CN104331846A - 一种窃电行为多源建模与协同分析方法 - Google Patents
一种窃电行为多源建模与协同分析方法 Download PDFInfo
- Publication number
- CN104331846A CN104331846A CN201410645164.XA CN201410645164A CN104331846A CN 104331846 A CN104331846 A CN 104331846A CN 201410645164 A CN201410645164 A CN 201410645164A CN 104331846 A CN104331846 A CN 104331846A
- Authority
- CN
- China
- Prior art keywords
- data
- consumption data
- matrix
- consumption
- electric power
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 230000005611 electricity Effects 0.000 title claims abstract description 124
- 238000004458 analytical method Methods 0.000 title claims abstract description 18
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 73
- 238000012544 monitoring process Methods 0.000 claims abstract description 62
- 238000004891 communication Methods 0.000 claims abstract description 59
- 230000002159 abnormal effect Effects 0.000 claims abstract description 33
- 239000011159 matrix material Substances 0.000 claims description 118
- 239000000567 combustion gas Substances 0.000 claims description 33
- 238000000034 method Methods 0.000 claims description 30
- 239000007789 gas Substances 0.000 claims description 29
- 230000002195 synergetic effect Effects 0.000 claims description 19
- 230000009466 transformation Effects 0.000 claims description 18
- 239000008400 supply water Substances 0.000 claims description 15
- 238000000354 decomposition reaction Methods 0.000 claims description 9
- 230000015572 biosynthetic process Effects 0.000 claims description 6
- 238000002485 combustion reaction Methods 0.000 claims description 6
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 3
- 239000002737 fuel gas Substances 0.000 abstract 1
- 238000007781 pre-processing Methods 0.000 abstract 1
- 230000006399 behavior Effects 0.000 description 41
- 238000010219 correlation analysis Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 4
- 230000005856 abnormality Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000003203 everyday effect Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 206010000117 Abnormal behaviour Diseases 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012857 repacking Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种窃电行为多源建模与协同分析方法,其特征是按如下步骤进行:1获取数据;2数据预处理;3对预处理后的数据重新划分作为用户各类历史消费行为模型;4获取用户当前历史数据;5基于用户历史用电消费数据的异常用电消费监测;6基于用户历史供水消费数据的异常用电消费协同监测;7基于用户历史燃气消费数据的异常用电消费协同监测;8基于用户历史通信消费数据的异常用电消费协同监测;9计算用户异常用电消费综合监测值并判别可疑用户。本发明能在供电端对用户窃电行为进行监测,提高用户用电消费监测准确度,并及时反馈可能的窃电行为,降低窃电行为误检率,从而保障电力***正常运作。
