CN116953395B - 充电桩偷电检测方法、装置、设备及存储介质 - Google Patents

Abstract

本发明公开了一种充电桩偷电检测方法、装置、设备及存储介质，涉及充电桩应用技术。所述方法包括获取充电桩的实际充电信息，其中，所述实际充电信息包括充电订单信息和/或实际功率数据；根据充电桩的历史充电信息，获取功率基准值；根据所述实际充电信息和所述功率基准值，检测存在偷电行为的异常充电桩；根据预设处理方法，对所述异常充电桩进行处理。本发明可以实现对充电桩偷电行为的实时监测和处理，提高充电桩的安全性和收费的准确性。

Description

充电桩偷电检测方法、装置、设备及存储介质

技术领域

本发明涉及充电桩应用技术领域，尤其是一种充电桩偷电检测方法、装置、设备及存储介质。

背景技术

充电桩是一种用于电动车辆充电的设备，它起到控制充电过程、监测电能消耗和计费等功能。然而，由于充电桩的分布广泛且难以监控，存在着一些偷电行为的风险。偷电行为指的是非法或未经授权地使用充电桩进行充电，而未缴纳相应的费用。

所有充电桩都连在一个配电柜中。充电桩充电时，会以周期间隔主动上报实时电表读数,电流,电压线路是从商户电源点引出到充电桩配电柜的，电表在配电柜里面。通常，如果偷电发生在商户电源与配电柜之间,这块损失由商户承担。如果偷电发生在配电柜与充电桩之间,这块损失由充电桩运营商承担。

目前，现有的充电桩监测技术主要采用现场勘察的措施或在最终缴纳电费的时候才能察觉是否存在偷电行为，现场勘察或最终缴费方式只能在一段时间之后才能发现偷电行为，导致偷电行为的延迟监测和响应。

发明内容

本发明提供了一种充电桩偷电检测方法、装置、设备及存储介质，用以解决现有的充电桩偷电检测方法存在延后性的技术问题。

第一方面，本发明提供了一种充电桩偷电检测方法，包括：

获取充电桩的实际充电信息，其中，所述实际充电信息包括充电订单信息和/或实际功率数据；

根据充电桩的历史充电信息，获取功率基准值；

根据所述实际充电信息和所述功率基准值，检测存在偷电行为的异常充电桩；

根据预设处理方法，对所述异常充电桩进行处理。

作为本申请的一可选实施例，所述历史充电信息包括历史订单和对应的历史功率数据，所述根据充电桩的历史功率数据，获取功率基准值的步骤，包括：

对每一所述历史订单对应的历史功率数据进行筛选，得到稳定期功率数据；

根据所述稳定期功率数据的平均值，得到每一历史订单对应的初始功率基准值；

根据预设比例，去除每一历史订单的初始功率基准值中的浮值，以得到中间功率基准值；

获取所述中间功率基准值中的最大值，作为功率基准值。

作为本申请的一可选实施例，每一历史订单对应的历史功率数据以每分钟为间隔获取，所述对所述每一历史订单对应的历史攻略数据进行筛选，得到稳定期功率数据的步骤，包括：

根据时间顺序，对每一历史订单对应的历史功率数据进行倒序排序；

获取历史功率数据中第二位到第三十一位的数据，作为历史订单对应的稳定期功率数据。

作为本申请一可选实施例，记所述功率基准值为F，所述根据所述实际充电信息和所述功率基准值，检测存在偷电行为的异常充电桩的步骤，包括：

当所述充电桩的所述实际充电信息包括订单信息，并且实际功率数据大于第一预设功率阈值的次数超过第一预设次数，获取所述充电桩的历史功率数据；

若实际功率小于所述历史功率数据的1.2倍，将对应的充电桩加入待观察列表；

若实际功率大于等于所述历史功率数据的1.2倍，将对应的充电桩加入预警列表；

其中，所述第一预设功率阈值基于所述功率基准值确定。。

作为本申请的一可选实施例，所述根据预设处理方法，对所述异常充电桩进行处理的步骤，包括：

当所述待观察列表中的充电桩的实际功率数据大于第二预设功率阈值的次数超过第二预设次数时，将对应的充电桩加入预警列表；

当所述预警列表中的充电桩的实际功率数据大于第二预设功率阈值的次数超过第三预设次数时，将对应的充电桩记为异常充电桩，并对所述异常充电桩进行断电处理；

当所述充电桩的所述实际充电信息不包括订单信息，并且实际功率数据大于预设功率值时，将对应的充电桩记为异常充电桩，并发送预警信息；

其中，所述第二预设功率阈值基于所述功率基准值确定。

作为本申请的一可选实施例，在所述当所述待观察列表中的充电桩的实际功率数据大于第二预设功率阈值的次数超过第二预设次数时，将对应的充电桩加入预警列表的步骤之后，还包括：

获取预警列表中的充电桩的实际功率数据和电流数据；

对实际功率数据和电流数据进行预处理，得到目标功率数据和目标电流数据；

对所述目标功率数据和目标电流数据进行小波变换，得到目标数据特征，其中，所述目标数据特征包括频域特征、时间-频率特征以及相位特征；

将预警列表中每一充电桩对应的目标数据特征输入漏电模式检测模型，其中，所述漏电模式检测模型包括多种漏电模式，每一种漏电模式的数据特征不同；

获取每一所述目标数据特征和每一漏电模式的数据特征的匹配度；

当所述匹配度大于等于匹配度阈值时，将对应的充电桩进行断电并发送漏电警告信息，所述漏电警告信息包括充电桩信息和对应的漏电模式；

其中，所述漏电模式检测模型通过以下步骤构建：

获取充电桩的不同漏电模式的历史漏电数据，所述历史漏电数据包括漏电功率数据和漏电电流数据；

对所述历史漏电数据进行特征提取，得到不同漏电模式的漏电数据特征；

根据每一漏电模式的漏电数据特征，对初始漏电模式检测模型进行训练，得到目标漏电模式检测模型，所述初始漏电模式检测模型基于随机森林算法构建；

根据交叉验证方法对所述目标漏电模式检测模型进行评估，得到评估结果，其中，所述评估结果包括准确率、召回率、F1分数；

根据所述评估结果对所述目标漏电模式检测模型进行优化，得到漏电模式检测模型。

作为本申请的一可选实施例，所述第一预设功率阈值为1.75F，所述第二预设功率阈值为1.5F。

作为本申请的一可选实施例，在所述根据预设处理方法，对所述异常充电桩进行处理的步骤之后，还包括：

获取所有充电桩和异常充电桩的位置信息；

对所述充电桩和异常充电桩的位置信息进行预处理，得到目标数据集；

根据FP-Growth算法和所述目标数据集，获取多个频繁项集；

根据所述频繁项集，获取关联规则信息，其中，所述关联规则信息包括关联规则和对应的置信度；

获取置信度大于平均置信度的关联规则，记为异常关联规则；

对所述异常关联规则进行特征识别，得到关联关系挖掘结果；

对所述关联挖掘结果进行分析，获取偷电行为和充电桩的位置信息之间的相关性。

第二方面，本发明提供了一种充电桩偷电检测装置，该装置包括：

信息获取模块，用于获取充电桩的实际充电信息，其中，所述实际充电信息包括充电订单信息和/或实际功率数据；

基准值获取模块，用于根据充电桩的历史充电信息，获取功率基准值；

异常检测模块，用于根据所述实际充电信息和所述功率基准值，检测存在偷电行为的异常充电桩；

异常处理模块，用于根据预设处理方法，对所述异常充电桩进行处理。

第三方面，本发明提供了一种电子设备，包括至少一个处理器、至少一个存储器以及存储在所述存储器中的计算机程序指令，当所述计算机程序指令被所述处理器执行时实现第一方面所述的方法。

