[发明专利]一种基于SVM的用电异常检测方法

说明书

技术领域

本发明属于用电异常检测技术领域，尤其适用于用电稽查领域。

背景技术

窃电行为在电网损失中占有很大比重，传统的防窃电措施能够有效减少窃电行为，但是随着低压集抄系统的推广，电力系统计量自动化程度不断提高，使得电力窃贼窃电的方法增多。非法电力用户能够通过黑客技术等手段影响自动抄表系统，从而达到窃电的目的。

基于窃电问题，提出使用基于无监督机器学习检测的思路，并通过技术手段予以实现。本发明使用基于SVM的方法对采样数据进行分析，能够保证在小样本环境下有较高的置信概率。并在SVM分类结果的基础上使用过滤策略对分类结果进行处理，有效降低系统的虚警率。

发明内容

由于窃电行为复杂多样，有的行为和正常电力用户负荷曲线存在相似性等特点，本发明的目的在于解决用电负荷异常问题。

本发明是通过下列技术方案来实现的。

一种基于SVM(Support Vector Machine)的用电异常检测方法，本发明特征是：

1)整个系统由计量数据库系统、预处理模块、One-class SVM分类机、报警信息过滤模块和报警模块五个模块依序连接组成，各模块之间的关系使用数据流向表示；

2）系统流程由数据采集模块、数据预处理模块、训练样本采集模块、工作日模型模块、节假日模型模块、周末模型模块、数据预处理模块、KKT条件判断器、One-class SVM分类器、系统决策模块、报警模块、满足KKT条件程序执行方向模块和不满足KKT条件程序执行方向模块十三个模块组成；其中：

数据采集模块、数据预处理模块、One-class SVM分类器、系统决策模块、报警模块依序连接；

训练样本采集模块、节假日模型模块、数据预处理模块、KKT条件判断器、One-class SVM分类器依序连接；

训练样本采集模块还分别连接工作日模型模块、周末模型模块，工作日模型模块、周末模型模块共同与数据预处理模块连接；

训练样本采集模块还与KKT条件判断器连接；

3）系统训练模型包括工作日模型模块、节假日模型模块和周末模型模块三类模型，每个模型使用四个属于该类模型正常模型的向量作为训练向量；

4）预处理模块分为数据归一化和特征调整两个功能；

5）计量数据库系统中单个用户计量频率需要满足在15分钟每次到2小时每次之间；

6）系统决策模块使用逻辑运算的方法配置过滤策略。

本发明的有益效果是：

a.使用机器学习的方法对电力用户的负荷信息进行分析，为用电稽查人员提供报警信息。能够有效降低电力稽查的工作复杂度，降低用电异常稽查工作的人工成本。

b.使用基于One-class SVM的设计，能够在小样本环境下有较高的分类准确率，并能提供在样本分类不均衡条件下的无监督机器学习方法。

c.系统决策部分使用过滤策略可配置的设计，能够人工配置过滤策略，有效降低系统的虚警率。

d.通过手工设置One-class SVM参数的方法，能够调整检测的灵敏度。

下面结合附图及实例进一步阐述本发明内容。

附图说明

图1为基于SVM的用电异常检测方法整体示意图；

图2为基于SVM的用电异常检测方法流程图。

具体实施方式

一种基于SVM(Support Vector Machine)的用电异常检测方法，本发明特征是：

1)整个系统由计量数据库系统1-1、预处理模块1-2、One-class SVM分类机1-3、报警信息过滤模块1-4和报警模块1-5五个模块依序连接组成，各模块之间的关系使用数据流向1-6表示；

2）系统流程由数据采集模块2-1、数据预处理模块2-2、训练样本采集模块2-3、工作日模型模块2-4、节假日模型模块2-5、周末模型模块2-6、数据预处理模块2-7、KKT条件判断器2-8、One-class SVM分类器2-9、系统决策模块2-10、报警模块2-11、满足KKT条件程序执行方向模块2-12和不满足KKT条件程序执行方向模块2-13十三个模块组成；其中：

数据采集模块2-1、数据预处理模块2-2、One-class SVM分类器2-9、系统决策模块2-10、报警模块2-11依序连接；