CN115146914A - 窃电行为的确定方法及装置 - Google Patents

窃电行为的确定方法及装置 Download PDF

Info

Publication number
CN115146914A
CN115146914A CN202210576324.4A CN202210576324A CN115146914A CN 115146914 A CN115146914 A CN 115146914A CN 202210576324 A CN202210576324 A CN 202210576324A CN 115146914 A CN115146914 A CN 115146914A
Authority
CN
China
Prior art keywords
characteristic data
electrical characteristic
target
electricity stealing
stealing behavior
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
CN202210576324.4A
Other languages
English (en)
Inventor
羨慧竹
迟源
赵成
段大鹏
宋玮琼
仝霞
解进军
吕凤鸣
宋威
李雪城
芦忆娜
王芳
冯义
迟中军
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 Grid Corp of China SGCC
State Grid Beijing Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
State Grid Beijing Electric Power 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 State Grid Corp of China SGCC, State Grid Beijing Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN202210576324.4A priority Critical patent/CN115146914A/zh
Publication of CN115146914A publication Critical patent/CN115146914A/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
    • 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
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble 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
    • 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)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Development Economics (AREA)
  • Software Systems (AREA)
  • Educational Administration (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Public Health (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Operations Research (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Artificial Intelligence (AREA)
  • Quality & Reliability (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Game Theory and Decision Science (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请公开了一种窃电行为的确定方法及装置。其中，该方法包括：采集目标对象的电气特征数据，得到目标电气特征数据集合；以所述目标对象是否存在窃电行为作为目标层，所述目标对象的窃电嫌疑程度作为方案层，所述目标电气特征数据集合中的各项电气特征数据作为参量层构建窃电行为层次分析法结构；利用所述窃电行为层次分析法结构确定所述目标对象是否存在窃电行为。本申请解决了用电异常监测效率低的技术问题。

