CN115017971A - 一种基于自学习的用电异常诊断的能耗计量表 - Google Patents
一种基于自学习的用电异常诊断的能耗计量表 Download PDFInfo
- Publication number
- CN115017971A CN115017971A CN202210448455.4A CN202210448455A CN115017971A CN 115017971 A CN115017971 A CN 115017971A CN 202210448455 A CN202210448455 A CN 202210448455A CN 115017971 A CN115017971 A CN 115017971A
- Authority
- CN
- China
- Prior art keywords
- learning
- electricity
- energy consumption
- self
- information
- 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.)
- Withdrawn
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R22/00—Arrangements for measuring time integral of electric power or current, e.g. electricity meters
- G01R22/06—Arrangements for measuring time integral of electric power or current, e.g. electricity meters by electronic methods
- G01R22/061—Details of electronic electricity meters
- G01R22/066—Arrangements for avoiding or indicating fraudulent use
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S20/00—Management or operation of end-user stationary applications or the last stages of power distribution; Controlling, monitoring or operating thereof
- Y04S20/30—Smart metering, e.g. specially adapted for remote reading
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Medical Informatics (AREA)
- Power Engineering (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明公开了一种基于自学习的用电异常诊断的能耗计量表,涉及能耗管理技术领域。本发明包括信息存储模块、信息预处理模块、学习训练模块、判断模块以及预警模块,基于边缘计算节点,对用户的历史用电原始信息进行预处理,得到优化的用电数据;接收优化后的用电数据,对训练模型进行训练,并生成XGBoost检测模型;将待测数据输入XGBoost检测模型中,判断该用电数据是否异常;预警模块与判断模块连接,向电力工作人员反馈异常信息。本发明通过利用改进的遗传算法进行超参数优化的XGBoost算法,对终端用户进行用电异常行为检测,设备成本低,且不易受外界环境干扰,提高了检测效率和精确度。
Description
技术领域
本发明属于能耗管理技术领域,特别是涉及一种基于自学习的用电异常诊断的能耗计量表。
背景技术
随着电力技术的发展,智能电表已经开始普及,智能电表作为智能电网数据采集的基本设备之一,除了具备传统电能表基本用电量的计量功能以外,还具有双向多种费率计量功能、用户端控制功能、多种数据传输模式的双向数据通信功能、防窃电功能等智能化的功能,为计量数据采集带来极大的便利。
使用智能电表检测异常用电,已成为研究客户异常消耗行为并及时发现意外用电事件的重要手段。在电网运行中,无论是计量装置故障或用户窃电,均会导致无法采集用户真实的用电数据,这些虚假的用电数据称为异常用电数据。若不能及时发现和处理这些情况,会对正常用户用电以及供电公司供电秩序产生严重干扰和影响,带来的不仅是经济方面的损失,更为严重的是带来供用电安全方面的隐患,因此对用户异常供用电进行自动监测具有重要的现实意义。
目前,对于异常用电行为的监测主要通过硬件实施:使用摄像头、传感器及联网装置组成的复杂检测***等外置监测装置实时监测供电设备是否遭到破坏、用电行为是否正常。但是,该监测方式需要较高的设备成本,硬件设备容易受到天气等外在因素的干扰,设备维护较为困难,并且难以识别软件窃电、遥控窃电等异常用电行为。
发明内容
