基于行业特性的路灯用电异常检测方法

数据驱动的用电异常检测一般根据设置的特征指标项,对用户用电行为进行分类或聚类分析来识别用电异常,受不同行业用电行为多样性影响,实际应用中往往存在误报率偏高的问题.在此背景下,利用同类细分行业用户具有类似用电行为规律的特点,提出基于行业性用电特性提炼特征指标项进行用电异常检测的方法.基于路灯专变用户的实际负荷数据,首先分析路灯专变用户的负荷构成和用电行为特性,进而建立能准确刻画路灯专变用户用电行为的特征指标项;其次根据特征指标项的统计特性分析,采用直方图双峰法设置了用电异常路灯用户的判定阈值,识别实际电网中特征指标项超阈值的用电异常路灯专变用户;最后验证所提方法的有效性,并分析总结用电异常路灯专变用户在地域分布上的一般性规律.     

基于改进FCM聚类的窃电行为检测

窃电行为检测的主要目的 在于发现窃电用户,降低电力系统运营成本.在此背景下,提出基于改进模糊C均值聚类的窃电行为检测模型,包括因子分析、基于改进模糊C均值聚类的局部离群因子计算、ROC曲线模型评价与调参及最佳检测阈值选取等模块,适用于无大量已知窃电用户样本的情况.首先,通过因子分析对用户用电特征(包括用电负荷数据和电能表异常事件)进行维度规约,提升模型检测效率.再利用遗传模拟退火算法对模糊C均值聚类算法进行改进,对用户用电特征进行检测.最后与现有成熟算法进行比较,验证该模型对窃电行为具有较高的检测准确度.检测模型可输出所有被测用户用电行为离群度得分和窃电概率排序,利用该文检测模型的输出,能够以较高精度检测出窃电行为用户,根据结果进行现场稽查,可提升反窃电工作效率.     

基于NWPSO-BP神经网络的异常用电行为检测算法

用户的异常用电行为会导致电力负荷异常增长,给电力公司造成巨大损失,同时也易造成输电线路故障,从而危害公共安全,然而传统人工检查异常用电行为的检测效率低下且精度较低。针对上述问题,首先分析了异常用电用户存在的行为特征,然后选择用于训练模型的最佳特征指标,最后提出了基于改进的非线性权重调整粒子群优化算法优化BP神经网络(NWPSO-BP)的异常用电行为检测算法。结果表明,与现有的异常用电行为检测方法相比,所提算法具有更高的精度,且误差收敛速度更快。     

基于改进人工蜂群算法的用电异常检测方法

为全面有效分析和检测数据和用电异常,提高异常用电报警准确率和电量管理水平。从两个方面研究用电异常检测:一是通过用户用电异常防止意外,保障用户安全,如检测到用户负荷长期居高不下,则提醒用户可能存在电器漏电;二是防止非技术性电能损失或用户窃电,如检测到用户连续异常负荷骤降,提醒稽查人员到现场检测用户是否存在窃电。通过改进人工蜂群算法自动提取电力负荷曲线进行关联对比,实现上述行为的判断。实验结果表明,基于改进人工蜂群的异常检测算法具有较好的适应性和较高的异常检测精度。     

基于多视角网络融合的典型用电负荷模式挖掘

为了识别用户端典型用电负荷模式,解决传统聚类算法中仅使用单视角数据致使典型模式识别不全面的问题,提出一种基于多视角网络融合的典型用电负荷模式挖掘方法.采用多视角网络融合算法对三个粒度视角数据进行融合,利用谱聚类算法与共现矩阵度量方法识别典型用电负荷模式,结合教育行业和房地产行业用户基本信息对其用电负荷曲线趋势进行挖掘与分析.结果表明,与单视角数据相比,挖掘出的典型用电负荷模式更为准确且具有较好的鲁棒性,能够结合不同行业特点为电网系统在不同时段采取错峰用电、削峰填谷等措施提供指导.     

