CN111695800B - 一种云边协同逐级分析定位异常用电行为用户的方法 - Google Patents

一种云边协同逐级分析定位异常用电行为用户的方法 Download PDF

Info

Publication number
CN111695800B
CN111695800B CN202010495780.7A CN202010495780A CN111695800B CN 111695800 B CN111695800 B CN 111695800B CN 202010495780 A CN202010495780 A CN 202010495780A CN 111695800 B CN111695800 B CN 111695800B
Authority
CN
China
Prior art keywords
data
abnormal
electricity
value
particle
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
CN202010495780.7A
Other languages
English (en)
Other versions
CN111695800A (zh
Inventor
宣筱青
王祥浩
吴江
郭寰宇
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.)
Zhingdian Huaheng Nanjing Energy Industry Research Institute Co ltd
Nanjing Zhongdian Keneng Technology Co ltd
Original Assignee
Zhingdian Huaheng Nanjing Energy Industry Research Institute Co ltd
Nanjing Zhongdian Keneng Technology 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 Zhingdian Huaheng Nanjing Energy Industry Research Institute Co ltd, Nanjing Zhongdian Keneng Technology Co ltd filed Critical Zhingdian Huaheng Nanjing Energy Industry Research Institute Co ltd
Priority to CN202010495780.7A priority Critical patent/CN111695800B/zh
Publication of CN111695800A publication Critical patent/CN111695800A/zh
Application granted granted Critical
Publication of CN111695800B publication Critical patent/CN111695800B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
    • Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Human Resources & Organizations (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Primary Health Care (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明的一种云边协同逐级分析定位异常用电行为用户的方法，包括如下步骤：S1：收集用户历史用电特征参数；S2：进行数据预处理，提取用户用电特征值；S3：建立异常用电行为训练样本数据集；S4：使用经过PSO优化的BP神经网络进行训练；S5：在配电台区安装边缘计算设备，实时采集和监测所在配电台区内的用电数据；S6：根据采集的用电数据，边缘计算设备实时计算分析所在配电台区是否发生异常情况并向主站系统告警；S7：主站系统收到告警后启动异常用户行为分析功能，对异常配电台区内用户的近期用电数据进行分析，定位异常用电用户。该方法能迅速定位可疑用户，尽快进行检查及整改，减少经济损失。

