一种电力用户异常用电行为检测方法和系统技术方案

一种电力用户异常用电行为检测方法和系统，包括如下步骤：1)通过非侵入式负荷监测得到用户用电数据；2)采用深度Q网络学习方法对用户用电数据进行处理得到用户用电行为模式图，其包括已查实的异常的用户用电行为模式图；3)对已查实的异常的用户用电行为模式图提取用电行为特征；4)根据提取的用电行为特征建立多个分析模型；5)采用Q网络学习方法对多个分析模型分别进行训练和评估，选取评估效果最优的分析模型；6)采用评估效果最优的分析模型来检测用户的用电行为是否异常。本发明专利技术对电能数据的监测及合理化的提取、利用，将有利于实现配电网合理化配送电力、最大效率使用已有电能。能。能。

【技术实现步骤摘要】
一种电力用户异常用电行为检测方法和系统


[0001]本专利技术涉及非侵入式配用电检测领域，特别是指一种电力用户异常用电行为检测方法和系统。

技术介绍

[0002]随着信息化、数字化程度的不断提高，大数据时代已然到来，从海量冗杂的价值较低的数据中挖掘出有价值的信息，并提炼出共性部分、构成一有效的数学模型，已经成为了各行各业密切关注的热点问题。对于电力行业而言，随着电力系统信息化程度的不断提高、配用电数据量的迅速增长，各类配套装置及系统都有着大量的数据需要处理，数据类型繁杂，数据规模庞大，数据内蕴含的事件信息众多，但现在仍面临着“数据众多，信息匮乏”的重要问题，需要一种行之有效的数据监测方式来解决此类问题。
[0003]数据源众多所导致的只是数据量、数据规模庞大的问题，而由于多种通信故障、元器件故障、设备故障、工频市电的波动以及用户异常行为导致的数据异常的情况才是目前的工程难题。数据的量可由算法的反复运行来解决，而数据的异常则需要建立特殊的、具有一定自主学习、自我更新的数学模型才能解决。这些异常的用电数据会影响电能数据的准确性、完备性、自洽本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种电力用户异常用电行为检测方法，其特征在于，包括如下步骤：1)通过非侵入式负荷监测得到用户用电数据；2)采用深度Q网络学习方法对用户用电数据进行处理得到用户用电行为模式图，其包括已查实的异常的用户用电行为模式图；3)对已查实的异常的用户用电行为模式图提取用电行为特征；4)根据提取的用电行为特征建立多个分析模型；5)采用Q网络学习方法对多个分析模型分别进行训练和评估，选取评估效果最优的分析模型；6)采用评估效果最优的分析模型来检测用户的用电行为是否异常。2.如权利要求1所述的一种电力用户异常用电行为检测方法，其特征在于，所述步骤1)中，所述用户用电数据至少包括用电设备能耗情况与用户用电规律。3.如权利要求1所述的一种电力用户异常用电行为检测方法，其特征在：所述步骤2)中，所述用户用电行为模式图还包括有正常的用户用电行为模式图和疑似异常的用户用电行为模式图；则步骤6)中，可采用评估效果最优的分析模型对疑似异常的用户用电行为模式图进行检测，判断用户的用电行为是否异常。4.如权利要求1所述的一种电力用户异常用电行为检测方法，其特征在于：所述步骤3)中，提取的用电行为特征包括有日用电特征、周用电量特征、月用电量特征、季用电量特征、年用电量特征、总用电量特征、0值特征、空值特征、随机性特征和正态性特征。5.如权利要求1所述的一种电力用户异常用电行为检测方法，其特征在于：所述步骤4)中，多个分析模型包括有K
‑
Means聚类算法模型、Apriori算法模型和线性回归算法模型。6.如权利要求1所述的一种电力用户异常用电行为检测方法，其特征在于:将步骤3)中提取的用电行为特征均分为K+1个调度时段，其中调度时段k∈{0,1，
…
K}：所述步骤5)中，采用Q网络学习方法对分析模型进行训练，具体包括如下：构造深度Q网络，包括当前值网络和目标值网络，初始化当前值网络权重参数θ
i
、目标值网络权重参数θ
i
‑
＝θ
i
，输入序列宽度W、经验池容量D、批训练样本数B、学习因子a、贪心概率e和折扣因子Y，i为提取的用户行为特征数，定义任意一个样本轨道为m，样本轨道总数为M，且令m＝0；5.1)令k＝0,随机初始化当前状态s
k
；5.2)构造深度Q网络的输入序列其包括当前状态s
k
和记录的前W个决策时刻的状态和动作，当k<W时,φ
k
＝{s0,a0,...,s
k
‑1,a
k
‑1,s
k
}，s0为调度时段0的当前状态，a0为调度时段0的学习因子，s
k
‑1为调度时段k
‑
1的初始状态，a
k
‑1为调度时段k
‑
1的学习因子，s
k
...

【专利技术属性】
技术研发人员：项雷军，黄旭辉，陈昊，张熠莹，
申请(专利权)人：华侨大学，
类型：发明
国别省市：