CN116777124B - 一种基于用户用电行为的窃电监测方法 - Google Patents
一种基于用户用电行为的窃电监测方法 Download PDFInfo
- Publication number
- CN116777124B CN116777124B CN202311069974.0A CN202311069974A CN116777124B CN 116777124 B CN116777124 B CN 116777124B CN 202311069974 A CN202311069974 A CN 202311069974A CN 116777124 B CN116777124 B CN 116777124B
- Authority
- CN
- China
- Prior art keywords
- user
- electricity
- association rule
- data
- peak
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000012544 monitoring process Methods 0.000 title claims abstract description 10
- 230000005611 electricity Effects 0.000 claims abstract description 113
- 230000002159 abnormal effect Effects 0.000 claims abstract description 21
- 230000006399 behavior Effects 0.000 claims abstract description 18
- 238000001514 detection method Methods 0.000 claims abstract description 15
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 6
- 238000005265 energy consumption Methods 0.000 claims description 29
- 239000011159 matrix material Substances 0.000 claims description 16
- 230000009467 reduction Effects 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 6
- 238000005315 distribution function Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000003064 k means clustering Methods 0.000 claims description 3
- 238000012847 principal component analysis method Methods 0.000 claims description 3
- 230000005856 abnormality Effects 0.000 claims description 2
- 230000000694 effects Effects 0.000 claims 2
- 238000007689 inspection Methods 0.000 abstract description 9
- 238000007405 data analysis Methods 0.000 abstract description 5
- 238000004364 calculation method Methods 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000013138 pruning Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- General Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Computation (AREA)
- Tourism & Hospitality (AREA)
- Computational Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Mathematical Analysis (AREA)
- Marketing (AREA)
- Mathematical Optimization (AREA)
- Entrepreneurship & Innovation (AREA)
