Stacking相异模型融合的实验室异常用电行为检测

针对当前高校实验室异常用电行为,提出一种基于Stacking相异模型融合的异常行为检测方法。考虑相异基学习器挖掘实验室用电行为规律的差异性,对相异基学习器进行优选。利用随机森林作为元学习器,充分融合相异基学习器的优势,弥补各基学习器的缺陷,构建基于Stacking相异模型融合的集成学习模型。通过算例对比分析,验证了基于Stacking相异模型融合的集成学习模型能有效提升单一分类器的异常检测效果,在准确率、F1分数、ROC曲线下面积和误检率上均优于Bagging、Voting、Adaboost等集成学习方法并能适应样本不平衡的情况。

基于VMD分解和随机矩阵理论的异常用电状态检测

【目的】目前需要快速准确地判别用户异常用电行为。【方法】基于智能电表数据,提出了一种结合数据分解和随机矩阵理论的异常状态检测模型,实现了对用户用电异常行为的识别。通过变分模态分解算法(variational mode decomposition, VMD)剔除电力数据噪点,消除噪点数据影响。并将随机矩阵理论(random matrix theory, RMT)与自回归滑动平均模型(auto-regressive moving average model, ARMA)相结合,提高RMT对时间序列的适用性,实现了对用电异常状态的判定。【结果】以某地区的实际用电数据为例进行实验,验证了该方法针对数据样本较大且非高斯分布的情况具有便捷性和高效性,为用电异常行为的识别提供了新方向。

基于循环神经网络的异常用电数据检测方法

针对用电数据检测时受电量敏感度的影响,导致异常数据检测时电能消耗过量的问题,提出了基于循环神经网络的异常用电数据检测方法。在循环神经网络体系中,根据窃电系数指标求解结果,计算电量压差的实际数值,实现对异常用电数据特征的提取。构建异常数据样本集合,通过填充缺失数据的处理方式,推断检测评价指标所属区间范围,完成基于循环神经网络的异常用电数据检测方法的设计。对比实验结果:循环神经网络作用下,由异常用电数据造成的电能消耗量最高为3.2×10^(8)kW·h,不会引发明显的电能过量消耗问题,符合维护电网运行稳定性的实际应用需求。

基于密度子空间孤立森林的异常用电检测

针对传统异常用电检测在面临高维数据中的维数诅咒,以及不相关特征对异常检测的影响,造成检测精度低等问题,提出了一种基于无监督密度子空间选择的孤立森林检测算法。首先,提出了一种有效的基于密度的紧凑数据表示方法,提高了子空间选择策略的效率。然后,应用最小冗余-最大相关-密度准则(min-redundancy-maximum-relevance-to-density,mRMRD),用于选择基于互信息的相关子空间。最后,在相关子空间中构建隔离树并集成孤立森林,实现对异常用电数据的检测。通过实验分析,与传统检测算法相比,所提方法在准确率、ROC曲线下面积(area under curve,AUC)、F 1指标上均有提升,提高了异常用电检测的效果。同时,灵敏性分析也验证了无监督密度子空间孤立森林检测算法的有效性。

基于加权宽度学习的异常用电辨识研究

针对异常用电与正常用电样本类别不平衡关系及现有模型训练耗时、缺乏可扩展性的问题,提出一种基于加权宽度学习(weighted broad learning system,WBLS)的异常用电辨识模型。首先,考虑到样本间类别不平衡关系,在目标函数中使用样本权重约束每个类对模型的贡献,样本权重根据样本分布情况个性化赋予,并通过岭回归广义逆高效地建立WBLS辨识模型。其次,基于新增加的用电样本数据,通过增量学习算法对模型进行更新和重构。实验结果表明该模型提高了对异常用电样本的辨识精度,并在增加用电样本的情况下,可以快速地对旧模型进行更新和扩展。

一种基于自适应RNN的居民异常用电行为智能检测方法

居民用电异常行为检测问题存在严重的样本类别失衡的特点,导致现有方法检测效率低、性能差。为提升异常行为识别精度,加快异常检测训练效率,提出了一种基于自适应循环神经网络(RNN)的异常用电行为识别模型。设计一种SMOTE-ENN重采样方法,增加不平衡数据集的分类性能。建立了自适应RNN检测模型,使用批量归一化RNN作为基础学习器,并结合超参数优化和缓冲区来动态调整BNRNN模型。实验阶段,经过改进的SMOTE-ENN重采样后,模型分类效果大幅度提升。试验结果验证了模型的实用性及优异性能,该模型可为异常用电行为检测的发展提供一定借鉴作用。

基于频繁项集挖掘的异常用电行为监测系统

由于在构建异常用电行为监测系统时,需要处理大量的异常数据,且取样参量存在相似性,增大计算量,导致监测能力较低。为提升电网主机对异常用电行为的监测能力,设计基于频繁项集挖掘的异常用电行为监测系统。根据频繁项集提取异常用电信号不确定数据集,研究异常用电的行为特征,分析异常用电行为。根据电网监测规则与异常用电信号监测模块,实现监测功能,设计异常用电行为监测系统。实验结果表明,文中方法可以精准监测到第5 s时电路负荷发生的突增,说明该方法的监测结果可靠性较高。

基于特征选择的养殖行业异常用电行为检测

随着智能电网和物联网技术的发展,异常用电行为检测变得尤为重要。本文提出了一种基于TOPSIS特征选择的异常用电行为检测方法。利用养殖行业用户用电数据计算各特征与理想点和负理想点的相对接近度,对特征进行排序并选取最具代表性的特征。实验结果表明,该方法能够有效提升异常检测模型的性能,具有较高的准确性和可靠性,为养殖行业的用电安全管理提供了有力支持。

基于支持向量机的异常用电行为预测建模仿真研究

随着经济的发展,电网的安全运行成为社会经济秩序稳定发展的重要基础保障。异常用电行为的频繁发生会对电网的安全运行产生严重的威胁。当前,窃电等异常用电行为使用的手段越来越高科技化,如何精准高效识别出异常用电行为是当前急需解决的技术难题。对此,采用支持向量机算法对异常用电行为进行建模仿真研究,构建分类效果较好的预测模型,能够较为精准地识别出异常用电的行为用户,为电网的安全运行保驾护航。

专用变压器异常用电检测方法研究

专用变压器是电力系统中连接不同电压等级的关键设备,为了保证变压器的安全稳定运行,设计专用变压器异常用电检测系统,实时监测和采集变压器运行参数。使用STM32F103RBT6芯片作为主控单元作为专用变压器监测终端,使用红外温度传感器采集环境参数和变压器温度。系统基于图卷积神经网络构建异常检测模型,并使用有向水平可视图算法转换专用变压器的时序数据,通过特征池化提取有向水平图的特征向量,经过卷积层和池化层操作后得出异常检测结果。实验结果表明,系统模型的异常检测准确率最大为97.5%,模型运行时间最短为812 ms,检测时间最快为1224 ms。

基于XGBOOST的零电量用户异常用电监测识别方法的研究

零电量用户(None-Consumption User,NCU)的排查不仅关乎电网数据准确性,还能预防潜在风险、提高服务质量、优化资源配置,并降低经济和安全风险。现有的人工核查方式效率低下,需要高效、准确的排查方法以适应电力系统的数字化、智能化发展。提出基于极致梯度提升树(Extreme Gradient Boosting,XGBOOST)的零电量用户异常用电监测识别方法,解决智能电能表因计量功能失效而停走,导致用电量跳至0时,真实不用电用户与异常用电用户难以区分的问题。通过分析智能电能表停走的原因,构建数据集并提取相关特征,利用统计学特征与因果逻辑特征共同作为XGBOOST模型的输入特征进行训练,实现了对异常用电用户的高准确率识别。

基于本地功率基准的异常用电监测方法

目前电力系统中有不平衡负荷存在,不平衡负荷会引起电能计量的误差。对于这些计量误差的处理目前普遍在主站结算并归于线损。本文为判断用户是否使用不平衡负荷及其所引起的误差值,利用电力系统中电压电流关系推算出不能直接测量的电压电流值,并应用三相四线制功率计算方法建立本地功率基准,与实际功率加以比较,判断用户是否存在不平衡负荷,并将计量误差量化。这对于防窃电、安全用电有重要作用,同时对于和电力系统的节能降损也起重要作用。通过Matlab仿真分别对正常用电和存在不平衡负荷用电分别进行仿真,对比验证,结果表明不平衡负荷用电时,存在计量误差,并且电力部门少计量了使用不平衡负荷用户所消耗的电能。

基于粒子群算法的异常用电检测方法

窃电行为严重危害了电网的正常运行,并且损害了国家和电力企业的利益。针对现有异常用电检测方法的不足,提出一种基于粒子群算法的异常用电检测新方法。以用户历史负荷数据为基础,采用粒子群算法提取用户相同行业的负荷模式曲线和用户历史数据的负荷模式曲线,并根据用户考察日负荷曲线与上述两种负荷模式匹配的不同特点,使用不同的负荷数据预处理方式以及模式匹配评价方法。实例分析表明,新方法能有效检测到异常用电的情况,验证了模型的有效性。

基于神经网络的异常用电检测算法模型研究

电力行业大数据中蕴含了大量的事件信息,对于电力公司而言,挖掘其中的异常用电数据具有重大意义,目前的异常用电检测方法效率并不高,寻找一种高效准确的方法已成为电力行业亟待解决的问题。文章提出了基于神经网络的异常用电检测模型,利用有监督的多隐藏层的神经网络算法,对大量用户数据进行模型训练,可用于自动检测用户用电量是否正常,筛选出异常用户,为电力公司的现场核查工作提供指导,提高了异常用电情况发现的效率和查处的命中率。

