一种基于多聚合水平能耗数据的用户行为感知方法及系统技术方案

本发明专利技术涉及电力系统异常用电技术领域，具体涉及一种基于多聚合水平能耗数据的用户行为感知方法，包括S1：对电力消耗数据进行特征提取生成用电数据样本；S2:基于用电数据样本，采用K

【技术实现步骤摘要】
一种基于多聚合水平能耗数据的用户行为感知方法及系统


[0001]本专利技术涉及电力系统异常用电
，具体涉及一种基于多聚合水平能耗数据的用户行为感知方法及系统。

技术介绍

[0002]异常用电是全球供电企业面临的共同难题，每年都会对供电企业造成巨大的经济损失。因此，基于多聚合水平能耗数据的高耗能用户行为分析技术和高耗能企业的用电行为异常诊断技术对供电企业至关重要。但是，大量的电力数据流和复杂的异常用电情况对检测算法提出了挑战。
[0003]如今已有多种用户异常用电行为感知方法，其大致可分为两类：信号分析方法和机器学习方法。信号分析方法旨在通过分析电压和电流的变化情况来检测异常用电，但此种方法通常存在对大量耗电数据适应性较差的问题；机器学习方法具有鲁棒性，且适用于电力消耗数据，可将模糊C均值(FCM)、长短时记忆(LSTM)及卷积神经网络等多种算法用于用电异常量检测。
[0004]尽管已经开发出了多种异常用电感知方法，但不同异常用电量类别与正常用电量之间的数据分布比率尚未得到很好地研究。由于正常用电量数据量较大，而异常用电量样本数相对较小，这导致了典型的不平衡学习问题。此外，传统的机器学习算法通常在少数类上表现一般，不适合用于异常用电量检测。

