赵云,肖勇,曾勇刚,徐迪,陆煜锌,孔政敏
(1.南方电网科学研究院,广州 510663; 2. 武汉大学电气自动化学院,武汉 430072)
近年来窃电事件频发,及时准确地检测用户窃电行为对国家电网的安全与效益至关重要[1]。
目前现有反窃电检测方法主要分为基于用户历史数据的数据挖掘技术和基于高级测量体系(advanced measurement system, AMI)的远程实时检测技术两大类。近年来,许多学者在数据挖掘技术应用于窃电检测方面开展了大量研究。文献[2]通过数据驱动的方式,基于不同潮流对线损结果的差异影响,利用神经网络构建相关线损模型,实现了线损理论计算以及窃电位置判断。文献[3]优化了BP神经网络模型,提出10个指标综合判断用户行为,提高窃电因子判断准确率。文献[4]从利用大数据分析用户用电信息,总结了窃电方法及其特征,提出了以阈值判断为核心的窃电检测模型。文献[5]组合了支持向量机(SVM)和电压敏感度估计两种方法进行非技术线损(NTL)检测。文献[6]对卷积神经网络(CNN)模型进行改进,算法减少了迭代次数,提高了数据处理能力和检测准确率。
基于人工智能的算法利用机器学习的技术,如分类和聚类等方法,分析用户的用电数据以找出具有异常特征的窃电用户。分类方法需要有标签的数据集,而窃电数据集往往难以获得,使得这类方法在实际应用中受到限制。而聚类的方法虽然不需要标签,但无监督的方法在负荷曲线被篡改但仍保持正常的情况下,无法识别异常用户。……