CN115420943A - 基于大数据的窃电检测方法、装置、设备及存储介质 - Google Patents

Abstract

本发明公开了一种基于大数据的窃电检测方法、装置、设备及存储介质，该方法包括获取窃电检测关联数据，根据窃电检测关联数据，在所有用电用户中提取待检测用户；基于待检测用户的窃电检测关联数据，生成窃电检测系数数组；获取台区损耗电量差异值数组，根据台区损耗电量差异值数组和窃电检测系数数组之间的皮尔逊相关系数，判断待检测用户是否为窃电用户。本发明通过对用电用户的窃电检测关联数据进行分析，以从用电用户中筛选出待检测用户，再利用待检测用户的窃电检测系数来判断用电用户是否为窃电用户以及采用的窃电方式，解决了目前窃电检测方法的检测效率不高、检测准确率低且无法获知窃电具体手段的技术问题。

Description

基于大数据的窃电检测方法、装置、设备及存储介质

技术领域

本发明涉及窃电检测技术领域，尤其涉及到一种基于大数据的窃电检测方法、装置、设备及存储介质。

背景技术

随着我国经济高速发展，各类家用电器逐渐进入千家万户，用电量增长的同时，也衍生出数量庞大的窃电行为，而低压单相用户作为当前用户体量占比最大的一类，其可能的窃电行为具有很大的研究价值。

窃电，是伴随着电力系统出现而出现的一种违法行为。早期，窃电手段较为原始，比如通过私自拉电线绕开电表等。但是，随着电力系统的发展，以及智能电能表的出现，窃电手段变得愈加隐秘和高科技，这也给电力系统的工作人员提出了更加严峻的挑战。

因低压单相用户主要以普通居民为主，其窃电手法较为常规，主要以欠流法窃电、欠压法窃电、扩差法窃电、私接线窃电为主，目前，现有窃电检测方法的检测效率不高、检测准确率低且无法获知窃电具体手段，因此，如何对低压单相用户的窃电行为进行准确、高效率的检测，是一个亟需解决的技术问题。

上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。

发明内容

本发明的主要目的在于提供一种基于大数据的窃电检测方法、装置、设备及存储介质，旨在解决目前现有窃电检测方法的检测效率不高、检测准确率低且无法获知窃电具体手段的技术问题。

为实现上述目的，本发明提供一种基于大数据的窃电检测方法，所述方法包括以下步骤：

获取窃电检测关联数据，根据所述窃电检测关联数据，在所有用电用户中提取待检测用户；

基于待检测用户的窃电检测关联数据，生成窃电检测系数数组；

获取台区损耗电量差异值数组，根据台区损耗电量差异值数组和窃电检测系数数组之间的皮尔逊相关系数，判断待检测用户是否为窃电用户。

可选的，所述待检测用户包括欠压用户，所述欠压用户的窃电检测关联数据包括表计计量电压值、电网真实电压值和用电量信息；其中：

所述窃电检测系数数组的表达式为：[X₁、X₂…X_i-1、X_i]；

所述台区损耗电量差异值数组的表达式为：[Q₁、Q₂…Q_i-1、Q_i]；

式中，X_i＝欠压用户第i小时电压系数×欠压用户第i小时用电量，所述电压系数＝电网真实电压值/表计计量电压值-1，Q_i＝台区第i小时损耗电量差异值。

可选的，当所述待检测用户为欠压用户时，若台区损耗电量差异值数组和窃电检测系数数组之间的皮尔逊相关系数大于第一预设值，则判断欠压用户为窃电用户。

可选的，所述待检测用户包括零火线电流不平衡用户，所述零火线电流不平衡用户的窃电检测关联数据包括零线电流值、火线电流值和用电量信息；其中：

所述窃电检测系数数组的表达式为：[Y₁、Y₂…Y_i-1、Y_i]；

所述台区损耗电量差异值数组的表达式为：[Q₁、Q₂…Q_i-1、Q_i]；

式中，Y_i＝零火线电流不平衡用户第i小时电流系数×零火线电流不平衡用户第i小时用电量，所述电流系数＝零线电流值/火线电流值-1，Q_i＝台区第i 小时损耗电量差异值。

可选的，当所述待检测用户为零火线电流不平衡用户时，若台区损耗电量差异值数组和窃电检测系数数组之间的皮尔逊相关系数大于第一预设值，则判断零火线电流不平衡用户为窃电用户；其中：