第四方面，本发明提供了一种存储介质，其上存储有计算机程序指令，当所述计算机程序指令被处理器执行时实现第一方面所述的方法。

综上所述，本申请的有益效果如下：

本申请的充电桩偷电检测方法，首先获取充电桩的实际充电信息，其中，所述实际充电信息包括充电订单信息和/或实际功率数据，获取充电订单信息和实际功率数据能够提供充电桩使用情况的详细记录，实际功率数据反映了充电桩的实际电能消耗情况，用于检测异常功率使用；随后，根据充电桩的历史充电信息，获取功率基准值，基于充电桩的历史充电信息计算功率基准值，提供了充电桩正常功率使用的参考标准，可用作判断充电桩是否存在异常功率使用的依据，使得判断充电桩是否存在异常行为更具可靠性；根据所述实际充电信息和所述功率基准值，检测存在偷电行为的异常充电桩，通过比较实际充电信息和功率基准值，可以快速识别出具有异常充电行为的充电桩；根据预设处理方法，对所述异常充电桩进行处理，及时处理异常充电桩可以防止电能盗窃行为的持续发生，维护充电桩的正常运营和电费收入，通过这个方法，可以实现对充电桩偷电行为的实时监测和处理，提高充电桩的安全性和收费的准确性。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例中所需要使用的附图作简单地介绍，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是本发明充电桩偷电检测方法的流程示意图。

图2是本发明充电桩偷电检测方法的有一流程示意图。

图3是本发明充电桩偷电检测装置的结构示意图。

图4是本发明电子设备的结构示意图。

具体实施方式

下面将详细描述本发明的各个方面的特征和示例性实施例，为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细描述。应理解，此处所描述的具体实施例仅被配置为解释本发明，并不被配置为限定本发明。对于本领域技术人员来说，本发明可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本发明的示例来提供对本发明更好的理解。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

实施例1

目前，现有的充电桩监测技术主要采用现场勘察的措施或在最终缴纳电费的时候才能察觉是否存在偷电行为。这种方法存在以下问题：

1)延后性：现场勘察或最终缴费方式只能在一段时间之后才能发现偷电行为，导致偷电行为的延迟监测和响应。

2)不可控性：充电桩的分布广泛，很难实时监控每个充电桩的充电过程，使得对偷电行为的控制和预防变得困难。

为了解决上述问题，需要开发一种充电桩偷电检测方法，通过使用先进的技术手段来实现实时、准确地监测充电桩的使用情况，及时发现和应对偷电行为。

为解决上述技术问题，如图1所示，本发明提供了一种充电桩偷电检测方法，包括：

S1、获取充电桩的实际充电信息，其中，所述实际充电信息包括充电订单信息和/或实际功率数据；

具体的，充电订单信息记录了充电桩的使用情况，包括充电开始时间、充电结束时间、充电时长等，这些信息可以用于验证充电桩的合法使用；实际功率数据，记录了充电桩在特定时间段内的实际功率消耗情况。这些数据可以用于分析充电桩的功率使用情况；

在一具体实施例中，充电桩与服务器通过socket通信连接，每隔预设时间将所述实际充电信息发送至服务器，服务器介绍的实际充电信息后，发送至kafka消息队列，kafka消息队列是一种高吞吐量的分布式消息***，用于处理大量的实时数据流，随后服务器对消息队列中的数据进行接受以及存储，存储使用的数据库为MongoDB，MongoDB是一种非关系型数据库，用于存储大量的结构化和半结构化数据，具有高可靠性，能够确保数据的完整性和可靠性，为后续的数据分析和处理提供可靠的基础。

S2、根据充电桩的历史充电信息，获取功率基准值；

首先，需要收集充电桩的历史充电信息，包括充电订单信息和实际功率数据。这些数据可以包括充电开始时间、充电结束时间、充电时长、充电量、功率值等，对收集到的历史充电信息进行清洗和处理，去除异常值或不可靠数据，确保数据的准确性和完整性；根据清洗和处理后的历史充电信息，可以采用统计方法来计算功率基准值。一种常见的方法是计算历史充电数据的平均功率值或中位数功率值作为基准值；

在一实施例中，将历史充电数据中的功率值相加，然后除以数据点的数量，得到平均功率值，将平均功率值作为基准功率值，这可以反映充电桩的平均功率消耗情况，或者，将历史充电数据中的功率值按大小排序，取中间位置的值作为中位数功率值，可以有效地排除异常值的干扰。

通过获取功率基准值，可以更准确地判断充电桩的功率是否异常。基准值可以根据历史数据的统计特征，反映充电桩在正常情况下的功率消耗水平。通过与基准值进行比较，可以发现功率偏离正常范围的充电桩，进而进行异常检测和处理。获取功率基准值可以提高偷电行为检测的准确性和可靠性，及时发现异常情况并采取相应措施，保障充电桩的安全和电费的收入。

作为本申请的一可选实施例，所述历史充电信息包括历史订单和对应的历史功率数据，所述根据充电桩的历史功率数据，获取功率基准值的步骤，包括：

S21、对每一所述历史订单对应的历史功率数据进行筛选，得到稳定期功率数据；

对每一个历史订单对应的历史功率数据进行筛选，得到稳定期功率数据。稳定期功率数据是指在充电过程中，充电桩的功率值达到相对稳定并保持一段时间的数据。这可以通过滤除充电开始和结束阶段的功率波动数据来实现。通过筛选得到稳定期功率数据，可以排除非稳定状态下的功率波动对基准值的影响。

作为本申请的一可选实施例，如图2所示，每一历史订单对应的历史功率数据以每分钟为间隔获取，所述对所述每一历史订单对应的历史攻略数据进行筛选，得到稳定期功率数据的步骤，包括：

S211、根据时间顺序，对每一历史订单对应的历史功率数据进行倒序排序；

具体的，根据时间顺序，对每一历史订单对应的历史功率数据进行倒序排序。将历史功率数据按照时间顺序进行排序，并倒序排列，使得最新的功率数据排在最前面。这样做的目的是获取最近的功率数据，因为最近的数据更能反映充电桩当前的充电状态。

