一种基于电力负荷特征反向提取监测点的方法及系统与流程

1.本发明涉及一种异常监测方法及系统，尤其涉及一种基于电力负荷特征反向提取监测点的方法及系统。


背景技术：

2.国网营销稽查模块通过国网既定稽查规则对用电户档案数据进行统计分析，获取当月用电行为异常的用电户集合。各地市专职参考稽查结果进行用电户现场安全检查。
3.目前稽查模块从用电户数据采集到指标计算，如：月谷用电量、月发行电费、半年均电量等，再到基于稽查规则，如线损、电费等专业实际应用的异常用户统计，电力异常分析具有较大的滞后性，统计完成时已对正常的业务产生了影响并很可能已经导致用户投诉或电量损失。因此，急需要提出一个基于采集数据及时反馈用电异常的智能异常检测方法。
4.目前常用的电力异常检测有如下几种方法：基于人工现场检查的日常人工检查法；基于电力功能成本、效益等经济指标波动变化进行异常分析的经济分析法；基于用电量与设备容量的正相关比值计算进行异常分析的负荷计量分析法；基于电压、电流、功率、用电量、线损等属性构建综合性异常模型的智能模型分析法；基于用户用电行为数据挖掘结果进行异常分析的数据挖掘分析法。
5.目前，电力系统中异常用电户数据时效性较低，需要对异常用电户判定的及时性进行优化，且现有的电力系统中基于传统的异常检测方法又存在人力成本高、受限于计量自动化系统的安装使用情况、不同异常模型的阈值设定一般靠人工经验不够灵活等缺点，而目前常用的基于数据挖掘的异常分析方法也存在电力负荷的研究涉及到过多的因素，导致系数和阈值的设定对神经网络模型的检测结果有较大的影响造成异常检测度不高，缺少对相似用户的关联性对比分析等缺点，需要进行进一步改进。


技术实现要素：

6.发明目的：本发明旨在提供一种基于电力负荷特征反向提取监测点的方法及系统，解决异常负荷点检测效率低、精度低、成本高的问题。
7.技术方案：本发明所述的基于电力负荷特征反向提取监测点的方法，包括以下步骤：
8.(1)采集并预处理电力负荷数据；
9.(2)通过聚类分析建立相似用户历史电力负荷序列集；
10.(3)根据单用户当月电力负荷数据变化趋势划分用户电力负荷波动区间，汇总对应日的电力负荷点数据，构建单用户各波动区间的历史电力负荷序列集；
11.(4)按波动区间划分用电户新增的日电力负荷序列，并与该用户相同波动区间的历史电力负荷序列集聚类分析，获得用户离群负荷序列，通过匹配相同波动区间的用户历史电力负荷序列集、相似用户历史电力负荷序列集获得用户离群负荷序列的异常程度并输出异常序列；
12.(5)提取检测点。
13.所述电力负荷数据包括用户id、用户类别、用户家庭情况信息、用电类别、台区号、日期时间、电压值、电流值、用电量、有功功率、无功功率、线损值。
14.步骤(1)中的预处理包括缺失数据预处理：根据缺失值前后相邻两日相同时间点的负荷的均值和后一日相对前一日的负荷变化率，填充缺失数据如下：
[0015][0016]
其中，x(i)表示填充后的用电负荷；i表示时间点；a1和a2表示缺失值前后两天对应时刻和前后两个时间点负荷的加权系数。
[0017]
步骤(1)中的预处理包括噪声数据预处理，包括以下步骤：
[0018]
(11)基于dbscan密度聚类算法，获得用户负荷序列中的密度区域；
[0019]
(12)根据用户负荷序列的异常程度确定异常噪声数据；首先获得用户负荷点相对距离d表示负荷点到中心点s的距离，rd表示密度区域的可达距离，ds表示以s为中心点的所有负荷点到中心点距离的均值；如果相对距离是否大于设定的阈值，则判断该数据为异常噪声数据；
[0020]
(13)对异常噪声数据修复
[0021][0022]
