摘 要：為了優(yōu)化用電異常核算效果，提高用電異常檢出率，借助物聯(lián)網(wǎng)與數(shù)據(jù)挖掘技術(shù)，提出了一種用電異常精細化核算算法。首先，利用物聯(lián)網(wǎng)技術(shù)，采集用戶用電數(shù)據(jù)，并對采集到的用電數(shù)據(jù)進行標(biāo)準(zhǔn)化轉(zhuǎn)換處理；然后，提取用戶用電數(shù)據(jù)特征，計算特征向量的重要性指數(shù)并排序；最后，利用數(shù)據(jù)挖掘算法中的孤立森林算法，劃分多尺度特征節(jié)點數(shù)據(jù)空間，使用iTree深度計算用電數(shù)據(jù)異常分值，實現(xiàn)用電異常核算。實驗結(jié)果表明，在應(yīng)用該算法后，用電異常的檢出率顯著提升，最高可達98%。

關(guān)鍵詞：物聯(lián)網(wǎng)；數(shù)據(jù)挖掘；電量數(shù)據(jù)；異常檢測；精細化核算；孤立森林

中圖分類號：TP39；TN082 文獻標(biāo)識碼：A 文章編號：2095-1302（2025）01-00-03

0 引 言

用電異常核算指對電力用戶的用電數(shù)據(jù)進行實時監(jiān)控和分析，旨在及時發(fā)現(xiàn)異常用電情況，進而有針對性地對其作出處理[1]，從而有效減少能源浪費、提高電力使用效率、保障電力系統(tǒng)的安全穩(wěn)定運行[2-3]。如何對用電異常進行精細化核算，成為了當(dāng)前電力行業(yè)亟待解決的問題。傳統(tǒng)的用電異常核算方法主要依賴于人工巡檢和統(tǒng)計分析，不僅效率低下，而且難以發(fā)現(xiàn)潛在的用電異常。

物聯(lián)網(wǎng)和數(shù)據(jù)挖掘技術(shù)的發(fā)展，為用電異常精細化核算提供了新的解決方案。通過這兩種技術(shù)的結(jié)合，可以實現(xiàn)對用戶用電數(shù)據(jù)的全面分析和利用，從而為用電異常精細化核算提供有用的信息和支持?；诖?，本文提出了基于物聯(lián)網(wǎng)和數(shù)據(jù)挖掘技術(shù)的用電異常精細化核算算法。

1 基于物聯(lián)網(wǎng)的用戶用電數(shù)據(jù)采集

物聯(lián)網(wǎng)技術(shù)在用戶用電數(shù)據(jù)采集領(lǐng)域的應(yīng)用，可以使得數(shù)據(jù)采集更加智能、高效和準(zhǔn)確。通過物聯(lián)網(wǎng)傳感器可以實時采集用戶用電設(shè)備的數(shù)據(jù)，并將其傳輸至數(shù)據(jù)中心，使電力公司可以及時了解用戶的用電情況，進行實時監(jiān)測和分析。物聯(lián)網(wǎng)技術(shù)支持大規(guī)模的傳感器部署，能夠覆蓋更多的用戶和設(shè)備，從而采集并分析更多的用電數(shù)據(jù)，為電力公司提供更全面的信息基礎(chǔ)。物聯(lián)網(wǎng)技術(shù)使得用電數(shù)據(jù)可以通過云平臺進行遠程訪問和控制，電力公司可以隨時隨地監(jiān)控用戶用電情況，并根據(jù)需求進行優(yōu)化調(diào)整，提供個性化的能源服務(wù)。

