基于局部离群点检测的低压台区用户窃电识别

针对低压台区反窃电工作效率低、成本高的问题,提出了一种基于局部离群点检测的低压台区用户窃电识别方法。首先,基于线损特征搜寻与待检测台区最相似的k个最近邻台区;接着,基于k个最近邻台区的线损率分析待检测台区某段时间线损率是否异常,若线损率异常计算该台区所有用户该段时间负荷曲线之间的离散Fréchet距离;最后,基于离散Fréchet距离计算台区每个用户负荷曲线的局部离群点因子,同时采用邻域查询优化技术提高计算效率,局部离群点因子越大的用户窃电嫌疑越大。该方法输出待检测台区所有用户窃电嫌疑度排序,只需要检测排序靠前的用户即可检测出大部分窃电用户,大大提高了反窃电工作效率。     

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。     

基于相关性度量算法的台区线损异常判断及精准定位

针对台区发生线损异常时关联用户辨识困难的实际问题,提出一种基于相关性度量算法的台区线损异常判断及精准定位方法。首先,通过间隙统计-轮廓系数融合算法确定数据集的最佳聚类数,并在此基础上采用二分K-means++构建台区线损标准库;其次,基于标准库完成台区线损异常辨识,确定异常时间段;再次,计算异常时间段内各用户电量和线损的斯皮尔曼相关性系数(SCC)和欧式-离散弗雷歇距离(E-DFD),并基于SCC和E-DFD构造综合评判指标分析用户关联性;最后,采用TOPSIS算法对综合评判指标值进行排序,实现异常关联用户的精准定位。算例采用某台区真实现场数据进行分析,结果表明文中所提方法在聚类有效性、计算时间以及辨识准确度等方面具有较好的性能和优势。     

基于k-means聚类算法的低压台区线损异常辨别方法

目前电力公司对于台区线损异常的判断是当线损率超过一定阈值时为线损异常,这样的判断具有片面性和局限性。针对如何有效辨别线损异常的问题,在研究聚类算法和线损率数据特性的基础上,提出了一种基于k-means聚类算法的线损异常辨别方法。首先将低压台区线损率进行一次k-means聚类分成3类,然后根据各类数据的数量状况判断是否进行二次分类,最终根据平均线损率的大小、聚类中心的距离等因素,判断该低压台区是否存在线损异常,对聚类结果中线损率高的那一类数据的时间离散度进行分析,得到低压台区线损异常的程度。实验结果证明,该方法具有一定的实际应用效果,可以提高线损异常判断的准确性。     

基于K-Medoids聚类的分布式光伏台区线损异常感知算法

为保证分布式光伏台区稳定运行,精准有效地划分台区线损数据,提出基于K-Medoids聚类的分布式光伏线损异常感知算法,精准判断分布式台区线损异常程度。采用局部异常因子（LOF）算法判断分布式光伏台区数据局部异常程度,并筛选和去除受孤立点影响产生的异常线损数据。采取K-Medoids聚类方法聚类分析筛选后的分布式光伏台区数据,将异常线损率区间结合异常线损数据的聚类中心和欧式距离,完成台区线损异常感知。并创新性地引入粒度计算优化K-Medoids聚类算法聚类中心,提升异常数据感知效果。试验结果表明,所提算法可有效避免孤立点对异常感知效果的影响,精准有效地感知分布式光伏台区线损异常,并清晰划分台区线损数据类别。     

基于大数据分析的台区线损综合治理排查模型研究及应用

本文采用大数据分析技术,针对违约窃电行为、表计电量采集数据频繁缺失等原因导致的四类线损进行分析挖掘,构建了台区线损综合治理排查模型。应用层次聚类分析法对四类线损问题关键变量进行识别,应用皮尔逊积距相关系数法和神经网络算法对疑似用户和疑似问题进行判断。将该模型部署于移动作业应用平台,实现对线损疑似问题的现场核查,完成线损治理工作的闭环管理。     

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。     

基于数据分析的台区线损率异常判断方法

随着电网的快速发展,地区电网台区个数和用户数量正不断增加,针对台区线损率异常判断困难的问题,提出一种基于数据分析的台区线损率异常判断方法.该方法通过给出一种改进的K-means聚类算法对台区历史数据进行聚类分析,分析出台区线损率的标准形态,最后在台区线损标准形态基础上实现对台区线损率异常的自动判断.仿真结果表明,所提方法在聚类精准性等方面具有更好的性能,可实现台区线损异常的自动判断.     