S212、获取历史功率数据中第二位到第三十一位的数据，作为历史订单对应的稳定期功率数据。

根据倒序排列后的历史功率数据，选择第二位到第三十一位的数据作为稳定期功率数据，由于本实施例中，每一历史订单对应的历史功率数据以每分钟为间隔获取，第二位到第三十一位的数据就是抛去第1分钟后的三十分钟功率数据，这个区间称之为稳定期。这个范围可以根据实际情况进行调整，以包含足够的数据量来反映稳定期间的功率水平。这样选择的数据量较少，主要是为了排除充电开始和结束阶段的功率波动，更集中地获取稳定期间的功率数据。

S22、根据所述稳定期功率数据的平均值，得到每一历史订单对应的初始功率基准值；

根据稳定期功率数据的平均值，得到每一个历史订单对应的初始功率基准值。计算稳定期功率数据的平均值可以获得一个相对稳定的功率水平，作为初始基准值。平均值是对稳定期功率数据进行统计分析的一种常见方法，可以反映充电桩的典型功率消耗水平；

S23、根据预设比例，去除每一历史订单的初始功率基准值中的浮值，以得到中间功率基准值；

根据预设比例，去除每一个历史订单的初始功率基准值中的浮动值，以得到中间功率基准值。预设比例是根据经验或规定设定的一个浮动范围，用于去除基准值中的浮动成分，以获得更稳定的中间基准值。通过去除浮动值，可以更好地反映充电桩的稳定功率水平，并减少由于噪声或异常数据引起的误判，在一具体实施例中，所述预设比例为10％。

S24、获取所述中间功率基准值中的最大值，作为功率基准值。

获取中间功率基准值中的最大值，作为功率基准值。在计算过程中，对每一个历史订单得到的中间功率基准值进行比较，选择最大值作为最终的功率基准值。选择最大值可以确保基准值能够涵盖历史订单中的最高功率水平，以提高对异常充电桩的检测能力。

S3、根据所述实际充电信息和所述功率基准值，检测存在偷电行为的异常充电桩；

具体的，将当前功率与事先获取的功率基准值进行比较。功率基准值是根据充电桩的历史充电信息计算得出的，它代表了充电桩在正常情况下的预期功率水平，如果当前功率与基准值相差超过预设的阈值，就可以判断存在异常充电行为，即可能发生了偷电行为。阈值的选择可以根据实际情况和需求进行设定，例如设置为基准值的一定比例或固定值。

作为本申请一可选实施例，记所述功率基准值为F，所述根据所述实际充电信息和所述功率基准值，检测存在偷电行为的异常充电桩的步骤，包括：

S31、当所述充电桩的所述实际充电信息包括订单信息，并且实际功率数据大于第一预设功率阈值的次数超过第一预设次数，获取所述充电桩的历史功率数据；

具体的，当所述充电桩的实际充电信息包括订单信息，并且实际功率数据大于第一预设功率阈值的次数超过第一预设次数，代表充电桩在一定时间段内存在异常高功率的充电行为，其中，所述第一预设功率阈值基于所述功率基准值确定，在一实施例中，所述第一预设功率阈值在1.5F～2F之间，在一优选实施例中，所述第一预设功率阈值为1.75F，所述第一预设次数为10。当所述充电桩的实际充电信息包括订单信息，并且实际功率数据大于第一预设功率阈值的次数超过第一预设次数可能指示充电桩正在进行非正常的充电操作，例如恶意超载、非法连接外部电源或其他违规行为，此时获取该充电桩的历史功率数据，从充电桩的历史充电信息中提取与订单信息对应的历史功率数据，用于后续分析和比较。

通过设定1.75倍的功率基准值F作为阈值，超过该阈值的次数可以用来识别充电桩的异常行为，这个阈值是根据实际情况和经验确定的，用于判断实际功率是否超出了正常范围，超过这个阈值的实际功率数据可能表明充电桩存在异常，可能是由于偷电行为引起的。选择合适的阈值要考虑充电桩的额定功率、正常功率范围以及实际情况等因素，以确保能够准确识别出潜在的异常充电桩；

如果阈值低于1.75F，可能会导致过多的正常充电桩被误判为异常充电桩。较低的阈值意味着更多的充电桩会被认定为存在偷电行为，但实际上它们可能只是在正常范围内运行。这会增加误报率，造成不必要的麻烦和处理成本。

如果阈值高于1.75F，可能会导致部分异常充电桩被漏检。较高的阈值意味着只有在实际功率非常高的情况下才会判定为异常，因此只有明显的偷电行为才会被捕捉到。这会降低偷电行为检测的灵敏度，可能导致某些潜在的偷电行为被忽视；

要求实际功率数据大于1.75F的次数超过第一预设次数，才将对应的充电桩加入待观察列表。这样做的目的是为了筛选出那些在多个时间段内出现实际功率异常的充电桩，以提高判断的可靠性。通过设定一个次数阈值，可以降低单个异常数据点的误报风险，确保异常现象的稳定性和重复性。

选择合适的阈值是需要根据实际情况和需求进行权衡和调整的。阈值的选择应考虑充电桩的功率特性、正常功率范围、历史数据分析和预期目标等因素。通过合理设定阈值，可以平衡准确性和误报率，提高偷电行为检测的效果；

在一实施例中，所述方法还包括：

持续收集充电桩的实际充电信息和历史功率数据；

对所述实际充电信息和历史功率数据进行数据分析，得到分析结果；

根据所述分析结果，对所述阈值进行更新；

具体的，通过持续收集数据、分析数据和更新阈值，可以不断改进充电桩偷电检测的准确性和可靠性。根据实际情况和经验，动态调整阈值可以更好地适应充电桩的特性和变化，提高偷电检测的效果。

超过预设次数的意义是要确保异常高功率的充电行为不仅是偶发的，而是在一定时间段内持续出现，以降低误报率，在一实施例中，所述第一预设次数为10；

S32、若实际功率小于所述历史功率数据的1.2倍，将对应的充电桩加入待观察列表；

这个步骤的目的是识别出可能存在潜在异常行为的充电桩，但尚未达到明显的偷电标准；通过将阈值设置为历史功率数据的1.2倍，可以对相对较小的功率变化进行敏感检测，捕捉到潜在的异常情况，即使它们不满足明显的偷电标准；待观察列表中的充电桩需要进一步观察和分析，以确定它们是否真正存在偷电行为；

S33、若实际功率大于等于所述历史功率数据的1.2倍，将对应的充电桩加入预警列表；

这个步骤的目的是识别出明显存在偷电行为的充电桩，其实际功率远高于历史数据；将阈值设置为历史功率数据的1.2倍可以过滤掉一些正常的功率波动，专注于那些显著超过正常范围的充电桩；预警列表中的充电桩可能需要立即采取行动，例如进行进一步调查、断电处理或发送警告信息。

