figure 419233DEST_PATH_IMAGE083
，集中器读数
Figure 686266DEST_PATH_IMAGE084
；
第二步，对给定时间点
Figure 619587DEST_PATH_IMAGE085
，对配电网进行潮流计算得到正常损耗
Figure 226149DEST_PATH_IMAGE011
，非法分子窃取的电量
Figure 485092DEST_PATH_IMAGE086
，经过分析可知某一时间点的窃电量为集中器的电量值减去正常损耗
Figure 160793DEST_PATH_IMAGE087
和所有用户的电量读数，同一集中器区域中窃取电量的表达式为：
Figure 163384DEST_PATH_IMAGE088
(1)
式中，
Figure 686769DEST_PATH_IMAGE089
表示用户的实际耗电量，
Figure 788718DEST_PATH_IMAGE090
表示电表读数，
Figure 30343DEST_PATH_IMAGE091
为一随机变量，
Figure 259461DEST_PATH_IMAGE092
，根据分析窃电用户的电表读数
Figure 637353DEST_PATH_IMAGE093
，
Figure 238099DEST_PATH_IMAGE094
为一台集中器下用户数量，
Figure 639124DEST_PATH_IMAGE095
表示对正常用户实际用电量的累加，
Figure 983518DEST_PATH_IMAGE096
表示对窃电用户实际用电量的累加。
第三步，计算时间点
Figure 481495DEST_PATH_IMAGE097
的相关系数
Figure 174514DEST_PATH_IMAGE098
，根据第二步的分析，由于
Figure 390731DEST_PATH_IMAGE099
，因此存在窃电的情况下，
Figure 210920DEST_PATH_IMAGE100
与
Figure 563404DEST_PATH_IMAGE101
呈现正相关，表达式如下：
Figure 240373DEST_PATH_IMAGE102
(2)
第四步，计算三相电压不平衡度
Figure 369653DEST_PATH_IMAGE103
和三相电流不平衡度
Figure 55849DEST_PATH_IMAGE104
，表达式为：
Figure 262839DEST_PATH_IMAGE105
(3)
Figure 313972DEST_PATH_IMAGE106
(4)
式中，
Figure 239203DEST_PATH_IMAGE107
表示取最大值，
Figure 650461DEST_PATH_IMAGE108
表示取最小值。
第五步，计算
Figure 977537DEST_PATH_IMAGE109
个点的
Figure 261888DEST_PATH_IMAGE110
，
Figure 346519DEST_PATH_IMAGE111
，
Figure 374518DEST_PATH_IMAGE112
，其中
Figure 556100DEST_PATH_IMAGE113
，
Figure 699768DEST_PATH_IMAGE114
，每位用户对这三个特征的数据利用k-means聚类算法进行处理，预设两个聚类中心
Figure 599591DEST_PATH_IMAGE115
，分别代表正常和存在嫌疑；
第六步，对每位用户三个特征的两个类别分别计算定向概率函数
Figure 103384DEST_PATH_IMAGE116
和
Figure 139474DEST_PATH_IMAGE117
，表达式为：
Figure 765627DEST_PATH_IMAGE118
，
Figure 74117DEST_PATH_IMAGE119
(5)
式中，
Figure 443919DEST_PATH_IMAGE120
分别为距离聚类中心
Figure 600094DEST_PATH_IMAGE121
更小的特征的数量，
Figure 334832DEST_PATH_IMAGE122
是对应的特征，
Figure 943667DEST_PATH_IMAGE123
分别为距离聚类中心
Figure 537066DEST_PATH_IMAGE124
更小的特征，值得一提的是
Figure 547748DEST_PATH_IMAGE125
函数对应三个特征均存在。
第七步，根据三个特征的定向概率函数计算归一化常数
Figure 515704DEST_PATH_IMAGE001
，表达式如下：
Figure 549519DEST_PATH_IMAGE126
(6)
Figure 261123DEST_PATH_IMAGE127
(7)
式中，
Figure 391890DEST_PATH_IMAGE128
和
Figure 717698DEST_PATH_IMAGE129
分别代表相关系数的两个类别的定向概率函数，
Figure 35547DEST_PATH_IMAGE130
和
Figure 488525DEST_PATH_IMAGE131
分别代表电流不平衡度的两个类别的定向概率函数，
Figure 473798DEST_PATH_IMAGE132
和
Figure 783557DEST_PATH_IMAGE133
分别代表电压不平衡度的两个类别的定向概率函数；
并利用证据理论组合规则计算组合comb函数，表达式如下：
Figure 277118DEST_PATH_IMAGE134
(8)
式中，
Figure 330524DEST_PATH_IMAGE135
表示用户相关系数异常的嫌疑度，
Figure 170304DEST_PATH_IMAGE136
和
Figure 588647DEST_PATH_IMAGE137
分别代表用户在时间点
Figure 146668DEST_PATH_IMAGE138
的相关系数为正常和异常的定向概率函数，
Figure 925137DEST_PATH_IMAGE139
表示用户电流不平衡异常的嫌疑度，
Figure 885002DEST_PATH_IMAGE140
和
Figure 474247DEST_PATH_IMAGE141
分别代表用户在时间点
Figure 253984DEST_PATH_IMAGE142
的电流不平衡度为正常和异常的定向概率函数，
Figure 649193DEST_PATH_IMAGE143
表示用户电压不平衡异常的嫌疑度，
Figure 166629DEST_PATH_IMAGE144
和
Figure 989092DEST_PATH_IMAGE145
分别代表用户在时间点
Figure 256125DEST_PATH_IMAGE146
的电压不平衡度为正常和异常的定向概率函数。
第八步，根据特征融合方程计算组合comb函数的结果，得到用户窃电嫌疑系数，特征融合方程的表达式如下：
Figure 392708DEST_PATH_IMAGE147
(9)
至此，完成了用户窃电嫌疑概率的计算。
综上所述，本发明提供了一种基于证据理论的多源特征融合窃电行为检测方法，克服了传统利用单一用电量数据判断用户状态的局限性。采用数据相关性理论，对用电量数据进行相关性分析，在分析得出正常用户与窃电用户相关性的同时，计算电压、电流不平衡度，应用证据理论，对多源特征进行融合分析，得出用户发生窃电行为的概率，提高了反窃电检测效率，且计算量小。
以上所述实施例仅表达了本发明的一种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (6)

