[發(fā)明專利]一種基于用戶負(fù)荷與用電參量相結(jié)合的竊電檢測(cè)方法

有效

• 申請(qǐng)?zhí)枺?/td>: 202010775701.8
• 申請(qǐng)日: 2020-08-05
• 公開(kāi)（公告）號(hào): CN111738364B
• 公開(kāi)（公告）日: 2021-05-25
• 發(fā)明（設(shè)計(jì)）人: 鄧高峰;溫和;劉強(qiáng);王珺;張春強(qiáng);胡濤;趙震宇;鄭振洲;郭雪薇;劉仕萍;李肖
• 申請(qǐng)（專利權(quán)）人: 國(guó)網(wǎng)江西省電力有限公司供電服務(wù)管理中心;國(guó)家電網(wǎng)有限公司;國(guó)網(wǎng)江西省電力有限公司電力科學(xué)研究院;湖南大學(xué)
• 主分類號(hào): G06K9/62
• 分類號(hào): G06K9/62;G06N3/04;G06Q50/06
• 代理公司: 北京眾合誠(chéng)成知識(shí)產(chǎn)權(quán)代理有限公司 11246
• 代理人: 許瑩瑩

1.一種基于用戶負(fù)荷與用電參量相結(jié)合的竊電檢測(cè)方法，其特征在于：首先建立基于用戶負(fù)荷的竊電初篩模型，竊電初篩模型先采用模糊C均值算法與隨機(jī)選擇法相結(jié)合的方法對(duì)用戶負(fù)荷數(shù)據(jù)進(jìn)行聚類，將用戶劃分為不同的類別并找出用戶的負(fù)荷特征曲線，計(jì)算用戶日常負(fù)荷曲線與該用戶特征負(fù)荷曲線的距離，找出偏離程度較大的嫌疑異常用戶；最后利用改進(jìn)并列式長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)LSTM算法訓(xùn)練得到基于用電參量的用戶竊電識(shí)別模型進(jìn)行進(jìn)一步的觀察和篩選找出竊電用戶；具體包括以下步驟：

步驟a．讀取臺(tái)區(qū)下N個(gè)用戶的X個(gè)月的負(fù)荷數(shù)據(jù)，每個(gè)用戶每天Y個(gè)負(fù)荷數(shù)據(jù)，其中3≤X≤12，Y≥1；然后對(duì)負(fù)荷數(shù)據(jù)進(jìn)行數(shù)據(jù)預(yù)處理操作，得到預(yù)處理后的負(fù)荷數(shù)據(jù)且可以直接輸入到竊電初篩模型中；

步驟b．采用模糊C均值算法與隨機(jī)選擇法相結(jié)合的方法對(duì)N個(gè)用戶負(fù)荷數(shù)據(jù)進(jìn)行聚類，首先運(yùn)用模糊C均值算法確定各用戶數(shù)據(jù)的最佳分類數(shù)FK，其范圍是1至Y；然后采用隨機(jī)選擇法從N個(gè)用戶負(fù)荷數(shù)據(jù)中隨機(jī)選擇數(shù)據(jù)對(duì)象作為初始的聚類中心線；將聚類算法運(yùn)行FK次，最后取平均值作為最終的聚類中心線，并將聚類中心線作為N個(gè)用戶負(fù)荷數(shù)據(jù)的負(fù)荷特征曲線，其中元素x_j1,…, x_jY為N個(gè)用戶負(fù)荷數(shù)據(jù)聚類后的平均值；

所述步驟b中，模糊C均值算法的聚類有效性函數(shù)為：

其中，U為隸屬度矩陣，c為分類數(shù)目，u_ij表示第i個(gè)樣本屬于第j類的隸屬度，n為樣本個(gè)數(shù)，V_j為第j個(gè)聚類中心；為可能性劃分系數(shù)；當(dāng)取最大值時(shí)，此時(shí)的c值為最佳分類數(shù)；x_i為第i個(gè)輸入樣本；J₀為n個(gè)樣本到聚類中心的距離的最大值；