- Pure & Applied Mathematics (AREA)
- Operations Research (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Water Supply & Treatment (AREA)
- Probability & Statistics with Applications (AREA)
- Public Health (AREA)
- Computing Systems (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
Abstract
本发明公开了一种基于用户用电行为的窃电监测方法,属于电力系统数据分析领域。本发明结合用户历史用电数据,使用聚类方法得到异常用电用户数据集。在异常用电用户集合的基础上,使用用户用电数据,通过负荷分解算法得到用户的电器使用情况。基于用户使用电器的详细情况,得到用户电器的使用模式,并比对疑似窃电时段的电器使用模式是否符合该用户的历史使用模式,如果不符合,则判定该用户为窃电用户。该方法可以提高窃电检测的效率和准确性,进一步缩小稽查部门对居民窃电行为的检查范围。本发明的窃电识别模型可以应用于居民用电监测系统,为电力部门提供一种高效、精准的窃电检测解决方案。
Description
技术领域
本发明涉及电力系统数据分析领域,具体为一种基于用户用电行为的窃电监测方法。
背景技术
在电力公司的营销业务中,电量电费、电能计量、用电检查等功能管理的质量取决与供用电是否合理以及电量收费是否正常。电量收费是电力公司的主要经济来源,受社会用电秩序的影响很大,而窃电行为导致电力公司无法实现正常电量计费,从而造成巨大损失。窃电行为不仅严重损害了企业和国家的经济利益,同时也破坏了稳定和正常的社会秩序。因此,必须确保反窃电工作的实时性和有效性,才能及时发现窃电行为,规避风险,减少电力公司经济损失。
目前的稽查模型多用于分析用户总功率来判断是否发生窃电行为,进行检测的结果只能判断在供电台区内是否有窃电的情况,但是无法确定是否是哪一个用户出现了窃电行为。因此需要耗费较大的人力和物力,逐一对用电用户进行核查,进一步核查的工作量较大,时效性低,而且会因为无法及时找到窃电用户导致更大的损失。其次,在进行人力核查的过程中,窃电用户容易发现窃电稽查人员,可以快速毁灭窃电证据,导致检测不到具体的窃电用户,这也是窃电稽查的难点所在。基于上述问题,为了更准确地判断窃电行为,同时避免窃电用户的反稽查,通过综合考虑用户行为习惯、具体用电细节等多方面的数据,通过大数据分析的方式,设计一种基于数据分析判断的一种基于用户用电行为的窃电监测方法成为一种迫切的需求。
发明内容
本发明提供了一种基于用户用电行为的窃电识别检测方法,为稽查人员提供高准确度的分析结果,减轻电网稽查人员的工作量,保障电网系统安全、稳定、优质、经济运行。
一种基于用户用电行为的窃电监测方法,包括以下步骤:
步骤1:采集用电用户数据形成数据集;
步骤2:对步骤1中获取的数据集通过聚类处理获取异常用电用户集合;
步骤3:选取异常用电用户集合中的一个用户进行用户设备功率分解,得到用户使用电器的详细情况;
步骤4:对于异常用户,生成所述用户的历史关联规则;
步骤5:根据疑似窃电时段内的用户电器使用情况,生成疑似窃电用户用电规律的关联规则,并与历史关联规则比对,所述窃电用户用电规律的关联规则与历史关联规则相似度小于异常阈值,则判断为发生窃电行为。
更好的,所述步骤2中:
步骤2.1:设定检测周期T,并获取检测周期内的历史数据集合E={E1,E2,E3,...,Ei},其中i=T,其中Ei代表第i天的总负荷;
步骤2.2:应用E中的数据计算负荷均值、负荷方差两种统计特征以及用户迎早峰平均值、迎午峰平均值、迎晚峰平均值、高能耗天数、低能耗天数五种用户用电属性特征;
步骤2.3:应用步骤2.2中得到的负荷均值、负荷方差两种统计特征以及用户迎早峰平均值、迎午峰平均值、迎晚峰平均值、高能耗天数、低能耗天数五种用户用电属性特征进行聚类算法处理,得到异常用户集合Sab。
更好的,所述步骤2.3中:
步骤2.3.1:使用主成分分析法进行降维处理,通过降维将原来的负荷均值、负荷方差、迎早峰平均值、迎午峰平均值、迎晚峰平均值、高能耗天数、低能耗天数七种属性转换为k个特征参数,其中k<7,之后将原数据矩阵转换为降维后的数据矩阵;
步骤2.3.2:首先,通过K-means聚类算法对降维后的数据矩阵进行聚类处理得到簇类和类核心,并得到样本到最近核心的距离集合{,/>,/>,...,/>},其中,m为样本数量;
之后,根据距离集合计算其期望值μ和方差σ2并构建高斯分布函数:
,当f(x)<3σ时,则判断该样本为异常样本,并将该样本放入异常用户集合Sab。
更好的,所述步骤4中:
步骤4.1:构建该用户的历史频繁项集,计算并记录每一项集对应的绝对支持度;