1.一种基于证据理论的多源特征融合窃电行为检测方法，其特征在于：采集用户三相电压数据、三相电流数据、用电量数据，用数据相关性理论的方法计算窃电量数据与用电量数据的相关系数，其次计算三相电压不平衡度、三相电流不平衡度和归一化常数
Figure 132719DEST_PATH_IMAGE001
，利用证据理论合成规则计算组合函数，最后根据特征融合方程得到用户的窃电概率；具体包括以下步骤：
步骤a，提取同一集中器下所有用户一天内的三相电压
Figure 587971DEST_PATH_IMAGE002
，三相电流
Figure 409165DEST_PATH_IMAGE003
，单个集中器下包含
Figure 975276DEST_PATH_IMAGE004
名用户，其中
Figure 276944DEST_PATH_IMAGE005
，采样点数为
Figure 840780DEST_PATH_IMAGE006
，其中
Figure 962320DEST_PATH_IMAGE007
，用户
Figure 332122DEST_PATH_IMAGE008
在一段时间内电能表用电量读数为
Figure 176712DEST_PATH_IMAGE009
，集中器读数为
Figure 973767DEST_PATH_IMAGE010
；
步骤b，对配电网进行潮流计算得到正常损耗
Figure 582603DEST_PATH_IMAGE011
，计算给定时间点
Figure 428199DEST_PATH_IMAGE012
非法分子窃取的电量
Figure 438880DEST_PATH_IMAGE013
，经过分析可知某一时间点
Figure 406836DEST_PATH_IMAGE014
的窃电量为集中器的电量值减去正常损耗和所有用户的电表用电量读数；
步骤c，计算一天内所有时间点的窃电量
Figure 689919DEST_PATH_IMAGE015
，求
Figure 401523DEST_PATH_IMAGE016
与
Figure 266711DEST_PATH_IMAGE017
在时间点
Figure 343251DEST_PATH_IMAGE018
的相关系数
Figure 926679DEST_PATH_IMAGE019
；
步骤d，根据得到的三相电压和三相电流分别计算电压不平衡度
Figure 441974DEST_PATH_IMAGE020
和电流不平衡度
Figure 847154DEST_PATH_IMAGE021
；
步骤e，计算
Figure 156913DEST_PATH_IMAGE022
个点的相关系数
Figure 227637DEST_PATH_IMAGE023
，电压不平衡度
Figure 218727DEST_PATH_IMAGE024
和电流不平衡度
Figure 58507DEST_PATH_IMAGE025
，分别对每位用户
Figure 539167DEST_PATH_IMAGE026
的相关系数、电压不平衡度和电流不平衡度这三个特征做聚类处理，每个特征分别得到两个聚类中心
Figure 284138DEST_PATH_IMAGE027
，分别代表正常和存在嫌疑；
步骤f，计算每位用户三个特征的两个类别的定向概率函数
Figure 875656DEST_PATH_IMAGE028
和
Figure 569943DEST_PATH_IMAGE029
；
步骤g，根据三个特征的定向概率函数计算归一化常数
Figure 424766DEST_PATH_IMAGE030
并利用证据理论组合规则计算组合comb函数；
步骤h，根据特征融合方程计算组合comb函数的结果，得到用户窃电嫌疑系数。
2.根据权利要求1中所述的方法，其特征在于：所述步骤b中，用户电表读数可表示为
Figure 204503DEST_PATH_IMAGE031
，
Figure 599713DEST_PATH_IMAGE032
为用户
Figure 102500DEST_PATH_IMAGE033
实际用电量，
Figure 924963DEST_PATH_IMAGE034
为随机变量，
Figure 191996DEST_PATH_IMAGE035
，窃电量表达式如下：
Figure 328579DEST_PATH_IMAGE036
式中，
Figure 997458DEST_PATH_IMAGE037
表示对正常用户实际用电量的累加，
Figure 990822DEST_PATH_IMAGE038
表示对窃电用户实际用电量的累加。
3.根据权利要求1中所述的方法，其特征在于：所述步骤c中，确定窃电用户的窃电量
Figure 932102DEST_PATH_IMAGE039
与电表读数
Figure 669114DEST_PATH_IMAGE040
呈现正相关，计算窃电量
Figure 192499DEST_PATH_IMAGE041
与电表读数
