窃电量的追回是窃电检测的最终目的,准确的窃电时间识别是进行窃电量精确估算的重要依据。然而,现有窃电检测方法侧重于识别窃电行为,对窃电时间缺乏深入分析,亟需研究基于窃电用户自身计量数据的窃电时间识别模型,为窃电量的估算提供...窃电量的追回是窃电检测的最终目的,准确的窃电时间识别是进行窃电量精确估算的重要依据。然而,现有窃电检测方法侧重于识别窃电行为,对窃电时间缺乏深入分析,亟需研究基于窃电用户自身计量数据的窃电时间识别模型,为窃电量的估算提供依据。针对窃电时间识别问题,提出一种基于Transformer与单分类支持向量机(one-class support vector machine,OCSVM)的半监督窃电数据分类方法。首先,对用户负荷数据按日进行切割,将窃电时间识别问题转化为窃电日负荷数据判别问题;然后,使用Transformer作为重构模型学习用户的正常用电模式与规律,以重构出基于用户日负荷数据的重构值;最后,将构造重构误差曲线作为OCSVM的输入,构造正常用电行为的决策边界,进而判别出窃电数据,以实现窃电时间识别。根据南方某省智能电表用户数据进行算例分析,验证了该方法的可行性和有效性,实验结果表明该方法具有较好的灵敏性和鲁棒性。展开更多
文摘窃电量的追回是窃电检测的最终目的,准确的窃电时间识别是进行窃电量精确估算的重要依据。然而,现有窃电检测方法侧重于识别窃电行为,对窃电时间缺乏深入分析,亟需研究基于窃电用户自身计量数据的窃电时间识别模型,为窃电量的估算提供依据。针对窃电时间识别问题,提出一种基于Transformer与单分类支持向量机(one-class support vector machine,OCSVM)的半监督窃电数据分类方法。首先,对用户负荷数据按日进行切割,将窃电时间识别问题转化为窃电日负荷数据判别问题;然后,使用Transformer作为重构模型学习用户的正常用电模式与规律,以重构出基于用户日负荷数据的重构值;最后,将构造重构误差曲线作为OCSVM的输入,构造正常用电行为的决策边界,进而判别出窃电数据,以实现窃电时间识别。根据南方某省智能电表用户数据进行算例分析,验证了该方法的可行性和有效性,实验结果表明该方法具有较好的灵敏性和鲁棒性。
