[发明专利]一种用电特征指标降维与极限学习机算法进行窃电检测的方法

权利要求书

1.一种用电特征指标降维与极限学习机算法进行窃电检测的方法，其特征在于，包括以下步骤：

(1)从电力计量自动化系统中提取用户负荷数据集，用户负荷数据集包括N个用户F个月的数据，每天采集次数为t次，用户负荷数据集为X＝{x_fn^(T),n＝1,2,...,N,f＝1,2,...,F,T＝1,2,...,t}；

(2)对负荷数据进行清洗，剔除异常数据达到40％以上的用户，其中异常数据包括数据缺失和数据为负两部分，对保留的用户用电数据中出现异常的数据采用均值替换法替换异常值，再对数据进行极差归一化变换；

(3)对清洗后的负荷数据进行计算，得到负荷数据在相同时间点的负荷曲线平均值，进而得到典型日负荷曲线x_n＝(x₁,x₂,...,x_t)，(n＝1,2,...,N)；

(4)采用FCM算法对典型日负荷曲线进行分类，得到分类中心坐标矩阵，由中心坐标得出分类后的负荷特征曲线L＝(l₁,l₂,...,l_t)；

(5)基于典型日负荷曲线和分类后的负荷特征曲线判断出用电异常用户，具体为基于两种曲线提取出若干特征变量，对特征变量做主成分分析提取前两个主成分；以前两个主成分为坐标轴将用户散射到二维平面上并利用局部离群因子算法得出用电异常用户；

所述步骤(5)中的特征变量分别为：用户的典型日负荷曲线与得出的负荷特征曲线的欧氏距离和相关系数的综合结果，用户每两个月的典型负荷曲线之间的欧氏距离，负荷率r₁，日峰谷差率r₂，峰期负载率r₃，平期负载率r₄，谷期负载率r₅，负荷上升指标和负荷下降指标，用户典型日负荷序列的标准差，前后时间点的平均差值；

所述用户的典型日负荷曲线与得出的负荷特征曲线的欧氏距离和相关系数的综合指标计算如下：

用户典型负荷曲线x_n＝(x₁,x₂,...,x_t)和负荷特征曲线L＝(l₁,l₂,...,l_t)之间的欧式距离定义为：

变量x_i与l_i的相关系数定义为：

对两者采用权重法进行综合，综合结果wcd＝w₃C+w₄D，其中，wcd为两者的综合结果，w₃和w₄分别为C和D对应的权重；

所述前后时间点的平均差值

(6)由得出的异常用户和部分正常用户作为样本集，分为训练样本和测试样本对极限学习机模型进行训练和测试；提取样本集的8类特征数据作为窃电判别指标，并用训练样本的8类特征数据对极限学习机模型进行训练，再利用训练后的极限学习机模型对测试样本对进行分类预测；

所述步骤(6)中的特征数据为额定电压偏离度、电压不平衡率、电流不平衡度、功率因数不平衡率、用电量离散系数、相位角、线损率和合同容量比；

(7)根据极限学习机模型分类预测结果判断是否为窃电用户。