x(t)表示前一日不存在异常的负荷数据，x`(t-j)表示序列异常点前面第j个负荷数据，x(t-j)表示序列异常点前一日对应的前面第j个负荷数据。
[0023]
步骤(2)中包括以下步骤：
[0024]
(21)对用户的用电环境和用户自身特征聚类分析获得相似用户分组；
[0025]
(22)构建相似用户历史电力负荷序列集，相似用户i在一个月内的用电负荷序列xi可以表示为：
[0026]
xi(96)＝[x
i，j
(1)，x
i，j
(2)，x
i，j
(3)，...，x
i，j
(96)]
[0027]
式中，x
i，j
(1)表示用户i在日期为j用电信息，i表示用户编号，j表示用户负荷序列时间戳，。
[0028]
步骤(3)中包括以下步骤：
[0029]
(31)以月为统计周期，对单用户每日的电力负荷序列按工作日、周末、节假日类型加权求和操作；
[0030]
(32)对加权后的电力负荷序列，计算相邻点的电力负荷数值的梯度，并对用户电力负荷序列波动区间划分；
[0031]
(33)基于dbscan密度聚类算法，对不同波动区间电力负荷序列设定对应参数(扫描半径、最小包含点数)，构建单用户各波动区间的历史电力负荷序列集。
[0032]
步骤(4)中包括以下步骤：
[0033]
(41)对用户新增的日电力负荷序列波动区间划分；
[0034]
(42)该用户日新增的各波动区间的电力负荷序列与用户相同波动区间的历史电力负荷序列集聚类分析，获得用户离群负荷序列；
[0035]
(43)利用用户离群序列的波动区间获取相同用户所在月份的相同波动区间的历史电力负荷序列集对用户离群负荷匹配，获得历史数据模型匹配度
[0036][0037]
其中，h(t)为用户相同波动区间的历史电力负荷序列集，u(t)为用户离群负荷序列，t为负荷序列的波动起始时刻，m为负荷序列的波动时间长度，mon_d为当月天数；
[0038]
(44)利用用户离群序列的波动区间获取相同波动区间的相似用户历史电力负荷序列集对用户离群负荷匹配，获得相似用电模型的匹配度
[0039][0040]
其中，s(t`)为相同波动区间的相似用户历史电力负荷序列集，为相似用户平均负荷，u(t`)为用户离群负荷序列，用户离群负荷序列平均负荷，t为负荷序列的波动起始时刻，m为负荷序列的波动时间长度，mon_d为当月天数；
[0041]
(45)根据历史数据模型匹配度s1和相似用电模型的匹配度s2，运用加权算法获得用户模型的支持度s；
[0042]
(46)输出支持度s大于设定阈值的异常序列。
[0043]
步骤(5)中包括以下步骤：
[0044]
(51)根据用户分类模型获取用户类型，通过监测负荷异常的时间点获取负荷异常时间区间，结合稽查业务特征规则提取监测点，并保存到稽查知识库；
[0045]
监测点＝{用电户类型，负荷异常时间区间，异常相关业务特征数据集，用电异常类型}
[0046]
(52)把用户新的异常监测点与稽查知识库中的检测点匹配，获得异常用户问题的定位。
[0047]
本发明所述的基于电力负荷特征反向提取监测点的系统，包括数据采集模块、数据预处理模块、相似用户分类模块、负荷异常分析模块和稽查规则问题匹配模块；
[0048]
所述数据采集模块获得用户信息、用电信息和用电负荷；然后将数据传输给数据预处理模块；所述数据预处理模块对数据缺失值处理和噪声处理；所述相似用户分类模块根据预处理后的数据获得相似用户分组，并建立相似用户历史电力负荷序列集；所述负荷异常分析模块按波动区间划分用电户新增的日电力负荷序列，并与该用户相同波动区间的历史电力负荷序列集进行聚类分析，获得用户离群负荷序列，通过匹配相同波动区间的用户历史电力负荷序列集、相似用户历史电力负荷序列集获得用户离群负荷序列的异常程度并输出异常序列；所述稽查规则问题匹配模块根据用户分类模型获取用户类型，通过监测
