[发明专利]基于支持向量机的窃电用户判断方法

说明书

本发明涉及一种窃电用户判断技术领域，是一种基于支持向量机的窃电用户判断方法，包括以下步骤：第一步：利用用电信息采集系统的历史数据获取基础数据；第二步：根据月度电量环比增长率αsubgt;ij/subgt;和月度电量同比增长率βsubgt;ij/subgt;计算各自的平均值、标准差和最坏值，并获取9个指标变量；第三步:建立训练样本集[asubgt;i/subgt;,ysubgt;i/subgt;]；第四:步对训练样本集[asubgt;i/subgt;,ysubgt;i/subgt;]进行标准化；第五步:通过分类函数对未知分类结果的样本进行分类。本发明能基于支持向量机技术根据历史用电信息的基本数据进行训练获取分类函数，建立准确分类标准，从而对未分类客户进行准确判断，降低了用电检查人员现场核查次数，能有针对性的打击了窃电行为，降低了供电企业的损失，节约了的人力、财力和物力成本。

技术领域

本发明涉及一种窃电用户判断技术领域，是一种基于支持向量机的窃电用户判断方法。

背景技术

随着用电信息采集系统的部署应用，用户的用电信息实现了自动化采集，然而仍然有一些客户抱着侥幸心理致使电量少计或者不计，造成用电秩序混乱、用电安全遭受到威胁、供电企业受到经济损失等问题。目前判断用户窃电的方法主要有三种：一种是到用电现场进行台区用户普查；第二种是到指定用户进行用电检查；第三种是运用数据挖掘的方法基于客户的用电信息实现窃电用户判断，主要有高维随机矩阵分析法，离群点算法，曲线相似分析法、神经网络算法等。

第一种窃电用户判断方法虽然效果显著，但是对人力、财力、物力的消耗是巨大的，缺乏针对性；第二种窃电用户判断方法是对用户的抽查，效果不是很明显，是小概率事件导致效率不高；第三种窃电用户判断方法是通过近几年来的新兴算法来实现数据挖掘分析，但区别正常客户和窃电客户的误差较大，其中高维随机矩阵分析法对0.4kV配电网中的用户无法进行判断；离点群算法则具有高的时间复杂度，难以挖掘局部离群点；曲线相似法只能对实时负荷采集的用户进行判断；神经网络算法则容易陷入局部极小。

发明内容

本发明提供了一种基于支持向量机的窃电用户判断方法，克服了上述现有技术之不足，其能有效解决现有判断窃电用户的方法存在的判断误差大、效率低的问题。

本发明的技术方案是通过以下措施来实现的：一种基于支持向量机的窃电用户判断方法，包括以下步骤：

第一步：利用用电信息采集系统的历史数据获取客户月电量W_ij、客户所在台区的线损率η、开表盖事件O_n、编程事件P_n、月度电量环比增长率α_ij和月度电量同比增长率β_ij；

第二步：根据月度电量环比增长率α_ij和月度电量同比增长率β_ij计算各自的平均值、标准差和最坏值，并获取9个指标变量，记[x₁，…x₉],9个指标变量分别为生成月度电量环比增长率α_ij的平均值、标准差和最坏值、月度电量同比增长率β_ij的平均值、标准差和最坏值、客户所在台区的线损率η、开表盖事件O_n和编程事件P_n；

第三步：建立训练样本集[a_i,y_i]，其中i＝1,…n，a_i＝[x₁，…x₉]，a_i∈R⁹，y_i＝1为正常客户，y_i＝-1为窃电客户；

第四步：对训练样本集[a_i,y_i]进行标准化，通过高斯核函数的支持向量机模型对标准化后的训练样本进行训练，求得分类函数

第五步：通过分类函数对未知分类结果的样本进行分类，若则为正常用户，若则为窃电用户。