為了提高用電數(shù)據(jù)采集的效率與準(zhǔn)確性，本文借助物聯(lián)網(wǎng)技術(shù)，對用戶用電數(shù)據(jù)進行采集。具體步驟如下：在電力用戶的用電設(shè)備上安裝物聯(lián)網(wǎng)傳感器[4-6]；遠程采集中心發(fā)布采集任務(wù)，輪詢物聯(lián)網(wǎng)數(shù)據(jù)庫，獲取滿足條件的采集任務(wù)[7-8]；分解采集任務(wù)，得出若干個子任務(wù)，通過消息總線，將子任務(wù)轉(zhuǎn)發(fā)給協(xié)議棧；協(xié)議棧對子任務(wù)進行解析后發(fā)送給集中器，組成相應(yīng)的報文；物聯(lián)網(wǎng)傳感器根據(jù)報文采集相應(yīng)的用電數(shù)據(jù)，并將采集結(jié)果發(fā)送給執(zhí)行模塊。數(shù)據(jù)采集過程中，需要綜合考慮電壓波動的幅度、頻率等因素對設(shè)備運行可能造成的影響。最后，通過物聯(lián)網(wǎng)通信技術(shù)，將傳感器采集到的用電數(shù)據(jù)傳輸至數(shù)據(jù)采集中心。

2 用戶用電數(shù)據(jù)預(yù)處理

用戶用電數(shù)據(jù)采集完畢后，需要對數(shù)據(jù)進行標(biāo)準(zhǔn)化預(yù)處理，將用電數(shù)據(jù)轉(zhuǎn)換成統(tǒng)一尺度，便于不同特征之間的比較和分析。同時，提升用電數(shù)據(jù)的準(zhǔn)確性與可靠性，為后續(xù)的用電異常精細化核算奠定良好的基礎(chǔ)。標(biāo)準(zhǔn)化預(yù)處理的具體計算公式見式（1）：

" "（1）

式中：xi、xi' 分別表示標(biāo)準(zhǔn)化轉(zhuǎn)換前后的用電數(shù)據(jù)；max（xi）、min（xi）分別表示樣本中用電數(shù)據(jù)的最大值與最小值。通過式（1），能夠?qū)崿F(xiàn)對不同量綱用電數(shù)據(jù)的運算與特征分析。將標(biāo)準(zhǔn)化處理后的用電數(shù)據(jù)存儲到數(shù)據(jù)庫中，以便后續(xù)進行數(shù)據(jù)挖掘與用電異常核算。

3 提取多尺度用電特征

用戶用電數(shù)據(jù)預(yù)處理完成后，接下來需要進行多尺度用電特征的提取。由于后續(xù)用電異常精細化核算是以用戶用電數(shù)據(jù)特征為基礎(chǔ)的，因此，所提取的用電特征越具有代表性，后續(xù)的核算結(jié)果便越精確?；诖?，本文開展了用戶多尺度用電特征提取的研究。

首先，依據(jù)上述預(yù)處理后的數(shù)據(jù)，提取出所有的用戶用電數(shù)據(jù)特征，見表1。

其次，對各指標(biāo)作矢量量化，并求出其重要性指數(shù)，具體計算公式見式（2）：

（2）

式中：Pi表示第i個用電特征向量的重要性指數(shù)；wi表示指標(biāo)權(quán)重；Si表示第i個特征向量；m表示用電特征向量的數(shù)量。通過式（2）計算特征向量的重要性指數(shù)，并從大到小對特征向量進行排序。選取排名前5的特征向量，組合在一起形成新的特征集合[9-10]。分析提取用電數(shù)據(jù)特征，借助數(shù)據(jù)挖掘技術(shù)，研究用電數(shù)據(jù)的趨勢和周期性變化，以便發(fā)現(xiàn)異常值。

4 基于數(shù)據(jù)挖掘的用電異常精細化核算算法設(shè)計

多尺度用電特征提取完畢后，接下來需要利用數(shù)據(jù)挖掘技術(shù)，設(shè)計用電異常精細化核算算法。本文所提出的基于數(shù)據(jù)挖掘的用電異常精細化核算算法設(shè)計主要分為2個階段。

