一种基于预判模型的窃电用户判断方法技术

本发明专利技术公开了一种基于预判模型的窃电用户判断方法，包括获取若干待判断用户用电数据；利用典型窃电用户的用电数据，采用相似性检索方法，从所有待判断用户中筛选出窃电嫌疑用户；根据窃电嫌疑用户的用电数据，判断窃电嫌疑用户的类型，并提取相应的用电特征；将窃电嫌疑用户的用电特征输入预先训练的XGBoost窃电预判模型，判断该用户是否为窃电用户；其中，XGBoost窃电预判模型与窃电嫌疑用户的类型匹配。本发明专利技术通过相似性检索方法，利用典型窃电用户，筛选出窃电嫌疑用户，通过与用户类型相应的XGBoost窃电预判模型，精准识别窃电用户，实现对窃电行为的精准打击。实现对窃电行为的精准打击。实现对窃电行为的精准打击。

【技术实现步骤摘要】
一种基于预判模型的窃电用户判断方法


[0001]本专利技术涉及一种基于预判模型的窃电用户判断方法，属于窃电用户识别领域。

技术介绍

[0002]随着国家经济的快速发展和人民生活水平的提高，全社会的用电量不断增加，能源需求的不断增大，电力产业作为国家重要的基础能源产业也得到快速的发展。目前，在国家层面、电力企业层面都有着重要的电力数据分析需求。于国家而言，电力大数据有助于电力行业整体提高运营效率和服务质量，从而达到节能减排的目标，推动社会经济的可持续发展；于电力企业而言，智能化电网中所产生的大量电力数据有助于加强其自身的管理决策能力，同时提升其供电服务质量。长期以来，社会中窃电、欺诈等现象屡禁不止，这些行为严重危害其他用户的生命财产安全，电力企业的经营管理以及供电秩序，甚至对国家经济的发展带来严重的威胁。因此，如何判断窃电用户是目前亟待解决的问题。