技术实现思路

[0005]本专利技术提出了一种基于多聚合水平能耗数据的用户行为感知方法，从多维度用电数据综合分析企业分时用电行为规律，并对高耗能企业的用电行为进行检测和预警。在传统已有方法的基础上进行扩展和创新，使其能够更好地对用户行为进行感知和分析，在实际应用中获得更准确更可靠的运算结果。为了达到这个目的，本专利技术的技术方案如下：一种基于多聚合水平能耗数据的用户行为感知方法，包括，
[0006]S1：对电力消耗数据进行特征提取生成用电数据样本；
[0007]S2:基于用电数据样本，采用K
‑
means及SMOTE算法生成输入样本数据；
[0008]S3:采用KELM算法训练上述输入样本数据，并输出样本数据是否为异常用电数据。
[0009]进一步的，步骤S1中，用电系统中的用户包含下述：高压用户、低压用户和光伏用户；其中，低压用户可进一步分为低压居民用户和低压非居民用户，对于不同类型的电力用户，存在不同的异常用电情况，针对不同类型的用电数据定义不同的异常用电类别，其中，不同类型的用电数据采用如下表示：相关变量定义如下，x
l
：上月用电量，x
t
：当月用电量，x
cl
：去年同期用电量，x
se
：尖电量，x
pe
：峰电量，x
ve
：谷电量，x
sr
：最终抄表总电量，x
sv
：最终抄表尖电量，x
pv
：最终抄表峰电量，x
vv
：最终抄表谷电量，x
cc
：合同容量，x
ap
：有功功率，x
ip
：无功功率，x
pa
：执行调整，x
ep
：光伏用户的发电表，x
gp
：光伏用户的电网电表电量；两种电力消
耗函数定义为：它与去年同期用电情况进行比较；它与前一个月的用电情况进行对比。
[0010]进一步的，步骤S2中，多用电数据样本进行预处理具体为，采用K
‑
means算法将用电数据样本划分为多个簇，计算每个簇用电数据的不平衡比值，若大于预设比值，则采用SMOTE过采样策略生成合成输入样本数据；若小于预设比值则每个簇的用电数据样本为输入样本数据；
[0011]进一步的，每个簇用电数据的不平衡比值通过如下方式计算：
[0012]使用K
‑
means算法将样本聚类为k簇，每个簇中包含异常用电数据与正常用电数据，其中正常用电数据为多数实例，异常用电数据为少数实例,每个簇中的不平衡比值IRT，如下所示：
[0013][0014]其中，M
maj
是每个簇内的多数实例数，M
min
代表每个簇内的少数实例数。
[0015]进一步的，步骤S2中，若每个簇中的不平衡比值IRT大于预设值，则判定样本数据为不平衡的，则采用如下方法生成输入样本数据：
[0016]1)计算每个簇中样本间的欧几里得距离dis；
[0017]2)基于上述欧几里得距离dis计算每个簇内少数类的稀疏性：其中，是第i个簇的平均少数欧几里得距离，特征数为n，M
min
代表每个簇内的少数实例数；
[0018]3)基于上述稀疏性计算采样权重r，以确定将在各个簇中生成的样本数量：
[0019][0020]4)基于上述采样权重，使用SMOTE算法合成生成输入样本数据temp。
[0021]进一步的，KELM算法训练模型为：
[0022][0023]一种基于多聚合水平能耗数据的用户行为感知系统，包括，
[0024]用电数据提取单元，对电力消耗数据进行特征提取生成用电数据样本；
[0025]输入样本生成单元，采用K
‑
means及SMOTE算法生成输入样本数据；
[0026]数据训练单元，采用KELM算法训练上述输入样本数据，并输出样本数据是否为异常用电数据。
[0027]进一步的，所述预处理单元中还包括数据平衡计算单元，用于计算数据样本的不平衡值。
[0028]本专利技术还提供了一种计算机存储介质，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至6中任一项所述的方法。
[0029]本专利技术研究基于多聚合水平能耗数据的高耗能用户行为分析技术，从多维度的用能数据综合分析了企业分时用电行为规律，对用电行为异常点做出检测和预警，进而保障了企业的稳定运转和安全生产，本专利技术提出的算法在各个方面都表现良好，在用电力用户行为感知上具有其优越性。
附图说明
[0030]图1为本专利技术的流程示意图；
[0031]图2为本专利技术对各个用电数据的特征进行规范表示；
[0032]图3多种不平衡学习算法的测试精度比较示意图；
[0033]图4以G
‑
means作为衡量条件，对当下最先进的多种不平衡学习算法进行对比分析示意图。
具体实施方式
[0034]为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。
[0035]参考图1，本专利技术提供了一种基于多聚合水平能耗数据的用户行为感知方法，包括，
[0036]S1：对电力消耗数据进行特征提取生成用电数据样本；
[0037]S2:采用K
‑
means及SMOTE算法对用电数据样本进行预处理生成输入样本数据；
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多聚合水平能耗数据的用户行为感知方法，其特征在于，包括，S1：对电力消耗数据进行特征提取生成用电数据样本；S2:基于用电数据样本，采用K
‑
means及SMOTE算法生成输入样本数据；S3:采用KELM算法训练上述输入样本数据，并输出样本数据是否为异常用电数据。2.如权利要求1所述的一种基于多聚合水平能耗数据的用户行为感知方法，其特征在于，步骤S1中，用电系统中的用户包含下述：高压用户、低压用户和光伏用户；其中，低压用户进一步分为低压居民用户和低压非居民用户，对于不同类型的电力用户，存在不同的异常用电情况，针对不同类型的用电数据定义不同的异常用电类别，其中，不同类型的用电数据采用如下表示：相关变量定义如下，x
l
：上月用电量，x
t
：当月用电量，x
cl
：去年同期用电量，x
se
：尖电量，x
pe
：峰电量，x
ve
：谷电量，x
sr
：最终抄表总电量，x
sv
：最终抄表尖电量，x
pv
：最终抄表峰电量，x
vv
：最终抄表谷电量，x
cc
：合同容量，x
ap
：有功功率，x
ip
：无功功率，x
pa
：执行调整，x
ep
：光伏用户的发电表，x
gp
：光伏用户的电网电表电量。3.如权利要求1所述的一种基于多聚合水平能耗数据的用户行为感知方法，其特征在于，步骤S2中，多用电数据样本进行预处理具体为，采用K
‑
means算法将用电数据样本划分为多个簇，计算每个簇用电数据的不平衡比值，若大于预设比值，则采用SMOTE过采样策略生成合成输入样本数据；若小于预设比值则每个簇的用电数据样本作为输入样本数据。4.如权利要求3所述的一种基于多...

【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：