[发明专利]一种基于集成ELM的配电网窃电嫌疑用户智能识别方法

说明书

本发明涉及一种基于集成ELM的配电网窃电嫌疑用户智能识别方法，包括以下步骤：首先获取学习数据和预测数据并进行数据清洗；然后构建窃电评价指标体系：告警特征、电量特征及负荷特征，形成学习样本和预测样本；将学习样本划分为训练集和测试集，利用所述的训练集学习集成ELM窃电嫌疑用户识别模型，并基于所述的测试集评估模型效果；最后将预测样本作为所述的集成ELM窃电嫌疑用户识别模型输入量，输出每一用户的窃电嫌疑系数，锁定窃电嫌疑用户。本发明集合了ELM较快的学习速度与集成学习的高精度性，从窃电告警、电量、负荷多个维度分析用户窃电嫌疑，能实现窃电行为的快速有效识别，将反窃电管理模式提升至“事前预防、事中控制”的管理水平。

技术领域

本发明涉及配电网反窃电技术领域，具体涉及一种基于集成ELM的配电网窃电嫌疑用户智能识别方法。

技术背景

因用电用户有意或无意的非法用电行为，导致营销系统不能正常计费收费，给电力系统在运行过程中造成一定的损失，为了避免和减少这些损失，需要对用户的用电使用情况实时监测，防止和减少窃电和漏电的情况出现。

传统的防窃电措施通常是定期巡检线路、定期校验电表、用户举报窃电等手段，这些手段效率低、对人的依赖大，目标也不明确，需要一个智能的分析手段来判定用户的用电是否正常，再对重点监控的用户实时告警，为现场勘察是否偷电提供依据，即采用大数据分析与挖掘技术对窃电嫌疑用户进行智能识别。

目前，BP神经网络算法凭借强大的自学习与自适应能力较为广泛应用于防窃电预测领域，但其收敛速度慢，对样本依赖性强等缺点也影响了预测的效率及精度。基于上述背景，本发明提出了一种基于集成ELM（Extreme Learning Machine，极限学习机）的配电网窃电嫌疑用户智能识别方法。该方法集合了ELM较快的学习速度与集成学习的高精度性，并从线损、窃电告警、电量及负荷多个维度分析用户窃电嫌疑，能实现窃电行为的快速有效识别，从而将反窃电管理模式提升至“事前预防、事中控制”的管理水平。

发明内容

本发明涉及一种基于集成ELM的配电网窃电嫌疑用户智能识别方法，主要包括以下步骤：

步骤1：获取学习数据和预测数据并进行数据清洗；

步骤2：构建窃电评价指标体系：告警特征、电量特征及负荷特征，形成学习样本和预测样本；

步骤3：将所述的学习样本划分为训练集和测试集，利用所述的训练集学习集成ELM窃电嫌疑用户识别模型，并基于所述的测试集评估模型效果。

步骤4：将预测样本作为所述的集成ELM窃电嫌疑用户识别模型输入量，输出每一用户的窃电嫌疑系数，锁定窃电嫌疑用户。

所述的基于集成ELM的配电网窃电嫌疑用户智能识别方法，其特征在于，所述的学习数据和预测数据，包含用户档案、告警、行度及负荷四种类型；所述的学习数据中必须包含正常用户样本与窃电用户样本，所述的测试数据仅包含窃电嫌疑线路下的部分用户，而窃电嫌疑线路通过线损进行定位。

所述的基于集成ELM的配电网窃电嫌疑用户智能识别方法，其特征在于，所述的窃电评价指标体系，包含告警、电量及负荷三大特征，所述的告警特征为窃电告警系数，所述的电量特征包括斜率及截距，所述的负荷特征包括斜率及截距，为当前时间往前推移的天数。

所述的基于集成ELM的配电网窃电嫌疑用户智能识别方法，其特征在于，所述的窃电告警系数的计算公式为：

其中，表示所有窃电告警组合（包括单个的）的权重之和，表示天内出现的所有告警组合的最大子集的权重，而告警及其组合的权重将根据其对窃电的影响程度的大小有专业人员设定。

所述的基于集成ELM的配电网窃电嫌疑用户智能识别方法，其特征在于，所述的斜率、截距、斜率及截距将通过构建一元线性回归方程得到，具体模型为：