一种基于svm的用电异常检测方法
【专利摘要】一种基于SVM的用电异常检测方法，本发明整个系统由计量数据库系统（1-1）、预处理模块（1-2）、One-class?SVM分类机（1-3）、报警信息过滤模块（1-4）和报警模块（1-5）五个模块组成，各模块之间的关系使用数据流向（1-6）表示；系统流程图由数据采集（2-1）、数据预处理（2-2）、训练样本采集（2-3）、工作日模型（2-4）、节假日模型（2-5）、周末模型（2-6）、数据预处理（2-7）、KKT条件判断器（2-8）、One-class?SVM分类器（2-9）、系统决策（2-10）、报警（2-11）、满足KKT条件程序执行方向（2-12）和不满足KKT条件程序执行方向（2-13）十三个模块组成。本发明是一种基于SVM的用电异常检测方法，具有训练样本小，检测精度可设置等显著优点。
【专利说明】—种基于SVM的用电异常检测方法
【技术领域】
[0001 ] 本发明属于用电异常检测【技术领域】，尤其适用于用电稽查领域。
【背景技术】
[0002]窃电行为在电网损失中占有很大比重，传统的防窃电措施能够有效减少窃电行为，但是随着低压集抄系统的推广，电力系统计量自动化程度不断提高，使得电力窃贼窃电的方法增多。非法电力用户能够通过黑客技术等手段影响自动抄表系统，从而达到窃电的目的。
[0003]基于窃电问题，提出使用基于无监督机器学习检测的思路，并通过技术手段予以实现。本发明使用基于SVM的方法对采样数据进行分析，能够保证在小样本环境下有较高的置信概率。并在SVM分类结果的基础上使用过滤策略对分类结果进行处理，有效降低系统的虚警率。
【发明内容】
[0004]由于窃电行为复杂多样，有的行为和正常电力用户负荷曲线存在相似性等特点，本发明的目的在于解决用电负荷异常问题。
[0005]本发明是通过下列技术方案来实现的。
[0006]一种基于SVM(Support Vector Machine)的用电异常检测方法,本发明特征是:
[0007]I)整个系统由计量数据库系统、预处理模块、One-class SVM分类机、报警信息过滤模块和报警模块五个模块依序连接组成，各模块之间的关系使用数据流向表示；
[0008]2)系统流程由数据采集模块、数据预处理模块、训练样本采集模块、工作日模型模块、节假日模型模块、周末模型模块、数据预处理模块、KKT条件判断器、One-C I as S SVM分类器、系统决策模块、报警模块、满足KKT条件程序执行方向模块和不满足KKT条件程序执行方向模块十三个模块组成；其中:
[0009]数据采集模块、数据预处理模块、One-class SVM分类器、系统决策模块、报警模块依序连接；
[0010]训练样本采集模块、节假日模型模块、数据预处理模块、KKT条件判断器、One-class SVM分类器依序连接；
[0011]训练样本采集模块还分别连接工作日模型模块、周末模型模块，工作日模型模块、周末模型模块共同与数据预处理模块连接；
[0012]训练样本采集模块还与KKT条件判断器连接；
[0013]3)系统训练模型包括工作日模型模块、节假日模型模块和周末模型模块三类模型，每个模型使用四个属于该类模型正常模型的向量作为训练向量；
[0014]4)预处理模块分为数据归一化和特征调整两个功能；
[0015]5)计量数据库系统中单个用户计量频率需要满足在15分钟每次到2小时每次之间；[0016]6)系统决策模块使用逻辑运算的方法配置过滤策略。
[0017]本发明的有益效果是:
[0018]a.使用机器学习的方法对电力用户的负荷信息进行分析，为用电稽查人员提供报警信息。能够有效降低电力稽查的工作复杂度，降低用电异常稽查工作的人工成本。
[0019]b.使用基于One-class SVM的设计,能够在小样本环境下有较高的分类准确率，并能提供在样本分类不均衡条件下的无监督机器学习方法。
[0020]c.系统决策部分使用过滤策略可配置的设计，能够人工配置过滤策略，有效降低系统的虚警率。
[0021]d.通过手工设置One-class SVM参数的方法，能够调整检测的灵敏度。
[0022]下面结合附图及实例进一步阐述本
【发明内容】
。
【专利附图】
【附图说明】
[0023]图1为基于SVM的用电异常检测方法整体示意图；
[0024]图2为基于SVM的用电异常检测方法流程图。
【具体实施方式】
[0025]一种基于SVM(Support Vector Machine)的用电异常检测方法,本发明特征是:
[0026]I)整个系统由计量数据库系统1-1、预处理模块l-2、0ne_class SVM分类机1_3、报警信息过滤模块1-4和报警模块1-5五个模块依序连接组成，各模块之间的关系使用数据流向1-6表不；
