【技术实现步骤摘要】
本专利技术涉及窃电时间定位，特别是一种半监督的窃电时间定位方法。
技术介绍
1、电力系统中的损耗通常分为技术损耗和非技术损耗，电力用户的窃电行为是造成电网非技术性损失的主要原因。窃电用户通过改变电表读数，减少支付电费，严重降低了电力企业和电力部门的经济效益。目前的窃电检测方法仅能识别出窃电用户，不对检测出的窃电用户的窃电行为发生的具体时间进行定位。
2、窃电量的有效追回是窃电检测的最终目的。当前多数省市供电局基本按照《供电营业规则》的要求估算窃电量，即按计费电能表标定电流值所指的容量乘以实际窃用的时间计算确定。窃电时间是窃电量估算的重要组成成分，是准确估算窃电量的前提。人工研判窃电时间存在一定的主观性，存在误判、漏判的问题，且难以应对海量的电力用户。
3、窃电时间是窃电量估算的重要组成成分，窃电时间的准确定位是精确估算窃电量的前提，也是电力企业和部门追回窃电导致的经济利益损失的前提。目前实际工作中是主要由人工根据用电量突降来研判，但是由于电力用户自身用电规律不同，其用电曲线是非平稳的时间曲线，突变点较多；且各种窃电手法层出不穷，存在对窃电时间少算、漏算的现象。现有对于窃电时间定位的研究，由于用户正常的用电记录较易获取，窃电具体时间的标签难以获取，无法通过有监督的分类算法进行时间定位；预测算法长期预测会导致误差过大，而滚动预测则会在数据中引入窃电数据，从而导致误判；聚类算法未能考虑用户的内在用电规律，容易将正常的电量下降行为误判为窃电。
技术实现思路
1、有鉴
2、为实现上述目的，本专利技术采用如下技术方案：一种半监督的窃电时间定位方法，包括以下步骤：
3、步骤1：对用户历史用电曲线数据进行处理；
4、步骤2：分析窃电原理，建立多种贴合实际窃电情况的窃电数学模型，在测试集中随机挑选日期构建窃电数据，测试集中正常数据与异常数据比例为1:1；
5、步骤3：建立transformer模型作为日负荷曲线的重构模型，并构造残差曲线；transformer模型的架构分为3个模块：输入模块、编码-解码模块、输出模块；
6、步骤4：将训练集中的正常日负荷曲线的重构残差曲线作为ocsvm模型的输入，将其从输入空间映射到高维特征空间，并将高维特征空间的原点作为样本负类，确定一个离原点最远的超平面，使得正常日负荷曲线的重构残差曲线均在原点的对面，从而构建最优的分类超平面。
7、在一较佳的实施例中，所述步骤1具体为：首先将用户的用电数据切割为每日的负荷曲线，并且删除缺失值超过20％的日负荷曲线；然后按公式(1)采用三西格玛法则去除异常值，并按公式(2)对空值进行线性插值；按公式(3)进行归一化，使用训练集中的最大最小值能够保留数据每日之间的量级差异特征，防止数据泄露；最后将数据集按7:3划分为训练集和测试集；
8、
9、其中x表示的日负荷曲线，xi表示每一点的负荷值，avg(x)表示该日负荷曲线的平均值，std(x)表示该负荷曲线的方差；
10、
11、其中，如果xi是空值，则将其表示为xi∈nan
12、
13、式中：xi为用户小时用电量的原始数据，x′i为归一化后的用户小时用电量数据；x为训练集；max(x)为训练集中的最大值；min(x)为训练集中的最小值。
14、在一较佳的实施例中，所述步骤2具体为：一名电力用户的所需支付的电费为：
15、
16、其中s为该用户的电费，pt为该用户在t时间段里消耗的电能，rt为t时刻的电价；
17、而窃电用户为使电费s减少，通过非法操作破坏智能电表，从而影响pt和rt；根据现有窃电的方法以及参考文献，可模拟为以下6种窃电模式：
18、(1)按照固定比例α减小t时刻的日负荷曲线：
19、h1(xt)＝αxt,α∈(0.2,0.8) (5)
20、(2)按照随机阈值γ改变t时刻的日负荷曲线，xt大于γ时将该值固定为γ：
21、
22、(3)将随机时间段(t1,t2)内的电量置零：
23、
24、(4)按照随机阈值γ削减t时刻的日负荷曲线，并取非负：
25、h4(xt)＝max{xt-γ,0} (8)
26、(5)由于分时峰谷电价的实时，可通过颠倒负荷曲线，将该电力用户的用电高峰置于低电价时刻，从而减少电费：
27、h5(xt)＝x96-t (9)
28、(6)取日负荷曲线的平均值，将用电高峰的电量削减置于低电价时刻，从而减少电费
29、h6(xt)＝mean(x) (10)。
