[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

说明书

本发明涉及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，属于用户用电行为检测领域。本发明对用户用电历史数据分析，提取特征指标进行降维并结合局部离群因子、极限学习机算法对窃电行为进行检测。首先对用户的负荷数据进行分类，提出度量负荷曲线的四种指标并得出特征变量；其次在分类的基础上对提取出的特征变量进行降维，利用局部离群因子筛选出用电异常用户；最后采用窃电判别指标并提取主成分，将用电异常用户提取主成分后的窃电判别指标数据作为训练样本输入模型。本发明对窃电用户有很好的识别效果。

技术领域

本发明涉及一种用电特征指标降维与极限学习机算法的窃电检测方法，属于用户用电行为检测领域。

背景技术

我国已经进入了全面建成智能电网阶段，随着智能电网的快速发展，用电信息采集系统及配电自动化系统逐渐完善，配用电数据呈现出数据量大、数据类型多、增长速度快等大数据特征。但窃电现象依然严重且手段先进，反窃电手段仍以人工稽核为主，存在工作量大、取证困难和缺乏针对性等问题。窃电作为影响电网发展的主要问题之一，不仅给国家经济造成了重大的损失，而且威胁着电网的安全运行，也是电力部门一直需要解决的问题。窃电行为作为一种非法行为，一直受到了电力部门的严厉打击。虽然国家颁布了相关法律法规，但是窃电问题仍然存在，而且这个问题也越来越突出。在窃电手段上既有常规的窃电方法，如干扰电能计量装置使其少计、绕过电能计量装置用电或者乱接线用电。又有一些新的高科技窃电方法，如高频干扰窃电、大功率无线信号窃电。在面对电网智能化发展时，传统的窃电手段存在着一些不足，通过改变计量装置或乱接电线进行窃电，通过人工排查很容易发现窃电行为。但是随着科技的发展，窃电手段越来越多样化且隐蔽性更强，并向着高科技化方向发展，高科技化窃电手段通过人工排查很难发现，比如，大功率无线信号窃电就是对电表的CPU进行干扰，使电表少计或者不计，还可以随时恢复电表计量。这些高科技的窃电手段都比较的隐蔽而且不容易发觉，窃电操作时间短，这就给窃电侦查带来了很大的困难。而传统的窃电检测主要是靠人工进行排查，而且往往都是窃电行为产生很长时间之后才被发现，这需要很高的代价和大量的人力资源。随着数据挖掘、机器学习等技术的发展，一些智能检测方法出现了，对用户的历史数据进行分析，挖掘出用户潜在的窃电行为，建立用电异常判别模型或规则。通过异常用电检测，及时的发现异常行为，提前采取相关的措施将损失降到最低。

发明内容

针对上述问题，本发明提出一种用电特征指标降维与极限学习机算法的窃电检测方法。对用户用电历史数据分析，提取特征指标进行降维并结合局部离群因子、极限学习机算法对窃电行为进行检测，实验证明该模型对电力计量自动化系统中的窃电用户有很好的识别效果。

本发明采用了以下方案：一种用电特征指标降维与极限学习机算法的窃电检测方法按照下面步骤进行：

(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，为保证每个个体在分析过程中的地位相同，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)；