一种基于深度学习算法的充电异常行为分析方法与流程

1.本发明涉及用电行为分析技术领域，具体为一种基于深度学习算法的充电异常行为分析方法。

背景技术：

2.在电力行业，各种拥有电力营销、电力生产等业务方面专业的业务人员和技术人员，能够提供覆盖市场策划、拓展、营销管理及企业绩效等核心业务端到端一体化解决方案，并提供从咨询规划、系统建设到运营维护的全方位全过程服务，来解决目前用电设施中存在的非智能化的问题。
3.常规用电统计的方法是每户总装一个电流表，根据电流表的示数决定用户电费的高低。然而这种统计方法无法防止有些用户在各自的电流总表上做文章，恶意调整总表的示数，造成实际消耗的电量远超缴纳的电费，使得用电公司和其他用户蒙受损失。现有的解决方法是加强电流总表的安全性，然而会造成抄表维护保养的困难，同时用电的监测也只是单一停留在一户总的用电量进行监测，无法通过用电数据判断用电情况，实用性差。因此，设计实用性强的一种基于深度学习算法的充电异常行为分析方法是很有必要的。

技术实现要素：

4.本发明的目的在于提供一种基于深度学习算法的充电异常行为分析方法，以解决上述背景技术中提出的问题。
5.为了解决上述技术问题，本发明提供如下技术方案：一种基于深度学习算法的充电异常行为分析方法，该方法采用的模块包括数据预处理模块、算法选择模块、专家样本库构建模块、模型训练和验证模块、模型测试及评价模块、模型反馈及优化模块、用电行为筛查模块，所述数据预处理模块与算法选择模块电连接，所述模型测试及评价模块与模型测试及评价模块电连接；
6.所述数据预处理模块用于缺失值处理、异常值处理、节假日数据处理，负荷数据平滑处理，所述算法选择模块用于根据数据情况选择合适的算法，构建诊断模型，针对本类数据分析应该选择哪种分析算法，所述专家样本库构建模块用于根据建模要求有选择性地从采集系统中抽取电量，负荷，电压，电流，报警及线损数据，所述模型训练和验证模块用于分析采集系统积累下来的大量用电异常历史数据，对各类用电异常的状况分类整理，并给出相应的判定结果，形成专家样本库，最后利用数据挖掘技术将这些数据中隐含的许多潜在的重要因素、事实和关联等有价值的信息提炼出来，分析用电异常事件同其他因素的相关性，并进而构建出反窃电智能诊断模型，所述模型测试及评价模块用于利用分类预测模型有人工神经网络对模型进行评价，所述模型反馈及优化模块用于通过机器学习技术不断的对模型进行优化与重构，使整个用电行为智能分析诊断模型更智能，分析的结果更精确，所述用电行为筛查模块用于通过典型计量异常及窃电案例的分析，出用电异常、计量异常的数据特征，采用大数据挖掘算法，基于电力营销系统、用电信息采集系统海量用电数据，
采用专业算法进行分析计算，从海量数据中筛选存在用电异常、计量装置故障、违约用电窃电嫌疑的用户。
7.根据上述技术方案，所述用电行为筛查模块通过构建的用电行为智能分析断模型对各供电单位重点行业的高压用户进行窃电行为分析,发现并提交疑似窃电的用户信息；
8.用电行为筛查算法涵盖：切片异常分析，包括功率、电压、电流，用电趋势异常分析，用电特性，报警事件关联分析，多测量点比对，线损钻取分析，
9.算法维度包括：切片异常高频持续发生，历史用电趋势，数据聚类、分类分析，数据关联分析，在通过机器学习技术不断完善和提高用电行为智能服务平台模型的精确性。
10.根据上述技术方案，所述用电行为筛查模块包括总电流传感器、插座电流传感器、插座电流信号模块、电流释放模块、插座加密模块、密码转盘，所述总电流传感器用于检测该用户总的使用电流，所述插座电流传感器用于检测各个插头的分支电流，所述插座电流信号模块用于向变电箱发射信号电流，得到信号电流才可以输送电能，所述电流释放模块用于读取到释放信号发送电能，所述插座加密模块用于对插座的电流信号进行加密，所述密码转盘用于将加密信号中字符串进行多次反相生成另一个加密字符串。
11.根据上述技术方案，电流释放模块的工作方式为：
12.s1、统计第一历史时期的用电电流，根据该段时期的所有用户用电电流大小iz，与该家庭用电电流的大小if，计算用电量比例ic＝if/iz，由于每个家庭用电习惯都会保持相同，其比例应该为一个浮动小的值，为保证检测效果的准确性，同时统计一段时间内的平均用电量比例w；
13.s2、所述当插座进行用电时，利用插座加密模块生成一个随机的字母串，利用密码转盘将字符串信号进行加密，到配电箱时利用密码转盘进行解密，对插座和用电器的左右两端字母检查表进行核对，如果核对相同，则给予插座电流；
