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。     

基于模糊聚类的电力客户用电行为模式画像

随着电力客户数据采集频度不断提高、数据分析维度不断扩展,客户的用电行为变得更加复杂。客户标签和画像技术的发展,给客户用电行为分析带来了更直观、简洁的表现方式。论文基于海量的客户档案、负荷、电量数据,综合考虑客户用电特征、影响因素,建立了客户用电行为标签库,并采用模糊聚类算法进行客户用电模式分析,实现不同类型客户的用电行为模式画像。某地区20 000户工商业客户的用电行为模式画像分析结果表明:文中选取的用电行为标签合理有效、采用的聚类算法效果显著、客户画像精准,能够为电力公司掌握客户用电习性、挖掘客户需求、提高服务水平提供有力支撑。     

基于K-均值聚类算法的大客户用电行为分析

为掌握大客户的用电习惯和用电特征、满足不断变化的客户用电需求、逐步提升大客户领域供电服务水平,本文采用K-均值聚类算法、二八定律、归一化算法等统计分析方法,运用SPSS等数学分析工具,从行业特点、客户价值、用电需求、成长性等方面刻画用电客户群体特征,挖掘大客户用电数据中的隐藏数据和潜在价值,得出五类典型的大客户用电负荷特征曲线,建立对应的五类典型用户分类,得到了五类用电行为特征的结果,通过结果分析得出半数以上用户的用电特点、同类型的船舶制造业仍然具有不同的用电特点、电能紧张时优先对建筑业和采矿业实施有序用电可以取得较好效果,最终对企业的电力营销和调度进行决策支撑,为用电需求侧管理、优化客户服务管理规范提供辅助决策。     

基于粒子群算法的异常用电检测方法

窃电行为严重危害了电网的正常运行,并且损害了国家和电力企业的利益。针对现有异常用电检测方法的不足,提出一种基于粒子群算法的异常用电检测新方法。以用户历史负荷数据为基础,采用粒子群算法提取用户相同行业的负荷模式曲线和用户历史数据的负荷模式曲线,并根据用户考察日负荷曲线与上述两种负荷模式匹配的不同特点,使用不同的负荷数据预处理方式以及模式匹配评价方法。实例分析表明,新方法能有效检测到异常用电的情况,验证了模型的有效性。     

基于贝叶斯网络的非侵入式家庭负荷动态监测模型

智能量测技术是智能电网的重要组成部分,为了实现非侵入式负荷低频监测并进一步提升负荷辨识准确率,文中结合居民用电行为与外界环境相关的特点,提出一种基于贝叶斯网络的非侵入式家庭负荷动态监测模型,该模型选取电气特征和外部数据为特征量,综合考虑居民符合的时间特性和对外部数据的关联特性,对居民用电行为采用贝叶斯网络模型进行建模分析,并随时间推移对特征库进行动态更新,从而实现对家庭负荷的监测作用。本文采用AMPds2公开数据集数据进行算法验证,证明本文算法的准确性和有效性,同时对外部数据和用电行为进行互信息分析,结果表明时段特征对用电行为相关性最强。     

基于伪异常点辨识的关口电能表计量数据异常研究

关口电能表计量数据是贸易结算的根据,其数据质量的好坏对贸易结算的公平、公正性产生较大影响。针对现有计量数据异常辨识方法忽略了关口表异常状态与负荷动态行为之间差异性的缺陷,该文提出一种基于伪异常点辨识的关口电能表计量数据异常辨识方法。该方法考虑到用户动态用电行为具有潜在规律性,结合时间序列分解和自相关分析挖掘其内在周期性,并考虑负荷曲线的动态变化特点,采用用电相似度判据消除时间偏移影响,进而实现伪异常点准确辨识。基于西南某省电网关口表实测数据对该文方法有效性进行验证,结果表明该文方法能够有效辨识伪异常点,可满足工程实践需要。     

基于行为影响因子的非侵入式负荷实时分解算法

针对传统非侵入式负荷分解算法准确率低、计算较耗时等问题,在隐马尔科夫模型(HMM)的基础上提出基于行为影响因子的负荷实时分解算法.使用自适应的迭代K-means聚类方法提取负荷状态,并将负荷状态组合成超状态.针对传统HMM没有考虑用电场景时间特性的缺陷,对参数进行时间分段学习.在分解阶段引入用户用电行为模式的影响因子,改进隐马尔科夫齐次假设,并利用维特比算法分解出用户的各个负荷的实时状态.通过公开数据集验证了所提算法的准确性和实时性.     