[0027]2)系统流程由数据采集模块2-1、数据预处理模块2-2、训练样本采集模块2_3、工作日模型模块2-4、节假日模型模块2-5、周末模型模块2-6、数据预处理模块2-7、KKT条件判断器2-8、0ne-claSS SVM分类器2-9、系统决策模块2-10、报警模块2-11、满足KKT条件程序执行方向模块2-12和不满足KKT条件程序执行方向模块2-13十三个模块组成；其中:
[0028]数据采集模块2-1、数据预处理模块2-2、One-class SVM分类器2_9、系统决策模块2-10、报警模块2-11依序连接；
[0029]训练样本采集模块2-3、节假日模型模块2-5、数据预处理模块2_7、KKT条件判断器2-8、One-class SVM分类器2-9依序连接；
[0030]训练样本采集模块2-3还分别连接工作日模型模块2-4、周末模型模块2-6，工作日模型模块2-4、周末模型模块2-6共同与数据预处理模块2-7连接；
[0031 ]训练样本采集模块2-3还与KKT条件判断器2-8连接；
[0032]3)系统训练模型包括工作日模型模块2-4、节假日模型模块2-5和周末模型模块2-6三类模型，每个模型使用四个属于该类模型正常模型的向量作为训练向量；
[0033]4)预处理模块1-2分为数据归一化和特征调整两个功能；
[0034]5)计量数据库系统1-1中单个用户计量频率需要满足在15分钟每次到2小时每次之间；
[0035]6)系统决策模块2-10使用逻辑运算的方法配置过滤策略。
[0036]见图1，该图示出了基于SVM的用电异常检测方法整体结构示意图。图中预处理模块1-2从数据库系统1-1中获取用户的计量数据，并把预处理过的数据传给One-class SVM分类机1-3，One-class SVM分类机1_3分类的结果再传递给报警信息过滤模块1_4对分类为-1的样本进行过滤。最后，把过滤后可以的样本传给报警模块1-5进行报警处理。
[0037]见图2，该图示出了基于SVM的用电异常检测方法流程示意图。
[0038]数据采集模块2-1从数据库系统1-1中提取用户的计量信息并形成特征变量。计算方法如式I所示，式中Xn表示第η天的特征向量，(Ii表示当天第i个计量数据，N表示一天的计量点数。
[0039]式I:Xn= ((I1, d2,...，dN}
[0040]数据预处理模块2-2把所得到的数据进行归一化，消除由于不同用户用电量差距而对用电模型的影响。计算方法如式2所示，式中Ndi表示特征向量分量Cli的归一化处理结果，min(d)表示特征向量分量的最小值，max(d)表示特征向量分量的最大值。
【权利要求】
1.一种基于SVM的用电异常检测方法，其特征是: 1)整个系统由计量数据库系统(1-1)、预处理模块(1-2)、One-classSVM分类机(1-3)、报警信息过滤模块(1-4)和报警模块(1-5)五个模块依序连接组成，各模块之间的关系使用数据流向(1-6)表示； 2)系统流程由数据采集模块(2-1)、数据预处理模块(2-2)、训练样本采集模块(2-3)、工作日模型模块(2-4)、节假日模型模块(2-5)、周末模型模块(2-6)、数据预处理模块(2-7)、KKT条件判断器(2-8)、One-class SVM分类器(2-9)、系统决策模块(2-10)、报警模块(2-11)、满足KKT条件程序执行方向模块(2-12)和不满足KKT条件程序执行方向模块(2-13)十三个模块组成；其中: 数据采集模块(2-1)、数据预处理模块(2-2)、One-class SVM分类器(2_9)、系统决策模块(2-10)、报警模块(2-11)依序连接； 训练样本采集模块(2-3 )、节假日模型模块(2-5 )、数据预处理模块(2-7 )、KKT条件判断器(2-8)、One-class SVM分类器(2-9)依序连接； 训练样本采集模块(2-3)还分别连接工作日模型模块(2-4)、周末模型模块(2-6)，工作日模型模块(2-4 )、周末模型模块(2-6 )共同与数据预处理模块(2-7 )连接； 训练样本采集模块(2-3)还与KKT条件判断器(2-8)连接； 3)系统训练模型包括工作日模型模块(2-4)、节假日模型模块(2-5)和周末模型模块(2-6)三类模型，每个模型使用四个属于该类模型正常模型的向量作为训练向量； 4)预处理模块(1-2)分为数据归一化和特征调整两个功能； 5)计量数据库系统(1-1)中单个用户计量频率需要满足在15分钟每次到2小时每次之间； 6)系统决策(2-10)模块使用逻辑运算的方法配置过滤策略。
【文档编号】G06F17/30GK103488800SQ201310484912
【公开日】2014年1月1日 申请日期:2013年10月16日 优先权日:2013年10月16日
【发明者】曹敏, 简富俊, 张建伟, 毕志周, 王磊, 唐二雷, 李晶 申请人:云南电力试验研究院（集团）有限公司电力研究院, 云南电网公司技术分公司