[发明专利]一种小样本驱动的异常用电数据集的构建方法及模块

说明书

一种小样本驱动的异常用电数据集的构建方法，其特征在于，包括以下步骤：步骤1，采集低压居民用户的用电数据，对所述用电数据进行处理并生成分类数据集；步骤2，采用蒙特卡洛方法对所述分类数据集进行概率密度拟合，并基于概率密度函数构建随机样本，以及基于所述随机样本生成正常用电行为数据集；步骤3，基于用户的异常用电行为构建异常用电数据篡改模型，并基于所述异常用电数据篡改模型和所述正常用电行为数据集生成异常用电行为数据集；步骤4，合并所述正常用电行为数据集与所述异常用电行为数据集，以生成用电行为数据集。本发明能主动创建新型数据特征，有效扩充低压居民用户异常用电数据量，为电力大数据分析应用提供支撑。

技术领域

本发明涉及电力数据分析领域，更具体地，涉及一种小样本驱动的异常用电数据集的构建方法及模块。

背景技术

降低异常用电行为造成的损失，是世界各国电网长期以来亟待解决的重要问题，众多的科研人员投入其中。现有技术中，电力系统中的非技术性损失通常由窃电、计量故障、私搭乱接、私自改变用电性质等异常用电行为造成。这些异常用电一方面作为未被计费或未被正确计费的电能消费，会给电力部门带来巨大的经济损失，另一方面也会严重威胁到电力系统的正常运行。例如，一些未被监管的异常用电行为，如变更居民用电为商业用电、私接电动汽车充电桩等，都会对电力系统的正常运行造成严重影响。同时，这些异常用电行为的长期存在，还会伴随着供电设备的过载、超压，并造成电气设备的超负荷、电网系统的动态不确定性以及负载信息不足引发的电能调度不足等等，上述这些问题都是电力系统的重大安全隐患。

同时，用电信息采集系统对低压居民用户仅能够采集到非常少的数据，采集的数据存在密度过低、信息量有限等问题，例如，低压居民用户异常用电案例数据严重不足。

现有技术中，尽管已经建立了异常用电特征的分析，但这些分析的数据来源也仅仅限于少数个案，特征模型的适应性存在片面性，低压居民用户异常用电识别准确率不高、不稳定。

因此，亟需一种新的异常用电数据集的构建方法及模块。

发明内容

为解决现有技术中存在的不足，本发明的目的在于，提供一种小样本驱动的异常用电数据集的构建方法及模块，通过构建分类数据集，采用概率密度拟合生成正常用电行为数据，并基于异常用电数据篡改模型生成异常用电行为数据集。

本发明采用如下的技术方案。

一种小样本驱动的异常用电数据集的构建方法，其特征在于，包括以下步骤：步骤1，采集低压居民用户的用电数据，对用电数据进行处理并生成分类数据集；步骤2，采用蒙特卡洛方法对分类数据集进行概率密度拟合，并基于概率密度函数构建随机样本，以及基于随机样本生成正常用电行为数据集；步骤3，基于用户的异常用电行为构建异常用电数据篡改模型，并基于异常用电数据篡改模型和正常用电行为数据集生成异常用电行为数据集；步骤4，合并正常用电行为数据集与异常用电行为数据集，以生成用电行为数据集。

优选地，分类数据集的构建方法为：步骤1.1，对低压居民用户的智能电表中用电数据进行采集和预处理，并基于预处理后的数据生成样本数据集；步骤1.2，基于用户用电的周期特性和数值特性生成样本数据集判据，并基于样本数据集判据建立分类数据集；步骤1.3，对分类数据集中的数据分别进行聚类，并基于聚类结果剔除分类数据集中的异常样本。

优选地，对低压居民用户的智能电表中用电数据进行预处理还包括：去除采集到的原始数据中的异常值和离群值样本，同时采用插值法填充原始数据中的缺失值。

优选地，样本数据集判据包括周期特性判据和数值特性判据；其中，周期特性判据用于将样本数据集中的样本数据区分为工作日数据和非工作日数据，数值特性判据区分样本数据和基于样本数据生成的标准化数据；分类数据集包括工作日样本数据集、非工作日样本数据集、工作日标准数据集、非工作日标准数据集。