Study of Denoising in the Electricity Anti-Stealing Detection Based on VMD-WTD Combination

In order to solve the failure of electricity anti-stealing detection device triggered by the noise mixed in high-frequency electricity stealing signals,a denoising method based on variational mode decomposition(VMD)and wavelet threshold denoising(WTD)was applied to extract the effective high-frequency electricity stealing signals.First,the signal polluted by noise was pre-decomposed using the VMD algorithm,the instantaneous frequency means of each pre-decomposed components was analyzed,so as to determine the optimal K value.The optimal K value was used to decompose the polluted signal into K intrinsic mode components,and the sensitive mode components were determined through the cross-correlation function.Next,each sensitive mode was reconstructed.Finally,the reconstructed signal denoised using the wavelet threshold to obtain the denoised signal.The simulation analysis and experimental results show that the proposed method is superior to the traditional VMD method,FFT method and EMD method,as it can effectively eliminate the noise and enhance the reliability of high-frequency electricity stealing signal detection.

基于稳健回归和卷积神经网络的中压窃电类型检测方法

目前传统的窃电检测方法只能识别用户是否存在窃电,而无法针对各类型窃电用户进行快速准确稽查。针对中压用户具有用电量大、用电较为规律的特点,该文提出一种基于稳健回归和卷积神经网络的中压配电线路窃电类型检测方法。首先,考虑到受通信延迟中断等因素影响存在非正常数据的情况,采用稳健回归算法减小其影响,提高回归分析精度;其次,将回归所得的各用户修正系数及误差项作为用户窃电特征,输入卷积神经网络模型进行训练,以完成窃电类型识别;最后,通过仿真和实测数据进行该文方法的验证。结果表明,在不同扰动条件下,该文方法能准确识别不同类型窃电行为,能够更好地辅助现场排查,缩小排查范围,提高查实率。

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。

电力企业用电检查工作中的反窃电探讨

电力能源窃取行为会破坏电力能源供应秩序,同时也会带来用电的安全隐患。作为电力能源提供者、监管者的电力企业,需要加强用电检查工作,有效排查与防控窃电行为。基于此,首先分析当前电力企业反窃电工作现状,并从电表升级、数据分析、反窃电装置应用、用电信息采集、新技术引入、警企联动、巡视检查、责任机制几个方面阐述有效的反窃电技术措施,旨在增强反窃电工作科学性与规范性,有效打击窃电行为,维持供电行业的稳定发展。

基于物联网技术的智能反窃电系统设计

为了解决传统防窃电系统效果低的问题,供电企业开发了基于物联网技术的智能防窍系统,无论是硬件还是软件都获得了大幅度失误升级。硬件系统在传统系统的基础上,搭载物联网传感器,直接监控电表箱,改变了电表的工作方式以及电表和数据传输设备的内部结构。对所设计的基于物联网技术的智能反窃电系统进行测试与分析,以期能够有效防止用户窍电行为。

基于非侵入式负荷监测的反窃电预警方法

为了有效检测用户是否存在窃电行为,文中对用户用电行为展开分析,提出一种基于非侵入式负荷监测的反窃电预警方法。在该方法中,首先利用负荷事件检测、特征提取以及meanshift聚类方法,获得用户各个负荷特征、类别等情况,建立负荷类别对比库以及窃电概率预测模型;根据所建立的窃电行为模型,通过对窃电后的负荷投切事件、使用时长、能耗等进行概率估计,并采用贝叶斯理论对用户用电行为进行推断,实现窃电监测。通过在电能表数据上进行测试,文中方法能够为反窃电提供数据支持,进而为新一代智能电能表反窃电应用奠定基础。

基于特征挖掘的低压台区窃电行为识别研究

为保障低压台区用电安全,提出一种基于特征挖掘的低压台区窃电行为识别方法。首先,采用ZigBee网络模型采集低压台区用户用电数据,并从中提取用电量突变指标、用电数据差别指标以及用电量变化指标等用户异常用电特征。然后,对提取到的特征量进行不确定度量、修正以及归一化处理,得到具有代表性的特征量。接着,采用主成分分析方法对特征量实施降维处理,以达到提高分类器效率的目的。最后,将降维后的特征作为支持向量机分类器的输入信息,通过与三类指标进行匹配,判断是否存在窃电行为。试验结果表明,该方法能够有效地识别低压台区的窃电行为,识别准确率达到93.4%。该方法可以为防范和打击窃电行为提供有效的技术支持。

