[发明专利]一种针对非技术性损失的智能用电异常检测方法

说明书

技术领域

本发明属于电力负荷分析技术领域，尤其涉及一种针对非技术性损失的智能用电异常检测方法。

背景技术

非技术性损失(Nontechnical Loss，NTL)是相对于技术性损失而提出来的概念，通常指已经被传送到用户侧使用但是未被计价的电能，与配网侧的用户窃电和一系列欺骗性用电行为有关。如今，非技术性损失已经成为影响电力公司收益的重要因素。

针对非技术性损失，国外提出了许多关于NTL检测的方法，其检测方法非常丰富，包括统计学方法、决策树、人工神经网络、数据挖掘、知识发现以及最优路径树等，但都是离线检测。其历史数据仅由静态的历史负荷曲线提供，如果用户近期突然改变用电习惯，被误测为异常用电的可能性大大提升，同时对于历史数据有限甚至缺失的用户，不具有适用性。随着智能用电的发展，智能电表的普及使得在线检测作为未来异常检测的主要方式成为可能。同时，现有的研究多关注分类准确性，然而，在样本基数很大的情况下，误检率高的问题不容忽略。现场验证耗费人力物力，误检造成的浪费在样本基数很大的情况下，带来的损失同样很大。同时，异常误检率高，对环境的适用能力差的算法不易推广。

发明内容

针对上述现有技术存在的问题，本发明提出一种针对非技术性损失的智能用电异常检测方法，其特征在于，该检测方法的具体步骤为：

步骤1：对原始负荷数据进行预处理；

步骤2：对样本负荷数据进行特征提取；

步骤3：对样本进行划分，确定初始训练样本和寻优样本；

步骤4：利用遗传算法GA进行离线参数寻优，确定最优极限学习机ELM参数值；

步骤5：采样实时数据，按步骤2的方法提取样本的特征，生成测试样本；

步骤6：基于极限学习机ELM算法，代入最优极限学习机ELM参数值、初始训练样本和测试样本进行在线异常检测；

步骤7：如果检测时刻为72小时的整数倍，统计分类精度CA和异常误检率FDC；如果异常误检率超过设定限值FDC^lim跳转到步骤8，否则，跳转到步骤5；

步骤8：更新用户训练样本，跳转到步骤4。

所述步骤1具体为：

对原始负荷数据进行删选，删除非整点时刻的原始负荷数据，统一样本负荷数据采样频率；

对于原始负荷数据缺失问题，采用同周期样本负荷数据的平均值进行填充或覆盖，其计算方法为：

xi=xi-W+xi+W2;W=7×24;]]>

其中，x_i表示第i个时刻的样本负荷数据；W为一周的理论采样样本数。

所述步骤2具体为：

对样本的原始特征集进行预处理，转化为输出特征集；

所述原始特征集由基本数据元素组成，为原始特征集中第m个用户的第i个时刻的样本，每个都是一个包含H个特征值的向量：

xim.0={xh0;h=1~H},H=15;]]>