Description

一种云边协同逐级分析定位异常用电行为用户的方法
技术领域
本发明涉及一种云边协同逐级分析定位异常用电行为用户的方法，属于用电管理方法技术领域。
背景技术
近年来，随着国民经济的增长，国内的年发电量和用电量屡创新高，社会各行业和家庭用户的用电数量在持续增加。在这样的情况下，对于配售电公司、长租公寓管理公司、产业园区、商业楼宇、校园宿舍等，电费收入是很重要的收入来源。窃电和计量装置故障造成的用电异常是电力行业需要面对的典型问题。电费的少收和漏收致使电力企业蒙受巨大的经济损失。另外，用户长期高负荷用电、超限额用电等高风险用电行为也容易引发电气火灾。因此迫切需要一种对异常用电行为(窃漏电、计量设备故障、高负荷、超限额用电及其它可能引发火灾的高风险用电等)进行有效分析的方法。
传统方法主要通过每月电费账单统计、定期巡检、定期校验电能表、用户举报等手段来发现窃电、计量装置故障或用户高风险用电，此方法难以全面覆盖、误报和冗余信息多、定位查找问题速度慢，给工作人员带来极大工作难度。
目前，国内外专家学者提出了一些基于数据挖掘技术和智能优化算法的用电异常检测方法。但是，由于用电负荷的模糊性及非线性的特点，使这些方法在预测时不能很好达到期望的精度，并且输入参数太多，过于依赖自动化系统采集的各类告警数据，在只有历史用电采集数据的情况下很难进行分析。此外，由于用户的数量巨大，进行异常用电分析时计算量巨大，会给主站系统造成极大负担，并且难以在短时间内直接定位异常用电行为用户。
发明内容
为克服现有技术的不足，本发明提出一种云边协同逐级分析定位异常用电行为用户的方法，通过边缘计算和先进数据分析方法，在不增加主站系统负担的情况下，分层逐级处理数据，迅速定位可疑用户，尽快进行检查及整改，以减少经济损失。
为实现上述目的，本发明的一种云边协同逐级分析定位异常用电行为用户的方法，包括如下步骤：
S1：主站系统抽取历史数据，收集用户用电特征参数；
S2：对用户用电特征参数进行数据预处理，提取用户用电特征值xjm；
S3：建立异常用电行为训练样本数据集，确定异常用电行为训练样本数据集的训练样本数为K，将步骤S2中提取的用户用电特征值xjm作为BP神经网络的输入因素，将用户异常用电行为的判断结论定义为ym，作为BP神经网络的输出结果；
S4：使用经过PSO优化的BP神经网络进行训练，基于全局粒子群算法优化BP神经网络中的权值与阈值，将初始权值和阈值构成的向量定义为粒子的位置矢量，通过粒子速度和位置更新迭代，寻找最优粒子位置，获得网络最优权值与阈值，建立BP神经网络分析模型；
S5：在配电台区安装边缘计算设备，实时采集和监测所在配电台区内的用电数据，用电数据包括台区总用电量、台区总负荷、台区内各用户的用电量、台区内各用户的负荷；
S6：根据采集的用电数据，边缘计算设备实时计算分析所在配电台区是否发生异常情况，包括线损异常和负荷过载，若发生异常情况，则边缘计算设备向主站系统发出配电台区异常告警；
S7：主站系统收到告警后启动异常用户行为分析功能，使用训练完毕的BP神经网络分析模型对异常配电台区内用户的近期用电数据进行分析，定位异常用电用户。
进一步地，在步骤S2中，数据预处理过程包括：
S201：对原始数据进行数据清洗，纠正数据集中存在的可识别错误，包括负荷和电量数据存在缺失、异常数值，检查数据一致性，处理无效值和缺失值，提高数据质量；
S202：基于统计方法提取特征值，对用电行为特征在时间上以年、季度和月份作为单位时间划分，并计算每个用户的各个单位时间下的用电的均值、标准差和离散系数序列。
进一步地，在步骤S4中，PSO算法经验公式如下：
Vid(k+1)＝wVid(k)+C1R1(Pid-Xid(k))+C2R2(Pgd-Xid(k))；
Xid(k+1)＝Xid(k)+Vid(k+1)；
