本發(fā)明涉及于防竊電領(lǐng)域，具體涉及一種基于大數(shù)據(jù)的竊電檢測方法及系統(tǒng)。

背景技術(shù)：

1、隨著電力需求量不斷增加，電力銷售市場不斷擴(kuò)大。為了方便和準(zhǔn)確地進(jìn)行電力計(jì)量和電費(fèi)計(jì)算，在電力領(lǐng)域廣泛地應(yīng)用了智能電表。但是，有些電力用戶受利益驅(qū)使，采用各種不同手段進(jìn)行竊電用電，導(dǎo)致智能電表中讀取的電量與實(shí)際用電量存在較大差異，嚴(yán)重干擾電網(wǎng)的正常運(yùn)行。

2、公開號為cn117110702a的發(fā)明專利申請公開了一種竊電檢測設(shè)系統(tǒng)，該系統(tǒng)包括：設(shè)置在電力用戶變壓器的一次側(cè)的電能數(shù)據(jù)獲取器，用于獲取電力用戶變壓器的一次側(cè)用電數(shù)據(jù)，并通過無線傳輸方式發(fā)送給設(shè)置在電力用戶變壓器的二次側(cè)的電能數(shù)據(jù)接收器；采集終端，用于采集電能數(shù)據(jù)接收器接收到的一次側(cè)用電數(shù)據(jù)，以及獲取電能表采集的電力用戶變壓器的二次側(cè)用電數(shù)據(jù)，并通過無線傳輸方式上傳至主控機(jī)；主控機(jī)，用于根據(jù)接收的一次側(cè)用電數(shù)據(jù)和二次側(cè)用電數(shù)據(jù)，判斷電力用戶是否存在竊電行為。

3、上述系統(tǒng)通過比較一次側(cè)用電數(shù)據(jù)和二次側(cè)用電數(shù)據(jù)判斷是否存在竊電行為，但是電能在傳輸過程中需要經(jīng)過各種電力設(shè)備，而電力設(shè)備會受到環(huán)境的影響，而且影響程度并不相同，這會影響一次側(cè)用電數(shù)據(jù)和二次側(cè)用電數(shù)據(jù)的差值準(zhǔn)確性，進(jìn)而無法保證竊電行為的判斷是否準(zhǔn)確。

4、公布號為cn116862116a的現(xiàn)有發(fā)明專利申請文獻(xiàn)《一種反竊電智能預(yù)警方法、系統(tǒng)、電子設(shè)備和存儲介質(zhì)》，該現(xiàn)有方法包括：根據(jù)選定區(qū)域的歷史竊電用戶用電數(shù)據(jù)，對歷史竊電用戶用電數(shù)據(jù)分類，得到典型竊電模式及對應(yīng)的用電數(shù)據(jù)；將所述區(qū)域待測用戶用電數(shù)據(jù)分別與每種典型竊電模式用電數(shù)據(jù)進(jìn)行比較，將滿足預(yù)設(shè)相似條件的用戶確定為異常用戶；將異常用戶用電數(shù)據(jù)輸入通過正常用戶用電數(shù)據(jù)訓(xùn)練得到的編碼解碼模型，得到對應(yīng)的解碼數(shù)據(jù)，將異常用戶用電數(shù)據(jù)和對應(yīng)解碼數(shù)據(jù)滿足預(yù)設(shè)差異條件的用戶確定為核查對象。

