【配电网的非技术损失研究的国内外文献综述3000字】

配电网的非技术损失研究的国内外文献综述在传统的窃电行为中，窃电者主要是通过对电表结构或计量装置进行改动，也有通过私自乱接电线，这些操作方法和使用的工具较为简单，为应对检查，窃电者可以快速地隐藏工具、消除窃电证据，给反窃电工作带来很大难度，进而致使窃电行为普遍存在。而高科技手段的使用，加大了反窃电工作的难度。配电网的非技术损失对供电公司的经济收入和电网的供电质量产生了很大的影响，其中窃电者私自乱拉接线的行为更是给社会稳定带来隐患。因此，对配电网非技术损失进行高效、准确的检测工作尤为重要。下面介绍非技术损失检测方面的研究现状。1.1传统检测方法由于窃电是非技术损失的主要部分，传统的非技术损失检测手段主要是通过确认电能表结构或计量装置是否被人为改动来实现的，主要是对于各种不同的窃电手段，采取不同的针对方法，对电能表加入各种防破坏、防干扰的设计和装置，属于物理层面上的，效率低并且准确率也不高，过程中还耗费人力物力，使得窃电行为频繁发生REF_Ref73469306\r\h[11]。例如防窃电铅封，这种方式不仅给电表的管理带来不便，而且当铅封自然地发生损坏时，会导致错误的判断结果。郭立才等人对电能计量原理和计量点的位置选择进行了具体分析，针对常用的窃电方法，提出了与电能计量相关的几种防窃电措施，主要有采用全封闭式的电能表箱和对电能计量装置加封等方法REF_Ref73469156\r\h[12]。刘崇伟等人对各种窃电手法的特征进行了总结，对于可能存在的磁场干扰设计相应的磁场检测部分，对于可能使用无线遥控装置设计相应的无线检测部分，并对于获取到的磁检测信号和无线检测信号设计相应的软件部分进行分析，用于防窃电REF_Ref73469162\r\h[13]。1.2基于数据挖掘的检测方法人工智能已成为时代热点，国内外很多专家在数据挖掘进行了很多研究。随着智能电表的普及和智能电网的推进，对用电信息的采集系统也逐渐完善，使配用电的数据量得到飞速增长。海量的用电数据和各种数据挖掘方法，给配电网非技术损失的检测工作提供了便利，通过对用电数据的分析，挖掘数据中隐藏的关联关系，构建模型，从而实现对非技术损失的检测。国内外提出了很多基于数据挖掘的非技术损失检测方法，按照是否需要先验知识，主要可分为监督学习和无监督学习两类。如图1-1所示。图1-1基于数据挖掘的检测方法分类用于非技术损失检测的监督学习主要有支持向量机（SupportVectorMachine，SVM）、决策树（DecisionTrees,DT）和人工神经网络（ArtificialNeuralNetwork，ANN）等方法。这些监督学习的方法需要每个样本数据都要有输入（特征变量）和输出（分类），通过对样本数据的分析，提取输入和输出间的关系，构建模型，用于对未知分类的数据进行判定。在非技术损失检测问题上，支持向量机是常用的机器学习算法之一。对于异常和正常两类用电用户来说，用电特征变量较多，情况复杂，在低维空间中是线性不可分的，而通过支持向量机中的核函数方法，便能够转化成线性可分的，从而实现分类。Nagi等人对初始的用电数据进行预处理和特征提取后，利用SVM算法将用户分为正常和存在欺诈行为的两类REF_Ref73469360\r\h[14]。Pereira等人将蜘蛛群算法（SimplifiedSwarmOptimization，SSO）引入进SVM算法中的参数估计中，通过SSO结合SVM算法来进行特征选取，实现对异常用电的检测REF_Ref73469367\r\h[15]。决策树也是一种常用的分类方法。宋南对C4.5分类算法做了改进，通过构造决策树，实现了对电表状态的分类REF_Ref73469377\r\h[16]；Monedero等人对于非技术损失中的用电量骤降的常见情况，利用皮尔逊相关系数进行了分析检测，并对其他类型的技术损失，利用贝叶斯网络和决策树来实现检测REF_Ref73469401\r\h[17]。此外，最优路径森林算法（OptimumPathForrest,OPF）和人工神经网络也都被应用到非技术损失的检测当中。Ramos等人使用最优路径森林算法，并利用剪枝算法从训练集中识别出最相关的相本，将其从分类过程中删除，这并不会影响测试集的检测准确度，同时还加快了最优路径森林分类器的测试阶段REF_Ref73469426\r\h[18]；Ford等人利用人工神经网络（ArtificialNeuralNetwork，ANN）和历史电量消耗数据，来检测不同类型的窃电行为REF_Ref73469498\r\h[19]。Manitsas等人利用少量实际数据，结合典型的负分布，进行了数据生成，利用误差反向传播来训练人工神经网络，提出了基于分布式系统状态估计的建模方法REF_Ref73521208\r\h[20]。Zheng等人利用卷积神经网络（ConvolutionalNeuralNetworks，CNN），通过分析日常用电的周期性和用电特征，提出了一种基于宽深度卷积神经网络模型的窃电检测方法，提升了窃电检测的性能REF_Ref73521217\r\h[21]。肖端翔针对较短时间跨度的用电用户，在支持向量机的分类基础上，利用LOF算法的密度衡量和LSTM方法进行修正，提出了基于机器学习的混合模型，得到了较为准确的判定结果REF_Ref73523221\r\h[22]。Buzau等人提出了一种利用混合深度神经网络自学习智能电表异常和欺诈检测特征的方法，将每日的用电量数据通过长短期记忆神经网络（LongShort-Termmemory,LSTM）进行分析，而非连续数据则通过多层感知器网络(MultilayerPerceptron,MLP)进行分析，并通过西班牙最大电力公司Endesa的真实智能电表数据进行了训练和测试REF_Ref73471566\r\h[23]。