[发明专利]一种三阶段多视角特征融合的窃电分类预测方法

说明书

本发明公开了一种三阶段多视角特征融合的用电行为分类预测方法，首先对待分析的客户用电数据，将其作为测试集，并对日用电量、当日电表读数、前一日电表读数中的缺失数据分别用“‑1”和“0”进行填充，形成两份预处理数据；其次，对每份预处理数据，从不同视角来提取特征，对所有视角提取的特征进行合并，使用多个不同的分类预测的机器学习算法进行处理，得出训练集和测试集中的客户的窃电概率；最后，分别用线性模型和树模型对第二个阶段的输出进行预测，然后求均值，获得最终要预测的窃电概率。本发明在现有堆模型的集成学习方法的基础上，增加了数据的多样性、模型的多样性和过拟合处理，从而可以实现对客户窃电概率更加准确的预测。

技术领域

本发明涉及客户用电行为分类预测的机器学习方法，尤其涉及一种三阶段多视角特征融合的窃电分类预测方法。

背景技术

社会经济的发展使得社会用电量逐年增加，受利益驱使,客户异常用电即窃电的现象也日益严重。客户窃电行为不仅给供电企业造成了重大经济损失，也严重影响了正常的供用电秩序。根据国家电网公司统计，近年因客户窃电导致的损失达上千万元。近年来，客户窃电方式也由野蛮窃电发展到设备智能化、手段专业化、行为隐蔽化、实施规模化的高科技窃电，给反窃电工作进一步增加了很大的难度。随着电力系统升级，智能电力设备的普及，电网公司可以实时收集海量的客户用电行为数据、电力设备监测数据，为通过大数据分析技术来开展客户的窃电行为预测提供了基础。通过大数据分析技术实现对客户窃电概率的预测，可以科学的开展防窃电监测分析，提高反窃电工作效率，降低窃电行为分析的时间及成本。

在对大量客户的用电行为进行分析时，由于客户量巨大，历史用电数据缺失较为严重，现有的机器学习方法在处理时面临着缺失值处理、特征提取、特征选择和模型融合等多个方面的挑战，不仅对计算资源要求高，而且需要花费大量的时间对数百维、上千维的特征进行组合和选择。同时，单个分类算法还难以获得较好的客户窃电概率的预测结果，因此，研究可以更好适应数据缺失，减少特征选择过程和提高预测精度的方法具有很强的社会需求和很大的经济价值。

发明内容

本发明所要解决的技术问题是针对背景技术中所涉及到的缺陷，提供一种三阶段多视角特征融合的窃电分类预测方法。

本发明为解决上述技术问题采用以下技术方案：

一种三阶段多视角特征融合的窃电分类预测方法，包括如下步骤：

步骤1），对待分析的客户用电数据，将其作为测试集，并对日用电量、当日电表读数、前一日电表读数中的缺失数据分别用“-1”和“0”进行填充，形成两份预处理数据；

步骤2），对每份预处理数据：

步骤2.1），从时间窗口统计、异常突变值统计和时间序列分析这三个视角中选择至少两个视角来提取特征，每个视角提取的特征值的集合作为一个单独的特征簇，然后把提取到的单独的特征簇合并为一个特征簇，并把该各个单独的特征簇以及合并后的特征簇形成的集合作为该预处理数据的特征簇集合；

步骤2.2），对特征簇集合中的每一个特征簇，采用至少一种二分类的分类算法使用该特征簇分别对预设的客户用电数据的训练集、测试集中的每一个客户进行窃电概率预测；

步骤3），对于训练集和测试集中的每一个客户，将其在两份预处理数据中预测得到的各个预测窃电概率组成其预测窃电概率集合；

步骤4），将训练集和测试集中所有客户的预测窃电概率集合作为特征、分别用树分类模型和线性分类模型对测试集进行预测，，得到待分析的客户用电数据中各个客户的最终预测窃电概率；

步骤5），将待分析的客户用电数据中各个客户的最终预测窃电概率分别和预设的窃电概率阈值进行比较，将最终预测窃电概率大于预设的窃电概率阈值的客户划分为窃电客户，将最终预测窃电概率小于等于预设的窃电概率阈值的客户划分为正常客户。