基于大数据与机器学习的电力用户窃电行为分析方法
专利汇可以提供基于大数据与机器学习的电力用户窃电行为分析方法专利检索，专利查询，专利分析的服务。并且本 发明 公开了一种基于 大数据 与 机器学习 的电 力 用户窃电行为分析方法，所述方法为：1、 抽取 大量用户用电数据使用聚类 算法 建立用电行为模式图谱；2、对聚类结果进行分析，结合业务经验和实际数据得到正常用电行为模式和窃电用户所属行为模式；3、以窃电用户所属行为模式为 基础 ，提取此类模式用户的用电行为特征，建立算法分析模型；4、使用测试数据集和 训练数据 集对模型进行训练与评估获取最优模型；5、结合台区线损和计量异常等对用户异动进行监控；6、对高疑似窃电用户进行 跟踪 监测或生成现场巡查工单及处理系统。本发明公开了相应的分析处理系统。，下面是基于大数据与机器学习的电力用户窃电行为分析方法专利的具体信息内容。
1.基于大数据与机器学习的电力用户窃电行为分析方法，其特征在于：所述方法包括如下步骤：
步骤1、抽取大量用户用电数据使用聚类算法建立用电行为模式图谱；
步骤2、对聚类结果进行分析，结合业务经验和实际数据得到正常用电行为模式和窃电用户所属行为模式；
步骤3、以窃电用户所属行为模式为基础，提取此类模式用户的用电行为特征，建立算法分析模型；
步骤4、使用测试数据集和训练数据集对模型进行训练与评估获取最优模型；
步骤5、结合台区线损和计量异常等对用户异动进行监控；
步骤6、对高疑似窃电用户进行跟踪监测或生成现场巡查工单；
所述的步骤1具体为：抽取用户近1年电量数据、用户档案、电表档案、电表综合倍率、计量异常数据、采集异常数据等，为消除不同电压等级用户用电习惯不同的影响，对不同电压等级的用户进行分别聚类，使用用电量与合同容量比值为基础数据，采用了谱聚类和视觉聚类进行多次聚类，消除聚类算法对初始值敏感的影响，最终得到所有用户用电量的聚类图；
所述的步骤2具体为：对聚类结果进行分析，结合业务经验和已经查实的窃电情况，对所得的聚类结果进行划分，识别出正常的用电行为模式、已查实窃电用户所属的用电行为模式、以及可能存在窃电行为的用电行为模式；
所述的步骤3具体为：重点对已查实窃电用户所属的用电行为模式和可能存在窃电行为的用电行为模式的用户进行分析，提取此类用电行为模式用户的用电特征，特征值包括日用电特征（最大值、最小值、平均值、方差、偏度、峰度、迷你距、中位数、上四分位数、下四分位数、四分位差）、周用电量特征、月用电量特征、季用电量特征、年用电量特征、总用电量特征、0值特征、空值特征、随机性特征、正态性特征;用提取的特征值建立K-Means聚类算法模型、Apriori算法模式、线性回归算法模型；
所述的步骤4具体为：将已有的大量数据样本分为测试集和训练集对建立的算法模型进行训练，根据模型计算的窃电用户清单和已知的窃电用户清单进行比对，根据准确率对算法模型的进行评估，将准确率高的模型保留，准确率低的模型进行参数调整和再训练，从而获得最终算法模型；
所述的步骤5具体为：对于算法分析得到的疑似窃电用户，提取用户所在台区的线损数据，结合线损数据与用户用电异常发生节点进行综合分析，如果用户电量变化和台区线损变化不符合正常的逻辑，依次可辅助判断用户窃电嫌疑；
所述的步骤6具体为：根据用电量正态分布的假设，用户用电量应该集中分布在一定区间内，对疑似窃电用户的历史用电量进行分析，制定相应的阈值，如果某疑似窃电用户用电量持续低于阈值，对该用户生成现场巡查工单，并有专责人员进行现场检查。
2.基于大数据与机器学习的电力用户窃电行为分析处理系统，其特征在于：所述系统包括：聚类模块、图谱分类模块、窃电特征提取模块、窃电分析模块、异动监测模块、工单派工模块；
