萬偉　劉紅旗　孫洪昌　張峰　王洋　孫偉卿

摘要：針對(duì)竊電、濫用電等用戶異常用電行為給電力公司造成了巨額的經(jīng)濟(jì)損失的問題，通過數(shù)據(jù)驅(qū)動(dòng)方法，利用區(qū)域內(nèi)居民用戶日負(fù)荷數(shù)據(jù)分別從橫向與縱向兩個(gè)層面，對(duì)用戶用能行為進(jìn)行定量的綜合評(píng)分，進(jìn)而識(shí)別用戶異常用電行為。首先，建立K-Means和SVM分類模型，將單個(gè)居民日負(fù)荷數(shù)據(jù)與周邊具有相似用電行為的居民進(jìn)行比較，用于生成用戶用電行為評(píng)價(jià)的橫向評(píng)分。其次，利用LSTM模型建立用戶負(fù)荷預(yù)測(cè)模型，實(shí)現(xiàn)與自身歷史用電行為的對(duì)比，生成用戶用電行為評(píng)價(jià)的縱向評(píng)分。最終，通過設(shè)定權(quán)重進(jìn)行綜合評(píng)分。當(dāng)評(píng)分低于一定閾值時(shí)進(jìn)行預(yù)警。算例部分利用30個(gè)用戶4年數(shù)據(jù)對(duì)提出方法進(jìn)行驗(yàn)證，橫向評(píng)分結(jié)果準(zhǔn)確率達(dá)到99.9%以上，縱向評(píng)分的擬合優(yōu)度達(dá)到95%以上，驗(yàn)證了方法的準(zhǔn)確性。

關(guān)鍵詞：用電異常檢測(cè); 長短期記憶網(wǎng)絡(luò); K-Means; 支持向量機(jī); 用電評(píng)分

DOI：10.15938/j.jhust.2022.04.008

中圖分類號(hào)： TM71

文獻(xiàn)標(biāo)志碼： A

文章編號(hào)： 1007-2683（2022）04-0053-10

Early Warning Method of Abnormal Electricity

Consumption Behavior Based on Data Driven

WAN Wei LIU Hongqi SUN Hong-chang ZHANG Feng WANG Yang SUN Wei-qing

（1.Heze Power Supply Company of State Grid Shandong Electric Power Company， Heze 274000， China;

2.Department of Electrical Engineering， University of Shanghai for Science and Technology， Shanghai 200093， China）

Abstract：In view of the huge economic losses caused to power companies by abnormal power consumption behaviors of users such as stealing and abusing electricity， based on data driven method， the daily load data of residents in the region is used to score the users′ energy consumption behavior quantitatively from the horizontal and vertical levels.?Firstly， based on K-means and SVM （Support Vector Machine） classification model， the daily load data of individual residents data are compared with those of residents with similar electricity consumption behaviors to generate the user′s horizontal score.?Secondly， the user load forecasting model is established by using LSTM （Long Short-Term Memory） model to realize the comparison with their own historical electricity consumption behavior and generate the users vertical score.?Finally， according to the set weight， a comprehensive score is made.?When the score is lower than a certain threshold， early warning is given.?The proposed method is verified by the data of 30 users for 4 years， the accuracy of horizontal score is more than 99.9%， and the goodness of fit of vertical score is more than 95%， which proves the feasibility of the method.

Keywords：detection of abnormal power consumption; long short-term memory; K-Means; support vector machine; power rating

