一种云边协同逐级分析定位异常用电行为用户的方法技术

本发明专利技术的一种云边协同逐级分析定位异常用电行为用户的方法，包括如下步骤：S1：收集用户历史用电特征参数；S2：进行数据预处理，提取用户用电特征值；S3：建立异常用电行为训练样本数据集；S4：使用经过PSO优化的BP神经网络进行训练；S5：在配电台区安装边缘计算设备，实时采集和监测所在配电台区内的用电数据；S6：根据采集的用电数据，边缘计算设备实时计算分析所在配电台区是否发生异常情况并向主站系统告警；S7：主站系统收到告警后启动异常用户行为分析功能，对异常配电台区内用户的近期用电数据进行分析，定位异常用电用户。该方法能迅速定位可疑用户，尽快进行检查及整改，减少经济损失。

【技术实现步骤摘要】
一种云边协同逐级分析定位异常用电行为用户的方法
本专利技术涉及一种云边协同逐级分析定位异常用电行为用户的方法，属于用电管理方法

技术介绍
近年来，随着国民经济的增长，国内的年发电量和用电量屡创新高，社会各行业和家庭用户的用电数量在持续增加。在这样的情况下，对于配售电公司、长租公寓管理公司、产业园区、商业楼宇、校园宿舍等，电费收入是很重要的收入来源。窃电和计量装置故障造成的用电异常是电力行业需要面对的典型问题。电费的少收和漏收致使电力企业蒙受巨大的经济损失。另外，用户长期高负荷用电、超限额用电等高风险用电行为也容易引发电气火灾。因此迫切需要一种对异常用电行为(窃漏电、计量设备故障、高负荷、超限额用电及其它可能引发火灾的高风险用电等)进行有效分析的方法。传统方法主要通过每月电费账单统计、定期巡检、定期校验电能表、用户举报等手段来发现窃电、计量装置故障或用户高风险用电，此方法难以全面覆盖、误报和冗余信息多、定位查找问题速度慢，给工作人员带来极大工作难度。目前，国内外专家学者提出了一些基于数据挖掘技术和智能优化算法的用电异常检测方法。但是，由于用电负荷的模糊性及非线性的特点，使这些方法在预测时不能很好达到期望的精度，并且输入参数太多，过于依赖自动化系统采集的各类告警数据，在只有历史用电采集数据的情况下很难进行分析。此外，由于用户的数量巨大，进行异常用电分析时计算量巨大，会给主站系统造成极大负担，并且难以在短时间内直接定位异常用电行为用户。
技术实现思路
为克服现有技术的不足，本专利技术提出一种云边协同逐级分析定位异常用电行为用户的方法，通过边缘计算和先进数据分析方法，在不增加主站系统负担的情况下，分层逐级处理数据，迅速定位可疑用户，尽快进行检查及整改，以减少经济损失。为实现上述目的，本专利技术的一种云边协同逐级分析定位异常用电行为用户的方法，包括如下步骤：S1：主站系统抽取历史数据，收集用户用电特征参数；S2：对用户用电特征参数进行数据预处理，提取用户用电特征值xjm；S3：建立异常用电行为训练样本数据集，确定异常用电行为训练样本数据集的训练样本数为K，将步骤S2中提取的用户用电特征值xjm作为BP神经网络的输入因素，将用户异常用电行为的判断结论定义为ym，作为BP神经网络的输出结果；S4：使用经过PSO优化的BP神经网络进行训练，基于全局粒子群算法优化BP神经网络中的权值与阈值，将初始权值和阈值构成的向量定义为粒子的位置矢量，通过粒子速度和位置更新迭代，寻找最优粒子位置，获得网络最优权值与阈值，建立BP神经网络分析模型；S5：在配电台区安装边缘计算设备，实时采集和监测所在配电台区内的用电数据，用电数据包括台区总用电量、台区总负荷、台区内各用户的用电量、台区内各用户的负荷；S6：根据采集的用电数据，边缘计算设备实时计算分析所在配电台区是否发生异常情况，包括线损异常和负荷过载，若发生异常情况，则边缘计算设备向主站系统发出配电台区异常告警；S7：主站系统收到告警后启动异常用户行为分析功能，使用训练完毕的BP神经网络分析模型对异常配电台区内用户的近期用电数据进行分析，定位异常用电用户。