[发明专利]一种用电特征指标降维与极限学习机算法进行窃电检测的方法

摘要

本发明涉及一种用电特征指标降维与极限学习机算法进行窃电检测的方法，属于用户用电行为检测领域。本发明对用户用电历史数据分析，提取特征指标进行降维并结合局部离群因子、极限学习机算法对窃电行为进行检测。首先对用户的负荷数据进行分类，提出度量负荷曲线的四种指标并得出特征变量；其次在分类的基础上对提取出的特征变量进行降维，利用局部离群因子筛选出用电异常用户；最后采用窃电判别指标并提取主成分，将用电异常用户提取主成分后的窃电判别指标数据作为训练样本输入模型。本发明对窃电用户有很好的识别效果。

主权项

1.一种用电特征指标降维与极限学习机算法进行窃电检测的方法，其特征在于，包括以下步骤：(1)从电力计量自动化系统中提取用户负荷数据集，用户负荷数据集包括N个用户F个月的数据，每天采集次数为t次，用户负荷数据集为X＝{xfn(T),n＝1,2,...,N,f＝1,2,...,F,T＝1,2,...,t}；(2)对负荷数据进行清洗，剔除异常数据达到40％以上的用户，其中异常数据包括数据缺失和数据为负两部分，对保留的用户用电数据中出现异常的数据采用均值替换法替换异常值，再对数据进行极差归一化变换；(3)对清洗后的负荷数据进行计算，得到负荷数据在相同时间点的负荷曲线平均值，进而得到典型日负荷曲线xn＝(x1,x2,...,xt)，(n＝1,2,...,N)；(4)采用FCM算法对典型日负荷曲线进行分类，得到分类中心坐标矩阵，由中心坐标得出分类后的负荷特征曲线L＝(l1,l2,...,lt)；(5)基于典型日负荷曲线和分类后的负荷特征曲线判断出用电异常用户，具体为基于两种曲线提取出若干特征变量，对特征变量做主成分分析提取前两个主成分；以前两个主成分为坐标轴将用户散射到二维平面上并利用局部离群因子算法得出用电异常用户；(8)由得出的异常用户和部分正常用户作为样本集，分为训练样本和测试样本对极限学习机模型进行训练和测试；提取样本集的8类特征数据作为窃电判别指标，并用训练样本的8类特征数据对极限学习机模型进行训练，再利用训练后的极限学习机模型对测试样本对进行分类预测；(9)根据极限学习机模型分类预测结果判断是否为窃电用户。