当相邻时段之间的电流系数变化值小于第二预设值时，则判断零火线电流不平衡用户采用欠流法窃电；

当相邻时段之间的电流系数变化值不小于第二预设值时，则判断零火线电流不平衡用户采用私接火线窃电。

可选的，所述待检测用户包括扩差窃电用户，所述扩差窃电用户的窃电检测关联数据包括用电量信息；其中：

所述窃电检测系数数组的表达式为：[Z₁、Z₂…Z_i-1、Z_i]，

所述台区损耗电量差异值数组的表达式为：[Q₁、Q₂…Q_i-1、Q_i]；

式中，Z_i＝扩差窃电用户第i小时用电量，Q_i＝台区第i小时损耗电量差异值。

可选的，当所述待检测用户为扩差窃电用户时；

若台区损耗电量差异值数组和窃电检测系数数组之间的皮尔逊相关系数大于第一预设值，则判断扩差窃电用户为窃电用户，且所述窃电用户采用扩差法窃电、同时私接火零线窃电或表计故障；

若台区损耗电量差异值数组和窃电检测系数数组之间的皮尔逊相关系数小于第三预设值，则判断扩差窃电用户为窃电用户，且所述窃电用户采用私接火零线窃电窃电或户变错误。

此外，为了实现上述目的，本发明还提供了一种基于大数据的窃电检测装置，所述基于大数据的窃电检测装置包括：

提取模块，用于获取窃电检测关联数据，根据所述窃电检测关联数据，在所有用电用户中提取待检测用户；

生成模块，用于基于待检测用户的窃电检测关联数据，生成窃电检测系数数组；

判断模块，用于获取台区损耗电量差异值数组，根据台区损耗电量差异值数组和窃电检测系数数组之间的皮尔逊相关系数，判断待检测用户是否为窃电用户。

此外，为了实现上述目的，本发明还提供了一种基于大数据的窃电检测设备，所述设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的基于大数据的窃电检测方法程序，所述基于大数据的窃电检测方法程序被所述处理器执行时实现上述的基于大数据的窃电检测方法的步骤。

此外，为了实现上述目的，本发明还提供了一种存储介质，所述存储介质上存储有基于大数据的窃电检测方法程序，所述基于大数据的窃电检测方法程序被处理器执行时实现上述的基于大数据的窃电检测方法的步骤。

本发明实施例提出的一种基于大数据的窃电检测方法、装置、设备及存储介质，该方法包括获取窃电检测关联数据，根据所述窃电检测关联数据，在所有用电用户中提取待检测用户；基于待检测用户的窃电检测关联数据，生成窃电检测系数数组；获取台区损耗电量差异值数组，根据台区损耗电量差异值数组和窃电检测系数数组之间的皮尔逊相关系数，判断待检测用户是否为窃电用户。本发明通过对用电用户的窃电检测关联数据进行分析，以从用电用户中筛选出待检测用户，再利用待检测用户的窃电检测系数来判断用电用户是否为窃电用户以及采用的窃电方式，解决了目前窃电检测方法的检测效率不高、检测准确率低且无法获知窃电具体手段的技术问题。

附图说明

图1为本发明实施例中一种基于大数据的窃电检测设备的结构示意图；

图2为本发明实施例中一种基于大数据的窃电检测方法的流程示意图；

图3为本发明实施例中一种基于大数据的窃电检测装置的结构框图。

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

目前，在相关技术领域中，现有窃电检测方法的检测效率不高、检测准确率低且无法获知窃电具体手段。

为了解决这一问题，提出本发明的基于大数据的窃电检测方法的各个实施例。本发明提供的基于大数据的窃电检测方法通过对用电用户的窃电检测关联数据进行分析，以从用电用户中筛选出待检测用户，再利用待检测用户的窃电检测系数来判断用电用户是否为窃电用户以及采用的窃电方式，解决了目前窃电检测方法的检测效率不高、检测准确率低且无法获知窃电具体手段的技术问题。

参照图1，图1为本发明实施例方案涉及的基于大数据的窃电检测设备的结构示意图。

设备可以是移动电话、智能电话、笔记本电脑、数字广播接收器、个人数字助理(PDA)、平板电脑(PAD)等用户设备(User Equipment，UE)、手持设备、车载设备、可穿戴设备、计算设备或连接到无线调制解调器的其它处理设备、移动台(Mobile station，MS)等。设备可能被称为用户终端、便携式终端、台式终端等。

