[发明专利]一种基于层次分析法和孤立森林的窃电辨识方法

说明书

本发明公开了一种基于层次分析法和孤立森林的窃电辨识方法，基于用户电量计量方式和用户窃电手段的分析，构建了包括电压不平衡率、电流不平衡率、功率因数不平衡率、电量同比、电量环比、负荷不平衡率的窃电指标集；然后基于AHP算法计算各窃电指标权重，构建用户窃电辨识数据集；最后利用孤立森林算法构建用户窃电行为辨识模型，找出用户群中的离群点，定位窃电用户。

技术领域

本发明属于电力用户窃电分析技术领域，更为具体地讲，涉及一种基于层次分析法AHP(Analytic Hierarchy Process)和孤立森林iForest(Isolation Forest)的窃电辨识方法。

背景技术

近年来，随着我国经济的迅猛发展和科学技术的日新月异，电力系统的规模日趋庞大，接入网络的用电负荷也与日俱增，用电的费用也变得非常可观，可观的经济利益使不法分子产生了违法窃电的想法，因此各种窃电技术不断地推陈出新，日益繁杂。窃电不仅损害了国家和供电企业的经济利益，严重影响了社会经济的正常发展，同时还存在着比较大的安全隐患，影响着电网的安全运行。但是，传统的窃电检测方法存在着及时性不佳、智能型不够、证据不足等缺点，因此，寻求一种能够智能精确定位窃电行为的方法成为智能电网建设的重要挑战。

目前，对窃电行为分析主要集中在两个方面。一个是根据统计方法来计算电阻、线损、非技术损失等来判断。杨佳根据窃电前后的电气参量的变化，提出了利用线路电阻作为窃电的判据；Daniel Nikolaev Nikovsk等人提出了基于配电网技术损失预测方法的窃电检测，在不知道配电网的具体拓扑结构时，通过技术损失统计方法来间接估计配电网的非技术损失，当非技术损失超过一定比率时说明存在窃电。但是，对于这类方法存在一个缺点，就是配电网中的技术损失存在着多种可能，无法精确计算，并且这些方法不能对窃电用户进行精准的定位。

另一种方法是采用数据挖掘和机器学习技术，如决策树、模式识别等，用来发现不正常的用电模式。Bharat Dangar等人提出了一种使用极限学习机(ELM)、改进ELM(OS-ELM)、支持向量机(SVM)三种算法来进行电力损耗识别、检测和预测的电力损耗分析框架，并应用于印度古吉拉特邦GUVNL公司，减少由于窃电导致的配电损耗，取得了较好的成果；曾虎首先利用模糊C均值(FCM)算法对负荷曲线进行聚类，得到典型特征曲线，再与用户负荷曲线进行匹配，筛选出疑似窃电用户，再使用基于粒子群算法优化的SVM算法进行进一步检测，准确性较SVM算法高。但是这类方法通常需要大量的窃电样本来对方法进行训练，以提高窃电辨识率，而且辨识结果高度依赖样本类型，但是实际情况中窃电样本往往很缺乏。

发明内容

本发明的目的在于克服现有技术的不足，提供一种基于层次分析法和孤立森林的窃电辨识方法，通过计算各窃电指标权重的方式快速、精确定位窃电行为。

为实现上述发明目的，本发明一种基于层次分析法和孤立森林的窃电辨识方法，其特征在于，包括以下步骤：

(1)、构建窃电判别指标集

构建包括电压不平衡率、电流不平衡率、负荷不平衡率、电量同比、功率因数不平衡率和电量环比的窃电判别指标集；

(2)、利用层次分析法构建用户窃电辨识数据集

(2.1)、构建判别矩阵

基于窃电指标集对于窃电分析的重要性进行排序：电流不平衡率电压不平衡率负荷不平衡率＝功率因数不平衡率电量同比＝电量环比；

然后对于窃电分析的重要性进行两两对比，并利用9位标度法建立判别矩阵；

(2.2)、计算权向量及一致性检验

先计算判别矩阵的最大特征值λ_max和对应的特征向量α，再计算窃电指标的一致性CI；

其中，n为窃电指标个数；