[发明专利]一种基于非侵入式负荷分解的用户异常用电行为检测方法

说明书

本发明涉及一种基于非侵入式负荷分解的用户异常用电行为检测方法，该方法包括以下步骤：步骤S1：采用Kmeans聚类算法提取负荷状态特征；步骤S2：对所得各电器的状态特征进行状态编码；步骤S3：采用序列到序列翻译模型Seq2Seq进行负荷分解；步骤S4：采用支持向量机SVM进行用户异常用电行为检测。与现有技术相比，本发明分解结果误差小、分解准确度高。

技术领域

本发明涉及电力设备检测领域，尤其是涉及一种基于非侵入式负荷分解的用户异常用电行为检测方法。

背景技术

随着电力信息技术的发展，电力系统日益成为一个“电力-信息-社会”高度融合的复杂系统。在智能电网和能源互联网的背景下，电力用户扮演着至关重要的角色，仅仅关注电力系统的物理特性不足以对整个电力系统进行全面的建模，还要充分考虑电力用户行为的建模，从而挖掘其互动特性。如通过用户的用电情况，指导用户合理用电，从而减少碳排放量，对实现“双碳目标”具有重要意义。随着Hart在20世纪80年代提出的非侵入式负荷监测(Non-intrusive Load Monitor，NILM)的兴起，为用户的用电行为分析开辟一条新路。

非侵入式负荷监测，只需在电力用户入口处采集家庭总用电数据，进而采用负荷分解算法将总用电数据分解成单个电器用电数据。目前，国内外科研工作者已经对负荷分解算法进行了研究。主要包含两种模式，其中一种模式采用高频采样数据完成负荷分解工作，如以负荷的奇次电流谐波幅值、有功功率、无功功率、视在功率和电流波形等为特征建立特征库，采用k-NN结合核Fisher算法、Adaboost结合BP算法、多目标优化算法、贝叶斯分类模型等算法实现对家庭负荷的识别。但采用高频数据进行负荷分解存在的不足是采集到的电力负荷数据集比较庞大，对内存要求非常高，不适合长期监测及泛化使用。相对来说，另一种模式采用低频采样数据。首先提取用电设备的状态特征，然后采用深度学习算法实现负荷分解，现有的网络模型有序列到序列结合Attention模型、Seq2point模型、深度序列翻译模型、改进HMM模型和条件生成对抗网络等，此模式对内存要求不高，可行性强。

然而，以上研究仅停留在负荷分解算法层面，在进一步的电力用户用电行为分析，尤其是用户异常用电行为检测方面，国内外研究较少。随着对电力需求侧关注度的提高，从用电数据中发掘用户的日常行为习惯逐渐成为热点研究问题。面对当下独居老人增多的现状，此研究可通过用电数据实现对独居老年人安全及健康监测，具有重要意义。目前对用户异常行为检测的算法有高斯混合模型、DS证据理论算法和孤立森林算法。但是，高斯混合模型只给出关于用户日常行为正常性的单一分数，具有模糊性。DS证据理论算法只是对用户行为进行粗略估计，其误判率高。孤立森林算法只适用于少量数据，当数据量大且复杂时，准确率会降低。虽然用户的行为存在一定的规律性，但同时也伴随着不确定性和复杂性，这导致现有研究中仍然存在误判率高、稳定性低的问题。

经过检索，中国专利公开号CN112633421A公开了一种用户异常用电行为检测方法及装置，具体公开了包括：响应于获取的用户原始数据，对用户原始数据进行数据预处理，使得到优化用电数据；响应于获取的优化用电数据，对训练模型进行训练并生成XGBoost检测模型；基于遗传算法对XGBoost检测模型进行参数优化，使确定XGBoost检测模型的最佳超参数组合；将待检测数据输入XGBoost检测模型中，基于最佳超参数组合进行判断某一优化用电数据是否异常。采用遗传算法对XGBoost检测模型的参数进行调优，实现对多个XGBoost模型超参数的同时优化，最终得到具有性能优良的异常用电检测模型。但是该现有技术存在误差较大，且检测率较低等问题。

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精确度高、稳定性高的基于非侵入式负荷分解的用户异常用电行为检测方法。

本发明的目的可以通过以下技术方案来实现：

根据本发明的第一方面，提供了一种基于非侵入式负荷分解的用户异常用电行为检测方法，该方法包括以下步骤：