Description
技术领域
本发明属于窃电分析领域,尤其涉及一种窃电行为多源建模与协同分析方法。
背景技术
随着社会的发展,科技的进步,窃电行为及其技术日新月异,给窃电行为的监察带来了更大难度。现阶段,主要的窃电行为监察方式是利用人工逐户巡查或在用户端加装各种硬件设备,但是,面对用户群体技术能力的普遍提升,窃电技术的***,上述方式显然已经不能满足窃电行为的监察需求。
当前,不断革新的电力***与开放式的网络环境使得通过在供电端利用软件实现对用户窃电行为的远程监控成为可能,许多窃电检测方法与***随之被研发出来。然而,现有的窃电检测方法主要都只能实现用电时间点上的异常检测,即对用户用电异常的某个瞬时异常进行报警。在现实生活中,用户购置大型用电器、装修等异常用电情况时有发生,且电力设备也可能受干扰而出现短时波动,因此上述设计思路导致了大量误判,极大地增加了人工排查的工作量。
此外,当前的窃电检测软件一般仅依赖于用户的用电消费情况,且并未对用户的用电消费行为建立消费模型,这使得这些软件受季节、用户个人习惯等因素的影响较大,因此迫切需要更准确的方法实现用户窃电监测。
发明内容
本发明是为避免上述现有技术所存在的不足之处,提出一种窃电行为多源建模与协同分析方法,能在供电端对用户窃电行为进行监测,提高用户用电消费监测准确度,并及时反馈可能的窃电行为,降低窃电行为误检率,从而保障电力***正常运作。
本发明为解决技术问题采用如下技术方案:
本发明一种窃电行为多源建模与协同分析方法的特点是按如下步骤进行:
步骤1、获取数据:
以当前监测时间为起始时间,获取距离所述起始时间之前的t个月内的历史数据f(t);t≥12;所述历史数据f(t)包括:历史电力消费数据f电力(t)、历史供水消费数据f供水(t)、历史燃气消费数据f燃气(t)和历史通信消费数据f通信(t);
步骤2、数据预处理:
步骤2.1、利用式(1)将所述历史数据f(t)进行小波分解:
式(1)中,cD1(k)表示一阶小波系数;cA1(k)表示一阶尺度系数;φj-1,k(t)表示第k个一阶尺度系数cA1(k)所对应的第j-1个基尺度函数;ωj-1,k(t)表示第k个一阶小波系数cD1(k)所对应的第j-1个构造函数;Z表示基尺度函数和构造函数的总数;并有:
步骤2.2、设置两个阈值t1和t2,且t1<t2;将所述一阶小波系数cD1(k)和一阶尺度系数cA1(k)进行阈值处理;若cD1(k)>t2或cA1(k)>t2,则将阈值t2赋值给第k个一阶小波系数cD1(k)或将阈值t2赋值给第k个一阶尺度系数cA1(k);若cD1(k)<t1或cA1(k)<t1,则将阈值t1赋值给第k个一阶小波系数cD1(k)或将阈值t1赋值给第k个一阶尺度系数cA1(k);
步骤2.3、利用式(4)和(5)获得概貌序列fA(t)和细节序列fD(t):
fA(t)=cA1(k)φj-1,k(t) (4)
fD(t)=cD1(k)ωj-1,k(t) (5)
步骤2.4、利用式(6)获得小波重构历史数据
式(6)中,小波重构历史数据包括:小波重构历史电力消费数据小波重构历史供水消费数据小波重构历史燃气消费数据和小波重构历史通信消费数据
步骤3、以周期T对所述小波重构历史数据进行划分,获得N个周期T,从而形成T×N的二维历史数据矩阵xi表示每个周期内的小波重构历史数据;所述二维历史数据矩阵包括:二维历史电力消费数据矩阵二维历史供水消费数据矩阵二维历史燃气消费数据矩阵和二维历史通信消费数据矩阵
步骤4、以当前监测时间为起始时间,获取距离所述起始时间之后的s个月内的当前数据h(s);0<s≤1;所述当前数据h(s)包括:当前电力消费数据h电力(s),当前供水消费数据h供水(s),当前燃气消费数据h燃气(s)和当前通信消费数据h通信(s);并按照步骤2和步骤3分别获得小波重构当前数据和T×l的二维当前数据矩阵所述小波重构当前数据包括:小波重构当前电力消费数据小波重构当前供水消费数据小波重构当前燃气消费数据和小波重构当前通信消费数据所述二维当前数据矩阵包括:二维当前电力消费数据矩阵二维当前供水消费数据矩阵二维当前燃气消费数据矩阵和二维当前通信消费数据矩阵
步骤5、基于用户历史用电消费数据的异常用电消费监测:
从所述二维历史电力消费数据矩阵中选取与所述二维当前电力消费数据矩阵处于往年同一时段τ的数据作为二维历史同期电力消费数据矩阵并利用式(7)获得基于用户历史电力消费数据的异常用电消费监测值d电力:
式(7)中,|| ||F表示矩阵的Frobenius范数;
步骤6、基于用户历史供水消费数据的异常用电消费协同监测:
步骤6.1、计算式(8)的广义特征值矩阵λx与对应的特征向量矩阵Wx:
XYT(YYT)-1YXTWx=λxXXTWx (8)
式(8)中,X表示二维历史电力消费数据矩阵Y表示二维历史供水消费数据矩阵所述广义特征值矩阵λx中的每一特征值与对应的特征向量矩阵Wx中的每一列特征向量相对应,T符号表示矩阵转置;将所述广义特征值矩阵λx中各特征值按照非递增顺序排列,取所述特征向量矩阵Wx中前k个非零特征值对应的列特征向量形成矩阵W电力-供水,作为关于供水的历史电力消费数据的协同线性变换矩阵;
步骤6.2、计算式(9)的广义特征值矩阵λy与对应的特征向量矩阵Wy:
YXT(XXT)-1XYTWy=λyYYTWy (9)
式(9)中,广义特征值矩阵λy中的每一特征值与对应的广义特征向量矩阵Wy中的每一列特征向量相对应,将λy中各特征值按照非递增顺序排列,取Wy中前δ个非零特征值对应的列特征向量形成矩阵W供水-电力,作为关于电力的历史供水消费数据的协同线性变换矩阵;
步骤6.3、利用式(10)与式(11)分别计算关于供水的当前电力消费数据投影p电力-供水(s)与关于电力的当前供水消费数据投影p供水-电力(s):
步骤6.4、利用式(12)式计算获得基于用户历史供水消费数据的异常用电消费协同监测值d供水:
d供水=||p电力-供水(s)-p供水-电力(s)||F (12)
步骤7、基于用户历史燃气消费数据的异常用电消费协同监测:
步骤7.1、按照步骤6.1和步骤6.2分别获得关于燃气的历史电力消费数据的协同线性变换矩阵W电力-燃气,与关于电力的历史燃气消费数据的协同线性变换矩阵W燃气-电力;
步骤7.2、按照步骤6.3获得关于燃气的当前电力消费数据投影p电力-燃气(s)与关于燃气的当前供水消费数据投影p燃气-电力(s);
步骤7.3、按照步骤6.4获得基于用户历史燃气消费数据的异常用电消费协同监测值d燃气;
步骤8、基于用户历史通信消费数据的异常用电消费协同监测:
步骤8.1、按照步骤6.1和步骤6.2分别计算关于通信的历史电力消费数据协同线性变换矩阵W电力-通信,与关于电力的历史通信消费数据协同线性变换矩阵W通信-电力;
步骤8.2、按照步骤6.3计算关于通信的当前电力消费数据投影p电力-通信(s)与关于电力的当前通信消费数据投影p通信-电力(s);
步骤8.3、按照步骤6.3计算基于用户历史通信消费数据的异常用电消费协同监测值d通信;
步骤9、利用式(13)计算用户异常用电消费综合监测值d:
d=(d电力+d供水+d燃气+d通信)/4 (13)
步骤10、设置阈值θ,若d>θ,则表述用户存在窃电行为并输出。
与已有技术相比,本发明的有益效果体现在:
1、本发明对用户多种消费行为进行建模,综合多种消费模式,利用典型相关分析的方法,建立不同消费行为之间的线性关系,挖掘用户不同消费习惯之间的对应关系。在传统电力消费用电监测基础上,加入了基于供水、燃气和通信消费的用电行为协同监测,克服了仅依赖电力消费数据的传统监测方法受季节、用户个人习惯等因素的影响,从而提高了用户用电消费监测准确度,并降低了窃电行为误检率。
2、与现有在用户端加装各种硬件监控设备的窃电监察方式相比,本发明提供的技术方案通过在供电端利用软件实现对用户窃电行为的远程监控,不仅能够节省大量的硬件监控设备采购与安装成本,而且解决了用户端硬件监控设备易受人为改装的难题;与现有人工逐户巡查的窃电监察方式相比,本发明提供的技术方案能够为窃电行为监察人员提供重点检查范围,从而大大缩小人工巡查的范围。
3、本发明在步骤1中采集了用户历史数据。其采集的数据尽可能密集、均匀,采集时间较长,既包含了长期的历史数据,又包含了与当前监测时段同期的历史数据,使得本发明提出的监测方法同时考虑了同期的用户消费行为比较与长期的用户消费习惯。
4、本发明在步骤2中对采集的历史数据进行基于小波分析的去噪处理,分别对上述历史数据采用小波分解法将其逐个分解,获取概貌序列及细节序列,然后在去除噪声之后再分别重构,可以使得用户历史消费数据更平滑,有效地消除数据采集的不准确性与噪声,同时建立了用户对电、水、燃气和通信的消费模型。
5、本发明在步骤3中对重构后的数据进行划分,目的是使一维的历史数据变位二维的历史数据矩阵,便于后续运算。
6、本发明在步骤4中采集了用户当前数据。其采集的数据并非单独的某一个时间点上的数据,而是当前未监测的一个时间段上的数据,从而在一段时间内更准确地判定用户用电行为,避免了传统方法由于意外情况或设备干扰造成的用电异常误监测。
7、本发明在步骤5中采用矩阵的Frobenius范数计算用户当前时间段与历史同期时间段的用电消费差异,可初步判定用户用电异常行为。
8、本发明在步骤6中采用典型相关分析的方法,建立用户历史用电消费行为与用户历史供水消费行为之间的线性关系,挖掘出了用户两种消费习惯之间的对应关系。降低了仅依赖电力消费数据受季节、用户个人习惯等因素的影响。
9、本发明在步骤7中采用典型相关分析的方法,建立用户历史用电消费行为与用户历史燃气消费行为之间的线性关系,挖掘出了用户两种消费习惯之间的对应关系。降低了仅依赖电力消费数据受季节、用户个人习惯等因素的影响。
10、本发明在步骤8中采用典型相关分析的方法,建立用户历史用电消费行为与用户历史通信消费行为之间的线性关系,挖掘出了用户两种消费习惯之间的对应关系。降低了仅依赖电力消费数据受季节、用户个人习惯等因素的影响。
