[发明专利]基于决策树算法的窃电诊断系统及方法

摘要

本发明公开了一种基于决策树算法的窃电诊断系统及方法，包括数据接口模块、窃电诊断决策树模块、诊断结果输出模块、存储设备、人机接口，其特征在于，从电网数据库提取用户的历史数据，用户的历史数据传输到所述数据接口模块后进入窃电诊断决策树模块并形成推理结果，所述诊断结果输出模块将推理结果保存至存储设备并输出至人机接口。本发明利用决策树算法，通过分析用户历史数据，检测出窃电用户。

主权项

1.一种基于决策树算法的窃电诊断方法，其特征在于，该方法采用一种基于决策树算法的窃电诊断系统，该窃电诊断系统包括数据接口模块、窃电诊断决策树模块、诊断结果输出模块、存储设备、人机接口，从电网数据库提取用户的历史数据，用户的历史数据传输到所述数据接口模块后进入窃电诊断决策树模块并形成推理结果，所述诊断结果输出模块将推理结果保存至存储设备并输出至人机接口；该窃电诊断方法包括以下步骤，1)提取电网数据库的特征属性数据集合，形成训练集；2)基于训练集构建决策树；3)由决策树生成分类规则集，利用分类规则形成窃电诊断数据库；4)输入用户的历史数据，进行窃电诊断；其中，在所述步骤(1)中，所述特征属性数据集合是一个从用户统计线损数据库、电压实时统计数据库、电流实时统计数据库中获取包含N个样本的样本集；在所述步骤(2)中，决策树的构建采用ID3算法，其过程包括：2.1)选取用户最大线损值、三相电压不平衡率、合同容量比、同期用电量比作为非分类类别属性，其中这4个非分类类别属性的取值如下：统计线损值W1<用户最大线损值L<统计线损值W2；三相电压不平衡率U的取值为大U1、小U2，合同容量比C的取值为大C1、小C2，功率因数P的取值为稳定P1、突变P2，同期用电量比E的取值为大E1、小E2，分类类别的取值为窃电S、未窃电F；2.2)计算分类类别的熵E0及非分类类别属性用户最大线损值的熵E₁、三相电压不平衡率的熵E₂、合同容量比的熵E₃、同期用电量比的熵E₄：分类类别的熵E₀：其中p_S为窃电样本数量占总样本数量的比，p_N为未窃电样本数量占总样本数量的比；用户最大线损值的熵：设大于统计线损值的样本为W个，则小于统计线损值的样本为(N‑W)个，取属性大于统计线损值的正例为A₁个，反例为(W‑A₁)个，取属性小于统计线损值的正例为B₁个，反例为(N‑W‑B₁)个，用户最大线损值的熵E₁为三相电压不平衡率的熵：设三相电压不平衡率取大的样本为X个，则三相电压不平衡率取小的样本为(N‑X)个，取属性为大的正例为A₂个，反例为(X‑A₂)个，取属性为小的正例为B₂个，反例为(N‑X‑B₂)个，三相电压不平衡率的熵E₂为合同容量比的熵：设合同容量比取大的样本为Y个，则合同容量比取小的样本(N‑Y)为个，取属性为大的正例为A₃个，反例为(Y‑A₃)个，取属性为小的正例为B₃个，反例为(N‑Y‑B₃)个，合同容量比的熵E₃为同期用电量比的熵：设同期用电量比取大的样本为Z个，则同期用电量比取小的样本为(N‑Z)个，取属性为大的正例为A₄个，反例为(Z‑A₄)个，取属性为小的正例为B₄个，反例为(N‑Z‑B₄)个，同期用电量比的熵E₄为2.3)从上述四个非分类类别属性中选择熵值最大且熵值大于E0的属性作为分类点，创建节点N1；2.4)重复步骤2.1)至步骤2.3)寻找下一个分类点；2.5)若样本都在同一非分类类别，则该节点成为树叶，并用该非分类类别标记，否则使用基于熵的度量信息增益作为启发信息，选择将样本分裂的最优属性作为该节点的分裂属性；2.6)对分裂属性的每一个值创建一个分枝，并根据分枝来划分样本；2.7)重复步骤2.5)至步骤2.6)对每个节点运行决策树算法。