CN114076841A - 基于用电信息数据的窃电行为识别方法及系统 - Google Patents
基于用电信息数据的窃电行为识别方法及系统 Download PDFInfo
- Publication number
- CN114076841A CN114076841A CN202111339517.XA CN202111339517A CN114076841A CN 114076841 A CN114076841 A CN 114076841A CN 202111339517 A CN202111339517 A CN 202111339517A CN 114076841 A CN114076841 A CN 114076841A
- Authority
- CN
- China
- Prior art keywords
- loss rate
- line loss
- day
- abnormal
- user
- 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.)
- Granted
Links
- 230000005611 electricity Effects 0.000 title claims abstract description 114
- 238000000034 method Methods 0.000 title claims abstract description 37
- 230000008859 change Effects 0.000 claims abstract description 114
- 230000002159 abnormal effect Effects 0.000 claims abstract description 91
- 239000013598 vector Substances 0.000 claims description 74
- 238000004458 analytical method Methods 0.000 abstract description 17
- 238000004364 calculation method Methods 0.000 abstract description 4
- 230000008569 process Effects 0.000 abstract description 3
- 230000008030 elimination Effects 0.000 abstract description 2
- 238000003379 elimination reaction Methods 0.000 abstract description 2
- 230000006399 behavior Effects 0.000 description 23
- 230000005856 abnormality Effects 0.000 description 16
- 230000000875 corresponding effect Effects 0.000 description 16
- 230000001360 synchronised effect Effects 0.000 description 4
- 238000007405 data analysis Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R11/00—Electromechanical arrangements for measuring time integral of electric power or current, e.g. of consumption
- G01R11/02—Constructional details
- G01R11/24—Arrangements for avoiding or indicating fraudulent use
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
Abstract
本发明公开了一种基于用电信息数据的窃电行为识别方法及系统,该方法包括:基于单元线损率曲线确定至少一个线损率异常日;基于所述至少一个线损率异常日查找与所述线损率异常关联的至少一个关联用户;基于预设时间段的所述关联用户的用电量变化趋势与单元线损率变化趋势的关系确定所述关联用户是否为窃电嫌疑用户。本发明通过三步排除法,层级缩减窃电行为识别过程的数据计算量和分析识别时间,极大提高了窃电行为识别的速度和识别准确率。
