一种基于SMOTE和XGBoost的窃电检测方案

用户侧窃电行为造成的非技术损失不仅增加了电网的运营成本,还会干扰电力系统稳态。现有的检测方案忽略了用电数据的时序性及正负样本 分布不均、维度高的问题,这将极大地影响检测的准确率。因此,提出了一种基于SMOTE和XGBoost的窃电检测方案。针对电力数据的时序性和类不平 衡的特点,利用SMOTE算法进行过采样解决了数据不平衡的问题,并构造时序特征挖掘用户用电模式;再使用XGBoost执行用电数据的特征提取和分类 过程。实验表明,通过SMOTE算法可以提高不平衡数据分类的有效性,对比于传统的检测模型,XGBoost算法在窃电检测场景的多项评价指标下均取得 了更好的效果,其中准确率提升至92.45%。     

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。     

稀疏随机森林下的用电侧异常行为模式检测EI北大核心CSCD

随着智能电网的不断推进与传感技术的高速发展,我国电网用电侧数据逐步呈现出高复杂度、高冗余度的幂指数增长态势。传统的用电行为模式检测技术已无法满足其分析处理需求。为此提出基于稀疏随机森林模型的用电侧异常行为模式检测方法。该方法首先利用时间窗函数与Bootstrap重采样,建立用电侧行为模式信息簇。其次,利用基于随机权网络的有监督学习得到随机森林模型。最后,对随机森林模型进行稀疏化,并依据异常积累量指标判定样本有无异常。仿真对比实验验证了提出的稀疏随机森林模型的精确性与高效性。此外,通过多种体量数据下的Hadoop分布式计算实验,验证了基于稀疏随机森林的用电侧行为模式检测方法对用电侧大数据的高效处理能力。     

稀疏随机森林下的用电侧异常行为模式检测

随着智能电网的不断推进与传感技术的高速发展,我国电网用电侧数据逐步呈现出高复杂度、高冗余度的幂指数增长态势。传统的用电行为模式检测技术已无法满足其分析处理需求。为此提出基于稀疏随机森林模型的用电侧异常行为模式检测方法。该方法首先利用时间窗函数与Bootstrap重采样,建立用电侧行为模式信息簇。其次,利用基于随机权网络的有监督学习得到随机森林模型。最后,对随机森林模型进行稀疏化,并依据异常积累量指标判定样本有无异常。仿真对比实验验证了提出的稀疏随机森林模型的精确性与高效性。此外,通过多种体量数据下的Hadoop分布式计算实验,验证了基于稀疏随机森林的用电侧行为模式检测方法对用电侧大数据的高效处理能力。     

机器学习算法在反窃电分析中的应用

针对现阶段利用高科技手段进行窃电的行为,提出了基于机器学习算法构建的反窃电模型,分析用户用电数据、异常事件以及线损,介绍随机森林算法以及其在反窃电分析中的应用,通过进行验证测试,认为随机森林算法在反窃电领域可行、有效。     

电力用户异常用电的深度神经网络检测方法

以电力用户异常用电为代表的电力系统非技术性损耗通常会造成供电公司运营成本的显著性上升。首先,提出一种电力用户异常用电的深度神经网络检测方法,根据电力用户用电负荷特性采用深度置信网络（DBN）对原始的电力负荷数据进行特征提取并获取符合特征,其次,基于极限学习机（ELM）完成特征分类,从而建立电力用户异常用电检测基础模型。最后,提出一种采用改进果蝇优化算法（IFOA）对DBN的网络权重与层间偏置参数进行寻优,由此获得基于IFOA-DBN-ELM的电力用户异常用电检测模型。实验结果表明：所提方法的准确率、精确度和检出率显著高于其他方法,误检率低于其他方法,能够较为准确地检测出具有异常用电行为的电力用户,有助于降低供电公司的运营成本。     

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。     

基于深度森林算法的窃电行为检测方法研究

深度学习在窃电行为检测领域的研究中应用越来越多,但传统的基于神经网络的深度学习因需要大量的训练样本、调参过程复杂等原因应用十分受限。首次将深度森林分类算法引入窃电行为检测领域,利用其依赖训练样本量小、超参数少、计算效率高的优点,结合从电量、电压、电流、功率因数等数据提取的特征检测用户是否存在窃电嫌疑。通过某地区用电信息采集系统提供的负荷数据,验证了所提窃电行为检测模型的有效性。     

