基于用电信息采集系统多数据融合的窃电行为定位方法

针对当前用电信息采集系统暂时无法实现分钟级数据覆盖的情况,提出了一种基于用电信息采集系统多数据融合的窃电行为研判方法,该方法通过对用户多类数据的综合分析,发现功率、电量等用电信息间的逻辑异常情况,并结合设备报送的相关异常事件,实现用电信息采集系统主站监控盲区时段的用电客户异常用电行为定位.     

基于大数据和机器学习的用电异常行为分析系统总体架构

用户用电异常行为不仅对接入设备和用户本身产生影响,更会危及电网的正常运行,因此对用电异常行为的分析至关重要。基于大数据和机器学习技术,设计了一种用电异常行为分析系统,并提出了系统设计的总体框架和相关配置。所设计系统对用户用电的用电量、电压质量、负载及三相不平衡率、无功及功率因数等方面可以进行异常分析,并以可视化的方式向管理员和用户展示。同时,对高风险用户进行预警和跟踪处理,对窃电行为展开调查分析。本系统可以有效分析用户用电异常行为及进行窃电预警,对电网稳定运行起到关键作用。     

基于大数据分析的陕西省居民用电行为及影响因素研究

陕西省目前处于发展的关键时期,为了有效的了解陕西省居民用电模式,通过对陕西省居民用电量以及相关经济、社会指标等众多数据的统计计算,得到了2000年以来的社会经济以及用电大数据。主要从陕西省居民用电增长情况、居民用电占比、人均用电水平和城乡居民用电差异等方面做了详细的分析和研究,对全面了解及把控陕西省居民用电行为具有十分重要的意义。     

用电行为大数据分析探索与实践

武汉供电公司开发利用用电行为大数据分析工具,挖掘客户用电行为的关键点、关注点以及客户服务的缺失点,通过该分析工具针对性地解决问题、改善指标和提升服务,解决电费回收难的问题。该工具能够科学量化用电行为、有效展示分析成果,在实际推广应用中获得良好效果。     

基于改进Adaboost-BP算法的用电行为大数据分析

在智能电网的构建中,电网与居民用电信息的交互主要由用户侧安装的智能监测和计量设备提供。智能设备数量随电网建设扩大完善而不断增长,其记录的用电信息将构成规模庞大、结构多元、类型复杂的用户侧电力大数据,挖掘电力大数据背后隐藏的电力信息是智能电网建设的重要内容。非侵入式负荷监测技术相比于传统电力数据分析,一方面保护了用户的用能隐私,另一方面能够完成对负荷更详细的特征辨识。主要通过非侵入式负荷监测技术结合数据挖掘手段研究居民用电大数据,并准确快速地预测负荷类型和分析居民用电行为。首先设计基于滑动窗口电器投切探测算法,之后介绍机器学习领域中的经典算法Adaboost和BP神经网络,设计了用于居民负荷特征识别和分类的Adaboost-BP改进算法并提出相关标准。算例从BLUED数据库中提取居民用电功率和电流序列,通过滑动窗口算法提取功率序列探测电器投切情况,将libSVM算法、BP神经网络和Adaboost-BP改进算法进行负荷分类测试。测试结果验证了改进算法能够有效提升大量数据样本下对负荷的识别精度并正确分类,同时分类速度快,适用于居民用电行为在线分析的场景。     

基于用电信息采集大数据的防窃电方法研究

本文介绍了常见的窃电方法及其特征,研究给出了窃电相关的特征参量,建立了用电信息采集系统各种数据、各类异常事件与窃电行为之间的关联关系,设计了基于用电信息采集大数据的防窃电结构化模型,包括数据预处理、用电异常检测模型和窃电嫌疑预测模型三部分。通过现场采集的数据,证明了该结构化防窃电模型的有效性,为解决大数据条件下的窃电行为监控问题提供有效方法。     

基于极限学习机的居民用电行为分类分析方法

针对大数据背景下智能用户用电行为分类问题,提出一种基于极限学习机(ELM)算法的用户用电行为分类方法。首先,在前期用户行为的特征优选策略的基础上,采用特征优选策略提取负荷曲线的最佳特征集对用户用电数据进行分类分析。然后,将特征优选集作为输入,通过比较不同隐含层激活函数和隐含层节点个数下训练集和测试集的正确率,优选出适用于用户用电行为分析的ELM算法的输入参数。最后,以国内和国外用户用电数据为数据源,进行算例仿真实验,通过与反向传播(BP)神经网络的对比分析表明,所提出的基于ELM算法的用户用电行为分析方法提高了检测的正确率并且降低了算法运行时间,能够更好地掌握用户用电负荷状态,实现配电网的削峰填谷。     

基于模糊聚类的异常用电行为识别研究

窃电等异常用电行为的识别是用电检查的重点和难点。由于数据采集问题,以往研究大多专注于大客户窃电行为方面,对居民窃电行为的研究相对较为薄弱。针对小用户级别的窃电等窃电监测问题,提出一种基于聚类的异常用电行为识别方法。该方案从智能电表收集的数据中提取用电特征,使用模糊聚类分析数据结构,提取出正常用户的行为特征。在真实数据集上的实验结果表明了该方法的有效性。     