基于模糊C均值聚类算法的区域用电特征分析

某区域内电力用户的用电行为往往会影响该区域电力公司的负荷调度以及分时电价等重要问题的决策.为使得这些决策更符合该区域的实际情况,必须对该区域的用电特征进行分析.针对这一问题,提出了一种基于聚类算法的区域用电特征分析方法.采用模糊C均值算法并结合K-means算法,按照某区域的电力用户分布情况,将数据样本聚类为居民区电力用户、商业区电力用户和工业区电力用户3个类簇,并结合该地区实际用电情况,对得到的类簇负荷曲线进行了分析,得出了该区域不同类型电力用户的用电特征.     

基于分段线性模型的专变用户电能配给估计

针对专变用户数量激增引起的用电配给管理问题,提出一种分段线性模型来预测专变用户月平均用电占比数据,实现节能配给的目标.采用N点长数据分段更新生成分段线性模型,从而估计得到下一个月的平均用电占比数值.讨论分析了分段点长N分别取4~8时,分段线性模型预测精度的差异.针对某专变用户2015年以来的实际用电数据进行预测分析,比较验证了预测数值和实际数据之间的误差.结果表明,当最优建模点长N=6时,模型的平均预测误差最小.     

基于网络特征与用户行为分析的联合窃电检测方法

随着电力行业的迅速发展,窃电手段呈现出更复杂隐蔽的特点,给反窃电带来了很大考验.基于此,提出一种基于网络特征与用户行为分析的联合窃电检测方法.一方面,从网络特征分析角度出发,根据当前的电力网络测量数据,基于标准化残差搜索法识别与估计异常参数,准确定位疑似窃电用户所在支路,实现横向窃电检测;另一方面,从用户行为分析角度出发,利用用户的历史用电数据,结合粒子群算法(particle swarm optimization, PSO)和支持向量机(support vector machine, SVM)算法,提高窃电检测分析精度,实现纵向窃电检测.仿真结果表明,利用该联合窃电检测模型能够准确确定窃电异常支路并定位该支路上的窃电用户,有效筛选出电力网络的窃电嫌疑用户.     

计及用户需求响应的智能用电互动潜力分析

针对用户用电行为特征进行分析是一项重要的工作。针对需求响应下居民用电互动行为模式与响应潜力问题,以及负荷聚类中不同特征之间相关性干扰的问题,提出一种基于响应特征聚类的分析方法。考虑实际运行中用户对电价的反应,通过提取用户在分时电价政策下的互动响应特征,使用改进马氏距离的模糊C均值(FCM)算法,对负荷进行聚类分析,并利用马氏距离中协方差因子排除特征之间的相关性干扰,最后对某电网用户负荷数据进行实验,将用户分为特征较明显的5类,并对其互动响应潜力进行分析。实验结果验证了该文方法的有效性与实用性。     

基于离散马尔科夫链的数据库用户异常行为检测

针对数据库系统内部攻击的问题,将基于用户行为的异常检测方法引入到数据库系统内部攻击检测中.将离散时间马尔科夫链(DTMC)应用到数据库系统异常检测中,构建了一种基于DTM C的用户行为异常检测系统.将用户提交的SQL语句作为用户行为特征进行分析,并利用DTM C分别提取了正常用户和待检测行为的行为特征,并将两者进行比较,如果两者的偏离程度超过了阈值,则判定行为异常.通过实验对所提出系统的可行性和有效性进行测试,结果表明,该系统可以较好地描述用户行为,并有效地检测出数据库系统内部攻击.     

基于产业视角的电力消费与经济增长关系研究

以1980～2011年数据为样本,利用多变量模型分析了我国三次产业电力消费与经济增长之间的关系.分析结果指出我国不同产业电力消费与产业增加值之间存在协整关系.基于向量误差修正模型进行了Grang-er因果分析,结果证实:短期存在从第一产业电力消费到产业增加值的单向Granger因果关系,但长期存在相反方向的Granger因果关系;第二产业电力消费和产业增加值存在长期的双向Granger因果关系,但短期不存在因果关系;对于第三产业,长短期都存在从产业增加值到电力消费的单向Granger因果关系.方差分解分析进一步证实了Granger因果关系.研究结论对能源政策的制定具有一定的参考价值.     

