設(shè)計公開答辯導(dǎo)出備注

1、各位，好，我是，題目是基于用戶電壓的防竊電策略研究，主要探討從電壓特征出發(fā)利用數(shù)據(jù)挖掘技術(shù)檢測竊電用戶的策略研究。本文首先簡要說明了課題研究背景與現(xiàn)狀，比較傳統(tǒng)防竊電策略和基于數(shù)據(jù)挖掘的防竊電策略，闡述常見的竊電方式，分析用戶因竊電導(dǎo)致電壓異常的特 征。然后分析聚類算法的基本思想，結(jié)合實際情況，選取合適的聚類算法與竊電檢測模型結(jié)合,以歷史正常用電數(shù)據(jù)的聚類結(jié)果為基準(zhǔn)，與待檢測的電力數(shù)據(jù)的聚類結(jié)果相比較來找出竊電用戶。最后用python語言編寫竊電檢測程序，并選取北京電網(wǎng)提供的用戶電力數(shù)據(jù)進(jìn)行檢測，以此驗證程序的正確性。背景與現(xiàn)狀二用戶竊電行為分析目錄三聚類分析四竊電檢測程序設(shè)計與驗證五總結(jié)與展

2、望電氣學(xué)士答辯基于用戶電壓的防竊電策略研究匯：指導(dǎo)：隨著的發(fā)展,對電的需求量不斷擴(kuò)大。同時竊電問題變得越來越突出,全國每年竊電約200億。電力產(chǎn)業(yè)的收入主要依靠用戶用電時所繳納的電費，因此電費的及時收取是保證電力發(fā)展的首要前提。同時用戶隨意的私接電線，極易造成電氣事故戶竊電造成線路短路而火災(zāi)。據(jù)統(tǒng)計，接近25%的電氣火災(zāi)事故是由于用的。由于電網(wǎng)智能化的快速發(fā)展和計量自動化系統(tǒng)的廣泛應(yīng)用，電力企業(yè)已經(jīng)積累了大量的用戶歷史用電數(shù)據(jù)，用電數(shù)據(jù)可以包括電流、電壓等電氣參量， 這些歷史用電數(shù)據(jù)隱含了不同用戶各個時期用電的行為特征。如果能夠快速有效全面的分析海量用戶的用電數(shù)據(jù)，就能高效的幫助供電企業(yè)檢測竊

3、電用戶?；脽羝?4傳統(tǒng)的防竊電大多是在計量裝置上添加硬件，使其具備防竊電的能力，但是只要有一種硬件防竊電措施實施，緊接著就會發(fā)現(xiàn)竊電者有相應(yīng)的應(yīng)對措施進(jìn)行，使得供電企業(yè)對竊電行為的懲治存在一定滯后性。竊電的形式多種多樣，但均會表現(xiàn)在電氣參量的異常變化，基于數(shù)據(jù)挖掘的防竊電策略依據(jù)要優(yōu)勢有便于到的電氣參量的特征用戶是否發(fā)生竊電行為，它的主，不需要在硬件上做太大的變化降低了竊電檢測的成用戶竊電行為分析聚類分析 竊電檢測程序設(shè)計與驗證 總結(jié)與展望基于數(shù)據(jù)挖掘的防竊電策略優(yōu)勢便于降低竊電檢測的成本提高竊電檢測的實時性傳統(tǒng)防竊電策略提高竊電檢測的可靠性基于數(shù)據(jù)挖掘的防竊電策略電氣背景與現(xiàn)狀用戶竊電行為分

4、析聚類分析 竊電檢測程序設(shè)計與驗證 總結(jié)與展望2010-2017 年 發(fā)電裝機(jī)容量、增速電氣背景與現(xiàn)狀本，依據(jù)用電信息系統(tǒng)可以每天實時用戶的電氣參量變化，提高竊電檢測的實時性；不需要外加復(fù)雜的硬件設(shè)備，提高竊電檢測的可靠性幻燈片 5竊電手法很多,但萬變不離其宗, 從計量原理來看，一塊電能計量表計量的多少主要取決于電流、電壓、功率因數(shù)三要素和時間的乘積。因此改變?nèi)氐娜魏我豁?都會使慢轉(zhuǎn)、反轉(zhuǎn)和停轉(zhuǎn),從而達(dá)到竊電的目的。只要存在竊電行為就會導(dǎo)致相關(guān)電氣參量產(chǎn)生變化，這些變化可以從電能表的數(shù)據(jù)出。從這三要素出發(fā)，常見的竊電方式有幻燈片 6分析中得欠流法竊電,改變電能表計量電流回路的正常接線,致使

