[发明专利]一种基于合成少数类过采样技术的隐蔽窃电行为辨识方法

说明书

一种基于合成少数类过采样技术的隐蔽窃电行为辨识方法，属供电管理领域。收集某一时段正常用户及记录到的异常用户用电数据；收集对应时段的天气温度数据；进行数据输入及预处理：基于少数类过采样技术的数据扩充：进行用户特征数据标签构建：进行随机森林算法窃电行为预测：对用户最终是否存在窃电的行为作出判断或预测。其除了考虑用户用电特征指标外，将天气因素与用户用电时空相关性考虑在内，并考虑窃电行为隐蔽型的特点，利用合成少数类过采样技术对小样本量的异常样本进行扩充，提高样本有效数据量及覆盖范围，提高了模型训练的精度，增强了窃电行为的辨识能力。

技术领域

本发明属于供电管理领域，尤其涉及一种用基于合成少数类过采样的方式来辨识窃电行为的方法。

背景技术

随着经济的快速发展，人们对电力的依赖程度越来越高，家庭用电器功率、用电量都得到了快速发展。

然而，部分用户为了少缴电费，甚至不缴电费，通过更改电能表计量线路、电表结构等措施进行窃电，且窃电行为越发猖獗。

窃电行为不仅会造成电网公司收入下降，影响其他用户安全可靠用电，更改线路等还可能造成短路，引发火灾等严重灾害，威胁他人生命财产安全。

完全依靠电力工人逐户摸排检查来杜绝窃电行为是难以实现的，一方面电力工人数量有限，除了供电、保电任务外，还要承担临时抢险、巡线排查等，难以实现逐户检查；另一方面，部分窃电是通过更改简易装置实现的，可以快速复原设备，在检查期间正常运行，这样就导致无法发现异常。

而随着智能电网建设，终端用户用电信息的计量和记录已经很方便了，且人工智能等技术也为出力大量用户用电数据提供了可能。

虽然对隐蔽窃电行为数据的记录有限，但通过合适的方法仍然能够挖掘窃电用户用电行为特征，为电网公司辨识潜在窃电用户提供技术和方法支撑。因此，研究小样本数据下的用户窃电行为辨识方法具有重要的经济效益和社会效益。

国内对用户窃电行为预测进行了广泛研究。例如，在文献“基于无监督学习的电力用户异常用电模式检测”(庄池杰，张斌，胡军，等在《中国电机工程学报》(2016,36(2):379-387)中，公开了采用基于局部离群因子算法的无监督学习对终端用户用电异常行为进行检测和识别，利用主成分分析及因子分析实现了特征变量的降维，并根据定义的波动性指标、趋势指标等数据标签进行无监督学习；在文献“基于实值深度置信网络的用户侧窃电行为检测”(张承勇，肖先勇，郑子萱.《电网技术》(2019,43(3):1083-1091)中提出了基于实值深度置信网络的用户侧窃电行为检测方法，为了提高预测精度避免随机初始化产生的局部最优解的问题，提出了通过萤火虫算法对网络参数进行全局寻优以加快求解速度。文献“稀疏随机森林下的用电侧异常行为模式检测”(许刚，谈元鹏，戴腾辉.《电网技术》(2017,41(6):1964-1971)中，公开了利用多个决策树构成的稀疏随机森林算法对用户窃电行为进行辨识，基于套索算法对各个决策树进行稀疏化表示，并通过在连续时间序列中进行随机推移采样，提高了模型预测的准确度。在文献“基于大数据混合数据驱动模型的多用户反窃电甄别研究”(薛峪峰，马占海，罗红郊.《自动化与仪表仪器》(2020,254(12):215-218)中，为了提高多用户窃电行为的甄别，提出了以驱动电源、有功功率、直流电压及电流相位差等参数为约束变量，利用大数据混合调度方法进行多用户窃电行为识别和输出反馈控制。文献“基于曲线相似性分析的窃电用户判断”(吴迪.《中国电力》(2017,50(2):181-184)利用用户线损的特点，采用时域和频域曲线相似性的分析方法对用户负荷曲线与异常馈线线损曲线之间的相似度来判断用户窃电行为，相似度则利用欧氏距离、余弦距离和街区距离进行计算。而文献“基于密度聚类技术的电力系统用电量异常分析算法”(田力，向敏.《电力系统自动化》(2017,41(5):64-70)则使用密度聚类方法计算异常用户用电得分，进而实现对用户窃电行为进行预测和识别，通过构建离群对象得分、相对用电频率以及关联规则支持度指标的乘积来量化用户小时级用电数据行为特征。