张铁峰;张靖
【摘 要】The theft of electricity or other illegal behaviors of power users will always lead to some abnormal electricity situations, resulting in non-technical losses of power supply enterprises. In actual consumption environment, the power loads are under the influence of so many nonlinear factors that the power use behavior patterns present diversity, and it is difficult to accurately identify the abnormal electricity when using the traditional method. To solve this problem, a two-stage electrical anomaly detection method based on k-means clustering algorithm is proposed in this paper. In the first stage, based on power use historical data, the user typical load curve is extracted as the basic model by k-means clustering algorithm; the gray analysis of the key factors influencing the power load according is used to analyze the influence degree and modify the foundation models further. In the second stage, a comparison is made between the daily load curve and revised typical load curve, and the Euclidean distance between the two curves is utilized as
the user electricity abnormal considerations on the basis of sorting for suspected users. The practical case shows that this method is of practical value for the detection of abnormal electricity.%窃电或电力用户其他违规行为及计量错误往往会引起用电异常,导致供电企业的非技术损失.在实际用电环境下,电力负荷受到诸多非线性因素的影响,利用传统的用电异常检测方法难以准确识别用电异常.针对这一问题,提出一种基于k-means聚类算法的两阶段用电异常检测方法.第一阶段利用k-means聚类算法根据用户用电历史数据提取用户典型负荷曲线作为基础模型,进一步利用灰分析法对影响电力负荷的关键因素根据影响程度进行分析,并对基础模型进行修正;第二阶段,将待测日负荷曲线与经过修正的典型负荷曲线进行比较,将二者之间的欧氏距离作为用户用电异常的考量依据为嫌疑用户排序.实际案例表明,该方法对于检测用电异常快速有效,具有实用价值. 【期刊名称】《电力科学与工程》出水服务
shenh
【年(卷),期】2018(034)012
【总页数】7页(P25-31)
【关键词】用电异常;负荷模式;k-means;欧氏距离
【作 者】张铁峰;张靖
【作者单位】华北电力大学 电气与电子工程学院, 河北 保定 071003;华北电力大学 电气与电子工程学院, 河北 保定 071003
【正文语种】中 文
【中图分类】TM714
0 引言
随着智能配电网和高级量测体系的不断发展，配用电数据逐渐呈现出体量大、类型多、增速快等大数据特征[1]。但是受设备故障、通信故障、电网波动和用电管理等因素的影响，这些数据中包含大量异常的用电数据[2,3]。在智能配电网中，利用有效的异常检测方法可以及时监测到用电异常故障情况，从而进行处理，减小企业的非技术损失[4]。因此，用电异常检测对于提高电力服务水平，减少电网的非技术性损失(non-technical losses,NTLs)，节约大量人力资源以及降低运营成本有着重要意义[5]。
由于电能的不可大量存储特性，传统的用电异常检测一直都是以反窃电技术为主，从源头上防止异常用电，然后以现场检测为辅进行的。传统的异常用电检测有定期巡检、定期校验电表、用户举报窃电等方法来发现窃电或计量装置故障等[6,7]。这些方法存在耗费人力物力大，误报多，耗时长，效率低的问题，同时，也难以发现用电异常背后的关联事件信息。因此，需要开发新的用电异常检测方法。
当前，国内外研究人员针对用电异常检测提出多种不同方法。文献[8]提出一种基于密度聚类技术的用电异常检测算法，根据基于密度的聚类技术，将局部离点转化为异常用电波动区间的离度，利用关联分析法构造关联规则，同时给出关联规则支持度，结合当前用电量总和来分析获取异常用电的得分，从而进行用电异常检测。文献[9]提出一种基于人工神经网络的用电异常检测方法，首先搭建了用于处理海量用电数据的分布式存储Hadoop平台，选取了总电能示值、电能峰值、电能谷值、电压电流、功率因数等12个用电数据指标，然后分析和改进了适用于并行处理的BP神经网络算法，进而提出了基于人工神经网络的用电异常嫌疑分析模型。文献[10]提出LOF和支持向量机相结合的异常判别方法，根据各节点LOF值的大小实现智能配电网异常定位，然后对电压进行小波变换，以三相电压的小波奇异熵值建立异常特征样本库进行预分类，并以此为基础建立SVM异常类型判别预测
苯胺的制备>汽车智能防盗系统模型。综合国内外研究现状，目前对用电异常检测的分析研究存在以下不足：
(1)局部离因子算法的时间复杂度高，参数的设置对用户的依赖性比较强，并且算法的可伸缩性较差[11]。
(2)基于神经网络方法的异常识别模型存在着以下的缺点：神经网络高度依赖网络的训练过程，所选择待测数据及其代表性将直接关系到最终所得到的检测结果；检测过程中需要选择适当的阈值，以便比较得到结果，而阈值的选择具有主观性；容易出现残差淹没和残差污染，从而造成漏检和误检[12]。
(3)基于支持向量机的异常识别模型不适用于大规模训练样本，且对多分类问题的解决也存在困难[12]。
k-means聚类算法由于其算法复杂度低、速度快的优点常用于电力负荷模式的提取，以满足电网与用户交互的处理时间要求[13,14]。基于此，本文提出一种基于k-means聚类算法的两阶段异常检测方法。同时，方法考虑了影响电力负荷变化的温湿度影响并修正[15,16]，而季节、节假日、工作日与周末则在负荷模式提取时加以考虑。
首先选取用户用电负荷历史曲线进行k-means聚类以提取其典型负荷模式，然后用灰关联分析确定影响负荷变化的温度和湿度因素以获得典型负荷曲线的修正系数，再以两种不同的方法将待测日曲线和典型负荷曲线进行比较，给出用电异常嫌疑用户列表供用电稽查参考，两种不同比较方法的互校验验证了方法的有效性。选取山东某酒店的实际用电数据进行分析，与稽查结果对比表明，该方法具有较高的异常检测准确率，在电力用户的用电异常检测方面具有应用前景。
冷库蒸发器1 基于k-means聚类算法的用电异常检测方法
该方法流程如图1所示。
图1 基于k-means聚类算法的用电异常检测流程
其步骤如下：
(1)数据选择。从用电终端获取用户用电负荷数据，包括某地温度、湿度以及相对应时刻的电力用户负荷数据。
智能抄表
(2)数据预处理。通过用电终端获得的数据可能有缺失值，同时需要将文本型数据进行量化处理以及对数据进行规范化处理。
(3)关联性分析。电力负荷受到诸多非线性因素影响，用灰关联分析法确定影响负荷变化的关键因素以及对负荷结果的影响程度。
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议