一种基于LSO算法线损预测的漏窃电检测方法和系统与流程

一种基于lso算法线损预测的漏窃电检测方法和系统
技术领域
1.本发明涉及漏窃电检测技术领域，特别涉及一种基于lso算法线损预测的漏窃电检测方法和系统。


背景技术：

2.电力系统在稳定运行时，不可避免地会产生一定的电能损耗，尤其当窃电或漏电时电能损耗较为严重。受限于硬件设备，对于偷窃电行为的检测力度还存在较大不足。线损率是描述电能损耗的一项重要指标，当用户存在漏窃电行为时，线损率会因输电电路的改变而发生一定变化，因此预测配电网的线损对检测是否存在偷窃电行为具有重要作用。
3.现有技术中，通常通过长短期记忆网络进行相关的配电网线损预测研究，由于配电网的网络损耗具有规律性和反复性，采用循环神经网络进行计算，但是此预测算法单纯从长短期记忆角度出发，在预测过程中没有考虑线损受到输入电压、有功功率和线损等因素的影响，存在不能考虑线损影响，不能检测是否存在偷窃电行为的问题。
4.例如，一种在中国专利文献上公开的“一种基于lstm学习的电力负荷智能识别方法”，其公告号：cn111415270a，其申请日：2020年03月03日，该发明获取原始电力负荷数据，并进行归一化处理，建立负荷分类lstm网络模型，调整网络内部超参数，将归一化处理后的数据输入负荷分类lstm网络模型进行模型训练，并设定两个网络训练终止指标，直至两个网络训练终止指标值都满足要求，完成模型训练，将获取的实时采样数据输入到训练完成的负荷分类lstm网络模型进行负荷预测和分类，能提高识别的准确率，但是存在不能考虑线损影响，不能检测是否存在偷窃电行为的问题。


技术实现要素：

5.针对现有技术不能考虑线损影响，不能检测是否存在偷窃电行为的不足，本发明提出了一种基于lso算法线损预测的漏窃电检测方法和系统，能考虑线损影响，能检测是否存在偷窃电行为。
6.以下是本发明的技术方案，一种基于lso算法线损预测的漏窃电检测方法，包括以下步骤：
7.s1：采集用电数据，基于用电数据筛选目标数据；
8.s2：处理目标数据，生成数据集，用高斯核函数处理数据集；
9.s3：基于狮群优化算法模型得到预测线损；
10.s4：若预测线损和实际线损差的绝对值大于第二误差阈值，进行漏窃电预警。
11.本方案中，采集用电数据，作为原始数据进行分析，由于用电数据存在一定的差异性，基于用电数据按照是否为工作日筛选目标数据；处理目标数据，生成数据集，用高斯核函数处理数据集，将数据集映射到高维空间，数据集在高维空间中就线性可分；基于狮群优化算法模型得到预测线损；若预测线损和实际线损差的绝对值大于第二误差阈值，进行漏窃电预警。能够预测线损影响，预测线损能检测是否存在偷窃电行为。
12.作为优选，s1中，用电数据包括用电时间、供电电压、有功功率和线损。
13.本方案中，根据用电时间整理目标数据，能够提高数据集的有效性，根据用电时间、供电电压和有功功率构建狮群优化算法模型，将上一周工作日平均有功功率作为母狮初始位置，将上一周平均供电电压作为幼狮初始位置，上一周平均线损作为狮王的初始位置，进而迭代预测线损。
14.作为优选，s1中，基于用电数据筛选目标数据，包括以下步骤：
15.s11：获取用电数据；
16.s12：若用电时间为休息日，则将该用电时间对应的用电数据加入第一数据；若用电时间不为休息日，则将该用电时间对应的用电数据加入目标数据。
17.本方案中，根据用电时间对用电数据进行筛选，将不为休息日的用电数据整理成目标数据，用目标数据进行模型分析，分析不为休息日时的线损情况；将休息日的用电数据整理成第一数据，便于分析休息日的线损情况。
18.作为优选，s2中，归一化处理目标数据得到数据集，利用到高斯核函数将数据集映射到高维空间；数据集中，训练集、测试集和验证集的比例为7:2:1。
19.本方案中，归一化处理目标数据得到数据集，利用到高斯核函数将数据集映射到高维空间，使数据集在高维空间中就线性可分；将数据集划分成训练集、测试集和验证集，训练集、测试集和验证集的比例为7:2:1，能够保证模型预测精度和验证。
20.作为优选，s3包括以下步骤：
21.s31：初始化模型参数，以上一周工作日的平均有功功率作为母狮、以上一周平均供电电压作为幼狮、以上一周平均线损作为狮王；