Description

窃电行为的确定方法及装置
技术领域
本申请涉及电力监测领域，具体而言，涉及一种窃电行为的确定方法及装置。
背景技术
当检测到用户存在用电异常行为时，很难确定该用户是否存在窃电行为，因为用电异常也可能是由线路故障、计量电能表自然损坏、供电系统故障等因素引起的。目前的计量自动化系统己具备简单的用电异常行为分析，但仅靠用电异常来直接判定是否窃电是不可取的，如果每次监测到用电异常，就执行一次实地勘察验证的工作，这样操作会对过量占用电力人工资源。
针对上述的问题，目前尚未提出有效的解决方案。
发明内容
本申请实施例提供了一种窃电行为的确定方法及装置，以至少解决用电异常监测效率低的技术问题。
根据本申请实施例的一个方面，提供了一种窃电行为的确定方法，包括：采集目标对象的电气特征数据，得到目标电气特征数据集合；以所述目标对象是否存在窃电行为作为目标层，所述目标对象的窃电嫌疑程度作为方案层，所述目标电气特征数据集合中的各项电气特征数据作为参量层构建窃电行为层次分析法结构；利用所述窃电行为层次分析法结构确定所述目标对象是否存在窃电行为。
可选地，利用所述窃电行为层次分析法结构确定所述目标对象是否存在窃电行为，包括：将所述目标数据集合中的各项目标电气特征数据的权重差异量化成为多个等级标度；根据所述等级标度对所述各项目标电气特征数据的权重进行两两比较得到所述各项目标电气特征数据的的相对权重，以构建权重判断矩阵，其中，所述权重判断矩阵的元素为所述各项目标电气特征数据的相对权重；将所述权重判断矩阵的多个特征值中绝对值最大的特征值确定为最大特征值并获取所述最大特征值对应的特征向量；在所述判断矩阵一致性对应的值小于设定阈值的情况下，将所述判断矩阵与由所述特征向量构成的权向量矩阵相乘，得到目标分值；根据所述目标分值，确定所述目标对象是否存在窃电行为的第一结果。
可选地，将所述目标数据集合中的各项目标电气特征数据的权重差异量化成为多个等级标度，包括：将所述目标电气特征数据集合中的线损率的权重设为最高等级标度；将所述目标电气特征数据集合中的电压相对于电流和功率的权重设为大于最小等级标度且小于最大等级标度；将所述目标电气特征数据集合集合中的电量的权重设为最小等级标度。
可选地，在采集目标对象的电气特征数据，得到目标电气特征数据集合之前，所述方法还包括：判断所述目标对象的电气特征数据对应的数值是否高于设定阈值；在所述目标对象的电气特征数据对应的数值高于设定阈值的情况下，采集目标对象的电气特征数据，得到目标电气特征数据集合。
可选地，在根据所述目标分值，确定所述目标对象是否存在窃电行为之后，所述方法还包括：利用预先构建的集成学习模型对所述目标电气特征数据集合中的各项目标电气特征数据进行检测得到窃电行为检测结果，并将所述窃电行为检测结果作为第二结果，所述窃电行为检测结果用于表示所述目标对象是否存在窃电行为，其中所述集成学习模型包括决策树算法模型、临近算法模型和梯度提升决策树算法模型；将所述第一结果和所述第二结果进行比较，在所述第一结果和所述第二结果一致的情况下，根据所述第一结果确定所述目标对象的窃电行为进行确定。
可选地，利用预先构建的集成学习模型对所述目标电气特征数据集合进行检测得到窃电行为检测结果，包括：将所述目标电气特征数据集合中的各项目标电气特征数据分别输入到所述集成学习模型中的多个个体学习模型中，得到多个概率结果；将所述多个概率结果中均值最高的作为所述第二结果，所述概率结果用于表示存在窃电行为的概率。
可选地，所述多个个体学习模型通过以下方式训练得到，包括：获取训练数据集，其中，所述训练数据集包括：为历史电气特征数据以及与所述历史电气特征数据上标记的窃电行为标签；基于所述训练数据集训练神经网络模型，生成所述个体学习模型。
根据本申请实施例的另一方面，还提供了一种窃电行为的确定装置，包括：采集模块，用于采集目标对象的电气特征数据，得到目标电气特征数据集合；构建模块，用于以所述目标对象是否存在窃电行为作为目标层，所述目标对象的窃电嫌疑程度作为方案层，所述目标电气特征数据集合中的各项电气特征数据作为参量层构建窃电行为层次分析法结构；确定模块，用于利用所述窃电行为层次分析法结构确定所述目标对象是否存在窃电行为。
根据本申请实施例的再一方面，还提供了一种非易失性存储介质，所述非易失性存储介质包括存储的程序，其中，在所述程序运行时控制所述非易失性存储介质所在设备执行上述窃电行为的确定方法。
