论文部分内容阅读
异常用电行为不仅影响供电公司的收入,而且通过更换计量装置作为主要手段进行的窃电行为破坏了电力基础设施,威胁到电网安全稳定运行。用电异常检测与未来消费预测对于能源领域的资源管控有重要的现实意义。一方面,检测出电网能耗异常对整个电网的稳定运行十分重要,并且检测出异常用户后,确定用户的真实用电量对供电公司处理相关事宜具有指导性的意义。另一方面,基于历史数据的消费预测对提高终端用户能源服务能力至关重要。为了检测异常用户,本文提出一种结合机器学习方法的短期异常用电检测方法(A Short-term Fraud Detection Method Based on the Support Vector Machine,SFSVM)。首先,系统自动采集近期规定时间长度的电网及用户的电力数据,当系统检测到区域电网提供的耗电量与智能电表报告的用户所消费的电量的差值超过一定水平时,系统会转变为窃电可疑状态,触发窃电检测。接着,将触发窃电检测前后的用户用电数据进行比较,从相关数据中提取特征值,对各用户逐一进行识别,最终找到可疑窃电用户。对比实验结果显示SF-SVM在误警率较低的情况下,检出率较高,有较大的使用价值。为了预测用户能耗,本文提出了一种结合自适应噪声辅助完备经验模态分解(Complete Ensemble Empirical Mode Decomposition With Adaptive Noise,CEEMDAN)与长短期记忆网络(Long Short-Term Memory,LSTM)的用户用电量预测方法(CEEMDAN-LSTM)。首先,针对非平稳非线性的用户用电量数据直接套用预测模型难以挖掘出更深层次的时序特征的问题,采用自适应噪声辅助完备经验模态分解算法将信号中的趋势分量、周期分量和随机分量分解出来。然后,在CEEMDAN分解的基础上搭建LSTM预测子模型,再通过叠加的方式预测总的用电量。最后通过多组对比实验证明了CEEMDAN-LSTM的预测误差更小。