[发明专利]反窃电模型生成方法及装置

权利要求书

1.一种反窃电模型生成方法，其特征在于，应用于反窃电系统，所述反窃电系统包括机器学习模型，所述方法的步骤包括：

获取多个用户的用电相关原始数据，所述用电相关原始数据包括用电信息采集系统的的计量数据、营销业务应用系统的档案类数据和一体线损平台的线损数据；

通过聚类因子从所述用电相关原始数据中获取不同行业用电特征库，所述聚类因子表示不同行业用电特征信息；

根据窃电特征从所述用电相关原始数据中获取反窃电样本库，所述窃电特征表示反映窃电行为的相关用电数据；

将所述行业用电特征库和所述反窃电样本库交由所述机器学习模型学习训练，进而获得反窃电模型，所述反窃电模型包括一预设关联矩阵，所述关联矩阵包括有预设的窃电异常行为对应的异常系数，所述异常系数用于计算表示用户窃电嫌疑的窃电嫌疑系数。

2.根据权利要求1所述的反窃电模型生成方法，其特征在于，所述反窃电模型生成方法还包括以下步骤：

剔除所述电信息采集系统的计量数据中的突变数据和缺点大于预设比例的数据，所述缺点大于预设比例的数据表示每间隔一预设间隔时间所采集的所述计量数据为空值，且空值数量大于预设比例的数据；

对所述营销业务应用系统的档案类数据进行事件信息清洗、表码清洗、负荷曲线数据清洗和用电明细清洗，所述事件信息清洗用于排除用户更换电表的因素，所述表码清洗用于剔除电表中统计数值中突然增加的数值、突然减少的数值和小数点异常的数值，所述负荷曲线数据清洗用于剔除不满足电压、电流和功率关系的数值，所述用电明细清洗用于剔除档案类数据中的空值数据；

对筛选后的计量数据、清洗后的档案数据和线损数据进行无量纲处理。

3.根据权利要求1所述的反窃电模型生成方法，其特征在于，所述通过聚类因子从所述用电相关原始数据中获取不同行业用电特征库，所述聚类因子表示不同行业用电特征信息的步骤包括：

通过功率曲线、日平均功率、周平均功率、三相不平衡率、负载率、功率因数和日用电量构造聚类因子；

根据所述聚类因子，通过聚类算法获取不同行业用电特征库。

4.根据权利要求3所述的反窃电模型生成方法，其特征在于，所述根据所述聚类因子，通过聚类算法获取不同行业用电特征库的步骤包括：

根据的K-means聚类算法获取不同行业的负荷特性，所述负荷特性表示行业用电的日高峰用电特征，日峰谷用电特征、工作日用电特性和季节性用电特性；

根据所述根据DBSCAN聚类算法识别出异常用电行为；

根据所述用电相关原始数据，通过负荷特性和异常用电行为获取行业用电特征库。

5.根据权利要求1所述的反窃电模型生成方法，其特征在于，所述根据窃电特征从所述用电相关原始数据中获取反窃电样本库的步骤包括：

根据Pearson相关系数判断所述用电相关原始数据中窃电行为导致的数据指标之间的相关性；

根据LDA或PCA算法获取所述数据指标的排名；

根据所数据指标的排名结果从所述用电相关原始数据中获取反窃电样本。

6.一种反窃电模型生成装置，其特征在于，应用于反窃电系统，所述反窃电系统包括机器学习模型，所述反窃电装置包括数据获取模块、行业用电特征库获取模块、反窃电样本库获取模块和反窃电模型获取模块；

所述反窃电装置包括数据获取模块用于获取多个用户的用电相关原始数据，所述用电相关原始数据包括用电信息采集系统的的计量数据、营销业务应用系统的档案类数据和一体线损平台的线损数据；

所述行业用电特征库获取模块用于通过聚类因子从所述用电相关原始数据中获取不同行业用电特征库，所述聚类因子表示不同行业用电特征信息；

所述反窃电样本库获取模块用于根据窃电特征从所述用电相关原始数据中获取反窃电样本库，所述窃电特征表示反映窃电行为的相关用电数据；

所述反窃电模型获取模块用于将所述行业用电特征库和所述反窃电样本库交由所述机器学习模型学习训练，进而获得反窃电模型，所述反窃电模型包括一预设关联矩阵，所述关联矩阵包括有预设的窃电异常行为对应的异常系数，所述异常系数用于计算表示用户窃电嫌疑的窃电嫌疑系数。