The invention provides a method for identifying abnormal behavior of electricity consumption based on fuzzy neural network, which extracts the original data of some users from the electricity database as sample data, preprocesses the data, designs an evaluation index system for abnormal behavior of electricity consumption on the basis of analyzing historical abnormal behavior cases of electricity consumption, and utilizes pretreatment. After that, the expert sample is constructed; the fuzzy neural network model is constructed with the abnormal electricity consumption behavior sign as the input item and the abnormal electricity consumption suspect coefficient as the output item; the fuzzy neural network model is constructed by inputting the test data into the abnormal electricity consumption behavior diagnosis; the abnormal electricity consumption diagnosis result is evaluated and the goal is set. Evaluate and optimize the model. The invention realizes automatic identification and diagnosis of abnormal behavior of electricity consumption, realizes automatic training and learning and modeling of the system by means of fuzzy neural network, achieves rapid and accurate positioning of suspected users, and provides convenience for acquiring various abnormal behavior of electricity consumption.
【技术实现步骤摘要】
一种基于模糊神经网络的用电异常行为识别方法
本专利技术属于用电数据分析与处理以及数据挖掘
，特别涉及一种利用模糊神经网络算法对用电异常行为进行识别的方法。
技术介绍
窃电漏电等用电异常行为是电力行业经常需要面对的问题，这些异常用电行为会导致电费的漏收或少收，从而给电力企业带来可观的经济损失。针对这类问题，传统的防止窃电漏电等异常用电行为的方案有定期巡检、用户举报、电表定期校验，但是这几种方法都具有较强的人工依赖性，查漏抓窃的目标也不够明确。目前，我国很多供电局主要通过用电巡检人员、计量工作人员等利用计量系统的异常报警功能和电量数据查询功能对用户用电量情况进行在线监控，通过采集电力负荷异常、电量使用异常、终端和主站报警、以及失压失流、电流过复合等报警信息来构建分析模型，实时监测用电行为，以发现用户是否存在窃电、漏电等用电异常行为。这种方法需要工作人员在线监督，在采集电量异常、负荷异常、终端报警、主站报警等信息过程中存在终端误报和信息冗余问题。同时这种方法还存在成本高、模型复杂、监测结果的准确性不够等问题，尤其在涉及多种复杂现象和多种因素的窃电、漏电等异常用电行...
【技术保护点】
1.一种基于模糊神经网络的用电异常行为识别方法，其特征在于，步骤为：步骤1：数据抽取；从用电数据库中选择性地抽取部分用户的用电负荷、终端报警和违约窃电处罚信息的原始数据作为样本数据；从样本数据中设立白名单用户，剔除不可能存在用电异常行为的用户，初步审视正常用电用户和异常用电用户的用电数据特征；步骤2：数据预处理；由于原始数据中存在杂数据和缺失数据，这些多余的或缺少的数据会影响分析效果，会使分析预测结果产生偏差，故需要对原始数据进行预处理；数据预处理过程包括数据清洗、缺失值处理、异常值处理、数据变换、数据格式化；步骤3：模型构建；在分析历史用电异常行为案例的基础上，设计用电异...
【技术特征摘要】
1.一种基于模糊神经网络的用电异常行为识别方法，其特征在于，步骤为：步骤1：数据抽取；从用电数据库中选择性地抽取部分用户的用电负荷、终端报警和违约窃电处罚信息的原始数据作为样本数据；从样本数据中设立白名单用户，剔除不可能存在用电异常行为的用户，初步审视正常用电用户和异常用电用户的用电数据特征；步骤2：数据预处理；由于原始数据中存在杂数据和缺失数据，这些多余的或缺少的数据会影响分析效果，会使分析预测结果产生偏差，故需要对原始数据进行预处理；数据预处理过程包括数据清洗、缺失值处理、异常值处理、数据变换、数据格式化；步骤3：模型构建；在分析历史用电异常行为案例的基础上，设计用电异常行为评价指标体系；利用预处理后的数据构建专家样本，再划分出训练数据集和测试数据集；以异常用电行为标志为输入项，以异常用电嫌疑系数为输出项，构建模糊神经网络模型；步骤4：异常用电行为识别诊断；将测试数据输入所构建的模糊神经网络模型，进行异常用电行为诊断；步骤5：模型评价分析及优化；对异常用电诊断结果做出评价，设定目标评价，优化模型。2.如权利要求1所述的一种基于模糊神经网络的用电异常行为识别方法，其特征在于：所述步骤1中，从用电数据库中抽取的数据必须包含关键时间点前后范围内的相关数据，关键时间点是指用户用电出现异常行为的开始和结束时间；然后通过用电负荷数据计算用电量，公式如下：其中：fi为第l天的用电量，mi为第l天每隔15分钟的总的有功功率，对其累加求和得到当天用电量。3.如权利要求1所述的一种基于模糊神经网络的用电异常行为识别方法，其特征在于：所述步骤1中，异常用电用户的用电数据特征包括：电量异常、负荷异常、线损异常、终端报警、主站报警；电量异常指：分时电量和总电量超差1％，日电量特征同比超差30％，月冻结电量超差30％；负荷异常指：用功率环比突变30％，变压器负载率超过设定阈值，三相电流不平衡；线损异常指：供电线路线损大于10％，线损同比超差30％，线损明细异常；主站报警指：分时/总表码不等，实时表码飞走，实时表码逆时，功率因数偏小，负载率偏大；终端报警指：电压缺相/断相，零序电压偏大，电压逆向序，电流过负荷。4.如权利要求1所述的一种基于模糊神经网络的用电异常行为识别方法，其特征在于：所述步骤1中，通过对数据进行初步地探索分析，从而发现数据内在的特征规律，帮助选择合适的数据预处理和数据分析技术；数据分析技术包括分布分析、周期性分析、用电量探索分析；分布分析：对一个时间段内的各个用电类别的异常用电用户的用电分布情况进行统计，其中非居民用户的用电数据排除在外；周期性分析：随机性地抽取异常用电用户和正常用户的用电数据，呈周期性地对其用电电量进行测试对比，发现其趋势；用电量探索分析：从用电数据中标记下降或上升趋势明显异于整体用电趋势的时间点，这些点为嫌疑异常用电的电量指标特征。5.如权利要求1所述的一种基于模糊神经网络的用电异常行为识别方法，其特征在于：所述步骤2包括以下步骤：步骤2-1：数据清洗；为了建模需要，筛选出有用的数据，必须要进行数据清洗，对异常数据进行检测，过滤掉不存在用电异常行为的非居民用电数据、用电量和平时相比明显下降的节假日用电数据；步骤2-2：缺失值处理；对于原始用电数据，尤其是在实时负荷数据抽取过程中，会存在一定的数据缺失，如果不补齐这些数据，会严重影响日线损率数据的准确性；采用拉格朗日插值法进行缺失值插补；步骤2-3：节假日数据修正；和工作日相比，节...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。