一种基于集成ELM的配电网窃电嫌疑用户智能识别方法技术

本发明专利技术涉及一种基于集成ELM的配电网窃电嫌疑用户智能识别方法，包括以下步骤：首先获取学习数据和预测数据并进行数据清洗；然后构建窃电评价指标体系：告警特征、电量特征及负荷特征，形成学习样本和预测样本；将学习样本划分为训练集和测试集，利用所述的训练集学习集成ELM窃电嫌疑用户识别模型，并基于所述的测试集评估模型效果；最后将预测样本作为所述的集成ELM窃电嫌疑用户识别模型输入量，输出每一用户的窃电嫌疑系数，锁定窃电嫌疑用户。本发明专利技术集合了ELM较快的学习速度与集成学习的高精度性，从窃电告警、电量、负荷多个维度分析用户窃电嫌疑，能实现窃电行为的快速有效识别，将反窃电管理模式提升至“事前预防、事中控制”的管理水平。

Intelligent identification method for suspected power stealing of distribution network based on integrated ELM

The invention relates to a distribution network guarding the user intelligent recognition method based on integrated ELM, which comprises the following steps: first acquiring learning data and forecast data and data cleaning; then construct the evaluation index system of electricity, electricity: alarm features characteristics and load characteristics, the formation of learning samples and predicting samples; the study sample is divided into training set and the test set, using the training set learning integrated ELM guarding user identification model, and set the evaluation model of effect test based on the predicted input; integrated ELM guarding user identification model as the sample, guarding coefficient of the output of each user, users suspected of stealing lock. The present invention set the high precision of the ELM fast learning speed and ensemble learning, analysis of user guarding alarm, electricity load, electricity from multiple dimensions, to achieve fast and effective identification of stealing behavior, will enhance the anti stealing management mode to \prevention and control\ management level.