步骤4.2:判断每一个项集是否在频繁模式数据库,如果是则对该项集的绝对支持度的数据进行更新,新的绝对支持度=旧的绝对支持度+当天的绝对支持度;如果否则在频繁模式数据库中添加该项集,并以当天的绝对支持度作为初始计数;
步骤4.3:通过对频繁模式数据库中的项集的绝对支持度的累加得到项集的月度数据集长度;
步骤4.4:以频繁模式数据库中的频繁项集中任意一部分的元素作为先导,以剩余的元素作为后继,计算该先导到后继对应的关联规则的置信度,并通过预设的最小置信度过滤得到历史关联规则。
更好的,所述步骤4.3中,为每个月的数据设置一个权重,以所有月度的数据的加权和作为数据集中该项集的绝对支持度,即:
,其中w是权重向量,as_X表示项集X的绝对支持度向量,lm是12个月的数据集长度向量,/>为该项集的绝对支持度。
更好的,所述步骤5中:
步骤5.1:将用户疑似窃电时间段内启动时间间隔一小时以内的电器,以时序顺序放入疑似窃电关联规则集合;
步骤5.2:提取用户历史关联规则先导元素,得到集合S,将用户疑似窃电时间段内S集合中离散数据放入疑似窃电关联规则集合;
步骤5.3:计算疑似窃电关联规则与历史关联规则相似度:
,其中,/>为历史关联规则集合元素数量,/>疑似窃电关联规则集合元素数量,/>为历史关联规则集合与疑似窃电关联规则集合交集中元素数量。
更好的,检测周期T>7。
更好的,所述异常阈值设定为0.5。
本发明的有益效果为:
1.居民的用电习惯存在一定的规律,通过对此居民用电习惯的分析和学习可以得到他的用电习惯的模型,而在短时间内,居民的用电习惯规律不会发生骤变,如果用户出现窃电的情况,可以发现其用电行为的改变,本发明通过排查居民用电习惯,可以进一步缩小核查范围,减小电力稽查人员工作量。
2.通过大数据分析方法进行窃电检测,可以做到在检测的过程中不会让窃电的用户发现,在确定窃电嫌疑用户之后,稽查人员可以直达窃电用户,因而可以提高检测的准确度、提高窃电稽查的效率。
附图说明
图1是本发明一种实施例的方法流程示意图。
具体实施方式
为使本发明的技术方案和有益效果更加清楚,下面对本发明的实施方式做进一步的详细解释。
一种基于用户用电行为的窃电识别检测方法,该方法为稽查人员提供高准确度的分析结果,减轻电网稽查人员的工作量,保障电网系统安全、稳定、优质、经济运行。
步骤1:采集用电用户数据形成数据集。该步骤中可以通过电能表采集用电用户的电能数据并保存到数据库中形成数据集。还可以通过调取电力调度系统中电能参数数据库中的数据形成数据集。为了得到较为准确的检测结果采用采样间隔较短的采样周期的数据,如每1s、2s或3s记录一次电能参数,进而得到细粒度数据形成的数据集。
步骤2:对步骤1中获取的数据集通过聚类处理获取异常用电用户集合。具体如下:
步骤2.1:设定检测周期T,将检测周期内部的计算数据作为判定的参数。为了减少单日用户用电的偶然性、短期用电的偶然性,检测周期T≥7。然后在一个检测周期内进行窃电分析。此时,待计算的数据为E={E1,E2,E3,...,Ei},其中i=T,其中Ei代表第i天的总负荷。
步骤2.2:应用E中的数据计算负荷均值、负荷方差两种统计特征以及用户迎早峰平均值、迎午峰平均值、迎晚峰平均值、高能耗天数、低能耗天数五种用户用电属性特征。
其中迎早峰平均值是用户在早用电高峰时段的负荷平均值。相应的迎午峰平均值、迎晚峰平均值是用户在午用电高峰时段、晚用电高峰时段的平均值。高能耗天数为日能耗大于高负荷指标阈值的累计天数,低能耗天数为日能耗小于低负荷指标阈值的累计天数。高负荷指标阈值、低负荷指标阈值可根据实际计算需求设定。
进一步地,统计用户用电高峰出现的时段,根据高峰出现的时段判断用户是否迎早峰、迎午峰、迎晚峰以此确定用户的用电习惯。
首先将日负荷按照时段进行划分,如4点至9点为早时段,10点至15点为午时段,16点至次日3点为晚时段。统计每天三个时段的负荷平均值,迎早峰平均值、迎午峰平均值、迎晚峰平均值/>。
然后判断用户是否迎早峰a、迎午峰b、迎晚峰c,其中a、b、c为布尔型变量,当用户迎早峰时,a=1,即用户用电习惯是习惯早上用电,或与早高峰重合。
之后再根据先前统计的用户峰谷规律进行加权相加,将获得的计算结果作为用户当天的能耗水平。
如果日能耗水平指标高于高负荷指标阈值,该日被视为高能耗天;若某日的日能耗水平指标低于低负荷指标阈值,该日被视为低能耗天。经过累计后得出高能耗天数、低能耗天数。
步骤2.3:应用步骤2.2中得到的负荷均值、负荷方差两种统计特征以及用户迎早峰平均值、迎午峰平均值、迎晚峰平均值、高能耗天数、低能耗天数五种用户用电属性特征进行聚类算法处理,得到异常用户集合Sab。具体如下:
步骤2.3.1:使用主成分分析法进行降维处理。通过降维的方式将原来的负荷均值、负荷方差两种统计特征以及用户迎早峰平均值、迎午峰平均值、迎晚峰平均值、高能耗天数、低能耗天数五种用户用电属性特征的前述七种参数转换为小于7种的k个特征参数,已提高运算效率。
