基于K-means聚类与多源特征融合的充电桩异常用电识别方法与流程

本发明属于充电桩异常识别方法，具体涉及一种基于k-means聚类与多源特征融合的充电桩异常用电识别方法。

背景技术：

1、随着电动汽车保有量的快速增长，充电桩作为关键基础设施，其报装规模呈爆发式增长。然而，在规模快速扩张的同时，充电桩业务暴露出三大突出问题：一是业扩报装不规范，如现场容量与系统容量不一致、一址多户；二是电价执行错误，未按政策执行居民合表或工商业电价；三是违约用电，如私自变更用电性质、高价低接、在充电桩计量点后接入空调、照明等非充电负载。

2、正常运行的充电桩具有典型且可预测的用电规律，具体表现为：方波性：低压充电桩将交流电转换为直流电为电池充电，其负荷特性曲线呈现为近似标准方波的形状，由于在恒流-恒压充电模式之间转换，方波存在多个微小峰值。连续性：慢充桩，指3-7kw家用类型，负荷曲线表现为“平滑夜间负荷”特征，功率稳定在额定功率±10%范围内，持续时长6-8小时，曲线无明显波动；快充桩，指60-240kw类型，负荷曲线则呈“快速攀升-稳定峰值-快速回落”的典型三角形态，峰值持续时长与功率规格对应，如60kw快充桩峰值持续20-40分钟。

3、当前，电网公司主要依赖人工稽查、周期性巡检以及基于简单规则阈值的异常告警进行问题排查。现有技术存在以下缺陷：

4、规则单一，误判率高：传统方法仅利用月度电量或功率阈值进行判断，无法区分充电桩正常负荷波动，如快充的尖峰波形、慢充的矩形波形与异常接入导致的畸变波形，导致大量误报。难以识别隐蔽性违约用电：用户私自接入非充电负载后，其总负荷曲线会呈现“非典型”特征，如多峰、高波动性、功率畸变或连续长时间用电，现有技术缺乏对这种多维波形特征融合分析的能力。缺乏多层级协同研判，现有方法未将业扩档案、电价政策、实时负荷曲线波形特征、区域聚集度等多个维度的数据进行综合建模，无法对用户风险进行量化分级，导致治理资源投放不精准。

5、因此，亟需提供一种能够基于充电桩典型波形规律精准识别异常用电行为，并能评估风险等级的技术方案。

技术实现思路

1、本发明提供基于k-means聚类与多源特征融合的充电桩异常用电识别方法，旨在解决现有技术中无法有效区分正常充电波形与异常用电波形、隐蔽违约用电行为识别率低的技术问题。

2、本发明采用的技术方案为：基于k-means聚类与多源特征融合的充电桩异常用电识别方法，包括如下步骤：

3、s1：获取多源数据并进行预处理；

4、s2：基于典型用电规律提取多维波形特征向量；

5、s3：基于k-means聚类的异常初筛；

6、s4：异常聚集度分析与结果输出。

7、所述步骤s1中，从营销业务系统、用电信息采集系统及稽查台账中提取目标用户的原始数据，并对原始数据进行清洗。

8、所述原始数据包括：

9、档案数据：户号、报装容量、用电类别、执行电价、充电桩用户标识；负荷数据：日负荷96点有功功率曲线、月用电量。

10、所述原始数据清洗过程为：剔除因设备故障导致的瞬时极端值，指瞬时极端值指超出额定功率3倍以上，并对缺失负荷点进行线性插值补全；对同一用户跨系统数据进行一致性校验。

11、所述步骤s2中，首先建立正常充电桩的典型用电规律模板；针对充电桩用户，以其日负荷96点数据为分析对象，提取对波形形态敏感的关键特征，形成特征向量f。

12、所述典型用电规律模板包括：

13、慢充典型波形：平滑矩形波，功率稳定在额定功率±10%范围内，持续时长6-8小时，曲线无明显波动，充电段内功率变异系数趋近于0；

14、快充典型波形：三角尖峰波，呈“快速攀升-稳定峰值-快速回落”形态，峰值持续时长与功率规格匹配，指60kw规格对应55-65kw峰值，持续20-40分钟。

15、所述特征向量f包括以下七个指标：

16、特征f1：充电段变异系数cv：计算充电时段内负荷数据的方差与均值之比；正常矩形充电波形的cv趋近于0，所有点集中在额定功率附近；异常波形因非充电负载的随机启停导致波动剧烈，cv显著增大。

