一种基于用电行为感知的异常用电行为检测分类方法及系统技术方案

本发明专利技术属于异常用电行为检测分类技术领域，尤其涉及一种基于用电行为感知的异常用电行为检测分类方法及系统。所述方法包括：S1：建立异常用电行为分类器；利用所述分类器实现对测试数据集中的正常和异常2类用电行为的分类；S2:建立基于密度的异常用电行为分类层；将S2中判决为异常的用电行为作为所述分类层的输入，使得所述异常的用电行为进一步划分为窃电，漏电和计量错误三种异常用电行为。本发明专利技术提供的方法能不仅能够自动识别用户异常用电行为，提升异常用电行为检测效率，而且能够有效实现电力用户用电行为的自动分类。效实现电力用户用电行为的自动分类。效实现电力用户用电行为的自动分类。

【技术实现步骤摘要】
一种基于用电行为感知的异常用电行为检测分类方法及系统


[0001]本专利技术属于异常用电行为检测分类
，尤其涉及一种基于用电行为感知的异常用电行为检测分类方法及系统。

技术介绍

[0002]异常用电行为检测是整个企业供电的重要组成部分，传统的异常用电行为检测主要依靠电力稽查人员进行现场排查，效率低下且需要消耗大量的人力、物力资源，随着智慧电力，智能电网的建设与发展，智能电表等用电信息采集设备和集中抄表等智能化技术逐渐普及，电力企业获得了大量的用户侧用电数据，如何从中挖掘有用信息，自动识别用户异常用电行为，提升异常用电行为检测效率，对于电力企业的健康发展具有重要意义。
[0003]因此，为了在保证安全性的同时尽可能提高效率，提出一种基于用电行为感知的异常用电行为检测分类方法是人们亟待解决的问题。

