基于生产经营状态识别的低误报率窃电检测二次筛查方法

数据驱动的窃电检测方法主要根据电量及派生指标识别低电量异常,容易受干扰影响误报。利用工商业用户生产经营状态指标大致固定的特点,提出基于生产经营状态识别的窃电二次筛查方法。首先,将检出的低电量异常用户每天的三相功率作为负荷特征,用以标识其当天的用电行为模式及生产经营状态。然后,将每天的负荷特征进行近邻传播聚类。当低电量异常时段负荷特征与正常低电量生产经营状态聚为同类时,认为是用户状态正常转换导致的异常,可排除窃电嫌疑。基于实际窃电数据的测试表明,所提方法可降低误报率。     

基于联合神经网络的用户窃电行为识别模型

针对窃电行为识别准确率低的问题,提出了基于联合神经网络的窃电行为识别模型。首先,对获取的用户用电数据进行处理,利用格拉姆角场方法对用户用电数据进行二维化处理。然后,针对不同维度的用电数据,提出了基于联合神经网络的用户窃电行为识别模型,利用卷积神经网络（CNN）和双向长短期记忆（BiLSTM）神经网络提取一维用电数据和二维用电数据特征。通过实例分析表明,提出的联合神经网络模型对窃电行为识别准确率达到90%以上,证明所建立的评估模型为解决窃电问题提供了一种切实可行的方案。     

基于改进动态时间规整的相似性度量及轨迹聚类

针对传统轨迹相似性计算方法度量效果不佳,且当时间序列数据过度扭曲时相似性度量难以取得好的效果。鉴此基于诸多实际应用之精度和实时性需求,文章基于动态时间规整算法,结合轨迹平移的思路及全局变量约束的思想,通过算法优化和参数分析给出了一种改进动态时间规整算法。数值实验结果表明改进算法在轨迹相似性度量上的识别率为90%,与经典算法相比提高了41.25%,度量精度明显提升。进而作为轨迹相似性度量函数结合谱聚类算法应用于轨迹数据聚类分析中,仿真轨迹数据实验结果表明基于改进算法的聚类分析能够清晰区分轨迹簇、聚类效果较为理想。     

基于曲线相似性分析的窃电用户判断

随着中国供电事业的迅猛发展,窃电问题日益突出,严重影响了供电企业的稳定发展。针对窃电用户的线损特点,采用时域和频域的曲线相似性分析方法,通过判断用户负荷曲线与异常馈线线损曲线之间的相似性来识别窃电行为。在时域中采用了欧氏距离、余弦距离和街区距离直接计算2种曲线的相似性,在频域中则采用自相关法、修正协方差法和Burg法先获得2种曲线的功率谱,再计算2种功率谱的相似性。实例应用表明：该方法能够迅速缩小窃电用户排查范围,准确锁定窃电用户,提升反窃电工作成效。     

基于筛选电压数据的配电低压用户相别辨识方法

目前配电网低压台区相位关系存在记录不准确或更新不及时的问题,不利于低压台区的运行与管理。提出一种基于筛选电压数据的配电台区低压用户相别自动辨识和校验方法。首先,获取最近一段时间内配电变压器三相电压及该台区所有用户电压的历史数据,计算变压器电压在不同时刻的三相不平衡率,筛选出不平衡率最大的时刻,并由这些时刻对应的电压值构成变压器三相电压及用户电压的新时间序列;然后,计算各电压新序列之间的动态时间弯曲距离,采用改进的K均值聚类算法实现用户相别的自动辨识;最后,采用变压器各相总电能与用户智能电表数据对用户相别辨识结果进行校验。仿真结果和工程实例验证了所提方法的有效性。     

基于重加权策略平衡损失与LSTM的窃电行为检测研究

窃电行为是导致电能损失与电力企业经济效益降低的重要原因。针对窃电问题,提出了一种基于有效数量加权策略的损失函数,改善数据集分布不均衡导致训练模型泛化性能下降的问题;基于该策略,设计了基于长短期神经网络的时间序列分类模型,用于用户日用电量的窃电行为检测任务;采用用户日用电量真实数据进行实验测试,结果表明基于有效数量的加权策略可一定程度解决数据集不平衡导致的模型泛化性下降问题。与现有方法相比,所提方法在精确度上有所提高,对窃电行为检测具有有效性与可行性。     

对窃电行为检查取证与处理的探讨

随着供电企业配电网络的日益优化、坚强,电力营销工作的日益规范,营销稽查职能的强化,营销工作质量的大幅提升,重拳打击用户窃电行为已成为供电企业降损增效的一项重要工作.而电能物质形态的特殊性,窃电分子窃电手段的多样性,电力客户法律意识的增强,都要求供电企业在开展用电检查工作,打击窃电行为,维护供电企业合法权益.在保护国有资产不受侵害的过程中,要提高用电检查人员综合素质,提高窃电行为证据的完整性、有效性,完善用电检查组织管理机制,提高用电检查工作效率.     