所述聚类模块，用于抽取大量用户用电数据使用聚类算法建立用电行为模式图谱；
所述图谱分类模块，用于对聚类结果进行分析，结合业务经验和实际数据得到正常用电行为模式和窃电用户所属行为模式；
所述窃电特征提取模块，用于以窃电用户所属行为模式为基础，提取此类模式用户的用电行为特征；
所述窃电分析模块，用于建立算法分析模型并使用测试数据集和训练数据集对模型进行训练与评估获取最优模型；
所述异动监测模块，用于结合台区线损和计量异常等对用户异动进行监控；
所述工单派工模块，用于对高疑似窃电用户进行跟踪监测或生成现场巡查工单；
所述聚类模块抽取用户近1年电量数据、用户档案、电表档案、电表综合倍率、计量异常数据、采集异常数据等，为消除不同电压等级用户用电习惯不同的影响，对不同电压等级的用户进行分别聚类，使用用电量与合同容量比值为基础数据，采用了谱聚类和视觉聚类进行多次聚类，消除聚类算法对初始值敏感的影响，最终得到所有用户用电量的聚类图；
所述图谱分类模块对聚类结果进行分析，结合业务经验和已经查实的窃电情况，对所得的聚类结果进行划分，识别出正常的用电行为模式、已查实窃电用户所属的用电行为模式、以及可能存在窃电行为的用电行为模式；
所述窃电特征提取模块重点对已查实窃电用户所属的用电行为模式和可能存在窃电行为的用电行为模式的用户进行分析，提取此类用电行为模式用户的用电特征，特征值包括日用电特征：最大值、最小值、平均值、方差、偏度、峰度、迷你距、中位数、上四分位数、下四分位数、四分位差，周用电量特征、月用电量特征、季用电量特征、年用电量特征、总用电量特征、0值特征、空值特征、随机性特征、正态性特征；
所述窃电分析模块用提取的特征值建立K-Means聚类算法模型、Apriori算法模式、线性回归算法模型;将已有的大量数据样本分为测试集和训练集对建立的算法模型进行训练，根据模型计算的窃电用户清单和已知的窃电用户清单进行比对，根据准确率对算法模型的进行评估，将准确率高的模型保留，准确率低的模型进行参数调整和再训练，从而获得最终算法模型；
所述异动监测模块对于算法分析得到的疑似窃电用户，提取用户所在台区的线损数据，结合线损数据与用户用电异常发生节点进行综合分析，如果用户电量变化和台区线损变化不符合正常的逻辑，依次可辅助判断用户窃电嫌疑；
所述工单派工模块根据用电量正态分布的假设，用户用电量应该集中分布在一定区间内，对疑似窃电用户的历史用电量进行分析，制定相应的阈值，如果某疑似窃电用户用电量持续低于阈值，对该用户生成现场巡查工单，并有专责人员进行现场检查。
基于大数据与机器学习的电力用户窃电行为分析方法
技术领域
背景技术
Ø 外部信号干扰窃电；
Ø 攻击计量/供电线路。
发明内容
步骤1、抽取大量用户用电数据使用聚类算法建立用电行为模式图谱；
步骤2、对聚类结果进行分析，结合业务经验和实际数据得到正常用电行为模式和窃电用户所属行为模式；
步骤3、以窃电用户所属行为模式为基础，提取此类模式用户的用电行为特征，建立算法分析模型；
步骤4、使用测试数据集和训练数据集对模型进行训练与评估获取最优模型；
步骤5、结合台区线损和计量异常等对用户异动进行监控；
步骤6、对高疑似窃电用户进行跟踪监测或生成现场巡查工单；
所述的步骤1具体为：抽取用户近1年电量数据、用户档案、电表档案、电表综合倍率、计量异常数据、采集异常数据等，为消除不同电压等级用户用电习惯不同的影响，对不同电压等级的用户进行分别聚类，使用用电量与合同容量比值为基础数据，采用了谱聚类和视觉聚类进行多次聚类，消除聚类算法对初始值敏感的影响，最终得到所有用户用电量的聚类图。
所述图谱分类模块，用于对聚类结果进行分析，结合业务经验和实际数据得到正常用电行为模式和窃电用户所属行为模式；
