基于向量自回归模型的高损线路窃电检测

接入配电线路的用户窃电将直接导致分线线损电量异常波动,因此用户用电量与分线线损电量间存在长期动态互动。该文提出基于向量自回归模型检测造成线损波动的异常用户的方法。首先,运用边限协整检验分析线损电量和用户用电量的长期均衡关系;然后,构建线路线损电量与接入用户用电量的向量自回归模型,计算脉冲响应函数分析线损电量与用户用电量的动态作用机制;再通过方差分解分析线损电量与用户用电量间冲击作用的贡献度,将对线损电量有显著影响且波动贡献度最大的用户识别为窃电用户;最后,结合实际高损线路用户数据识别窃电嫌疑用户,并运用现场稽查的手段验证了所提方法的有效性。     

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。     

基于格兰杰归因分析的高损台区窃电检测

配电台区中,用户窃电将增大台区线损电量,窃电电量直接对应非技术线损,并与台区线损电量间存在因果关系。分析指出,常见窃电手法中窃电用户的窃电量多与电表计量电量呈正相关关系,这将使得线损电量与窃电用户的计量电量之间存在隐含的因果关系。以此为基础,提出基于格兰杰归因分析的高损台区窃电检测方法。通过协整检验及格兰杰检验分析用户用电量与台区线损时间序列间的长期趋势及格兰杰因果关系,将对台区线损影响突出的用户识别为窃电用户。基于实际高损台区和高损线路用户数据的测试算例和现场稽查验证了所提方法的有效性。     

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。     

基于高斯核密度估计法的路灯窃电检测方法

散落在道路周围的路灯易被窃电,而路灯窃电检测与普通用户窃电检测有显著差异.路灯负荷一般由专用变压器供电,是一种仅有供电计量、没有下级用户计量的特殊负荷,因此很难识别因窃电造成高损耗的路灯专变.在深入分析路灯专变负荷特性的基础上,提出了一种基于高斯核密度估计法的路灯窃电检测方法.首先,分析路灯负荷的用电特性.然后,计算了路灯负荷的不同计量时间间隔用电量数据的累积波动量,通过直方图阈值法初步设置阈值将用电负荷分类后,再利用高斯核密度估计法求取最优阈值.最后,以长沙某地区路灯专变负荷对所提方法进行验证,结果表明所提方法能有效地检测出窃电用户.     

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。     

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.     

基于BRB和LSTM网络的电力大数据用电异常检测方法

为了降低电力公司的运营成本,针对非技术性损失(non-technical loss, NTL),提出一种基于置信规则推理(belief rule-based,BRB)和长短记忆网络模型(long short-term memory,LSTM)的用户窃电行为诊断方法。该方法首先从用电量大数据中提取电量波动系数和用电量曲线的毛刺宽度两种用电异常特征,制定BRB异常特征输入前置属性转换,并通过证据推理(evidential reasoning,ER)方法输出最终的置信度,建立适用于NTL异常检测的置信规则库,从而自动获取具有高鲁棒性的有标签正负样本训练数据集。接着,以此为基础,提出构建一种多LSTM网络检测模型,实现对异常用电特征的有效提取与检测。实验结果表明,与现有的主流网络故障检测模型相比,所提方法能够更准确地从电力大数据中诊断出用户的异常用电行为。     

基于ISSA-SVC的配电网高损台区窃电检测方法研究

针对现有的基于机器学习的用户窃电行为检测方法检测效率和准确率不高等问题,提出一种基于改进麻雀搜索算法(improved sparrow search algorithm, ISSA)优化支持向量分类机(support vector classification, SVC)参数的ISSA-SVC窃电检测模型。首先,该模型通过分析台区每一天的线损率与窃电电量、窃电用户计量电量与窃电电量、窃电用户计量电量与线损电量、台区供电量与窃电电量、用户最近一天用电量和相邻几天用电量、具有相似特征用户用电量曲线的相关性提取用户窃电特征参量。其次,利用动态时间规整(dynamic time warping, DTW)方法计算得到它们的相关系数。最后,采用ISSA优化SVC惩罚参数C和核参数g,并对台区内窃电用户进行检测。仿真算例与实际电网数据分析表明,所提方法与传统的窃电检测方法相比,具有更高的效率和准确率。     