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。     

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。     

基于用电信息采集数据的低压台区异常线损诊断新方法

低压配电网台区的线损分析对发现和解决异常线损问题,减小用电损失以及用户的精细化管理具有重要意义。文章基于全事件用电信息采集系统采集的真实台区数据,提出了一种新的低压台区线损诊断方法。该方法利用电网诊断规则对所采集的原始数据进行质量分析,并通过对台区线损特征地提取和分类,建立了基于电压信息的二分K-Means聚类诊断算法和基于电量信息的全局搜索诊断算法,实现了对台户异常用户的快速定位及台区线损异常的治理。通过剔除异常电表和实际检验表明,该方法具有较高的准确性和一定的实用性。     

基于数据挖掘的工业用户用电行为分析

文中以上海市部分地区工业用户为研究对象,利用数据挖掘技术分析其用电行为。根据用户档案采集和整合用电数据,同时对数据进行修复和归一化预处理;综合考虑聚类数的确定及初始聚类中心的选择这两个因素,对K-means算法进行优化;利用优化的算法对用户负荷曲线分类并提取特征曲线,分析其用电行为典型特征,并与传统的K-means算法进行比较,同时引入相关指标检验聚类效果。结果表明,采用优化的K-means聚类算法能准确实现不同用户类型的分类识别功能,可以更加准确有效的进行用户用电行为的分析。     

基于自组织中心K-means 算法的用户互动用电行为聚类分析

电力用户参与电网侧互动用电和辅助服务已成为国内外关注热点,用户互动用电行为分析是其中一项核心工作。结合自组织映射SOM神经网络和K-means聚类算法,采用一种自组织中心K-means算法用于用户互动用电行为聚类分析,能够实现更加精准识别和快速聚类。首先,对自组织中心K-means算法原理进行分析,说明其与传统聚类算法相比在用电行为聚类分析中的优势;然后,构建峰谷分时电价背景下,基于用户心理学的调节潜力指标,并分析基于负荷数据和调节潜力指标的用户互动用电行为;最后,以某电力公司管辖区域用户的日常负荷数据为研究对象,将基于自组织中心K-means算法的聚类结果与其他传统聚类方法进行对比,证明基于调节潜力指标的自组织中心K-means算法在用户互动用电行为上的精准识别和准确聚类优势。     

基于T型灰色关联度和KNN算法的低压配电网台区拓扑识别方法

针对目前低压配电网台区拓扑存在记录不准确,人工排查成本高,准确率低的问题.提出了一种基于T型灰色关联度和K-最近邻(K-nearest Neighbor,KNN)算法的低压配电网拓扑自动识别方法.首先计算用户与所属台区电压的T型灰色关联度,对低于设定阈值的可疑用户用KNN算法判断所属台区,完成户变关系识别工作.然后计算...     

基于异常点检测和改进K-means算法的台区用户相别辨识方法

解决配电台区用户线变不匹配问题是推进配电网智能化管理的关键一步。大数据技术的快速普及为实现低成本、高效率的台区用户相别辨识提供了可能。提出了基于异常点检测和改进K-means算法的台区用户相别辨识方法。首先通过局部因子算法对聚类分析数据进行预处理,剔除不属于待分析台区的用户数据。然后,根据实际应用场景特点对K-means算法进行改进,包括确定聚类个数、初始质心,并选用相关系数作为评估样本相似度的指标。最后利用改进的K-means算法对预处理后的数据进行聚类分析,实现低压台区用户相别的精准辨识。算例分析表明,所提方法能够有效提升用户辨识准确率,且在不同的数据环境中可保持较高的稳定性。     

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.     

考虑分布式光伏的低压台区线损异常辨识方法

低压配电网线损异常的辨识一直以来都非常困难,分布式光伏大量接入配电网,改变了配电网的潮流分布,更加大了低压配电网线损异常的辨识难度。提出了一种针对分布式光伏接入台区线损异常的辨识方法。首先对分布式光伏接入台区开展光伏出力等因素与线损率的灰色关联度计算,找寻光伏相关因素与线损率关联性。其次根据关联性的强弱选择合适的指标进行k-means聚类,并依据聚类结果进行离群点检测,判断台区是否有线损异常的可能性。最后通过对离群点所在簇进行时间离散度分析,得出台区的异常系数,根据异常系数进行线损异常判断。通过对含分布式光伏的典型台区进行验证分析,结果表明：该方法能够有效辨识分布式光伏接入台区的线损是否异常。     

基于多表合一的居民水电异常使用行为分析

结合Copula分布函数分析居民用户的水电用量之间的相关性,在此基础上提出基于日水、电用量距离相关系数的密度聚类水电异常使用行为分析方法,计算逐日用电量与用水量的距离相关系数来衡量其信息相关度。利用具有噪声的基于密度的聚类(DBSCAN)算法对台区用户的距离相关系数进行聚类,将水、电使用数据距离相关系数曲线与其他用户差异较大的识别为异常用户。基于实际低压台区用户水电数据的测试算例验证了所提方法的有效性。