CN112948456B - 一种基于EMD和Pearson互相关系数的异常用电行为检测方法 - Google Patents
一种基于EMD和Pearson互相关系数的异常用电行为检测方法 Download PDFInfo
- Publication number
- CN112948456B CN112948456B CN202110069400.8A CN202110069400A CN112948456B CN 112948456 B CN112948456 B CN 112948456B CN 202110069400 A CN202110069400 A CN 202110069400A CN 112948456 B CN112948456 B CN 112948456B
- Authority
- CN
- China
- Prior art keywords
- user
- users
- loss
- time series
- sub
- 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
Links
- 230000005611 electricity Effects 0.000 title claims abstract description 71
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 33
- 238000001514 detection method Methods 0.000 title claims abstract description 27
- 238000012216 screening Methods 0.000 claims abstract description 41
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 34
- 238000002372 labelling Methods 0.000 claims abstract description 8
- 238000000034 method Methods 0.000 claims description 16
- 238000010606 normalization Methods 0.000 claims description 15
- 238000005070 sampling Methods 0.000 claims description 15
- 238000012163 sequencing technique Methods 0.000 claims description 10
- 239000000203 mixture Substances 0.000 claims description 4
- 238000005065 mining Methods 0.000 claims 1
- 230000006399 behavior Effects 0.000 description 17
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2462—Approximate or statistical queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2474—Sequence data queries, e.g. querying versioned data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/248—Presentation of query results
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Probability & Statistics with Applications (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Fuzzy Systems (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Water Supply & Treatment (AREA)
- Public Health (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)
Abstract
一种基于EMD和Pearson互相关系数的异常用电行为检测方法,包括以下步骤:S1:获取线路的总损耗电量和各用户的用电量;S2:筛出初筛用户;S3:对各初筛用户和总损耗电量进行EMD分解,获取分解后基本模式分量中高频分量IKi和ILi,并获得归一化后的Nor[IKi]和Nor[ILi];S4:标记与Nor[ILi]变化趋势一致的初筛用户为复筛用户;S5:复筛用户为公变用户时,继续步骤S6;复筛用户为专变用户时,判定为异常用电用户,结束检测;S6:锁定复筛用户为高损台区,并获取高损台区总损耗电量和各子用户用电量;S7:筛出初筛子用户;S8:对各初筛子用户和总损耗电量进行EMD分解,获取分解后基本模式分量中高频分量IJi和ITi,并获得归一化后的Nor[IJi]和Nor[ITi];S9:标记与Nor[ITi]变化趋势一致的初筛子用户为异常用电用户,结束检测。
