[发明专利]一种基于数据挖掘技术的自动化窃电识别方法

权利要求书

1.一种基于数据挖掘技术的自动化窃电识别方法，其特征在于，包括以下步骤：

S1：获取档案、用电量数据；

S2：数据预处理：数据预处理对用户电能表日冻结示数中存在的缺失值、0值及明显错误数据这几种异常情况进行处理，具体包括以下处理方式：

首先，计算异常值占比及连续出现异常值的长度、并进行采样；

其次，对采样得到的结果进行线性拟合，通过拟合得到的日冻结示数曲线对异常值进行填充、替换；

最后，异常值处理结束后，对电能表日冻结示数做一阶差分，得到日用电量曲线；

S3：确定学习对象：第一、截取已查处窃电用户用电量异常波动时段数据，第二、按照时间序列将数据反转；

S4：构建窃电行为特征识别模型，模型构建采用：第一、时间分段法构建特征工程模型，第二、关联分析：台区线损关联分析、节假日关联分析、温度关联分析、异常事件关联关系分析；

S5：使用监督机器学习模型、训练模型，模型训练包括：窃电样本数据、正常样本数据、标签；

S6：模型验证与优化。

2.根据权利要求1所述的一种基于数据挖掘技术的自动化窃电识别方法，其特征在于，所述S3中，对用电量异常波动，预测窃电用户用电异常点，以现场稽查已确认的窃电用户用电数据为学习对象，发现窃电用户在被查处前后，均会出现日用电量曲线异常波动的现象，包括但不限于日用电量明显上升，以此推断，窃电用户在开始窃电的某一日期或时刻应存在于此对应的日用电量异常波动现象。

3.根据权利要求1所述的一种基于数据挖掘技术的自动化窃电识别方法，其特征在于，所述S4中，时间分段法具体为时间分段分割方法切分被分析时段，由此推断出发，创新性的将已知窃电用户被查处日期前后一段时间内的日用电量曲线做时间反转处理，获得用电量呈下降趋势的异常波动曲线，并通过时间片分割方法，将被分析时段切分为n个时间窗口，构建特征工程，提取曲线波动数据特征。

4.根据权利要求1所述的一种基于数据挖掘技术的自动化窃电识别方法，其特征在于，所述S4中，按照时间分段法构建特征工程模型，具体包括：

第一、特征值提取：针对每一个时间窗口，选取均值、标准差、最大值、曲率、斜率等物理量作为特征指标，计算用电量曲线对应特征指标的指标值；

第二、特征值聚合：对整个分析时段内，对所有时间窗口的各个特征指标的值进行聚合，聚合算法包括计算被分析的整个时段内，每个特征值的一阶导数、标准差、熵，从特征指标的变化趋势、波动剧烈程度、混乱程度等方面综合识别用电量曲线的波动特征。

5.根据权利要求1所述的一种基于数据挖掘技术的自动化窃电识别方法，其特征在于，所述S4中，

台区线损关联分析：用电量骤降之后，会导致台区线损偏高，计算窃电用户所在台区的多天平均线损，分析窃电用户用电量异常与台区线损的相关性；

节假日关联分析：与用电量相近用户对比，窃电用电量将明显偏小，分析用电量相近且地理位置相近的正常用电户节假日用电量变化特征，与窃电用户进行对比分析，进一步识别窃电用户的用电异常特征；

温度关联分析：分析用电量相近且地理位置相近的正常用电户随温度变化的用电量变化特征，与窃电用户进行对比分析，进一步识别窃电用户的用电异常特征；

异常事件关联关系分析：分析窃电用户对应的电能表开盖事件、开钮盖事件、异常停电事件等异常事件分布规律，识别窃电事件与异常时间的关联关系。

6.根据权利要求1所述的一种基于数据挖掘技术的自动化窃电识别方法，其特征在于，所述S4中，构建窃电行为特征识别模型在时间分段法构建特征工程模型的聚合结果基础上，分析窃电用户所在区域的正常用户随温度、节假日变化的用电量波动情况，综合考虑地域温度、节假日对用电的影响，进一步分析窃电用户的行为特征，构建窃电行为特征模型。