[发明专利]一种基于机器学习的中压配网用户用电异常诊断方法

权利要求书

1.一种基于机器学习的中压配网用户用电异常诊断方法，其特征在于，所述方法包括：

提取配变的基础信息，所述基础信息包括用户名称、所属行业，基于所述用户名称筛选潜在异常用电用户集合；

基于潜在异常用电用户集合，提取所述潜在异常用电用户集合对应馈线线损率数据、正向有功数据、电压及三相电流数据，并对潜在异常用电用户数据进行数据预处理；

提取潜在异常用电用户数据的特征值作为机器学习的数据特征，并加入历史数据中对各用户用电异常的轻、中、重三级标签；

对数据集进行划分，训练人工智能模型，并试模型训练效果及模型调优；

采用机器学习中集成算法随机森林(RF)进行模型训练，并对训练好的模型进行模型评价；

利用训练好的模型对实际配电网中的用电用户进行批量打标处理。

2.根据权利要求1所述的一种基于机器学习的中压配网用户用电异常诊断方法，其特征在于，所述潜在异常用电用户集合的生成方法包括：

切分配电变压器用户对应名称；

若配电变压器用户对应名称中不含“居委会”、“办事处”、“学校”、“机关单位”或“政府”字节，则该配变用户为潜在异常用电用户M₁；

基于所述步骤12中的筛选潜在异常用电用户规则，从获取的所有配电用户中筛选出潜在异常用电用户，生成潜在异常用电用户集合M＝{M₁, M₂,…,M_l}，其中l为经筛选后潜在异常用电用户的数量。

3.根据权利要求1所述的一种基于机器学习的中压配网用户用电异常诊断方法，其特征在于，所述对潜在异常用电用户数据进行数据预处理包括：采用线性插值方法对获得馈线及用户数据中的缺失值进行插值补全处理。

4.根据权利要求1所述的一种基于机器学习的中压配网用户用电异常诊断方法，其特征在于，所述提取潜在异常用电用户数据的特征值作为机器学习的数据特征，包括提取以下特征值：

第一特征值为近两周日线损率与潜在异常用电用户日正向有功之间的相关系数指标值；

第二特征值为一日小时级线损率与潜在异常用电用户日正向有功之间的相关系数指标值；

第三特征值为潜在异常用电用户一日内电压数值异常点数；

第四特征值为潜在异常用电用户三相电流中最大差值与最大值之比；

第五特征值为一日内小时级潜在异常用电用户电压值与同行业内电压平均值相关系数。

5.根据权利要求4所述的一种基于机器学习的中压配网用户用电异常诊断方法，其特征在于，所述第一特征值和第二特征值的计算方法为：

从获得的近两周馈线线损率及潜在异常用电用户正向有功值数据中，筛选出日计量的数据并带入公式(1)，经计算后得到第一特征值；筛选出小时计量的数据并带入公式(1)，经计算后得到第二特征值；

相关系数指标计算公式为：

其中，R表示相关系数指标；X_i表示馈线线损率数据；表示馈线线损率数据平均值；Y_i表示潜在异常用电用户正向有功数据；表示潜在异常用电用户正向有功数据平均值；n表示统计时间范围内的时间长度。

6.根据权利要求4所述的一种基于机器学习的中压配网用户用电异常诊断方法，其特征在于，所述第四特征值的计算方法为：

获取各潜在异常用电用户三相电流数据，取其一日内三相电流各相均值中最大值A_i，再取其一日内三相电流各相均值中最小值Z_i，特征值T_i的计算方式为：