Figure 560027DEST_PATH_IMAGE042
的相关系数
Figure 801652DEST_PATH_IMAGE043
：
Figure 76776DEST_PATH_IMAGE044
。
4.根据权利要求1中所述的方法，其特征在于：所述步骤f中，根据三个特征在两个聚类中心内的点数，分别计算三个特征的定向概率函数
Figure 399873DEST_PATH_IMAGE045
和
Figure 735039DEST_PATH_IMAGE046
，表达式为：
Figure 463961DEST_PATH_IMAGE047
，
Figure 480458DEST_PATH_IMAGE048
式中，
Figure 978436DEST_PATH_IMAGE049
分别为距离聚类中心
Figure 750083DEST_PATH_IMAGE050
更小的特征的数量，
Figure 887672DEST_PATH_IMAGE051
是对应的特征，
Figure 770177DEST_PATH_IMAGE052
分别为距离聚类中心
Figure 122661DEST_PATH_IMAGE053
更小的特征。
5.根据权利要求1中所述的方法，其特征在于：所述步骤g中，根据三个特征的定向概率函数计算归一化常数
Figure 2893DEST_PATH_IMAGE054
，表达式如下：
Figure 440827DEST_PATH_IMAGE055
Figure 861444DEST_PATH_IMAGE056
式中，
Figure 22429DEST_PATH_IMAGE057
和
Figure 135879DEST_PATH_IMAGE058
分别代表相关系数的两个类别的定向概率函数，
Figure 61110DEST_PATH_IMAGE059
和
Figure 223101DEST_PATH_IMAGE060
分别代表电流不平衡度的两个类别的定向概率函数，
Figure 284598DEST_PATH_IMAGE061
和
Figure 568948DEST_PATH_IMAGE062
分别代表电压不平衡度的两个类别的定向概率函数；
并利用证据理论组合规则计算组合comb函数，表达式如下：
Figure 168426DEST_PATH_IMAGE063
式中，
Figure 196425DEST_PATH_IMAGE064
表示用户相关系数异常的嫌疑度，
Figure 378007DEST_PATH_IMAGE065
和
Figure 505363DEST_PATH_IMAGE066
分别代表用户在时间点
Figure 405186DEST_PATH_IMAGE067
的相关系数为正常和异常的定向概率函数，
Figure 971297DEST_PATH_IMAGE068
表示用户电流不平衡异常的嫌疑度，
Figure 958451DEST_PATH_IMAGE069
和
Figure 319025DEST_PATH_IMAGE070
分别代表用户在时间点
Figure 706144DEST_PATH_IMAGE071
的电流不平衡度为正常和异常的定向概率函数，
Figure 13629DEST_PATH_IMAGE072
表示用户电压不平衡异常的嫌疑度，
Figure 904224DEST_PATH_IMAGE073
和
Figure 701279DEST_PATH_IMAGE074
分别代表用户在时间点
Figure 497066DEST_PATH_IMAGE075
的电压不平衡度为正常和异常的定向概率函数。
6.根据权利要求1中所述的方法，其特征在于：所述步骤h中，根据特征融合方程计算组合comb函数的结果，得到用户窃电嫌疑系数，特征融合方程的表达式如下：
Figure 670558DEST_PATH_IMAGE076
式中，
Figure 681239DEST_PATH_IMAGE077
表示用户相关系数异常的嫌疑度，
Figure 586878DEST_PATH_IMAGE078
表示用户电流不平衡异常的嫌疑度，
Figure 683010DEST_PATH_IMAGE079
表示用户电压不平衡异常的嫌疑度。
CN202010735396.XA 2020-07-28 2020-07-28 一种基于证据理论的多源特征融合窃电行为检测方法 Active CN111652761B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010735396.XA CN111652761B (zh) 2020-07-28 2020-07-28 一种基于证据理论的多源特征融合窃电行为检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010735396.XA CN111652761B (zh) 2020-07-28 2020-07-28 一种基于证据理论的多源特征融合窃电行为检测方法