首先,需要将原始数据矩阵进行标准化处理,消除不同特征的尺度差异,标准化计算公式如下:
其中,是标准化后的数据矩阵,X是原始矩阵,/>是每个特征的均值,σ是每个特征的标准差。
之后,对标准化后的计算其协方差矩阵C,计算公式如下:
其中,n为样本数量。
之后,对协方差矩阵C进行特征值分解,得到特征值和对应的特征向量,,其中,C为协方差矩阵,v为特征向量,λ为特征值。
之后,将特征值按大小排序选取前k个特征向量作为主成分。
最后,将原始数据投影到选择的主成分上得到降维后的数据Y,最终实现数据的降维,便于聚类算法的开展,投影选择公式如下:
其中,Y为降维后的数据矩阵,X为原数据矩阵,为包含前k个特征向量的矩阵。
步骤2.3.2:获取异常用电用户集合。
首先,通过K-means聚类算法对降维后的数据矩阵进行处理得到簇类和类核心,之后得到样本到最近核心的距离集合{,/>,/>,...,/>},其中,m为样本数量。
之后,根据距离集合计算其期望值μ和方差σ2并构建高斯分布函数:
当f(x)<3σ时,则判断该样本为异常样本,并将该样本放入异常用户集合Sab。
步骤3:选取异常用电用户集合中的一个用户进行用户设备功率分解,得到用户使用电器的详细情况。
步骤4:对于异常用户,生成该用户的历史关联规则。
在本实施例中所述的项集为电器设备的使用的状态,如再通过步骤3进行设备功率分解之后,可以获取用户的相应的用电设备的功率,每一个功率对应一个电器设备,一个用户可以分解出多个电器设备。项集中的关联项是指在使用一个设备之后的一段时间内启动了另一设备。
基于用户使用电器的详细情况,通过apriori算法挖掘用户的历史用电模式,生成该用户用电规律的历史关联规则。详细步骤如下:
步骤4.1:首先,在该用户的历史数据中以30分钟为周期收集用户的用电设备使用信息,记录在当天出现过的所有项集。
然后,构建该用户的历史频繁项集,计算并记录每一项集对应的绝对支持度。
其中,c(x)表示数据集中包含项集X的事务数,|T|为数据集的总事务数,即所有项集的数量,sup(x)为项集X的绝对支持度。支持度可以用来表征项集的重要程度,基于频繁项集的子集一定是频繁项集这个事实,利用事先预设的最小支持度实现频繁项集的剪枝,避免不重要的项集造成大量算力和内存开销。
步骤4.2:依次对所有的项集进行处理。
对于任一项集:
如果已经存在于频繁模式数据库中,则对该项集的绝对支持度的数据进行更新,新的绝对支持度=旧的绝对支持度+当天的绝对支持度。
如果频繁模式数据库中没有该项集,则在频繁模式数据库中添加该项集,并以当天的绝对支持度作为初始计数。
步骤4.3:通过对频繁模式数据库中的项集的绝对支持度的累加得到项集的月度数据集长度。
为了体现出一年内不同月份的数据的重要程度差异,本发明为每个月的数据设置一个权重,最后以所有月度的数据的加权和作为数据集中该项集的绝对支持度,即:
其中w是权重向量,as_X表示项集X的绝对支持度向量,lm是12个月的数据集长度向量。
步骤4.4:以频繁模式数据库中的频繁项集中任意一部分的元素作为先导,以剩余的元素作为后继,计算该先导到后继对应的关联规则的置信度,并通过预设的最小置信度过滤得到历史关联规则。
步骤5:根据疑似窃电时段内的用户电器使用情况,生成疑似窃电用户用电规律的关联规则,并与历史关联规则比对,相似度小于阈值,则判断为发生窃电行为。具体为:
步骤5.1:将用户疑似窃电时间段内启动时间间隔一小时以内的电器,以时序顺序放入疑似窃电关联规则集合。该步骤中,首先启动对数据的重新采集,采集当前时间为起始点采集新的数据,然后根据数据分析出启动时间间隔一小时以内的电器,形成一个关联规则放入窃电关联规则集合。
步骤5.2:提取用户历史关联规则先导元素,得到集合S,将用户疑似窃电时间段内S集合中离散数据放入疑似窃电关联规则集合。
步骤5.3:计算疑似窃电关联规则与历史关联规则相似度,计算公式如下:
其中,为历史关联规则集合元素数量,/>疑似窃电关联规则集合元素数量,/>为历史关联规则集合与疑似窃电关联规则集合交集中元素数量。
本实施例中,设定阈值为0.5。若Sim大于等于0.5,则认为判断为正常用户,否则,判断为异常用户,待电力稽查人员现场排查。
综上所述,仅为本发明的较佳实施例而已,并非用来限定本发明的范围,通过上述的说明内容,相关工作人员完全可以在不偏离本项发明技术思想的范围内,进行多样的变更以及修改。本发明的技术性范围并不局限于说明书上的内容,凡依本发明的要求范围所述的形状、构造、特征及精神所谓的均等变化与修饰,均应包括与本发明的权利要求范围内。
Claims (3)
1.一种基于用户用电行为的窃电监测方法,其特征在于包括以下步骤:
步骤1:采集用电用户数据形成数据集;
步骤2:对步骤1中获取的数据集通过聚类处理获取异常用电用户集合,具体为:
步骤2.1:设定检测周期T,并获取检测周期内的历史数据集合E={E1,E2,E3,...,Ei},其中i=T,其中Ei代表第i天的总负荷;