进一步地，在步骤S2中，数据预处理过程包括：S201：对原始数据进行数据清洗，纠正数据集中存在的可识别错误，包括负荷和电量数据存在缺失、异常数值，检查数据一致性，处理无效值和缺失值，提高数据质量；S202：基于统计方法提取特征值，对用电行为特征在时间上以年、季度和月份作为单位时间划分，并计算每个用户的各个单位时间下的用电的均值、标准差和离散系数序列。进一步地，在步骤S4中，PSO算法经验公式如下：Vid(k+1)＝wVid(k)+C1R1(Pid-Xid(k))+C2R2(Pgd-Xid(k))；Xid(k+1)＝Xid(k)+Vid(k+1)；其中i＝1～K，K为粒子数，d＝1～D，D为粒子的维数，w为惯性权重，k为当前迭代次数，Vid、Xid分别为粒子i在维度d上的速度与位置，Pid为粒子i到目前为止出现的适应度值最优位置，Pid为所有粒子到目前为止出现的适应度值最优位置，C1、C2为学习因子，R1、R2为在[0、1]内的随机数。进一步地，在步骤S4中，BP神经网络采用单层BP神经网络，包括输入层、隐藏层和输出层，其中：d，输入层的神经元个数；q，隐藏层的神经元个数；l，输出层的神经元个数；vih，输入层第i个神经元和隐藏层第h个神经元的权重；whj，隐藏层第h个神经元和输出层第j个神经元的权重；bh，隐藏层第h个神经元的输出；θj，输出层第j个神经元的阈值；γh，隐藏层第h个神经元的阈值；隐藏层第h个神经元的输入；输出层第j个神经元的输入。进一步地，步骤S4还包括以下步骤：S401：确定异常用电分析采用的BP神经网络拓扑结构；S402：确定PSO粒子维度，初始化基本参数；S403：初始化粒子速度、位置；S404：基于步骤S3中的异常用电行为训练样本数据集进行分析，计算粒子适应度；S405：寻找粒子个体最优值和全局最优值，并更新粒子速度与位置；S406：根据条件判断算法停止，获得最优权值和阈值，当迭代次数达到网络最大迭代次数或者训练误差小于设定值时，算法停止，输出最佳神经网络模型。否则迭代次数增加1并返回步骤S404继续计算。进一步地，在步骤S402中，确定粒子维度D，粒子维度D为待优化的阈值和权值的总和，初始化的基本参数包括粒子数量K、迭代进化次数N、学习因子C1、C2，速度范围[Vmin，Vmax]和位置范围[Xmin，Xmax]。进一步地，在步骤S403中，采用以下经验公式赋予粒子初始速度和初始位置：粒子初始速度，Vi(0)＝2Vmax(rand(N，D)-0.5)；粒子初始位置，Xi(0)＝2Vmax(rand(N，D)-0.5)；并且以粒子初始速度和粒子初始位置为BP神经网络定义初始权值和阈值。进一步地，在步骤S404中，BP神经网络对用电异常行为训练数据的诊断结果与实际结果的均方误差作为粒子的适应度函数，并计算相应的适应度值，其中：计算隐含层节点h输出值的公式为：式中：K为样本数量，d为输入层的神经元个数，q为隐藏层的神经元个数，l为输出层的神经元个数，f(·)表示采用双S形函数作为隐含层的激活函数；wih表示输入层节点i到隐含层节点h的权值；xi为输入值；γh为隐含层节点h的阈值；计算输出层节点m输出值的公式为：式中：f(·)表示采用双S形函数作为输出层的激活函数；whm表示隐含层节点h到输出层节点m的权值；θm为输出层节点m的阈值。进一步地，在步骤S404中，使用所有训练样本对每一个粒子进行计算，生成粒子在训练样本下产生的训练误差，并计算其适应度，粒子适应度计算公式为：...

