摘要：电力是我国经济社会发展的重要能源，及时处理异常用电问题，才能保证电网运行的安全性和可靠性。本文首先介绍了用电检测工作的内容和范围，然后指出异常用电检测中的样本不平衡问题，最后结合真实案例阐述了相关解决方法，以供参考。
关键词：智能电网；用电检测；样本不平衡；解决方法
对于电力企业而言，用电检查工作是按照标准流程，对电力运行数据进行监测、分析，从而保证电网安全稳定运行。分析用电检查工作的重要性，一方面是了解电力市场的需求，合理调配电力资源，确保整个线路可靠运行；另一方面能及时发现安全隐患，督促用户配合检查维修工作，防止出现重大事故。以下结合实践，探讨了异常用电检测中样本不平衡问题的解决措施。
1．用电检测工作的内容和范围
用电检测的工作内容包括：①用户执行国家电力供应与使用的方针、政策、法规、标准情况；②对受电装置工程的施工质量进行检验；③对受电装置中电气设备的安全运行进行检验；④用户保安电源和非电性质的保安措施；⑤用户反事故措施；⑥用户进网作业电工的资格，并网作业安全情况，以及作业安全保障措施；⑦用户执行计划用电、节约用电情况；⑧用电计量装置、电力负荷控制装置、继电保护和自动装置、调度通讯的安全运行情况；⑨供用电合同及协议的履行情况；⑩受电端电能质量情况；?违章用电和窃电行为；?并网电源、自备电源的并网安全情况。用电检测范围如下：①有多类电价；②有自备电源设备；③有二次变压配电；④违章现象需要延伸检查；⑤有影响电能质量的用电设备；⑥电力系统事故；⑦用户要求检查；⑧法律规定的其他检查项目。
2．异常用电检测中的样本不平衡问题
2.1 原因分析
智能电网的建成，本质上是为用户提供更加优质的电力服务，提高用电检查管理工作的效率和质量。但一些不法分子利用信息监测功能，开展窃电等恶意行为，在异常用电检测中，正常样本数据可以在用户的用电记录中采集到，异常样本数据却难以采集[1]。而且，正常样本数据多、异常样本数据少，利用常规算法时，将异常样本数据当作干扰噪声处理了，从而产生样本不平衡问题。
2.2 优化措施
针对样本不平衡问题，以往采用单分类算法，以单分类支持向量机为例，将采集到的样本作为一个大类，然后构建数据模型，最后设定阈值和相似度度量，作为新样本归属的判断依据[2]。简单来说，就是构建一个高维球体，将所有样本数据囊括其中，数据之间要紧密接触，又不能触碰到球体边界。对核参数进行优化时，一般采用留一法、交叉验证法，缺点是优化标准不统一，且寻找最优值需要依靠经验；网格搜索法能构建最优参数模型，但计算量巨大；概率密度估计算法通过调整阈值来筛选出异常数据，要求数据量足够大，且数据分布有代表性。对此，本文采用一种新的解决方法，即对正常样本数据集进行转换，从而构造出异常样本数据集，促使两类样本达到平衡状态。
3．针对样本不平衡问题的解决方法
3.1 总体思路
针对智能电网进行攻击，其目的是促使电表能耗记录低于实际能耗，或者将高电价时段能耗转移到低电价时段[3]。从这个目的出发，将正常用电数据转化为异常样本数据，总体思路如下：假设一天24小时内n个正常样本的集合为x={x1，x2，…，xn}，代表实际能耗值，且x∈X，X是一个随机向量，满足泊松分布规律；电力系统从电表中接收到的最后一个读数记为y={y1，y2，…，yn}。正常样本数据满足条件y=x，异常样本数据则满足条件y=h（x）；其中y∈Y，Y是一个随机向量，也满足泊松分布规律，且E（Y）≤E（X）。
期刊文章分类查询,尽在期刊图书馆分布异常样本数据的特点，理论上可以得到h（x）的表达式，例如h（x）=ax，且0≤a＜1，此时可以保证E（Y）≤E（X）成立，即正常样本数据集能转化为异常样本数据集。但是，考虑到不同场景下，h（x）的表达式也不同，可以辅助利用支持向量机，不仅具有良好的学习能力，而且泛化错误率低。
3.2 算法流程
在正常样本数据集中，每天的样本使用向量表示，即x={x1，x2，…，x24}，依据智能电网的不同攻击方式，异常样本数据主要包括以下几种：①h1（x1）=αx1，α=random（0.1，0.8）；②h2（x1）=β1x1，当ts＜t＜te时，β1=0；否则β1=1；③h3（x1）=γ1x1，γ1=random（0.1，0.8）；④h4（x1）=γ1mean（x），γ1=random（0.1，0.8）；⑤h5（x1）=mean（x）；⑥h6（x1）=X24-1。
对于以上6种情况，h1（x1）是所有样本和随机系数相乘；h2（x1）是在一段时间内将样本数据归零；h3（x1）是所有样本和随机系数相乘，并且系数也随机变化；h4（x1）、h5（x1）是所有样本取平均值，其中h4（x1）和随机系数相乘；h5（x1）、h6（x1）虽然不影响总能耗记录，但改变了实时电价计费方式，也就是将高电价时段的能耗，转移到低电价时段[4]。
4．案例分析
以某地区5000户居民的用电记录为例，利用智能电网和AMI系统，每1小时采集一次样本数据，共计持续535天。利用Matlab平台，对异常用电检测方法的使用效果进行检验。
第一步，检测One-class SVM算法，随机选取458个样本数据进行训练，其余则留作测试。面对6种攻击方式，均会产生535个数据，对数据进行标准化处理，且转化为[-1，1]的范围内进行计算。核函数选择径向基函数，利用网格搜索法确定最佳参数γ、最大训练步长v，其余参数C=50，e=0.1。5000个用户的样本数据均重复以上步骤，选取不同组合（γ，v），当DR、FPR差值最大时，说明分类效果最佳。结果显示，当HD为47%时，DR为76%，FPR为29%，可见使用单一正常数据，不考虑异常数据时，其分类效果不理想。
第二步，同时利用正常样本、异常样本训练分类器。对样本数据预处理后，利用k-均值聚类算法，计算轮廓系数、确定最佳k值，结合5000个用户的样本数据，k取值1或2时，能得到最佳结果。然后对k+1个种类的多分类SVM进行训练，数据集中包含458个正常样本、77个异常样本，通过删除重复类型，促使正常样本、异常样本实现数量平衡。核函数选择径向基函数，确定最佳参数γ、最大训练步长v，设定e=0.1，结果显示当HD为83%时，DR为94%，FPR为11%，可见多分类SVM的分类效果明显改善。
结语
综上所述，随着经济社会的发展，人们的用电需求明显增加，对用电检查工作提出了新的要求。其中，异常用电检测能及时发现窃电行为，以保证电网运行的安全性和稳定性。文中介绍了异常用电检测中样本不平衡的原因，提出解决思路和算法流程，并结合案例探讨了多分类SVM算法的应用效果，希望为实际管理工作提供经验借鉴。
参考文献：
[1] 汤典艳，林伟.异常用电检测中解决样本不平衡问题的新方法[J].工业控制计算机，2017，（3）：90-92，95.
[2] 田野，张程，毛昕儒等.运用PCA改进BP神经网络的用电异常行为检测[J].重庆理工大学学报（自然科学版），2017，（8）：125-133.
[3] 卢海明，郭壮志.基于粒子群算法的异常用电检测方法[J].东北电力技术，2016，（5）：56-59.
[4] 王桂兰，周国亮，赵洪山等.大规模用电数据流的快速聚类和异常检测技术[J].电力系统自动化，2016，（24）：27-33.
论文作者:祁梓豪
论文发表刊物:《河南电力》2018年12期
论文发表时间:2018/12/5
标签：样本论文; 数据论文; 异常论文; 不平衡论文; 电网论文; 算法论文; 电价论文; 《河南电力》2018年12期论文;