[发明专利]一种三阶段多视角特征融合的窃电分类预测方法

摘要

本发明公开了一种三阶段多视角特征融合的用电行为分类预测方法，首先对待分析的客户用电数据，将其作为测试集，并对日用电量、当日电表读数、前一日电表读数中的缺失数据分别用“‑1”和“0”进行填充，形成两份预处理数据；其次，对每份预处理数据，从不同视角来提取特征，对所有视角提取的特征进行合并，使用多个不同的分类预测的机器学习算法进行处理，得出训练集和测试集中的客户的窃电概率；最后，分别用线性模型和树模型对第二个阶段的输出进行预测，然后求均值，获得最终要预测的窃电概率。本发明在现有堆模型的集成学习方法的基础上，增加了数据的多样性、模型的多样性和过拟合处理，从而可以实现对客户窃电概率更加准确的预测。

主权项

1.一种三阶段多视角特征融合的窃电分类预测方法，其特征在于，包括如下步骤：步骤1），对待分析的客户用电数据，将其作为测试集，并对日用电量、当日电表读数、前一日电表读数中的缺失数据分别用“-1”和“0”进行填充，形成两份预处理数据；步骤2），对每份预处理数据：步骤2.1），从时间窗口统计、异常突变值统计和时间序列分析这三个视角中选择至少两个视角来提取特征，每个视角提取的特征值的集合作为一个单独的特征簇，然后把提取到的单独的特征簇合并为一个特征簇，并把该各个单独的特征簇以及合并后的特征簇形成的集合作为该预处理数据的特征簇集合；步骤2.2），对特征簇集合中的每一个特征簇，采用至少一种二分类的分类算法使用该特征簇分别对预设的客户用电数据的训练集、测试集中的每一个客户进行窃电概率预测；步骤3），对于训练集和测试集中的每一个客户，将其在两份预处理数据中预测得到的各个预测窃电概率组成其预测窃电概率集合；步骤4），将训练集和测试集中所有客户的预测窃电概率集合作为特征、分别用树分类模型和线性分类模型对测试集进行预测，将得到的两个预测概率值取平均，得到待分析的客户用电数据中各个客户的最终预测窃电概率；步骤5），将待分析的客户用电数据中各个客户的最终预测窃电概率分别和预设的窃电概率阈值进行比较，将最终预测窃电概率大于预设的窃电概率阈值的客户划分为窃电客户，将最终预测窃电概率小于等于预设的窃电概率阈值的客户划分为正常客户。