其中i＝1～K，K为粒子数，d＝1～D，D为粒子的维数，w为惯性权重，k为当前迭代次数，Vid、Xid分别为粒子i在维度d上的速度与位置，Pid为粒子i到目前为止出现的适应度值最优位置，Pid为所有粒子到目前为止出现的适应度值最优位置，C1、C2为学习因子，R1、R2为在[0、1]内的随机数。
进一步地，在步骤S4中，BP神经网络采用单层BP神经网络，包括输入层、隐藏层和输出层，其中：
d，输入层的神经元个数；
q，隐藏层的神经元个数；
l，输出层的神经元个数；
vih，输入层第i个神经元和隐藏层第h个神经元的权重；
whj，隐藏层第h个神经元和输出层第j个神经元的权重；
bh，隐藏层第h个神经元的输出；
θj，输出层第j个神经元的阈值；
γh，隐藏层第h个神经元的阈值；
隐藏层第h个神经元的输入；
输出层第j个神经元的输入。
进一步地，步骤S4还包括以下步骤：
S401：确定异常用电分析采用的BP神经网络拓扑结构；
S402：确定PSO粒子维度，初始化基本参数；
S403：初始化粒子速度、位置；
S404：基于步骤S3中的异常用电行为训练样本数据集进行分析，计算粒子适应度；
S405：寻找粒子个体最优值和全局最优值，并更新粒子速度与位置；
S406：根据条件判断算法停止，获得最优权值和阈值，当迭代次数达到网络最大迭代次数或者训练误差小于设定值时，算法停止，输出最佳神经网络模型。否则迭代次数增加1并返回步骤S404继续计算。
进一步地，在步骤S402中，确定粒子维度D，粒子维度D为待优化的阈值和权值的总和，初始化的基本参数包括粒子数量K、迭代进化次数N、学习因子C1、C2，速度范围[Vmin，Vmax]和位置范围[Xmin，Xmax]。
进一步地，在步骤S403中，采用以下经验公式赋予粒子初始速度和初始位置：
粒子初始速度，Vi(0)＝2Vmax(rand(N，D)-0.5)；
粒子初始位置，Xi(0)＝2Vmax(rand(N，D)-0.5)；
并且以粒子初始速度和粒子初始位置为BP神经网络定义初始权值和阈值。
进一步地，在步骤S404中，BP神经网络对用电异常行为训练数据的诊断结果与实际结果的均方误差作为粒子的适应度函数，并计算相应的适应度值，其中：
计算隐含层节点h输出值的公式为：
式中：K为样本数量，d为输入层的神经元个数，q为隐藏层的神经元个数，l为输出层的神经元个数，f(·)表示采用双S形函数作为隐含层的激活函数；wih表示输入层节点i到隐含层节点h的权值；xi为输入值；γh为隐含层节点h的阈值；
计算输出层节点m输出值的公式为：
式中：f(·)表示采用双S形函数作为输出层的激活函数；whm表示隐含层节点h到输出层节点m的权值；θm为输出层节点m的阈值。
进一步地，在步骤S404中，使用所有训练样本对每一个粒子进行计算，生成粒子在训练样本下产生的训练误差，并计算其适应度，粒子适应度计算公式为：
式中：K为样本数量，D为粒子维数，表示i个样本第j维度训练输出期望值，Xij表示第i个样本第j维度的训练输出结果。
进一步地，步骤S6还包括以下步骤：
S601：实时采集配电台区用电量数据，用电量采集周期为T1,获得T1时间段内配电台区供电量Msupply、配电台区内N个用户的用电量
S602：当配电台区内部分用户用电量未能正确采集导致数据缺失或异常时，则小于实际值，采用均值插补方法来进行数据补全，定义某用户采集点在t’时刻未能正常采集的用电量数据为M’，取采集点之前L天同一采集时刻的用电量数据平均值代替，计算出/>
S603：数据完整或已经补全的情况下，通过公式计算出当前周期的配电台区统计线损率；
S604：若连续K个周期，某配电台区的线损率都超过预设的预警值X，则边缘计算设备将判定该配电台区的线损异常，并向主站系统发送告警；
S605：边缘计算设备实时采集配电台区变压器测量数据，当变压器负荷持续T2时间超过变压器额定容量时，边缘计算设备向主站系统发送告警。