Description
技术领域
本发明涉及电力技术领域,具体涉及基于用电信息数据的窃电行为识别方法及系统。
背景技术
线损是在电能传输和营销过程中所产生的电能消耗和损失。线损综合反映了电网的规划设计、生产技术和运营管理水平,直接影响到企业的经济效益。其中,台区线损在电网总线损中占据了大头,是线损管理中最基础、最重要的工作内容。
窃电手段不断发展变化,方法层出不穷,传统反窃电手段难以主动、精准定位窃电点。为进一步提升电网企业反窃电工作效率,本发明提出一种窃电行为识别方法。
发明内容
针对上述现有技术存在的问题,本发明提供了一种基于用电信息数据的窃电行为识别方法及系统,旨在解决现有技术中窃电分析效率低、窃电点定位精准度低的问题。
第一方面,本发明实施例提供了一种基于用电信息数据的窃电行为识别方法,包括:
基于单元线损率曲线确定至少一个线损率异常日;
基于所述至少一个线损率异常日查找与所述线损率异常关联的至少一个关联用户;
基于预设时间段的所述关联用户的用电量变化趋势与单元线损率变化趋势的关系确定所述关联用户是否为窃电嫌疑用户。
作为优选,所述基于单元线损率曲线确定至少一个线损率异常日,包括:
基于当日的单元线损率数据以及当日之后的单元线损率增长数据确定所述当日是否为线损率异常日。
作为优选,所述基于所述至少一个线损率异常日查找与所述线损率异常关联的至少一个关联用户,包括:基于线损率异常日用户用电量变化与单元线损量变化的关联程度大小确定至少一个关联用户。
作为优选,所述基于所述至少一个线损率异常日查找与所述线损率异常关联的至少一个关联用户,包括:
获取所述至少一个线损率异常日的单元内所有用户的用电量变化特征,记为第一变化特征;
基于线损率异常日的单元线损量变化特征,记为第二变化特征;
分析第一变化特征和第二变化特征的关联程度,当所述关联程度符合预设条件时,获得至少一个关联用户。
作为优选,所述第一变化特征为线损率异常日t到线损率异常日第二天t+1的用户用电量第一变化量,所述第二变化特征为线损率异常日t到线损率异常日第二天t+1的单元线损量第二变化量;
所述分析第一变化特征和第二变化特征的关联程度,包括:基于所述第一变化特征与第二变化特征的比值大小确定第一变化特征和第二变化特征的关联程度。
作为优选,所述基于所述至少一个线损率异常日查找与所述线损率异常关联的至少一个关联用户,包括:
基于线损率异常日的用户用电量变化情况进行分类,获取与所述线损率异常关联的至少一个关联用户。
作为优选,所述基于所述至少一个线损率异常日查找与所述线损率异常关联的至少一个关联用户,包括:
基于单元内所有用户在线损率异常日的用电量数据变化向量,将每一向量预设邻域范围内的邻域向量个数记为所述向量的第一属性值,所述用户在线损率异常日的用电量数据变化向量基于用户在线损率异常日t的用电量和线损率异常日第二天t+1的用户用电量确定;
对于第一属性值非最大值的每个向量,将第一属性值大于所述向量的所有向量中与所述向量的距离的最小距离记为所述向量的第二属性值,对于第一属性值为最大值的向量,将第一属性值小于所述向量的所有向量中与所述向量的距离的最大距离记为所述向量的第二属性值;
基于每个向量的第一属性值和第二属性值确定所述向量对应的用户是否为关联用户。
作为优选,所述基于每个向量的第一属性值和第二属性值确定所述向量对应的用户是否为关联用户,包括:
基于每个向量的第二属性值和第一属性值的比值大小确定所述向量对应的用户为关联用户的概率大小。
作为优选,所述基于预设时间段的所述关联用户的用电量变化趋势与单元线损率变化趋势的关系确定所述关联用户是否为窃电嫌疑用户,包括:
将预设时间段的关联用户的日用电量数据和单元日线损率数据分别记为第一数据序列和第二数据序列;
基于皮尔逊系数获取第一数据序列和第二数据序列变化趋势的关联性,关联性在预设范围区间时确定第一数据序列对应的关联用户为窃电嫌疑用户。
第二方面,本发明实施例提供了基于用电信息数据的窃电行为识别系统,包括:
线损率异常日确定单元,用于基于单元线损率曲线确定至少一个线损率异常日;
关联用户确定单元,用于基于所述至少一个线损率异常日查找与所述线损率异常关联的至少一个关联用户;
窃电嫌疑用户确定单元,用于基于预设时间段的所述关联用户的用电量变化趋势与单元线损率变化趋势的关系确定所述关联用户是否为窃电嫌疑用户。
