CN112307435A - 一种基于模糊聚类和趋势判断筛查用电量异常的方法 - Google Patents

Abstract

一种基于模糊聚类和趋势判断筛查用电量异常的方法，包括以下步骤：1)根据台区所有用户日用电量，进行由大至小排序，并记录最大用电量及对应用户和最小用电量及其对应用户；2）根据渐小型梯形隶属函数计算每位用户用电量的隶属度值；3）采用聚类思想，以一维钟形分布，划分三类区间的阈值；根据阈值区间初步划分用户用电量的异常情况；4）以初步筛查出的用户，基于单用户的日负荷用电量，绘制出趋势曲线，以用电趋势辅助精准判断异常用电用户。本发明基于模糊聚类和趋势判断筛查用电量异常，找到台区有可能发生局部漏电或者窃电嫌疑的用户表箱位置，方便运维工作人员快速准确地处理情况。

Description

一种基于模糊聚类和趋势判断筛查用电量异常的方法

技术领域

本发明涉及大数据与智能电网技术领域，具体涉及一种基于模糊聚类和趋势判断筛查用电量异常的方法。

背景技术

在低压配电网中，特别是城郊结合部、或者农网，县级企业的低压台区用户多且分散，很多线路老化，且是裸导线架设，线路缠绕障碍物等，故障发生率高。在用户家中，也有一些线路布局不合理，强弱电线路混合布线，绝缘层破损，也容易造成故障，如三相电压不平衡，中性线带电，漏电等故障。因台区用户数较多，如有保修，运维人员需要花费较长时间巡检确定异常用电量用户。有部分文献是通过技术手段探测绝缘的局部破损，例如通过介损的超低频检测判断绝缘的性能情况(任志刚,李伟,周峰等.基于超低频介损检测的电缆绝缘性能评估与影响因素分析[J].绝缘材料，2018,51(4):64-74)，或通过局部放电检测判断绝缘状况(张定华.配网中压电缆振荡波局部放电检测技术研究[J].企业技术开发，2016,35(8):35-36)。通过用户用电量来判断故障也有一些研究，如用户报修后，然后人工筛查用电异常表箱(卢路生.应用集成***助查单相接地及中性线带电故障[J].农村电工，2016,24(5)：33-34)。如通过趋势偏移度来分析用户窃电嫌疑度(杨小铭，花永冬，黄淳驿等.低压台区用户的防窃电的趋势嫌疑度分析方法研究[J].电器与能效管理技术，2016,51(10)：28-36)。也有单纯研究基于密度聚类分析用电量异常(田力，向敏.基于密度聚类技术的电力***用电量异常分析算法[J].电力***自动化，2017,41(5)：64-70)。

现有研究一方面对于故障类别的判断较为单一。另一方面由于用电用户的数据量非常大，且具有随机性，划分用户合理用电量区间一直是难点。居民区用户用电异常主要包括电力***低压故障或用户违规用电两个相反方向的原因。这里采用隶属模糊聚类结合趋势判断的方法，划分用电合理区间，筛查异常用电量，确定异常表箱位置，从而缩小运维人员的检查范围，提高工作效率和用户用电满意度。同时该筛查方式也可以初步判断用户是否有窃电行为。

现有技术也有对用电量异常进行识别的方法，中国专利文献CN 109270316 A记载了一种电力用户用电量异常识别方法、装置及终端设备，获取目标专变电力用户的预设时间段的用电量数据；分别检测预设时间段的用电量数据中各个时刻的用电量数据是否满足预设用电量异常条件；若用电量数据满足预设用电量异常条件，则将第一专变电力用户在第一时刻的用电量数据作为用电量验证数据；若第一专变电力用户的用电量验证数据满足预设用电量验证条件，则判定目标专变用户用电量异常。该方法通过检测对应时刻的电流值与线电流额定值之间的关系作为检测条件，其应用根据时间、天气等客观因素存在波动样本缺陷，不适合普遍推广。