根据本申请实施例的再一方面，还提供了一种电子设备，包括存储器和处理器；所述处理器用于运行程序，其中，所述程序运行时执行上述窃电行为的确定方法。
在本申请实施例中，采用采集目标对象的电气特征数据，得到目标电气特征数据集合；以所述目标对象是否存在窃电行为作为目标层，所述目标对象的窃电嫌疑程度作为方案层，所述目标电气特征数据集合中的各项电气特征数据作为参量层构建窃电行为层次分析法结构；利用所述窃电行为层次分析法结构确定所述目标对象是否存在窃电行为的方式，通过采集到的目标电气特征数据进行层次分析法进行分析决策，以判断目标对象是否存在窃电行为，达到了快速且准确的确认窃电行为的目的，从而实现了提高用电异常监测效率的技术效果，进而解决了用电异常监测效率低技术问题。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1是根据本申请实施例的一种窃电行为的确定方法的流程图；
图2是根据本申请实施例的一种可选的窃电行为的确定装置的示意图；
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请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申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，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，都应当属于本申请保护的范围。
需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
根据本申请实施例，提供了一种窃电行为的确定方法的方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
图1是根据本申请实施例的窃电行为的确定方法，如图1所示，该方法包括如下步骤：
步骤S102，采集目标对象的电气特征数据，得到目标电气特征数据集合；
步骤S104，以所述目标对象是否存在窃电行为作为目标层，所述目标对象的窃电嫌疑程度作为方案层，所述目标电气特征数据集合中的各项电气特征数据作为参量层构建窃电行为层次分析法结构；
步骤S106，利用所述窃电行为层次分析法结构确定所述目标对象是否存在窃电行为。
通过上述步骤，可以实现利用采集到的目标电气特征数据进行层次分析法进行分析决策，以判断目标对象是否存在窃电行为，达到了快速且准确的确认窃电行为的目的，从而实现了提高用电异常监测效率的技术效果，进而解决了用电异常监测效率低技术问题。从而高效的区分用电异常与真实窃电之间的差别。
在步骤S106中，通过以下方式确定目标对象是否存在窃电行为：
将所述目标数据集合中的各项目标电气特征数据的权重差异量化成为多个等级标度；根据所述等级标度对所述各项目标电气特征数据的权重进行两两比较得到所述各项目标电气特征数据的的相对权重，以构建权重判断矩阵，其中，所述权重判断矩阵的元素为所述各项目标电气特征数据的相对权重；将所述权重判断矩阵的多个特征值中绝对值最大的特征值确定为最大特征值并获取所述最大特征值对应的特征向量；在所述判断矩阵一致性对应的值小于设定阈值的情况下，将所述判断矩阵与由所述特征向量构成的权向量矩阵相乘，得到目标分值；根据所述目标分值，确定所述目标对象是否存在窃电行为的第一结果。
需要进行说明的是，上述各项目标电气特征数据包括但不限于线损率、电压、功率、电流和电量。可以理解的是，多个等级标度包括但不限于层次分析法中的1至9个等级标度，其中，1表示两个元素相比具有相同的重要性；3表示两个元素相比，前者比后者稍重要；5表示两个元素相比，前者比后者明显重要；7表示两个元素相比，前者比后者强烈重要；9表示两个元素相比，前者比后者极端重要。若元素i与元素j的重要性之比为aij，则元素j与元素i的重要性之比为1/aij，例如：线损率与电量的重要性之比为9，则电量与线损率的重要性之比为1/9。
在本申请的一些实施例中，将所述目标电气特征数据集合中的线损率的权重设为最高等级标度；将所述目标电气特征数据集合中的电压相对于电流和功率的权重设为大于最小等级标度且小于最大等级标度；将所述目标电气特征数据集合集合中的电量的权重设为最小等级标度。
具体的，线损在用电异常检测与分类模型中作为全局约束条件，故最能诠释其窃电的嫌疑，即线损的重要性比其他电气特征参量要高，对应行的权重最大；虽然电流、电压、功率因素在预测窃电嫌疑中都起到较为重要的作用，但功率因素与电压因为客观原因的存在，存在一定的波动属于正常范畴，故二者与电压相比，重要性较低；而由于电量会受到气候、季节、节假日等因素的影响，并不会单单因为窃电行为所改变，所以通过电量来预测窃电嫌疑的权重应当最小。