本发明的一种云边协同逐级分析定位异常用电行为用户的方法将PSO算法与BP神经网络相结合，基于粒子群算法来优化神经网络中权值和阈值，利用以往人工分析得到的异常用电历史数据，按统计方法对这些数据进行处理，得到的用电统计特征值输入神经网络计算模型，经过大量样本训练学习，不断优化，形成最优化的异常用电行为分析模型。将当前用户用电量数据处理后输入该分析模型，能够快速得到准确的分析结果，定位找到可能存在异常用电的用户。
附图说明
下面结合附图对本发明作进一步描写和阐述。
图1是本发明首选实施方式的一种云边协同逐级分析定位异常用电行为用户的方法的流程图；
图2是本发明中通过PSO优化BP神经网络的流程图；
图3是本发明中BP神经网络的示意图；
图4是本发明的系统结构示意图。
具体实施方式
下面将结合附图、通过对本发明的优选实施方式的描述，更加清楚、完整地阐述本发明的技术方案。
如图1所示，本发明的一种云边协同逐级分析定位异常用电行为用户的方法，包括如下步骤：
S1：主站系统抽取历史数据，收集用户用电特征参数；
S2：对用户用电特征参数进行数据预处理，提取用户用电特征值xjm；
S3：建立异常用电行为训练样本数据集，确定异常用电行为训练样本数据集的训练样本数为K，将步骤S2中提取的用户用电特征值xjm作为BP神经网络的输入因素，将用户异常用电行为的判断结论定义为ym，作为BP神经网络的输出结果；
S4：使用经过PSO优化的BP神经网络进行训练，基于全局粒子群算法优化BP神经网络中的权值与阈值，将初始权值和阈值构成的向量定义为粒子的位置矢量，通过粒子速度和位置更新迭代，寻找最优粒子位置，获得网络最优权值与阈值，建立BP神经网络分析模型；
S401：确定异常用电分析采用的BP神经网络拓扑结构；
S402：确定PSO粒子维度，初始化基本参数；
S403：初始化粒子速度、位置；
S404：基于步骤S3中的异常用电行为训练样本数据集进行分析，计算粒子适应度；
S405：寻找粒子个体最优值和全局最优值，并更新粒子速度与位置；
S406：根据条件判断算法停止，获得最优权值和阈值，当迭代次数达到网络最大迭代次数或者训练误差小于设定值时，算法停止，输出最佳神经网络模型。否则迭代次数增加1并返回步骤S404继续计算；
S5：在配电台区安装边缘计算设备，实时采集和监测所在配电台区内的用电数据，用电数据包括台区总用电量、台区总负荷、台区内各用户的用电量、台区内各用户的负荷；
S6：根据采集的用电数据，边缘计算设备实时计算分析所在配电台区是否发生异常情况，包括线损异常和负荷过载，若发生异常情况，则边缘计算设备向主站系统发出配电台区异常告警；
S601：实时采集配电台区用电量数据，用电量采集周期为T1,获得T1时间段内配电台区供电量Msupply、配电台区内N个用户的用电量
S602：当配电台区内部分用户用电量未能正确采集导致数据缺失或异常时，则小于实际值，当数据缺失较多时会造成台区线损产生较大偏差，所以需要对缺失数据进行补全。为了减少边缘计算压力和满足计算速度要求，采用均值插补方法来进行数据补全。定义某用户采集点在t’时刻未能正常采集的用电量数据为M’，取采集点之前L天(根据边缘计算设备能够存储的采集数据天数而定)同一采集时刻的用电量数据平均值代替，计算出/>
S603：数据完整或已经补全的情况下，通过公式计算出当前周期的配电台区统计线损率；
S604：若连续K个周期，某配电台区的线损率都超过预设的预警值X，则边缘计算设备将判定该配电台区的线损异常，并向主站系统发送告警；
S605：边缘计算设备实时采集配电台区变压器测量数据，当变压器负荷持续T2时间超过变压器额定容量时，边缘计算设备向主站系统发送告警；
