[发明专利]一种异常用电检测方法、系统和存储介质

说明书

本发明公开了一种异常用电检测方法、系统和存储介质，属于智能电网异常用电行为识别技术领域。该异常用电检测方法包括如下步骤：获取待检测的智能电表数据；将智能电表数据转换为多时间序列数据；将多时间序列数据输入训练好的异常用电检测模型，获得预测的用电类型标签；将预测的用电类型标签中概率最大的用电类型作为待检测的智能电表数据的异常用电检测结果。本发明能够充分、全面地利用用电大数据，深入挖掘异常用电行为的高级特征，提高异常用电检测的泛化性能、降低误判比例，高效、准确地检测异常用电。

技术领域

本发明涉及一种异常用电检测方法、系统和存储介质，属于智能电网异常用电行为识别技术领域。

背景技术

长期以来，由于窃电、电表故障和安装错误等异常用电给电网运营商每年带来巨额的经济损失。而且，由于采集到的用电数据存在巨大误差，还会影响电网的调度与管理，以及运行安全。因此，异常用电检测是智能电网运维过程中安全用电的重要支撑之一，具有非常重要的意义。通过对用电行为正常与否的甄别，既可以即使追补因为异常用电导致的少计量的电费。此外，还可以校正失真的用电数据，提高电网数据质量，为更广泛的电力大数据分析提供保障。目前，包括我国在内的世界主要国家的工商业用户在全社会用电量中占有非常大的比例，在我国该比例已超过80％，因此在工商业用户中检测异常用电显得尤为重要。

越来越多的研究人员热衷基于大数据分析的方法，借助统计学、数据挖掘、机器学习等技术手段查找异常用电行为。相比基于硬件的解决方案，此类方法具有效率高、检测速度快等优势；并且，随着电力部门积累的智能电表数据越来越多，此类方法逐渐成为主流。基于数据分析的异常用电检测方法，主要依赖人工特征建模加判别算法设计的实施模式；特别是特征模型的性能，直接决定了检测方法的优劣。常常因为特征模型的泛化能力不足，导致大量误报。目前，人工特征建模的不足具体表现在如下几个方面：

1)异常用电行为的数据现象具有极大的多样性，并且，智能电表数据规模异常庞大，人工设计数据特征时，根本无法遍历所有可能的数据现象。人工设计的数据特征往往基于少量数据，从而导致检测模型的准确性随时间逐渐退化；

2)异常用电的数据特征是多方面的，既有短期特征，也有长期特征；既有局部特征，也有全局特征；人工很难在短时间内，徒手设计出性能优异特征模型；

3)智能电表数据中蕴含了大量各类噪声，将干扰人类专家进行数据分析与特征建模；

4)人工设计的数据特征往往具有较强的局限性，直接受人类专家的技术水平和经验等相关，导致特征模型主观性强，可伸缩性差，无法满足应用要求。

由此可见，传统的异常用电检测方法已经无法满足智能电网的运维与发展需求。如何充分利用用电大数据，深入挖掘异常用电行为的高级特征，高效、准确地检测异常用电，成为智能电网发展的主要趋势。

发明内容

本发明的目的在于克服现有技术中的不足，提供一种异常用电检测方法、系统和存储介质，能够充分、全面地利用用电大数据，深入挖掘异常用电行为的高级特征，提高异常用电检测的泛化性能、降低误判比例，高效、准确地检测异常用电。

为达到上述目的，本发明是采用下述技术方案实现的：

第一方面：

一种异常用电检测方法，所述异常用电检测方法包括如下步骤：

获取待检测的智能电表数据；

将智能电表数据转换为多时间序列数据；

将多时间序列数据输入训练好的异常用电检测模型，获得预测的用电类型标签；

将预测的用电类型标签中概率最大的用电类型作为待检测的智能电表数据的异常用电检测结果。

进一步的，将智能电表数据转换为多时间序列数据的方法包括如下步骤：