[发明专利]一种基于卷积自编码器和改进回归算法的窃电用户辨识和窃电量预测方法

说明书

本发明公开了一种基于卷积自编码器和改进回归算法的窃电用户辨识和窃电量预测方法。本发明方法为：首先，以采集的正常用户电量数据为输入，建立卷积自编码器异常检测模型，并将重构误差较大的异常用电用户识别为窃电用户；然后，分别从窃电用户的窃电和非窃电时段的电量计量数据中提取电量统计指标并构建特征向量，将构建的特征向量作为Tradaboost算法输入，训练并生成XGBoost回归模型，对各用户的潜在窃电量进行预测。本发明可以快速、准确地学习正常用电规律，识别异常用电的窃电用户，并且对各窃电用户的潜在窃电量作预测。

技术领域

本发明涉及窃电检测研究领域，特别是涉及一种利用机器学习技术挖掘用户用电特征进行反窃电分析研究的方法。

背景技术

窃电用户通过非法手段使电表读数低于实际用电量，从而减少支付的用电费用，对电网公司的利益造成很大的损害，除了经济损失以外，窃电行为会造成异常高的台区线损值，导致变压器过载和电压不平衡，影响电力系统的运行安全。

随着电力需求的不断增长，窃电检测已成为保障供电公司效益的重要措施。然而窃电用户的实际窃电量大小难以确定，实地窃电排查缺少可靠排查依据。供电公司检测窃电的主要方法是现场检查用户电表，该方法效率较低，耗费大量人力物力，检查范围有限，抓获的窃电案例数目非常少，因此需要提出新的窃电检测技术，提高检测效率和准确度。新一代人工智能和机器学习技术在能源和电力系统中得到了广泛的应用，一方面，电力系统向着智能电网的方向演进，物理结构和数学模型更加复杂，采集数据体量大、维度高，需要应用机器学习技术进行数据的深度挖掘，另一方面，机器学习技术具有较强的学习和迁移能力，对准确数学模型的依赖度低，能够有效解决高维复杂问题。基于数据驱动和机器学习技术的窃电检测方法利用现有窃电样本记录和用电数据训练不同的检测模型，具有使用灵活、成本低、准确度高等优势，已经成为窃电检测的主要发展方向。然而，当前基于机器学习技术的窃电检测模型往往因为训练样本不平衡、窃电规律挖掘不充分等问题，易于将窃电用户误判为正常用户，导致窃电用户的检出率较低。

发明内容

本发明主要解决的方法问题是克服现有窃电排查方法对窃电用户的识别准确率较低，且无法预测用户的窃电量大小的不足，提供一种基于卷积自编码器和改进回归算法的窃电用户辨识和窃电量预测方法，识别出窃电用户并预测其潜在的窃电量。

为解决上述方法问题，本发明采用的方案是：

一种基于卷积自编码器和改进回归算法的窃电用户辨识和窃电量预测方法，其特征在于包含如下步骤：

步骤1.采集台区下正常用户的历史电量数据，建立用户的二维电量矩阵；

步骤2.建立卷积自编码器(convolutional Autoencoder，CAE)异常检测模型，计算各用户的重构误差大小，将重构误差较大的异常用电用户识别为窃电用户；

步骤3.分别从窃电用户的窃电和非窃电时段的电量计量数据中提取表征用户窃电量关联性的电量统计指标并构建特征向量；

步骤4.以步骤3构建的特征向量作为输入，提出Tradaboost训练并生成XGBoost回归模型，即可预测各窃电用户的潜在窃电量。

上述技术方案中，进一步地，所述的步骤1中，需要采集台区内正常用户的计量电量数据，不同用户的电表数据采集时间应保持一致，如可以将采集的时间跨度设置为1周，以1天为周期；将采集的一维时序电量数据变换为二维矩阵：

式中，是用户i的二维电量矩阵，为第j个用电周期内第k时刻的电量数据，T^CAE是用电周期的时间长度，M是用电周期数。

进一步地，所述的步骤2中，采用二维卷积层，池化层和上采样层构建卷积自编码器，然后学习正常用户的用电特征，从而建立卷积自编码器CAE异常检测模型；具体为：