本发明的一种基于用电信息数据的窃电行为识别方法及系统,具备如下有益效果:在对单元线损率曲线分析的基础上,排除了其它日期的所有用电量数据分析,仅仅对线损率异常日的用电量数据进行分析,进一步在线损率异常日确定的基础了,确定导致该线损率异常日出现关联程度较大的关联用户,排除了对所有用户的一段时间的用电量变化进行计算分析,高效缩减了计算量,针对关联用户,进行预设时间段的用电量变化趋势分析,当在预设时间段内,关联用户的用电量变化趋势和单元线损率变化趋势耦合时,可以确定该关联用户为窃电嫌疑用户,且该关联用户可能发生了连续性窃电行为,当在预设时间段内,关联用户的用电量变化趋势和单元线损率变化趋势背驰时,可以确定该关联用户为窃电嫌疑用户,且该关联用户可能发生了间断性窃电行为,本发明通过三步排除法,层级缩减窃电行为识别过程的数据计算量和分析识别时间,极大提高了窃电行为识别的速度和识别准确率。
附图说明
图1是本发明实施例的基于用电信息数据的窃电行为识别方法的流程图;
图2是本发明实施例的基于用电信息数据的窃电行为识别系统的结构图;
图3是本发明实施例的某10kV线路的线损率数据曲线图;
图4是本发明实施例的关联用户用电量曲线与线损率数据曲线趋势分析图;
图5是本发明实施例的窃电用户的电能表窃电设备检测结果示意图。
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。
应当理解,当在本说明书和所附权利要求书中使用时,术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
本发明实施例提供的基于用电信息数据的窃电行为识别方法,包括:
基于单元线损率曲线确定至少一个线损率异常日;
基于所述至少一个线损率异常日查找与所述线损率异常关联的至少一个关联用户;
基于预设时间段的所述关联用户的用电量变化趋势与单元线损率变化趋势的关系确定所述关联用户是否为窃电嫌疑用户。
本发明实施例中,基于单元线损率曲线确定至少一个线损率异常日,其中单元线损率曲线的数据包括每日的单元线损率,单元可以为线路或台区等用户区域,在对单元线损率曲线分析的基础上,排除了其它日期的所有用电量数据分析,仅仅对线损率异常日的用电量数据进行分析,进一步在线损率异常日确定的基础了,确定导致该线损率异常日出现关联程度较大的关联用户,排除了对所有用户的一段时间的用电量变化进行计算分析,高效缩减了计算量,针对关联用户,进行预设时间段的用电量变化趋势分析,当在预设时间段内,关联用户的用电量变化趋势和单元线损率变化趋势耦合时,可以确定该关联用户为窃电嫌疑用户,且该关联用户可能发生了连续性窃电行为,当在预设时间段内,关联用户的用电量变化趋势和单元线损率变化趋势背驰时,可以确定该关联用户为窃电嫌疑用户,且该关联用户可能发生了间断性窃电行为。
本申请中采用了三步排除法,层级缩减窃电行为识别过程的数据计算量和分析识别时间,极大提高了窃电行为识别的速度和识别准确率。第一步,排除正常波动范围的单元线损率变化曲线,仅对波动程度大的单元线损率变化曲线进行分析,第二步,排除单元线损率变化曲线涉及的所有日期的用户用电量分析,仅针对确定的至少一个线损率异常日的用户用电量进行分析,第三步,排除单元线损率变化曲线涉及的单元内所有用户的用电量数据分析,仅针对确定的至少一个关联用户的用电量数据分析,基于该关联用户的用电量变化趋势与单元线损率变化趋势的比较结果,获取窃电嫌疑用户。)
进一步的,上述基于单元线损率曲线确定至少一个线损率异常日,包括:
基于当日的单元线损率数据以及当日之后的单元线损率增长数据确定所述当日是否为线损率异常日。
具体的,上述基于单元线损率曲线确定至少一个线损率异常日,包括:
获取同期系统中的单元线损率数据,将所述单元线损率数据输入预先训练完成的线损率异常分析模型,获取线损率异常日。
进一步的,上述线损率异常日的获取方法包括:
依次计算单元线损率曲线上日期t+1相比于日期t的单元线损率的增加量,将所述增加量、日期t+1的单元线损率、日期t的单元线损率输入预设的线损率异常分析模型,获取线损率异常日。
本发明实施例中,线损率异常分析模型确定在所述增加量为正值的情况下增加量的值是否属于异常波动值,若属于,则获取所述增加量对应的日期t为线损率异常日。
进一步的,上述通过所述线损率异常分析模型获取线损率异常日,包括:
基于日期t的单元线损率判断日期t的单元线损率数据是否合格;
在确定t日单元线损率数据合格的情况下,基于t日以及t日之前的历史单元线损率数据作为输入,通过预测单元预测t+1日单元线损率数据;
根据t+1日单元线损率数据预测数据和实际数据的差值确定目标损失参数;
