一种电力窃电精准定位及异常用电行为检测分析模型的制作方法

1.本发明涉及电力数据分析技术领域，具体涉及一种电力窃电精准定位及异常用电行为检测分析模型。


背景技术：

2.随着我国电力生产的不断发展，整个电力市场的需求也在不断的提高，但窃电现象却日益严重。窃电给正常供电秩序和安全用电带来极大影响。窃电负荷波动较大，一些窃电方式野蛮粗暴，轻则损坏低压电气设施，重则连锁反应造成局部供电中断。而且窃电者多数是非专业技术人员，窃电时极易引发触电造成伤亡，威胁着自己和他人的人身安全。
3.高科技窃电及违约用电手段导致现在用户的违约窃电行为很难被发现，窃电行为对国家的经济造成了巨大的损失，对公众的生命财产安全造成了巨大的威胁。反窃电工具智能化、信息化程度，直接影响诊断准确度和反窃电作业效率。因此，提升、完善“事前”分析预警、精准定位，“事中”协同监督、过程控制，“事后”总结提升、主动防御的反窃电全业务信息化闭环管控能力尤为重要。


技术实现要素：

4.为了解决相关技术问题，本技术的目的在于提供一种电力窃电精准定位及异常用电行为检测分析模型。
5.为实现本发明的目的，本发明提供的技术方案如下：
6.一种电力窃电精准定位及异常用电行为检测分析模型，通过深度挖掘多源系统数据价值，开展异常用电行为潜在特征深度识别及智能预警，通过模型实现用户异常用电行为监测分析，并计算出违约及疑似窃电用户的嫌疑系数，通过时间周期性的监测，精准定位用户窃电行为；通过线上反窃电平台积累的大量窃电案例，归类总结构建不同窃电手法的特征指标规则库，实现反窃电模型自主迭代优化，所述反窃电模型的提升包括以下方面：构建违约用电模型、优化已有模型、高压电压电流关联分析模型、专变用户异常用电分析模型、模型分类与清洗。
7.其中，所述违约用电模型包括需量大于合同容量、光伏企业单网发电量超阈值、用户办理暂停业务但电表依然走字。
8.其中，所述优化已有模型是通过增加模型研判条件来增加模型输出线索的准确性。
9.其中，所述高压电压电流关联分析模型包括数据格式检验、档案类数据清洗、运行类数据清洗、事件类数据清洗、有电流无电压分析、电流不平衡分析、电压电流规范性缺失和结果研判。
10.其中，所述专变用户异常用电分析模型包括基于电量计量流失的异常在线监测模型和基于专家诊断方法的异常用电分析模型。
11.其中，所述基于专家诊断方法的异常用电分析模型包括用电特征集构建、专家指
标库建立、用户负荷区间段识别模型、电流爬坡异常诊断模型、周期性过负荷异常诊断模型、高频磁枪类异常识别模型。
12.其中，所述模型分类与清洗是通过对模型进行分类，并通过模型输出的结果进行模型与模型之间互相研判对模型进行清洗，提高窃电线索的准确性。
13.与现有技术相比，本发明的优点在于：本发明建立有多种模型，从各方面全方位的对用户异常用电行为进行监测分析，精准定位用户的窃电行为，本发明归类总结构建不同窃电手法的特征指标规则库，实现反窃电模型自主迭代优化，提升模型分析的准确率和查全率，提高基层人员反窃工作主动出击的准确性，震慑窃电不法分子使其不敢窃、不能窃、不想窃。
具体实施方式
14.需要说明的是，在不冲突的情况下，本技术中的实施例及实施例中的特征可以相互组合。
15.实施例
16.本发明提供的一种电力窃电精准定位及异常用电行为检测分析模型，通过深度挖掘多源系统数据价值，开展异常用电行为潜在特征深度识别及智能预警，通过模型实现用户异常用电行为监测分析，并计算出违约及疑似窃电用户的嫌疑系数，通过时间周期性的监测，精准定位用户窃电行为；并通过线上反窃电平台积累的大量窃电案例，归类总结构建不同窃电手法的特征指标规则库，实现反窃电模型自主迭代优化，提升模型分析的准确率和查全率，提高基层人员反窃工作主动出击的准确性，所述反窃电模型的提升包括以下方面：构建违约用电模型、优化已有模型、高压电压电流关联分析模型、专变用户异常用电分析模型、模型分类与清洗。
17.所述违约用电模型包括以下三个方面：需量大于合同容量即变压器超过合同容量，所有10kv以上的用户的一个月之内平均15分钟的最大需量大于合同容量，说明变压器的容量大于合同容量；光伏企业单网发电量超阈值，光伏窃电的单发电量按照统计规律，剔除较高和较低的单网发电量，根据期望和方差建立正态分布对单网发电量进行分析，当与均值相差较大时判断为光伏用户私自增容；用户办理暂停业务但电表依然走字，针对10kv以上的用户在办理暂停业务期间，电表依然走字，证明该用户存在违约用电的嫌疑。