基于极限学习机的居民用电行为分类分析方法

针对大数据背景下智能用户用电行为分类问题,提出一种基于极限学习机(ELM)算法的用户用电行为分类方法。首先,在前期用户行为的特征优选策略的基础上,采用特征优选策略提取负荷曲线的最佳特征集对用户用电数据进行分类分析。然后,将特征优选集作为输入,通过比较不同隐含层激活函数和隐含层节点个数下训练集和测试集的正确率,优选出适用于用户用电行为分析的ELM算法的输入参数。最后,以国内和国外用户用电数据为数据源,进行算例仿真实验,通过与反向传播(BP)神经网络的对比分析表明,所提出的基于ELM算法的用户用电行为分析方法提高了检测的正确率并且降低了算法运行时间,能够更好地掌握用户用电负荷状态,实现配电网的削峰填谷。     

基于小波和长短期记忆混合神经网络的电力用户异常用电模式检测

为了约束输配电系统中存在的异常用电行为,文中提出一种基于小波和长短期记忆混合神经网络的电力用户异常用电模式检测模型。提出异常用电模拟算法用于生成异常用电数据序列;利用长短期记忆网络构建特征提取网络,从用电数据中提取出不同的序列特征;以小波神经网络为核心构建模式映射网络,实现序列特征到用电模式的映射,完成异常用电模式检测。通过CER Smart Metering Project数据集测试,文章提出的异常用电检测模型与传统网络模型相比,具有更高的检出率、更低的误检率和更高的贝叶斯检出率。     

一种用于异常用电检测的负荷模式分析新方法

为解决异常用电检测问题,提出一种基于果蝇算法的负荷模式分析新方法。在同区域相似电力用户负荷数据和用户历史负荷数据的基础上,应用果蝇算法提取负荷模式。根据用户用电负荷与相似用户用电负荷和用户历史用电负荷匹配的不同特点,采用不同的负荷数据预处理方式以及模式匹配评价方法。根据电力用户的实际数据,查出用户的异常用电情况,验证了算法的有效性。     

河南省电力公司2007年科学技术进步获奖成果简介之五

200759 台区客户用电管理系统 获奖情况：河南省电力公司科学技术进步优秀奖 成果简介：该成果是应用GPRS一级信道对台区客户进行抄表计费管理、客户负荷在线监测以及设定代表日自动负荷实测、电量异常报警、客户远方停电,送电控制、台区线损分析等用电业务的综合管理系统;是集电能表数据采集、载波传输、数据存储、数据自动GPRS方式通信、数据处理、用电负荷监测与管理、远方停送电等功能于一体的低压客户自动化管理系统。     

基于改进排列熵算法和Yamamoto算法的非侵入式用电设备状态变化检测

非侵入式负荷监测已经成为智能电网负荷监测管理的关键技术之一。用电设备状态变化过程所表现出的暂态特征是进行非侵入式用电设备状态辨识的重要依据,但其精准提取取决于用电设备状态变化的准确检测。为此,提出了一种基于改进排列熵算法和Yamamoto算法的非侵入式用电设备状态变化检测算法。首先对排列熵算法进行多尺度改进,利用多尺度排列熵的差值分析确定状态变化发生的区间,然后利用Yamamoto算法进行区间检测,定位状态变化的时刻。仿真分析结果表明,所提算法可准确检测用电设备的状态变化,有效地提高后续利用暂态特征的设备状态辨识准确率。     

基于电力大数据模糊评价的综合能源项目挖掘优选策略

随着电力体制改革和能源互联网产业发展,开展综合能源服务将是电网企业转型的重要方向.聚焦供电公司掌握客户用电负荷、电量、缴费等大数据的挖掘应用,从客户信用、客户价值、客户风险3个维度,构建了包含月均预存比例、月均欠费次数、月均停电次数等9项具体指标的综合能源项目挖掘培育评价指标体系,提出了基于电力大数据模糊评价的综合能源项目挖掘优选算法,利用电力大数据评估潜在客户的内部状况,从而为挖掘优质潜在客户提供了一定支撑.最后以8家随机客户进行案例分析,结果表明了该方法的有效性.     