通常，设备包括：至少一个处理器301、存储器302以及存储在所述存储器上并可在所述处理器上运行的基于大数据的窃电检测方法程序，所述基于大数据的窃电检测方法程序配置为实现如前所述的基于大数据的窃电检测方法的步骤。

处理器301可以包括一个或多个处理核心，比如4核心处理器、8核心处理器等。处理器301可以采用DSP(Digital Signal Processing，数字信号处理)、 FPGA(Field－Programmable Gate Array，现场可编程门阵列)、 PLA(Programmable Logic Array，可编程逻辑阵列)中的至少一种硬件形式来实现。处理器301也可以包括主处理器和协处理器，主处理器是用于对在唤醒状态下的数据进行处理的处理器，也称CPU(CentralProcessingUnit，中央处理器)；协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中，处理器301可以在集成有GPU(Graphics Processing Unit，图像处理器)，GPU用于负责显示屏所需要显示的内容的渲染和绘制。处理器301还可以包括AI(Artificial Intelligence，人工智能)处理器，该AI处理器用于处理有关基于大数据的窃电检测方法操作，使得基于大数据的窃电检测方法模型可以自主训练学习，提高效率和准确度。

存储器302可以包括一个或多个计算机可读存储介质，该计算机可读存储介质可以是非暂态的。存储器302还可包括高速随机存取存储器，以及非易失性存储器，比如一个或多个磁盘存储设备、闪存存储设备。在一些实施例中，存储器302中的非暂态的计算机可读存储介质用于存储至少一个指令，该至少一个指令用于被处理器301所执行以实现本申请中方法实施例提供的基于大数据的窃电检测方法。

在一些实施例中，终端还可选包括有：通信接口303和至少一个外围设备。处理器301、存储器302和通信接口303之间可以通过总线或信号线相连。各个外围设备可以通过总线、信号线或电路板与通信接口303相连。具体地，外围设备包括：射频电路304、显示屏305和电源306中的至少一种。

通信接口303可被用于将I/O(Input/Output，输入/输出)相关的至少一个外围设备连接到处理器301和存储器302。通信接口303通过外围设备用于接收用户上传的多个移动终端的移动轨迹以及其他数据。在一些实施例中，处理器301、存储器302和通信接口303被集成在同一芯片或电路板上；在一些其他实施例中，处理器301、存储器302和通信接口303中的任意一个或两个可以在单独的芯片或电路板上实现，本实施例对此不加以限定。

射频电路304用于接收和发射RF(Radio Frequency，射频)信号，也称电磁信号。射频电路304通过电磁信号与通信网络以及其他通信设备进行通信，从而可获取多个移动终端的移动轨迹以及其他数据。射频电路304将电信号转换为电磁信号进行发送，或者，将接收到的电磁信号转换为电信号。可选地，射频电路304包括：天线系统、RF收发器、一个或多个放大器、调谐器、振荡器、数字信号处理器、编解码芯片组、用户身份模块卡等等。射频电路 304可以通过至少一种无线通信协议来与其它终端进行通信。该无线通信协议包括但不限于：城域网、各代移动通信网络(2G、3G、4G及5G)、无线局域网和/或WiFi(WirelessFidelity，无线保真)网络。在一些实施例中，射频电路 304还可以包括NFC(Near FieldCommunication，近距离无线通信)有关的电路，本申请对此不加以限定。

显示屏305用于显示UI(User Interface，用户界面)。该UI可以包括图形、文本、图标、视频及其它们的任意组合。当显示屏305是触摸显示屏时，显示屏305还具有采集在显示屏305的表面或表面上方的触摸信号的能力。该触摸信号可以作为控制信号输入至处理器301进行处理。此时，显示屏305 还可以用于提供虚拟按钮和/或虚拟键盘，也称软按钮和/或软键盘。在一些实施例中，显示屏305可以为一个，电子设备的前面板；在另一些实施例中，显示屏305可以为至少两个，分别设置在电子设备的不同表面或呈折叠设计；在再一些实施例中，显示屏305可以是柔性显示屏，设置在电子设备的弯曲表面上或折叠面上。甚至，显示屏305还可以设置成非矩形的不规则图形，也即异形屏。显示屏305可以采用LCD(LiquidCrystal Display，液晶显示屏)、 OLED(Organic Light-Emitting Diode,有机发光二极管)等材质制备。

