异常用电的检测方法：评述与展望

用电侧的非技术性损失(NTL)主要由用户异常用电行为造成,一直是各国电网企业期望解决的重要问题。随着智能电表在电网中的普及,利用配电网、用户侧的量测数据实现对于NTL的高效、精准检测,受到了学术界和业界的广泛关注。首先介绍用户异常用电行为的基本模型、方法与评价指标。随后,从基于系统状态、基于数据驱动和基于博弈论三个角度对现有的异常用电行为检测方法进行系统性的梳理、分析与比较,以总结出其对于后续研究工作开展的借鉴意义。最后,对异常用电行为检测领域的关键技术进行了提炼,并对异常用电行为检测领域未来的研究工作进行了展望。     

基于小波和长短期记忆混合神经网络的电力用户异常用电模式检测

为了约束输配电系统中存在的异常用电行为,文中提出一种基于小波和长短期记忆混合神经网络的电力用户异常用电模式检测模型。提出异常用电模拟算法用于生成异常用电数据序列;利用长短期记忆网络构建特征提取网络,从用电数据中提取出不同的序列特征;以小波神经网络为核心构建模式映射网络,实现序列特征到用电模式的映射,完成异常用电模式检测。通过CER Smart Metering Project数据集测试,文章提出的异常用电检测模型与传统网络模型相比,具有更高的检出率、更低的误检率和更高的贝叶斯检出率。     

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。     

基于无监督学习的电力用户异常用电模式检测

检测异常用电模式的主要目的在于降低非技术性损失(non-technical losses,NTL),降低电力公司的运营成本。该文提出了基于无监督学习的异常用电模式检测模型,适用于电力用户数据集缺乏训练样本的情况。该模型包括特征提取、主成分分析、网格处理、计算局部离群因子等模块。首先提取多个表征用户用电模式的特征量,通过主成分分析将每个用户映射到二维平面,实现数据可视化并便于计算局部离群因子。网格处理技术筛选出低密度区域的数据点,显著提升了算法效率。该模型输出所有用户用电行为的异常度及疑似概率排序,研究结果表明利用该排序,只需要检测异常度排序靠前的少数用户即可查出大部分异常用户。     

基于深度学习的用户异常用电模式检测

针对电力用户的异常用电行为,提出一种基于深度学习的用户异常用电模式检测模型。利用Tensor Flow框架,构建了特征提取网络和多层特征匹配网络。基于长短期记忆(LSTM)的特征提取网络,从大量时间序列中提取出不同的序列特征。基于全连接网络(FCN)的多层特征匹配网络,利用提取出的特征数据,完成对异常用电数据的检测。实例分析表明,与非深度学习检测模型相比,所提模型可更加有效地完成异常用电模式检测。此外,与多层LSTM分类模型相比,所提模型具有更好的准确性和鲁棒性。     

营销移动作业新型校验仪的研制

对传统电能表的现场检测主要依赖人工进行现场数据分析和录入,易造成人为因素错误,无法实现检测工作标准化。营销移动作业新型校验仪可实现电能表接线方式和检测方式的自动识别,建立以断流、断相、失压、三相严重不平衡等信息为基础的多数据智能诊断模型,并通过与用户采集系统的用电信息进行分析和比对,自动识别诊断疑似窃电等用电异常行为;同时建立基于多数据关联技术的电能表运行异常判别模型,实现电能表运行异常自动甄别。     

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。     

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。     

基于神经网络的异常用电检测算法模型研究

电力行业大数据中蕴含了大量的事件信息,对于电力公司而言,挖掘其中的异常用电数据具有重大意义,目前的异常用电检测方法效率并不高,寻找一种高效准确的方法已成为电力行业亟待解决的问题。文章提出了基于神经网络的异常用电检测模型,利用有监督的多隐藏层的神经网络算法,对大量用户数据进行模型训练,可用于自动检测用户用电量是否正常,筛选出异常用户,为电力公司的现场核查工作提供指导,提高了异常用电情况发现的效率和查处的命中率。     

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。     

基于稳健非负矩阵分解的用电数据清洗和插补

针对运行工况下用电数据在采集和传输过程中通常存在噪声、异常值和丢失的数据质量问题,利用单一用户用电数据时空分布的低本征维和异常值的稀疏特性,提出一种基于低秩矩阵完备的数据缺失填补、降噪和异常值剔除统一处理方法框架。首先,鉴于实际中多用户用电场景和用电特征差异巨大,仅根据单一用户用电行为的内在相似性构建具有低秩特征的数据矩阵;进而,考虑列异常和稀疏异常等加性背景噪声影响,构建低秩提升正则约束的非负矩阵完备最优化模型;最后,采用交替迭代最小二乘法方式进行最优化问题求解,实现缺失数据填补和多重背景噪声消除。通过仿真分析和实验结果验证了算法的有效性和准确性。     

基于多任务联合模型的居民用电模式分类方法

识别海量居民用户的用电行为模式并进行合理分类,可为需求侧精益化管理提供辅助决策。该文提出一种基于卷积神经网络自动编码器与层次聚类多任务联合模型的居民用电模式分类方法。首先,提出基于同时刻量测数据均值的缺失值填补方法和基于季节性极端学生化偏差检验的异常点检测方法,对海量且高维的用电数据进行数据清洗与修正;其次,利用卷积神经网络自动编码器对居民用电数据进行特征提取,获取可表征用户用电行为的特征向量;然后,结合层次聚类算法以及轮廓系数指标确定用户聚类个数以及聚类中心向量,并利用聚类中心向量初始化神经网络聚类层,进行用户聚类,将特征提取过程与用户聚类过程进行联合,组成多任务学习神经网络,实现端到端的用电模式分类;最后,结合环境温度和电价影响因素,在实际数据集进行验证。     

基于智能电能表开盖事件的用电异常分析方法

为防止窃电行为给供电企业带来经济损失,充分利用智能表事件信息和电表电量等数据的关系开展用户用电异常分析,提出了一种基于智能电能表开盖事件的用电异常分析方法。以用户电能表开盖事件的时间为数据分析的时间节点,对在该时间节点前后14天的用户用电数据、台区线损数据进行分析,实现对存在异常用电用户的有效识别,并通过某供电公司的实例验证了该分析方法的实用性和有效性。     

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。     

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。