针对非技术性损失的智能用电异常检测方法

非技术性损失已经成为影响电力公司收益和电能质量的重要因素。提出了一个基于不同用户类型的含离线参数优选和在线异常检测的非技术性损失检测方法。错分训练样本后,可以得出用户异常的实时检测结果,同时随着历史数据的更新,使检测率在运行过程中逐渐达到最优。选取支持向量机算法进行异常检测,并通过遗传算法求出针对不同用户的最优参数,以提高用户的异常检测率。在具体算例中,实时检测系统通过对检测准确率和异常误检率指标的评估,验证该检测方法在周期更新中的性能稳定性和降低电力公司成本方面的优势。

异常用电的检测方法：评述与展望

用电侧的非技术性损失(NTL)主要由用户异常用电行为造成,一直是各国电网企业期望解决的重要问题。随着智能电表在电网中的普及,利用配电网、用户侧的量测数据实现对于NTL的高效、精准检测,受到了学术界和业界的广泛关注。首先介绍用户异常用电行为的基本模型、方法与评价指标。随后,从基于系统状态、基于数据驱动和基于博弈论三个角度对现有的异常用电行为检测方法进行系统性的梳理、分析与比较,以总结出其对于后续研究工作开展的借鉴意义。最后,对异常用电行为检测领域的关键技术进行了提炼,并对异常用电行为检测领域未来的研究工作进行了展望。

基于SVM的AMI环境下用电异常检测研究

高级测量体系的建设在传统电力系统中引入了许多新技术,对电力系统安全提出了新的考验。网络的开放性和安全性之间的矛盾加大,使得非法电力用户窃电的手段增多,如何有效检测窃电成为电网信息化的一个新问题。根据高级测量体系系统架构的特点,使用One-class SVM无监督机器学习架构对电力用户负荷异常进行检测,可以在小样本、样本分类不均衡环境下提高检测的准确性。使用对检测结果过滤的方法对检测结果进行分类处理,降低系统的虚警率。系统能提高用电稽查效率,降低电力系统的非技术性损失。最后对系统进行架构搭建实现,使用真实算例验证了算法的执行效率和检测效率。

基于深度学习的用户异常用电模式检测

针对电力用户的异常用电行为,提出一种基于深度学习的用户异常用电模式检测模型。利用Tensor Flow框架,构建了特征提取网络和多层特征匹配网络。基于长短期记忆(LSTM)的特征提取网络,从大量时间序列中提取出不同的序列特征。基于全连接网络(FCN)的多层特征匹配网络,利用提取出的特征数据,完成对异常用电数据的检测。实例分析表明,与非深度学习检测模型相比,所提模型可更加有效地完成异常用电模式检测。此外,与多层LSTM分类模型相比,所提模型具有更好的准确性和鲁棒性。

面向非技术性损失的用电异常检测方法分析

在非技术性损失条件下进行用电异常检测,提高用电监测和管理能力,保障供电稳定。提出一种基于谱特征提取和衰减特征分量融合的用电异常检测方法,提取用电输出流量序列,对电力输出序列进行频谱特征分解和离散性调度,采用高斯随机频谱检测方法进行用电输出流量序列的特征提取,采用小波尺度分解进行非技术性损失下的用电异常流量的多元尺度分解和衰减特征分量融合,建立检测统计量,在最佳判决条件下进行用电异常特征提取,实现非技术性损失下的用电异常检测。仿真结果表明,采用该方法进行用电异常检测的准确检测概率较高,降低了电能衰减,减小了用电的非技术性损失,提高用电监测和管理能力。

基于时间卷积网络的用户用电异常检测方法

针对电网中的用电异常行为,为了解决大部分传统检测方法效率低下以及当前的机器学习模型存在局限性等问题,提出了一种基于时间卷积网络的端到端的用户用电异常检测模型。结果表明,文章提出的方法在中国国家电网公司(SGCC)收集的电表数据集上表现出的分类效果优于现有的支持向量机(SVM)、logistic回归(LR)、卷积神经网络(CNN)和长短期记忆网络(LSTM)等方法。

基于线性判别分析和密度峰值聚类的异常用电模式检测

现有的异常用电检测方法存在未考虑电力用户的位置信息、模型参数选取困难的问题。据此,提出了一种基于线性判别分析(LDA)和密度峰值(DPeaks)聚类的双判据无监督异常用电检测模型。该模型遵循“特征构造—维度规约—聚类—异常检测”的流程,借助聚类算法将用电模式类别不同的用户进行分类后再检测。在维度规约模块,使用线性判别分析将用户的台区号输入检测模型,提升了模型的检出率和精确率;在异常检测模块,设置双判据检测标准,减小了模型对参数摄动的敏感程度。采用该模型检测爱尔兰智能电表数据,结果表明用户位置信息的引入可以提高异常检测模型的准确度。

基于高维随机矩阵的异常用电行为识别方法

基于高维随机矩阵理论,提出一种用户异常用电行为识别方法。该方法利用电网用户侧大数据构建高维随机矩阵,得出其矩阵特征值的谱分布和谱密度函数,通过M-P定律和单环定律判断样本数据有无异常;并通过平均谱半径确定用户用电异常时间区段。通过对某电网公司某台区近一年半的日用电量和有功功率数据进行分析,验证该方法的准确性和有效性。结果表明该方法能解决传统异常用电行为识别方法耗费人力大、时效性差及识别不精准等问题。

基于BRB和LSTM网络的电力大数据用电异常检测方法

为了降低电力公司的运营成本,针对非技术性损失(non-technical loss,NTL),提出一种基于置信规则推理(belief rule-based,BRB)和长短记忆网络模型(long short-term memory,LSTM)的用户窃电行为诊断方法。该方法首先从用电量大数据中提取电量波动系数和用电量曲线的毛刺宽度两种用电异常特征,制定BRB异常特征输入前置属性转换,并通过证据推理(evidential reasoning,ER)方法输出最终的置信度,建立适用于NTL异常检测的置信规则库,从而自动获取具有高鲁棒性的有标签正负样本训练数据集。接着,以此为基础,提出构建一种多LSTM网络检测模型,实现对异常用电特征的有效提取与检测。实验结果表明,与现有的主流网络故障检测模型相比,所提方法能够更准确地从电力大数据中诊断出用户的异常用电行为。