基于改进K-medoids聚类和SVM的异常用电模式在线检测方法
窃电已成为电网电能非技术损失的主要问题,快速捕捉用户用电异常行为数据,精准定位窃电用户位置成为研究关键.针对现有异常用电辨识精度低的问题,提出一种基于改进K-medoids聚类和支持向量机(support vector machines,SVM)的用电异常行为在线检测方法.首先提取并分析电网电量及其相关表征数据,在此基础上构建基于用电量、线损等用电异常参数特性表征指标;然后对用户用电相关数据进行清洗、缺省值补全,并采用基于密度权重Canopy的改进K-medoids算法将异常数据依据表征指标进行标签化聚类;最后将已获得标签的数据采用SVM分类器进行训练进一步完成异常参数的检测和评估,并通过电网实际运行数据验证了所提异常数据辨识方法的检测精度,研究可为电网异常用电的辨识提供理论基础.
用电异常、电力数据、改进K-medoids聚类、支持向量机、辨识精度
41
TM39(电机)
国家电网有限公司信息系统数据治理项目;辽宁省自然科学基金
2022-10-08(万方平台首次上网日期,不代表论文的发表时间)
共7页
53-59