电力科普之安全用电异常用电识别技术

异常用电往往会造成电量电费的不正常计量，受经济利益驱使，一些个人或企业采用异常用电的手段偷逃电费，特别是近年来采用高科技手段进行异常用电的行为增多，这些技术手段不但隐蔽性强、而且查处困难，不仅给电力企业带来经济损失，同时也影响了用电安全，给公众的生命财产安全造成隐患。在异常用电手段不断更新升级的情况下，电力企业的用电检查工作却仍然停留在相对落后的水平上。目前，对于异常用电行为的查处还是以定期检查电表、用户举报等为主，存在工作效率低，覆盖范围小，对业务人员的经验依赖性大等缺点，难以满足用电检查工作的需求。因此如何克服现有技术的不足是目前异常用电识别技术领域亟需解决的问题。

问题拆分

该方法包括数据采集、数据预处理、用电行为特征构建、用电行为特征提取、异常用电行为识别模型训练、异常用电行为识别几大步骤。通过本发明方法能提高用户用电异常行为识别的精准度，缩小了排查范围，从而保证排查能够得到有效执行，最终提升公司用户管理水平，达到降损增效的目的，易于推广应用。

问题解决

1 .一种基于用电量数据的异常用电行为识别方法，其特征在于，包括如下步骤：

步骤（1），数据采集：采集历史用户用电量数据；

步骤（2），数据预处理：对采集到的数据进行归一化，然后采用隔离森林算法对归一化后数据中的异常值进行检测，对检测得到的异常值按缺失值进行处理，然后对缺失值采用固定值的填充方法进行填充；

步骤（3），用电行为特征构建：将经步骤（2）预处理后的用户用电量数据分别按日、周、月、季、年来划分，得到日用电数据集、周用电量数据集、月用电量数据集、季用电量数据集、年用电量数据集；然后分别计算这五个数据集的用电行为特征，所述的用电行为特征包括用电量最大值、用电量最小值、用电量平均值、用电量方差、用电量偏度、用电量峰度和用电量中位数；

步骤（4），用电行为特征提取：采用随机森林算法对用电行为特征进行提取，提取时，根据重要性指标对用电行为特征进行筛选，剔除重要性低于设定阈值的指标；

步骤（5），异常用电行为识别模型训练：利用步骤（4）提取的用电行为特征作为输入，将是否有异常用电行为作为输出，采用GBDT算法训练模型，得到异常用电行为识别模型；

步骤（6），异常用电行为识别：采用步骤（5）训练得到的异常用电行为识别模型对异常用电行为进行识别。

电力科普之安全用电异常用电识别技术(1)