本發(fā)明屬于竊電監(jiān)測(cè)，具體是一種用于反竊電的多維度監(jiān)測(cè)系統(tǒng)及方法。

背景技術(shù)：

1、在電力公司的營(yíng)銷業(yè)務(wù)中，電量電費(fèi)、電能計(jì)量、用電檢查等功能管理的質(zhì)量取決于供用電是否合理以及電量收費(fèi)是否正常。電量收費(fèi)是電力公司的主要經(jīng)濟(jì)來(lái)源，受社會(huì)用電秩序的影響很大，而竊電行為導(dǎo)致電力公司無(wú)法實(shí)現(xiàn)正常電量計(jì)費(fèi)，從而造成巨大損失。因此，必須確保反竊電工作的實(shí)時(shí)性和有效性，才能及時(shí)發(fā)現(xiàn)竊電行為，規(guī)避風(fēng)險(xiǎn)，減少電力公司經(jīng)濟(jì)損失。

2、現(xiàn)有技術(shù)通過(guò)對(duì)供電區(qū)域內(nèi)用戶的用電數(shù)據(jù)進(jìn)行持續(xù)監(jiān)測(cè)，通過(guò)對(duì)用電數(shù)據(jù)進(jìn)行分析，得到用戶的竊電信息；然而，用戶的竊電行為經(jīng)常發(fā)生在特定的時(shí)間段，現(xiàn)有技術(shù)的反竊電監(jiān)測(cè)方法難以獲取用戶在不同時(shí)間段的竊電概率，導(dǎo)致反竊電監(jiān)測(cè)的精準(zhǔn)性和效率不高。

3、本發(fā)明提出一種用于反竊電的多維度監(jiān)測(cè)系統(tǒng)及方法，以解決上述技術(shù)問(wèn)題。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明旨在至少解決現(xiàn)有技術(shù)中存在的技術(shù)問(wèn)題之一；為此，本發(fā)明提出了一種用于反竊電的多維度監(jiān)測(cè)系統(tǒng)及方法，用于解決現(xiàn)有技術(shù)的反竊電監(jiān)測(cè)方法難以獲取用戶在不同時(shí)間段的竊電概率，導(dǎo)致反竊電監(jiān)測(cè)的精準(zhǔn)性和效率不高，導(dǎo)致反竊電監(jiān)測(cè)的精準(zhǔn)性和效率不高的技術(shù)問(wèn)題。

2、為實(shí)現(xiàn)上述目的，本發(fā)明的第一方面提供了一種用于反竊電的多維度監(jiān)測(cè)系統(tǒng)，包括：數(shù)據(jù)處理模塊，以及與之相連接的數(shù)據(jù)采集模塊和竊電預(yù)警模塊；

3、所述數(shù)據(jù)采集模塊：用于獲取供電片區(qū)內(nèi)若干用戶的基本信息以及各用戶在若干連續(xù)周期內(nèi)的原始用電數(shù)據(jù)；對(duì)原始用電數(shù)據(jù)進(jìn)行預(yù)處理，得到樣本用電數(shù)據(jù)；其中，基本信息包括用戶的地址、姓名和繳費(fèi)記錄，原始用電數(shù)據(jù)和樣本用電數(shù)據(jù)均包括采集時(shí)間、電壓數(shù)據(jù)、電流數(shù)據(jù)和用電量；

4、所述數(shù)據(jù)處理模塊：用于基于樣本用電數(shù)據(jù)進(jìn)行分析得到竊電嫌疑系數(shù)；獲取用戶在預(yù)測(cè)周期時(shí)的竊電嫌疑系數(shù)預(yù)測(cè)值；基于竊電嫌疑系數(shù)預(yù)測(cè)值和預(yù)設(shè)的嫌疑范圍閾值進(jìn)行比較，得到竊電嫌疑等級(jí)；其中，竊電嫌疑等級(jí)包括無(wú)竊電嫌疑、輕度嫌疑和嚴(yán)重嫌疑；

5、所述竊電預(yù)警模塊：基于基本信息和竊電嫌疑等級(jí)生成各用戶對(duì)應(yīng)的竊電預(yù)警信息；其中，竊電預(yù)警信息包括基本信息和竊電嫌疑等級(jí)。

6、優(yōu)選的，所述對(duì)原始用電數(shù)據(jù)進(jìn)行預(yù)處理，包括：

7、a1：提取若干連續(xù)周期的原始用電數(shù)據(jù)；

8、a2：將原始用電數(shù)據(jù)中的異常數(shù)據(jù)剔除；

9、a3：對(duì)原始用電數(shù)據(jù)中的缺失數(shù)據(jù)進(jìn)行填補(bǔ)；

10、a4：將經(jīng)過(guò)預(yù)處理的原始用電數(shù)據(jù)整合為樣本用電數(shù)據(jù)，并將各用戶的樣本用電數(shù)據(jù)的序號(hào)標(biāo)記為i；其中，i＝1，2，…，n，n為供電片區(qū)內(nèi)用戶的總組數(shù)。

