基于模糊聚类的异常用电行为识别研究

窃电等异常用电行为的识别是用电检查的重点和难点。由于数据采集问题,以往研究大多专注于大客户窃电行为方面,对居民窃电行为的研究相对较为薄弱。针对小用户级别的窃电等窃电监测问题,提出一种基于聚类的异常用电行为识别方法。该方案首先从智能电表收集的数据中提取用电特征,然后使用模糊聚类分析数据结构,提取出正常用户的行为特征。在真实数据集上的实验结果表明了该方法的有效性。     

基于用电异常数据的反窃电在线监测方法研究

研究基于用电异常数据的反窃电在线监测方法，精准确定用电异常数据，实现反窃电在线监测。该在线监测方法利用K-means聚类算法确定用电异常数据，通过有效指数度量方法确定用电数据聚类数量，提升用电异常数据确定精度；以电流三相不平衡、电压三相不平衡、线损与负荷为特征指标，在用电异常数据中选择用电异常特征数据；利用主成分分析法降维用电异常特征数据；通过模糊神经网络建立反窃电在线监测模型，在该模型内输入降维后的用电异常特征数据，输出窃电嫌疑系数，完成反窃电在线监测。实验证明该方法可精准确定偏小与偏大用电异常数据，有效选择并降维用电异常特征数据，获取窃电嫌疑系数，具备较高的反窃电在线监测精度。     

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。     

基于负荷尖峰特征LSTM自编码器的窃电识别方法

近年来，面向高损线路的窃电检测方法得到大面积工程应用，对降低窃电检测误报率和推动数据驱动窃电检测的工程应用起到了重要作用。但如何准确检出非高损线路的专变窃电用户，仍是亟待解决的难题。基于实践经验中部分窃电用户存在用电量异常尖峰这一特点，提出基于负荷尖峰特征长短期记忆（LSTM）自编码器的用户窃电识别方法。首先，分析典型窃电用户曲线形态,提炼了区分正常及窃电用户的用电量尖峰特征。然后，结合该特征和用户分时数据周期性规律，构建LSTM自编码模型重构输入得到拟合值，基于拟合值与真实值的均方误差设定自适应阈值，从而识别窃电嫌疑用户并提供具体预警尖峰时段。最后，应用实际专变用户用电数据进行算例分析，结果表明所提方法在准确率、命中率和误报率上均优于对比方法。     

数据驱动的用户无功补偿装置远程故障感知

针对部分用户不能及时发现自身无功补偿装置的故障异常、降低用电能效和抬高用能成本的问题，提出数据驱动的用户无功补偿装置远程故障感知方法。该方法基于用户日用电模式会在有限的生产经营状态间切换的假设，利用无功补偿装置故障异常时用户侧功率因数降低、从电网吸收无功升高的特点，选取计量数据中的无功功率和功率因数作为特征量感知故障。采用正常运行时用户的历史计量数据构建正常样本库。同一生产经营状态下，无功补偿装置正常运行和故障异常时用户的无功及功率因数分布存在差异。采用近邻传播聚类对检测样本与正常样本库进行聚类，若检测样本产生单独类簇，即可判断当日存在无功补偿装置故障。基于实际发生的无功补偿装置故障用户计量数据的测试表明了所提方法的有效性。     

基于空间密度聚类和异常数据域的负荷异常值识别方法

针对海量电力负荷数据,提出一种基于空间密度聚类和异常数据域的负荷异常值识别方法.首先,基于空间密度聚类方法将负荷曲线按照正常和异常用电模式进行分类,并对正常用电模式中的负荷曲线进行负荷水平分类.然后,在不同负荷水平下,利用负荷期望值的置信区间和负荷样本与样本均值之间偏差的四分位差,构建异常数据域.考虑非典型用电行为的偶然性,引入用电时刻偏移量,对形成的异常数据域进行修正,并构建面向异常用电模式的异常数据域.在算例中,采用居民和工业用户的负荷数据集对所提方法进行检验,相比于传统方法,文中所提方法的识别精确率平均提高了10％以上,综合评价指标平均提高了4％以上.     

