一种基于电能表误差和窃电分析的线损分层定位方法

针对低压台区线损治理周期长,高损点定位不准确等问题,提出了一种基于电能表误差和窃电分析的线损分层定位方法。该方法在传统线损分层定位方法的基础上,引入理论线损计算方法,构建了基于基尔霍夫定律的台区线损分层计算模型,实现线损的分层计算,确定高损范围,设计电能表误差分析模型,在高损范围内筛查出误差异常电能表,实现台区高损点定位;最后设计电能表窃电分析方法,通过挖掘与窃电行为相关的告警事件频繁项集,进一步对高损点进行验证,并确定其高损原因。该方法采用50个台区的实际数据进行验证,台区线损分层计算模型准确率为100%,电能表误差分析计算模型的准确率为88.5%,电能表窃电分析模型准确率为92%。     

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...     

基于营配数据分析的台区窃电识别和线损评估方法的研究

针对当前窃电识别和线损评估方面存在的数据分析方法单一、精确度不足的问题,首先对营配数据进行融合分析,提取出台区的窃电特征和线损特征;然后提出了基于自适应遗传算法优化的SVM窃电识别方法和基于LM算法改进的WNN线损评估方法,并通过仿真分析了方法的性能;最后结合实际算例展开分析,验证了所提方法应用于台区窃电识别和线损评估的有效性和准确性。     

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。     

基于大数据平台的电网线损与窃电预警分析关键技术

提出了一种基于营配调贯通的海量数据分析技术,采用电力大数据平台关键技术构建电网线损与窃电预警分析系统,实现线损的一体化计算、分析与展示。在线损计算结果的基础上,综合利用电网企业现有海量数据,通过采用Hadoop离线分布式计算、Spark内存计算等大数据技术对线损率异常线路或台区进行深度挖掘,识别出可能存在的窃电行为,为供电企业反窃电稽查提供窃电预警和数据支持服务,进一步提升供电企业的经营效益。本系统的构建为大数据技术在电力行业的应用进行了验证和实践。     

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。     

数据驱动下窃电智能分析系统的研究

近年来,随着智能电表的推广及用电信息采集系统建设的逐步完善,电网公司积累了海量用户用电数据, 为大数据技术在电力领域的应用提供了基础。文章基于数据挖掘思想,针对行业分类及用户特征,对海量的多元计量 数据进行分析,从中挖掘出窃电用户的关联性多维度特征参量,基于神经网络构建数据驱动下的窃电预测模型。实验表明该方法具有较高的工程应用价值,为窃电预测提供了一种有效的方法和途径。     

数据驱动下窃电智能分析系统的研究

随着智能电表的推广及用电信息采集系统建设的逐步完善,电网公司积累了海量用户用电数据,为大数据技术在电力领域的应用提供了基础。基于数据挖掘思想针对行业分类及用户特征,对海量的多元计量数据进行窃电用户分析,从中挖掘出窃电用户的关联性多维度特征参量,建立神经网络构建数据驱动下的窃电预测模型。系统测试验证了预测窃电值与实际窃电值有很高的吻合度,在一定程度上反映了模型预测的准确性。     

基于深度混合注意力网络的窃电检测

窃电检测旨在识别和检测非法或未经授权的电力使用行为。在智能电网技术高速发展的背景下,如何实现准确的窃电行为检测,是学术界和工业界广泛关注的一个重要问题。针对已有方法依赖人工特征设计以及低层特征提取能力不足的问题,提出了一种基于深度混合注意力网络的窃电检测方法,将通道注意力和自相关注意力机制相结合,在不同层次和空间范围内捕捉数据中的时间依赖性和周期性等复杂特征。所提模型在低层使用通道注意力网络来增强低层特征的表达能力,在中间层使用自相关注意力来捕捉全局上下文信息,并利用自监督方法来学习注意力参数,从而提取出更具表达力和判别力的特征表示。在中国国家电网数据集上进行实验所获得的结果表明,所提出的方法在AUC以及F1等性能指标上取得了更好的效果。     

防窃电智能检测系统的研制

本系统以高压侧的电流、电压作为电能计量对象，从而克服了以低压侧为基础的通常防窃电产品所具有的一些弊端。文中介绍了系统的结构、工作原理，并对其关键技术之一供电电源的低功耗设计作了详细说明。     

考虑分布式电源入网的反窃电综合管理方法

针对分布式电源入网给反窃电工作带来的新困难,提出了一种考虑分布式电源入网的反窃电综合管理方法,基于线损率标杆值确定台区窃电严重程度,挖掘用户实际用电需求筛选出用电量异常用户,锁定窃电怀疑范围,最后利用数据挖掘手段进一步分析重点怀疑用户用电特征,从而甄别出窃电用户.通过算例验证了方法的有效性和准确性,有助于电力营销部门锁定稽查重点.     

用户侧窃电检测关键技术

用户侧的窃电行为是非技术性电能损失的主要原因,并且影响配电系统的运行安全性。文中对用户侧窃电检测关键技术作了分类总结,指出了当前研究的挑战和发展方向。首先,阐述了电能计量的基本原理,介绍了随计量设备升级而新出现的常见窃电方法;然后,分析了基于电气模型与计量设备的窃电检测技术在实际工程应用中的各自优势和不足;接着,对比和总结了已有基于数据驱动的窃电检测研究中基于样本学习、异常分析和状态估计的研究方法和适用范围;最后,探讨了当前窃电检测技术在输入数据、性能评估和应用场景等方面面临的关键问题和挑战,并在窃电定位、模型泛化、策略生成和隐私保护等方面对窃电检测研究方向进行了展望。     

对防治法人单位窃电行为的思考

针对法人单位窃电问题,对其产生的原因及窃电方式进行分析,提出防治对策,为供电企业提供一些防治单位窃电的方法和思路。分析结果表明：防治法人单位窃电是一项长期的工作,防治法人单位窃电应贯穿于用电管理的全过程。     

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。     

基于典型窃电用户相似性检索的窃电行为检测方法

从窃电用户数据的波动形态角度出发,提出一种基于典型窃电用户相似性检索的窃电行为检测方法.首先,利用动态时间弯曲对窃电用户的用电数据进行相似性量度,得到窃电相似度矩阵.其次,结合窃电相似度矩阵,利用近邻传播聚类方法对其进行聚类划分,实现窃电用户自动聚类,并利用簇中心作为典型窃电用户.最后,利用典型窃电用户在电力数据库中的...     

专线客户线损的调查分析及处理

文章通过对专线客户线损的分析,详细阐述了负线损存在的原因,并对客户窃电在线损率上的表现形式做了简单阐述,结合实际提出了解决负线损的办法以及防范窃电行为的措施。     

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%。