S7：主站系统收到告警后启动异常用户行为分析功能，使用训练完毕的BP神经网络分析模型对异常配电台区内用户的近期用电数据进行分析，定位异常用电用户。
在步骤S1中，用户用电特征参数主要包括：
用户基本信息：名称、户号、报装容量、用电类别、计量方式；
用户电量数据：时间、计量点、有功总、峰/平/谷/尖、无功电量；
用户用电异常判定结果：历史用电异常行为、用电异常行为严重程度(0～1)；
本实施例中选取某地区电网10000组用户2019年全年的日用电量数据作为用户用电特征参数。
在步骤S2中，对数据进行清理，特别是负荷和电量数据存在缺失、异常数值的，需要进行包括检查数据一致性、处理无效值和缺失值。
其中，缺失值处理：在原始计量数据中，发现存在数据缺失情况，为确保建模数据的有效性，需要对这些缺失数据进行补齐，主要通过同类型日数据结合插值算法进行修正处理。
异常值处理：在原始样本数据中，存在异常值情况，如-10000等，需要通过同类型日数据结合插值算法进行修正处理。
经过数据清洗后，本实施例中得到350天可供分析的有效数据维度和9108个数据有效的用户数据集。其中6440个正常用户，2668个异常用户。
在步骤S3中，用电行为特征在时间上以年、季度、月份为单位划分，并计算每个用户的单位时间均值、标准差和离散系数序列，具体包括全年用电量标准差、全年用电量离散系数、每季度用电量标准差、每季度用电量离散系数、每月用电量标准差、每月用电量离散系数、每月平均用电量上升下降趋势、相邻两月用电均值之差、相邻两月用电均值比值的最大最小值、相邻两季度用电均值之差和相邻两季度用电均值比值的最大最小值，共计49组数据，这些统计特征值将作为训练样本的输入数据。
在步骤S3中，确定训练样本数量K＝9108，以用户用电特征值xjm作为BP神经网络的输入因素，用户是否为异常用电行为的评判结论ym作为输出结果，数值为(0，1，2…，10)中的任意值，0表示正常用户，1～10表示异常用户，越接近10表示异常用电行为程度越严重。
训练样本：
d，输入层的神经元个数，此实例为49个；
l，输出层的神经元个数，此示例为11个。
如图2所示，在步骤S4中，将改进的PSO算法与BP神经网络相结合，基于全局粒子群算法来优化神经网络中权值和阈值，将初始权值和阈值构成的向量定义为粒子的位置矢量，即Pg＝(W1，B1，W2，B2)。通过粒子的速度和位置的不断更新迭代，寻找最优粒子位置，获得网络最优权值与阈值PSO算法经验公式如下：
Vid(k+1)＝wVid(k)+C1R1(Pid-Xid(k))+C2R2(Pgd-Xid(k))；
Xid(k+1)＝Xid(k)+Vid(k+1)；
其中i＝1～K，K为粒子数，d＝1～D，D为粒子的维数，w为惯性权重，k为当前迭代次数，Vid、Xid分别为粒子i在维度d上的速度与位置，Pid为粒子i到目前为止出现的适应度值最优位置，Pid为所有粒子到目前为止出现的适应度值最优位置，C1、C2为学习因子，R1、R2为在[0、1]内的随机数。
如图3所示，在步骤S4中，BP神经网络采用单层BP神经网络，包括输入层、隐藏层和输出层，其中：
d，输入层的神经元个数；
q，隐藏层的神经元个数；
l，输出层的神经元个数；
vih，输入层第i个神经元和隐藏层第h个神经元的权重；
whj，隐藏层第h个神经元和输出层第j个神经元的权重；
bh，隐藏层第h个神经元的输出；
θj，输出层第j个神经元的阈值；
γh，隐藏层第h个神经元的阈值；
隐藏层第h个神经元的输入；
输出层第j个神经元的输入。
在步骤S402中，PSO算法中每一个粒子都代表所求权值与阈值的一个潜在解，每个粒子对应一个由适应度函数决定的适应度值，粒子的速度决定了粒子移动的方向与距离，速度随着一定的经验公式进行动态调整，最终找到适应度值最优的粒子。
