基于向量自回归模型的高损线路窃电检测

接入配电线路的用户窃电将直接导致分线线损电量异常波动,因此用户用电量与分线线损电量间存在长期动态互动。该文提出基于向量自回归模型检测造成线损波动的异常用户的方法。首先,运用边限协整检验分析线损电量和用户用电量的长期均衡关系;然后,构建线路线损电量与接入用户用电量的向量自回归模型,计算脉冲响应函数分析线损电量与用户用电量的动态作用机制;再通过方差分解分析线损电量与用户用电量间冲击作用的贡献度,将对线损电量有显著影响且波动贡献度最大的用户识别为窃电用户;最后,结合实际高损线路用户数据识别窃电嫌疑用户,并运用现场稽查的手段验证了所提方法的有效性。     

基于负荷尖峰特征LSTM自编码器的窃电识别方法

近年来，面向高损线路的窃电检测方法得到大面积工程应用，对降低窃电检测误报率和推动数据驱动窃电检测的工程应用起到了重要作用。但如何准确检出非高损线路的专变窃电用户，仍是亟待解决的难题。基于实践经验中部分窃电用户存在用电量异常尖峰这一特点，提出基于负荷尖峰特征长短期记忆（LSTM）自编码器的用户窃电识别方法。首先，分析典型窃电用户曲线形态,提炼了区分正常及窃电用户的用电量尖峰特征。然后，结合该特征和用户分时数据周期性规律，构建LSTM自编码模型重构输入得到拟合值，基于拟合值与真实值的均方误差设定自适应阈值，从而识别窃电嫌疑用户并提供具体预警尖峰时段。最后，应用实际专变用户用电数据进行算例分析，结果表明所提方法在准确率、命中率和误报率上均优于对比方法。     

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ARIMA和递归贝叶斯的窃电用户识别算法

低压窃电负荷小,难以被及时发现,给电力企业造成了巨大的经济损失。文中基于差分整合移动平均自回归模型(Auto-regressive Integrated Moving Average model, ARIMA)和递归贝叶斯算法,构建了一种针对配电网低压窃电行为的识别方法,该方法结合用户历史数据对低压用户与台区表夜间各时段电力负荷数据进行分析,并算出用户窃电概率,从而发现用户是否存在窃电行为。仿真与实际结果表明：该方法对及时准确发现窃电行为,提高配电线路线损治理效率具有重要意义。     

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。     

一种智能远程反窃电稽查装置的设计

智能远程反窃电稽查装置主要包含无线探测单元、高频探测单元、强磁探测头、表前电流采集传感器以及防窃电稽查主机,该装置不仅可以检测出传统的欠电压窃电、欠电流窃电以及移相窃电,而且对高科技的窃电方式(如高频窃电、强磁窃电以及红外遥控窃电)也能及时发现并报警,同时该装置能准确检测具体的窃电方式以及窃电位置,并存储窃电信息,便于电量的追补。     

基于营销大数据的用电异常事件统计及窃电特征分析

随着信息网络技术的发展,基于电力信息化系统的数据分析开展线损管理和用电稽查工作,成为当前很多供电公司的主要技术手段。文章通过对营销业务应用平台用户信息、用电信息采集系统数据及防窃电采集信息等营销大数据的深度挖掘和分析,开展了用电异常事件的分类统计和过程描述。通过用电异常事件顺序关联性及时间关联性的分析,设计了用户窃电特征分析判据,为查处窃电提供技术指导。该方法突破了当前防窃电技术的局限性,对于提高识别窃电的准确性、有效性和针对性,具有较高的工程应用价值。     

基于LOF+SVM的异常用电用户分阶段识别方法

准确的电力异常用户识别方法能为供电企业锁定存在窃电行为或其他违规行为的电力用户提供参考。大多数基于机器学习的异常识别模型采用了无监督算法，但模型的准确度还较低。针对上述问题，提出一种结合无监督的局部离群因子（LOF）算法与有监督的支持向量机（SVM）算法的两阶段异常用电用户识别方法。基于分析异常电能表区别于正常电能表的电流电压表现，构建异常识别模型的输入特征；采用无监督的LOF算法进行采样，筛选出可疑样本交给人工进行标记，然后利用标记样本训练有监督的SVM模型；在之后的检测工作中，直接将LOF算法筛选出可疑样本交给SVM模型进行识别。实例结果表明，该方法对电力异常用户的识别准确度高，对供电企业的窃电稽查工作具有指导意义。     

配电网拓扑参数未知场景下中压用户窃电检测方法

新型电力系统建设下配电网运行方式面临更加频繁的调整,导致配电网的拓扑与线路参数记录档案难以得到及时更新,为中压配网的运行状态分析带来了挑战。提出一种配电网拓扑参数未知场景下的中压用户窃电检测方法。基于电网运行机理选择支路阻抗作为窃电特征判断指标,并构建窃电检测模型;根据配电网运行特点建立了线性潮流模型,并通过简化模型快速求解特征参量;研究了窃电行为对特征参量变化的影响机理,并结合能量守恒定律,提出完整的窃电检测方案。以IEEE 33节点配电系统、IEEE 85节点配电系统和江西进贤某10 kV实际配电网作为算例,结果表明,所提方法在多种窃电场景下均可有效辨识窃电时段并精准定位窃电用户,同时对用电数据的量测误差表现出较强的鲁棒性。     

