一种基于电网元数据监测的偷漏电识别方法及系统技术方案

本公开属于电力监测技术领域，具体涉及一种基于电网元数据监测的偷漏电识别方法及系统，包括获取电网元数据；基于所获取的电网元数据构建电网元数据分析模型，得到多维时序数据；根据所得到的多维时序数据和用户分类神经网络模型，得到用户类型，完成偷漏电的识别。本公开对偷漏电行为的识别效率有待提高，定位方法冗余，实现了为供电企业进行配电网优化及整改提供有力的数据支撑，能够实现经济利益的增收。收。收。

【技术实现步骤摘要】
一种基于电网元数据监测的偷漏电识别方法及系统


[0001]本公开属于电力监测
，具体涉及一种基于电网元数据监测的偷漏电识别方法及系统。

技术介绍

[0002]本部分的陈述仅仅是提供了与本公开相关的
技术介绍
信息，不必然构成在先技术。
[0003]偷漏电问题的日益突出导致供电企业蒙受巨大的经济损失，容易危害电网的安全运行，扰乱用户的正常用电秩序；为规范用电用户管理、推动电力工业良性发展，及时地识别偷漏电行为势在必行；因此，供电企业需要完善偷漏电检测和定位的技术手段，以提高对于偷漏电行为的打击力度。
[0004]但是，现有的偷漏电识别技术比较复杂，无法准确识别窃电行为，偷漏电行为的识别定位的可靠性低。

