电网用户用电异常行为检测方法与流程

1.本发明涉及电网用户用电异常检测技术领域，具体为电网用户用电异常行为检测方法。


背景技术：

2.窃电漏电等用户异常行为是电力行业经常需要面对的问题，这些异常行为导致经济损失，甚至存在安全生产隐患，用户用电异常行为的检测，早期多采用的是现场检测方法，即技术人员到用电现场进行排查，即使部分地区实现了集中抄表也只能监测到日用电量，这种方式存在极大的人为因素，极其耗费人力物力资源，效率低、效果差，不利于电力行业的管理，因此我们提出了电网用户用电异常行为检测方法。


技术实现要素：

3.本发明的目的在于提供电网用户用电异常行为检测方法，具备省时省力和检测效率高的优点，解决了用户用电异常指标的检测，早期多采用的是现场检测方法，即技术人员到用电现场进行排查，即使部分地区实现了集中抄表也只能监测到日用电量，这种方式存在极大的人为因素，极其耗费人力物力资源，效率低、效果差，不利于电力行业管理的问题。
4.为实现上述目的，本发明提供如下技术方案：电网用户用电异常行为检测方法，其用电异常行为检测方法包括如下步骤：
5.a、获取用户已知的用电异常数据；
6.b、通过步骤a获取到用户已知的用电异常数据后，对用户已知的用电异常数据按照时间段进行整理；
7.c、将步骤b中整理后的用电异常数据采用公式进行清洗修改，用电异常数据进行清洗修改结束后，对清洗修改后的数据进行特征提取，得到特征数据；
8.d、建立模型；
9.d1、根据步骤c提取的用电行为特征数据建立k-means聚类算法模型；
10.e、将步骤d1建立的k-means聚类算法模型进行优化，通过采用遗传算法对k-means聚类算法检测模型进行训练评估优化，直至k-means聚类算法检测模型评估效果为最优；
11.f、将步骤e中k-means聚类算法检测模型评估效果为最优的参数数据传输至存储模块进行存储记录，便于对后期的用电数据进行检测比对；
12.g、采集和提取用户的用电数据；
13.g1、电力入口处安装传感器仪表来收集和监测终端用户的数据，将用户总负荷信息分解为各用电设备的信息，进而获取用户的用电数据；
14.g2、对采集到的用电数据进行特征提取，进而得到特征数据；
15.h、用户用电行为数据异常检测；
16.h1、步骤g中获取的特征数据输入至k-means聚类算法检测模型中，通过k-means聚类算法检测模型中的最佳参数来和用户用电特征数据进行比对分析，进而可根据数据的大
小来判断某一项用电行为数据是否存有异常。
17.优选的，所述步骤a和步骤g1中所提及的用电数据包括用电设备能耗情况与用户用电规律。
18.优选的，所述步骤c中才采用的公式为h1(xt)＝αxt，α∈(0.2，0.8)。
19.优选的，所述步骤c中采用的公式中h1(xt)表示t时刻按公式修改后的用电量，α表示修改常系数，x表示原始用户用电量，t表示指定的某一时间。
20.优选的，所述步骤c和步骤g2中提取的用电行为特征数据包括有日用电特征、周用电量特征、月用电量特征、季用电量特征、年用电量特征、总用电量特征。
21.优选的，所述步骤f中存储模块为存储器，且存储器采用w25x10clsnig25x10clnig贴片sop-8存储器。
22.优选的，所述步骤c中的数据清洗和修改包括删除用户原始数据中的冗余或无关数据。
23.优选的，所述步骤h中用户用电行为数据检测时，若用户用电特征数据高于k-means聚类算法检测模型中的最佳参数的上界，则判定用户用电行为数据异常。
24.与现有技术相比，本发明的有益效果如下：
25.本发明通过获取已知的用电异常数据，对已知的用电异常按照预设时间段进行整理，并采用计算公式对整理后的数据进行数据清洗修改，通过特征提取模块对清洗修改后的数据进行特征数据提取，通过特征数据建立k-means聚类算法模型，通过采用遗传算法，用于对k-means聚类算法检测模型进行训练评估优化，进而便于获得最优的用电参数数据，通过存储模块可对最佳参数进行存储记录，通过采用k-means聚类算法检测模型中的最佳参数来和用户用电的特征数据进行比对分析，进而可根据数据的大小来判断某一项用电行为是否存有异常，此方法减少了人力消耗且加快了用电异常行为的检测效率，解决了用户用电异常指标的检测，早期多采用的是现场检测方法，即技术人员到用电现场进行排查，即使部分地区实现了集中抄表也只能监测到日用电量，这种方式存在极大的人为因素，极其耗费人力物力资源，效率低、效果差，不利于电力行业管理的问题。