设置阈值为历史功率数据的1.2倍是基于经验和实践的选择，旨在在敏感性和特异性之间找到平衡点，以提高异常充电桩的检测准确性和效率。根据实际情况和需求，可以调整这个阈值来满足具体的检测要求。

S4、根据预设处理方法，对所述异常充电桩进行处理。

具体的，在检测出异常充电桩后，可根据预设处理方法对异常充电桩进行处理，所述预设处理方法包括：

发出警报通知：将异常充电桩标记为潜在问题，并立即发送警报通知给相关人员或管理***。这可以帮助快速响应和采取适当的措施，例如派遣维修人员检查充电桩；暂停服务：将异常充电桩暂停使用，停止提供充电服务，以防止进一步的异常行为和潜在的安全风险；远程断电：如果存在严重的安全风险或恶意行为，可以通过远程控制***远程断开异常充电桩的电源，以确保安全性和防止进一步的损坏。

作为本申请的一可选实施例，所述根据预设处理方法，对所述异常充电桩进行处理的步骤，包括：

S41、当所述待观察列表中的充电桩的实际功率数据大于第二预设功率阈值的次数超过第二预设次数时，将对应的充电桩加入预警列表；

此步骤旨在识别出实际功率数据超过第二预设功率阈值的充电桩，并将其标记为潜在的异常充电桩。当实际功率超过第二预设功率阈值的次数超过第二预设次数时，表示该充电桩的功率异常情况较为频繁，可能存在潜在问题，将对应的充电桩从待观察列表中移除，并加入预警列表；所述第二预设功率阈值基于所述功率基准值确定，并且所述第二预设功率阈值小于所述第一功率预设功率阈值，第一预设功率阈值用于筛选出可能存在异常的充电桩，而第二预设功率阈值则用于进一步确认异常情况。通过将第二预设功率阈值设置为更低的值，可以增加对异常充电桩的准确性，减少误报的概率。只有当实际功率持续超过第二预设功率阈值的次数达到第三预设次数时，才将充电桩标记为异常，并进行断电处理；在一实施例中，所述第二预设功率阈值在1.25F～1.75F，在一优选实施例中，所述第二预设功率阈值为1.5F，所述第二预设次数为5；

作为本申请的一可选实施例，在所述当所述待观察列表中的充电桩的实际功率数据大于第二预设功率阈值的次数超过第二预设次数时，将对应的充电桩加入预警列表的步骤之后，还包括：

S411、获取预警列表中的充电桩的实际功率数据和电流数据；

具体的，从预警列表中选择充电桩，并获取其对应的实际功率数据和电流数据，这些数据可以是在特定时间间隔内测量的充电桩功率和电流值，以及其对应的时间戳；

S412、对实际功率数据和电流数据进行预处理，得到目标功率数据和目标电流数据；

具体的，对实际功率数据和电流数据进行去噪、滤波等预处理步骤，以去除噪声和提取有效信号，根据具体需求，可能还需要进行数据归一化、平滑等操作，以确保数据的准确性和一致性；

在一实施例中，所述步骤S412具体包括：

S4121、对所述实际功率数据和电流数据进行数据清洗，得到第一实际功率数据和第一电流数据；

具体的，在此步骤中，对实际功率数据和电流数据进行清洗是为了去除数据中的异常值、缺失值和噪声。清洗数据可以提高数据的质量和可靠性，以确保后续分析的准确性。通过清洗后，得到第一实际功率数据和第一电流数据，这些数据经过处理后更适合用于后续的平滑处理。

S4122、对第一功率数据和第一电流数据进行平滑处理，得到第二功率数据和第二电流数据；

在此步骤中，对第一功率数据和第一电流数据进行平滑处理是为了减少数据的噪声和波动，使数据变得更加平滑和稳定。平滑处理可以采用一些常用的方法，如移动平均、指数平滑或小波平滑等。平滑处理后，得到第二功率数据和第二电流数据，这些数据更具有连续性和可分析性。

S4123、对第二功率数据和第二电流数据进行归一化处理，得到目标功率数据和目标电流数据；

在此步骤中，对第二功率数据和第二电流数据进行归一化处理是为了消除不同量纲之间的影响，使得数据具有可比性和可比较性。归一化处理可以采用常用的方法，如z-score标准化或最大最小值归一化。归一化后，得到目标功率数据和目标电流数据，这些数据具有相对统一的尺度范围，方便进行后续的分析和比较。

通过以上步骤的数据处理，可以得到质量较高、平滑稳定且具有可比性的目标功率数据和目标电流数据。这些数据对于后续的漏电检测和分析具有更好的可行性和可靠性，有助于发现潜在的漏电模式和异常行为，并提供基础数据支持进行相关的统计分析、模式识别或机器学习算法的应用。

S413、对所述目标功率数据和目标电流数据进行小波变换，得到目标数据特征，其中，所述目标数据特征包括频域特征、时间-频率特征以及相位特征；

小波变换是一种在时频域上对信号进行分析的数学工具，可以将信号分解为不同频率和时间尺度的成分。在充电桩漏电检测中，可以将目标功率数据和目标电流数据转换为包含频域特征、时间-频率特征和相位特征等的目标数据特征，有助于捕捉信号的结构和漏电模式的特征。小波变换具有压缩表示的优势，即可以使用较少的系数来表示原始信号，从而降低数据的维度和存储空间。这对于大量的历史数据和实时数据处理是非常重要的，可以减少计算和存储的负担；

具体的，首先选择合适的小波基函数，所述小波基函数包括Daubechies小波、Haar小波、Symlet小波，随后，选择适当的小波变换层数，小波变换的层数决定了分解的精细程度和频率分辨率，可以根据应用的要求进行选择，将目标功率数据和目标电流数据进行小波分解，得到不同尺度和频率的小波系数。可以使用离散小波变换(DWT)或连续小波变换(CWT)等方法进行分解，从小波系数中提取目标特征，包括频域特征(如频谱能量、频带能量)、时间-频率特征(如瞬时频率、瞬时能量)和相位特征(如相位差、相位变化)等；

S414、将预警列表中每一充电桩对应的目标数据特征输入漏电模式检测模型，其中，所述漏电模式检测模型包括多种漏电模式，每一种漏电模式的数据特征不同；

基于已构建的漏电模式检测模型，将预处理得到的目标数据特征作为输入，这些特征将被送入漏电模式检测模型，模型将根据训练阶段学习到的漏电模式进行匹配和判定。模型可以使用监督学习算法(如分类器)进行漏电模式的识别，或者使用无监督学习算法(如聚类)进行异常检测；

在漏电模式检测中，漏电模式指的是不同类型的漏电行为或漏电事件，每种漏电模式都具有不同的数据特征，因此需要针对每种漏电模式设计相应的数据特征，常见的漏电模式可以包括接地漏电、相间漏电、绝缘漏电等；