本发明的目的在于提供一种基于自学习的用电异常诊断的能耗计量表,通过利用改进的遗传算法进行超参数优化的XGBoost算法,对终端用户进行用电异常行为检测,解决了现有通过硬件监测异常用电行为,需要较高的设备成本,硬件设备容易受到天气等外在因素的干扰,设备维护较为困难,并且难以识别软件窃电、遥控窃电等异常用电行为的问题。
为解决上述技术问题,本发明是通过以下技术方案实现的:
本发明为一种基于自学习的用电异常诊断的能耗计量表,包括信息存储模块,用于存储用户的历史用电信息。信息预处理模块,基于边缘计算节点,对用户的历史用电原始信息进行预处理,得到优化的用电数据。学习训练模块,接收优化后的用电数据,对训练模型进行训练,并生成检测模型。判断模块,将待测数据输入检测模型中,判断该用电数据是否异常。预警模块,所述预警模块与判断模块连接,向电力工作人员反馈异常信息。
作为本发明的一种优先技术方案,所述信息存储模块存储的信息中包括用户历史用电量信息以及终端设备异常用电信息。
作为本发明的一种优先技术方案,所述信息预处理模块包括数据清洗、缺失值处理以及数据降维。
作为本发明的一种优先技术方案,所述信息预处理模块中的缺失值处理包括采用期望值最大化插补法对缺失值进行处理。
作为本发明的一种优先技术方案,所述检测模型采用XGBoost模型。
作为本发明的一种优先技术方案,所述学习训练模块中包括参数优化单元,所述参数优化单元基于改进的遗传算法对XGBoost模型进行参数优化,使确定XGBoost检测模型是最佳超参数组合;所述判断模块基于最佳超参数组合进行判断用电数据是否异常。
作为本发明的一种优先技术方案,所述参数优化单元中改进的遗传算法包含指数衰减的交叉概率和变异概率,所述指数衰减的交叉概率表达式为:其中,pc为交叉概率,fave为种群的适应度平均值,f’为两个交叉个体适应度较大者的适应度,a1、a2均为常数,且0<a1<1,0<a2<1,β为衰减系数,n为当前的遗传迭代次数。所述指数衰减的变异概率的表达式为:pm为变异概率,f为变异个体的适应度,b1、b2均为常数,且0<b1<1,0<b2<1。
作为本发明的一种优先技术方案,所述参数优化单元中改进的遗传算法还包括适应度函数,所述适应度函数的表达式为:
作为本发明的一种优先技术方案,所述学习训练模块包括连接外部服务器的通信单元,远程监测***运行状况,对***异常信息进行人工处理修正。
作为本发明的一种优先技术方案,所述计量表上安装有GPS***,便于查询终端计量表所在位置,方便电力工作人员排查用电异常情况。
本发明具有以下有益效果:
本发明通过设计基于自学习的用电异常诊断的能耗计量表,对用户用电数据在本地进行储存、分析和处理,上传异常用电情况,并且利用改进的遗传算法进行超参数优化的XGBoost算法,对终端用户进行用电异常行为检测,设备成本低,且不易受外界环境干扰,提高了检测效率和精确度。
当然,实施本发明的任一产品并不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述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为本发明的一种基于自学习的用电异常诊断的能耗计量表内部各模块连接结构示意图;
图2为本发明的一种基于自学习的用电异常诊断的能耗计量表检测方法的流程图;
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作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
在本发明的描述中,需要理解的是,术语“开孔”、“上”、“下”、“厚度”、“顶”、“中”、“长度”、“内”、“四周”等指示方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的组件或元件必须具有特定的方位,以特定的方位构造和操作,因此不能理解为对本发明的限制。
实施例一
请参阅图1所示,本发明为一种基于自学习的用电异常诊断的能耗计量表,包括信息存储模块、信息预处理模块、学习训练模块、判断模块和预警模块。各模块之间对用电信息的检测步骤具体包括:
请参阅图2所示,第一步,信息存储模块存储用户的历史用电信息,该用电信息包括用户历史用电量信息以及终端设备异常用电信息。
第二步,信息预处理模块基于边缘计算节点,对用户的历史用电原始信息进行数据清洗、缺失值处理以及数据降维等预处理,得到优化的用电数据。其中,缺失值处理包括采用期望值最大化插补法对缺失值进行处理。数据降维处理用于对用户数据进行标准化,均值为0,方差为1。计算协方差矩阵以及协方差矩阵的特征值和与特征值对应的特征向量;对特征值按大小进行排序,选取特征值中最大的m个,将其对应的特征向量分别作为行向量组成特征向量矩阵。将用户数据转化至由m个特征向量构成的新空间中。采用数据清洗、缺失值处理和数据降维的数据预处理方法对终端采集的原始数据进行训练样本构造,使得原始数据更加完整,训练数据量大大减少,提高了模型的训练时间和检测精确度,并通过主成分分析法降低数据的维数,生成不失原有数据信息量的新特征数据,大大缩短了计算时间,使得模型检测能力提升。