附图说明
26.图1是本发明方法流程示意图。
具体实施方式
27.电网用户用电异常行为检测方法，其用电异常行为检测方法包括如下步骤：
28.a、获取用户已知的用电异常数据；
29.b、通过步骤a获取到用户已知的用电异常数据后，对用户已知的用电异常数据按照时间段进行整理；
30.c、将步骤b中整理后的用电异常数据采用公式进行清洗修改，用电异常数据进行清洗修改结束后，对清洗修改后的数据进行特征提取，得到特征数据；
31.d、建立模型；
32.d1、根据步骤c提取的用电行为特征数据建立k-means聚类算法模型；
33.e、将步骤d1建立的k-means聚类算法模型进行优化，通过采用遗传算法对k-means
聚类算法检测模型进行训练评估优化，直至k-means聚类算法检测模型评估效果为最优；
34.f、将步骤e中k-means聚类算法检测模型评估效果为最优的参数数据传输至存储模块进行存储记录，便于对后期的用电数据进行检测比对；
35.g、采集和提取用户的用电数据；
36.g1、电力入口处安装传感器仪表来收集和监测终端用户的数据，将用户总负荷信息分解为各用电设备的信息，进而获取用户的用电数据；
37.g2、对采集到的用电数据进行特征提取，进而得到特征数据；
38.h、用户用电行为数据异常检测；
39.h1、步骤g中获取的特征数据输入至k-means聚类算法检测模型中，通过k-means聚类算法检测模型中的最佳参数来和用户用电特征数据进行比对分析，进而可根据数据的大小来判断某一项用电行为数据是否存有异常。
40.实施例二：
41.在实施例一中，再加上下述工序：
42.步骤a和步骤g1中所提及的用电数据包括用电设备能耗情况与用户用电规律。
43.其用电异常行为检测方法包括如下步骤：
44.a、获取用户已知的用电异常数据；
45.b、通过步骤a获取到用户已知的用电异常数据后，对用户已知的用电异常数据按照时间段进行整理；
46.c、将步骤b中整理后的用电异常数据采用公式进行清洗修改，用电异常数据进行清洗修改结束后，对清洗修改后的数据进行特征提取，得到特征数据；
47.d、建立模型；
48.d1、根据步骤c提取的用电行为特征数据建立k-means聚类算法模型；
49.e、将步骤d1建立的k-means聚类算法模型进行优化，通过采用遗传算法对k-means聚类算法检测模型进行训练评估优化，直至k-means聚类算法检测模型评估效果为最优；
50.f、将步骤e中k-means聚类算法检测模型评估效果为最优的参数数据传输至存储模块进行存储记录，便于对后期的用电数据进行检测比对；
51.g、采集和提取用户的用电数据；
52.g1、电力入口处安装传感器仪表来收集和监测终端用户的数据，将用户总负荷信息分解为各用电设备的信息，进而获取用户的用电数据；
53.g2、对采集到的用电数据进行特征提取，进而得到特征数据；
54.h、用户用电行为数据异常检测；
55.h1、步骤g中获取的特征数据输入至k-means聚类算法检测模型中，通过k-means聚类算法检测模型中的最佳参数来和用户用电特征数据进行比对分析，进而可根据数据的大小来判断某一项用电行为数据是否存有异常。
56.实施例三：
57.在实施例二中，再加上下述工序：
58.步骤c中才采用的公式为h1(xt)＝αxt，α∈(0.2，0.8)。
59.其用电异常行为检测方法包括如下步骤：
60.a、获取用户已知的用电异常数据；
61.b、通过步骤a获取到用户已知的用电异常数据后，对用户已知的用电异常数据按照时间段进行整理；
62.c、将步骤b中整理后的用电异常数据采用公式进行清洗修改，用电异常数据进行清洗修改结束后，对清洗修改后的数据进行特征提取，得到特征数据；
63.d、建立模型；
64.d1、根据步骤c提取的用电行为特征数据建立k-means聚类算法模型；
65.e、将步骤d1建立的k-means聚类算法模型进行优化，通过采用遗传算法对k-means聚类算法检测模型进行训练评估优化，直至k-means聚类算法检测模型评估效果为最优；
66.f、将步骤e中k-means聚类算法检测模型评估效果为最优的参数数据传输至存储模块进行存储记录，便于对后期的用电数据进行检测比对；
67.g、采集和提取用户的用电数据；
68.g1、电力入口处安装传感器仪表来收集和监测终端用户的数据，将用户总负荷信息分解为各用电设备的信息，进而获取用户的用电数据；
69.g2、对采集到的用电数据进行特征提取，进而得到特征数据；