S415、获取每一所述目标数据特征和每一漏电模式的数据特征的匹配度；

对于每个充电桩的目标数据特征，将其与每种漏电模式的数据特征进行匹配度计算。匹配度可以通过各种相似度度量方法(如余弦相似度、欧氏距离等)来衡量目标数据特征与漏电模式数据特征之间的相似程度。

S416、当所述匹配度大于等于匹配度阈值时，将对应的充电桩进行断电并发送漏电警告信息，所述漏电警告信息包括充电桩信息和对应的漏电模式；

根据匹配度的阈值，判断目标数据特征与漏电模式数据特征的匹配程度。如果匹配度超过设定的阈值，即认为该充电桩存在相应的漏电模式；

举例来说，假设定义了两种漏电模式：接地漏电和相间漏电。针对接地漏电模式，提取的数据特征包括接地电流的幅值、接地电流的频谱能量等，而对于相间漏电模式，可能提取的数据特征包括相间电压的相位差、相间电流的时间-频率特征等。

对于每个充电桩的目标数据特征，将其与接地漏电模式和相间漏电模式的数据特征进行匹配度计算，如果匹配度超过设定的阈值，就可以判定该充电桩存在对应的漏电模式。

通过构建漏电模式检测模型，并将目标数据特征与漏电模式的数据特征进行匹配度计算，可以实现对充电桩漏电行为的检测和识别。这样的模型可以帮助及时发现漏电问题，减少安全风险和电能损耗，提高充电设备的可靠性和安全性，并且，漏电和偷电在某些情况下可能导致类似的异常模式，例如实际功率值的异常增加，通过引入漏电检测，可以对异常进行更细致的分析，减少误报率，提高检测结果的可靠性。

其中，所述漏电模式检测模型通过以下步骤构建：

S01、获取充电桩的不同漏电模式的历史漏电数据，所述历史漏电数据包括漏电功率数据和漏电电流数据；

在这一步骤中，需要收集充电桩在不同漏电模式下的历史漏电数据。这些数据包括漏电功率数据和漏电电流数据，可以通过传感器等设备实时监测获得，或者通过历史记录进行整理和提取。

S02、对所述历史漏电数据进行特征提取，得到不同漏电模式的漏电数据特征；

在这一步骤中，需要对历史漏电数据进行特征提取，以捕捉不同漏电模式的特征，特征提取可以基于信号处理、统计分析等方法进行，常用的特征包括频域特征、时域特征、小波变换特征等。

S03、根据每一漏电模式的漏电数据特征，对初始漏电模式检测模型进行训练，得到目标漏电模式检测模型，所述初始漏电模式检测模型基于随机森林算法构建；

S04、根据交叉验证方法对所述目标漏电模式检测模型进行评估，得到评估结果，其中，所述评估结果包括准确率、召回率、F1分数；

利用所提取的漏电数据特征作为数据集，对基于随机森林算法构建初始漏电模式检测模型。随机森林是一种集成学***均，来提高分类准确性。对于漏电检测任务，随机森林能够处理多种特征类型，具有较好的稳定性和鲁棒性；

具体的，将数据集分为训练集和测试集，通常采用K折交叉验证方法，将数据集分成K个子集，其中K-1个子集作为训练集，剩余的1个子集作为测试集，使用K-1个子集进行模型训练，得到目标漏电模式检测模型，使用训练好的模型对剩余的1个子集进行预测，根据预测结果和实际标签，计算评估指标，包括准确率、召回率和F1分数，对K个折的评估结果进行统计，计算平均准确率、平均召回率和平均F1分数，这些指标反映了模型在不同折上的表现的平均水平；

其中，准确率指模型正确预测的样本数占总样本数的比例，可以用以下公式表示：准确率＝(预测正确的样本数)/(总样本数)；

召回率(Recall)指模型正确预测为正类的样本数占真实正类样本数的比例，可以用以下公式表示：召回率＝(真正例的样本数)/(真正例的样本数+假负例的样本数)；

F1分数是准确率和召回率的调和平均值，综合考虑了模型的精确性和完整性，可以用以下公式表示：F1分数＝2*(准确率*召回率)/(准确率+召回率)。

S05、根据所述评估结果对所述目标漏电模式检测模型进行优化，得到漏电模式检测模型。

具体的，首先，对准确率、召回率和F1分数等评估指标进行综合分析，观察各指标的数值，判断模型在漏电检测任务上的性能表现，根据评估结果，确定模型在哪些方面表现较差，即哪些漏电模式检测任务存在较大的误差或漏检，对性能瓶颈进行进一步分析，确定导致问题的具体原因，可能原因包括数据不平衡、特征选择不合理、模型过拟合或欠拟合等；根据问题原因，针对性地调整模型参数。例如，对于数据不平衡问题，可以采用重采样技术或调整类别权重；对于模型过拟合问题，可以增加正则化项或减少模型复杂度，调整参数后，使用优化后的参数重新训练模型，确保使用完整的训练数据集，并根据实际需求选择合适的训练算法和优化策略，使用经过优化的模型对测试集进行预测，并计算新的评估指标。与之前的评估结果进行对比，判断模型的性能是否有所提升；根据新的评估结果，反复进行调整、重新训练和重新评估的迭代过程，直到模型的性能达到预期要求；通过以上优化步骤，可以不断改进漏电模式检测模型的性能，提高其准确性、召回率和F1分数等评估指标，从而得到更可靠的漏电模式检测模型；

在一具体实施例中，使用随机森林算法进行漏电模式检测，并获得了以下评估结果：准确率：0.85；召回率：0.78；F1分数：0.81；

在分析评估结果后，我们发现召回率相对较低，可能存在一定的漏检问题。接下来，我们根据问题原因和调整方法进行优化：确定性能瓶颈：漏检问题导致召回率较低。定位问题原因：通过进一步分析，发现漏电模式数据的不平衡是导致漏检的主要原因。某些罕见的漏电模式在训练数据中数量较少，导致模型学***衡问题，采用了两种策略。首先，使用了类别权重调整，在训练时给予罕见漏电模式更高的权重，以增加其影响力；其次，使用了随机欠采样和随机过采样技术，平衡各个漏电模式的样本数量；重新训练模型：根据调整后的参数，使用经过平衡处理的训练数据集重新训练随机森林模型；使用优化后的模型对测试集进行预测，并计算新的评估指标；如果新的评估结果仍然不理想，进一步调整模型参数、改进特征工程方法或尝试其他的机器学习算法，以进一步提高模型性能。

