黄莉雅 倪凡 舒彧 杨耀

（贵州电网有限责任公司信息中心 贵州省贵阳市 550000）

1 引言

利用、分析电网积累的大量用电数据可知用户侧的漏电、窃电等异常行为研究与监控具有重大意义。用户的用电信息可以存储在智能电表，并且反映用户日常用电信息和用电习惯。结合用电信息和线损信息，可以寻找到正常用户与异常用户之间的不同之处[1,2]。事实上，还是很难区分普通用户和窃电用户。比如，文献[3]提出由于不能简单直接地计算或测量非技术性损耗(NTL)，因此需要从其它初步结果对它进行估计，即从总损耗中减去技术性损耗。文献[4]提出了将无监督学习用于非正常行为用电模式检测，适用于电力用户数据集不足，训练样本较少的情况。然而，另一方面，在实际情形下，对异常用电的成功检测率会随着时间的推进而下降。文献[5]提出每当引入新方法时，检测率最初可能很高，但是随着欺诈者改变方法以避免检测，其有效性会随时间变化而减少。文献[6,7]提出传统的检测方法大多通过人工的现场调查，或者临时增加校验用的电能计量设备，这些工作大大提高了检测的成本，无法进行大规模的应用，对异常用电行为的覆盖也非常有限。文献[8]提出基于稀疏随机森林算法的异常用电行为监测方法，此算法利用时间窗和Bootstrap重采样，建立行为模型信息簇，然后利用监督学习获取随机森林模型，最后对模型进行稀疏化，并以此来判断样本是否异常。……