5、公布號為cn109146705a的現(xiàn)有發(fā)明專利申請文獻(xiàn)《一種用電特征指標(biāo)降維與極限學(xué)習(xí)機(jī)算法進(jìn)行竊電檢測的方法》，該現(xiàn)有方法包括：對用戶用電歷史數(shù)據(jù)分析，提取特征指標(biāo)進(jìn)行降維并結(jié)合局部離群因子、極限學(xué)習(xí)機(jī)算法對竊電行為進(jìn)行檢測。首先對用戶的負(fù)荷數(shù)據(jù)進(jìn)行分類，提出度量負(fù)荷曲線的四種指標(biāo)并得出特征變量；其次在分類的基礎(chǔ)上對提取出的特征變量進(jìn)行降維，利用局部離群因子篩選出用電異常用戶；最后采用竊電判別指標(biāo)并提取主成分，將用電異常用戶提取主成分后的竊電判別指標(biāo)數(shù)據(jù)作為訓(xùn)練樣本輸入模型。

6、公布號為cn116933118a的現(xiàn)有發(fā)明專利申請文獻(xiàn)《一種基于改進(jìn)的寄生捕食優(yōu)化算法的竊電辨識方法及系統(tǒng)》，該現(xiàn)有方法包括：導(dǎo)出臺區(qū)所有用戶的用電數(shù)據(jù)，提取每個用戶的典型日負(fù)荷曲線，對每個用戶的典型日負(fù)荷曲線進(jìn)行分類，形成每類用戶的典型日負(fù)荷曲線，提取用戶待檢測時(shí)間段的日負(fù)荷曲線和所屬類的典型日負(fù)荷曲線，計(jì)算匹配度，將低于匹配度閾值的用戶初步確定為竊電用戶，使用改進(jìn)的寄生捕食優(yōu)化算法進(jìn)行檢測，得出一組最優(yōu)竊電系數(shù)序列，設(shè)置竊電系數(shù)閾值，進(jìn)一步確定竊電用戶。

7、現(xiàn)有公開文獻(xiàn)《計(jì)及用戶信用等級的竊電行為診斷技術(shù)》，在該現(xiàn)有文獻(xiàn)中，首先對電能計(jì)量原理和常見的竊電手法進(jìn)行了分析,總結(jié)了一些常見的用于偷電的手段，具體包括欠流、移相、擴(kuò)差、借零以及大功率無線干擾與遙控竊電等高科技竊電手法，為后面構(gòu)建評價(jià)體系提供理論基礎(chǔ)。其次在基于數(shù)據(jù)挖掘概念的基礎(chǔ)上對用戶的用電量指標(biāo)進(jìn)行分析，選出正常指標(biāo)和異常指標(biāo)，通過這些指標(biāo)可以識別異常用戶并分析用戶是否偷電漏電。然后建立了一個信用等級評估指標(biāo)體系，該體系包括用戶的付款信用和電力法規(guī)信用，并采用模糊層次分析法對用戶的信用等級進(jìn)行了評價(jià)。最后在竊電指標(biāo)分析和信用等級評價(jià)的基礎(chǔ)上，采用深度神經(jīng)網(wǎng)絡(luò)模型對用戶進(jìn)行了竊電診斷，發(fā)現(xiàn)考慮用戶信用等級能顯著提高竊電的識別率。

8、前述現(xiàn)有方案未同時(shí)考慮線損數(shù)據(jù)與目標(biāo)用戶的用戶信用數(shù)據(jù)；其生成的竊電數(shù)據(jù)處理序列考慮因素單一，未整合用電誤差、線損增長以及用戶信用等因素，導(dǎo)致其采用的檢測模型得到竊電識別結(jié)果準(zhǔn)確度較低。

9、綜上，現(xiàn)有技術(shù)存在一次側(cè)用電數(shù)據(jù)、二次側(cè)用電數(shù)據(jù)的差值準(zhǔn)確度較低，制約竊電行為判斷精度的技術(shù)問題。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明所要解決的技術(shù)問題在于：如何解決現(xiàn)有技術(shù)中一次側(cè)用電數(shù)據(jù)、二次側(cè)用電數(shù)據(jù)的差值準(zhǔn)確度較低，制約竊電行為判斷精度的技術(shù)問題。

