一种基于负荷指纹识别的异常用电成因判别方法技术

本发明专利技术公开了一种基于负荷指纹识别的异常用电成因判别方法，包括以下步骤：S1：获取负荷数据；S2：根据获取的负荷数据进行用电事件检测，并对用电事件中的用电负荷进行指纹刻画；S3：根据指纹刻画结果，进行负荷指纹识别，判别异常用电成因。本发明专利技术可以对电力用户恶意与非恶意两种不同性质的异常用电行为产生的负荷曲线进行成因判别，可为保障电网公司有效开展反窃电稽查工作提供技术支撑。通过用电特征匹配的负荷指纹识别对用户用电行为进行感知以实现两种不同性质的异常用电行为的区分。实现对两种性质不同的异常用电行为产生的异常负荷曲线进行成因判别，从而降低了窃电检测的误检率。的误检率。的误检率。

【技术实现步骤摘要】
一种基于负荷指纹识别的异常用电成因判别方法


[0001]本专利技术属于电力识别
，具体涉及一种基于负荷指纹识别的异常用电成因判别方法。

技术介绍

[0002]窃电作为一种电力用户以出于自身经济利益为目的，通过各种非法手段篡改电能计量装置正常计量数据的恶意异常用电行为，严重干扰了电网公司日常的电能计量工作，严重破坏了电网公司与电力用户间贸易结算的公平性与公正性，乃至影响国家的财政收入。目前，国内电网公司已将反窃电稽查作为定期工作开展，以期实现对实施窃电行为的不法分子的及时抓捕。
[0003]目前，电网公司的反窃电稽查工作主要技术手段为基于台区线损统计管理的反窃电巡查与基于数据驱动的用户异常用电行为检测，虽然取得了一定成效，窃电检测的召回率可以达到较高水平，但同时存在着因用户可能出现的非恶意异常用电行为带来的误检率过高的问题。针对此问题，目前工程实践中缺乏有效的解决方案。
[0004]在目前的工程实践中，传统的异常用电检测方法难以分辨用户不同性质的异常用电行为，这对电网公司的负荷管理，特别是反窃电稽查工作提出了巨大的挑战。现有的窃电检测技术主要包括两个方向：基于数据驱动的异常用电检测与基于台区线损统计管理的反窃电巡查。
[0005]一方面，前者进行异常用电检测的原理是：通过构建基于数理统计的概率分布模型或基于机器学习的数据挖掘模型对待测样本集进行分类或离群点检测，通常将检测出的数据特征明显异于大样本的小样本视为异常数据。该方法的缺陷是：忽视了窃电的本质机理，建立在窃电等恶意异常用电行为是少数情况的基础上而遵循异常小样本辨识的思想来进行检测。同时，相较于以典型负荷曲线为中心的大样本，用户的非恶意异常用电行为产生的负荷曲线具有多样化的特点，因此在该方法的检测过程中同样易被划分为小样本。但是，该方法无法实现对两类小样本的成因进行判别。
[0006]另一方面，后者进行异常用电检测的原理是：考虑在台区内存在一个关口表把住下属多个用户表的场景，通过建立相关性分析模型检验各用户表的计量值与关口表的计量值是否服从相关性关系，来判断台区内是否发生了窃电情况。该方法的缺陷是：该方法只能确定台区内是否出现窃电现象，而无法对窃电用户进行精准捕捉，且随着关口表下辖用户表数量的增多，允许误差的计算难度增大而导致该方法准确性的下降。同时，该方法为典型的数值解法，忽略了负荷曲线的时间特性，当面对最先进的基于虚假数据注入(false data injection,FDI)模式的对窃电数据进行精细化管理的场景，其检测效果变差。
[0007]综上，现有的窃电检测技术忽略了用户用电行为的多样化特点，无法对用户不同性质的异常用电行为进行成因判别。