初始化基本参数：粒子数量K、迭代进化次数N、粒子维度D，学习因子C1、C2，速度范围[Vmin，Vmax]和位置范围[Xmin，Xmax]其中粒子维度D为待优化的阈值和权值的总和。
D＝hiddennum×(inputnum+1)+outputnum×(hiddennum+1)
式中:D为粒子的维度，hiddennum为BP神经网络隐含层的节点数，inputnum为神经网络输入层节点数，outputnum为神经网络输出层节点数。本实施例中K＝9108，N＝100，D＝6050，C1＝C2＝2，速度和位置取值范围[-1,1]。
在步骤S403中，采用以下经验公式赋予粒子初始速度和初始位置：
粒子初始速度，Vi(0)＝2Vmax(rand(N，D)-0.5)；
粒子初始位置，Xi(0)＝2Vmax(rand(N，D)-0.5)；
并且以粒子初始速度和粒子初始位置为BP神经网络定义初始权值和阈值。
在步骤S404中，BP神经网络对用电异常行为训练数据的诊断结果与实际结果的均方误差作为粒子的适应度函数，并计算相应的适应度值，其中，计算隐含层节点h输出值h(i＝1，2…，d；h＝1，2…，q)的公式为：
本实施例中确定样本数量K＝9108，输入层的神经元个数d＝49，隐藏层的神经元个数q＝99；输出层的神经元个数l＝11；计算隐含层节点h的输出值b为K为样本数量，d为输入层的神经元个数，q为隐藏层的神经元个数，l为输出层的神经元个数，f(·)表示采用双S形函数作为隐含层的激活函数；wih表示输入层节点i到隐含层节点h的权值；xi为输入值；γh为隐含层节点h的阈值。
计算输出层节点m输出值ym(m＝1，2…，l；h＝1，2…，q)的公式为：
式中：f(·)表示采用双S形函数作为输出层的激活函数；whm表示隐含层节点h到输出层节点m的权值；θm为输出层节点m的阈值。
使用所有训练样本对每一个粒子进行计算，生成粒子在训练样本下产生的训练误差，并计算其适应度，粒子适应度计算公式为：
式中：K为样本数量，D为粒子维数，表示i个样本第j维度训练输出期望值，Xij表示第i个样本第j维度的训练输出结果。
在步骤S405中，按照各粒子适应度更新个体最优值和全局最优值，如果当前适应度小于迭代前的个体极值，则个体最优值Pid＝Xid，否则不变；当前适应度小于全局最优值，则全局最优值Pgd＝Xid，否则不变。全局最优值对应神经网络的权值和阈值，为当前最优解。根据获得网络最优权值与阈值PSO算法经验公式更新各粒子的位置和速度。
在步骤S601中，电量采集周期T1取15分钟。
在步骤S602中，本实施例中用到的边缘计算设备可存储7天的历史电量数据，所以L设为7。
在步骤S604中，设定连续4个周期(即一小时)，线损率超过10％，判定为线损异常。
在步骤S605中，设定变压器过载持续时间24小时以上，发送台区过载告警。
本发明在构建神经网络模型时对于训练样本数据进行了统计特征值提取处理，从异常用户的用电量数据本身出发进行分析，可构建神经网络，无需依赖系统主站、采集终端的实时采集信息和各类报警信息，神经网络训练样本获取成本较低；通过将PSO算法与BP神经网络相结合，基于粒子群算法来优化神经网络中权值和阈值，并将该算法用于异常用电分析领域，改变了主要通过人工判定用电异常的工作方式；采用云边协同逐级分析的方式，先通过边缘计算设备对台区状况预先分析，发现台区异常后再进一步定位异常用电用户，缩小了异常用户检测范围，减轻了主站系统的分析计算压力；降低了电力公司检测分析的时间及成本，提高了用电异常检测精确度及工作效率，具有重大的经济效益。
上述具体实施方式仅仅对本发明的优选实施方式进行描述，而并非对本发明的保护范围进行限定。在不脱离本发明设计构思和精神范畴的前提下，本领域的普通技术人员根据本发明所提供的文字描述、附图对本发明的技术方案所作出的各种变形、替代和改进，均应属于本发明的保护范畴。本发明的保护范围由权利要求确定。

