低压充电桩违约用电行为识别的方法和系统技术方案

本发明专利技术公开了低压充电桩违约用电行为识别的方法和系统，包括以下步骤：S1：采集原始数据；S2：清洗处理原始数据得到清洗后的数据；S3：基于清洗后的数据提取特征参数，基于特征参数设定评定因子；S4：基于特征参数得到评定因子的风险评分，基于风险评分得到综合风险评分；S5：基于风险评分和综合风险评分确定违约用户信息，基于违约用户信息输出用电曲线图；S6：基于用电曲线图识别违约用电行为。本发明专利技术的有益效果是：能提高低压充电桩违约用电行为的识别准确率。的识别准确率。的识别准确率。

【技术实现步骤摘要】
低压充电桩违约用电行为识别的方法和系统


[0001]本专利技术涉及充电桩用电分析
，特别涉及低压充电桩违约用电行为识别的方法和系统。

技术介绍

[0002]随着电动汽车和充电桩的快速增长，部分用户在深夜高峰期的超额充电给电网带来压力，导致电网经济损失，因此，需要识别用户的违约用电行为。
[0003]现有技术中，通常依据充电桩对电动汽车的充电量判定违约用电，难以准确识别复杂的违约用电行为，且有误报或漏报的情况，存在不能提高低压充电桩违约用电行为的识别准确率的问题。
[0004]例如，一种在中国专利文献上公开的“小区虹膜识别电动车充电桩”，其公告号：CN107424318A，其申请日：2017年07月31日，该专利技术当电动车在充电过程中，电量检测电路对电动车蓄电池的电量进行监测，可以在充电完成时及时关闭当前充电桩，保护蓄电池，节约能耗，但是存在不能提高低压充电桩违约用电行为的识别准确率的问题。

