CN117195090B - 一种低压配电台区窃电检测方法及系统 - Google Patents
一种低压配电台区窃电检测方法及系统 Download PDFInfo
- Publication number
- CN117195090B CN117195090B CN202311474318.9A CN202311474318A CN117195090B CN 117195090 B CN117195090 B CN 117195090B CN 202311474318 A CN202311474318 A CN 202311474318A CN 117195090 B CN117195090 B CN 117195090B
- Authority
- CN
- China
- Prior art keywords
- electricity
- low
- electricity stealing
- voltage distribution
- line loss
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 230000005611 electricity Effects 0.000 title claims abstract description 266
- 238000009826 distribution Methods 0.000 title claims abstract description 75
- 238000000034 method Methods 0.000 title claims abstract description 22
- 241000282341 Mustela putorius furo Species 0.000 claims abstract description 38
- 238000012549 training Methods 0.000 claims abstract description 32
- 238000001514 detection method Methods 0.000 claims abstract description 29
- 238000012360 testing method Methods 0.000 claims abstract description 26
- 241000282326 Felis catus Species 0.000 claims abstract description 25
- 238000005457 optimization Methods 0.000 claims abstract description 16
- 230000006870 function Effects 0.000 claims description 36
- 239000011159 matrix material Substances 0.000 claims description 19
- 230000006399 behavior Effects 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 10
- 230000003044 adaptive effect Effects 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 6
- 230000008602 contraction Effects 0.000 claims description 4
- 238000003860 storage Methods 0.000 claims description 4
- 241000282339 Mustela Species 0.000 claims description 3
- 238000011835 investigation Methods 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000005303 weighing Methods 0.000 claims description 3
- 101100522754 Xenorhabdus nematophila (strain ATCC 19061 / DSM 3370 / CCUG 14189 / LMG 1036 / NCIMB 9965 / AN6) pvcB gene Proteins 0.000 claims 1
- 239000000284 extract Substances 0.000 abstract 1
- 238000012706 support-vector machine Methods 0.000 description 7
- 238000010801 machine learning Methods 0.000 description 3