（1）利用數(shù)據(jù)挖掘中的孤立森林方法，構(gòu)建用電樣本的分析架構(gòu)。首先，設(shè)計t個iTree，將其進行組合以形成孤立森林。其次，從用電數(shù)據(jù)中隨機選取ψ個用電數(shù)據(jù)樣本點，組成待核算的子樣本集，共同置于孤立森林的樹根節(jié)點中。在當(dāng)前樹根節(jié)點數(shù)據(jù)中，隨機設(shè)定一個用電異常核算維度，并圍繞該核算維度生成切割點p。以p點為中心，構(gòu)造一個超平面。在該平面內(nèi)，劃分節(jié)點數(shù)據(jù)空間，生成2個形狀、規(guī)格均相同的子空間。統(tǒng)計核算維度中大于和小于p的用電數(shù)據(jù)，放入2個子空間內(nèi)。隨后，遞歸處理子節(jié)點，不斷分解出新的用電數(shù)據(jù)子節(jié)點，直至用電數(shù)據(jù)無法再進一步分解為止，完成孤立森林構(gòu)建。

（2）計算被核算用電樣本的異常分值。在獲取t個iTree后，將先前提取到的多尺度用電特征分別輸入到iTree的各個節(jié)點中，對整個孤立森林進行迭代訓(xùn)練。然后，用生成的迭代訓(xùn)練結(jié)果，對用電測試數(shù)據(jù)進行全方位、多維度的評估。在此基礎(chǔ)上，將用電數(shù)據(jù)x均勻地分布在孤立森林中的每一棵iTree中，并根據(jù)用電數(shù)據(jù)的多尺度特征，確定數(shù)據(jù)在iTree中所處的深度，即數(shù)據(jù)最終落在iTree的第幾層。以iTree的深度作為判定用電數(shù)據(jù)異常程度的依據(jù)，深度越小，則用電數(shù)據(jù)異常分值越高。異常分值的具體計算公式為：

（3）

式中：h（x）表示被核算樣本在孤立森林中檢索到的節(jié)點深度；E[·]表示對t個iTree取均值；c（ψ）表示孤立森林平均路徑長度。通過式（3）計算用電數(shù)據(jù)異常分值s（x），根據(jù)經(jīng)驗設(shè)定0.5為界限值。若s（x）≥0.5，則說明用電存在異常隱患；若s（x）lt;0.5，說明用電數(shù)據(jù)正常。s（x）越接近1，說明用電異常的可能性越高；s（x）越接近0，說明用電異常的可能性越低。

由此，構(gòu)建基于數(shù)據(jù)挖掘的用電異常精細化核算算法，實現(xiàn)對用電異常行為的識別、分類和核算，為電力行業(yè)的運營、管理和決策提供科學(xué)依據(jù)和支持。

5 實驗分析

5.1 實驗準(zhǔn)備

本實驗旨在驗證基于物聯(lián)網(wǎng)和數(shù)據(jù)挖掘技術(shù)的用電異常精細化核算算法的有效性和準(zhǔn)確性。首先，進行實驗環(huán)境配置，使算法能夠穩(wěn)定運行。實驗環(huán)境配置如下：服務(wù)器采用Intel Xeon 處理器，有著16 GB內(nèi)存和1 TB SSD硬盤；操作系統(tǒng)選用Ubuntu 18.04 LTS；物聯(lián)網(wǎng)采集軟件使用MQTT Broker（如Eclipse Mosquitto）；數(shù)據(jù)挖掘工具選擇Weka 3.8.5。其次，分別連接寬帶網(wǎng)絡(luò)與無線網(wǎng)絡(luò)，以保證數(shù)據(jù)傳輸速度和穩(wěn)定性，方便移動設(shè)備訪問。本文所使用的資料是一家供電公司所提供的實際用電資料。數(shù)據(jù)集的時間范圍為一個月，采樣頻率為1次/min。該實驗數(shù)據(jù)集包含約1億條用電數(shù)據(jù)記錄，總大小約為12 GB，其中用電異常數(shù)據(jù)大小約為1 GB，均標(biāo)有標(biāo)簽。數(shù)據(jù)集內(nèi)所有數(shù)據(jù)的格式均為CSV格式。根據(jù)時序?qū)?shù)據(jù)進行分類，并將其分為訓(xùn)練樣本和測試樣本。

