本发明涉及反窃电监控，特别是指一种基于台区用电的异常用电行为处理方法。
背景技术：
1、传统反窃电设备在安装过程中，需要对电网系统进行复杂的改造和布线，这不仅增加了安装的技术难度，还可能对电网的正常运行造成干扰。同时，安装过程需要专业的技术人员参与，增加了人力成本。
2、监测设备的采购、安装、维护以及后续的数据处理和分析都需要大量的资金投入。由于窃电手段的不断更新和隐蔽性增强，传统监测设备很难做到全面、准确地识别窃电行为。一些窃电者可能利用设备的盲区或漏洞进行窃电，导致监测效果不佳。监测设备在长期使用过程中，可能会出现故障或性能下降等问题。由于设备的复杂性和专业性，维护起来相对困难，需要投入大量的人力和物力进行检修和更换。
3、传统反窃电技术只关注设备的监测功能，而忽视了对用电数据的深入挖掘和分析。这导致大量有价值的用电信息被浪费，无法为反窃电工作提供有力的数据支持。
技术实现思路
1、本发明要解决的技术问题是提供一种基于台区用电的异常用电行为处理方法，降低了反窃电成本，提高了监测效果。
2、为解决上述技术问题，本发明的技术方案如下：
3、第一方面，一种基于台区用电的异常用电行为处理方法，所述方法包括：
4、通过用电信息采集系统采集与异常用电行为分析相关的原始数据集，并对原始数据集进行预处理，以得到处理后数据集；
5、对处理后数据集进行去重处理，并根据去重后的数据集，进行异常数据的检测与筛选，包括小波分解、软阈值去噪、信号重构，以及计算异常分数，以标识异常数据；
6、对经过异常检测与筛选后的数据集进行模糊分类，形成多个相似簇，并在相似簇中，对缺失数据进行修补，以得到修补后的数据集；
7、根据修补后的数据集，计算用户典型日负荷曲线；
8、将用户典型日负荷曲线作为聚类分析的样本数据，并对样本数据进行聚类分析，以得到聚类分析结果；
9、根据聚类分析结果和数据之间的相似度，对用户用电行为进行异常识别和监测。
10、进一步的，对处理后数据集进行去重处理，并根据去重后的数据集，进行异常数据的检测与筛选，包括小波分解、软阈值去噪、信号重构，以及计算异常分数，以标识异常数据，包括：
11、遍历处理后数据集中的数据样本，并检查数据样本是否已存在于一个已去重的记录集中，以得到去重后的数据集；
12、通过耦合小波对去重后的数据集中的每个数据点进行分解，以得到小波分解的结果；
13、根据小波分解的结果，设定阈值，并对小波分解得到的每个频率分量进行去噪，以得到去噪后的频率分量；
14、对去噪后的频率分量，通过逆小波变换进行信号重构，以得到去噪后的数据点；
15、根据去噪后的数据点，计算每个数据点的异常分数，并根据异常分数的分布，设定阈值；当数据点的异常分数超出阈值时，将标识为异常数据。
16、进一步的，每个数据点的异常分数计算公式为：
17、；
18、其中，表示异常分数；表示权重系数是数据点与近邻数据点之间的归一化相似度；表示数据点的局部离群因子；和分别表示数据集中所有数据点的离群因子的最小值和最大值；、和是权重系数；表示数据点和数据点之间的距离；是近邻数；表示整个数据集中所有数据点对的平均距离；表示数据点所属类别的中心值与整个数据集中所有类别的中心值的中位数之差的绝对值；表示整个数据集中所有类别的中心值的范围；其中，
19、；
20、其中，表示数据点的k-最近邻集合，包含与数据点距离最近的k个点；是数据点的局部可达密度，表示在数据点的k-最近邻中，平均可达距离的倒数；是数据点的局部可达密度，表示在数据点的k-最近邻中，平均可达距离的倒数；和表示索引。
21、进一步的，对经过异常检测与筛选后的数据集进行模糊分类，形成多个相似簇，并在相似簇中，对缺失数据进行修补，以得到修补后的数据集，包括：
22、将经过异常检测与筛选处理后的数据集导入数据分析平台中，并根据数据集的特性设置聚类数量，并随机初始化聚类中心；
23、计算数据集中的每个数据点对所有簇的隶属度值，并通过隶属度矩阵和数据点信息，更新聚类中心的位置；重复迭代，直到满足预设的停止条件，以得到每个数据点对所有簇的隶属度值和最终的聚类心；
24、根据隶属度矩阵和簇的隶属度分配数据点，以得到多个由相似数据点组成的簇；
25、在每个相似簇内，对缺失数据进行修补，并对簇内的每个缺失数据点，计算与簇内余下的数据点的欧式距离，并推算缺失数据点的值；
26、将修补后的数据点与原始数据点合并，以得到修补后的数据集
27、进一步的，其特征在于，用户典型日负荷曲线的计算公式为：
28、；
29、其中，表示在时间点下的用户典型日负荷值；表示负荷曲线数据的天数；表示天数的索引；表示第天时间点的负荷值；表示第天数据的权重；表示一天中时间点的总数；是一个调整系数；表示时间点的索引。
30、进一步的，将用户典型日负荷曲线作为聚类分析的样本数据，并对样本数据进行聚类分析，以得到聚类分析结果，包括：
