[发明专利]一种基于无监督学习的异常用电检测方法及系统

说明书

本发明涉及一种基于无监督学习的异常用电检测方法及系统，所述的方法包括：S1：对用户的用电数据进行处理，基于社群演化理论获取用户的社群演化异常度值；S2：对用户的用电数据和台账数据进行处理得到用户的用电特征，获取用户的群体行为异常度值；S3：根据用户的用电数据获取用户的历史用电特征，采用LOF算法计算考虑历史用电特征的个体功率异常度值；S4：根据用户的用电数据和客观关联因素，获取用户的关联因素异常度值；S5：基于社群演化异常度值、群体行为异常度值、个体功率异常度值和关联因素异常度值获取用户的综合用电异常水平。与现有技术相比，本发明具有检测识别准确性高、综合考虑因素完善等优点。

技术领域

本发明涉及异常用电检测领域，尤其是涉及一种基于无监督学习的异常用电检测方法及系统。

背景技术

配电网用户异常用电行为包含了偷电、漏电、窃电以及用电性质变更、用户变更的行为，该类行为会降低需求侧管理效率与政策制定有效性，是用电行为分析技术中的研究热点之一。目前国内外在研究异常用电行为时大多只研究了偷电漏电行为识别，且多采用有监督学习方法对偷电漏电的行为特征进行算法模型训练，实现异常用电行为辨识工作，其识别范围有限，识别效率低。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于无监督学习的异常用电检测方法及系统。

本发明的目的可以通过以下技术方案来实现：

一种基于无监督学习的异常用电检测方法，包括以下步骤：

S1：对用户的用电数据进行处理，基于社群演化理论获取用户的社群演化异常度值；

S2：对用户的用电数据和台账数据进行处理得到用户的用电特征，获取用户的群体行为异常度值；

S3：根据用户的用电数据获取用户的历史用电特征，采用LOF算法计算考虑历史用电特征的个体功率异常度值；

S4：根据用户的用电数据和客观关联因素，获取用户的关联因素异常度值；

S5：基于社群演化异常度值、群体行为异常度值、个体功率异常度值和关联因素异常度值获取用户的综合用电异常水平。

优选地，所述的步骤S1具体包括：

S11：对用户的用电数据进行清洗和特征提取；

S12：计算用户的隶属度矩阵；

S13：基于迁移矩阵获取用户的核心度变化值；

S14：根据隶属度矩阵和核心度变化值获取电力用户的群体性为异常度值。

优选地，所述的步骤S2具体包括：

S21：根据用户的用电数据和台账数据提取用户的用电量数据；

S22：采用随机前沿模型计算用户的负载效率系数；

S23：计算电力用户每个周期内的用电趋势序列；

S24：根据用户的台账数据对用电趋势序列进行标签标记；

S25：构建每个用户每周期的特征矩阵；

S26：计算每个用户每个周期的局部离群得分，每个周期内的局部离群得分取均值获取用户的每个周期的个体功率异常度值。

优选地，所述的步骤S3具体包括：

S31：根据用户的用电数据获取用户的用电特征向量；

S32：计算用户每一天的用电特征向量，得到用户的用电特征矩阵；

S33：采用局部离群算法对用户的用电特征矩阵进行结束，获取用户的局部离群得分；