应用大数据技术的反窃电分析

目前窃电现象严重且窃电手段先进,但反窃电手段仍以人工稽核为主,存在工作量大、取证困难和缺乏针对性等问题。为了解决上述问题,利用供电企业积累的大量客户档案数据和历史用电数据,通过二阶聚类分析窃电用户的定性特征,用深度学习和CHAID决策树分类评估用户的窃电嫌疑概率,根据异常值分析手段为疑似窃电行为取证提供依据。实践表明,本方案缩小了窃电嫌疑用户范围,减少了防窃电的工作量,提高了稽核针对性,且为供电单位进行窃电侦查提供了依据,从而减少了供电企业财务损失,保障电网运行安全。     

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。     

基于非侵入式负荷监测的反窃电预警方法

为了有效检测用户是否存在窃电行为,文中对用户用电行为展开分析,提出一种基于非侵入式负荷监测的反窃电预警方法。在该方法中,首先利用负荷事件检测、特征提取以及meanshift聚类方法,获得用户各个负荷特征、类别等情况,建立负荷类别对比库以及窃电概率预测模型;其次,根据所建立的窃电行为模型,通过对窃电后的负荷投切事件、使用时长、能耗等进行概率估计,并采用贝叶斯理论对用户用电行为进行推断,实现窃电监测。最后,在实际的电能表数据上采用文中方法进行测试,文中方法能够为反窃电提供数据支持,进而为新一代智能电表反窃电应用奠定基础。     

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。     

基于非侵入式负荷监测的居民侧灵活性资源评估方法

居民用户具备巨大的灵活性潜力,充分挖掘并合理利用居民侧灵活性资源有助于提升电网的灵活性。本文利用低频功率数据和深度学习模型,提出了一种基于非侵入式负荷监测的居民侧灵活性资源评估方法。首先,采用功率波动-跳变事件检测算法,实现对电器用电事件的定位和功率数据获取。其次,将时域卷积网络(Time Convolutional Networks,TCN)和门控循环单元(Gated Recurrent Unit,GRU)相结合,借助TCN的数据特征提取能力和GRU的非线性拟合能力,构建TCN-BiGRU负荷识别算法,以有效区分不同电器的用电负荷。然后,利用负荷识别结果对用户总功率信号进行分解,建立设备状态矩阵、设备概率矩阵和设备习惯使用区间矩阵,获取各个电器的用电信息,分析用户用能行为,得到居民侧灵活性资源评估详细结果。最后,通过实际居民用户数据验证了所提出方法的实际有效性。基于本方法所得的灵活性资源评估结果可为居民需求侧响应提供辅助决策。     

基于改进深度自编码网络的异常用电行为辨识

为准确检测异常用电行为以降低电力公司的运营成本,提出一种基于改进深度自编码网络的异常用电行为辨识方法。首先将正常用户的用电数据作为训练样本,自编码网络逐层学习数据的有效特征;然后重构输入数据以计算检测阈值,而由于异常用电行为破坏数据的特征规则,再通过对比重构误差与检测阈值的差异即可实现异常用电行为辨识。为了改善自编码网络的特征提取能力与鲁棒性,分别引入了稀疏约束和噪声编码,并利用粒子群算法优化网络的超参数以提高模型的学习效率和泛化能力。选用福建省某地区居民用电和商业用电数据集进行了验证,这一模型的异常行为检测的准确率高于92%。实验表明所提方法具有优异的特征提取能力和异常用电行为辨识能力。     

基于高维随机矩阵的配电网用户侧用电行为分析

为了准确掌握配电网用户侧异常用电行为以及智能电表的故障情况,基于随机矩阵理论进行低压用户侧智能电表的数据分析与建模,以高维数据统计指标对用户侧的用电数据进行状态表征,在此基础上提出一种低压配电网用户侧异常用电及电表故障诊断分析方法。该方法通过对随机矩阵特征根平均谱半径(mean spectral radius,MSR)指标的分析,给出了随机矩阵原理应用于用户用电异常区域定位的具体步骤,同时也可以实现用户侧用电异常时刻点的特征发现。最后,以某用电台区智能电表历史与实时量测数据为实际算例,分别在不同采样时刻点与不同用户处设置用户窃电与电表损坏等异常用电类型进行计算分析,结果证明了所提方法的有效性与适用性。     

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。