5、電能表的電流線圈無電流或只通過部分電流,從而導(dǎo)致電量少計。欠壓法竊電,改變電能表計量電壓回路的正常接線,致使電能表的電壓線圈失壓或所受電壓減少,從而導(dǎo)致電量少計背景與現(xiàn)狀聚類分析 竊電檢測程序設(shè)計與驗證 總結(jié)與展望常見竊電方式斷開電流回路導(dǎo)線斷開電壓回路導(dǎo)線松開 電壓連接片使TA二次接線端子接觸不良電壓回路壓皮接線斷開TV二次引線短接TA二次側(cè)串入分壓電阻氧化絕緣層短接 電流端子擰松電壓回路接線端子發(fā)生竊電更改 中 的數(shù)據(jù)調(diào)換TV一次或二次進(jìn)出線調(diào)換TA一次或二次進(jìn)出線干擾 計量改變TV至 的外力損壞改變TA至 的外接電容或電感改變TA變比調(diào)換 電流端子進(jìn)出線電氣用戶竊電行為分析移相法竊電擴(kuò)差

6、法竊電欠壓法竊電欠流法竊電背景與現(xiàn)狀聚類分析 竊電檢測程序設(shè)計與驗證 總結(jié)與展望竊電原理 表 表 表 表 電氣用戶竊電行為分析移相法竊電是采用各種手法故意改變電能表的正常接線,或利用電感和電容特定接法,從而改變電能表線圈中電壓、電流間的正常相位關(guān)系,致使電能表慢轉(zhuǎn)甚至倒轉(zhuǎn)。擴(kuò)差法竊電,竊電者私拆電能表,采用各種方法改變電能表內(nèi)部的正常結(jié)構(gòu)性能,致使電能表本身的誤差擴(kuò)大,以及利用電流或機(jī)械力損壞電能表,改變電能表的安裝條件,使得電能表少計。本設(shè)計幻燈片 7欠壓法竊電設(shè)計防竊電策略對于電壓，由于電網(wǎng)負(fù)荷變化，電壓雖然會在短時間內(nèi)在正負(fù)5%的范圍內(nèi)波動，但整體會保持穩(wěn)定。但是當(dāng)用戶發(fā)生竊電行為時，電

7、壓大幅的跌落，高達(dá)50%以上且持續(xù)時間長。目前供電公司采用人工方法，execl表格畫曲線，人工查找這個大幅度的變化，費時費力。數(shù)據(jù)挖掘技術(shù)可以分析這一特點，將到的用戶電壓與用戶正常歷史數(shù)據(jù)比較，來檢測用戶是否發(fā)生竊電行為?；脽羝?8背景與現(xiàn)狀 用戶竊電行為分析竊電檢測程序設(shè)計與驗證 總結(jié)與展望常見聚類方法內(nèi)部距離最小外部距離最大凝聚型聚類算法基于層次的聚類算法型聚類算法K均值聚類算法基于劃分的聚類算法K中心點聚類算法聚類算法DBSCAN算法基于密度的聚類算法OPTICS算法COBWEB算法基于模型的聚類算法CLASSIT算法STING算法基于網(wǎng)格的聚類算法WaveCluster算法電氣聚類分析

8、背景與現(xiàn)狀聚類分析 竊電檢測程序設(shè)計與驗證 總結(jié)與展望-5%+5%竊電異常數(shù)據(jù)特征電氣用戶竊電行為分析聚類是數(shù)據(jù)挖掘中的一項重要技術(shù)，它將一個數(shù)據(jù)集在不使用先驗知識的情況下劃分為多個聚類。聚類的目標(biāo)是將數(shù)據(jù)集分組到集群中，使同一集群中的對象具有很高的相似性，但與其他集群中的對象非常不同。也就是遵循內(nèi)部距離最小，外部距離最大的原則。按照聚類的原理劃分，聚類算法可以分為基于層次的聚類算法、基于劃分的聚類算法、基于密度的聚類算法、基于模型的聚類算法和基于網(wǎng)格的聚類算法。用電信息系統(tǒng)的電壓數(shù)據(jù)特征不同，層次聚類算法適用于任意屬性的數(shù)據(jù)，可以在不同程度上展現(xiàn)數(shù)據(jù)的聚類效果，因此本設(shè)計采用凝聚型層次聚類算

