CN113705688B - 一种电力用户异常用电行为检测方法和系统 - Google Patents
一种电力用户异常用电行为检测方法和系统 Download PDFInfo
- Publication number
- CN113705688B CN113705688B CN202111005919.6A CN202111005919A CN113705688B CN 113705688 B CN113705688 B CN 113705688B CN 202111005919 A CN202111005919 A CN 202111005919A CN 113705688 B CN113705688 B CN 113705688B
- Authority
- CN
- China
- Prior art keywords
- electricity
- user
- behavior
- electricity consumption
- abnormal
- 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 182
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 67
- 238000001514 detection method Methods 0.000 title claims description 7
- 230000006399 behavior Effects 0.000 claims abstract description 112
- 238000004458 analytical method Methods 0.000 claims abstract description 68
- 238000010586 diagram Methods 0.000 claims abstract description 43
- 238000000034 method Methods 0.000 claims abstract description 42
- 238000012549 training Methods 0.000 claims abstract description 29
- 230000000694 effects Effects 0.000 claims abstract description 17
- 238000011156 evaluation Methods 0.000 claims abstract description 17
- 238000012544 monitoring process Methods 0.000 claims abstract description 15
- 238000012545 processing Methods 0.000 claims abstract description 8
- 230000009471 action Effects 0.000 claims description 27
- 238000005265 energy consumption Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 4
- 238000003064 k means clustering Methods 0.000 claims description 4
- 238000012417 linear regression Methods 0.000 claims description 4
- 230000003442 weekly effect Effects 0.000 claims description 4
- 230000007613 environmental effect Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 239000000284 extract Substances 0.000 abstract description 5
- 230000002349 favourable effect Effects 0.000 abstract 1
- 238000005065 mining Methods 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000007418 data mining Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 206010000117 Abnormal behaviour Diseases 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