11、本发明在步骤9中综合了步骤6~9中基于四种消费行为的用电异常监测方法,从而提高了用户用电消费监测准确度,并降低了窃电行为误检率。同时更新用户消费情况,消除过往早期数据的不准确性,以适应用户当前的消费习惯。
附图说明
图1是本发明流程图;
图2是本发明算法结构示意图。
具体实施方式
本实施例中,如图1和图2所示,一种窃电行为多源建模与协同分析方法是按如下过程进行:
1、获取数据:
以当前监测时间为起始时间,获取距离起始时间之前的至少12个月以上时间段t的历史数据f(t),以保证存在与当前监测时段同期的历史数据。历史数据采集应尽可能密集、均匀,如平均每30分钟记录一次监测数据;历史数据f(t)包括:历史电力消费数据f电力(t)、历史供水消费数据f供水(t)、历史燃气消费数据f燃气(t)和历史通信消费数据f通信(t),并分别为选取的历史时间内的已知用户电力、供水、燃气和通讯消费数据。历史时间的查表电力使用量数值是指计算机***通过数据接口获得的用户在过去一段已经监测过的时间内的电力使用量数值。历史供水、历史燃气、历史通信数据采集方式相同。该过程目的是采集用户过往消费数据,以便对用户消费行为进行分析建模。
2、采用小波分析的方法进行数据预处理:
步骤1获取的原始数据由于采集手段和设备的影响,往往会产生噪声,为此采用小波分析的方法进行去噪处理。小波分析是近年来迅速发展起来的一种新的信号处理工具。作为一种信号的时间—尺度(时间—频域)分析方法,它具有多分辨分析的特点,而且在时频两域都有表征信号局部特征的能力,是一种窗口大小固定不变但形状可以改变的时频局部分析方法。研究表明,分别对小波分解后的信号低频与信号高频部分进行阈值处理,可以有效抑制信号噪声。对上述历史数据分别采用小波分解法将其逐个分解,获取概貌序列及细节序列,然后在去除噪声之后再分别重构,目的是为了消除数据采集的不准确性与噪声。具体流程如下:
2.1、利用式(1)将历史数据f(t)进行小波分解:
式(1)中,cD1(k)表示一阶小波系数;cA1(k)表示一阶尺度系数;φj-1,k(t)表示第k个一阶尺度系数cA1(k)所对应的第j-1个基尺度函数;ωj-1,k(t)表示第k个一阶小波系数cD1(k)所对应的第j-1个构造函数;Z表示基尺度函数和构造函数的总数;分解过程具体通过设计高通和低通两组滤波器来实现。当小波和尺度在空间内正交时,可以用内积公式计算得到系数cA1(k)和cD1(k):
2.2、设置两个阈值t1和t2且t1<t2;将一阶小波系数cD1(k)和一阶尺度系数cA1(k)进行阈值处理;若cD1(k)>t2或cA1(k)>t2,则将阈值t2赋值给第k个一阶小波系数cD1(k)或将阈值t2赋值给第k个一阶尺度系数cA1(k);若cD1(k)<t1或cA1(k)<t1,则将阈值t1赋值给第k个一阶小波系数cD1(k)或将阈值t1赋值给第k个一阶尺度系数cA1(k);
2.3、利用式(4)和(5)获得概貌序列fA(t)和细节序列fD(t):
fA(t)=cA1(k)φj-1,k(t) (4)
fD(t)=cD1(k)ωj-1,k(t) (5)
2.4、利用式(6)获得小波重构历史数据
式(6)中,小波重构历史数据包括:小波重构历史电力消费数据小波重构历史供水消费数据小波重构历史燃气消费数据和小波重构历史通信消费数据
3、对预处理后的数据重新划分作为用户各类历史消费行为模型:以周期T对小波重构历史数据进行划分,获得N个周期T,从而形成T×N的二维历史数据矩阵xi表示每个周期内的小波重构历史数据;二维历史数据矩阵包括:二维历史电力消费数据矩阵二维历史供水消费数据矩阵二维历史燃气消费数据矩阵和二维历史通信消费数据矩阵例如将去噪重构后的历史电力消费数据按照1年365日,每日48次记录(半小时记录1次)进行划分,形成48×365的二维历史数据,即电力消费数据
4、为监测用户用电行为,还需要获取用户当前历史数据:以当前监测时间为起始时间,获取距离起始时间之后的时间段s(即一个月内)的当前数据h(s);当前数据h(s)包括:当前电力消费数据h电力(s),当前供水消费数据h供水(s),当前燃气消费数据h燃气(s)和当前通信消费数据h通信(s),分别为选取的当前时间内的已知用户电力、供水、燃气和通讯消费数据。当前时间的查表电力使用量数值是指计算机***通过数据接口获得的用户在最近一段还未监测的时间内的电力使用量数值。当前供水、当前燃气、当前通信数据采集方式相同。与历史数据相同,当前监测数据同样存在噪声,因此,需要按照步骤2和步骤3分别获得小波重构当前数据和T×l的二维当前数据矩阵小波重构当前数据包括:小波重构当前电力消费数据小波重构当前供水消费数据小波重构当前燃气消费数据和小波重构当前通信消费数据二维当前数据矩阵包括:二维当前电力消费数据矩阵二维当前供水消费数据矩阵二维当前燃气消费数据矩阵和二维当前通信消费数据矩阵例如对上述去噪重构后的当前电力消费数据重新按照每日48次记录进行划分,形成48×30的二维当前电力消费数据矩阵。
5、基于用户历史用电消费数据的异常用电消费监测:
从二维历史电力消费数据矩阵中选取与二维当前电力消费数据矩阵处于往年同一时段τ的数据作为二维历史同期电力消费数据矩阵并利用式(7)获得基于用户历史电力消费数据的异常用电消费监测值d电力,其中|| ||F表示矩阵的Frobenius范数,即每周期T内当前电力消费数据与历史同期电力消费数据的欧式距离和:
6、基于用户历史供水消费数据的异常用电消费协同监测:
主要采用典型相关分析方法计算用户历史供水消费数据与用户历史电力消费数据之间的协同变换,再计算投影与距离差异。典型相关分析方法(canonical correlation analysis)由荷泰林(H,Hotelling)在《两组变式之间的关系》一文中最先提出,经过多年发展,逐渐达到完善,并广泛应用于信息科学领域中,它是研究两组变量之间相关关系的一种统计分析方法,它能够有效地揭示两组变量之间的相互线性依赖关系。该步骤具体流程如下:
6.1、为叙述方便,用X表示用Y表示计算式(8)的广义特征值矩阵与特征向量矩阵:
XYT(YYT)-1YXTWx=λxXXTWx (8)
其中,λx为式(8)的广义特征值矩阵,Wx为对应的广义特征向量矩阵,λx中的每一特征值与Wx中的每一列特征向量相对应,T符号表示矩阵转置。式(8)是广义特征值分解问题,它是矩阵特征向量概念的推广,可通过矩阵分解的方法一次求出两个矩阵XYT(YYT)-1YXT与XXT的广义特征值与广义特征向量。广义特征值矩阵λx是一个对角矩阵,其对角元为式(8)的所有广义特征值。将λx中各特征值(即对角元)按照非递增顺序排列,取Wx中前k个非零特征值对应的列特征向量形成矩阵W电力-供水,作为关于供水的历史电力消费数据协同线性变换矩阵。
再计算式(9)的广义特征值矩阵与特征向量矩阵:
YXT(XXT)-1XYTWy=λyYYTWy (9)
其中,λy为式(9)的广义特征值矩阵,Wy为对应的广义特征向量矩阵,λy中的每一特征值与Wy中的每一列特征向量相对应,T符号表示矩阵转置。将λy中各特征值按照非递增顺序排列,取Wy中前δ个非零特征值对应的列特征向量形成矩阵W供水-电力,作为关于电力的历史供水消费数据的协同线性变换矩阵。
6.2、根据矩阵分解性质可知W电力-供水与W供水-电力是两个次正交矩阵,因此利用式(10)与式(11)分别计算关于供水的当前电力消费数据投影p电力-供水(s)与关于电力的当前供水消费数据投影p供水-电力(s):
6.3、利用式(12)式计算获得基于用户历史供水消费数据的异常用电消费协同监测值d供水,即每周期T内关于供水的当前电力消费数据投影与关于电力的当前供水消费数据投影的欧式距离和:
d供水=||p电力-供水(s)-p供水-电力(s)||F (12)
7、基于用户历史燃气消费数据的异常用电消费协同监测:
按照步骤6.1的方法计算关于燃气的历史电力消费数据协同线性变换矩阵W电力-燃气,与关于电力的历史燃气消费数据协同线性变换矩阵W燃气-电力;再按照步骤6.2的方法计算关于燃气的当前电力消费数据投影p电力-燃气(s)与关于燃气的当前供水消费数据投影p燃气-电力(s);再按照步骤6.3的方法计算基于用户历史燃气消费数据的异常用电消费协同监测值d燃气。
步骤8、基于用户历史通信消费数据的异常用电消费协同监测:
按照步骤6.1的方法计算关于通信的历史电力消费数据协同线性变换矩阵W电力-通信,与关于电力的历史通信消费数据协同线性变换矩阵W通信-电力;再按照步骤6.2的方法计算关于通信的当前电力消费数据投影p电力-通信(s)与关于电力的当前通信消费数据投影p通信-电力(s);再按照步骤6.3的方法计算基于用户历史通信消费数据的异常用电消费协同监测值d通信。
步骤9、利用式(13)计算用户异常用电消费综合监测值d:
d=(d电力+d供水+d燃气+d通信)/4 (13)
设置阈值θ,若d>θ,则认为用户存在窃电行为,输出可疑用户并报警。如果用户当前监测月份监测正常,则将该月份电力、供水、燃气与通信消耗数据添加到历史数据中,同时去除历史数据里最初的同期数据。目的是为了及时更新用户消费情况,消除过往早期数据的不准确性,以适应用户当前的消费习惯。
一般来讲,如果当前时段的综合用电监测值超过一定阈值时,则可以初步判断为实施了窃电行为的可疑用户。需要说明的是,本发明提供的窃电行为判别方法,虽然比人员现场查证、用户端加装硬件监控设备等方式具有明显的优势,但是,依然不能作为用户实施窃电行为的确认判别依据,其更多的是提供一个窃电行为实施可能性判别,主要用于在降低成本、减少工作量的同时,提高窃电行为的监察效率。例如,当用户新添置了大功率用电设备时,为保证判别准确率,需要及时对多模消费行为联合建模进行修正参数调整。
Claims (1)
1.一种窃电行为多源建模与协同分析方法,其特征是按如下步骤进行:
步骤1、获取数据:
以当前监测时间为起始时间,获取距离所述起始时间之前的t个月内的历史数据f(t);t≥12;所述历史数据f(t)包括:历史电力消费数据f电力(t)、历史供水消费数据f供水(t)、历史燃气消费数据f燃气(t)和历史通信消费数据f通信(t);
步骤2、数据预处理:
步骤2.1、利用式(1)将所述历史数据f(t)进行小波分解:
式(1)中,cD1(k)表示一阶小波系数;cA1(k)表示一阶尺度系数;φj-1,k(t)表示第k个一阶尺度系数cA1(k)所对应的第j-1个基尺度函数;ωj-1,k(t)表示第k个一阶小波系数cD1(k)所对应的第j-1个构造函数;Z表示基尺度函数和构造函数的总数;并有:
