一种基于大数据的充电桩窃电行为监测方法技术

技术编号：41988259 阅读：8 留言：0更新日期：2024-07-12 12:16

本发明专利技术公开了一种基于大数据的充电桩窃电行为监测方法，属于大数据技术以及窃电监测技术领域，通过获取历史大数据以及人工标签，并对历史大数据以及人工标签进行学习，以形成可以进行智能检测充电桩窃电行为的规则，最后通过智能检测充电桩窃电行为的规则对实时数据进行识别，从而实现充电桩窃电行为的实时自动监测，提升了充电桩窃电监测效率以及识别准确率。

全部详细技术资料下载

【技术实现步骤摘要】

本专利技术属于大数据技术以及窃电监测，具体涉及一种基于大数据的充电桩窃电行为监测方法。

技术介绍

1、电动汽车(electric vehicle，简称ev)是一种以电力为主要动力来源的交通工具，它通过电动机驱动车辆运行，而不是传统的内燃机。电动汽车的运行原理相对简单，动力来源于电动机，电动机将电池储存的电能转化为机械能，推动汽车前进。电动汽车不需要燃油，因此在运行过程中不会排放尾气，是实现绿色出行的有效方式。随着电动汽车的广泛应用，充电桩的需求不断增加。然而，充电桩窃电现象时有发生，给充电桩运营企业和用户带来经济损失。传统的充电桩窃电监测方法主要依靠人工巡检和实时报警系统，监测效率较低，难以实现对充电桩窃电行为的实时、准确识别。

技术实现思路

1、本专利技术提供一种基于大数据的充电桩窃电行为监测方法，用以解决传统的充电桩窃电监测方法主要依靠人工巡检和实时报警系统，监测效率较低，难以实现对充电桩窃电行为的实时、准确识别的问题。

2、一种基于大数据的充电桩窃电行为监测方法，包括：

3、获取充电桩对应的历史用电大数据以及历史用电数据对应的人工标签，并对历史用电大数据以及历史用电数据对应的人工标签进行清洗，获取清洗之后的历史用电大数据以及历史用电数据对应的人工标签；

4、采用深度学习模型构建充电桩窃电行为检测模型，并采用清洗之后的历史用电大数据以及历史用电数据对应的人工标签对充电桩窃电行为检测模型进行优化，得到优化之后的充电桩窃电行为检测模型；

<p>5、将优化之后的充电桩窃电行为检测模型部署于用电数据监测平台上，并通过部署的充电桩窃电行为检测模型对实时用电数据进行分析，确定充电桩窃电行为监测结果。

6、进一步地，所述充电桩对应的历史用电大数据包括用电类型数据以及充电桩电能表信息；

7、所述历史用电数据对应的人工标签包括充电桩存在窃电或者充电桩不存在窃电；

8、其中，用电类型数据包括充电桩日用电量的时序数据和台区日线损量的时间序列数据；

9、充电桩电能表信息包括电能表电流不平衡事件记录、电能表过流事件记录、电能表恒定磁场干扰事件记录、电能表开表盖事件记录电能表欠压事件记录、电能表失流事件记录、电能表失压事件记录以及电表倒走事件记录。

10、进一步地，对历史用电大数据以及历史用电数据对应的人工标签进行清洗，获取清洗之后的历史用电大数据以及历史用电数据对应的人工标签，包括：

11、将存在异常值和/或缺失值的历史用电大数据以及历史用电数据对应的人工标签删除，得到清洗之后的历史用电大数据以及历史用电数据对应的人工标签。

12、进一步地，采用深度学习模型构建充电桩窃电行为检测模型，包括：采用卷积神经网络构建充电桩窃电行为检测模型。

13、进一步地，采用清洗之后的历史用电大数据以及历史用电数据对应的人工标签对充电桩窃电行为检测模型进行优化，得到优化之后的充电桩窃电行为检测模型，包括：

14、采用混沌映射初始化方法对充电桩窃电行为检测模型的超参数进行多次初始化，以获取多个不同的超参数编码；

15、根据清洗之后的历史用电大数据以及历史用电数据对应的人工标签，获取每个超参数编码的误差函数值；

16、根据每个超参数编码的误差函数值，确定最优超参数编码；

17、将所有的超参数编码划随机分为两个子种群；

18、采用第一信息交互策略使两个子种群中的超参数编码进行初次信息交互，得到初次更新后的子种群；

19、根据最优超参数编码，采用第二信息交互策略使两个子种群中的超参数编码进行二次信息交互，得到二次更新后的子种群；

20、根据最优超参数编码，采用第三信息交互策略使两个子种群中的超参数编码进行三次信息交互，得到三次更新后的子种群；

21、将三次更新后的两个子种群合并为一个完整种群，并针对完整种群中每个超参数编码进行扰动更新，得到更新后的完整种群；

22、以更新后的完整种群为基础，重新获取最优超参数编码，并判断当前优化次数是否到达最大优化次数，若是，则将最优超参数编码作为充电桩窃电行为检测模型的最终超参数，得到优化之后的充电桩窃电行为检测模型，否则返回获取每个超参数编码的误差函数值的步骤。

