CN110909813A - 一种基于边缘算法的商业体异常用电检测方法 - Google Patents

Abstract

本发明公开了一种基于边缘算法的商业体异常用电检测方法，包括以下步骤：采集待检测用电数据，确定待检测用电数据所在日期，并根据待检测用电数据所在日期确定训练集数据；利用边缘检测算法对训练集数据进行边缘检测，得到稳定边缘列；根据稳定边缘列和训练集数据，获取样本数据；通过样本数据构建异常规则，得到商业体用电的上下界阈值；通过上下界阈值对待检测用电数据进行用电异常检测，得到商业体用电异常结果。本发明通过对商业体用电的监控，充分利用了商业体业务天周期性的特性，且避免了小时之间的异方差问题，能够实现对异常用电的报警，有利于管理人员对商业体用能进行偏差分析和异常判断。

Description

一种基于边缘算法的商业体异常用电检测方法

技术领域

本发明属于商业体用电检测领域，具体涉及一种基于边缘算法的商业体异常用电检测方法。

背景技术

商业体用电特征受业务、设备类型的影响，回路复杂，回路数量众多，回路用电差异大，有单独设备回路，也有多个设备组成的复合回路。根据前期调研，商业体用电类型可分为：空调、电梯、动力、消防、照明等回路。根据对回路的分析，一些回路序列存在季节性、工作日与非工作日、是否固定启停、是否平稳用电等差异，这就决定了商业用电异常用能的检测场景比较复杂。目前用电异常检测技术包括曲线拟合，即根据拟合剩余的偏差来判别异常，这个属于波动异常，不适合不平稳的用电时序检测，即当遇到异方差的时序异常会比较难判别；也有根据当前数据历史相似天寻找相似的曲线来判断是否异常，相似天的计算方法包括KNN，DTW，聚类等方法，但是距离参数以及聚类个数设置比较复杂，且对于有固定启停的回路不能很好的判断启停边界，会将固定启停时序里面的一些波动误判别为异常。而LOF和随机森林容易将时序中的变化点识别为异常，且解释性较弱。所以目前现有技术商业体用电异常识别的准确率不高。

发明内容

针对现有技术中的上述不足，本发明提供的一种基于边缘算法的商业体异常用电检测方法解决了商业体用电异常识别的准确率不高的问题。

为了达到上述发明目的，本发明采用的技术方案为：一种基于边缘算法的商业体异常用电检测方法，包括以下步骤：

S1、采集待检测用电数据，确定待检测用电数据所在日期，并根据待检测用电数据所在日期确定训练集数据；

S2、利用边缘检测算法对训练集数据进行边缘检测，得到稳定边缘列；

S3、根据稳定边缘列和训练集数据，获取样本数据；

S4、通过样本数据构建异常规则，得到商业体用电的上下界阈值；

S5、通过上下界阈值对待检测用电数据进行异常用电检测，得到商业体异常用电检测结果。

进一步地，所述步骤S1包括以下分步骤：

S1.1、采集待检测用电数据，确定待检测用电数据所在日期d和月份t；

S1.2、根据日期d和月份t进行数据采集，并将采集的数据作为训练集数据。

进一步地，所述步骤S1.2中根据日期d和月份t进行数据采集具体方法为：对月份t中1号至日期d的用电数据、月份t的上两个月的用电数据、与去年同月相邻两个月的用电数据和去年同月的用电数据进行采集。

进一步地，所述步骤S2包括以下分步骤：

S2.1、将训练集数据归一化到[0,255]的范围内，归一化的计算公式为：

S2.2、将归一化过后的电量按天表示，将其转化为24列的二维小时矩阵X_hour(day,hour_cols)；

S2.3、利用边缘检测算法对二维小时矩阵进行边缘检测，将二维小时矩阵中边缘点用255表示，将二维小时矩阵中非边缘点用0表示，得到边缘矩阵Y_hour；

S2.4、根据边缘矩阵Y_hour，获取每一个小时列向量中边缘点出现的次数占据总行数的比例；

S2.5、判断每一个小时列向量中边缘点的占比是否超过55％，若是则对应的列为稳定边缘列，并将其标记为1，否则对应的列为非边缘列，并将其标记为0。

其中，x'表示固定小时时间点电量数据的归一化结果向量，x表示发生于固定小时的历史电量向量，PARAM_x_max表示电量x的0.99分位数，PARAM_x_min表示电量x的0.01分位数，y_max表示归一化范围的上界，y_min表示归一化范围的下界，x_min表示电量最小值，x_max表示电量最大值，day表示电量x所在的天数，hour_cols表示二维小时矩阵中24小时对应的24列。

