[发明专利]反窃电模型生成方法及装置

说明书

本申请提供的反窃电模型生成方法及装置，通过对用电信息采集系统的计量数据、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进行处理，所述预处理包括数据筛选和数据清洗，进而剔除掉一些无用的干扰数据。将经过筛选和清洗后的数据进行归一化处理。所述机器学习模型通过使用归一化处理后的数据进行训练学习，进而获得反窃电模型。其中，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。本方案所提供的技术手通过反窃电模型提供窃电嫌疑清单和窃电嫌疑分析报告，为精确的反窃电预警提供参考。

技术领域

本申请涉及电力系统领域，具体而言，涉及一种反窃电模型生成方法及装置。

背景技术

窃电给正常供电秩序和安全用电带来极大影响。窃电负荷波动较大，一些窃电方式野蛮粗暴，轻则损坏低压电气设施，重则连锁反应造成局部供电中断。并且窃电者多数是非专业技术人员，窃电时极易引发触电造成伤亡，威胁着自己和他人的人身安全。目前国内用电检查人员主要利用计量装置单一异常诊断模型进行反窃电筛查，所使用的数据主要来源于用电信息采集系统，通过比对电压、电流、功率之间的数据采集异常，辅助决策树和支持向量机等算法开展窃电用户筛选工作，窃电与计量装置异常在此类技术中难以区分，误判率，漏判率较高，效率低下，进而无法满足精准的反窃电预警需求。

发明内容

为了克服现有技术中的上述不足，本申请的目的在于提供一种反窃电模型生成方法，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。

可选地，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。

可选地，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。

可选地，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；