基于ISSA-SVC的配电网高损台区窃电检测方法研究

针对现有的基于机器学习的用户窃电行为检测方法检测效率和准确率不高等问题,提出一种基于改进麻雀搜索算法(improved sparrow search algorithm,ISSA)优化支持向量分类机(support vector classification,SVC)参数的ISSA-SVC窃电检测模型。首先,该模型通过分析台区每一天的线损率与窃电电量、窃电用户计量电量与窃电电量、窃电用户计量电量与线损电量、台区供电量与窃电电量、用户最近一天用电量和相邻几天用电量、具有相似特征用户用电量曲线的相关性提取用户窃电特征参量。其次,利用动态时间规整(dynamic time warping,DTW)方法计算得到它们的相关系数。最后,采用ISSA优化SVC惩罚参数C和核参数g,并对台区内窃电用户进行检测。仿真算例与实际电网数据分析表明,所提方法与传统的窃电检测方法相比,具有更高的效率和准确率。

基于重采样和混合集成学习的不平衡窃电检测

针对电力用户类别不平衡导致窃电检测具有偏向性问题,该文提出一种基于重采样和混合集成学习的不平衡窃电检测模型。首先以Easy-ensemble混合集成学习框架为基础确定最佳采样子集数;然后通过重采样自适应策略,即根据用户用电数据集的不平衡度以及最佳采样子集数确定检测模型的重采样方式,使用电数据达到平衡;最后按照先串行集成减小偏差、后并行集成降低方差的混合集成方式,对重采样后的均衡样本进行窃电检测。算例对比分析表明所提检测模型通过重采样和混合集成有效解决了传统集成算法在不平衡窃电检测中的偏向问题,降低了由于用电数据的不平衡性对集成结果的影响,提高了用户类别不平衡的窃电检测效果,在多种不平衡度下模型的准确率、F1值和G均值均表现优异。

试析装表接电反窃电技术与反窃电措施

近些年,我国电力行业的发展一直处于飞速状态,各行各业的生产运行以及人们的生活与工作都对电力有较大的需求,然而在用电期间盗窃电力已经成为一个严重的问题,造成了巨大的经济损失和安全隐患,而且盗窃电力的行为常常伴随着非法接线和违反安全规定,给社会带来了严重的安全隐患,必须要引入反窃电技术和措施来保障电力安全和合理利益。在此背景下本文将围绕装表接电反窃电技术和反窃电措施的相关内容开展研究。

基于多阶段递推数据分析的低压台区窃电检测方法

窃电行为不仅会扰乱正常用电秩序,更会影响电网的供电质量和安全运行。针对窃电检测工作中所面临的用户正常用电行为与窃电行为多样化问题,该文提出一种基于多阶段递推数据分析的低压台区窃电检测方法。该方法第1阶段对嫌疑窃电台区进行判定,针对当日线损不是明显激增的情况,提出基于台区线损综合波动率、总分表电流差异率、线损和电流曲线的突变点时间重合度的三步分析法,为窃电嫌疑用户的检测提供了良好的条件;第2阶段提出基于最优特征集的时间序列相似性度量方法,基于欧氏距离度量曲线间数值特征,同时基于动态时间规整(dynamic time warping,DTW)算法度量曲线间的形态特征,实现窃电嫌疑用户的初步筛选;第3阶段提出基于核函数和惩罚参数优化的支持向量机二次深度检测模型(optimize kernel-function and penalty-parameters support vector machine,OKPSVM),其中惩罚参数采用综合改进的粒子群(improved particle swarm optimization,IPSO)算法。通过算例仿真和实际工程应用,整体优化后的支持向量机模型(IPSO-OKPSVM)能够提高深度窃电检测的精准性和适用性。

多目标优化时域卷积神经网络的窃电行为高准确检测算法

随着当前用户用电行为的多样性及窃电行为隐蔽性的增加,窃电检测检出率高的同时误检率也增加,致使现有算法难以满足高准确窃电稽查的工程实际需求,对此该文提出多目标优化时域卷积神经网络的窃电行为高准确检测算法。首先基于时域卷积神经网络构建深度模型,引入侧输出融合结构提取用户用电信息的高低维特征,并通过注意力机制进行特征融合,提高模型窃电检测准确率;然后通过两阶段训练模型参数,第一阶段基于传统梯度下降算法优化模型权重与阈值,第二阶段基于窃电检测的混淆矩阵建立准确率、检出率与误检率3个维度的目标函数,采用第三代非支配排序遗传算法(non-dominated sorting genetic algorithm,NSGA-Ⅲ)进行模型优化训练,提高窃电检出率并降低误检率,据此建立多目标优化时域卷积神经网络的窃电行为高准确检测算法,并开发窃电检测实验平台实际验证所提算法;最后通过电网实测数据与实验平台验证,结果表明该文所提算法在降低误检率的同时提高10%检出率,比现有算法检出率提高同时误检率降低,更符合当前工程应用高准确窃电的检测实际需求。