一种融合聚类和异常点检测算法的窃电辨识方法

聚类算法和异常点检测算法都是数据挖掘的重要方法。已有的聚类和异常点检测算法主要针对规律性数据挖掘,而没有将两种算法融合用于数据分析实现窃电辨识的方法。鉴于此,在分析相关算法原理和电量数据特征的基础上,提出一种融合聚类算法和异常点检测算法的窃电辨识方法,通过对电量异常数据的深入挖掘实现对窃电用户的准确辨识。理论分析和实验结果表明,该方法可有效提高窃电辨识的准确性,具有一定的实用性。     

对窃电行为检查取证与处理的探讨

随着供电企业配电网络的日益优化、坚强,电力营销工作的日益规范,营销稽查职能的强化,营销工作质量的大幅提升,重拳打击用户窃电行为已成为供电企业降损增效的一项重要工作。而电能物质形态的特殊性,窃电分子窃电手段的多样性,电力客户法律意识的增强,都要求供电企业在开展用电检查工作,打击窃电行为,维护供电企业合法权益。在保护国有资产不受侵害的过程中,要提高用电检查人员综合素质,提高窃电行为证据的完整性、有热胜,完善用电检查组织管理机制,提高用电检查工作效率。     

基于SE-CNN模型的窃电检测方法研究

针对传统电网现有窃电检测仅用单一电量且实际数据集下检测准确度低的问题,提出一种基于通道注意力网络改进卷积神经网络模型的窃电行为检测方法。首先建立一种包含用电量趋势、线损增长率、终端告警多源数据融合的窃电评价指标体系,以此构建用户用电特征集。然后,基于通道注意力挤压激励网络(squeeze and excitation networks, SENet)优化卷积神经网络(convolutional neural network, CNN)模型,据此构建自适应通道注意力网络改进卷积神经网络模型的窃电检测方法。最后,利用南方电网数据集对提出方法的有效性与准确性进行验证。实测结果表明,所提方法能有效实现实际电网情况下各类窃电行为准确检测,建立的评价指标体系可更明显表征窃电行为规律。构建的窃电检测模型可自适应对特征通道重要程度调整,提升通道利用率。相比现有检测方法,其具有更高准确度和更优泛化性能。     

基于边缘计算的低压用户窃电检测

低压用户窃电导致线损电量增加,对台区线损异动进行归因分析是识别窃电用户的有效途径。低压用户通信异常多发,可导致用电信息采集系统主站数据失真,易误导窃电检测。利用配变终端可就地完整准确采集台区数据的特点,提出基于边缘计算的低压用户窃电检测方法。首先,在通信正常和异常的条件下,分析台区窃电用户用电量与线损电量的关联关系;然后,在配变终端窃电检测模块中对真实的台区线损和用户用电量进行归因分析来识别窃电用户;最后,基于高损台区实际数据的仿真分析,验证了所提方法相比于在主站侧采用异常数据以及采用不同缺失数据填补算法修复后的数据进行窃电检测时的优势。     

基于SDAE和双模型联合训练的低压用户窃电检测方法

用户窃电行为是电网企业运营管理的痛点,基于数据驱动的低压用户窃电检测是当前的重要发展方向.由于窃电数据集具有自身高维度且样本不平衡的特点,对窃电检测模型的拟合能力和泛化能力要求极高.为此,文章利用堆栈降噪自编码器对低压用户日用电量数据进行特征提取,通过挖掘数据的深层特征减少窃电产生的极端数据对检测模型的影响;进而提出逻辑回归与深度神经网络联合训练模型进行低压用户窃电检测,将逻辑回归模型的记忆能力与深度神经网络模型的泛化能力相结合,进一步提升窃电检测的精度.通过实际电网数据的实验仿真,从AUC值、准确率和召回值三个评价指标验证了所提出方法相对于传统机器学习算法具有明显的性能优势.     

基于高斯核密度估计法的路灯窃电检测方法

散落在道路周围的路灯易被窃电,而路灯窃电检测与普通用户窃电检测有显著差异.路灯负荷一般由专用变压器供电,是一种仅有供电计量、没有下级用户计量的特殊负荷,因此很难识别因窃电造成高损耗的路灯专变.在深入分析路灯专变负荷特性的基础上,提出了一种基于高斯核密度估计法的路灯窃电检测方法.首先,分析路灯负荷的用电特性.然后,计算了路灯负荷的不同计量时间间隔用电量数据的累积波动量,通过直方图阈值法初步设置阈值将用电负荷分类后,再利用高斯核密度估计法求取最优阈值.最后,以长沙某地区路灯专变负荷对所提方法进行验证,结果表明所提方法能有效地检测出窃电用户.     