22.s32：计算模型中狮王和母狮的数量，将各狮历史最优位置设置为各狮的当前位置，全局最优位置设置为狮王位置；
23.s33：顺次更新狮王的位置和适应度值，母狮和幼狮的位置和扰动因子；
24.s34：基于适应度值和扰动因子更新全局最优位置和历史最优位置，若满足结束条件，则输出全局最优位置；否则，进行步骤s33。
25.本方案中，以上一周工作日的平均有功功率作为母狮、以上一周平均供电电压作为幼狮、以上一周平均线损作为狮王构建狮群优化算法模型，通过狮群优化算法模型输出全局最优位置(即线损)，从而预测线损。
26.作为优选，s31中，模型参数包括狮王、母狮和幼师的位置与数目、最大迭代次数、维度空间、狮王和母狮的比例因子。
27.作为优选，s33中，狮王的位置和适应度值表达式如下：
[0028][0029]
母狮的位置和扰动因子表达式如下：
[0030][0031]
αf＝step.exp(-30/t)
10
[0032]
step＝0.1(high'-low')
[0033]
幼狮的位置和扰动因子表达式如下：
[0034][0035][0036]
αc＝step.((t-t)/t)
[0037]
式中，γ为正态分布产生的随机数，为第i个狮子第k代的历史最优位置，为幼狮跟随母狮的第k代历史最佳位置，为从第k代母模型中随机挑选的一个捕猎协作伙伴的历史最佳位置，gk为第k代全局最优位置，αf为母狮移动范围扰动因子，αc为幼狮移动范围扰动因子step为活动范围内移动的最大步长，high'和low'分别表示狮子活动范围空间各维度的最小值均值和最大值均值，t为最大迭代次数，t为当前迭代次数，gi′k为第i个幼狮在捕猎范围内被驱赶的位置，q为概率因子。
[0038]
作为优选，s34中，结束条件为预期值和前一周平均数据预期值的差的绝对值小于第一误差阈值或当前迭代次数达到最大迭代次数。
[0039]
本方案中，基于适应度值和扰动因子更新全局最优位置和历史最优位置，判断是否满足结束条件，结束条件为当预期值与前一周平均数据得到的预期值保持在第一误差阈值范围内或迭代次数达到最大迭代次数，如果满足结束条件则输出全局最优位置，输出的全局最优位置即为预测线损，如果不满足结束条件则重新进行模型预测。
[0040]
作为优选，预期值的计算表达式如下：
[0041][0042]
上式中，为对偶最优化问题对αi的解设，f(x
new
)为预期值，xi为历史第i天数据，μ是偏差，n为总天数。
[0043]
一种基于lso算法线损预测的漏窃电检测系统，包括：采集模块，采集模块连接处理模块和判断模块，处理模块和判断模块连接分析模块，分析模块连接配置模块，判断模块连接配置模块和预警模块。
[0044]
本方案中，采集模块通过电能表或电力数据系统采集用电数据，将用电数据传输至处理模块，处理模块基于用电数据筛选目标数据，处理目标数据形成数据集，分析模块以配置模块配置的第一误差阈值作为lso算法模型的迭代结束条件之一，基于数据集采用lso算法模型得到预测线损，判断模块根据分析模块的预测线损、采集模块的实际线损和配置模块的第二误差阈值判断是否存在漏窃电行为，预警模块基于判断模块的是否存在漏窃电行为进行预警。
[0045]
本发明的有益效果是：
[0046]
1、利用狮群算法的寻优能力，并结合高斯径向基函数作为核函数，建立了配电网线损预测模型，选取配电网历史损耗数据输入，未来的配电网损耗作为预测模型输出；
[0047]
2、预测线损率时不再仅从数学角度出发进行线损预测，预测过程中不仅考虑了输
入电压以及有功功率的影响，而且将此发明结果用于检测用户偷窃电行为，预测结果更为准确的同时能够在偷窃电检测中起到重大的作用。
附图说明
[0048]
图1本发明一种基于lso算法线损预测的漏窃电检测系统的示意图。
[0049]
图2本发明一种基于lso算法线损预测的漏窃电检测方法的流程图。
[0050]
图中1、采集模块；2、处理模块；3、配置模块；4、分析模块；5、判断模块；6、预警模块。
具体实施方式
[0051]
下面通过实施例，并结合附图，对本发明的技术方案作进一步具体的说明。
[0052]
实施例一：
[0053]
如图1所示，一种基于lso算法线损预测的漏窃电检测系统，包括：
[0054]
采集模块1，用于采集用电数据，连接电能表或电力数据系统。