基于联合神经网络的用户窃电行为识别模型

针对窃电行为识别准确率低的问题,提出了基于联合神经网络的窃电行为识别模型。首先,对获取的用户用电数据进行处理,利用格拉姆角场方法对用户用电数据进行二维化处理。然后,针对不同维度的用电数据,提出了基于联合神经网络的用户窃电行为识别模型,利用卷积神经网络(CNN)和双向长短期记忆(BiLSTM)神经网络提取一维用电数据和二维用电数据特征。通过实例分析表明,提出的联合神经网络模型对窃电行为识别准确率达到90%以上,证明所建立的评估模型为解决窃电问题提供了一种切实可行的方案。

电力营销计量改造中的问题及对策解析

为满足社会日渐增加的电力应用需求,我国电力网络一直处于不断建设和改造的状态,电力营销计量也在随之进行改造和优化。电力网络整体建设管理已经逐渐从初框式逐渐向精细化管理模式进行转变,而电力计量系统也在不断向智能化、自动化方向发展。但就电力营销计量改造实际情况来看,在实施计量改造过程中,现场用线混乱以及窃电漏电等方面的问题,对改造工作开展形成了严重阻碍,需要改进。通过对电力营销计量改造相关问题的分析,在明确问题产生原因的基础上,展开对应应对策略的探讨,旨在做好电力营销计量改造工作,保证电力营销计量工作开展质量。

基于改进随机森林算法的低压用户窃电行为自适应监测方法

用户窃电行为频发,针对窃电后的日用电量,电压、三相电流变化监测过程困难,精度低的问题,提出基于改进随机森林算法的低压用户窃电行为自适应监测方法。利用分布式结构采集低压用户的用电信息,通过控制振荡器(CCO)与单线程单元(STA)的相互配合,实现一天内96点电表曲线数据采集;从已采集到的用电信息中提取窃电用户的电量、电流与电压的用电曲线偏离度特征;将这些特征输入随机森林算法开始训练,经训练后获取自适应监测样本,并向随机森林算法中引入惩罚项因子,提升训练能力,使其具有自适应性,完成低压用户窃电行为的自适应监测。经实验验证,该方法能够精确采集用户的日用电量,在监测时可迅速发现用户窃电后的电压、三相电流变化,同时还可以实现多种窃电行为的监测。

一种基于破坏表计的窃电方式分析

分析了一种基于破坏表计方式的窃电手法,通过对目前主要的窃电手法进行分类,描述基于破坏表计窃电的产生过程和结果现象。结合案例分析,针对此类窃电方式提出加强对计量箱的巡视和实验室检定工作的规范性等建议,保证电能计量公平公正。

一起采用遥控互感器窃电的典型案例分析

文章分析了一起采用遥控互感器窃电的典型案例,通过案例的现场检查经过和案例分析,得出本案例带来的启示。该窃电案件的作案手段,表明窃电方式已由较原始的方式发展成现代化的智能型窃电,启发用电检查人员拓宽反窃电的工作思路,对今后的反窃电工作开展有很好的借鉴意义。

一起窃电引起台区负线损率的案例分析

台区线损治理是供电企业一项长期的重要工作,台区高线损率和负线损率是台区线损治理过程中较为常见的问题。在台区线损治理工作中,用户窃电是引起线损率升高的重要原因之一,也是较为常见的现象,但窃电引起台区负线损率的问题较为少见,也容易被忽视,现结合实际案例进行分析。

基于LabVIEW实现BP神经网络的反窃电系统研究

为了解决反窃电技术评估窃电情况难度较大的问题,提出基于LabVIEW实现BP神经网络的反窃电系统。构建反窃电评价指标体系,以评价指标作为输入,窃电嫌疑因子及窃电方式作为输出,利用遗传优化BP神经网络,判断用户是否存在窃电行为,将判断结果以供有关部门审查,并采用LabVIEW搭建开发平台,实现BP神经网络的反窃电系统研究。实验结果表明:该系统评估窃电效果佳,可精准评估窃电嫌疑因子与窃电方式,提升反窃电效果。