步骤2.2:应用E中的数据计算负荷均值、负荷方差两种统计特征以及用户迎早峰平均值、迎午峰平均值、迎晚峰平均值、高能耗天数、低能耗天数五种用户用电属性特征;
步骤2.3:应用步骤2.2中得到的负荷均值、负荷方差两种统计特征以及用户迎早峰平均值、迎午峰平均值、迎晚峰平均值、高能耗天数、低能耗天数五种用户用电属性特征进行聚类算法处理,得到异常用户集合Sab,具体为:
步骤2.3.1:使用主成分分析法进行降维处理,通过降维将原来的负荷均值、负荷方差、迎早峰平均值、迎午峰平均值、迎晚峰平均值、高能耗天数、低能耗天数七种属性转换为k个特征参数,其中k<7,之后将原数据矩阵转换为降维后的数据矩阵;
步骤2.3.2:首先,通过K-means聚类算法对降维后的数据矩阵进行聚类处理得到簇类和类核心,并得到样本到最近核心的距离集合{,/>,/>,...,/>},其中,m为样本数量;
之后,根据距离集合计算其期望值μ和方差σ2并构建高斯分布函数:
当f(x)<3σ时,则判断该样本为异常样本,并将该样本放入异常用户集合Sab;
步骤3:选取异常用电用户集合中的一个用户进行用户设备功率分解,得到用户使用电器的详细情况;
步骤4:对于异常用户,生成所述用户的历史关联规则,具体为:
步骤4.1:构建该用户的历史频繁项集,计算并记录每一项集对应的绝对支持度;
步骤4.2:判断每一个项集是否在频繁模式数据库,如果是则对该项集的绝对支持度的数据进行更新,新的绝对支持度=旧的绝对支持度+当天的绝对支持度;如果否则在频繁模式数据库中添加该项集,并以当天的绝对支持度作为初始计数;
步骤4.3:通过对频繁模式数据库中的项集的绝对支持度的累加得到项集的月度数据集长度;为每个月的数据设置一个权重,以所有月度的数据的加权和作为数据集中该项集的绝对支持度,即:
其中w是权重向量,as_X表示项集X的绝对支持度向量,lm是12个月的数据集长度向量;
步骤4.4:以频繁模式数据库中的频繁项集中任意一部分的元素作为先导,以剩余的元素作为后继,计算该先导到后继对应的关联规则的置信度,并通过预设的最小置信度过滤得到历史关联规则;
步骤5:根据疑似窃电时段内的用户电器使用情况,生成疑似窃电用户用电规律的关联规则,并与历史关联规则比对,所述窃电用户用电规律的关联规则与历史关联规则相似度小于异常阈值,则判断为发生窃电行为,具体为:
步骤5.1:将用户疑似窃电时间段内启动时间间隔一小时以内的电器,以时序顺序放入疑似窃电关联规则集合;
步骤5.2:提取用户历史关联规则先导元素,得到集合S,将用户疑似窃电时间段内S集合中离散数据放入疑似窃电关联规则集合;
步骤5.3:计算疑似窃电关联规则与历史关联规则相似度:
其中,为历史关联规则集合元素数量,/>疑似窃电关联规则集合元素数量,/>为历史关联规则集合与疑似窃电关联规则集合交集中元素数量。
2.根据权利要求1所述的一种基于用户用电行为的窃电监测方法,其特征在于:
检测周期T>7。
3.根据权利要求1所述的一种基于用户用电行为的窃电监测方法,其特征在于:
所述异常阈值设定为0.5。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311069974.0A CN116777124B (zh) | 2023-08-24 | 2023-08-24 | 一种基于用户用电行为的窃电监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311069974.0A CN116777124B (zh) | 2023-08-24 | 2023-08-24 | 一种基于用户用电行为的窃电监测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116777124A CN116777124A (zh) | 2023-09-19 |
CN116777124B true CN116777124B (zh) | 2023-11-07 |
Family
ID=87989936
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311069974.0A Active CN116777124B (zh) | 2023-08-24 | 2023-08-24 | 一种基于用户用电行为的窃电监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116777124B (zh) |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016176642A1 (en) * | 2015-04-30 | 2016-11-03 | Cohere Technologies, Inc. | Orthogonal time frequency space modulation system for the internet of things |
