[發明專利]基于XGBoost模型的用戶異常用電行為檢測方法及裝置

在審

• 申請號: 202110951916.5
• 申請日: 2021-08-19
• 公開（公告）號: CN113409166A
• 公開（公告）日: 2021-09-17
• 發明（設計）人: 戶艷琴;張吳敏;劉念;李承霖;傅皆愷;黃天翔;張延;石德文;李柯舟;胡志強;范志夫;李海明;史佳琪
• 申請（專利權）人: 國網江西綜合能源服務有限公司;國家電網有限公司;華北電力大學
• 主分類號: G06Q50/06
• 分類號: G06Q50/06;G06N3/12
• 代理公司: 南昌賢達專利代理事務所(普通合伙) 36136
• 代理人: 金一嫻

本發明公開一種基于XGBoost模型的用戶異常用電行為檢測方法及裝置，方法包括：響應于獲取的用戶原始數據，基于邊緣計算節點對用戶原始數據進行數據預處理，使得到優化用電數據；響應于獲取的優化用電數據，對訓練模型進行訓練并生成XGBoost檢測模型；基于改進的遺傳算法對XGBoost檢測模型進行參數優化，使確定XGBoost檢測模型的最佳超參數組合；將待檢測數據輸入XGBoost檢測模型中，基于最佳超參數組合進行判斷某一優化用電數據是否異常。利用改進的遺傳算法進行超參數優化的XGBoost算法，對終端用戶進行用電異常行為檢測，在保護用戶用電隱私的同時，大大提高了檢測的準確性和快速性。

技術領域

本發明屬于電網反竊電技術領域，尤其涉及一種基于XGBoost模型的用戶異常用電行為檢測方法及裝置。

背景技術

隨著經濟的快速發展，用戶的用電需求不斷增加，若用戶用電行為異常將增大電網的非技術性損失，增加電力公司的運營成本。傳統的用戶異常用電行為檢測方法是現場人員定期巡檢線路、定期校驗電表、用戶舉報等，這些手段對人的依賴性較大，需要投入大量的人力成本，同時，用電行為的檢測耗時較長、效率較低。

目前，對于異常用電行為檢測的研究主要分為基于狀態和基于人工智能兩類方法。基于狀態的分析方法是通過實時比較配電網的功率、電壓、電流等大量數據的變化來檢測異常；基于人工智能的異常用電行為檢測模型則首先通過數據分析提取可以反映異常用電行為的指標，再借助人工智能的方法訓練指標與用電行為檢測結果之間的映射關系，完成異常用電行為檢測模型的構建。相關技術1：基于硬件的用戶異常用電行為檢測方法，使用攝像頭、傳感器及聯網裝置組成的復雜檢測系統等外置監測裝置實時監測供電設備是否遭到破壞、用電行為是否正常。該方法需要較高的設備成本，硬件設備容易受到天氣等外在因素的干擾，設備維護較為困難，并且難以識別軟件竊電、遙控竊電等異常用電行為。相關技術2：基于狀態的用戶異常用電行為檢測方法，基于狀態的用戶異常用電行為檢測方法主要是通過對比分析用戶的用電量信息進行用戶用電行為的檢測，如對用戶日用電量和日線損電量數據進行批量處理及相關度分析來識別臺區用戶竊電行為；綜合對比分析同期線損、用電負荷、日用電量、電流及有功功率等電量信息，實現用戶異常用電行為的精準檢測等。但是在配電網的實際運行中，用戶側具有海量且多元的用電數據，異常用電行為也多種多樣，基于狀態的檢測方法需要較長的檢測時間。相關技術3：基于人工智能的用戶異常用電行為檢測方法，基于人工智能的用戶異常用電行為檢測方法是指借助人工智能方法和大量用電數據，訓練用電行為檢測模型，達到已知用戶用電數據的情況快速識別用戶用電行為是否異常的效果。如以正常用戶用電數據為訓練樣本，采用自編碼網絡學習數據特征，重構輸入數據以計算檢測閾值，基于此建立對比誤差與檢測閾值的異常用電行為辨識模型等。該類方法在評價指標的選擇、訓練時間和檢測效率的優化方面仍存在較大的提升空間。

但是上述方法存在以下問題：

1.借助攝像頭，傳感器等裝置對供電設備進行實時監測的方法，成本較高，需要使用大量、昂貴的硬件來滿足監控的需求，而且對于軟件竊電，遙控竊電等現象，由于沒有人的直接參與，裝置的攝像頭難以識別并報警。

2.對電氣量狀態進行實時監測的方法，難以及時處理配電網實際中的大量數據，耗時較長，且異常用電行為多樣，容易發生誤判。

3.現有的用戶異常用電行為的識別方法為了提高識別精確度，常采用復雜的人工智能算法，從而造成會占用較多的運算資源，計算時間較長。

4.傳統基于用戶用電模式異常的識別方法需要檢測裝置上傳用戶的全部用電數據，由控制中心的識別模塊對用電數據進行計算與識別，控制中心計算負荷較大且用戶用電數據易被竊取，難以保護用戶的用電隱私。

綜上描述，亟需一種用戶異常用電行為檢測方法及裝置，對異常用電檢測模型進行優化，以提高檢測準確率。

發明內容

本發明提供一種基于XGBoost模型的用戶異常用電行為檢測方法及裝置，用于至少解決上述技術問題之一。