技术实现思路

[0004]鉴于此，本专利技术公开提供了一种基于用电行为感知的异常用电行为检测分类方法及系统，以使得电力工作者大大提升工作效率，保证其工作的安全性和可靠性。
[0005]第一方面，本专利技术提供了一种基于用电行为感知的异常用电行为检测分类方法，包括：
[0006]S1：建立异常用电行为分类器；利用所述分类器实现对测试数据集中的正常和异常2类用电行为的分类；
[0007]S2:建立基于密度的异常用电行为分类层；将S2中判决为异常的用电行为作为所述分类层的输入，使得所述异常的用电行为进一步划分为窃电、漏电和计量错误三种异常用电行为。
[0008]进一步地，S1中所述测试数据集：预处理用电数据而得到的数据降维后的测试数据集；
[0009]所述预处理用电数据具体包括：
[0010]S11：补全缺失的用电数据；
[0011]利用缺失数据前后各1个采样时刻的数据进行插值的方式对用电数据进行补全，若缺失数据前后各1个采样时刻中也存在缺失，则令该时刻的采样值为0，实现方式采用如下式(2)：
[0012][0013]其中，NaN表示取值缺失，X
nm
表示第n个用户第m个时刻的用电负荷数据，n＝1,2，
…
,m＝1,2,
…
，X
n,m
‑1表示第n个用户第m
‑
1个时刻的用电负荷数据；X
n,m+1
表示第n个用户第m+1个时刻的用电负荷数据；
[0014]S12:对补全后的用电数据进行归一化处理；
[0015]采用式(3)对所述用电数据进行归一化，将数据集的取值范围约束在[0,1]之间；
[0016][0017]其中，x
nm
为第n个用户第m个时刻的归一化用电负荷数据，max(X)和min(X)分别表示电力数据中的最大值和最小值；
[0018]S13:特征提取归一化处理后的用电数据，将原始用电数据的M
×
1维列向量转化3
×
1维特征向量x
n
＝[Feature1，Feature2，Feature3]T
，以实现数据降维。
[0019]进一步地，S13中具体以三维电力用户的用电行为作为特征，对三相供电用户的高维电力数据进行降维表征；其中所述特征包括电压不平衡度、用电量离散系数及电流相关系数；
[0020]其中所述电压不平衡度的计算公式为：
[0021][0022]所述用电量离散系数的计算公式为：
[0023][0024]所述电流相关系数的计算公式：
[0025]Feature3＝cor(I1,I2)+cor(I1,I3)+cor(I2,I3)
ꢀꢀꢀꢀꢀ
(6)
[0026]其中，cor(
·
)表示求括号内变量的相关系数，I1，I2，I3为三相电流。
[0027]进一步地，所述S1为基于KH
‑
OC
‑
SVM算法的异常用电行为分类器：具体包括
[0028]S21:采用训练数据集对KH
‑
OC
‑
SVM算法的异常用电行为分类器进行训练，得到最优分类面；
[0029]S22:利用最优分类面对测试数据集进行异常用电行为检测，将测试数据集划分为正常和异常2类。
[0030]进一步地，S1中所应用的KH
‑
OC
‑
SVM算法为：
[0031]步骤1：设置当前迭代次数i＝1，在参数空间[U
j
，L
j
」内随机选取M个磷虾种群的初始位置，根据式(10)计算速度矢量因子Δt，其中C
t
为搜索间隔，j从1开始取值，N是自然数，表示j的取值范围；
[0032][0033]步骤2：利用OC
‑
SVM对训练样本集合进行分析，根据式(11)和当前磷虾种群的位置计算每个磷虾的适应度函数值fitness，将适应度值最小的磷虾作为当前的最优解并存储其位置信息；
[0034][0035]e
l
为第l次试验的错分概率，l＝1,2,,K，K为交叉验证实验次数；
[0036]步骤3：根据式(12)计算扰动因子，并利用扰动因子更新最大诱导速度H
max
和觅食速度v
f
，利用式(13)对每个磷虾位置进行更新；
[0037][0038][0039]其中，P
i
(t)为t时刻第i次迭代时磷虾所处的位置，Δt为时间间隔；
[0040]步骤4：利用OC
‑
SVM对更新后磷种群的位置信息进行分析描述，计算每个样本的适应度值，并根据适应度值更新最优位置磷虾的信息；
[0041]步骤5：当前迭代次数是否为I
max
，若是，则转至步骤6，否则令i＝i+1，并转至步骤2；
[0042]步骤6：对记录得到的所有最优位置磷虾适应度值fitness进行比较分析，最小fitness值对应磷虾位置坐标即为OC
‑
SVM的最优参数组合(σ
*
，η
*
)。
[0043]进一步地，所述S2为：建立基于密度的K
‑
Means聚类算法的异常用电行为分类层；
[0044]S2中基于密度的K
‑
Means聚类算法为：
[0045]步骤1：选择初始聚类中心：
[0046]1)对于数据集合中的每个样本，根据式(15)计算得到对应的空间密度值density(y
i
)；
[0047][0048]其中y
i
，y
j
均表示样本；
[0049]2)选取空间密度值最小的样本y
min
，并根据式(12)计算该样本的M邻域δ
M
；
[0050]δ
M
＝{y
j本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于用电行为感知的异常用电行为检测分类方法，其特征在于，包括：S1：建立异常用电行为分类器；利用所述分类器实现对测试数据集中的正常和异常2类用电行为的分类；S2:建立基于密度的异常用电行为分类层；将S2中判决为异常的用电行为作为所述分类层的输入，使得所述异常的用电行为进一步划分为窃电、漏电和计量错误三种异常用电行为。2.根据权利要求1所述的一种基于用电行为感知的异常用电行为检测分类方法，其特征在于，S1中所述测试数据集：预处理用电数据而得到的数据降维后的测试数据集；所述预处理用电数据具体包括：S11：补全缺失的用电数据；利用缺失数据前后各1个采样时刻的数据进行插值的方式对用电数据进行补全，若缺失数据前后各1个采样时刻中也存在缺失，则令该时刻的采样值为0，实现方式采用如下式(2)：其中，NaN表示取值缺失，X
nm
表示第n个用户第m个时刻的用电负荷数据，n＝1,2，
…
,m＝1,2,
…
，X
n,m
‑1表示第n个用户第m
‑
1个时刻的用电负荷数据；X
n,m+1
表示第n个用户第m+1个时刻的用电负荷数据；S12:对补全后的用电数据进行归一化处理；采用式(3)对所述用电数据进行归一化，将数据集的取值范围约束在[0,1]之间；其中，x
nm
为第n个用户第m个时刻的归一化用电负荷数据，max(X)和min(X)分别表示电力数据中的最大值和最小值；S13:特征提取归一化处理后的用电数据，将原始用电数据的M
×
1维列向量转化3
×
1维特征向量x
n
＝[Feature1，Feature2，Feature3]
T
，以实现数据降维。3.根据权利要求2所述的一种基于用电行为感知的异常用电行为检测分类方法，其特征在于，S13中具体以三维电力用户的用电行为作为特征，对三相供电用户的高维电力数据进行降维表征；其中所述特征包括电压不平衡度、用电量离散系数及电流相关系数；其中所述电压不平衡度的计算公式为：所述用电量离散系数的计算公式为：所述电流相关系数的计算公式：Feature3＝cor(I1,I2)+cor(I1,I3)+cor(I2,I3)
ꢀꢀꢀꢀ
(6)
其中，cor(
·
)表示求括号内变量的相关系数，I1，I2，I3为三相电流。4.根据权利要求1所述的一种基于用电行为感知的异常用电行为检测分类方法，其特征在于，所述S1为基于KH
‑
OC
‑
SVM算法的异常用电行为分类器：具体包括S21:采用训练数据集对KH
‑
OC
‑
SVM算法的异常用电行为分类器进行训练，得到最优分类面；S22:利用最优分类面对测试数据集进行异常用电行为检测，将测试数据集划分为正常和异常2类。5.根据权利要求4所述的一种基于用电行为感知的异常用电行为检测分类方法，其特征在于，S1中所应用的KH
‑
OC
‑
SVM算法为：步骤1：设置当前迭代次数i＝1，在参数空间内随机选取M个磷虾种群的初始位置，根据式(10)计算速度矢量因子Δt，其中C
t
为搜索间隔，j从1开始取值，N是自然数，表示j的取值范围；步骤2：利用OC
‑
SVM对训练样本集合进行分析，根据式(11)和当前磷虾种群的位置计算每个磷虾的适应度函数值fitness，将适应度值最小的磷虾作为当前的最优解并存储其位置信息；e
l
为第l次试验的错分概率，l＝1,2,,K，K为交叉验证实验次数...

【专利技术属性】
技术研发人员：张家齐，
申请(专利权)人：国网辽宁省电力有限公司沈阳供电公司，
类型：发明
国别省市：