17、特征f2：充电段极差率：计算（充电段最大功率-充电段最小功率）/充电段均值；正常慢充曲线极差很小，仅包含结尾下降点，该值接近0；异常用电因存在非充电负载导致功率骤升骤降，极差率骤增。

18、特征f3：众数占比：统计充电段负荷数据中落在其众数±5%范围内点数占总充电点数的比例；正常慢充曲线该比例大于90%，大部分点在同一矩形高度；异常曲线因波形畸变，众数占比显著下降。

19、特征f4：微小负荷占比：统计负荷值大于0且小于0.1kw的点数占总充电点数的比例；正常充电无此类点，充电功率远高于0.1kw，该特征不为0则极大概率为异常，如充电桩未工作但计量点后有小功率负载接入。

20、特征f5：数据双峰距离：对充电段负荷数据进行k-means聚类（k=2），计算两个聚类中心的距离；正常充电波形为单峰，仅一种工作功率，双峰距离为0；若存在充电负载与非充电负载同时工作，如夜间7kw充电+日间3kw空调，会形成两个显著分离的负荷中心。

21、特征f6：功率极值比：计算充电段最小功率与最大功率之比；正常矩形波形该值大于0.8；异常波形因存在低功率非充电负载导致极值比极小。

22、特征f7：快慢充标识：根据报装容量或运行功率是否大于22kw区分为快充或慢充。用于匹配不同的典型波形模板，慢充匹配矩形波模板，快充匹配三角尖峰波模板。

23、将步骤s2得到的特征向量f作为输入，采用k-means无监督聚类算法对用户进行初步分类：

24、初始化簇数，通过肘部法则或轮廓系数确定，正常场景取2-3。

25、通过最小化代价函数

26、进行迭代计算，其中为样本数，为簇中心数，为样本是否属于簇的指示变量，为第个簇的中心；

27、输出分类标签：正常充电用户会根据其慢充/快充类型分别聚入“矩形波簇”或“尖峰波簇”，而异常用电用户因负荷波形随机、多峰、连续或功率畸变，会聚入“噪点簇”或单独成簇，据此生成疑似异常用户清单。

28、所述步骤s4中，基于分布表中各地市总线索量与充电桩用户基数，计算异常聚集度指数，进一步锁定“高线索量+高用户密度”的双重高风险区域，引入异常聚集度指数。计算公式为：

29、异常聚集度指数（g）=某地市异常线索数（c）/该地市充电桩用户总数（d）×全省平均异常线索密度（e）其中，全省平均异常线索密度（e）=全省异常线索总数/全省充电桩用户总数。当g＞1.2时，判定为异常高聚集区域。

30、最终，输出每个用户的异常标签、风险等级、触发的具体规则列表，以及区域异常热力图，供稽查人员现场核查。

31、本发明的有益效果：

32、本发明首次系统性地将充电桩典型用电规律量化为充电段变异系数、双峰距离、众数占比等7个波形敏感特征，并结合k-means聚类，实现了对“在充电桩后接入非充电负载”这一隐蔽违约用电行为的精准识别，解决了传统阈值法无法区分波形形态的根本问题。

33、本发明将无监督聚类异常初筛与有业务规则深度研判相结合，构建了“典型波形模板-特征提取-聚类初筛-规则融合”四层技术架构，能够同时应对业扩报装、电价执行、违约用电三大类异常，显著提升了识别的全面性和准确性。

34、通过引入异常聚集度指数g及量化的四级风险分级，实现了治理资源的精准投放，将稽查效率提升50%以上。