[发明专利]一种关联矩阵下用电异常点智能识别的窃电分析方法

说明书

本发明公开了一种关联矩阵下用电异常点智能识别的窃电分析方法，包括：基于用户用电大数据提取窃电特征量，通过层次分析法对所述窃电特征量进行分析，获得窃电影响因素的权重值，根据所述权重值和窃电置信程度公式计算用户的疑似窃电值，基于所述疑似窃电值判断是否为窃电用户。本发明的窃听分析方法能够实现在线检测分析异常的用电行为，实现精准、高效的窃电定位，大大提升了窃电识别的准确性。

技术领域

本发明属于电网反窃电技术领域，特别是涉及一种关联矩阵下用电异常点智能识别的窃电分析方法。

背景技术

伴随着社会经济的飞速发展，我国面临的电力需求也在不断的增加，如何安全和高效的实现电力输配成为目前所研究的热点问题，提升电力的可靠性和实现个性化的定制售电方案成为国家电网公司和各电力企业的首要任务。与此同时，随着电力网络的不断扩大，其受到窃电破坏的概率也大大提高，窃电行为不仅破坏电力系统的经济效益，而且窃电装置往往会造成配电线路和装置的损坏，对周围居民的人身财产安全造成了严重的安全隐患。

传统的窃电检测技术具有许多局限性，第一：方法的精确性不高，导致误判、漏判的概率比较大，使得技术人员还需要进行二次判断。第二：对于数据的利用不充分，缺少跨平台的数据整合系统，使得窃电检测需要联合多部门协同配合，工作进展速度缓慢。因此，研究一种基于有效的台区识别技术的用户窃电检测方法对于智能电网的发展具有十分重要的现实意义。

随着用电用户的迅速增加和智能电表的普及，供电企业能够从配电网中收集到海量的运行数据，因此电力企业需要对用户用电信息采集系统收集到的数据进行整理与挖掘，获取隐藏其中的信息。用电数据信息来源广，结构复杂，对企业进行数据分析造成了困难。数据挖掘技术能实现数据整理、数据分类、异常数据查找等功能，以此推动泛在电力物联网的建设，提升电网的全息感知能力。

目前国内对于窃电检测已有一定的研究成果，基于用电信息采集系统的研究主要有两类：第一类是抽取、提炼用电负荷曲线，从中提取用电特征再对其进行分析。第二类是基于用户用电过程中产生的电参量记录，从与其有关的时间序列中选取征，将其描述为样本点后再进行分析。目前有基于深度学习的用户异常用电模式检测模型，构建了特征提取网络和多层特征匹配网络，具有较高的准确性。

窃电排查作为电力系统当中需要跨部门协作、跨专业融合的工作，其所需的电力特征数据种类繁多，如何快速整合窃电检查所需要的数据和接口是目前亟需解决的问题。并且相对于其他的电力业务，窃电排查需要快速、直观的找出异常的用户和电力数据，及时的保障电力系统的安全平稳运行和经济利益。因此，需要一种直观的、快速的窃电排查方法。

发明内容

本发明提出了一种关联矩阵下用电异常点智能识别的窃电分析方法，并在此基础上结合用户的用电关联因素建立用户窃电检测模型，通过模型得出用户的窃电嫌疑值，根据嫌疑值的大小顺序为下一步的现场摸排提供了坚实的数据支撑。

为实现上述目的，本发明提供了如下方案：一种关联矩阵下用电异常点智能识别的窃电分析方法，包括：

基于用户用电大数据提取窃电特征量，通过层次分析法对所述窃电特征量进行分析，获得窃电影响因素的权重值，根据所述权重值和窃电置信程度公式计算用户的疑似窃电值，基于所述疑似窃电值判断是否为窃电用户。

优选地，所述窃电特征量包括Q值特征量和第一特征量；

所述Q值特征量为拐点用户电量与拐点单元损耗电量的比值Q；

所述第一特征量包括马鞍形特征曲线、用户所在台区线损、半年无购电记录、历史窃电行为、电能表开盖事件、电能表磁场干扰事件。

优选地，基于用户用电大数据提取所述窃电特征量的过程中，还包括基于不同场景，调整选定关联因素与剔除因素；

所述剔除因素包括电能表更换、采集掉线或数据异常。