一种窃电用户的实时在线识别系统的制作方法

1.本发明涉及一种窃电用户的实时在线识别系统，属于电力系统技术领域。


背景技术：

2.不断增长的电力需求与日益短缺的电力资源之间存在着严重的矛盾，因此，产生了窃电用户群体。长期以来，社会中窃电、欺诈等现象屡禁不止，这些行为严重危害其他用户的生命财产安全，电力企业的经营管理以及供电秩序，甚至对国家经济的发展带来严重的威胁。因此，如何判断窃电用户是目前亟待解决的问题。针对窃电用户，窃电用户的实时在线识别系统尤为重要。
3.目前，窃电用户的实时在线识别方法主要针对窃电用户的地址源信息，根据信息流通道查找用户的位置，利用位置系统破解密码通道，寻找数据中心信息，调整结构性系统状态。但是在实际应用中，用于用户数据收集的力度过大，导致很多无关信息也被采集，会导致出现无法完整再现真实的用户数据信息，导致状态错判现象的发生。


技术实现要素：

4.本发明目的是为了解决现有窃电用户的实时在线识别方法容易出现状态错判现象的问题，提供了一种窃电用户的实时在线识别系统。
5.本发明所述一种窃电用户的实时在线识别系统，一种窃电用户的实时在线识别系统，其特征在于，它包括：
6.用户用电实时监测模块，实时监测用户的用电负荷；
7.用户类别判别模块，分别判别不同的用户类型；
8.用户分类模块，将不同类型的用户进行分类；
9.窃电嫌疑用户判别模块，采用相似性检索判别方法，对同一类型的用户的实时用电负荷进行相似性检索判断，获取窃电嫌疑用户；
10.窃电用户判别模块，调用窃电嫌疑用户的该时段用电负荷历史数据，训练机器学习模型，将实时用电数据输入机器学习模型中，判断实时用电数据与机器学习模型是否匹配，如果不匹配，则将该用户判别为窃电用户。
11.优选的，所述用户类型包括居民用电、商业用电、工业用电和农业生产用电。
12.优选的，采用相似性检索判别方法对同一类型的用户的实时用电负荷进行相似性检索判断，获取窃电嫌疑用户的具体方法为：
13.s3-1、对同一类型的用户的实时用电负荷进行曲线拟合；
14.s3-2、对获取的曲线进行聚类分析；
15.s3-3、计算每个用户与聚类后的曲线的欧氏距离；
16.s3-4、当欧式距离大于s3-2获取的聚类后的曲线与中心的欧式距离时，判断该曲线对应的用户为窃电嫌疑用户。
17.本发明的优点：本发明提出的一种窃电用户的实时在线识别系统，排除了干扰用
电数据的影响，保留了完整的用户数据信息，减少了不必要的操作浪费，缩减了实时判别时间，能够在较高程度上提高系统判别的效率，并加强了识别的性能，集中化处理识别数据，完整再现数据信息状况。
附图说明
18.图1是本发明所述一种窃电用户的实时在线识别系统原理框图。
具体实施方式
19.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
20.需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
21.下面结合附图和具体实施例对本发明作进一步说明，但不作为本发明的限定。
22.具体实施方式一：下面结合图1说明本实施方式，本实施方式所述一种窃电用户的实时在线识别系统，它包括：
23.用户用电实时监测模块，实时监测用户的用电负荷；
24.用户类别判别模块，分别判别不同的用户类型；
25.用户分类模块，将不同类型的用户进行分类；
26.窃电嫌疑用户判别模块，采用相似性检索判别方法，对同一类型的用户的实时用电负荷进行相似性检索判断，获取窃电嫌疑用户；
27.窃电用户判别模块，调用窃电嫌疑用户的该时段用电负荷历史数据，训练机器学习模型，将实时用电数据输入机器学习模型中，判断实时用电数据与机器学习模型是否匹配，如果不匹配，则将该用户判别为窃电用户。
28.具体实施方式二：本实施方式对实施方式一作进一步说明，所述用户类型包括居民用电、商业用电、工业用电和农业生产用电。
29.具体实施方式三：本实施方式对实施方式一作进一步说明，采用相似性检索判别方法对同一类型的用户的实时用电负荷进行相似性检索判断，获取窃电嫌疑用户的具体方法为：
30.s3-1、对同一类型的用户的实时用电负荷进行曲线拟合；
31.s3-2、对获取的曲线进行聚类分析；
32.s3-3、计算每个用户与聚类后的曲线的欧氏距离；
33.s3-4、当欧式距离大于s3-2获取的聚类后的曲线与中心的欧式距离时，判断该曲线对应的用户为窃电嫌疑用户。
34.虽然在本文中参照了特定的实施方式来描述本发明，但是应该理解的是，这些实施例仅仅是本发明的原理和应用的示例。因此应该理解的是，可以对示例性的实施例进行许多修改，并且可以设计出其他的布置，只要不偏离所附权利要求所限定的本发明的精神和范围。应该理解的是，可以通过不同于原始权利要求所描述的方式来结合不同的从属权
利要求和本文中所述的特征。还可以理解的是，结合单独实施例所描述的特征可以使用在其他所述实施例中。


技术特征：
1.一种窃电用户的实时在线识别系统，其特征在于，它包括：用户用电实时监测模块，实时监测用户的用电负荷；用户类别判别模块，分别判别不同的用户类型；用户分类模块，将不同类型的用户进行分类；窃电嫌疑用户判别模块，采用相似性检索判别方法，对同一类型的用户的实时用电负荷进行相似性检索判断，获取窃电嫌疑用户；窃电用户判别模块，调用窃电嫌疑用户的该时段用电负荷历史数据，训练机器学习模型，将实时用电数据输入机器学习模型中，判断实时用电数据与机器学习模型是否匹配，如果不匹配，则将该用户判别为窃电用户。2.根据权利要求1所述的一种窃电用户的实时在线识别系统，其特征在于，所述用户类型包括居民用电、商业用电、工业用电和农业生产用电。3.根据权利要求1所述的一种窃电用户的实时在线识别系统，其特征在于，采用相似性检索判别方法对同一类型的用户的实时用电负荷进行相似性检索判断，获取窃电嫌疑用户的具体方法为：s3-1、对同一类型的用户的实时用电负荷进行曲线拟合；s3-2、对获取的曲线进行聚类分析；s3-3、计算每个用户与聚类后的曲线的欧氏距离；s3-4、当欧式距离大于s3-2获取的聚类后的曲线与中心的欧式距离时，判断该曲线对应的用户为窃电嫌疑用户。

技术总结
一种窃电用户的实时在线识别系统，属于电力系统技术领域，本发明为解决现有窃电用户的实时在线识别方法容易出现状态错判现象的问题。它包括：用户用电实时监测模块，实时监测用户用电负荷；用户类别判别模块，分别判别不同的用户类型；用户分类模块，将不同类型的用户进行分类；窃电嫌疑用户判别模块，采用相似性检索判别方法对同一类型的用户的实时用电负荷进行相似性检索判断，获取窃电嫌疑用户；窃电用户判别模块，调用窃电嫌疑用户的该时段用电负荷历史数据，训练机器学习模型，将实时用电数据输入机器学习模型中，判断实时用电数据与机器学习模型是否匹配，如不匹配则将该用户判别为窃电用户。本发明用于电力系统对窃电用户进行在线判别。户进行在线判别。户进行在线判别。


技术研发人员：王迎春 侯艳权 王义春 李维 王文琦 赵俊涛 姚越 杜欣阳
受保护的技术使用者：国家电网有限公司
技术研发日：2021.11.15
技术公布日：2022/3/7