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

doi:10.7500/AEPS20210717003

您当前的位置：

首页 >

文章列表页 >

基于线性判别分析和密度峰值聚类的异常用电模式检测

学术研究 | 更新时间：2025-06-16

- 基于线性判别分析和密度峰值聚类的异常用电模式检测
- Anomaly Detection for Power Consumption Patterns Based on Linear Discriminant Analysis and Density Peak Clustering
- 电力系统自动化 2022年46卷第5期页码：87-95
- 作者机构：
  
  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
- 作者简介：
  
  王建元(1971—)，男，通信作者，博士，教授，硕士生导师，主要研究方向：智能配电网运行与控制。E-mail：wangjy@neepu.edu.cn
  张少锋(1995—)，男，硕士研究生，主要研究方向：电力大数据分析。E-mail：1637814960@qq.com
- 基金信息：
- DOI：10.7500/AEPS20210717003
  中图分类号：
- 收稿：2021-07-17，
  
  修回：2021-10-27，
  
  网络出版：2021-12-16，
  
  纸质出版：2022-03-10
- 稿件说明：
移动端阅览
王建元,张少锋.基于线性判别分析和密度峰值聚类的异常用电模式检测[J].电力系统自动化,2022,46(5):87-95.

WANG Jianyuan,ZHANG Shaofeng.Anomaly Detection for Power Consumption Patterns Based on Linear Discriminant Analysis and Density Peak Clustering[J].Automation of Electric Power Systems,2022,46(5):87-95.
王建元,张少锋.基于线性判别分析和密度峰值聚类的异常用电模式检测[J].电力系统自动化,2022,46(5):87-95. DOI： 10.7500/AEPS20210717003.

WANG Jianyuan,ZHANG Shaofeng.Anomaly Detection for Power Consumption Patterns Based on Linear Discriminant Analysis and Density Peak Clustering[J].Automation of Electric Power Systems,2022,46(5):87-95. DOI： 10.7500/AEPS20210717003.

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。

Abstract

Existing methods for anomaly power consumption detection have the problems of ignoring the location information of power users and difficulty in selecting model parameters. On this basis

a double-criterion unsupervised anomaly power consumption detection model based on linear discriminant analysis (LDA) and density peaks (DPeaks) clustering is proposed. This model follows the process of “feature construction—dimension reduction—clustering—anomaly detection”. Users with different power consumption patterns are classified by clustering algorithm and then detected. In the dimension reduction module

LDA is used to input the station area codes of users into the detection model

which improves the detection rate and accuracy of the model. In the anomaly detection module

a double-criteria detection standard is set to reduce the sensitivity of the model to the parameter perturbation. The proposed model is used to detect Irish smart meter data

and the results show that the introduction of location information of users can improve the accuracy of the anomaly detection model.

关键词

Keywords

references

ESMAEL A ， SILVA H ， JI T ， et al . Non-technical loss detection in power grid using information retrieval approaches： a comparative study ［J］. IEEE Access ， 2021 ， 9 ： 40635 - 40648 .

MASSAFERRO P ， MARTINO J ， FERNANDEZ A . Fraud detection in electric power distribution： an approach that maximizes the economic return ［J］. IEEE Transactions on Power Systems ， 2020 ， 35 （ 1 ）： 703 - 710 .

林振智，崔雪原，金伟超，等 . 用户侧窃电检测关键技术［J/OL］. 电力系统自动化［ 2021-10-27 ］. http：//kns.cnki.net/kcms/detail/32.1180.TP.202109 08.1649.002.html http://kns.cnki.net/kcms/detail/32.1180.TP.20210908.1649.002.html .

LIN Zhenzhi ， CUI Xueyuan ， JIN Weichao ， et al . Key technology of electricity theft detection for power consumers ［J/OL］. Automation of Electric Power Systems ［ 2021-10-27 ］. http：//kns.cnki.net/kcms/detail/32. 1180.TP.20210908.1649.002.html http://kns.cnki.net/kcms/detail/32.1180.TP.20210908.1649.002.html .

AMOLO W ， MUSAU P ， NYETE A ， et al . Non-technical power loss reduction and transients stability： optimal placement of reclosers ［C］// IEEE PES/IAS Power Africa ， August 25-28 ， 2020 ， Nairobi， Kenya ： 1 - 5 .

BUZAU M ， TEJEDOR-AGUILERA J ， CRUZ-ROMERO P ， et al . Detection of non-technical losses using smart meter data and supervised learning ［J］. IEEE Transactions on Smart Grid ， 2019 ， 10 （ 3 ）： 2661 - 2670 .

WANG Yi ， CHEN Qixin ， HONG Tao ， et al . Review of smart meter data analytics： applications， methodologies， and challenges ［J］. IEEE Transactions on Smart Grid ， 2019 ， 10 （ 3 ）： 3125 - 3148 .

