[发明专利]一种基于支持向量机的窃电辨识方法

权利要求书

1.一种基于支持向量机的窃电辨识方法，其特征在于包括以下步骤：

1)获取用电用户的用电数据；

2)数据预处理：采用线性函数的归一化方法，即其中，x(k)代表任意一个样本值，min(x(n))代表样本极小值，max(x(n))代表样本极大值；将y(k)化为介于0和1之间的数，以消除了样本受量纲和属性的影响；

2)波动率计算；

定义标准差和均值的比值作为电量波动系数，即式中，d_i为用户单日电量，为日电量平均值，N为累计天数,σ为标准差，μ为均值；

3)正常负荷数据样本选取；

计算变异系数，当一段连续时间的电量波动系数CV满足0CV0.2时，则视为该段连续时间的用电情况正常，其负荷数据也是正常的，该负荷数据可以作为训练样本进行训练；规定正常用电数据用标签+1表示，异常数据用标签-1表示，训练样本数据全部用标签+1表示；训练数据的时间长度不超过一个月；

4)根据正常负荷数据样本建立SVM正常负荷数据分类模型；

按工作日和节假日的负荷加以区分，对于工作日和节假日的负荷数据建立不同的负荷模型，根据负荷模型将工作日和节假日的负荷数据区分开来，并分别选取工作日和节假日的正常负荷数据进行训练，得到相应正常负荷数据的分类模型；

5)根据SVM正常负荷数据分类模型进行窃电辨识；

将经数据预处理的用电数据输入SVM负荷数据分类模型中，对该数据进行处理，并将结果导入决策函数分析，进行窃电辨识；

6)分离窃电嫌疑的离群点；

601)从波动率值CV0.2的月份中找到最小的样本波动率CVm，并初步确定窃电可能发生的时间段；

602)确定质心以及参数p和D；

603)算法判定及离群点筛选；

计算两两样本之间的欧氏距离，在调节参数p并计算参数D后，找到与其它至少p部分样本距离大于D的所有样本点，确定为离群点；

604)确定窃电样本集合

将高于样本平均水平的离群点去除，排除这些样本点得到的离群点集合为最终确定的窃电样本集合；

7)确定窃电样本点和设置窃点警报；

对步骤5)、6)的结果进行比对，若均判断为窃电，且时间连续多天，则进行窃电报警；

在步骤602)中，采用求两次均值的方法；第一次计算所有数据的均值，即其中，d₁、d₂、d_n代表每天的用电量,n为样本总数；第二次求均值是除去异常偏高值后计算剩余样本的均值，即排除若干个异常偏高值后，剩余m个样本求均值，以avg2为总样本质心，计算所有样本与该质心的距离集合Dist，设置自定义条件确定参数p；D为对Dist集合进行升序排列后，求出的新的集合的p分位数。

2.根据权利要求1所述的一种基于支持向量机的窃电辨识方法，其特征在于：自定义参数p的设置方法为：考虑到0≤p＜1，观察Dist矩阵的数值分布，用发现Dist矩阵中距离在0Dist(i)d范围内的样本个数占样本总体比例的方式设置p；其中，d≤maxDist，maxDist为Dist矩阵中的最大值；P设置好以后，p分位数D是根据函数求得。

3.根据权利要求2所述的一种基于支持向量机的窃电辨识方法，其特征在于：异常偏高值d_x定义为d_xk*avg1，若0≤CVm＜0.2，k取1；若0.2≤CVm≤0.5，k取1.2；若0.5＜CVm0.8，k取1.4；0.8≤CVm为严重波动范围，则可直接进行排查。

4.根据权利要求3所述的一种基于支持向量机的窃电辨识方法，其特征在于：求avg2的各个样本值是去除d_x后进行重新排序的结果；参数p为：其中r为距离集合Dist中满足设置条件的样本数。

5.根据权利要求4所述的一种基于支持向量机的窃电辨识方法，其特征在于：连续三天或以上均出现异常，进行窃电报警。

6.根据权利要求1所述的一种基于支持向量机的窃电辨识方法，其特征在于：在步骤4)中，选择5-10天的负荷数据作为训练样本，节假日选择4天以上的负荷数据作为训练样本。