CN113866552B - 一种基于机器学习的中压配网用户用电异常诊断方法 - Google Patents

Abstract

本发明公开了一种基于机器学习的中压配网用户用电异常诊断方法，包括基于获取到的用户名称数据生成潜在用电异常用户集合；基于潜在异常用电用户集合，获取其所属行业及近两周正向有功、电压、三相电流数据；对获取数据进行缺失值预处理；计算5项特征值并加入各用户历史用电数据异常四级标签形成样本集；对样本集进行划分，训练人工智能模型，并测试模型效果及模型调优；采用机器学习集成算法中随机森林进行模型训练及评价；利用训练好的模型进行批量打标处理。本发明计算简单，能帮助运行人员及时发现异常线损线路并及时调整。

Description

一种基于机器学习的中压配网用户用电异常诊断方法

技术领域

本发明属于涉及中压配电网用户用电异常诊断领域，具体涉及一种基于机器学习的中压配网用户用电异常诊断方法。

背景技术

中压配电网异常用电即为元件故障、数据采集异常、不法分子异常用电等异常 现象。由人工追查出的用电用户异常案例，主要依赖于基层员工的现场排查，因用 户量庞大、设备繁杂、耗时较长、异常用电手法多样、排查难度大等因素，难以全 面、针对性地对各用户用电状况进行评估，进而将引发线路高损、中压线损率计算误差高、可靠性分析准确性低等业务痛点，严重制约了一流配电网建设进程。

因此，中压配电网用户用电异常诊断方法是一个重要的研究课题，研究成果可 以帮助运行人员及时发现高损线路，并通过检修、追查等方法调整线路，维护线损 处于正常状态。

发明内容

针对上述问题，本发明提出一种基于机器学习的中压配网用户用电异常诊断， 可用于识别任意规模的配电网用电异常用户，该方法计算简单，原理明确，可帮助 配网运行人员及时发现并准确调整线路异常状态，恢复正常线损。

为了实现上述技术目的，达到上述技术效果，本发明通过以下技术方案实现， 本发明提供了一种基于机器学习的中压配网用户用电异常诊断方法，所述方法包括：

步骤1：从营销系统中取配变的基础信息，所述基础信息包括用户名称、所属行业，基于所述用户名称筛选潜在异常用电用户集合；

步骤2：基于潜在异常用电用户集合，提取其对应馈线线损率数据，以及从营销 系统中取其正向有功数据、电压及三相电流数据，并对潜在异常用电用户数据进行 数据预处理；

步骤3：提取潜在异常用电用户数据的特征值作为机器学习的数据特征，并加入历史数据中对各用户用电异常的轻、中、重三级标签；

步骤4：对数据集进行划分，训练人工智能模型，并试模型训练效果及模型调优；

步骤5：采用机器学习中集成算法随机森林(RF)进行模型训练，并对训练好的 模型进行模型评价；

步骤6：利用训练好的模型对实际配电网中的用电用户进行批量打标处理。

可选地，所述潜在异常用电用户集合的生成方法包括：

步骤11：切分配电变压器用户对应名称；

步骤12：若配电变压器用户对应名称中不含“居委会”、“办事处”、“学校”、“机 关单位”或“政府”字节，则该配变用户为潜在异常用电用户M₁；

步骤13：基于所述步骤12中的筛选潜在异常用电用户规则，从获取的所有配电 用户中筛选出潜在异常用电用户，生成潜在异常用电用户集合M＝{M₁,M₂,…,M_l}，其中 l为经筛选后潜在异常用电用户的数量。

可选地，所述步骤2中对潜在异常用电用户数据进行数据预处理包括：

采用线性插值方法对获得馈线及用户数据中的缺失值进行插值补全处理。

可选地，所述潜在异常用电用户数据的特征共有5项，包括：

第一特征值为近两周日线损率与潜在异常用电用户日正向有功之间的相关系数指标值；

第二特征值为一日小时级线损率与潜在异常用电用户日正向有功之间的相关系数指标值；

第三特征值为潜在异常用电用户一日内电压数值异常点数；

第四特征值为潜在异常用电用户三相电流中最大差值与最大值之比；

第五特征值为一日内小时级潜在异常用电用户电压值与同行业内电压平均值相关系数。

可选地，所述第一特征值和第二特征值的计算方法为：

从获得的近两周馈线线损率及潜在异常用电用户正向有功值数据中，筛选出日计量的数据并带入公式(1)，经计算后得到第一特征值；筛选出小时计量的数据并带 入公式(1)，经计算后得到第二特征值；

