基于深度学习的用户异常用电模式检测
2018-09-13赵文清沈哲吉
电力自动化设备 2018年9期
赵文清,沈哲吉,李 刚
华北电力大学 控制与计算机工程学院,河北 保定 071003)
0 引言
配电侧电力用户的窃电、欺诈等一系列欺骗性用电行为所导致的损失统称为非技术性损失NTL(Non-Technical Loss)。非技术性损失对电网的正常运行会产生严重的影响,扰乱地区电网的正常调度,甚至会由于用户私自改接线路而引发安全事故。非技术性损失在实际运行的电网中普遍存在,在某些国家中,非技术性损失约占用电总量的12.5%~25%[1]。在印度、巴西和墨西哥,非技术性损失分别占其全国用电量的26.2%、16.85%和15.83%[2]。我国的非技术性损失相对较低,占全国用电总量的6.42%[2]。 但由于我国电能需求总体庞大,且近年来用电量不断攀升[3],在2016年由非技术性损失所带来的经济损失高达190亿元。因此,研究降低非技术性损失有着非常重要的现实社会意义。
当今电网公司主要通过加强计量设备管理、采用专用计量箱或采用防撬铅封和选择合理电流互感器倍率等方法来降低非技术性损失[4]。但这些方法需要投入额外的人力物力,且不能及时发现非技术性损失。随着电网的智能化程度不断提高,以及远程用电信息采集系统的使用与推广,电网公司可以通过分析远程用电信息采集系统中的数据来降低非技术性损失[5]。但是,目前依然存在一些问题。首先,电网公司中用户用电数据非常庞大。文献[6-7]中指出截至2013年年底,国家电网公司累计安装智能电表1.82亿只,实现用电信息采集1.91亿户。如果一个地区以100万只智能电表来计算,一年积累的数据量就可高达3.18 TB。……
登录APP查看全文