Classifications
-
- 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
- G06F18/211—Selection of the most significant subset of features
-
- 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
- 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
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/80—Management or planning
- Y02P90/82—Energy audits or management systems therefor
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Entrepreneurship & Innovation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Probability & Statistics with Applications (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种电力用户异常用电行为检测方法和系统,包括如下步骤:1)通过非侵入式负荷监测得到用户用电数据;2)采用深度Q网络学习方法对用户用电数据进行处理得到用户用电行为模式图,其包括已查实的异常的用户用电行为模式图;3)对已查实的异常的用户用电行为模式图提取用电行为特征;4)根据提取的用电行为特征建立多个分析模型;5)采用Q网络学习方法对多个分析模型分别进行训练和评估,选取评估效果最优的分析模型;6)采用评估效果最优的分析模型来检测用户的用电行为是否异常。本发明对电能数据的监测及合理化的提取、利用,将有利于实现配电网合理化配送电力、最大效率使用已有电能。
Description
技术领域
本发明涉及非侵入式配用电检测领域,特别是指一种电力用户异常用电行为检测方法和系统。
背景技术
随着信息化、数字化程度的不断提高,大数据时代已然到来,从海量冗杂的价值较低的数据中挖掘出有价值的信息,并提炼出共性部分、构成一有效的数学模型,已经成为了各行各业密切关注的热点问题。对于电力行业而言,随着电力系统信息化程度的不断提高、配用电数据量的迅速增长,各类配套装置及系统都有着大量的数据需要处理,数据类型繁杂,数据规模庞大,数据内蕴含的事件信息众多,但现在仍面临着“数据众多,信息匮乏”的重要问题,需要一种行之有效的数据监测方式来解决此类问题。
数据源众多所导致的只是数据量、数据规模庞大的问题,而由于多种通信故障、元器件故障、设备故障、工频市电的波动以及用户异常行为导致的数据异常的情况才是目前的工程难题。数据的量可由算法的反复运行来解决,而数据的异常则需要建立特殊的、具有一定自主学习、自我更新的数学模型才能解决。这些异常的用电数据会影响电能数据的准确性、完备性、自洽性和动态性,但其中也蕴含了配电网的重要事件信息,因此研究适用于大规模用电数据挖掘的算法,并筛选有效的异常状况发现模型,从而对异常用电信息进行分析、辨识和处理,对于电力行业分析挖掘事件信息和配电网技术的发展具有重要意义。
早期的断路器仅具有开端电路、开断正常负荷电流以及故障电流的功能,无法对线路上的电能数据进行监测。而传统意义上的设备故障及用户异常用电上的监测,往往采用的是现场监测的方法,即技术人员前往第一现场进行用电状况及故障状况的排查。在信息化、数字化时代,这种浪费人力物力资源且效率较低的方式应当予以改进,有效降低异常用电信息的排查难度。
发明内容
本发明的主要目的在于克服现有技术中的上述缺陷,提出一种电力用户异常用电行为检测方法和系统,有利于实现配电网合理化配送电力、最大效率使用已有电能。
本发明采用如下技术方案:
一种电力用户异常用电行为检测方法,其特征在于,包括如下步骤:
1)通过非侵入式负荷监测得到用户用电数据;
2)采用深度Q网络学习方法对用户用电数据进行处理得到用户用电行为模式图,其包括已查实的异常的用户用电行为模式图;
3)对已查实的异常的用户用电行为模式图提取用电行为特征;
4)根据提取的用电行为特征建立多个分析模型;
5)采用Q网络学习方法对多个分析模型分别进行训练和评估,选取评估效果最优的分析模型;
6)采用评估效果最优的分析模型来检测用户的用电行为是否异常。