Claims (1)

1.一种云边协同逐级分析定位异常用电行为用户的方法，其特征在于，包括如下步骤：
S1：主站系统抽取历史数据，收集用户用电特征参数；
S2：对用户用电特征参数进行数据预处理，提取用户用电特征值xjm；
S201：对原始数据进行数据清洗，纠正数据集中存在的可识别错误，包括负荷和电量数据存在缺失、异常数值，检查数据一致性，处理无效值和缺失值，提高数据质量；
S202：基于统计方法提取特征值，对用电行为特征在时间上以年、季度和月份作为单位时间划分，并计算每个用户的各个单位时间下的用电的均值、标准差和离散系数序列；
S3：建立异常用电行为训练样本数据集，确定异常用电行为训练样本数据集的训练样本数为K，将步骤S2中提取的用户用电特征值xjm作为BP神经网络的输入因素，将用户异常用电行为的判断结论定义为ym，作为BP神经网络的输出结果；
S4：使用经过PSO优化的BP神经网络进行训练，基于全局粒子群算法优化BP神经网络中的权值与阈值，将初始权值和阈值构成的向量定义为粒子的位置矢量，通过粒子速度和位置更新迭代，寻找最优粒子位置，获得网络最优权值与阈值，建立BP神经网络分析模型；
S401：确定异常用电分析采用的BP神经网络拓扑结构，所述BP神经网络采用单层BP神经网络，包括输入层、隐藏层和输出层，其中：
d，输入层的神经元个数；
q，隐藏层的神经元个数；
l，输出层的神经元个数；
vih，输入层第i个神经元和隐藏层第h个神经元的权重；
whj，隐藏层第h个神经元和输出层第j个神经元的权重；
bh，隐藏层第h个神经元的输出；
θj，输出层第j个神经元的阈值；
γh，隐藏层第h个神经元的阈值；
隐藏层第h个神经元的输入；
输出层第j个神经元的输入；
S402：确定PSO粒子维度，确定粒子维度D，粒子维度D为待优化的阈值和权值的总和，初始化基本参数，初始化的基本参数包括粒子数量K，粒子数量K即步骤S3中的训练样本数K，表示有K个样本，带入粒子群算法，是将K个样本视为有K个粒子，迭代进化次数N、学习因子C1、C2，速度范围[Vmin，Vmax]和位置范围[Xmin，Xmax]，所述PSO算法经验公式如下：
Vid(k+1)＝wVid(k)+C1R1(Pid-Xid(k))+C2R2(Pgd-Xid(k))；
Xid(k+1)＝Xid(k)+Vid(k+1)；
其中i＝1～K，K为粒子数，d＝1～D，D为粒子的维数，w为惯性权重，k为当前迭代次数，Vid、Xid分别为粒子i在维度d上的速度与位置，Pid为粒子i到目前为止出现的适应度值最优位置，Pid为所有粒子到目前为止出现的适应度值最优位置，C1、C2为学习因子，R1、R2为在[0、1]内的随机数；
S403：初始化粒子速度、位置，采用以下经验公式赋予粒子初始速度和初始位置：
粒子初始速度，Vi(0)＝2Vmax(rand(N，D)-0.5)；
粒子初始位置，Xi(0)＝2Vmax(rand(N，D)-0.5)；
并且以粒子初始速度和粒子初始位置为BP神经网络定义初始权值和阈值；
S404：基于步骤S3中的异常用电行为训练样本数据集进行分析，计算粒子适应度，BP神经网络对用电异常行为训练数据的诊断结果与实际结果的均方误差作为粒子的适应度函数，并计算相应的适应度值，其中：
计算隐含层节点h输出值的公式为：
式中：d为输入层的神经元个数，f(·)表示采用双S形函数作为隐含层的激活函数；wih表示输入层节点i到隐含层节点h的权值；xi为输入值；γh为隐含层节点h的阈值；
计算输出层节点m输出值的公式为：
式中：f(·)表示采用双S形函数作为输出层的激活函数；q为隐藏层的神经元个数；whm表示隐含层节点h到输出层节点m的权值；θm为输出层节点m的阈值；bh表示隐藏层节点h的输出值；
使用所有训练样本对每一个粒子进行计算，生成粒子在训练样本下产生的训练误差，并计算其适应度，粒子适应度计算公式：
式中：K为样本数量，D为粒子维数，表示i个样本第j维度训练输出期望值，Xij表示第i个样本第j维度的训练输出结果；
S405：寻找粒子个体最优值和全局最优值，并更新粒子速度与位置；
S406：根据条件判断算法停止，获得最优权值和阈值，当迭代次数达到网络最大迭代次数或者训练误差小于设定值时，算法停止，输出最佳神经网络模型，否则迭代次数增加1并返回步骤S404继续计算；
S5：在配电台区安装边缘计算设备，实时采集和监测所在配电台区内的用电数据，所述用电数据包括台区总用电量、台区总负荷、台区内各用户的用电量、台区内各用户的负荷；
S6：根据采集的所述用电数据，所述边缘计算设备实时计算分析所在配电台区是否发生异常情况，包括线损异常和负荷过载，若发生异常情况，则所述边缘计算设备向主站系统发出配电台区异常告警；
S601：实时采集配电台区用电量数据，用电量采集周期为T1，获得T1时间段内配电台区供电量Msupply、配电台区内N个用户的用电量
S602：当配电台区内部分用户用电量未能正确采集导致数据缺失或异常时，则小于实际值，采用均值插补方法来进行数据补全，定义某用户采集点在t’时刻未能正常采集的用电量数据为M’，取采集点之前L天同一采集时刻的用电量数据平均值代替，计算出
式中：M’表示需要采用均值插补法进行补全的某用户某时刻未能正常采集的电量数据；L表示M’发生的时刻的之前L天；M’j表示前L天同一时刻的电量数据，j表示是L天中的第j天；
S603：数据完整或已经补全的情况下，通过公式计算出当前周期的配电台区统计线损率；
S604：若连续K个周期，某配电台区的线损率都超过预设的预警值X，则所述边缘计算设备将判定该配电台区的线损异常，并向主站系统发送告警；
S605：所述边缘计算设备实时采集配电台区变压器测量数据，当变压器负荷持续T2时间超过变压器额定容量时，所述边缘计算设备向主站系统发送告警；
S7：所述主站系统收到告警后启动异常用户行为分析功能，使用训练完毕的BP神经网络分析模型对异常配电台区内用户的近期用电数据进行分析，定位异常用电用户。
CN202010495780.7A 2020-06-03 2020-06-03 一种云边协同逐级分析定位异常用电行为用户的方法 Active CN111695800B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010495780.7A CN111695800B (zh) 2020-06-03 2020-06-03 一种云边协同逐级分析定位异常用电行为用户的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010495780.7A CN111695800B (zh) 2020-06-03 2020-06-03 一种云边协同逐级分析定位异常用电行为用户的方法