Description
技术领域
本发明涉及异常用电行为检测技术领域,特别涉及一种基于EMD和Pearson互相关系数的异常用电行为检测方法。
背景技术
居民的异常用电行为不仅会造成电网输配电的经济损失,也存在较大的安全隐患。对于异常用电行为的检测,通常作业人员会根据线损选择线损较高的线路,然后根据经验逐个进行排查检测,这样的方式会消耗大量的人力和物力,检测效率低下。
发明内容
有鉴于此,有必要提供一种能够提高检测效率的基于EMD和Pearson互相关系数的异常用电行为检测方法。
本发明提供的基于EMD和Pearson互相关系数的异常用电行为检测方法,包括以下步骤:
S1:锁定需要排查的线路,从用采系统获取所述线路在预设时段内的总损耗电量时间序列qLi和各个用户的用电量时间序列qKi,其中,i为时间序列中的采样点,i=1,2......,M,采样间隔为15min的整倍数,K为用户编号,K=1,2......,N;
S2:判断所述线路的用户个数是否大于10,用户个数大于10时,继续步骤S3;用户个数小于等于10时,标记所述线路的所有用户为初筛用户,继续步骤S6;
S4:获得各个用户用电量时间序列qKi与所述线路总损耗电量时间序列qLi的Pearson互相关系数rLk,其中,K为用户编号,K=1,2......,N,并对rLk从大到小依次排序;
S5:将每个用户在上述两种排序中的序位相加,并对所有用户的序位之和从大到小依次排序,获得排序前5%的用户为初筛用户;
S6:获得各个初筛用户用电量时间序列经经验模式分解(EMD,Empirical ModeDecomposition)分解后的基本模式分量,并提取所述基本模式分量中的高频分量序列IKi;获得所述线路总损耗电量时间序列经EMD分解后的基本模式分量,并提取所述基本模式分量中的高频分量序列ILi;分别对IKi和ILi进行最大值归一化,获得Nor[IKi]和Nor[ILi];
S7:分别判断Nor[IKi]的变化趋势与Nor[ILi]的变化趋势是否一致,标记变化趋势与Nor[ILi]变化趋势一致的初筛用户为复筛用户,
S8:判断所述复筛用户为公变用户或专变用户,复筛用户为公变用户时,继续步骤S9;复筛用户为专变用户时,判定所述复筛用户为异常用电用户,结束检测;
S9:锁定所述复筛用户为高损台区,并从用采系统获取所述高损台区在预设时段内的总损耗电量时间序列qTi和各个子的用户用电量时间序列qJi,其中,i为时间序列中的采样点,i=1,2......,M,采样间隔为15min的整倍数,J为子用户编号,J=1,2......,W;
获得各个子用户用电量时间序列qJi与所述高损台区总损耗电量时间序列qTi的Pearson互相关系数rTJ,其中,J为子用户编号,J=1,2......,W,并对rTJ从大到小依次排序;
S11:将每个子用户在上述两种排序中的序位相加,并对所有用户的序位之和从大到小依次排序,获得排序前5%的用户为初筛子用户;
S12:获得各个初筛子用户用电量时间序列qJi经EMD分解后的基本模式分量,并提取所述基本模式分量中的高频分量序列IJi;获得所述高损台区总损耗电量时间序列qTi经EMD分解后的基本模式分量,并提取所述基本模式分量中的高频分量序列ITi;分别对IJi和ITi进行最大值归一化,获得Nor[IJi]和Nor[ITi];
S13:分别判断Nor[IJi]的变化趋势与Nor[ITi]的变化趋势是否一致,标记变化趋势与Nor[ITi]变化趋势一致的初筛子用户为异常用电用户,结束检测。
优选的,所述线路的总损耗电量时间序列qLi,由所述线路的供入电量时间序列减去所述线路的供出电量时间序列获得;所述线路的供入电量时间序列为所述线路所有用户的用电量时间序列之和;所述线路的供出电量时间序列为所述线路关口的用电量时间序列;
所述高损台区的总损耗电量时间序列qTi,由所述高损台区的供入电量时间序列减去所述高损台区的供出电量时间序列获得;所述高损台区的供入电量时间序列为所述高损台区所有子用户的用电量时间序列之和;所述高损台区的供出电量时间序列为所述高损台区关口的用电量时间序列。
上述基于EMD和Pearson互相关系数的异常用电行为检测方法,首先,当线路上用户数量较多时,综合考虑用户的日平均用电量,以及各个用户的用电量时间序列与总损耗电量时间序列之间Pearson互相关系数,确定出初筛用户;其次,对初筛用户的用电量时间序列和总损耗电量时间序列进行EMD分解,获取EMD分解后基本模式分量中的高频分量,通过分析其变化趋势,最终找出异常用电行为用户;进一步地,当线路上找出的异常用电行为用户为公变用户时,则以公变用户所辖台区为范围,以台区内的用户为子用户,在此范围内再次筛选出初筛子用户,最终找出异常用电行为用户;与现有技术中在现场逐个排查的技术相比,本发明通过对用采系统的数据进行层层分析,即可锁定异常用电行为用户,提高了检测效率,节约了资源。
