智能电网环境下窃电行为检测

用户恶意窃电造成的用电侧非技术性损失一直是全球各国电力公司期望解决的问题之一。随着人工智能算法的快速发展和智能电表的普及,通过对窃电行为建模和检测将有效减少这类情况的发生。本文首先介绍用电行为数据收集、处理、采样手段。其次,就面向用电异常行为挖掘的离群点检测、机器学习方法和深度学习方法,分析对比各类算法的特点,对已有工作进行总结。最后,通过讨论智能化手段在窃电检测研究中出现的问题和未来研究工作为该领域的研究人员提供一些借鉴。

基于实值深度置信网络的用户侧窃电行为检测

用户侧窃电行为造成的非技术性损失对电网企业危害重大,不仅会影响电力系统的供电质量,还会增加电网的运营成本。为了辅助电网公司提高用电稽查效率、管理用户规范化用电,提出了基于实值深度置信网络的用户侧窃电行为检测模型。实值深度置信网络具有提取抽象特征的功能,并通过前馈神经网络微调后可实现较高分类精度。为了优化实值深度置信网络因随机初始化产生的局部最优化问题,该模型通过萤火虫算法对网络参数全局寻优。针对用户窃电行为检测,该模型利用因子分析进行数据降维,利用随机欠采样和套索算法应对数据不平衡问题,并利用ROC(receiver operatingcharacteristiccurve)曲线选取该模型的检测阈值。最后仿真实验验证了所提出模型的有效性和精确性。

基于RBF神经网络的配电网窃电行为检测

目前的窃电手段隐蔽性强、种类多样,传统的窃电检测方法已经越来越力不从心,不仅准确率低且时效性不高.因此,结合机器学习的方法,提出了一种基于RBF神经网络的窃电行为检测方法.通过对目前常见的窃电方式进行分析,挑选出三相电压中各相电压之间的差值、三相电流中各相电流的差值以及功率因数等参考量作为窃电检测的特征指标,并采用包含特征指标的历史数据来构建基于RBF神经网络的窃电行为检测模型.试验结果表明该方法针对目前常见的窃电方式进行识别的准确率达到94.1%,可以有效地筛选出存在窃电嫌疑的用户.该方法不仅达到了实际应用的精度要求,而且使反窃电技术更加智能化,变被动防窃电为主动防窃电.

基于时序偏移双残差网络的窃电行为检测

针对窃电量小、窃电发生时间随机的窃电行为,提出一种基于时序偏移双残差网络(TS-Bi-ResNet)的窃电行为检测模型.将基础残差网络模型改进为双残差网络(bi-residual network,Bi-ResNet)模型,考虑到窃电行为发生时间的随机性,利用时序偏移(timing shift,TS)算法对用电数据预处理,使模型能够学习用电数据的时间因素特征,构成TS-Bi-ResNet模型.根据真实用电数据和窃电特征生成含有伪窃电数据的混合用电数据集,利用TS-Bi-ResNet模型学习其浅层特征和深层特征,进而执行窃电行为检测.仿真和实际运行结果表明,TS-Bi-ResNet模型可以有效检测窃电量小且窃电发生时间随机的窃电行为,其检测精度优于LSTM模型与残差网络(ResNet)模型.

基于深度森林算法的窃电行为检测方法研究

深度学习在窃电行为检测领域的研究中应用越来越多,但传统的基于神经网络的深度学习因需要大量的训练样本、调参过程复杂等原因应用十分受限。首次将深度森林分类算法引入窃电行为检测领域,利用其依赖训练样本量小、超参数少、计算效率高的优点,结合从电量、电压、电流、功率因数等数据提取的特征检测用户是否存在窃电嫌疑。通过某地区用电信息采集系统提供的负荷数据,验证了所提窃电行为检测模型的有效性。

基于神经网络算法的用户窃电行为检测模型研究

为了检测存在窃电行为的用电用户,减少电力企业经济效益损失,文章采用湖州市真实用户用电数据,基于机器学习BP神经网络算法,构建低压用户与专变用户用电行为特征,建立窃电风险等级模型。模型采用6折交叉验证方法,平均AUC值达到0.85,验证集中窃电用户命中率达到0.75,比以往人为排查的方法提高了效率和准确性,一定程度上能够辅助反窃电技术的智能化和信息化,为反窃电管理的完善提供有效的技术支持。

基于深度学习的窃电行为检测方法

相较过去大部分针对专变和公变的窃电检测方法,文中针对群体数量庞大、窃电手段复杂多样的低压用户进行窃电行为的检测分析。首先建立特征工程,然后基于卷积神经网络Le Net-5模型对日用电量数据进行建模分析,筛选出异常用电模式,再采用双层深度网络对用户信息、台区线损、告警信息等数据进行综合分析。通过比对模型输出的分级窃电嫌疑清单,本文方法对各类窃电模式有很好的查准率,为精确抓获窃电奠定了基础。