基于离群点算法的低压窃电行为主动辨识系统

为了更有效地打击窃电行为、提高对窃电行为的辨识能力,基于离群点算法设计了一种低压窃电行为主动辨识系统,用以实现对窃电现象的全面分析.根据距离离群点检测算法对原始数据进行预处理,利用判别规则筛选出离群点,再通过数据采集器直接采集用户侧用电信息,作为判断窃电的依据.基于此,通过管理电力负荷来监控电路数据信息,并引入椭圆曲线密码体制,确保用电信息的安全传输,从而构建低压窃电行为主动辨识系统.实验结果表明：该系统能够准确、安全地获取用电信息,及时辨识窃电行为,增强反窃电能力.     

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。     

窃电行为检测方法研究综述

电力系统中因窃电行为对电网公司造成的非技术损失一直是电网公司迫切解决的难题。伴随电网大量部署智能电表,利用电力计量自动化系统采集的用户侧数据开展窃电行为准确检测受到研究者和电网公司的普遍关注。首先,介绍用户窃电行为基本分类情况、评价指标与现有窃电检测数据集;然后,从基于电网状态分析、机器学习、博弈论以及硬件4个方面对现有窃电行为检测方法进行全方面整理、剖析与对比,总结出各方法基本思路和优缺点;最后,对当前窃电行为检测领域研究中存在的挑战深入分析,并对未来研究工作重点进行展望。     

基于随机森林的用电行为分析

长期以来窃电问题一直困扰着电力企业,它不仅损害了供电企业的合法权益,扰乱了正常的供用电秩序,而且给安全用电带来了威胁.通过机器学习算法,对电力用电数据进行分析处理,可以预测用户是否存在窃电行为.基于电力数据中用户用电量提取相关特征,结合随机森林算法,提出了一种预测用户是否具有窃电行为的方法.对比多组实验数据,调节特征数量以及算法参数,以提高预测准确率和预测速度.     

面向IaaS云平台的用户异常行为检测方法

针对IaaS(Infrastructure as a Service)云平台中用户异常行为的检测问题,提出了一种基于用户行为模型和神经网络相结合的异常检测方法.该方法通过构造一种基于时间、地点和事件的用户行为模型,在此基础上建立用户的正常行为模式,并与神经网络算法相结合,将用户当前行为网络输出值与给定阈值进行比较,以此来判断用户的行为是否异常,从而实现用户行为的异常检测.实验结果表明,相比其它类似的用户行为检测方法,该方法能更有效发现用户的异常行为.     

PC机集群系统在电力系统暂态稳定分析中的应用

从网络分割的角度出发,采用了一种基于支路分割的并行算法,以分割支路两端的电压为交接变量,将分割支路两端的节点看作有注入电流的节点,通过迭代最终实现并行计算。继而以MPICH.NT.1.2.5作为操作平台,利用传递函数库实现并行通讯。最后通过IEEE39节点系统对该算法进行了测试,验证了该算法的正确性,并且通过与传统算法的比较得到了令人满意的并行加速比。     

基于约简离群点算法的窃电辨识

为了能有效、快速、准确地辨识电网用户的窃电行为,结合粗糙集的约简技术,采用基于全局最近邻的约简离群点检测算法,将用户的功率标幺值作为研究对象,计算对象集中的任意点与其他对象之间的距离和,最终通过加权因子挖掘出离群点对象。通过实例验证,所采用的算法能够准确地辨识出窃电用户,从而为电网工作人员利用用电信息采集系统的数据快速有效地进行窃电辨识提供依据。     

基于CNN-LSTM混合模型的多类别窃电行为检测

针对复杂电网环境下窃电行为难以准确检测的问题,提出一种基于CNN-LSTM混合模型的多类别窃电行为检测方法。首先基于卷积神经网络（CNN）良好的特征抽象能力提取一维用电数据的非周期性的局部特征,通过长短时记忆网络（LSTM）捕捉每日电能消耗数据间的相关性,提取周期性的用电特征建立特征融合层网络,再将CNN与LSTM提取的特征向量横向拼接获得新的融合向量,据此实现多类别窃电行为的准确检测。实验结果表明,本文提出方法能准确识别多类别窃电行为,相比现有检测方法检测结果更加全面准确。     

基于特征符号表示的网络异常流量检测算法

为了准确检测网络中的流量异常情况,确保网络正常运行,提出基于特征符号表示的网络异常流量检测算法（NAAD-FD）. NAAD-FD算法利用趋势转折点将网络流量数据按照基于趋势特征的符号表示方法进行转化,按照表示结果将原始数据转化为包含7项特征值的子序列,将7项特征值运用到提出的距离计算方法中;结合基于密度的算法,按照时间序列的网络异常流量定义执行异常检测. 通过对算法参数、仿真数据和真实网络流量数据的实验与分析可知,该算法具有较强的鲁棒性,验证了该算法的有效性和稳定性. 该算法通过降维简化表示,显著降低了算法的时间复杂度,有效加速异常检测过程约40%.