CN116047223A - 一种基于实时用电信息及大数据分析的窃电判别方法 - Google Patents
一种基于实时用电信息及大数据分析的窃电判别方法 Download PDFInfo
- Publication number
- CN116047223A CN116047223A CN202211698772.8A CN202211698772A CN116047223A CN 116047223 A CN116047223 A CN 116047223A CN 202211698772 A CN202211698772 A CN 202211698772A CN 116047223 A CN116047223 A CN 116047223A
- Authority
- CN
- China
- Prior art keywords
- user
- line loss
- electricity
- potential
- identified
- 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.)
- Pending
Links
- 230000005611 electricity Effects 0.000 title claims abstract description 119
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000007405 data analysis Methods 0.000 title claims abstract description 16
- 230000002159 abnormal effect Effects 0.000 claims abstract description 55
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 30
- 230000005540 biological transmission Effects 0.000 claims abstract description 13
- 230000005856 abnormality Effects 0.000 claims abstract description 5
- 230000006399 behavior Effects 0.000 claims description 28
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000010801 machine learning Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 230000001419 dependent effect Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/08—Locating faults in cables, transmission lines, or networks
- G01R31/088—Aspects of digital computing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Economics (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种基于实时用电信息及大数据分析的窃电判别方法,属于电力***技术领域,具体包括:基于用户的实时用电数据、天气温度、输电线路材料的电阻率,基于LA‑GSA‑GRU算法的线损预测模型获取用户的线损阈值;当用户的线损率大于用户的线损阈值时将其认定为潜在异常客户,并将线损率与线损阈值的比值作为线损比值;当近一月内用户被认定为潜在线损用户的次数大于第一阈值时,基于用户被认定为潜在异常线损用户的次数、所有被认定为潜在异常线损用户时的线损比值的平均值、被认定为潜在异常线损用户时的线损比值的最大值确定潜在线损用户的线损异常度,并基于线损异常度实现对窃电行为的判别,从而进一步提升了窃电判别的效率和精确性。
Description
技术领域
本发明属于电力***技术领域,尤其涉及一种基于实时用电信息及大数据分析的窃电判别方法。
背景技术
为了采用大数据实现对窃电的准确识别,在发明专利公告号CN111521868B《一种基于计量大数据筛查窃电用户的方法及装置》中通过获取计量大数据,其中,计量大数据包括用电量、台区损失电量和线损率;根据计量大数据,确定窃电行为特征;利用预设算法并根据窃电行为特征,计算窃电行为相关参数阈值;利用预设算法并根据目标台区的计量大数据,计算目标台区内用户的窃电行为相关参数;将窃电行为相关参数与窃电行为相关参数阈值进行比较;根据比较结果筛查目标台区内的窃电嫌疑用户,提高了筛查窃电用户的工作效率,但是却存在以下技术问题:
1、忽视了温度、用电量、输电线路材料的电阻率对阈值的影响,线损核心是由于线路的阻抗值产生的,而不同的温度、用电量、输电线路材料的电阻率都会影响线路的阻抗值,因此采用固定的阻抗值的方式,不仅不够准确,而且有可能会导致对窃电用户的错误识别。
2、仅仅采用某一次的识别结果的误差概率较大,由于用电设备更换或者短路等异常情况的出现,会导致对用电用户的的窃电行为的错误识别,因此若不通过一定的时间阈值内的多次的识别,则有可能会导致对窃电用户的错误识别。
针对上述技术问题,本发明提供了一种基于实时用电信息及大数据分析的窃电判别方法。
发明内容
为实现本发明目的,本发明采用如下技术方案:
根据本发明的一个方面,提供了一种基于实时用电信息及大数据分析的窃电判别方法。
一种基于实时用电信息及大数据分析的窃电判别方法,其特征在于,具体包括:
S11基于用户的历史用电数据,确定所述用户的用电数据异常阈值,并基于所述用户的实时用电数据,并判断所述用户的实时用电数据是否大于用电数据异常阈值,若是,则进入步骤S12,若否,则判断所述用户不存在窃电行为;
S12基于所述用户的实时用电数据、天气温度、输电线路材料的电阻率,采用基于LA-GSA-GRU算法的线损预测模型,获取所述用户的线损阈值;
S13判断所述用户的线损率是否大于所述用户的线损阈值,若是,则将所述用户认定为潜在异常客户,并将所述用户的线损率与线损阈值的比值作为线损比值,并进入步骤S14,若否,则判断所述用户不存在窃电行为;
S14当近一月内所述用户被认定为潜在线损用户的次数大于第一阈值时,基于所述用户被认定为潜在异常线损用户的次数、所有被认定为潜在异常线损用户时的线损比值的平均值、被认定为潜在异常线损用户时的线损比值的最大值,采用基于机器学习算法的预测模型,确定所述潜在线损用户的线损异常度,并基于所述潜在线损用户的线损异常度实现对窃电行为的判别。
通过基于用户的实时用电数据、天气温度、输电线路材料的电阻率,获取所述用户的线损阈值,从而使得线损阈值的确定与用户的实时用电数据、天气温度和输电线路材料的电阻率结合起来,避免了原有的采用固定的线损阈值的不准确以及灵活性较差的技术问题,进一步促进了判断的可靠性和准确性。
通过采用基于LA-GSA-GRU算法的线损预测模型,通过基于学习自动机进行GSA中初始引力的自动调整,从而使得GSA算法具有更好的寻优性能和更快的收敛速度,同时为了避免GRU算法在结构无法自动选择、随机初始参数对其计算过程产生直接影响、收敛速度慢等的问题,通过采用LA-GSA算法实现对GRU算法的隐含层的网络层数、每层的节点数的寻优,进一步提升了收敛速度和收敛精度。
通过对潜在异常客户的判断以及第一阈值的设置,从而使得对于用户窃电行为的判断不仅仅依靠单一的数据或者单一的潜在异常情况,并结合采用机器学习算法的预测模型实现线损异常度的判断,使得判断的准确性和可靠性都明显得到提升,进一步保证了线损判断的可靠性。
进一步的技术方案在于,所述用户的用电数据异常阈值根据所述用户近一年内的用电数据的最大值进行确定。
进一步的技术方案在于,线损阈值构建的具体步骤为:
S21判断所述用户的实时用电数据是否大于近一周内所述用户相同时刻的历史用电数据的最大值,若是,则进入步骤S22;若否,则所述用户不存在线损异常情况,无须进行线损阈值的判断;
S22基于所述用户的实时用电数据与近一周内所述用户相同时刻的历史用电数据的平均值的比值得到实时用电比;
S23基于所述实时用电比、天气温度、输电线路材料的电阻率,采用基于LA-GSA-GRU算法的线损预测模型,获取所述用户的基础线损阈值;
S24基于近一月内所述用户被认定为潜在线损用户的次数对所述用户的基础线损阈值进行修正,得到所述用户的线损阈值。
通过首先进行历史用电数据的判断,从而避免了不必要的计算和预测模型的搭建,进一步提升了***的效率,并进一步结合近一月内所述用户被认定为潜在线损用户的次数对所述用户的基础线损阈值进行修正,从而使得最终的线损阈值的判断的准确性和可靠性都得到明显提升。
通过实时用电比的判断,从而不仅结合实时用电数据,同时也与近一周内的用电数据相结合,从而使得最终的判断的数据的可靠性和一致性都得到进一步的提升。
进一步的技术方案在于,所述用户的线损阈值的计算公式为:
其中Tlimit为次数阈值,一般取3到5次之间,T1为近一月内所述用户被认定为潜在线损用户的次数,D1为基础线损阈值,K1为常数,取值范围在0到0.05之间。
进一步的技术方案在于,所述第一阈值根据所述潜在线损用户的历史电费欠费次数、历史电费欠费金额进行确定,其中所述潜在线损用户的历史电费欠费次数越多、历史电费欠费金额越多,则所述第一阈值越小。
进一步的技术方案在于,当近一月内所述用户被认定为潜在线损用户的次数大于第二阈值且近一月内被认定为潜在异常线损用户时的线损比值的最大值大于第一比值阈值,则认定所述用户存在窃电行为,其中所述第二阈值大于第一阈值。
进一步的技术方案在于,线损异常度构建的具体步骤为:
S31判断近一月内所述用户被认定为潜在线损用户的次数是否大于第三阈值,若是,则认定所述用户存在窃电行为,若否,则进入步骤S32;