负荷异常的时间点获取负荷异常时间区间，结合稽查业务特征规则提取监测点。
[0049]
有益效果：与现有技术相比，本发明具有如下显著优点：
[0050]
(1)提高了检测效率、降低成本消耗。
[0051]
(2)异常负荷点检测模型进一步考虑电力负荷波动分区特性以及用户用电特征，不仅提高了单用户异常电力负荷检测精度，相对深度学习方式的检测模型更易调试和实现。
[0052]
(3)基于数据中台的大数据计算能力，抽取实时变化数据，结合异常检测算法提高异常检测的时效性。
[0053]
(4)将稽查业务规则及检测出的监测点进行业务固化处理进一步完备国网电力营销稽查业务；实际投运于营销稽查使得用户异常检测的准确性提升6个百分点且时效性提升至每20分钟刷新一次异常检测结果。
附图说明
[0054]
图1为本发明的方法的流程图；
[0055]
图2为本发明的系统的结构图。
具体实施方式
[0056]
下面结合附图对本发明的技术方案作进一步说明。
[0057]
由图1可知：本发明所述的基于电力负荷特征反向提取监测点的方法，包括以下步骤：
[0058]
(1)基于国家电网营销2.0系统以及用电采集系统提供的实时用电负荷数据，并进行预处理。
[0059]
(2)通过用电户档案数据，如用户id、用户类别、用户家庭情况信息、用电类别、台区号、日期时间等信息对用电户进行聚类操作，将相似用电户进行分组合并，建立相似用户历史电力负荷序列集。
[0060]
(3)通过单用户当月电力负荷数据(无异常)变化趋势(上升、下降、平缓)，划分用户电力负荷波动区间，汇总对应日电力负荷数据，构建单用户各波动区间的历史电力负荷序列集(无异常电力负荷数据)；
[0061]
(4)按波动区间划分用电户新增的日电力负荷序列，并与该用户相同波动区间的历史电力负荷序列集进行聚类分析，获得用户离群序列，通过匹配相同波动区间的用户历史电力负荷序列集、相似用户历史电力负荷序列集分析离群序列的异常程度并输出异常序列；
[0062]
(5)基于提取的用户异常负荷点结合业务规则实现异常监测点的提取。
[0063]
步骤(1)电力负荷数据的预处理
[0064]
电力负荷数据包括用户id、用户类别、用户家庭情况信息、用电类别、台区号、日期时间、电压值、电流值、用电量、有功功率和无功功率、线损值等。电力负荷数据极易受到噪声干扰。目前，国家电网的用电负荷数据来源于多个不同的系统，数据表现形式不一且存在数据缺失和数据不一致等问题，为了提高数据挖掘的质量，因此需要对来源数据进行预处理操作。
[0065]
由于电力负荷数据一般具有波动周期特性，按照该特性分别计算缺失值前后相邻两日相同时间点的负荷、缺失值前后两个时间点的负荷的均值，结合后一日相对前一日的负荷变化率法，以负荷均值加上负荷变化量填充缺失值。
[0066]
缺失值处理公式：
[0067][0068]
式中，x(i)表示填充后的用电负荷；i表示时间点取值为1到96，对应时间点00:00到23:45；a1和a2表示缺失值前后两天对应时刻和前后两个时间点负荷的加权系数。
[0069]
对于噪声数据预处理，电力负荷噪声数据在整个负荷曲线上表现为偏离曲线正常的波动范围，可以通过负荷序列的前后波动性关系和负荷间的距离来检测该类异常。
[0070]
基于dbscan密度聚类算法，取负荷序列中的中心负荷点s最近的k个负荷点的距离表示该序列的密度区域，即密度越大的负荷点的区域半径越小。以负荷点到中心点的距离d与密度区域半径r中的较大者作为该中心点的可达距离。电力负荷点到中心点的相对距离：