基于深度混合注意力网络的窃电检测

窃电检测旨在识别和检测非法或未经授权的电力使用行为。在智能电网技术高速发展的背景下,如何实现准确的窃电行为检测,是学术界和工业界广泛关注的一个重要问题。针对已有方法依赖人工特征设计以及低层特征提取能力不足的问题,提出了一种基于深度混合注意力网络的窃电检测方法,将通道注意力和自相关注意力机制相结合,在不同层次和空间范围内捕捉数据中的时间依赖性和周期性等复杂特征。所提模型在低层使用通道注意力网络来增强低层特征的表达能力,在中间层使用自相关注意力来捕捉全局上下文信息,并利用自监督方法来学习注意力参数,从而提取出更具表达力和判别力的特征表示。在中国国家电网数据集上进行实验所获得的结果表明,所提出的方法在AUC以及F1等性能指标上取得了更好的效果。     

基于Bagging异质集成学习的窃电检测

针对传统窃电检测中单一分类方法的不足,提出一种基于Bagging异质集成学习的窃电检测方法.考虑不同个体学习器在数据集上的表现以及各学习器之间的多样性,构建多种个体学习器嵌入的Bagging异质集成学习的窃电检测模型,模型的个体学习器包含k最近邻、误差反向传播神经网络、梯度提升树和随机森林,通过引入改进加权投票策略将其输出进行结合.使用爱尔兰智能电表数据集对算法有效性进行验证.结果表明,与传统单一学习器和同质集成学习检测相比,基于Bagging异质集成学习的窃电检测方法的准确率、命中率、误检率等检测指标更好,灵敏性分析验证了基于Bagging异质集成学习的窃电检测方法的有效性.     

一种基于SMOTE和XGBoost的窃电检测方案

用户侧窃电行为造成的非技术损失不仅增加了电网的运营成本,还会干扰电力系统稳态。现有的检测方案忽略了用电数据的时序性及正负样本 分布不均、维度高的问题,这将极大地影响检测的准确率。因此,提出了一种基于SMOTE和XGBoost的窃电检测方案。针对电力数据的时序性和类不平 衡的特点,利用SMOTE算法进行过采样解决了数据不平衡的问题,并构造时序特征挖掘用户用电模式;再使用XGBoost执行用电数据的特征提取和分类 过程。实验表明,通过SMOTE算法可以提高不平衡数据分类的有效性,对比于传统的检测模型,XGBoost算法在窃电检测场景的多项评价指标下均取得 了更好的效果,其中准确率提升至92.45%。     

配电网拓扑参数未知场景下中压用户窃电检测方法

新型电力系统建设下配电网运行方式面临更加频繁的调整,导致配电网的拓扑与线路参数记录档案难以得到及时更新,为中压配网的运行状态分析带来了挑战。提出一种配电网拓扑参数未知场景下的中压用户窃电检测方法。基于电网运行机理选择支路阻抗作为窃电特征判断指标,并构建窃电检测模型;根据配电网运行特点建立了线性潮流模型,并通过简化模型快速求解特征参量;研究了窃电行为对特征参量变化的影响机理,并结合能量守恒定律,提出完整的窃电检测方案。以IEEE 33节点配电系统、IEEE 85节点配电系统和江西进贤某10 kV实际配电网作为算例,结果表明,所提方法在多种窃电场景下均可有效辨识窃电时段并精准定位窃电用户,同时对用电数据的量测误差表现出较强的鲁棒性。     

基于数据挖掘的工业用户用电行为分析

文中以上海市部分地区工业用户为研究对象,利用数据挖掘技术分析其用电行为。根据用户档案采集和整合用电数据,同时对数据进行修复和归一化预处理;综合考虑聚类数的确定及初始聚类中心的选择这两个因素,对K-means算法进行优化;利用优化的算法对用户负荷曲线分类并提取特征曲线,分析其用电行为典型特征,并与传统的K-means算法进行比较,同时引入相关指标检验聚类效果。结果表明,采用优化的K-means聚类算法能准确实现不同用户类型的分类识别功能,可以更加准确有效的进行用户用电行为的分析。     

基于Bagging二次加权集成的孤立森林窃电检测算法

随着智能电网的高速发展,窃电方式呈现多样化,窃电数据也具有难以标注且样本类不平衡的特征.针对窃电数据无标签且类不平衡的窃电检测问题,提出一种基于Bagging二次加权集成的孤立森林窃电检测算法.首先,通过分析居民和商业用户存在的窃电模式,基于孤立类间相似度最低准则,对各类窃电模式的孤立特征顺序进行优选并训练对应的孤立森...