发明内容

本发明所要解决的技术问题是提供基于模糊聚类和趋势判断筛查用电量异常的方法，用于精确找到台区有可能发生局部漏电或者窃电嫌疑的用户表相关位置。

为解决上述技术问题，本发明所采用的技术方案是：

一种基于模糊聚类和趋势判断筛查用电量异常的方法，包括以下步骤：

步骤一、根据目标台区所有用户日用电量，进行由大至小排序，并记录最大用电量及对应用户和最小用电量及其对应用户；

步骤二、根据渐小型梯形隶属函数计算每位用户用电量的隶属度值；

步骤三、根据步骤二中取得的用户用电量隶属度值，采用模糊聚类分析，以一维钟形分布，划分三类区间的阈值，根据阈值区间初步筛查划分用户用电量的异常情况；

步骤四、以步骤三中筛查出的用户，基于单用户的日负荷用电量，绘制出趋势曲线，以用电趋势辅助精准判断用户用电量是否异常。

上述的步骤一中，根据目标台区所有用户同一时间的单日用电量，进行由大至小排序，并且记录最大用电量值及其对应用户编号和最小用电量值及其对应用户编号。

上述的步骤二中，渐小型梯形隶属函数中隶属度值的计算公式为：

式中，λ_i为编号为i的用户的用电量隶属度值，Q_D为编号为i的用户的当日用电量，p为目标台区内用电量排序后的最大用电量，g为目标台区内用电量排序后的最小用电量。

上述的步骤三中，以步骤二中获取的用户用电量隶属度值作为变量，描述“低谷”、“正常”和“高峰”这三个模糊区间概念，根据历史样本，绘制一维正态分布曲线，曲线的表达式为：

其中，μ为期望值，σ为标准差，σ²为方差，设定发生概率小于x％的f(λ)为小概事件，定义为用电量异常，以此划分阈值，得到用电量异常低区间阈值λ_g，用电量异常高的区间阈值λ_p，则用电量评价划分为：0至λ_g为异常低区间，λ_g至λ_p为正常，λ_p至1为异常高区间。

上述的步骤四中，基于步骤三所划分区间，筛选出处在用电量异常低区间和用电量异常高区间，将这些用户的日负荷用电量绘制成曲线，判断用户用电趋势与用电异常区间之间的关系决定用电异常具体情况。

上述的用电趋势判断过程为：

设定单个用户第一天的用电量为f₁，统计第i天的电量下降趋势时，设定第i天前后各m天为统计区间，在此区间单个用户的用电负荷平均值

为：

第i天电量变化的斜率li,因是单日斜率，此数值等同于单日增量，即：

li＝f_i-f_i-1

随着用电天数的变化，统计区间内的第i天电量变化的斜率均值

第i天的电量趋势k_i为：

随着用电天数i的变化，继续重复上述步骤一、二、三、四，得到变化的k_i，当处于用电量异常低区间且电量趋势k_i为负，则判断此用户有窃电嫌疑，当处于用电量异常高区间且电量趋势k_i为正，则判断此用户有局部漏电嫌疑。

优选的方案中，述的统计区间设定为第i天前后各5天，即m＝5。

优选的方案中，上述步骤三中，设定发生概率小于5％的f(λ)为小概事件，定义为用电量异常，即x＝5。

本发明提供的一种基于模糊聚类和趋势判断筛查用电量异常的方法，根据台区用户的日负荷数据，结合聚类区间划分，和重点用户日用电量趋势，判断用户表箱后是否有局部漏电故障，或者是否有窃电情况，从而运维工作人员可快速到达用户表箱处，处理相关情况。

附图说明

下面结合附图和实施例对本发明作进一步说明：

图1为本发明的整体框架流程图；

图2为根据模糊聚类，台区用户的日用电量分布云图。

具体实施方式

如图1中所示，一种基于模糊聚类和趋势判断筛查用电量异常的方法，包括以下步骤：

步骤一、根据目标台区所有用户日用电量，进行由大至小排序，并记录最大用电量及对应用户和最小用电量及其对应用户；

步骤二、根据渐小型梯形隶属函数计算每位用户用电量的隶属度值；

步骤三、根据步骤二中取得的用户用电量隶属度值，采用模糊聚类分析，以一维钟形分布，划分三类区间的阈值，根据阈值区间初步筛查划分用户用电量的异常情况；

步骤四、以步骤三中筛查出的用户，基于单用户的日负荷用电量，绘制出趋势曲线，以用电趋势辅助精准判断用户用电量是否异常。

上述的步骤一中，根据目标台区所有用户同一时间的单日用电量，进行由大至小排序，并且记录最大用电量值及其对应用户编号和最小用电量值及其对应用户编号。

上述的步骤二中，渐小型梯形隶属函数中隶属度值的计算公式为：

式中，λ_i为编号为i的用户的用电量隶属度值，Q_D为编号为i的用户的当日用电量，p为目标台区内用电量排序后的最大用电量，g为目标台区内用电量排序后的最小用电量。

上述的步骤三中，以步骤二中获取的用户用电量隶属度值作为变量，描述“低谷”、“正常”和“高峰”这三个模糊区间概念，根据历史样本，绘制一维正太分布曲线，曲线的表达式为：