所述窃电特征提取模块，用于以窃电用户所属行为模式为基础，提取此类模式用户的用电行为特征；
所述窃电分析模块，用于建立算法分析模型并使用测试数据集和训练数据集对模型进行训练与评估获取最优模型；
所述异动监测模块，用于结合台区线损和计量异常等对用户异动进行监控；
所述工单派工模块，用于对高疑似窃电用户进行跟踪监测或生成现场巡查工单；
所述聚类模块抽取用户近1年电量数据、用户档案、电表档案、电表综合倍率、计量异常数据、采集异常数据等，为消除不同电压等级用户用电习惯不同的影响，对不同电压等级的用户进行分别聚类，使用用电量与合同容量比值为基础数据，采用了谱聚类和视觉聚类进行多次聚类，消除聚类算法对初始值敏感的影响，最终得到所有用户用电量的聚类图。
具体实施方式
步骤2、对聚类结果进行分析，结合业务经验和实际数据得到正常用电行为模式和窃电用户所属行为模式；
步骤3、以窃电用户所属行为模式为基础，提取此类模式用户的用电行为特征，建立算法分析模型；
步骤4、使用测试数据集和训练数据集对模型进行训练与评估获取最优模型；
步骤5、结合台区线损和计量异常等对用户异动进行监控；
步骤6、对高疑似窃电用户进行跟踪监测或生成现场巡查工单；
其中，所述的步骤1具体为：抽取用户近1年电量数据、用户档案、电表档案、电表综合倍率、计量异常数据、采集异常数据等，为消除不同电压等级用户用电习惯不同的影响，对不同电压等级的用户进行分别聚类，使用用电量与合同容量比值为基础数据，采用了谱聚类和视觉聚类进行多次聚类，消除聚类算法对初始值敏感的影响，最终得到所有用户用电量的聚类图。
所述图谱分类模块，用于对聚类结果进行分析，结合业务经验和实际数据得到正常用电行为模式和窃电用户所属行为模式；
所述窃电特征提取模块，用于以窃电用户所属行为模式为基础，提取此类模式用户的用电行为特征；
所述窃电分析模块，用于建立算法分析模型并使用测试数据集和训练数据集对模型进行训练与评估获取最优模型；
所述异动监测模块，用于结合台区线损和计量异常等对用户异动进行监控；
所述工单派工模块，用于对高疑似窃电用户进行跟踪监测或生成现场巡查工单；
(1)聚类模块，抽取用户近1年电量数据、用户档案、电表档案、电表综合倍率、计量异常数据、采集异常数据等，为消除不同电压等级用户用电习惯不同的影响，对不同电压等级的用户进行分别聚类，使用用电量与合同容量比值为基础数据，采用了谱聚类和视觉聚类进行多次聚类，消除聚类算法对初始值敏感的影响，最终得到所有用户用电量的聚类图。
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 一种光热-光伏系统无功优化控制方法 | 2020-05-08 | 563 |
| 一种基于骨骼点检测的无人机快速姿势控制系统与方法 | 2020-05-08 | 865 |
| 信息确定方法、终端设备和网络设备 | 2020-05-08 | 353 |
| 一种基于电机积分鲁棒控制驱动的加油软管振动抑制方法 | 2020-05-08 | 828 |
| 支撑固定结构及光伏跟踪安装系统 | 2020-05-08 | 155 |
| 一种高压输电线路取电功率变换系统 | 2020-05-08 | 290 |
| 一种自旋转定向出射的阳光采集系统 | 2020-05-08 | 825 |
| 一种基于特征关联的视频群体人物运动轨迹跟踪方法 | 2020-05-08 | 683 |
| 一种基于信标值的陀螺稳定漂移补偿方法 | 2020-05-11 | 472 |
| 用于头戴式显示系统的测距和附件跟踪 | 2020-05-08 | 717 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