9、法。幻燈片 9凝聚型層次聚類算法的主要思想為從單個對象開始構(gòu)建集群，然后將距離最近的集群合并為一個新的集群，再將這些小的集群合并到更大的集群中，直到所有數(shù)據(jù)對象都位于一個集群中，或者直到滿足某些終止條件為止，最后聚類結(jié)果用樹狀圖的形式表示?；脽羝?10背景與現(xiàn)狀 用戶竊電行為分析竊電檢測程序設(shè)計與驗證 總結(jié)與展望層次聚類算法分析數(shù)據(jù)矩陣對象屬性的矩陣 電氣聚類分析讀入數(shù)據(jù)得到數(shù)據(jù)對象總數(shù)N背景與現(xiàn)狀 用戶竊電行為分析竊電檢測程序設(shè)計與驗證 總結(jié)與展望常見聚類方法電氣聚類分析首先數(shù)據(jù)以矩陣的形式輸入，數(shù)據(jù)矩陣是對象屬性的矩陣，例如一個用戶的電壓特征可以用一天m維屬性表示?；脽羝?11到的96個電

10、壓數(shù)據(jù)來表示。n個數(shù)據(jù)對象可以用然后計算每個對象之間的距離，描述對象之間相似程度，形成一個n*n的對角矩陣。例如d(2,1)表示對象2和1之間的距離，由于歐式距離的計算方法非常簡單， 而且能夠滿足聚類算法的要求，故本設(shè)計選用歐式距離作為計算對象之間距離的方式。距離計算公式如下，其中m表示數(shù)據(jù)第m維特征幻燈片 12然后將距離最近的兩個集群合并，形成新的距離矩陣，計算集群之間距離的方法主要有：最小距離法將距離最近的兩個對象之間的距離作為這兩個集群的距離。這個距離計算方式的缺點是容易受到值的影響。兩個距離很遠(yuǎn)的集群可，能會由于兩個集群中某兩個的對象距離較近而形成一個新的集群。最大距離法和最小距離法的

11、定義集群間距離的方式正好相反，最大距離法是背景與現(xiàn)狀 用戶竊電行為分析竊電檢測程序設(shè)計與驗證 總結(jié)與展望層次聚類算法分析一旦計算了數(shù)據(jù)集中對象之間的相似度，就可以使用函數(shù)將數(shù)據(jù)集中的對象分組為集群。最平質(zhì)大小均心距距距離離離法法法(CSA(ioCvnmegernpaetlgreLoteiLdnLkiLnainkignkaekga)ageg)ee)uv電氣聚類分析更新距離矩陣D合并距離矩陣中距離最近的兩個集群（r)、(s)計算距離矩陣D（N*N)讀入數(shù)據(jù)得到數(shù)據(jù)對象總數(shù)N背景與現(xiàn)狀 用戶竊電行為分析竊電檢測程序設(shè)計與驗證 總結(jié)與展望層次聚類算法分析距離矩陣對象之間相似程度的n n的對角矩陣 電氣

12、聚類分析計算距離矩陣D（N*N)讀入數(shù)據(jù)得到數(shù)據(jù)對象總數(shù)N將兩個集群中距離最遠(yuǎn)的兩個對象間的距離作為這兩個集群的距離。缺點也相反，兩個距離相近的集群也可能由于其中的起。值距離較遠(yuǎn)而無法組合在一平均距離法。計算一個集群中的每個對象與另一個集群中所有對象的距離。將距離之和的均值作為兩個集群間的距離。雖然這種方法計算量比前兩種都 大，但所得到的結(jié)果比前兩種方法更合理。質(zhì)心距離法。用兩個集群質(zhì)心的距離來表示集群之間的距離?；脽羝?13可以利用相關(guān)系數(shù)來選取合適的集群距離計算方法。在樹狀圖中，原始數(shù)據(jù)集中的任意兩個對象最終會在某層在一起。驗證樹狀圖是否真實的反映了數(shù)據(jù)，可以將高度和對象數(shù)據(jù)聚類情況。如果

13、聚類有效，則樹狀圖中對象的所在的層數(shù)應(yīng)與距離向量中的對象之間的距離具有很強(qiáng)的相關(guān)性。計算相關(guān)系數(shù)，它的值越接近1，樹狀圖就越真實的反映均距離法作為計算集群間距離的方式根據(jù)計算結(jié)果選擇平均距離法計算集群之間的距離幻燈片 14背景與現(xiàn)狀 用戶竊電行為分析竊電檢測程序設(shè)計與驗證 總結(jié)與展望讀入數(shù)據(jù)得到數(shù)據(jù)層次聚類算法分析對象總數(shù)N一旦計算了數(shù)據(jù)集中對象之間的相似度，就可以使用函數(shù)確定將數(shù)據(jù)集中的對象分組為集群。合并距離矩陣中距離最近平均距離法(Average Linkage)的兩個集群（r)、(s)更新距離矩陣D是否合并為一個集群？電氣聚類分析 NO 計算距離矩陣D（N*N)背景與現(xiàn)狀 用戶竊電行為