[0071][0072]
式中，d表示负荷点到中心点s的距离，rd表示密度区域的可达距离，ds表示以s为中心点的所有负荷点到中心点距离的均值。
[0073]
若电力负荷点到中心点的相对距离大于设定的异常阈值，则断定负荷为异常噪声数据。
[0074]
对于检测到的异常噪声数据，采用当前负荷相对前一天时间序列的变化的情况进行修复。
[0075]
修复方式：
[0076][0077]
式中，x(t)表示前一日不存在异常的负荷数据，x`(t-j)表示序列异常点前面第j个负荷数据,x(t-j)表示序列异常点前一日对应的前面第j个负荷数据。
[0078]
步骤(2)建立相似用户电力负荷序列
[0079]
使用用户历史用电负荷数据进行异常检测时，鉴于同地区地理、气候条件等尾部因素基本相同，相同用电类型的用户具有相似的用电行为，用户本身的用电行为在时间维度上具有相似性。因此对相同类型的用户进行用电负荷进行规律特点挖掘，对此类用户的用电异常检测更有意义。
[0080]
对用电户的划分考虑很多因素，综合考虑了用户的用电环境和用户自身特征，如：用电户类型、台区号、电压等级、功率因数、日用电量、日平均负荷、日最大负荷、日最小负荷、日峰谷差、峰总比、平总比、谷总比、负荷率、负荷曲线、房屋面积、电器种类、电器数量。通过信息特征转化、进行聚类处理，划分出相似类型用户分组。
[0081]
获取相似用户分组后，分别对相似用户建立用电户用电模型。相似用户i在一个月
内的用电负荷序列xi可以表示为：
[0082]
xi(96)＝[x
i，j
(1)，x
i，j
(2)，x
i，j
(3)，...，x
i，j
(96)]
ꢀꢀꢀꢀꢀꢀꢀ
(4)
[0083]
式中，x
i，j
(1)表示用户i在日期为j的00：15的用电信息，i表示用户编号，j表示用户负荷序列时间戳，j的取值范围为0-96的正整数。
[0084]
通过对用电户及相似用电户用电模型的日期、负荷序列时间戳的组合切片来构造用户、相似用户的同时间段的历史用电序列模型，用于和之后检测出来的用户离群序列进行异常度的匹配计算。
[0085]
步骤(3)和步骤(4)采用密度聚类进行异常检测
[0086]
其中在步骤(3)中，对单用户电力负荷波动区间进行判定，用电量异常通常通过用户用电量的波动来呈现，因此根据用户用电负荷单位时间用电量的波动情况将用电信息划分为上升段、下降段和保持段序列。对用户的用电数据进行波动区间的划分标定后，使用波动区间表示的负荷，对波动区间进行密度聚类，获得单用户各波动区间的历史电力负荷序列集。具体步骤如下：
[0087]
(31)以月为统计周期，对单用户每日的电力负荷序列按工作日、周末、节假日类型加权求和操作；
[0088]
(32)对加权后的电力负荷序列，计算相邻点的电力负荷数值的梯度，并对用户电力负荷序列波动区间划分；
[0089]
(33)基于dbscan密度聚类算法，对不同波动区间电力负荷序列设定对应参数(扫描半径、最小包含点数)，构建单用户各波动区间的历史电力负荷序列集。
[0090]
基于dbscan聚类算法进行用电负荷聚类，dbscan聚类算法是一种具有噪声应用的基于高密度连通区域的密度聚类方法，通过用户设定的参数ε＞0确定每个对象的领域半径，使用参数minpts制定聚集簇的密度阈值。对于对象中的点，根据聚类结果有一下几种情况:如果一个对象的领域半径ε范围内至少有阈值minpts个点，将该对象称之为核心对象；如果半径范围内没有那么多的点，则称之为离群对象；介于二者之间的是边界点；对划分好的负荷序列进行密度聚类处理，当负荷序列不属于任何簇时，可以认为是存在异常。步骤(4)中，利用获取的离群负荷序列为基础数据，获取相同波动区间的用户历史电力负荷序列集、相似用户历史电力负荷序列集，做进一步匹配分析。通过对负荷序列与用电模式的曲线变化趋势来进行匹配。综合考虑基于统计量相关系数和基于平均距离的方法度量负荷序列的匹配情况。具体步骤如下：