第三步,学习训练模块接收优化后的用电数据,对训练模型进行训练,并生成XGBoost检测模型。学习训练模块中包括参数优化单元,参数优化单元基于改进的遗传算法对XGBoost模型进行参数优化,使确定XGBoost检测模型的最佳超参数组合。其中,参数优化单元中改进的遗传算法流程中包括适应度函数,适应度函数的表达式为:
此外,本实施例中,参数优化单元中改进的遗传算法包含指数衰减的交叉概率和变异概率。采用指数衰减的指数衰减的交叉概率和变异概率对监测模型的超参数寻优。交叉概率表达式为:其中,pc为交叉概率,fave为种群的适应度平均值,f’为两个交叉个体适应度较大者的适应度,a1、a2均为常数,且0<a1<1,0<a2<1,β为衰减系数,n为当前的遗传迭代次数。指数衰减的变异概率的表达式为:pm为变异概率,f为变异个体的适应度,b1、b2均为常数,且0<b1<1,0<b2<1,fave为种群的适应度平均值。提高了算法的优化效率,在选代优化的早期,较大的交叉概率和变异概率,在选代优化后期较小的交叉概率和变异概率有利于算法效率的提高,合理设计两个控制参数的值,有利于遗传算法找到XGBoost检测模型的最佳超参数组合,并且能够跳出局部最优解找到全局最优解。
并且,学习训练模块还包括连接外部服务器的通信单元,用于远程监测***运行状况,定期对***异常信息进行人工处理修正。
第四步,将待测数据输入XGBoost检测模型中,判断模块基于最佳超参数组合进行判断某一优化用电数据是否异常。
第五步:若判断模块判断出用电数据异常,预警模块则向电力工作人员反馈异常用电的数据,提醒工作人员处理、确认异常信息。
综上,本实施例的基于自学习的用电异常诊断的能耗计量表,对用户用电数据在本地进行储存、分析和处理,上传异常用电情况,并且利用改进的遗传算法进行超参数优化的XGBoost算法,对终端用户进行用电异常行为检测,大大提高了检测的准确性和快速性。
实施例二
基于实施例一,实施例二的不同之处在于:
计量表上安装有GPS***,当电力工作人员到现场核实用电数据时,便于找到终端计量表所在位置,提升工作效率。
在本说明书的描述中,参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节,也不限制该发明仅为所述的具体实施方式。显然,根据本说明书的内容,可作很多的修改和变化。本说明书选取并具体描述这些实施例,是为了更好地解释本发明的原理和实际应用,从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。
Claims (10)
1.一种基于自学习的用电异常诊断的能耗计量表,其特征在于,包括:
信息存储模块,用于存储用户的历史用电信息;
信息预处理模块,基于边缘计算节点,对用户的历史用电原始信息进行预处理,得到优化的用电数据;
学习训练模块,接收优化后的用电数据,对训练模型进行训练,并生成检测模型;
判断模块,将待测数据输入检测模型中,判断该用电数据是否异常;
预警模块,所述预警模块与判断模块连接,向电力工作人员反馈异常信息。
2.根据权利要求1所述的一种基于自学习的用电异常诊断的能耗计量表,其特征在于,所述信息存储模块存储的信息中包括用户历史用电量信息以及终端设备异常用电信息。
3.根据权利要求1所述的一种基于自学习的用电异常诊断的能耗计量表,其特征在于,所述信息预处理模块包括数据清洗、缺失值处理以及数据降维。
4.根据权利要求3所述的一种基于自学习的用电异常诊断的能耗计量表,其特征在于,所述信息预处理模块中的缺失值处理包括采用期望值最大化插补法对缺失值进行处理。
5.根据权利要求1所述的一种基于自学习的用电异常诊断的能耗计量表,其特征在于,所述检测模型采用XGBoost模型。
6.根据权利要求5所述的一种基于自学习的用电异常诊断的能耗计量表,其特征在于,所述学习训练模块中包括参数优化单元,所述参数优化单元基于改进的遗传算法对XGBoost模型进行参数优化,使确定XGBoost检测模型是最佳超参数组合;
所述判断模块基于最佳超参数组合进行判断用电数据是否异常。
9.根据权利要求1所述的一种基于自学习的用电异常诊断的能耗计量表,其特征在于,所述学习训练模块包括连接外部服务器的通信单元。
10.根据权利要求1所述的一种基于自学习的用电异常诊断的能耗计量表,其特征在于,所述计量表上安装有GPS***。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210448455.4A CN115017971A (zh) | 2022-04-26 | 2022-04-26 | 一种基于自学习的用电异常诊断的能耗计量表 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210448455.4A CN115017971A (zh) | 2022-04-26 | 2022-04-26 | 一种基于自学习的用电异常诊断的能耗计量表 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115017971A true CN115017971A (zh) | 2022-09-06 |
Family
ID=83067484
