[发明专利]一种基于人工智能的现场特征量化反窃电辅助排查的方法

说明书

本发明公开了一种基于人工智能的现场特征量化反窃电辅助排查的方法，包括如下步骤：步骤一建立窃电行为现场特征库，步骤二构建典型疑似窃电场景样本库，步骤三应用OCR技术开展反窃电关键图像采集与特征识别，步骤四构建窃电行为现场特征量化指标库，步骤五构建基于现场量化特征的窃电行为智能辅助判断模型，以计量箱开门、电能表开盖、电压电流示数、接线采集装置等现场采集识别后的现场特征量化指标库为基础，结合每项指标的标准判断值和窃电行为关联程度，构建窃电行为智能辅助判断模型。

技术领域

本发明涉及一种用于反窃电管理领域的基于人工智能的现场特征量化反窃电辅助排查的方法。

背景技术

用电检查是电力公司为了保障正常的供用电秩序和公共安全，而开展的检查、监督、指导、帮助用户进行安全、经济、合理用电的行为。传统的反窃电监测手段是通过远传的计量电表数据，进行数据时段对比及分析，发现电压方式及错相序方式窃电，部分有经验管理人员也可以通过分析负荷及现场人工排查可发现电流方式窃电行为。但是，此方法即时性差，对表前分流、强磁铁、遥控器等高科技窃电手段难以有效防护。此外，市场上很多“防分流窃电”的产品普遍存在一定的缺陷，包括：难以做出准确判断、不能够准确地追算出损失的电量、实时监控能力差等。

现有技术中技术人员提出了一些技术方案。其一为利用正态分布的离群点算法对海量数据进行特征挖掘的反窃电方法。该方法首先对高压用户电压和电流数据进行曲线拟合，认为用户电压、电流研究值服从正态分布，然后基于正态分布的离群点算法为数据集构建一个正态分布概率统计模型，然后根据该模型采用不和谐检验识别窃电离群点。其二为针对海量数据的并行处理问题，提出了一种基于BP神经网络的反窃电方法，选取电能示值、电压、电流、台区线损、电压三相不平衡率、电流三相不平衡率等12个指标作为算法输入，根据计算的窃电嫌疑系数输出无窃电嫌疑、一般窃电嫌疑、重大窃电嫌疑3种结果。其三为基于极端学习机(ELM)和支持向量机(SVM)提出了一种新的电力公用事业配电损耗分析方法，从历史消费数据中提取特征，根据异常消费行为预先选择现场检查可疑客户的欺诈行为。对于上述技术方法，现有以装置为主的反窃电技术手段存在窃电辨识准确率低、无法为一线员工现场排查提高准确可靠的依据导致现场排查工作率大的问题，而为数不多的反窃电数据挖掘方法研究主要以分聚类算法、离群点算法和分类算法为主。支持向量机、神经网络等分类算法，对于大规模样本集的处理效果并不好算法模型受训练样本的影响较大且要求样本数据需有相应的标签，而用电样本大部分都是无标签的，此外选择合适的训练样本并不容易；离群点算法和聚类算法对于无标签样本效果较好、算法实现简单快速、对于大规模数据集效果较好，但是离群点算法样本适用范围有限、聚类算法受样本离群点和噪声点影响较大。

发明内容

本发明的目的是为了克服现有技术的不足，提供基于人工智能的现场特征量化反窃电辅助排查的方法，能够可靠的进行反窃电辅助排查。

实现上述目的的一种技术方案是：一种基于人工智能的现场特征量化反窃电辅助排查的方法，包括如下步骤：

步骤一建立窃电行为现场特征库，收集历史窃电行为查处事件，进行事件数据细化分析，并结合专家访谈，明确窃电行为发生时，现场主要存在的特征信息；

步骤二构建典型疑似窃电场景样本库，根据反窃电现场排查中常见的疑似窃电场景，建立典型疑似窃电场景样本库；

步骤三应用OCR技术开展反窃电关键图像采集与特征识别，采用图像识别技术进行窃电行为现场相关图像采集，以及图像采集后的特征识别；

步骤四构建窃电行为现场特征量化指标库，针对窃电行为现场主要表现出的特征，结合OCR图像识别技术可以识别的特征，建立窃电行为现场特征量化指标库，基于大数据算法对历史各类窃电事件进行分析学习，研究每一项指标的标准判断值以及窃电行为关联程度；