一种基于多模态机器学习模型的窃电风险预警方法
文献发布时间:2024-04-18 19:58:30
技术领域
本发明涉及一种用于窃电监测预防领域的基于多模态机器学习模型的窃电风险预警方法。
背景技术
传统的窃电检测手段主要依靠电力员工前往用户现场检测电表来核定窃电事实,然而这种方式的工作效率较低,需要投入巨大的人力和物力成本,不利于电力公司的高效运营。并且在技术层面非常落后,因此需要提出新的窃电检测预警技术,提高窃电检测的效率和准确度。随着高新科学技术手段的不断提高,更加智能化的信息采集系统和数据存储设备将得到不断推广和应用,远程获取大量用户的用电数据也成为可能,这些必要的数据基础可以提供给电力企业进行用电信息挖掘与分析,进而做出更加合理的电力管理运营决策。
发明内容
本发明的目的是为了克服现有技术的不足,提供一种基于多模态机器学习模型的窃电风险预警方法,能够实现窃电行为的有效预警。
实现上述目的的一种技术方案是:一种基于多模态机器学习模型的窃电风险预警方法,包括如下步骤:
S1,利用改进的层次聚类算法为用户打上用电标签。
S2,构建窃电异常指标体系;
S3,构建基于XGBOOST算法的窃电风险预警模型。
进一步的,S1具体包括:
S11,计算每个用户之间的Fréchet距离;
S12,以Fréchet距离为相似度的衡量标准,利用凝聚型层次聚类算法进行聚类分析,自动形成多个聚类簇;
S13,利用均值法测算每个聚类簇的中心点;
S14,计算每个簇中的样本点与中心点的距离之和的均值;
S15,每个簇中小于threshold的样本用户为窃电嫌疑用户,为这些用户打上窃电嫌疑的标签,其余用户打上正常用电用户标签。
进一步的,S2的窃电异常指标体系具体包括:
a.电流不平衡率
电流不平衡率体现的是电流异常程度,在三相用户中,电流不平衡率计算方法如下:
其中,I表示电流不平衡率,I
具体的,在单相用户中,电流不平衡率计算式如下:
其中,I表示电流不平衡率,I
b.电压不平衡率
其中,U1表示电压不平衡率,U
c.功率因数
正常用电用户负载的功率因数在用电过程中通常是比较平稳的状态,很少或不会出现功率因数骤升骤降的情况。当感应式计量设备的无功表将电流回路一部分短接或完全短接时,会造成电量的漏计,进而导致功率因数的突升,而当电流回路出现极性反接时会使功率因数突降;
d.合同容量比
合同容量指的是装接用电设备允许的容量,用户所拥有的合同容量与其实际用电量之间的比例有一个规定的范围标准,当超过该标准时,用户就存在异常用电风险;
e.线损率
线损率能够表示供电线路的损失度,一条线路可以同时给多用户进行电能供给,如果第l天的线路供电量为s1,总电量为∑
进一步的,S3具体包括:
S31,数据重构:将窃电异常标签数据与窃电指标数据进行重构;
S32,以窃电指标体系数据为自变量x,窃电标签数据为因变量y,利用XGBOOST算法构建窃电风险预警模型。
S33,未来数据导入模型,通过模型识别出潜在窃电风险用户,发出预警信息。
本发明提出了一种基于多模态机器学习模型的窃电风险预警方法,该方法通过聚类分析技术和XGBOOST算法的联合应用构建窃电风险预警模型,可以实现未来疑似窃电用户的识别和预警,提前响应,及时追回窃电损失,对于提高电力公司的经济效益和维持国家规范的用电秩序具有重要意义。本发明技术的主要优点如下:
(1)改进了层次聚类算法的相似度衡量标准,使其可以适应曲线聚类的需求,并利用改进的算法进行聚类分析,为潜在窃电用户和正常用户打上窃电标签和正常标签。
(2)构建了用户窃电异常指标体系,以指标体系反映用户用电情况的变化,接着将指标体系数据和用户标签进行数据重构,为构建窃电风险预警模型奠定基础。
(3)利用XGBOOST算法构建了窃电风险预警模型,利用预警模型可以实现未来疑似窃电用户的识别和预警,提前响应,及时追回窃电损失,对于提高电力公司的经济效益和维持国家规范的用电秩序具有重要意义。
附图说明
图1为本发明的一种基于多模态机器学习模型的窃电风险预警方法的流程图。
具体实施方式
为了能更好地对本发明的技术方案进行理解,下面通过具体地实施例进行详细地说明:
请参阅图1,本发明的一种基于多模态机器学习模型的窃电风险预警方法,包括如下步骤:
S1,利用改进的层次聚类算法为用户打上用电标签。传统的层次聚类算法一般利用欧式距离衡量样本点之间的相似度,这种方法不能很好地衡量两条曲线之间的相似度,为了解决这个问题,提出了一种基于Fréchet distance的层次聚类算法,在层次聚类算法中引入Fréchet距离,衡量两条曲线之间的相似度,实现96点负荷数据的聚类。
Fréchet距离是两条曲线之间相似性的基本衡量标准。设两段参数曲线f:[0,1]→R
δ
其中,α,β为连续非减的实函数,且α(0)=β(0)=0,α(1)=β(1)=1。
其算法流程为:
输入:用户96点负荷曲线数据
输出:用户异常标签和正常标签。
具体步骤为:
S11,计算每个用户之间的Fréchet距离;
S12,以Fréchet距离为相似度的衡量标准,利用凝聚型层次聚类算法进行聚类分析,自动形成多个聚类簇;
S13,利用均值法测算每个聚类簇的中心点;
S14,计算每个簇中的样本点与中心点的距离之和的均值。
计算方法如下:
其中,n为任意簇中样本点的个数,f
S15,每个簇中小于threshold的样本用户为窃电嫌疑用户,为这些用户打上窃电嫌疑的标签,其余用户打上正常用电用户标签。
S2,构建窃电异常指标体系。具体包括:
a.电流不平衡率
电流不平衡率体现的是电流异常程度,在三相用户中,电流不平衡率计算方法如下:
其中,I表示电流不平衡率,I
具体的,在单相用户中,电流不平衡率计算式如下:
其中,I表示电流不平衡率,I
b.电压不平衡率
其中,U1表示电压不平衡率,U
c.功率因数
正常用电用户负载的功率因数在用电过程中通常是比较平稳的状态,很少或不会出现功率因数骤升骤降的情况。当感应式计量设备的无功表将电流回路一部分短接或完全短接时,会造成电量的漏计,进而导致功率因数的突升,而当电流回路出现极性反接时会使功率因数突降;
d.合同容量比
合同容量指的是装接用电设备允许的容量,用户所拥有的合同容量与其实际用电量之间的比例有一个规定的范围标准,当超过该标准时,用户就存在异常用电风险;
e.线损率
线损率能够表示供电线路的损失度,一条线路可以同时给多用户进行电能供给,如果第l天的线路供电量为s1,总电量为∑
S3,构建基于XGBOOST算法的窃电风险预警模型。首先,将窃电异常指标体系数据和用户标签数据进行重构,形成用户窃电嫌疑数据标签库。接着,以标签库数据为研究对象,利用XGBOOST算法构建窃电风险预警模型,实现未来窃电风险用户的识别和预警。具体流程如下:
S31,数据重构:将窃电异常标签数据与窃电指标数据进行重构;
S32,以窃电指标体系数据为自变量x,窃电标签数据为因变量y,利用XGBOOST算法构建窃电风险预警模型。
S33,未来数据导入模型,通过模型识别出潜在窃电风险用户,发出预警信息。
本发明公开了一种基于多模态机器学习模型的窃电风险预警方法,该方法首先基于Fréchet距离改进层次聚类模型,将相似度的衡量方法变为Fréchet距离,使之能够更好地适应曲线聚类。然后,利用改进的聚类模型将用户负荷数据划分为不同的类别,对潜在的窃电风险用户进行识别,为窃电异常用户打上异常用电的标签,为正常用电用户打上正常用电的标签。接着构建用户窃电异常识别指标体系,最后将指标体系和用户标签进行重构,构建窃电风险预警模型,对未来的潜在窃电用户进行风险预警和识别。
本技术领域中的普通技术人员应当认识到,以上的实施例仅是用来说明本发明,而并非用作为对本发明的限定,只要在本发明的实质精神范围内,对以上所述实施例的变化、变型都将落在本发明的权利要求书范围内。
- 基于多模态机器学习的分类方法、在线新冠肺炎预警模型训练方法及预警方法
- 一种基于反窃电模拟实验平台的反窃电预警模型验证方法