进一步地，所述步骤S2.4中每一列边缘点出现的次数占天数的比例计算公式为：

其中，cnt_day表示边缘矩阵Y_hour中边缘点的天数和非边缘点的天数总数，cnt₀表示非边缘点出现天数，cnt₂₅₅表示边缘点出现天数，z_i和

表示边缘矩阵Y_hour中第i个小时对应列向量中边缘点出现的次数，f(z_i)表示边缘点占总天数的比例。

进一步地，所述步骤S3包括以下分步骤：

S3.1、将与稳定边缘列对应小时的数据作为其样本数据；所述样本数据sample_j为：

sample_j＝{train_j}

其中，train_j表示第j个小时对应稳定边缘列的数据；

S3.2、将非边缘列对应小时及其前后相邻小时的数据作为其样本数据sample_i，所述样本数据sample_i为：

sample_i＝{train_{i_before},train_i,train_{i_end}}；

其中，train_i表示第i个小时对应非边缘列的数据，j∈{0,1,2,...,23,}，i∈{0,1,2,...,23,}，j≠i，train_{i_before}表示第i小时的前一个小时i_before的用电数据，train_{i_end}表示第i小时的后一个小时i_end的用电数据；当i＝0时，i_before＝23；当i＝23时，i_end＝0。

进一步地，所述步骤S4的分步骤为：

S4.1、利用样本数据sample_i和sample_j生成第一四分位数q75_i和第三四分位数q25_i；

S4.2、根据第一四分位数q75_i和第三四分位数q25_i生成商业体用电的上下界阈值为：

其中，thresh_max_i表示商业体用电的上界阈值，thresh_min_i表示商业体用电的下界阈值。

进一步地，所述步骤S5包括以下分步骤：

S5.1、判断待检测用电数据是否大于上界阈值thresh_max_i，若是则为异常用电，否则进入步骤S5.2；

S5.2、判断检测用电数据是否小于下界阈值thresh_min_i，若是则判断为异常用电，否则为正常用电，得到商业体异常用电检测结果。

本发明的有益效果为：

(1)本发明通过利用边缘检测自动识别梯度变化大的位置，有利于有效的识别回路启停的时间点位，辅助判断商业体业务中的回路开启时间是否按时；对于非边缘点，前后小时具有参考效应，因此采用前后的数据增加单个小时的样本，有利于更好的判断该小时对应的有效边界，进而判断异常。

(2)本发明通过对商业体用电的监控，充分利用了商业体业务天周期性的特性，且避免了小时之间的异方差问题，能够实现对异常用电的报警，有利于管理人员对商业体用能进行偏差分析和异常判断。

附图说明

图1为本发明提出的一种基于边缘算法的商业体异常用电检测方法流程图。

具体实施方式

下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。

下面结合附图详细说明本发明的实施例。

如图1所示，一种基于边缘算法的商业体异常用电检测方法，包括以下步骤：

S1、采集待检测用电数据，确定待检测用电数据所在日期，并根据待检测用电数据所在日期确定训练集数据；

S2、利用边缘检测算法对训练集数据进行边缘检测，得到稳定边缘列；

S3、根据稳定边缘列和训练集数据，获取样本数据；

S4、通过样本数据构建异常规则，得到商业体用电的上下界阈值；

S5、通过上下界阈值对待检测用电数据进行异常用电检测，得到商业体异常用电检测结果。

所述步骤S1包括以下分步骤：

S1.1、采集待检测用电数据，确定待检测用电数据所在日期d和月份t；

S1.2、根据日期d和月份t进行数据采集，并将采集的数据作为训练集数据。

所述步骤S1.2中根据日期d和月份t进行数据采集具体方法为：对月份t中1号至日期d的用电数据、月份t的上两个月的用电数据、与去年同月相邻两个月的用电数据和去年同月的用电数据进行采集。