步骤2.2、设置两个阈值t1和t2,且t1<t2;将所述一阶小波系数cD1(k)和一阶尺度系数cA1(k)进行阈值处理;若cD1(k)>t2或cA1(k)>t2,则将阈值t2赋值给第k个一阶小波系数cD1(k)或将阈值t2赋值给第k个一阶尺度系数cA1(k);若cD1(k)<t1或cA1(k)<t1,则将阈值t1赋值给第k个一阶小波系数cD1(k)或将阈值t1赋值给第k个一阶尺度系数cA1(k);
步骤2.3、利用式(4)和(5)获得概貌序列fA(t)和细节序列fD(t):
fA(t)=cA1(k)φj-1,k(t) (4)
fD(t)=cD1(k)ωj-1,k(t) (5)
步骤2.4、利用式(6)获得小波重构历史数据
式(6)中,小波重构历史数据包括:小波重构历史电力消费数据小波重构历史供水消费数据小波重构历史燃气消费数据和小波重构历史通信消费数据
步骤3、以周期T对所述小波重构历史数据进行划分,获得N个周期T,从而形成T×N的二维历史数据矩阵xi表示每个周期内的小波重构历史数据;所述二维历史数据矩阵包括:二维历史电力消费数据矩阵二维历史供水消费数据矩阵二维历史燃气消费数据矩阵和二维历史通信消费数据矩阵
步骤4、以当前监测时间为起始时间,获取距离所述起始时间之后的s个月内的当前数据h(s);0<s≤1;所述当前数据h(s)包括:当前电力消费数据h电力(s),当前供水消费数据h供水(s),当前燃气消费数据h燃气(s)和当前通信消费数据h通信(s);并按照步骤2和步骤3分别获得小波重构当前数据和T×l的二维当前数据矩阵所述小波重构当前数据包括:小波重构当前电力消费数据小波重构当前供水消费数据小波重构当前燃气消费数据和小波重构当前通信消费数据所述二维当前数据矩阵包括:二维当前电力消费数据矩阵二维当前供水消费数据矩阵二维当前燃气消费数据矩阵和二维当前通信消费数据矩阵
步骤5、基于用户历史用电消费数据的异常用电消费监测:
从所述二维历史电力消费数据矩阵中选取与所述二维当前电力消费数据矩阵处于往年同一时段τ的数据作为二维历史同期电力消费数据矩阵并利用式(7)获得基于用户历史电力消费数据的异常用电消费监测值d电力:
式(7)中,|| ||F表示矩阵的Frobenius范数;
步骤6、基于用户历史供水消费数据的异常用电消费协同监测:
步骤6.1、计算式(8)的广义特征值矩阵λx与对应的特征向量矩阵Wx:
XYT(YYT)-1YXTWx=λxXXTWx (8)
式(8)中,X表示二维历史电力消费数据矩阵Y表示二维历史供水消费数据矩阵所述广义特征值矩阵λx中的每一特征值与对应的特征向量矩阵Wx中的每一列特征向量相对应,T符号表示矩阵转置;将所述广义特征值矩阵λx中各特征值按照非递增顺序排列,取所述特征向量矩阵Wx中前k个非零特征值对应的列特征向量形成矩阵W电力-供水,作为关于供水的历史电力消费数据的协同线性变换矩阵;
步骤6.2、计算式(9)的广义特征值矩阵λy与对应的特征向量矩阵Wy:
YXT(XXT)-1XYTWy=λyYYTWy (9)
式(9)中,广义特征值矩阵λy中的每一特征值与对应的广义特征向量矩阵Wy中的每一列特征向量相对应,将λy中各特征值按照非递增顺序排列,取Wy中前δ个非零特征值对应的列特征向量形成矩阵W供水-电力,作为关于电力的历史供水消费数据的协同线性变换矩阵;
步骤6.3、利用式(10)与式(11)分别计算关于供水的当前电力消费数据投影p电力-供水(s)与关于电力的当前供水消费数据投影p供水-电力(s):
步骤6.4、利用式(12)式计算获得基于用户历史供水消费数据的异常用电消费协同监测值d供水:
d供水=||p电力-供水(s)-p供水-电力(s)||F (12)
步骤7、基于用户历史燃气消费数据的异常用电消费协同监测:
步骤7.1、按照步骤6.1和步骤6.2分别获得关于燃气的历史电力消费数据的协同线性变换矩阵W电力-燃气,与关于电力的历史燃气消费数据的协同线性变换矩阵W燃气-电力;
步骤7.2、按照步骤6.3获得关于燃气的当前电力消费数据投影p电力-燃气(s)与关于燃气的当前供水消费数据投影p燃气-电力(s);
步骤7.3、按照步骤6.4获得基于用户历史燃气消费数据的异常用电消费协同监测值d燃气;
步骤8、基于用户历史通信消费数据的异常用电消费协同监测:
步骤8.1、按照步骤6.1和步骤6.2分别计算关于通信的历史电力消费数据协同线性变换矩阵W电力-通信,与关于电力的历史通信消费数据协同线性变换矩阵W通信-电力;
步骤8.2、按照步骤6.3计算关于通信的当前电力消费数据投影p电力-通信(s)与关于电力的当前通信消费数据投影p通信-电力(s);
步骤8.3、按照步骤6.3计算基于用户历史通信消费数据的异常用电消费协同监测值d通信;
步骤9、利用式(13)计算用户异常用电消费综合监测值d:
d=(d电力+d供水+d燃气+d通信)/4 (13)
