CN113781254A - 一种基于周用电量相关系数的异常用电检测算法 - Google Patents

一种基于周用电量相关系数的异常用电检测算法 Download PDF

Info

Publication number
CN113781254A
CN113781254A CN202110892090.XA CN202110892090A CN113781254A CN 113781254 A CN113781254 A CN 113781254A CN 202110892090 A CN202110892090 A CN 202110892090A CN 113781254 A CN113781254 A CN 113781254A
Authority
CN
China
Prior art keywords
user
electricity consumption
abnormal
correlation coefficient
weekly
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
CN202110892090.XA
Other languages
English (en)
Inventor
李金瑾
周毅波
陈珏羽
卿柏元
蒋雯倩
黄柯颖
林秀清
杨舟
唐志涛
李刚
陈俊
颜丹丹
韦杏秋
包岱远
周政雷
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.)
Guangxi Power Grid Co Ltd
Original Assignee
Guangxi Power Grid 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 Guangxi Power Grid Co Ltd filed Critical Guangxi Power Grid Co Ltd
Priority to CN202110892090.XA priority Critical patent/CN113781254A/zh
Publication of CN113781254A publication Critical patent/CN113781254A/zh
Pending legal-status Critical Current

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—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

Landscapes

  • Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Public Health (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)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及异常用电检测技术领域，尤其是一种基于周用电量相关系数的异常用电检测算法，摒弃了较难获取的用于用电异常检测的异常用电，选用较易获得的用户日用电量数据作为检测数据输入，从用户异常用电的结果出发，反推用户异常用电，再从用户周用电的相似性出发，计算用户相邻周之间用电系数相关性，从而获得用户周用电量特征，通过离群邻近度算法，实现异常用电检测，虽然本发明采用的算法为离群算法，但是没有规定异常用户数量，而是选用离群程度作为衡量标准标准，避免不合理的异常用户比例带来结果的误检率，精准性更高。