所述步骤S2包括以下分步骤：

S2.1、将训练集数据归一化到[0,255]的范围内，归一化的计算公式为：

S2.2、将归一化过后的电量按天表示，将其转化为24列的二维小时矩阵X_hour(day,hour_cols)；

S2.3、利用边缘检测算法对二维小时矩阵进行边缘检测，将二维小时矩阵中边缘点用255表示，将二维小时矩阵中非边缘点用0表示，得到边缘矩阵Y_hour；

S2.4、根据边缘矩阵Y_hour，获取每一个小时列向量中边缘点出现的次数占据总行数的比例；

S2.5、判断每一个小时列向量中边缘点的占比是否超过55％，若是则对应的列为稳定边缘列，并将其标记为1，否则对应的列为非边缘列，并将其标记为0。

其中，x'表示固定小时时间点电量数据的归一化结果向量，x表示发生于固定小时的历史电量向量，PARAM_x_max表示电量x的0.99分位数，PARAM_x_min表示电量x的0.01分位数，y_max表示归一化范围的上界，y_min表示归一化范围的下界，x_min表示电量最小值，x_max表示电量最大值，day表示电量x所在的天数，hour_cols表示二维小时矩阵中24小时对应的24列。

在本实施例中，二维小时矩阵X_hour(day,hour_cols)的每一列包括具体到某一天的日期和与其对应24个小时的用电量，二维小时矩阵X_hour(day,hour_cols)的总列数为训练集数据中的总天数。

所述步骤S2.4中每一列边缘点出现的次数占天数的比例计算公式为：

其中，cnt_day表示边缘矩阵Y_hour中边缘点的天数和非边缘点的天数总数，cnt₀表示非边缘点出现天数，cnt₂₅₅表示边缘点出现天数，z_i和

表示边缘矩阵Y_hour中第i个小时对应列向量中边缘点出现的次数，f(z_i)表示边缘点占总天数的比例。

所述步骤S3包括以下分步骤：

S3.1、将与稳定边缘列对应小时的数据作为其样本数据；所述样本数据sample_j为：

sample_j＝{train_j}

其中，train_j表示第j个小时对应稳定边缘列的数据；

S3.2、将非边缘列对应小时及其前后相邻小时的数据作为其样本数据sample_i，所述样本数据sample_i为：

sample_i＝{train_{i_before},train_i,train_{i_end}}；

其中，train_i表示第i个小时对应非边缘列的数据，j∈{0,1,2,...,23,}，i∈{0,1,2,...,23,}，j≠i，train_{i_before}表示第i小时的前一个小时i_before的用电数据，train_{i_end}表示第i小时的后一个小时i_end的用电数据；当i＝0时，i_before＝23；当i＝23时，i_end＝0。

所述步骤S4的分步骤为：

S4.1、利用样本数据sample_i和sample_j生成第一四分位数q75_i和第三四分位数q25_i；

S4.2、根据第一四分位数q75_i和第三四分位数q25_i生成商业体用电的上下界阈值为：

其中，thresh_max_i表示商业体用电的上界阈值，thresh_min_i表示商业体用电的下界阈值。

所述步骤S5包括以下分步骤：

S5.1、判断待检测用电数据是否大于上界阈值thresh_max_i，若是则为异常用电，否则进入步骤S5.2；

S5.2、判断检测用电数据是否小于下界阈值thresh_min_i，若是则判断为异常用电，否则为正常用电，得到商业体异常用电检测结果。

本发明通过利用边缘检测自动识别梯度变化大的位置，有利于有效的识别回路启停的时间点位，辅助判断商业体业务中的回路开启时间是否按时；对于非边缘点，前后小时具有参考效应，因此采用前后的数据增加单个小时的样本，有利于更好的判断该小时对应的有效边界，进而判断异常。

本发明通过对商业体用电的监控，充分利用了商业体业务天周期性的特性，且避免了小时之间的异方差问题，能够实现对异常用电的报警，有利于管理人员对商业体用能进行偏差分析和异常判断。

Claims (8)