技术实现思路

[0003]本专利技术提供了一种基于预判模型的窃电用户判断方法，解决了
技术介绍
中披露的问题。
[0004]为了解决上述技术问题，本专利技术所采用的技术方案是：
[0005]一种基于预判模型的窃电用户判断方法，包括，
[0006]获取若干待判断用户用电数据；
[0007]利用典型窃电用户的用电数据，采用相似性检索方法，从所有待判断用户中筛选出窃电嫌疑用户；
[0008]根据窃电嫌疑用户的用电数据，判断窃电嫌疑用户的类型，并提取相应的用电特征；
[0009]将窃电嫌疑用户的用电特征输入预先训练的XGBoost窃电预判模型，判断该用户是否为窃电用户；其中，XGBoost窃电预判模型与窃电嫌疑用户的类型匹配。
[0010]用户的类型包括低压用户和高压用户，高压用户包括三相电流、电压数据缺失的高压用户和三相电流、电压数据完整的高压用户。
[0011]与低压用户匹配的XGBoost窃电预判模型为日冻结电量预判模型，采用低压用户的日冻结电量特征训练；其中，低压用户包括典型窃电用户和正常用户。
[0012]日冻结电量特征包括，
[0013]用电量移动平均的均值、中位数、标准差、偏度、峰度；
[0014]用电量移动平均差分的均值、中位数、标准差、偏度、峰度。
[0015]与三相电流、电压数据缺失的高压用户匹配的XGBoost窃电预判模型为96点电量预判模型，采用三相电流、电压数据缺失高压用户的96点电量特征训练；其中，三相电流、电压数据缺失的高压用户包括典型窃电用户和正常用户。
[0016]96点电量特征包括，
[0017]日平均用电量移动平均的均值、中位数、标准差、偏度、峰度；
[0018]日平均用电量移动平均差分的均值、中位数、标准差、偏度、峰度；
[0019]单日内96点用电量标准差的均值、中位数、标准差、偏度、峰度。
[0020]与三相电流、电压数据完整的高压用户匹配的XGBoost窃电预判模型为综合预判模型，采用三相电流、电压数据完整高压用户的96点电量特征、电压特征和电流特征训练；其中，三相电流、电压数据完整的高压用户包括典型窃电用户和正常用户。
[0021]96点电量特征包括，
[0022]日平均用电量移动平均的均值、中位数、标准差、偏度、峰度；
[0023]日平均用电量移动平均差分的均值、中位数、标准差、偏度、峰度；
[0024]单日内96点用电量标准差的均值、中位数、标准差、偏度、峰度；
[0025]电压特征包括电压不平衡度的均值、中位数、标准差、偏度、峰度；
[0026]电流特征包括电流不平衡度的均值、中位数、标准差、偏度、峰度。
[0027]一种存储一个或多个程序的计算机可读存储介质，所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行基于用电采集大数据的窃电用户判断方法。
[0028]一种计算设备，包括一个或多个处理器、一个或多个存储器以及一个或多个程序，其中一个或多个程序存储在所述一个或多个存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个程序包括用于执行基于用电采集大数据的窃电用户判断方法的指令。
[0029]本专利技术所达到的有益效果：本专利技术通过相似性检索方法，利用典型窃电用户，筛选出窃电嫌疑用户，通过与用户类型相应的XGBoost窃电预判模型，精准识别窃电用户，实现对窃电行为的精准打击。
附图说明
[0030]图1为本专利技术的流程图；
[0031]图2为输入XGBoost窃电预判模型的过程。
具体实施方式
[0032]下面结合附图对本专利技术作进一步描述。以下实施例仅用于更加清楚地说明本专利技术的技术方案，而不能以此来限制本专利技术的保护范围。
[0033]如图1所示，一种基于预判模型的窃电用户判断方法，包括以下步骤：
[0034]步骤1，基于用电信息采集系统，获取若干待判断用户用电数据。
[0035]用电数据一般包括日冻结电能示值、电压曲线、电流曲线、功率曲线、功率因数曲线、线损数据、事件类数据信息等。
[0036]步骤2，利用典型窃电用户的用电数据，采用相似性检索方法，从所有待判断用户中筛选出窃电嫌疑用户。
[0037]步骤3，根据窃电嫌疑用户的用电数据，判断窃电嫌疑用户的类型，并提取相应的用电特征。
[0038]用户类型一般包括低压用户和高压用户，其中低压用户不采集96点电量、电流、电
压数据，部分高压用户缺失三相电流、电压数据，因此高压用户包括三相电流、电压数据缺失的高压用户和三相电流、电压数据完整的高压用户。
[0039]步骤4，将窃电嫌疑用户的用电特征输入预先训练的XGBoost窃电预判模型(见图2)，判断该用户是否为窃电用户；其中，XGBoost窃电预判模型与窃电嫌疑用户的类型匹配。
[0040]训练XGBoost窃电预判模型的具体过程如下：
[0041]1)获取典型窃电用户和正常用户的用电数据。
[0042]基于营销业务应用系统，提取近几年的典型窃电用户数据，包括用户信息、违约用电窃电信息、窃电检查结果信息。基于用电信息采集系统，按窃电和正常为1:2比例，抽取典型窃电用户和正常用户的用电数据，主要包括日冻结电能示值、电压曲线、电流曲线、功率曲线、功率因数曲线、线损数据、事件类数据信息等。
[0043]2)提取用电数据特征，构建样本集。
[0044]不同类型的用户对于不同的模型，因此需要构建三个样本集，分别对应三种用户，包括低压用户特征集、三相电流、电压数据缺失的高压用户集、三相电流、电压数据完整的高压用户集；其中，低压用户特征集中包括低压用户的日冻结电量特征，三相电流、电压数据缺失的高压用户集中包括三相电流、电压数据缺失高压用户的96点电量特征；三相电流、电压数据完整的高压用户集包括三相电流、电压数据完整高压用户的96点电量特征、电压特征和电流特征；每个集合中的用户均包括典型窃电用户和正常用户。<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于预判模型的窃电用户判断方法，其特征在于：包括，获取若干待判断用户用电数据；利用典型窃电用户的用电数据，采用相似性检索方法，从所有待判断用户中筛选出窃电嫌疑用户；根据窃电嫌疑用户的用电数据，判断窃电嫌疑用户的类型，并提取相应的用电特征；将窃电嫌疑用户的用电特征输入预先训练的XGBoost窃电预判模型，判断该用户是否为窃电用户；其中，XGBoost窃电预判模型与窃电嫌疑用户的类型匹配。2.根据权利要求1所述的一种基于预判模型的窃电用户判断方法，其特征在于：用户的类型包括低压用户和高压用户，高压用户包括三相电流、电压数据缺失的高压用户和三相电流、电压数据完整的高压用户。3.根据权利要求2所述的一种基于预判模型的窃电用户判断方法，其特征在于：与低压用户匹配的XGBoost窃电预判模型为日冻结电量预判模型，采用低压用户的日冻结电量特征训练；其中，低压用户包括典型窃电用户和正常用户。4.根据权利要求3所述的一种基于预判模型的窃电用户判断方法，其特征在于：日冻结电量特征包括，用电量移动平均的均值、中位数、标准差、偏度、峰度；用电量移动平均差分的均值、中位数、标准差、偏度、峰度。5.根据权利要求2所述的一种基于预判模型的窃电用户判断方法，其特征在于：与三相电流、电压数据缺失的高压用户匹配的XGBoost窃电预判模型为96点电量预判模型，采用三相电流、电压数据缺失高压用户的96点电量特征训练；其中，三相电流、电压数据缺失的高压用户包括典型窃电用户和正常用户。6.根据权利要求5所述的一种基于预判模型的窃电用户判断方法，其特征在于...

【专利技术属性】
技术研发人员：唐伟宁，钟术海，鞠默欣，钱奇，覃华勤，孔凡强，刘璐，余达菲，张强，马先芹，詹军，唐思萌，苏金林，
申请(专利权)人：国网吉林省电力有限公司营销服务中心北京科东电力控制系统有限责任公司，
类型：发明
国别省市：