电源306用于为电子设备中的各个组件进行供电。电源306可以是交流电、直流电、一次性电池或可充电电池。当电源306包括可充电电池时，该可充电电池可以支持有线充电或无线充电。该可充电电池还可以用于支持快充技术。

本领域技术人员可以理解，图1中示出的结构并不构成对基于大数据的窃电检测设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。

本发明实施例提供了一种基于大数据的窃电检测方法，参照图2，图2为本发明基于大数据的窃电检测方法实施例的流程示意图。

本实施例中，所述基于大数据的窃电检测方法包括以下步骤：

步骤S100，获取窃电检测关联数据，根据所述窃电检测关联数据，在所有用电用户中提取待检测用户；

步骤S200，基于待检测用户的窃电检测关联数据，生成窃电检测系数数组；

步骤S300，获取台区损耗电量差异值数组，根据台区损耗电量差异值数组和窃电检测系数数组之间的皮尔逊相关系数，判断待检测用户是否为窃电用户。

在本实施例中，基于大数据的窃电检测方法能够对如下三种低压单相用户常见窃电类型进行检测。

(1)对于欠压用户：

当待检测用户包括欠压用户，所述欠压用户的窃电检测关联数据包括表计计量电压值、电网真实电压值和用电量信息；其中：

所述窃电检测系数数组的表达式为：[X₁、X₂…X_i-1、X_i]；

所述台区损耗电量差异值数组的表达式为：[Q₁、Q₂…Q_i-1、Q_i]；

式中，X_i＝欠压用户第i小时电压系数×欠压用户第i小时用电量，所述电压系数＝电网真实电压值/表计计量电压值-1，Q_i＝台区第i小时损耗电量差异值。

需要说明的是，当所述待检测用户为欠压用户时，若台区损耗电量差异值数组和窃电检测系数数组之间的皮尔逊相关系数大于第一预设值，则判断欠压用户为窃电用户。

(2)对于零火线电流不平衡用户：

当待检测用户包括零火线电流不平衡用户，所述零火线电流不平衡用户的窃电检测关联数据包括零线电流值、火线电流值和用电量信息；其中：

所述窃电检测系数数组的表达式为：[Y₁、Y₂…Y_i-1、Y_i]；

所述台区损耗电量差异值数组的表达式为：[Q₁、Q₂…Q_i-1、Q_i]；

式中，Y_i＝零火线电流不平衡用户第i小时电流系数×零火线电流不平衡用户第i小时用电量，所述电流系数＝零线电流值/火线电流值-1，Q_i＝台区第i 小时损耗电量差异值。

需要说明的是，当所述待检测用户为零火线电流不平衡用户时，若台区损耗电量差异值数组和窃电检测系数数组之间的皮尔逊相关系数大于第一预设值，则判断零火线电流不平衡用户为窃电用户；其中：

当相邻时段之间的电流系数变化值小于第二预设值时，则判断零火线电流不平衡用户采用欠流法窃电；

当相邻时段之间的电流系数变化值不小于第二预设值时，则判断零火线电流不平衡用户采用私接火线窃电。

(3)对于扩差窃电用户：

当待检测用户包括扩差窃电用户，所述扩差窃电用户的窃电检测关联数据包括用电量信息；其中：

所述窃电检测系数数组的表达式为：[Z₁、Z₂…Z_i-1、Z_i]，

所述台区损耗电量差异值数组的表达式为：[Q₁、Q₂…Q_i-1、Q_i]；

式中，Z_i＝扩差窃电用户第i小时用电量，Q_i＝台区第i小时损耗电量差异值。

需要说明的是，当所述待检测用户为扩差窃电用户时；

若台区损耗电量差异值数组和窃电检测系数数组之间的皮尔逊相关系数大于第一预设值，则判断扩差窃电用户为窃电用户，且所述窃电用户采用扩差法窃电、同时私接火零线窃电或表计故障；