1.一种基于边缘算法的商业体异常用电检测方法，其特征在于，包括以下步骤：

S1、采集待检测用电数据，确定待检测用电数据所在日期，并根据待检测用电数据所在日期确定训练集数据；

S2、利用边缘检测算法对训练集数据进行边缘检测，得到稳定边缘列；

S3、根据稳定边缘列和训练集数据，获取样本数据；

S4、通过样本数据构建异常规则，得到商业体用电的上下界阈值；

S5、通过上下界阈值对待检测用电数据进行异常用电检测，得到商业体异常用电检测结果。

2.根据权利要求1所述的一种基于边缘算法的商业体异常用电检测方法，其特征在于，所述步骤S1包括以下分步骤：

S1.1、采集待检测用电数据，确定待检测用电数据所在日期d和月份t；

S1.2、根据日期d和月份t进行数据采集，并将采集的数据作为训练集数据。

3.根据权利要求2所述的一种基于边缘算法的商业体异常用电检测方法，其特征在于，所述步骤S1.2中根据日期d和月份t进行数据采集具体方法为：对月份t中1号至日期d的用电数据、月份t的上两个月的用电数据、与去年同月相邻两个月的用电数据和去年同月的用电数据进行采集。

4.根据权利要求1所述的一种基于边缘算法的商业体异常用电检测方法，其特征在于，所述步骤S2包括以下分步骤：

S2.1、将训练集数据归一化到[0,255]的范围内，归一化的计算公式为：

S2.2、将归一化过后的电量按天表示，将其转化为24列的二维小时矩阵X_hour(day,hour_cols)；

S2.3、利用边缘检测算法对二维小时矩阵进行边缘检测，将二维小时矩阵中边缘点用255表示，将二维小时矩阵中非边缘点用0表示，得到边缘矩阵Y_hour；

S2.4、根据边缘矩阵Y_hour，获取每一个小时列向量中边缘点出现的次数占据总行数的比例；

S2.5、判断每一个小时列向量中边缘点的占比是否超过55％，若是则对应的列为稳定边缘列，并将其标记为1，否则对应的列为非边缘列，并将其标记为0。

其中，x'表示固定小时时间点电量数据的归一化结果向量，x表示发生于固定小时的历史电量向量，PARAM_x_max表示电量x的0.99分位数，PARAM_x_min表示电量x的0.01分位数，y_max表示归一化范围的上界，y_min表示归一化范围的下界，x_min表示电量最小值，x_max表示电量最大值，day表示电量x所在的天数，hour_cols表示二维小时矩阵中24小时对应的24列。

5.根据权利要求4所述的一种基于边缘算法的商业体异常用电检测方法，其特征在于，所述步骤S2.4中每一列边缘点出现的次数占天数的比例计算公式为：

其中，cnt_day表示边缘矩阵Y_hour中边缘点的天数和非边缘点的天数总数，cnt₀表示非边缘点出现天数，cnt₂₅₅表示边缘点出现天数，z_i和

表示边缘矩阵Y_hour中第i个小时对应列向量中边缘点出现的次数，f(z_i)表示边缘点占总天数的比例。

6.根据权利要求1所述的一种基于边缘算法的商业体异常用电检测方法，其特征在于，所述步骤S3包括以下分步骤：

S3.1、将与稳定边缘列对应小时的数据作为其样本数据；所述样本数据sample_j为：

sample_j＝{train_j}

其中，train_j表示第j个小时对应稳定边缘列的数据；

S3.2、将非边缘列对应小时及其前后相邻小时的数据作为其样本数据sample_i，所述样本数据sample_i为：

sample_i＝{train_{i_before},train_i,train_{i_end}}；

其中，train_i表示第i个小时对应非边缘列的数据，j∈{0,1,2,...,23,}，i∈{0,1,2,...,23,}，j≠i，train_{i_before}表示第i小时的前一个小时i_before的用电数据，train_{i_end}表示第i小时的后一个小时i_end的用电数据；当i＝0时，i_before＝23；当i＝23时，i_end＝0。

7.根据权利要求6所述的一种基于边缘算法的商业体异常用电检测方法，其特征在于，所述步骤S4的分步骤为：

S4.1、利用样本数据sample_i和sample_j生成第一四分位数q75_i和第三四分位数q25_i；

S4.2、根据第一四分位数q75_i和第三四分位数q25_i生成商业体用电的上下界阈值为：

其中，thresh_max_i表示商业体用电的上界阈值，thresh_min_i表示商业体用电的下界阈值。

8.根据权利要求7所述的一种基于边缘算法的商业体异常用电检测方法，其特征在于，所述步骤S5包括以下分步骤：

S5.1、判断待检测用电数据是否大于上界阈值thresh_max_i，若是则为异常用电，否则进入步骤S5.2；

S5.2、判断检测用电数据是否小于下界阈值thresh_min_i，若是则判断为异常用电，否则为正常用电，得到商业体异常用电检测结果。

Images