[0091]
(41)对用户新增的日电力负荷序列波动区间划分；
[0092]
(42)该用户日新增的各波动区间的电力负荷序列与用户相同波动区间的历史电力负荷序列集聚类分析，获得用户离群负荷序列；
[0093]
(43)通过离群序列获取用户相同波动区间的历史电力负荷序列集对离群序列匹配，获得的历史数据模型匹配度
[0094][0095]
式(5)中，h(t`)为用户相同波动区间的历史电力负荷序列集，u(t`)为离群负荷序
列，t为负荷序列的波动起始时刻，m为负荷序列的波动时间长度，mon_d为当月天数。
[0096]
(44)利用离群序列获取相同波动区间的用户历史电力负荷序列集对离群序列进行匹配，相似用电模型的匹配度：
[0097][0098]
式(6)中，s(t`)为相同波动区间的用户历史电力负荷序列集，为相似用户平均负荷，u(t`)为离群负荷序列，离群负荷序列平均负荷，t为负荷序列的波动起始时刻，m为负荷序列的波动时间长度，mon_d为当月天数。
[0099]
(45)将历史数据模型匹配度s1和相似用电模型的匹配度s2，根据实际情况确定对两种模型的偏好程度和运用加权算法得到用户模型的支持度s。基于正常负荷序列簇中的负荷序列数据进行模式匹配以确定支持度s的阈值选择，如果支持度小于该阈值认为该序列存在异常行为。
[0100]
(46)输出支持度s大于设定阈值的异常序列。
[0101]
步骤(5)监测点提取
[0102]
基于国家电网专家制定的稽查规则结合检测出的用电户异常电能负荷点反向提取监测点。通过步骤(2)中用户分类模型获取用户类型，通过监测负荷异常的时间点获取负荷异常时间区间，结合稽查业务特征规则提取监测点。
[0103]
监测点组成：{用电户类型，负荷异常时间区间，异常相关业务特征数据集，用电异常类型}。
[0104]
将提取的监测点保存到稽查知识库中，当用户产生新的异常监测点时，通过余弦相似度算法将新增监测点与稽查知识库中的监测点进行匹配，进一步优化稽查异常用户问题定位的时效性问题和准确性问题。部分用电异常判定业务特征规则表1所示。
[0105]
表1电异常判定业务特征规则表
[0106]
[0107][0108]
由图2可知，本发明所述的一种基于电力负荷特征反向提取监测点的系统，包括数据采集模块、数据预处理模块、相似用户分类模块、负荷异常分析模块和稽查规则问题匹配模块；
[0109]
所述数据采集模块获得用户信息、用电信息和用电负荷；然后将数据传输给数据预处理模块；所述数据预处理模块对数据缺失值处理和噪声处理；所述相似用户分类模块根据预处理后的数据获得相似类型用户分组，并建立相似用户电力负荷序列集；所述负荷异常分析模块获得离群序列，根据负荷离群序列匹配相同波动区间的用户历史电力负荷序列集、相似用户历史电力负荷序列集，获得离群序列的异常程度；所述稽查规则问题匹配模块根据用户分类模型获取用户类型，通过监测负荷异常的时间点获取负荷异常时间区间，结合稽查业务特征规则提取监测点。
[0110]
本实施例中于基于j2ee框架和python开发，通过java获取用户基础信息及电力负荷数据。采用python语言实现密度聚类算法以及相似用户异常负荷匹配算法。java程序算法接口调用采用jython包调用python的.py文件的方式。将营销稽查业务规则以sql的形式保存，对用电户异常类型进行判定。