- 241001206881 Myrmeleon inconspicuus Species 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种低压配电台区窃电检测方法及系统,该方法采集接入居民侧的单相智能电表和低压配电台区总表采集的电量数据,根据低压配电台区的拓扑结构和电量数据计算台区线损率,根据台区历史正常线损,计算平均线损范围,提取高损台区窃电特征参量并将窃电特征参量划分成训练集和测试集,建立支持向量分类机并且使用改进的矮猫鼬优化算法优化支持向量分类机,使用训练集和测试集对优化后的支持向量分类机进行训练和测试并且通过训练好的支持向量分类机对窃电用户和正常用户进行分类。本发明使用改进的矮猫鼬优化算法优化支持向量分类机的惩罚参数和核参数,提高了低压配电台区窃电检测的效率和分类准确率。
Description
技术领域
本发明涉及窃电技术检测领域,具体涉及一种低压配电台区窃电检测方法及系统。
背景技术
国内外研究人员基于电力数据进行窃电行为的检测做了大量的研究,并提出了多种解决方法,现有的基于电力数据进行窃电行为检测的方法主要是基于统计学、机器学习和聚类算法等;现有窃电检测方法主要采用单一算法,面对大量的电力数据时存在处理时间长、判断不准确、信息冗余等问题;最后,基于机器学习方法在进行窃电检测时,提取的窃电特征参量单一导致检测效率和准确率不高。
台区是指由一台变压器供电的范围或区域,该范围以配电变压器为中心,并以其供电半径向四周扩散,处于该范围内的用户被称为潜在供电用户,并根据其所在的台区相别将其归入三个扇形区域;配电网低压配电台区线损异常主要由用电用户窃电所致,基于机器学习的低压配电台区居民用户窃电检测方法提取的典型特征参量主要有峰时耗电率、谷电系数、日负荷率和日最大负荷、平段用电百分比、日平均负荷、日峰谷差、日峰谷差率,但以上特征参量不易提取,且计算量较为复杂。
针对上述问题本发明提出了一种低压配电台区窃电检测方法及系统;通过分析线损率与窃电电量、窃电用户计量电量与窃电电量、窃电用户计量电量与线损电量、低压配电台区供电量与窃电电量、用户最近一天计量电量和相邻几天的计量电量曲线、具有与窃电用户有相似用电习惯的用户的计量电量与窃电用户计量电量的相关性来判断用户是否存在窃电行为。
发明内容
本发明的目的在于提供一种低压配电台区窃电检测方法及系统以解决现有窃电检测方法的效率低和准确率不高的缺点。
本发明的技术方案:一种低压配电台区窃电检测方法,步骤如下:
步骤S1:采集接入居民侧的单相智能电表和低压配电台区总表采集的电量数据,根据低压配电台区的拓扑结构和电量数据计算低压配电台区线损率,根据低压配电台区历史正常线损,计算平均线损范围,将超出平均线损范围的低压配电台区定义为高损台区;
步骤S2:提取高损台区的窃电特征参量并将窃电特征参量划分成训练集和测试集;所述窃电特征参量包括低压配电台区线损率、窃电电量、窃电用户计量电量、线损电量、低压配电台区供电量、窃电用户最近一天计量电量和相邻几天的计量电量、具有与窃电用户有相似用电习惯的用户的计量电量;分析各窃电特征参量两两之间的相关性;
步骤S3:建立支持向量分类机,并且使用改进的矮猫鼬优化算法优化支持向量分类机的惩罚参数C和核参数g;
步骤S4:使用训练集和测试集对优化后的支持向量分类机进行训练和测试并且通过训练好的支持向量分类机对窃电用户和正常用户进行分类。
进一步,所述低压配电台区线损率的计算公式为:
;
其中,L为台区线损率,T为低压配电台区供电量,Y为台区售电量,为低压配电台区总电能损耗,/>为低压配电台区供电线路产生的理论电能损耗,/>为窃电产生的管理电能损耗。
进一步,分析各窃电特征参量两两之间的相关性的步骤如下:
步骤S21:若两个窃电特征参量数据集长度相同且为N,通过欧式距离公式计算两个窃电特征参量数据集之间的距离矩阵,欧式距离的计算公式如下:
;
其中,为第一个窃电特征参量数据集与第二个窃电特征参量数据集之间的欧式距离, 用于代表两个窃电特征参量数据集的相关系数;/>为第一个窃电特征参量数据集的第p个窃电特征参量,/>为第二个窃电特征参量数据集的第q个窃电特征参量, p∈1~N, q∈1~N;
步骤S22:若两个窃电特征参量数据集长度不相同,第一个窃电特征参量数据集,p∈1~E,第二个窃电特征参量数据集/>, q∈1~N,且/>,使用DTW来计算两个窃电特征参量数据集之间窃电特征参量的相似度,表示第一个窃电特征参量数据集的第p个窃电特征参量与第二个窃电特征参量数据集的第q个窃电特征参量的相似度,构建一个/>的距离矩阵D,公式如下:
;
要进行DTW匹配,规整路径应满足边界性、连续性、单调性三个约束条件,即规整路径必须从到/>,序列间的对应必须按照顺序进行,且不可以交叉匹配或跨越匹配,其递归公式如下:
;
其中,是到距离矩阵D第p行第q列时所累计的规整路径的总距离, 是到距离矩阵D第p-1行第q-1列时所累计的规整路径的总距离, /> 是到距离矩阵D第p-1行第q列时所累计的规整路径的总距离, /> 是到距离矩阵D第p行第q-1列时所累计的规整路径的总距离,然而,满足条件的规整路径不止一个,DTW只寻找最小化的规整路径累计距离,如下式所示:
;
其中,为DTW寻找的最小化的规整路径累计距离,用于代表两个窃电特征参量数据集的相关系数;