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 |
CN109490679A (zh) * | 2018-12-31 | 2019-03-19 | 天津求实智源科技有限公司 | 基于非侵入式负荷监测的智能窃电稽查系统及方法 |
CN109583679A (zh) * | 2018-09-30 | 2019-04-05 | 国网浙江长兴县供电有限公司 | 一种多算法融合的窃电疑似度分析方法 |
CN109753989A (zh) * | 2018-11-18 | 2019-05-14 | 韩霞 | 基于大数据与机器学习的电力用户窃电行为分析方法 |
WO2019237492A1 (zh) * | 2018-06-13 | 2019-12-19 | 山东科技大学 | 一种基于半监督学习的异常用电用户检测方法 |
CN111738364A (zh) * | 2020-08-05 | 2020-10-02 | 国网江西省电力有限公司供电服务管理中心 | 一种基于用户负荷与用电参量相结合的窃电检测方法 |
CN113344346A (zh) * | 2021-05-25 | 2021-09-03 | 合肥工业大学 | 基于非侵入式负荷分解的用电异常检测方法和系统 |
CN113504502A (zh) * | 2021-07-21 | 2021-10-15 | 黄山凯新技术咨询有限公司 | 一种非侵入式负荷感知智能电表检测方法及系统 |
CN113762355A (zh) * | 2021-08-17 | 2021-12-07 | 上海电力大学 | 一种基于非侵入式负荷分解的用户异常用电行为检测方法 |
CN114118279A (zh) * | 2021-11-30 | 2022-03-01 | 国网辽宁省电力有限公司信息通信分公司 | 一种居民用电负荷异常数据的识别方法 |
CN114818313A (zh) * | 2022-04-22 | 2022-07-29 | 国网上海市电力公司 | 一种基于合成少数类过采样技术的隐蔽窃电行为辨识方法 |
CN115409120A (zh) * | 2022-09-02 | 2022-11-29 | 国网青海省电力公司海西供电公司 | 一种基于数据驱动的用户窃电行为检测辅助方法 |
CN115841338A (zh) * | 2022-12-02 | 2023-03-24 | 国网青海省电力公司信息通信公司 | 确定异常用电行为的方法及装置、非易失性存储介质 |
CN116307092A (zh) * | 2023-02-01 | 2023-06-23 | 福建网能科技开发有限责任公司 | 基于用电信息采集的台区防窃电分析方法 |
-
2023
- 2023-08-24 CN CN202311069974.0A patent/CN116777124B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016176642A1 (en) * | 2015-04-30 | 2016-11-03 | Cohere Technologies, Inc. | Orthogonal time frequency space modulation system for the internet of things |
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 |
WO2019237492A1 (zh) * | 2018-06-13 | 2019-12-19 | 山东科技大学 | 一种基于半监督学习的异常用电用户检测方法 |
CN109583679A (zh) * | 2018-09-30 | 2019-04-05 | 国网浙江长兴县供电有限公司 | 一种多算法融合的窃电疑似度分析方法 |
CN109753989A (zh) * | 2018-11-18 | 2019-05-14 | 韩霞 | 基于大数据与机器学习的电力用户窃电行为分析方法 |
CN109490679A (zh) * | 2018-12-31 | 2019-03-19 | 天津求实智源科技有限公司 | 基于非侵入式负荷监测的智能窃电稽查系统及方法 |
CN111738364A (zh) * | 2020-08-05 | 2020-10-02 | 国网江西省电力有限公司供电服务管理中心 | 一种基于用户负荷与用电参量相结合的窃电检测方法 |
CN113344346A (zh) * | 2021-05-25 | 2021-09-03 | 合肥工业大学 | 基于非侵入式负荷分解的用电异常检测方法和系统 |
