CN106204335A

CN106204335A - 一种电价执行异常判断方法、装置及***

Info

Publication number: CN106204335A
Application number: CN201610581022.0A
Authority: CN
Inventors: 陈卓优; 王星华
Original assignee: Guangdong University of Technology
Current assignee: Guangdong University of Technology
Priority date: 2016-07-21
Filing date: 2016-07-21
Publication date: 2016-12-07

Abstract

本发明提供了一种电价执行异常判断方法，通过获取各用电类型用户的历史用电负荷数据，对所述历史用电负荷数据进行聚类，生成多个目标负荷轨迹曲线，获取待检测用户的实时用电负荷数据，计算所述实时用电负荷数据与每个所述目标负荷轨迹曲线的相似度，确定所述相似度小于预设相似度阈值的用户为电价执行异常用户。可见，采用本方案，能够判断出电价异常用户，进而保证用电***的稳定性。

Description

一种电价执行异常判断方法、装置及***

技术领域

本发明涉及电网测试技术领域，尤其涉及一种电价执行异常判断方法、装置及***。

背景技术

随着经济发展和社会进步，人们对用电需求日益增加，用电市场也随之扩大，电力公司每年因为非法电力用户窃电而导致非技术性损失巨大，具体的，电价执行异常包括部分低压商业用户未正确执行商业电价，而是错误执行农业生产电价和稻田排灌、脱粒电价等，出现高价低接行为。这可能是客户自身的有意所为，也有可能是供电企业人工录入或档案更新不及时、用电检查不足造成企业资源和经济的流失。

现有的营销稽查方法主要依靠人工定期巡检、随机抽样、用户举报等方法，通过对大量的稽查资料研究分析，工作量大而且营销稽查线索不清晰；采取随机抽查，并且依靠稽查人员的经验来判定电价执行是否正常，但是这种情况下，往往因为稽查的范围小而无法发现潜在异常用户。

因此，在如今电力大数据时代下，如何提供一种电价执行异常判断方法来检测窃电行为是当前亟待解决的一大技术问题。

发明内容

本发明提供了一种电价执行异常判断方法、装置及***，能够判断出电价异常用户，进而保证用电***的稳定性。

本发明提供了一种电价执行异常判断方法，包括：

获取各用电类型用户的历史用电负荷数据；

对所述历史用电负荷数据进行聚类，生成多个目标负荷轨迹曲线；

获取待检测用户的实时用电负荷数据；

计算所述实时用电负荷数据与每个所述目标负荷轨迹曲线的相似度；

确定所述相似度小于预设相似度阈值的用户为电价执行异常用户。

优选的，还包括：

存储所述目标负荷轨迹曲线，构建电价数据库。

优选的，还包括：

确定所述电价数据库中，与所述实时用电负荷数据的相似度最大值对应的用电类型为所述电价执行异常用户的用电类型。

优选的，在所述获取各用电类型用户的历史用电负荷数据之后，还包括：

根据箱线图对所述历史用电负荷数据进行数据处理。

优选的，所述对所述历史用电负荷数据进行聚类，生成多个目标负荷轨迹曲线，包括：

根据余弦相似聚类中心选取规则，确定聚类中心；

将与所述聚类中心具有相同负荷波动趋势的负荷轨迹曲线定义为一类。

一种电价执行异常判断方法装置，包括：

第一获取模块，用于获取各用电类型用户的历史用电负荷数据；

聚类模块，用于对所述历史用电负荷数据进行聚类，生成多个目标负荷轨迹曲线；

第二获取模块，用于获取待检测用户的实时用电负荷数据；

计算模块，用于计算所述实时用电负荷数据与每个所述目标负荷轨迹曲线的相似度；

第一确定模块，用于确定所述相似度小于预设相似度阈值的用户为电价执行异常用户。

优选的，还包括：

存储模块，用于存储所述目标负荷轨迹曲线，构建电价数据库；

第二确定模块，用于确定所述电价数据库中，与所述实时用电负荷数据的相似度最大值对应的用电类型为所述电价执行异常用户的用电类型。

优选的，还包括：

数据处理模块，用于根据箱线图对所述历史用电负荷数据进行数据处理。

优选的，所述聚类模块包括：

确定单元，用于根据余弦相似聚类中心选取规则，确定聚类中心；

聚类单元，用于将与所述聚类中心具有相同负荷波动趋势的负荷轨迹曲线定义为一类。

一种电价执行异常判断***，包括任意一项上述的电价执行异常判断装置。

由上述方案可知，本发明提供了一种电价执行异常判断方法通过获取各用电类型用户的历史用电负荷数据，对所述历史用电负荷数据进行聚类，生成多个目标负荷轨迹曲线，获取待检测用户的实时用电负荷数据，计算所述实时用电负荷数据与每个所述目标负荷轨迹曲线的相似度，确定所述相似度小于预设相似度阈值的用户为电价执行异常用户。可见，采用本方案，能够判断出电价异常用户，进而保证用电***的稳定性。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例公开的一种电价执行异常判断方法的流程示意图；