基于向前逐步回归的高损线路窃电检测

准确高效的窃电稽查不但需要准确识别窃电用户,还要提炼异常用户窃电的详细信息。既有高损线路窃电检测研究主要围绕窃电用户检测识别展开研究,难以为现场稽查提供其他必要的信息。该文提出一种基于向前逐步回归和虚拟变量的高损线路窃电用户识别方法。首先,运用线性回归分析线损电量和下属各用户的函数关系,并进行多重共线性的检验;然后,针对下属各用户之间可能具有相关的共同趋势,采用向前逐步回归建立最优线性回归模型修正多重共线性;最后,引入虚拟变量识别不同时段窃电比例不同的用户,从而提供用户窃电的时段信息。算例仿真结果证明所提方法的可行性与有效性。     

防窃电仿真试验平台设计与实现

日趋专业化隐蔽化的窃电手段使得防窃电工作的难度增大,为此提出了一种防窃电仿真试验平台的设计与实现方案,该仿真试验平台主要由带窃电模拟装置的计量单元、集中控制系统和防窃电产品检测系统三部分构成。仿真试验平台基于现场用户计量环境,设置了专变高供高计用户、专变高供低计用户、公变、低压三相用户及低压单相用户等多个计量单元。可模拟复现多种典型窃电方式,并能开展防窃电产品检测及防窃电策略的验证工作,为防窃电技术发展提供的有力的工具。     

基于皮尔逊相关系数法的台区窃电精准分析

正针对台区损失电量与用户用电量、台区线损率与用户用电量之间的变化关系,利用皮尔逊相关性系数进行量化,并基于Excel利用VBA语言编写相关程序,实现高损台区异常用户的一键分析,提高科学反窃成效。皮尔逊相关性系数(Pearson)判断原理:Pearson其值在(-1,1)之间;Pearson越接近于1,代表呈正相关,即该用户窃电或因计量异常少计电量的嫌疑程度越高;Pearson越接近于-1,代表呈负相关,即该用户间断性窃电或户变关系异常的嫌疑程度越高;Pearson越接近于0,     

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。     

精准反窃电的分析与研究

正国网株洲供电公司(以下简称株洲公司)积极落实国家电网公司提质增效要求,充分利用营销大数据平台,收集10kV配电线路线损异常、电力客户用电异常数据信息,通过对典型窃电接线方式、10kV线路线损特征的研究,编制10kV专变客户窃电校验规则,创新实现专变反窃电精准定位,完善低压反窃电方式方法,逐步打造智能化、数据化、自动化的精准反窃电模式。     

数字化电能表信息采样中的反向电量异常识别方法

针对目前识别方法准确性和全面性较低的问题，提出一种数字化电能表信息采样中的反向电量异常识别方法。通过用电信息采集系统召测数据，完成数字化电能表信息采样工作，并实施缺失值填补、数据标准化等预处理。以处理好的数据为基础，计算电能表状态特征，包括用户用电量变化、电压量/电流量、有功功率等三个维度的特征指标，利用AdaBoost算法构建分类器，实现反向电量异常识别。结果表明：所研究方法应用下，F1分数值更高，能更为准确且全面地检测出用户窃电行为，为窃电用户便捷查找与预防预控提供了可靠的依据。     

考虑分布式电源入网的反窃电综合管理方法

针对分布式电源入网给反窃电工作带来的新困难,提出了一种考虑分布式电源入网的反窃电综合管理方法,基于线损率标杆值确定台区窃电严重程度,挖掘用户实际用电需求筛选出用电量异常用户,锁定窃电怀疑范围,最后利用数据挖掘手段进一步分析重点怀疑用户用电特征,从而甄别出窃电用户.通过算例验证了方法的有效性和准确性,有助于电力营销部门锁定稽查重点.     

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。     

数据驱动下窃电智能分析系统的研究

近年来,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。文章基于数据挖掘思想,针对行业分类及用户特征,对海量的多元计量 数据进行分析,从中挖掘出窃电用户的关联性多维度特征参量,基于神经网络构建数据驱动下的窃电预测模型。实验表明该方法具有较高的工程应用价值,为窃电预测提供了一种有效的方法和途径。     

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。