18.所述优化已有模型是通过增加模型研判条件来增加模型输出线索的准确性。
19.所述高压电压电流关联分析模型是通过采集系统采集的电压电流历史曲线数据，分析同一时刻有电流无电压、两相电流相差不大剩余一相电流较低、电压电流存在规范性缺失等特征情况，同时考虑不同接线方式电压电流阈值的差异性，预测用户是否存在疑似窃电行为，具体包括数据格式检验、档案类数据清洗、运行类数据清洗、事件类数据清洗、有电流无电压分析、电流不平衡分析、电压电流规范性缺失和结果研判。
20.所述专变用户异常用电分析模型包括基于电量计量流失的异常在线监测模型和基于专家诊断方法的异常用电分析模型。
21.所述基于电量计量流失的异常在线监测模型是以专变用户为分析单元，构建专变计量点误差模型，利用机器学习方法适配模型参数，准确计算各计量点误差值，匹配异常用电用户计量点负大超差特征，定位异常用电用户范围，提升检出率和检出效率。
22.所述基于专家诊断方法的异常用电分析模型是针对误差模型输出的异常用户集合，通过构建专家诊断模型，结合异常事件、业务场景及动机等进行综合诊断研判，实现异常用电(窃电)用户精准定位，具体包括用电特征集构建、专家指标库建立、用户负荷区间段识别模型、电流爬坡异常诊断模型、周期性过负荷异常诊断模型、高频磁枪类异常识别模型。
23.所述用电特征集构建，是为了有效区分正常用电用户数据、异常用电用户数据，排除表计规格等客观因素的干扰，将用户按照用户类别、电表电流规格进行分组，分别统计组内用户的电量、负荷等体现用电特征的数据，构建用电特征数据集，所述特征数据集相关信息如下：
24.[0025][0026]
所述专家指标库建立，是通过对历史的异常用电用户用电数据总结归纳，制定异常用电相关的特征向量，构建专变异常用电的专家指标库，提高专变用户异常用电分析对用电异常的识别准确率，所述专家指标库包含以下指标：
[0027]
[0028][0029]
所述用户负荷区间段识别模型，是对用采系统内所有电能表、负荷曲线数据进行关联分析，筛选电流数据、电压数据满足完整性要求的电能表，以每天为一分析周期，比较并识别每个时刻的电能表电流最大值，按照合同容量对用户电表进行分类分析，计算并统计分析周期内用户生产负荷时间段及其占比情况、生活负荷时间段及其占比情况，根据占比情况，剔除分析时间段负荷全为零电能表；剔除分析时间段生产时间段占比过低电能表；标记分析时间段全部为生产时间段电能表。
[0030]
所述电流爬坡异常诊断模型，是以高负荷用户电能表(三相三线)为分析对象，校验周期内电能表功率变化一致性。综合分析电能表总有功功率分布特征，区分生产负荷曲线、生活负荷曲线，识别“电流爬坡”数据区域，结合同时间段的电压数据、电流数据的不平衡特征，校验电能表是否符合“电流爬坡”异常规则。综合分析符合“电流爬坡”异常规则电能表连续多个周期的数据，校验异常数据分布，按照连续性、周期性、随机性特征进行分类统计；对符合“电流爬坡”异常电能表各相功率数据进行异常零值校验、固定值校验，为工作人员处理数据逻辑异常提供必要分析手段和参考依据。
[0031]
所述周期性过负荷异常诊断模型，是基于配电线路计量点相关的电能表配置的负荷曲线数据采集任务，一般为96点数据，包括电压、电流、功率、功率因数、示值等负荷曲线数据，还有日最大需量、抄表历日周期内最大需量，因此从多维度判断计量点相关电能表是否发生超量程运行情况。
[0032]
所述高频磁枪类异常识别模型，指的是利用强磁铁放置在靠近电能表的位置，使计量设备磁路饱和而停走，造成电能表少计量或不计量，方式隐蔽，易于撤除。在数据上的体现是有一段数据缺失，且缺失前后的电能示值斜率有差别，利用高频磁枪类异常识别模型可识别该类异常用电用户。
[0033]
所述模型分类与清洗是通过对模型进行分类，并通过模型输出的结果进行模型与模型之间互相研判对模型进行清洗，提高窃电线索的准确性。
[0034]
需要说明的是，本技术中未详述的技术方案，采用公知技术。
[0035]
以上所述仅是本发明的优选实施方式，应当指出的是，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。