基于前馈神经网络的电力窃电行为识别方法

当前电力窃电行为识别机制的设定为内容识别,误识率较高,因此本文提出对基于前馈神经网络的电力窃电行为识别方法的设计。根据当前识别需求,先进行用电负荷数据处理及数据转换,采用自适应的方式,提高识别效率,建立自适应识别机制。以此为基础设计电力窃电行为前馈神经网络识别模型,采用动态训练与追踪监测实现窃电识别。测试结果表明,与传统滤波电力窃电行为识别方法、传统改进孤立森林算法电力窃电行为识别方法相比,本次所设计的前馈神经网络电力窃电行为识别方法得出的误识率被控制在0.45%以下,这说明结合前馈神经网络,设计的电力窃电行为识别方法更高效,具备更高的识别精准度。

低压用电检查工作中反窃电问题及对策

低压用电检查工作中时常会出现各种窃电现象,窃电者会制造多种手段来破坏电能表的电量。由于电量与电能表的电压、电流等数据相关,通过非法手段可使电能表不在正常工作状态,导致转速转慢或暂停运转等,从而达到电量少计或不入的窃电目的。这些窃电行为会造成电力企业的经济损失,因此要对反窃电存在的问题进行深入分析,并制定有效的解决措施,以减少企业损失,促进电力企业健康发展。基于此,文章针对低压用电检查工作中的反窃电问题及对策展开论述。

基于大数据的防窃电技术(续完)

5应用成效结合以上建设内容,形成了涵盖异常事件处理、用电波动、线路停电事件、电压过载、变压器过载、视在功率比对分析、电流互感器回路异常分析等多种常见的窃电分析模型的计量数据窃电分析方法,能够准确、快速地对引起用电信息异常的行为进行决策和排查,准确发现不法分子的窃电行为,并且为现场排查窃电行为提供了有力证据,有效预防和减少了当地窃电案件的发生。

基于窃电数据模型的电力企业反窃电机制研究

本文以某电力公司工作实践为基础,在区块链和增强现实理论研究基础上,利用区块链永久性、不可篡改和去中心化等特点,提出了解决窃电查处过程中影像证据固化的新方法,构建反窃电取证系统,探索了应用于窃电查处现场的反窃电取证系统。

电力企业用电检查工作中的反窃电研究

窃电行为不仅会损害电力企业的利益,更会带来用电安全隐患,因此电力企业必须加强用电检查,切实做好反窃电工作。文章阐述了窃取电能的方式及用电检查中反窃电的必要性,分析了当前反窃电工作的现状,从技术措施与管理措施两个层面入手,提出了加强反窃电工作的有效措施,以期进一步提高用电检查的工作效率,实现对窃电行为的有效打击。

反窃电工作典型法律风险分析

随着信息技术进步,不法分子窃电方式和窃电手段愈发隐蔽,反窃电人员现场检查难度越来越大,同时个别不法分子利用政策漏洞和法律模糊条款开展恶意维权,企图利用法律手段谋求不正当利益,这一系列问题给供电企业反窃电工作面临的法律风险带来了不确定性。2020年11月29日,上海市松江区人民法院发布了一起相关案例,本文以此为例进行反窃电工作法律风险分析。

统计与大数据思维在窃电识别中的应用

针对用户用电负荷数据利用率不高和样本极度不均衡导致窃电用户识别不准的现实问题,从统计与大数据思维角度指导历史用电负荷数据挖掘,并提出一套窃电识别特征集。

基于CT-GAN的半监督学习窃电检测方法研究

针对电网公司获取有标签数据成本高、难度大,而获取的无标签数据难以训练有效窃电检测模型的问题,提出了在少量有窃电标签数据场景下基于联合训练生成对抗网络(Co-training Generative Adversarial Networks, CT-GAN)的半监督窃电检测方法 .首先,探究了生成对抗网络及半监督生成对抗网络的原理与结构.其次,提出了采用Wasserstein距离取代JS(Jensen-Shannon)散度和KL(Kullback-Leibler)散度距离以解决生成对抗网络因梯度消失和模式崩溃原因导致的模型训练不稳定和生成数据质量低的问题,并构建了多判别器联合训练模型,避免了单个判别器分布误差高的问题,同时增强了GAN生成标签样本数据的能力,通过扩充标签样本数据集,提升了模型检测准确度和泛化能力.最后,采用爱尔兰电网数据集验证了该方法的准确性和有效性.