【技术实现步骤摘要】
一种基于集成ELM的配电网窃电嫌疑用户智能识别方法
本专利技术涉及配电网反窃电
，具体涉及一种基于集成ELM的配电网窃电嫌疑用户智能识别方法。技术背景因用电用户有意或无意的非法用电行为，导致营销系统不能正常计费收费，给电力系统在运行过程中造成一定的损失，为了避免和减少这些损失，需要对用户的用电使用情况实时监测，防止和减少窃电和漏电的情况出现。传统的防窃电措施通常是定期巡检线路、定期校验电表、用户举报窃电等手段，这些手段效率低、对人的依赖大，目标也不明确，需要一个智能的分析手段来判定用户的用电是否正常，再对重点监控的用户实时告警，为现场勘察是否偷电提供依据，即采用大数据分析与挖掘技术对窃电嫌疑用户进行智能识别。目前，BP神经网络算法凭借强大的自学习与自适应能力较为广泛应用于防窃电预测领域，但其收敛速度慢，对样本依赖性强等缺点也影响了预测的效率及精度。基于上述背景，本专利技术提出了一种基于集成ELM（ExtremeLearningMachine，极限学习机）的配电网窃电嫌疑用户智能识别方法。该方法集合了ELM较快的学习速度与集成学习的高精度性，并从线损、窃电告警、电量及负荷多个维度分析用户窃电嫌疑，能实现窃电行为的快速有效识别，从而将反窃电管理模式提升至“事前预防、事中控制”的管理水平。
技术实现思路
本专利技术涉及一种基于集成ELM的配电网窃电嫌疑用户智能识别方法，主要包括以下步骤：步骤1：获取学习数据和预测数据并进行数据清洗；步骤2：构建窃电评价指标体系：告警特征、电量特征及负荷特征，形成学习样本和预测样本；步骤3：将所述的学习样本划分为训练集和测试集，利用所述的训练集学习集成ELM窃电嫌疑用户识别模型，并基于所述的测试集评估模型效果。步骤4：将预测样本作为所述的集成ELM窃电嫌疑用户识别模型输入量，输出每一用户的窃电嫌疑系数，锁定窃电嫌疑用户。所述的基于集成ELM的配电网窃电嫌疑用户智能识别方法，其特征在于，所述的学习数据和预测数据，包含用户档案、告警、行度及负荷四种类型；所述的学习数据中必须包含正常用户样本与窃电用户样本，所述的测试数据仅包含窃电嫌疑线路下的部分用户，而窃电嫌疑线路通过线损进行定位。所述的基于集成ELM的配电网窃电嫌疑用户智能识别方法，其特征在于，所述的窃电评价指标体系，包含告警、电量及负荷三大特征，所述的告警特征为窃电告警系数，所述的电量特征包括斜率及截距，所述的负荷特征包括斜率及截距，为当前时间往前推移的天数。所述的基于集成ELM的配电网窃电嫌疑用户智能识别方法，其特征在于，所述的窃电告警系数的计算公式为：其中，表示所有窃电告警组合（包括单个的）的权重之和，表示天内出现的所有告警组合的最大子集的权重，而告警及其组合的权重将根据其对窃电的影响程度的大小有专业人员设定。所述的基于集成ELM的配电网窃电嫌疑用户智能识别方法，其特征在于，所述的斜率、截距、斜率及截距将通过构建一元线性回归方程得到，具体模型为：，其中，，，，为用电量，为时间编号（以天为单位），为负荷，故、分别表示在第天的前天的用电量及负荷，有，，，。所述的集成ELM窃电嫌疑用户识别模型，包含如下几个步骤：(1)初始化ELM模型参数，包括：极限学习机隐含层神经元个数,训练极限学习机个数，基于准确率集成极限学习机分类器的个数，基于差异度集成的极限学习机的个数；(2)基于不同，用训练样本（矩阵）训练生成个极限学习机；(3)用每个极限学习机识别测试集样本，计算每一个极限学习机分类器的确率：(4)根据识别率大小，选择个识别效果较好的极限学习机。(5)对于筛选出的个极限学习机，采用Q统计法计算任何，()间的差异度，计算公式为：其中，与表示极限学习机，均预测正确与均预测错误的样本数，表示预测错误而预测正确的样本数，相反，表示预测正确而预测错误的样本数。(6)将个极限学习机组合为个分类器集，计算每个分类器集的差异度：表示第个分类器集中极限学习机()间的差异度。(7)比较所有极限学习机分类器集的差异度，最大对应的极限学习机集合则为集成ELM模型。(8)当利用上述集成ELM模型进行预测时，采用投票法得到综合判断结果。本专利技术提出的集成ELM窃电嫌疑用户识别模型，综合考虑了单一ELM的高学习效率与高泛化能力，针对单一ELM模型训练精度较弱的缺点，对其采用集成学习的方式进行改进。同时，为保证集成ELM模型的多样性及有效性，对于不同的单一ELM采用不同的网络结构（隐含层神经元不同），并利用准确率与差异度对其进行筛选，使最终集成的组合ELM模型最优，对窃电嫌疑用户的识别效果明显优于传统的单一ELM模型。在指标的选择上，模型从与窃电有关告警、平均电量及其变化趋势、平均负荷及其变化趋势多个维度分析用户窃电的可能性，能有效识别用户窃电行为，将反窃电管理模式提升至“事前预防、事中控制”的管理水平。附图说明图1基于集成ELM的配电网窃电嫌疑用户智能识别方法的主要流程图；图2集成ELM模型的主要流程图；图3单一ELM模型的示意图；图4本专利技术模型的ROC曲线与传统单一LM模型的比较图。具体实施方式下面结合附图和实施例对本专利技术的技术方案进行详细的说明。本实施例为基于本专利技术集成ELM窃电嫌疑用户智能识别模型对广东电网江门供电局蓬江窃电嫌疑用户做出预测，结合图1的模型建立与求解过程，具体步骤如下：步骤1：获取学习数据和预测数据并进行数据清洗；步骤2：构建窃电评价指标体系：告警特征、电量特征及负荷特征，形成学习样本和预测样本；步骤3：将所述的学习样本划分为训练集和测试集，利用所述的训练集学习集成ELM窃电嫌疑用户识别模型，并基于所述的测试集评估模型效果。步骤4：将预测样本作为所述的集成ELM窃电嫌疑用户识别模型输入量，输出每一用户的窃电嫌疑系数，锁定窃电嫌疑用户。所述的步骤1具体说明如下：本实施例涉及的数据来源于2016年1月至2016年10月广东省江门市蓬江区内配网用户档案（用户编号、用电类型）、窃电告警（用户编号、告警名称、告警时间）、行度（用户编号、日期、日走字）、负荷（用户编号，日期，负荷）数据，其中行度及告警数据的时间间隔为1小时。其中2016年1月份至9月份的窃电用户及部分正常用户组数据为学习数据，2016年10月份部分用户数据为预测数据。本过程可以描述为：S1.1：学习数据抽取。从江门供电局计量自动化系统抽取蓬江供电局2016年1月至2016年9月窃电用户及部分正常用户上述四种类型数据。S1.2：预测数据抽取，具体包含以下3个子步骤：1)筛选10月份月线损超出正常范围线路为窃电嫌疑线路；2)针对窃电嫌疑线路下用户，结合用电类型，排除路灯专变、学校用电等窃电嫌疑微小用户，并定义工业用电、商业用电等其余用电户为待预测用户。3)针对待预测用户，从江门供电局计量自动化系统抽取2016年10月份数据组成测试数据。S1.3：数据清洗，具体包括：缺失数据的插补与异常数据的处理。所述的步骤2具体说明如下：S2.1：针对清洗后的学习与预测数据，计算每个用户每天的总电量及总负荷，整理其告警组合；S2.2：计算每一个用户每一天的窃电告警系数：其中，表示所有窃电告警组合（包括单个的）的权重之和，表示天内出现的所有告警组合的最大子集的权重，而告警及其组合的权重将根据其对窃电的本文档来自技高网...