得到各项目标电气特征数据的的相对权重后，可以建立权重判断矩阵，如表1所示：
Z 线损率 电压 功率 电流 电量
线损率 1 5 9 9 9
电压 1/5 1 5 5 7
功率 1/9 1/5 1 1 3
电流 1/9 1/5 1 1 3
电量 1/9 1/7 1/3 1/3 1
表1各项目标电气特征数据的相对权重
在本申请的一些实施例中，在采集目标对象的电气特征数据，得到目标电气特征数据集合之前，所述方法还包括：判断所述目标对象的电气特征数据对应的数值是否高于设定阈值；所述目标对象的电气特征数据对应的数值高于设定阈值的情况下，采集目标对象的电气特征数据，得到目标电气特征数据集合。
在一些可选的方式中，在所述权重判断矩阵一致性对应的值小于设定阈值的情况下，将所述判断矩阵与由所述特征向量构成的权向量矩阵相乘，得到目标分值，例如权重判断矩阵一致性对应的值为0.07小于设定阈值0.1的情况下，确定权重判断矩阵满足一致性要求。
在本申请的一些实施例中，计算出的目标对象存在窃电行为的分值为0.562，而目标对象不存在窃电行为的分值为0.476，则确定目标对象存在窃电行为作为检测的第一结果。
本申请的一些实施例中，在根据所述目标分值，确定所述目标对象是否存在窃电行为之后，所述方法还包括：利用预先构建的集成学习模型对所述目标电气特征数据集合中的各项目标电气特征数据进行检测得到窃电行为检测结果，并将所述窃电行为检测结果作为第二结果，所述窃电行为检测结果用于表示所述目标对象是否存在窃电行为，其中所述集成学习模型包括决策树算法模型、临近算法模型和梯度提升决策树算法模型；将所述第一结果和所述第二结果进行比较，在所述第一结果和所述第二结果一致的情况下，根据所述第一结果确定所述目标对象的窃电行为进行确定。
需要进行说明的是，上述集成学习模型可以是voting Classifier(投票分类器)模型，该模型是一种集成学习模型，就是通过构建并结合多个学习器来完成学习任务，一般是先产生一组“个体学习器”，再用某种策略将它们结合起来。投票法是集成学习里面针对分类问题的一种结果结合策略。基本思想是选择所有机器学习算法当中输出最多的那个类。
在本申请的一些实施例中，利用预先构建的集成学习模型对所述目标电气特征数据集合进行检测得到窃电行为检测结果，包括：将所述目标电气特征数据集合中的各项目标电气特征数据分别输入到所述集成学习模型中的多个个体学习模型中，得到多个概率结果；将所述多个概率结果中均值最高的作为所述第二结果，所述概率结果用于表示存在窃电行为的概率。在一些可选的方式中，个体学习模型通过以下方式训练得到，包括：获取训练数据集，其中，所述训练数据集包括：为历史电气特征数据以及与所述历史电气特征数据上标记的窃电行为标签；基于所述训练数据集训练神经网络模型，生成所述个体学习模型。
具体的，选择三个个体学习器CART、KNN、GBDT作为集成学习模型中的子模型，首先使用三种个体学习器来分别对异常用户的窃电概率进行识别，这三个个体学习器会根据识别情况得到不同的识别结果，再根据Soft Voting(软投票)模式，三个模型输入目标对象的目标电气特征数据集合，输出窃电概率结果，模型的训练集为历史窃电行为数据和历史电气特征数据，依照上述三种个体学习器得出的概率结果，采用取平均值的形式对三种个体学习器的预测结果分别取平均值，最后选择三个结果中均值最高的作为预测结果。
需要进行说明的是，CART(Classification and RegressionTrees,分类与回归树)算法：是一种二分递归分割技术，把当前样本划分为两个子样本，使得生成的每个非叶子节点都有两个分支，因此，CART算法生成的决策树是结构简洁的二叉树。该算法是将当前的样本集也就是获取的训练数据集，分为两个样本子集，这样做就使得每一个非叶子节点最多只有两个分支。因此，使用CART算法所建立的决策树是一棵二叉树，树的结构简单，与其它决策树算法相比，由该算法生成的决策树模型分类规则较少。对训练样本集进行递归划分自变量空间，并依次建立决策树模型，然后采用验证数据的方法进行树枝修剪，从而得到一颗符合要求的决策树分类模型。