附图说明
图1为本发明的流程图。
图2为具体实施例一中用户1的用电量时间序列。
图3为具体实施例一中用户2的用电量时间序列。
图4为具体实施例一中用户3的用电量时间序列。
图5为具体实施例一中用户4的用电量时间序列。
图6为具体实施例一中线路的总损耗电量时间序列。
图7为具体实施例一中用户1的用电量时间序列与线路的总损耗电量时间序列进EMD分解后基本模式分量中的高频分量序列。
图8为具体实施例一中用户2的用电量时间序列与线路的总损耗电量时间序列进EMD分解后基本模式分量中的高频分量序列。
图9为具体实施例一中用户3的用电量时间序列与线路的总损耗电量时间序列进EMD分解后基本模式分量中的高频分量序列。
图10为具体实施例一中用户4的用电量时间序列与线路的总损耗电量时间序列进EMD分解后基本模式分量中的高频分量序列。
图11为具体实施例一中用户1的用电量时间序列与线路的总损耗电量时间序列经EMD分解后基本模式分量中的高频分量序列归一化结果。
图12为具体实施例一中用户2的用电量时间序列与线路的总损耗电量时间序列经EMD分解后基本模式分量中的高频分量序列归一化结果。
图13为具体实施例一中用户3的用电量时间序列与线路的总损耗电量时间序列经EMD分解后基本模式分量中的高频分量序列归一化结果。
图14为具体实施例一中用户4的用电量时间序列与线路的总损耗电量时间序列经EMD分解后基本模式分量中的高频分量序列归一化结果。
图15为具体实施例二中各个子用户的日均用电量。
图16为具体实施例二中各个子用户的用电量时间序列与高损台区的总损耗电量时间序列的Pearson互相关系数。
图17为具体实施例二中子用户1的用电量时间序列与高损台区的总损耗电量时间序列经EMD分解后基本模式分量中的高频分量序列。
图18为具体实施例二中子用户2的用电量时间序列与高损台区的总损耗电量时间序列经EMD分解后基本模式分量中的高频分量序列。
图19为具体实施例二中子用户30的用电量时间序列与高损台区的总损耗电量时间序列经EMD分解后基本模式分量中的高频分量序列。
图20为具体实施例二中子用户49的用电量时间序列与高损台区的总损耗电量时间序列经EMD分解后基本模式分量中的高频分量序列。
图21为具体实施例二中子用户50的用电量时间序列与高损台区的总损耗电量时间序列经EMD分解后基本模式分量中的高频分量序列。
图22为具体实施例二中子用户1的用电量时间序列与高损台区的总损耗电量时间序列经EMD分解后基本模式分量中的高频分量序列归一化结果。
图23为具体实施例二中子用户2的用电量时间序列与高损台区的总损耗电量时间序列经EMD分解后基本模式分量中的高频分量序列归一化结果。
图24为具体实施例二中子用户30的用电量时间序列与高损台区的总损耗电量时间序列经EMD分解后基本模式分量中的高频分量序列归一化结果。
图25为具体实施例二中子用户49的用电量时间序列与高损台区的总损耗电量时间序列经EMD分解后基本模式分量中的高频分量序列归一化结果。图26为具体实施例二中子用户50的用电量时间序列与高损台区的总损耗电量时间序列经EMD分解后基本模式分量中的高频分量序列归一化结果。
具体实施方式
以下结合本发明的附图,对本发明实施例的技术方案以及技术效果做进一步的详细阐述。
具体实施例一:
请参看图1,本实施例中,需要排查的线路,由用户1、用户2、用户3及用户4组成,其中用户1、用户2、用户4为专变用户,用户3为公变用户;
本实施例提供的基于EMD和Pearson互相关系数的异常用电行为检测方法,包括以下步骤:
S1:锁定需要排查的线路,由用户1、用户2、用户3及用户4组成,从用采系统获取所述线路在预设时段32天内的总损耗电量时间序列qLi和各个用户的用电量时间序列qKi,其中,i为时间序列中的采样点,i=1,2......,128,采样间隔为6小时,K为用户编号,K=1,2,3,4,参阅图2~6所示;
S2:由于所述线路用户个数小于等于10,所以标记所述线路的用户1、用户2、用户3及用户4均为初筛用户,继续步骤S6;
S6:获得各个初筛用户,用户1~4用电量时间序列经EMD分解后的基本模式分量,并提取所述基本模式分量中的高频分量序列IKi,获得所述线路总损耗电量时间序列经EMD分解后的基本模式分量,并提取所述基本模式分量中的高频分量序列ILi,参阅图7~10所示;分别对IKi和ILi进行最大值归一化,获得Nor[IKi]和Nor[ILi],参阅图11~14;
S7:分别判断Nor[IKi]的变化趋势与Nor[ILi]的变化趋势是否一致,标记变化趋势与Nor[ILi]变化趋势一致的初筛用户为复筛用户;参阅图11~14所示,Nor[I4i]与Nor[ILi]的变化趋势一致,因此,标记用户4为复筛用户;因用户4是专变用户,判定用户4为异常用电用户,结束检测。
经验模式分解(EMD)方法是一种自适应的处理方法,不需要预设基函数和参数,且不需要带标签的数据集。另一方面,经EMD分解能够得到有限个基本模式分量和剩余分量,这些基本模式分量能够突出原始数据的局部特征,有利于发掘数据内部特有的时频特征。