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210448455.4A Withdrawn CN115017971A (zh) | 2022-04-26 | 2022-04-26 | 一种基于自学习的用电异常诊断的能耗计量表 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115017971A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116629565A (zh) * | 2023-05-31 | 2023-08-22 | 湖北华中电力科技开发有限责任公司 | 一种基于平台化的供电服务能力提升方法及*** |
-
2022
- 2022-04-26 CN CN202210448455.4A patent/CN115017971A/zh not_active Withdrawn
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116629565A (zh) * | 2023-05-31 | 2023-08-22 | 湖北华中电力科技开发有限责任公司 | 一种基于平台化的供电服务能力提升方法及*** |
CN116629565B (zh) * | 2023-05-31 | 2024-03-29 | 湖北华中电力科技开发有限责任公司 | 一种基于平台化的供电服务能力提升方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111695800B (zh) | 一种云边协同逐级分析定位异常用电行为用户的方法 | |
Kang et al. | Big data analytics in China's electric power industry: modern information, communication technologies, and millions of smart meters | |
CN113036913B (zh) | 一种综合能源设备状态监测方法及装置 | |
CN115063058B (zh) | 一种基于模型驱动和数据驱动的综合能源态势感知*** | |
CN115173550A (zh) | 一种分布式光伏发电实时监控方法和*** | |
CN113269468A (zh) | 一种基于区块链的电力调度***及其数据处理方法 | |
CN115017971A (zh) | 一种基于自学习的用电异常诊断的能耗计量表 | |
CN117728587B (zh) | 一种新能源发电设备运行数据的实时监控***及方法 | |
CN111143835B (zh) | 基于机器学习的电力计量***业务逻辑非侵入式防护方法 | |
CN106682742B (zh) | 一种基于物联网技术的实时数据采集分析方法 | |
CN116522746A (zh) | 高耗能企业配电托管方法 | |
CN115759708A (zh) | 一种考虑电力时空分布特性的线损分析方法及*** | |
CN116467648A (zh) | 一种基于物联表的非线性台区电力故障的早期监测方法 | |
CN115112978A (zh) | 一种电力***绝缘环网柜故障检测方法 | |
CN117494009A (zh) | 基于绝缘材料热解分析的电气设备状态评估方法及云平台 | |
CN117408162A (zh) | 基于数字孪生的电网故障控制方法 | |
CN117674249A (zh) | 一种含分布式光伏的配电网故障自愈控制与评价方法 | |
US20220091601A1 (en) | Method, system and computer program product for evaluation of energy consumption in industrial environments | |
CN116341716A (zh) | 一种基于数字孪生的智能降损方法 | |
Zhang et al. | Distributed Architecture of Power Grid Asset Management and Future Research Directions | |
TW201212453A (en) | Real time embedded monitoring system for solar cell module | |
CN110837932A (zh) | 基于dbn-ga模型的太阳能集热***热功率预测方法 | |
CN117951633B (zh) | 一种光伏发电设备故障诊断方法及*** | |
CN117892212B (zh) | 一种分布式异构能源站点态势感知监测方法 | |
CN117728588B (zh) | 一种逆变器状态监测方法及*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20220906 |
|
WW01 | Invention patent application withdrawn after publication |