CN110824270A 结合台区线损和异常事件的窃电用户辨识方法及装置 （中国电力科学研究院有限公司）

结合台区线损和异常事件的窃电用户辨识本发明公开一种结合台区线损和异常事件包括台区线损数据和台区内各用电用户的基础出K-means聚类窃电嫌疑用户集、支持向量机窃综合评估后确定所述异常线损台区内的窃电嫌2获取至少一个待稽查台区的台区及用户数据，所述台区应用台区线损异常检测方法和所述至少一个待稽查台区根据所述K-means聚类窃电嫌疑用户集、支持向量机窃电嫌疑用户集和贝叶斯算法窃若待稽查的台区的线损不超过预先设定的线损阈值，但该台区的线损的K-means聚类若待稽查的台区的线损不超过预先设定的线损阈值，且该台区的线损的K-means聚类损的K-means聚类结果中最高类的离散度大于预先设定的离散度阈值，则判断所述待稽查所述高损台区或所述线损波动率异常台区或所述线损离散度异常台区均为异常线损获取台区内用户用电量与台区月平均线损之间的对所述用户特征集进行K-means聚类分析，并确定聚类中心点与其他各类的中心点偏选取具有窃电嫌疑标签的用户的当周用电量平均值和前M个周各周用电量平均值作为选取具有非窃电嫌疑标签的用户的当周用电量平均值和前M个周各周用电量平均值作利用多组具有窃电嫌疑标签的用户的用电特征数据和具有非窃电嫌疑标签的用户的3获取台区内历年出现电能表开盖异常事件后窃电用户与非窃电用户的其他异常事件其中，根据待稽查台区内任一用户的电能表开盖异常事件和其他异常事则窃电嫌疑概率大于预先指定的嫌疑阈值的用户为窃所述根据所述K-means聚类窃电嫌疑用户集、支持向量机窃电嫌疑用户集和贝叶斯算法窃根据所述K-means聚类窃电嫌疑用户集、支持向量机窃电嫌疑用户集和贝叶斯算法窃电嫌疑用户清单内的任一用户属于所述K-means聚类窃电嫌疑用户集、支持向量机窃电嫌7.根据权利要求1至6中任一项所述的结合台区线损和异常事件的窃电用户辨识方法，所述用电用户的基础数据包括从用电信息采集系统中获数据获取模块，用于获取至少一个待稽查台区的台4根据所述K-means聚类窃电嫌疑用户集、支持向量机窃电嫌疑用户集和贝叶斯算法窃反窃电稽查监控平台，用于向所述窃电用户辨识5量机反窃电模型和预先构建的贝叶斯算法反窃电模型，确定出K-means聚类窃电嫌疑用户[0009]根据所述K-means聚类窃电嫌疑用户集、支持向量机窃电嫌疑用户集和贝叶斯算量机反窃电模型和预先构建的贝叶斯算法反窃电模型，确定出K-means聚类窃电嫌疑用户[0015]根据所述K-means聚类窃电嫌疑用户集、支持向量机窃电嫌疑用户集和贝叶斯算67[0036]本发明首先以台区线损异常识别为基础，识别出高损[0042]本实施例的方法结合低压用户台区线损异常和异常事件两个方向分别建立低压支持向量机算法的反窃电模型；以异常事件为基础的模型包括贝叶斯算法的反窃电模型。[0045]步骤S20：应用台区线损异常检测方法和所述至少一个待稽查台区的台区线损数8量机反窃电模型和预先构建的贝叶斯算法反窃电模型，确定出K-means聚类窃电嫌疑用户[0048]根据所述K-means聚类窃电嫌疑用户集、支持向量机窃电嫌疑用户集和贝叶斯算[0052]若待稽查的台区的线损不超过预先设定的线损阈值，但该台区的线损的K-means[0053]若待稽查的台区的线损不超过预先设定的线损阈值，且该台区的线损的K-means的线损的K-means聚类结果中最高类的离散度大于预先设定的离散度阈值，则判断所述待[0054]所述高损台区或所述线损波动率异常台区或所述线损离散度异常台区均为异常[0057]对所述用户特征集进行K-means聚类分析，并确定聚类中心点与其他各类的中心[0060]选取具有窃电嫌疑标签的用户的当周用电量平均值和前M个周各周用电量平均值[0061]选取具有非窃电嫌疑标签的用户的当周用电量平均值和前M个周各周用电量平均[0062]利用多组具有窃电嫌疑标签的用户的用电特征数据和具有非窃电嫌疑标签的用[0065]获取台区内历年出现电能表开盖异常事件后窃电用户与非窃电用户的其他异常9[0067]其中，根据待稽查台区内任一用户的电能表开盖异常事件和[0071]根据所述K-means聚类窃电嫌疑用户集、支持向量机窃电嫌疑用户集和贝叶斯算述窃电嫌疑用户清单内的任一用户属于所述K-means聚类窃电嫌疑用户集、支持向量机窃[0072]进一步地，所述用电用户的基础数据包括从用电信息采集系统中获取的第一数[0081]如图2所示，本发明实施例的结合台区线损和异常事件的窃电用户辨识装置，包[0083]异常线损台区确定模块200，用于应用台区线损异常检测方法和所述至少一个待[0084]窃电嫌疑用户清单生成模块300，用于针对任一存在窃电嫌疑用户的异常线损台量机反窃电模型和预先构建的贝叶斯算法反窃电模型，确定出K-means聚类窃电嫌疑用户[0086]根据所述K-means聚类窃电嫌疑用户集、支持向量机窃电嫌疑用户集和贝叶斯算[0115]记S为判定线损异常台区的线损率阈值；当任一台区的聚类结果中最高类与最低类的中心点之间的距离D超过该阈值S时，则认为该台区是线损率波动较大的线损异常台[0122]窃电嫌疑系数r用来表征台区存在窃电嫌疑用户的可能性大小。台区线损率的时趋势的用户将被确定为用电异常用户。[0131]计算台区月平均用电量变化率，其中台区本月平均用电量E及上月平均用电量计公式如下：[0141]基于用电量趋势异常检测模型能够有效地从台区中筛选出影响台区线损的用户个窃电嫌疑用户。[0151]温度与用电量之间存在一定的相关性，存在对温度的变化不敏感异常用电的用[0163]基于建立的用户特征集进行K-means聚类分析。由于异常用户的特征与其他类存[0185]依据图7的流程图得到的贝叶斯网络推断模型，是通过对历史异常事件及相关用[0186](1)进行数据准备，收集历年出现电能表开盖异常事件后的窃电用户与非窃电用[0195]以上，基于线损异常和用电异常事件两个方向分别建立低压用户反窃电预警模[0196]记以线损为基础的K-means聚类算法的反窃电模型确定的异常用户集合为F1；以[0197]基于以上3个不同的反窃电模型的得到的结果集，对其采用投票原则确定最终的在6月份线损变大；而且该用户的用电量波动较大(即出现用电量下降)且该用户所属台区[0206]通常地，在权利要求中使用的所有术语都根