KNN(K-Nearest Neighbor,K最近邻)算法，是当预测一个新的值x也就是是否存在窃电行为的时候，根据它距离最近的K个点是什么类别来判断x属于哪个类别。主要是进行K值的选取和点距离的计算。要度量空间中点距离的话，有好几种度量方式，比如常见的曼哈顿距离计算，欧式距离计算等等。不过通常KNN算法中使用的是欧式距离。而对于K值的选取，主要是通过交叉验证(将样本数据按照一定比例，拆分出训练用的数据和验证用的数据，例如6：4拆分出部分训练数据和验证数据)，从选取一个较小的K值开始，不断增加K的值，然后计算验证集合的方差，最终找到一个比较合适的K值。
GBDT(Gradient Boosting Decision Tree，梯度决策提升树)是一系列回归树(CART)的算法组合，后一颗树拟合之前预测结果与目标的“残差”。
最后采用集成投票的方式得到目标对象存在窃电行为的概率，确定目标对象是否存在窃电行为，并输出该结果为第二结果。
根据本申请实施例的另一方面，还提供了一种窃电行为的确定装置，如图2所示，包括：采集模块20，用于采集目标对象的电气特征数据，得到目标电气特征数据集合；构建模块22，用于以所述目标对象是否存在窃电行为作为目标层，所述目标对象的窃电嫌疑程度作为方案层，所述目标电气特征数据集合中的各项电气特征数据作为参量层构建窃电行为层次分析法结构；确定模块24，用于利用所述窃电行为层次分析法结构确定所述目标对象是否存在窃电行为。
其中，确定模块24包括：结果确定子模块；结果确定子模块用于将所述目标数据集合中的各项目标电气特征数据的权重差异量化成为多个等级标度；根据所述等级标度对所述各项目标电气特征数据的权重进行两两比较得到所述各项目标电气特征数据的的相对权重，以构建权重判断矩阵，其中，所述权重判断矩阵的元素为所述各项目标电气特征数据的相对权重；将所述权重判断矩阵的多个特征值中绝对值最大的特征值确定为最大特征值并获取所述最大特征值对应的特征向量；在所述权重判断矩阵一致性对应的值小于设定阈值的情况下，将所述权重判断矩阵与由所述特征向量构成的权向量矩阵相乘，得到目标分值；根据所述目标分值，确定所述目标对象是否存在窃电行为的第一结果。
结果确定子模块包括：等级标度单元和二次确定单元；等级标度单元用于将所述目标电气特征数据集合中的线损率的权重设为最高等级标度；将所述目标电气特征数据集合中的电压相对于电流和功率的权重设为大于最小等级标度且小于最大等级标度；将所述目标电气特征数据集合集合中的电量的权重设为最小等级标度。
二次确定单元用于利用预先构建的集成学习模型对所述目标电气特征数据集合中的各项目标电气特征数据进行检测得到窃电行为检测结果，并将所述窃电行为检测结果作为第二结果，所述窃电行为检测结果用于表示所述目标对象是否存在窃电行为，其中所述集成学习模型包括决策树算法模型、临近算法模型和梯度提升决策树算法模型；将所述第一结果和所述第二结果进行比较，在所述第一结果和所述第二结果一致的情况下，根据所述第一结果确定所述目标对象的窃电行为进行确定。
采集模块20包括：判断子模块；判断子模块用于判断所述目标对象的电气特征数据对应的数值是否高于设定阈值；在所述目标对象的电气特征数据对应的数值高于设定阈值的情况下，采集目标对象的电气特征数据，得到目标电气特征数据集合。
二次确定单元包括：识别子单元和构建子单元；识别子单元用于将所述目标电气特征数据集合中的各项目标电气特征数据分别输入到所述集成学习模型中的多个个体学习模型中，得到多个概率结果；将所述多个概率结果中均值最高的作为所述第二结果，所述概率结果用于表示存在窃电行为的概率；构建子单元用于获取训练数据集，其中，所述训练数据集包括：为历史电气特征数据以及与所述历史电气特征数据上标记的窃电行为标签；基于所述训练数据集训练神经网络模型，生成所述个体学习模型。
根据本申请实施例的再一方面，还提供了一种非易失性存储介质，所述非易失性存储介质包括存储的程序，其中，在所述程序运行时控制所述非易失性存储介质所在设备执行上述窃电行为的确定方法。
根据本申请实施例的再一方面，还提供了一种电子设备，包括存储器和处理器；所述处理器用于运行程序，其中，所述程序运行时执行上述窃电行为的确定方法。
上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。
在本申请的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本申请的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本申请的保护范围。