其中，μ为期望值，σ为标准差，σ²为方差，设定发生概率小于x％的f(λ)为小概事件，定义为用电量异常，以此划分阈值，得到用电量异常低区间阈值λg，用电量异常高的区间阈值λ_p，则用电量评价划分为：0至λ_g为异常低区间，λ_g至λ_p为正常，λ_p至1为异常高区间，表述如下：

上述的步骤四中，基于步骤三所划分区间，筛选出处在用电量异常低区间和用电量异常高区间，将这些用户的日负荷用电量绘制成曲线，判断用户用电趋势与用电异常区间之间的关系决定用电异常具体情况。

上述的用电趋势判断过程为：

设定单个用户第一天的用电量为f₁，统计第i天的电量下降趋势时，设定第i天前后各m天为统计区间，在此区间单个用户的用电负荷平均值

为：

第i天电量变化的斜率li,因是单日斜率，此数值等同于单日增量，即：

li＝f_i-f_i-1

随着用电天数的变化，统计区间内的第i天电量变化的斜率均值

第i天的电量趋势k_i为：

随着用电天数i的变化，继续重复上述步骤一、二、三、四，得到变化的k_i，当处于用电量异常低区间且近期电量趋势k_i为负，则判断此用户有窃电嫌疑，当处于用电量异常高区间且近期电量趋势k_i为正，则判断此用户有局部漏电嫌疑，窃电嫌疑用户的日用电量处于所划分异常区间且近期用电量趋势为负，漏电用户的日用电量处于所划分异常区间且近期用电量趋势为正。

优选的方案中，述的统计区间设定为第i天前后各5天，即m＝5。

优选的方案中，上述步骤三中，设定发生概率小于5％的f(λ)为小概事件，定义为用电量异常，即x＝5。

当m＝5且x＝5时，取得判断准确率的同时有尽量缩小了计算的目标样本，使得计算量缩小，经过不断的试验运行，最为最优选的阈值和区间取值。

下面以m＝5，x＝5时作为实施例进行阐述：

一种基于高斯型隶属函数判断用户用电异常的方法，它包括以下步骤：

步骤一、根据台区所有用户日用电量，进行由大至小排序，并记录最大用电量及对应用户和最小用电量及其对应用户，并记录相应用户编号；

步骤二、根据渐小型梯形隶属函数计算每位用户用电量的隶属度值：

式中，λ_i为编号为i的用户的用电量隶属度值，Q_D为编号为i的用户的当日用电量，p为目标台区内用电量排序后的最大用电量，g为目标台区内用电量排序后的最小用电量；

步骤三、以步骤二中获取的用户用电量隶属度值作为变量，描述“低谷”、“正常”和“高峰”这三个模糊区间概念，根据历史样本，绘制一维正态分布曲线，曲线的表达式为：

其中，μ为期望值，σ为标准差，σ²为方差，设定发生概率小于5％的f(λ)为小概事件，定义为用电量异常，以此划分阈值，得到用电量异常低区间阈值λ_g，用电量异常高的区间阈值λ_p，则用电量评价划分为：0至λ_g为异常低区间，λ_g至λ_p为正常，λ_p至1为异常高区间，表述如下：

；

步骤四、基于步骤三所划分区间，筛选出处在用电量异常低区间和用电量异常高区间，将这些用户的日负荷用电量绘制成曲线，判断用户用电趋势与用电异常区间之间的关系决定用电异常具体情况；

上述的用电趋势判断过程为：

设定单个用户第一天的用电量为f₁，统计第i天的电量下降趋势时，设定第i天前后各5天为统计区间，在此区间单个用户的用电负荷平均值

为：

第i天电量变化的斜率li,因是单日斜率，此数值等同于单日增量，即：

li＝f_i-f_i-1

随着用电天数的变化，统计区间内的第i天电量变化的斜率均值

第i天的电量趋势k_i为：

随着用电天数i的变化，继续重复上述步骤一、二、三、四，得到变化的k_i，当处于用电量异常低区间且近期电量趋势k_i为负，则判断此用户有窃电嫌疑，当处于用电量异常高区间且近期电量趋势k_i为正，则判断此用户有局部漏电嫌疑。

据某台区所有用户的日用电量数据，基于隶属函数模糊聚类方法，得出对应λ_g与λ_p的用户用电量分别是9.5和11，且可以直观表现出其他用电负荷值接近各个评价区间的隶属度值。

借助隶属模糊聚类模型，发现用户A在低区间内，用户C在高区间内，利用趋势辅助判断模型，选取用户用电1号至11号作为统计窗口期，利用电量做直线拟合得到的斜率作为衡量，表1是A用户电量下降指标趋势，表2是C用户电量上升指标趋势：