0引言

我國電力公司電量自動(dòng)化管理技術(shù)相對(duì)匱乏，造成了竊電等異常用電行為多發(fā)，給電力公司帶來了巨大的經(jīng)濟(jì)損失，同時(shí)也擾亂了市場(chǎng)經(jīng)濟(jì)秩序[1]。近年來，隨著電力體制改革，電力企業(yè)逐漸認(rèn)識(shí)到提高電量管理水平、加大反竊電打擊力度、強(qiáng)化電網(wǎng)自動(dòng)化運(yùn)營能力，才能保證電網(wǎng)安全生產(chǎn)，獲取更大的經(jīng)濟(jì)效益[2]。減少非技術(shù)損失對(duì)電力公司而言至關(guān)重要，非技術(shù)損失是指配電網(wǎng)側(cè)電力用戶竊電等一系列欺騙性用電行為所導(dǎo)致的電能損失[3]。傳統(tǒng)異常用電檢測(cè)主要依靠人工現(xiàn)場(chǎng)排查，效率低、易出錯(cuò)且效果差[4]。隨著技術(shù)發(fā)展，一些新型方法被應(yīng)用于異常用電行為檢測(cè)，如竊電表箱表柜、數(shù)據(jù)比對(duì)等[5]。雖然這些方法具有一定成效，但由于資金投入大、技術(shù)變化落后于竊電手段、不能及時(shí)發(fā)現(xiàn)異常用電行為。因此，有必要開展集成多智能分析方法的用電模型及竊電行為精準(zhǔn)判別技術(shù)，實(shí)現(xiàn)常態(tài)化竊電行為分析預(yù)測(cè)和快速精準(zhǔn)判定功能。

針對(duì)用電異常行為的檢測(cè)及判別技術(shù)，文[3]選取支持向量機(jī)（SVM）進(jìn)行異常檢測(cè)，并通過遺傳算法求出針對(duì)不同用戶的最優(yōu)參數(shù)，以提高用戶異常檢測(cè)率。文[6]將綜合遺傳算法和SVM用于檢測(cè)用戶側(cè)的非技術(shù)損失用電。文[7]基于不同城鎮(zhèn)歷史用電數(shù)據(jù)，挑選最優(yōu)負(fù)荷特征組合，采用SVM進(jìn)行離線檢測(cè)。文[8]＼利用皮爾森相關(guān)系數(shù)檢測(cè)以負(fù)荷驟降為特征的非技術(shù)損失，通過貝葉斯網(wǎng)絡(luò)和決策樹檢測(cè)其他類型的非技術(shù)損失。通過貝葉斯算法和決策樹提取用戶用電行為特征，并通過兩種算法結(jié)果對(duì)比，選取最優(yōu)方法檢測(cè)非技術(shù)損失。上述文獻(xiàn)主要通過分類等監(jiān)督學(xué)習(xí)的方式實(shí)現(xiàn)對(duì)用戶異常用電行為檢測(cè)。文[9]基于K-Means和決策樹算法設(shè)計(jì)異常用電行為分析系統(tǒng)。文[10]提出基于模糊聚類的居民用電負(fù)荷模式識(shí)別以檢測(cè)異常用電。上述文獻(xiàn)主要通過聚類等非監(jiān)督學(xué)習(xí)對(duì)用戶異常用電行為檢測(cè)。

目前研究普遍直接對(duì)用戶用電量數(shù)據(jù)進(jìn)行聚類、分類，沒有考慮用戶用電行為的多樣性，因此存在一定局限。本文所提出的方法是利用區(qū)域內(nèi)居民用戶的每日數(shù)據(jù)（天氣、溫度、濕度、用電量）分別從橫向（與周邊具有相似用電行為的居民作比較）、縱向（與自身的日常用電行為作比較）兩個(gè)對(duì)比層面對(duì)區(qū)域范圍內(nèi)用戶的用能行為進(jìn)行定量綜合評(píng)分。首先，基于K-Means和SVM分類模型，將居民日負(fù)荷數(shù)據(jù)與周邊具有相似用電行為的居民進(jìn)行比較，用于橫向評(píng)分。其次，利用長短期記憶網(wǎng)絡(luò)（LSTM）建立用戶負(fù)荷預(yù)測(cè)模型，實(shí)現(xiàn)與自身歷史用電行為的縱向?qū)Ρ?，用于縱向評(píng)分。最終，根據(jù)權(quán)重進(jìn)行綜合評(píng)分。當(dāng)用戶綜合評(píng)分低于一定閾值，則判定用戶存在異常用電行為，通知工作人員進(jìn)行實(shí)地考證，從而提高異常用電檢測(cè)效率、有效打擊竊電行為，減少經(jīng)濟(jì)損失。

