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...     

基于三元组孪生网络的窃电检测算法

窃电数据量的缺乏对窃电检测算法的辨识准确度造成了极大影响,因此该文提出在小样本条件下基于三元组孪生网络的窃电检测方法。利用格拉姆角场(gramianangular field,GAF)实现用电序列图像化,再使用三元组孪生网络提取用户用电数据中的特征向量,基于欧氏距离进行特征向量的相似度比对,实现窃电检测。由于三元组孪生网络不仅对训练样本本身的特征进行提取,还对同类样本间的相似性与非同类样本间的差异性进行了学习,提高了特征向量的聚类效果,拥有较高的轮廓系数(silhouette score)。算例结果验证了所提算法在小样本情况下的准确性和优越性。     

检测低压用户窃电的计及专家经验的模糊聚类法

针对电网营销系统中低压窃电工单少的现状,提出不依赖窃电标签的基于专家经验和模糊C均值(fuzzy C-means,FCM)聚类算法的低压用户窃电检测技术方案。首先,提炼现场专家经验,提出预打标签法,对原始用户初步标记;其次,重构特征和归一化操作后,采用FCM算法对用户聚类,训练出聚类中心矩阵和隶属度矩阵;最后,按行计算训练集隶属度矩阵和测试集隶属度矩阵之间的2范数,通过嫌疑系数来判断待测用户近段时间是否存在窃电。以广东某台区低压用户作为算例,验证所提窃电检测方案的有效性和可行性。     

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...     

基于K-means算法和用电信息采集系统的 防窃电研究

目前窃电方式呈现隐蔽性、多样性和高科技等特点,传统的人工稽核方法无法快速解决当前窃电频发问题。文章利用用电信息采集系统远程集抄的海量数据,通过对新型典型窃电案例的分析,提出基于K-means聚类算法以及用电信息采集系统所采参数,建立多维特征因子关联模型,确定窃电嫌疑用户。基于该思路的防窃电系统,在预防和打击窃电用户上起到了一定的积极作用。     

大数据技术在电力大用户用电特征分类中的应用

随着电力行业市场化改革的深入,对用电客户进行细分并提供差异化服务已经成为必然趋势。针对电力用户的用电负荷数据特点,提出了一种基于大数据技术的用电特征相似性挖掘方法。采用DTW算法对负荷曲线相似度进行度量,并利用K-means算法对DTW距离矩阵进行聚类分析,实现用户负荷曲线的聚类和负荷特性分析。最后,以纺织印染业大工业用户的负荷数据为例进行验证,结果表明,该算法组合能够较好地反映负荷曲线的相似度,负荷曲线特征呈现显著差异。     

一种改进的协作过滤算法

协作过滤算法作为最成功的个性化推荐技术已经被应用到很多领域中.针对现有推荐算法存在的预测值判定不准确、数据高维稀疏性、可扩展性不强的问题,提出了一种改进的协作过滤方法.协作过滤方法首先通过对资源进行分类、加权过滤数据预处理以及K-平均聚类算法对用户进行聚类,然后利用余弦相似度计算用户间的相似性,产生最近邻居集,最后基于...     

一种面向需求侧管理的用户负荷形态组合分析方法

提出了一种面向需求侧管理的用户负荷形态组合分析方法,改善了传统方法在单一用户典型负荷形态提取以及不同负荷形态相似性度量上的不足。该方法以密度聚类算法剔除单一用户异常日用电形态的影响,提取其典型负荷形态,再以余弦相似度度量不同用户典型负荷形态的相似波动特性,对用户进行分类。将该方法应用于实际电力负荷数据,将获得的用户分类结果与传统方法进行了比较,并以此为基础对负荷聚类在需求侧管理中的应用做了探讨。结果表明该方法能够有效地提取单一用户的典型负荷形态,并能够较好地度量不同负荷形态之间的相似波动特性,在需求侧管理     

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。     

基于非参数核密度估计和改进谱多流形聚类的负荷曲线分类研究

针对高维负荷曲线的聚类问题,提出一种基于改进谱多流形聚类的负荷曲线聚类方法,该方法包括典型日负荷曲线提取、负荷曲线聚类和聚类效果评价3个步骤。首先提取用户负荷特性指标,结合非参数核密度估计方法计算提取用户典型日负荷曲线。在改进谱多流形聚类算法中,引入时间翘曲距离度量曲线相似性,并用高斯核函数计算局部相似性,基于此构建相似性矩阵并聚类。聚类后采用多种聚类有效性指标,从聚类效果、算法稳定性和运算时间3个角度对聚类结果和算法性能进行评价。采用某地区若干用户的负荷数据作为算例样本进行聚类分析,验证了所提出的典型日负荷曲线提取方法和改进谱多流形聚类算法的合理性和优越性。     

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。     

用户侧窃电检测关键技术

用户侧的窃电行为是非技术性电能损失的主要原因,并且影响配电系统的运行安全性。文中对用户侧窃电检测关键技术作了分类总结,指出了当前研究的挑战和发展方向。首先,阐述了电能计量的基本原理,介绍了随计量设备升级而新出现的常见窃电方法;然后,分析了基于电气模型与计量设备的窃电检测技术在实际工程应用中的各自优势和不足;接着,对比和总结了已有基于数据驱动的窃电检测研究中基于样本学习、异常分析和状态估计的研究方法和适用范围;最后,探讨了当前窃电检测技术在输入数据、性能评估和应用场景等方面面临的关键问题和挑战,并在窃电定位、模型泛化、策略生成和隐私保护等方面对窃电检测研究方向进行了展望。     

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.     

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。     

基于特征提取的面向边缘数据中心的窃电监测

随着电网信息物理系统的发展,一部分数据处理功能逐渐下沉到靠近终端用户的边缘层。为了给后续分析提供可靠的数据源,及时发现异常用电行为,窃电监测是边缘数据中心重要功能之一。文中提出一种针对边缘数据中心的窃电监测方法,该方法利用深度卷积生成对抗网络(DCGAN)鉴别器提取得到的特征,在边缘数据中心对二范数线性支持向量机(L2SVM)进行训练。实验结果证实,DCGAN具有较好的收敛性能,鉴别器提取得到的正常与窃电行为用电特征具有明显划分,且比基于主成分分析(PCA)特征提取方法更加有效,此外,与基于径向基核函数的支持向量机(SVM)反窃电方法相比,所提方法准确度更好且计算复杂度低,适合边缘数据中心部署。     

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%。     

基于局部离群点检测的低压台区用户窃电识别

针对低压台区反窃电工作效率低、成本高的问题,提出了一种基于局部离群点检测的低压台区用户窃电识别方法。首先,基于线损特征搜寻与待检测台区最相似的k个最近邻台区;接着,基于k个最近邻台区的线损率分析待检测台区某段时间线损率是否异常,若线损率异常计算该台区所有用户该段时间负荷曲线之间的离散Fréchet距离;最后,基于离散Fréchet距离计算台区每个用户负荷曲线的局部离群点因子,同时采用邻域查询优化技术提高计算效率,局部离群点因子越大的用户窃电嫌疑越大。该方法输出待检测台区所有用户窃电嫌疑度排序,只需要检测排序靠前的用户即可检测出大部分窃电用户,大大提高了反窃电工作效率。     

湖北省窃电状况与防窃电策略

窃电是一个全球化问题。电力公司应有识别窃电者和挽回因窃电所造成损失的保护措施。通过分析湖北省电力公司防窃电现状，提出技术反窃电和加强管理并举、打击与防范并重的防范策略。