在目标损失参数大于预设损失参数时,判断所述日期t+1相比于日期t的单元线损率的增加量是否大于单元线损率预设增长阈值,若是,则日期t为线损率异常日。
本发明实施例中,首先对每日的单元线损率数据该数据是否超出正常数据范围,确定每日的单元线损率数据是否合格,对单元线损率数据负值、超出正常数据区间的日期确定为线损率异常日,进一步,在t日单元线损率数据合格的情况下,基于预测单元预测t+1日单元线损率数据,判断t+1日单元线损率数据的理论值和实际值的差值,该差值若不大于目标损失参数,则确定t+1日单元线损率数据的理论值和实际值相符,t+1日单元线损率数据实际值相比于t日单元线损率数据属于正常波动趋势,该差值若大于目标损失参数而不大于单元线损率预设增长阈值,则确定t+1日单元线损率数据的理论值和实际值不相符,继而对t+1日单元线损率数据实际值相比于t日单元线损率数据的波动数据结合历史波动数据进行识别分析,判断该波动原因类型。该差值若大于单元线损率预设增长阈值,则确定t日为线损率异常日。本发明实施例基于预测单元的预测值和t+1日单元线损率数据实际数据的差值确定线损率异常日以及对未被判定线损率异常日的线损率波动情况进行分析,确定不同线损率波动原因,可以确定线损率波动是否是线路老化等非人为因素。
进一步的,上述通过所述线损率异常分析模型获取线损率异常日,还包括:
在目标损失参数不大于预设损失参数时,判定日期t不是线损率异常日;
在所述增加量不大于预设单元线损率增长阈值时,将历史相邻两日的增加量数据作为输入,通过识别单元提取输入数据特征识别单元线损率波动状态类型。
在一种实施方式中,基于所述至少一个线损率异常日查找与所述线损率异常关联的至少一个关联用户,包括:基于线损率异常日用户用电量变化与单元线损量变化的关联程度大小确定至少一个关联用户。
具体的,上述基于所述至少一个线损率异常日查找与所述线损率异常关联的至少一个关联用户,包括:
获取所述至少一个线损率异常日的单元内所有用户的用电量变化特征,记为第一变化特征;
基于线损率异常日的单元线损量变化特征,记为第二变化特征;
分析第一变化特征和第二变化特征的关联程度,当所述关联程度符合预设条件时,获得至少一个关联用户。
本发明实施例中,对于线损率异常日,确定与该线损率异常日发生的用电异常现象具有关联关系的用户用电量数据,在一种实施例中,在线损率异常日所有用户的用电量变化中,确定对该日单元线损量变化影响较大的多个用户用电量变化,该影响较大的多个用户用电量变化对应的用户即为关联用户。当第一变化特征的取值会较大程度影响第二变化特征的取值时,即用户的用电量变化值较大时,单元线损量变化也较大,则说明用户用电量变化对日单元线损量变化影响较大。
进一步的,上述第一变化特征为线损率异常日t到线损率异常日第二天t+1的用户用电量第一变化量,所述第二变化特征为线损率异常日t到线损率异常日第二天t+1的单元线损量第二变化量;
所述分析第一变化特征和第二变化特征的关联程度,包括:基于所述第一变化特征与第二变化特征的比值大小确定第一变化特征和第二变化特征的关联程度。
本发明实施例中,第一变化特征为线损率异常日后用户用电量的第一变化量,第二变化特征为线损率异常日后单元线损量的第二变化量,基于该第一变化量与第二变化量的比值大小,确定对线损率异常日单元线损量变化影响较大的多个用户用电量变化,即获得关联用户,其中,第一变化量与第二变化量的比值越大,表征用户用电量变化对线损率异常日单元线损量变化影响越大。
在一种实施方式中,上述基于所述至少一个线损率异常日查找与所述线损率异常关联的至少一个关联用户,包括:
基于线损率异常日的用户用电量变化情况进行分类,获取与所述线损率异常关联的至少一个关联用户。
本发明实施例中,对于关联用户的确定,通过对线损率异常日当天所有的用户的用电量变化情况进行分析识别确定,具体的,通过对多个用户的用电量变化进行分类,考虑到在单元内的所有用户中,关联用户远少于正常用户,对多个用户的用电量变化进行分类后,其中包含用户数量较少的类别中用户的或者孤立点对应的用户可能为关联用户。
进一步的,上述基于所述至少一个线损率异常日查找与所述线损率异常关联的至少一个关联用户,包括:
基于单元内所有用户在线损率异常日的用电量数据变化向量,将每一向量预设邻域范围内的邻域向量个数记为所述向量的第一属性值,所述用户在线损率异常日的用电量数据变化向量基于用户在线损率异常日t的用电量和线损率异常日第二天t+1的用户用电量确定;
对于第一属性值非最大值的每个向量,将第一属性值大于所述向量的所有向量中与所述向量的距离的最小距离记为所述向量的第二属性值,对于第一属性值为最大值的向量,将第一属性值小于所述向量的所有向量中与所述向量的距离的最大距离记为所述向量的第二属性值;
