• / 11
  • 下載費用:30 金幣  

一種基于PSO算法的異常用電客戶檢測方法.pdf

關 鍵 詞:
一種 基于 PSO 算法 異常 用電 客戶 檢測 方法
  專利查詢網所有資源均是用戶自行上傳分享,僅供網友學習交流,未經上傳用戶書面授權,請勿作他用。
摘要
申請專利號:

CN201310551882.6

申請日:

2013.11.08

公開號:

CN103678766A

公開日:

2014.03.26

當前法律狀態:

授權

有效性:

有權

法律詳情: 授權|||實質審查的生效IPC(主分類):G06F 17/50申請日:20131108|||公開
IPC分類號: G06F17/50; G06Q50/06(2012.01)I 主分類號: G06F17/50
申請人: 國家電網公司; 國網浙江省電力公司嘉興供電公司; 國網浙江平湖市供電公司
發明人: 張凱俊; 鄭濤; 潘鋒; 吳迪; 吳韜; 吳佳; 朱子奇; 徐詒玥; 邵萍; 張健
地址: 100045 北京市西城區西長安街86號
優先權:
專利代理機構: 杭州華鼎知識產權代理事務所(普通合伙) 33217 代理人: 秦曉剛
PDF完整版下載: PDF下載
法律狀態
申請(專利)號:

CN201310551882.6

授權公告號:

||||||

法律狀態公告日:

2016.12.07|||2014.04.23|||2014.03.26

法律狀態類型:

授權|||實質審查的生效|||公開

摘要

本發明公開了一種基于PSO算法的異常用電客戶檢測方法,首先,利用電力負荷管理系統采集用戶實際用電負荷數據、用戶歷史用電負荷數據以及用戶行業用電負荷數據;其次,基于PSO算法提取出用戶行業日負荷模式曲線、用戶歷史日負荷模式曲線,并計算得到考察月的實際日平均負荷曲線;然后,分析考察月實際日平均負荷曲線分別與對應月份的用戶行業日負荷模式曲線、用戶歷史日負荷模式曲線的匹配相似度;最后,依據供電企業對用戶行業負荷模式以及用戶歷史負荷模式的匹配相似度的偏好設置匹配度權重,加權平均得到用戶的用電正常度。本發明用PSO算法而非傳統的聚類算法提取用戶負荷的代表曲線,能克服聚類算法固有的缺陷,代表負荷曲線有更高的可靠性。

權利要求書

權利要求書
1.  一種基于PSO算法的異常用電客戶檢測方法,其特征在于:
首先,利用電力負荷管理系統采集用戶實際用電負荷數據、用戶歷史用電負荷數據以及用戶行業用電負荷數據;
其次,基于PSO算法提取出用戶行業日負荷模式曲線、用戶歷史日負荷模式曲線,并根據用戶考察月份的實際用電負荷,計算得到考察月的實際日平均負荷曲線;
然后,分別以基于相關系數和基于相對平均距離為時間序列度量指標,分析考察月實際日平均負荷曲線分別與對應月份的用戶行業日負荷模式曲線、用戶歷史日負荷模式曲線的匹配相似度;
最后,依據供電企業對用戶行業負荷模式以及用戶歷史負荷模式的匹配相似度的偏好設置匹配度權重,加權平均得到用戶的用電正常度,若用電正常度低于設定的警戒閾值,則用戶歸入異常用電的嫌疑用戶,需對此類用戶進行人工排查。