14.s3、根据平均用电量比例w调整ic的参考值，使得ic的参考值与w的升降倍数相同，当该家庭的用电量大于电量比例的参考值ic时，则通过插座电流传感器检测各个插座的分支电流。
15.根据上述技术方案，上述步骤s1中，平均用电量比例的统计方法为，统计的家庭数量为n，统计x段时间，i为第几时间段，i＝1,2,3
……
x，时间段的具体时长根据用电高峰时长确定，选取在用电高峰时间段内，计算用电量的平均值w：
[0016][0017]
根据上述技术方案，上述步骤s2中，插座加密模块的解密方法为：
[0018]
首先在插座端第一次接入配电箱时，配电箱会生成一个与所有其他插座不同的角度信号，插座也会生成一个角度信号，此角度信号为配电站工作人员预设，接入时两个信号匹配，如果发生重复则标记该用户存在私自接入插座的行为，如果不重复则发送电流标记信号，电流标记信号经过密码转盘的加密，发送到配电箱端，配电箱端根据预先设定的角度信号调整密码转盘，进行解密，如果前后两个电流标记信号的字符串完全相同，则给予插座端电流，如果不相同则不给予插座端电流。
[0019]
根据上述技术方案，上述步骤s3中，分支电流的检测方法为，当用电时各个插座的分支电流提高，非用电时分支电流为零，得到各个插座的用电电流波形图，并且通过用户的
总用电量绘制总电量波形图，当发现某个插座的电流波形图发生斜率k1变化时，对比总用电量绘制总电量波形图的斜率k2，当发现在第i个时间段内k1-k2大于第i-1个时间段时，判断用户存在偷电嫌疑。
[0020]
与现有技术相比，本发明所达到的有益效果是：本发明，通过对用户及时的用电情况与平均用电情况做对比和调整，只会考虑用电量异常增大的情况，而不会考虑用电量缓慢增大的正常情况，结合时令与其他用户的平均用电情况判断用电异常增大，与偷电这一高风险行为所反应的相适应，同时对每一个用电插头进行编码加密，只有在达成解密信息才会将电流发送给插头，在用户利用外接插头偷电时其用电量与总用电量的增长斜率对比，如果增长斜率不相符合，则判断用电异常，通过一系列方案从各个方面杜绝偷电的现象，避免供电公司和其他用户的损失。
附图说明
[0021]
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
[0022]
图1是本发明的整体模块结构示意图；
[0023]
图2是本发明的加密转盘工作原理示意图；
具体实施方式
[0024]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0025]
请参阅图1-2，本发明提供技术方案：一种基于深度学习算法的充电异常行为分析方法，包括该方法采用的模块包括数据预处理模块、算法选择模块、专家样本库构建模块、模型训练和验证模块、模型测试及评价模块、模型反馈及优化模块、用电行为筛查模块，数据预处理模块与算法选择模块电连接，模型测试及评价模块与模型测试及评价模块电连接；
[0026]
数据预处理模块用于缺失值处理、异常值处理、节假日数据处理，负荷数据平滑处理，算法选择模块用于根据数据情况选择合适的算法，构建诊断模型，针对本类数据分析应该选择哪种分析算法，专家样本库构建模块用于根据建模要求有选择性地从采集系统中抽取电量，负荷，电压，电流，报警及线损数据，模型训练和验证模块用于分析采集系统积累下来的大量用电异常历史数据，对各类用电异常的状况分类整理，并给出相应的判定结果，形成专家样本库，最后利用数据挖掘技术将这些数据中隐含的许多潜在的重要因素、事实和关联等有价值的信息提炼出来，分析用电异常事件同其他因素的相关性，并进而构建出反窃电智能诊断模型，模型测试及评价模块用于利用分类预测模型有人工神经网络对模型进行评价，模型反馈及优化模块用于通过机器学习技术不断的对模型进行优化与重构，使整个用电行为智能分析诊断模型更智能，分析的结果更精确，用电行为筛查模块用于通过典型计量异常及窃电案例的分析，出用电异常、计量异常的数据特征，采用大数据挖掘算法，基于电力营销系统、用电信息采集系统海量用电数据，采用专业算法进行分析计算，从
海量数据中筛选存在用电异常、计量装置故障、违约用电窃电嫌疑的用户；
[0027]
数据预处理模块包括缺失值处理模块、异常值处理模块、节假日数据处理模块，缺失值处理模块用于记录用户历史每次录入的用电数据，并且在该次数据录入时将该次的数据与历史输入数据做对比，发现缺失的数据，并且提醒用户进行录入，异常值处理用于对每次用户录入的用电数据进行检查，发现偏离正常值较多的数据，并且对异常数据进行标记，节假日数据处理模块用于根据日历上的节假日与用户在节假日当天的用电数据进行对比，以判断用户的节假日是否偏好在家中度过节假日，负荷数据平滑处理用于将用户的每天的用电数据进行平滑连线，得到平滑的用电值与时间的关系，便于观察用电趋势；