基于每个向量的第一属性值和第二属性值确定所述向量对应的用户是否为关联用户。
具体的,第一属性值表征向量的邻域内的向量分布集中程度,对于正常用户来说,其在线损率异常日的用电量数据变化向量是相似的,所以正常用户线损率异常日的用电量数据变化向量是比较集中分布的,用户的用电量数据变化向量的第一属性值越大,表明该用户为正常用户的可能越大,第二属性值表征向量的孤立程度,单元内所有用户中关联用户远少于正常用户,关联用户孤立分布的可能性较大,若用户的用电量数据变化向量的第一属性值越小同时第二属性值越大,表明该用户为关联用户的可能越大。
进一步的,上述基于每个向量的第一属性值和第二属性值确定所述向量对应的用户是否为关联用户,包括:
基于每个向量的第二属性值和第一属性值的比值大小确定所述向量对应的用户为关联用户的概率大小。
该第二属性值和第一属性值的比值越大,所述向量对应的用户为关联用户的可能性越大。
在一种实施例中,可以同时基于所述第一变化量与第二变化量的比值大小确定第一变化特征和第二变化特征的关联程度,并基于每个向量的第二属性值和第一属性值的比值大小确定所述向量对应的用户为关联用户的概率大小,基于两种方法确定的关联用户进行合并分析,确定最终的关联用户,通过两种方法共同确定关联用户,提高了关联用户筛选检测的有效性,上述基于两种方法确定的关联用户进行合并分析,可以是取两种方法确定的关联用户的并集,在该合并过程中,先基于第一变化量与第二变化量的比值大小在大于第一预设值范围获取第一关联用户集,基于每个向量的第二属性值和第一属性值的比值大小在大于第二预设值范围获取第二关联用户集,基于第一关联用户集和第二关联用户集的并集确定最终的关联用户,也可以是基于两种方法各自确定每个用户为关联用户的可能性,再对两种方法得到的可能性进行加权融合,确定融合可能性较大的用户为最终关联用户。
在一种实施例中,上述基于预设时间段的所述关联用户的用电量变化趋势与单元线损率变化趋势的关系确定所述关联用户是否为窃电嫌疑用户,包括:
将预设时间段的关联用户的日用电量数据和单元日线损率数据分别记为第一数据序列和第二数据序列;
基于皮尔逊系数获取第一数据序列和第二数据序列变化趋势的关联性,关联性在预设范围区间时确定第一数据序列对应的关联用户为窃电嫌疑用户。
本发明实施例中,所述预设时间段为包含线损率异常日t的预设数量日,在同期系统中,获取同一时期的第一数据序列和第二数据序列,分析其变化趋势关联性,若具有正相关性或者负相关性,则确定第一数据序列对应的关联用户为窃电嫌疑用户。
进一步的,上述预设范围区间包括不同子区间;
在确定所述关联用户是否为窃电嫌疑用户之后,还包括:
对于窃电嫌疑用户,根据对应的第一数据序列与第二数据序列变化趋势的关联性所属子区间,确定窃电嫌疑用户的窃电行为类别。
具体的,根据第一数据序列与第二数据序列变化趋势的关联性所属子区间,当该关联性在第一子区间,则确定窃电嫌疑用户的窃电行为类别为连续性窃电,当该关联性在第二子区间,则确定窃电嫌疑用户的窃电行为类别为间断性窃电,其中第一子区间大于第二子区间。
本发明实施例中还提供了一种基于用电信息数据的窃电行为识别系统,包括:
线损率异常日确定单元,用于基于单元线损率曲线确定至少一个线损率异常日;
关联用户确定单元,用于基于所述至少一个线损率异常日查找与所述线损率异常关联的至少一个关联用户;
窃电嫌疑用户确定单元,用于基于预设时间段的所述关联用户的用电量变化趋势与单元线损率变化趋势的关系确定所述关联用户是否为窃电嫌疑用户。
关于基于用电信息数据的窃电行为识别系统的具体限定可以参见上文中对于基于用电信息数据的窃电行为识别方法的限定,在此不再赘述。上述基于用电信息数据的窃电行为识别系统中的各个单元可全部或部分通过软件、硬件及其组合来实现。上述各单元可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个单元对应的操作。
下面对本发明的具体实施方案做进一步说明,具体实施步骤如下:
基于同期系统分析某10kV线路2019年11月线损率数据,如图3所示,确定11月线损率波动较大;
基于该11月线损率数据曲线,查找曲线明显突增点即拐点,获取2个拐点;
根据同期系统调取线路下拐点日连续两天公专变用户电量明细,并分别计算2个拐点日的每个用户的上述第一变化特征与第二变化特征的比值大小,初步锁定比值较大的2户作为关联用户;
对关联用户连续19天(同期系统展示19天数据)电量,绘制日电量曲线图,如图4所示;
