[发明专利]基于能源数据分析的异常用电监测方法

说明书

本发明公开了一种基于能源数据分析的异常用电监测方法，包括步骤：S1.构建异常用电监测模型；S2.根据异常用电监测模型判断目标用户在采样时刻可疑用电行为的疑似边界是否大于0，若是，判决该目标用户是可疑用电用户，否则，判决该目标用户不是可疑用电用户；S3.按照步骤S2类推，对目标供电区域内所有用电用户进行判断，得到判决结果，并将判决结果发送到监控中心。本发明的基于能源数据分析的异常用电监测方法，能够实时分析和监测窃电等异常用电行为，有效识别并准确定位异常用电用户，并向监管人员发出告警信息，实施成本低。

技术领域

本发明涉及用电领域，具体涉及一种基于能源数据分析的异常用电监测方法。

背景技术

窃电等异常用电行为造成的非技术性损失(non-technical loss,NTL)不仅给电力公司造成了一定的经济损失，还可能影响电网的可靠运行。最简单、最常见的窃电方法是直接从架空馈线取电或篡改电表读数。

多年来，世界各国提出并实施了大量的异常用电行为监测手段。其中，葡萄牙里斯本大学提出了一种基于数据采集和分析的异常用电监测方法，首先利用G-K模糊算法对智能电表采集的历史用电数据进行聚类，提取出典型的用电行为模型，如果新的数据样本与提取的典型用电行为模型有显著偏离，则将新的数据样本归结为恶意样本。采用模糊逻辑算法识别和定位线损异常增大的台区，并统计该台区所有用户的用能量，利用15年的月用电历史数据分析造成线损增大的原因。但是，该方法并不适用于监测架空馈线分接窃电行为。

美国托莱多大学提出了一种异常用电行为监测与识别方法，首先采用并行多级算法对当前和历史用能数据进行编码，识别异常用电目标用户，然后采用支持向量机(support vector machine,SVM)对用户分类。美国哥伦比亚大学设计了一种基于广度和深度卷积神经网络(convolutional neural network,CNN)的异常用电行为监测与识别系统。但是，这些方法都需要大量历史数据来训练模型，无法实时监测和识别窃电等异常用电行为。

西班牙塞维利亚大学设计了一种基于自动抄表(automatic meter reading,AMR)和电力线通信(PLC)的远程异常用电行为监测系统，除了主AMR系统外，在配电线路和用户支线之间的连接点安装由PLC调制解调器和电能计量芯片构成的辅AMR系统。但是，该系统虽然能够实时监测异常用电行为，但会增加实施成本。

美国阿克伦大学设计了一种基于电可调电阻的远程异常用电行为监测方案和装置，在每只智能电表中另外加装一个检测模块，该模块位于负载和电源之间，包括两个开关和一个电可调电阻。智能电表读数通过用电信息采集系统传输至监测中心，监测中心将所有读数的总和与中央电表的读数比较。如果二者存在差异，就判断有异常用电行为。但是，该方法的主要缺点是电可调电阻必须能承受与用户负载相同的大电流，且体积大，价格贵。

韩国庆熙大学设计了一种基于断电操作的异常用电行为远程监测与识别系统，安装两种类型的智能电表，终端智能电表(terminal smart meter,TSM)安装在用户侧，网关智能电表(gateway smart Meter,GSM)安装在配电网台区。GSM可以控制本台区所有用户的供电或断电，TSM由计量模块EM1和EM2、AC/AC调节器、测试电压发生器(testing voltagegenerator,TVG)和一个开关构成。虽然该系统能快速监测与分析异常用电行为，但实施成本高。

发明内容

有鉴于此，本发明的目的是克服现有技术缺陷，提供基于能源数据分析的异常用电监测方法，能够实时分析和监测窃电等异常用电行为，有效识别并定位异常用电用户，并向监管人员发送告警信息，实施成本低。

本发明的基于能源数据分析的异常用电监测方法，包括如下步骤：

S1.构建异常用电监测模型：