[0028]
算法选择模块采用的算法包括上班族习惯用电算法、居家生活习惯用电算法，当晚上休息时间用电较多断定该用户为上班族，上班族习惯用电算法的电费计算方式为8小时上班时间内电费高，晚上时间内电费低，当用电全天平均分布时采用居家生活习惯用电算法，此时电费全天相同，且单位时间电费介于上班族习惯用电算法的白天与夜晚之间，便于根据用户的使用习惯合理决定电费，节省用户开支；
[0029]
用电异常的状况分类整理方法为：分析每个用户平时的用电数据，并且对计量装置进行检测，排除计量装置损坏的嫌疑，如果出现用户在某一时间段内用电明显高过同期值，则将其初步判定为用电异常，如果出现用户较长时间存在用电异常，则判断用户存在违约用电窃电嫌疑。
[0030]
用电行为筛查模块通过构建的用电行为智能分析断模型对各供电单位重点行业的高压用户进行窃电行为分析,发现并提交疑似窃电的用户信息；
[0031]
用电行为筛查算法涵盖：切片异常分析，包括功率、电压、电流，用电趋势异常分析，用电特性，报警事件关联分析，多测量点比对，线损钻取分析，
[0032]
算法维度包括：切片异常高频持续发生，历史用电趋势，数据聚类、分类分析，数据关联分析，在通过机器学习技术不断完善和提高用电行为智能服务平台模型的精确性；
[0033]
其中报警事件为外部停电事件，在计算是应该纳入考量范围内，线损钻取分析为将线路的损耗计算在内，从用户电量中扣除；
[0034]
用电行为筛查模块包括总电流传感器、插座电流传感器、插座电流信号模块、电流释放模块、插座加密模块、密码转盘，总电流传感器用于检测该用户总的使用电流，插座电流传感器用于检测各个插头的分支电流，插座电流信号模块用于向变电箱发射信号电流，得到信号电流才可以输送电能，电流释放模块用于读取到释放信号发送电能，插座加密模块用于对插座的电流信号进行加密，密码转盘用于将加密信号中字符串进行多次反相生成另一个加密字符串；
[0035]
电流释放模块的工作方式为：
[0036]
s1、统计第一历史时期的用电电流，根据该段时期的所有用户用电电流大小iz，与该家庭用电电流的大小if，计算用电量比例ic＝if/iz，由于每个家庭用电习惯都会保持相同，其比例应该为一个浮动小的值，为保证检测效果的准确性，同时统计一段时间内的平均用电量比例w；
[0037]
s2、当插座进行用电时，利用插座加密模块生成一个随机的字母串，利用密码转盘将字符串信号进行加密，到配电箱时利用密码转盘进行解密，对插座和用电器的左右两端字母检查表进行核对，如果核对相同，则给予插座电流；
[0038]
s3、根据平均用电量比例w调整ic的参考值，使得ic的参考值与w的升降倍数相同，当该家庭的用电量大于电量比例的参考值ic时，则通过插座电流传感器检测各个插座的分支电流。
[0039]
上述步骤s1中，平均用电量比例的统计方法为，统计的家庭数量为n，统计x段时间，i为第几时间段，i＝1,2,3
……
x，时间段的具体时长根据用电高峰时长确定，选取在用电高峰时间段内，计算用电量的平均值w：
[0040][0041]
上述步骤s2中，插座加密模块的解密方法为：
[0042]
首先在插座端第一次接入配电箱时，配电箱会生成一个与所有其他插座不同的角度信号，插座也会生成一个角度信号，此角度信号为配电站工作人员预设，接入时两个信号匹配，如果发生重复则标记该用户存在私自接入插座的行为，如果不重复则发送电流标记信号，电流标记信号经过密码转盘的加密，发送到配电箱端，配电箱端根据预先设定的角度信号调整密码转盘，进行解密，如果前后两个电流标记信号的字符串完全相同，则给予插座端电流，如果不相同则不给予插座端电流；
[0043]
上述步骤s3中，分支电流的检测方法为，当用电时各个插座的分支电流提高，非用电时分支电流为零，得到各个插座的用电电流波形图，并且通过用户的总用电量绘制总电量波形图，当发现某个插座的电流波形图发生斜率k1变化时，对比总用电量绘制总电量波形图的斜率k2，当发现在第i个时间段内k1-k2 大于第i-1个时间段时，判断用户存在偷电嫌疑。
[0044]
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
[0045]
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

