基于BRB和LSTM网络的电力大数据用电异常检测方法

万磊，陈成，黄文杰，卢涛，刘威

(1.国网湖北省电力有限公司，武汉市 430077；2. 武汉工程大学计算机科学与工程学院，武汉市 430205；3.湖北华中电力科技开发有限责任公司，武汉市 430077)

0 引 言

近年来，随着“智能电网”的兴起和普及，其运行中的输配电损失受到越来越多的关注，而输配电损失大致可分为技术性损失(technical loss, TL)和非技术性损失(non-technical loss, NTL)两大类[1]。其中，严重的NTL，即用户异常窃电行为，给电网行业带来了巨大的经济损失。因此，如何从大量的电力数据中高效、快速地检测出用户的异常用电行为，以供电网人员决策，对提高经济效益、促进电网的发展和进步有着重要的研究意义。

在电力大数据中，对于NTL的异常检测一直是该领域的热点及难点问题。目前针对电力大数据的NTL异常检测方法大多基于数据驱动的检测方法，其中包括基于聚类的方法、基于深度学习的方法等。文献[2]针对电力大数据流的异常检测问题，提出一种基于流式K-means的聚类算法，在优化离线阶段聚类算法的同时，提高算法对用户用电异常行为的有效识别。文献[3]在基于电量数据波动系数特征的基础上，提出一种基于样本优化选取的支持向量机窃电识别方法，该方法能够有效识别用户的窃电行为，具有一定的实用性。文献[4]提出了一种集合广度和深度的卷积神经网络(convolutional neural networks, CNN)来完成对电力大数据中用户窃电行为的有效检测。其中基于二维用电数据，深度的CNN分量可以准确识别窃电的非周期性和正常用电的周期性；……