S32判断所述用户是否所有被认定为潜在异常线损用户时的线损比值的平均值大于第一平均值阈值且近一月内所述用户被认定为潜在线损用户的次数大于第二阈值,若是,则认定所述用户存在窃电行为,若否,则进入步骤S33;
S33基于所述用户被认定为潜在异常线损用户的次数、每次被认定为潜在异常线损用户时的线损比值的平均值、被认定为潜在异常线损用户时的线损比值的最大值,采用基于BP神经网络算法的预测模型,确定所述潜在线损用户的线损异常度。
通过进一步结合第三阈值、第二阈值、以及第一平均阈值的设置,从而使得可以对于异常用户能够准确的进行识别,进而避免了部分异常程度较大的用户占用过多的计算资源,从而提升了判断的效率,并且对于异常程度较小的用户也提升了判断的精度。
进一步的技术方案在于,当所述潜在线损用户的线损异常度大于第一异常度阈值时,则认定所述用户存在窃电行为;当所述潜在线损用户的线损异常度大于第二异常度阈值且所述用户被认定为潜在线损用户的次数大于第二阈值,则认定所述用户存在窃电行为。
另一方面,本发明提供了一种终端设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的程序,所述处理器执行所述程序时,实现上述的一种基于实时用电信息及大数据分析的窃电判别方法。
另一方面,本发明提供了一种计算机存储介质,其上存储有计算机程序,当所述计算机程序在计算机中执行时,令计算机执行上述的一种基于实时用电信息及大数据分析的窃电判别方法。
其他特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点在说明书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
通过参照附图详细描述其示例实施方式,本发明的上述和其它特征及优点将变得更加明显。
图1是根据实施例1的一种基于实时用电信息及大数据分析的窃电判别方法的流程图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而,示例实施方式能够以多种形式实施,且不应被理解为限于在此阐述的实施方式;相反,提供这些实施方式使得本发明将全面和完整,并将示例实施方式的构思全面地传达给本领域的技术人员。图中相同的附图标记表示相同或类似的结构,因而将省略它们的详细描述。
用语“一个”、“一”、“该”、“所述”用以表示存在一个或多个要素/组成部分/等;用语“包括”和“具有”用以表示开放式的包括在内的意思并且是指除了列出的要素/组成部分/等之外还可存在另外的要素/组成部分/等。
实施例1
为解决上述问题,根据本发明的一个方面,如图1所示,提供了一种基于实时用电信息及大数据分析的窃电判别方法,其特征在于,具体包括:
S11基于用户的历史用电数据,确定所述用户的用电数据异常阈值,并基于所述用户的实时用电数据,并判断所述用户的实时用电数据是否大于用电数据异常阈值,若是,则进入步骤S12,若否,则判断所述用户不存在窃电行为;
需要另外说明的是,用电数据异常阈值根据所述用户在近一年内的用电数据的最大值进行确定。
S12基于所述用户的实时用电数据、天气温度、输电线路材料的电阻率,采用基于LA-GSA-GRU算法的线损预测模型,获取所述用户的线损阈值;
需要另外说明的是,所述GSA算法的引力常数的计算公式为:
其中G0为初始引力,T为最大迭代次数,t为当前迭代次数,rand(0,1)为取值范围在0到1之间的随机数,K2为常数,取值在0.9到1之间,α为衰减系数。
S13判断所述用户的线损率是否大于所述用户的线损阈值,若是,则将所述用户认定为潜在异常客户,并将所述用户的线损率与线损阈值的比值作为线损比值,并进入步骤S14,若否,则判断所述用户不存在窃电行为;
S14当近一月内所述用户被认定为潜在线损用户的次数大于第一阈值时,基于所述用户被认定为潜在异常线损用户的次数、所有被认定为潜在异常线损用户时的线损比值的平均值、被认定为潜在异常线损用户时的线损比值的最大值,采用基于机器学习算法的预测模型,确定所述潜在线损用户的线损异常度,并基于所述潜在线损用户的线损异常度实现对窃电行为的判别。
具体的举个例子,用户被认定为潜在异常线损用户的次数为4次,被认定为潜在异常线损用户时的线损比值分别为1.2,1.3,1.5,2.0,则平均值为1.5,被认定为潜在异常线损用户时的线损比值的最大值为2.0。
通过基于用户的实时用电数据、天气温度、输电线路材料的电阻率,获取所述用户的线损阈值,从而使得线损阈值的确定与用户的实时用电数据、天气温度和输电线路材料的电阻率结合起来,避免了原有的采用固定的线损阈值的不准确以及灵活性较差的技术问题,进一步促进了判断的可靠性和准确性。
通过采用基于LA-GSA-GRU算法的线损预测模型,通过基于学习自动机进行GSA中初始引力的自动调整,从而使得GSA算法具有更好的寻优性能和更快的收敛速度,同时为了避免GRU算法在结构无法自动选择、随机初始参数对其计算过程产生直接影响、收敛速度慢等的问题,通过采用LA-GSA算法实现对GRU算法的隐含层的网络层数、每层的节点数的寻优,进一步提升了收敛速度和收敛精度。