步驟c．使用N個(gè)用戶每天的負(fù)荷數(shù)據(jù)與步驟b中形成的負(fù)荷特征曲線j，其中x_i1,…, x_iY分別為第i個(gè)用戶的第1至Y個(gè)負(fù)荷數(shù)據(jù)，計(jì)算負(fù)荷數(shù)據(jù)與負(fù)荷特征曲線的歐式距離，進(jìn)一步計(jì)算加權(quán)歐式距離，通過(guò)加權(quán)歐式距離和距離閾值，判斷用戶是否偏移其日常用電規(guī)律，如果偏離度超過(guò)距離閾值，則將視為嫌疑異常用戶；

步驟d．讀取嫌疑異常用戶的竊電判別指標(biāo)數(shù)據(jù)并對(duì)數(shù)據(jù)進(jìn)行歸一化；竊電判別指標(biāo)數(shù)據(jù)包括電壓不平衡率、電流不平衡率、功率因數(shù)不平衡率、臺(tái)區(qū)線損率、電量峰值、電量谷值；其中電壓不平衡率為，U_a、U_b、U_c為三相電壓，和分別表示取U_a、U_b、U_c中的最大和最小值，電流不平衡率為，I_a、I_b、I_c為三相電流，和分別表示取I_a、I_b、I_c中的最大和最小值，數(shù)據(jù)進(jìn)行歸一化的公式為，x_max為數(shù)據(jù)的最大值，x_min為數(shù)據(jù)的最小值；

步驟e．將步驟d得到的歸一化后的竊電判別指標(biāo)數(shù)據(jù)作為樣本數(shù)據(jù)，一部分作為訓(xùn)練樣本數(shù)據(jù)，另一部分作為測(cè)試樣本數(shù)據(jù)，然后利用改進(jìn)并列式長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)LSTM算法訓(xùn)練得到竊電識(shí)別模型；

所述步驟e中，改進(jìn)并列式長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)LSTM算法中，輸入數(shù)據(jù)由傳統(tǒng)的按時(shí)間序列輸入的方式改進(jìn)為按3個(gè)等級(jí)并列式輸入的方式，首先將訓(xùn)練樣本數(shù)據(jù)按照加權(quán)歐式距離進(jìn)行分組排序，排序結(jié)果的前30%作為第1個(gè)等級(jí)輸入，31%-60%作為第2個(gè)等級(jí)輸入，余下的作為第3個(gè)等級(jí)輸入；考慮到一天中的采樣點(diǎn)個(gè)數(shù)s，其中s的范圍是1至Y*N，具體設(shè)置LSTM的最優(yōu)輸入神經(jīng)元個(gè)數(shù)為ne，且ne遠(yuǎn)小于s，ne的范圍是1至s/10間的整數(shù)，設(shè)置最優(yōu)輸出神經(jīng)元個(gè)數(shù)為1，即不斷利用前ne個(gè)序列數(shù)據(jù)輸入LSTM，預(yù)測(cè)下一個(gè)序列數(shù)據(jù)；將長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)LSTM每個(gè)時(shí)間階段的預(yù)測(cè)值作為準(zhǔn)確值，設(shè)置上下浮動(dòng)的閾值范圍，對(duì)該序列數(shù)據(jù)點(diǎn)對(duì)應(yīng)的實(shí)際負(fù)荷數(shù)據(jù)進(jìn)行判斷，若其超出閾值范圍，則視為異常值，并將LSTM的預(yù)測(cè)值作為修正值，繼續(xù)往前預(yù)測(cè)，直至－天的所有序列數(shù)據(jù)運(yùn)行結(jié)束；

步驟f．基于步驟e所訓(xùn)練得到的竊電識(shí)別模型，將嫌疑異常用戶測(cè)試樣本數(shù)據(jù)代入該竊電識(shí)別模型，如果模型顯示的預(yù)測(cè)值超過(guò)模型閾值，則將該嫌疑異常用戶添加到竊電用戶名單，否則對(duì)該用戶結(jié)束檢測(cè)。

2.根據(jù)權(quán)利要求1所述的基于用戶負(fù)荷與用電參量相結(jié)合的竊電檢測(cè)方法，其特征在于：所述步驟a中數(shù)據(jù)預(yù)處理包括數(shù)據(jù)的篩選與清洗、缺失值填充、異常值處理及數(shù)據(jù)的歸一化處理。