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。     

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。     

基于关联度分析的防窃电模型研究

针对窃电形式多元化的趋势,综合现有窃电检测技术的不足,提出了基于关联度分析的窃电模型.设立失压断相预警、电量差动预警、电量波动预警、功率差动预警、电能表停走预警、电流异常预警、恒定磁场干扰预警、线损异常预警,并通过关联度分析对线损值进行判定;基于python搭建线损检测模型,可快速实现线损异常用户识别,最终验证窃电模型的准确性,降损会取得较好的治理效果.     

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。     

基于灰色分析的集抄数据异常判定

提出综合缺陷分析和失真分析的集抄数据异常判定流程,着重针对目前用电量环比波动率判据的不合理性,运用灰色分析理论构建集抄数据失真判定的两阶段法:第一阶段通过电量折算削弱季节变迁对用电环比波动率的影响;第二阶段实施灰色关联度分析判定用电模式稳定性,对用电模式稳定的用户采用灰色距离测度法估计月用电量合理区间,以此作为集抄电量异常判据。对上海市北地区8 643个计量点2015年7月的集抄数据分析,结果表明所提方法能降低气候变化或特殊用电模式造成的集抄数据异常误判,合理降低复核工作量、提高出账率;所提方法还可同时找出窃电可疑用户、一定程度上克服集抄环境下的窃电隐蔽问题。     

基于逻辑回归算法的异常用电辨识方法研究

检测异常用电的目的 是打击异常用电,并减少电能的非技术性损失.文中提出了一种基于逻辑回归算法的异常用电辨识方法,主要包括特征提取、算法构建以及检验模型等模块.提取电网用电量等相关数据,并从数据集中提取出电量下降趋势指标、线损指标和告警类指标用作异常用电评判体系.进行电量下降趋势指标、线损指标和告警类指标的归一化处理,再进行离群邻近度的计算,初步筛选异常用电用户.对初步筛选的结果进行逻辑回归算法的再次筛选,进一步提高识别准确率.经过电网部分用电数据的检验后,该算法相较于逻辑回归算法,识别率更高,识别效果更好.     

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。     

供电企业基于三层分析模型的线损异常分析及处理研究

线损精益化管理一直都是国家电网公司一项重点工作,近几年线损数据获取技术日趋成熟,但是分析方法依旧匮乏,严重影响了高损治理的效果。为解决电网运行中高损治理不佳的问题,我们提出了用大数据分析方法来解决传统线损管理问题——供电企业基于三层分析模型的线损异常分析及处理研究。首先,搭建了一个由Hampel抗差算法、加权皮尔逊算法和随机森林算法三种不同算法构成的三层线损异常分析模型;通过该模型,可以结合不同用户用电量大小不一的特点,自上而下的分析大电量异常用户和小电量异常用户。然后将该模型嵌入公司已有的线损监控平台中,可以实现对全省线损数据的实时监测、有效挖掘、深度分析、精准定位和工单管控,形成基于三层分析模型的线损异常分析及处理新方法。该方法对分析处理10 k V高损线路和0. 4 k V高损台区中效果显著。     

10kV分线线损计算模型的应用

在电量与线损管理中,配网线路的线损计算是支撑降损的关键。根据配网线路多回路、多拉手、运行方式切换频繁的现状,通过研究,本文针对典型线路分析,提出了多种分线线损的计算模型,论述了其为线损管理带来的提升,具有较强的实用价值。     

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,     

基于曲线相似度和关联分析的窃电智能识别与预警

针对近年来传统生产加工类实体企业愈加突出的窃电问题,应用用电信息采集系统、营配贯通平台及营销业务应用系统数据,以配电房线损异常波动为主线,利用关联分析算法、结果判定区间和主题权值等建立智能诊断关联分析模型,分析表计开盖、表计装拆、用户电量波动和终端异常告警事件数据,实现对窃电及违约用电异常用户的精确定位。结合实例验证了该方法的有效性,并对后续研究进行了展望。     

10 kV线损分线分层统计模型设计

随着10kV配网环网程度不断提高，在线路施工或检修时进行负荷转移的操作必将更加频繁，导致目前10kV线路分线线损统计中存在的被调电部分用户的电量无法正确划分的矛盾愈加突出。由此提出分层概念，并设计新的线损统计模型，以解决这一矛盾。     

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。     

基于协整理论的负荷预测新方法

对用电量、GDP变量系统建立了向量自回归模型,使用Johansen-juselius方法分析2个序列之间的协整关系,确定了协整向量,利用误差纠正项将无约束向量自回归模型修正为向量误差纠正模型,用极大似然估计参数完成模型的参数估计。从理论层面分析了2个变量系统的长期均衡关系和短期波动的误差纠正机制。最后运用该模型对江苏省季度数据进行预测分析。基于协整理论的负荷预测方案有效地避免了传统建模中出现的伪回归隐忧,实际算例表明,模型的预测效果是满意的。     

曲线规律(K系数)分析窃电法

正1分析方法简述曲线规律(K系数)分析窃电法是根据基层查窃经验总结出来的一种分析方法,其利用用电信息采集系统数据结合窃电现象找到曲线波动规律:台区线损率波动与异常客户用电量波动的关联(也适用于高压窃电)。经过实践证明该分析方法能精准锁定到户准确度高,推广应用价值大。2分析方法原理2.1适用范围曲线规律分析(K系数)窃电法适用于高压及低压台区普遍的窃电方式,尤其精准适用于间歇性窃电及突发性窃电,另外对单户低电压、表计故障等原因引起的台区线损异常也适用。     

高压直接量测防窃电系统的技术与管理研究

为加强用电检查及提高反窃电防范水平,需要从被动式"反窃电",转变为主动式的"防窃电"。文章选取10kV变压器安装高压量测装置,建立了智能防窃电系统分析模型,可根据不同线路线损类别、用户类型和电压等级,对线损异常和用电异常的用户进行智能化过滤与提示,从而对窃电嫌疑户进行有效定位,为现场用电检查提供重要依据,提高防窃电管理水平。     

基于概率预测的用电采集终端电量异常在线实时识别方法

电力市场环境下用电信息采集系统采集的用电量成为市场结算的重要依据。实时识别用电采集终端上送的异常电量,不但可以提升数据质量,也可以为发现采集终端的故障、识别异常用电行为提供参考。针对现有异常数据识别方法识别性能和实时性不高的问题,提出基于概率预测的电量异常在线实时识别方法。首先,在分析电量异常类型和特点的基础上,提出离线训练概率预测模型、在线实时识别异常数据的检测方法。其次,提出了基于状态空间模型的结构化用电量模型对用户用电规律进行建模,并采用变分贝叶斯推断训练模型,以实现用电量的概率分布预测。最后,利用预测标准分数衡量电量实测数据与电量概率预测结果之间的差异,从而实现异常数据的在线识别。采用实际电量数据进行验证,并与其他方法进行对比,验证了该方法的实用性和有效性。