2.  根據權利要求1所述的基于PSO算法的異常用電客戶檢測方法,其特征在于:具體步驟如下:
a)收集用電負荷數據,共需獲取三種用電負荷數據,分別是:用戶所屬行業過去一年同區域同行業的10個用戶的日用電負荷數據,用戶過去2年的日用電負荷數據以及用戶考察月份的實際日用電負荷數據,其中,日用電負荷數據應包括計量電表每天每15分鐘采集的用戶用電負荷,即用戶的日用電負荷數據為包括24×4個用電負荷數據點的負荷曲線,用Xi,j=[xi,j(1),xi,j(2),...,xi,j(k),...,xi,j(96)]表示月份i第j天的用電負荷,按月進行數據分析,用電負荷數據按12個月分類,每個月平均有30天的用電負荷數據;
b)按月提取用戶所屬行業的行業代表日負荷模式曲線,將與考察用戶同區域同行業的10個用戶過去一年的用電負荷數據按照如下方式標準化:
xi,j(k)=xi,j(k)-ximinximax-ximin,k=1,2...,96,]]>
其中ximax、ximin分別表示用戶月份i中負荷的最大、最小值,每個用戶每個月有30條負荷曲線,共有10×30條負荷曲線,然后利用標準化后的負荷數據采用標準PSO算法提取不同月份該用戶所屬行業的代表負荷模式曲線Lk=[lk(1),lk(2),...,lk(i),...,lk(96)],k=1,2,...,12,其中Lk表示月份k的行業代表負荷曲線;
c)按月提取用戶的歷史代表日負荷模式曲線,其直接使用歷史負荷值,過去兩年的負荷數據中,共有目標月份數據2×30條負荷曲線,直接采用標準的PSO算法提取該用戶不同月份的歷史代表日負荷模式曲線Hk=[hk(1),hk(2),...,hk(i),...,hk(96)],k=1,2,...,12,其中,Hk表示月份k的歷史代表負荷曲線;
d)統計得到用戶的目標月份的實際日平均負荷曲線,對于實際考察月份N天的負荷數據Xk=[xk(1),xk(2),...,xk(96)],k=1,2,...,N,采用平均的方式得到該用戶該月的實際日平均負荷曲線X′=[x′(1),x′(2),x′(i),...,x′(96)],其中,
x(i)=1NΣk=1Nxk(i),i=1,2...,96;]]>
e)將實際日平均負荷曲線標準化后與行業的代表負荷模式曲線匹配,標準化按如下方式進行:
y(i)=x(i)-xminxmax-xmin,i=1,2,...,96,]]>
標準化后得到實際日平均負荷標準化曲線Y=[y(1),y(2),...y(i),...,y(96)],將對應月份的行業的代表負荷模式曲線Lk與實際日平均負荷標準化曲線Y視為兩時間序列,利用基于相關系數的統計量指標來量化度量兩曲線的相似性匹配度,兩時間序 列的匹配度定義如下:
dLkY=ρ(Lk,Y)+12ρ(Lk,Y)=Σi=196(lk(i)-lk‾)(y(i)-y‾)Σi=196(lk(i)-lk‾)2Σi=196(y(i)-y‾)2]]>
其中,lk‾=Σi=196lk(i)96,y‾=Σi=196y(i)96;]]>
f)將實際日平均負荷曲線X′與對應月份的歷史代表日負荷模式曲線Hk匹配,采用如下基于平均相對距離的度量來匹配量時間序列:
dHkX=1-196Σi=196(x(i)-hk(i)hk(i))2;]]>
g)設置行業代表日負荷曲線與用戶的歷史代表日負荷曲線的匹配偏好度權值ω1、ω2,其中ω1+ω2=1;
h)通過加權平均實際日平均曲線與兩代表曲線的匹配相似度,得到用戶的用電正常度η:;當用戶的用電正常度η小于設定的警戒閾值時,則該用戶被納入為異常用電嫌疑用戶名單,最后,經過人工排查后確定是否存在異常用電情況。