通过反复迭代优化的过程，可以不断改进漏电模式检测模型，提高其性能，减少漏检情况，从而提高检测的准确性和可靠性。

S42、当所述预警列表中的充电桩的实际功率数据大于第二预设功率阈值的次数超过第三预设次数时，将对应的充电桩记为异常充电桩，并对所述异常充电桩进行断电处理；

该步骤旨在将实际功率频繁超过第二预设功率阈值的充电桩标记为明确的异常充电桩，并采取断电处理措施，当实际功率超过第二预设功率阈值的次数超过第三预设次数时，说明该充电桩存在严重的功率异常情况，可能存在安全隐患或电力盗窃行为，将对应的充电桩记为异常充电桩，并对所述异常充电桩进行断电处理，可以有效防止进一步的异常行为发生，保障充电桩使用的安全性和稳定性，同时防止电力盗窃行为的继续进行，在一实施例中，所述第三预设次数为5；

在步骤S41和步骤S42中，阈值设置为1.5F而不是步骤S31中的1.75F，如果将此步骤的阈值设置为1.75F而不是1.5F，可能会导致以下问题：

漏报率增加：较高的阈值意味着只有当实际功率数据明显超过历史功率数据的1.75倍时才会将充电桩加入预警列表。这可能导致一些较小的偷电行为未被及时检测和处理，从而增加了漏报率；

偷电行为可能被忽略：较高的阈值可能无法准确地检测到某些偷电行为，特别是那些功率增加不明显或偷电行为较为隐蔽的情况。这可能导致偷电行为被忽略，对充电桩的监测和管理产生盲区；

S43、当所述充电桩的所述实际充电信息不包括订单信息，并且实际功率数据大于预设功率值时，将对应的充电桩记为异常充电桩，并发送预警信息。

此步骤旨在识别出实际充电信息不包括订单信息的充电桩，并对其进行标记为异常充电桩，并发送预警信息。当实际功率超过预设功率值且缺乏订单信息时，可能存在未经授权的充电行为或其他异常情况，助于及时发现未经授权的充电行为或其他潜在问题，进一步加强充电桩的安全性和合规性，维护用户和运营方的权益。

作为本申请的一可选实施例，在所述根据预设处理方法，对所述异常充电桩进行处理的步骤之后，还包括：

S01、获取所有充电桩和异常充电桩的位置信息；

具体的，获取所有充电桩以及已标记为异常充电桩的位置信息，所述位置信息包括充电桩的经纬度坐标，充电桩的位置信息可以通过GPS定位、地理位置记录或其他位置识别方法获取，获取充电桩和异常充电桩的位置信息可以为后续的关联规则挖掘和分析提供基础数据，帮助定位和识别潜在的偷电行为和异常情况。

S02、根据预设关联规则挖掘算法对所述位置信息进行关联规则挖掘，得到关联规则挖掘结果；

通过预设的关联规则挖掘算法对充电桩的位置信息进行挖掘，计算不同位置之间的关联度，并生成关联规则挖掘结果，所述预设关联规则挖掘算法包括但不限于Apriori算法、FP-Growth算法，通过关联规则挖掘可以发现充电桩位置信息之间的相关性，帮助确定是否存在特定位置或区域的充电桩更容易出现偷电行为，从而提供进一步的线索和依据；

作为本申请的一可选实施例，所述预设关联规则挖掘算法包括FP-Growth算法，所述根据预设关联规则挖掘算法对所述位置信息进行关联关系挖掘，得到关联关系挖掘结果的步骤，包括：

S021、对所述充电桩和异常充电桩的位置信息进行预处理，得到目标数据集；

具体的，本步骤旨在对充电桩和异常充电桩的位置信息进行预处理，以获得适合进行关联规则挖掘的目标数据集，所述预处理包括：对充电桩和异常充电桩的位置信息进行数据清洗、去重、格式化等预处理操作，确保数据的准确性和一致性，并将预处理后的位置信息组织成目标数据集的形式，通过对位置信息的预处理，可以提高数据的质量和一致性，为后续的关联规则挖掘提供高质量的数据基础；

S022、根据FP-Growth算法和所述目标数据集，获取多个频繁项集；

具体的，首先，遍历目标数据集，统计每个位置出现的频率，构建项头表以记录每个位置的出现频率和链表指针，根据项头表的频率排序，生成频繁项头表对于每个数据样本，根据频繁项头表的排序，构建FP树；

随后，对于频繁项头表中的每个位置，找到其对应的条件模式基。条件模式基是以该位置结尾的路径集合，通过递归方式处理条件模式基，得到对应的条件FP树；

最后，对于每个频繁项头表中的位置，将其加入当前频繁项集从条件FP树中获取条件模式基，然后构建条件FP树，继续递归挖掘频繁项集，不断递归，直到无法继续生成频繁项集为止，从而获得多个频繁项集；

FP-Growth算法的核心思想是通过构建FP树和利用条件模式基的方式高效地挖掘频繁项集。通过避免显式地生成候选项集，大大减少了算法的时间和空间复杂度。该方法的好处在于能够快速发现出现频率较高的位置组合，识别充电桩和异常充电桩位置信息之间的相关性。这有助于发现偷电行为的模式和规律，并为制定预防措施和安全策略提供基础。

S023、根据所述频繁项集，获取关联规则信息，其中，所述关联规则信息包括关联规则和对应的置信度；

具体的，对于每个频繁项集，生成包含一个位置的所有可能规则。例如，对于频繁项集{A,B,C}，可能的规则包括A—>B,A—>C,B—>A,B—>C,C—>A,C—>B，对于每个候选规则，初始化其支持度计数；

随后，遍历目标数据集，统计每个规则的支持度计数。即计算规则的前项和同时出现的次数，对于每个规则，计算其置信度。置信度表示在前项出现的情况下，同时出现后项的概率。置信度可以通过支持度除以前项的支持度得到；

根据预设的置信度阈值，筛选出置信度大于等于阈值的关联规则，最后输出满足置信度阈值的关联规则以及对应的置信度；关联规则是指频繁项集中位置之间的关联关系，可以用于发现不同位置之间的相关性和依赖关系。通过计算置信度，可以评估关联规则的可信度和相关性强弱。

这一步骤的好处在于能够识别出充电桩位置信息之间的关联规则，并计算其置信度。这有助于发现潜在的偷电行为模式和充电桩位置之间的关联关系，为异常充电桩的检测和处理提供更准确的依据。

S024、获取置信度大于平均置信度的关联规则，记为异常关联规则；

计算关联规则的平均置信度，然后选择置信度高于平均置信度的关联规则作为异常关联规则，通过选择高置信度的关联规则作为异常关联规则，可以聚焦于更具关联性和可信度的规则，提高异常充电桩的识别准确性和可靠性。

S025、对所述异常关联规则进行特征识别，得到关联关系挖掘结果；

分析异常关联规则中的前项和后项，识别其特征和模式，并将识别结果整合为关联关系挖掘结果，通过对异常关联规则的特征识别和关联关系挖掘，可以深入探索充电桩位置信息与偷电行为之间的潜在联系和规律，为进一步的预防措施和安全策略提供有益的参考。