步骤S23:通过步骤S21和步骤S22求出线损率与窃电电量的相关系数、窃电用户计量电量与窃电电量的相关系数/>、窃电用户计量电量与线损电量的相关系数/>、低压配电台区供电量与窃电电量的相关系数/>、窃电用户最近一天计量电量和相邻几天的计量电量的相关系数/>、具有与窃电用户有相似用电习惯的用户的计量电量与窃电用户计量电量的相关系数/>,分别给线损率与窃电电量、窃电用户计量电量与窃电电量、窃电用户计量电量与线损电量、低压配电台区供电量与窃电电量、窃电用户最近一天计量电量和相邻几天的计量电量、具有与窃电用户有相似用电习惯的用户的计量电量与窃电用户计量电量的相关系数赋予权重,定义窃电阈值函数/>,公式如下:
;
其中,为线损率与窃电电量的相关系数权重、/>为窃电用户计量电量与窃电电量的相关系数权重、/>为窃电用户计量电量与线损电量的相关系数权重、/>为低压配电台区供电量与窃电电量的相关系数权重、/>为窃电用户最近一天计量电量和相邻几天的计量电量的相关系数权重、/>为具有与窃电用户有相似用电习惯的用户的计量电量与窃电用户计量电量的相关系数权重;给窃电阈值函数/>设置一个阈值,在训练集中,对于超过阈值的数据标注为正常用户,低于阈值的数据标注为窃电用户。
进一步优选,支持向量分类机通过构造最优分类超平面来划分数据集进行分类,最优分类超平面表示为:
;
其中,为约束条件,/>为所选超平面的法向量,/>为所选超平面的法向量/>的模值,C为惩罚参数,/>为第u个松弛变量,/>为介于[-1,1]之间的输出类别,D为窃电特征参量组成的特征向量,/>为所选超平面的法向量/>的转置,/>为偏移量,R为训练集中样本个数;
使用高斯核函数将窃电特征参量映射到无限维,实现非线性变换并分类;
高斯核函数表达式为:
;
其中,g为高斯核函数核参数,为训练集中第u个样本,/>为训练集中第v个样本;
高斯核函数对应的分类决策函数,公式如下:
;
其中,为高斯核函数对应的分类决策函数,sign为符号函数,/>为拉格朗日因子,/>为最优拉格朗日因子,/>最优偏移。
进一步优选,改进的矮猫鼬优化算法如下:
步骤S31:初始化矮猫鼬的候选种群:
;
其中,表示第i个体的第j维度,Lb为问题的上边界,Ub为问题的下边界,rand是0到1之间的随机数;
步骤S32:雌性首领在矮猫鼬种群中的alpha群体中产生, alpha群体中每个雌性个体成为首领的概率为, 计算公式如下:
;
其中,表示第i个个体的适应度概率值,n为种群规模;
alpha群体的数量为n-bs,bs为保姆的数量,alpha群体的鸣叫使得整个矮猫鼬种群保持在一条道路上,这种鸣叫用B来定义,为产生一个食物源新位置,公式如下:
;
其中,是alpha群体找到的食物源新位置, />为雌性首领的当前位置,/>为[-1,1]的均匀随机向量;
步骤S33:当alpha群体探寻到充足的食物且收到保姆群体信号时,侦查矮猫鼬群体开始寻找新的睡眠丘作为栖息地,侦查矮猫鼬行为公式为:
;
;
;
;
;
其中,为侦查矮猫鼬新找到的睡眠丘的位置,/>为当前alpha群体雌性首领的位置,/>为0到1之间的随机数,/>为决定短猫鼬移动到新睡眠丘的方向向量,/>为睡眠丘当前的位置,/>为睡眠丘下次迭代的位置,/>为睡眠丘的平均值,/>为第i个睡眠丘的值,为第i个个体的适应度概率值与第i+1个个体的适应度概率值中的最大值,为矮猫鼬运动的控制参数,h为当前迭代次数,Hmax为最大迭代次数;
在侦查矮猫鼬行为公式,引入自适应权重并且采用收缩因子s代替矮猫鼬运动的控制参数/>,改进后的侦查矮猫鼬行为更新公式如下:
;
;
其中,cos为余弦函数,tan为正切函数,为自适应权重的最大值,/>为自适应权重的最小值,e为调整系数;
步骤S34:判断是否达到停止迭代条件,若达到停止迭代条件则保留最优矮猫鼬的适应度概率值和位置并输出,若未达到停止迭代条件则返回步骤S32。
本发明提供了基于改进的矮猫鼬优化算法低压配电台区窃电检测系统包括计算模块、参量提取模块、分析模块、训练模块、测试模块和分类模块;计算模块用于计算台区线损率和平均线损范围;参量提取模块用于提取窃电特征参量;分析模块用于分析窃电特征参量之间的相关性并且将训练集和测试集中的正常用户和窃电用户进行标注;训练模块、测试模块分别对支持向量分类机进行训练和测试;分类模块用于正常用户和窃电用户的分类。
本发明还提供一种非易失性计算机存储介质,计算机存储介质存储有计算机可执行指令,该计算机可执行指令可执行上述一种低压配电台区窃电检测方法。
本发明还提供一种电子设备,包括:至少一个处理器,以及与所述至少一个处理器通信连接的存储器,其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行一种低压配电台区窃电检测方法。
本发明的有益效果:本发明使用改进的矮猫鼬优化算法优化支持向量分类机的惩罚参数C和核参数g,提高了支持向量分类机的效率和分类准确率;引入自适应权重可以使矮猫鼬优化算法在迭代初期具有较强的全局搜索能力,在迭代后期能够有效地协调局部收敛和陷入局部最优两者的关系;收缩因子s可以加快算法的收敛速度,提升矮猫鼬优化算法的寻优能力。
附图说明
图1为本发明的一种低压配电台区窃电检测方法流程图。
图2为本发明的一种低压配电台区窃电检测方法测试集结果示意图。
具体实施方式
下面结合附图来解释本发明。
参考图1,一种低压配电台区窃电检测方法,步骤如下:
步骤S1:采集接入居民侧的单相智能电表和低压配电台区总表采集的电量数据,根据低压配电台区的拓扑结构和电量数据计算低压配电台区线损率,根据低压配电台区历史正常线损,计算平均线损范围,将超出平均线损范围的低压配电台区定义为高损台区;
所述低压配电台区线损率的计算公式为:
;
其中,L为台区线损率,T为低压配电台区供电量,Y为台区售电量,为低压配电台区总电能损耗,/>为低压配电台区供电线路产生的理论电能损耗,/>为窃电产生的管理电能损耗。
步骤S2:提取高损台区的窃电特征参量并将窃电特征参量划分成训练集和测试集;所述窃电特征参量包括低压配电台区线损率、窃电电量、窃电用户计量电量、线损电量、低压配电台区供电量、窃电用户最近一天计量电量和相邻几天的计量电量、具有与窃电用户具有相似特征的用户的计量电量;分析各窃电特征参量两两之间的相关性;
分析各窃电特征参量两两之间的相关性的步骤如下:
步骤S21:若两个窃电特征参量数据集长度相同且为N,通过欧式距离公式计算两个窃电特征参量数据集之间的距离矩阵,欧式距离的计算公式如下:
;
其中,为第一个窃电特征参量数据集与第二个窃电特征参量数据集之间的欧式距离, 用于代表两个窃电特征参量数据集的相关系数;/>为第一个窃电特征参量数据集的第p个窃电特征参量,/>为第二个窃电特征参量数据集的第q个窃电特征参量, p∈1~N, q∈1~N;
步骤S22:若两个窃电特征参量数据集长度不相同,第一个窃电特征参量数据集,p∈1~E,第二个窃电特征参量数据集/>, q∈1~N,且/>,使用DTW来计算两个窃电特征参量数据集之间窃电特征参量的相似度,表示第一个窃电特征参量数据集的第p个窃电特征参量与第二个窃电特征参量数据集的第q个窃电特征参量的相似度,构建一个/>的距离矩阵D,公式如下:
;
要进行DTW匹配,规整路径应满足边界性、连续性、单调性三个约束条件,即规整路径必须从到/>,序列间的对应必须按照顺序进行,且不可以交叉匹配或跨越匹配,其递归公式如下:
;
其中,是到距离矩阵D第p行第q列时所累计的规整路径的总距离, 是到距离矩阵D第p-1行第q-1列时所累计的规整路径的总距离, /> 是到距离矩阵D第p-1行第q列时所累计的规整路径的总距离, /> 是到距离矩阵D第p行第q-1列时所累计的规整路径的总距离,然而,满足条件的规整路径不止一个,DTW只寻找最小化的规整路径累计距离,如下式所示:
;
其中,为DTW寻找的最小化的规整路径累计距离,用于代表两个窃电特征参量数据集的相关系数。
步骤S23:通过步骤S21和步骤S22求出线损率与窃电电量的相关系数、窃电用户计量电量与窃电电量的相关系数/>、窃电用户计量电量与线损电量的相关系数/>、低压配电台区供电量与窃电电量的相关系数/>、窃电用户最近一天计量电量和相邻几天的计量电量的相关系数/>、具有与窃电用户有相似用电习惯的用户的计量电量与窃电用户计量电量的相关系数/>,分别给线损率与窃电电量、窃电用户计量电量与窃电电量、窃电用户计量电量与线损电量、低压配电台区供电量与窃电电量、窃电用户最近一天计量电量和相邻几天的计量电量、具有与窃电用户有相似用电习惯的用户的计量电量与窃电用户计量电量的相关系数赋予权重,定义窃电阈值函数/>,公式如下:
;
其中,为线损率与窃电电量的相关系数权重、/>为窃电用户计量电量与窃电电量的相关系数权重、/>为窃电用户计量电量与线损电量的相关系数权重、/>为低压配电台区供电量与窃电电量的相关系数权重、/>为窃电用户最近一天计量电量和相邻几天的计量电量的相关系数权重、/>为具有与窃电用户有相似用电习惯的用户的计量电量与窃电用户计量电量的相关系数权重;给窃电阈值函数/>设置一个阈值,在训练集中,对于超过阈值的数据标注为正常用户,低于阈值的数据标注为窃电用户。
步骤S3:建立支持向量分类机,并且使用改进的矮猫鼬优化算法优化支持向量分类机的惩罚参数C和核参数g;
步骤S4:使用训练集和测试集对优化后的支持向量分类机进行训练和测试并且通过训练好的支持向量分类机对窃电用户和正常用户进行分类。
本发明所述支持向量分类机通过构造最优分类超平面来划分数据集进行分类,最优分类超平面表示为:
;
其中,为约束条件,/>为所选超平面的法向量,/>为所选超平面的法向量/>的模值,C为惩罚参数,/>为第u个松弛变量,/>为介于[-1,1]之间的输出类别,D为窃电特征参量组成的特征向量,/>为所选超平面的法向量/>的转置,/>为偏移量,R为训练集中样本个数;
使用高斯核函数将窃电特征参量映射到无限维,实现非线性变换并分类;
高斯核函数表达式为:
;
其中,g为高斯核函数核参数,为训练集中第u个样本,/>为训练集中第v个样本;
高斯核函数对应的分类决策函数,公式如下:
;
其中,为高斯核函数对应的分类决策函数,sign为符号函数,/>为拉格朗日因子,/>为最优拉格朗日因子,/>最优偏移。
本发明步骤S3所述改进的矮猫鼬优化算法如下:
步骤S31:初始化矮猫鼬的候选种群:
;
其中,表示第i个体的第j维度,Lb为问题的上边界,Ub为问题的下边界,rand是0到1之间的随机数;
步骤S32:雌性首领在矮猫鼬种群中的alpha群体中产生, alpha群体中每个雌性个体成为首领的概率为, 计算公式如下:
;