技术实现思路

[0008]本专利技术的目的是为了解决目前异常用电检测方法中因忽略了用户用电行为多样化的特点而在反窃电稽查中造成误检率过高的问题，提出了一种基于负荷指纹识别的异常用电成因判别方法。
[0009]本专利技术的技术方案是：一种基于负荷指纹识别的异常用电成因判别方法包括以下步骤：
[0010]S1：获取负荷数据；
[0011]S2：根据获取的负荷数据进行用电事件检测，并对用电事件中的用电负荷进行指纹刻画；
[0012]S3：根据指纹刻画结果，进行负荷指纹识别，判别异常用电成因。
[0013]进一步地，步骤S1中，根据负荷数据将用户用电行为分为正常用电行为、非恶意异常用电行为和恶意异常用电行为。
[0014]进一步地，步骤S2包括以下子步骤：
[0015]S21：设定观测窗口，并根据观测窗口计算检验统计量；
[0016]S22：在观测窗口中，根据检验统计量进行用电事件检测，得到用电事件集合；
[0017]S23：将用电事件集合划分为单一用电事件集合与复合用电事件集合；
[0018]S24：对单一用电事件集合中的用电负荷进行指纹刻画，对复合用电事件集合中的用电负荷进行二次指纹刻画。
[0019]进一步地，步骤S21中，观测窗口的窗口大小n满足n0<n<n1，其中，n0表示观测窗口大小的最小值，n1表示观测窗口的最大值，z
α/2
表示标准正态分布的上α/2分位点，σ
p
表示标准差，E表示检测到的用电事件的允许偏差量；
[0020]步骤S22中，检验统计量l
GOF
的计算公式为：
[0021][0022]其中，x
now_i
表示当前观测窗口第i个样本值，x
pre_i
表示前一个观测窗口第i个样本值。
[0023]进一步地，步骤S22中，进行用电事件检测的具体方法为：若检验统计量l
GOF
满足则当前观测窗口中存在用电事件，否则不存在用电事件，其中，α表示置信水平，l
GOF
表示检验统计量，n表示观测窗口的窗口大小。
[0024]进一步地，步骤S24中，对单一用电事件集合中的用电负荷进行指纹刻画和对复合用电事件集合中的用电负荷进行一次指纹刻画的计算公式均为：
[0025][0026][0027]其中，ΔP表示用电负荷的有功功率，ΔQ表示用电负荷的无功功率，n表示观测窗口的窗口大小，t表示初始检测时刻，P(i)表示i时刻的有功功率，P(i
‑
n)表示i
‑
n时刻的有
功功率，Q(i)表示i时刻的无功功率，Q(i
‑
n)表示i
‑
n时刻的无功功率；
[0028]步骤S24中，对复合用电事件集合进行二次指纹刻画的计算公式为：
[0029][0030][0031]其中，c
ΔP
表示复合用电事件集合中各元素c的有功功率特征值，ΔP
l
表示第l台负荷的有功功率，c
ΔQ
表示复合用电事件集合中各元素c的无功功率特征值，ΔQ
l
表示第l台负荷的无功功率，ΔA表示噪声特征。
[0032]进一步地，步骤S3中，根据指纹刻画结果，利用基于密度的噪声应用空间聚类算法进行负荷指纹识别。
[0033]本专利技术的有益效果是：本专利技术拟采用电力指纹技术，提出一种基于负荷指纹识别的异常用电成因判别方法，可以对电力用户恶意与非恶意两种不同性质的异常用电行为产生的负荷曲线进行成因判别，可为保障电网公司有效开展反窃电稽查工作提供技术支撑。通过用电特征匹配的负荷指纹识别对用户用电行为进行感知以实现两种不同性质的异常用电行为的区分。实现对两种性质不同的异常用电行为产生的异常负荷曲线进行成因判别，从而降低了窃电检测的误检率。
附图说明
[0034]图1为异常用电成因判别方法的流程图。
具体实施方式
[0035]下面结合附图对本专利技术的实施例作进一步的说明。
[0036]在描述本专利技术的具体实施例之前，为使本专利技术的方案更加清楚完整，首先对本专利技术中出现的缩略语和关键本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于负荷指纹识别的异常用电成因判别方法，其特征在于，包括以下步骤：S1：获取负荷数据；S2：根据获取的负荷数据进行用电事件检测，并对用电事件中的用电负荷进行指纹刻画；S3：根据指纹刻画结果，进行负荷指纹识别，判别异常用电成因。2.根据权利要求1所述的基于负荷指纹识别的异常用电成因判别方法，其特征在于，所述步骤S1中，根据负荷数据将用户用电行为分为正常用电行为、非恶意异常用电行为和恶意异常用电行为。3.根据权利要求1所述的基于负荷指纹识别的异常用电成因判别方法，其特征在于，所述步骤S2包括以下子步骤：S21：设定观测窗口，并根据观测窗口计算检验统计量；S22：在观测窗口中，根据检验统计量进行用电事件检测，得到用电事件集合；S23：将用电事件集合划分为单一用电事件集合与复合用电事件集合；S24：对单一用电事件集合中的用电负荷进行指纹刻画，对复合用电事件集合中的用电负荷进行二次指纹刻画。4.根据权利要求3所述的基于负荷指纹识别的异常用电成因判别方法，其特征在于，所述步骤S21中，观测窗口的窗口大小n满足n0<n<n1，其中，n0表示观测窗口大小的最小值，n1表示观测窗口的最大值，z
α/2
表示标准正态分布的上α/2分位点，σ
p
表示标准差，E表示检测到的用电事件的允许偏差量；所述步骤S22中，检验统计量l
GOF
的计算公式为：其中，x
now_i
表示当前观测窗口第i个样本值，x
pre_i
表示前一个观测窗口第i个样本值。5.根据权利要求4所述的基于负荷指纹识别的异常用电成因判别方法，其特征在于，...

【专利技术属性】
技术研发人员：熊晓祎，罗楠稀，荣子捷，吴金谕，何鹏威，蒋小勇，
申请(专利权)人：国网四川省电力公司成都供电公司，
类型：发明
国别省市：