相关系数指标计算公式为：

其中，R表示相关系数指标；X_i表示馈线线损率数据；表示馈线线损率数据平 均值；Y_i表示潜在异常用电用户正向有功数据；表示潜在异常用电用户正向有功数 据平均值；n表示统计时间范围内的时间长度。

可选地，所述第四特征值的计算方法为：

获取各潜在异常用电用户三相电流数据，取其一日内三相电流各相均值中最大值A_i，再取其一日内三相电流各相均值中最小值Z_i，特征值T_i的计算方式为：

可选地，所述第五特征值的计算方法为：

从获得的潜在异常用电用户电压量测数据中，筛选出合适的数据并带入公式(3)，经计算后得到各潜在异常用电用户电压值与行业内电压均值之间的相关系数 指标值，构成第五特征值；

相关系数指标计算公式为：

其中，R表示相关系数指标；X_i表示潜在异常用电用户电压数据；表示潜在异 常用电用户电压数据平均值；Y_i表示潜在异常用电用户对应行业内电压数据；表示 潜在异常用电用户对应行业内电压数据平均值；n表示一日内电压数据数量。

可选地，所述对数据集进行划分，训练人工智能模型，并试模型训练效果及模 型调优，包括以下步骤：

对数据集按7：3进行划分，70％作为训练集训练人工智能模型，30％作为验证集测试模型训练效果及模型调优；

可选地，所述采用机器学习中集成算法随机森林(RF)进行模型训练，并对训 练好的模型进行模型评价方法为：

采用基尼系数作为随机森林中子CART树的划分评价标准，模型评价指标为精确度、查准率、查全率、F1分数以及ROC值。

可选地，所述利用训练好的模型对实际配电网中的用电用户进行批量打标处理，包括以下步骤：

各项指标满足要求后，利用训练好的模型对实际中压配电网中用户进行自动化批量打标处理，即对各线路下中压配电网用户的线路及用户数据进行批量处理并计 算所需特征值，送入模型进行计算，最终输出潜在异常用电用户的嫌疑系数标签(无 异常、轻度异常、中度异常、重度异常)。

与现有技术相比，本发明的有益效果：

(1)本发明以数据驱动方式学习了历史海量用户用电状态数据特征，计算了判 断用电用户异常状态的5项特征值，避免了人为无头绪查找。

(2)本发明能够根据用户用电特征对用户用电异常状态进行打标处理，避免了 现场运行人员盲目检查线路。

(3)本发明计算简单，原理明确，可帮助配网运行人员及时发现高损线路并及 时调整线路情况，使线路线损恢复正常，具有良好的应用前景。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图 仅仅是本发明中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造 性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的一种基于机器学习的中压配网用户用电异常诊断方法的流程示意图。

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。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为 了描述具体的实施例的目的，不是旨在于限制本发明。本文所使用的术语“及/或” 包括一个或多个相关的所列项目的任意的和所有的组合。

请参见图1，本发明实施例中提供了一种基于机器学习的中压配网用户用电异常诊断方法，包括以下步骤：

步骤一从营销系统中取配变的用户名称、所属行业等基础信息，基于所述获取 的用户名称，筛选潜在异常用电用户集合；

在本发明实施例的一种具体实施方式中，所述步骤一的具体实现过程为：

从营销系统中导出配电变压器对应对用户名称、所属行业信息；

针对某一配电变压器用户，切分其对应的用户名称；

若配电变压器用户对应名称中不含“居委会”、“办事处”、“学校”、“机关单位”、“政府”等字节，则认为该配变用户为潜在异常用电用户M₁；

基于上述筛选潜在异常用电用户的规则，重复上述步骤直至所有配电变压器完成判断，从获取的所有配电用户中筛选出潜在异常用电用户，生成潜在异常用电用 户集合M＝{M₁,M₂,…,M_l}，其中l为经筛选后潜在异常用电用户的数量。

步骤二基于潜在异常用电用户集合，从D5000中取其对应馈线线损率数据、从 营销系统中取其正向有功数据及电压、三相电流数据，并对潜在异常用电用户数据 进行数据预处理；