EMD的目的是将组成原始信号的各尺度分量不断从高频到低频进行提取,得到频率由高到低排列的特征模态函数。能量大的高频分量代表原信号的主要特性,是最主要的组成分量。因此,根据EMD方法对初筛用户或初筛子用户的用电量时间序列进行分解,提取分解所得基本模式分量中的高频分量,通过其变化趋势和相关性指标分析标定异常用电用户。
通过设置线路上用户数量大于10时,先通过筛选出初筛用户,使得只有初筛用户而不是所有用户都采用EMD的方法直接进行判断,这样的设置提高了检测效率;由于用户的异常用电量与其日均用电量一般成比例关系,且与线路的总损耗电量相关性强,因此,先采用日均用电量和Pearson互相关系数相结合的方式来进行初步筛选,筛出初筛用户,提高了检测的准确性;
同时,由于高损台区总损耗电量序列和各个子用户用电量之间存在数量级差别,通过对EMD分解后基本模式分量中的高频分量进行归一化,能够更清晰地展示其相对变化趋势,提高检测准确性。
具体实施例二:
请参看图1,本实施例中,需要排查的线路,由用户1、用户2、用户3及用户4组成,其中用户1、用户3、用户4为专变用户,用户2为公变用户,用户2下共有92户子用户,分别为子用户1~子用户92;
本实施例提供的基于EMD和Pearson互相关系数的异常用电行为检测方法,包括以下步骤:
S1:锁定需要排查的线路,从用采系统获取所述线路在预设时段61天内的总损耗电量时间序列qLi和各个用户的用电量时间序列qKi,其中,i为时间序列中的采样点,i=1,2......,M,采样间隔为24h,M=61,K为用户编号,K=1,2,3,4;
S2:由于线路的用户个数小于等于10时,标记所有用户,即用户1~4均为初筛用户,继续步骤S6;
S6:获得各个初筛用户即用户1~4用电量时间序列经EMD分解后的基本模式分量,并提取所述基本模式分量中的高频分量序列IKi,获得所述线路总损耗电量时间序列经EMD分解后的基本模式分量,并提取所述基本模式分量中的高频分量序列ILi,参阅图所示;分别对IKi和ILi进行最大值归一化,获得Nor[IKi]和Nor[ILi];
S7:分别判断Nor[IKi]的变化趋势与Nor[ILi]的变化趋势是否一致,标记变化趋势与Nor[ILi]变化趋势一致的初筛用户,即用户2为复筛用户,
S8:判断用户2为公变用户或专变用户,由于用户2为公变用户,继续步骤S9;
S9:锁定所述复筛用户即用户2为高损台区,并从用采系统获取所述高损台区在预设时段61天内的总损耗电量时间序列qTi和各个子用户1~92的用电量时间序列qJi,其中,i为时间序列中的采样点,i=1,2......,M,采样间隔为24h,M=61,J为子用户编号,J=1,2......,92;
获得各个子用户1~92用电量时间序列qJi与所述高损台区总损耗电量时间序列qTi的Pearson互相关系数rTJ,其中,J为子用户编号,J=1,2......,W,并对rTJ从大到小依次排序,参阅图16和表2所示;
S11:参阅表3所示,将每个子用户的日均用电量序位和互相关系数rTJ序位相加,并对所有子用户的序位之和从大到小依次排序,获得排序前5%的子用户为初筛子用户,即子用户1、子用户2、子用户30、子用户49、子用户50;
S12:获得各个初筛子用户即子用户1、2、30、49及50用电量时间序列qJi经EMD分解后的基本模式分量,并提取所述基本模式分量中的高频分量序列IJi;获得所述高损台区总损耗电量时间序列qTi经EMD分解后的基本模式分量,并提取所述基本模式分量中的高频分量序列ITi,参阅图17~21所示;分别对IJi和ITi进行最大值归一化,获得Nor[IJi]和Nor[ITi],参阅图22~26所示;
S13:分别判断Nor[IJi]的变化趋势与Nor[ITi]的变化趋势是否一致,参阅图22~26所示,Nor[I30i]和Nor[I49i]的变化趋势与Nor[ITi]的变化趋势一致,因此,标记子用户30与49为异常用电用户,结束检测。
由于公变用户所辖台区内子用户数量较多,且存在零电量和低电量用户较多,若所有用户都进行EMD分解,将增大计算量且降低检测效率,因此无需判断子用户数量,而是直接先通过日均用电量和Pearson互相关系数来筛选初筛子用户,提高检测效率。
上述基于EMD和Pearson互相关系数的异常用电行为检测方法,首先,当线路上用户数量较多时,综合考虑用户的日平均用电量,以及各个用户的用电量时间序列与总损耗电量时间序列之间Pearson互相关系数,确定出初筛用户;其次,对初筛用户的用电量时间序列和总损耗电量时间序列进行EMD分解,获取EMD分解后基本模式分量中的高频分量,通过分析其变化趋势,最终找出异常用电行为用户;进一步地,当线路上找出的异常用电行为用户为公变用户时,则以公变用户所辖台区为范围,以台区内的用户为子用户,在此范围内再次筛选出初筛子用户,最终找出异常用电行为用户;与现有技术中在现场逐个排查的技术相比,本发明通过对用采系统的数据进行层层分析,即可锁定异常用电行为用户,提高了检测效率,节约了资源。
以上所揭露的仅为本发明较佳实施例而已,当然不能以此来限定本发明之权利范围,本领域普通技术人员可以理解实现上述实施例的全部或部分流程,并依本发明权利要求所作的等同变化,仍属于发明所涵盖的范围。