其中,表示第i个个体的适应度概率值,n为种群规模;
alpha群体的数量为n-bs,bs为保姆的数量,alpha群体的鸣叫使得整个矮猫鼬种群保持在一条道路上,这种鸣叫用B来定义,为产生一个食物源新位置,公式如下:
;
其中,是alpha群体找到的食物源新位置, />为雌性首领的当前位置,/>为[-1,1]的均匀随机向量;
步骤S33:当alpha群体探寻到充足的食物且收到保姆群体信号时,侦查矮猫鼬群体开始寻找新的睡眠丘作为栖息地,若找到足够远的地方,则会发现新的睡眠丘,侦查矮猫鼬行为公式为:
;
;
;
;
;
其中,为侦查矮猫鼬新找到的睡眠丘的位置,/>为当前alpha群体雌性首领的位置,/>为0到1之间的随机数,/>为决定短猫鼬移动到新睡眠丘的方向向量,/>为睡眠丘当前的位置,/>为睡眠丘下次迭代的位置,/>为睡眠丘的平均值,/>为第i个睡眠丘的值,为第i个个体的适应度概率值与第i+1个个体的适应度概率值中的最大值,为矮猫鼬运动的控制参数,h为当前迭代次数,Hmax为最大迭代次数;
在侦查矮猫鼬行为公式,引入自适应权重并且采用收缩因子s代替矮猫鼬运动的控制参数/>,改进后的侦查矮猫鼬行为更新公式如下:
;
;
其中,cos为余弦函数,tan为正切函数,为自适应权重的最大值,/>为自适应权重的最小值,e为调整系数;
步骤S34:判断是否达到停止迭代条件,若达到停止迭代条件则保留最优矮猫鼬的适应度概率值和位置并输出,若未达到停止迭代条件则返回步骤S32。
本实施例提供了基于改进的矮猫鼬优化算法低压配电台区窃电检测系统包括计算模块、参量提取模块、分析模块、训练模块、测试模块和分类模块;计算模块用于计算台区线损率和平均线损范围;参量提取模块用于提取窃电特征参量;分析模块用于分析窃电特征参量之间的相关性并且将训练集和测试集中的正常用户和窃电用户进行标注;训练模块、测试模块分别对支持向量分类机进行训练和测试;分类模块用于正常用户和窃电用户的分类。
在另一实施例中,提供一种非易失性计算机存储介质,计算机存储介质存储有计算机可执行指令,该计算机可执行指令可执行上述一种低压配电台区窃电检测方法。
在另一实施例中,提供一种电子设备,包括:至少一个处理器,以及与所述至少一个处理器通信连接的存储器,其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行一种低压配电台区窃电检测方法。
参考图2,本发明使用的测试集包括35个用户,其中20个正常用户,15个窃电用户;使用本发明提出的检测方法进行检测,再利用混淆矩阵对检测方法进行评价;混淆矩阵的列代表预测值为某一个类别,行代表真实标签为某一个类别,0代表正常用户,1代表窃电用户;本使用本发明提出的检测方法正确识别出了20个正常用户,14个窃电用户,1个窃电用户被错误识别成了正常用户,准确率为97.14%。
将本发明提出的一种低压配电台区窃电检测方法(IDMO-SVC)与支持向量机(SVM)、蚁狮优化算法—支持向量机(ALO-SVM)、粒子群优化算法—支持向量机(PSO-SVM)窃电检测方法进行对比,结果如表所示:
支持向量机窃电检测方法的准确率为86.23%、查准率为88.88%、查全率为90.23%、F1分值为90.02,蚁狮优化算法—支持向量机窃电检测方法的准确率为92.36%、查准率为92.82%、查全率为94.32%、F1分值为95.28,粒子群优化算法—支持向量机的准确率为94.10%、查准率为95.36%、查全率为95.63%、F1分值为96.52,本发明提出的窃电检测方法的准确率为97.14%、查准率为99.32%、查全率为98.56%、F1分值为97.30;综上所述,本发明提出的窃电检测方法在各个方面均优于其它三个窃电检测方法。
以上所揭露的仅为本发明一种较佳实施例而已,当然不能以此来限定本发明之权利范围,本领域普通技术人员可以理解实现上述实施例的全部或部分流程,并依本发明权利要求所作的等同变化,仍属于发明所涵盖的范围。
Claims (6)
1.一种低压配电台区窃电检测方法,其特征在于,步骤如下:
步骤S1:采集接入居民侧的单相智能电表和低压配电台区总表采集的电量数据,根据低压配电台区的拓扑结构和电量数据计算低压配电台区线损率,根据低压配电台区历史正常线损,计算平均线损范围,将超出平均线损范围的低压配电台区定义为高损台区;
步骤S2:提取高损台区的窃电特征参量并将窃电特征参量划分成训练集和测试集;所述窃电特征参量包括低压配电台区线损率、窃电电量、窃电用户计量电量、线损电量、低压配电台区供电量、窃电用户最近一天计量电量和相邻几天的计量电量、具有与窃电用户有相似用电习惯的用户的计量电量;分析各窃电特征参量两两之间的相关性;
分析各窃电特征参量两两之间的相关性的步骤如下:
步骤S21:若两个窃电特征参量数据集长度相同且为N,通过欧式距离公式计算两个窃电特征参量数据集之间的距离矩阵,欧式距离的计算公式如下:
;
其中,为第一个窃电特征参量数据集与第二个窃电特征参量数据集之间的欧式距离, 用于代表两个窃电特征参量数据集的相关系数;/>为第一个窃电特征参量数据集的第p个窃电特征参量,/>为第二个窃电特征参量数据集的第q个窃电特征参量, p∈1~N,q∈1~N;