所述步骤1)中,所述用户用电数据至少包括用电设备能耗情况与用户用电规律。
所述步骤2)中,所述用户用电行为模式图还包括有正常的用户用电行为模式图和疑似异常的用户用电行为模式图;则步骤6)中,可采用评估效果最优的分析模型对疑似异常的用户用电行为模式图进行检测,判断用户的用电行为是否异常。
所述步骤3)中,提取的用电行为特征包括有日用电特征、周用电量特征、月用电量特征、季用电量特征、年用电量特征、总用电量特征、0值特征、空值特征、随机性特征和正态性特征。
所述步骤4)中,多个分析模型包括有K-Means聚类算法模型、Apriori算法模型和线性回归算法模型。
将步骤3)中提取的用电行为特征均分为K+1个调度时段,其中调度时段k∈{0,1,…K}:所述步骤5)中,采用Q网络学习方法对分析模型进行训练,具体包括如下:
构造深度Q网络,包括当前值网络和目标值网络,初始化当前值网络权重参数θi、目标值网络权重参数θi -=θi,输入序列宽度W、经验池容量D、批训练样本数B、学习因子a、贪心概率e和折扣因子Y,i为提取的用户行为特征数,定义任意一个样本轨道为m,样本轨道总数为M,且令m=0;
5.1)令k=0,随机初始化当前状态sk;
5.2)构造深度Q网络的输入序列其包括当前状态sk和记录的前W个决策时刻的状态和动作,当k<W时,φk={s0,a0,...,sk-1,ak-1,sk},s0为调度时段0的当前状态,a0为调度时段0的学习因子,sk-1为调度时段k-1的初始状态,ak-1为调度时段k-1的学习因子,sk为调度时段k的当前状态;当k>W时,/>将序列/>输入到当前值网络,当前值网络的输出/>用来评估当前状态行动对的值函数,选取最小Q值对应的行动agreedy,同时,随机选取有效行动arand,采用ε-贪心策略选取行动ak,若ε<rand(0,1)成立,则将agreedy赋值给ak,否则将arand赋值给ak,逐渐减小ε的取值;
5.3)区域用户用电执行决策时刻tk的行动ak,并观察决策周期内产生的运行代价ckCk,经过一个决策周期后,观察下一决策时刻的状态sk+1并构造输入序列将一个学习样本/>存储到经验池,判断经验池内学习样本数是否大于经验池容量D,若是,则移除记忆最久远的一条样本;
5.4)判断经验池内学习样本数是否大于批训练样本数B,若是,则从经验池中随机抽取B条学习样本对当前值网络进行批训练,并判断k与K的大小,即若k<K,则k=k+1,返回至步骤5.2);若k=K,则m=m+l;
5.5)若m<M,则返回至步骤5.1);否则结束循环,完成当前值网络的参数训练,依据训练评估效果得到最优策略π*,即为最优的分析模型所对应的分析策略。
所述步骤5)中,对训练好的多个分析模型进行评估,选取最优的分析模型具体为:对分析模型进行测试,将得到的异常的用户用电清单和已知的用户清单进行比对,根据准确率对多个分析模型进行评估,选择准确率高的分析模型。
所述Q学习算法是智能体从环境状态到智能体动作行为的策略学习,从而获取最大的奖励值;其学习过程包括有反复试验探索和奖励延迟,根据奖励值的大小分析判定疑似异常用电行为的用户是否存在异常用电行为。
一种电力用户异常用电行为检测系统,其特征在于,包括如下:
非侵入式负荷监测模块,用于获取用户用电数据;
图谱分类模块,采用深度Q网络学习方法对用户用电数据进行处理得到用户用电行为模式图,其包括已查实的异常的用户用电行为模式图;
特征提取模块,对已查实的异常的用户用电行为模式图提取用电行为特征;
用电分析模块,根据提取的用电行为特征建立多个分析模型,采用Q网络学习方法对多个分析模型分别进行训练和评估,选取评估效果最优的分析模型。
所述非侵入式负荷监测模块是在电力入口处安装传感器仪表来收集和监测终端用户的数据,将用户总负荷信息分解为各用电设备的信息,进而获取用电设备能耗情况和用户用电规律。
由上述对本发明的描述可知,与现有技术相比,本发明具有如下有益效果:
本发明将传统断路器与非侵入式配用负荷监测装置进行组合,基于能源物联网,采用深度Q网络学习基于大量的电能使用数据建立电力用户异常用电行为检测方法及系统,通过对海量样本的数据挖掘,提取正常用电用户的行为特征、异常用电用户的行为特征,建立反异常用电大数据分析模型和深度Q网络学习模型,实现物联网在反异常用电行为方面的应用。旨在实现以下功能:
①监测个人用户的用电习惯,合理调控该地区的电能分配。
②监测工业工厂的用电量,避免偷电、漏电、电能供应不足的情况。
③汇总用电数据,集中深入分析,挖掘其潜在价值。
对电能数据实施非侵入式配用负荷监测相对于侵入式配用负荷监测更加经济有效,对电能数据的监测及合理化的提取、利用,将有利于实现配电网合理化配送电力、最大效率化使用已有电能。对电能的合理化配送及运用,将能合理保障居民用电的需求,是全体公民的社会性福祉,也将推进“和谐社会”“智能社会”的建设进程。