70.h、用户用电行为数据异常检测；
71.h1、步骤g中获取的特征数据输入至k-means聚类算法检测模型中，通过k-means聚类算法检测模型中的最佳参数来和用户用电特征数据进行比对分析，进而可根据数据的大小来判断某一项用电行为数据是否存有异常。
72.实施例四：
73.在实施例三中，再加上下述工序：
74.步骤c中采用的公式中h1(xt)表示t时刻按公式修改后的用电量，α表示修改常系数，x表示原始用户用电量，t表示指定的某一时间。
75.其用电异常行为检测方法包括如下步骤：
76.a、获取用户已知的用电异常数据；
77.b、通过步骤a获取到用户已知的用电异常数据后，对用户已知的用电异常数据按照时间段进行整理；
78.c、将步骤b中整理后的用电异常数据采用公式进行清洗修改，用电异常数据进行清洗修改结束后，对清洗修改后的数据进行特征提取，得到特征数据；
79.d、建立模型；
80.d1、根据步骤c提取的用电行为特征数据建立k-means聚类算法模型；
81.e、将步骤d1建立的k-means聚类算法模型进行优化，通过采用遗传算法对k-means聚类算法检测模型进行训练评估优化，直至k-means聚类算法检测模型评估效果为最优；
82.f、将步骤e中k-means聚类算法检测模型评估效果为最优的参数数据传输至存储模块进行存储记录，便于对后期的用电数据进行检测比对；
83.g、采集和提取用户的用电数据；
84.g1、电力入口处安装传感器仪表来收集和监测终端用户的数据，将用户总负荷信息分解为各用电设备的信息，进而获取用户的用电数据；
85.g2、对采集到的用电数据进行特征提取，进而得到特征数据；
86.h、用户用电行为数据异常检测；
87.h1、步骤g中获取的特征数据输入至k-means聚类算法检测模型中，通过k-means聚类算法检测模型中的最佳参数来和用户用电特征数据进行比对分析，进而可根据数据的大小来判断某一项用电行为数据是否存有异常。
88.实施例五：
89.在实施例四中，再加上下述工序：
90.步骤c和步骤g2中提取的用电行为特征数据包括有日用电特征、周用电量特征、月用电量特征、季用电量特征、年用电量特征、总用电量特征。
91.其用电异常行为检测方法包括如下步骤：
92.a、获取用户已知的用电异常数据；
93.b、通过步骤a获取到用户已知的用电异常数据后，对用户已知的用电异常数据按照时间段进行整理；
94.c、将步骤b中整理后的用电异常数据采用公式进行清洗修改，用电异常数据进行清洗修改结束后，对清洗修改后的数据进行特征提取，得到特征数据；
95.d、建立模型；
96.d1、根据步骤c提取的用电行为特征数据建立k-means聚类算法模型；
97.e、将步骤d1建立的k-means聚类算法模型进行优化，通过采用遗传算法对k-means聚类算法检测模型进行训练评估优化，直至k-means聚类算法检测模型评估效果为最优；
98.f、将步骤e中k-means聚类算法检测模型评估效果为最优的参数数据传输至存储模块进行存储记录，便于对后期的用电数据进行检测比对；
99.g、采集和提取用户的用电数据；
100.g1、电力入口处安装传感器仪表来收集和监测终端用户的数据，将用户总负荷信息分解为各用电设备的信息，进而获取用户的用电数据；
101.g2、对采集到的用电数据进行特征提取，进而得到特征数据；
102.h、用户用电行为数据异常检测；
103.h1、步骤g中获取的特征数据输入至k-means聚类算法检测模型中，通过k-means聚类算法检测模型中的最佳参数来和用户用电特征数据进行比对分析，进而可根据数据的大小来判断某一项用电行为数据是否存有异常。
104.实施例六：
105.在实施例五中，再加上下述工序：
106.步骤f中存储模块为存储器，且存储器采用w25x10clsnig25x10clnig贴片sop-8存储器。
107.其用电异常行为检测方法包括如下步骤：
108.a、获取用户已知的用电异常数据；
109.b、通过步骤a获取到用户已知的用电异常数据后，对用户已知的用电异常数据按照时间段进行整理；
110.c、将步骤b中整理后的用电异常数据采用公式进行清洗修改，用电异常数据进行清洗修改结束后，对清洗修改后的数据进行特征提取，得到特征数据；
111.d、建立模型；
112.d1、根据步骤c提取的用电行为特征数据建立k-means聚类算法模型；
113.e、将步骤d1建立的k-means聚类算法模型进行优化，通过采用遗传算法对k-means聚类算法检测模型进行训练评估优化，直至k-means聚类算法检测模型评估效果为最优；
