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。

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。

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。

一种基于组合算法的异常用电模式辨识方法

针对电力用户异常用电的检测问题,提出了一种基于无监督组合算法的异常用电模式辨识方法。所提辨识方法由数据处理、特征提取、离群检测三部分组成。文中先获取用户的用电量及相关数据,进行数据清洗和缺失数值补全;再对数据进行特征提取,得到相应的异常用电识别特征量;通过k均值聚类将用户聚为两组,并分别对每组进行主成分分析优化特征空间,计算离群邻近度,通过2 sigma原则实现异常用电用户辨识。该方法通过聚类、优化特征空间、离群检测组合算法,提高了辨识效率。文中采用真实用电数据进行了异常用电用户辨识仿真实验,辨识结果验证了该方法的有效性。

基于经验模态分解与多视角聚类的异常用电模式检测

针对现有异常用电检测方法检出效率低下的问题,提出一种基于经验模态与多视角聚类的异常检测方法。遵循“经验模态分解维度制约多视角聚类横向检测纵向检测”的流程,通过多视角聚类结合初步判据,显著提高了检出率。在异常检测算法中,提出基于网格的熵离群因子(Grid-EOF)算法,并基于纵向检测给出新的判据,提高了不明显窃电行为用户的检出率。最后,用国家电网智能电表实测数据检测验证,结果表明多视角聚类和改进算法以及纵向检测的引入,能有效提高异常检测模型的检出率和准确率。

基于STM32的异常用电行为检测算法研究

电力企业用电异常检测算法的初始数据完整性较差,很难保证异常分类结果的准确性。针对异常用电检测准确率较低、检测精度有待提高等问题,提出了一种基于STM32的异常用电行为检测算法。首先,基于STM32提取电力异常数据特征,划分电力负荷数据结构,填充缺失、错误的电力数据,保证企业用电数据的完整性,建立电力数据异常分类模型;其次,将电力数据的异常分为线损异常、交流电压异常和交流电流异常,分别对3类不同的电力数据异常情况进行分析,获取异常检测阈值,并提出相应的电力企业异常用电检测算法。以上海某区域实际电力用户的用电数据为例,对3种常用检测算法和基于STM32的检测算法在不同聚类簇数监测点下的接受者操作特征(ROC)曲线下面积(AUC)进行比较,试验结果验证了所提算法的准确性和有效性。该算法可为电力企业快速排查用电异常行为提供依据。

基于改进孤立森林算法的异常用电行为识别方法

针对传统异常用电行为识别方法准确率低、时效性差且人工消耗较高等问题,提出了一种基于粒子群算法的改进孤立森林识别方法。该方法通过总结异常用电行为规律,重构相关行为的特征指标,并侧重于对异常样本的学习与训练,进而在集成算法套袋思想的基础上构建了孤立森林。同时利用粒子群算法的群集寻优能力选择出精准度较高、差异度较大的孤立树形成子集,进一步优化了异常用电行为的识别效果。实验结果表明,改进方法的AUC值和识别效率均高于聚类算法及孤立森林算法,能够对异常用电行为进行准确识别。

基于深度孪生自回归网络的无监督异常用电检测

异常用电检测旨在识别出不符合正常用电规律或者违反用电合约的用电行为。针对现有基于重构的检测方法依赖标记的正常样本和难以捕捉复杂时间依赖性的问题,提出一种基于深度孪生自回归网络的无监督异常用电行为检测模型(DSAD)。所提模型通过两个孪生自回归子网络来分别独立地对无标记的输入数据进行重构,再将两个子网络的重构误差相结合来预测数据中的正常样本,并利用多头自注意力机制来有效地捕捉时间依赖性、周期性和随机性等复杂特征。在大规模时序数据集和国家电网真实用电数据集上进行实验,所获得的结果表明,DSAD模型在AUC以及AP等性能指标上取得了更好的检测效果。

电力用户异常用电的深度神经网络检测方法

以电力用户异常用电为代表的电力系统非技术性损耗通常会造成供电公司运营成本的显著性上升。首先,提出一种电力用户异常用电的深度神经网络检测方法,根据电力用户用电负荷特性采用深度置信网络(DBN)对原始的电力负荷数据进行特征提取并获取符合特征,其次,基于极限学习机(ELM)完成特征分类,从而建立电力用户异常用电检测基础模型。最后,提出一种采用改进果蝇优化算法(IFOA)对DBN的网络权重与层间偏置参数进行寻优,由此获得基于IFOA-DBN-ELM的电力用户异常用电检测模型。实验结果表明:所提方法的准确率、精确度和检出率显著高于其他方法,误检率低于其他方法,能够较为准确地检测出具有异常用电行为的电力用户,有助于降低供电公司的运营成本。