Publications (2)

Publication Number Publication Date
CN111652761A CN111652761A (zh) 2020-09-11
CN111652761B true CN111652761B (zh) 2020-12-01

Family

ID=72345874

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010735396.XA Active CN111652761B (zh) 2020-07-28 2020-07-28 一种基于证据理论的多源特征融合窃电行为检测方法

Country Status (1)

Country Link
CN (1) CN111652761B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112816774B (zh) * 2020-12-15 2023-01-06 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
CN114416753B (zh) * 2022-04-01 2022-08-12 国网山东省电力公司营销服务中心(计量中心) 基于时空量体四维数据的窃电证据数据处理方法及系统
CN116257538A (zh) * 2023-03-14 2023-06-13 普华讯光（北京）科技有限公司 一种基于区块链的窃电数据可信存证方法及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
KR20180081478A (ko) * 2018-06-25 2018-07-16 주식회사 나은에너지 전기고장 마스터(만능)탐지기
CN108490288A (zh) * 2018-03-09 2018-09-04 华南师范大学 一种窃电检测方法及系统
CN109116072A (zh) * 2018-06-29 2019-01-01 广东电网有限责任公司 窃电分析方法、装置及服务器
CN109948920A (zh) * 2019-03-11 2019-06-28 昆明电力交易中心有限责任公司 一种基于证据理论的电力市场结算数据风险处理方法
CN110264015A (zh) * 2019-06-28 2019-09-20 国网河南省电力公司电力科学研究院 反窃电稽查监控方法及平台