唐捷，杨银，刘斯亮，等 . 基于改进SVM与NSGA-Ⅲ的台区相序在线优化方法［J/OL］. 电力系统自动化［ 2021-10-26 ］. http：//kns.cnki.net/kcms/detail/32.1180.TP.20211026.0954.002.html http://kns.cnki.net/kcms/detail/32.1180.TP.20211026.0954.002.html .

TANG Jie ， YANG Yin ， LIU Siliang ， et al . On-line optimization method for phase sequence in station area based on improved support vector machine and non-dominant sorting genetic algorithm-Ⅲ ［J/OL］. Automation of Electric Power Systems ［ 2021-10-26 ］. http：//kns.cnki. net/kcms/detail/32.1180.TP.20211026.0954.002.html http://kns.cnki.net/kcms/detail/32.1180.TP.20211026.0954.002.html .

MESSINIS G ， RIGAS A ， HATZIARGYRIOU N . A hybrid method for non-technical loss detection in smart distribution grids ［J］. IEEE Transactions on Smart Grid ， 2019 ， 10 （ 6 ）： 6080 - 6091 .

王德文，杨凯华 . 基于生成式对抗网络的窃电检测数据生成方法［J］. 电网技术， 2020 ， 44 （ 2 ）： 775 - 782 .

WANG Dewen ， YANG Kaihua . A data generation method for electricity theft detection using generative adversarial network ［J］. Power System Technology ， 2020 ， 44 （ 2 ）： 775 - 782 .

BUZAU M ， TEJEDOR J ， CRUZ P ， et al . Hybrid deep neural networks for detection of non-technical losses in electricity smart meters ［J］. IEEE Transactions on Power Systems ， 2020 ， 35 （ 2 ）： 1254 - 1263 .

赵楠，张小芳，张利军 . 不平衡数据分类研究综述［J］. 计算机科学， 2018 ， 45 （增刊1 ）： 22 - 27 .

ZHAO Nan ， ZHANG Xiaofang ， ZHANG Lijun . Overview of imbalanced data classification ［J］. Computer Science ， 2018 ， 45 （ Supplement 1 ）： 22 - 27 .

胡天宇，郭庆来，孙宏斌 . 基于堆叠去相关自编码器和支持向量机的窃电检测［J］. 电力系统自动化， 2019 ， 43 （ 1 ）： 119 - 125 .

HU Tianyu ， GUO Qinglai ， SUN Hongbin . Nontechnical loss detection based on stacked uncorrelating autoencoder and support vector machine ［J］. Automation of Electric Power Systems ， 2019 ， 43 （ 1 ）： 119 - 125 .

庄池杰，张斌，胡军，等 . 基于无监督学习的电力用户异常用电模式检测［J］. 中国电机工程学报， 2016 ， 36 （ 2 ）： 379 - 387 .

ZHUANG Chijie ， ZHANG Bin ， HU Jun ， et al . Anomaly detection for power consumption patterns based on unsupervised learning ［J］. Proceedings of the CSEE ， 2016 ， 36 （ 2 ）： 379 - 387 .

YANG Jun ， FEI Ke ， REN Fajuan ， et al . Non-technical loss detection using missing values pattern ［C］// International Conference on Smart Grid and Clean Energy Technologies ， October 4-7 ， 2020 ， Kuching， Malaysia ： 149 - 154 .

肖勇，郑楷洪，余忠忠，等 . 基于三次指数平滑模型与DBSCAN聚类的电量数据异常检测［J］. 电网技术， 2020 ， 44 （ 3 ）： 1099 - 1104 .

XIAO Yong ， ZHENG Kaihong ， YU Zhongzhong ， et al . Power data anomaly detection based on Holt-winters model and DBSCAN clustering ［J］. Power System Technology ， 2020 ， 44 （ 3 ）： 1099 - 1104 .

杜章华，苏盛，刘正谊，等 . 基于生产经营状态识别的低误报率窃电检测二次筛查方法［J］. 电力系统自动化， 2021 ， 45 （ 2 ）： 97 - 104 .

DU Zhanghua ， SU Sheng ， LIU Zhengyi ， et al . Second inspection method for electricity theft detection with low false alarm rate based on identification of production and operation status ［J］. Automation of Electric Power Systems ， 2021 ， 45 （ 2 ）： 97 - 104 .

SADDAM H ， WAZIR M ， AHMED J ， et al . A novel unsupervised feature-based approach for electricity theft detection using robust PCA and outlier removal clustering algorithm ［J］. International Transactions on Electrical Energy Systems ， 2020 ， 30 （ 11 ）： 4425 - 4436 .