通过对潜在异常客户的判断以及第一阈值的设置,从而使得对于用户窃电行为的判断不仅仅依靠单一的数据或者单一的潜在异常情况,并结合采用机器学习算法的预测模型实现线损异常度的判断,使得判断的准确性和可靠性都明显得到提升,进一步保证了线损判断的可靠性。
在另外一种可能的实施例中,所述用户的用电数据异常阈值根据所述用户近一年内的用电数据的最大值进行确定。
在另外一种可能的实施例中,线损阈值构建的具体步骤为:
S21判断所述用户的实时用电数据是否大于近一周内所述用户相同时刻的历史用电数据的最大值,若是,则进入步骤S22;若否,则所述用户不存在线损异常情况,无须进行线损阈值的判断;
S22基于所述用户的实时用电数据与近一周内所述用户相同时刻的历史用电数据的平均值的比值得到实时用电比;
S23基于所述实时用电比、天气温度、输电线路材料的电阻率,采用基于LA-GSA-GRU算法的线损预测模型,获取所述用户的基础线损阈值;
S24基于近一月内所述用户被认定为潜在线损用户的次数对所述用户的基础线损阈值进行修正,得到所述用户的线损阈值。
通过首先进行历史用电数据的判断,从而避免了不必要的计算和预测模型的搭建,进一步提升了***的效率,并进一步结合近一月内所述用户被认定为潜在线损用户的次数对所述用户的基础线损阈值进行修正,从而使得最终的线损阈值的判断的准确性和可靠性都得到明显提升。
通过实时用电比的判断,从而不仅结合实时用电数据,同时也与近一周内的用电数据相结合,从而使得最终的判断的数据的可靠性和一致性都得到进一步的提升。
在另外一种可能的实施例中,所述用户的线损阈值的计算公式为:
其中Tlimit为次数阈值,一般取3到5次之间,T1为近一月内所述用户被认定为潜在线损用户的次数,D1为基础线损阈值,K1为常数,取值范围在0到0.05之间。
在另外一种可能的实施例中,所述第一阈值根据所述潜在线损用户的历史电费欠费次数、历史电费欠费金额进行确定,其中所述潜在线损用户的历史电费欠费次数越多、历史电费欠费金额越多,则所述第一阈值越小。
在另外一种可能的实施例中,当近一月内所述用户被认定为潜在线损用户的次数大于第二阈值且近一月内被认定为潜在异常线损用户时的线损比值的最大值大于第一比值阈值,则认定所述用户存在窃电行为,其中所述第二阈值大于第一阈值。
在另外一种可能的实施例中,线损异常度构建的具体步骤为:
S31判断近一月内所述用户被认定为潜在线损用户的次数是否大于第三阈值,若是,则认定所述用户存在窃电行为,若否,则进入步骤S32;
S32判断所述用户是否所有被认定为潜在异常线损用户时的线损比值的平均值大于第一平均值阈值且近一月内所述用户被认定为潜在线损用户的次数大于第二阈值,若是,则认定所述用户存在窃电行为,若否,则进入步骤S33;
S33基于所述用户被认定为潜在异常线损用户的次数、每次被认定为潜在异常线损用户时的线损比值的平均值、被认定为潜在异常线损用户时的线损比值的最大值,采用基于BP神经网络算法的预测模型,确定所述潜在线损用户的线损异常度。
通过进一步结合第三阈值、第二阈值、以及第一平均阈值的设置,从而使得可以对于异常用户能够准确的进行识别,进而避免了部分异常程度较大的用户占用过多的计算资源,从而提升了判断的效率,并且对于异常程度较小的用户也提升了判断的精度。
在另外一种可能的实施例中,当所述潜在线损用户的线损异常度大于第一异常度阈值时,则认定所述用户存在窃电行为;当所述潜在线损用户的线损异常度大于第二异常度阈值且所述用户被认定为潜在线损用户的次数大于第二阈值,则认定所述用户存在窃电行为。
实施例2
本发明提供了一种终端设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的程序,所述处理器执行所述程序时,实现上述的一种基于实时用电信息及大数据分析的窃电判别方法。
实施例3
本发明提供了一种计算机存储介质,其上存储有计算机程序,当所述计算机程序在计算机中执行时,令计算机执行上述的一种基于实时用电信息及大数据分析的窃电判别方法。
在本申请所提供的几个实施例中,应该理解到,所揭露的***和方法,也可以通过其它的方式实现。以上所描述的***实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本发明的多个实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
功能如果以软件功能模块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机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说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,该计算机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机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例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。