Description

一种基于周用电量相关系数的异常用电检测算法
技术领域
本发明涉及异常用电检测技术领域，尤其是一种基于周用电量相关系数的异常用电检测算法。
背景技术
随着经济的快速增长，用电量也呈现出爆发式的增长趋势，对异常用电检测也提出了更高的要求；异常用电不仅给供电企业带来了巨大的经济损失，同时也会危害电网的稳定性，严重影响国家的经济发展和社会问题，随着科技的进步，异常用电的方式不断翻新，用户异常用电，是减少电表中的用户用电量，以此达到降低用户资费的目的，不仅损害了基础电力设施，还严重威胁到电网的安全稳定运行，电力本身就是一种高危产品，窃电行为具有极大的安全隐患，容易引发火灾，威胁到人民群众的人身财产安全，给社会的和谐带来不稳定因素，目前对于用户异常用电的检测方式，大多集中在人工线下排查，由一线运营工人对居民用电线路进行定期排查，检测效果极低且不稳定性大，容易出现包庇徇私现象，为了解决上述问题，市面上也推出了一些能够对异常用电状态进行检测的异常用电检测软件，通过软件内置的异常用电检测算法对用户的异常用电情况进行检测。
但是现有的异常用电检测算法在计算时，获取的数据大多是较难获取的用电数据，如电表周围磁场、电表故障情况以及用户用电故障情况等数据，数据获取十分不便，且在检测计算过程中的误检率较高，检测精准性不佳。
发明内容
本发明的目的在于提供一种基于周用电量相关系数的异常用电检测算法，具有样本数据方便获取，能够避免不合理的异常用户比例带来结果的误检率，精准性更高的优点，以解决上述背景技术中提出的数据获取十分不便，且在检测计算过程中的误检率较高，检测精准性不佳的问题。
为实现上述目的，本发明提供如下技术方案：一种基于周用电量相关系数的异常用电检测算法，包括以下步骤：
S1：用户用电量数据处理，获取用户一段时间内的日用电量数据，组建用户的日用电量时间序列，针对每个用户的日用电量数据，将其进行归一化处理；
S2：数据清洗以及特征数据提取，按照用电情况进行周分组，得到每个用户的若干周的日用电量序列，再基于威尔逊相关系数法计算每个用户的相邻周之间的用电量相关系数，获得用户的用电量相关系数序列，将对用户的该特征序列取最小值、方差和标准差，作为用户用电特征；
S3：离群检测，对每个用户的特征量进行离群邻近度计算；
S4：异常用户确定，将离群邻近度在2sigma之外的用户判定为异常用电用户。
优选的，S1建立的用户每天用电量时间序列如下：
Figure BDA0003196559610000021
其中，ci，j为第i个用户的第j天用电量。
优选的，S2所述对每个用户的若干周的日用电量序列进行周分组时，是以周为单位，获得的每个用户的周用电量序列如下：
Figure BDA0003196559610000022
其中，Si，j为某个用户第i周第j天的用电量数据。
优选的，S2所述每个用户的相邻周之间的用电量相关系数计算公式如下：
Figure BDA0003196559610000031
Figure BDA0003196559610000032
Figure BDA0003196559610000033
ρ＝(ρ(X1,X2) ρ(X2,X3) … ρ(Xi,Xi+1) … ρ(Xn-1,Xn))
其中，Xi为某用户第i周的用电量序列，Xi，j为某用户第i周的第j天的用电量数据。
优选的，S2所述特征序列取最小值的计算公式为：fmin＝min(ρ)；
方差的计算公式为：
Figure BDA0003196559610000034
标准差的计算公式为：STD＝E(ρ2)-E(ρ)2。
优选的，S3所述离群邻近度计算，包括以下步骤：
A：计算每组数据中各个样本之间的距离，记作D(i，j)，即第i个样本与第j个样本之间的距离；
B：计算所有用户之间的所有距离的平均值作为邻域半径rd，邻域半径rd的计算公式如下：
Figure BDA0003196559610000035
C：统计每一个样本的邻域半径内样本的数量，作为离群邻近度N_dist，离群邻近度N_dist的计算公式如下：
Figure BDA0003196559610000036
Figure BDA0003196559610000037
其中，N_dist(i)为第i个用户的离群邻近度；
D：N_dist为衡量用户离群程度参量。
本发明提出的一种基于周用电量相关系数的异常用电检测算法，有益效果在于：
本发明摒弃了较难获取的用于用电异常检测的异常用电，而选用较易获得的用户日用电量数据作为检测数据输入，从用户异常用电的结果出发，反推用户异常用电，再从用户周用电的相似性出发，计算用户相邻周之间用电系数相关性，从而获得用户周用电量特征，通过离群邻近度算法，实现异常用电检测，选用离群程度(2sigma)作为衡量标准，避免不合理的异常用户比例带来结果的误检率，精准性更高。
