配用電信息數(shù)據(jù)下的用戶異常用電行為辨識.pdf

1、用戶異常用電行為不僅造成電力公司巨大的經(jīng)濟損失，還危害到了電網(wǎng)的安全運行，所以一直以來是電力稽查的重點。傳統(tǒng)的異常用電檢測方法過于依賴人力排查，效率低下，而后發(fā)展的基于計量系統(tǒng)的異常檢測方法則誤報太多，實用性不足，需要發(fā)展新的技術(shù)。隨著用電信息數(shù)據(jù)越來越多地匯集到中心站，使得利用數(shù)據(jù)挖掘來辨識異常用電行為成為可能。本文在研究用戶行為和異常辨識方法的基礎(chǔ)上，構(gòu)建了配用電信息數(shù)據(jù)下的用戶異常用電行為辨識模型，實現(xiàn)了較高效率的異常用電行為辨識

2、。
　　用戶的用電行為可以使用負荷數(shù)據(jù)來描述，異常用電行為則表現(xiàn)為異常的用電負荷數(shù)據(jù)。引起異常用電數(shù)據(jù)的原因有技術(shù)性和非技術(shù)性兩種，以非技術(shù)性原因為主。常見的異常用電行為由有欠壓法竊電、欠流法竊電、移相法竊電等，這些各種形式的竊電行為是檢測的首要目標。
　　異常行為的辨識算法有基于密度估計的方法，基于重構(gòu)的方法和基于支持域的方法等，其中基于支持域方法中的SVDD（Support Vector Data Description

3、）算法以其靈活的數(shù)據(jù)描述能力和出色的推廣能力成為異常檢測領(lǐng)域的主流技術(shù)。因此本文將SVDD模型應用在異常用電行為檢測中。SVDD算法基本思想是通過學習構(gòu)建一個超球體，并且要求該超球體盡可能多地包圍正常類樣本。超球構(gòu)建完成后，便可以通過檢測新的樣本是在超球內(nèi)部還是外部，來判定其是否異常。然而，經(jīng)典的SVDD模型在異常用電辨識的應用中，由于用戶用電數(shù)據(jù)具有內(nèi)部分類的特性，導致其構(gòu)建的超球緊度特性不佳，影響了檢測精度。
　　針對該問題，

4、本文構(gòu)建了改進的SVDD異常用電行為辨識模型。改進模型通過首先對用戶數(shù)據(jù)進行預分類然后再使用SVDD模型檢測的方法，很好地解決了因為用電數(shù)據(jù)分布特性帶給SVDD算法的不良影響。使用的預分類算法為自適應FCM算法，該算法避免了主觀設定分類數(shù)引起的分類誤差，從而得到了最優(yōu)的分類。在實例中，結(jié)合了自適應FCM算法的改進SVDD模型，跟原有SVDD模型相比明顯增加了超球的緊度，表現(xiàn)出了更加優(yōu)良的檢測性能。通過改進的SVDD異常辨識模型，可以令供