以上述依据本发明的理想实施例为启示,通过上述的说明内容,相关工作人员完全可以在不偏离本项发明技术思想的范围内,进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容,必须要根据权利要求范围来确定其技术性范围。
Claims (10)
1.一种基于实时用电信息及大数据分析的窃电判别方法,其特征在于,具体包括:
S11基于用户的历史用电数据,确定所述用户的用电数据异常阈值,并基于所述用户的实时用电数据,并判断所述用户的实时用电数据是否大于用电数据异常阈值,若是,则进入步骤S12,若否,则判断所述用户不存在窃电行为;
S12基于所述用户的实时用电数据、天气温度、输电线路材料的电阻率,采用基于LA-GSA-GRU算法的线损预测模型,获取所述用户的线损阈值;
S13判断所述用户的线损率是否大于所述用户的线损阈值,若是,则将所述用户认定为潜在异常客户,并将所述用户的线损率与线损阈值的比值作为线损比值,并进入步骤S14,若否,则判断所述用户不存在窃电行为;
S14当近一月内所述用户被认定为潜在线损用户的次数大于第一阈值时,基于所述用户被认定为潜在异常线损用户的次数、所有被认定为潜在异常线损用户时的线损比值的平均值、被认定为潜在异常线损用户时的线损比值的最大值,采用基于机器学习算法的预测模型,确定所述潜在线损用户的线损异常度,并基于所述潜在线损用户的线损异常度实现对窃电行为的判别。
2.如权利要求1所述的窃电判别方法,其特征在于,所述用户的用电数据异常阈值根据所述用户近一年内的用电数据的最大值进行确定。
3.如权利要求1所述的窃电判别方法,其特征在于,线损阈值构建的具体步骤为:
S21判断所述用户的实时用电数据是否大于近一周内所述用户相同时刻的历史用电数据的最大值,若是,则进入步骤S22;若否,则所述用户不存在线损异常情况,无须进行线损阈值的判断;
S22基于所述用户的实时用电数据与近一周内所述用户相同时刻的历史用电数据的平均值的比值得到实时用电比;
S23基于所述实时用电比、天气温度、输电线路材料的电阻率,采用基于LA-GSA-GRU算法的线损预测模型,获取所述用户的基础线损阈值;
S24基于近一月内所述用户被认定为潜在线损用户的次数对所述用户的基础线损阈值进行修正,得到所述用户的线损阈值。
5.如权利要求1所述的窃电判别方法,其特征在于,所述第一阈值根据所述潜在线损用户的历史电费欠费次数、历史电费欠费金额进行确定,其中所述潜在线损用户的历史电费欠费次数越多、历史电费欠费金额越多,则所述第一阈值越小。
6.如权利要求1所述的窃电判别方法,其特征在于,当近一月内所述用户被认定为潜在线损用户的次数大于第二阈值且近一月内被认定为潜在异常线损用户时的线损比值的最大值大于第一比值阈值,则认定所述用户存在窃电行为,其中所述第二阈值大于第一阈值。
7.如权利要求1所述的窃电判别方法,其特征在于,线损异常度构建的具体步骤为:
S31判断近一月内所述用户被认定为潜在线损用户的次数是否大于第三阈值,若是,则认定所述用户存在窃电行为,若否,则进入步骤S32;
S32判断所述用户是否所有被认定为潜在异常线损用户时的线损比值的平均值大于第一平均值阈值且近一月内所述用户被认定为潜在线损用户的次数大于第二阈值,若是,则认定所述用户存在窃电行为,若否,则进入步骤S33;
S33基于所述用户被认定为潜在异常线损用户的次数、每次被认定为潜在异常线损用户时的线损比值的平均值、被认定为潜在异常线损用户时的线损比值的最大值,采用基于BP神经网络算法的预测模型,确定所述潜在线损用户的线损异常度。
8.如权利要求7所述的窃电判别方法,其特征在于,当所述潜在线损用户的线损异常度大于第一异常度阈值时,则认定所述用户存在窃电行为;当所述潜在线损用户的线损异常度大于第二异常度阈值且所述用户被认定为潜在线损用户的次数大于第二阈值,则认定所述用户存在窃电行为。
9.一种终端设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的程序,所述处理器执行所述程序时,实现权利要求1-8任一项所述的一种基于实时用电信息及大数据分析的窃电判别方法。
10.一种计算机存储介质,其上存储有计算机程序,当所述计算机程序在计算机中执行时,令计算机执行权利要求1-8任一项所述的一种基于实时用电信息及大数据分析的窃电判别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211698772.8A CN116047223A (zh) | 2022-12-28 | 2022-12-28 | 一种基于实时用电信息及大数据分析的窃电判别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211698772.8A CN116047223A (zh) | 2022-12-28 | 2022-12-28 | 一种基于实时用电信息及大数据分析的窃电判别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116047223A true CN116047223A (zh) | 2023-05-02 |