附图说明
图1为本发明提出的一种基于周用电量相关系数的异常用电检测算法的实施流程示意图；
图2为本发明提出的一种基于周用电量相关系数的异常用电检测算法的具体步骤示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚；完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例，基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参阅图1-2，一种基于周用电量相关系数的异常用电检测算法，包括以下步骤：
步骤一：用户用电量数据处理，获取用户一段时间内的日用电量数据，组建用户的日用电量时间序列，针对每个用户的日用电量数据，将其进行归一化处理；建立的用户每天用电量时间序列如下：
Figure BDA0003196559610000051
其中，ci，j为第i个用户的第j天用电量。
步骤二：数据清洗以及特征数据提取，按照用电情况进行周分组，得到每个用户的若干周的日用电量序列，再基于威尔逊相关系数法计算每个用户的相邻周之间的用电量相关系数，获得用户的用电量相关系数序列，将对用户的该特征序列取最小值、方差和标准差，作为用户用电特征；对每个用户的若干周的日用电量序列进行周分组时，是以周为单位，获得的每个用户的周用电量序列如下：
Figure BDA0003196559610000052
其中，Si，j为某个用户第i周第j天的用电量数据；
每个用户的相邻周之间的用电量相关系数计算公式如下：
Figure BDA0003196559610000053
Figure BDA0003196559610000054
Figure BDA0003196559610000055
ρ＝(ρ(X1,X2) ρ(X2,X3) … ρ(Xi,Xi+1) … ρ(Xn-1,Xn))
其中，Xi为某用户第i周的用电量序列，Xi，j为某用户第i周的第j天的用电量数据；
特征序列取最小值的计算公式为：fmin＝min(ρ)；
方差的计算公式为：
Figure BDA0003196559610000061
标准差的计算公式为：STD＝E(ρ2)-E(ρ)2。
步骤三：离群检测，对每个用户的特征量进行离群邻近度计算；离群邻近度计算过程包括以下步骤：
步骤A：计算每组数据中各个样本之间的距离，记作D(i，j)，即第i个样本与第j个样本之间的距离；
步骤B：计算所有用户之间的所有距离的平均值作为邻域半径rd，邻域半径rd的计算公式如下：
Figure BDA0003196559610000062
步骤C：统计每一个样本的邻域半径内样本的数量，作为离群邻近度N_dist，离群邻近度N_dist的计算公式如下：
Figure BDA0003196559610000063
Figure BDA0003196559610000064
其中，N_dist(i)为第i个用户的离群邻近度；
步骤D：N_dist为衡量用户离群程度参量
步骤四：异常用户确定，将离群邻近度在2sigma之外的用户判定为异常用电用户，采用2sigma原则对用户进行离群划分，判断(sigma-2a，sigma+2a)区间外的用户为离群用户，也称为窃电用户。
工作原理：获取用户一段时间内的日用电量数据，组建用户的日用电量时间序列，针对每个用户的日用电量数据，将其进行归一化处理，按照用电情况进行周分组，得到每个用户的若干周的日用电量序列，再基于威尔逊相关系数法计算每个用户的相邻周之间的用电量相关系数，获得用户的用电量相关系数序列，将对用户的该特征序列取最小值、方差和标准差，作为用户用电特征，对每个用户的特征量进行离群邻近度计算后，将离群邻近度在2sigma之外的用户判定为异常用电用户，采用2sigma原则对用户进行离群划分，判断(sigma-2a，sigma+2a)区间外的用户为离群用户，也称为窃电用户。
综上所述，本发明摒弃了较难获取的用于用电异常检测的异常用电，如电表周围磁场、电表故障情况以及用户用电故障情况等数据，反而是选用了较易获得的用户日用电量数据作为检测数据输入，从用户异常用电的结果出发，反推用户异常用电，从用户周用电的相似性出发，计算用户相邻周之间用电系数相关性，从而获得用户周用电量特征，通过离群邻近度算法，实现异常用电检测，虽然本发明采用的算法为离群算法，但是没有规定异常用户数量，而是选用离群程度(2sigma)作为衡量标准，避免不合理的异常用户比例带来结果的误检率，精准性更高。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明披露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