114.f、将步骤e中k-means聚类算法检测模型评估效果为最优的参数数据传输至存储模块进行存储记录，便于对后期的用电数据进行检测比对；
115.g、采集和提取用户的用电数据；
116.g1、电力入口处安装传感器仪表来收集和监测终端用户的数据，将用户总负荷信息分解为各用电设备的信息，进而获取用户的用电数据；
117.g2、对采集到的用电数据进行特征提取，进而得到特征数据；
118.h、用户用电行为数据异常检测；
119.h1、步骤g中获取的特征数据输入至k-means聚类算法检测模型中，通过k-means聚类算法检测模型中的最佳参数来和用户用电特征数据进行比对分析，进而可根据数据的大小来判断某一项用电行为数据是否存有异常。
120.实施例七：
121.在实施例六中，再加上下述工序：
122.步骤c中的数据清洗和修改包括删除用户原始数据中的冗余或无关数据。
123.其用电异常行为检测方法包括如下步骤：
124.a、获取用户已知的用电异常数据；
125.b、通过步骤a获取到用户已知的用电异常数据后，对用户已知的用电异常数据按照时间段进行整理；
126.c、将步骤b中整理后的用电异常数据采用公式进行清洗修改，用电异常数据进行清洗修改结束后，对清洗修改后的数据进行特征提取，得到特征数据；
127.d、建立模型；
128.d1、根据步骤c提取的用电行为特征数据建立k-means聚类算法模型；
129.e、将步骤d1建立的k-means聚类算法模型进行优化，通过采用遗传算法对k-means聚类算法检测模型进行训练评估优化，直至k-means聚类算法检测模型评估效果为最优；
130.f、将步骤e中k-means聚类算法检测模型评估效果为最优的参数数据传输至存储模块进行存储记录，便于对后期的用电数据进行检测比对；
131.g、采集和提取用户的用电数据；
132.g1、电力入口处安装传感器仪表来收集和监测终端用户的数据，将用户总负荷信息分解为各用电设备的信息，进而获取用户的用电数据；
133.g2、对采集到的用电数据进行特征提取，进而得到特征数据；
134.h、用户用电行为数据异常检测；
135.h1、步骤g中获取的特征数据输入至k-means聚类算法检测模型中，通过k-means聚类算法检测模型中的最佳参数来和用户用电特征数据进行比对分析，进而可根据数据的大小来判断某一项用电行为数据是否存有异常。
136.实施例八：
137.在实施例七中，再加上下述工序：
138.步骤h中用户用电行为数据检测时，若用户用电特征数据高于k-means聚类算法检测模型中的最佳参数的上界，则判定用户用电行为数据异常。
139.其用电异常行为检测方法包括如下步骤：
140.a、获取用户已知的用电异常数据；
141.b、通过步骤a获取到用户已知的用电异常数据后，对用户已知的用电异常数据按照时间段进行整理；
142.c、将步骤b中整理后的用电异常数据采用公式进行清洗修改，用电异常数据进行清洗修改结束后，对清洗修改后的数据进行特征提取，得到特征数据；
143.d、建立模型；
144.d1、根据步骤c提取的用电行为特征数据建立k-means聚类算法模型；
145.e、将步骤d1建立的k-means聚类算法模型进行优化，通过采用遗传算法对k-means聚类算法检测模型进行训练评估优化，直至k-means聚类算法检测模型评估效果为最优；
146.f、将步骤e中k-means聚类算法检测模型评估效果为最优的参数数据传输至存储模块进行存储记录，便于对后期的用电数据进行检测比对；
147.g、采集和提取用户的用电数据；
148.g1、电力入口处安装传感器仪表来收集和监测终端用户的数据，将用户总负荷信息分解为各用电设备的信息，进而获取用户的用电数据；
149.g2、对采集到的用电数据进行特征提取，进而得到特征数据；
150.h、用户用电行为数据异常检测；
151.h1、步骤g中获取的特征数据输入至k-means聚类算法检测模型中，通过k-means聚类算法检测模型中的最佳参数来和用户用电特征数据进行比对分析，进而可根据数据的大小来判断某一项用电行为数据是否存有异常。
152.需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
153.尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。