14、分析竊電檢測程序設(shè)計與驗證 總結(jié)與展望層次聚類算法分析相關(guān)系數(shù)電氣聚類分析然后，幻燈片 15是否合并為一個集群，如果沒有合并為一個集群則重復(fù)2、3、4步如果合并為一個集群，則將結(jié)果用樹狀圖表示，再對聚類結(jié)果進(jìn)行分類。確定數(shù)據(jù)集中的聚類劃分的主要方法是根據(jù)不一致系數(shù)來劃分，將聚類每個鏈接的高度與下方的相鄰的高度進(jìn)行比較。與下一層的高度大致相同的表示在層次結(jié)構(gòu)的這個級別上連接的對象之間沒有明顯的劃分。當(dāng)不一致系數(shù)小于設(shè)定值時停止分類幻燈片 16基于聚類分析技術(shù)構(gòu)建竊電檢測模型，輸入到的數(shù)據(jù)，對數(shù)據(jù)進(jìn)行預(yù)處理，利用時間滑動窗對數(shù)據(jù)進(jìn)行篩選，分別對歷史正常用電數(shù)據(jù)和待檢測用電數(shù)據(jù)進(jìn)行聚類分析，構(gòu)造比較

15、模型，對比兩次聚類結(jié)果，識別異常用電行為， 利用北京電網(wǎng)提供的電力數(shù)據(jù)驗證竊電用戶幻燈片 17背景與現(xiàn)狀 用戶竊電行為分析竊電檢測程序設(shè)計與驗證 總結(jié)與展望竊電檢測模型電氣聚類分析輸入數(shù)據(jù)預(yù)處理時間滑動窗檢聚類分析技術(shù)測比較模型構(gòu)造異常用電行為識別疑似竊電用戶輸出驗證背景與現(xiàn)狀 用戶竊電行為分析竊電檢測程序設(shè)計與驗證 總結(jié)與展望層次聚類算法分析不一致系數(shù)讀入數(shù)據(jù)得到數(shù)據(jù)對象總數(shù)N計算距離矩陣D（N*N)合并距離矩陣中距離最近的兩個集群（r)、(s)更新距離矩陣DNO 是否合并為一個集群？YES電氣聚類分析生成樹狀圖將聚類結(jié)果劃分為幾類由于python語言語法簡潔：實現(xiàn)相同功能，Python語言

16、代碼行數(shù)僅有其他語言的1/101/20強(qiáng)制可讀：Python語言通過強(qiáng)制縮進(jìn)來體現(xiàn)語句間的邏輯關(guān)系，顯著提高了程序的可讀性類庫豐富：編寫Python 良好的編程所以用來編寫竊電檢測程序幻燈片 18可以大量利用已有的內(nèi)置或第函數(shù)庫，具備程序的主要流程為，首先對數(shù)據(jù)進(jìn)行初始化設(shè)置，數(shù)據(jù)初始化的子程序框圖如左圖所示。對每個用戶的數(shù)據(jù)日期進(jìn)行排序，用值前后的數(shù)據(jù)進(jìn)行填充，將全0行用同一天其他相的數(shù)據(jù)替換，將用戶的信息統(tǒng)一到同一行，使輸入數(shù)據(jù)時每個表號只出現(xiàn)一次。之后為了保證竊電檢測的準(zhǔn)確性，對用戶進(jìn)行分批檢測，在m個用戶中， 每次選取20個用戶進(jìn)行檢測，將用戶的表號存在list_1中。時間滑動窗口選取

17、用戶第1、2、3天的正常歷史用電數(shù)據(jù)經(jīng)過聚類將結(jié)果存于list_2中。時間滑動窗口移動一天的，再次選取2、3、4天的用電數(shù)據(jù)經(jīng)開始竊電檢測程序設(shè)計數(shù)據(jù)初始化共有m個用戶每次選取20個進(jìn)行檢測y 0 K m/20+1列表中20*y到19+20*y的用戶子程序用戶的表號存為list_1i 0i<5? NO YES第i i+1 i+2天經(jīng)過聚類后將結(jié)果存YESi i+1第i+1 i+2 i+3天數(shù)據(jù)y<k-1？ 經(jīng)過聚類后將結(jié)果存于list_3NOYESmax(list_2) max(list_3)?結(jié)束NO找出新出現(xiàn)的類別 為竊電返回表號這個表號用i+2天的數(shù)據(jù)覆蓋i+3天的數(shù)據(jù)電氣統(tǒng)