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107220906B (zh) * 2017-05-31 2019-10-11 国网上海市电力公司 基于用电采集系统的多时间尺度用电异常分析方法
CN111080476A (zh) * 2019-12-06 2020-04-28 江苏瑞中数据股份有限公司 一种基于数据中台的用户窃电行为分析预警方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN108490288A (zh) * 2018-03-09 2018-09-04 华南师范大学 一种窃电检测方法及系统
KR20180081478A (ko) * 2018-06-25 2018-07-16 주식회사 나은에너지 전기고장 마스터(만능)탐지기
CN109116072A (zh) * 2018-06-29 2019-01-01 广东电网有限责任公司 窃电分析方法、装置及服务器
CN109948920A (zh) * 2019-03-11 2019-06-28 昆明电力交易中心有限责任公司 一种基于证据理论的电力市场结算数据风险处理方法
CN110264015A (zh) * 2019-06-28 2019-09-20 国网河南省电力公司电力科学研究院 反窃电稽查监控方法及平台

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于客户用电行为的窃电概率预警分析;曹桂林;《时代农机》;20191031;第46卷(第10期);第59-60、67页 *

Also Published As

Publication number Publication date
CN111652761A (zh) 2020-09-11

Similar Documents

Publication Publication Date Title
CN111652761B (zh) 一种基于证据理论的多源特征融合窃电行为检测方法
CN110097297B (zh) 一种多维度窃电态势智能感知方法、系统、设备及介质
Zhu et al. Imbalance learning machine-based power system short-term voltage stability assessment
CN106093652B (zh) 一种具备自学习功能的非侵入式电力负荷监测系统与方法
CN103001230B (zh) 非侵入式电力负荷监测与分解的电流模式匹配方法
Lin et al. Non-cooperative game model applied to an advanced metering infrastructure for non-technical loss screening in micro-distribution systems
CN103135009B (zh) 基于使用者回馈信息的电器侦测方法与系统
CN108490288B (zh) 一种窃电检测方法及系统
CN109596873B (zh) 一种具有预警功能的智能电表
CN111027408A (zh) 一种基于支持向量机和v-i曲线特征的负荷识别方法
CN109784388A (zh) 窃电用户识别方法和装置
CN110047013B (zh) 反专变用户间断型窃电方法
CN113361831B (zh) 基于优先级分配的非侵入式负荷辨识电量分解方法及系统
CN110244099A (zh) 基于用户电压的窃电检测方法
Fragkioudaki et al. Detection of non-technical losses in smart distribution networks: A review
CN109146265A (zh) 基于动态规划时间序列相似性的三相不平衡源溯源方法
CN110390440B (zh) 一种基于聚类和深度神经网络的智能电表用户聚合负荷预测方法
CN115759708A (zh) 一种考虑电力时空分布特性的线损分析方法及系统
Wu et al. Analysis of electricity stealing based on user electricity characteristics of electricity information collection system
Liu et al. Identification of stealing electricity based on big data analysis
CN111366889B (zh) 一种智能电表异常用电检测方法
Zhang et al. Theories, applications and trends of non-technical losses in power utilities using machine learning
Ahmad et al. Detection of frauds and other non-technical losses in power utilities using smart meters: a review
Feng et al. Identification of disturbance sources based on random forest model
Mendiola et al. Detection of pilferage in an ami-enabled low-voltage network using energy reading anomalies

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
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20220810

Address after: 330100 No.999 Furong Road, Nanchang Economic and Technological Development Zone, Nanchang City, Jiangxi Province

Patentee after: Power supply service management center of State Grid Jiangxi Electric Power Co.,Ltd.

Patentee after: STATE GRID CORPORATION OF CHINA

Patentee after: STATE GRID JIANGXI ELECTRIC POWER COMPANY LIMITED Research Institute

Address before: 330100 No.999 Furong Road, Nanchang Economic and Technological Development Zone, Nanchang City, Jiangxi Province

Patentee before: Power supply service management center of State Grid Jiangxi Electric Power Co.,Ltd.

Patentee before: STATE GRID CORPORATION OF CHINA

Patentee before: STATE GRID JIANGXI ELECTRIC POWER COMPANY LIMITED Research Institute

Patentee before: HUNAN University