步骤10、设置阈值若则表述用户存在窃电行为并输出。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410645164.XA CN104331846B (zh) | 2014-11-10 | 2014-11-10 | 一种窃电行为多源建模与协同分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410645164.XA CN104331846B (zh) | 2014-11-10 | 2014-11-10 | 一种窃电行为多源建模与协同分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104331846A true CN104331846A (zh) | 2015-02-04 |
CN104331846B CN104331846B (zh) | 2017-07-21 |
Family
ID=52406567
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410645164.XA Active CN104331846B (zh) | 2014-11-10 | 2014-11-10 | 一种窃电行为多源建模与协同分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104331846B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105989446A (zh) * | 2015-03-02 | 2016-10-05 | 杭州腾仁科技有限公司 | 一种数据识别方法及*** |
CN106199112A (zh) * | 2016-08-18 | 2016-12-07 | 卢志旭 | 一种防盗电*** |
CN110383323A (zh) * | 2017-02-15 | 2019-10-25 | 索尼公司 | 信息处理***以及信息处理方法 |
CN110749784A (zh) * | 2019-08-05 | 2020-02-04 | 上海大学 | 一种基于电力数据小波分析的线路窃电检测方法 |
CN110990645A (zh) * | 2019-11-12 | 2020-04-10 | 广州供电局有限公司 | 用电监测方法、装置、计算机设备和存储介质 |
CN113312408A (zh) * | 2021-06-04 | 2021-08-27 | 河北工大科雅能源科技股份有限公司 | 基于数据分析的待巡检用户确定方法、装置及终端 |
CN114116843A (zh) * | 2021-11-25 | 2022-03-01 | 国网江苏省电力有限公司连云港供电分公司 | 基于用电数据的村镇小型污水处理设施运行监测方法 |
CN114154999A (zh) * | 2021-10-27 | 2022-03-08 | 国网河北省电力有限公司营销服务中心 | 一种反窃电方法、装置、终端及存储介质 |
CN117132025A (zh) * | 2023-10-26 | 2023-11-28 | 国网山东省电力公司泰安供电公司 | 一种基于多源数据融合的用电监测预警*** |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN2727847Y (zh) * | 2004-06-09 | 2005-09-21 | 李世学 | 智能供用电、防窃电网络管理*** |
CN1866033A (zh) * | 2005-05-20 | 2006-11-22 | 湖南泰通电力科技有限公司 | 电网防窃电实时监测*** |
CN201397356Y (zh) * | 2009-03-16 | 2010-02-03 | 湖南泰通电力科技有限公司 | 电网防窃电实时监测*** |
-
2014
- 2014-11-10 CN CN201410645164.XA patent/CN104331846B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN2727847Y (zh) * | 2004-06-09 | 2005-09-21 | 李世学 | 智能供用电、防窃电网络管理*** |
CN1866033A (zh) * | 2005-05-20 | 2006-11-22 | 湖南泰通电力科技有限公司 | 电网防窃电实时监测*** |
CN201397356Y (zh) * | 2009-03-16 | 2010-02-03 | 湖南泰通电力科技有限公司 | 电网防窃电实时监测*** |
Non-Patent Citations (1)
Title |
---|
冯凌 等: "基于无线通信的防窃电***设计", 《电测与仪表》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105989446A (zh) * | 2015-03-02 | 2016-10-05 | 杭州腾仁科技有限公司 | 一种数据识别方法及*** |
CN106199112A (zh) * | 2016-08-18 | 2016-12-07 | 卢志旭 | 一种防盗电*** |
CN106199112B (zh) * | 2016-08-18 | 2019-03-12 | 卢志旭 | 一种防盗电*** |