31、将用户典型日负荷曲线作为聚类分析的样本数据，并确定聚类数量，以及将用户典型日负荷曲线作为聚类分析的样本数据，并确定聚类数量，以及全局人工蜂群算法的蜂群参数，包括蜂群大小、最大迭代次数、限制次数；
32、定义一个适应度函数评估聚类中心的质量，并随机生成一组初始聚类中心；
33、对初始聚类中心进行优化，以得到一组优化后的初始聚类中心；
34、将优化后的初始聚类中心作为起始聚类中心，对样本数据进行聚类分析；
35、迭代更新聚类中心和重新分配数据点到最近的聚类中心，直到聚类中心不再变化，以得到聚类分析结果。
36、进一步的，其特征在于，适应度函数的计算公式为：
37、；
38、其中，表示聚类的适应度值；表示聚类的数量；表示第个聚类中所有数据点到其聚类中心的平均距离；表示表示第个聚类中所有数据点到其聚类中心的平均距离；表示第个聚类中心与第个聚类中心之间的距离；、表示标识不同聚类的索引变量。
39、第二方面，一种基于台区用电的异常用电行为处理系统，包括：
40、获取模块，用于通过用电信息采集系统采集与异常用电行为分析相关的原始数据集，并对原始数据集进行预处理，以得到处理后数据集；对处理后数据集进行去重处理，并根据去重后的数据集，进行异常数据的检测与筛选，包括小波分解、软阈值去噪、信号重构，以及计算异常分数，以标识异常数据；对经过异常检测与筛选后的数据集进行模糊分类，形成多个相似簇，并在相似簇中，对缺失数据进行修补，以得到修补后的数据集；
41、处理模块，用于根据修补后的数据集，计算用户典型日负荷曲线；将用户典型日负荷曲线作为聚类分析的样本数据，并对样本数据进行聚类分析，以得到聚类分析结果；根据聚类分析结果和数据之间的相似度，对用户用电行为进行异常识别和监测。
42、第三方面，一种计算设备，包括：
43、一个或多个处理器；
44、存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现所述的方法。
45、第四方面，一种计算机可读存储介质，所述计算机可读存储介质中存储有程序，该程序被处理器执行时实现所述的方法。
46、本发明的上述方案至少包括以下有益效果：
47、通过用电信息采集系统采集的原始数据集，经过预处理、去重、异常检测与筛选等多步骤处理，能够有效地剔除噪声和干扰，保留真实的用电信息，提高了异常用电行为识别的准确性，减少了误报和漏报的情况。
48、采用小波分解、软阈值去噪等先进的数据处理技术，能够快速地处理大规模数据集，提高数据处理的效率。同时，模糊分类和聚类分析等方法的应用，也进一步简化了数据处理流程，降低了计算复杂度。在相似簇中对缺失数据进行修补，能够恢复因各种原因导致的数据缺失，提高数据的完整性和可靠性。这有助于更准确地反映用户的用电行为，为异常识别和监测提供更有力的数据支持。通过计算用户典型日负荷曲线，并对样本数据进行聚类分析，能够深入挖掘用户用电行为的特征和规律。这有助于电网企业更全面地了解用户的用电情况。
49、相比传统的反窃电措施，该方法主要依赖于数据挖掘和智能分析技术，无需安装大量的监测设备，从而降低了反窃电的成本。同时，由于准确性和效率较高，也能够减少因误报和漏报导致的经济损失。有助于推动电力系统的智能化发展，提高电网企业的管理水平和运营效率。
1.一种基于台区用电的异常用电行为处理方法，其特征在于，所述方法包括：
2.根据权利要求1所述的基于台区用电的异常用电行为处理方法，其特征在于，对处理后数据集进行去重处理，并根据去重后的数据集，进行异常数据的检测与筛选，包括小波分解、软阈值去噪、信号重构，以及计算异常分数，以标识异常数据，包括：
3.根据权利要求2所述的基于台区用电的异常用电行为处理方法，其特征在于，每个数据点的异常分数计算公式为：
4.根据权利要求3所述的基于台区用电的异常用电行为处理方法，其特征在于，对经过异常检测与筛选后的数据集进行模糊分类，形成多个相似簇，并在相似簇中，对缺失数据进行修补，以得到修补后的数据集，包括：
5.根据权利要求4所述的基于台区用电的异常用电行为处理方法，其特征在于，用户典型日负荷曲线的计算公式为：
6.根据权利要求5所述的基于台区用电的异常用电行为处理方法，其特征在于，将用户典型日负荷曲线作为聚类分析的样本数据，并对样本数据进行聚类分析，以得到聚类分析结果，包括：
7.根据权利要求6所述的基于台区用电的异常用电行为处理方法，其特征在于，适应度函数的计算公式为：
8.一种基于台区用电的异常用电行为处理系统，其特征在于，应用于如权利要求1至7任一项所述的方法中，包括：
9.一种计算设备，其特征在于，包括：
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有程序，该程序被处理器执行时实现如权利要求1至7中任一项所述的方法。