根据2个用户的用电量曲线图趋势和单位线损率曲线图趋势的关联性分析,确定用户1为窃电嫌疑用户,并且为连续性窃电;
通过窃电嫌疑用户的电能表进行检测分析,发现该电能表通过强磁铁吸附在表箱后部对电能表进行干扰,电能表无法正常计量,确定该用户发生窃电行为,通过将该强磁干扰设备送检,确定该强磁干扰设备造成了电流窃电,使得电能表计量的电流数据小于实际的电流数据,如图5所示。
本发明不局限于上述具体的实施方式,本领域的普通技术人员从上述构思出发,不经过创造性的劳动,所做出的种种变换,均落在本发明的保护范围之内。
Claims (10)
1.基于用电信息数据的窃电行为识别方法,其特征在于,包括:
基于单元线损率曲线确定至少一个线损率异常日;
基于所述至少一个线损率异常日查找与所述线损率异常关联的至少一个关联用户;
基于预设时间段的所述关联用户的用电量变化趋势与单元线损率变化趋势的关系确定所述关联用户是否为窃电嫌疑用户。
2.根据权利要求1所述的基于用电信息数据的窃电行为识别方法,其特征在于,所述基于单元线损率曲线确定至少一个线损率异常日,包括:
基于当日的单元线损率数据以及当日之后的单元线损率增长数据确定所述当日是否为线损率异常日。
3.根据权利要求1所述的基于用电信息数据的窃电行为识别方法,其特征在于,所述基于所述至少一个线损率异常日查找与所述线损率异常关联的至少一个关联用户,包括:基于线损率异常日用户用电量变化与单元线损量变化的关联程度大小确定至少一个关联用户。
4.根据权利要求3所述的基于用电信息数据的窃电行为识别方法,其特征在于,所述基于所述至少一个线损率异常日查找与所述线损率异常关联的至少一个关联用户,包括:
获取所述至少一个线损率异常日的单元内所有用户的用电量变化特征,记为第一变化特征;
基于线损率异常日的单元线损量变化特征,记为第二变化特征;
分析第一变化特征和第二变化特征的关联程度,当所述关联程度符合预设条件时,获得至少一个关联用户。
5.根据权利要求4所述的基于用电信息数据的窃电行为识别方法,其特征在于,所述第一变化特征为线损率异常日t到线损率异常日第二天t+1的用户用电量第一变化量,所述第二变化特征为线损率异常日t到线损率异常日第二天t+1的单元线损量第二变化量;
所述分析第一变化特征和第二变化特征的关联程度,包括:基于所述第一变化特征与第二变化特征的比值大小确定第一变化特征和第二变化特征的关联程度。
6.根据权利要求1所述的基于用电信息数据的窃电行为识别方法,其特征在于,所述基于所述至少一个线损率异常日查找与所述线损率异常关联的至少一个关联用户,包括:
基于线损率异常日的用户用电量变化情况进行分类,获取与所述线损率异常关联的至少一个关联用户。
7.根据权利要求6所述的基于用电信息数据的窃电行为识别方法,其特征在于,所述基于所述至少一个线损率异常日查找与所述线损率异常关联的至少一个关联用户,包括:
基于单元内所有用户在线损率异常日的用电量数据变化向量,将每一向量预设邻域范围内的邻域向量个数记为所述向量的第一属性值,所述用户在线损率异常日的用电量数据变化向量基于用户在线损率异常日t的用电量和线损率异常日第二天t+1的用户用电量确定;
对于第一属性值非最大值的每个向量,将第一属性值大于所述向量的所有向量中与所述向量的距离的最小距离记为所述向量的第二属性值,对于第一属性值为最大值的向量,将第一属性值小于所述向量的所有向量中与所述向量的距离的最大距离记为所述向量的第二属性值;
基于每个向量的第一属性值和第二属性值确定所述向量对应的用户是否为关联用户。
8.根据权利要求7所述的基于用电信息数据的窃电行为识别方法,其特征在于,所述基于每个向量的第一属性值和第二属性值确定所述向量对应的用户是否为关联用户,包括:
基于每个向量的第二属性值和第一属性值的比值大小确定所述向量对应的用户为关联用户的概率大小。
9.根据权利要求1所述的基于用电信息数据的窃电行为识别方法,其特征在于,所述基于预设时间段的所述关联用户的用电量变化趋势与单元线损率变化趋势的关系确定所述关联用户是否为窃电嫌疑用户,包括:
将预设时间段的关联用户的日用电量数据和单元日线损率数据分别记为第一数据序列和第二数据序列;
基于皮尔逊系数获取第一数据序列和第二数据序列变化趋势的关联性,关联性在预设范围区间时确定第一数据序列对应的关联用户为窃电嫌疑用户。
10.基于用电信息数据的窃电行为识别系统,其特征在于,包括:
线损率异常日确定单元,用于基于单元线损率曲线确定至少一个线损率异常日;
关联用户确定单元,用于基于所述至少一个线损率异常日查找与所述线损率异常关联的至少一个关联用户;
