一种低压用户电量突增预警方法、系统、设备及介质与流程
本发明涉及电力大数据分析与供电服务,尤其涉及一种低压用户电量突增预警方法、系统、设备及介质。
背景技术:
1、当前辖区低压用户基数庞大且用电场景差异显著,用户用电量的大幅突增往往隐藏着用电异常、设备故障或窃电行为等多重风险。然而,现有的监测手段仍较为传统,主要依赖人工定期抄表或单一维度的固定电量阈值监控,缺乏对用户历史用电习惯、负荷特性等多维信息的综合考量。这种单一的判断方式不仅导致预警响应严重滞后,且无法精准识别突增背后的真实成因,难以满足现代供电服务体系中“提前介入、主动服务”的管理需求。
2、现有技术方案主要分为事后核查与简易阈值预警两类,均存在明显短板。事后核查模式需等待电费账单出具后方能发现异常,处置流程严重滞后,极易引发用户投诉;而简易阈值预警仅设定固定的电量上涨标准,未结合用户画像进行深度分析,导致误报率高且针对性弱。现有技术无法有效区分正常生产用电增长与计量故障、线路隐患或窃电等异常情况,难以支撑精准的风险防控与差异化服务策略的落地。
技术实现思路
1、鉴于上述现有存在的问题,提出了本发明。
2、因此,本发明提供了一种低压用户电量突增预警方法、系统、设备及介质解决现有监测手段存在预警滞后、误报率高且无法精准识别异常成因,难以支撑主动服务与精准防控的问题。
3、为解决上述技术问题,本发明提供如下技术方案:
4、第一方面,本发明提供了一种低压用户电量突增预警方法,包括:
5、获取并标准化处理用户的用电数据、设备数据、服务数据及客户属性数据,形成多维用户画像;
6、从所述多维用户画像中提取核心特征,并将所述核心特征输入至双层机器学习模型进行分析,所述双层机器学习模型包括电量突增识别模型和成因分析模型;
7、基于所述双层机器学习模型的输出结果,生成并推送相应等级的预警信息;
8、根据所述预警信息触发对应的服务策略进行处置,并将处置结果作为标注样本回流,用于迭代优化所述双层机器学习模型。
9、作为本发明所述的低压用户电量突增预警方法的一种优选方案,其中:所述电量突增识别模型用于识别电量是否突增,所述成因分析模型用于在识别为突增时分析突增成因;
10、所述电量突增识别模型采用随机森林模型,根据输入的核心特征进行二分类判断;
11、所述成因分析模型采用梯度提升决策树模型,将突增成因分析为正常用电增长、计量故障、线路隐患、窃电、其他问题。
12、本优选技术方案的有益效果为,通过随机森林的高鲁棒性实现异常初筛,并结合梯度提升决策树的高精度特性进行成因细分,从而有效兼顾了电量突增识别的稳定性与归因分析的准确性。
13、作为本发明所述的低压用户电量突增预警方法的一种优选方案,其中:所述基于所述双层机器学习模型的输出结果,生成并推送相应等级的预警信息,包括:
14、获取所述电量突增识别模型输出的全局异常概率,以及所述成因分析模型输出的各类突增成因的概率;
15、将所述全局异常概率与各类突增成因的概率拼接形成特征向量,并输入至逻辑回归模型进行校准,得到综合融合概率;
16、基于所述综合融合概率和所述成因分析模型输出的突增成因,生成相应等级的预警信息。
17、本优选技术方案的有益效果为,通过引入逻辑回归模型对多层概率特征进行拼接与校准,有效提升了综合评估的准确性与可靠性,从而为生成科学、精准的分级预警提供了坚实的数据支撑。
18、作为本发明所述的低压用户电量突增预警方法的一种优选方案,其中:所述从所述多维用户画像中提取核心特征,包括:
19、从所述多维用户画像中提取初始特征,并采用方差分析和互信息法联合筛选,得到核心特征;
20、所述核心特征包括负荷波动率、设备故障关联度和历史诉求频次;
