基于数据挖掘技术的低压台区线损检测研究.docx

基于数据挖掘技术的低压台区线损检测研究 摘要：低压台区作为配电网的末端，通常是指以380V或220V低压变压器供电的区域，其可为广大居民用户和小微企业用户供电。低压台区变压器端采集的电力数据量庞大、用电信息维度高导致分析困难，并且原始数据很难为电力用户用电研究提供数据依据。线路损耗会影响到配电网的输出效果，进而对变压器性能造成直接影响。线路损耗按结构可分为统计线损、技术线损和管理线损。它不仅是指以热能形式存在的能量损耗，而且还是指窃电行为引起的管理线路损耗。 关键词：线路损耗；数据挖掘；层次分析；异常值检测 针对低压台区变压器端采集的电力数据量庞大难以分析线路损耗问题，深入分析了电力信息系统营销自动化过程中积累的海量用户数据，建立了合理且高效的线损分析数学模型。通过挖掘智能电表中这些数据背后的有用信息，实现对用户异常用电行为的检测，达到防止窃电和漏电的目的，从而降低线路损耗。利用加权ＬＯＦ算法数据挖掘技术的电力线路窃电层次检测方法，可以对海量用户数据进行加权异常值分析，更有效地完成异常电力用户的定位。 1 基于数据挖掘的异常电量检测 数据挖掘作为一种新兴的数据处理方法，能够有效地处理海量且复杂情况的数据分析。因此，为了有效地应对低压台区内大规模用户功耗数据中检测异常用户数据的问题，引入了数据挖掘技术，基于数据挖掘的异常用电量检测模型主要分为三个部分：用户用电数据采集与处理、异常用电模型的构建、检测用户结果分析与验证。 2 基于用电特征分析的异常检测原理 2.1 电能利用特征提取 窃电线损行为引起的异常用电数据信息提取往往不是孤立的，并且一个窃电场景可能引发多个异常现象。如果测试是基于单个指标，则很可能会出现遗漏或误判。因此，必须从各种异常用电现象中以及在由各种异常用电行为引起的可量化特征量中提取综合特征来进行有效的防窃电工作。以单相用户为例，整合现有文献对功耗评估指标如下：日平均电压、日平均功率因数、日平均电流不平衡率、前７天平均日冻结功率、功率不平衡率 2.2 基于离群点检测的窃电线损判定原理 离群点检测又称异常检测，其目的是发现样本 组中具有不同行为特征的目标。常用的检测方法主要分为五类：基于分布的检测、基于深度的检测、基于距离的检测、基于密度的检测和基于偏移量的检测。 考虑到电力用户环境，基于密度的检测算法能够更好地适应内部结构复杂的电力数据集。因此，选择了密度检测算法中最具代表性的LOF算法，并将其应用到异常功率检测中。为了更好地理解算法，引入以下概念： 定义１：目标ｐ的ｋ距离邻域为Ｎｋ（ｐ），即所有不超过与目标ｐ的距离distk（ｐ）的目标集合，其表达式为： (1) 其中，distk（ｐ）Ｄ表示目标ｐ的ｋ距离。 定义２：目标ｐ的局部可到达密度Ｌｋ（ｐ）的数学表达式为： (2) 其中，Ｒｋ（ｐ，ｏ）表示目标ｏ到目标ｐ的可到达距离，可到达距离定义如下：给定自然数ｋ，目标ｐ相对于目标ｏ的可达距离为： (3) 定义３：目标ｐ的局部异常因子（ＬＯＦ）定义为： (4) 由公式（４）可以看出，数据目标的密度越小，ｋ距离邻域中目标的密度越大，ＬＯＦ值越大，则异常程度越大。根据离散点检测原理，利用ＬＯＦ算法得到用户异常度，并且表达用户窃电导致的线损嫌 疑程度，进而根据嫌疑程度完成低压台区内异常用户检测。 3 加权ＬＯＦ算法及其在窃电线损检测中的应用 由于低压台区内用户较多，且不同用户的用电特性差异较大，这使得电力数据集内部呈现出复杂的分布特性。ＬＯＦ算法能有效地避免数据分布不均匀对检测结果的影响，并且对密度不平衡的电力数据集具有良好的检测效果。由于不同的电能指标具有不同的含义，如果用传统的ＬＯＦ算法直接得到异常值来表示用户窃电线损嫌疑程度，当多个电能指标对可疑的窃电线损具有不同的重要性时，导致判断结果并不合理。如果不同指标数据具有相同程度的异常值，并不意味着两个用户具有相同的窃电线损嫌疑。 考虑到选定的电能指标对涉嫌窃电用户具有不同的重要性，因此，有必要分析可以代表窃电线损可能性的每个电能指标数据异常程度。本文使 用层次分析法（ＡＨＰ）对每个检测指标分配合理权重，并结合加权ＬＯＦ算法对用户的窃电线损嫌疑进行综合量化，利用得到的综合异常值来表征用户对窃电线损的嫌疑程度，提高了对用户窃电线损的检测效率。最后，通过实验验证了该检测方法的有效性。 3.1 指标权重的确定 传统的ＬＯＦ算法无法区分不同指标数据的含义，且传统的ＬＯＦ 算法得到的异常值只能代表用户用电特性的异常程度，不能解释用户对窃电线损行为的嫌疑程度。因此，有必要对传统ＬＯＦ算法的不同维度数据分配相应的权重。电能指标异常程度越大代表窃电线损行为的概率越大，在整个涉嫌窃电线损行为分析中应发挥的作用越大，则权重越大，反之亦然。因此，引入ＡＨＰ作为权重量化的数学工具。 ＡＨＰ的