基于代数多项式模型的用电量预测研究

针对电网布局与建设等要求,需要根据地区提供的历史数据对该地区未来的用电量进行比较合理的预测。为此,构建基于递推最小二乘法算法的多项式预测模型,并提出基于代数多项式神经网络预测方法。该方法以多项式拟合模型构建神经网络拓扑结构,以模型参数作为神经网络权值,以往年每个季度的用电量数据作为参考值,使用递推最小二乘法对神经网络权值进行训练以获得多项式模型参数。仿真结果表明,该方法不仅具有良好的拟合效果,而且也具有良好的预测功能,在电力系统用电量预测中具有较大的应用价值。     

基于BP神经网络的建筑物用电能耗预测

建筑节能是当今城市建设和社会发展的前沿和研究热点,对建筑的能耗现状进行综合分析与评估是进行节能改造或节能设计的前提和基础,而建立反映能耗变化的预测模型是从宏观尺度上分析认识建筑能耗变化与发展特性、为公共建筑节能工作提供决策依据的有效途径和重要手段.研究针对常规BP网络算法收敛速度慢、易陷入局部最小点的缺点,采用了具有较快收敛速度及稳定性的LM算法进行预测,构造了基于BP神经网络的建筑物用电量预测模型.以某市公共建筑原始用电能耗统计数据作为样本,并采用MATLAB对预测模型进行了仿真预测.结果显示:误差在允许范围内.     

基于C-LSTM的短期用电预测模型和应用

基于深度学习下的长短期记忆循环神经网络对家庭短期用电预测进行研究。本研究引入卷积神经网络(convolutional neural network, CNN)和长短期记忆(long short term memory, LSTM)模型结合的混合深度神经网络模型C-LSTM,并在此模型基础上提出多步预测策略。根据对5个真实家庭日常用电数据集的研究,C-LSTM实现了以5 min为单位的家庭电力需求预测。通过不断修改模型参数、完善模型,从本研究提供的3种误差指标的分析来看,C-LSTM预测准确性高于自回归集成移动平均模型、支持向量回归模型和LSTM模型。本研究评价模型预测效果的主要依据是平均绝对百分比误差值(mean absolute percentage error, MAPE), 从试验结果可得C-LSTM 模型在5 min的家庭需求电力预测,比支持向量回归模型提升4.63%,比 LSTM提升22.8%,比自回归集成移动平均模型提升 34.74%。因此,C-LSTM模型为智能电网对家庭层面电需求的准确及时预测提供了保障,对推动个性化用电套餐的广泛普及、减少能源浪费产生重要影响。     

平顶山市2000～2015年用电量预测

分别用年均递增率法电力弹性系数法、分行业预测法对平顶山市2000～2015年期间的用电量做出预测，对平顶山市的经济发展具有较大意义.     

基于灰理论的居民生活电力消费预测研究

介绍了灰理论及GM模型的建模方法．结合我国2000—2005年居民生活电力消费,建立了GM（1,1）预测模型,通过对模型精度及预测值精度的检验,认为该模型具有较高可信度,适用于居民生活电力消费的预测。     

对枞阳县农业排灌用电管理的思考

文章介绍了枞阳县农业排灌用电管理工作存在的问题,并提出了解决问题的对策。     

中国电力消费与经济增长的变参数协整关系

根据1952—2002年的统计数据,利用状态空间模型对中国电力消费与经济增长关系进行了变参数协整检验。研究发现,中国电力消费与经济增长之间存在一种随时间变化的长期均衡关系。基于卡尔曼滤波算法得到的变参数估计结果较好地揭示了中国电力消费弹性系数的时变规律。     

基于混沌时间序列的Elman神经网络工业用电预测

针对电力负荷数据在多重因素相互影响下呈现非线性特性甚至是混沌性的问题,采用基于相空间重构的Elman神经网络方法进行全社会工业月用电量预测.利用小数据量法计算最大Lyapunov指数,判别负荷时间序列的混沌性,进而确定最优延迟时间及最佳嵌入维数进行相空间重构,以此确定Elman神经网络的拓扑结构,并将实测数据带入模型进行训练.通过对实测数据进行预测仿真,表明该模型达到了较好的预测效果,验证了提出的时间序列相空间重构与Elman神经网络结合的正确性与有效性.