23、进一步地，根据清洗之后的历史用电大数据以及历史用电数据对应的人工标签，获取每个超参数编码的误差函数值，包括：

24、将超参数编码包含的超参数应用至充电桩窃电行为检测模型中之后，以清洗之后的历史用电大数据作为充电桩窃电行为检测模型的实际输入，以历史用电数据对应的人工标签作为充电桩窃电行为检测模型的期望输出，获取充电桩窃电行为检测模型对应的均方误差或均方根误差，得到超参数编码的误差函数值；

25、遍历所有超参数编码，获取每个超参数编码的误差函数值。

26、进一步地，采用第一信息交互策略使两个子种群中的超参数编码进行初次信息交互，得到初次更新后的子种群，包括：

27、将两个子种群中的超参数编码进行一一配对；

28、针对任一对超参数编码，确定误差函数值较大的超参数编码以及误差函数值较小的超参数编码超参数编码为超参数编码的配对个体；

29、针对误差函数值较小的超参数编码直接将其作为更新后的超参数编码；

30、针对误差函数值较大的超参数编码将其与超参数编码进行信息交互，得到更新后的超参数编码为：

31、

32、

33、其中，表示超参数编码在第t+1优化过程中的更新量，表示更新后的超参数编码表示超参数编码在第t优化过程中的更新量，当第t优化过程中不存在更新量时，则为0；ω表示惯性权重，r1表示[0,1]内均匀分布的随机数，r2表示[0,1]内均匀分布的随机数，表示交互控制因子，表示超参数编码所在子种群对应的平均编码；

34、遍历每一对超参数编码，得到初次更新后的子种群。

35、进一步地，根据最优超参数编码，采用第二信息交互策略使两个子种群中的超参数编码进行二次信息交互，得到二次更新后的子种群，包括：

36、将两个子种群中的超参数编码进行一一配对；

37、针对任一对超参数编码，确定误差函数值较大的超参数编码以及误差函数值较小的超参数编码超参数编码为超参数编码的配对个体；

38、针对误差函数值较小的超参数编码直接将其作为更新后的超参数编码；

39、针对误差函数值较大的超参数编码将其与超参数编码进行信息交互，得到更新后的超参数编码为：

40、

41、

42、其中，表示超参数编码在第t+1优化过程中的更新量，表示更新后的超参数编码表示超参数编码在第t优化过程中的更新量，当第t优化过程中不存在更新量时，则为0；ω表示惯性权重，r1表示[0,1]内均匀分布的随机数，r2表示[0,1]内均匀分布的随机数，表示交互控本文档来自技高网...

【技术保护点】

1.一种基于大数据的充电桩窃电行为监测方法，其特征在于，包括：

2.根据权利要求1所述的基于大数据的充电桩窃电行为监测方法，其特征在于，所述充电桩对应的历史用电大数据包括用电类型数据以及充电桩电能表信息；

3.根据权利要求2所述的基于大数据的充电桩窃电行为监测方法，其特征在于，对历史用电大数据以及历史用电数据对应的人工标签进行清洗，获取清洗之后的历史用电大数据以及历史用电数据对应的人工标签，包括：

4.根据权利要求1所述的基于大数据的充电桩窃电行为监测方法，其特征在于，采用深度学习模型构建充电桩窃电行为检测模型，包括：采用卷积神经网络构建充电桩窃电行为检测模型。

5.根据权利要求1所述的基于大数据的充电桩窃电行为监测方法，其特征在于，采用清洗之后的历史用电大数据以及历史用电数据对应的人工标签对充电桩窃电行为检测模型进行优化，得到优化之后的充电桩窃电行为检测模型，包括：

6.根据权利要求5所述的基于大数据的充电桩窃电行为监测方法，其特征在于，根据清洗之后的历史用电大数据以及历史用电数据对应的人工标签，获取每个超参数编码的误差函数值，包括：

7.根据权利要求6所述的基于大数据的充电桩窃电行为监测方法，其特征在于，采用第一信息交互策略使两个子种群中的超参数编码进行初次信息交互，得到初次更新后的子种群，包括：

8.根据权利要求7所述的基于大数据的充电桩窃电行为监测方法，其特征在于，根据最优超参数编码，采用第二信息交互策略使两个子种群中的超参数编码进行二次信息交互，得到二次更新后的子种群，包括：

9.根据权利要求8所述的基于大数据的充电桩窃电行为监测方法，其特征在于，根据最优超参数编码，采用第三信息交互策略使两个子种群中的超参数编码进行三次信息交互，得到三次更新后的子种群，包括：

10.根据权利要求9所述的基于大数据的充电桩窃电行为监测方法，其特征在于，将三次更新后的两个子种群合并为一个完整种群，并针对完整种群中每个超参数编码进行扰动更新，得到更新后的完整种群，包括：

...

【技术特征摘要】

1.一种基于大数据的充电桩窃电行为监测方法，其特征在于，包括：

6.根据权利要求5所述的基于大数据的充电桩窃电行为监测方法...

【专利技术属性】
技术研发人员：周磊，
申请(专利权)人：北京昊瑞昌科技有限公司，
类型：发明
国别省市：

全部详细技术资料下载我是这个专利的主人