台区分支窃漏电分析系统及方法

针对窃漏电分析,本文提出一种台区分支窃漏电分析系统及方法,将同步获取的分支测量装置获取的数据集基于移动平均(Moving Average,MAVG)统计分析,建立外部故障等级判断和表计故障分层判断模型,计算分支电量、漏电流等电力参数,确定异常分支点,实现窃漏电的精准分析、查找。

自适应的窃漏电诊断方法研究及应用

基于已有电能计量自动化系统的实时采集的电量、负荷、报警及线损数据,分析现有用电检查所得窃电现象的样本,通过构建指标体系,建立一种自适应的防窃漏电诊断模型。基于模糊评价法与神经网络方法,结合了两者的优点,能够反映窃漏电现象的特征。经实证研究,能够实时监测计量自动化系统的运行数据,发现诊断窃漏电现象,具有较强的识别能力。

基于LM算法的用户窃漏电行为预测

针对某电力系统的用户窃漏电行为进行数据挖掘,利用LM神经网络算法建立评价模型。首先对预处理后的数据进行数据变换,得到用来表征用户窃漏电行为的评价指标,其次基于LM算法建立了用户窃漏电行为预测的评价模型,实现对用户窃漏电行为的监测,并且与分类回归树算法(CART)进行对比,利用ROC曲线评价方法进行评估,用随机森林(RF)和支持向量机(SVM)算法进行了实验验证,实验结果表明,相对于CART、RF、SVM算法,基于LM神经网络的用户窃漏电检测系统得到更高得预测准确率。

基于stacking模型的窃漏电用户检测

为了进一步提高对窃漏电用户检测的准确性,本文提出了一种基于Stacking融合模型对窃漏电用户进行分类的检测方法。该模型分成两层架构,第一层基础模型对原始特征进行特征变换后得到新的二级特征,再把二级特征输入到第二层训练元学习器从而实现对样本数据的最终分类。实验结果表明,stacking融合模型很好融合了各个单一模型的优点,相比于单一的分类模型, Stacking模型表现出了更好的检测效果。

基于电流偏差分析技术的窃漏电定位方法

基于电流偏差分析技术提出一种窃漏电定位方法。利用PMS系统、营销SG186系统的营配贯通数据和用电信息采集系统的实时采集数据,对各线路各相电压、电流进行分析计算,当节点存在两条支路时,电压小的支路存在窃漏电,从而实现对窃漏电用户的精准定位。通过开展现场测试,进一步验证了该方法的有效性。

聚类分析在窃漏电检测中的应用

本文通过设计线损率相关指标,应用聚类分析大数据统计方法,进一步缩小了窃漏电可疑用户范围,具有重要的现实意义。通过理论和实证分析研究线损相关特征,为建立科学合理的窃漏电评价指标体系提供理论支撑。

基于TLSmote-SVM的非均衡用户窃漏电诊断算法

针对支持向量机(support vector machines,SVM)检测异常用电用户精度受样本非均衡性和核函数选择影响的问题,提出一种基于TLSmote-SVM(tomekLink-smote-SVM)的窃漏电诊断模型.首先基于用电用户数据分布,利用S mote方法扩充少数类样本,同时采用Tomek-link剔除噪声;然后对用户用电特征指标降维后优选SVM核函数;最后将该算法应用于非均衡用户窃漏电诊断实验,并与传统SVM和Smote-SVM进行对比,实验结果表明,该算法可显著提高窃漏电用户的检测精度.