在本发明实施例的一种具体实施方式中，所述步骤二的具体包括以下子步骤：

步骤1：提取数据后查看导出的配变及线路数据是否存在缺失值，若存在则进入步骤2，若不存在则进入下一个步骤；

步骤2：若数据存在缺失情况，则采用线性插值方法对原始采集的线路及用户数据作补全处理，获得数据补全后的线路与用户数据。

所述采用线性插值方法对原始采集的电压数据作补全处理，其基本思想是使插值函数能近似代替原始函数，其插值函数为一次多项式类，要求在各插值节点上插 值的误差为0。设已知原始数据f(x_i)，其中x_i(i＝0，1，2，3，...，n)，n为采样的原始数 据的长度，现线性插值构造了一函数使得误差的绝对值|R(x)|在整个原始数 据区间上比较小，即：

i＝0，1，2，3，...，n

现基于构造出的插值函数若原始数据在i＝m处存在数据缺失情况， 即f(m)为空值，则补全原始采样的数据缺失情况。

步骤三计算出潜在异常用电用户数据特征值，包括：用户与馈线2项功率相关 系数特征及异常电压、三相电流、行业电压特征共5项特征值；

在本发明实施例的一种具体实施方式中，所述步骤三具体包括以下步骤：

用户与馈线2项功率相关系数特征：

获取相关系数指标计算公式，所述相关系数指标计算公式为：

其中，R表示相关系数指标；X_i表示馈线线损率数据；表示馈线线损率数据平 均值；Y_i表示潜在用电异常用户正向有功数据；表示潜在用电异常用户正向有功数 据平均值；n表示统计时间范围内的时间长度；

从获得的近两周馈线线损率及潜在用电异常用户正向有功值数据中，筛选出日计量的数据并带入所述相关系数指标计算公式，经计算后得到近两周日线损率与潜 在用电异常用户日正向有功之间的相关系数指标值；同理筛选出小时计量的数据并 带入所述相关系数指标计算公式，经计算后得到一日小时级线损率与潜在用电异常 用户日正向有功之间的相关系数指标值。

异常电压特征：

获取各潜在异常用电用户电压数据，对各用户当日数据进行3sigma处理，查看 用户用电异常点数量。

三相电流特征：

获取各潜在异常用电用户三相电流数据，取其一日内三相电流各相均值中最大值A_i，再取其一日内三相电流各相均值中最小值Z_i，特征值T_i的计算方式为：

行业电压特征：

获取相关系数指标计算公式，所述相关系数指标计算公式为：

其中，R表示相关系数指标；X_i表示潜在用电异常用户电压数据；表示潜在用 电异常用户电压数据平均值；Y_i表示潜在异常用电用户对应行业内电压数据；表示 潜在异常用电用户对应行业内电压数据平均值；n表示一日内电压数据数量；

从获得的潜在用电异常用户电压量测数据中，筛选出合适的数据并带入所述相关系数指标计算公式，经计算后得到各潜在异常用电用户电压值与行业内电压均值 之间的相关系数指标值，构成行业电压特征。

最终加入历史数据中各潜在用电异常用户的异常程度标签(无异常、轻度异常、中度异常、重度异常)，形成样本集。

步骤四对数据集按7：3进行划分，70％作为训练集训练人工智能模型，30％作为验证集测试模型训练效果及模型调优；

步骤五采用机器学习中集成算法随机森林(RF)进行模型训练，并对训练好的 模型进行模型评价；

在本发明实施例的一种具体实施方式中，所述步骤五具体包括以下步骤：

指标评价结果如表1所示，各项指标均较高，说明模型训练效果较好。

表1模型评价结果

精确度	查准率	查全率	F1分数	ROC值
					0.970	0.984	0.910	0.940	0.972

步骤六利用训练好的模型对实际配电网中的用电用户进行批量打标处理；

在本发明实施例的一种具体实施方式中，所述步骤六具体包括以下步骤：

各项指标满足要求后，利用训练好的模型对实际中压配电网中用户进行自动化批量打标处理，即对各线路下中压配电网用户的线路及用户数据进行批量处理并计算 所需特征值，送入模型进行计算，最终输出潜在异常用电用户的嫌疑系数标签。

在本发明的描述中，术语“第一”、“第二”仅用于描述目的，而不能理解为 指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第 一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。“多个”的含 义是两个或两个以上，除非另有明确具体的限定。

在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固 定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一 体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普 通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。

在本发明中，除非另有明确的规定和限定，第一特征在第二特征“上”或“下” 可以是第一和第二特征直接接触，或第一和第二特征通过中间媒介间接接触。而且， 第一特征在第二特征“之上”、“上方”和“上面”可是第一特征在第二特征正上方 或斜上方，或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”可以是第一特征在第二特征正下方或斜下方，或仅仅表示 第一特征水平高度小于第二特征。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具 体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、 材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术 语的示意性表述不必针对相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相 互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以 及不同实施例或示例的特征进行结合和组合。

尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示 例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可 以对上述实施例进行变化、修改、替换和变型。

Claims (7)