【技术保护点】
1.一种云边协同逐级分析定位异常用电行为用户的方法，其特征在于，包括如下步骤：/nS1：主站系统抽取历史数据，收集用户用电特征参数；/nS2：对用户用电特征参数进行数据预处理，提取用户用电特征值x

【技术特征摘要】
1.一种云边协同逐级分析定位异常用电行为用户的方法，其特征在于，包括如下步骤：
S1：主站系统抽取历史数据，收集用户用电特征参数；
S2：对用户用电特征参数进行数据预处理，提取用户用电特征值xjm；
S3：建立异常用电行为训练样本数据集，确定异常用电行为训练样本数据集的训练样本数为K，将步骤S2中提取的用户用电特征值xjm作为BP神经网络的输入因素，将用户异常用电行为的判断结论定义为ym，作为BP神经网络的输出结果；
S4：使用经过PSO优化的BP神经网络进行训练，基于全局粒子群算法优化BP神经网络中的权值与阈值，将初始权值和阈值构成的向量定义为粒子的位置矢量，通过粒子速度和位置更新迭代，寻找最优粒子位置，获得网络最优权值与阈值，建立BP神经网络分析模型；
S5：在配电台区安装边缘计算设备，实时采集和监测所在配电台区内的用电数据，所述用电数据包括台区总用电量、台区总负荷、台区内各用户的用电量、台区内各用户的负荷；
S6：根据采集的所述用电数据，所述边缘计算设备实时计算分析所在配电台区是否发生异常情况，包括线损异常和负荷过载，若发生异常情况，则所述边缘计算设备向主站系统发出配电台区异常告警；
S7：所述主站系统收到告警后启动异常用户行为分析功能，使用训练完毕的BP神经网络分析模型对异常配电台区内用户的近期用电数据进行分析，定位异常用电用户。


2.如权利要求1所述的一种云边协同逐级分析定位异常用电行为用户的方法，其特征在于，在步骤S2中，所述数据预处理过程包括：
S201：对原始数据进行数据清洗，纠正数据集中存在的可识别错误，包括负荷和电量数据存在缺失、异常数值，检查数据一致性，处理无效值和缺失值，提高数据质量；
S202：基于统计方法提取特征值，对用电行为特征在时间上以年、季度和月份作为单位时间划分，并计算每个用户的各个单位时间下的用电的均值、标准差和离散系数序列。


3.如权利要求1所述的一种云边协同逐级分析定位异常用电行为用户的方法，其特征在于，在步骤S4中，所述PSO算法经验公式如下：
Vid(k+1)＝wVid(k)+C1R1(Pid-Xid(k))+C2R2(Pgd-Xid(k))；
Xid(k+1)＝Xid(k)+Vid(k+1)；
其中i＝1～K，K为粒子数，d＝1～D，D为粒子的维数，w为惯性权重，k为当前迭代次数，Vid、Xid分别为粒子i在维度d上的速度与位置，Pid为粒子i到目前为止出现的适应度值最优位置，Pid为所有粒子到目前为止出现的适应度值最优位置，C1、C2为学习因子，R1、R2为在[0、1]内的随机数。


4.如权利要求3所述的一种云边协同逐级分析定位异常用电行为用户的方法，其特征在于，在步骤S4中，所述BP神经网络采用单层BP神经网络，包括输入层、隐藏层和输出层，其中：
d，输入层的神经元个数；
q，隐藏层的神经元个数；
l，输出层的神经元个数；
vih，输入层第i个神经元和隐藏层第h个神经元的权重；
whj，隐藏层第h个神经元和输出层第j个神经元的权重；
bh，隐藏层第h个神经元的输出；
θj，输出层第j个神经元的阈值；
γh，隐藏层第h个神经元的阈值；

隐藏层第h个神经元的输入；

输出层第j个神经元的输入。


5.如权利要求4所述的一种云边协同逐级分析定位异常用电行为用户的方法，其特征在于，步骤S4还包括以下步骤：
S401：确定异常用电分析采用的BP神经网络拓扑结构；

【专利技术属性】
技术研发人员：宣筱青，王祥浩，吴江，郭寰宇，
申请(专利权)人：南京中电科能技术有限公司，中电华恒南京能源产业研究院有限公司，
类型：发明
国别省市：江苏;32