若台区损耗电量差异值数组和窃电检测系数数组之间的皮尔逊相关系数小于第三预设值，则判断扩差窃电用户为窃电用户，且所述窃电用户采用私接火零线窃电窃电或户变错误。

为了更清楚的解释上述内容，下面提供本申请基于大数据的窃电检测方法的具体实例。

在具体实例中，基于大数据的窃电检测方法包括如下实现内容：

1、低压单相用户常见窃电类型

因低压单相用户主要以普通居民为主，其窃电手法较为常规，主要以欠流法窃电、欠压法窃电、扩差法窃电、私接线窃电为主。

1.1、欠流法窃电

采用各种手法故意改变计量电流回路的正常接线或故意造成计量电流回路故障，致使电能表的电流线圈无电流通过或只通过部分电流，从而导致电量少计。此类窃电具有零线电流与火线电流比值相对固定的特点。

1.2、欠压法窃电

采用各种手法故意改变电能计量电压回路的正常接线，或故意造成计量电压回路故障，致使电能表的电压线圈失压或所受电压减少，从而导致电量少计。此类窃电具有表计计量电压与真实电压比值相对固定的特点。

1.3、扩差法窃电

篡改智能表软件程序，比如修改时段、常数等，增大智能表计量误差。以及利用各种手法损坏电能表，破坏电能表的运行条件，使电能表少计电量。此类窃电较为少见。

1.4、扩差法窃电

私自在供电部门的线路上接线用电，主要分为仅私接火线(借用表计零线)以及同时私接火零线窃电。前者具有零线电流与火线电流不平衡，且比值不固定的特点，后者用电量通常与台区线损之间具有相关性。

2、大数据分析模型与方法

2.1、皮尔逊相关系数

皮尔森相关系数也称皮尔森积矩相关系数，是一种线性相关系数。皮尔森相关系数是用来反映两个变量线性相关程度的统计量。相关系数用r表示，其中n为样本量，分别为两个变量的观测值和均值。r描述的是两个变量间线性相关强弱的程度。r的绝对值越大表明相关性越强。

已知两个数组X、Y，则其皮尔森相关系数计算公式如下：

2.2、模型参数

2.2.1、电压系数

对于欠压用户(当同一接入点用户电压/该表计计量电压>1.2时)

定义：电压系数＝同一接入点用户/该电压表计计量电压-1。

2.2.2、电流系数

对于零火线电流不平衡用户(当表计零线电流/表计火线电流>1.2时)

定义：电流系数＝电流系数＝该表计零线电流/该表计火线电流-1。

2.2.3、用户小时用电量

目前高频采集应用正逐步展开，故以用户每一个小时的用电量作为模型参数，更为准确，对于高频采集还未完全覆盖的区域，此处可选用用户日用电量作为模型参数。

2.2.4、台区理论线损率

台区理论线损率作为反映台区真实线损水平的参考数据，此处可参考理论线损率或一台区一指标设定值，也可依据经验值人为设定。

2.2.5、台区分时线损损耗电量差异值

定义：台区分时线损损耗电量差异值＝当前小时台区损耗电量-当前小时台区供电量*台区理论线损率。

同样对于高频采集还未完全覆盖的区域，此处可选台区日线损损耗电量差异值作为模型参数。

2.3、模型构建与方法分析

因窃电用户少计量电量与台区线损损耗电量差异值存在很强的正相关关系，故模型构建主要通过建立两个数组，并进行皮尔逊相关性分析。

2.3.1、欠压用户窃电模型

对于欠压用户，设定电压系数数组X({X|X＝用户第i小时电压系数*用户第i小时用电量，i∈N，1≤i≤24})，台区损耗电量差异值数组Q({Q|Q＝台区第i小时线损损耗电量差异值，i∈N，1≤i≤24}),计算数组X与Q之间的皮尔逊相关系数r。

判定条件：若r>0.6，则判定该用户疑似存在欠压法窃电行为。

2.3.2、零火线电流不平衡用户模型

对于零火线电流不平衡用户，设定电流系数数组Y({Y|Y＝用户第i小时电流系数*用户第i小时用电量，i∈N，1≤i≤24})，台区损耗电量差异值数组Q({Q|Q＝台区第i小时线损损耗电量差异值，i∈N，1≤i≤24}),计算数组Y与Q之间的皮尔逊相关系数r。

判定条件：当r>0.6时(当r较小时，可判定为疑似共零或表计故障，引导工作人员开展现场检查)