S03、对所述关联挖掘结果进行分析，获取偷电行为和充电桩的位置信息之间的相关性。

本步骤中，分析关联规则挖掘的结果，以确定充电桩的位置信息与偷电行为之间的相关性程度，并作为进一步处理异常充电桩和预防偷电行为的依据，通过对关联挖掘结果的分析，可以深入理解充电桩位置信息与偷电行为之间的相关性，可以从充电桩的位置数据中发现异常模式和关联规则。这些方法可以帮助检测充电桩偷电行为的空间分布情况和相关性，从而提供更全面的异常检测和预警能力；

具体的，对所述关联挖掘结果进行分析，获取偷电行为和充电桩的位置信息之间的相关性的步骤，可包括：对关联关系挖掘结果进行数据分析和可视化，以了解规则的分布、频率和相关性等信息。可以使用图表、图形和统计指标等工具进行数据分析和可视化展示；

解释关联规则的含义和关联项之间的逻辑关系，分析关联规则中的前项和后项，了解它们之间的关联性和依赖关系；关联规则可以帮助识别充电桩偷电行为的模式和规律，通过分析关联规则中的前项和后项，可以发现某些特定属性、事件或条件与偷电行为之间的关联性，从而揭示充电桩的异常充电行为；

通过分析关联规则的支持度、置信度和提升度等指标，可以确定异常充电桩的可能性和相关性。高置信度的关联规则表示充电桩存在异常行为的可能性较高，可以作为预警和报警的依据，及时采取措施防止偷电行为的发生。

综上所述，关联规则分析在检测充电桩偷电方案中具有重要作用，可以帮助理解关联规则的含义和关联项之间的逻辑关系，分析关联规则的前项和后项，了解它们之间的关联性和依赖关系，进而发现异常行为模式、提供预警和报警依据，并辅助调查和定位异常充电桩。这有助于有效监测和防止充电桩偷电行为的发生。

实施例2

如图3所示，本发明提供了一种充电桩偷电检测装置，该装置包括：

信息获取模块，用于获取充电桩的实际充电信息，其中，所述实际充电信息包括充电订单信息和/或实际功率数据；

基准值获取模块，用于根据充电桩的历史充电信息，获取功率基准值；

异常检测模块，用于根据所述实际充电信息和所述功率基准值，检测存在偷电行为的异常充电桩；

异常处理模块，用于根据预设处理方法，对所述异常充电桩进行处理。

需要说明的是，本实施例中充电桩偷电检测装置中各模块和各单元是与前述实施例中充电桩偷电检测方法中的各步骤一一对应，因此，本实施例的具体实施方式可参照前述充电桩偷电检测方法的实施方式，这里不再赘述。

实施例3

另外，结合图4描述的本发明实施例的充电桩偷电检测方法可以由电子设备来实现。图4示出了本发明实施例提供的电子设备的硬件结构示意图。

所述电子设备可以包括处理器401以及存储有计算机程序指令的存储器402。

具体地，上述处理器401可以包括中央处理器(CPU)，或者特定集成电路(ApplicationSpecificIntegratedCircuit，ASIC)，或者可以被配置成实施本发明实施例的一个或多个集成电路。

存储器402可以包括用于数据或指令的大容量存储器。举例来说而非限制，存储器402可包括硬盘驱动器(HardDiskDrive，HDD)、软盘驱动器、闪存、光盘、磁光盘、磁带或通用串行总线(UniversalSerialBus，USB)驱动器或者两个或更多个以上这些的组合。在合适的情况下，存储器402可包括可移除或不可移除(或固定)的介质。在合适的情况下，存储器402可在数据处理装置的内部或外部。在特定实施例中，存储器402是非易失性固态存储器。在特定实施例中，存储器402包括只读存储器(ROM)。在合适的情况下，该ROM可以是掩模编程的ROM、可编程ROM(PROM)、可擦除PROM(EPROM)、电可擦除PROM(EEPROM)、电可改写ROM(EAROM)或闪存或者两个或更多个以上这些的组合。

处理器401通过读取并执行存储器402中存储的计算机程序指令，以实现上述实施例中的任意一种充电桩偷电检测方法。

在一个示例中电子设备还可包括通信接口403和总线410。其中，如图4所示，处理器401、存储器402、通信接口403通过总线410连接并完成相互间的通信。

通信接口403，主要用于实现本发明实施例中各模块、装置、单元和/或设备之间的通信。

总线410包括硬件、软件或两者，将用于任意倍墨量输出的部件彼此耦接在一起。举例来说而非限制，总线可包括加速图形端口(AGP)或其他图形总线、增强工业标准架构(EISA)总线、前端总线(FSB)、超传输(HT)互连、工业标准架构(ISA)总线、无限带宽互连、低引脚数(LPC)总线、存储器总线、微信道架构(MCA)总线、***组件互连(PCI)总线、PCI-Express(PCI-X)总线、串行高级技术附件(SATA)总线、视频电子标准协会局部(VLB)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下，总线410可包括一个或多个总线。尽管本发明实施例描述和示出了特定的总线，但本发明考虑任何合适的总线或互连。

实施例5

另外，结合上述实施例中的充电桩偷电检测方法，本发明实施例可提供一种计算机可读存储介质来实现。该计算机可读存储介质上存储有计算机程序指令；该计算机程序指令被处理器执行时实现上述实施例中的任意一种充电桩偷电检测方法。

以上是对本发明实施例提供的充电桩偷电检测方法、装置、设备及储存设备的详细介绍。

需要明确的是，本发明并不局限于上文所描述并在图中示出的特定配置和处理。为了简明起见，这里省略了对已知方法的详细描述。在上述实施例中，描述和示出了若干具体的步骤作为示例。但是，本发明的方法过程并不限于所描述和示出的具体步骤，本领域的技术人员可以在领会本发明的精神后，作出各种改变、修改和添加，或者改变步骤之间的顺序。

以上所述的结构框图中所示的功能块可以实现为硬件、软件、固件或者它们的组合。当以硬件方式实现时，其可以例如是电子电路、专用集成电路(ASIC)、适当的固件、插件、功能卡等等。当以软件方式实现时，本发明的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中，或者通过载波中携带的数据信号在传输介质或者通信链路上传送。“机器可读介质”可以包括能够存储或传输信息的任何介质。机器可读介质的例子包括电子电路、半导体存储器设备、ROM、闪存、可擦除ROM(EROM)、软盘、CD-ROM、光盘、硬盘、光纤介质、射频(RF)链路，等等。代码段可以经由诸如因特网、内联网等的计算机网络被下载。

还需要说明的是，本发明中提及的示例性实施例，基于一系列的步骤或者装置描述一些方法或***。但是，本发明不局限于上述步骤的顺序，也就是说，可以按照实施例中提及的顺序执行步骤，也可以不同于实施例中的顺序，或者若干步骤同时执行。