Family
ID=86129071
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211698772.8A Pending CN116047223A (zh) | 2022-12-28 | 2022-12-28 | 一种基于实时用电信息及大数据分析的窃电判别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116047223A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117147958A (zh) * | 2023-08-23 | 2023-12-01 | 广东电网有限责任公司佛山供电局 | 一种基于实时用电监测的窃电判别方法及装置 |
-
2022
- 2022-12-28 CN CN202211698772.8A patent/CN116047223A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117147958A (zh) * | 2023-08-23 | 2023-12-01 | 广东电网有限责任公司佛山供电局 | 一种基于实时用电监测的窃电判别方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111652496B (zh) | 基于网络安全态势感知***的运行风险评估方法及装置 | |
US7778715B2 (en) | Methods and systems for a prediction model | |
CN110166344B (zh) | 一种身份标识识别方法、装置以及相关设备 | |
CN109377218B (zh) | 一种遏制虚假感知攻击的方法、服务器及移动终端 | |
CN111181923A (zh) | 流量检测方法、装置、电子设备及存储介质 | |
CN116047223A (zh) | 一种基于实时用电信息及大数据分析的窃电判别方法 | |
CN111784173B (zh) | Ab实验数据处理方法、装置、服务器及介质 | |
CN117078048A (zh) | 基于数字孪生的智慧城市资源管理方法及*** | |
CN113342474B (zh) | 客户流量的预测、模型训练的方法、设备及存储介质 | |
CN112529432B (zh) | 一种电压暂降严重程度评估方法、装置及电子设备 | |
CN111800807A (zh) | 一种基站用户数量告警的方法及装置 | |
CN109754135B (zh) | 信用行为数据处理方法、装置、存储介质和计算机设备 | |
CN113222245A (zh) | 居民用户月度电量电费异常核查方法及***、存储介质 | |
CN112801231A (zh) | 用于业务对象分类的决策模型训练方法和装置 | |
CN110796379B (zh) | 业务渠道的风险评估方法、装置、设备及存储介质 | |
CN108197498A (zh) | 获取数据的方法及装置 | |
CN111783487A (zh) | 一种读卡器设备的故障预警方法及装置 | |
CN111686451A (zh) | 一种业务处理方法、装置、设备及计算机存储介质 | |
Pandhare et al. | Collaborative prognostics for machine fleets using a novel federated baseline learner | |
CN115393100A (zh) | 资源推荐方法及装置 | |
CN113487326A (zh) | 基于智能合约的交易限制参数设置方法及装置 | |
Irissappane et al. | A case-based reasoning framework to choose trust models for different E-marketplace environments | |
CN110020472A (zh) | 一种产品剩余寿命预测方法、装置和*** | |
CN114189381B (zh) | 一种Tor匿名通信网络恶意出口中继节点识别方法 | |
CN113934616B (zh) | 一种基于用户操作时序判断异常用户的方法 |
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 |