数据驱动下的用户异常用电行为检测方法

数据驱动下的用户异常用电行为检测方法

门泽东

国网山东省电力公司利津县供电公司 山东 东营 257400

摘要：近年来，智能电网建设不断完善，各种智能负荷计量设备、电力线通信网络以及数据管理系统的使用对电力系统高效稳定运行提供了重要支撑。然而，智能电网中的信息技术也给电力系统带来了新的挑战，通过非法改装计量设备或入侵数据网络进行窃电行为是一种常见威胁。因此，研究用户异常用电行为检测对维持电力系统稳定运行具有重要意义。

关键词：数据驱动；用户异常用电；行为检测

引言

　随着用电用户的迅速增加和智能电表的普及，供电企业能够从配电网中收集到海量的运行数据，因此电力企业需要对用户用电信息采集系统收集到的数据进行整理与挖掘，获取隐藏其中的信息．用电数据信息来源广，结构复杂，对企业进行数据分析造成了困难．数据挖掘技术能实现数据整理、数据分类、异常数据查找等功能，以此推动泛在电力物联网的建设，提升电网的全息感知能力。

1问题分析

电力网络的电能损失按照产生原因可以分为技术性损失和非技术性损失。技术性损失主要是指在远距离配电与变电过程中，传输线、变压器以及各种绕阻带来的损耗。非技术性损失主要是指用户采用破坏线路、短路、更改电表计量等方式恶意欺骗电力公司从而产生的电能损耗。当前，非技术性损耗遍布于整个低压电网，且依赖于现场检查来发现，严重增加了人力物力消耗，降低了电力网络运营效率，导致电力企业运行成本上升。提出了正常用电行为和异常用电行为的电力负荷模型，如图1所示。

图1用户电力负荷曲线

在不考虑技术性损失的前提下，电厂的发电量理论上与电力公司的售电量相等，但实际输电、变电与配电过程中均会出现用户窃电行为引发的电能损失。降低非技术性损失能够有效提升电力企业的运行效率，但快速准确发现用户异常用电行为是关键问题。为此，文中构建了用电负荷数据驱动的主成分分析与深度循环神经网络(PCA-ＲNN)的用电行为异常检测模型，模型结构如图2所示。

图2PCA-ＲNN检测模型结构

完整的负荷数据驱动PCA-ＲNN异常用电检测系统包括负荷采集、数据分析和异常检测三个部分。负荷采集主要是记录用户在各个时间段内的负荷，文中通过直接获取智能电网中用户电力负荷数据实现。数据分析先对负荷数据进行缺失数据填补与归一化处理，然后进行主成分分析，提取负荷特征。异常检测部分采用深度循环神经网络，实现对异常用电用户的识别。

2异常用电原因

电网运行中的运输和配电损失可分为技术损失和非技术损失。常见的技术损失包括测量设备故障和线路故障。智能仪表使用中的故障和错误导致的测量异常可能使用电气信息数据呈现异常波动，甚至超出测量范围，另一个因素是电源异常也可能导致电力使用数据异常。这些故障造成的电力数据异常很容易根据电力信息采集数据返回的数据来判断。非技术损失主要是由于盗窃造成的电力消费行为异常造成的，这是电力企业经济损失的主要原因。盗窃行为不仅严重影响公司收入，阻碍配电网的安全运行和发展，而且因为盗窃行为通常是通过私下修改测量装置和供电线路来实现的，因此极易发生安全事故。对于高电压和高能耗用户来说尤其如此。由于人口普查的增加，只需减少计算表中的文字错误即可获得大量非法收益。因此，在挖掘异常的用电行为时，防止高压用户的盗窃行为必须成为优先事项。除了传统的欠流和压力方法之外，非盟驻苏特派团还助长了对通信系统的恶意攻击，并改变了数据管理系统中的计数器测量，从而使飞行行为的探索更加困难。

