[發明專利]基于偽異常點辨識的關口電能表數據異常檢測方法及系統

有效

• 申請號: 202011079730.7
• 申請日: 2020-10-10
• 公開（公告）號: CN112213687B
• 公開（公告）日: 2023-05-16
• 發明（設計）人: 白泰;王家駒;徐嚴軍;汪佳;劉晨;謝智;張然;薛莉思;吳蒙;鐘黎
• 申請（專利權）人: 國網四川省電力公司電力科學研究院
• 主分類號: G01R35/04
• 分類號: G01R35/04
• 代理公司: 成都行之專利代理事務所(普通合伙) 51220
• 代理人: 張超

1.基于偽異常點辨識的關口電能表數據異常檢測方法,其特征在于，包括以下步驟：

基于關口電能表采集到的異常數據集，判斷所述異常數據集的類型，所述類型包括：隨機異常模式和連續異常模式；

A：針對隨機異常模式的異常數據集：

將所述隨機異常模式下異常數據集的負荷曲線，通過STL時間序列分解算法處理，得到所述負荷曲線的趨勢項、周期項和殘差項，包括以下子步驟：

步驟A1：將所述負荷曲線進行去趨勢化處理，提取所述負荷曲線的周期項和殘差項，并將所述去趨勢化后的負荷曲線，進行傅里葉變換至頻域，根據峰值間隔獲得所有候選周期K；

步驟A2：對去趨勢化后的所述負荷曲線進行自相關性分析，獲得所述候選周期K對應的自相關函數值ρ，通過對潛在異常值分別剔除進行迭代計算，獲得最大自相關函數值ρ_max，所述最大自相關函數值ρ_max對應的周期k_i即為蘊含用戶周期性用電行為的真實周期，從而篩選出隨機異常點；

其中，K＝{k₁,k₂…,k_n},ρ＝{ρ₁,ρ₂…,ρ_n}，i∈{1，2，…,n}，n為自然數；

B：針對連續異常模式的異常數據集：

基于歷史數據集，通過提取線損率和電量連續下降趨勢形成專家樣本，送入分類器進行訓練，形成用戶竊電行為檢測模型；將所述連續異常模式的異常數據集送入所述用戶竊電行為檢測模型中，從而篩選出連續異常點。

2.根據權利要求1所述基于偽異常點辨識的關口電能表數據異常檢測方法,其特征在于，所述分類器使用的算法包括決策樹算法和SVM算法。

3.根據權利要求2所述基于偽異常點辨識的關口電能表數據異常檢測方法,其特征在于，通過ROC曲線中的AUC指標來評價所述用戶竊電行為檢測模型。

4.根據權利要求1所述基于偽異常點辨識的關口電能表數據異常檢測方法，其特征在于，根據所述異常數據集，篩選出所有異常值，根據所述異常值與時間戳的映射關系，判斷所述異常數據集為隨機異常模式或連續異常模式。

5.根據權利要求4所述基于偽異常點辨識的關口電能表數據異常檢測方法，其特征在于，通過3σ準則法或箱線圖法，篩選出所有隨機異常值。

6.根據權利要求1所述基于偽異常點辨識的關口電能表數據異常檢測方法，其特征在于，通過STL時間序列分解算法對所述負荷曲線進行去趨勢化，所述STL時間序列分解算法如下式：

Y_v＝f(T_v,S_v,R_v)v＝1,…,N；

式中，T_v是趨勢項，表現數據的長期特征；S_v是周期項，表現數據的周期性特征，R_v是殘差項，表現數據的不確定性特征；N為自然數。

7.基于偽異常點辨識的關口電能表數據異常檢測系統，其特征在于，包括：

采集模塊：用于從關口電能表中采集異常數據集，并判斷所述異常數據集的類型為隨機異常模式或連續異常模式；

隨機異常點篩選模塊：用于將所述隨機異常模式下異常數據集的負荷曲線，通過STL時間序列分解算法處理，將所述負荷曲線進行去趨勢化處理，提取所述負荷曲線的周期項和殘差項，并將所述去趨勢化后的負荷曲線，進行傅里葉變換至頻域，根據峰值間隔獲得所有候選周期K；對去趨勢化后的所述負荷曲線進行自相關性分析，獲得所述候選周期K對應的自相關函數值P，通過對潛在異常值分別剔除進行迭代計算，獲得最大自相關函數值ρmax，所述最大自相關函數值ρmax對應的周期ki即為蘊含用戶周期性用電行為的真實周期，從而篩選出隨機異常點；其中，K＝{k1,k2…,kn},P＝{ρ1,ρ2…,ρn}，i∈{1，2，…,n}，n為自然數；

連續異常點篩選模塊：用于基于歷史數據集，通過提取線損率和電量連續下降趨勢形成專家樣本，送入分類器進行訓練，形成用戶竊電行為檢測模型；將所述連續異常模式的異常數據集送入所述用戶竊電行為檢測模型中，從而篩選出連續異常點；

輸出模塊：用于輸出顯示所述隨機異常點和所述連續異常點。