论文部分内容阅读
当前，为了节约成本，许多不法用电用户通过各种窃电手段破坏电能表的正常计量来达到少交电费的目的。不少用户采用高新技术手段实施窃电，这些窃电方法十分隐蔽，使得传统的窃电检测方法难以发现。然而不论何种窃电手段，用户的窃电行为都会导致其用电数据出现异常，通过数据挖掘技术可以发现数据的异常进而找出窃电嫌疑用户。为此，本文重点研究如何通过对用户负荷特征数据进行分析，准确诊断窃电行为，主要研究工作如下:
(1)异常用电与数据预处理方法选择:首先介绍了电能计量系统，并分析了用户异常用电的原因及特征。针对用户数据的特点及可能出现的异常，介绍了用户数据的插值方法与归一化方法，并对于不同的处理方法进行了对比分析，获得了最佳的数据预处理方法。
(2)用户聚类与异常嫌疑用户的初步筛选:针对K-means聚类算法结果受初始值影响较大，聚类结果不稳定且容易陷入局部收敛的问题，采用人工蜂群算法对K-means聚类算法进行优化。但传统的人工蜂群算法缺少全局寻优能力，收敛速度较慢，故采用全局优化算法对人工蜂群算法进行优化，最后提出了基于全局人工蜂群算法优化的K-means聚类方法，优化后的K-means聚类算法较传统的K-means聚类算法具有更高的稳定性与精确性。得到聚类结果后，提出了基于曲线差异度的指标对比待测用户与其聚类中心的差异，从而初步筛选出用电异常嫌疑用户。
(3)组合神经网络检测模型:初步筛选出用电异常嫌疑用户后，为了进一步检测其是否窃电，研究基于6个窃电判别指标，采用神经网络进行训练。考虑到BP与RBF神经网络各有特点，二者对不同类型的数据预测精度有明显差异，提出了BP-RBF的组合模型，提高了神经网络的预测精度。BP-RBF组合模型输出结果为实数而非类别信息，而PNN神经网络可输出准确的分类结果，故采用PNN神经网络来得到待测用户的精确类别信息，并基于BP-RBF神经网络模型的结果计算其窃电嫌疑度，构建了组合神经网络检测模型。
(1)异常用电与数据预处理方法选择:首先介绍了电能计量系统，并分析了用户异常用电的原因及特征。针对用户数据的特点及可能出现的异常，介绍了用户数据的插值方法与归一化方法，并对于不同的处理方法进行了对比分析，获得了最佳的数据预处理方法。
(2)用户聚类与异常嫌疑用户的初步筛选:针对K-means聚类算法结果受初始值影响较大，聚类结果不稳定且容易陷入局部收敛的问题，采用人工蜂群算法对K-means聚类算法进行优化。但传统的人工蜂群算法缺少全局寻优能力，收敛速度较慢，故采用全局优化算法对人工蜂群算法进行优化，最后提出了基于全局人工蜂群算法优化的K-means聚类方法，优化后的K-means聚类算法较传统的K-means聚类算法具有更高的稳定性与精确性。得到聚类结果后，提出了基于曲线差异度的指标对比待测用户与其聚类中心的差异，从而初步筛选出用电异常嫌疑用户。
(3)组合神经网络检测模型:初步筛选出用电异常嫌疑用户后，为了进一步检测其是否窃电，研究基于6个窃电判别指标，采用神经网络进行训练。考虑到BP与RBF神经网络各有特点，二者对不同类型的数据预测精度有明显差异，提出了BP-RBF的组合模型，提高了神经网络的预测精度。BP-RBF组合模型输出结果为实数而非类别信息，而PNN神经网络可输出准确的分类结果，故采用PNN神经网络来得到待测用户的精确类别信息，并基于BP-RBF神经网络模型的结果计算其窃电嫌疑度，构建了组合神经网络检测模型。