窃电嫌疑用户确定单元,用于基于预设时间段的所述关联用户的用电量变化趋势与单元线损率变化趋势的关系确定所述关联用户是否为窃电嫌疑用户。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111339517.XA CN114076841B (zh) | 2021-11-12 | 2021-11-12 | 基于用电信息数据的窃电行为识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111339517.XA CN114076841B (zh) | 2021-11-12 | 2021-11-12 | 基于用电信息数据的窃电行为识别方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114076841A true CN114076841A (zh) | 2022-02-22 |
CN114076841B CN114076841B (zh) | 2024-05-07 |
Family
ID=80283807
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111339517.XA Active CN114076841B (zh) | 2021-11-12 | 2021-11-12 | 基于用电信息数据的窃电行为识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114076841B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115423250A (zh) * | 2022-07-28 | 2022-12-02 | 国网浙江省电力有限公司营销服务中心 | 一种台区户变关系分析方法 |
CN116757443A (zh) * | 2023-08-11 | 2023-09-15 | 北京国电通网络技术有限公司 | 新型配电网电力线损率预测方法、装置、电子设备和介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107742127A (zh) * | 2017-10-19 | 2018-02-27 | 国网辽宁省电力有限公司 | 一种改进的防窃电智能预警系统及方法 |
CN108256559A (zh) * | 2017-12-27 | 2018-07-06 | 国网河南省电力公司电力科学研究院 | 一种基于局部离群点因子的低压窃电用户定位方法 |
JP2020041997A (ja) * | 2018-09-14 | 2020-03-19 | 三菱電機株式会社 | 電子式電力量計 |
CN112257013A (zh) * | 2020-10-19 | 2021-01-22 | 长沙理工大学 | 高损台区基于动态时间弯曲算法的窃电用户识别定位方法 |
CN112462133A (zh) * | 2020-11-06 | 2021-03-09 | 国网江苏省电力有限公司营销服务中心 | 一种高压用户私换互感器窃电判别方法 |
CN113094884A (zh) * | 2021-03-31 | 2021-07-09 | 天津大学 | 基于三层递进式分析模型的配电网用户窃电行为诊断方法 |
-
2021
- 2021-11-12 CN CN202111339517.XA patent/CN114076841B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107742127A (zh) * | 2017-10-19 | 2018-02-27 | 国网辽宁省电力有限公司 | 一种改进的防窃电智能预警系统及方法 |
CN108256559A (zh) * | 2017-12-27 | 2018-07-06 | 国网河南省电力公司电力科学研究院 | 一种基于局部离群点因子的低压窃电用户定位方法 |
JP2020041997A (ja) * | 2018-09-14 | 2020-03-19 | 三菱電機株式会社 | 電子式電力量計 |
CN112257013A (zh) * | 2020-10-19 | 2021-01-22 | 长沙理工大学 | 高损台区基于动态时间弯曲算法的窃电用户识别定位方法 |