18、計每個類別出現(xiàn)次數(shù)標(biāo)記出現(xiàn)次數(shù)最少的類別將此類別中包含的表號返回子程序出口的數(shù)據(jù)y y+1于list 2背景與現(xiàn)狀 用戶竊電行為分析聚類分析總結(jié)與展望竊電檢測程序設(shè)計語法簡潔強(qiáng)制可讀類庫豐富電氣竊電檢測程序設(shè)計與驗證過聚類，將結(jié)果存于list_3中。比較list_2和list_3的最大聚類數(shù)，如果有l(wèi)ist_3的最大聚類數(shù)大于list_2的最大聚類數(shù)，則說明出現(xiàn)了不屬于原來數(shù)據(jù)的一類，有用戶發(fā)生了竊電，將該用戶的表號返回。檢測表號的子程序主要過程為，統(tǒng)計每個類出現(xiàn)的次數(shù)，竊電用戶在所有用戶中只占小部分，所以只需要標(biāo)記出現(xiàn)次數(shù)最少的類，再將此類別中包含的表號返回。之后，為了保證下次檢測的準(zhǔn)確性，

19、將竊電用戶第四天的竊電數(shù)據(jù)刪去，用第三天正常的用電數(shù)據(jù)替代。然后再用已經(jīng)替換完竊電數(shù)據(jù)的2、3、4天數(shù)據(jù)和3、4、5天的用電數(shù)據(jù)比較進(jìn)行，直至這20個用戶檢測完成。開始檢測下一批20 位用戶，直到所有用戶檢測完成。幻燈片 19為了保證程序驗證的準(zhǔn)確性，故采用北京電網(wǎng)提供的順義區(qū)2018年9月第一個星期到的電力數(shù)據(jù)進(jìn)行竊電檢測程序的驗證。圖中為部分?jǐn)?shù)據(jù)。檢測發(fā)現(xiàn)有9位用戶發(fā)生竊電行為，其中漏判表號為400052732的用戶9月6日的竊電行為，漏判表號為400052876的用戶的竊電行為。本批數(shù)據(jù)總共有100位用戶，其中10位用戶竊電，檢測出9位，漏判了一位，所以竊電檢測程序的準(zhǔn)確性較高，誤差在可

20、接受的范圍內(nèi)?；脽羝?20幻燈片 20背景與現(xiàn)狀 用戶竊電行為分析聚類分析總結(jié)與展望程序驗證為了保證程序驗證的準(zhǔn)確性，故采用北京電網(wǎng)提供的順義區(qū)2018年9月第一個到的電力數(shù)據(jù)進(jìn)行竊電檢測程序的驗證。電氣竊電檢測程序設(shè)計與驗證以第0位到第19位用戶的竊電檢測結(jié)果為例，說明驗證步驟。聚類結(jié)果對比總圖，如果有竊電用戶的存在，則聚類結(jié)果會多出來一類幻燈片 21觀察9月1日、2日、3日電力數(shù)據(jù)的樹狀圖，我們可以發(fā)現(xiàn)20位用戶之間差別很小，樹狀圖最大的距離為46.5 ，樹狀圖的高度表示兩個集群之間的距離。而9月2日、3日、4日含有竊電數(shù)據(jù)的樹狀圖可以看到用戶123605距離其他19位用戶形成的集群距離為496，已經(jīng)不和正常用戶為同一類，為竊電用戶。幻燈片 22背景與現(xiàn)狀 用戶竊電行為分析聚類分析總結(jié)與展望程序驗證圖5-2 9月1日、2日、3日電力數(shù)據(jù)的樹狀圖圖5-3 9月2日、3日、4日含有竊電數(shù)據(jù)的樹狀圖電氣竊電檢測程序設(shè)計與驗證背景與現(xiàn)狀 用戶竊電行為分析聚類分析總結(jié)與展望程序驗證以第0位到第19位用戶的竊電檢測結(jié)果為例，說明驗證步驟兩次聚類結(jié)果對比9月2日 3日 4日9月3日 4日 5