附图说明
图1为本发明流程图。
以下结合附图和具体实施例对本发明作进一步详述。
具体实施方式
以下通过具体实施方式对本发明作进一步的描述。
参见图1,一种电力用户异常用电行为检测方法,包括如下步骤:
1)通过非侵入式负荷监测获取用户用电数据。其中,用户用电数据至少包括用电设备能耗情况与用户用电规律。
具体的,在电力入口处安装仪表或者传感器来监测和收集终端用户的数据,通过详细分析采集的数据,从中提取出负荷的特征来对负荷进行识别,其实质就是负荷分解,即将用户总负荷信息分解为各用电设备的信息,进而获取用电设备能耗情况与用户用电规律等用电信息。
2)采用深度Q网络学习方法对用户用电数据进行处理得到用户用电行为模式图,其包括已查实的异常的用户用电行为模式图。
深度Q网络学习通过组合低层特征形成更加抽象的高层表示属性类别或特征,以发现数据的分布式特征表示。通过深度Q网络学习方法,可以得到数据的共同特征。对所得的用户用电数据进行处理,得到用户用电行为模式图。
该步骤中,对深度Q网络学习结果,也就是用户用电行为模式图进行分析,结合业务经验和已经查实的异常用电情况,对所得的用户用电行为模式图进行划分,分成:正常的用户用电行为模式图,已查实的异常的用户用电行为模式图,以及疑似异常的用户用电行为模式图等。
3)对已查实的异常的用户用电行为模式图提取用电行为特征。
对已查实的异常的用户用电行为模式图进行分析,提取此类用电行为模式用户的用电特征,具体包括:日用电特征(最大值、最小值、平均值、方差、偏度、峰度、迷你距、中位数、上四分位数、下四分位数、四分位差)、周用电量特征、月用电量特征、季用电量特征、年用电量特征、总用电量特征、0值特征、空值特征、随机性特征、正态性特征等。
4)根据提取的用电行为特征建立多个分析模型。可用提取的特征值建立K-Means聚类算法模型、Apriori算法模式、线性回归算法模型等。
5)采用Q网络学习方法对多个分析模型分别进行训练和评估,选取评估效果最优的分析模型。
将步骤3)中提取的用电行为特征均分为K+1个调度时段,其中调度时段k∈{0,1,…K}。
其中,对步骤4)中所搭建的多个分析模型采用采用Q网络学习方法对分析模型进行训练,具体包括如下:
构造深度Q网络,包括当前值网络和目标值网络,初始化当前值网络权重参数θi、目标值网络权重参数θi -=θi,输入序列宽度W、经验池容量D、批训练样本数B、学习因子a、贪心概率e和折扣因子Y,i为提取的用户行为特征数,定义任意一个样本轨道为m,样本轨道总数为M,且令m=0;
5.1)令k=0,随机初始化当前状态sk;
5.2)构造深度Q网络的输入序列其包括当前状态sk和记录的前W个决策时刻的状态和动作,当k<W时,φk={s0,a0,...,sk-1,ak-1,sk},s0为调度时段0的当前状态,a0为调度时段0的学习因子,sk-1为调度时段k-1的初始状态,ak-1为调度时段k-1的学习因子,sk为调度时段k的当前状态;当k>W时,/>将序列/>输入到当前值网络,当前值网络的输出/>用来评估当前状态行动对的值函数,选取最小Q值对应的行动agreedy,同时,随机选取有效行动arand,采用ε-贪心策略选取行动ak,若ε<rand(0,1)成立,则将agreedy赋值给ak,否则将arand赋值给ak,逐渐减小ε的取值;
5.3)区域用户用电执行决策时刻tk的行动ak,并观察决策周期内产生的运行代价ckCk,经过一个决策周期后,观察下一决策时刻的状态sk+1并构造输入序列将一个学习样本/>存储到经验池,判断经验池内学习样本数是否大于经验池容量D,若是,则移除记忆最久远的一条样本;
5.4)判断经验池内学习样本数是否大于批训练样本数B,若是,则从经验池中随机抽取B条学习样本对当前值网络进行批训练,并判断k与K的大小,即若k<K,则k=k+1,返回至步骤5.2);若k=K,则m=m+l;
5.5)若m<M,则返回至步骤5.1);否则结束循环,完成当前值网络的参数训练,依据训练评估效果得到最优策略π*,即为最优的分析模型所对应的分析策略。
该步骤中,对训练好的多个分析模型进行评估,选取最优的分析模型具体为:对分析模型进行测试,将得到的异常的用户用电清单和已知的用户清单进行比对,根据准确率对多个分析模型进行评估,选择准确率高的分析模型。
所述Q学习算法是智能体从环境状态到智能体动作行为的策略学习,从而获取最大的奖励值;学习过程中有两个重要的特点包括有反复试验探索和奖励延迟,根据奖励值的大小分析判定疑似异常用电行为的用户是否存在异常用电行为。
6)采用最优的分析模型来检测用户的用电行为是否异常。