Claims (6)

1.一种基于周用电量相关系数的异常用电检测算法，其特征在于，包括以下步骤：
S1：用户用电量数据处理，获取用户一段时间内的日用电量数据，组建用户的日用电量时间序列，针对每个用户的日用电量数据，将其进行归一化处理；
S2：数据清洗以及特征数据提取，按照用电情况进行周分组，得到每个用户的若干周的日用电量序列，再基于威尔逊相关系数法计算每个用户的相邻周之间的用电量相关系数，获得用户的用电量相关系数序列，将对用户的该特征序列取最小值、方差和标准差，作为用户用电特征；
S3：离群检测，对每个用户的特征量进行离群邻近度计算；
S4：异常用户确定，将离群邻近度在2sigma之外的用户判定为异常用电用户。
2.根据权利要求1所述的一种基于周用电量相关系数的异常用电检测算法，其特征在于：S1建立的用户每天用电量时间序列如下：
Figure FDA0003196559600000011
其中，ci，j为第i个用户的第j天用电量。
3.根据权利要求1所述的一种基于周用电量相关系数的异常用电检测算法，其特征在于：S2所述对每个用户的若干周的日用电量序列进行周分组时，是以周为单位，获得的每个用户的周用电量序列如下：
Figure FDA0003196559600000021
其中，Si，j为某个用户第i周第j天的用电量数据。
4.根据权利要求1所述的一种基于周用电量相关系数的异常用电检测算法，其特征在于：S2所述每个用户的相邻周之间的用电量相关系数计算公式如下：
Figure FDA0003196559600000022
Figure FDA0003196559600000023
Figure FDA0003196559600000024
ρ＝(ρ(X1,X2) ρ(X2,X3) … ρ(Xi,Xi+1) … ρ(Xn-1,Xn))
其中，Xi为某用户第i周的用电量序列，Xi，j为某用户第i周的第j天的用电量数据。
5.根据权利要求1所述的一种基于周用电量相关系数的异常用电检测算法，其特征在于：S2所述特征序列取最小值的计算公式为：fmin＝min(ρ)；
方差的计算公式为：
Figure FDA0003196559600000025
标准差的计算公式为：STD＝E(ρ2)-E(ρ)2。
6.根据权利要求1所述的一种基于周用电量相关系数的异常用电检测算法，其特征在于：S3所述离群邻近度计算，包括以下步骤：
A：计算每组数据中各个样本之间的距离，记作D(i，j)，即第i个样本与第j个样本之间的距离；
B：计算所有用户之间的所有距离的平均值作为邻域半径rd，邻域半径rd的计算公式如下：
Figure FDA0003196559600000031
C：统计每一个样本的邻域半径内样本的数量，作为离群邻近度N_dist，离群邻近度N_dist的计算公式如下：
Figure FDA0003196559600000032
Figure FDA0003196559600000033
其中，N_dist(i)为第i个用户的离群邻近度；
D：N_dist为衡量用户离群程度参量。
CN202110892090.XA 2021-08-04 2021-08-04 一种基于周用电量相关系数的异常用电检测算法 Pending CN113781254A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110892090.XA CN113781254A (zh) 2021-08-04 2021-08-04 一种基于周用电量相关系数的异常用电检测算法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110892090.XA CN113781254A (zh) 2021-08-04 2021-08-04 一种基于周用电量相关系数的异常用电检测算法

Publications (1)

Publication Number Publication Date
CN113781254A true CN113781254A (zh) 2021-12-10

Family

ID=78836852

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110892090.XA Pending CN113781254A (zh) 2021-08-04 2021-08-04 一种基于周用电量相关系数的异常用电检测算法

Country Status (1)