技术实现思路

[0005]针对现有技术不能提高低压充电桩违约用电行为的识别准确率的不足，本专利技术提出了低压充电桩违约用电行为识别的方法和系统，能提高低压充电桩违约用电行为的识别准确率。
[0006]以下是本专利技术的技术方案，低压充电桩违约用电行为识别的方法，包括以下步骤：
[0007]S1：采集原始数据；
[0008]S2：清洗处理原始数据得到清洗后的数据；
[0009]S3：基于清洗后的数据提取特征参数，基于特征参数设定评定因子；
[0010]S4：基于特征参数得到评定因子的风险评分，基于风险评分得到综合风险评分；
[0011]S5：基于风险评分和综合风险评分确定违约用户信息，基于违约用户信息输出用电曲线图；S6：基于用电曲线图识别违约用电行为。
[0012]本方案中，采集负荷数据和用户数据，将负荷数据和用户数据拼接成原始数据，对原始数据进行去噪、删除异常值等清洗处理，输出清洗后数据，基于清洗后的数据提取若干个特征参数，基于若干个特征参数的数据得到各评定因子的风险评分，通过风险评分得到综合风险评分，基于综合风险评分和风险评分判定违约用户并输出违约用户的用户编号，基于违约用户的用户编号读取并绘制违约用户一周内的原始负荷数据曲线，输出用电曲线图，基于用电曲线图判断违约用电行为，进而进行相关处理。能提高低压充电桩违约用电行为的识别准确率。
[0013]作为优选，S1中，原始数据包括负荷数据和用户数据。
[0014]本方案中，负荷数据用于进行用电分析，用户数据用于确定进行用电分析的用户，能够确定指定用户的用电负荷，从而在识别出违约用电行为后确定目标用户，进而进行相
关处理。
[0015]作为优选，S2中，清洗处理包括去噪处理、空缺值填充和删除异常值处理。
[0016]本方案中，对有负荷数据的用户进行数据去噪处理，剔除功率小于剔除功率阈值的原始数据，剔除功率阈值为20W。对于短时间内的缺失数据用最近的非零采样点数据进行空缺值填充。通常低压充电桩普通待机功率均小于0.01kw，设置数据预处理算法默认功率大于充电功率阈值时为充电状态，充电功率阈值为0.02kw。
[0017]作为优选，S3中，特征参数包括平均功率、方差、峰谷比、积分电量、最大负荷、最小负荷、充电桩使用率和负荷突变次数，评定因子包括方差因子、占比因子、负荷分段数因子、充电时平均功率因子、充电桩使用率因子、积分反算电量因子和容量使用率因子。
[0018]本方案中，通过用电负荷的特征参数进行评定因子的风险评分计算，方差因子反应充电时的整体波动情况，方差越大，波动越大，风险越高；占比因子比例越高，风险越高；负荷分段数因子分段数越多，风险越高；充电时平均功率因子，一般来说6.5kw
‑
7.5kw风险较低；充电桩使用率因子，使用率越高，风险越高；积分反算电量因子，电量越高，风险越高。
[0019]作为优选，S4中，评定因子和风险评分一一对应，综合风险评分等于部分或全部评定因子的风险评分的乘积。
[0020]作为优选，S5包括以下步骤：
[0021]S51：设定风险评估范围；
[0022]S52：判断综合风险评分对应的风险评估范围是否为高风险，若是，进行步骤S53；若否，判定为未违约用户；
[0023]S53：判断是否存在若干个及以上评定因子的风险评分大于或等于风险阈值；若是，判定为违约用户，输出违约用户的用户编号，基于用户编号读取并绘制违约用户指定时间内的负荷数据曲线，输出用电曲线图；若否，判定为未违约用户。
[0024]本方案中，先通过综合风险评分确定风险评估范围，若为高风险，则分析具体风险评分，确定大于或等于风险阈值的存在问题的评定因子及其风险评分，若存在问题的评定因子数量大于指定数量，则判定该用户为违约用户，同时记录存在问题的评定因子及其风险评分，用于后续输出显示。
[0025]作为优选，S6包括以下步骤：
[0026]S61：采集异常负荷图，提取异常特征点；
[0027]S62：训练异常负荷图，输出异常负荷总数，基于异常负荷总数标记违约用电行为；
[0028]S63：采用目标检测算法对用电曲线图进行识别，输出违约用电行为。
[0029]本方案中，采集、训练异常负荷图完成数据集的训练，标记异常负荷总数和违约用电行为的关系，将用电曲线图作为输入得到对应的异常负荷总数，进而得到违约用电行为，能够根据用电曲线图自动识别异常负荷总数和匹配违约用电行为。
[0030]低压充电桩违约用电行为识别的系统，包括：数据采集模块，数据采集模块连接数据清洗模块，数据清洗模块连接特征提取模块，特征提取模块连接模型构建模块，模型构建模块连接结果判断模块，结果判断模块连接结果展示模块。
[0031]本方案中，数据采集模块通过Selenium技术采集充电桩历史负荷数据，输出原始数据。数据清洗模块对原始数据进行去噪、删除异常值等清洗处理，输出清洗后数据。特征提取模块从清洗后数据中提取若干个特征参数，输出特征参数数据。模型构建模块根据若
干个特征参数的数据，设定各特征参数的风险评分区间，通过各特征参数风险评分的相乘得到户用电风险综合评分，输出评分数据。结果判断模块基于综合风险评分和风险评分输出违约用户的用户编号。结果展示模块基于违约用户的用户编号读取并绘制违约用户一周内的原始负荷数据曲线，输出用电曲线图，基于用电曲线图判断违约用电行为。能提高低压充电桩违约用电行为的识别准确率。
[0032]作为优选，数据采集模块通过浏览器自动化测试框架技术采集充电桩的负荷数据，通过接口采集第三方系统的用户数据。
[0033]作为优选，还包括：模型优化模块，模型优化模块连接模型构建模块。
[0034]本方案中，模型优化模块用于将现场核查反馈结果输入，修正各特征参数的风险评分区间及综合评分阈值，实现模型的参数优化。支持模型的持续优化，通过工具整合历史数据，使优化数据更加丰富，实本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.低压充电桩违约用电行为识别的方法，其特征在于，包括以下步骤：S1：采集原始数据；S2：清洗处理原始数据得到清洗后的数据；S3：基于清洗后的数据提取特征参数，基于特征参数设定评定因子；S4：基于特征参数得到评定因子的风险评分，基于风险评分得到综合风险评分；S5：基于风险评分和综合风险评分确定违约用户信息，基于违约用户信息输出用电曲线图；S6：基于用电曲线图识别违约用电行为。2.根据权利要求1所述的低压充电桩违约用电行为识别的方法，其特征在于，S1中，原始数据包括负荷数据和用户数据。3.根据权利要求1所述的低压充电桩违约用电行为识别的方法，其特征在于，S2中，清洗处理包括去噪处理、空缺值填充和删除异常值处理。4.根据权利要求1所述的低压充电桩违约用电行为识别的方法，其特征在于，S3中，特征参数包括平均功率、方差、峰谷比、积分电量、最大负荷、最小负荷、充电桩使用率和负荷突变次数，评定因子包括方差因子、占比因子、负荷分段数因子、充电时平均功率因子、充电桩使用率因子、积分反算电量因子和容量使用率因子。5.根据权利要求1所述的低压充电桩违约用电行为识别的方法，其特征在于，S4中，评定因子和风险评分一一对应，综合风险评分等于部分或全部评定因子的风险评分的乘积。6.根据权利要求1所述的低压充电桩违约用电行为识别的方法，其特征在于，S5包括以下步骤：S51：设定风险评估范围；S52：判断综合风险...

【专利技术属性】
技术研发人员：侯加庆，沈立熙，李越玮，盛琦慧，沈煜宾，邢翼，岑梁，陈炜，徐俊，沈亚萍，
申请(专利权)人：国网浙江省电力有限公司湖州供电公司，
类型：发明
国别省市：