该步骤中,可采用评估效果最优的分析模型对疑似异常的用户用电行为模式图进行检测,判断用户的用电行为是否异常。
一种电力用户异常用电行为检测系统,通过对海量样本数据挖掘,提取正常用户用电行为特征、异常用电用户用电行为特征,建立反异常用电大数据分析模型和深度Q网络学习模型,来实现对用户用电异常行为的监测。其包括如下模块:
非侵入式负荷监测模块,用于获取用户用电数据。该模块是在电力入口处安装仪表或者传感器来监测和收集终端用户的数据,将用户总负荷信息分解为各用电设备的信息,进而获取用电设备能耗情况和用户用电规律。
图谱分类模块,采用深度Q网络学习方法对用户用电数据进行处理得到用户用电行为模式图,其包括已查实的异常的用户用电行为模式图。该模块可结合业务经验和已经查实的异常用电情况,对所得的用户用电行为模式图进行划分,分类成正常的用户用电行为模式图,已查实的异常的用户用电行为模式,以及疑似异常的用户用电行为模式图。
特征提取模块,对已查实的异常的用户用电行为模式图提取用电行为特征。具体特征包括:日用电特征(最大值、最小值、平均值、方差、偏度、峰度、迷你距、中位数、上四分位数、下四分位数、四分位差)、周用电量特征、月用电量特征、季用电量特征、年用电量特征、总用电量特征、0值特征、空值特征、随机性特征、正态性特征等。
用电分析模块,根据提取的用电行为特征建立多个分析模型,采用Q网络学习方法对多个分析模型分别进行训练和评估,选取最优的分析模型。用提取的特征值建立K-Means聚类算法模型、Apriori算法模式、线性回归算法模型等。通过Q网络学习方法对多个分析模型分别进行训练,根据分析模型计算的异常用电用户清单和已知的用户清单进行比对,根据准确率对分析模型进行评估,将准确率高的分析模型保留,准确率低的分析模型进行参数调整和再Q网络学习,从而得到最优的分析模型。
本发明基于物联网应用平台为技术支撑,依托用电信息采集系统、营销系统等相关系统所获取的海量数据,通过对海量数据进行深度Q网络学习,提取正常用户用电行为特征,异常用电用户用电行为特征,建立反异常用电物联网分析模型和深度Q网络学习模型,实现物联网在反异常用电方面的应用。
总之,本发明通过对海量用户历史电量数据样本进行深度Q网络学习,获取用户用电行为模式,对异常用电用户的行为模式提取用电行为特征,建立分析模型,采用深度Q网络学习的思想对模型进行训练与评估,不断地优化算法模型,并辅助检测疑似异常用电用户。
上述仅为本发明的具体实施方式,但本发明的设计构思并不局限于此,凡利用此构思对本发明进行非实质性的改动,均应属于侵犯本发明保护范围的行为。
Claims (9)
1.一种电力用户异常用电行为检测方法,其特征在于,包括如下步骤:
1)通过非侵入式负荷监测得到用户用电数据;
2)采用深度Q网络学习方法对用户用电数据进行处理得到用户用电行为模式图,其包括已查实的异常的用户用电行为模式图;
3)对已查实的异常的用户用电行为模式图提取用电行为特征,具体的,将提取的用电行为特征均分为K+1个调度时段,其中调度时段k∈{0,1,…K};
4)根据提取的用电行为特征建立多个分析模型;
5)采用Q网络学习方法对多个分析模型分别进行训练和评估,选取评估效果最优的分析模型,具体包括如下:
构造深度Q网络,包括当前值网络和目标值网络,初始化当前值网络权重参数θi、目标值网络权重参数θi -=θi,输入序列宽度W、经验池容量D、批训练样本数B、学习因子a、贪心概率e和折扣因子Y,i为提取的用户行为特征数,定义任意一个样本轨道为m,样本轨道总数为M,且令m=0;
5.1)令k=0,随机初始化当前状态sk;
5.2)构造深度Q网络的输入序列其包括当前状态sk和记录的前W个决策时刻的状态和动作,当k<W时,φk={s0,a0,...,sk-1,ak-1,sk},s0为调度时段0的当前状态,a0为调度时段0的学习因子,sk-1为调度时段k-1的初始状态,ak-1为调度时段k-1的学习因子,sk为调度时段k的当前状态;当k>W时,/>将序列/>输入到当前值网络,当前值网络的输出/>用来评估当前状态行动对的值函数,选取最小Q值对应的行动agreedy,同时,随机选取有效行动arand,采用ε-贪心策略选取行动ak,若ε<rand(0,1)成立,则将agreedy赋值给ak,否则将arand赋值给ak,逐渐减小ε的取值;
5.3)区域用户用电执行决策时刻tk的行动ak,并观察决策周期内产生的运行代价ckCk,经过一个决策周期后,观察下一决策时刻的状态sk+1并构造输入序列将一个学习样本存储到经验池,判断经验池内学习样本数是否大于经验池容量D,若是,则移除记忆最久远的一条样本;
5.4)判断经验池内学习样本数是否大于批训练样本数B,若是,则从经验池中随机抽取B条学习样本对当前值网络进行批训练,并判断k与K的大小,即若k<K,则k=k+1,返回至步骤5.2);若k=K,则m=m+l;