CN112462133A (zh) * | 2020-11-06 | 2021-03-09 | 国网江苏省电力有限公司营销服务中心 | 一种高压用户私换互感器窃电判别方法 |
CN113094884A (zh) * | 2021-03-31 | 2021-07-09 | 天津大学 | 基于三层递进式分析模型的配电网用户窃电行为诊断方法 |
Non-Patent Citations (1)
Title |
---|
熊欣: "基于同期线损系统K值的三步式窃电用户定位法", 《农村电气化》, pages 72 - 73 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115423250A (zh) * | 2022-07-28 | 2022-12-02 | 国网浙江省电力有限公司营销服务中心 | 一种台区户变关系分析方法 |
CN116757443A (zh) * | 2023-08-11 | 2023-09-15 | 北京国电通网络技术有限公司 | 新型配电网电力线损率预测方法、装置、电子设备和介质 |
CN116757443B (zh) * | 2023-08-11 | 2023-10-27 | 北京国电通网络技术有限公司 | 新型配电网电力线损率预测方法、装置、电子设备和介质 |
Also Published As
Publication number | Publication date |
---|---|
CN114076841B (zh) | 2024-05-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110826648B (zh) | 一种利用时序聚类算法实现故障检测的方法 | |
CN114076841A (zh) | 基于用电信息数据的窃电行为识别方法及系统 | |
CN111985824A (zh) | 一种智能电表箱的非侵入式负荷监测方法及其监测设备 | |
CN114386537B (zh) | 基于CatBoost的锂电池故障诊断方法、装置及电子设备 | |
CN111796957B (zh) | 基于应用日志的交易异常根因分析方法及系统 | |
CN108198408B (zh) | 一种基于用电信息采集系统的自适应反窃电监控方法及系统 | |
CN116976707B (zh) | 基于用电信息采集的用户用电数据异常分析方法及系统 | |
CN111191671A (zh) | 一种用电器波形检测方法、系统、电子设备及存储介质 | |
CN111414528B (zh) | 确定设备标识的方法、装置、存储介质及电子设备 | |
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 | |
CN111784042A (zh) | 一种用电节点安全风险预测方法、装置及存储介质 | |
CN116629686A (zh) | 一种评估企业能耗数据的方法及装置 | |
CN116561569A (zh) | 一种基于EO特征选择结合AdaBoost算法的工业电力负荷辨识方法 | |
CN113809365B (zh) | 氢燃料电池系统电压衰减的确定方法、系统及电子设备 | |
CN117647697B (zh) | 一种基于知识图谱的电力计量流水线故障定位方法及系统 | |
CN117875945B (zh) | 一种电网设备维修预测方法、系统和介质 | |
CN117745123A (zh) | 一种基于多维特征的变电站电压暂降综合评估方法和装置 | |
CN117828364A (zh) | 还原度确定方法、装置、设备及存储介质 | |
CN117454174A (zh) | 异常检测模型训练、数据检测方法、装置、设备及介质 | |
CN117114252A (zh) | 一种基于物联网的综合能源智慧管理方法 | |
CN117455067A (zh) | 一种电量消耗预测方法、装置、电子设备及存储介质 | |
CN116992364A (zh) | 一种基于智能电表数据的电力损失监督学习分析系统 | |
CN117851853A (zh) | 一种窃电用户定位方法、装置、设备及存储介质 | |
CN117688499A (zh) | 一种多指标异常检测方法、装置、电子设备和存储介质 | |
CN115861267A (zh) | 一种设备故障确定方法、装置、电子设备及存储介质 |
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 |