【技術實現步驟摘要】
本專利技術屬于電力系統，尤其涉及一種基于神經網絡模型的竊電檢測方法及裝置。
技術介紹
1、竊電的行為對社會的危害性極大，會影響到整個社會的穩定供應，情節較為嚴重的竊電行為在竊電過程中還可能會損壞電力設備，電力設備的損壞會影響社會的電力安全以及人民的生命安全。
2、現有的竊電檢測方法大都是通過對電網的運行狀態進行分析，當檢測到竊電行為時再通過人工進行實地核查，確認實施竊電行為的用戶。專利技術人在實踐過程中發現，這種方法無法準確的考慮到多種因素的影響，大都依靠人工經驗斷定是否出現了竊電行為，準確性較低。且現有的竊電檢測方法的檢測范圍較大，在發生竊電行為時，不容易定位到具體的竊電位置。
技術實現思路
1、本專利技術實施例提供了一種基于神經網絡模型的竊電檢測方法及裝置，以解決現有的竊電檢測方法中竊電檢測的范圍較大，不容易定位到具體的竊電位置的問題。
2、本專利技術是通過如下技術方案實現的：
3、第一方面，本專利技術實施例提供了一種基于神經網絡模型的竊電檢測方法，包括：
4、對待檢測地區進行劃分，得到多個檢測區域；
5、獲取每個檢測區域的歷史用電數據，并基于所述歷史用電數據對神經網絡模型進行訓練，得到每個檢測區域的用電預測模型；
6、針對每個檢測區域，獲取該檢測區域中每個用電戶的類型和該檢測區域內不同類型用電戶的比例，基于所述比例確定該檢測區域的最大允許用電波動值；
7、針對每個檢測區域，基于用電預測模型對該
8、基于所有實際波動值確定異常區域，確定每個異常區域的相似區域，并基于所述相似區域的實際用電數據對相應的異常區域進行篩選，確定竊電區域。
9、在一種可能的實現方式中，對待檢測地區進行劃分，得到多個檢測區域，包括：
10、獲取所述待檢測地區內的臺區數量以及臺區覆蓋范圍，并基于所述臺區數量以及臺區覆蓋范圍對所述待檢測地區進行劃分，得到多個檢測區域；
11、其中，每個檢測區域中包含一個或多個臺區。
12、在一種可能的實現方式中，所述獲取每個檢測區域的歷史用電數據，并基于所述歷史用電數據對神經網絡模型進行訓練，得到每個檢測區域的用電預測模型，包括：
13、構建神經網絡模型，獲取每個檢測區域的歷史用電數據，基于所述歷史用電數據得到訓練集以及驗證集，并基于所述訓練集對所述神經網絡模型進行訓練得到初始用電預測模型；
14、基于所述驗證集使用時間序列交叉驗證方法對所述初始用電預測模型進行驗證，基于驗證結果確定相應檢測區域的用電預測模型。
15、在一種可能的實現方式中，所述針對每個檢測區域，獲取該檢測區域中每個用電戶的類型和該檢測區域內不同類型用電戶的比例，基于所述比例確定該檢測區域的最大允許用電波動值，包括：
16、針對每個檢測區域，執行以下步驟：
17、獲取該檢測區域內每個用電戶的類型；
18、獲取每個類型的用電戶所占的比例，以及所述每個類型的用電戶在預設歷史時段內的歷史用電數據；
19、基于所述歷史用電數據，確定每個類型的用電戶的用電波動值以及用電總量；
20、將該檢測區域內每個類型的用電戶的用電波動值以及用電總量代入該檢測區域的用電波動預測式中，計算得到該檢測區域的最大允許用電波動值；
21、所述用電波動預測式為：
22、
23、其中，ki表示第i個檢測區域的最大允許用電波動值，αw表示第i個檢測區域的溫度權重，αm表示第i個檢測區域的經濟權重，δwi表示第i個檢測區域的溫度波動系數，δmi表示第i個檢測區域的經濟波動系數，ei表示第i個檢測區域歷史用電數據中的總用電量，pj表示第i個檢測區域中第j個類型的用電戶比例，βj表示第i個檢測區域中第j個類型的第一影響因素的影響因子，γj表示第i個檢測區域中第j個類型的第二影響因素的影響因子，表示第i個檢測區域中第j個類型的第一影響值，δe(2)j表示第i個檢測區域中第j個類型的第二影響值。
24、在一種可能的實現方式中，所述針對每個檢測區域，基于用電預測模型對該檢測區域進行用電預測，將該檢測區域的預測用電數據與實際用電數據進行比較得到實際波動值，包括：
25、針對每個檢測區域，執行以下步驟：
26、基于該檢測區域的歷史用電數據以及用電預測模型對該檢測區域進行用電預測，得到預設時段內的預測用電數據；
27、獲取預設時段內的實際用電數據，將所述預測用電數據與所述實際用電數據進行比較，基于比較結果得到實際波動值；
28、其中，所述歷史用電數據以及所述預測用電數據都包括該檢測區域在不同時間子段的用電量以及該檢測區域的線損數據。
29、在一種可能的實現方式中，所述將所述預設用電數據以及所述實際用電數據進行比較，基于比較結果得到實際波動值，包括：