5.5)若m<M,则返回至步骤5.1);否则结束循环,完成当前值网络的参数训练,依据训练评估效果得到最优策略π*,即为最优的分析模型所对应的分析策略;
6)采用评估效果最优的分析模型来检测用户的用电行为是否异常。
2.如权利要求1所述的一种电力用户异常用电行为检测方法,其特征在于,所述步骤1)中,所述用户用电数据至少包括用电设备能耗情况与用户用电规律。
3.如权利要求1所述的一种电力用户异常用电行为检测方法,其特征在:所述步骤2)中,所述用户用电行为模式图还包括有正常的用户用电行为模式图和疑似异常的用户用电行为模式图;则步骤6)中,可采用评估效果最优的分析模型对疑似异常的用户用电行为模式图进行检测,判断用户的用电行为是否异常。
4.如权利要求1所述的一种电力用户异常用电行为检测方法,其特征在于:所述步骤3)中,提取的用电行为特征包括有日用电特征、周用电量特征、月用电量特征、季用电量特征、年用电量特征、总用电量特征、0值特征、空值特征、随机性特征和正态性特征。
5.如权利要求1所述的一种电力用户异常用电行为检测方法,其特征在于:所述步骤4)中,多个分析模型包括有K-Means聚类算法模型、Apriori算法模型和线性回归算法模型。
6.如权利要求1所述的一种电力用户异常用电行为检测方法,其特征在于:所述步骤5)中,对训练好的多个分析模型进行评估,选取评估效果最优的分析模型具体为:对分析模型进行测试,将得到的异常的用户用电清单和已知的用户清单进行比对,根据准确率对多个分析模型进行评估,选择准确率高的分析模型。
7.如权利要求1所述的一种电力用户异常用电行为检测方法,其特征在于:所述Q学习算法是智能体从环境状态到智能体动作行为的策略学习,从而获取最大的奖励值;其学习过程包括有反复试验探索和奖励延迟,根据奖励值的大小分析判定疑似异常用电行为的用户是否存在异常用电行为。
8.一种电力用户异常用电行为检测系统,其特征在于,包括如下:
非侵入式负荷监测模块,用于获取用户用电数据;
图谱分类模块,采用深度Q网络学习方法对用户用电数据进行处理得到用户用电行为模式图,其包括已查实的异常的用户用电行为模式图;
特征提取模块,对已查实的异常的用户用电行为模式图提取用电行为特征,将提取的用电行为特征均分为K+1个调度时段,其中调度时段k∈{0,1,…K};
用电分析模块,根据提取的用电行为特征建立多个分析模型,采用Q网络学习方法对多个分析模型分别进行训练和评估,选取评估效果最优的分析模型,具体包括如下:
构造深度Q网络,包括当前值网络和目标值网络,初始化当前值网络权重参数θi、目标值网络权重参数θi -=θi,输入序列宽度W、经验池容量D、批训练样本数B、学习因子a、贪心概率e和折扣因子Y,i为提取的用户行为特征数,定义任意一个样本轨道为m,样本轨道总数为M,且令m=0;
5.1)令k=0,随机初始化当前状态sk;
5.2)构造深度Q网络的输入序列其包括当前状态sk和记录的前W个决策时刻的状态和动作,当k<W时,φk={s0,a0,...,sk-1,ak-1,sk},s0为调度时段0的当前状态,a0为调度时段0的学习因子,sk-1为调度时段k-1的初始状态,ak-1为调度时段k-1的学习因子,sk为调度时段k的当前状态;当k>W时,/>将序列/>输入到当前值网络,当前值网络的输出/>用来评估当前状态行动对的值函数,选取最小Q值对应的行动agreedy,同时,随机选取有效行动arand,采用ε-贪心策略选取行动ak,若ε<rand(0,1)成立,则将agreedy赋值给ak,否则将arand赋值给ak,逐渐减小ε的取值;
5.3)区域用户用电执行决策时刻tk的行动ak,并观察决策周期内产生的运行代价ckCk,经过一个决策周期后,观察下一决策时刻的状态sk+1并构造输入序列将一个学习样本存储到经验池,判断经验池内学习样本数是否大于经验池容量D,若是,则移除记忆最久远的一条样本;
5.4)判断经验池内学习样本数是否大于批训练样本数B,若是,则从经验池中随机抽取B条学习样本对当前值网络进行批训练,并判断k与K的大小,即若k<K,则k=k+1,返回至步骤5.2);若k=K,则m=m+l;
5.5)若m<M,则返回至步骤5.1);否则结束循环,完成当前值网络的参数训练,依据训练评估效果得到最优策略π*,即为最优的分析模型所对应的分析策略。
