[发明专利]一种基于数据挖掘技术的自动化窃电识别方法

说明书

本发明属于窃电识别技术领域，尤其是一种基于数据挖掘技术的自动化窃电识别方法，针对现有技术中识别技术必须搭配定制化的硬件设备，成本较高，推广周期长，而且，无法突破专家算法的局限性，缺乏对原有电力数据的深度挖掘，智能化程度较低的问题，现提出如下方案，其包括以下步骤：S1：获取档案、用电量数据；S2：数据预处理：S3：确定对象，第一、截取已查处窃电用户用电量异常波动时段数据，第二、按照时间序列将数据反转，S4：构建窃电行为特征识别模型，S5：使用监督机器学习模型、训练模型。本发明对其用电量数据采用分段分割法构建特征工程，通过有监督的机器学习方法训练模型，提升识别准确率。

技术领域

本发明涉及窃电识别技术领域，尤其涉及一种基于数据挖掘技术的自动化窃电识别方法。

背景技术

目前，对于公变、专变窃电用户的窃电用户识别，主要依靠用电稽查人员的经验积累和业务知识，定期或非定期的现场稽查，效率低成本高，智能化程度低。与此同时，窃电技术呈现多样化、高科技化、隐蔽性强的发展趋势，依据专家经验进行反窃电的局限性日渐明显。

现阶段用电数据的采集种类、频度有限，在窃电智能分析方面，仍需配备专门的采集设备，获取更丰富的用电数据供专家算法和人工判定使用，达到识别窃电目的。此类智能识别技术必须搭配定制化的硬件设备，成本较高，推广周期长，而且，无法突破专家算法的局限性，缺乏对原有电力数据的深度挖掘，智能化程度较低。

发明内容

本发明的目的是为了解决现有技术中识别技术必须搭配定制化的硬件设备，成本较高，推广周期长，而且，无法突破专家算法的局限性，缺乏对原有电力数据的深度挖掘，智能化程度较低的缺点，而提出的一种基于数据挖掘技术的自动化窃电识别方法。

为了实现上述目的，本发明采用了如下技术方案：

一种基于数据挖掘技术的自动化窃电识别方法，包括以下步骤：

S1：获取档案、用电量数据；

S2：数据预处理：数据预处理对用户电能表日冻结示数中存在的缺失值、0值及明显错误数据这几种异常情况进行处理；

S2：数据预处理：第一、截取已查处窃电用户用电量异常波动时段数据，第二、按照时间序列将数据反转；

S4：构建窃电行为特征识别模型，模型构建采用：第一、时间分段法构建特征工程模型，第二、关联分析；

S5：使用监督机器学习模型、训练模型；

S6：模型验证与优化。

优选的，所述S2中，具体包括以下处理方式：

首先，计算异常值占比及连续出现异常值的长度、并进行采样；

如果异常值占比超过预设阈值或连续出现异常值的长度超过预设阈值，则舍弃该样本；如果异常值占比及连续异常值长度均未超过预设阈值，则针对每一段连续的异常值，在出现该异常值的区间附近对日冻结示数进行随机采样，

其次，对采样得到的结果进行线性拟合，通过拟合得到的日冻结示数曲线对异常值进行填充、替换；

最后，异常值处理结束后，对电能表日冻结示数做一阶差分，得到日用电量曲线。

优选的，所述S3中，对用电量异常波动，预测窃电用户用电异常点，以现场稽查已确认的窃电用户用电数据为学习对象，发现窃电用户在被查处前后，均会出现日用电量曲线异常波动的现象，包括但不限于日用电量明显上升，以此推断，窃电用户在开始窃电的某一日期或时刻应存在于此对应的日用电量异常波动现象。