一种即时反窃电检测方法技术

本发明专利技术提供了一种即时反窃电检测方法，属于电网相关技术领域，该方法，包括以下步骤：步骤1：分别在电能电量采集的业务数据库中设计实现决策树，步骤2：选择电能电量采集业务数据库的用户用电数据相关特征及用户实际信用评级作为模型训练数据集；步骤3：组合法模型训练步骤4：组合法模型预测，步骤5：组合法预测结果选举，步骤6：递进法模型预测，步骤7：将上述组合法与递进法得到的预测结果，对大于等于系统设定的预警信用等级用户组合去重后，发给业务系统，进行预警检测，该方法方法快速、准确、方便，是一种可以在实践中推广与精进的创新途径。径。径。

【技术实现步骤摘要】
一种即时反窃电检测方法


[0001]本专利技术涉及电网相关
，具体而言，涉及一种即时反窃电检测方法。

技术介绍

[0002]反窃电检测在实践中一直是难题，窃电手段也不断精进，传统的以设备检查为主的方法一是取证困难，二是越来越难以应对与防控。近年来，随着国家电网、南方电网等国有大型电力公司都上线了电能电量采集系统，基于采集的电子化数据，利用数据分析与挖掘方法对客户的用电情况进行分析，再对电量波动较大的异常客户进行现常检测，这种基于大数据的信息化手段已经逐渐体现出明显的优势。
[0003]目前常用的大数据信息化手段主要分为两种或这两种的结合，一种是设置明确的规则检测预警，如用电波动超过某个百分比；另一种则是采用机器学习的人工智能方法，即以历史上用电客户的实际信用评级为标签，基于历史用电特征数据集进行迭代学习得到预测模型，常用的方法模型算法有逻辑回归、随机森林以及多层神经网络等。实践证明这些方法虽然取得了一定的成效，但仍然存在很多问题：一是准确度差。单一的规则或算法很难能全面抽象出用电特征与窃电之间的关系，如何选择适合用电本质特征的算法本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种即时反窃电检测方法，其特征在于，包括以下步骤：步骤1：分别在电能电量采集的业务数据库中设计实现决策树，采用CNN神经网络、LSTM三种机器学习算法，以数据库自定义函数UDF的形式保留，分别计为UDF_DT，UDF_CNN，UDF_LSTM；步骤2：选择电能电量采集业务数据库的用户用电数据相关特征及用户实际信用评级作为模型训练数据集；步骤3：组合法模型训练，基于实时与历史用电数据集进行模型训练；步骤4：组合法模型预测：以SQL语句，根据时段，利用如上三个训练模型对需要预测的用户特征进行预测，分别得到用户预测窃电概率；步骤5：组合法预测结果选举：对各个时段每个被预测用电用户的结果进行选举，即各时段被预测用户的概率中，以落在信用等级0，1，2，3对应概率区间段最多的等级，作为该用户的组合法预测信用等级；步骤6：递进法模型预测：对步骤3中得到的模型，首先用M_DT对需要预测的用户特征进行预测，然后根据P_DT，选择生成一个新的在预设定概率值Gate_DT以上的用户特征集，然后采用模型M_CNN对D_FeatureTraining_DT进行递进预测，然后根据P_CNN_DT，选择生成一个新的在预设定概率值Gate_CNN以上的用户特征集，然后采用模型M_LSTM对进行递进预测，再利用P_DT_CNN_LSTM，以0，1，2，3值在0，1区间对应得到D_FeatureTraining_DT_CNN相关用户的递进法预测信用等级；步骤7：将上述组合法与递进法得到的预测结果，对大于等于系统设定的预警信用等级用户组合去重后，发给业务系统，进行预警检测。2.根据权利要求1所述的即时反窃电检测方法，其特征在于，步骤2中，选择的三种算法，分别以决策树代表抽取用电窃电通用具有的分支逻辑特征，以CNN卷积神经网络抽取用户量数据在时间、地区、能效等级等多个维度上通常会呈现出来的类似规律性图像的特征，以LSTM抽取用电数据在时序上可形成的连续性曲线异常可预测特征。3.根据权利要求1所述的即时反窃电检测方法，其特征在于，步骤...

【专利技术属性】
技术研发人员：徐欢，杨秋勇，陈彬，冯歆尧，彭泽武，苏华权，梁盈威，
申请(专利权)人：广东电网有限责任公司，
类型：发明
国别省市：