11、優(yōu)選的，所述基于樣本用電數(shù)據(jù)進(jìn)行分析得到竊電嫌疑系數(shù)，包括：

12、b1：提取若干連續(xù)周期的樣本用電數(shù)據(jù)；

13、b2：將若干連續(xù)周期的樣本用電數(shù)據(jù)擬合為用電曲線；其中，用電曲線包括電壓曲線、電流曲線和用電量曲線；

14、b3：基于用電曲線通過(guò)數(shù)據(jù)分析得到用電變化特征；其中，用電變化特征包括電壓波動(dòng)最大值、電流波動(dòng)最大值和用電量波動(dòng)最大值；

15、b4：通過(guò)公式qdxi＝a×dyi+b×dli+c×ydli計(jì)算用戶i的竊電嫌疑系數(shù)qdxi；其中，dyi為用戶i的電壓導(dǎo)數(shù)，dli為用戶i的電流導(dǎo)數(shù)，ydli為用戶i的用電量導(dǎo)數(shù)，a、b、c為大于0的比例系數(shù)。

16、本發(fā)明通過(guò)將若干連續(xù)周期的樣本用電數(shù)據(jù)擬合為用電曲線，通過(guò)計(jì)算各用電曲線的一階導(dǎo)函數(shù)，得到用電變化特征；通過(guò)將用電變化特征公式化計(jì)算，得到各用戶的竊電嫌疑系數(shù)，使得竊電嫌疑系數(shù)能夠量化出用戶的用電數(shù)據(jù)與竊電概率之間的相關(guān)性，從而有利于提高對(duì)用戶進(jìn)行反竊電監(jiān)測(cè)的精準(zhǔn)性。

17、優(yōu)選的，所述將若干連續(xù)周期的樣本用電數(shù)據(jù)擬合為用電曲線，包括：

18、提取若干連續(xù)周期的樣本用電數(shù)據(jù)；以時(shí)間為自變量，以樣本用電數(shù)據(jù)為因變量建立用電曲線。

19、優(yōu)選的，所述基于用電曲線通過(guò)數(shù)據(jù)分析得到用電變化特征，包括

20、提取用電曲線；對(duì)電壓曲線、電流曲線和用電量曲線分別計(jì)算一階導(dǎo)函數(shù)，得到電壓第一導(dǎo)函數(shù)、電流第一導(dǎo)函數(shù)和用電量第一導(dǎo)函數(shù)；

21、將電壓第一導(dǎo)函數(shù)、電流第一導(dǎo)函數(shù)和用電量第一導(dǎo)函數(shù)取絕對(duì)值，得到電壓第二導(dǎo)函數(shù)、電流第二導(dǎo)函數(shù)和用電量第二導(dǎo)函數(shù)；

22、分別從電壓第二導(dǎo)函數(shù)、電流第二導(dǎo)函數(shù)和用電量第二導(dǎo)函數(shù)中獲取電壓導(dǎo)數(shù)最大值、電流導(dǎo)數(shù)最大值、用電量導(dǎo)數(shù)最大值，將電壓導(dǎo)數(shù)最大值標(biāo)記為電壓波動(dòng)最大值，將電流導(dǎo)數(shù)最大值標(biāo)記為電流波動(dòng)最大值，將用電量導(dǎo)數(shù)最大值標(biāo)記為用電量波動(dòng)最大值。

23、優(yōu)選的，所述獲取用戶在預(yù)測(cè)周期時(shí)的竊電嫌疑系數(shù)預(yù)測(cè)值，包括：

24、提取用戶最近若干連續(xù)周期的竊電嫌疑系數(shù)并標(biāo)記為標(biāo)準(zhǔn)數(shù)據(jù)集，將標(biāo)準(zhǔn)數(shù)據(jù)集輸入至竊電預(yù)測(cè)模型，得到用戶在預(yù)測(cè)周期時(shí)的竊電嫌疑系數(shù)預(yù)測(cè)值；其中，竊電預(yù)測(cè)模型通過(guò)人工智能模型訓(xùn)練得到。

25、優(yōu)選的，所述竊電預(yù)測(cè)模型通過(guò)人工智能模型訓(xùn)練得到，包括：

26、提取若干連續(xù)周期的竊電嫌疑系數(shù)并將其整合為若干組訓(xùn)練數(shù)據(jù)和檢驗(yàn)數(shù)據(jù)；使用訓(xùn)練數(shù)據(jù)對(duì)人工智能模型進(jìn)行訓(xùn)練；使用檢驗(yàn)數(shù)據(jù)對(duì)訓(xùn)練后的人工智能模型進(jìn)行檢驗(yàn)，根據(jù)檢驗(yàn)結(jié)果對(duì)人工智能模型進(jìn)行調(diào)整；最終得到輸入為最近若干個(gè)連續(xù)周期的竊電嫌疑系數(shù)，輸出為預(yù)測(cè)周期的竊電嫌疑系數(shù)的竊電預(yù)測(cè)模型；其中，人工智能模型包括bp神經(jīng)網(wǎng)絡(luò)模型或者rbf神經(jīng)網(wǎng)絡(luò)模型。

