System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及电力系统数据分析,尤其涉及电力系统数据用户异常用电检测领域,具体为一种基于变、线、表多源数据的用户异常用电检测方法。
技术介绍
1、在供电系统中检测到异常用电可以帮助电力公司和供电部门及时发现和解决用户用电异常问题,例如电网故障、非法用电等,进而提高电力供应的可靠性和稳定性。同时,可以为供电系统的管理者提供数据支持,更好的对供电网络系统作出调整、提供更高质量的电能。在目前现有技术方面,以前共提出过以下几种技术方案来识别用户的异常用电情况。
2、一、基于数据挖掘和机器学习技术的异常检测方法。这些方法首先通过分析用户用电数据的特征,建立用户的正常用电模型。然后,将实际用电数据与正常模型进行比对,如果发现数据明显偏离正常模式,就可以判断为异常用电情况。
3、二、基于多源数据的异常用电检测方法。这些方法除了分析用户用电数据特征之外,还考虑到环境数据、天气数据等多个因素,通过建立多因子模型来判断异常用电情况。例如,通过分析用户用电和室内温度的关系,可以发现用户可能存在移位用电(用户通过在电表上采取一些手段来操纵电表记录的用电量,以降低自己的电费支出)的情况。
4、三、基于智能电表数据的异常用电检测方法。智能电表可以提供更详细的用电数据,包括电流、电压、功率因数等信息,可以更精确地判断异常用电情况。这些方法通过分析电表数据的特征、用电行为的规律,以及用户历史用电数据的趋势,来发现异常用电模式。
5、综上所述,第一类和第三类方法类似,都是分析用户用电数据的特征,采取建立模型或分析时
6、上述方法虽然能够在一定程度上检测到用户的用电的异常情况,但是整体系统对用户的影响并没有考虑,如变压器台区整个系统,变压器的运行状态、供电线路的拓扑结构、用户与用户之间的关系等等。同时,在进行用电量的预测过程中,现有的方式多是进行短期的预测,没有考虑长期的趋势变化,因此对用户用电行为的判断无法达到较高的准确度。因此在进行用户异常用电检测的过程中导致预测准确率降低,或者导致在确定发生异常的时候没有及时的检测到异常的存在。因此设计一种预测准确率高的一种基于变、线、表多源数据的用户异常用电检测方法成为一种迫切的要求。
技术实现思路
1、本专利技术要解决的技术问题是:提供一种适应性强、准确度高的一种用户异常用电检测方法。
2、本专利技术要解决的技术问题的技术方案是:一种基于变、线、表多源数据的用户异常用电检测方法,
3、步骤1、应用用户的用电数据训练用户用电模型,所述用户用电模型基于用户的用电数据预测用户的用电量;
4、步骤2、应用变压器和用户的电气参数数据训练变线用户关系模型,所述变线用户关系模型用以基于变压器、用户的电气参数预测用户的用电量;
5、步骤3、应用步骤2中变线用户关系模型输出的预测数据和用户的用电数据,基于用户用电模型的训练算法再次进行训练得到加强型用户用电模型;
6、步骤4、应用加强型用户用电模型预测得到用电量预测值pz,并与用户的用电量实际值p比对计算得到用电偏离度,当用电偏离度大于设定值时判定为存在异常用电行为。
7、更好的,所述步骤1中:
8、首先、获取用户的用电数据,将所有的用户的用电数据组成原始数据集;
9、然后、基于原始数据集通过聚类算法将用户分成不同的群组;从原始数据集中提取每个群组内所有用户的数据组成群组数据集,依据群组数据集训练用户用电模型。
10、更好的,首先、应用arima算法训练用户用电的arima模型,所述用户用电的arima模型用以对用户的短期负荷变化进行预测;
11、之后、应用lstm算法训练用户用电的lstm模型,应用用户用电的arima模型的输出的预测数据作为用户用电的lstm模型的初始状态进行训练;
12、最后、将用户用电的arima模型的预测值pa与用户用电的lstm模型的预测值pl合并获得用电量预测值pz。
13、更好的,pz=pa×t+pl×(1-t),t是用户用电的arima模型的预测值的权重参数。
14、更好的,所述步骤2中:
15、步骤2.1、获取变线设备和用电用户的对应关系数据并组成相关数据集;
16、步骤2.2、确定用户用电行为和变线设备负荷之间的相关性特征;
17、步骤2.3、将相关性特征作为神经网络模型的输入特征,将步骤2.1中获取的数据集划分为训练集和测试集并应用神经网络算法训练变线用户关系模型。
18、更好的,用户用电行为和变线设备负荷之间关联特征的相关系数r>0.7时将所述关联特征确定为相关性特征。
19、更好的,当用电偏离度ρ>0.3时,判定为存在异常用电行为,其中ρ=(|pz-p|)/p,其中pz为用电量预测值pz,p为实际值。
20、更好的,若连续两个以上时间段内的实际用电量的用电偏离度ρ>20%,判定为存在异常用电行为。
21、本专利技术的有益效果为:
22、本专利技术通过综合利用变电站、配电线和用户的多个数据源创新地考虑了不同数据源之间的相关性和影响,提高了用电模型的预测能力和准确性。同时本专利技术采用了arima-lstm模型,将自回归滑动平均模型(arima)与长短期记忆神经网络(lstm)相结合。这种组合模型的创新点在于兼顾了时间序列数据的长期趋势和非线性关系,提高了用户用电模型的预测能力和适用性。因此,通过本专利技术提供的模型进行预测可以得到更加准确的数据,进而可以使判定异常行为的结果更加准确。
23、
本文档来自技高网...【技术保护点】
1.一种基于变、线、表多源数据的用户异常用电检测方法,其特征在于:
2.根据权利要求1所述的一种基于变、线、表多源数据的用户异常用电检测方法,其特征在于:
3.根据权利要求2所述的一种基于变、线、表多源数据的用户异常用电检测方法,其特征在于:
4.根据权利要求3所述的一种基于变、线、表多源数据的用户异常用电检测方法,其特征在于:
5.根据权利要求1所述的一种基于变、线、表多源数据的用户异常用电检测方法,其特征在于:
6.根据权利要求5所述的一种基于变、线、表多源数据的用户异常用电检测方法,其特征在于:
7.根据权利要求1所述的一种基于变、线、表多源数据的用户异常用电检测方法,其特征在于:
8.根据权利要求1所述的一种基于变、线、表多源数据的用户异常用电检测方法,其特征在于:
【技术特征摘要】
1.一种基于变、线、表多源数据的用户异常用电检测方法,其特征在于:
2.根据权利要求1所述的一种基于变、线、表多源数据的用户异常用电检测方法,其特征在于:
3.根据权利要求2所述的一种基于变、线、表多源数据的用户异常用电检测方法,其特征在于:
4.根据权利要求3所述的一种基于变、线、表多源数据的用户异常用电检测方法,其特征在于:
5....
【专利技术属性】
技术研发人员:唐晓,赵建文,张丽华,李艺博,王萌,张晓楠,
申请(专利权)人:国网山东省电力公司泰安供电公司,
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。