[发明专利]基于非侵入式负荷分解的用电异常检测方法和系统

说明书

本发明提供一种基于非侵入式负荷分解的用电异常检测方法和系统，涉及用户异常用电行为检测技术领域。本技术方案首先基于非侵入式负荷分解技术对用户的总用电功率进行分解获取各设备用电功率；再基于各设备用电功率挖掘包括用电时间特性和负荷特性的用户行为特征；最后基于用户行为特征利用密度峰值聚类算法实现异常用电行为检测。该技术方案利用非侵入式负荷分解技术提取用户行为特征，再基于用户行为特征实现聚类从而获得用户异常用电行为检测结果，提高了用电异常检测的准确率，为售电公司和能源服务商带来经济效益。

技术领域

本发明涉及用户用电异常检测技术领域，具体涉及一种基于非侵入式负荷分解的用电异常检测方法和系统。

背景技术

用户异常用电行为，如窃电等，会在电网运行中造成输配电的非技术性损失，从而损害售电公司和能源服务商等的利益。随着智能电网的发展，智能电表的普及率在不断上升，与此同时用户的窃电手段也从破坏传统电表或私拉电线等转变为通过数字存储技术和网络通信技术对智能电表进行攻击，通过数据的篡改使对应时刻的用电量变小或直接归零。传统依靠技术人员进行人工筛查或依靠摄像头、无人机监控以防止窃电发生的方法浪费较多人力和物力。在高级量测体系下，实时采集和分析用户的负荷数据为用电异常检测提供了新的有效途径，能够极大降低用电异常检测的成本，提高异常检测效率和精确性。

目前，用于用户异常用电行为检测领域的数据驱动方法主要有基于分类、基于回归以及基于聚类的方法，几种方法各有利弊，但是比较常用的还是基于聚类的方法。基于聚类的方法通过对用户用电特征进行提取，并找出不符合多数用户用电行为特征的少数异常用户，从而实现异常检测，由于其属于无监督学习，所以非常适用于缺乏异常用电数据集时的检测。

但是，现有基于聚类的异常用电行为检测过多关注聚类算法的改进，对用户用电特征的提取研究较少，且所采用的特征多为时域、频域等电气特征，而往往忽略或较少关注对异常用电行为检测具有重要作用的用户行为特征，从而导致用户异常用电行为检测结果不准确。

发明内容

(一)解决的技术问题

针对现有技术的不足，本发明提供了一种基于非侵入式负荷分解的用电异常检测方法和系统，解决了现有技术中因为忽略或较少关注用户行为特征从而导致用电异常检测结果不准确的问题。

(二)技术方案

为实现以上目的，本发明通过以下技术方案予以实现：

第一方面，本发明首先提出了一种基于非侵入式负荷分解的用电异常检测方法，所述方法包括：

基于非侵入式负荷分解技术对用户的总用电功率进行分解获取各设备用电功率；

基于所述各设备用电功率获取用户行为特征；

基于所述用户行为特征利用密度峰值聚类算法实现异常用电行为检测。

优选的，所述基于非侵入式负荷分解技术对用户的总用电功率进行分解获取每个设备的用电功率包括：

S11、基于非侵入式负荷分解模型建立被分解的总用电功率与各用电设备工作模式之间的映射关系，基于所有用电设备工作模式的组合得到所有用电设备总用电功率对应的状态码的编码；

S12、基于所述状态码的编码训练基于RNN的seq2seq模型；

S13、利用训练好的所述基于RNN的seq2seq模型进行负荷分解，获取各设备用电功率。

优选的，所述用户行为特征包括用电时间特性和负荷特性，其中，所述用电时间特性包括不同设备的常见运行时段、日运行频次、常见关闭时段以及日关闭频次；所述负荷特性包括不同用户的设备日平均用电功率、设备日最大用电功率、设备最大负荷小时数以及设备日均用量。

优选的，所述基于所述用户行为特征利用密度峰值聚类算法实现异常用电行为检测包括：