技术特征：

1.一种基于深度学习算法的充电异常行为分析方法，其特征在于：该方法采用的模块包括数据预处理模块、算法选择模块、专家样本库构建模块、模型训练和验证模块、模型测试及评价模块、模型反馈及优化模块、用电行为筛查模块，所述数据预处理模块与算法选择模块电连接，所述模型测试及评价模块与模型测试及评价模块电连接；所述数据预处理模块用于缺失值处理、异常值处理、节假日数据处理，负荷数据平滑处理，所述算法选择模块用于根据数据情况选择合适的算法，构建诊断模型，针对本类数据分析应该选择哪种分析算法，所述专家样本库构建模块用于根据建模要求有选择性地从采集系统中抽取电量，负荷，电压，电流，报警及线损数据，所述模型训练和验证模块用于分析采集系统积累下来的大量用电异常历史数据，对各类用电异常的状况分类整理，并给出相应的判定结果，形成专家样本库，最后利用数据挖掘技术将这些数据中隐含的许多潜在的重要因素、事实和关联等有价值的信息提炼出来，分析用电异常事件同其他因素的相关性，并进而构建出反窃电智能诊断模型。2.根据权利要求1所述的一种基于深度学习算法的充电异常行为分析方法，其特征在于：所述模型测试及评价模块用于利用分类预测模型有人工神经网络对模型进行评价，所述模型反馈及优化模块用于通过机器学习技术不断的对模型进行优化与重构，所述用电行为筛查模块用于通过典型计量异常及窃电案例的分析，出用电异常、计量异常的数据特征，采用大数据挖掘算法，基于电力营销系统、用电信息采集系统海量用电数据，采用专业算法进行分析计算，从海量数据中筛选存在用电异常、计量装置故障、违约用电窃电嫌疑的用户。3.根据权利要求2所述的一种基于深度学习算法的充电异常行为分析方法，其特征在于：所述用电行为筛查模块通过构建的用电行为智能分析断模型对各供电单位重点行业的高压用户进行窃电行为分析,发现并提交疑似窃电的用户信息；用电行为筛查算法涵盖：切片异常分析，包括功率、电压、电流，用电趋势异常分析，用电特性，报警事件关联分析，多测量点比对，线损钻取分析，算法维度包括：切片异常高频持续发生，历史用电趋势，数据聚类、分类分析，数据关联分析，在通过机器学习技术不断完善和提高用电行为智能服务平台模型的精确性。4.根据权利要求3所述的一种基于深度学习算法的充电异常行为分析方法，其特征在于：所述用电行为筛查模块包括总电流传感器、插座电流传感器、插座电流信号模块、电流释放模块、插座加密模块、密码转盘，所述总电流传感器用于检测该用户总的使用电流，所述插座电流传感器用于检测各个插头的分支电流，所述插座电流信号模块用于向变电箱发射信号电流，得到信号电流才可以输送电能，所述电流释放模块用于读取到释放信号发送电能，所述插座加密模块用于对插座的电流信号进行加密，所述密码转盘用于将加密信号中字符串进行多次反相生成另一个加密字符串。5.根据权利要求4所述的一种基于深度学习算法的充电异常行为分析方法，其特征在于：所述电流释放模块的工作方式为：s1、统计第一历史时期的用电电流，根据该段时期的所有用户用电电流大小iz，与该家庭用电电流的大小if，计算用电量比例ic＝if/iz，由于每个家庭用电习惯都会保持相同，其比例应该为一个浮动小的值，为保证检测效果的准确性，同时统计一段时间内的平均用电量比例w；
