一种用户侧窃电行为检测的方法、记录媒体及系统技术方案

本发明专利技术属于配电系统监控技术领域，特别涉及一种用户侧窃电行为检测的方法，通过调用与窃电行为相关的数据建立数学模型并迭代训练，能实时提取电表数据，评估配电线路是否存在窃电行为。本发明专利技术还提供了一种存储有该方法程序的非暂态可读记录媒体及包含该媒体的系统，通过处理电路可以调用该程序，以执行上述方法。以执行上述方法。以执行上述方法。

【技术实现步骤摘要】
一种用户侧窃电行为检测的方法、记录媒体及系统


[0001]本专利技术属于配电系统监控
，公开了一种用户侧窃电行为检测的方法、存储有能执行该方法程序的记录媒体及系统。

技术介绍

[0002]随着电力需求的不断增长，用户侧的窃电行为是非技术性电能损失的主要原因，并且影响配电系统的安全运行。供电公司检测窃电的主要方法是现场检查用户电表，该方法效率低，耗费人力物力，检查范围有限。为了更有效地检测窃电事件，近年来国内外提出了很多窃电检测方法，其主要原理包括：基于系统状态、基于博弈论和基于分类。基于系统状态的方法通过比较智能电表数据与其他仪器测量数据是否一致，从而识别是否发生窃电，但需要额外投入设备。基于博弈论的方法将窃电检测问题描述为窃电者与电力公司之间的博弈，但参与者的效用函数以及策略不易确定。基于分类的方法则只需要利用收集到的用户用电数据，通过数据挖掘识别窃电，目前已开展了广泛研究。随着智能电表的普及，电网中的用户侧数据也愈来愈多，但是，这类数据属于典型的不平衡分类数据，成千上万的用户中，窃电的用户也仅仅只有少数几例，如果仅以此来构造模型评估窃电状态，将会出现较大失真。
[0003]因此，如何构建一种合适的窃电检测评估方法，快速的检测出异常用电行为，提高检测系统的鲁棒性，最终实现对整个配电系统中的异常用电行为进行准确、快速且稳定的检测，是当前一个亟待解决的问题。