[0055]
处理模块2，基于用电数据筛选目标数据，处理目标数据形成数据集，连接采集模块1。
[0056]
配置模块3，用于配置第一误差阈值和第二误差阈值，第一误差阈值作为lso算法模型的迭代结束条件之一，第二误差阈值结合预测线损和实际线损判断是否存在漏窃电行为。
[0057]
分析模块4，基于数据集采用lso算法模型得到预测线损，连接配置模块3和处理模块2。
[0058]
判断模块5，用于根据预测线损、实际线损和第二误差阈值判断是否存在漏窃电行为，连接采集模块1、配置模块3和分析模块4。
[0059]
预警模块6，基于判断模块5是否存在漏窃电行为进行预警，连接判断模块5。
[0060]
采集模块1通过电能表或电力数据系统采集用电数据，将用电数据传输至处理模块2，处理模块2基于用电数据筛选目标数据，处理目标数据形成数据集，分析模块4以配置模块3配置的第一误差阈值作为lso算法模型的迭代结束条件之一，基于数据集采用lso算法模型得到预测线损，判断模块5根据分析模块4的预测线损、采集模块1的实际线损和配置模块3的第二误差阈值判断是否存在漏窃电行为，预警模块6基于判断模块5的是否存在漏窃电行为进行预警。
[0061]
实施例二：
[0062]
如图2所示，一种基于lso算法线损预测的漏窃电检测方法，包括以下步骤：
[0063]
s1：采集用电数据，基于用电数据筛选目标数据。
[0064]
s2：处理目标数据，生成数据集，用高斯核函数处理数据集。
[0065]
s3：基于狮群优化算法(lion swarm optimization algorithm，lso)模型得到预测线损。
[0066]
s4：若预测线损和实际线损差的绝对值大于第二误差阈值，进行漏窃电预警。
[0067]
步骤s1中，基于电能表采集用电数据或通过电力数据系统导入用电数据，用电数据包括用电时间、供电电压、有功功率和线损等。数据为连续的自然日，由于用户用电特点
在工作日和休息日存在明显区别，因此将工作日数据和休息日数据进行区分，以工作日数据为目标数据。若用电时间为休息日，则将该用电时间对应的用电数据加入第一数据；若用电时间不为休息日，则将该用电时间对应的用电数据加入目标数据。工作日和休息日的用电数据可通过日历控件进行筛选。
[0068]
步骤s2中，对目标数据进行归一化处理，将处理后的目标数据划分成训练集、测试集和验证集，其中，训练集、测试集和验证集的比例为7:2:1。以历史用电数据为依据，以上一周工作日的相关数据预测下一周的相关数据。
[0069]
线性支持向量机(linear-svm)被用于线性可分的数据集的二分类问题，当数据集不是线性可分的时候，需要利用到高斯核函数(gaussian kernel)将数据集映射到高维空间，数据集在高维空间中就线性可分。
[0070]
步骤s3中，初始化模型参数；计算模型中成年狮的数量，将个体历史最优位置设置为各狮的当前位置，初始全局最优位置设置为狮王位置；顺次更新狮王、母狮和幼狮的位置并计算适应度值。
[0071]
s31：初始化模型参数，其中，将上一周工作日平均有功功率作为母狮初始位置，将上一周平均供电电压作为幼狮初始位置，上一周平均线损作为狮王的初始位置，初始化模型中狮子的位置xi、狮子的数目n、最大迭代次数t、维度空间d、成年狮(狮王和母狮)占模型比例因子β。成年狮所占比例因子β表示在整个模型中成年狮所占比例影响最终寻优效果，成年狮所占比例越大，幼狮数目越少，而幼狮位置更新呈现多样化，增加种群的差异性，提高算法的探测能力。成年狮所占比例因子β为(0,1)内的一个随机数，为使算法收敛速度较快，β取值一般小于0.5。
[0072]
s32：计算模型中成年狮的数量，将个体历史最优位置设置为各狮的当前位置，初始全局最优位置设置为狮王位置。成年狮包括狮王与母狮，其余为幼狮，幼狮数量为n-nleader捕猎过程中不同类型的狮子的位置移动方式不同。将个体历史最优位置设置为各狮的当前位置，初始全局最优位置设置为狮王位置。设在d维的目标搜索空间中有n个狮子组成一群体，成年狮子数量为nleader，2≤nleader≤n/2；其中只有一头公狮，其余为母狮。第i(1≤i≤n)个狮子的位置为：xi＝(x
i1
,x
i2
,...,x
id
),1≤i≤n。成年狮的数量表达式如下：nleader＝n*β。