9.如权利要求8所述的一种电力用户异常用电行为检测系统,其特征在于,所述非侵入式负荷监测模块是在电力入口处安装传感器仪表来收集和监测终端用户的数据,将用户总负荷信息分解为各用电设备的信息,进而获取用电设备能耗情况和用户用电规律。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111005919.6A CN113705688B (zh) | 2021-08-30 | 2021-08-30 | 一种电力用户异常用电行为检测方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111005919.6A CN113705688B (zh) | 2021-08-30 | 2021-08-30 | 一种电力用户异常用电行为检测方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113705688A CN113705688A (zh) | 2021-11-26 |
CN113705688B true CN113705688B (zh) | 2023-08-04 |
Family
ID=78656942
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111005919.6A Active CN113705688B (zh) | 2021-08-30 | 2021-08-30 | 一种电力用户异常用电行为检测方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113705688B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115587221B (zh) * | 2022-11-10 | 2023-04-07 | 北京志翔科技股份有限公司 | 用电数据图谱的生成方法、装置和电子设备 |
CN117395279B (zh) * | 2023-10-18 | 2024-03-19 | 广州北星科技有限公司 | 一种基于物联网的楼宇智能化能源管理系统 |
CN117094478B (zh) * | 2023-10-19 | 2024-02-06 | 深圳库博能源股份有限公司 | 能量调度管理方法、装置、设备及存储介质 |
Citations (3)
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 |
CN110929843A (zh) * | 2019-10-29 | 2020-03-27 | 国网福建省电力有限公司 | 一种基于改进深度自编码网络的异常用电行为辨识方法 |
CN111539492A (zh) * | 2020-07-08 | 2020-08-14 | 武汉格蓝若智能技术有限公司 | 一种基于强化学习的异常用电判决系统及方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200119556A1 (en) * | 2018-10-11 | 2020-04-16 | Di Shi | Autonomous Voltage Control for Power System Using Deep Reinforcement Learning Considering N-1 Contingency |
-
2021
- 2021-08-30 CN CN202111005919.6A patent/CN113705688B/zh active Active
Patent Citations (3)
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 |
CN110929843A (zh) * | 2019-10-29 | 2020-03-27 | 国网福建省电力有限公司 | 一种基于改进深度自编码网络的异常用电行为辨识方法 |
CN111539492A (zh) * | 2020-07-08 | 2020-08-14 | 武汉格蓝若智能技术有限公司 | 一种基于强化学习的异常用电判决系统及方法 |
Non-Patent Citations (3)
Title |
---|
基于GRU-Bagging模型的异常用电行为检测;马云波;《数据通信》;全文 * |
基于用电特征分析的异常用电检测方法;黄悦华;《三峡大学学报》;全文 * |
基于神经网络的异常用电检测算法模型研究;杨光;;供用电(10);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113705688A (zh) | 2021-11-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113705688B (zh) | 一种电力用户异常用电行为检测方法和系统 | |