用于非技术损失检测的无监督学习主要有聚类和局部离群因子算法（LocalOutlierFactor,LOF）等方法。相比较于监督学习，这些无监督学习方法的样本数据不需要有分类标签，通过对样本数据的输入特征进行训练，挖掘数据特征之间的关系，得到各数据的输出分类，并可以对未知分类的数据进行判定。K-means算法是一种简单的聚类算法。孟建良等人利用随机抽样对传统的K-means算法进行了改进，并从一天的负荷数据中提取得到日负荷特征曲线，用于对不良数据的检测REF_Ref73470178\r\h[24]。Angelos等人提出了一种基于模糊聚类技术的异常用电检测方法，首先采用基于C均值的模糊聚类方法来寻找具有相似用电特征的用户，利用模糊隶属度矩阵和到聚类中心的欧式距离实现分类，并对距离度量进行归一化和排序用于识别异常用电，并经实例测试，该方法具有较强的适用性REF_Ref73523529\r\h[25]。程超等人利用基于距离的离群点检测方法，针对欠压法窃电和欠流法窃电设计了相应的判定算法，根据用电对象距质心的欧几里得距离进行不同用电类别的判定REF_Ref73471191\r\h[26]；庄池杰等人对电力用户的负荷序列进行了特征提取，并对特征做了主成分分析用于降低维度，最后利用经网格技术改进的LOF算法得到每个用户的异常程度REF_Ref73471182\r\h[27]。张为金结合了聚类算法和局部离群因子算法，使用轮廓系数优化AffinityPropagation算法的聚类效果，并结合LOF算法和AP算法，提高对异常点的检测准确率REF_Ref73521195\r\h[28]。基于以上研究，传统的检测方法具有很多弊端，如耗费大量人力物力、检测时间长、直接检测困难、专业人员不足等问题；对于基于数据挖掘的检测方法，利用经典的机器学习算法进行建模，但是其检测精度有待提高。对此，本文拟用深度学习算法，用于配电网非技术损失的检测。参考文献Z.Markoc,N.Hlupic,D.Basch.Detectionofsuspiciouspatternsofenergyconsumptionusingneuralnetworktrainedbygeneratedsamples[J].ProceedingsoftheITI2011,33rdInternationalConferenceonInformationTechnologyInterfaces,2011:551-56.李宁,尹小明,丁学峰,等.一种融合聚类和异常点检测算法的窃电辨识方法[J].电测与仪表,2018,55(21):19-24.P.Mcdaniel,S.Mclaughlin.SecurityandPrivacyChallengesintheSmartGrid[J].IEEESecurity&Privacy,2009,7(3):75-77.G.M.Messinis,A.E.Rigas,N.D.Hatziargyriou.AHybridMethodforNon-TechnicalLossDetectioninSmartDistributionGrids[J].IEEETransactionsonSmartGrid,2019:1-1.S.S.S.R.Depuru,L.F.Wang,V.Devabhaktuni.Electricitytheft:Overview,issues,preventionandasmartmeterbasedapproachtocontroltheft[J].EnergyPolicy,2011,39(2):1007–1015.陈启鑫,郑可迪,康重庆,等.异常用电的检测方法:评述与展望[J].电力系统自动化,2018,(17):189-199.钟立华,杨悦群.用电监察中窃电与反窃电技术分析[J].电子测试,2018(21):117-118.宋亚奇,周国亮,朱永利.智能电网大数据处理技术现状与挑战[J].电网技术,2013,37(04):927-935.A.Labrinidis,H.V.Jagadish.Challengesandopportunitieswithbigdata[J].ProceedingsoftheVLDBEndowment,2012,5(12):2032–2033.P.Glauner,J.A.Meira,P.ValtchevP,etal.TheChallengeofNon-TechnicalLossDetectionusingArtificialIntelligence:ASurvey[J].InternationalJournalofComputationalIntelligenceSystems,2017,10(1):760-775.霍尧.基于用电信息采集的智能反窃电系统开发与应用[D].华北电力大学,2014.郭立才,彭志炜,范强.电能计量及反窃电方法综述[J].高压电器,2010(05):91-93+96.刘崇伟,李韵.智能电能表防窃电技术研究[J].电气应用,2014(1):82-85.J.Nagi,K.S.Yap,S.K.Ahmed,etal.NontechnicalLossDetectionforMeteredCustomersinPowerUtilityUsingSupportVectorMachines[J].IEEETransactionsonPowerDelivery,2010,25(2):1162-1171.D.R.Pereira,M.A.Pazoyi,L.A.M.Pereira,etal.Social-SpiderOptimization-basedSupportVectorMachinesappliedforenergytheftdetection-ScienceDirect[J].Computers&ElectricalEngineering,2016,49:25-38.宋南.基于电能信息的电表现场校验