基于果蝇算法优化LSTM的用户异常用电行为预测

在用户用电负荷量较为集中的情况下,为解决因电信号堆积而造成的异常用电行为问题,设计基于果蝇算法优化LSTM的用户异常用电行为预测模型。通过初始化果蝇算法的方式,获取用户的用电数据预处理结果,将其与LSTM超参数指标相结合,完成基于果蝇算法优化LSTM的用电量数值记忆。在此基础上,选取既定评价指标,根据缺失值计算表达式,确定决策参数的具体数值,实现基于果蝇算法优化LSTM的用户异常用电行为预测模型的搭建与应用。实例分析结果表明,随着果蝇算法优化LSTM理论的应用,电信号在用户用电集中负荷时所需消耗的训练时间更短,可有效解决电信号的堆积问题,实现对用户异常用电行为的有效预测。

基于高维随机矩阵的用户异常用电行为判定

目前研究的用户异常用电行为判定方法存在判定结果不准确的问题,难以精准地确定用户异常行为的时间段。为此,提出了一种基于高维随机矩阵的用户异常用电行为判定方法。通过筛选公式获得异常用电数据与正常用电数据,完成数据存储;根据筛选出的用户异常用电数据与正常用电数据构建了高维随机矩阵,计算矩阵特征值;利用特征值的波动程度确定了异常用电线路与异常用电用户,进而对用户的异常用电行为进行判定。通过实验研究验证了提出的判定方法具有较高的可靠性与判定精确性,相比于传统判定方法,基于高维随机矩阵的用户异常用电行为判定方法能够准确地确定用户异常线路,同时检测出用户异常行为时间段。

基于BiLSTM-CatBoost模型的电力用户异常用电检测

为进一步提高电力用户异常用电检测性能,实现异常用电行为的快速准确研判,该文提出一种基于BiLSTM-CatBoost模型的用户异常用电检测方法。该模型首先采用双向长短期记忆神经网络(bidirectional long short-term memory,BiLSTM)对用户用电数据进行特征深度提取,利用用电时序数据两个方向的信息来获取特征维度;接着采用完全对称决策树为基学习器的CatBoost集成学习算法作为分类器进行检测,避免检测过拟合。BiLSTM和CatBoost均采用贝叶斯优化算法(Bayesian optimization,BO)对全局进行超参数寻优。实例对比表明,基于BiLSTM-CatBoost模型的用户异常用电检测方法在准确率、F1分数、AUC、MCC值等评价指标中均表现最优。

异常用电识别特征库构建技术

文章旨在介绍构建异常用电识别特征库的方法。首先,对典型用电负荷特征进行设计,包括峰值、谷值、平均值、功率因数等指标,并将其存储到数据库中。接着,对异常用电负荷的特征进行分析,如突变、周期性、持续时间等,并开发相应算法对其进行处理和提取,最终将得到的特征存入异常用电负荷特征库中。在异常用电识别特征库实现方面,利用机器学习技术,对所提取的异常用电负荷特征进行训练,并生成识别模型,以便快速准确地检测和识别异常用电。通过文章,可以更好地了解异常用电的特点和规律,为电力系统的安全运行提供可靠保障。

基于相似性搜索的异常用电行为识别方法

传统异常用电行为识别方法浪费大量人力与物力,且准确率较低、效果不佳,本文在大数据背景下,提出一种基于相似性搜索的商业园区异常用电行为自动识别方法。通过分析相似性搜索方法获得用户用电时间序列,采用趋势性指标、变化性指标、波动性指标以及其他指标分析商业园区异常用电行为,引用主分量分析与因子分析方法提取异常用电行为特征,凭借误差矩阵自动规整化数据,设定欧氏距离阈值实现商业园区异常用电行为自动识别。实验结果表明方法可降低计算难度,高效识别出异常用电数据,保证商业园区正常用电。

基于支持向量机的电力用户异常用电行为智能检测方法

针对现有检测方法在检测电力用户异常用电行为时存在检测到的异常用电行为用户数与实际不符、检测精度受到严重影响等问题,引入支持向量机,设计电力用户异常用电行为智能检测方法。通过缺失值处理和归一化处理,实现对电力用户用电行为数据的预处理。利用支持向量机检测异常用电数据,结合得到的异常用电数据检测结果识别异常用电行为,并完成智能预警。通过对比实验证明,新的检测方法检测到的异常用电行为用户数与实际相接近,差距较小,具备极高的检测精度。

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。