基于ELM-SVM模型与电能计量大数据的窃电识别技术研究

窃电现象破坏社会供用电秩序,严重时更会阻碍新型配电系统建设的发展。为了更精确地识别窃电行为,提出了一种基于极限学习机（ELM）与支持向量机（SVM）相结合的窃电智能识别模型。利用电能计量大数据,分析窃电用户数据状态指标,构建窃电指标评价体系;利用指标评价体系训练窃电智能识别模型,进而以ELM-SVM预测模型来识别窃电用户。该方法有效集合了ELM算法与SVM算法的优点,算例表明,识别模型的识别准确率可达97.8%,说明ELM-SVM结合方法是可行的,实现了对用户窃电行为的高精度、高效性预测识别。     

基于用电特征分析的窃电行为识别方法

反窃电作为供电企业用电管理工作的核心构成部分,在剖析和处置用户窃电行为数据的基础上,研究出一种基于用电特点剖析的窃电行为鉴别手段,能明显提升搜集数据的合理性。本文主要围绕窃电行为识别方法的总体设计构思展开分析,通过用户用电量多指标综合评分等手段,利用大数据算法对目标用户的用电行为特征加以分析,在此基础上建立相应的特征模型,创新提出了基于用户行为特征大数据的用电异常识别技术路线,并探究其具体建设过程,旨在提高供电水平,促进企业可持续发展。     

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。     

数据驱动窃电检测方法综述与低误报率研究展望

配电系统窃电是造成电网非技术损失的主要原因,是供电企业运营管理中长期面对的痼疾。用电信息采集系统采集的海量用户数据使得开展数据驱动的用电异常检测、准确识别窃电用户成为可能。受用户用电行为多样性影响,数据驱动的窃电检测方法的误报率在某些场景下尚难以满足实践需求,严重制约了该类方法的工程应用。首先,介绍了窃电实现手法;然后,梳理了在实践中得到工程应用的窃电检测方法以及数据驱动窃电检测方法的基本思路和局限性;在此基础上,结合工程应用对窃电检测评价指标的差异性需求,分析指出提取的可用信息不足、特征指标项灵敏性和可靠性不高是阻碍数据驱动窃电检测方法走向工程实用的主要原因。最后,从算法设计、状态空间细分以及特征指标项设计选择等不同层面对低误报率窃电检测进行了展望。     

基于大数据和机器学习的用电异常行为分析系统总体架构

用户用电异常行为不仅对接入设备和用户本身产生影响,更会危及电网的正常运行,因此对用电异常行为的分析至关重要。基于大数据和机器学习技术,设计了一种用电异常行为分析系统,并提出了系统设计的总体框架和相关配置。所设计系统对用户用电的用电量、电压质量、负载及三相不平衡率、无功及功率因数等方面可以进行异常分析,并以可视化的方式向管理员和用户展示。同时,对高风险用户进行预警和跟踪处理,对窃电行为展开调查分析。本系统可以有效分析用户用电异常行为及进行窃电预警,对电网稳定运行起到关键作用。     

应用电力负荷管理系统开发技术防窃电功能

通过动态比较电力用户在正常与异常计量情况下模拟量回路与电能计量回路的功率、电流和脉冲,并调用电能表本身防窃电信息,通过借助无线信道传输,对电力负荷管理中心主站集中监视和发现用户窃电和计量回路异常的问题提出了解决方案。     

基于数据挖掘的新型低压窃电识别方法

针对现今反窃电技术往往采用单一算法分析,导致反窃电效果差强人意的现状,文中提出一种针对低压用户窃电的识别方法.剥离台区线损当中的技术线损部分,采用K-means聚类算法对处理过的线损数据进行分析,识别出线损率异常波动或持续偏高的台区,并根据聚类结果定义时间离散度来衡量窃电疑似度.分析异常台区下的用户,通过相关性分析研究...     

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。     

基于时空关联矩阵的配电台区反窃电预警方法

针对配电台区窃电用户难发现、窃电量预估不准确的问题,提出了一种基于时空关联矩阵的配电台区反窃电预警方法。首先,构建配电台区数据清洗方法,采用线性插值算法对低压户表采集的缺失数据进行补正,以消除配电台区量测数据缺失对模型的影响。其次,构建配电台区窃电分析算法,通过台区线损波动率、线损与电流差异曲线的变点时间进行关联分析,从而判断台区是否存在窃电行为。再次,构建窃电用户的时空关联分析模型,通过变点、离群点和关联检测分析窃电嫌疑用户的时空分布特征,并计及用户窃电时间和用电容量等特性,提供预估窃电量。最后,通过实例验证了所提方法的有效性和实用性。     

基于改进鸡群算法的非侵入式负荷监测

监测负荷运行状态有利于加强电网负荷侧管理,引导用户合理消费,实现节能降耗。针对小功率负荷与大功率负荷同时投入时,单一谐波电流特征易受线路电压、电流波动影响导致负荷辨识精度低的问题,提出一种基于改进鸡群算法的负荷监测方法,设计综合考虑稳态谐波电流和功率特征的正态分布度量函数,作为改进鸡群算法的适应度函数。实验结果表明,采用所提方法可有效提高负荷辨识准确率。     

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。