[0073]
s33：顺次更新狮王的位置和适应度值，母狮和幼狮的位置和扰动因子。狮王在最佳食物处小范围移动确保自己的特权,按如下表达式更新自身位置：
[0074][0075]
母狮在捕食过程中需要跟另一个母狮协作,按如下表达式调整自己的位置：
[0076][0077]
αf＝step.exp(-30/t)
10
[0078]
step＝0.1(high'-low')
[0079]
上式中，αf为母狮移动范围扰动因子；step表示狮子在活动范围内移动的最大步长；high'和low'分别表示狮子活动范围空间各维度的最小值均值和最大值均值；t为群体最大迭代次数,t为当前迭代次数。
[0080]
幼狮按如下表达式调整自己的相应位置：
[0081][0082][0083]
αc＝step.((t-t)/t)
[0084]
上式中，γ是依照正态分布n(0,1)产生的随机数；为第i个狮子第k代的历史最优位置；gk表示第k代全局最优位置；为从第k代母模型中随机挑选的一个捕猎协作伙伴的历史最佳位置；gi′k为第i个幼狮在捕猎范围内被驱赶的位置,在远离狮王的地方,是一种典型的精英反向学习思想,low'和high'分别为狮子活动空间范围内各维的最小值均值和最大值均值；为幼狮跟随母狮的第k代历史最佳位置；概率因子q为依照均匀分布u[0,1]产生的匀随机；αc为幼狮移动范围扰动因子，step＝1。
[0085]
s34：基于适应度值和扰动因子更新全局最优位置和历史最优位置，判断是否满足结束条件，结束条件为误差小于第一误差阈值或迭代次数达到最大迭代次数，如果满足结束条件则输出全局最优位置，输出的全局最优位置即为预测线损，如果不满足结束条件则进行步骤s33。
[0086]
当预期预测值f(x0)与前一周平均数据得到的保持在第一误差阈值范围内，则停止迭代，通过高斯核函数进行分析求解，高斯核函数是常用的一种核函数，将有限维数据映射到高维空间，高斯核函数的定义：
[0087][0088]
上式中，σ是带宽；x和x
′
为空间中的点。
[0089]
公式涉及到两个向量的欧式距离(2范数)计算，而且，高斯核函数是两个向量欧式距离的单调函数。σ是带宽，控制径向作用范围。当x和x
′
的欧式距离处于某一个区间范围内的时候，假设固定x
′
，k(x,x
′
)随x的变化而变化的相当显著。
[0090]
在特征空间中变成了拟合数据的最优线性平面f(x)＝μ+w
t
φ(x)的构造。其中，μ是偏差，n为总天数，w是权重。因此，通过最小化向量范数w的平方来寻求最平滑的函数f(x)，每个训练数据的预测值的误差最多等于ε。为了允许异常值，预测误差大于ε的数据使用所谓的ε-敏感损失函数来惩罚。然后使用拉格朗日乘子将约束优化问题重新表述为对偶问题形式，对于每个约束，使用二次规划来确定，之后计算最佳权重的偏差，然后通过方程给出预期值。
[0091][0092]
对偶最优化问题对αi的解设为f(x
new
)为预期值，xi为历史第i天数据。
[0093]
以高斯核函数为理论依据，由历史数据得到的平滑函数f(x),其中x是由输入的供
电电压和有功功率构成的二维向量，计算得到预测值(预测线损)的预期值f(x0)，当预期值f(x0)与前一周平均数据得到的预期值保持在第一误差阈值范围内，则停止迭代，并最终确定预测值。
[0094]
步骤s4中，获取预测线损，通过电能表或电力数据系统获取实际线损，对预测线损和实际线损进行比较，若预测线损和实际线损的差的绝对值大于第二误差阈值，则该电能表所采集的线路存在漏窃电行为；否则，该电能表所采集的线路正常。
[0095]
利用狮群算法的寻优能力，并结合高斯径向基函数作为核函数，建立了配电网线损预测模型，选取配电网历史损耗数据输入，未来的配电网损耗作为预测模型输出。预测线损率时不再仅从数学角度出发进行线损预测，预测过程中不仅考虑了输入电压以及有功功率的影响，而且将此发明结果用于检测用户偷窃电行为，预测结果更为准确的同时能够在偷窃电检测中起到重大的作用。
[0096]
以上所揭露的仅为本发明一种较佳实施例而已，当然不能以此来限定本发明之权利范围，本领域普通技术人员可以理解实现上述实施例的全部或部分流程，并依本发明权利要求所作的等同变化，仍属于发明所涵盖的范围。

技术特征：
