论文部分内容阅读
随着经济快速发展,我国已经进入全面建成智能电网阶段。窃电问题伴随着我国电力事业地发展,使国家经济遭受重大损失也使电网安全运行得不到保障。窃电由常规窃电转向高科技窃电,呈现多样化,隐蔽化,高科技化特征。人工稽查窃电不仅耗费时间和人力,而且对高科技手段窃电存在难以取证等问题。针对该问题,分析传统窃电原理和高科技窃电特征,构建“分类-特征提取-异常检测-窃电检测”的窃电检测模型。分析用户历史用电数据,先对用户的负荷曲线分类,计算度量负荷曲线的四种指标并得出15个特征变量;在分类基础上对提取出的特征变量分析主成分(Principal Component Analysis,PCA)并降维,计算局部离群因子(Local Outlier Factor,LOF)筛选用电异常用户;最后对正常用电用户和用电异常用户采用8个窃电判别指标并提取主成分,将其作为训练样本输入极限学习机(Extreme Learning Machine,ELM)窃电检测模型。本文主要研究内容如下:(1)采用云南省电网工业电力用户负荷数据和与窃电行为相关的计量数据。根据窃电定义,分析窃电产生原理,确定所用的窃电特征指标。分析负荷曲线特性与负荷特性指标,确定异常用电检测所用到的特征指标。因工业用户用电呈现一定规律,计算相同时间点日负荷曲线的平均值得到典型日负荷曲线。对该曲线聚类,并得到中心点组成的用户负荷特征曲线,后续检测在分类基础上进行。(2)针对用电异常用户中包含窃电用户这一问题,为筛选用电异常用户,构建基于特征指标主成分分析的异常检测模型。对用电异常用户,计算用户典型日负荷曲线以及负荷特征曲线的相似性、形态、趋势等其他指标得出15个特征变量,在分类基础上,对得到的特征变量分析其主成分积累贡献率,贡献率大的前两个主成分作为坐标轴,将用户以散点形式映射到二维坐标轴上,实现对特征变量的降维,最后计算局部离群因子实现用电异常用户的筛选。(3)为检测窃电,在异常检测的基础上构建PCA-ELM窃电检测模型。选取部分正常用电用户和用电异常用户8个窃电判别指标作为样本数据,将样本数据经过主成分提取后作为训练样本输入ELM模型,检测出疑似窃电用户。实验表明相比于传统的BP神经网络和未经过主成分分析优化的ELM,PCA-ELM在运行时间和准确率方面均有提高,为发现窃电行为提供一种新思路。