Claims (10)

1.一种窃电行为的确定方法，其特征在于，包括：
采集目标对象的电气特征数据，得到目标电气特征数据集合；
以所述目标对象是否存在窃电行为作为目标层，所述目标对象的窃电嫌疑程度作为方案层，所述目标电气特征数据集合中的各项目标电气特征数据作为参量层构建窃电行为层次分析法结构；
利用所述窃电行为层次分析法结构确定所述目标对象是否存在窃电行为。
2.根据权利要求1所述的方法，其特征在于，利用所述窃电行为层次分析法结构确定所述目标对象是否存在窃电行为，包括：
将所述目标数据集合中的各项目标电气特征数据的权重差异量化成为多个等级标度；
根据所述等级标度对所述各项目标电气特征数据的权重进行两两比较得到所述各项目标电气特征数据的的相对权重，以构建权重判断矩阵，其中，所述权重判断矩阵的元素为所述各项目标电气特征数据的相对权重；
将所述权重判断矩阵的多个特征值中绝对值最大的特征值确定为最大特征值并获取所述最大特征值对应的特征向量；
在所述权重判断矩阵一致性对应的值小于设定阈值的情况下，将所述权重判断矩阵与由所述特征向量构成的权向量矩阵相乘，得到目标分值；
根据所述目标分值，确定所述目标对象是否存在窃电行为的第一结果。
3.根据权利要求2所述的方法，其特征在于，将所述目标数据集合中的各项目标电气特征数据的权重差异量化成为多个等级标度，包括：
将所述目标电气特征数据集合中的线损率的权重设为最高等级标度；
将所述目标电气特征数据集合中的电压相对于电流和功率的权重设为大于最小等级标度且小于最大等级标度；
将所述目标电气特征数据集合集合中的电量的权重设为最小等级标度。
4.根据权利要求1所述的方法，其特征在于，在采集目标对象的电气特征数据，得到目标电气特征数据集合之前，所述方法还包括：
判断所述目标对象的电气特征数据对应的数值是否高于设定阈值；
在所述目标对象的电气特征数据对应的数值高于设定阈值的情况下，采集目标对象的电气特征数据，得到目标电气特征数据集合。
5.根据权利要求2所述的方法，其特征在于，在根据所述目标分值，确定所述目标对象是否存在窃电行为之后，所述方法还包括：
利用预先构建的集成学习模型对所述目标电气特征数据集合中的各项目标电气特征数据进行检测得到窃电行为检测结果，并将所述窃电行为检测结果作为第二结果，所述窃电行为检测结果用于表示所述目标对象是否存在窃电行为，其中所述集成学习模型包括决策树算法模型、临近算法模型和梯度提升决策树算法模型；
将所述第一结果和所述第二结果进行比较，在所述第一结果和所述第二结果一致的情况下，根据所述第一结果确定所述目标对象的窃电行为进行确定。
6.根据权利要求5所述的方法，其特征在于，利用预先构建的集成学习模型对所述目标电气特征数据集合进行检测得到窃电行为检测结果，包括：
将所述目标电气特征数据集合中的各项目标电气特征数据分别输入到所述集成学习模型中的多个个体学习模型中，得到多个概率结果；将所述多个概率结果中均值最高的作为所述第二结果，所述概率结果用于表示存在窃电行为的概率。
7.根据权利要求5所述的方法，其特征在于，所述多个个体学习模型通过以下方式训练得到，包括：
获取训练数据集，其中，所述训练数据集包括：历史电气特征数据以及与所述历史电气特征数据上标记的窃电行为标签；
基于所述训练数据集训练神经网络模型，生成所述个体学习模型。
8.一种窃电行为的确定装置，其特征在于，包括：
采集模块，用于采集目标对象的电气特征数据，得到目标电气特征数据集合；
构建模块，用于以所述目标对象是否存在窃电行为作为目标层，所述目标对象的窃电嫌疑程度作为方案层，所述目标电气特征数据集合中的各项电气特征数据作为参量层构建窃电行为层次分析法结构；
确定模块，用于利用所述窃电行为层次分析法结构确定所述目标对象是否存在窃电行为。
9.一种非易失性存储介质，其特征在于，所述非易失性存储介质包括存储的程序，其中，在所述程序运行时控制所述非易失性存储介质所在设备执行权利要求1至7中任意一项所述窃电行为的确定方法。
10.一种电子设备，其特征在于，包括存储器和处理器；所述处理器用于运行程序，其中，所述程序运行时执行权利要求1至7中任意一项所述窃电行为的确定方法。
CN202210576324.4A 2022-05-25 2022-05-25 窃电行为的确定方法及装置 Pending CN115146914A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210576324.4A CN115146914A (zh) 2022-05-25 2022-05-25 窃电行为的确定方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210576324.4A CN115146914A (zh) 2022-05-25 2022-05-25 窃电行为的确定方法及装置