De Baets et al. | Appliance classification using VI trajectories and convolutional neural networks | |
Fan et al. | A framework for knowledge discovery in massive building automation data and its application in building diagnostics | |
Liu et al. | Single-machine-based joint optimization of predictive maintenance planning and production scheduling | |
Zheng et al. | A rolling bearing fault diagnosis method based on multi-scale fuzzy entropy and variable predictive model-based class discrimination | |
Correcher et al. | Intermittent failure dynamics characterization | |
CN111612650B (zh) | 一种基于dtw距离的电力用户分群方法及系统 | |
Meyer | Multi-target normal behaviour models for wind farm condition monitoring | |
CN111241154A (zh) | 一种基于大数据的蓄电池故障预警方法及系统 | |
CN101442561A (zh) | 一种基于支持向量机的网格监控方法 | |
CN113228378A (zh) | 数据处理装置、数据处理方法以及计算机程序 | |
CN102339347A (zh) | 用于技术系统的计算机辅助分析的方法 | |
CN116862081A (zh) | 一种污染治理设备运维方法及系统 | |
CN116720324A (zh) | 基于预测模型的牵引变电所关键设备故障预警方法及系统 | |
Lou et al. | Classification-based prediction of network connectivity robustness | |
Zou et al. | State of Health prediction of lithium-ion batteries based on temporal degeneration feature extraction with Deep Cycle Attention Network | |
CN116205544B (zh) | 基于深度神经网络和迁移学习的非侵入式负荷识别系统 | |
CN116070140B (zh) | 一种配电变电站安全运行状态监测系统及方法 | |
CN111506636A (zh) | 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 | |
CN113468823B (zh) | 一种基于机器学习的光模块损坏检测方法及系统 | |
CN112256735B (zh) | 一种用电监测方法、装置、计算机设备和存储介质 | |
Mehta et al. | Optimized ANN for LiFePO4 Battery Charge Estimation using Principal Components based Feature Generation | |
Raymand et al. | Machine learning-based estimation of buildings' characteristics employing electrical and chilled water consumption data: Pipeline optimization | |
Singh et al. | Predicting the remaining useful life of ball bearing under dynamic loading using supervised learning | |
Verbeke et al. | Fleet-Based Remaining Useful Life Prediction of Safety-critical Electronic Devices |
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 |