[发明专利]基于大数据与机器学习的电力用户窃电行为分析方法

说明书

本发明公开了一种基于大数据与机器学习的电力用户窃电行为分析方法，所述方法为：1、抽取大量用户用电数据使用聚类算法建立用电行为模式图谱；2、对聚类结果进行分析，结合业务经验和实际数据得到正常用电行为模式和窃电用户所属行为模式；3、以窃电用户所属行为模式为基础，提取此类模式用户的用电行为特征，建立算法分析模型；4、使用测试数据集和训练数据集对模型进行训练与评估获取最优模型；5、结合台区线损和计量异常等对用户异动进行监控；6、对高疑似窃电用户进行跟踪监测或生成现场巡查工单及处理系统。本发明公开了相应的分析处理系统。

技术领域

本发明涉及基于大数据与机器学习的电力用户窃电行为分析方法与处理系统。

背景技术

近年来，随着市场经济的日益发展，电能作为一种清洁能源被广泛使用于国民经济的各个领域和人民的生产、生活中，由于电能费用占企业成本比重较大，一些不法经营者、个体私营业主为谋取暴利，置国家法律、法规于不顾，不择手段地窃取国家电能。猖狂的窃电行为严重损害了企业和个人的合法权益，扰乱了正常的供用电秩序，阻碍了电力事业的发展，给安全用电带来了严重威胁。窃电已经上升为一个不容忽视的社会问题。窃电类别目前主要分为以下3类：

Ø 攻击计量装置窃电；

Ø 外部信号干扰窃电；

Ø 攻击计量/供电线路。

为此，本发明人一直在研究一种基于大数据与机器学习的电力用户窃电行为分析方法及处理系统。

发明内容

本发明的目的是提供一种基于大数据与机器学习的电力用户窃电行为分析方法及处理系统，本发明是通过如下技术方案来实现的：

本发明的基于大数据与机器学习的电力用户窃电行为分析方法，所述方法包括如下步骤：

步骤1、抽取大量用户用电数据使用聚类算法建立用电行为模式图谱；

步骤2、对聚类结果进行分析，结合业务经验和实际数据得到正常用电行为模式和窃电用户所属行为模式；

步骤3、以窃电用户所属行为模式为基础，提取此类模式用户的用电行为特征，建立算法分析模型；

步骤4、使用测试数据集和训练数据集对模型进行训练与评估获取最优模型；

步骤5、结合台区线损和计量异常等对用户异动进行监控；

步骤6、对高疑似窃电用户进行跟踪监测或生成现场巡查工单；

所述的步骤1具体为：抽取用户近1年电量数据、用户档案、电表档案、电表综合倍率、计量异常数据、采集异常数据等，为消除不同电压等级用户用电习惯不同的影响，对不同电压等级的用户进行分别聚类，使用用电量与合同容量比值为基础数据，采用了谱聚类和视觉聚类进行多次聚类，消除聚类算法对初始值敏感的影响，最终得到所有用户用电量的聚类图。

所述的步骤2具体为：对聚类结果进行分析，结合业务经验和已经查实的窃电情况，对所得的聚类结果进行划分，识别出正常的用电行为模式、已查实窃电用户所属的用电行为模式、以及可能存在窃电行为的用电行为模式。

所述的步骤3具体为：重点对已查实窃电用户所属的用电行为模式和可能存在窃电行为的用电行为模式的用户进行分析，提取此类用电行为模式用户的用电特征，特征值包括日用电特征（最大值、最小值、平均值、方差、偏度、峰度、迷你距、中位数、上四分位数、下四分位数、四分位差）、周用电量特征、月用电量特征、季用电量特征、年用电量特征、总用电量特征、0值特征、空值特征、随机性特征、正态性特征等。用提取的特征值建立K-Means聚类算法模型、Apriori算法模式、线性回归算法模型等。