[发明专利]基于典型行业特征库和反窃电样本库的反窃电分析方法有效
申请号: | 201910479317.0 | 申请日: | 2019-06-04 |
公开(公告)号: | CN110223196B | 公开(公告)日: | 2021-08-31 |
发明(设计)人: | 黄荣国;姚力;陆春光;侯素颖;张旭;胡书红;唐迪;赵立美 | 申请(专利权)人: | 国网浙江省电力有限公司营销服务中心;国家电网有限公司;国网浙江省电力有限公司;浙江华云信息科技有限公司 |
主分类号: | G06Q50/06 | 分类号: | G06Q50/06;G06K9/62 |
代理公司: | 浙江翔隆专利事务所(普通合伙) 33206 | 代理人: | 张建青 |
地址: | 311100 浙江*** | 国省代码: | 浙江;33 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 基于 典型 行业 特征 反窃电 样本 分析 方法 | ||
1.基于典型行业特征库和反窃电样本库的反窃电分析方法,其特征在于,包括:构建典型行业用电特征库和反窃电样本库;采用典型行业用电特征库和反窃电样本库作为数据基础,基于组合不同算法的优势,经过算法模型的综合判断后构建出反窃电预警模型,通过该模型对专变用户用电数据进行挖掘分析,进一步进行辅助研判,最后输出窃电用户嫌疑清单和窃电用户嫌疑分析报告;
反窃电预警模型的建立过程如下:
特征指标的选取:通过输入不同的特征向量,首先采用序列向后选择算法对特征向量的筛选、规约,选取对模型影响、贡献度大的指标构成的集合作为训练集;
分类算法的选择:选择的算法包括XGBoost、BP神经网络、电量波动离群点和多元逻辑回归,其中不同的分类模型的训练方法都采用KFold交叉验证,不同的算法在训练、测试的过程中剔除分类错误的训练数据集合,使得最终选取的模型精度不低于0.9;
反窃电预警模型的建立:通过对不同算法的综合决策分析,确定不同算法的权重的分配,构造一组组合最优的分类模型作为反窃电预警模型;
反窃电预警模型对多种算法的优势进行组合,其中组合的模型包括:XGBoost、BP神经网络、多元逻辑回归算法以及电量波动离群点算法,输出结果表现形式为:
窃电嫌疑(P)=λ1fbp+λ2fxgb+λ3flogic+λ4fsubb
其中,λi,i∈(1,2,3,4)为算法权重,fbp、fxgb、flogic、fsubb分别为Bp神经网络、XGBoost、多元逻辑回归算法以及电量波动离群点算法;
根据不用行业的稽查结果反馈,采用AdaBoost算法中权重更新的方式对参数λi进行更新;
通过集中多种算法的优势构建反窃电预警模型,对于每个算法的可靠性判定是基于测试集合的ROC曲线;
所述辅助研判的流程如下:输入反窃电预警模型计算结果,获取用户特征量,经过反窃电预警模型分析后,得出疑似用户清单,进一步获取此用户的模型计算特征量和疑似窃电时间段内的异常事件;对用户进一步进行用电行为分析,经过辅助研判,如果符合用电行为异常条件,则修改模型计算结果并形成最终的反窃电嫌疑用户报告;如果经过分析,不符合用电行为异常条件,则维护模型计算结果并形成最终反窃电嫌疑用户报告;辅助研判方法是将疑似窃电用户的用电特征与一些具备特殊用电用户的用电特征进行比较,相同的则判定为特殊用电用户,并移除该疑似窃电用户,所述的特殊用电包括电信基站用电、照明用电、感性用电和无功过补偿。
2.根据权利要求1所述的基于典型行业特征库和反窃电样本库的反窃电分析方法,其特征在于,所述的典型行业用电特征库采用以典型行业用户的日平均功率、周平均功率、日用电量、月用电量和负载率为输入参数,通过多种聚类算法分析,区别出异常的用电特征,形成典型行业的用电特征曲线;所述的用电特征为由单个聚类因子构成的特征或者由多个聚类因子组成的特征。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于国网浙江省电力有限公司营销服务中心;国家电网有限公司;国网浙江省电力有限公司;浙江华云信息科技有限公司,未经国网浙江省电力有限公司营销服务中心;国家电网有限公司;国网浙江省电力有限公司;浙江华云信息科技有限公司许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/201910479317.0/1.html,转载请声明来源钻瓜专利网。