21、所述负荷波动率通过计算预设用电周期内负荷的变异系数得到;
22、所述设备故障关联度根据预设时间窗口内历史故障的严重程度和时间远近,通过指数衰减加权计算得到;
23、所述历史诉求频次根据诉求类型和时间进行加权计算得到。
24、作为本发明所述的低压用户电量突增预警方法的一种优选方案,其中:所述基于所述综合融合概率和所述成因分析模型输出的突增成因,生成相应等级的预警信息,包括:
25、响应于所述综合融合概率不小于第一预设阈值,且所述突增成因属于第一类预设异常成因,生成一级预警信息;
26、响应于所述综合融合概率处于第二预设阈值区间,且所述突增成因属于第二类预设异常成因,生成二级预警信息;
27、响应于所述综合融合概率处于第三预设阈值区间,生成三级预警信息。
28、作为本发明所述的低压用户电量突增预警方法的一种优选方案,其中:所述根据所述预警信息触发对应的服务策略进行处置,包括:
29、响应于接收到一级预警信息,触发在预设响应时限内上门核查的现场处置策略;
30、响应于接收到二级预警信息,触发在预设响应时限内电话联系并预约排查的主动提醒策略;
31、响应于接收到三级预警信息,触发线上跟踪用户用电曲线的跟踪指导策略。
32、作为本发明所述的低压用户电量突增预警方法的一种优选方案,其中:所述将处置结果作为标注样本回流,用于迭代优化所述双层机器学习模型,包括:
33、接收现场处置后提交的标注样本,所述标注样本包括故障标签和佐证材料;
34、对所述标注样本进行校验,并将校验通过的标注样本存入样本库;
35、定期将所述样本库中的样本与原有数据集合并,基于合并后的数据集对所述双层机器学习模型进行迭代训练。
36、第二方面,本发明提供了一种低压用户电量突增预警系统,包括:
37、画像构建模块,用于获取并标准化处理用户的用电数据、设备数据、服务数据及客户属性数据,形成多维用户画像;
38、双层模型分析模块,用于从所述多维用户画像中提取核心特征,并将所述核心特征输入至双层机器学习模型进行分析,所述双层机器学习模型包括电量突增识别模型和成因分析模型;
39、预警生成与推送模块,用于基于所述双层机器学习模型的输出结果,生成并推送相应等级的预警信息;
40、策略处置与模型迭代模块,用于根据所述预警信息触发对应的服务策略进行处置,并将处置结果作为标注样本回流,用于迭代优化所述双层机器学习模型。
41、第三方面,本发明提供了一种计算机设备,包括:
42、存储器,用于存储程序;
43、处理器,用于执行所述计算机可执行指令,该计算机可执行指令被处理器执行时实现所述低压用户电量突增预警方法的步骤。
44、第四方面,本发明提供了一种计算机可读存储介质,包括:所述程序被处理器执行时,实现所述的低压用户电量突增预警方法的步骤。
45、本发明的有益效果:本发明通过构建包含识别层与成因分析模型的双层机器学习模型,利用随机森林进行电量突增的二分类初筛,并结合梯度提升决策树对突增成因进行精细化分类,实现了异常识别的高鲁棒性与归因分析的高准确性,有效克服了单一模型难以兼顾筛查稳定性与诊断深度的技术缺陷;通过获取双层模型的输出概率并进行特征拼接,引入逻辑回归模型进行概率校准与综合融合,实现了预警信息的科学分级与精准推送,解决了多层级模型输出结果难以统一量化评估与决策的技术难题;通过建立从预警触发、策略处置到结果标注回流的闭环反馈机制,将现场处置的标注样本定期存入样本库并与原有数据集合并进行模型迭代训练,实现了模型基于真实业务数据的持续自我优化,显著提升了系统对复杂用电场景的自适应能力与长期运行的准确性。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com