图2为本发明实施例公开的一种电价执行异常判断装置的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

如图1所示，为本发明实施例提供的一种电价执行异常判断方法，包括：

S1、获取各用电类型用户的历史用电负荷数据；

首先从计量和营销***中分别提取不同地区不同用电类型(电价执行)用户的用电数据。在提取用户历史24点日用电负荷数据时，本发明结合以往稽查的电价执行异常案例库，将嫌疑异常用户和历史已查明异常用户样本剔除掉，形成电价执行正常用户样本库。

S2、对所述历史用电负荷数据进行聚类，生成多个目标负荷轨迹曲线；

根据余弦相似聚类中心选取规则，确定聚类中心；

具体的，对电价执行正常用户历史负荷数据进行聚类处理。本发明提出聚类负荷轨迹分析方法，包括以下步骤：

1、初始化聚类数目区间为并采用一种简洁快速的余弦相似初始聚类中心选取规则选取初始聚类中心。

2、第1步聚类采用以余弦相似度作为相似性度量函数的聚类算法对用户负荷轨迹分类，将具有相似负荷波动趋势的负荷曲线归为一类。

3、对第1步聚类后输出的各类负荷轨迹以基于欧式距离作为度量函数的聚类算法指导其第2步聚类。

4、初始化负荷轨迹第2步聚类的聚类数目区间再按欧式距离初始聚类中心选取规则选取各类初始聚类中心。

5、通过欧式距离聚类有效性指标确定负荷轨迹第2步聚类的最佳聚类数目，输出两步聚类后的全部负荷轨迹。

6、取出其典型负荷轨迹，计算各类负荷轨迹集的类内最大欧式距离阈值、最小相似度阈值，形成行业典型负荷轨迹库及阈值库。

其中，第1步聚类采用基于余弦相似度的聚类算法。X＝[X₁,X₂,...,X_n-λ]^T为数据预处理后的用户负荷轨迹数据样本，两组负荷轨迹向量X_i,X_j的余弦相似度C表示为

C_{c o s} (X_{i}, X_{j}) = c o s (X_{i}, X_{j}) = \frac{X_{i} \cdot X_{j}}{| X_{i} | | X_{j} |}

针对k-means聚类算法对初始聚类中心敏感，初始聚类中心的随机选取容易造成目标函数局部极小化的问题，提出一种适合余弦相似度判据的初始聚类中心选取规则，变随机设置初始值为按规则有目的选取聚类中心。

X＝[X₁,X₂,...,X_n-λ]^T是数据处理后的样本，确定样本初始聚类中心类内样本与聚类中心间最大相似度阈值a_cos和聚类数目k，初始聚类中心选取步骤为：

计算样本中任意两组负荷轨迹向量的余弦相似度，并生成余弦相似度矩阵S，将相似度最高的两用电轨迹向量定为一类，作为第一个初始聚类中心；

根据相似度矩阵S选出与第一类两个负荷轨迹向量相似度都低于阈值a_cos的用电轨迹向量，并在这些负荷轨迹向量中选择相似度最高两个负荷轨迹向量作为一类，并定义为第二个初始聚类中心；

同理，在剩下的负荷轨迹中选出和前面两个初始聚类中心的负荷轨迹向量相似度都小于阈值a_cos的负荷轨迹。并把相似度最高的两负荷轨迹归为一类，定义为第三个初始聚类中心；

重复上述步骤，直至找到k类为止。

S3、获取待检测用户的实时用电负荷数据；

S4、计算所述实时用电负荷数据与每个所述目标负荷轨迹曲线的相似度；

在确定第1步聚类数目时，k不用事先给定，但需要限定k的边界：再根据聚类判别指标来选取最佳的聚类个数。对以余弦相似度作为度量的聚类，在这里以经典的基于图的聚类效果评估方法的基础上提出新的评判标准选择合适的聚类数目，评判指标表示为