Publications (1)

Publication Number Publication Date
CN115146914A true CN115146914A (zh) 2022-10-04

Family

ID=83405733

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210576324.4A Pending CN115146914A (zh) 2022-05-25 2022-05-25 窃电行为的确定方法及装置

Country Status (1)

Country Link
CN (1) CN115146914A (zh)

Similar Documents

Publication Publication Date Title
CN105677791B (zh) 用于分析风力发电机组的运行数据的方法和系统
CN107949812A (zh) 用于检测配水系统中的异常的组合方法
CN112633421A (zh) 一种用户异常用电行为检测方法及装置
CN106663086A (zh) 用于核回归模型的集体的设备和方法
CN102339347A (zh) 用于技术系统的计算机辅助分析的方法
CN111260243A (zh) 风险评估方法、装置、设备及计算机可读存储介质
CN115422788B (zh) 一种配电网线损分析管理方法、装置、存储介质及系统
CN116187552A (zh) 异常检测方法、计算设备及计算机存储介质
CN111612149A (zh) 一种基于决策树的主网线路状态检测方法、系统及介质
CN106886467A (zh) 基于分组‑综合多目标进化的多任务测试优选方法
CN114169998A (zh) 一种金融大数据分析与挖掘算法
CN107274025B (zh) 一种实现用电模式智能识别与管理的系统和方法
CN110851502B (zh) 一种基于数据挖掘技术的负荷特征场景分类方法
CN117171702A (zh) 一种基于深度学习的多模态电网故障检测方法和系统
CN115146914A (zh) 窃电行为的确定方法及装置
CN116720743A (zh) 基于数据聚类和机器学习的碳排放测算方法
CN116293454A (zh) 一种基于蒸汽管网动态平衡的管理系统、方法及介质
CN116226748A (zh) 一种基于多标签共现网络判别的窃电类型检测方法及系统
CN112256735B (zh) 一种用电监测方法、装置、计算机设备和存储介质
CN115511016A (zh) 一种基于增量主动学习的电费异常检测方法及其装置
JP7458183B2 (ja) エネルギー需要変動パターンの分類方法及びシステム
CN113033414A (zh) 用电数据异常检测方法、装置、计算机设备和存储介质
CN112395167A (zh) 一种作业故障预测方法、装置及电子设备
CN114580792B (zh) 膨化机工作状态识别方法、装置、计算机设备、存储介质
Tan et al. Deep Belief Network-Based Anomaly Recognition Method of Power Supply Service Work Orders

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