基于细粒度用电数据的用电消费行为特征分析

居民负荷的高速增长给供给侧带来越来越大的压力,需求侧响应是解决这一问题的有效措施,但依赖于需求侧的全息数据和用电行为的深度挖掘。随着非介入负荷辨识、随器量测等技术的发展,对居民用户数据的感知能力显著提升,为需求侧响应带来了条件。基于高级量测体系提供的居民细粒度用电数据,从价格敏感性、消费周期性和消费内容的角度分析居民用电消费行为,以此为基础提供基于消费行为的需求响应高潜力用户选择指标,从而为需求侧响应的优质潜力用户选择提供数据支撑。将该研究应用于含761户的典型小区,通过案例分析验证所提指标能有效提升需求侧响应优质潜力用户的选择效率。     

基于用电大数据的台户关系识别方法研究

在电网的低压台区,在用户接线改动或者为了负荷均衡分配而进行线路改造后,由于信息更新不及时,经常导致用户进线端与集中器归属关系记录不准确、台户关系与实际不符等问题。单纯依靠人工去识别台户关系不仅费时费力而且效果不佳,同时需要成本高昂的专用设备。为解决上述问题,文章提出一种基于用电大数据的台户关系智能识别方法。首先搭建台区模型,并采集和预处理台区各用户的海量电压时序数据作为观测变量;然后采用FastICA技术对处理后的数据进行独立成分分析与特征提取,从而获得用于估计观测变量的一系列相互独立的随机变量和混合矩阵;最后利用K均值聚类的方法对特征提取后数据进行聚类分析,从而实现台户关系识别。同时文章对电压数据采样精度和数据量对结果的影响进行了分析比较。仿真算例表明,所提方法能够在保证精度的情况下仅采用电压时序数据就实现台户关系的智能识别。     

基于卷积长短时深度神经网络行为识别方法

传统的人员行为识别中,通过人工特征对人员行为进行分类。 这些方法仅能够利用较浅层次的特征,其识别准确率有 限。 提出通过卷积长短时深度神经网络(convolutional long short-term deep neural networks, CLDNN)进行人员行为识别,并用新 的 GRU 门控单元代替传统的 LSTM 门控单元提高网络效率。 利用该网络结构,既可提取惯性数据中多层次特征,也可充分利 用时间序列相关性。 通过开源数据集的实验证明,该方法相比于传统的卷积网络和基于 LSTM 门控循环神经网络的识别准确 率分别提高了约 3%和 7%;用 GRU 门控单元代替 LSTM 单元后,所需的训练时间和前向的识别时间分别下降了 14%和 10%。     

基于用电异常数据的反窃电在线监测方法研究

研究基于用电异常数据的反窃电在线监测方法,精准确定用电异常数据,实现反窃电在线监测。该在线监测方法利用K-means聚类算法确定用电异常数据,通过有效指数度量方法确定用电数据聚类数量,提升用电异常数据确定精度;以电流三相不平衡、电压三相不平衡、线损与负荷为特征指标,在用电异常数据中选择用电异常特征数据;利用主成分分析法降维用电异常特征数据;通过模糊神经网络建立反窃电在线监测模型,在该模型内输入降维后的用电异常特征数据,输出窃电嫌疑系数,完成反窃电在线监测。实验证明该方法可精准确定偏小与偏大用电异常数据,有效选择并降维用电异常特征数据,获取窃电嫌疑系数,具备较高的反窃电在线监测精度。     

基于用电客户群体细分的差异化用电行为特征分析

随着电网优化升级,电力客户用电行为差异化变得更为显著。通过对用电客户群体差异化用电行为进行细分管理、建立细分结构模型来提升供电企业服务质量成为发展方向。以电力大数据为依托,通过数据挖掘技术,建立满足用电客户群体细分的模型结构。首先根据用电客户群体实际运营情况,建立基于客户供电可靠性要求、客户行为、客户价值的模型评价指标,然后针对庞大的数据群体,采用K-eans聚类算法进行数据清洗预处理,获得精细化的细分数据,最后实现对用电客户的差异化评价和管理,满足“智慧能源”发展模式的需求。     

基于优化 CBAM 改进 ResNet50 的异常 行为识别方法

在自动视频监控应用中,准确地识别出人类的异常行为是非常困难的任务。为了解决监测系统中异常人类活动的高 效识别问题,提出了一种加强局部以及全局特征信息融合的异常行为识别模型 ICBAM-ResNet50 。在 UTI 和 CASIA 两个数 据集上进行实验,结果表明该研究比ResNet50 模型准确率分别提高了7%和8%。ICBAM 模块引入一维卷积替换了原始 CBAM 中通道注意力的 MLP 操作,将局部的时间特征整合到通道描述符中,缓解了通道维度由于全局处理产生的忽略信息 交互的问题;其次引入时空注意力机制替换 CBAM 中的单一空间注意力机制,来提高模型的时空表征能力。最后,将优化的 CBAM 模块嵌入到 ResNet50 中,通过在 ImageNet 上对其进行预训练,在两个基准数据集上该模型分别达到了98.8%和97.9%的准确率。使用相同的数据集,将实验结果与原始识别方法进行了比较,结果表明该模型优于所比较的其他方法。     

智能用电用户行为分析特征优选策略

针对大数据应用背景下用户智能用电行为分类的计算复杂性和特征选择有效性的问题,提出一种基于特征信息量的特征优选策略。首先,以用电特征的互信息量与相关系数作为特征有效性和关联性判据,设计用电特征优选准则。然后,提出一种该准则下的用电行为特征优选策略,通过减少特征间的分类信息冗余实现高维特征的降维,并选取有效独立的特征,从而构建用户用电行为聚类精简特征集。最后,基于特征优选策略实现了一种特征自适应的用户用电行为分析方法,完成优化的用户用电行为分析。通过电网实际用电数据验证了所提策略能提高聚类准确率和减少计算复杂性的有效性。     

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。