2、本發(fā)明是采用以下技術(shù)方案解決上述技術(shù)問題的：一種基于大數(shù)據(jù)的竊電檢測方法包括：

3、s1、利用預(yù)置檢測設(shè)備，采集獲取目標(biāo)用戶的用電數(shù)據(jù)、線損數(shù)據(jù)，提取目標(biāo)用戶的用電信用數(shù)據(jù)；

4、s2、根據(jù)用電數(shù)據(jù)構(gòu)建用電誤差曲線，根據(jù)線損數(shù)據(jù)構(gòu)建線損變化曲線；對用電誤差曲線、線損變化曲線以及用戶信用數(shù)據(jù)，進(jìn)行時(shí)間配準(zhǔn)處理，得到配準(zhǔn)結(jié)果；

5、s3、基于人工智能模型構(gòu)建竊電檢測模塊，按照預(yù)置時(shí)間框，從配準(zhǔn)結(jié)果中提取竊電特征，將竊電特征輸入至竊電檢測模型，處理得到竊電識別結(jié)果。

6、本發(fā)明基于大數(shù)據(jù)進(jìn)行竊電檢測，在傳統(tǒng)的用電數(shù)據(jù)基礎(chǔ)上，引入了線損數(shù)據(jù)和目標(biāo)用戶的用戶信用數(shù)據(jù)，代替了傳統(tǒng)技術(shù)中比較一次側(cè)、二次側(cè)用電數(shù)據(jù)判定竊電行為的方案，充分考慮了電能在通過電力設(shè)備時(shí)受到的環(huán)境影響，定量研究了前述影響程度，保證了竊電行為判斷操作的準(zhǔn)確性。

7、在更具體的技術(shù)方案中，s1中，預(yù)置檢測設(shè)備包括：電力傳感器、第三方數(shù)據(jù)采集裝置。

8、在更具體的技術(shù)方案中，s2構(gòu)建用電誤差曲線的操作，還包括：

9、s21、在從用電數(shù)據(jù)中提取實(shí)際用電數(shù)據(jù)、理論用電數(shù)據(jù)，配準(zhǔn)處理實(shí)際用電數(shù)據(jù)、理論用電數(shù)據(jù)的對應(yīng)時(shí)間；

10、具體地，在前述配置過程中，針對不同種數(shù)據(jù)進(jìn)行時(shí)間配準(zhǔn)，將各種數(shù)據(jù)的采集時(shí)刻進(jìn)行對齊；

11、s22、計(jì)算各時(shí)刻的實(shí)際用電數(shù)據(jù)與理論用電數(shù)據(jù)的實(shí)際與理論差值，標(biāo)記為用電誤差；

12、s23、以時(shí)間為自變量，以用電誤差為因變量，構(gòu)建用電誤差曲線。

13、本發(fā)明在構(gòu)建用電誤差曲線之前，需要對用電數(shù)據(jù)中的實(shí)際用電數(shù)據(jù)和理論用電數(shù)據(jù)進(jìn)行時(shí)間配準(zhǔn)，這主要是考慮到二者采集時(shí)刻不同而影響用電誤差計(jì)算的可靠性和準(zhǔn)確性。

14、在更具體的技術(shù)方案中，s2構(gòu)建線損變化曲線的操作，還包括：

15、s21’、根據(jù)線損數(shù)據(jù)，求取線損率；

16、s22’、根據(jù)線損率，計(jì)算預(yù)置單位時(shí)間的線損增長率；

17、s23’、以時(shí)間為自變量，以線損增長率為因變量，構(gòu)建線損變化曲線。

18、1、根據(jù)權(quán)利要求4的一種基于大數(shù)據(jù)的竊電檢測方法，其特征在于，s21’還包括：

19、s211’、從線損數(shù)據(jù)中提取各時(shí)刻的線損電量sd、供電量gd；

20、s212’、根據(jù)線損電量sd、供電量gd，利用下述邏輯，求取線損率xsl：

21、xsl＝sd/gd×100％。

22、

23、在更具體的技術(shù)方案中，s22’還包括：

24、s221’、按照預(yù)置單位時(shí)間，提取線損率，以求取相鄰線損率的差值與前一線損率的比值，以作為線損增長率；

25、s222’、將線損增長率與相鄰線損率中的下一線損率對應(yīng)時(shí)刻相關(guān)聯(lián)。

26、在更具體的技術(shù)方案中，s3中，人工智能模型包括：bp神經(jīng)網(wǎng)絡(luò)模型、rbf神經(jīng)網(wǎng)絡(luò)模型。

