基于LOF+SVM的异常用电用户分阶段识别方法

准确的电力异常用户识别方法能为供电企业锁定存在窃电行为或其他违规行为的电力用户提供参考。大多数基于机器学习的异常识别模型采用了无监督算法，但模型的准确度还较低。针对上述问题，提出一种结合无监督的局部离群因子（LOF）算法与有监督的支持向量机（SVM）算法的两阶段异常用电用户识别方法。基于分析异常电能表区别于正常电能表的电流电压表现，构建异常识别模型的输入特征；采用无监督的LOF算法进行采样，筛选出可疑样本交给人工进行标记，然后利用标记样本训练有监督的SVM模型；在之后的检测工作中，直接将LOF算法筛选出可疑样本交给SVM模型进行识别。实例结果表明，该方法对电力异常用户的识别准确度高，对供电企业的窃电稽查工作具有指导意义。     

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。     

基于用电特征分析的窃电行为识别方法

反窃电作为供电企业用电管理工作的核心构成部分,在剖析和处置用户窃电行为数据的基础上,研究出一种基于用电特点剖析的窃电行为鉴别手段,能明显提升搜集数据的合理性。本文主要围绕窃电行为识别方法的总体设计构思展开分析,通过用户用电量多指标综合评分等手段,利用大数据算法对目标用户的用电行为特征加以分析,在此基础上建立相应的特征模型,创新提出了基于用户行为特征大数据的用电异常识别技术路线,并探究其具体建设过程,旨在提高供电水平,促进企业可持续发展。     

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.     

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。     

基于t-SNE降维和放射传播聚类算法的低压配电网相位识别

智能电表的广泛普及和高级测量体系（advancedmeteringinfrastructure,AMI）的建立为分析配电网运行情况提供了大量监测信息与测量数据，而台区用户的相位信息变动又为准确掌握台区运行情况带来难题。针对台区用户的相位识别问题，提出了一种基于用户电压数据的t分布随机邻接嵌入（t-distributed stochastic neighbor embedding,t-SNE）特征提取及放射传播（affinity propagation,AP）聚类算法的相位识别方法。先对提取出的用户电压数据进行Z-score数据标准化处理，由t-SNE降维提取出数据特征，再采用放射传播聚类算法对用户进行相位识别。选取某市2个小区进行算例分析，采用评价指标比较了不同识别方法的识别效果，并分析了数据采集频率和计量误差对识别效果的影响。实际台区算例分析验证了所提方法的准确性，说明所提方法能够有效解决台区用户相位识别问题。     

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。     

基于模糊聚类的异常用电行为识别研究

窃电等异常用电行为的识别是用电检查的重点和难点。由于数据采集问题,以往研究大多专注于大客户窃电行为方面,对居民窃电行为的研究相对较为薄弱。针对小用户级别的窃电等窃电监测问题,提出一种基于聚类的异常用电行为识别方法。该方案首先从智能电表收集的数据中提取用电特征,然后使用模糊聚类分析数据结构,提取出正常用户的行为特征。在真实数据集上的实验结果表明了该方法的有效性。     

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...     

基于大数据和机器学习的用电异常行为分析系统总体架构

用户用电异常行为不仅对接入设备和用户本身产生影响,更会危及电网的正常运行,因此对用电异常行为的分析至关重要。基于大数据和机器学习技术,设计了一种用电异常行为分析系统,并提出了系统设计的总体框架和相关配置。所设计系统对用户用电的用电量、电压质量、负载及三相不平衡率、无功及功率因数等方面可以进行异常分析,并以可视化的方式向管理员和用户展示。同时,对高风险用户进行预警和跟踪处理,对窃电行为展开调查分析。本系统可以有效分析用户用电异常行为及进行窃电预警,对电网稳定运行起到关键作用。     

遗传优化支持向量机在软件缺陷预测中的应用

软件开发过程中对软件模块的可靠性进行预测可以有效地提高软件的质量。支持向量机可应用于建立软件缺陷预测模型。为提高预测模型的分类准确度,利用遗传优化算法选择出最优属性子集,从而降低数据样本中冗余属性带来的不利影响,利用支持向量机建立了一种高效的软件缺陷预测模型。实验结果表明,基于遗传算法和支持向量机建立的预测模型能够为软件缺陷预测提供较高的预测精度和效率,有着良好的应用前景。     

考虑风电功率爬坡的功率预测-校正模型

随着大规模风电接入电力系统,风电功率爬坡事件对电网的安全稳定运行带来一定的影响。研究爬坡事件发生时的功率预测已越来越迫切。基于极限学习机理论,提出了一种考虑风电功率爬坡事件的超短期功率预测和校正模型。首先,利用最优旋转门算法对当前爬坡事件进行识别,提取爬坡事件特征值,建立模糊C均值聚类模型以得到同类数据,在此基础上,采用极限学习机算法对上述数据进行训练、预测,通过元组向量时间扭曲法在历史风电功率预测爬坡事件库中寻找与当前风电功率预测结果相似的爬坡事件,得到功率预测历史相似爬坡事件。最后,利用功率预测历史匹配值与实际值之间的特征值误差,对风电功率预测结果进行修正。算例表明,所提方法可准确识别风电功率爬坡事件、有效提高风电功率超短期预测精度。     

基于PSO-SVM算法的风电机组结冰故障诊断

针对不平衡数据进行处理,结合自适应邻近的混合重取样的方法处理原始数据中小类数据,增加小类数据的有效实例;设计了一种基于相似函数的欠采样算法处理,减少大类数据的重复性数据,在不改变数据高信息性的情况下对数据降维,最后将特征数据导入到支持向量机中采用粒子群算法对参数进行优化。实验结果表明,特征量的提取在该模型中预测性能达到79.21%,在极限学习与随机森林（RF）算法中提升度为22.93%与48.83%,均有显著的提升,为风力机叶片结冰故障诊断提供了新的思路。     

基于鲸鱼算法优化极限学习机的微电网故障诊断

提出一种基于鲸鱼算法优化极限学习机的微电网故障诊断方法。首先利用小波包分解对三相故障电压进行分析,计算小波包能量熵组成特征向量作为数据样本;然后通过鲸鱼算法优化极限学习机建立诊断模型对故障类型进行识别和诊断。最后利用鲸鱼算法优化极限学习机的输入权值和隐层神经元阈值,解决了输入权值和隐层神经元阈值随机初始化易影响网络性能的问题,可进一步提高网络的学习速度和泛化能力,有利于进行全局寻优。仿真结果表明,与BP神经网络、RBF神经网络和ELM相比,基于鲸鱼算法优化极限学习机建立的故障诊断模型学习速度更快、泛化能力更强、识别精度更高。     

电能计量装置故障诊断中ISOA-SVM算法实现

随着用电需求增大,电能计量装置的可靠性与安全性备受关注。针对电能计量装置的故障诊断正确率低的难题,研究设计了一种改进海鸥算法优化支持向量机（ISOA-SVM）模型。为弥补海鸥优化算法（SOA）的不足,提出了寻优性能较好的改进海鸥优化算法（ISOA）。采用ISOA优化SVM的内部参数,构建了基于ISOA-SVM算法的电能计量装置的故障诊断模型。实验结果为在相同评价指标下,ISOA-SVM模型的50次故障诊断的平均值高达96.575%,较PSO-SVM、SOA-SVM、SVM及ELM模型的故障诊断正确率提高了6.681%、5.63%、11.95%和12.79%,表明研究所设计的ISOA-SVM算法鲁棒性强,故障诊断性能良好。     

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。