27、本發(fā)明通過(guò)提取竊電嫌疑系數(shù)預(yù)測(cè)值用于訓(xùn)練人工智能模型，訓(xùn)練完成后得到竊電預(yù)測(cè)模型，通過(guò)將若干個(gè)連續(xù)周期的竊電嫌疑系數(shù)輸入至竊電預(yù)測(cè)模型，得到預(yù)測(cè)周期的竊電嫌疑系數(shù)，能夠提前預(yù)估用戶在對(duì)應(yīng)時(shí)間段的竊電概率，使得電力公司能夠快速準(zhǔn)確地對(duì)存在嚴(yán)重竊電嫌疑的用戶進(jìn)行查證，有利于提高對(duì)用戶進(jìn)行反竊電監(jiān)測(cè)的效率和精準(zhǔn)性。

28、優(yōu)選的，所述基于竊電嫌疑系數(shù)預(yù)測(cè)值和預(yù)設(shè)的嫌疑范圍閾值進(jìn)行比較，包括：

29、c1：提取竊電嫌疑系數(shù)預(yù)測(cè)值；

30、c2：設(shè)置嫌疑范圍閾值[xy1,xy2]；其中，xy1<xy2；

31、c3：判斷竊電嫌疑系數(shù)預(yù)測(cè)值是否在嫌疑范圍閾值內(nèi)；是，則將竊電嫌疑等級(jí)標(biāo)記為輕度嫌疑；否，則跳轉(zhuǎn)至c4；

32、c4：判斷竊電嫌疑系數(shù)預(yù)測(cè)值是否大于嫌疑范圍閾值最大值xy2；是，則將竊電嫌疑等級(jí)標(biāo)記為嚴(yán)重嫌疑；否，則將竊電嫌疑等級(jí)標(biāo)記為無(wú)竊電嫌疑。

33、優(yōu)選的，所述基于基本信息和竊電嫌疑等級(jí)生成各用戶對(duì)應(yīng)的竊電預(yù)警信息，包括：

34、提取各用戶的基本信息和竊電嫌疑等級(jí)；判斷竊電嫌疑等級(jí)是否為無(wú)竊電嫌疑；是，則將不生成竊電預(yù)警信息；否，則將基本信息和竊電嫌疑等級(jí)整合為竊電預(yù)警信息。

35、本發(fā)明的第二方面提供了一種用于反竊電的多維度監(jiān)測(cè)方法，包括：

36、s1：獲取供電片區(qū)內(nèi)若干用戶的基本信息以及各用戶在若干連續(xù)周期內(nèi)的原始用電數(shù)據(jù)；

37、s2：對(duì)原始用電數(shù)據(jù)進(jìn)行預(yù)處理，得到樣本用電數(shù)據(jù)；

38、s3：基于樣本用電數(shù)據(jù)進(jìn)行分析得到竊電嫌疑系數(shù)；

39、s4：獲取用戶在預(yù)測(cè)周期時(shí)的竊電嫌疑系數(shù)預(yù)測(cè)值；

40、s5：基于竊電嫌疑系數(shù)預(yù)測(cè)值和預(yù)設(shè)的嫌疑范圍閾值進(jìn)行比較，得到竊電嫌疑等級(jí)；

41、s6：基于基本信息和竊電嫌疑等級(jí)生成各用戶對(duì)應(yīng)的竊電預(yù)警信息。

42、與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果是：

43、1.本發(fā)明通過(guò)將若干連續(xù)周期的樣本用電數(shù)據(jù)擬合為用電曲線，通過(guò)計(jì)算各用電曲線的一階導(dǎo)函數(shù)，得到用電變化特征；通過(guò)將用電變化特征公式化計(jì)算，得到各用戶的竊電嫌疑系數(shù)，使得竊電嫌疑系數(shù)能夠量化出用戶的用電數(shù)據(jù)與竊電概率之間的相關(guān)性，從而有利于提高對(duì)用戶進(jìn)行反竊電監(jiān)測(cè)的精準(zhǔn)性。

44、2.本發(fā)明通過(guò)提取竊電嫌疑系數(shù)預(yù)測(cè)值用于訓(xùn)練人工智能模型，訓(xùn)練完成后得到竊電預(yù)測(cè)模型，通過(guò)將若干個(gè)連續(xù)周期的竊電嫌疑系數(shù)輸入至竊電預(yù)測(cè)模型，得到預(yù)測(cè)周期的竊電嫌疑系數(shù)，能夠提前預(yù)估用戶在對(duì)應(yīng)時(shí)間段的竊電概率，使得電力公司能夠快速準(zhǔn)確地對(duì)存在嚴(yán)重竊電嫌疑的用戶進(jìn)行查證，有利于提高對(duì)用戶進(jìn)行反竊電監(jiān)測(cè)的效率和精準(zhǔn)性。