27、在更具體的技術(shù)方案中，s3中，預(yù)置時(shí)間框大于或等于預(yù)置單位時(shí)間。

28、本發(fā)明鑒于線損數(shù)據(jù)的變化并不頻繁，通過設(shè)置單位時(shí)間，減少了數(shù)據(jù)處理量，提高了竊電檢測的效率。

29、在更具體的技術(shù)方案中，s3從配準(zhǔn)結(jié)果中提取竊電特征的操作，還包括：

30、s31、設(shè)置預(yù)置時(shí)間框；

31、s32、根據(jù)預(yù)置時(shí)間框從配準(zhǔn)結(jié)果中分別提取用電誤差均值、線損增長均值以及用戶信用標(biāo)簽；

32、s33、整合處理用電誤差均值、線損增長均值以及用戶信用標(biāo)簽，得到竊電評估序列，將竊電評估序列輸入至竊電檢測模型，以檢測得到竊電識別結(jié)果。

33、具體地，將前述用電誤差均值、線損增長均值以及用戶信用標(biāo)簽整合到一起，輸入到竊電檢測模型里；基于當(dāng)前時(shí)刻的信用數(shù)據(jù)以及檢測的用電數(shù)據(jù)判斷是否存在竊電。其中，用電數(shù)據(jù)包括但不限于：用電差值以及線損。

34、本發(fā)明按照設(shè)定的時(shí)間框從配準(zhǔn)結(jié)果中分別提取用電誤差均值、線損增長均值和用戶信用標(biāo)簽，并整合生成竊電評估序列，將其輸入至竊電檢測模型中即可得到竊電識別結(jié)果；本發(fā)明考慮多方面因素，克服通過單一用電數(shù)據(jù)識別竊電行為的準(zhǔn)確性問題，綜合提高竊電行為的識別結(jié)果。

35、本發(fā)明采用的竊電檢測模型的標(biāo)準(zhǔn)訓(xùn)練數(shù)據(jù)來源于真實(shí)情況，即對已經(jīng)發(fā)生的竊電行為所對應(yīng)的用電數(shù)據(jù)、線損增長率數(shù)據(jù)進(jìn)行統(tǒng)計(jì)保存。再經(jīng)過數(shù)據(jù)篩選和標(biāo)記，生成標(biāo)準(zhǔn)訓(xùn)練數(shù)據(jù)。而且在訓(xùn)練過程中適當(dāng)引入噪聲，以提高竊電檢測模型的可靠性和準(zhǔn)確性。

36、在更具體的技術(shù)方案中，一種基于大數(shù)據(jù)的竊電檢測系統(tǒng)包括：

37、用戶數(shù)據(jù)采集模塊，用以利用預(yù)置檢測設(shè)備，采集獲取目標(biāo)用戶的用電數(shù)據(jù)、線損數(shù)據(jù)，提取目標(biāo)用戶的用電信用數(shù)據(jù)；

38、數(shù)據(jù)配準(zhǔn)模塊，用以根據(jù)用電數(shù)據(jù)構(gòu)建用電誤差曲線，根據(jù)線損數(shù)據(jù)構(gòu)建線損變化曲線；對用電誤差曲線、線損變化曲線以及用戶信用數(shù)據(jù)，進(jìn)行時(shí)間配準(zhǔn)處理，得到配準(zhǔn)結(jié)果，數(shù)據(jù)配準(zhǔn)模塊與用戶數(shù)據(jù)采集模塊連接；

