电能计量数据聚类分析与窃电检测研究

随着电网的智能化发展,各种智能电量计量装置的广泛使用,电能计量自动化系统中积累了大量的电能计量数据,采用数据挖掘的方法对这些数据进行分析,可以帮助电力部门掌握用户的用电行为,对负荷预测、负荷控制、用电异常检测等具有重要的意义。窃电作为影响电网发展的主要问题之一,不仅给国家经济造成了重大的损失,而且威胁着电网的安全运行。随着科技的发展,窃电手段越来越多样化,而且隐蔽性更强,这给窃电检测带来了更大的困难。同时对大量的用户进行窃电检测存在着效率问题。针对上述问题,本文首先采用了聚类的方法完成了对用户用电负荷曲线的分类,得到了用户的负荷特征曲线并根据负荷特征曲线对用户用电行为进行了分析,然后采用将用户的负荷曲线与其负荷特征曲线进行匹配筛选的方法,以此对疑似窃电用户进行确定,缩小了窃电检测的用户范围,最后通过基于粒子群(Particle Swarm Optimization,PSO)优化的支持向量机回归(Support Vector Regression,SVR)算法对疑似窃电用户的窃电行为进行进一步检测。本文的主要研究内容如下:(1)基于聚类分析与支持向量机回归的相关技术,提出基于负荷、电流、电压、电量等电能计量数据的窃电检测模型,并采用了云南省某供电局的电能计量数据对模型进行了实验验证。(2)详细分析了用户负荷曲线分类过程,对分类过程中的数据抽取、数据预处理、单一用户典型日负荷曲线的提取和聚类数确定进行了具体研究,利用模糊C均值(FuzzyC-means,FCM)聚类算法得到用户的日负荷特征曲线,并对用户用电行为进行了分析。这为疑似窃电用户的判别提供了依据。(3)针对传统的支持向量机回归算法在准确性方面的不足,本文采用了粒子群算法对SVR算法进行了优化,将优化后的SVR算法应用到窃电检测模型中,建立了疑似窃电用户窃电行为的检测模型。实验表明,相比于传统的SVR算法,经过优化后的SVR算法的准确性较高,为窃电检测提供了一种新方法。