將本文提出的算法設(shè)置為實驗組，將文獻[1]中的方法設(shè)置為對照組1，將文獻[4]中的方法設(shè)置為對照組2。

5.2 核算結(jié)果分析

設(shè)定用電數(shù)據(jù)量分別為2 GB、4 GB、6 GB、8 GB、10 GB、12 GB，在用電數(shù)據(jù)量增加的情況下，測定應(yīng)用3種算法后的用電異常檢出率，并作出對比，結(jié)果如圖1所示。

通過圖1的對比結(jié)果可知，本文算法表現(xiàn)出了良好的性能優(yōu)勢；在用電數(shù)據(jù)量持續(xù)增加的情況下，本文算法用電異常檢出率始終高于另外2個對照組，最高達到了98%。這說明該算法能夠在數(shù)據(jù)集中有效地提取出異常用電行為的特征，并對其進行分類和識別，對用電異常行為的識別能力更強，能夠準(zhǔn)確地核算出潛在的用電異常情況，從而有效預(yù)防和減少電力資源的浪費和損失。

6 結(jié) 語

本文提出了用電異常精細化核算算法，一方面通過物聯(lián)網(wǎng)技術(shù)，實時采集與監(jiān)控電力用戶的用電情況，實現(xiàn)用電數(shù)據(jù)的全面監(jiān)測和數(shù)據(jù)共享；另一方面通過數(shù)據(jù)挖掘技術(shù)，對采集到的用電數(shù)據(jù)進行進一步地分析和挖掘，為電力行業(yè)的運營和管理提供科學(xué)決策和支持。實驗結(jié)果表明，該算法可以有效地提高用電異常核算的準(zhǔn)確性，降低電力行業(yè)的運營成本，推動電力行業(yè)的智能化發(fā)展，促進可持續(xù)發(fā)展。

參考文獻

[1] 武亞光，張才俊，程飛飛. 基于FP-growth算法的多尺度用電異常行為檢測方法[J]. 電子設(shè)計工程，2023，31（23）：118-121.

[2] 鄭世英，牛清林，劉偉，等. 電力用戶異常用電的深度神經(jīng)網(wǎng)絡(luò)檢測方法[J]. 電力需求側(cè)管理，2023，25（6）：82-87.

[3] 錢旭盛，朱萌，翟千惠，等. 基于改進孤立森林算法的異常用電行為識別方法[J]. 沈陽工業(yè)大學(xué)學(xué)報，2023，45（6）：601-606.

[4] 潘駿，夏祥武，李梁，等. 基于關(guān)聯(lián)潮流感知與高斯混合模型的異常用電檢測[J]. 電力建設(shè)，2023，44（11）：138-148.

[5] 陳慧，陳適，郭銀婷，等. 基于正則自編碼器及Optuna尋優(yōu)的異常用電數(shù)據(jù)清洗研究[J]. 電力需求側(cè)管理，2023，25（5）：53-58.

[6] 閆相偉，宋國壯，劉怡豪. 基于改進Stacking集成分類算法的用戶用電信息異常識別[J]. 電子技術(shù)應(yīng)用，2023，49 （8）：13-18.

[7] 孟宋萍，彭偉，田晨璐. 基于門控循環(huán)單元的非均衡數(shù)據(jù)驅(qū)動異常用電檢測方法[J]. 計算機測量與控制，2023，31 （10）：54-60.

[8] 吳澤黎，李清清，梁皓. 基于BiLSTM-CatBoost模型的電力用戶異常用電檢測[J]. 自動化與儀表，2023，38（5）：22-27.

[9] 田健，杜暄，韓碩辰，等. 基于物聯(lián)網(wǎng)技術(shù)的低壓居民日均電量異常自動判斷系統(tǒng)設(shè)計[J]. 微型電腦應(yīng)用，2023，39（5）：123-128.

[10] 顧臻，莊葛巍，賀青，等. 基于LOF+SVM的異常用電用戶分階段識別方法[J]. 電氣傳動，2023，53（3）：90-96.