基于改进XGBoost模型的低误报率窃电检测方法

以降低窃电检测误报率为目标,提出一种基于贝叶斯优化和改进XGBoost模型的窃电检测方法。首先根据用电信息采集系统和营销系统数据构建了窃电检测指标,然后采用XGBoost模型作为分类器,添加Focal Loss和增加分类阈值的方式用于优化模型。在此基础上,以验证集的马修相关系数为目标函数,利用贝叶斯优化调参求出最优Focal Loss参数和分类阈值,进一步降低检测方法误判率。基于实际电力用户数据进行数值仿真,结果表明所提方法比Adaboost、BP神经网络、SVM具有更高的准确率。     

基于多异学习器融合Stacking集成学习的窃电检测

针对窃电检测中用户用电数据类别不平衡、采用投票法作为结合策略的集成学习方法无法充分发挥多个不同学习器优势等问题,提出一种利用Stacking集成学习融合多异学习器的模型应用于窃电检测。首先,从影响电量计量的因素出发,根据常见的5种窃电方法模拟6种窃电行为模式;其次,采用合成少数类过采样技术(SMOTE)对不平衡的用电数据进行处理,并利用K折交叉验证法对平衡后的训练集进行划分以缓解因重复学习造成的过拟合;然后,使用评价指标和多样性度量优选模型的不同初级学习器和元学习器,构建融合不同学习器优势和差异的Stacking集成学习窃电检测模型;最后,算例对比分析结果表明所提窃电检测模型能有效解决用电数据类别不平衡,充分发挥不同学习器的优势,评价指标良好。     

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。     

基于实值深度置信网络的用户侧窃电行为检测

用户侧窃电行为造成的非技术性损失对电网企业危害重大,不仅会影响电力系统的供电质量,还会增加电网的运营成本。为了辅助电网公司提高用电稽查效率、管理用户规范化用电,提出了基于实值深度置信网络的用户侧窃电行为检测模型。实值深度置信网络具有提取抽象特征的功能,并通过前馈神经网络微调后可实现较高分类精度。为了优化实值深度置信网络因随机初始化产生的局部最优化问题,该模型通过萤火虫算法对网络参数全局寻优。针对用户窃电行为检测,该模型利用因子分析进行数据降维,利用随机欠采样和套索算法应对数据不平衡问题,并利用ROC(receiver operatingcharacteristiccurve)曲线选取该模型的检测阈值。最后仿真实验验证了所提出模型的有效性和精确性。     

基于生成式对抗网络的窃电检测数据生成方法EI北大核心CSCD

日益增长的用户侧用电数据为基于数据驱动的窃电检测方法奠定了基础,然而窃电检测数据固有的不平衡性质会影响该类方法的性能。针对窃电检测的数据不平衡问题,提出一种基于Wasserstein生成对抗网络(wasserstein generative adversarialnetwork,WGAN)的窃电样本过采样方法,通过WGAN生成器与判别器的对抗训练,神经网络能够学习到窃电负荷序列难以显式建模的时间相关性,生成与真实窃电样本具有相近分布的合成样本。采用WGAN训练期间生成的多组窃电样本对原始窃电样本进行增强,使用卷积神经网络在多组增强训练集上进行训练,选择在验证集上取得最高AUC值的增强训练集,最后在其上训练分类器实现窃电检测。所提方法在某电力公司提供的真实数据上进行了实验测试,结果表明相比于随机过采样、SMOTE和ADASYN等方法在检出率、误检率、F1测度以及AUC评价指标上有明显提升。     

基于先验知识与DBM采样的类不平衡用电数据分类方法

智能电网建设过程中现有客户标签体系不够完善,针对海量用户用电数据的分类管理中带有标签的样本数据量小以及类不平衡分布的问题,提出了一种基于先验知识与深度玻尔兹曼机(DBM)采样的不平衡用电数据分类方法。首先,提取负荷曲线的特征,建立采样原则,利用先验知识和DBM对负荷曲线进行采样。然后,将采样数据通过极限学习机(ELM)网络进行训练。最后以爱尔兰用户用电数据为数据源,通过与原始非采样、随机过采样、合成少数类过采样技术(SMOTE)的对比性实验分析结果表明,所提出的基于先验知识与DBM采样的不平衡用电数据分类方法能够更好地对类不平衡用电数据集进行分类,实现用户用电行为的分析,有效支撑用户侧错峰避峰工作。     

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。     

基于重加权策略平衡损失与LSTM的窃电行为检测研究

窃电行为是导致电能损失与电力企业经济效益降低的重要原因。针对窃电问题,提出了一种基于有效数量加权策略的损失函数,改善数据集分布不均衡导致训练模型泛化性能下降的问题;基于该策略,设计了基于长短期神经网络的时间序列分类模型,用于用户日用电量的窃电行为检测任务;采用用户日用电量真实数据进行实验测试,结果表明基于有效数量的加权策略可一定程度解决数据集不平衡导致的模型泛化性下降问题。与现有方法相比,所提方法在精确度上有所提高,对窃电行为检测具有有效性与可行性。     

面向能源互联网终端用户的异常数据检测方法

随着能源互联网的持续推进,电力系统的信息化程度不断提高,用户侧电量数据迅速增长,为开展基于大数据分析技术的用户用能特征检测提供了数据基础.针对传统的用户异常用电模式检测模型存在投入高、效率低的问题,提出了包含数据清洗特征筛选模型训练的用户异常用电全周期检测模型.为了综合考虑用户异常用电模式的影响因素,建立了包含负荷曲线...     

基于Bagging异质集成学习的窃电检测

针对传统窃电检测中单一分类方法的不足,提出一种基于Bagging异质集成学习的窃电检测方法.考虑不同个体学习器在数据集上的表现以及各学习器之间的多样性,构建多种个体学习器嵌入的Bagging异质集成学习的窃电检测模型,模型的个体学习器包含k最近邻、误差反向传播神经网络、梯度提升树和随机森林,通过引入改进加权投票策略将其输出进行结合.使用爱尔兰智能电表数据集对算法有效性进行验证.结果表明,与传统单一学习器和同质集成学习检测相比,基于Bagging异质集成学习的窃电检测方法的准确率、命中率、误检率等检测指标更好,灵敏性分析验证了基于Bagging异质集成学习的窃电检测方法的有效性.     

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。     

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。     

基于多模型融合Stacking集成学习的异常用电检测方法研究

针对单一异常用电检测方法对于存在不平衡性的数据集检测效率普遍不高的问题,提出了一种基于多模型融合Stacking集成学习的异常用电检测方法.首先,以居民用电数据作为研究对象,分析用户在习惯上表现的不同特征,结合不平衡处理技术和分类预测算法进行研究;其次,为了提高模型的整体性能,采用量子遗传算法对集成学习模型中的参数做优...     

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。