39、竊電模型檢測模塊，用以基于人工智能模型構(gòu)建竊電檢測模塊，按照預(yù)置時(shí)間框，從配準(zhǔn)結(jié)果中提取竊電特征，將竊電特征輸入至竊電檢測模型，處理得到竊電識別結(jié)果，竊電模型檢測模塊與數(shù)據(jù)配準(zhǔn)模塊連接。

40、本發(fā)明相比現(xiàn)有技術(shù)具有以下優(yōu)點(diǎn)：

41、本發(fā)明基于大數(shù)據(jù)進(jìn)行竊電檢測，在傳統(tǒng)的用電數(shù)據(jù)基礎(chǔ)上，引入了線損數(shù)據(jù)和目標(biāo)用戶的用戶信用數(shù)據(jù)，代替了傳統(tǒng)技術(shù)中比較一次側(cè)、二次側(cè)用電數(shù)據(jù)判定竊電行為的方案，充分考慮了電能在通過電力設(shè)備時(shí)受到的環(huán)境影響，定量研究了前述影響程度，保證了竊電行為判斷操作的準(zhǔn)確性。

42、本發(fā)明在構(gòu)建用電誤差曲線之前，需要對用電數(shù)據(jù)中的實(shí)際用電數(shù)據(jù)和理論用電數(shù)據(jù)進(jìn)行時(shí)間配準(zhǔn)，充分考慮了二者采集時(shí)刻不同而影響用電誤差計(jì)算的可靠性和準(zhǔn)確性。

43、本發(fā)明鑒于線損數(shù)據(jù)的變化并不頻繁，通過設(shè)置單位時(shí)間，減少了數(shù)據(jù)處理量，提高了竊電檢測的效率。

44、本發(fā)明按照設(shè)定的時(shí)間框從配準(zhǔn)結(jié)果中分別提取用電誤差均值、線損增長均值和用戶信用標(biāo)簽，并整合生成竊電評估序列，將其輸入至竊電檢測模型中即可得到竊電識別結(jié)果；本發(fā)明考慮多方面因素，克服通過單一用電數(shù)據(jù)識別竊電行為的準(zhǔn)確性問題，綜合提高竊電行為的識別結(jié)果。

45、本發(fā)明采用的竊電檢測模型的標(biāo)準(zhǔn)訓(xùn)練數(shù)據(jù)來源于真實(shí)情況，即對已經(jīng)發(fā)生的竊電行為所對應(yīng)的用電數(shù)據(jù)、線損增長率數(shù)據(jù)進(jìn)行統(tǒng)計(jì)保存。再經(jīng)過數(shù)據(jù)篩選和標(biāo)記，生成標(biāo)準(zhǔn)訓(xùn)練數(shù)據(jù)。而且在訓(xùn)練過程中適當(dāng)引入噪聲，以提高竊電檢測模型的可靠性和準(zhǔn)確性。

46、本發(fā)明引入了線損數(shù)據(jù)和目標(biāo)用戶的用戶信用數(shù)據(jù)；按照設(shè)定的時(shí)間框從配準(zhǔn)結(jié)果中分別提取用電誤差均值、線損增長均值和用戶信用標(biāo)簽，并整合生成竊電評估序列，將其輸入至竊電檢測模型中即可得到竊電識別結(jié)果；本技術(shù)考慮多方面因素，克服通過單一用電數(shù)據(jù)識別竊電行為的準(zhǔn)確性問題，綜合提高竊電行為的識別結(jié)果。

47、本發(fā)明解決了現(xiàn)有技術(shù)中存在的一次側(cè)用電數(shù)據(jù)、二次側(cè)用電數(shù)據(jù)的差值準(zhǔn)確度較低，制約竊電行為判斷精度的技術(shù)問題。