基于门磁系统原理的计量箱防窃电智能报警装置设计

大多数窃电行为发生在计量箱(柜)处,通过违规处理智能表接线以及内部芯片达到窃电目的。现场计量箱(柜)缺乏有效可靠监控,窃电行为往往不能被及时制止,损害供电企业经济利益且威胁电网安全稳定运行。文章设计了一种计量箱防窃电报警装置。首先,通过门磁感应技术触发计量箱开闭信号,再经ZigBee近距离无线传输技术和计量采集终端与采集系统的4G技术将报警信号传输至监控后台,并最终推送至用电检查人员手机端,进而实现计量箱实时监测预警。经仁寿县供电公司实践运用,该装置可实现预警信息及时、有效推送,为有效控制用户窃电行为提供强有力的支撑,具有较高的推广应用价值。

基于回归卷积神经网络和负荷混沌模型的窃电预测方法

精确地计算台区线损、提取用户用电特征实现窃电预测,是精准营销策略制定的关键。然而,台区可再生能源发电的随机性、电动汽车充放电无序性、环境变化等因素使用户用电行为极易突变,导致台区用户用电数据呈现混沌随机特性,无法有效检测用户窃电行为。对此,建立了台区用户用电的时序相关混沌模型,并提取窃电负荷样本与正常样本的特征,使用回归卷积神经网络对窃电样本和正常样本训练学习,获得增强特征分类学习器,以此实现对窃电用户用电预测。通过对某实际电力公司用电数据的测试分析表明,所提方法的计算结果具有较高的精确度。

电能计量装置现场反窃电自动化检验技术

电能计量装置现场的窃电用户识别较为困难,导致窃电检验准确率偏低。为此,提出一种电能计量装置现场反窃电自动化检验技术。通过数据信息集成、数据清晰度显示、数据信息变换和数据内容简化实现数据挖掘。利用线性插值采集缺失数据,并实现数据补正。利用归一化处理实现窃电数据分析。建立用户窃电行为判别树,筛选异常数据,建立分析模型,通过比较关联特征确定窃电量。实验结果表明,研究的电能计量装置现场反窃电自动化检验技术能够确定线损波动情况,寻找异常数据,窃电量检测结果准确率在98%以上,适用于实际电网保护工作。

基于稠密度聚类的低压台区用电窃电行为识别

使用线损异常判断、离群点算法的窃电行为识别方法忽略了全局迭代搜索,导致窃电起始时间识别结果与实际时间不一致。为此,提出了基于稠密度聚类的低压台区用电窃电行为识别方法。确定并及时更新初始用电窃电行为的数据中心点,建立非负矩阵,根据搜索及时更新的窃电行为数据中心点,计算其综合分值,以此作为窃电嫌疑的筛选依据,完成低压台区用电窃电行为的识别。实验结果表明,平均谱半径在第100天和150天时,该方法识别出两个显著突变点,窃电起始时间与实际窃电起始时间一致,具有精准识别结果。

综合能源系统中用户窃电行为信息的采集方法

电力公司存在欺诈性电力客户,为保证电网的安全运行,需要准确预测和判断电网用户是否发生窃电行为,因此,本文研究了综合能源系统中用户窃电行为的信息采集方法。考虑综合能源系统中的历史用电数据,以关键特征指标为判断标准,标准化分类用户的用电数据。通过时序偏差曲线指定数据采集任务,构建用户用电信息不完全博弈模型,以数据挖掘技术采集用户窃电行为信息,完成用户窃电行为信息采集。

基于数据挖掘的窃电用户预警与定位技术研究

为有效控制电网线损率、减轻用户窃电给配电安全性带来的不利影响、提高联合稽查工作的质量,该文针对基于数据挖掘的窃电用户预警与定位技术展开研究。根据窃电电量计算结果分析用户的实时用电行为,以此为条件设置数据挖掘权重。在此基础上,对已知的窃电样本实施过采样分类处理,分别从预警功率传输关系、定位电压传输关系两个角度,分析窃电用户预警与定位技术的应用效力。实例结果表明,应用该文技术后,各电网通路中的线损率水平均得到有效控制,证明其能够有效解决由用户窃电行为造成的配电安全问题,也为联合稽查工作的顺利开展奠定了基础。