其中，C_i、C_j为各类簇的数据集合，n_k为类簇k包含的用户样本数目。

V指标随着聚类数目的递增而增大，聚类数目不是越多越好。在这里，采用肘方法，来确定k的取值。

随着聚类数的增加，每个类的类内相似度之和会增加，类间对象相似度之和会减少。这是因为有更多的类可以捕获更细的数据对象，类中对象之间更为相似。因此，一种选择正确的聚类数的启发方式是，使用评判指标V关于类数的曲线拐点。当V函数值增大趋势不再明显时，定义k为合适的聚类数目。

第2步聚类采用基于欧式距离的k-means聚类算法。结合用户负荷轨迹向量的空间分布特点，提出了设置欧式距离聚类初始中心选取阈值参数的经验公式。

定义1：根据空间上用户用电轨迹向量之间的欧式距离，差异性最大的2个用户之间标准差最大，假设要分成k类，则确定初始聚类中心时类中心间最小欧式距离阈值表达式定义为

确定第2步聚类数目k和相应的最小欧式距离阈值a_dist，初始聚类中心选取步骤为：

1)计算任意样本间的距离，并生成距离矩阵D，将距离最近2个样本定为1类，并取2个样本中心为第一个初始聚类中心；

2)根据最小欧式距离阈值a_dist，利用距离矩阵选出与第1类2个样本的距离都大于a_dist的所有样本，并在这些样本中选择距离最近2个样本为一类，作为第2个初始聚类中心；

3)同理，在剩下的样本中找到和前面2个初始聚类中心的样本距离都大于a_dist的样本，并从中选择距离最近的2个为第3个初始聚类中心；

4)重复上述步骤，直至找到k类为止。

假设聚类数为k，各类簇的数据集合为C_k，c_k为各类簇C_k的聚类中心，每一类中包含的样本数目为n_k，即X_1,j、X_2,j为不同用户j时刻的负荷，X₁、X₂之间的欧式距离表示为

d (X_{1}, X_{2}) = \sqrt{Σ_{j = 1}^{24} {(X_{1, j} - X_{2, j})}^{2}}

采用Davies-Bouldinindicator(DBI)指标综合考虑类内欧式距离的紧凑性和类间的分散性，计算公式为

I_{D B I} = \frac{1}{K} Σ_{k = 1}^{K} R_{k}

其中：

R_{k} = \underset{k &NotEqual; j}{m a x} \frac{d (C_{k}) + d (C_{j})}{d (c_{k}, c_{j})}

式中：d(C_k)和d(C_j)为类簇内欧式距离；d(c_k,c_j)为典型负荷轨迹间的距离。

类内欧式距离计算公式表示为

d (C_{k}) = \underset{X_{i}, X_{j} &Element; C_{k}, i &NotEqual; j}{Σ} d (X_{i}, X_{j})

I_DBI指标表征类内欧式距离与各聚类中心间距离的商，其值越小，表明类内越紧凑，类间区分越明显，聚类效果越好。

通过限定第2步聚类数目k，即取出使聚类有效性DBI指标最小对应的k，也就是最佳聚类数目K。

计算用户轨迹数据X_i与所属类别典型负荷轨迹数据c_k的欧式距离相似度sim₁(X_i,c_k)和余弦相似度sim₂(X_i,c_k)

sim₁(X_i,c_k)＝d(X_i,c_k)

sim₂(X_i,c_k)＝cos(X_i,c_k)

得到最小余弦相似度阈值minSim₂(k)和最大欧式相似度阈值maxSim₁(k)，最后输出第2步聚类后所有行业典型负荷轨迹及其相似度阈值，形成轨迹库和阈值库。

S5、确定所述相似度小于预设相似度阈值的用户为电价执行异常用户。

在得到不同区域不同行业(电价类别)的典型负荷轨迹及其类内最大欧式距离阈值、最小余弦相似度阈值后，通过比较用户的实时日负荷曲线数据和典型负荷轨迹曲线数据的相似度来判别用户是否偏离电价执行正常用户群体用电特性轨迹，从而得出嫌疑异常用户。具体步骤是：

通过基于余弦相似度和欧式距离的组合判别分析方法对用户的实时日负荷数据进行检测，可以得出行业新样本偏离正常用电典型负荷轨迹样本的幅度。规定每类中类内样本与典型负荷轨迹的欧式距离最大值为该类用电特性的典型用户的最大欧式阈值、余弦相似度最小值为最小余弦阈值，通过计算各典型负荷轨迹偏离系数ε，取其最大值表示为最大偏离系数阈值为，计算如下：