30、針對每個檢測區域，將所述預設用電數據以及所述實際用電數據中在不同時間子段的用電量以及該檢測區域的線損數據輸入至實際波動值計算公式中，得到實際波動值；
31、實際波動值計算公式為：
32、
33、其中，ki′為第i個檢測區域的實際波動值，t表示第t個時間子段，s(1)it表示第i個檢測區域在第t個時間段的實際用電量，s(2)it表示第i個檢測區域在第t個時間段的預測用電量，δ1表示第i個檢測區域在第t個時間段的線損修正系數，x(1)it表示第i個檢測區域在第t個時間段的實際線損，x(2)it表示第i個檢測區域在第t個時間段的預設線損。
34、在一種可能的實現方式中，所述基于所有實際波動值確定異常區域，包括：
35、將每個檢測區域的實際波動值與相應的最大允許用電波動值進行比較，若所述實際波動值超出最大允許用電波動值，則將該檢測區域確定為異常區域；
36、否則，將該檢測區域確定為正常區域。
37、在一種可能的實現方式中，所述獲取每個異常區域的相似區域，并基于所述相似區域的實際用電數據對相應的異常區域進行篩選，確定竊電區域，包括：
38、獲取每個檢測區域的特征數據，基于所述特征數據計算每個異常區域與其余檢測區域的相似性，基于所述相似性確定每個異常區域的相似區域；
39、針對每個異常區域，執行以下步驟：
40、獲取該異常區域的相似區域的實際用電數據，并將該異常區域的實際用電數據與相應的相似區域的實際用電數據進行比較；
41、計算該異常區域的實際用電數據與相應的相似區域的實際用電數據中每一個數據的差值，并將每一個差值與相應的閾值進行比較，基于比較結果確定該異常區域是否為竊電區域。
42、在一種可能的實現方式中，所述方法還包括：
43、基于竊電檢測模型對每個竊電區域中的每個用電戶進行本文檔來自技高網...
【技術保護點】
1.一種基于神經網絡模型的竊電檢測方法，其特征在于，包括：
2.如權利要求1所述的一種基于神經網絡模型的竊電檢測方法，其特征在于，對待檢測地區進行劃分，得到多個檢測區域，包括：
3.如權利要求1所述的一種基于神經網絡模型的竊電檢測方法，其特征在于，所述獲取每個檢測區域的歷史用電數據，并基于所述歷史用電數據對神經網絡模型進行訓練，得到每個檢測區域的用電預測模型，包括：
4.如權利要求1所述的一種基于神經網絡模型的竊電檢測方法，其特征在于，所述針對每個檢測區域，獲取該檢測區域中每個用電戶的類型和該檢測區域內不同類型用電戶的比例，基于所述比例確定該檢測區域的最大允許用電波動值，包括：
5.如權利要求1所述的一種基于神經網絡模型的竊電檢測方法，其特征在于，所述針對每個檢測區域，基于用電預測模型對該檢測區域進行用電預測，將該檢測區域的預測用電數據與實際用電數據進行比較得到實際波動值，包括：
6.如權利要求5所述的一種基于神經網絡模型的竊電檢測方法，其特征在于，所述將所述預設用電數據以及所述實際用電數據進行比較，基于比較結果得到實際
7.如權利要求1所述的一種基于神經網絡模型的竊電檢測方法，其特征在于，所述基于所有實際波動值確定異常區域，包括：
8.如權利要求1所述的一種基于神經網絡模型的竊電檢測方法，其特征在于，所述獲取每個異常區域的相似區域，并基于所述相似區域的實際用電數據對相應的異常區域進行篩選，確定竊電區域，包括：
9.如權利要求1所述的一種基于神經網絡模型的竊電檢測方法，其特征在于，所述方法還包括：
10.一種基于神經網絡模型的竊電檢測裝置，其特征在于，包括：
...【技術特征摘要】
1.一種基于神經網絡模型的竊電檢測方法，其特征在于，包括：
2.如權利要求1所述的一種基于神經網絡模型的竊電檢測方法，其特征在于，對待檢測地區進行劃分，得到多個檢測區域，包括：
3.如權利要求1所述的一種基于神經網絡模型的竊電檢測方法，其特征在于，所述獲取每個檢測區域的歷史用電數據，并基于所述歷史用電數據對神經網絡模型進行訓練，得到每個檢測區域的用電預測模型，包括：
4.如權利要求1所述的一種基于神經網絡模型的竊電檢測方法，其特征在于，所述針對每個檢測區域，獲取該檢測區域中每個用電戶的類型和該檢測區域內不同類型用電戶的比例，基于所述比例確定該檢測區域的最大允許用電波動值，包括：
5.如權利要求1所述的一種基于神經網絡模型的竊電檢測方法，其特征在于，所述針對每個檢測區域，基于用電預測模型對該檢測區...
【專利技術屬性】
技術研發人員：劉凱，紀書軍，王勇，李佳棟，吳昀烔，
申請(專利權)人：國網河北省電力有限公司營銷服務中心，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。