若每一个小时的电流系数均较为固定，且变化值小于等于0.2，则判定为该用户疑似存在欠流法窃电(此时可通过电表开盖记录判定为表内欠流或表前欠流)。

若电流系数波动较大，且变化值大于等于0.2，则判定为该用户疑似存在仅私接火线(借用表计零线)窃电。

2.3.3、其他用户模型

其他用户，设定用户小时用电量数组Z({Z|Z＝用户第i小时用电量，i∈ N，1≤i≤24})，台区损耗电量差异值数组Q({Q|Q＝台区第i小时线损损耗电量差异值，i∈N，1≤i≤24}),计算数组Z与Q之间的皮尔逊相关系数r。

判定条件：

若r>0.6,则判定该用户疑似为扩差法窃电、同时私接火零线窃电或表计故障。

若r<-0.6,则判定该用户疑似为同时私接火零线窃电或户变错误。

需要说明的是，随着社会用电需求的逐渐增大，各类窃电行为也层出不穷，这也对供电企业的反窃电水平提出了更高要求。本申请通过分析目前用户量最大的低压单相用户主要窃电类型，并基于大数据，进行建模分析，一方面可以快速定位疑似窃电用户及其具体窃电手法，另一方面可以提升台区线损精益化管理水平。

在本实施例中，提供一种基于大数据的窃电检测方法，通过对用电用户的窃电检测关联数据进行分析，以从用电用户中筛选出待检测用户，再利用待检测用户的窃电检测系数来判断用电用户是否为窃电用户以及采用的窃电方式，解决了目前窃电检测方法的检测效率不高、检测准确率低且无法获知窃电具体手段的技术问题。

参照图3，图3为本发明基于大数据的窃电检测装置实施例的结构框图。

如图3所示，本发明实施例提出的基于大数据的窃电检测装置包括：

提取模块10，用于获取窃电检测关联数据，根据所述窃电检测关联数据，在所有用电用户中提取待检测用户；

生成模块20，用于基于待检测用户的窃电检测关联数据，生成窃电检测系数数组；

判断模块30，用于获取台区损耗电量差异值数组，根据台区损耗电量差异值数组和窃电检测系数数组之间的皮尔逊相关系数，判断待检测用户是否为窃电用户。

本发明基于大数据的窃电检测装置的其他实施例或具体实现方式可参照上述各方法实施例，此处不再赘述。

此外，本发明实施例还提出一种存储介质，所述存储介质上存储有基于大数据的窃电检测方法程序，所述基于大数据的窃电检测方法程序被处理器执行时实现如上文所述的基于大数据的窃电检测方法的步骤。因此，这里将不再进行赘述。另外，对采用相同方法的有益效果描述，也不再进行赘述。对于本申请所涉及的计算机可读存储介质实施例中未披露的技术细节，请参照本申请方法实施例的描述。确定为示例，程序指令可被部署为在一个计算设备上执行，或者在位于一个地点的多个计算设备上执行，又或者，在分布在多个地点且通过通信网络互连的多个计算设备上执行。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，上述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，上述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(Random AccessMemory，RAM)等。

另外需说明的是，以上所描述的装置实施例仅仅是示意性的，其中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网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。另外，本发明提供的装置实施例附图中，模块之间的连接关系表示它们之间具有通信连接，具体可以实现为一条或多条通信总线或信号线。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

通过以上的实施方式的描述，所属领域的技术人员可以清楚地了解到本发明可借助软件加必需的通用硬件的方式来实现，当然也可以通过专用硬件包括专用集成电路、专用CPU、专用存储器、专用元器件等来实现。一般情况下，凡由计算机程序完成的功能都可以很容易地用相应的硬件来实现，而且，用来实现同一功能的具体硬件结构也可以是多种多样的，例如模拟电路、数字电路或专用电路等。但是，对本发明而言更多情况下软件程序实现是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的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可读取的存储介质中，如计算机的软盘、U盘、移动硬盘、只读存储器(ROM， Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。

Claims (10)

1.一种基于大数据的窃电检测方法，其特征在于，所述方法包括以下步骤：

获取窃电检测关联数据，根据所述窃电检测关联数据，在所有用电用户中提取待检测用户；

基于待检测用户的窃电检测关联数据，生成窃电检测系数数组；

获取台区损耗电量差异值数组，根据台区损耗电量差异值数组和窃电检测系数数组之间的皮尔逊相关系数，判断待检测用户是否为窃电用户。

2.如权利要求1所述的基于大数据的窃电检测方法，其特征在于，所述待检测用户包括欠压用户，所述欠压用户的窃电检测关联数据包括表计计量电压值、电网真实电压值和用电量信息；其中：

