李梓欣 李 川 李英娜
(昆明理工大学信息工程与自动化学院 云南 昆明 650500)
我国已经进入了全面建成智能电网阶段,随着智能电网的快速发展,配用电数据呈现出数据量大、数据类型多、增长速度快等大数据特征[1-2]。但窃电现象依然严重且手段先进,反窃电手段仍以人工稽核为主,存在工作量大、取证困难和缺乏针对性等问题[3-4]。随着数据挖掘与机器学习等算法的发展,对电力大数据挖掘与分析,充分利用数据价值,成为人们关注的热点。
文献[5]提出利用技术损失模型估计非技术损失,估计出的非技术损失超过一定阈值时便认为存在窃电。文献[6]提出了根据线路中的电阻产生的损耗和实际的损耗做比较,来判断窃电,但是电阻会受到外界自然因素的影响。文献[7]利用对距离的判断找出离群点来检测判断窃电,通过对电流或电压离群点的检测来判断,但不能判断其他异常情况。文献[8]提出了利用皮尔森相关系数、贝叶斯网络和决策树来检测非技术损失。文献[9]提出一种聚类的新颖性检测窃电,提取用户消费指标,使用模糊聚类来捕获由用电行为良好用户的指标构成的数据结构,使用Gustafson-Kessel模糊聚类检测用户行为,以发现消费者异常数据。文献[10]提出基于智能电表数据的台区用户识别和窃电检测,通过对计量数据和量测数据进行计算和分析,设置参考电压,参考电压与用户某处电压计算差值大于某一阈值判定为窃电。文献[11]提出一种基于层次分析法的加权离群窃电检测方法,确定参数和权重用电气数据计算出离群因子得出窃电排序。……