基于阻抗分析的居民用户异常用电研判模型研究

针对用户异常用电智能研判难题,研究了基于采用数据进行低压配电网阻抗分析方法,以实现用户异常用电行为研判。首先研究了低压电网阻抗分析模型,给出了等值电路模型及数学模型的构建方法,并进一步研究了多元线性回归的优化求解方法,解决了仅有末端电压、电流数据下的全网线段阻抗求解问题。然后重点构建了窃电分析模型,从用户窃电对线路阻抗的影响机理着手,从入户段阻抗主判、茎线路阻抗辅判,以及结合用户电路负荷曲线细判3个维度,进行多特征量组合的用户窃电分析,解决了因量测精度等工程问题带来的研判障碍,并进一步给出了窃电量反推模型。最后以合肥某居民小区为例进行验证,通过阻抗数据和电压曲线验证了阻抗计算方法的准确性和异常用电研判的可行性,并进行窃电量反推,窃电量计算误差小于10%。

基于门控循环单元的非均衡数据驱动异常用电检测方法

异常用电检测能够及时发现异常用电行为,在减少能源浪费和经济损失的同时能够维持安全、稳定的电网运行环境;智能电表的普及使得用电数据获取十分容易,为数据驱动的异常用电检测方法提供了充足的数据支持;然而,在实际应用过程中,异常数据较少导致的数据非均衡问题严重影响了模型的训练效果;因此,针对上述问题提出了一种针对非均衡数据的门控循环单元异常用电检测方法;该方法利用边界合成少数类过采样技术实现了对少数类数据的有效扩充;为了更好地捕捉用电数据的时序特征,采用了门控循环单元实现对用电数据的分类;为了验证该方法的有效性,基于非均衡数据集进行了对比实验;实验结果表明,该方法能够达到更好的数据扩充效果以及更准确的异常用电检测效果。

考虑信息动态表达的异常用电模式识别云边协同方法

异常用电识别是用电稽查、计量装置运行状态辨识的重要内容,对维护电网的安全运行和保障正常用户权益有重要的意义。已有方法为了识别用户的多元用电模式,在保证识别准确性的基础上容易造成计算过于复杂的问题,而考虑效率的简单计算方法又难以准确度量不同用电模式的相似性,因此难以兼顾计算效率与准确性;此外,将用电数据上传至云端集中计算会占用大量的网络带宽和计算资源,进一步限制了异常辨识的应用。为此,提出了一种考虑信息动态表达的异常用电模式识别云边协同方法。根据边缘端和云端的计算资源合理分配协作任务,实现了异常用电的云边协同识别。针对边缘服务器算力有限的问题,对用电数据进行动态压缩重表达,在缩减数据量的同时保证数据信息的准确性。云端在收到压缩数据后以分段加权动态时间规整距离作为压缩数据相似性度量的依据,基于自适应参数选择的密度聚类算法识别异常用电。基于实际数据集验证了所提方法的有效性。

AMI环境下异常用电检测研究

高级量测体系在传统电网中引入新技术的同时也带来了电能丢失的新风险,网络的开放性给了异常用电者新的可乘之机。提出了一种基于k-means算法与PSO-SVM相结合的无监督分类检测模型,利用k-means算法对部分数据集进行聚类,再将已获得标签的数据集作为训练样本送入PSO-SVM分类器进行学习,最后完成对未知标签的待检测数据集的分类,得到的异常用电数据追溯到有嫌疑的用户进而实现对嫌疑用户的重点监查。利用某电网提供的用电数据集进行实验的结果表明,提出的检测模型不仅避免了有监督训练样本过程中对于人工分类的依赖问题,同时相对于单独使用两种算法具有更高的检测准确率和更低的误漏报率。

基于改进深度自编码网络的异常用电行为辨识

为准确检测异常用电行为以降低电力公司的运营成本,提出一种基于改进深度自编码网络的异常用电行为辨识方法。首先将正常用户的用电数据作为训练样本,自编码网络逐层学习数据的有效特征;然后重构输入数据以计算检测阈值,而由于异常用电行为破坏数据的特征规则,再通过对比重构误差与检测阈值的差异即可实现异常用电行为辨识。为了改善自编码网络的特征提取能力与鲁棒性,分别引入了稀疏约束和噪声编码,并利用粒子群算法优化网络的超参数以提高模型的学习效率和泛化能力。选用福建省某地区居民用电和商业用电数据集进行了验证,这一模型的异常行为检测的准确率高于92%。实验表明所提方法具有优异的特征提取能力和异常用电行为辨识能力。

相异模型下Stacking集成结构的异常用电用户识别方法

针对电力用户异常用电行为造成电网非技术性损失(non-technical-loss,NTL),影响企业收益及供电质量等问题,文中提出一种相异模型下Stacking集成结构的异常用电用户识别方法。该方法综合分析用户用电侧历史数据特性,建立并提取用户用电特征;采用支持向量机(support vector machine,SVM)、随机森林(random forests,RF)、梯度决策树(gradient boosting decision tree,GBDT)及深度森林(deep forest)4种相异模型做为Stacking结构的基分类模型,对用电特征进行Stacking转换;并选取XGBoost(extreme gradient boosting)算法作为Stacking结构的元分类模型,对转换后的用电特征集进行分类,判断用户用电是否异常。通过实例分析,验证本文所提模型相比于单个模型有更高效的分类性能,为供电企业用电监察工作及经济效益管理提供参考。