30、在一较佳的实施例中，所述步骤3具体为：将输入到模型中的日负荷曲线数据经嵌入层embedding转换为长度相同，维度更高的向量；transformer与lstm和rnn不同，为了使模型利用日负荷曲线的时间序列的特征，需在输入嵌入的向量中添加位置编码；而输入嵌入和位置编码具有相同维数，对其进行求和，有利于模型编码-解码模块提取用户正常的用电特征并重构；编码公式如下：
31、
32、
33、其中pos是日负荷曲线在时间序列中的位置；i表示在日负荷曲线中的序列位置，嵌入层产生的输出向量维度为，dmodel＝256；
34、编码模块和解码模块都由n个相同的编码器和解码器堆叠组成；每一个编码器有两个子层；第一层是多头自注意机制，第二层是全连接的前馈神经网络；每一个子层周围使用残差连接，然后进行层归一化；每一个解码器有三个子层，除编码器中的两个子层外，解码器新插入一个子层，能够对输出嵌入进行掩码多头注意力机制，能够防止信息泄露，并对该输出嵌入进行和偏移，确保位置i仅能依赖小于位置i的已知输出；其中的多头注意力机制让模型同时关注输入序列x中的不同部分，拥有对时间序列的全局感知能力，从而提高模型的表达能力，更好地处理光伏功率数据序列中的局部和全局信息；
35、多头注意力机制：多头注意力机制由自注意力层、拼接层和线性变换层组成；其中，自注意力层包括点积模块和softmax函数模块；多头注意力机制通过集成多个参数不同的自注意力网络，从不同的角度对负荷数据的依赖关系进行挖掘，相较于传统注意力机制能够更加准确地表示数据特征；将用户日负荷序列x＝(x1,x2,...,xi)输入多个自注意力层中，计算出每层的注意力值矩阵；对第i个自注意力层初始化三个不同的线性投影矩阵输入负荷样本x映射到查询qi，键ki与值vi矩阵，而后计算出每层的结果；计算过程如式(13)所示；
36、
37、式中，hi为第i个自注意力层的输出结果；d为三个线性投影矩阵的维数；softmax()函数用于限制矩阵数本文档来自技高网...
【技术保护点】
1.一种半监督的窃电时间定位方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种半监督的窃电时间定位方法，其特征在于，所述步骤1具体为：首先将用户的用电数据切割为每日的负荷曲线，并且删除缺失值超过20％的日负荷曲线；然后按公式(1)采用三西格玛法则去除异常值，并按公式(2)对空值进行线性插值；按公式(3)进行归一化，使用训练集中的最大最小值能够保留数据每日之间的量级差异特征，防止数据泄露；最后将数据集按7:3划分为训练集和测试集；
3.根据权利要求1所述的一种半监督的窃电时间定位方法，其特征在于，所述步骤2具体为：一名电力用户的所需支付的电费为：
4.根据权利要求1所述的一种半监督的窃电时间定位方法，其特征在于，所述步骤3具体为：将输入到模型中的日负荷曲线数据经嵌入层embedding转换为长度相同，维度更高的向量；Transformer与LSTM和RNN不同，为了使模型利用日负荷曲线的时间序列的特征，需在输入嵌入的向量中添加位置编码；而输入嵌入和位置编码具有相同维数，对其进行求和，有利于模型编码-解码模块提取用户正常的用电特征并重构
5.根据权利要求1所述的一种半监督的窃电时间定位方法，其特征在于，所述步骤4具体为：假设训练集为是将样本映射到高维空间的映射函数，其问题求解等价于：
...【技术特征摘要】
1.一种半监督的窃电时间定位方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种半监督的窃电时间定位方法，其特征在于，所述步骤1具体为：首先将用户的用电数据切割为每日的负荷曲线，并且删除缺失值超过20％的日负荷曲线；然后按公式(1)采用三西格玛法则去除异常值，并按公式(2)对空值进行线性插值；按公式(3)进行归一化，使用训练集中的最大最小值能够保留数据每日之间的量级差异特征，防止数据泄露；最后将数据集按7:3划分为训练集和测试集；
3.根据权利要求1所述的一种半监督的窃电时间定位方法，其特征在于，所述步骤2具体为：一名电力用户的所需支付的电费为：...
【专利技术属性】
技术研发人员：陈静，王铭海，赵睿，江灏，缪希仁，
申请(专利权)人：福州大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。