电能计量装置防窃电技术

正电能计量设备装置是电力企业运转的重要组成条件之一,针对常见窃电手段,结合电能计量装置防窃电种类以及电能计量装置防窃电技术应用,总结出电能计量装置防窃电技术优化策略。常见窃电技术手段在电能计算装置应用过程中,常见窃电技术模式通常在电能计算设备上进行项目改造,进而让电能计算设备装置产生暂时性失效或者迟钝,从而窃取应用的电力能量。     

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.     

电能计量及反窃电方法综述

在生活中,由于窃电、漏电等行为的存在,常使供电企业蒙受不白的经济损失。笔者分析了电能计量的原理及计量点的位置选择,总结了常见的窃电方式,如改变电流的窃电、改变表计的结构和接线方式的窃电等,得出与电能计量密切相关的防窃电措施:在技术方面,对居民用户采用集中装表箱或全封闭电能表箱;对大用户、工矿企业的电能计量装置,应由3方加封;使用新一代电子式多功能电能表和先进的防窃电系统等;在管理方面,向社会广泛宣传《电力法》、《电力供应与使用条例》等电力法律、法规知识,明确窃电是一种犯罪行为,使广大用户接受"合法用电"的概念,加大惩罚力度。     

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。     

基于不平衡电能数据的反窃电智能监测系统研究

面对电网中的窃电行为,设计一个基于不平衡电能数据的反窃电智能监测系统,完成用电负荷数据的预处理后,运用随机过采样—迭代决策树算法建立计量装置的异常监测和用户异常用电行为的智能分析数学模型,快速检测出异常用电客户,并在此基础上开发嵌入式专家分析系统,实现用户的电能数据在线监测分析,自动展示异常用电数据,定位窃电用户。     

数据赋能低压配用电系统精益化运行的关键技术与算法

随着人工智能和大数据技术的发展,合理高效地分析电力数据可以赋能电网业务以提升其工作成效。同时,智能采集装置提供了海量计量数据,为数据赋能低压配用电系统精益化运行打下了坚实基础。为更好地总结低压配用电系统精益化运行的研究成果和启迪思路,根据现有业务将低压配用电系统精益化运行主要分为计量采集设备质量评估与计量数据异常监测、用户相位关系识别与三相不平衡治理、低压台区户变关系和拓扑关系识别、用户异常用电和窃电行为检测、客户侧用电服务评价5个方面,分别介绍了数据赋能低压配用电系统精益化运行中的关键技术及算法,并给出了目前研究的不足和未来的展望。     

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。     

一种针对电能计量回路分流法窃电的检测模型

通过分析高压电能计量系统中分流法窃电特点,发现分流法窃电能引起电能计量二次回路导纳值的变化。提出一种分流法窃电检测模型,并设计了应用于该窃电检测模型的电能计量二次回路导纳和相角测试电路。通过在实验室搭建测试模型,验证了分流法窃电检测模型的有效性。