1.一种基于lso算法线损预测的漏窃电检测方法，其特征在于，包括以下步骤：s1：采集用电数据，基于用电数据筛选目标数据；s2：处理目标数据，生成数据集，用高斯核函数处理数据集；s3：基于狮群优化算法模型得到预测线损；s4：若预测线损和实际线损差的绝对值大于第二误差阈值，进行漏窃电预警。2.根据权利要求1所述的一种基于lso算法线损预测的漏窃电检测方法，其特征在于，s1中，用电数据包括用电时间、供电电压、有功功率和线损。3.根据权利要求1或2所述的一种基于lso算法线损预测的漏窃电检测方法，其特征在于，s1中，基于用电数据筛选目标数据，包括以下步骤：s11：获取用电数据；s12：若用电时间为休息日，则将该用电时间对应的用电数据加入第一数据；若用电时间不为休息日，则将该用电时间对应的用电数据加入目标数据。4.根据权利要求1所述的一种基于lso算法线损预测的漏窃电检测方法，其特征在于，s2中，归一化处理目标数据得到数据集，利用到高斯核函数将数据集映射到高维空间；数据集中，训练集、测试集和验证集的比例为7:2:1。5.根据权利要求1或4所述的一种基于lso算法线损预测的漏窃电检测方法，其特征在于，s3包括以下步骤：s31：初始化模型参数，以上一周工作日的平均有功功率作为母狮、以上一周平均供电电压作为幼狮、以上一周平均线损作为狮王；s32：计算模型中狮王和母狮的数量，将各狮历史最优位置设置为各狮的当前位置，全局最优位置设置为狮王位置；s33：顺次更新狮王的位置和适应度值，母狮和幼狮的位置和扰动因子；s34：基于适应度值和扰动因子更新全局最优位置和历史最优位置，若满足结束条件，则输出全局最优位置；否则，进行步骤s33。6.根据权利要求5所述的一种基于lso算法线损预测的漏窃电检测方法，其特征在于，s31中，模型参数包括狮王、母狮和幼师的位置与数目、最大迭代次数、维度空间、狮王和母狮的比例因子。7.根据权利要求5所述的一种基于lso算法线损预测的漏窃电检测方法，其特征在于，s33中，狮王的位置和适应度值表达式如下：母狮的位置和扰动因子表达式如下：α
f
＝step.exp(-30/t)
10
step＝0.1(high'-low')幼狮的位置和扰动因子表达式如下：
α
c
＝step.((t-t)/t)式中，γ为正态分布产生的随机数，为第i个狮子第k代的历史最优位置，为幼狮跟随母狮的第k代历史最佳位置，为从第k代母模型中随机挑选的一个捕猎协作伙伴的历史最佳位置，g
k
为第k代全局最优位置，α
f
为母狮移动范围扰动因子，α
c
为幼狮移动范围扰动因子step为活动范围内移动的最大步长，high'和low'分别表示狮子活动范围空间各维度的最小值均值和最大值均值，t为最大迭代次数，t为当前迭代次数，为第i个幼狮在捕猎范围内被驱赶的位置，q为概率因子。8.根据权利要求5所述的一种基于lso算法线损预测的漏窃电检测方法，其特征在于，s34中，结束条件为预期值和前一周平均数据预期值的差的绝对值小于第一误差阈值或当前迭代次数达到最大迭代次数。9.根据权利要求8所述的一种基于lso算法线损预测的漏窃电检测方法，其特征在于，预期值的计算表达式如下：上式中，为对偶最优化问题对α
i
的解设，f(x
new
)为预期值，x
i
为历史第i天数据，μ是偏差，n为总天数。10.一种基于lso算法线损预测的漏窃电检测系统，适用于权利要求1-9任一项所述的一种基于lso算法线损预测的漏窃电检测方法，其特征在于，包括：采集模块，采集模块连接处理模块和判断模块，处理模块和判断模块连接分析模块，分析模块连接配置模块，判断模块连接配置模块和预警模块。

技术总结
本发明公开了一种基于LSO算法线损预测的漏窃电检测方法和系统，包括以下步骤：S1：采集用电数据，基于用电数据筛选目标数据；S2：处理目标数据，生成数据集，用高斯核函数处理数据集；S3：基于狮群优化算法模型得到预测线损；S4：若预测线损和实际线损差的绝对值大于第二误差阈值，进行漏窃电预警。本发明的有益效果是：能考虑线损影响，能检测是否存在偷窃电行为。为。为。


技术研发人员：沈建良 仲赞 苏毅方 来骏 任广振 俞伟 张翼 邢翼
受保护的技术使用者：国网浙江省电力有限公司湖州供电公司
技术研发日：2023.04.12
技术公布日：2023/8/22