CN110383323A (zh) * | 2017-02-15 | 2019-10-25 | 索尼公司 | 信息处理***以及信息处理方法 |
CN110383323B (zh) * | 2017-02-15 | 2023-08-15 | 索尼公司 | 信息处理***以及信息处理方法 |
CN110749784B (zh) * | 2019-08-05 | 2022-07-08 | 上海大学 | 一种基于电力数据小波分析的线路窃电检测方法 |
CN110749784A (zh) * | 2019-08-05 | 2020-02-04 | 上海大学 | 一种基于电力数据小波分析的线路窃电检测方法 |
CN110990645A (zh) * | 2019-11-12 | 2020-04-10 | 广州供电局有限公司 | 用电监测方法、装置、计算机设备和存储介质 |
CN113312408A (zh) * | 2021-06-04 | 2021-08-27 | 河北工大科雅能源科技股份有限公司 | 基于数据分析的待巡检用户确定方法、装置及终端 |
CN114154999A (zh) * | 2021-10-27 | 2022-03-08 | 国网河北省电力有限公司营销服务中心 | 一种反窃电方法、装置、终端及存储介质 |
CN114116843A (zh) * | 2021-11-25 | 2022-03-01 | 国网江苏省电力有限公司连云港供电分公司 | 基于用电数据的村镇小型污水处理设施运行监测方法 |
CN114116843B (zh) * | 2021-11-25 | 2023-08-18 | 国网江苏省电力有限公司连云港供电分公司 | 基于用电数据的村镇小型污水处理设施运行监测方法 |
CN117132025A (zh) * | 2023-10-26 | 2023-11-28 | 国网山东省电力公司泰安供电公司 | 一种基于多源数据融合的用电监测预警*** |
Also Published As
Publication number | Publication date |
---|---|
CN104331846B (zh) | 2017-07-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104331846A (zh) | 一种窃电行为多源建模与协同分析方法 | |
CN108021736B (zh) | 一种基于滑动窗残差模型的负荷投切动作监测方法 | |
CN105184394B (zh) | 基于配电网cps在线数据挖掘的优化控制方法 | |
CN103001230B (zh) | 非侵入式电力负荷监测与分解的电流模式匹配方法 | |
CN103996077B (zh) | 一种基于多维时间序列的电气设备故障预测方法 | |
CN102141808B (zh) | 汽轮发电机组嵌入式故障预诊断***及方法 | |
CN102004859B (zh) | 建筑异常能耗支路在线诊断方法 | |
CN103998942A (zh) | 用于非侵入式负载监测的方法和*** | |
CN102223264B (zh) | 一种用于监控***的告警处理方法及*** | |
CN106643765A (zh) | 一种采集异常维修时长计算方法 | |
CN106198218A (zh) | 一种采用应变传感器的监测核级管道疲劳的方法 | |
CN107480432B (zh) | 一种基于云平台的负荷分解方法 | |
Tang et al. | A distributed and scalable approach to semi-intrusive load monitoring | |
CN114004296A (zh) | 一种基于电力负荷特征反向提取监测点的方法及*** | |
CN111652761B (zh) | 一种基于证据理论的多源特征融合窃电行为检测方法 | |
CN105447082A (zh) | 一种海量负荷曲线的分布式聚类方法 | |
CN111639852B (zh) | 基于小波奇异值的水电机组振动状态实时评估方法及*** | |
CN105590027A (zh) | 光伏功率异常数据的识别方法 | |
CN103018611B (zh) | 一种基于电流分解的非侵入式负载监测方法及*** | |
Mohan et al. | Solar energy disaggregation using whole-house consumption signals | |
CN117728587B (zh) | 一种新能源发电设备运行数据的实时监控***及方法 | |
CN103529337B (zh) | 设备故障与电气量信息间非线性相关关系的识别方法 | |
CN108767847A (zh) | 一种非侵入式用电负荷分解方法及装置 | |
CN105305437B (zh) | 电力负荷三重可信度匹配辨识方法 | |
CN111199014B (zh) | 一种基于时间序列的seq2point的NILM方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant |