一种用电监测方法、装置、计算机设备和存储介质

技术领域

本发明涉及电力电网技术领域，特别是涉及一种用电监测方法、装置、计算机设备和存储介质。

背景技术

电能是人们生产、生活中必不可少的能源，随着我国社会经济的不断发展，人们生产、生活所需的电量也与日俱增。

在这种情况下，无论是有心还是无意，不规范用电现象频发。不规范用电通常包括欠压用电，欠流用电，移相用电以及无表用电等通。过些方式用电，会导致实际用电量与电表示数不匹配，从而造成无法正常计费，破坏了用电市场的正常秩序。

现有技术对于不规范用电只能通过现场检查、提高智能电表的监控能力以及采用无线通信监控等方式实现，然而这些方式往往易造成误判、漏判，且工作量大，监控成本高，需要进行改进。

发明内容

基于此，有必要针对上述的问题，提供一种用电监测方法、装置、计算机设备和存储介质。

本发明实施例是这样实现的，一种用电监测方法，所述用电监测方法包括：

获取用电监测数据，所述用电监测数据包括业务数据以及运行数据；

按预设规则对所述业务数据进行筛选，根据筛选后的所述业务数据确定第一概率；

对所述运行数据进行预处理，利用预设的识别模型对预处理后的所述运行数据进行处理并输出第二概率；

根据所述第一概率以及所述第二概率确定用于不规范用电概率。

在其中一个实施例中，本发明实施例还提供了一种用电监测装置，所述用电监测装置包括：

获取模块，用于获取用电监测数据，所述用电监测数据包括业务数据以及运行数据；

第一概率确定模块，用于按预设规则对所述业务数据进行筛选，根据筛选后的所述业务数据确定第一概率；

第二概率确定模块，用于对所述运行数据进行预处理，利用预设的识别模型对预处理后的所述运行数据进行处理并输出第二概率；

不规范用电概率确定模块，用于根据所述第一概率以及所述第二概率确定用于不规范用电概率。

在其中一个实施例中，本发明还提供了一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行上述用电监测方法的步骤。

在其中一个实施例中，本发明还提供了一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行上述用电监测方法的步骤。

本发明实施例提供的用电监测方法通过将用电监测数据进行划分，并对不同数据采用不同的处理方式以确定第一概率以及第二概率，并且第一概率以及第二概率最终确定不规范用电概率，可以更加准确地判断用户是否不规范用电，自动化程度高。该方法可以适配现有用电系统，在现有用电监测数据的基础上进行分析处理从而确定用户是否不规范用电，对于现有系统的改造小，嵌入性强，且算法易于实现，成本低。

附图说明

图1为一个实施例中提供的用电监测方法的应用环境图；

图2为一个实施例中用电监测方法的流程图；

图3为图2中根据筛选后的所述业务数据确定第一概率的步骤的具体流程图；

图4为图2中对所述运行数据进行预处理的步骤的具体流程图；

图5为图2中利用预设的识别模型对预处理后的所述运行数据进行处理并输出第二概率的步骤的具体流程图；

图6为图2中根据所述第一概率以及所述第二概率确定用于不规范用电概率的步骤的具体流程图；

图7为一个实施例中用电监测装置的结构框图；

图8为一个实施例中计算机设备的内部结构框图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

可以理解，本申请所使用的术语“第一”、“第二”等可在本文中用于描述各种元件，但除非特别说明，这些元件不受这些术语限制。这些术语仅用于将第一个元件与另一个元件区分。举例来说，在不脱离本申请的范围的情况下，可以将第一xx脚本称为第二xx脚本，且类似地，可将第二xx脚本称为第一xx脚本。

图1为一个实施例中提供的用电监测方法的应用环境图，如图1所示，在该应用环境中，包括供电电网110以及供电监测系统120。

在本发明实施例中，供电电网110可以是覆盖某个城市、地区的小型电网，也可以是覆盖多个城市、区域的大中型电网，对于供电电网的规模以及是独立运行还是并网运行本发明实施例对此不作具体限定。在本发明实施例中，需要理解的是，供电电网110需要能够提供本发明提供的用电监测方法所需的用电监测数据，至于提供这些数据的具体方式可以是通过供电监测系统120在线采集、利用智能进行记录并通过人工收集或者无线上传的方式进行收集，也可以是两种方式的结合，本发明实施例对此不作具体限定。

在本发明实施例中，供电监测系统120主要负责供电电网的运行控制以及在线监测，本发明实施例提供的用电监测方法运行于该系统中，可以作为该系统中的一个模块进行工作以对用户的用电行为进行在线监测，当然，还可以运行于独立系统中，对提供的数据进行离线分析处理，此为可选的具体实现方式，本发明实施例对此不作具体限定。

本发明实施例提供的用电监测方法可以适配现有用电系统，在现有用电监测数据的基础上进行分析处理从而确定用户是否不规范用电，对于现有系统的改造小，嵌入性强，且算法易于实现，成本低。

如图2所示，在一个实施例中，提出了一种用电监测方法，本实施例主要以该方法应用于上述图1中的供电监测系统120来举例说明。具体可以包括步骤S202～S208：

步骤S202，获取用电监测数据，所述用电监测数据包括业务数据以及运行数据。

在本发明实施例中，电监测数据包括但不限于电采集系统、营销业务系统中的指标数据、表采数据、事件数据、档案数据以及历史用电数据。对于表采数据，为确保数据的完整性，可以抽取电能表从安装到运行时记录的全部数据，具体可以是包括测量点抄表日冻结电能示值、日测量点功率、日测量点功率因数、日测量点电压、日测量点电流等；事件数据中的事件可以包括电能表失压事件、电能表失流事件、电能表开表盖事件、电能表开表盖事件、电能表过压事件、电能表过流事件等；档案数据主要是电能表档案、电能表用户档案、计量点档案等。此外，还可以包括若干不规范用电案例数据，此为可选的具体实现方式，本发明实施例对此不作具体限定。

步骤S204，按预设规则对所述业务数据进行筛选，根据筛选后的所述业务数据确定第一概率。

在本发明实施例中，筛选主要通过台区、用户两个维度进行筛选，预设规则具体可以是以下的任意一种或者多种形式：

(1)用户所在线路的线损率＞10％或线损率近一周波动系数＞3或三相不平衡度日均值＞15％；

(2)用户所在线路的户变关系正确；

(3)用户所在线路的采集覆盖率为100％；

(4)用户所在线路的采集成功率为100％。

满足上示条件中的一个或者多个的用户的用电监测数据可以用作确定第一概率的业务数据。这种筛选主要是剔除不规范用电可能性较小的用户，以节约计算资源。

步骤S206，对所述运行数据进行预处理，利用预设的识别模型对预处理后的所述运行数据进行处理并输出第二概率。

在本发明实施例中，对于利用识别模块进行处理的数据需要进行预处理，预处理后的数据可以适配模型的需求，还可以剔除部分不规范用电可能性较小的用户。需要理解的是，在本发明实施例中，用于模型识别的数据与前一步骤所述的业务数据可以存在一定的重复，即对于某些用电监测数据，其同时用作业务数据以及用作识别模型的处理数据，但是优选地，业务数据与用于模型识别的数据不重复可以减小对数据的重复处理从而提供运算速度和效率。

步骤S208，根据所述第一概率以及所述第二概率确定用于不规范用电概率。

在本发明实施例中，通过将用电监测数据进行划分并采用不同的方法进行处理得到第一概率以及第二概率，根据第一概率以及第二概率最终确定用记不规范用电的概率，实现了从多维度多规则对用户的用电监测数据进行分析处理，可以有效地提高判断的准确性，减少误判、漏判的发生。

本发明实施例提供的用电监测方法通过将用电监测数据进行划分，并对不同数据采用不同的处理方式以确定第一概率以及第二概率，并且第一概率以及第二概率最终确定不规范用电概率，可以更加准确地判断用户是否不规范用电，自动化程度高。该方法可以适配现有用电系统，在现有用电监测数据的基础上进行分析处理从而确定用户是否不规范用电，对于现有系统的改造小，嵌入性强，且算法易于实现，成本低。

在一个实施例中，如图3所示，步骤S204中根据筛选后的所述业务数据确定第一概率的步骤具体可以包括步骤S302～S306：

步骤S302，确定评价指标。

在本发明实施例中，评价指标优选为历史电量突变、电量与线损率相关性、开盖与电量突变、欠压与电量突变、失流与电量突变、电量与线损率波动、同行业同容量同季节偏差、表采功率与计算功率偏差。

步骤S304，利用层次分析法确定各所述评价指标的权重。

在本发明实施例中，所谓层次分析法，是指将一个复杂的多目标决策问题作为一个系统，将目标分解为多个目标或准则，进而分解为多指标(或准则、约束)的若干层次，通过定性指标模糊量化方法算出层次单排序(权数)和总排序，以作为目标(多指标)、多方案优化决策的系统方法，称为层次分析法。层次分析法是将决策问题按总目标、各层子目标、评价准则直至具体的备投方案的顺序分解为不同的层次结构，然后用求解判断矩阵特征向量的办法，求得每一层次的各元素对上一层次某元素的优先权重，最后再加权和的方法递阶归并各备择方案对总目标的最终权重，此最终权重最大者即为最优方案。这里所谓“优先权重”是一种相对的量度，它表明各备择方案在某一特点的评价准则或子目标下优越程度的相对量度，以及各子目标对上一层目标而言重要程度的相对量度。层次分析法比较适合于具有分层交错评价指标的目标系统，而且目标值又难于定量描述的决策问题。其用法是构造判断矩阵，求出其最大特征值及其所对应的特征向量W，归一化后，即为某一层次指标对于上一层次某相关指标的相对重要性权值。层次分析法的特点是在对复杂的决策问题的本质、影响因素及其内在关系等进行深入分析的基础上，利用较少的定量信息使决策的思维过程数学化，从而为多目标、多准则或无结构特性的复杂决策问题提供简便的决策方法，尤其适合于对决策结果难于直接准确计量的场合。

在本发明实施例中，层次分析法的构建步骤主要包括：

(1)建立层次模型；

(2)构造成对比较矩阵；

(3)计算层次单排序的权向量和一致性检验成对比较矩阵A的最大特征向量；

(4)计算层次总排序权值和一致性检验。

其中，层次分析法的难点问题有：

(1)比较矩阵的建立，这就依赖于各个指标两两比较的数值比，用1-9级标度体现，如下所示，据此构建评判矩阵比较合理：

B1:B1＝1:1；B1:B2＝1:5；B1:B3＝1:3

B2:B1＝5:1；B2:B2＝1:1；B2:B3＝3:1

B3:B1＝3:1；B3:B2＝1:3；B3:B3＝1:1

为了便于数学处理，我们通常把结果写成矩阵形式，称为成对比较矩阵。

(2)一致性检验，权重是否合理是要依据各层的一致性检验是否合格，一般认为CR<0.1即可。

在本发明实施例中，对于各个指标具体采用的算法如表1所示：

表1：各指示对应的具体算法及其权重

步骤S306，根据筛选后的所述业务数据、所述评价指标及其对应的权重确定所述第一概率。

在本发明实施例中，第一概率等于上述各个指标及其对应权重乘积之和，即：第一概率＝与历史电量比较*相应权重+电量与线损率相关性*相应权重+开盖与电量突变*相应权重+欠压与电量突变*相应权重+失流与电量突变*相应权重+电量与线损率波动*相应权重+同行业同容量同季节偏差*相应权重+表采功率与计算功率偏差*相应权重。

在一个实施例中，如图4所示，步骤S206中对所述运行数据进行预处理的步骤具体可以包括步骤S402～S406：

步骤S402，对所述运行数据进行清洗以剔除异常值。

在本发明实施例中，剔除数据中的异常值，如电量数据中出现电表示数飞走、倒走的数据，档案数据中档案异常的数据，事件数据中标记异常的数据等；删除数据中重复数据，如事件数据中，同一事件重复上报的数据，近期内超过7天未采集到的用户数据等；补全缺失数据，如电能示值数据未采集数据。

步骤S404，对清洗后的所述运行数据进行标准化。

在本发明实施例中，对数据中的数值型数据，采用归一化进行数据标准化处理，如用电量数据，用户电压、电流数据。

步骤S406，对标准化后的所述运行数据进行转换。

在本发明实施例中，对数据中的数值型数据，采用归一化进行数据标准化处理，如用电量数据，用户电压、电流数据。

在本发明实施例中，此外，还可以结合数据分布及业务流程，对数据进行特征加工。如对用户电量数据计算其标准差，衡量用户用电波动性；用电量异常系数，衡量用户用电量在均值附近的波动程度；用户出现异常事件次数等。此为可选的具体实施方式，本发明实施例对此不作具体限定。

在一个实施例中，如图5所示，步骤S206中利用预设的识别模型对预处理后的所述运行数据进行处理并输出第二概率的步骤具体可以包括步骤S502～S508：

步骤S502，利用随机森林算法模型对所述运行数据进行处理以输出第一结果。

在本发明实施例中，随机森林使用CART(分类与回归树，Classification andRegressionTrees，CART)决策树作为弱学习器，并且对决策树的建立做了改进。对于普通的决策树，算法会在节点上的所有样本特征中选择一个最优的特征来做决策树子树的划分依据，但是随机森林通过随机选择节点上的一部分样本特征，然后在这些随机选择的部分样本特征中，选择一个最优的特征来做决策树的左右子树划分。由于特征选择的不确定性，模型的泛化能力得到进一步提升。

在本发明实施例中，算法计算流程如下：

模型输入为样本集D＝{(x

(1)弱分类器迭代(t＝1,2...,T):

1)对训练集进行第t次随机采样，共采集m次，得到包含m个样本的采样集D

2)用采样集D

(2)对于分类算法预测，将T个弱学习器投出最多票数的类别作为最终类别。对于回归算法，将T个弱学习器得到的回归结果进行算术平均的值做为最终的模型输出。

步骤S504，利用XGBoost算法模型对所述运行数据进行处理以输出第二结果。

在本发明实施例中，XGBoost算法是一个计算效率和健壮性都很高的算法。XGBoost在算法的弱学习器模型选择上，除来支持决策树以外，还可以支持很多其他的弱学习器。在算法的损失函数上，除了本身的损失，还加上了正则化部分。在算法的优化方式上，XGBoost损失函数对误差部分做二阶泰勒展开，更加准确。对每个弱学习器建立的过程做并行选择，在并行选择之前，先对所有的特征的值进行排序分组。对分组的特征，选择合适的分组大小，使用CPU缓存进行读取加速。将各个分组保存到多个硬盘以提高IO速度。对于缺失值的特征，通过枚举所有缺失值在当前节点是进入左子树还是右子树来决定缺失值的处理方式。算法本身加入了L1和L2正则化项，可以防止过拟合，泛化能力更强。

步骤S506，利用LightGBM算法模型对所述运行数据进行处理以输出第三结果。

在本发明实施例中，LightGBM算法是经典的Boosting系列算法。与XGBoost算法相比，两者的计算逻辑相似，主要的差别是LightGBM在优化通信处理更优。LightGBM直接支持类别特征，对类别特征不必进行独热编码处理，提高算法效率。LightGBM同时支持数据并行、特征并行。使用多项评价指标同时评价时两者的早停止策略不同，XGBoost是根据评价指标列表中的最后一项来作为停止标准，而LightGBM则受到所有评价指标的影响。

步骤S508，根据所述第一结果、第二结果、第三结果及各自对应的预设权重确定所述第二概率。

在本发明实施例中，构建的识别模型选择用电样本所在台区全年的历史数据作为数据输入，其中疑似样本共2994个，并将样本数据按照7：3划分数据训练集与测试集。考虑到正负样本不平衡的问题，将算法中分类器阈值改为数据中负样本与正样本的实际比率。通过对算法模型的不断训练与调参优化，提升模型中训练集的准确率。

机器学习用电识别模型是二分类预测任务，主要通过精确率与召回率评价模型准确性。在用电预测场景中，需要很高的精确率。精确率与召回率的计算公式如下：

精确率：P＝TP/(TP+FP)

召回率：R＝TP/(TP+FN)

通过模型训练与参数调优，随机森林、XGBoost、LightGBM在测试集上的数据表现如下：

(1)随机森林模型

(2)XGBoost模型

(3)LightGBM模型

模型精确率与召回率对比如下所示：

在本发明实施例中，第二概率＝随机森林模型输出*权重1+XGBoost模型输出*权重2+LightGBM模型输出*权重3。

在一个实施例中，如图6所示，步骤S208根据所述第一概率以及所述第二概率确定用于不规范用电概率的步骤具体可以包括步骤S602～S604：

步骤S602，确定所述第一概率以及所述第二概率对应的权重。

在本发明实施例中，第一概率以及所述第二概率对应的权重可以是经验值，也可以通过其它算法进行确定，此为可选的具体实现方式，本发明实现例中两个概率对应的权重均取0.5。

步骤S604，根据所述第一概率、第二概率及各自对应的权重确定所述不规范用电概率。

在本发明实施例中，不规范用电概率＝第一概率*0.5+第二概率*0.5。根据不规范用电概率的大小，可以将不规范用电可能进一步分为极高(90％-100％)、高(70％-90％包含90％)、一般(50％-70％包含70％)、低(0-50％包含50％)。作为一种可选的处理方式，可以每日将不规范用电概率类型是极高的用户和连续4天不规范用电概率＞60％的用户进行风险预警。

本发明实施例提供的用电监测方法通过将用电监测数据进行划分，并对不同数据采用不同的处理方式以确定第一概率以及第二概率，并且第一概率以及第二概率最终确定不规范用电概率，可以更加准确地判断用户是否不规范用电，自动化程度高。该方法可以适配现有用电系统，在现有用电监测数据的基础上进行分析处理从而确定用户是否不规范用电，对于现有系统的改造小，嵌入性强，且算法易于实现，成本低。

如图7所示，在一个实施例中，提供了一种用电监测装置，该用电监测装置可以集成于上述的供电监测系统120中，具体可以包括：

获取模块701，用于获取用电监测数据，所述用电监测数据包括业务数据以及运行数据；

第一概率确定模块702，用于按预设规则对所述业务数据进行筛选，根据筛选后的所述业务数据确定第一概率；

第二概率确定模块703，用于对所述运行数据进行预处理，利用预设的识别模型对预处理后的所述运行数据进行处理并输出第二概率；

不规范用电概率确定模块704，用于根据所述第一概率以及所述第二概率确定用于不规范用电概率。

在本发明实施例中，对于各个模块的执行的具体步骤的解释说明请参考本发明前述任意一个或者多个实施例的组合所述的内容，本发明实施例在此不再赘述。

本发明实施例提供的用电监测装置通过将用电监测数据进行划分，并对不同数据采用不同的处理方式以确定第一概率以及第二概率，并且第一概率以及第二概率最终确定不规范用电概率，可以更加准确地判断用户是否不规范用电，自动化程度高。该方法可以适配现有用电系统，在现有用电监测数据的基础上进行分析处理从而确定用户是否不规范用电，对于现有系统的改造小，嵌入性强，且算法易于实现，成本低。

图8示出了一个实施例中计算机设备的内部结构图。该计算机设备具体可以是图1中的供电监测系统120。如图8所示，该计算机设备包括该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、输入装置和显示屏。其中，存储器包括非易失性存储介质和内存储器。该计算机设备的非易失性存储介质存储有操作系统，还可存储有计算机程序，该计算机程序被处理器执行时，可使得处理器实现本发明实施例提供的用电监测方法。该内存储器中也可储存有计算机程序，该计算机程序被处理器执行时，可使得处理器执行本发明实施例提供的用电监测方法。计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。

本领域技术人员可以理解，图8中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在一个实施例中，本申请提供的用电监测装置可以实现为一种计算机程序的形式，计算机程序可在如图8所示的计算机设备上运行。计算机设备的存储器中可存储组成该用电监测装置的各个程序模块，比如，图7所示的获取模块701、第一概率确定模块702、第二概率确定模块703和不规范用电概率确定模块704。各个程序模块构成的计算机程序使得处理器执行本说明书中描述的本申请各个实施例的用电监测方法中的步骤。

例如，图8所示的计算机设备可以通过如图7所示的用电监测装置中的获取模块701执行步骤S202；计算机设备可通过第一概率确定模块702执行步骤S204；计算机设备可通过第二概率确定模块703执行步骤S206；计算机设备可通过不规范用电概率确定模块704执行步骤S208。

在一个实施例中，提出了一种计算机设备，所述计算机设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现以下步骤：

获取用电监测数据，所述用电监测数据包括业务数据以及运行数据；

按预设规则对所述业务数据进行筛选，根据筛选后的所述业务数据确定第一概率；

对所述运行数据进行预处理，利用预设的识别模型对预处理后的所述运行数据进行处理并输出第二概率；

根据所述第一概率以及所述第二概率确定用于不规范用电概率。

在一个实施例中，提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时，使得处理器执行以下步骤：。

获取用电监测数据，所述用电监测数据包括业务数据以及运行数据；

按预设规则对所述业务数据进行筛选，根据筛选后的所述业务数据确定第一概率；

对所述运行数据进行预处理，利用预设的识别模型对预处理后的所述运行数据进行处理并输出第二概率；

根据所述第一概率以及所述第二概率确定用于不规范用电概率。

应该理解的是，虽然本发明各实施例的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，各实施例中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一非易失性计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。

以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。