步骤S22:若两个窃电特征参量数据集长度不相同,第一个窃电特征参量数据集,p∈1~E,第二个窃电特征参量数据集,q∈1~N,且/>,使用DTW来计算两个窃电特征参量数据集之间窃电特征参量的相似度,/>表示第一个窃电特征参量数据集的第p个窃电特征参量与第二个窃电特征参量数据集的第q个窃电特征参量的相似度,构建一个/>的距离矩阵D,公式如下:
;
要进行DTW匹配,规整路径应满足边界性、连续性、单调性三个约束条件,即规整路径必须从到/>,序列间的对应必须按照顺序进行,且不可以交叉匹配或跨越匹配,其递归公式如下;
;
其中,是到距离矩阵D第p行第q列时所累计的规整路径的总距离, 是到距离矩阵D第p-1行第q-1列时所累计的规整路径的总距离, 是到距离矩阵D第p-1行第q列时所累计的规整路径的总距离,/> 是到距离矩阵D第p行第q-1列时所累计的规整路径的总距离,然而,满足条件的规整路径不止一个,DTW只寻找最小化的规整路径累计距离,如下式所示:
;
其中,为DTW寻找的最小化的规整路径累计距离,用于代表两个窃电特征参量数据集的相关系数;
步骤S23:通过上述步骤S21到步骤S22求出线损率与窃电电量的相关系数、窃电用户计量电量与窃电电量的相关系数/>、窃电用户计量电量与线损电量的相关系数/>、低压配电台区供电量与窃电电量的相关系数/>、窃电用户最近一天计量电量和相邻几天的计量电量的相关系数/>、具有与窃电用户有相似用电习惯的用户的计量电量与窃电用户计量电量的相关系数/>,分别给线损率与窃电电量、窃电用户计量电量与窃电电量、窃电用户计量电量与线损电量、低压配电台区供电量与窃电电量、窃电用户最近一天计量电量和相邻几天的计量电量、具有与窃电用户有相似用电习惯的用户的计量电量与窃电用户计量电量的相关系数赋予权重,定义窃电阈值函数/>,公式如下:
;
其中,为线损率与窃电电量的相关系数权重、/>为窃电用户计量电量与窃电电量的相关系数权重、/>为窃电用户计量电量与线损电量的相关系数权重、/>为低压配电台区供电量与窃电电量的相关系数权重、/>为窃电用户最近一天计量电量和相邻几天的计量电量的相关系数权重、/>为具有与窃电用户有相似用电习惯的用户的计量电量与窃电用户计量电量的相关系数权重;给窃电阈值函数/>设置一个阈值,在训练集中,对于超过阈值的数据标注为正常用户,低于阈值的数据标注为窃电用户;
步骤S3:建立支持向量分类机,并且使用改进的矮猫鼬优化算法优化支持向量分类机的惩罚参数C和核参数g;
改进的矮猫鼬优化算法如下:
步骤S31:初始化矮猫鼬的候选种群:
;
其中,表示第i个体的第j维度,Lb为问题的上边界,Ub为问题的下边界,rand是0到1之间的随机数;
步骤S32:雌性首领在矮猫鼬种群中的alpha群体中产生, alpha群体中每个雌性个体成为首领的概率为, 计算公式如下:
;
其中,表示第i个个体的适应度概率值,n为种群规模;
alpha群体的数量为n-bs,bs为保姆的数量,alpha群体的鸣叫使得整个矮猫鼬种群保持在一条道路上,这种鸣叫用B来定义,为产生一个食物源新位置,公式如下:
;
其中,是alpha群体找到的食物源新位置, />为雌性首领的当前位置,/>为[-1,1]的均匀随机向量;
步骤S33:当alpha群体探寻到充足的食物且收到保姆群体信号时,侦查矮猫鼬群体开始寻找新的睡眠丘作为栖息地,侦查矮猫鼬行为公式为:
;
;
;
;
;
其中,为侦查矮猫鼬新找到的睡眠丘的位置,/>为当前alpha群体雌性首领的位置,为0到1之间的随机数,/>为决定短猫鼬移动到新睡眠丘的方向向量,/>为睡眠丘当前的位置,/>为睡眠丘下次迭代的位置,/>为睡眠丘的平均值,/>为第i个睡眠丘的值,为第i个个体的适应度概率值与第i+1个个体的适应度概率值中的最大值,/>为矮猫鼬运动的控制参数,h为当前迭代次数,H max为最大迭代次数;
在侦查矮猫鼬行为公式,引入自适应权重并且采用收缩因子s代替矮猫鼬运动的控制参数/>,改进后的侦查矮猫鼬行为更新公式如下:
;
;
;
其中,cos为余弦函数,tan为正切函数,为自适应权重的最大值,/>为自适应权重的最小值,e为调整系数;
步骤S34:判断是否达到停止迭代条件,若达到停止迭代条件则保留最优矮猫鼬的适应度概率值和位置并输出,若未达到停止迭代条件则返回步骤S32
步骤S4:使用训练集和测试集对优化后的支持向量分类机进行训练和测试并且通过训练好的支持向量分类机对窃电用户和正常用户进行分类。
2.根据权利要求1所述的一种低压配电台区窃电检测方法,其特征在于,所述低压配电台区线损率的计算公式为:
;
其中,L为低压配电台区线损率,T为低压配电台区供电量,Y为低压配电台区售电量,为低压配电台区总电能损耗,/>为低压配电台区供电线路产生的理论电能损耗,为窃电产生的管理电能损耗。
3.根据权利要求1所述的一种低压配电台区窃电检测方法,其特征在于,支持向量分类机通过构造最优分类超平面来划分数据集进行分类,最优分类超平面表示为:
;
其中,为约束条件,/>为所选超平面的法向量,/>为所选超平面的法向量/>的模值,C为惩罚参数,/>为第u个松弛变量,/>为介于[-1,1]之间的输出类别,D为窃电特征参量组成的特征向量,/>为所选超平面的法向量/>的转置,/>为偏移量,R为训练集中样本个数;