1用戶異常用電行為預(yù)警方法

本文所提出的基于數(shù)據(jù)驅(qū)動(dòng)的用電異常行為預(yù)警方法流程圖如圖1所示。

首先假設(shè)經(jīng)過排查后，目前系統(tǒng)中用戶用電行為均為正常，基于正常用電數(shù)據(jù)進(jìn)行建模，再將模型投入日常運(yùn)行中進(jìn)行異常用電識(shí)別。系統(tǒng)于第t+1天凌晨收集第t天完整的用戶負(fù)荷及外部環(huán)境數(shù)據(jù)。根據(jù)收集的數(shù)據(jù)對(duì)第t天用戶用電行為評(píng)分，并為第t+1天的模型做數(shù)據(jù)準(zhǔn)備。

對(duì)于橫向評(píng)分模塊，利用K-Means算法將所有用戶歷史日負(fù)荷數(shù)據(jù)進(jìn)行聚類，確定用戶的用電行為，并給出每種用電行為聚類標(biāo)簽。其次，將用戶歷史日負(fù)荷數(shù)據(jù)作為輸入，用電行為標(biāo)簽作為輸出，建立日負(fù)荷分類模型。在日常運(yùn)行階段，對(duì)每個(gè)用戶日負(fù)荷進(jìn)行分類，根據(jù)居民用戶橫向評(píng)分標(biāo)準(zhǔn)，對(duì)比同一類用戶用能行為，給出橫向評(píng)分。

對(duì)于縱向評(píng)分模塊，利用LSTM算法對(duì)每個(gè)用戶建立短時(shí)間尺度用電量預(yù)測(cè)模型。在日常運(yùn)行階段，對(duì)每個(gè)用戶用電量進(jìn)行實(shí)時(shí)預(yù)測(cè)，輸入為前24小時(shí)的用戶實(shí)際用電量，輸出為第25小時(shí)的預(yù)測(cè)用電量。在第t+1天凌晨，整合第t天24小時(shí)的預(yù)測(cè)用電量和第t天24小時(shí)的實(shí)際用電量，根據(jù)居民用戶縱向評(píng)分標(biāo)準(zhǔn)，評(píng)估單個(gè)居民用戶第t天的用電情況是否符合其一貫用電行為，并給出縱向評(píng)分。

通過橫向評(píng)分標(biāo)準(zhǔn)，對(duì)每個(gè)類別中用戶用能行為進(jìn)行評(píng)分，對(duì)用電量較少的用戶給予較低的分?jǐn)?shù)，提高其異常用電行為的可能性。但僅僅是橫向評(píng)分不能排除用戶一貫用電量較少的可能性，所以通過縱向評(píng)分，充分考慮了用戶用電行為的多樣性，彌補(bǔ)了橫向評(píng)分的缺陷。當(dāng)用戶實(shí)際用電量偏離預(yù)測(cè)用電量一定范圍后，說明存在較大異常用電行為的可能性。因此，結(jié)合橫向評(píng)分和縱向評(píng)分建立居民用戶用電行為綜合評(píng)分。判斷綜合評(píng)分是否符合標(biāo)準(zhǔn)，若綜合評(píng)分過低，則發(fā)出報(bào)警信號(hào)通知相關(guān)工作人員。

2橫向評(píng)分機(jī)制

2.1K-Means算法

2.1.1K-Means原理

2.1.2聚類模型評(píng)價(jià)

2.2SVM

2.2.1SVM原理

2.2.2分類模型評(píng)價(jià)

2.3橫向評(píng)分方法

首先，利用K-Means算法將所有用戶經(jīng)過歸一化的歷史日負(fù)荷數(shù)據(jù)進(jìn)行聚類，將用戶的用電行為進(jìn)行分類，并對(duì)每種用電行為給出聚類標(biāo)簽。其次，將用戶歷史日負(fù)荷數(shù)據(jù)作為輸入，用電行為標(biāo)簽作為輸出，建立基于SVM的分類模型。建立分類模型，可在離線情況下將用戶每天用電行為分類。通過對(duì)同一類別用電行為的橫向?qū)Ρ龋o出橫向評(píng)分。圖2與圖3分別為用戶行為分類流程圖和用戶橫向評(píng)分流程圖。

通過橫向評(píng)分，對(duì)每個(gè)類別中用電行為進(jìn)行評(píng)分，當(dāng)用戶用電量大于同類別用戶平均用電量時(shí)橫向評(píng)分為滿分，隨著用電量逐漸降低，其橫向評(píng)分也逐漸降低，提高該用戶異常用電行為的可能性。但是，僅僅是橫向評(píng)分不能排除用戶由于用電人數(shù)、用電習(xí)慣等一貫用電量較少的可能性。因此，需要縱向評(píng)分對(duì)該缺點(diǎn)進(jìn)行彌補(bǔ)。

3縱向評(píng)分機(jī)制

3.1Embedding模型

Embedding本質(zhì)是通過學(xué)習(xí)離散數(shù)據(jù)之間的關(guān)系，將One-Hot向量降維。

本文所采集的影響因素中天氣為離散型數(shù)據(jù)。該類數(shù)據(jù)無法直接將數(shù)值輸入模型，利用Embedding模型可以解決這一問題。

3.2LSTM模型

LSTM是一種基于循環(huán)神經(jīng)網(wǎng)絡(luò)（recurrent neural network， RNN）改進(jìn)的神經(jīng)網(wǎng)絡(luò)算法，解決了RNN因“梯度彌散”而導(dǎo)致無法長距離傳輸?shù)囊蕾噯栴}[15-18]。

3.3縱向評(píng)分方法

3.3.1用電量預(yù)測(cè)模型

基于LSTM網(wǎng)絡(luò)的用戶用電量預(yù)測(cè)模型包括輸入層、Embedding層、LSTM層、輸出層，如圖5所示。其中，輸入層為多特征滾動(dòng)窗口形式，考慮單個(gè)用戶縱向24小時(shí)、4種數(shù)據(jù)特征：天氣、溫度、濕度、用電量，故滾動(dòng)窗口大小為24×4的形式。由于天氣是離散數(shù)據(jù)，因此首先經(jīng)過Embedding層后，生成特征向量并與連續(xù)數(shù)據(jù)進(jìn)行特征聯(lián)合，形成LSTM層的輸入向量。LSTM模型的輸出層為第25小時(shí)內(nèi)的用戶用電量。

3.3.2預(yù)測(cè)模型評(píng)價(jià)

3.3.3縱向評(píng)分標(biāo)準(zhǔn)

在當(dāng)日該用戶實(shí)際用電量少于預(yù)測(cè)用電量的時(shí)段內(nèi)，考慮到用電量預(yù)測(cè)模型存在5%的預(yù)測(cè)誤差，則若實(shí)際用電量平均值少于預(yù)測(cè)用電量平均值的5%以內(nèi)，此時(shí)縱向評(píng)分為滿分。當(dāng)實(shí)際用電量與預(yù)測(cè)用電量的比值越小，則縱向評(píng)分越低。通過與自身歷史用電行為對(duì)比的方式，彌補(bǔ)了橫向?qū)Ρ葧r(shí)可能存在該用電需求普遍較同類用戶較低的問題。

4綜合評(píng)分

5算例部分

本文選取30個(gè)用戶用電數(shù)據(jù)，采樣時(shí)間范圍為2014年1月1日至2017年12月31日，采樣間隔為1小時(shí)，包含天氣、溫度、星期、電價(jià)等特征，共有1051920條該數(shù)據(jù)。所采用的數(shù)據(jù)均已經(jīng)過預(yù)處理，實(shí)驗(yàn)基于python3.7運(yùn)行環(huán)境。

5.1橫向評(píng)分

5.1.1分類模型

首先根據(jù)Elbow Method、Silhouette Coefficient與Calinski-Harabaz Index綜合判定K值，結(jié)果如圖6所示。

由圖6可見，根據(jù)Elbow Method可知，聚類個(gè)數(shù)在2～3類之間。根據(jù)Silhouette Coefficient盡可能大的原則，選擇聚類個(gè)數(shù)為2類。

根據(jù)聚類結(jié)果求取每類用電行為的平均曲線，如圖7所示。通過聚類結(jié)果可以看出，兩種用電行為的差異主要體現(xiàn)在14時(shí)～24時(shí)這段時(shí)間內(nèi)。

聚類分析得到用戶用電行為標(biāo)簽后，將用戶歷史日負(fù)荷數(shù)據(jù)作為輸入，用戶用電行為標(biāo)簽作為輸出，采用SVM建立用戶用電行為分類模型。其中將用戶日負(fù)荷數(shù)據(jù)（共43830條數(shù)據(jù)）按9∶1比例劃分為訓(xùn)練集（39447條數(shù)據(jù)）和測(cè)試集（4383條數(shù)據(jù)）。分類模型結(jié)果如圖8所示。分類模型的數(shù)值評(píng)價(jià)指標(biāo)如表4所示。

通過各級(jí)評(píng)價(jià)指標(biāo)的結(jié)果，可以看出分類模型準(zhǔn)確度高。由此模型對(duì)用戶分類可靠性高，所得到的橫向評(píng)分也更為可靠。

5.1.2橫向評(píng)分結(jié)果

當(dāng)每天用戶實(shí)時(shí)日負(fù)荷數(shù)據(jù)被采集后，每個(gè)用戶24個(gè)負(fù)荷點(diǎn)作為分類模型的輸入，得到對(duì)應(yīng)的類別輸出。然后將同類用戶進(jìn)行比對(duì)，根據(jù)橫向評(píng)分標(biāo)準(zhǔn)，給出橫向評(píng)分。

本文隨機(jī)選取了30名用戶在測(cè)試集上第206天的用戶日負(fù)荷數(shù)據(jù)。分別給出了30名用戶的用電行為類別以及用戶橫向評(píng)分。

第206天用戶用電行為標(biāo)簽如圖9所示。

由圖9可見，用戶16、17、19、23、24這5位用戶的用電行為為第二類用電行為。其余用戶均為第一類用電行為。30名用戶第206天的橫向評(píng)分如表5所示。

5.2縱向評(píng)分

5.2.1LSTM模型

利用30個(gè)用戶數(shù)據(jù)（包括天氣、溫度、濕度、用電量）的數(shù)據(jù)進(jìn)行分析。其中，用戶用電量數(shù)據(jù)（共有35064條數(shù)據(jù)）按照9∶1劃分為訓(xùn)練集（31558條數(shù)據(jù)）和測(cè)試集（3506條數(shù)據(jù)）。

首先，建立基于LSTM網(wǎng)絡(luò)的用戶用電量預(yù)測(cè)模型，進(jìn)行用戶用電量預(yù)測(cè)。其中，天氣為離散數(shù)據(jù)，使用Embedding學(xué)習(xí)離散型數(shù)據(jù)后，生成特征向量并與連續(xù)數(shù)據(jù)用電量、溫度、濕度進(jìn)行特征聯(lián)合，形成LSTM輸入向量。LSTM輸出層為第25小時(shí)內(nèi)的用戶用電量。模型的訓(xùn)練結(jié)果如圖10所示。

利用測(cè)試集對(duì)該模型進(jìn)行驗(yàn)證并針對(duì)用戶用電量預(yù)測(cè)模型對(duì)比了主要參數(shù)（神經(jīng)元個(gè)數(shù)、訓(xùn)練次數(shù)）對(duì)預(yù)測(cè)精度的影響，如表6所示。

由表6可以看出，當(dāng)神經(jīng)元個(gè)數(shù)為30個(gè)，訓(xùn)練次數(shù)為150次時(shí)，預(yù)測(cè)模型的最高預(yù)測(cè)精度可以達(dá)到95.1%，因此前文中縱向評(píng)分的誤差閾值設(shè)為0.05。此外，參數(shù)的變動(dòng)對(duì)于結(jié)果的改變不明顯，說明模型結(jié)構(gòu)穩(wěn)定，且與輸入輸出契合。

5.2.2縱向評(píng)分結(jié)果

5.3綜合評(píng)分

根據(jù)30名用戶第206天的橫向評(píng)分和縱向評(píng)分，給出30名用戶第206天的綜合評(píng)分。本文選用60為判定標(biāo)準(zhǔn)。當(dāng)用戶評(píng)分低于60，則判定該用戶存在竊電嫌疑。

本文綜合評(píng)分的修正系數(shù)α和β分別選取以下3種情況，系數(shù)α=0.1，β=0.9時(shí)，綜合評(píng)分為Z1;系數(shù)α=0.5，β=0.5時(shí)，綜合評(píng)分為Z2;系數(shù)α=0.9，β=0.1時(shí)，綜合評(píng)分為Z3。30名用戶第206天不同修正系數(shù)下綜合評(píng)分，如表8所示。

在第1組修正系數(shù)α=0.1，β=0.9下，用戶11、12、16、22、24這5名用戶的綜合得分明顯偏低，所以存在極大的竊電嫌疑。在第2組修正系數(shù)α=0.5，β=0.5下，用戶11、12、16、22這4名用戶的綜合得分明顯偏低，所以存在極大的竊電嫌疑。用戶3、14、20、22這4名用戶的得分為60，也存在竊電嫌疑。在第3組修正系數(shù)α=0.9，β=0.1下，用戶1、2、3、4、11、12、14、15、16、20、24這11名用戶的綜合得分明顯偏低，所以存在極大的竊電嫌疑。

α與β分別代表著橫向評(píng)分與縱向評(píng)分對(duì)于綜合評(píng)分的重要程度。對(duì)比3組系數(shù)下的結(jié)果，當(dāng)橫向修正系數(shù)大時(shí)，用戶的綜合評(píng)分偏低，此時(shí)被判定為異常用電的用戶比較多。當(dāng)縱向修正系數(shù)較大時(shí)，用戶的綜合評(píng)分偏高，此時(shí)被判定為異常用電的用戶較少。當(dāng)橫向修正系數(shù)和縱向修正系數(shù)取值適中時(shí)，被判定為竊電的用戶是以上兩種情況結(jié)果的交集。

文[19]指出數(shù)據(jù)驅(qū)動(dòng)檢測(cè)竊電行為無法得到推廣的原因是誤報(bào)率過高，供電企業(yè)的人力資源有限，無法頻繁地進(jìn)行實(shí)地稽查驗(yàn)證。另外，在電力企業(yè)的角度來看，竊電行為的杜絕并不是要將所有存在竊電的用戶全部查處，而是精準(zhǔn)地查處一部分竊電用戶，以實(shí)現(xiàn)對(duì)其他竊電用戶的震懾。所以電力企業(yè)追求的是低誤報(bào)率。

綜合考慮低誤報(bào)率和竊電檢測(cè)準(zhǔn)確率的要求，在沒有竊電的先驗(yàn)信息的條件下，選用參數(shù)為α=0.5、β=0.5較為合適。在有歷史竊電數(shù)據(jù)的情況下，工作人員可以根據(jù)歷史信息對(duì)α、β進(jìn)行回歸擬合。即以是否存在竊電為標(biāo)簽，以歷史數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)建立邏輯回歸模型對(duì)橫向評(píng)分系數(shù)和縱向評(píng)分系數(shù)進(jìn)行擬合，得到適用于實(shí)際情況的修正系數(shù)。

6結(jié)論

本文利用區(qū)域內(nèi)居民用戶的實(shí)時(shí)動(dòng)態(tài)數(shù)據(jù)（天氣、溫度、濕度、用電量）分別從橫向、縱向兩個(gè)對(duì)比層面對(duì)區(qū)域范圍內(nèi)用戶的用能行為進(jìn)行定量綜合評(píng)分進(jìn)行異常用電識(shí)別。

1）從橫向（與周邊具有相似用電行為的居民）作比較，本文建立K-Means-SVM分類模型，給出橫向評(píng)分。

2）從縱向（與自身的日常用電行為）作比較，本文建立LSTM網(wǎng)絡(luò)用戶用電量預(yù)測(cè)模型，給出縱向評(píng)分。

3）在兩個(gè)對(duì)比層面對(duì)區(qū)域范圍內(nèi)用戶的用電行為進(jìn)行綜合評(píng)分。最后分析了綜合評(píng)分修正系數(shù)對(duì)綜合評(píng)分的影響。并給出了橫向評(píng)分系數(shù)和縱向評(píng)分系數(shù)的確定方法，即在沒有竊電的先驗(yàn)信息的條件下，選用參數(shù)為α=0.5、β=0.5較為合適。在有歷史竊電數(shù)據(jù)的情況下，工作人員可以根據(jù)歷史信息對(duì)α、β進(jìn)行回歸擬合，得到適用于實(shí)際情況的修正系數(shù)。

相較于傳統(tǒng)的基于聚類、分類方式的用戶用電行為異常識(shí)別，本文所提出的竊電識(shí)別方法綜合考慮了影響用戶用電行為的因素和用戶用電行為的多樣性，可以更加有效地對(duì)竊電行為進(jìn)行識(shí)別。

參 考 文 獻(xiàn)：

[1]張承智， 肖先勇， 鄭子萱. 基于實(shí)值深度置信網(wǎng)絡(luò)的用戶側(cè)竊電行為檢測(cè)[J]. 電網(wǎng)技術(shù)， 2019， 43（03）： 1083.Zhang Chengzhi， Xiao Xianyong， Zheng Zixuan. Electricity Theft Detection for Customers in Power Utility Based on Real-valued Deep Belief Network[J]. Power System Technology， 2019， 43（3）： 1083.

[2]熊秋. 居民用電異常識(shí)別系統(tǒng)的研究實(shí)現(xiàn)[D].北京：北京郵電大學(xué)，2018.

[3]劉杰，侯躍斌，劉念.針對(duì)非技術(shù)性損失的智能用電異常檢測(cè)方法[J].華東電力，2014，42（4）：650.LIU Jie， HOU Yuebin， LIU Nian. Analysis System of Abnormal Behavior of Electricity Consumption Based on Big Data and Machine Learning[J]. East China Electric Power， 2014，42（4）：650.

[4]楊錚宇.基于大數(shù)據(jù)和機(jī)器學(xué)習(xí)的用電異常行為分析系統(tǒng)[J/OL].電測(cè)與儀表：1[2021-01-05]. http：//kns.cnki.net/kcms/detail/23.1202.TH.20200827.1730.042.html.YANG Zhengyu. Analysis System of Abnormal Behavior of Electricity Consumption Based on Big Data and Machine Learning[J/OL]. Electrical Measurement and Instrumentation，：1[2021-01-05]. http：//kns.cnki.net/kcms/detail/23.1202.TH.20200827.1730.042.html.

[5]周興，高明濤，李維奇.一種具有防竊電功能的電力計(jì)量柜[J].農(nóng)村電氣化，2020（3）：68.ZHOU Xing， GAO Mingtao， LI Weiqi. A Power Metering Cabinet with Anti Stealing Function[J]. Rural Electrification， 2020（3）：68.

[6]NAGI J， YAP K S， TIONG S K， et al. Detection of Abnormalities and Electricity Theft Using Genetic Support Vector Machines[C]// TENCON 2008-2008 IEEE Region 10 Conference， Hyderabad， 2008：1.

[7]NAGI J， YAP K S， TIONG S K， et al. Nontechnical Loss Detection for Metered Customers in Power Utility Using Support Vector Machines[J]. in IEEE Transactions on Power Delivery， 25（2）：1162.

[8]MONEDERO I，BISCARRI F，LEN C，et al.Detection of Frauds and Other Non-technical Losses in a Power Utility Using Pearson Coefficient，Bayesian Networks and Decision Trees[J] .International Journal of Electrical Power & Energy Systems，2012，34（1）：90.

[9]ANGELOS EWS，SAAVEDRA OR，CORTS OAC，et al.Detection and Identification of Abnormalities in Customer Consumptions in Power Distribution Systems[J].IEEE Transactions on Power Delivery，2011，26（4）：2436.

[10]莊池杰，張斌，胡軍，等.基于無監(jiān)督學(xué)習(xí)的電力用戶異常用電模式檢測(cè)[J].中國電機(jī)工程學(xué)報(bào)，2016，36（2）：379.ZHUANG Chijie， ZHANG Bin， HU Jun， et al. Anomaly Detection for Power Consumption Patterns Based on Unsupervised Learning[J]. Proceeding of the CSEE， 2016， 36（2）： 379.

[11]姚奇峰，楊連賀.數(shù)據(jù)挖掘經(jīng)典分類聚類算法的研究綜述[J].現(xiàn)代信息科技，2019，3（24）：86.YAO Qifeng， YANG Lianhe. Research on Classical Classification and Clustering Algorithms in Data Mining[J]. Modern Information Technology， 2019，3（24）：86.

[12]龍文佳，張曉峰，張鏈.基于k-means和肘部法則的業(yè)務(wù)流程聚類方法[J].江漢大學(xué)學(xué)報(bào)（自然科學(xué)版），2020，48（1）：81.LONG Wenjia， ZHANG Xiaofeng， ZHANG Lian. Business Process Clustering Method Based on k-means and Elbow Method[J]. Journal of Jianghan University （Natural Science Edition） ，2020，48（1）：81.

[13]尹世莊，王韜，謝方方，等.基于互信息和輪廓系數(shù)的聚類結(jié)果評(píng)估方法[J].兵器裝備工程學(xué)報(bào)，2020，41（8）：207.YIN Shizhuang， WANG Tao， XIE Fangfang， et al. Protocol Clustering Evaluation Method Based on Mutual Information and Contour Coefficient[J]. Journal of Ordnance Equipment Engineering， 2020，41（8）：207.

[14]司守奎，孫兆亮. 數(shù)學(xué)建模算法與應(yīng)用[M]. 北京：國防工業(yè)出版社， 2015.

[15]BENGIO Y， SIMARD P， FRASCONI P. Learning Long-term Dependencies with Gradient Descent is Difficult[J]. inIEEE Transactions on Neural Networks， 5（2）：157.

[16]彭文， 王金睿， 尹山青. 電力市場(chǎng)中基于Attention-LSTM的短期負(fù)荷預(yù)測(cè)模型[J].電網(wǎng)技術(shù)，2019，43（5）：1745.PENG Wen， WANG Jingrui， YIN Qingshan. Short-term Load Forecasting Model Based on Attention-LSTM in Electricity Market[J]. Power System Technology，2019，43（5）：1745.

[17]陸繼翔， 張琪培， 楊志宏. 基于CNN-LSTM混合神經(jīng)網(wǎng)絡(luò)模型的短期負(fù)荷預(yù)測(cè)方法[J]. 電力系統(tǒng)自動(dòng)化， 2019， 43（8）： 191.LU Jixiang， ZHANG Qipei， YANG Zhihong. Short-term Load Forecasting Method Based on CNN-LSTM Hybrid Neural Network Model[J]. Automation of Electric Power Systems， 2019， 43（8）： 191.

[18]郭傅傲，劉大明，張振中，等.基于特征相關(guān)分析修正的GPSO-LSTM短期負(fù)荷預(yù)測(cè)[J].電測(cè)與儀表，58（6）：39.GUO Fuao， LIU Daming， ZHANG Zhengzhong， et al. GPSO-LSTM Short-term Load Forecasting Based on Feature Correlation Analysis and Correction[J]. Electrical Measurement and Instrumentation，58（6）：39.

[19]金晟，蘇盛，薛陽，楊藝寧，劉廈，曹一家.數(shù)據(jù)驅(qū)動(dòng)竊電檢測(cè)方法綜述與低誤報(bào)率研究展望[J].電力系統(tǒng)自動(dòng)化，2022，46（1）：3.JIN Sheng， SU Sheng， XUE Yang， et al. Summary of Data-driven Power Theft Detection Methods and Research Prospect of Low False Alarm Rate[J]. Automation of Electric Power Systems，2022，46（1）：3.

（編輯：溫澤宇）