【技术实现步骤摘要】
一种基于卷积自编码器和改进回归算法的窃电用户辨识和窃电量预测方法
[0001]本专利技术涉及窃电检测研究领域,特别是涉及一种利用机器学习技术挖掘用户用电特征进行反窃电分析研究的方法。
技术介绍
[0002]窃电用户通过非法手段使电表读数低于实际用电量,从而减少支付的用电费用,对电网公司的利益造成很大的损害,除了经济损失以外,窃电行为会造成异常高的台区线损值,导致变压器过载和电压不平衡,影响电力系统的运行安全。
[0003]随着电力需求的不断增长,窃电检测已成为保障供电公司效益的重要措施。然而窃电用户的实际窃电量大小难以确定,实地窃电排查缺少可靠排查依据。供电公司检测窃电的主要方法是现场检查用户电表,该方法效率较低,耗费大量人力物力,检查范围有限,抓获的窃电案例数目非常少,因此需要提出新的窃电检测技术,提高检测效率和准确度。新一代人工智能和机器学习技术在能源和电力系统中得到了广泛的应用,一方面,电力系统向着智能电网的方向演进,物理结构和数学模型更加复杂,采集数据体量大、维度高,需要应用机器学习技术进行数据的深度挖掘,另一方面,机器学习技术具有较强的学习和迁移能力,对准确数学模型的依赖度低,能够有效解决高维复杂问题。基于数据驱动和机器学习技术的窃电检测方法利用现有窃电样本记录和用电数据训练不同的检测模型,具有使用灵活、成本低、准确度高等优势,已经成为窃电检测的主要发展方向。然而,当前基于机器学习技术的窃电检测模型往往因为训练样本不平衡、窃电规律挖掘不充分等问题,易于将窃电用户误判为正常用户,导致窃电用户的检出率较 ...
【技术保护点】
【技术特征摘要】
1.一种基于卷积自编码器和改进回归算法的窃电用户辨识和窃电量预测方法,其特征在于,包含如下步骤:步骤1.采集台区下正常用户的历史电量数据,建立用户的二维电量矩阵;步骤2.建立卷积自编码器CAE异常检测模型,计算各用户的重构误差大小,将重构误差较大的异常用电用户识别为窃电用户;步骤3.分别从窃电用户的窃电和非窃电时段的电量计量数据中提取表征用户窃电量关联性的电量统计指标并构建特征向量;步骤4.以步骤3构建的特征向量作为输入,依据Tradaboost算法训练并生成XGBoost回归模型,即可预测各窃电用户的潜在窃电量。2.根据权利要求1所述基于卷积自编码器和改进回归算法的窃电用户辨识和窃电量预测方法,其特征在于,所述的步骤1中,所述建立用户的二维电量矩阵,具体是将一维时序电量数据变换为二维矩阵:式中,是用户i的二维电量矩阵,为第j个用电周期内第k时刻的电量数据,T
CAE
是用电周期的时间长度,M是用电周期数。3.根据权利要求1所述的基于卷积自编码器和改进回归算法的窃电用户辨识和窃电量预测方法,其特征在于:在步骤2中,采用二维卷积层,池化层和上采样层构建卷积自编码器,然后学习正常用户的用电特征,从而建立卷积自编码器CAE异常检测模型;具体为:二维卷积层将输入的二维电量矩阵划分为尺寸相同的l
×
l感受域,然后用权重系数与各感受域中的电量值作乘积运算,采用卷积运算提取二维电量矩阵的特征,卷积运算表示为式中,是感受域(u,v)的卷积运算结果,是感受域内电量值对应的权重系数,是二维电量矩阵中的元素,b是卷积计算的偏差项,f
ker
(
·
)是非线性变换的激活函数;在卷积自编码器的编码过程中,每个二维卷积层后添加池化层,对二维卷积层的卷积运算结果作欠采样;在解码过程中,每个二维卷积层后添加上采样层,对压缩后的卷积运算结果作过采样,最后使卷积自编码器输出的特征矩阵尺寸与输入的二维电量矩阵的尺寸相同;CAE的输出特征矩阵表示为
计算各用户的重构误差δ为式中是卷积自编码器CAE异常检测模型的输出特征矩阵中对应于的输出电量值;将重构误差较大的异常用电用户识别为窃电用户。4.根据权利要求1所述的基于卷积自编码器和改进回归算法的窃电用户辨识和窃电量预测方法,其特征在于,所述的步骤3具体为:采集获得窃电用户i的窃电时段和正常时段的电量数据,并分别建立尺寸为1
×
T
Tr
的窃电时段电量向量和正常时段电量向量其中T
Tr
是采集电量的时间长度;从电量向量中提取表征用户i窃电量关联性的电量统计指标并构建特征向量F
iXg<...
【专利技术属性】
技术研发人员:林振智,崔雪原,刘晟源,杨莉,马愿谦,王韵楚,章天晗,陈昌铭,张智,邱伟强,龚贤夫,孙辉,彭勃,李耀东,
申请(专利权)人:浙江大学,
类型:发明
国别省市:
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。