配用電信息數據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濟損失，還危害到了電網的安全運行，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。隨著用電信息數據越來越多地匯集到中心站，使得利用數據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上，構建了配用電信息數據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據來描述，異常用電行為則表現(xiàn)為異常的用電負荷數據。引起異常用電數據的原因有技術性和非技術性兩種，以非技術性原因為主。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、）算法以其靈活的數據描述能力和出色的推廣能力成為異常檢測領域的主流技術。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。超球構建完成后，便可以通過檢測新的樣本是在超球內部還是外部，來判定其是否異常。然而，經典的SVDD模型在異常用電辨識的應用中，由于用戶用電數據具有內部分類的特性，導致其構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據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據分布特性帶給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引起的分類誤差，從而得到了最優(yōu)的分類。在實例中，結合了自適應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