技术实现思路

[0004]针对以上问题，本专利技术提出了一种面向配电系统的用户侧窃电行为的实时检测评估方法，拟解决传统评估方法精度差、速度慢、对数据丢失鲁棒性差且评估解析性差等缺点，满足配电系统用户侧用电行为检测的实时评估需求。具体方案包括如下步骤：
[0005]S1.采集待测区域用户侧智能电表上能表征当前用户线路运行特征的各类数据，组成用电状态的大数据集；
[0006]S2.在所述大数据集中，提取多个包含不同类变量的特征集，通过皮尔逊相关系数分析筛选，在同一特征集内仅保留相关性小于设定阈值的一组变量，找到与发生窃电行为相关性最大的特征集；
[0007]S3.利用所述相关性最大的特征集所包含的数据和对应的用电状态构建模型，通过XGBoost算法对模型进行迭代训练；
[0008]S4.通过智能电表数据实时获得的变量数据，对用户侧的用电状态进行评估，确定是否存在窃电行为。
[0009]优选的，所述用电状态包括正常用电，存在自然故障，存在窃电行为。
[0010]本专利技术专利具有如下优点：
[0011]窃电检测评估系统通过皮尔逊相关系数筛选，能够更好的提取有用的特征；根据
XGBoost算法的运用，训练出是否发生用户侧窃电行为检测模型，通过特征拼接的方式进行强化学习，提升了模型学习能力以及对复杂问题的拟合能力；XGBoost的结构大大提升了模型复杂度，使模型泛化能力更强，更贴合电力系统用户侧的实际窃电行为检测需求。
[0012]本专利技术的另一方案在于提供一种非暂态可读记录媒体，用以存储包含多个指令的一个或多个程序，当执行指令时，将致使处理电路执行上述的用户侧窃电行为检测的方法。
[0013]本专利技术的又一方案在于提供一种用户侧窃电行为检测的系统，包括处理电路及与其电性耦接的存储器，所述存储器配置储存至少一程序，所述程序包含多个指令，所述处理电路运行所述程序，能执行上述用户侧窃电行为检测的方法。
附图说明
[0014]图1为本专利技术实施例中检测系统结构示意图；
[0015]图2为本专利技术实施例中检测方法流程示意图。
具体实施方式
[0016]为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行描述，所描述的实施例是本专利技术一部分实施例，而不是全部实施例。基于本专利技术中的实施例，本领域技术人员在没有做出创新劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0017]一种用户侧窃电行为检测的方法的实施例具体如下：
[0018]基于现场/历史智能电表数据，采集所选区域系统运行的用户侧智能电表数据，最终获得一个能够近似表征当前用户侧线路所有运行特征的大数据集。
[0019]在大数据集中，通过进行特征提取，提取M个不同的特征集，每个特征集中有N个变量，再通过皮尔逊相关系数分析筛选，在同一特征集内仅保留相关性小于设定阈值的一组变量，并找到与发生窃电行为相关性最大的特征集。
[0020]利用Python对XGBoost模型进行构建，对用户侧用电的运行状态进行评估。根据对用户侧用电情况的检测评估后再对故障进行区分，通过XGBoost算法使用包含表征窃电行为的特征对模型进行训练，通过实时智能电表数据获得的新的变量数据，确定是否为窃电行为。
[0021]最后将结果反馈给检修人员，以便及时做出应对措施。
[0022]其中的皮尔逊相关系数构造如下：
[0023]利用皮尔逊相关系数分析特征之间的相关性，来判断特征集中各变量之间是否存在信息冗余，相关系数大小表示两个变量f
i
与f
j
之间的线性相关程度，其计算公式如式(1)所示。
[0024][0025]式中，c的取值范围为
‑
1≤c≤1。通常若|c|＞0.5，认为两者具有线性相关性；c＝0代表完全不线性相关；c＞0代表正相关；c＜0代表负相关。
[0026]XGBoost模型构建细节如下：
[0027]基于智能电表采集的用户用电数据，将其提取为特征量后，得到数据集D＝{(x
i
,y
i
)：i＝1
…
n,x
i
∈R
m
,y
i
∈R}，其中有n个样本，每个样本有m个特征，并且对应一个目标值y
i
，假如有K棵回归树，则模型为：
[0028][0029]式中：f
k
是一棵回归树；F对应了所有回归树的集合；f
k
(x
i
)代表第k棵树对数据集中第i个样本的计算分数。以下为目标函数：
[0030][0031]式中：l是误差函数，体现了模型拟合训练数据的程度；为了防止过拟合，定义了正则化项Ω(f
k
)以惩罚复杂模型。Ω(f
k
)的表达式为
[0032][0033]式中：γ和λ表示对模型的惩罚系数；T和w分别表示第k棵树的叶子数目和叶子的权重。
[0034]由于树模型式(1)为加法模型，利用前向分步算法对目标函数训练，设为第i个样本在第t次迭代时的预测值，因此添加f
t
以最优化以下目标函数：
[0035][0036]对式(4)使用二阶泰勒展开简化该函数后去掉常数项得以下公式。
[0037][0038]式中：和分别为损失函数的一阶和二阶导数。然后目标函数可以写为
[0039][0040]式本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用户侧窃电行为检测的方法，其特征在于包括以下步骤：S1.采集待测区域用户侧智能电表上能表征当前用户线路运行特征的各类数据，组成用电状态的大数据集；S2.在所述大数据集中，提取多个包含不同类变量的特征集，通过皮尔逊相关系数分析筛选，在同一特征集内仅保留相关性小于设定阈值的一组变量，找到与发生窃电行为相关性最大的特征集；S3.利用所述相关性最大的特征集所包含的数据和对应的用电状态构建模型，通过XGBoost算法对模型进行迭代训练；S4.通过智能电表数据实时获得的变量数据，对用户侧的用电状态进行评估，确定是否存在窃电行为。2.根据权利要求1所述的一...

【专利技术属性】
技术研发人员：刘宇鹏，宦钧，马建明，王晓维，裴庆龙，崔博，陈笑非，郭枫，张能，何玉朝，管磊，
申请(专利权)人：国网电力科学研究院武汉南瑞有限责任公司，
类型：发明
国别省市：