(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202111677609.9 (22)申请日 2021.12.31 (65)同一申请的已公布的文献号 申请公布号 CN 114330583 A (43)申请公布日 2022.04.12 (73)专利权人 四川大学 地址 610064 四川省成 都市武侯区一环路 南一段24号 (72)发明人 胡文曦　刘慧自　肖先勇　汪颖　 孙一浩　 (74)专利代理 机构 西安正华恒远知识产权代理 事务所(普通 合伙) 61271 专利代理师 陈选中 (51)Int.Cl. G06K 9/62(2022.01)G06Q 50/06(2012.01) (56)对比文件 CN 1091459 95 A,2019.01.04 CN 110837874 A,2020.02.25 CN 112381264 A,2021.02.19 CN 107220906 A,2017.09.2 9 US 2017090 004 A1,2017.0 3.30 蔡耀年.一种基 于离群算法的窃电行为检测 的研究. 《计算 技术与自动化》 .2018, 审查员 郭晓坤 (54)发明名称 一种异常用电识别方法和异常用电识别系 统 (57)摘要 本发明公开了一种异常用电识别方法和异 常用电识别系统， 所述异常用电识别方法包括： 采集历史用电数据； 对所述历史用电数据进行数 据压缩处理， 得到压缩后的用电数据； 根据所述 压缩后的用电数据， 利用基于密度的聚类算法， 对所述历史用电数据中的异常用电进行识别， 得 到识别结果。 本发明所提供的异常用电识别方法 和异常用电识别系统， 能够解决现有异常用电识 别受限的问题。 权利要求书3页 说明书9页 附图1页 CN 114330583 B 2022.11.08 CN 114330583 B 1.一种异常用电识别方法， 其特 征在于， 所述异常用电识别方法包括： 采集历史用电数据； 对所述历史用电数据进行 数据压缩处 理， 得到压缩后的用电数据； 根据所述压缩后的用电数据， 利用基于密度的聚类算法， 对所述历史用电数据中的异 常用电进行识别， 得到识别结果； 所述异常用电识别方法应用于边 缘端， 包括： 对历史用电数据进行数据处理操作， 得到新的用电数据， 其中， 所述历史用电数据包括 多个历史用电子数据， 所述新的用电数据包括多个与所述历史用电子数据一一对应的新的 用电子数据； 计算每个所述历史用电子数据的阈值； 根据多个所述历史用电子数据的阈值和多个所述新的用电子数据， 对所述历史用电数 据进行分段处 理， 得到分段处 理结果； 计算每段处 理结果的平均值， 得到计算结果； 根据所述计算结果， 得到 压缩数据 序列； 根据所述压缩数据 序列， 得到所述压缩后的历史用电数据； 所述异常用电识别方法应用于云端， 包括： 获取压缩后的用电数据中的压缩数据 序列； 计算多个所述压缩数据序列间的分段加权DTW距离和滑动欧式距离， 得到第一距离计 算结果和第二距离计算结果； 根据所述第一距离计算结果和所述第二距离计算结果， 得到综合相似度； 根据所述综合相似度， 利用基于密度的聚类算法， 对所述历史用电数据中的异常用电 进行识别， 得到识别结果； 所述分段加权DTW距离为： DTW(A,B)＝D(m,n) 其中， DTW(A,B)表示压缩数据序列A和压缩数据序列B之间的分段加权DTW距离； A和B分 别表示压缩数据序列A和压缩数据序列B， D(m,n)表示累积距离矩阵的第m行n列的值， D是m ×n的距离矩阵； 所述滑动欧式距离为： 其中， ED(A,B)表示压缩数据序列A和压缩数据序列B之间的滑动欧式距离， ak和bk分别 表示压缩数据 序列A和压缩数据 序列B中第k个元 素ak和第k个元 素bk； 所述综合相似度为： S(A,B)＝α ·DTW(A,B)+β ·ED(A,B) 其中， S(A,B)表示综合相似度， α和β分别为加权DTW距离和滑动欧式距离的权重， DTW (A,B)表示压缩数据序列A和压缩数据序列B之间的分段加权DTW距离， ED(A,B)表示压缩数 据序列A和压缩数据 序列B之间的滑动欧式距离； 所述根据所述综合相似度， 利用基于密度的聚类算法， 对所述历史用电数据中的异常 用电进行识别， 得到识别结果包括：权　利　要　求　书 1/3 页 2 CN 114330583 B 2根据所述综合相似度， 得到综合相似度矩阵； 根据所述综合相似度矩阵的行 数， 得到最小聚类点数； 对所述综合相似度矩阵中每行 元素进行排序， 得到排序后的每行 元素； 取排序后的每行元素中所述最小聚类点数值所在列的所有数据， 并对其进行最大最小 值归一化处理， 得到处 理结果； 根据所述处 理结果绘制曲线； 若所述曲线中目标点与其相邻点间的变化量大于预设阈值， 则将满足该条件的第 一个 所述目标点处 理之前的值作为邻域半径； 将所述邻域半径、 所述最小聚类点数和所述相似度矩阵输入所述基于密度的聚类算法 中进行识别， 得到识别结果。 2.根据权利要求1所述的异常用电识别方法， 其特征在于， 所述对所述历史用电数据进 行数据处理操作包括： 对所述历史用电数据中的每个历史用电子数据进行差分运算操作， 得到差分运算后的 用电数据； 取所述差分运 算后的用电数据的绝对值， 得到所述 新的用电数据。 3.根据权利要求1所述的异常用电识别方法， 其特征在于， 所述计算每个所述历史用电 子数据的阈值包括： 将目标历史用电子数据的目标范围内的值作为所述目标用电子数据的阈值的计算窗 口； 根据所述目标用电子数据的阈值的计算窗口， 得到所述目标历史用电子数据的阈值。 4.根据权利要求3所述的异常用电识别方法， 其特征在于， 所述目标历史用电子数据的 阈值的计算方式为： 其中， thj表示xj+1相对于xj允许的最大变化量， μ表示计算窗口中数据的平均值， σ 表示 计算窗口中数据的标准差， pj为能量比率， 且 Ej和ET分别为计算 窗口中信号的能 量和整个信号的总能量， 且 cnt表示常数， xj表示历史数据 中第j个历史子数据。 5.根据权利要求2 ‑4中任意一项所述的异常用电识别方法， 其特征在于， 所述根据多个 所述历史用电子数据的阈值和多个所述新的用电子数据， 对所述历史用电数据进 行分段处 理， 得到分段处 理结果包括： 若当前所述新的用电子数据大于与当前所述新的用电子数据对应的历史用电子数据 的阈值， 则将该历史用电子数据作为分段点； 利用所述分段点对所述历史用电数据进行分段， 得到多段历史用电数据； 将多段所述历史用电数据作为分段处 理结果输出。 6.一种异常用电识别系统， 其特征在于， 所述异常用电识别系统利用根据权利要求1 ‑5 中任意一项所述的异常用电识别方法， 并且， 所述异常用电识别系统包括：权　利　要　求　书 2/3 页 3 CN 114330583 B 3