s2、所述当插座进行用电时，利用插座加密模块生成一个随机的字母串，利用密码转盘将字符串信号进行加密，到配电箱时利用密码转盘进行解密，对插座和用电器的左右两端字母检查表进行核对，如果核对相同，则给予插座电流；s3、根据平均用电量比例w调整ic的参考值，使得ic的参考值与w的升降倍数相同，当该家庭的用电量大于电量比例的参考值ic时，则通过插座电流传感器检测各个插座的分支电流。6.根据权利要求5所述的一种基于深度学习算法的充电异常行为分析方法，其特征在于：上述步骤s1中，平均用电量比例的统计方法为，统计的家庭数量为n，统计x段时间，i为第几时间段，i＝1,2,3
……
x，时间段的具体时长根据用电高峰时长确定，选取在用电高峰时间段内，计算用电量的平均值w：7.根据权利要求6所述的一种基于深度学习算法的充电异常行为分析方法，其特征在于：上述步骤s2中，插座加密模块的解密方法为：首先在插座端第一次接入配电箱时，配电箱会生成一个与所有其他插座不同的角度信号，插座也会生成一个角度信号，此角度信号为配电站工作人员预设，接入时两个信号匹配，如果发生重复则标记该用户存在私自接入插座的行为，如果不重复则发送电流标记信号，电流标记信号经过密码转盘的加密，发送到配电箱端，配电箱端根据预先设定的角度信号调整密码转盘，进行解密，如果前后两个电流标记信号的字符串完全相同，则给予插座端电流，如果不相同则不给予插座端电流。8.根据权利要求7所述的一种基于深度学习算法的充电异常行为分析方法，其特征在于：上述步骤s3中，分支电流的检测方法为，当用电时各个插座的分支电流提高，非用电时分支电流为零，得到各个插座的用电电流波形图，并且通过用户的总用电量绘制总电量波形图，当发现某个插座的电流波形图发生斜率k1变化时，对比总用电量绘制总电量波形图的斜率k2，当发现在第i个时间段内k1-k2大于第i-1个时间段时，判断用户存在偷电嫌疑。

技术总结

本发明公开了一种基于深度学习算法的充电异常行为分析方法，包括数据预处理模块、算法选择模块、专家样本库构建模块、模型训练和验证模块、模型测试及评价模块、模型反馈及优化模块、用电行为筛查模块，所述数据预处理模块与算法选择模块电连接，所述模型测试及评价模块与模型测试及评价模块电连接；所述数据预处理模块用于缺失值处理、异常值处理、节假日数据处理，负荷数据平滑处理，所述算法选择模块用于根据数据情况选择合适的算法，构建诊断模型，针对本类数据分析应该选择哪种分析算法，负荷，电压，电流，报警及线损数据，本发明，具有实用性强的特点。具有实用性强的特点。具有实用性强的特点。