子用户编号 | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 | 11 | 12 | 13 | 14 |
序位 | 7 | 1 | 11 | 9 | 64 | 85 | 24 | 29 | 70 | 54 | 59 | 71 | 44 | 77 |
子用户编号 | 15 | 16 | 17 | 18 | 19 | 20 | 21 | 22 | 23 | 24 | 25 | 26 | 27 | 28 |
序位 | 23 | 26 | 36 | 41 | 53 | 55 | 58 | 30 | 40 | 34 | 79 | 78 | 89 | 15 |
子用户编号 | 29 | 30 | 31 | 32 | 33 | 34 | 35 | 36 | 37 | 38 | 39 | 40 | 41 | 42 |
序位 | 12 | 4 | 45 | 73 | 42 | 37 | 74 | 52 | 76 | 20 | 6 | 83 | 87 | 31 |
子用户编号 | 43 | 44 | 45 | 46 | 47 | 48 | 49 | 50 | 51 | 52 | 53 | 54 | 55 | 56 |
序位 | 88 | 13 | 14 | 33 | 16 | 35 | 2 | 3 | 90 | 86 | 8 | 10 | 21 | 5 |
子用户编号 | 57 | 58 | 59 | 60 | 61 | 62 | 63 | 64 | 65 | 66 | 67 | 68 | 69 | 70 |
序位 | 17 | 18 | 51 | 63 | 46 | 81 | 80 | 82 | 84 | 60 | 75 | 28 | 61 | 57 |
子用户编号 | 71 | 72 | 73 | 74 | 75 | 76 | 77 | 78 | 79 | 80 | 81 | 82 | 83 | 84 |
序位 | 91 | 56 | 39 | 50 | 66 | 43 | 22 | 67 | 48 | 92 | 69 | 47 | 32 | 27 |
子用户编号 | 85 | 86 | 87 | 88 | 89 | 90 | 91 | 92 | ||||||
序位 | 62 | 65 | 68 | 49 | 38 | 19 | 72 | 25 |
表2各个子用户的用电量时间序列qJi与高损台区总损耗电量时间序列qTi的Pearson互相关系数rTJ排序
子用户编号 | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 | 11 | 12 | 13 | 14 |
序位 | 1 | 21 | 73 | 17 | 22 | 19 | 71 | 9 | 59 | 81 | 64 | 87 | 43 | 88 |
子用户编号 | 15 | 16 | 17 | 18 | 19 | 20 | 21 | 22 | 23 | 24 | 25 | 26 | 27 | 28 |
序位 | 34 | 83 | 47 | 77 | 37 | 33 | 30 | 15 | 26 | 67 | 29 | 69 | 89 | 31 |
子用户编号 | 29 | 30 | 31 | 32 | 33 | 34 | 35 | 36 | 37 | 38 | 39 | 40 | 41 | 42 |
序位 | 10 | 35 | 39 | 86 | 16 | 63 | 80 | 24 | 20 | 12 | 42 | 78 | 49 | 74 |
子用户编号 | 43 | 44 | 45 | 46 | 47 | 48 | 49 | 50 | 51 | 52 | 53 | 54 | 55 | 56 |
序位 | 41 | 13 | 51 | 38 | 52 | 4 | 5 | 28 | 90 | 76 | 8 | 54 | 66 | 57 |
子用户编号 | 57 | 58 | 59 | 60 | 61 | 62 | 63 | 64 | 65 | 66 | 67 | 68 | 69 | 70 |
序位 | 27 | 36 | 40 | 18 | 70 | 68 | 11 | 79 | 84 | 85 | 56 | 3 | 50 | 45 |
子用户编号 | 71 | 72 | 73 | 74 | 75 | 76 | 77 | 78 | 79 | 80 | 81 | 82 | 83 | 84 |
序位 | 91 | 14 | 32 | 53 | 58 | 25 | 44 | 65 | 48 | 92 | 62 | 2 | 61 | 60 |
子用户编号 | 85 | 86 | 87 | 88 | 89 | 90 | 91 | 92 | ||||||
序位 | 82 | 72 | 7 | 23 | 75 | 6 | 46 | 55 |
子用户编号 | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 | 11 | 12 | 13 | 14 |
序位之和 | 8 | 22 | 84 | 26 | 86 | 104 | 95 | 38 | 129 | 135 | 123 | 158 | 87 | 165 |
子用户编号 | 15 | 16 | 17 | 18 | 19 | 20 | 21 | 22 | 23 | 24 | 25 | 26 | 27 | 28 |
序位之和 | 57 | 109 | 83 | 118 | 90 | 88 | 88 | 45 | 66 | 101 | 108 | 147 | 178 | 46 |
子用户编号 | 29 | 30 | 31 | 32 | 33 | 34 | 35 | 36 | 37 | 38 | 39 | 40 | 41 | 42 |
序位之和 | 22 | 39 | 84 | 159 | 58 | 100 | 154 | 76 | 96 | 32 | 48 | 161 | 136 | 105 |
子用户编号 | 43 | 44 | 45 | 46 | 47 | 48 | 49 | 50 | 51 | 52 | 53 | 54 | 55 | 56 |
序位之和 | 129 | 26 | 65 | 71 | 68 | 39 | 7 | 31 | 180 | 162 | 16 | 64 | 87 | 62 |
子用户编号 | 57 | 58 | 59 | 60 | 61 | 62 | 63 | 64 | 65 | 66 | 67 | 68 | 69 | 70 |
序位之和 | 44 | 54 | 91 | 81 | 116 | 149 | 91 | 161 | 168 | 145 | 131 | 31 | 111 | 102 |
子用户编号 | 71 | 72 | 73 | 74 | 75 | 76 | 77 | 78 | 79 | 80 | 81 | 82 | 83 | 84 |
序位之和 | 182 | 70 | 71 | 103 | 124 | 68 | 66 | 132 | 96 | 184 | 131 | 49 | 93 | 87 |
子用户编号 | 85 | 86 | 87 | 88 | 89 | 90 | 91 | 92 | ||||||
序位之和 | 144 | 137 | 75 | 72 | 113 | 25 | 118 | 80 |
Claims (4)
1.一种基于EMD和Pearson互相关系数的异常用电行为检测方法,其特征在于,包括以下步骤:
S1:锁定需要排查的线路,从用采系统获取所述线路在预设时段内的总损耗电量时间序列qLi和各个用户的用电量时间序列qKi,其中,i为时间序列中的采样点,i=1,2......,M,采样间隔为15min的整倍数,K为用户编号,K=1,2......,N;
S2:判断所述线路的用户个数是否大于10,用户个数大于10时,继续步骤S3;用户个数小于等于10时,标记所述线路的所有用户为初筛用户,继续步骤S6;
S4:获得各个用户用电量时间序列qKi与所述线路总损耗电量时间序列qLi的Pearson互相关系数rLk,其中,K为用户编号,K=1,2......,N,并对rLk从大到小依次排序;
S5:将每个用户在上述两种排序中的序位相加,并对所有子用户的序位之和从大到小依次排序,获得排序前5%的用户为初筛用户;
S6:获得各个初筛用户用电量时间序列经经验模式分解EMD分解后的基本模式分量,并提取所述基本模式分量中的高频分量序列IKi;获得所述线路总损耗电量时间序列经EMD分解后的基本模式分量,并提取所述基本模式分量中的高频分量序列ILi;分别对IKi和ILi进行最大值归一化,获得Nor[IKi]和Nor[ILi];
S7:分别判断Nor[IKi]的变化趋势与Nor[ILi]的变化趋势是否一致,标记变化趋势与Nor[ILi]变化趋势一致的初筛用户为复筛用户;
S8:判断所述复筛用户为公变用户或专变用户,复筛用户为公变用户时,继续步骤S9;复筛用户为专变用户时,判定所述复筛用户为异常用电用户,结束检测;
S9:锁定所述复筛用户为高损台区,并从用采系统获取所述高损台区在预设时段内的总损耗电量时间序列qTi和各个子用户的用电量时间序列qJi,其中,i为时间序列中的采样点,i=1,2......,M,采样间隔为15min的整倍数,J为子用户编号,J=1,2......,W;
获得各个子用户用电量时间序列qJi与所述高损台区总损耗电量时间序列qTi的Pearson互相关系数rTJ,其中,J为子用户编号,J=1,2......,W,并对rTJ从大到小依次排序;
S11:将每个子用户在上述两种排序中序位相加,并对所有子用户的序位之和从大到小依次排序,获得排序前5%的用户为初筛子用户;
S12:获得各个初筛子用户用电量时间序列qJi经EMD分解后的基本模式分量,并提取所述基本模式分量中的高频分量序列IJi;获得所述高损台区总损耗电量时间序列qTi经EMD分解后的基本模式分量,并提取所述基本模式分量中的高频分量序列ITi;分别对IJi和ITi进行最大值归一化,获得Nor[IJi]和Nor[ITi];
S13:分别判断Nor[IJi]的变化趋势与Nor[ITi]的变化趋势是否一致,标记变化趋势与Nor[ITi]变化趋势一致的初筛子用户为异常用电用户,结束检测。
4.如权利要求1所述的基于EMD和Pearson互相关系数的异常用电行为检测方法,其特征在于:
所述线路的总损耗电量时间序列qLi,由所述线路的供入电量时间序列减去所述线路的供出电量时间序列获得;所述线路的供入电量时间序列为所述线路所有用户的用电量时间序列之和;所述线路的供出电量时间序列为所述线路关口的用电量时间序列;
所述高损台区的总损耗电量时间序列qTi,由所述高损台区的供入电量时间序列减去所述高损台区的供出电量时间序列获得;所述高损台区的供入电量时间序列为所述高损台区所有子用户的用电量时间序列之和;所述高损台区的供出电量时间序列为所述高损台区关口的用电量时间序列。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110069400.8A CN112948456B (zh) | 2021-01-19 | 2021-01-19 | 一种基于EMD和Pearson互相关系数的异常用电行为检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110069400.8A CN112948456B (zh) | 2021-01-19 | 2021-01-19 | 一种基于EMD和Pearson互相关系数的异常用电行为检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112948456A CN112948456A (zh) | 2021-06-11 |
CN112948456B true CN112948456B (zh) | 2022-03-11 |
Family
ID=76235644
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110069400.8A Active CN112948456B (zh) | 2021-01-19 | 2021-01-19 | 一种基于EMD和Pearson互相关系数的异常用电行为检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112948456B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113901731B (zh) * | 2021-12-10 | 2022-03-15 | 四川瑞康智慧能源有限公司 | 电量预测方法、装置、介质及设备 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103729688A (zh) * | 2013-12-18 | 2014-04-16 | 北京交通大学 | 一种基于emd的断面客流神经网络预测方法 |
CN103839197A (zh) * | 2014-03-19 | 2014-06-04 | 国家电网公司 | 一种基于eemd方法的用户用电行为异常的判定方法 |
CN109886498A (zh) * | 2019-03-01 | 2019-06-14 | 北京邮电大学 | 一种基于特征选择的emd-gru短期电力负荷预测方法 |
CN111191909A (zh) * | 2019-12-26 | 2020-05-22 | 中国电力科学研究院有限公司 | 一种基于典型窃电行业数据分析和历史窃电样本库的窃电辨识系统 |
CN111521868A (zh) * | 2020-04-28 | 2020-08-11 | 广东电网有限责任公司梅州供电局 | 一种基于计量大数据筛查窃电用户的方法及装置 |
CN111898857A (zh) * | 2020-04-07 | 2020-11-06 | 沈阳工业大学 | 基于BEMD和kmeans电力用户特征分析方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI542887B (zh) * | 2014-07-10 | 2016-07-21 | 國立成功大學 | 馬達故障檢測方法與馬達故障檢測系統 |
-
2021
- 2021-01-19 CN CN202110069400.8A patent/CN112948456B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103729688A (zh) * | 2013-12-18 | 2014-04-16 | 北京交通大学 | 一种基于emd的断面客流神经网络预测方法 |
CN103839197A (zh) * | 2014-03-19 | 2014-06-04 | 国家电网公司 | 一种基于eemd方法的用户用电行为异常的判定方法 |
CN109886498A (zh) * | 2019-03-01 | 2019-06-14 | 北京邮电大学 | 一种基于特征选择的emd-gru短期电力负荷预测方法 |
CN111191909A (zh) * | 2019-12-26 | 2020-05-22 | 中国电力科学研究院有限公司 | 一种基于典型窃电行业数据分析和历史窃电样本库的窃电辨识系统 |
CN111898857A (zh) * | 2020-04-07 | 2020-11-06 | 沈阳工业大学 | 基于BEMD和kmeans电力用户特征分析方法及系统 |
CN111521868A (zh) * | 2020-04-28 | 2020-08-11 | 广东电网有限责任公司梅州供电局 | 一种基于计量大数据筛查窃电用户的方法及装置 |
Non-Patent Citations (2)
Title |
---|
Identification of stealing electricity based on big data analysis;刘思贤等;《Energy Reports》;20201231;全文 * |
基于经验模式分解与因素影响的负荷分析方法;牛东晓等;《中国电机工程学报》;20080605;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112948456A (zh) | 2021-06-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | Fractal complexity-based feature extraction algorithm of communication signals | |
CN108009730A (zh) | 一种光伏电站系统健康状态分析方法 | |
CN103325071A (zh) | 一种基于密度聚类的用户典型负荷曲线的构建方法 | |
Zhong et al. | Power‐quality disturbance recognition based on time‐frequency analysis and decision tree | |
CN112633427B (zh) | 一种基于离群点检测的超高次谐波发射信号检测方法 | |
Markovska et al. | Real-time implementation of optimized power quality events classifier | |
CN110208647B (zh) | 一种基于随机矩阵的配电网单相接地故障区段定位方法 | |
CN110287762B (zh) | 一种基于数据挖掘技术的非侵入式负荷辨识方法以及装置 | |
CN112948456B (zh) | 一种基于EMD和Pearson互相关系数的异常用电行为检测方法 | |
CN111143428B (zh) | 一种基于关联分析法的保护异常告警处理方法 | |
CN104459397B (zh) | 采用自适应多分辨率广义s变换的电能质量扰动识别方法 | |
CN111371188A (zh) | 一种用电异常数据实时预警系统 | |
CN106533577A (zh) | 一种基于能量检测的非高斯噪声抑制方法 | |
CN113011481A (zh) | 一种基于决策树算法的电能表功能异常评估方法及系统 | |
CN104714171A (zh) | 基于小波变换和ica特征提取的开关电路故障分类方法 | |
Hashemipour et al. | Optimal singular value decomposition based big data compression approach in smart grids | |
CN111199014B (zh) | 一种基于时间序列的seq2point的NILM方法及装置 | |
CN114880380A (zh) | 一种基于密度聚类和自组织网络的电网告警数据关联溯源系统的实现方法 | |
CN106503717A (zh) | 基于无监督模型的输变电主设备负荷曲线的特征提取方法 | |
CN112925827A (zh) | 一种基于电力采集物联数据的用户性质异常分析方法 | |
CN111008356B (zh) | 一种基于WTSVD算法扣除背景的γ能谱集分析方法 | |
Stolojescu et al. | Long-range dependence in WiMAX downlink traffic | |
Dash et al. | Multiple power quality event detection and classification using wavelet transform and random forest classifier | |
Shengquan et al. | Optimal Blocking Devices Placement for Geomagnetic Disturbance Mitigation Based on Sensitivity of Induced Geoelectric Fields | |
CN110531321A (zh) | 基于特征值的动态信道化子带频谱检测方法 |
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 |