表1A用户电量下降指标趋势

Table 1 A user declining trend of user electricity

表2 C用户电量上升指标趋势

Table 2 C user Rising trend of user electricity

通过比较该用户日用电量和小区平均日用电量，A用户用电量水平一直处于明显下降状态，后期保持明显的水平状态，C用户用电量水平一直处于明显上升状态，用电量趋势在短暂时间内显著提高，因此，根据正向高位异常区间表示绝缘破损，漏电等故障可能性，反向低位异常区间表示窃电嫌疑性，可以判定出，A用户目前存在很高的窃电嫌疑，C用户存在漏电嫌疑，电力公司需要重点对其进行用电情况排查。

Claims (8)

1.一种基于模糊聚类和趋势判断筛查用电量异常的方法，其特征在于，包括以下步骤：

步骤一、根据目标台区所有用户日用电量，进行由大至小排序，并记录最大用电量及对应用户和最小用电量及其对应用户；

步骤二、根据渐小型梯形隶属函数计算每位用户用电量的隶属度值；

步骤三、根据步骤二中取得的用户用电量隶属度值，采用模糊聚类分析，以一维钟形分布，划分三类区间的阈值；根据阈值区间初步筛查划分用户用电量的异常情况；

步骤四、以步骤三中筛查出的用户，基于单用户的日负荷用电量，绘制出趋势曲线，以用电趋势辅助判断用户用电量是否异常。

2.根据权利要求1所述的一种基于模糊聚类和趋势判断筛查用电量异常的方法，其特征在于，所述的步骤一中，根据目标台区所有用户同一时间的单日用电量，进行由大至小排序，并且记录最大用电量值及其对应用户编号和最小用电量值及其对应用户编号。

3.根据权利要求2所述的一种基于模糊聚类和趋势判断筛查用电量异常的方法，其特征在于，所述的步骤二中，渐小型梯形隶属函数中隶属度值的计算公式为：

式中，λi为编号为i的用户的用电量隶属度值，Q_D为编号为i的用户的当日用电量，p为目标台区内用电量排序后的最大用电量，g为目标台区内用电量排序后的最小用电量。

4.根据权利要求2所述的一种基于模糊聚类和趋势判断筛查用电量异常的方法，其特征在于，所述的步骤三中，以步骤二中获取的用户用电量隶属度值作为变量，描述“低谷”、“正常”和“高峰”这三个模糊区间概念，根据历史样本，绘制一维正态分布曲线，曲线的表达式为：

其中，μ为期望值，σ为标准差，σ²为方差，设定发生概率小于x％的f(λ)为小概事件，定义为用电量异常，以此划分阈值，得到用电量异常低区间阈值λg，用电量异常高的区间阈值λp，则用电量评价划分为：0至λg为异常低区间，λg至λp为正常，λp至1为异常高区间。

5.根据权利要求4所述的一种基于模糊聚类和趋势判断筛查用电量异常的方法，其特征在于，所述的步骤四中，基于步骤三所划分区间，筛选出处在用电量异常低区间和用电量异常高区间，将这些用户的日负荷用电量绘制成曲线，判断用户用电趋势与用电异常区间之间的关系决定用电异常具体情况。

6.根据权利要求5所述的一种基于模糊聚类和趋势判断筛查用电量异常的方法，其特征在于，所述的用电趋势判断过程为：

设定单个用户第一天的用电量为f₁，统计第i天的电量下降趋势时，设定第i天前后各m天为统计区间，在此区间单个用户的用电负荷平均值

为：

第i天电量变化的斜率li,因是单日斜率，此数值等同于单日增量，即：

li＝f_i-f_i-1

随着用电天数的变化，统计区间内的第i天电量变化的斜率均值

第i天的电量趋势k_i为：

随着用电天数i的变化，继续重复上述步骤一、二、三、四，得到变化的k_i，当处于用电量异常低区间且电量趋势k_i为负值，则判断此用户有窃电嫌疑，当处于用电量异常高区间且电量趋势k_i为正值，则判断此用户有局部漏电嫌疑。

7.根据权利要求6所述的一种基于模糊聚类和趋势判断筛查用电量异常的方法，其特征是：所述的统计区间设定为第i天前后各5天，即m＝5。

8.根据权利要求4所述的一种基于模糊聚类和趋势判断筛查用电量异常的方法，其特征在于，所述的步骤三中设定发生概率小于5％的f(λ)为小概事件，定义为用电量异常，即x＝5。

Images