基于智能电表的独居老人用电数据分析方法及装置

技术领域

本发明属于电力系统大数据领域，尤其涉及一种基于智能电表的独居老人用电数据分析方法及装置。

背景技术

随着大数据技术的发展以及智能电表普及率的提高，利用大数据分析用户用电行为的应用越来越多，通过分析用户的异常用电行为，能够及时发现用电系统出现的问题。在监控独居老人用电行为的应用场景下，现有的识别技术多数为人工上门排查，通过上门走访形式进行用户是否为独居老人的判断，排查成本大，消耗时间长，而实际情况中往往存在多个台区，其排查成本巨大，难以实现对独居老人用电行为进行实时监控与异常预警。

发明内容

为了解决现有技术中存在的缺点和不足，本发明提出了一种基于智能电表的独居老人用电数据分析方法，包括：

通过智能电表采集住宅小区中所有用户的用电数据；

根据预设的指标特征，从用电数据中提取出特征数据；

将特征数据输入包含若干个机器学习分类器的融合分类模型，根据融合分类模型的分类结果判断特征数据对应的用户是否为独居老人；

若判断是独居老人，对独居老人的特征数据进行用电异常分析，根据分析结果决定是否发出异常用电行为告警。

可选的，所述独居老人用电行为分析方法还包括对采集的用电数据进行数据预处理的过程，所述过程包括：

分析采集到的用电数据是否有缺失项，若有缺失项，则根据实际需要将其他采样点采集到的用电数据填充到缺失项上；

基于离群判定公式分析采集到的用电数据是否有离群点，若有离群点，则将离群点处的数据剔除。

具体的，所述离群判定公式为：

Q

其中，x

x

可选的，所述根据预设的指标特征，从用电数据中提取出特征数据，包括：

基于采集到的用电数据，通过特征提取公式计算每个用户的指标特征对应的特征数据，所述指标特征包括日用电量均值、日用电量方差以及瞬时有功功率小波能量熵；

所述特征提取公式包括计算日用电量均值DP的公式一、计算日用电量方差σ

其中，n为采样天数，x

n、i、j、m的取值范围为正整数，DP、σ

可选的，所述将特征数据输入包含若干个机器学习分类器的融合分类模型，根据融合分类模型的分类结果判断特征数据对应的用户是否为独居老人，包括：

将特征数据分别输入融合分类模型中的各个机器学习分类器；

获取各个机器学习分类器的分类结果，若判断是独居老人的机器学习分类器的个数超过预设阈值，则判定输入的特征数据对应的用户为独居老人。

可选的，所述若判断是独居老人，对独居老人的特征数据进行用电异常分析，根据分析结果决定是否发出异常用电行为告警，包括：

计算独居老人正常用电时用电数据的平均值和方差，得到各个采样点的正常用电数据；

获取采样时刻T时的用电数据，基于T前后两个采样时刻的用电数据进行均值滤波；

将均值滤波后的用电数据与正常用电数据作差，若差值超过三倍方差线，则判定该独居老人在采样时刻T时的用电数据出现异常情况；

当用电数据出现异常情况时，发出异常用电行为告警。

本发明还基于同样的发明思路提出了一种基于智能电表的独居老人用电数据分析装置，所述独居老人用电数据分析装置包括：

采集装置：用于通过智能电表采集住宅小区中所有用户的用电数据；

特征提取装置：用于根据预设的指标特征，从用电数据中提取出特征数据；

判断装置：用于将特征数据输入包含若干个机器学习分类器的融合分类模型，根据融合分类模型的分类结果判断特征数据对应的用户是否为独居老人；

告警装置：用于判断是独居老人时，对独居老人的特征数据进行用电异常分析，根据分析结果决定是否发出异常用电行为告警。

可选的，所述独居老人用电数据分析装置还包括预处理装置，用于：

分析采集到的用电数据是否有缺失项，若有缺失项，则根据实际需要将其他采样点采集到的用电数据填充到缺失项上；

基于离群判定公式分析采集到的用电数据是否有离群点，若有离群点，则将离群点处的数据剔除。

所述特征提取装置具体用于：

基于采集到的用电数据，通过特征提取公式计算每个用户的指标特征对应的特征数据，所述指标特征包括日用电量均值、日用电量方差以及瞬时有功功率小波能量熵；

所述特征提取公式包括计算日用电量均值DP的公式一、计算日用电量方差σ

其中，n为采样天数，x

n、i、j、m的取值范围为正整数，DP、σ

可选的，所述判断装置具体用于：

将特征数据分别输入融合分类模型中的各个机器学习分类器；

获取各个机器学习分类器的分类结果，若判断是独居老人的机器学习分类器的个数超过预设阈值，则判定输入的特征数据对应的用户为独居老人。

本发明提供的技术方案带来的有益效果是：

与传统人工排查相比，本发明通过智能电表获取用电数据，并基于特征提取算法对用户的智能电表数据进行数据挖掘，再通过结合多种机器学习分类器的分类结果，提高识别独居老人的准确性，大大降低了人工排查成本，有利于电力公司对独居老人这一类特定用户群进行用电安全进行监控等个性化定制服务。

附图说明

为了更清楚地说明本发明的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明提出的基于智能电表的独居老人用电数据分析方法的流程示意图；

图2为智能电表所采集的用电数据样式；

图3为本发明提出的基于智能电表的独居老人用电数据分析装置的架构框图。

具体实施方式

为使本发明的结构和优点更加清楚，下面将结合附图对本发明的结构作进一步地描述。

实施例一

如图1所示，本发明提出了一种基于智能电表的独居老人用电数据分析方法，包括：

S1：通过智能电表采集住宅小区中所有用户的用电数据。

通过智能电表采集每个用户的用电数据，如图2所示，采集到的数据包括A相电压(V)、A相电流(A)、瞬时有功功率(kw)、正向有功总功率(kWh)、零线电流(A)以及总功率因数共6列数据。另外还包括用电数据的编号，如图2中的第一列数据100001，即代表编号为100001的用户，编号后的数据表示采样时间，数据样式例如“2019-08-30 23:45:00”表示采样时间为2019年8月30日的23点45分采样到的用电数据。后面的数据为每个用户的用电数据，以编号为100001的用户在2019年8月30日的23点45分采样到的用电数据为例，“227”表示A相电压227V，“0.649”表示A相电流0.649A，“0.0857”表示瞬时有功功率0.0857kw，“8680.01”表示正向有功总功率8680.01kwh，“0.657”表示零线电流0.657A，“0.584”表示总功率因数为0.578。其他数据以此类推，这里不再赘述。

采集到用电数据后还需要对进行数据预处理，包括数据填充和数据剔除两部分。其中，数据填充包括分析采集到的用电数据是否有缺失项，若有缺失项，则根据实际需要将其他采样点采集到的用电数据填充到缺失项上。利用pandas自带的函数库，直接调用填充程序算法，在一实施例中，将缺失项的前一个采样点采集到的用电数据填充到缺失项上；在另一实施例中，将缺失项前后的两个采样点采集到的用电数据的平均值填充到缺失项上。

数据剔除包括基于离群判定公式分析采集到的用电数据是否有离群点，若有离群点，则将离群点处的数据剔除。

基于统计学中的Tukey准则，所述离群判定公式为：

Q

其中，x

x

通过数据预处理中的数据填充步骤，使每个用户的用电数据长度一致，便于后续对用电数据的分析处理。通过数据预处理中的数据剔除步骤进行离群点校验，减少明显错误的数据，提高了采集到的用电数据的准确性。

S2：根据预设的指标特征，从用电数据中提取出特征数据。

利用治理完的数据进行特征提取，指标特征的好坏决定了算法的正确率、鲁棒性。本实施例选用三个指标特征来区分是否为独居老人，分别为日用电量均值、日用电量方差以及瞬时有功功率小波能量熵，通过特征提取公式计算上述三个指标特征，包括计算日用电量均值DP的公式一、计算日用电量方差σ

其中，n为采样天数，x

n、i、j、m的取值范围为正整数，DP、σ

由公式一分别计算出所有用户在采样时间范围内的日用电量均值，独居老人用电量均值相比于非独居用户一般会小于非独居用户用电均值。由公式二计算所有用户在采样时间范围内的日用电量方差，即反映每个用户每日用电波动状况，独居老人用电模式较为固定，日用电量方差较小，该特征有利于区分用户类型。由公式三计算用户在采样时间范围内瞬时有功功率的小波小波能量熵，由于智能电表的采集数据序列使时间序列，可利用小波变换对其进行降噪处理，再计算出每个用户相电压、瞬时有功、零线电流，总功率因数4列数据的小波小波能量熵，作为该用户的用电特征。

在完成上述特征的提取之后，可以得到，对于每一个用户被处理为一个1×N的向量，其中N为指标特征的个数，在本实施例中由上述三种特征提取方法可确定为6，所以对于M个用户，其最终数据形式被处理为一个M×N的矩阵，数据形式如表1所示。

表1

通过计算用户的日用电量均值、日用电量方差以及瞬时有功功率小波能量熵，提取用户的用电特征，便于根据用电特征识别出独居老人。尤其是计算的瞬时有功功率小波能量熵，能够实现在样本有限的情况下提高识别的灵敏度。

S3：将特征数据输入包含若干个机器学习分类器的融合分类模型，根据融合分类模型的分类结果判断特征数据对应的用户是否为独居老人。

首先，将特征数据分别输入融合分类模型中的各个机器学习分类器，在本实施例中，选取的机器学习分类器包括但不限于XGboost、LightGBM、CatBoost、RandomForest、SVM。

获取上述各个机器学习分类器的分类结果，若判断是独居老人的机器学习分类器的个数超过预设阈值，则判定输入的特征数据对应的用户为独居老人。在本实施例中，分类结果中1代表判断是独居老人，0代表判断是非独居老人。例如：

在一实施例中，利用stacking模型将多个分类结果进行投票处理。输入某一个用户的特征数据后，当XGBoost分类结果为1，LightGBM预测为1，CatBoost预测为1，RandomForest预测为0，SVM预测为0，stacking模型的vote投票制根据少数服从多数原则，三个机器学习分类器分类结果为1，2个为0，所以最终结果为1，即融合分类模型判断该用户为独居老人。

在另一实施例中，输入某一个用户的特征数据后，假设预设阈值为4，获取各个机器学习分类器的分类结果，只有当4个以上的机器学习分类器输出的分类结果均为1时，才能够表示融合分类模型判断该用户为独居老人。

通过多个机器学习算法的融合提高识别结果的准确性，克服了单一机器学习算法在识别独居老人时的局限。

S4：若判断是独居老人，对独居老人的特征数据进行用电异常分析，根据分析结果决定是否发出异常用电行为告警。

计算独居老人的用电数据在预设时间段内的平均值和方差，得到各个采样点的正常用电数据。平均值X

方差

其中，X

获取采样时刻T时的用电数据，基于T前后两个采样时刻的用电数据进行均值滤波；将均值滤波后的用电数据与正常用电数据作差，若差值超过三倍方差线，即当

当用电数据出现异常情况时，发出异常用电行为告警。如当出现异常情况时，电力公司的电力驾驶舱发出异常用电行为告警，显示出异常情况发生的位置，经过现场排查家中电力系统线路问题如电器短路等，从而保证独居老人的人身财产安全。

实施例二

如图3所示，本发明提出了一种基于智能电表的独居老人用电数据分析装置5，包括：

采集装置51：用于通过智能电表采集住宅小区中所有用户的用电数据。

通过智能电表采集每个用户的用电数据，如图2所示，采集到的数据包括A相电压(V)、A相电流(A)、瞬时有功功率(kw)、正向有功总功率(kWh)、零线电流(A)以及总功率因数共6列数据。另外还包括用电数据的编号，如图2中的第一列数据100001，即代表编号为100001的用户，编号后的数据表示采样时间，数据样式例如“2019-08-30 23:45:00”表示采样时间为2019年8月30日的23点45分采样到的用电数据。后面的数据为每个用户的用电数据，以编号为100001的用户在2019年8月30日的23点45分采样到的用电数据为例，“227”表示A相电压227V，“0.649”表示A相电流0.649A，“0.0857”表示瞬时有功功率0.0857kw，“8680.01”表示正向有功总功率8680.01kwh，“0.657”表示零线电流0.657A，“0.584”表示总功率因数为0.578。其他数据以此类推，这里不再赘述。

采集到用电数据后还需要对进行数据预处理，包括数据填充和数据剔除两部分。其中，数据填充包括分析采集到的用电数据是否有缺失项，若有缺失项，则根据实际需要将其他采样点采集到的用电数据填充到缺失项上。利用pandas自带的函数库，直接调用填充程序算法，在一实施例中，将缺失项的前一个采样点采集到的用电数据填充到缺失项上；在另一实施例中，将缺失项前后的两个采样点采集到的用电数据的平均值填充到缺失项上。

数据剔除包括基于离群判定公式分析采集到的用电数据是否有离群点，若有离群点，则将离群点处的数据剔除。

基于统计学中的Tukey准则，所述离群判定公式为：

Q

其中，x

x

通过数据预处理中的数据填充步骤，使每个用户的用电数据长度一致，便于后续对用电数据的分析处理。通过数据预处理中的数据剔除步骤进行离群点校验，减少明显错误的数据，提高了采集到的用电数据的准确性。

特征提取装置52：用于根据预设的指标特征，从用电数据中提取出特征数据。

利用治理完的数据进行特征提取，指标特征的好坏决定了算法的正确率、鲁棒性。本实施例选用三个指标特征来区分是否为独居老人，分别为日用电量均值、日用电量方差以及瞬时有功功率小波能量熵，通过特征提取公式计算上述三个指标特征，包括计算日用电量均值DP的公式一、计算日用电量方差σ

其中，n为采样天数，x

n、i、j、m的取值范围为正整数，DP、σ

由公式一分别计算出所有用户在采样时间范围内的日用电量均值，独居老人用电量均值相比于非独居用户一般会小于非独居用户用电均值。由公式二计算所有用户在采样时间范围内的日用电量方差，即反映每个用户每日用电波动状况，独居老人用电模式较为固定，日用电量方差较小，该特征有利于区分用户类型。由公式三计算用户在采样时间范围内瞬时有功功率的小波小波能量熵，由于智能电表的采集数据序列使时间序列，可利用小波变换对其进行降噪处理，再计算出每个用户相电压、瞬时有功、零线电流，总功率因数4列数据的小波小波能量熵，作为该用户的用电特征。

在完成上述特征的提取之后，可以得到，对于每一个用户被处理为一个1×N的向量，其中N为指标特征的个数，在本实施例中由上述三种特征提取方法可确定为6，所以对于M个用户，其最终数据形式被处理为一个M×N的矩阵，数据形式如表1所示。

表1

通过计算用户的日用电量均值、日用电量方差以及瞬时有功功率小波能量熵，提取用户的用电特征，便于根据用电特征识别出独居老人。尤其是计算的瞬时有功功率小波能量熵，能够实现在样本有限的情况下提高识别的灵敏度。

判断装置53：用于将特征数据输入包含若干个机器学习分类器的融合分类模型，根据融合分类模型的分类结果判断特征数据对应的用户是否为独居老人。

首先，将特征数据分别输入融合分类模型中的各个机器学习分类器，在本实施例中，选取的机器学习分类器包括但不限于XGboost、LightGBM、CatBoost、RandomForest、SVM。

获取上述各个机器学习分类器的分类结果，若判断是独居老人的机器学习分类器的个数超过预设阈值，则判定输入的特征数据对应的用户为独居老人。在本实施例中，分类结果中1代表判断是独居老人，0代表判断是非独居老人。例如：

在一实施例中，利用stacking模型将多个分类结果进行投票处理。输入某一个用户的特征数据后，当XGBoost分类结果为1，LightGBM预测为1，CatBoost预测为1，RandomForest预测为0，SVM预测为0，stacking模型的vote投票制根据少数服从多数原则，三个机器学习分类器分类结果为1，2个为0，所以最终结果为1，即融合分类模型判断该用户为独居老人。

在另一实施例中，输入某一个用户的特征数据后，假设预设阈值为4，获取各个机器学习分类器的分类结果，只有当4个以上的机器学习分类器输出的分类结果均为1时，才能够表示融合分类模型判断该用户为独居老人。

通过多个机器学习算法的融合提高识别结果的准确性，克服了单一机器学习算法在识别独居老人时的局限。

告警装置54：用于判断是独居老人时，对独居老人的特征数据进行用电异常分析，根据分析结果决定是否发出异常用电行为告警。

计算独居老人的用电数据在预设时间段内的平均值和方差，得到各个采样点的正常用电数据。平均值X

方差

其中，X

获取采样时刻T时的用电数据，基于T前后两个采样时刻的用电数据进行均值滤波；将均值滤波后的用电数据与正常用电数据作差，若差值超过三倍方差线，即当

当用电数据出现异常情况时，发出异常用电行为告警。如当出现异常情况时，电力公司的电力驾驶舱发出异常用电行为告警，显示出异常情况发生的位置，经过现场排查家中电力系统线路问题如电器短路等，从而保证独居老人的人身财产安全。

上述实施例中的各个序号仅仅为了描述，不代表各部件的组装或使用过程中的先后顺序。

以上所述仅为本发明的实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。