【技术保护点】
一种基于集成ELM的配电网窃电嫌疑用户智能识别方法，其特征在于，包括以下步骤：步骤1：获取学习数据和预测数据并进行数据清洗；步骤2：构建窃电评价指标体系：告警特征、电量特征及负荷特征，形成学习样本和预测样本；步骤3：将所述的学习样本划分为训练集和测试集，利用所述的训练集学习集成ELM窃电嫌疑用户识别模型，并基于所述的测试集评估模型效果；步骤4：将预测样本作为所述的集成ELM窃电嫌疑用户识别模型输入量，输出每一用户的窃电嫌疑系数，锁定窃电嫌疑用户。

【技术特征摘要】
1.一种基于集成ELM的配电网窃电嫌疑用户智能识别方法，其特征在于，包括以下步骤：步骤1：获取学习数据和预测数据并进行数据清洗；步骤2：构建窃电评价指标体系：告警特征、电量特征及负荷特征，形成学习样本和预测样本；步骤3：将所述的学习样本划分为训练集和测试集，利用所述的训练集学习集成ELM窃电嫌疑用户识别模型，并基于所述的测试集评估模型效果；步骤4：将预测样本作为所述的集成ELM窃电嫌疑用户识别模型输入量，输出每一用户的窃电嫌疑系数，锁定窃电嫌疑用户。2.根据权利要求1所述的基于集成ELM的配电网窃电嫌疑用户智能识别方法，其特征在于，所述的学习数据和预测数据，包含用户档案、告警、行度及负荷四种类型；所述的学习数据中必须包含正常用户样本与窃电用户样本，所述的测试数据仅包含窃电嫌疑线路下的部分用户，而窃电嫌疑线路通过线损进行定位。3.根据权利要求1所述的基于集成ELM的配电网窃电嫌疑用户智能识别方法，其特征在于，所述的窃电评价指标体系，包含告警、电量及负荷三大特征，所述的告警特征为窃电告警系数，所述的电量特征包括斜率及截距，所述的负荷特征包括斜率及截距，为当前时间往前推移的天数。4.根据权利要求1或3所述的基于集成ELM的配电网窃电嫌疑用户智能识别方法，其特征在于，所述的窃电告警系数的计算公式为：其中，表示所有窃电告警组合（包括单个的）的权重之和，表示天内出现的所有告警组合的最大子集的权重，而告警及其组合的权重将根据其对窃电的影响...

【专利技术属性】
技术研发人员：方国卫，孙金武，胡国平，邝朝炼，黄耀廉，段然，李培，莫景源，
申请(专利权)人：广东电网有限责任公司江门供电局，
类型：发明
国别省市：广东,44