基于MTF维度提升和残差网络的窃电识别方法

针对智能电网中的窃电检测问题,通过分析用户日用电量,发现正常用户用电具有季节波动和假期关联特性,窃电用户呈现杂乱无序状态。为此,提出了一种基于马尔可夫转移场的一维到二维图像转换方法,从多个时间尺度挖掘用电特征,再利用引入残差模块的卷积神经网络进行窃电用户识别。在国家电网提供的数据集上进行实验,所提方法具有94.31%的准确率,验证了其有效性和可行性。

基于多维序列分析的低压光伏台区窃电检测方法

低压配电台区是窃电行为的主要发生区域之一,分布式光伏接入使得台区由传统单电源结构变为多电源结构,线损特征改变,窃电检测难度进一步提升。面向低压光伏台区,提出了一种基于多维序列分析的窃电检测方法。首先提取多维线损率影响因素,基于高斯过程回归进行非线性拟合并通过交叉验证确定窃电嫌疑时段;然后借助电量、电压等多维序列信息计算各用户的理论线损贡献因子,结合相关性分析和蒙特卡洛模拟捕捉电量线损耦合关系;进而基于OPTICS聚类定位嫌疑度离群用户,即窃电用户;最后通过仿真台区算例分析验证了所提方法的有效性。

基于深度学习的智能电网窃电检测混合模型研究

针对传统窃电检测模型受维度诅咒、类不平衡等问题,提出一种能有效检测智能电网窃电行为的混合深度学习模型,利用深度学习卷积神经网络(AlexNet)处理维度诅咒问题,显著提升数据处理的准确性;通过自适应增强(Ada Boost)对正常和异常用电行为分类,进一步提高分类精度;使用欠采样技术解决类不平衡问题,确保模型在各类数据的均衡性能;利用人工蜂群算法对AdaBoost和AlexNet的超参数进行优化,有效提高整体模型性能。使用真实智能电表数据集评估混合模型的有效性,与同类模型相比,提出的混合深度学习模型在准确率、精确度、召回率、F1分数、马修斯相关系数(MCC)和曲线下面积-接收者操作特征曲线(AUC-ROC)分数上分别达到了88%、86%、84%、85%、78%和91%,不仅提高了用电行为监测的准确性,也为电力系统的智能分析提供了新视角。

基于数据驱动模型的反窃电行为精准取证系统

反窃电行为现场蹲守取证的时效性与准确性均较差,导致取证工作效率下降,且取得的证据不完整,设计基于数据驱动模型的反窃电行为精准取证系统。在现场布设反窃电稽查仪、红外摄像头,在采集层获取用户相关用电数据以及视频图像,并通过通信层的集中器将数据传输到主站层。主站层借助数据驱动模型从用电数据以及视频图像中挖掘证据,对获取的证据进行实时整理和归纳,完成反窃电行为精准取证。实验结果表明,利用所设计系统对窃电用户进行检测与识别后所得F1值均大于9,且接近于10,能够实现反窃电行为精准取证。

基于神经架构搜索的智能电表窃电识别方法研究

本文基于神经架构搜索技术,利用大规模智能电表数据进行训练,自动判断电流、电压和功率特征,旨在提高窃电行为的准确识别度并降低误报率。本文采用神经架构搜索算法构建的窃电识别模型,更精准地识别窃电行为。研究的最终目标在于加强供电公司对窃电行为的监测,提高打击能力,保障电网安全、稳定地运行。该方法的应用十分广泛,可推动智能电表技术的发展,为电力行业提供更高效的管理手段。

基于样本卷积交互学习的窃电检测样本增强方法

为了检测窃电,有多项研究和应用,但是现有的窃电检测研究未能有效地解决样本分布不平衡的问题。为了解决这一问题,提出了一种基于样本卷积交互学习的窃电检测样本增强方法。首先将数据预处理后的训练集通过样本卷积交互学习方法增加训练集中的少数样本;然后将样本增强后的训练集输入到一个3层卷积神经网络模型中进行特征提取,最后使用一个2层的全连接层输出检测结果,并使用常用的评估指标以验证样本增强机制的有效性。在中国国家电网公司(SGCC)数据集上的仿真实验结果表明,提出的TSCINet-CNN模型在70%的训练集中曲线下面积、F1-score和MAP上分别取得了0.8822、0.5445和0.5560的相对优秀结果。

电力计量中的反窃电措施

电力计量是电力系统中非常重要的环节,其能够准确测量电能消耗情况,为电力计费提供依据。然而,在电力计量中,经常出现窃电的现象,给电力供应企业和用户带来经济损失和安全隐患。因此,为了保障电力计量的安全和稳定,采取反窃电措施必不可少。对电力计量中的反窃电措施进行探讨,以期为电力系统的安全运行提供有益参考。