所述窃电检测系数数组的表达式为：[X₁、X₂…X_i-1、X_i]；

所述台区损耗电量差异值数组的表达式为：[Q₁、Q₂…Q_i-1、Q_i]；

式中，X_i＝欠压用户第i小时电压系数×欠压用户第i小时用电量，所述电压系数＝电网真实电压值/表计计量电压值-1，Q_i＝台区第i小时损耗电量差异值。

3.如权利要求1所述的基于大数据的窃电检测方法，其特征在于，当所述待检测用户为欠压用户时，若台区损耗电量差异值数组和窃电检测系数数组之间的皮尔逊相关系数大于第一预设值，则判断欠压用户为窃电用户。

4.如权利要求1所述的基于大数据的窃电检测方法，其特征在于，所述待检测用户包括零火线电流不平衡用户，所述零火线电流不平衡用户的窃电检测关联数据包括零线电流值、火线电流值和用电量信息；其中：

所述窃电检测系数数组的表达式为：[Y₁、Y₂…Y_i-1、Y_i]；

所述台区损耗电量差异值数组的表达式为：[Q₁、Q₂…Q_i-1、Q_i]；

式中，Y_i＝零火线电流不平衡用户第i小时电流系数×零火线电流不平衡用户第i小时用电量，所述电流系数＝零线电流值/火线电流值-1，Q_i＝台区第i小时损耗电量差异值。

5.如权利要求4所述的基于大数据的窃电检测方法，其特征在于，当所述待检测用户为零火线电流不平衡用户时，若台区损耗电量差异值数组和窃电检测系数数组之间的皮尔逊相关系数大于第一预设值，则判断零火线电流不平衡用户为窃电用户；其中：

当相邻时段之间的电流系数变化值小于第二预设值时，则判断零火线电流不平衡用户采用欠流法窃电；

当相邻时段之间的电流系数变化值不小于第二预设值时，则判断零火线电流不平衡用户采用私接火线窃电。

6.如权利要求1所述的基于大数据的窃电检测方法，其特征在于，所述待检测用户包括扩差窃电用户，所述扩差窃电用户的窃电检测关联数据包括用电量信息；其中：

所述窃电检测系数数组的表达式为：[Z₁、Z₂…Z_i-1、Z_i]，

所述台区损耗电量差异值数组的表达式为：[Q₁、Q₂…Q_i-1、Q_i]；

式中，Z_i＝扩差窃电用户第i小时用电量，Q_i＝台区第i小时损耗电量差异值。

7.如权利要求6所述的基于大数据的窃电检测方法，其特征在于，当所述待检测用户为扩差窃电用户时；

若台区损耗电量差异值数组和窃电检测系数数组之间的皮尔逊相关系数大于第一预设值，则判断扩差窃电用户为窃电用户，且所述窃电用户采用扩差法窃电、同时私接火零线窃电或表计故障；

若台区损耗电量差异值数组和窃电检测系数数组之间的皮尔逊相关系数小于第三预设值，则判断扩差窃电用户为窃电用户，且所述窃电用户采用私接火零线窃电窃电或户变错误。

8.一种基于大数据的窃电检测装置，其特征在于，所述基于大数据的窃电检测装置包括：

提取模块，用于获取窃电检测关联数据，根据所述窃电检测关联数据，在所有用电用户中提取待检测用户；

生成模块，用于基于待检测用户的窃电检测关联数据，生成窃电检测系数数组；

判断模块，用于获取台区损耗电量差异值数组，根据台区损耗电量差异值数组和窃电检测系数数组之间的皮尔逊相关系数，判断待检测用户是否为窃电用户。

9.一种基于大数据的窃电检测设备，其特征在于，所述基于大数据的窃电检测设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的基于大数据的窃电检测方法程序，所述基于大数据的窃电检测方法程序被所述处理器执行时实现如权利要求1至7中任一项所述的基于大数据的窃电检测方法的步骤。

10.一种存储介质，其特征在于，所述存储介质上存储有基于大数据的窃电检测方法程序，所述基于大数据的窃电检测方法程序被处理器执行时实现如权利要求1至7中任一项所述的基于大数据的窃电检测方法的步骤。

Images