說明書

說明書一種基于PSO算法的異常用電客戶檢測方法
技術領域
本發明涉及異常用電客戶檢測方法。
背景技術
目前,國內異常用電監測的方法主要可以分為兩類:一類是安裝監測采控終端,通過實時監測用戶的相電壓、相電流等電路運行狀態值,利用技術分析判定是否存在異常用電情況;另一類是利用供電中心獲取的用戶用電負荷數據,運用數據分析方法判定是否存在用電異常。
第一類方法需要在用戶端安裝監測設備,由于用戶數量大,很大程度提高了異常用電監測的成本。通常需要較高的采樣頻率并且需要用存儲設備存儲監測到的數據,設備成本高。第二類方法大都存在著由于采用的數據不合理、聚類方法固有缺陷、模式曲線選取不合理等原因導致監測的準確度不高。
發明內容
本發明所要解決的技術問題就是提供一種異常用電客戶檢測方法,能在不增加監測成本的前提之下,利用已有的用戶用電信息,更為準確的篩選出異常用電的嫌疑用戶,從而有效的排查異常用電情況,提高供電企業的效益。
為解決上述技術問題,本發明采用如下技術方案:一種基于PSO算法的異常用電客戶檢測方法,
首先,利用電力負荷管理系統采集用戶實際用電負荷數據、用戶歷史用電負荷數據以及用戶行業用電負荷數據;
其次,基于PSO算法提取出用戶行業日負荷模式曲線、用戶歷史日負荷模式曲線,并根據用戶考察月份的實際用電負荷,計算得到考察月的實際日平均 負荷曲線;
然后,分別以基于相關系數和基于相對平均距離為時間序列度量指標,分析考察月實際日平均負荷曲線分別與對應月份的用戶行業日負荷模式曲線、用戶歷史日負荷模式曲線的匹配相似度;
最后,依據供電企業對用戶行業負荷模式以及用戶歷史負荷模式的匹配相似度的偏好設置匹配度權重,加權平均得到用戶的用電正常度,若用電正常度低于設定的警戒閾值,則用戶歸入異常用電的嫌疑用戶,需對此類用戶進行人工排查。
基于PSO算法的異常用電客戶檢測方法具體步驟如下:
a)收集用電負荷數據,共需獲取三種用電負荷數據,分別是:用戶所屬行業過去一年同區域同行業的10個用戶的日用電負荷數據,用戶過去2年的日用電負荷數據以及用戶考察月份的實際日用電負荷數據,其中,日用電負荷數據應包括計量電表每天每15分鐘采集的用戶用電負荷,即用戶的日用電負荷數據為包括24×4個用電負荷數據點的負荷曲線,用Xi,j=[xi,j(1),xi,j(2),...,xi,j(k),...,xi,j(96)]表示月份i第j天的用電負荷,按月進行數據分析,用電負荷數據按12個月分類,每個月平均有30天的用電負荷數據;
b)按月提取用戶所屬行業的行業代表日負荷模式曲線,將與考察用戶同區域同行業的10個用戶過去一年的用電負荷數據按照如下方式標準化:
xi,j(k)=xi,j(k)-ximinximax-ximin,k=1,2,...,96,]]>
其中ximax、ximin分別表示用戶月份i中負荷的最大、最小值,每個用戶每個月有30條負荷曲線,共有10×30條負荷曲線,然后利用標準化后的負荷數據采用標準PSO算法提取不同月份該用戶所屬行業的代表負荷模式曲線 Lk=[lk(1),lk(2),...,lk(i),...,lk(96)],k=1,2,...,12,其中Lk表示月份k的行業代表負荷曲線;
c)按月提取用戶的歷史代表日負荷模式曲線,其直接使用歷史負荷值,過去兩年的負荷數據中,共有目標月份數據2×30條負荷曲線,直接采用標準的PSO算法提取該用戶不同月份的歷史代表日負荷模式曲線Hk=[hk(1),hk(2),...,hk(i),...,hk(96)],k=1,2,...,12,其中,Hk表示月份k的歷史代表負荷曲線;
d)統計得到用戶的目標月份的實際日平均負荷曲線,對于實際考察月份N天的負荷數據Xk=[xk(1),xk(2),...,xk(96)],k=1,2,...,N,采用平均的方式得到該用戶該月的實際日平均負荷曲線X′=[x′(1),x′(2),x′(i),...,x′(96)],其中,
x(i)=1NΣk=1Nxk(i),i=1,2,...,96;]]>
e)將實際日平均負荷曲線標準化后與行業的代表負荷模式曲線匹配,標準化按如下方式進行:
y(i)=x(i)-xminxmax-xmin,i=1,2,...,96,]]>
標準化后得到實際日平均負荷標準化曲線Y=[y(1),y(2),...y(i),...,y(96)],將對應月份的行業的代表負荷模式曲線Lk與實際日平均負荷標準化曲線Y視為兩時間序列,利用基于相關系數的統計量指標來量化度量兩曲線的相似性匹配度,兩時間序列的匹配度定義如下:
dLkY=ρ(Lk,Y)+12ρ(Lk,Y)=Σi=196(lk(i)-lk‾)(y(i)-y‾)Σi=196(lk(i)-lk‾)2Σi=196(y(i)-y‾)2]]>
其中,lk‾=Σi=196lk(i)96,y‾=Σi=196y(i)96;]]>
f)將實際日平均負荷曲線X′與對應月份的歷史代表日負荷模式曲線Hk匹配,采用如下基于平均相對距離的度量來匹配量時間序列:
dHkX=1-196Σi=196(x(i)-hk(i)hk(i))2;]]>
g)設置行業代表日負荷曲線與用戶的歷史代表日負荷曲線的匹配偏好度權值ω1、ω2,其中ω1+ω2=1;
h)通過加權平均實際日平均曲線與兩代表曲線的匹配相似度,得到用戶的用電正常度η:;當用戶的用電正常度η小于設定的警戒閾值時,則該用戶被納入為異常用電嫌疑用戶名單,最后,經過人工排查后確定是否存在異常用電情況。
本發明的有益效果為:
1.本方法利用計量電表記錄的負荷數據,經過數據分析判定是否用電異常,無需額外安裝任何監測設備,監測成本低;
2.本方法針對用戶用電負荷與行業用戶用電負荷和用戶歷史用電負荷匹配的不同特點,采用不同的數據處理方式,對行業用電負荷數據進行歸一化后,側重行業用電負荷變化趨勢,提取行業負荷模式曲線,而對用戶歷史負荷數據則依據絕對數值,直接用戶歷史負荷代表曲線;
3.用PSO算法而非傳統的聚類算法提取用戶負荷的代表曲線,能克服聚類算法固有的缺陷,代表負荷曲線有更高的可靠性;
4.運用基于統計量的時間序列相似度度量來量化負荷模式曲線之間的匹配度,度量更加準確。
附圖說明
下面結合附圖和具體實施方式對本發明作進一步描述:;
圖1是本發明基于PSO算法的異常用電客戶檢測方法流程圖;
圖2是PSO算法流程圖。
具體實施方式
下面結合圖1對本發明基于PSO算法的異常用電客戶檢測方法做出具體說明:其利用電力負荷管理系統采集到的用戶用電負荷數據,按月提取出用戶所屬行業的行業代表日負荷模式曲線與用戶歷史負荷數據的歷史代表日負荷模式曲線,然后根據用戶考察月份的實際用電負荷,計算得到考察月的實際日平均負荷曲線,再以統計分析量作為時間序列相似性度量指標,分析考察月份實際日平均負荷曲線分別與對應月份的行業代表日負荷模式曲線、歷史代表日負荷模式曲線的匹配相似度,最后依據供電企業對行業代表負荷模式以及用戶歷史負荷模式的匹配相似度的偏好設置匹配度權重,加權平均得到用戶的用電正常度,若用電正常度低于設定的警戒閾值,則用戶歸入異常用電的嫌疑用戶,需對此類用戶進行人工排查。具體步驟如下:
i)收集用電負荷數據。本方法共需獲取三種用電負荷數據,分別是:用戶所屬行業過去一年同區域同行業的10個用戶的日用電負荷數據,用戶過去2年的日用電負荷數據以及用戶考察月份的實際日用電負荷數據。其中,日用電負荷數據應包括計量電表每天每15分鐘采集的用戶用電負荷,即用戶的日用電負荷數據為包括24×4個用電負荷數據點的負荷曲線,用Xi,j=[xi,j(1),xi,j(2),...,xi,j(k),...,xi,j(96)]表示月份i第j天的用電負荷。由于用戶用電量與季節、用戶所在地的氣候等因素相關聯,本方法按月進行數據分析,用電負荷數據按12個月分類,每個月平均有30天的用電負荷數據。
j)按月提取用戶所屬行業的行業代表日負荷模式曲線。用戶用電與 同行業用戶的用電模式的相似性主要體現在用電隨時間的變化趨勢相同,而用電負荷卻因用戶電力設備規模的不同呈現出較大差異。需要將與考察用戶同區域同行業的10個用戶過去一年的用電負荷數據按照如下方式標準化:
xi,j(k)=xi,j(k)-ximinximax-ximin,k=1,2...,96---(1)]]>
其中ximax、ximin分別表示用戶月份i中負荷的最大、最小值。每個用戶每個月有30條負荷曲線,共有10×30條負荷曲線。標準化后的負荷數據主要體現用戶用電隨時間的大小變化規律。然后利用標準化后的負荷數據采用標準PSO算法[9]提取不同月份該用戶所屬行業的代表負荷模式曲線Lk=[lk(1),lk(2),...,lk(i),...,lk(96)],k=1,2,...,12,其中Lk表示月份k的行業代表負荷曲線。