技术实现思路

[0005]为了解决上述问题，本公开提出了一种基于电网元数据监测的偷漏电识别方法及系统，对偷漏电行为的识别效率有待提高，定位方法冗余，实现了为供电企业进行配电网优化及整改提供有力的数据支撑，能够实现经济利益的增收。
[0006]根据一些实施例，本公开的第一方案提供了一种基于电网元数据监测的偷漏电识别方法，采用如下技术方案：
[0007]一种基于电网元数据监测的偷漏电识别方法，包括：
[0008]获取电网元数据；
[0009]基于所获取的电网元数据构建电网元数据分析模型，得到多维时序数据；
[0010]根据所得到的多维时序数据和用户分类神经网络模型，得到用户类型，完成偷漏电的识别。
[0011]作为一种或多种实施方式，所获取的电网元数据为描述输电量与偷漏电相关数据项的信息，通过电网元数据定义实现电网信息的简单高效管理，有效检测偷漏电情况。
[0012]作为一种或多种实施方式，在正常用户与偷漏电用户的电网元数据中提取用电加速度、瞬时频率、功率谱和熵率，形成多维时序数据；将正常用户与偷漏电用户的用户类型进行编码，根据多维时序数据和与所述多维时序数据相对应的用户类型编码得到训练样本，即完成电网元数据分析模型的构建。
[0013]进一步的，所述多维时序数据的具体计算方法如下：
[0014][0015][0016][0017][0018]其中，Ea为用电加速度，Ec是周期用电量，T是周期长度，表示周期内用电速度变化值，Ps表示功率谱，x(t)表示用户电网元数据信号，t为时间，g(τ
‑
t)表示傅里叶变换的窗口函数，τ为步长因子，f表示频率，f
ins
表示瞬时频率，P表示熵率；
[0019]根据功率谱与熵率计算谱熵信号，所述谱熵信号描述功率谱和熵率之间的关系，是对功率谱分布的度量，通过谱熵信号可以展示出用户元数据信号的不确定性与无序性；
[0020]所述谱熵计算方法为：Se＝
‑
∑Plog2P；其中，Se为谱熵。
[0021]作为一种或多种实施方式，所述用户分类神经网络模型包括输入层、PCA空间层、记忆层、卷积层组、遗忘层和输出层；所述输入层将多维时序数据X传送给PCA空间层，由PCA空间层对多维时序数据进行降维，保留原数据的主要特征信息；所述PCA空间层将降维后的数据传送给记忆层，所述记忆层对上一层的隐藏状态、本层输入和系数矩阵相乘后进行映射，保留上一层的神经元状态；所述记忆层将输出传送给卷积层组，卷积层计算后传送给池化层，采用最大池化方式，池化层将计算后的数据传送给下一卷积层，重复迭代；最后一个池化层将计算后的数据传送给遗忘层，遗忘层利用遗忘门的原理进行信息读取、传递和筛选，对数据进行识别；所述遗忘层采用双通道模式。
[0022]进一步的，所述神经元状态的更新过程为：C(c)＝(c
‑
1)
⊙
a(c)
⊙
d(c)；其中，
⊙
表示哈达玛积；所述遗忘层的输出为：其中，OP5为遗忘层的输出，上一层的隐藏状态的系数矩阵，为本层系数矩阵，b
o
为遗忘层的偏置；遗忘层将计算结果传送给输出层，由输出层输出y；所述用户分类神经网络模型的损失函数为：L＝
‑
ylogY
‑
(1
‑
)log(1
‑
Y)；其中，L为损失函数，y是神经网络输出，Y是期望输出。
[0023]作为一种或多种实施方式，将多维时序数据输入用户分类神经网络中，输出对应的用户类型；若用户类型为偷漏电用户，则根据当前用户的电网元数据采集源所对应的数据节点定位到用户位置，发出偷漏电警报。
[0024]根据一些实施例，本公开的第二方案提供了一种基于电网元数据监测的偷漏电识别系统，采用如下技术方案：
[0025]一种基于电网元数据监测的偷漏电识别系统，包括：
[0026]获取模块，其被配置为获取电网元数据；
[0027]建模模块，其被配置为基于所获取的电网元数据构建电网元数据分析模型，得到多维时序数据；
[0028]识别模块，其被配置为根据所得到的多维时序数据和用户分类神经网络模型，得到用户类型，完成偷漏电的识别。
[0029]根据一些实施例，本公开的第三方案提供了一种计算机可读存储介质，采用如下技术方案：
[0030]一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现如本公开第一方面所述的基于电网元数据监测的偷漏电识别方法中的步骤。
[0031]根据一些实施例，本公开的第四方案提供了一种电子设备，采用如下技术方案：
[0032]一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如本公开第一方面所述的基于电网元数据监测的偷漏电识别方法中的步骤。
[0033]与现有技术相比，本公开的有益效果为：
[0034]本公开从电网元数据中提取用电加速度以及瞬时频率、功率谱和熵率，形成多维时序数据，可以获取正常用户与偷漏电用户之间的明显差异性信息，有助于提高用户分类精准度；并对每组数据对应的用户类型进行编码，构造多维时序数据与对应的用户类型编码组成的样本集，为后续的偷漏电行为检测达到期望精度提供数据基础；
[0035]构建用户分类神经网络，将多维时序数据变换为矩阵X作为训练样本输入用户分类神经网络中，以多维时序数据对应的用户类型作为用户分类神经网络的输出，对神经网络进行训练，通过输出的用户类型编码对偷漏电行为进行识别，并定位出用户位置，提高了对偷漏电行为识别的效率；
[0036]本公开能有效解决现有技术缺乏简单易行且准确可靠的窃电行为识别方法，对偷漏电行为的识别效率有待提高，定位方法冗余，并且，上述系统或方法经过了一系列的效果调研，通过验证，最终能够为供电企业进行配电网优化及整改提供有力的数据支撑，能够实现经济利益的增收，具有非常高的实用价值。
附图说明
[0037]构成本公开的一部分的说明书附图用来提供对本公开的进一步理解，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于电网元数据监测的偷漏电识别方法，其特征在于，包括：获取电网元数据；基于所获取的电网元数据构建电网元数据分析模型，得到多维时序数据；根据所得到的多维时序数据和用户分类神经网络模型，得到用户类型，完成偷漏电的识别。2.如权利要求1中所述的一种基于电网元数据监测的偷漏电识别方法，其特征在于，所获取的电网元数据为描述输电量与偷漏电相关数据项的信息，通过电网元数据定义实现电网信息的简单高效管理，有效检测偷漏电情况。3.如权利要求1中所述的一种基于电网元数据监测的偷漏电识别方法，其特征在于，在正常用户与偷漏电用户的电网元数据中提取用电加速度、瞬时频率、功率谱和熵率，形成多维时序数据；将正常用户与偷漏电用户的用户类型进行编码，根据多维时序数据和与所述多维时序数据相对应的用户类型编码得到训练样本，即完成电网元数据分析模型的构建。4.如权利要求3中所述的一种基于电网元数据监测的偷漏电识别方法，其特征在于，所述多维时序数据的具体计算方法如下：述多维时序数据的具体计算方法如下：述多维时序数据的具体计算方法如下：述多维时序数据的具体计算方法如下：其中，Ea为用电加速度，Ec是周期用电量，T是周期长度，表示周期内用电速度变化值，Ps表示功率谱，x(t)表示用户电网元数据信号，t为时间，g(τ
‑
t)表示傅里叶变换的窗口函数，τ为步长因子，f表示频率，f
ins
表示瞬时频率，P表示熵率；根据功率谱与熵率计算谱熵信号，所述谱熵信号描述功率谱和熵率之间的关系，是对功率谱分布的度量，通过谱熵信号可以展示出用户元数据信号的不确定性与无序性；所述谱熵计算方法为：Se＝
‑
∑Plog2P；其中，Se为谱熵。5.如权利要求1 中所述的一种基于电网元数据监测的偷漏电识别方法，其特征在于，所述用户分类神经网络模型包括输入层、PCA空间层、记忆层、卷积层组、遗忘层和输出层；所述输入层将多维时序数据X传送给PCA空间层，由PCA空间层对多维时序数据进行降维，保留原数据的主要特征信息；所述PCA空间层将降维后的数据传送给记忆层，所述记忆层对上一层的隐藏状态、本层输入和系数矩阵相乘后进行映射，保留上一层的神经元状态；所述记忆层将输出传...

【专利技术属性】
技术研发人员：邢宇，董贤光，孙艳玲，孙凯，翟晓卉，杨剑，杜艳，张玲玲，郑加涛，张松梅，国立英，徐甜甜，赵翠翠，石春艳，
申请(专利权)人：国家电网有限公司，
类型：发明
国别省市：