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。     

基于深度自编码器的分钟级负荷数据聚类分析

在数字化电网的全面建设和电力市场持续改革的背景下，电力服务商积极开展以负荷数据聚类分析为基础的用电行为分析。为了深入分析用户的用电行为模式，提出基于深度自编码器的分钟级负荷数据聚类分析方法。首先基于信息熵重构负荷数据，保留负荷数据的形态特征和提高数据的可区分性；接着提出深度自编码器的特征提取方法，同时利用边界少数样本过采样算法生成新的训练样本，对深度自编码器网络模型进行两阶段训练；最后基于欧式距离和动态时间扭曲距离的双尺度距离，计算负荷数据特征的相似性，以双尺度距离作为K-means算法的输入数据得到负荷聚类结果。基于南京市某台区的分钟级负荷数据的算例分析表明，所提方法提高了不同负荷数据分类的准确性。     

基于特征优选策略的居民用电行为聚类方法

针对用电负荷数据聚类特征选择的有效性及互补性问题,提出了一种基于信息量准则的特征优选策略,并在该策略的基础上进行了居民用电行为聚类方法的研究。首先,将贝叶斯信息准则（BIC）和相关系数分别作为特征有效性和关联性的判据来优选聚类特征。然后,采用布谷鸟算法优化了密度峰值法的截断距离。同时,利用异常值检测的思想实现聚类中心的自动选取。最后,根据优选出来的特征集和改进的密度峰值快速搜索聚类（CFSFDP）算法对实际居民用电数据进行聚类分析,验证了所提出方法的聚类效果。不同聚类方法的实验结果表明,采用改进的CFSFDP算法得到的聚类效果最优。     

电能量负荷综合管理系统的设计与应用

介绍了桂林供电局电能量负荷综合管理系统的设计、建设及使用情况。该系统通过采用光纤、电话线、GPRS等通信方式进行自动远程采集电能表数据代替人工到现场采集数据,以公开、准确的数据记录计算并分析出用户计量装置运行情况、用电负荷变化情况、线损波动情况和用户的用电规律,系统实现了负荷预测、线损分析、故障处理及防止非法用电(如窃电现象的发生);实现对大用户和趸售县的用电管理,为营销系统提供准确、可靠的抄表计费数据,以及为营销管理、电力需求侧管理提供有效的分析数据。对客户电量管理的工作能快速、高效的开展提供了技术保障。     

基于加权表决集成聚类的居民用电行为回归分析

居民用电行为分析是深度挖掘居民需求响应潜力,提升精准电力服务水平的基础。针对居民用户电力日负荷曲线数据,提出一种基于加权表决的集成聚类方法。将4种常用聚类算法视作选民成员进行投票表决,并根据聚类有效性指标赋权从而集成成员算法的聚类结果,以结合不同算法的性能优势。提取负荷曲线特性指标对居民负荷曲线加权表决聚类得到6种典型用电模式,采用多元逻辑回归方法分析居民用电模式与其家庭特征之间的驱动联系。案例分析结果表明所提方法提高了负荷曲线聚类效果,鲁棒性更优,且用电模式与多项家庭特征间表现出显著的正或负相关联系。     

基于机器学习算法的变电站内视频监控场景异常感知

为解决变电站内视频监控场景异常感知能力弱的问题,开展基于机器学习算法的变电站内视频监控场景异常感知方法研究.通过建立变电站内视频监控场景异常映射集,基于机器学习算法,训练提取视频监控场景异常特征,感知变电站内监控视频场景异常,实现自动报警能力.实验结果表明设计方法能满足变电站安全监控的自动场景异常识别功能需求,可提供更智能化的安全监控解决方案.     

基于大数据平台的居民负荷变尺度画像技术实现与应用

传统的负荷曲线描述方法难以全面描述负荷变化特征。文章尝试采用用户画像技术进行居民负荷多尺度立体化的用电特性研究。首先,基于大数据平台中的可用数据资源,建立了表征居民负荷用电特性的标签体系。为了快速高效地获取各类典型用户特征,应用标签体系,在大数据平台支撑下,应用分布式聚类算法对海量居民用户用电数据进行聚类分析。最后,针对每类用户,文章绘制了四季的典型日和典型月负荷曲线以及年持续负荷曲线并进行了对比,同时分析了每类用户的负荷波动率和需求响应水平,以构建包含用户的用电时序规律和用电弹性特征的变时间尺度用户画像。分析结果能够可视化地描述居民负荷的时间分布特性及用户用电特性,可为合理制定电价套餐及优化用电模式提供参考。