基于虚拟回路阻抗的低压台区异常工况分析方法

宽带载波通信技术大幅提升了用电信息采集数据的频度和广度,深入挖掘计量大数据的应用价值是当前研究的热点。首先,文中针对辐射型拓扑结构的低压配电网构建了包含两段式虚拟回路阻抗的电路模型,即用户虚拟干线阻抗与虚拟支线阻抗,并剔除三相不平衡的干扰,采用多元约束线性回归模型实现两类虚拟阻抗的精准计算。然后,进一步深入分析台区拓扑异常、用户窃电和线路异常等几种典型异常运行工况的运行机理,提出台区异常工况的分析方法,形成基于虚拟回路阻抗时序稳定性以及空间相似性的组合诊断策略,有效支撑电网公司开展设备运维和用电检查工作。最后,以中国河北省某供电所为例进行工程应用分析并开展现场核查,验证了所提方法的有效性。     

加强基层营销稽查工作的方法

营销稽查是实现营销环节监督机制的一种有效形式,是以促进内部营销管理、规范外部用电秩序为宗旨,检查监督执行国家、行业的供用电政策、规定情况的实质性工作。具体在查处电力营销工作中的差错责任事故,规范供用电秩序,打击窃电与违章违约用电行为,以整肃违章、降损增效为重点,深入开展营业普查和高损耗线路（台区）跟班稽查工作,     

基于用电信息采集大数据的窃电智能诊断识别技术研究

针对窃电问题,以用电信息采集数据为基础,通过对不同窃电特征进行归纳,建立适合不同窃电方式的窃电诊断分析模型,实现对目标台区和重点用户筛选分析;利用层次分析法为重点用户进行评分,锁定高嫌疑用户;开发窃电智能诊断分析平台,为用电检查人员提供科学有效的指导,提高了电力企业反窃电调查的质量和效率.     

低压用户配电线路在线监测方法

针对低压用户众多、配电线路连接复杂,而现阶段还没有实用且可大规模推广的线路监测方法的问题,提出一种利用用户智能电表数据准确估计用户配电线路阻抗值来实现线路在线监测的方法.该方法可及时识别线路老化水平,减少因线路断线造成的故障,同时还能用于防窃电监测.最后通过 MATLAB建模仿真,验证了该方法的准确性。     

基于关联度分析的防窃电模型研究

针对窃电形式多元化的趋势,综合现有窃电检测技术的不足,提出了基于关联度分析的窃电模型.设立失压断相预警、电量差动预警、电量波动预警、功率差动预警、电能表停走预警、电流异常预警、恒定磁场干扰预警、线损异常预警,并通过关联度分析对线损值进行判定;基于python搭建线损检测模型,可快速实现线损异常用户识别,最终验证窃电模型的准确性,降损会取得较好的治理效果.     

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.     

基于生产经营状态识别的低误报率窃电检测二次筛查方法

数据驱动的窃电检测方法主要根据电量及派生指标识别低电量异常,容易受干扰影响误报。利用工商业用户生产经营状态指标大致固定的特点,提出基于生产经营状态识别的窃电二次筛查方法。首先,将检出的低电量异常用户每天的三相功率作为负荷特征,用以标识其当天的用电行为模式及生产经营状态。然后,将每天的负荷特征进行近邻传播聚类。当低电量异常时段负荷特征与正常低电量生产经营状态聚为同类时,认为是用户状态正常转换导致的异常,可排除窃电嫌疑。基于实际窃电数据的测试表明,所提方法可降低误报率。     

采用FCM聚类与改进SVR模型的窃电行为检测

针对窃电手段多样、隐蔽性强、窃电检测效率有待提高等问题,首先采用模糊C均值(FCM)聚类算法构造不同的用户负荷特征曲线,通过待测负荷曲线与相应特征曲线作对比初步确定疑似窃电用户;其次,采用粒子群算法优化的支持向量机回归模型对疑似窃电用户的用电行为进行检测。实验证明,所用方法缩小了窃电检测的范围、克服了窃电样本少的影响,改善了窃电检测的效率,并且窃电检测的均方误差和平均绝对误差分别提高了0.0051和0.034。     

数字化电能表信息采样中的反向电量异常识别方法

针对目前识别方法准确性和全面性较低的问题，提出一种数字化电能表信息采样中的反向电量异常识别方法。通过用电信息采集系统召测数据，完成数字化电能表信息采样工作，并实施缺失值填补、数据标准化等预处理。以处理好的数据为基础，计算电能表状态特征，包括用户用电量变化、电压量/电流量、有功功率等三个维度的特征指标，利用AdaBoost算法构建分类器，实现反向电量异常识别。结果表明：所研究方法应用下，F1分数值更高，能更为准确且全面地检测出用户窃电行为，为窃电用户便捷查找与预防预控提供了可靠的依据。     

基于偏最小二乘回归的中长期电力负荷预测

为了支持将来的经济发展和不断满足电力需求,负荷预测已成为电力部门的重要任务,而提高预测精度是负荷预测的关键问题。为此,判断了影响负荷的经济因素之间存在的多重共线性,用偏最小二乘回归方法消除其共线性影响,并建立了预测模型。结果表明,该方法能准确地估计出变量的回归系数,能避免使用普通最小二乘回归时出现的异常回归系数,预测的相对误差平均为9.83%,最小相对误差为-0.01%。