Country Link
CN (1) CN113781254A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117434440A (zh) * 2023-12-20 2024-01-23 浙江万胜智能科技股份有限公司 一种量测开关的自动检测方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018045642A1 (zh) * 2016-09-09 2018-03-15 国网山西省电力公司晋城供电公司 一种母线负荷预测方法
CN110288383A (zh) * 2019-05-31 2019-09-27 国网上海市电力公司 基于用户属性标签的群体行为配电网用电异常检测方法
CN110796282A (zh) * 2019-09-18 2020-02-14 国网江苏省电力有限公司 一种基于相关性系数的行业波动周期监测方法
CN111625991A (zh) * 2020-05-20 2020-09-04 国网河北省电力有限公司电力科学研究院 一种低压配电网拓扑校验方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018045642A1 (zh) * 2016-09-09 2018-03-15 国网山西省电力公司晋城供电公司 一种母线负荷预测方法
CN110288383A (zh) * 2019-05-31 2019-09-27 国网上海市电力公司 基于用户属性标签的群体行为配电网用电异常检测方法
CN110796282A (zh) * 2019-09-18 2020-02-14 国网江苏省电力有限公司 一种基于相关性系数的行业波动周期监测方法
CN111625991A (zh) * 2020-05-20 2020-09-04 国网河北省电力有限公司电力科学研究院 一种低压配电网拓扑校验方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
HUADONG QIU 等: "Anomaly Detection for Power Consumption Patterns in Electricity Early Warning System", 2018 TENTH INTERNATIONAL CONFERENCE ON ADVANCED COMPUTATIONAL INTELLIGENCE (ICACI), pages 867 - 873 *
王涓 等: "应用皮尔逊相关系数算法查找异常电能表用户", 电力需求侧管理, vol. 16, no. 02, pages 52 - 54 *
耿俊成 等: "基于离群点检测的低压配电网拓扑结构校验", 电力信息与通信技术, no. 05, 31 December 2017 (2017-12-31), pages 61 - 65 *
袁翔宇 等: "一种基于组合算法的异常用电模式辨识方法", 电测与仪表, 22 January 2021 (2021-01-22), pages 1 - 8 *
韩宇轩: "监控视频帧间篡改检测研究与系统实现", 中国优秀硕士学位论文全文数据库 信息科技辑, no. 01, pages 138 - 163 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117434440A (zh) * 2023-12-20 2024-01-23 浙江万胜智能科技股份有限公司 一种量测开关的自动检测方法及系统
CN117434440B (zh) * 2023-12-20 2024-05-07 浙江万胜智能科技股份有限公司 一种量测开关的自动检测方法及系统

Similar Documents

Publication Publication Date Title
Carpaneto et al. Electricity customer classification using frequency–domain load pattern data
CN107230013B (zh) 一种无监督学习下配网用户异常用电辨识与时间定位方法
CN113781254A (zh) 一种基于周用电量相关系数的异常用电检测算法
CN109947815B (zh) 一种基于离群点算法的窃电辨识方法
CN112198385A (zh) 一种非侵入式负荷监测方法
CN112308124B (zh) 一种面向用电信息采集系统的智能防窃电方法
CN109299134B (zh) 一种非侵入式监测系统下电器的识别方法
CN110991477A (zh) 一种识别电力系统异常行业用户和异常用电行为的方法和系统
CN113128567A (zh) 一种基于用电量数据的异常用电行为识别方法
CN115808563B (zh) 一种基于用电功率异常分析的高压用户窃电检测方法
CN112952827A (zh) 一种精确识别电动自行车充电的非侵入式全负荷识别技术
CN110047013B (zh) 反专变用户间断型窃电方法
CN114169802B (zh) 电网用户需求响应潜力分析方法、系统及存储介质
CN112418687A (zh) 基于用电特征的用户用电异常识别方法、装置和存储介质
CN105305437B (zh) 电力负荷三重可信度匹配辨识方法
CN104484371B (zh) 电力营销异常数据在线监控分析方法和系统
CN114240041A (zh) 配网台区精益化线损分析方法及系统
CN110008981B (zh) 基于矢量模糊矩阵模型的电水气用能替代可引导评价方法
CN116644956A (zh) 一种基于多方案决策和模糊判断的用电异常等级划分方法
CN110210755B (zh) 一种基于K_means聚类算法的用户需求响应能力评估方法
CN114971002B (zh) 一种基于计量终端负荷监测技术的异常电量预测方法
CN116106627A (zh) 一种基于电压电流不同相错误接线异常的判断方法
CN113408210B (zh) 基于深度学习的非侵入负荷分解方法、系统、介质和设备
CN115545240A (zh) 一种低压配电网台区异常线损诊断方法、系统、设备及介质
CN114202188A (zh) 一种用于用户侧电能需求预测及分配的信息管理系统

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