使用高斯核函数将窃电特征参量映射到无限维,实现非线性变换并分类;
高斯核函数表达式为:
;
其中,g为高斯核函数核参数,为训练集中第u个样本,/>为训练集中第v个样本;
高斯核函数对应的分类决策函数,公式如下:
;
其中,为高斯核函数对应的分类决策函数,sign为符号函数,/>为拉格朗日因子,为最优拉格朗日因子,/>最优偏移。
4.一种用于实现权利要求1所述的一种低压配电台区窃电检测方法的系统,其特征在于,包括计算模块、参量提取模块、分析模块、训练模块、测试模块和分类模块;计算模块用于计算台区线损率和平均线损范围;参量提取模块用于提取窃电特征参量;分析模块用于分析窃电特征参量之间的相关性并且将训练集和测试集中的正常用户和窃电用户进行标注;训练模块、测试模块分别对支持向量分类机进行训练和测试;分类模块用于正常用户和窃电用户的分类。
5.一种非易失性计算机存储介质,计算机存储介质存储有计算机可执行指令,该计算机可执行指令可执行权利要求1所述的一种低压配电台区窃电检测方法。
6.一种电子设备,包括:至少一个处理器,以及与所述至少一个处理器通信连接的存储器,其中,所述存储器存储有可被所述至少一个处理器执行的指令,其特征在于,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1所述的一种低压配电台区窃电检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311474318.9A CN117195090B (zh) | 2023-11-08 | 2023-11-08 | 一种低压配电台区窃电检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311474318.9A CN117195090B (zh) | 2023-11-08 | 2023-11-08 | 一种低压配电台区窃电检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117195090A CN117195090A (zh) | 2023-12-08 |
CN117195090B true CN117195090B (zh) | 2024-03-08 |
Family
ID=88987342
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311474318.9A Active CN117195090B (zh) | 2023-11-08 | 2023-11-08 | 一种低压配电台区窃电检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117195090B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110824270A (zh) * | 2019-10-09 | 2020-02-21 | 中国电力科学研究院有限公司 | 结合台区线损和异常事件的窃电用户辨识方法及装置 |
CN114742405A (zh) * | 2022-04-11 | 2022-07-12 | 国网江苏省电力有限公司营销服务中心 | 一种基于线损多维度相关性分析的窃电识别方法及系统 |
CN115168891A (zh) * | 2022-06-22 | 2022-10-11 | 浙江树人学院 | 基于猫鼬优化的动态多维医疗隐私数据保护方法及系统 |
CN115239077A (zh) * | 2022-06-24 | 2022-10-25 | 南昌工程学院 | 基于改进鲸鱼优化算法的低压台区窃电用户辨识方法 |
CN116502670A (zh) * | 2023-05-09 | 2023-07-28 | 辽宁工程技术大学 | 基于改进的矮猫鼬优化算法的参数优化方法及装置 |
CN116643485A (zh) * | 2023-03-30 | 2023-08-25 | 中国矿业大学 | 一种基于idmo-pid的磁控胶囊机器人精确运动控制器 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112653142B (zh) * | 2020-12-18 | 2022-09-02 | 武汉大学 | 优化深度Transformer网络的风电功率预测方法及系统 |
-
2023
- 2023-11-08 CN CN202311474318.9A patent/CN117195090B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110824270A (zh) * | 2019-10-09 | 2020-02-21 | 中国电力科学研究院有限公司 | 结合台区线损和异常事件的窃电用户辨识方法及装置 |
CN114742405A (zh) * | 2022-04-11 | 2022-07-12 | 国网江苏省电力有限公司营销服务中心 | 一种基于线损多维度相关性分析的窃电识别方法及系统 |