章永来，周耀鉴 . 聚类算法综述［J］. 计算机应用， 2019 ， 39 （ 7 ）： 1869 - 1882 .

ZHANG Yonglai ， ZHOU Yaojian . Review of clustering algorithms ［J］. Journal of Computer Applications ， 2019 ， 39 （ 7 ）： 1869 - 1882 .

RAJENDRAN S ， MEERT W ， LENDERS V ， et al . Unsupervised wireless spectrum anomaly detection with interpretable features ［J］. IEEE Transactions on Cognitive Communications and Networking ， 2019 ， 5 （ 3 ）： 637 - 647 .

ZHANG Wei ， DONG Xiaowei ， LI Huaibao ， et al . Unsupervised detection of abnormal electricity consumption behavior based on feature engineering ［J］. IEEE Access ， 2020 ， 8 ： 55483 - 55500 .

RODRIGUEZ A ， LAIO A . Clustering by fast search and find of density peaks ［J］. Science ， 2014 ， 344 （ 6191 ）： 1492 - 1496 .

谷紫文，李鹏，郎恂，等 . 基于变分模态分解和密度峰值快速搜索的电力负荷曲线可控聚类模型［J］. 电力系统保护与控制， 2021 ， 49 （ 8 ）： 118 - 127 .

GU Ziwen ， LI Peng ， LANG Xun ， et al . A controllable clustering model of the electrical load curve based on variational mode decomposition and fast search of the density peak ［J］. Power System Protection and Control ， 2021 ， 49 （ 8 ）： 118 - 127 .

李军徽，张嘉辉，穆钢，等 . 计及负荷峰谷特性的储能调峰日前优化调度策略［J］. 电力自动化设备， 2020 ， 40 （ 7 ）： 128 - 136 .

LI Junhui ， ZHANG Jiahui ， MU Gang ， et al . Day-ahead optimal scheduling strategy of peak regulation for energy storage considering peak and valley characteristics of load ［J］. Electric Power Automation Equipment ， 2020 ， 40 （ 7 ）： 128 - 136 .

邓明斌，徐志淼，邓志飞，等 . 基于多特征融合的窃电识别算法研究［J］. 计算机与数字工程， 2017 ， 45 （ 12 ）： 2398 - 2401 .

DENG Mingbin ， XU Zhimiao ， DENG Zhifei ， et al . Study on stealing recognition model based on multi feature fusion ［J］. Computer & Digital Engineering ， 2017 ， 45 （ 12 ）： 2398 - 2401 .

SUDIBYO U ， RUSTAD S ， NURTANTIO ANDONO P ， et al . A novel approach on linear discriminant analysis（LDA）［C］// International Seminar on Application for Technology of Information and Communication ， September 19-20 ， 2020 ， Semarang， Indonesia ： 131 - 136 .

YU Xiaojie ， SUN Lijun ， YAN Yang ， et al . A short-term traffic flow prediction method based on spatial-temporal correlation using edge computing ［J］. Computers & Electrical Engineering ， 2021 ， 93 ： 107219 .

SHI Wen ， LU Ningyun ， JIANG Bin ， et al . An unsupervised anomaly detection method based on density peak clustering for rail vehicle door system ［C］// Chinese Control and Decision Conference ， June 3-5 ， 2019 ， Nanchang， China ： 1954 - 1959 .

李航 . 基于LOF的快速密度峰值聚类的电力数据异常值检测方法研究［D］. 兰州：兰州理工大学， 2019 .

LI Hang . Research on detection method of outlier value of power data based on fast density peak clustering and LOF ［D］. Lanzhou ： Lanzhou University of Technology ， 2019 .

HUANG Yifan ， XU Qifeng . Electricity theft detection based on stacked sparse denoising autoencoder ［J］. International Journal of Electrical Power & Energy Systems ， 2021 ， 125 ： 106448 .

Data from the Commission for Energy Regulation（CER）—smart metering project ［EB/OL］. ［ 2011-05-16 ］. https：//www.ucd.ie/issda/data/commissionforenergyregulationcer https://www.ucd.ie/issda/data/commissionforenergyregulationcer .

宋军英，何聪，李欣然，等 . 基于特征指标降维及熵权法的日负荷曲线聚类方法［J］. 电力系统自动化， 2019 ， 43 （ 20 ）： 65 - 72 .

SONG Junying ， HE Cong ， LI Xinran ， et al . Daily load curve clustering method based on feature index dimension reduction and entropy weight method ［J］. Automation of Electric Power Systems ， 2019 ， 43 （ 20 ）： 65 - 72 .

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

基于混合数学形态学的电力系统灵活性需求分解与运行优化

面向负荷特征分析的地理分布式协同聚类方法