k)按月提取用戶的歷史代表日負荷模式曲線。用戶用電在一般情況下應該與歷史用電呈現出較強的一致性,用戶歷史代表日負荷模式需要體現用戶在一天中的不同時刻的大體用電負荷,因此在提取用戶的歷史代表日負荷模式時,不將負荷數據標準化,而直接使用歷史負荷值。過去兩年的負荷數據中,共有目標月份數據2×30條負荷曲線。直接采用標準的PSO算法提取該用戶不同月份的歷史代表日負荷模式曲線Hk=[hk(1),hk(2),...,hk(i),...,hk(96)],k=1,2,...,12,其中Hk表示月份k的歷史代表負荷曲線。
l)統計得到用戶的目標月份的實際日平均負荷曲線。對于實際考察月份N天的負荷數據Xk=[xk(1),xk(2),...,xk(96)],k=1,2,...,N,采用平均的方式得到該用戶該月的實際日平均負荷曲線X′=[x′(1),x′(2),x′(i),...,x′(96)],其中
x(i)=1NΣk=1Nxk(i),i=1,2...,96---(2)]]>
m)將實際日平均負荷曲線標準化后與行業的代表負荷模式曲線匹配。標準化按如下方式進行:
(i)=x(i)-xminxmax-xmin,i=1,2,...,96---(3)]]>
標準化后得到實際日平均負荷標準化曲線Y=[y(1),y(2),...y(i),...,y(96)]。將對應月份的行業的代表負荷模式曲線Lk與實際日平均負荷標準化曲線Y視為兩時間序列,利用基于相關系數的統計量指標來量化度量兩曲線的相似性匹配度。因為基于統計量相關系數的相似性度量更加側重與考慮曲線的形狀相似,考慮變量之間的協方差,能體現出兩時間序列如何一起變化,而非注重數值的絕對相似。這與實際情況中,用戶與同行業的用電模式的關聯性相一致。兩時間序列的匹配度定義如下:
dLkY=ρ(Lk,Y)+12ρ(Lk,Y)=Σi=196(lk(i)-lk‾)(y(i)-y‾)Σi=196(lk(i)-lk‾)2Σi=196(y(i)-y‾)2]]>   (4)
其中lk‾=Σi=196lk(i)96,y‾=Σi=196y(i)96.]]>
n)將實際日平均負荷曲線X′與對應月份的歷史代表日負荷模式曲線Hk匹配。實際日平均負荷與該用戶歷史代表日負荷模式的匹配,不僅體現在變化趨勢一致,而且用電負荷也接近。因此,采用如下基于平均相對距離的度量來匹配量時間序列。
dHkX=1-196Σi=196(x(i)-hk(i)hk(i))2---(5)]]>
o)設置行業代表日負荷曲線與用戶的歷史代表日負荷曲線的匹配偏好度權值ω1、ω2,其中ω1+ω2=1。
p)通過加權平均實際日平均曲線與兩代表曲線的匹配相似度,得到用戶的用電正常度η:
η=ω1×dLkY+ω2×dHkX---(6)]]>
當用戶的用電正常度η小于設定的警戒閾值時,則該用戶被納入為異常用電嫌疑用戶名單。最后,經過人工排查后確定是否存在異常用電情況。
以下結合圖2說明本發明采用的PSO算法具體流程:
編碼:粒子位置代表負荷數據曲線。P=[p(1),p(2),...,p(96)]
評價:基于曲線間距離fitness°=196Σi=196d2(p(i),xk(i))]]>
d2(p(i),xk(i))=1KΣK=1K(p(i)-xk(i))2]]>
更新:Vi(g+1)=Vi(g)+c1×rand()×(Pgbest-Pi(g))+c2×rand()×(Pbest-Pi(g))Xi(g+1)=Xi(g)+Vi(g+1)]]>
本發明的方法相較于傳統方法具有如下優勢:
1、檢測成本低:本方法利用計量電表記錄的負荷數據,經過科學分析判定是否存在用電異常,無需額外安裝任何監測設備。
2、檢測準確率高。
3、負荷數據預處理合理:針對用戶用電負荷與行業用戶用電負荷和用戶歷史用電負荷匹配的不同特點,采用不同的數據處理方式,對行業用電負荷數據進行歸一化后,側重行業用電負荷變化趨勢,提取行業負荷模式曲線,而對用戶歷史負荷數據則依據絕對數值,直接提取用戶歷史負荷代表曲線。
4、可靠性高:用PSO算法而非傳統的聚類算法提取用戶負荷的代表曲線,能克服傳統聚類算法固有缺陷,獲得的代表負荷曲線有更高的可靠性。
5、匹配評價科學準確:運用基于統計量的時間序列相似度度量來量化負 荷模式曲線之間的匹配度。

關于本文
本文標題:一種基于PSO算法的異常用電客戶檢測方法.pdf
鏈接地址:http://www.pqsozv.live/p-6180766.html
關于我們 - 網站聲明 - 網站地圖 - 資源地圖 - 友情鏈接 - 網站客服 - 聯系我們

[email protected] 2017-2018 zhuanlichaxun.net網站版權所有
經營許可證編號:粵ICP備17046363號-1 
 


收起
展開
钻石光影