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

技术特征：
1.一种基于电力负荷特征反向提取监测点的方法，其特征在于，包括以下步骤：(1)采集并预处理电力负荷数据；(2)通过聚类分析建立相似用户历史电力负荷序列集；(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；(4)按波动区间划分用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；(5)提取检测点。2.根据权利要求1所述的基于电力负荷特征反向提取监测点的方法，其特征在于：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。3.根据权利要求1所述的基于电力负荷特征反向提取监测点的方法，其特征在于：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：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。4.根据权利要求1所述的基于电力负荷特征反向提取监测点的方法，其特征在于：步骤(1)中的预处理包括噪声数据预处理，包括以下步骤：(11)基于dbscan密度聚类算法，获得用户负荷序列中的密度区域；(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，r
d
表示密度区域的可达距离，d
s
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；(13)对异常噪声数据修复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。5.根据权利要求1所述的基于电力负荷特征反向提取监测点的方法，其特征在于：步骤(2)中包括以下步骤：(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；(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x
i
可以
表示为：x
i
(96)＝[x
i，j
(1)，x
i，j
(2)，x
i，j
(3)，...，x
i，j
(96)]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。6.根据权利要求1所述的基于电力负荷特征反向提取监测点的方法，其特征在于：步骤(3)中包括以下步骤：(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；(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；(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参数，构建单用户各波动区间的历史电力负荷序列集。7.根据权利要求1所述的基于电力负荷特征反向提取监测点的方法，其特征在于：步骤(4)中包括以下步骤：(41)对用户新增的日电力负荷序列波动区间划分；(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；(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；(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；(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；(46)输出支持度s大于设定阈值的异常序列。8.根据权利要求1所述的基于电力负荷特征反向提取监测点的方法，其特征在于：步骤(5)中包括以下步骤：
(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；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}(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。9.一种基于电力负荷特征反向提取监测点的系统，其特征在于：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；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。

技术总结
本发明公开一种基于电力负荷特征反向提取监测点的方法，包括(1)采集并预处理电力负荷数据；(2)通过聚类分析建立相似用户历史电力负荷序列集；(3)通过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，构建单用户各波动区间的历史电力负荷序列集；(4)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。本发明提高检测效率、降低成本消耗；提高单用户异常电力负荷检测精度；提高异常检测的时效性；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。异常检测结果。异常检测结果。


技术研发人员：赵仰东 曹杰 李瑶虹 丁晓 胡健 王威 张弦 许道强 董勤伟 刘娟 严海浪
受保护的技术使用者：南瑞集团有限公司 国网江苏省电力有限公司
技术研发日：2021.11.01
技术公布日：2022/2/7