1.一种基于机器学习的中压配网用户用电异常诊断方法，其特征在于，所述方法包括：

提取配变的基础信息，所述基础信息包括用户名称、所属行业，基于所述用户名称筛选潜在异常用电用户集合；

基于潜在异常用电用户集合，提取所述潜在异常用电用户集合对应馈线线损率数据、正向有功数据、电压及三相电流数据，并对潜在异常用电用户数据进行数据预处理；

提取潜在异常用电用户数据的特征值作为机器学习的数据特征，并加入历史数据中对各用户用电异常的轻、中、重三级标签；

对数据集进行划分，训练人工智能模型，并试模型训练效果及模型调优；

采用机器学习中集成算法随机森林进行模型训练，并对训练好的模型进行模型评价；

利用训练好的模型对实际配电网中的用电用户进行批量打标处理；

所述潜在异常用电用户集合的生成方法包括：

切分配电变压器用户对应名称；

若配电变压器用户对应名称中不含“居委会”、“办事处”、“学校”、“机关单位”或“政府”字节，则该配电变压器用户为潜在异常用电用户M₁；

基于筛选潜在异常用电用户的规则，从获取的所有配电用户中筛选出潜在异常用电用户，生成潜在异常用电用户集合M＝{M₁,M₂,…,M_l}，其中l为经筛选后潜在异常用电用户的数量；

所述提取潜在异常用电用户数据的特征值作为机器学习的数据特征，包括提取以下特征值：

第一特征值为近两周日线损率与潜在异常用电用户日正向有功之间的相关系数指标值；

第二特征值为一日小时级线损率与潜在异常用电用户日正向有功之间的相关系数指标值；

第三特征值为潜在异常用电用户一日内电压数值异常点数；

第四特征值为潜在异常用电用户三相电流中最大差值与最大值之比；

第五特征值为一日内小时级潜在异常用电用户电压值与同行业内电压平均值相关系数；

所述第一特征值和第二特征值的计算方法为：

从获得的近两周馈线线损率及潜在异常用电用户正向有功值数据中，筛选出日计量的数据并带入公式(1)，经计算后得到第一特征值；筛选出小时计量的数据并带入公式(1)，经计算后得到第二特征值；

相关系数指标计算公式为：

其中，R表示相关系数指标；X_i表示馈线线损率数据；表示馈线线损率数据平均值；Y_i表示潜在异常用电用户正向有功数据；表示潜在异常用电用户正向有功数据平均值；n表示统计时间范围内的时间长度。

2.根据权利要求1所述的一种基于机器学习的中压配网用户用电异常诊断方法，其特征在于，所述对潜在异常用电用户数据进行数据预处理包括：采用线性插值方法对获得馈线及用户数据中的缺失值进行插值补全处理。

3.根据权利要求1所述的一种基于机器学习的中压配网用户用电异常诊断方法，其特征在于，所述第四特征值的计算方法为：

获取各潜在异常用电用户三相电流数据，取其一日内三相电流各相均值中最大值A_i，再取其一日内三相电流各相均值中最小值Z_i，特征值T_i的计算方式为：

4.根据权利要求1所述的一种基于机器学习的中压配网用户用电异常诊断方法，其特征在于，所述第五特征值的计算方法为：

从获得的潜在异常用电用户电压量测数据中，筛选出合适的数据并带入公式(3)，经计算后得到各潜在异常用电用户电压值与行业内电压均值之间的相关系数指标值，构成第五特征值；

相关系数指标计算公式为：

其中，r表示相关系数指标；x_i表示潜在异常用电用户电压数据；表示潜在异常用电用户电压数据平均值；y_i表示潜在异常用电用户对应行业内电压数据；表示潜在异常用电用户对应行业内电压数据平均值；N表示一日内电压数据数量。

5.根据权利要求1所述的一种基于机器学习的中压配网用户用电异常诊断方法，其特征在于，所述对数据集进行划分，训练人工智能模型，并试模型训练效果及模型调优，包括以下步骤：

对数据集按7：3进行划分，70％作为训练集训练人工智能模型，30％作为验证集测试模型训练效果及模型调优。

6.根据权利要求1所述的一种基于机器学习的中压配网用户用电异常诊断方法，其特征在于，所述采用机器学习中集成算法随机森林进行模型训练，并对训练好的模型进行模型评价方法为：

采用基尼系数作为随机森林中子CART树的划分评价标准，模型评价指标为精确度、查准率、查全率、F1分数以及ROC值。

7.根据权利要求1所述的一种基于机器学习的中压配网用户用电异常诊断方法，其特征在于，所述利用训练好的模型对实际配电网中的用电用户进行批量打标处理，包括以下步骤：

各项指标满足要求后，利用训练好的模型对实际中压配电网中用户进行自动化批量打标处理，即对各线路下中压配电网用户的线路及用户数据进行批量处理并计算所需特征值，送入模型进行计算，最终输出潜在异常用电用户的嫌疑系数标签。