以上所述，仅为本发明的具体实施方式，所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的***、模块和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。应理解，本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。

Claims (10)

1.一种充电桩偷电检测方法，其特征在于，包括：

获取充电桩的实际充电信息，其中，所述实际充电信息包括充电订单信息和/或实际功率数据；

根据充电桩的历史充电信息，获取功率基准值；

根据所述实际充电信息和所述功率基准值，检测存在偷电行为的异常充电桩；

根据预设处理方法，对所述异常充电桩进行处理；

获取所有充电桩和异常充电桩的位置信息；

对所述充电桩和异常充电桩的位置信息进行预处理，得到目标数据集；

根据FP-Growth算法和所述目标数据集，获取多个频繁项集；

根据所述频繁项集，获取关联规则信息，其中，所述关联规则信息包括关联规则和对应的置信度；

获取置信度大于平均置信度的关联规则，记为异常关联规则；

对所述异常关联规则进行特征识别，得到关联关系挖掘结果；

对所述关联挖掘结果进行分析，获取偷电行为和充电桩的位置信息之间的相关性。

2.根据权利要求1所述的充电桩偷电检测方法，其特征在于，所述历史充电信息包括历史订单和对应的历史功率数据，所述根据充电桩的历史功率数据，获取功率基准值的步骤，包括：

对每一所述历史订单对应的历史功率数据进行筛选，得到稳定期功率数据；

根据所述稳定期功率数据的平均值，得到每一历史订单对应的初始功率基准值；

根据预设比例，去除每一历史订单的初始功率基准值中的浮值，以得到中间功率基准值；

获取所述中间功率基准值中的最大值，作为功率基准值。

3.据权利要求2所述的充电桩偷电检测方法，其特征在于，每一历史订单对应的历史功率数据以每分钟为间隔获取，所述对每一历史订单对应的历史攻略数据进行筛选，得到稳定期功率数据的步骤，包括：

根据时间顺序，对每一历史订单对应的历史功率数据进行倒序排序；

获取历史功率数据中第二位到第三十一位的数据，作为历史订单对应的稳定期功率数据。

4.根据权利要求3所述的充电桩偷电检测方法，其特征在于，记所述功率基准值为F，所述根据所述实际充电信息和所述功率基准值，检测存在偷电行为的异常充电桩的步骤，包括：

当所述充电桩的所述实际充电信息包括订单信息，并且实际功率数据大于第一预设功率阈值的次数超过第一预设次数，获取所述充电桩的历史功率数据；

若实际功率小于所述历史功率数据的1.2倍，将对应的充电桩加入待观察列表；

若实际功率大于等于所述历史功率数据的1.2倍，将对应的充电桩加入预警列表；

其中，所述第一预设功率阈值基于所述功率基准值确定。

5.根据权利要求4所述的充电桩偷电检测方法，其特征在于，所述根据预设处理方法，对所述异常充电桩进行处理的步骤，包括：

当所述待观察列表中的充电桩的实际功率数据大于第二预设功率阈值的次数超过第二预设次数时，将对应的充电桩加入预警列表；

当所述预警列表中的充电桩的实际功率数据大于第二预设功率阈值的次数超过第三预设次数时，将对应的充电桩记为异常充电桩，并对所述异常充电桩进行断电处理；

当所述充电桩的所述实际充电信息不包括订单信息，并且实际功率数据大于预设功率值时，将对应的充电桩记为异常充电桩，并发送预警信息；

其中，所述第二预设功率阈值基于所述功率基准值确定。

6.根据权利要求5所述的充电桩偷电检测方法，其特征在于，在所述当所述待观察列表中的充电桩的实际功率数据大于第二预设功率阈值的次数超过第二预设次数时，将对应的充电桩加入预警列表的步骤之后，还包括：

获取预警列表中的充电桩的实际功率数据和电流数据；

对实际功率数据和电流数据进行预处理，得到目标功率数据和目标电流数据；

对所述目标功率数据和目标电流数据进行小波变换，得到目标数据特征，其中，所述目标数据特征包括频域特征、时间-频率特征以及相位特征；

将预警列表中每一充电桩对应的目标数据特征输入漏电模式检测模型，其中，所述漏电模式检测模型包括多种漏电模式，每一种漏电模式的数据特征不同；

获取每一所述目标数据特征和每一漏电模式的数据特征的匹配度；

当所述匹配度大于等于匹配度阈值时，将对应的充电桩进行断电并发送漏电警告信息，所述漏电警告信息包括充电桩信息和对应的漏电模式；

其中，所述漏电模式检测模型通过以下步骤构建：

获取充电桩的不同漏电模式的历史漏电数据，所述历史漏电数据包括漏电功率数据和漏电电流数据；

对所述历史漏电数据进行特征提取，得到不同漏电模式的漏电数据特征；

根据每一漏电模式的漏电数据特征，对初始漏电模式检测模型进行训练，得到目标漏电模式检测模型，所述初始漏电模式检测模型基于随机森林算法构建；

根据交叉验证方法对所述目标漏电模式检测模型进行评估，得到评估结果，其中，所述评估结果包括准确率、召回率、F1分数；

根据所述评估结果对所述目标漏电模式检测模型进行优化，得到漏电模式检测模型。

7.根据权利要求5所述的充电桩偷电检测方法，其特征在于，所述第一预设功率阈值为1.75F，所述第二预设功率阈值为1.5F。

8.一种充电桩偷电检测装置，其特征在于，所述装置包括：

信息获取模块，用于获取充电桩的实际充电信息，其中，所述实际充电信息包括充电订单信息和/或实际功率数据；

基准值获取模块，用于根据充电桩的历史充电信息，获取功率基准值；

异常检测模块，用于根据所述实际充电信息和所述功率基准值，检测存在偷电行为的异常充电桩；

异常处理模块，用于根据预设处理方法，对所述异常充电桩进行处理，其中，所述充电桩偷电检测装置还用于：

获取所有充电桩和异常充电桩的位置信息；

对所述充电桩和异常充电桩的位置信息进行预处理，得到目标数据集；

根据FP-Growth算法和所述目标数据集，获取多个频繁项集；

根据所述频繁项集，获取关联规则信息，其中，所述关联规则信息包括关联规则和对应的置信度；

获取置信度大于平均置信度的关联规则，记为异常关联规则；

对所述异常关联规则进行特征识别，得到关联关系挖掘结果；

对所述关联挖掘结果进行分析，获取偷电行为和充电桩的位置信息之间的相关性。

9.一种电子设备，其特征在于，包括至少一个处理器、至少一个存储器以及存储在所述存储器中的计算机程序指令，当所述计算机程序指令被所述处理器执行时实现如权利要求1-7中任一项所述的方法。

10.一种存储介质，其上存储有计算机程序指令，其特征在于，当所述计算机程序指令被处理器执行时实现如权利要求1-7中任一项所述的方法。