基于线性判别分析和密度峰值聚类的异常用电模式检测.pdfVIP

第46 卷 第5 期 2022 年3 月10 日 Vol.46No.5 Mar.10，2022 DOI：10.7500/AEPS20210717003 基于线性判别分析和密度峰值聚类的异常用电模式检测 王建元，张少锋 （现代电力系统仿真控制与绿色电能新技术教育部重点实验室（东北电力大学），吉林省吉林市 132012） 摘要：现有的异常用电检测方法存在未考虑电力用户的位置信息、模型参数选取困难的问题。据 此，提出了一种基于线性判别分析（LDA）和密度峰值（DPeaks）聚类的双判据无监督异常用电检测 模型。该模型遵循“特征构造—维度规约—聚类—异常检测”的流程，借助聚类算法将用电模式类 别不同的用户进行分类后再检测。在维度规约模块，使用线性判别分析将用户的台区号输入检测 模型，提升了模型的检出率和精确率；在异常检测模块，设置双判据检测标准，减小了模型对参数摄 动的敏感程度。采用该模型检测爱尔兰智能电表数据，结果表明用户位置信息的引入可以提高异 常检测模型的准确度。 关键词：非技术性损失；异常用电检测；无监督学习；线性判别分析；密度峰值聚类 0 引言 督检测算法的辅助算法［9，12］，以减少类别不平衡数 据对检测结果的负面影响；基于离群因子的无监督 电能的非技术性损失（non-technicalloss，NTL） ［13］ 算法不适合检测多种用电模式的电力用户负荷 。 是指用户消费电能后，电力公司却未收到电费的这 ［1］ 而基于聚类的无监督算法可以实现异常检测全过程 部分电能 。这些损失中，除少部分由电表自身故 ［2］ （不包括模型评估）的无监督，并且能够实现对多类 障产生，大部分是由电力用户的窃电行为导致的 。 别电力负荷的异常检测 。K 均值（K-means）聚 据统计，中国因窃电造成的损失超过总供电损失的 ［14］ ［3］ 类 、基于密度的带有噪声的空间聚类（density- 6% 。除经济上的损失以外，NTL 的存在还会干 based spatial clustering of applications with noise， 扰电网运行参数的测算，进而危及电力系统运行的 ［15］ ［16］ ［17］ ［4-5］ DBSCAN） 、近邻传播聚类 、离群聚类 等在电 可靠性 。异常用电检测工作可以找出故障电表 力负荷异常检测中都有不错的成效。然而，聚类算 和窃电用户，但早期的检测方法仍依赖于现场筛查， 法用于异常检测存在的问题是参数选取往往基于经 耗时耗力。智能电表的普及为电力公司收集了大量 ［18］ ［6］ 验 ，而无监督算法缺乏异常用户标签，无法评估 细粒度的电力负荷数据 ，为基于数据驱动的异常 所选参数的优劣，故难以获取最优参数。