CN113239619A - 一种基于机器学习混合模型的专变用户异常用电行为检测方法 - Google Patents

一种基于机器学习混合模型的专变用户异常用电行为检测方法 Download PDF

Info

Publication number
CN113239619A
CN113239619A CN202110499038.8A CN202110499038A CN113239619A CN 113239619 A CN113239619 A CN 113239619A CN 202110499038 A CN202110499038 A CN 202110499038A CN 113239619 A CN113239619 A CN 113239619A
Authority
CN
China
Prior art keywords
abnormal
special transformer
historical
user
abnormal electricity
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.)
Pending
Application number
CN202110499038.8A
Other languages
English (en)
Inventor
韩坚
梁宇云
李刚
郑琼玲
黄华
姚尧
彭翔
刘璇
肖纯
刘松
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 Power Grid Jiangxi Electric Power Co ltd Pingxiang Power Supply Branch
State Grid Corp of China SGCC
Original Assignee
State Power Grid Jiangxi Electric Power Co ltd Pingxiang Power Supply Branch
State Grid Corp of China SGCC
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 Power Grid Jiangxi Electric Power Co ltd Pingxiang Power Supply Branch, State Grid Corp of China SGCC filed Critical State Power Grid Jiangxi Electric Power Co ltd Pingxiang Power Supply Branch
Priority to CN202110499038.8A priority Critical patent/CN113239619A/zh
Publication of CN113239619A publication Critical patent/CN113239619A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • G06Q10/0635—Risk analysis of enterprise or organisation activities
    • 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
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/12—Timing analysis or timing optimisation

Abstract

本发明公开了一种基于机器学习混合模型的专变用户异常用电行为检测方法，包括以下步骤：用电负荷数据预处理；历史异常用电风险等级判定；实时异常用电行为检测；专变用户异常用电情况分析。本发明构建了机器学习混合模型，通过Local Outlier Factor算法和Isolation Forest算法进行历史异常用电行为检测，并基于Prophet时序预测模型对实时异常用电行为进行检测。从历史复盘和实时检测两个时间维度对专变用户进行异常用电行为检测，避免从单一情况下进行异常检测时效果不理想的问题。对现有用电异常检测模型进行了扩展，大大提高了用户异常用电行为检测的准确性，为异常用电行为检测提供了有效的方法。

Description

一种基于机器学习混合模型的专变用户异常用电行为检测 方法
技术领域
本发明涉及电力领域、机器学习领域，尤其涉及一种混合机器学习模型对专变用户异常用电行为进行检测的方法。
背景技术
专变用户的异常用电行为检测是用户用电行为分析的重要内容之一，其检测结果有助于电网公司对高风险用户进行追踪管理，确保用户自身的用电质量和电力系统的正常稳定运行。传统识别专变用户异常用电行为的主要手段是采用定期巡检，人为的检查仪表配置，检查旁路输电线路等，然而这些方法效率低下且出错性高。随着大数据时代的来临和机器学习的发展，基于机器学习对专变用户用电行为进行异常检测的研究也引起了广泛的关注。已有研究表明，用电异常行为被假设为能使正常用电模式产生显著变化的行为，用电异常检测可以视为离群异常检测问题进行处理，对用户的历史用电数据进行异常用电行为检测。然而，它们没有对专变用户的异常用电行为进行实时的检测，获得专变用户实时的异常用电行为检测结果。因此，需要设计一个模型对专变用户的未来用电行为进行预测，并结合模型对专变用户的历史异常用电情况结果，对专变用户实时的用电异常行为进行有效的检测。
发明内容
本发明针对现有研究中未能对专变用户进行实时用电异常行为检测的问题，提供了一种基于机器学习混合模型的专变用户用电异常行为检测方法，从历史用电异常检测和实时用电异常检测两个时间维度对专变用户的异常用电行为进行检测，帮助电网公司更有效地检测出专变用户的异常用电行为。
本发明解决其技术问题所采用的技术方案是：设计一种基于机器学习混合模型的专变用户用电异常行为检测方法，包括以下步骤：
(1)对专变用户的历史负荷数据进行时间重采样，将历史负荷数据的时间分辨率统一；
(2)将补全后的历史负荷数据通过Local Outlier Factor算法和IsolationForest算法进行专变用户的历史异常用电行为检测；
(3)根据建立的专变用户的历史异常用电风险等级判定规则，对专变用户的历史异常用电行为检测结果进行分析，确定专变用户的历史异常用电风险等级；
(4)将补全后的专变用户的历史负荷数据通过Prophet模型对专变用户未来的用电负荷进行短期预测；
(5)计算专变用户实际用电负荷与预测用电负荷之间的残差，通过该残差与专变用户历史负荷的标准差之间的关系来检测是否出现异常用电行为；并结合历史异常用电风险等级确定用户的异常用电情况。
进一步地，在本发明所述的基于机器学习混合模型的专变用户用电异常行为检测方法，其特征在于，步骤(1)中，将历史负荷数据进行时间重采样的方法是将历史负荷数据中不同时间分辨率的数据统一成最大的时间分辨率。
进一步地，在本发明所述的基于机器学习混合模型的专变用户用电异常行为检测方法，其特征在于，步骤(2)中为了使得专变用户的历史异常用电行为检测效果更好，只有当Local Outlier Factor算法和Isolation Forest算法都判定为异常用电时，才将用户的该数据采集点判定为异常用电点；其中Local Outlier Factor算法和Isolation Forest算法的异常比率都设置为0.1，便于模型耦合和连贯。
进一步地，在本发明所述的基于机器学习混合模型的专变用户用电异常行为检测方法，其特征在于，步骤(3)中专变用户的历史异常风险等级判定规则为当用电异常点占历史负荷数据采集点8％以上，则认为该专变用户为I级历史用电异常风险用户；当用电异常点占历史负荷数据采集点的5％～8％，则认为该专变用户为II级历史用电异常风险用户；当用电异常点占历史负荷数据采集点的2％～5％，则认为该专变用户为III级历史用电异常风险用户；当用电异常点占历史负荷数据采集点的2％以下，则认为该专变用户为历史正常用户。
进一步地，在本发明所述的基于机器学习混合模型的专变用户用电异常行为检测方法，其特征在于，步骤(4)中基于Prophet模型对专变用户进行短期的用电情况预测，Prophet模型是一个基于加性模型的时间序列数据预测模型，对于缺失值和异常值有极强的鲁棒性，建模基本形式为：
p(t)＝g(t)+s(t)
其中，p(t)表示时间序列预测结果，g(t)表示时间序列在非周期上的变化趋势，s(t)表示时间序列在每日、每周周期性的变化趋势。
进一步地，在本发明所述的基于机器学习混合模型的专变用户用电异常行为检测方法，其特征在于，步骤(5)中通过计算时序预测值与真实值之间的残差，再将残差与时序预测中训练数据的标准差σ进行对比，当残差在置信区间[-σ，σ]之内则为正常，反之异常；并结合历史异常用电风险等级确定用户的异常用电情况。
与现有技术相比，本发明产生的有益效果是：
(1)本发明基于机器学习提出了能从历史复盘和实时检测两个时间维度对专变用户进行异常用电行为检测的模型，其中历史复盘检测结果能够很好的为实时用电异常行为监测结果提供参考，避免从单一情况下对专变用户进行异常检测时效果不理想的问题；同时模型中时序预测的精度较高，确保了专变用户实时用电异常行为检测的可行性，为专变用户的异常用电行为检测提供了有效的方法。
(2)本发明使用机器学习中的无监督学习的方法对专变用户的异常用电行为进行检测，有效的避免了事先没有足够训练样本的问题，为真实专变用户异常用电行为检测提供了可行性高的方法。
附图说明
下面将结合附图及实施例对本发明作进一步说明，附图中：
图1是本发明的方法流程图；
图2是本发明实施示例的历史异常用电行为检测结果图，图中圆点是异常时间
点；图3是本发明实施示例的时序预测结果图；
图4是本发明实施示例进行实时用电异常行为检测时的残差分析结果图。
具体实施方式
为了对本发明的技术特征、目的和效果有更加清楚的理解，现对照附图详细说明本发明的具体实施方式。
参考图1，本发明的基于机器学习混合模型的专变用户用电异常行为检测方法包括以下步骤：
(1)将研究对象的历史负荷数据进行时间重采样，将历史负荷数据中不同时间分辨率的数据统一成最大的时间分辨率30分钟。
(2)将补全后的历史负荷数据通过Local Outlier Factor算法和IsolationForest算法进行研究对象的历史异常用电行为检测，其中Local Outlier Factor算法和Isolation Forest算法的异常比率都设置为0.1，最终处理结果如图2，图中圆点为异常点。
(3)将步骤(2)处理后的结果，根据建立的专变用户的历史异常用电风险等级判定规则，对研究对象的历史异常用电行为检测结果进行分析，确定研究对象的历史异常用电风险等级为II级。
(4)将研究对象一个月的负荷数据作为训练数据放入Prophet模型中进行训练，得到接下来一周该研究对象的用电情况，预测的均方根百分误差为10.26％，预测精度较高，时序预测结果如图3。
(5)计算研究对象时序预测用电情况与真实用电情况之间的残差，再将残差与研究对象时序预测中训练数据的标准差σ＝259.478进行对比，当残差在置信区间[-259.478，259.478]之内则为正常，反之异常，处理结果如图4。
本发明提出的模型从历史和实时两个维度对专变用户的异常用电行为进行检测，具有一定的创新型。同时，该模型对专变用户的异常用电行为的检测具有较高的准确度，能够很好的对专变用户进行历史和实时异常用电行为检测，为专变用户的异常用电行为检测提供了高效的方法。
上面结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，这些均属于本发明的保护范围之内。

Claims (6)

1.一种基于机器学习混合模型的专变用户异常用电行为检测方法，其特征在于，包括以下步骤：
(1)对专变用户的历史负荷数据进行时间重采样，将历史负荷数据的时间分辨率统一；
(2)将补全后的历史负荷数据通过Local Outlier Factor算法和Isolation Forest算法进行专变用户的历史异常用电行为检测；
(3)根据建立的专变用户的历史异常用电风险等级判定规则，对专变用户的历史异常用电行为检测结果进行分析，确定专变用户的历史异常用电风险等级；
(4)将补全后的专变用户的历史负荷数据通过Prophet模型对专变用户未来的用电负荷进行短期预测；
(5)计算专变用户实际用电负荷与预测用电负荷之间的残差，通过该残差与专变用户历史负荷的标准差之间的关系来检测是否出现异常用电行为；并结合历史异常用电风险等级确定用户的异常用电情况。
2.根据权利要求1所述的一种基于机器学习混合模型的专变用户用电异常行为检测方法，其特征在于，步骤(1)中，将历史负荷数据进行时间重采样的方法是将历史负荷数据中不同时间分辨率的数据统一成最大的时间分辨率。
3.根据权利要求1所述的一种基于机器学习混合模型的专变用户用电异常行为检测方法，其特征在于，步骤(2)中为了使得专变用户的历史异常用电行为检测效果更好，只有当Local Outlier Factor算法和Isolation Forest算法都判定为异常用电时，才将用户的该数据采集点判定为异常用电点；其中Local Outlier Factor算法和Isolation Forest算法的异常比率都设置为0.1，便于模型耦合和连贯。
4.根据权利要求1所述的一种基于机器学习混合模型的专变用户用电异常行为检测方法，其特征在于，步骤(3)中专变用户的历史异常风险等级判定规则为当用电异常点占历史负荷数据采集点8％以上，则认为该专变用户为Ⅰ级历史用电异常风险用户；当用电异常点占历史负荷数据采集点的5％～8％，则认为该专变用户为Ⅱ级历史用电异常风险用户；当用电异常点占历史负荷数据采集点的2％～5％，则认为该专变用户为III级历史用电异常风险用户；当用电异常点占历史负荷数据采集点的2％以下，则认为该专变用户为历史正常用户。
5.根据权利要求1所述的一种基于机器学习混合模型的专变用户用电异常行为检测方法，其特征在于，步骤(4)中基于Prophet模型对专变用户进行短期的用电情况预测，Prophet模型是一个基于加性模型的时间序列数据预测模型，对于缺失值和异常值有极强的鲁棒性，建模基本形式为：
p(t)＝g(t)+s(t)
其中，p(t)表示时间序列预测结果，g(t)表示时间序列在非周期上的变化趋势，s(t)表示时间序列在每日、每周周期性的变化趋势。
6.根据权利要求1所述的一种基于机器学习混合模型的专变用户用电异常行为检测方法，其特征在于，步骤(5)中通过计算时序预测值与真实值之间的残差，再将残差与时序预测中训练数据的标准差σ进行对比，当残差在置信区间[-σ，σ]之内则为正常，反之异常。
CN202110499038.8A 2021-05-08 2021-05-08 一种基于机器学习混合模型的专变用户异常用电行为检测方法 Pending CN113239619A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110499038.8A CN113239619A (zh) 2021-05-08 2021-05-08 一种基于机器学习混合模型的专变用户异常用电行为检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110499038.8A CN113239619A (zh) 2021-05-08 2021-05-08 一种基于机器学习混合模型的专变用户异常用电行为检测方法

Publications (1)

Publication Number Publication Date
CN113239619A true CN113239619A (zh) 2021-08-10

Family

ID=77132445

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110499038.8A Pending CN113239619A (zh) 2021-05-08 2021-05-08 一种基于机器学习混合模型的专变用户异常用电行为检测方法

Country Status (1)

Country Link
CN (1) CN113239619A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113917263A (zh) * 2021-10-09 2022-01-11 乐创达投资(广东)有限公司 一种基于预测数据的异常能耗二次监测的方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108492043A (zh) * 2018-03-29 2018-09-04 南京财经大学 一种基于聚类算法的电力用户负荷测算方法
CN110598851A (zh) * 2019-08-29 2019-12-20 北京航空航天大学合肥创新研究院 一种融合lstm和gan的时间序列数据异常检测方法
CN111144435A (zh) * 2019-11-11 2020-05-12 国电南瑞科技股份有限公司 基于lof和验证过滤框架的电能量异常数据监测方法
CN111461921A (zh) * 2020-03-31 2020-07-28 国网湖南省电力有限公司 一种基于机器学习的负荷建模典型用户数据库更新方法
CN111695639A (zh) * 2020-06-17 2020-09-22 浙江经贸职业技术学院 一种基于机器学习的电力用户用电异常检测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108492043A (zh) * 2018-03-29 2018-09-04 南京财经大学 一种基于聚类算法的电力用户负荷测算方法
CN110598851A (zh) * 2019-08-29 2019-12-20 北京航空航天大学合肥创新研究院 一种融合lstm和gan的时间序列数据异常检测方法
CN111144435A (zh) * 2019-11-11 2020-05-12 国电南瑞科技股份有限公司 基于lof和验证过滤框架的电能量异常数据监测方法
CN111461921A (zh) * 2020-03-31 2020-07-28 国网湖南省电力有限公司 一种基于机器学习的负荷建模典型用户数据库更新方法
CN111695639A (zh) * 2020-06-17 2020-09-22 浙江经贸职业技术学院 一种基于机器学习的电力用户用电异常检测方法

Non-Patent Citations (8)

* Cited by examiner, † Cited by third party
Title
WENTAI WU等: "Developing an Unsupervised Real-time Anomaly Detection Scheme for Time Series with Multi-seasonality", 《IEEE TRANSACTIONS ON KNOWLEDGE AND DATA ENGINEERING》 *
梁捷等: "基于ARMA和K-means聚类的用电量数据异常识别", 《湖北电力》 *
梁跃: "基于机器学习的电力用户用电异常检测技术研究", 《中国优秀博硕士学位论文全文数据库(硕士)(工程科技Ⅱ辑)》 *
潘磊等: "基于智能电表大数据的异常用电检测", 《计算技术与自动化》 *
王利利等: "能源互联网背景下园区用户画像及成熟度评价模型研究", 《中国电力》 *
肖端翔: "基于机器学习混合模型的用电数据异常检测研究", 《中国优秀博硕士学位论文全文数据库(硕士)(工程科技Ⅱ辑)》 *
陆圣芝等: "基于Prophet模型的电量预测技术研究", 《机电信息》 *
顾佳等: "基于异常检测算法的动车组牵引电机故障预测", 《设备管理与维修》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113917263A (zh) * 2021-10-09 2022-01-11 乐创达投资(广东)有限公司 一种基于预测数据的异常能耗二次监测的方法及系统
CN113917263B (zh) * 2021-10-09 2022-05-24 乐创达投资(广东)有限公司 一种基于预测数据的异常能耗二次监测的方法及系统

Similar Documents

Publication Publication Date Title
CN109298379B (zh) 一种基于数据监测的智能电表现场误差异常的识别方法
CN113011481B (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
CN111103565B (zh) 一种基于智能电能表计量误差分析的数据变换方法及系统
CN113361139B (zh) 一种基于数字孪生的产线仿真滚动优化系统及方法
CN112131441A (zh) 一种快速识别用电异常行为的方法及系统
CN114239377A (zh) 一种城轨机电设备健康状态评估方法、系统及存储介质
CN102521080A (zh) 电力用户用电信息采集系统的计算机数据修复方法
CN110879377A (zh) 基于深度信念网络的计量装置故障溯源方法
CN113239619A (zh) 一种基于机器学习混合模型的专变用户异常用电行为检测方法
CN115758151A (zh) 联合诊断模型建立方法、光伏组件故障诊断方法
CN109613372B (zh) 一种基于多元电网数据库的电网故障诊断方法
CN111725811A (zh) 确定安全约束最优电力潮流
CN111080484A (zh) 一种配电网异常数据监测方法及装置
CN112882898B (zh) 基于大数据日志分析的异常检测方法、系统、设备及介质
CN113687293A (zh) 基于大数据的线损异常智能分析方法
CN110968703B (zh) 基于lstm端到端抽取算法的异常计量点知识库构建方法及系统
CN117331017A (zh) 一种三相四线电能表错接线研判方法及系统
CN112990542B (zh) 一种用于空压机的寿命预测方法
CN112885049B (zh) 基于运行数据的智能电缆预警系统、方法及装置
CN114168662A (zh) 一种基于多数据源的配电网问题梳理分析方法及系统
CN103679367A (zh) 一种电网状态估计评估方法及系统
CN107622078B (zh) 一种实时监控用电信息采集设备健康状态的方法
CN111986469A (zh) 一种现场终端故障智能化诊断的方法
CN113944801B (zh) 基于数据分析的燃气调压器性能检测方法及装置
CN115081158B (zh) 基于数字化表达的图元展示方法

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
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20210810

WD01 Invention patent application deemed withdrawn after publication