3电力工作者围绕数据驱动的用电异常检测

进行了大量研究，包括分析不受控制的分类群和分析受控制的分类。这些研究通常基于共同特征，例如用户功耗下降趋势、日负荷曲线异常和负荷能力利用率低，然后将客户信息、缴费记录和验收次数等信息结合起来提取用户功耗数据的行为特征，然后利用局部散射因子算法对用户进行聚类分析，找出异常功耗行为；以负荷曲线波动区间为特征指标，采用密度聚类方法对用户进行聚类分析，并以排除对象的波动率分数为基础进行异常检测，识别异常用户；结合多种指标，如用户的可变性、波动性和趋势，根据模糊聚类方法对用户进行分类，并利用高斯核函数改进局部离散因子算法，对用户进行分组，并在组合特征集缩小后识别异常用户采用推土机算法，利用用户与用户之间负荷曲线的电气行为模式实现水平和垂直聚合。为了解决故障率高的飞行检测方法可用负样本不足的问题，将分类阈值优化参数与roc曲线相结合，并对l型日常能耗数据进行电气异常检测由于电气异常通常伴随着有用的电气突变，基于分类的电气异常检测增加了基于ind的反应功率突然下降的指标。

4用户不确定性行为分析

造成用户不确定性的主要原因有三个:第一，用户主体，每个用户都有独立的思想意识，情绪和心理活动不同；二是电气行为环境、影响电力用户行为的外部环境包括环境温度和湿度、天气因素、电价因素等；第三，电力的使用方式，电力用户必须采取不同的电力使用方式，以实现电力使用目标，包括调节空调、热水器、热泵等电器的温度和开关虽然已经为电力系统的物理组件建立了适当的物理模型，但很难为不确定的用户行为建立有效的先验物理模型，因为这种模型往往基于大量的历史电力消耗数据进行预测分析。用户的电气行为是可预测和不确定的。用户功耗数据是具有时间序列特征(如周期和趋势)的典型时间数据，并作为时间可变性特征反映在时间维中，因此可以从以下数据中检测用户的不确定性行为.

5异常检测实验

为了验证本文提出的基于主成分分析与深度循环神经网络(PCA-ＲNN)异常用电用户检测模型的有效性，本节通过实际电力负荷数据优化模型结构与模型参数，并将其与其它异常检测方法进行性能比较。实验数据与环境实验数据来源于某电力企业防窃电部门采集的用户电表数据，数据采集时间间隔为10分钟，每个用户一天的电表数据构成一个数据样本。根据窃电部门现场勘查与专家分析的结果为样本数据标注标签，实验过程中对数据进行了脱敏处理以确保用户数据的安全性。实际数据中异常用电数据样本占比偏少，提出的增量式分区策略不平衡数据处理方法进行样本均衡处理。均衡处理后样本数据总数为13521条，其中正常数据7650条，异常数据5871条。模型开发环境为PyCharm，编程语言为Python3．5，利用TensorFlow深度学习框架和scikit-learn机器学习工具包。

结束语

本文提出了一种基于主成分分析和深度循环神经网络的异常用电行为检测模型。该模型首先采用核主成分分析方法处理原始采集电力负荷数据，在降低数据维度的同时去除冗余信息，然后构建检测异常行为的深度循环神经网络。实验结果表明，该模型能够从实际电力负荷数据中检测出用户的异常用电行为，且具有较高的检测性能。研究内容为电力公司防窃电工作提供了一种方法。

参考文献

[1]李博.基于深度学习的用户窃电行为检测[D]。北京邮电大学,2019。

[2]冯志颖.基于无监督学习方法的用电行为分析研究[D]。华南理工大学,2019。

[3]田野.基于用户用电量的异常检测方法研究[D]。重庆大学,2018。

[4]周金萍.异常用电用户检测方法研究[D]。山东科技大学,2018。

[5]龚泽威一.基于机器学习的居民用电行为分析[D]。昆明理工大学,2018。