Publications (2)

Publication Number Publication Date
CN111695800A CN111695800A (zh) 2020-09-22
CN111695800B true CN111695800B (zh) 2023-10-31

Family

ID=72479412

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010495780.7A Active CN111695800B (zh) 2020-06-03 2020-06-03 一种云边协同逐级分析定位异常用电行为用户的方法

Country Status (1)

Country Link
CN (1) CN111695800B (zh)

Families Citing this family (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112256755A (zh) * 2020-10-20 2021-01-22 中电科新型智慧城市研究院有限公司福州分公司 一种基于深度学习的学生异常行为分析方法
CN112991093B (zh) * 2021-02-22 2024-02-02 国网四川省电力公司营销服务中心 一种基于边缘计算的窃电检测方法及系统
CN113590368B (zh) * 2021-06-25 2024-05-28 中国电力科学研究院有限公司 一种基于边边协同的异常设备诊断方法及系统
CN113708350B (zh) * 2021-06-25 2023-10-24 中国电力科学研究院有限公司 一种基于云边协同的配电台区重过载异常判断方法及系统
CN113972741A (zh) * 2021-10-26 2022-01-25 广东电网有限责任公司 一种用电负荷异常警示方法及相关装置
CN114204675A (zh) * 2021-11-15 2022-03-18 国网辽宁省电力有限公司葫芦岛供电公司 一种基于云边协同的配电台区电能数据采集终端
CN114184996B (zh) * 2021-12-10 2023-09-29 广东电网有限责任公司 低压台区智能电表的计量异常行为辨识方法及装置
CN114596015A (zh) * 2022-05-10 2022-06-07 深圳百胜扬工业电子商务平台发展有限公司 一种反馈式云计算数据采集方法、系统及装置
CN116743791A (zh) * 2022-09-30 2023-09-12 腾讯云计算（北京）有限责任公司 一种地铁云平台云边同步方法、装置、设备及存储介质
CN115884006B (zh) * 2023-02-23 2023-06-09 启实(烟台)数据技术有限公司 基于AIoT的校园安全防控系统和方法
CN116432136A (zh) * 2023-04-28 2023-07-14 国网四川省电力公司营销服务中心 一种基于用电采集系统的分布式用电异常检测方法
CN117640345A (zh) * 2024-01-25 2024-03-01 南京有嘉科技有限公司 利用配电终端测试信号时间点评估设备网络性能的方法
CN117708707B (zh) * 2024-02-06 2024-05-17 国网安徽省电力有限公司营销服务中心 大数据下台区线损率异常智能预警方法和系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107871157A (zh) * 2017-11-08 2018-04-03 广东工业大学 基于bp和pso的数据预测方法、系统及相关装置
CN108416693A (zh) * 2018-02-01 2018-08-17 东华大学 一种基于模糊神经网络的用电异常行为识别方法
CN109146121A (zh) * 2018-06-25 2019-01-04 华北电力大学 基于pso-bp模型的停限产情况下的电量预测方法
CN111062651A (zh) * 2020-03-18 2020-04-24 南京中电科能技术有限公司 基于边缘计算和大数据分析的安全用电管理系统及方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107871157A (zh) * 2017-11-08 2018-04-03 广东工业大学 基于bp和pso的数据预测方法、系统及相关装置
CN108416693A (zh) * 2018-02-01 2018-08-17 东华大学 一种基于模糊神经网络的用电异常行为识别方法
CN109146121A (zh) * 2018-06-25 2019-01-04 华北电力大学 基于pso-bp模型的停限产情况下的电量预测方法
CN111062651A (zh) * 2020-03-18 2020-04-24 南京中电科能技术有限公司 基于边缘计算和大数据分析的安全用电管理系统及方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
任关友等.基于粒子群优化神经网络算法的用户防窃电研究.软件.2017,第38卷(第8期),第216-219页. *

Also Published As

Publication number Publication date
CN111695800A (zh) 2020-09-22

Similar Documents

Publication Publication Date Title
CN111695800B (zh) 一种云边协同逐级分析定位异常用电行为用户的方法
Kang et al. Big data analytics in China's electric power industry: modern information, communication technologies, and millions of smart meters
CN102866321B (zh) 一种自适应的防窃漏电诊断方法
CN108388962B (zh) 一种风电功率预测系统及方法
CN109308571B (zh) 配电线路线变关系检测方法
CN109359698A (zh) 基于长短时记忆神经网络模型的漏损识别方法
CN110222991B (zh) 基于rf-gbdt的计量装置故障诊断方法
CN107124394A (zh) 一种电力通信网络安全态势预测方法和系统
CN110276393A (zh) 一种绿色建筑能耗复合预测方法
CN110311709A (zh) 用电信息采集系统故障判别方法
CN110619479A (zh) 光伏组件的故障判别模型建模方法及故障判别方法
CN111488896A (zh) 一种基于多源数据挖掘的配电线路时变故障概率计算方法
CN114548509A (zh) 一种多能源系统多类型负荷联合预测方法及系统
CN113269468A (zh) 一种基于区块链的电力调度系统及其数据处理方法
CN112183877A (zh) 一种基于迁移学习的光伏电站故障智能诊断方法
CN116401516A (zh) 一种基于深度学习的电力负荷异常数据检测与修正方法
CN111612019A (zh) 一种基于大数据模型对智能电表故障异常辨识分析的方法
CN116125204A (zh) 一种基于电网数字化的故障预测系统
CN115313355A (zh) 一种智能电网大数据在短期负荷预测中的自动预测方法及系统
CN110956281A (zh) 一种基于Log分析的电力设备异常检测报警系统
CN109918612B (zh) 一种基于稀疏学习的台区拓扑结构校验方法
CN117113202A (zh) 基于联合误差堆叠模型的电力回路能耗检测方法及设备
CN108345996B (zh) 一种降低风电功率考核电量的系统及方法
Domínguez et al. Analysis of electric power consumption using Self-Organizing Maps.
CN116611785A (zh) 一种基于大数据的输变电工程造价模型构建方法、系统、设备及介质

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