CN113504502A (zh) * | 2021-07-21 | 2021-10-15 | 黄山凯新技术咨询有限公司 | 一种非侵入式负荷感知智能电表检测方法及系统 |
CN113762355A (zh) * | 2021-08-17 | 2021-12-07 | 上海电力大学 | 一种基于非侵入式负荷分解的用户异常用电行为检测方法 |
CN114118279A (zh) * | 2021-11-30 | 2022-03-01 | 国网辽宁省电力有限公司信息通信分公司 | 一种居民用电负荷异常数据的识别方法 |
CN114818313A (zh) * | 2022-04-22 | 2022-07-29 | 国网上海市电力公司 | 一种基于合成少数类过采样技术的隐蔽窃电行为辨识方法 |
CN115409120A (zh) * | 2022-09-02 | 2022-11-29 | 国网青海省电力公司海西供电公司 | 一种基于数据驱动的用户窃电行为检测辅助方法 |
CN115841338A (zh) * | 2022-12-02 | 2023-03-24 | 国网青海省电力公司信息通信公司 | 确定异常用电行为的方法及装置、非易失性存储介质 |
CN116307092A (zh) * | 2023-02-01 | 2023-06-23 | 福建网能科技开发有限责任公司 | 基于用电信息采集的台区防窃电分析方法 |
Non-Patent Citations (1)
Title |
---|
基于用电信息采集数据的电能质量分析;梁振锋;祖莹;刘伟;肖凤斌;陈谦;;供用电(第10期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116777124A (zh) | 2023-09-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110097297B (zh) | 一种多维度窃电态势智能感知方法、系统、设备及介质 | |
CN110223196B (zh) | 基于典型行业特征库和反窃电样本库的反窃电分析方法 | |
US20180351355A1 (en) | Method for identifying pattern of load cycle | |
Chicco et al. | Emergent electricity customer classification | |
CN106446016A (zh) | 一种基于并行关联规则挖掘的配电网运行可靠性预测方法 | |
CN110288039B (zh) | 基于用户用电负荷特征窃电检测方法 | |
CN111539585B (zh) | 一种基于随机森林的电力客户诉求敏感度监督及预警方法 | |
CN110414768B (zh) | 一种基于仪器电流数据的大数据分析方法 | |
CN111008193B (zh) | 一种数据清洗与质量评价方法及系统 | |
CN110739686A (zh) | 一种基于总表异常分析的台区线损治理方法及系统 | |
CN115641162A (zh) | 一种基于建筑工程造价的预测数据分析系统和方法 | |
CN115375205A (zh) | 一种用水用户画像的确定方法、装置及设备 | |
CN116882804A (zh) | 一种智能电力监控方法及系统 | |
CN115049410A (zh) | 窃电行为识别方法、装置、电子设备及计算机可读存储介质 | |
CN114548493A (zh) | 一种电能表电流过载预测方法与系统 | |
CN112631889B (zh) | 针对应用系统的画像方法、装置、设备及可读存储介质 | |
CN112116205B (zh) | 针对台区用电特征的画像方法、装置和存储介质 | |
CN116777124B (zh) | 一种基于用户用电行为的窃电监测方法 | |
CN115905319B (zh) | 一种海量用户电费异常的自动识别方法及系统 | |
CN114676931B (zh) | 一种基于数据中台技术的电量预测系统 | |
CN115166625A (zh) | 智能电表误差估计方法及装置 | |
CN115147242A (zh) | 一种基于数据挖掘的电网数据管理系统 | |
CN114048200A (zh) | 一种计及缺失数据补齐的用户用电行为分析方法 | |
CN113190595B (zh) | 一种小样本驱动的异常用电数据集的构建方法及装置 | |
Luo et al. | Detection of abnormal power consumption patterns of power users based on machine learning |
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 |