CN115168891A (zh) * | 2022-06-22 | 2022-10-11 | 浙江树人学院 | 基于猫鼬优化的动态多维医疗隐私数据保护方法及系统 |
CN115239077A (zh) * | 2022-06-24 | 2022-10-25 | 南昌工程学院 | 基于改进鲸鱼优化算法的低压台区窃电用户辨识方法 |
CN116643485A (zh) * | 2023-03-30 | 2023-08-25 | 中国矿业大学 | 一种基于idmo-pid的磁控胶囊机器人精确运动控制器 |
CN116502670A (zh) * | 2023-05-09 | 2023-07-28 | 辽宁工程技术大学 | 基于改进的矮猫鼬优化算法的参数优化方法及装置 |
Non-Patent Citations (3)
Title |
---|
Dwarf Mongoose Optimization Algorithm;Agushaka et al;《Computer Methods in Applied Mechanics and Engineering》;第391页 * |
基于用电信息采集大数据的防窃电方法研究;窦健 等;《电测与仪表》;55(21);第7页 * |
基于线性回归的精准识别窃电用户的研究;张坤 等;《电子设计工程》;第31卷(第17期);第51-55页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117195090A (zh) | 2023-12-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Beccali et al. | Forecasting daily urban electric load profiles using artificial neural networks | |
CN112149873B (zh) | 一种基于深度学习的低压台区线损合理区间预测方法 | |
Wu et al. | A hybrid support vector regression approach for rainfall forecasting using particle swarm optimization and projection pursuit technology | |
CN106529707A (zh) | 一种负荷用电模式识别方法 | |
CN109902915A (zh) | 一种基于模糊c均值模型的电水气用能行为分析方法 | |
CN104252625A (zh) | 样本自适应多特征加权的遥感图像分类方法 | |
CN110717619A (zh) | 一种自下而上配电网多尺度时空负荷预测方法及系统 | |
CN115618261A (zh) | 一种基于nca与ssa-kelm的光伏接入配电网漏电识别方法 | |
CN115481791A (zh) | 一种水风光发电功率联合预测方法、装置和设备 | |
Liu et al. | A moving shape-based robust fuzzy K-modes clustering algorithm for electricity profiles | |
CN111461923A (zh) | 一种基于深度卷积神经网络的窃电监测系统和方法 | |
CN113762591B (zh) | 一种基于gru和多核svm对抗学习的短期电量预测方法及系统 | |
CN113033910B (zh) | 一种光伏发电功率的预测方法、存储介质及终端设备 | |
CN114881286A (zh) | 一种基于深度学习的短时降水预测方法 | |
CN117195090B (zh) | 一种低压配电台区窃电检测方法及系统 | |
CN115796402B (zh) | 一种基于组合模型的空气质量指数预测方法 | |
CN102880638B (zh) | 一种面向植物叶片的多样化图像检索的自适应的鲁棒cmvm特征降维与抽取方法 | |
CN110264010B (zh) | 新型乡村电力饱和负荷预测方法 | |
CN116561569A (zh) | 一种基于EO特征选择结合AdaBoost算法的工业电力负荷辨识方法 | |
CN116091801A (zh) | 一种基于深度学习的降雨图像相似性搜索方法 | |
Dong et al. | Research on academic early warning model based on improved SVM algorithm | |
Yong et al. | Short-term building load forecasting based on similar day selection and LSTM network | |
CN110309881A (zh) | 一种非平衡数据集的分类方法 | |
CN109031057A (zh) | 一种高压电力设备局部放电模式识别方法和装置 | |
CN115983095A (zh) | 一种基于聚类算法、神经网络和遗传算法的光伏发电预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |