基于实值深度置信网络的用户侧窃电行为检测

用户侧窃电行为造成的非技术性损失对电网企业危害重大,不仅会影响电力系统的供电质量,还会增加电网的运营成本。为了辅助电网公司提高用电稽查效率、管理用户规范化用电,提出了基于实值深度置信网络的用户侧窃电行为检测模型。实值深度置信网络具有提取抽象特征的功能,并通过前馈神经网络微调后可实现较高分类精度。为了优化实值深度置信网络因随机初始化产生的局部最优化问题,该模型通过萤火虫算法对网络参数全局寻优。针对用户窃电行为检测,该模型利用因子分析进行数据降维,利用随机欠采样和套索算法应对数据不平衡问题,并利用ROC(receiver operatingcharacteristiccurve)曲线选取该模型的检测阈值。最后仿真实验验证了所提出模型的有效性和精确性。     

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。     

基于堆叠稀疏自编码器和深度森林的窃电检测模型

为了提高窃电检测模型的检出率和准确率，提出一种基于堆叠稀疏自编码器和深度森林的窃电检测模型。通过使用用户用电量数据训练堆叠稀疏自编码器，以降低总体重建误差为目标，确定堆叠稀疏自编码器的层数及隐藏层输出向量维度，实现对用户用电特征更有效的提取。将最后一层稀疏编码器隐藏层的输出向量作为深度森林的输入特征向量，对输入特征向量进行多粒度扫描，使用级联森林实现特征深度融合与窃电检测。基于某市6 000个用户用电量数据对该模型的性能进行验证，实验结果表明，对比其他经典窃电检测模型，所提窃电检测模型具有更高的检出率和准确率。     

数据驱动下窃电智能分析系统的研究

随着智能电表的推广及用电信息采集系统建设的逐步完善,电网公司积累了海量用户用电数据,为大数据技术在电力领域的应用提供了基础。基于数据挖掘思想针对行业分类及用户特征,对海量的多元计量数据进行窃电用户分析,从中挖掘出窃电用户的关联性多维度特征参量,建立神经网络构建数据驱动下的窃电预测模型。系统测试验证了预测窃电值与实际窃电值有很高的吻合度,在一定程度上反映了模型预测的准确性。     

基于深度学习的电网短期负荷预测方法研究

深度模型通过学习一种深层非线性网络结构以实现复杂函数逼近,具有很强的自适应感知能力。本文为了提高电力负荷预测精度,提出一种基于栈式自编码神经网络的深度学习预测方法。该方法结合自编码器和逻辑回归分类器构建一个多输入单输出预测模型,并将重构后的历史负荷、气象信息等数据输入到预测模型中,用栈式自编码器逐层学习并提取深层特征,最后在网络顶层连接逻辑回归模型进行短期负荷预测。实例分析表明,所提预测模型能够有效刻画日负荷变化规律,泛化能力较强,其预测精度达到96.2%,比支持向量回归和模糊神经网络两种浅层学习模型更高。     

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ARIMA和递归贝叶斯的窃电用户识别算法

低压窃电负荷小,难以被及时发现,给电力企业造成了巨大的经济损失。文中基于差分整合移动平均自回归模型(Auto-regressive Integrated Moving Average model, ARIMA)和递归贝叶斯算法,构建了一种针对配电网低压窃电行为的识别方法,该方法结合用户历史数据对低压用户与台区表夜间各时段电力负荷数据进行分析,并算出用户窃电概率,从而发现用户是否存在窃电行为。仿真与实际结果表明：该方法对及时准确发现窃电行为,提高配电线路线损治理效率具有重要意义。     

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。     

一种基于CAEs-LSTM融合模型的窃电检测方法

为解决现有的智能电网电力盗窃行为检测方法中准确性不足、检测效率低下等问题,提出了一种由卷积自编码器网络(convolutional auto-encoders,?CAEs)和长短期记忆网络(long short term memory,?LSTM)相结合的CAEs-LSTM检测模型。该模型通过分析数据集的特点对电力数据进行二维转换,设计卷积自编码器结构,采用池化、下采样和上采样重构电力数据的二维空间特征,加入高斯噪声提高模型鲁棒性,并构建长短期记忆网络以学习全局时序特征。最后,对提取的时空特征进行融合从而检测能源窃贼,并进行了参数调优。在由国家电网公布的真实数据集上,通过将CAEs-LSTM模型与支持向量机、LSTM以及宽深度卷积神经网络进行对比,CAEs-LSTM模型的平均精度均值和曲线下面积值均最优。仿真实验表明,基于CAEs-LSTM模型的窃电检测方法具有更高的窃电检测效率和精度。     

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。     

基于改进局部离群因子的低压用户用电隐患检测方法

基于用电信息采集系统的量测数据,提出了一种基于改进局部离群因子算法的用户用电隐患检测方法。首先,提出基于信息熵的电压信息重构方法,扩大电压数据差异性。其次,提出基于K-奇异值分解的电压数据稀疏编码方法,解决台区用户原始负荷特征维度过高带来的冗余性问题。然后,提出基于改进局部离群因子算法的用户用电隐患检测方法,通过多局部离群因子模型组合优化,提高低压用户用电隐患检测泛化能力与准确率。最后,以中国浙江省某台区为例进行验证,算例分析的结果表明所提算法相对于传统局部离群因子算法具有更高的隐患检测准确率。     

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。     

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。     

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。