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...     

基于线损协方差分析的群体性固定比例窃电行为检测方法

当一个配电台区内存在多个固定比例的窃电用户时,台区的非技术线性损耗（NTL）将由这群窃电用户的窃电量共同决定。目前根据NTL相关性强弱排序的检测方法在这一场景下有可能失效。首先,为了解决这一问题,文中发现了台区NTL和固定比例窃电用户表计数据的相关性存在着一种递增现象,并论证了这一现象成立的充分条件。以此为基础提出了基于协方差分析的窃电检测方法。通过标准化处理后的协方差来衡量NTL与用户电量之间的相关性,以求解一个组合优化问题的方式,实现对固定比例窃电用户的搜寻。然后,设计了该方法在实际应用过程中的运行框架和检测方案。最后,基于中国某省电力公司提供的实测数据和窃电模拟实验平台生成的窃电数据验证了所提方法的有效性。     

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。     

配电台区在线线损分级管理和智能异常分析设计

用电信息采集系统根据配变和用户用电数据实时计算配电台区在线线损率。提出根据台区用电负荷特征分类管理,有针对性地开展降损工作;根据在线线损的优劣进行分级管理,监视各个级别的台区在线线损每日变化情况,对波动超限的台区及时报警提示;搜集台区线损异常处理案例,建立典型案例库,以案例库为依据,设计台区线损异常智能诊断工具,指导现场检查处理。通过开发台区线损分析和分级管理软件,提高配电台区线损管理工作效率,促进电力营销业务精益化管理。     

配电台区线损分析算法与功能设计

正基于用电信息采集覆盖和营配贯通成果,本文通过对配电台区线损算法的研究,进行用电信息采集系统中配电台区线损分析应用和功能设计,以实现配电台区线损精准化、差异化管理,进一步降本增效,提升电力营销专业线损管理的科学化水平。1配电台区线损算法1.1采集和用户类型标记用电信息采集系统从营配贯通获取配电台区和公变计量点的关系、配电台区和表计关系数据,将配电台区和表计关系中存在低压用户、低压表计和低压测量点信息的记录标记为采集覆盖,用户类型标记为低压用户;将配电台区和表计关系中存在专变用户、专变表计和专变测量点信息的记录标记为采集覆盖,用户类型标记为专变用户。     

基于离群点算法和用电信息采集系统的反窃电研究

为了解决以往依靠用户每月电量变化、台区线损异常确定窃电嫌疑户等传统方法时效性差、准确率低,现场排查发现窃电行为又效率不高的问题,利用当前远程集抄海量数据为传统反窃电理论研究和高效反窃电的实现尝试探索一种新方法。全面分析窃电手段及原理,绘制实施窃电手段的鱼骨图,由实际案例统计分析确定研究重点为欠压、欠流窃电法。根据高供高计和高供低计用户计量装置接线特点、电压电流值的规律以及离群点理论确定窃电判定算法,并做出基于距离的离群点检测法判定窃电的流程图。通过实例验证提出的算法和窃电户筛选流程能够完全甄别出窃电用户,为监控人员利用用电信息采集系统的海量数据精确及时地进行有效反窃电分析提供了新思路。     

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。     

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。     

窃电检测在电能量计量计费系统中的应用

本文介绍了三种用于电能量计量计费系统的窃电检测的方法：事件检测、单表阀值检测和多表阀值检测。事件检测是通过检测检相关的事件信息来判断是否有窃电发生;单表阀值检测是检测单个电表上的电压、电流、功率因数或电量增值是否越限或判断是否有窃电现象发生;多表阀值检测是通过从多个电能表上获得的数据计算并检测母线不平衡率、线损、网损是否越限来检测是否有窃电现象发生。稽查工作人员可根据提示信息到有关现场去核实。     

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.     

一种用于异常用电检测的负荷模式分析新方法

为解决异常用电检测问题,提出一种基于果蝇算法的负荷模式分析新方法。在同区域相似电力用户负荷数据和用户历史负荷数据的基础上,应用果蝇算法提取负荷模式。根据用户用电负荷与相似用户用电负荷和用户历史用电负荷匹配的不同特点,采用不同的负荷数据预处理方式以及模式匹配评价方法。根据电力用户的实际数据,查出用户的异常用电情况,验证了算法的有效性。