[发明专利]基于增量数据动态更新的反窃电知识图谱优化方法及系统

说明书

本发明提供了一种基于增量数据动态更新的反窃电知识图谱优化方法及系统，获取新增采集特征类型、各类新旧采集特征的新增采集数据及新增窃电类型；基于新增采集数据进行多因素典型相关分析，得到新增用电行为特征，采用块增量学习算法更新典型相关分析的特征相关系数值；基于获取的新增用电行为特征和更新的典型相关分析相关系数值，采用逻辑回归算法，基于新增窃电类型构建新的反窃电模型类，并更新优化原有反窃电模型的参数；基于窃电类型新增及更新的各类反窃电模型构建底层子图与顶层子图，采用子图匹配融合并处理反窃电知识图谱中的反窃电知识，得到优化后的反窃电知识图谱；本发明提高了窃电行为识别与反窃电稽查工作的效率。

技术领域

本发明涉及智能用电技术领域，特别涉及一种基于增量数据动态更新的反窃电知识图谱优化方法及系统。

背景技术

本部分的陈述仅仅是提供了与本发明相关的背景技术，并不必然构成现有技术。

随着泛在电力物联网建设及覆盖推广，电网各类监、检、测技术可实时或准实时地对用电信息进行量测与监控，从而为窃电行为识别、窃电方式积累和窃电稽查提供了大规模、高维度、多来源和强时效的采集数据，为窃电行为识别和溯源分析提供了数据支撑。且随着电力市场化改革的推进，电力企业与其他企业逐渐回到同一起跑线，在电力窃电查处案件中，若电力管理部门行政执法资源配置不到位、监测证据不足，查处窃电行为往往存在行政执法越位的风险，可能给电力企业带来严重的法律后果及舆论危机。为实现供能成本回收及电网运行安全稳定，对基于时移采集数据对反窃电识别模型及窃电关联知识更新是电力系统运行与发展的重要保障。

发明人发现，当前反窃电检测主要包含状态检测和人工排查两类，其中状态检测主要基于历史样本数据，采用机器学习算法构建训练分类器，从而实现对窃电行为的识别。但训练分类器前需对高维数据进行特征选择，人工筛选即繁琐又耗时，且现有方法均是针对一维用电数据，然而用户用电量受季节、生活方式、天气条件等多不可控因素的影响，一维用电数据往往难以识别出用电的周期性或非周期性规律，且依靠人力无法识别海量用电数据中的隐藏关联，而特征数据关联分析的不足往往导致窃电检测精度较差。尤其随着相关监测技术的发展，各项用电数据被更为详细地记录，且随着时间的推移，用户的各类采集数据不断更新，为提高反窃电识别的精准度，动态更新的细粒度关联性分析必不可少。而在反窃电稽查过程中，存在窃电认定难及窃电证据不足的问题，尤其针对临时性窃电，工作人员突击检查发现窃电行为效率低。

发明内容

为了解决现有技术的不足，本发明提供了一种基于增量数据动态更新的反窃电知识图谱优化方法及系统，将蕴含先验知识的知识图谱与机器学习算法相融合，基于海量用电采集数据开展细粒度关联性挖掘，持续动态更新并完善各类反窃电模型，并以知识图谱实现有效、直观地窃电推理知识溯源，提高了窃电行为识别与反窃电稽查工作的效率。

为了实现上述目的，本发明采用如下技术方案：

本发明第一方面提供了一种基于增量数据动态更新的反窃电知识图谱优化方法。

一种基于增量数据动态更新的反窃电知识图谱优化方法，获取新增采集特征类型、各类新旧采集特征的新增采集数据及新增窃电类型；

对获取的数据进行预处理；

基于新增采集数据进行多因素典型相关分析，得到新增用电行为特征，采用块增量学习算法更新典型相关分析的特征相关系数值；

基于获取的新增用电行为特征和更新的典型相关分析相关系数值，采用逻辑回归算法，基于新增窃电类型构建新的反窃电模型类，并更新优化原有反窃电模型的参数；

基于窃电类型新增及更新的各类反窃电模型构建底层子图与顶层子图，采用子图匹配融合并处理反窃电知识图谱中的反窃电知识，得到优化后的反窃电知识图谱。

进一步的，所述预处理，包括：数据清洗、数据删除、数据补全和归一化。