在此先介绍两个阈值异常系数：

定义2：欧式偏离系数是指类内样本与其典型负荷轨迹的欧式距离与其最大值欧式阈值的比值，表示为

ϵ_{1} (i) = \frac{{sim}_{1} (X_{i}, c_{k})}{{maxSim}_{1} (k)}

定义3：余弦偏离系数是指最小余弦相似度阈值与类内样本与其典型负荷轨迹的相似度的比值，表示为

ϵ_{2} (i) = \frac{{minSim}_{2} (k)}{{sim}_{2} (X_{i}, c_{k})}

类内样本与其典型负荷轨迹偏离系数表示为：

ε＝ε₁+ε₂

通过计算新样本与该行业各典型负荷轨迹的偏离系数ε，然后比较其最大允许偏离系数，当用户与行业各典型负荷轨迹的偏离系数都大于其最大允许偏离系数阈值时，该用户标记为电价执行异常嫌疑用户。

优选的，还包括：

存储所述目标负荷轨迹曲线，构建电价数据库。

优选的，还包括：

进一步明确电价执行异常嫌疑用户实际执行的电价类别可以为供电企业挽回经济损失。首先，把各个行业的典型用电行为轨迹放在一起形成典型用电行为轨迹库；然后计算嫌疑用户与其他行业典型轨迹库每种典型负荷曲线的偏离系数ε，然后比较其最大允许偏离系数阈值，把偏离系数小于最大偏离系数阈值的典型负荷轨迹所在行业作为该嫌疑用户可能实际执行的电价类别。

根据箱线图对所述历史用电负荷数据进行数据处理。

针对计量***检测到的负荷数据在硬软件故障、通信中断或者信号干扰下出现失真的问题，采用箱线图(box-plot)方法进行异常值检测。

箱线图是一种用图形相似并标记出现的异常值的方法，它对单变量大样本比较有效，方便直观。分为轻度异常值和极端异常值两种。定义：

如果则x可以标记为异常值(outlier)，其中IQR＝Q₃-Q₁。

在样本中剔除日负荷轨迹数据存在多个异常值的用户，当某负荷曲线的数据异常量达到采集量的10％或以上，认为该曲线无效，记剔除的无效曲线总数为λ，再采用高斯平滑滤波技术对异常量低于10％的负荷曲线进行去除噪声处理。经过数据清理后，记X为(n-λ)条有效日负荷轨迹构成的矩阵。

可见，采用本方案，能够判断出电价异常用户，进而保证用电***的稳定性。

除此，本实施例还提供了一种电价执行异常判断方法装置，如图2所示，包括：

第一获取模块100，用于获取各用电类型用户的历史用电负荷数据；

聚类模块200，用于对所述历史用电负荷数据进行聚类，生成多个目标负荷轨迹曲线；

第二获取模块300，用于获取待检测用户的实时用电负荷数据；

计算模块400，用于计算所述实时用电负荷数据与每个所述目标负荷轨迹曲线的相似度；

第一确定模块500，用于确定所述相似度小于预设相似度阈值的用户为电价执行异常用户。

优选的，还包括：

优选的，所述聚类模块包括：

本实施例方法所述的功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算设备可读取存储介质中。基于这样的理解，本发明实施例对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该软件产品存储在一个存储介质中，包括若干指令用以使得一台计算设备(可以是个人计算机，服务器，移动计算设备或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims

1.一种电价执行异常判断方法，其特征在于，包括：

获取各用电类型用户的历史用电负荷数据；

获取待检测用户的实时用电负荷数据；

2.根据权利要求1所述的一种电价执行异常判断方法，其特征在于，还包括：

存储所述目标负荷轨迹曲线，构建电价数据库。

3.根据权利要求2所述的一种电价执行异常判断方法，其特征在于，还包括：

4.根据权利要求1所述的一种电价执行异常判断方法，其特征在于，在所述获取各用电类型用户的历史用电负荷数据之后，还包括：

根据箱线图对所述历史用电负荷数据进行数据处理。

5.根据权利要求1所述的一种电价执行异常判断方法，其特征在于，所述对所述历史用电负荷数据进行聚类，生成多个目标负荷轨迹曲线，包括：

根据余弦相似聚类中心选取规则，确定聚类中心；

6.一种电价执行异常判断方法装置，其特征在于，包括：

第二获取模块，用于获取待检测用户的实时用电负荷数据；

7.根据权利要求6所述的一种电价执行异常判断装置，其特征在于，还包括：

8.根据权利要求6所述的一种电价执行异常判断装置，其特征在于，还包括：

9.根据权利要求6所述的一种电价执行异常判断装置，其特征在于，所述聚类模块包括：

10.一种电价执行异常判断***，其特征在于，包括如权利要求6-9中任意一项所述的电价执行异常判断装置。