基于STM32的异常用电行为检测算法研究_黄根.pdf

第 44 卷第 3 期2023 年 6 月电力与能源基于 STM32 的异常用电行为检测算法研究黄根，徐爱蓉，孙成刚，李建宁（国网上海市电力公司青浦供电公司，上海 201799）摘要：电力企业用电异常检测算法的初始数据完整性较差，很难保证异常分类结果的准确性。针对异常用电检测准确率较低、检测精度有待提高等问题，提出了一种基于 STM32 的异常用电行为检测算法。首先，基于 STM32 提取电力异常数据特征，划分电力负荷数据结构，填充缺失、错误的电力数据，保证企业用电数据的完整性，建立电力数据异常分类模型；其次，将电力数据的异常分为线损异常、交流电压异常和交流电流异常，分别对 3 类不同的电力数据异常情况进行分析，获取异常检测阈值，并提出相应的电力企业异常用电检测算法。以上海某区域实际电力用户的用电数据为例，对 3 种常用检测算法和基于 STM32 的检测算法在不同聚类簇数监测点下的接受者操作特征（ROC）曲线下面积（AUC）进行比较，试验结果验证了所提算法的准确性和有效性。该算法可为电力企业快速排查用电异常行为提供依据。关键词：电力企业；异常用电检测；数据完整性作者简介：黄根（1990），女，硕士，工程师，主要从事配电网运行、电力营销技术、用电监察等工作。中图分类号：TN06 文献标志码：A 文章编号：2095-1256（2023）03-0227-06Research on Abnormal Power Consumption Behavior Detection Algorithm Based on STM32HUANG Gen，XU Airong，SUN Chenggang，LI Jianning（State Grid Qingpu Power Supply Company，SMEPC，Shanghai 201799，China）Abstract：For the abnormal power consumption of electric power enterprises，the initial data integrity of the detection algorithm is poor，so it is difficult to ensure the accuracy of the classification results.In order to solve the problems of low accuracy and improve the effectiveness of abnormal power consumption electricity detection，an algorithm based on STM32 is proposed for abnormal detection in power enterprises.Firstly，based on STM32，abnormal data features are extracted，power load data structures are divided，missing and wrong power data are filled in，and the integrity of enterprise power data is ensured.Thereby，Power data anomaly classification model is established.Secondly，the power data anomalies are divided into line loss anomalies，AC voltage anomalies，AC current anomalies.Three different power data anomalies are analyzed，abnormal detection thresholds are obtained，and the corresponding abnormal power consumption detection algorithm is proposed.Taking the power based consumption data of actual power users in a region of Shanghai as an example，the area under receiver operating characteristic(ROC)curves(AVC)of the detection algorithm based STM32 was compared to those of other three commonly used detection algorithms under different cluster number monitoring points.The test results have verified the accuracy and effectiveness of the proposed algorithm，and can provide a basis for power enterprises to quickly detect power abnormal behaviors.Key words：electric power enterprises，abnormal power consumption detection，data integrity近年来，我国工商业发展迅速，城市化水平不断提高，人们的工作生活与社会生产均离不开电能，于是电力用户量迅速扩大。随着能源互联网的推进发展，电网公司的信息化程度越来越高，用电侧电量数据相当庞大。因此，电力企业需要不断提高工作效率和管理效能，才能更好地为广大电力用户提供更优质的服务。在电力企业自身的不断发展中，仍然存在某些不足之处，例如电力用户电量数据异常问题没有得到有效解决。若不及时处理用户电量数据异常情况，可能会给供电企业或电力用户带来一些不必要的经济损失。因此，如何从庞大的电力企DOI：10.11973/dlyny202303006227黄根，等：基于 STM32的异常用电行为检测算法研究业电量数据中高效、准确地检测出异常用电数据，以供电力企业工作人员分析决策、作出处理，对提高供电服务水平和经济效益，同时促进企业的发展与进步，有着相当重要的意义。为了及时有效地获取电力数据信息，监测电力企业的用电情况，检测出异常数据，需要设计一种准确率较高的异常用电检测算法。文献 1 通过分析典型异常电力数据提出了一种以用户相似性检索为核心的检测模型，在相似度矩阵中，利用簇中心的电力用户，提取出有疑似异常用电的窃电用户，并验证了该方法的有效性与可行性。文献 2 针对电力异常行为建立了一个大的数据库，通过标记好的数据集与异常电力信息，实现了较低维度数据的监测，在最大互信息系数的基础上，以快速聚类算法，提出了较强的正相关密度峰值，并测试了多种类型异常检测行为的有效性。文献 3 针对现有的异常电力数据，通过概率预测算法，提出了基于离线预测模型的异常识别方法，采用贝叶斯推断模型，结合电力实测数据与电力预测数据的相关性，设计了相应的检测方法，并验证了该方法的实用性和有效性。本文在此基础上，为提高异常数据的检测精度，设计一种基于 STM32 的异常用电行为检测算法。1基于 STM32设计的异常用电检测算法1.1基于 STM32提取电力异常数据特征在 STM32的主控电路中，可以获取数据采集的外围电路，并得到更准确的电力企业异常用电数据。电力用户之间数据行为的不同，会直接导致符合序列的周期和阈值出现较大变化，且气候冷暖的改变、节日假期等时段与正常情况下的用电单位也存在不同之处4。此时的电力负荷内会有大量的无用噪声，不但会无意义地增加电力数据的总量，还会导致原始时间序列的异常数据检测与识别出现错误或遗漏，因此对电力数据进行预处理，建立负荷数据的特征空间，减少维度异常，提取特征数据，是电力异常数据检测过程中的必要程序。首先需要清洗电力负荷数据，补全数据中缺失的部分，若不能补全，则需要将其清除，以减少大数据的总量。电力负荷数据的结构字段如表 1所示。依据表 1所示的结构字段重新整理电力数据后，可解决大部分的用户数据缺失问题，此时就可以对异常值进行处理。当电能表检修或更新时，所有的电力数据均会从头开始，如果此时的电力数据没有被及时记录，或者中间存在时间差，导致电力记录失效，就会出现电力数据异常现象5-7。在引入大量噪声后，补全数据的缺失值，并将观察到的变量全部填充成均值形式，计算公式如下：pd=|da-dbNt（1）式中pd某缺失时段的用电量均值；da缺失时段之前的电表示数；db缺失时段之后的电表示数；Nt电力数据缺失的时间总数8。依据式（1）填写电力企业所缺失的用电数据，对完整的负荷序列进行特征提取，此时用户电量的均值为Wm=i=1nxini（2）式中Wm用户电表中通过提取得到的电力数据；xi某一周期内的特征提取数值；ni日用电量的表示数9-10。通过以上方法得到完整的电力企业用电数据，以此进行后续的异常用电检测。1.2建立电力数据异常分类模型通过电力数据所能得到的用电异常情况，可以分为线损异常、交流电压异常、交流电流异常等多种类型。（1）线损异常主要是电能在通过铜导线时由表 1电力负荷数据结构字段序号12345字段名称编号记录日期当日电表示数日前电表示数当日电量使用字段符号IDDayToday_NumberYesterday_ NumberConsumption注释电表号码当日日期（包括年月日）每日 12 00电表示数前一日 12 00电表示数24 h 内电量使用情况228黄根，等：基于 STM32的异常用电行为检测算法研究于电阻导致的损耗。普通电路的线损电量计算公式为Wxs=Wg-Ws（3）式中Wxs某片电力设备中，由铜导线导致的线损电量；Wg和Ws电力企业的供电量与经过损耗后所得到的售电量11-12。线损电量与供电量之比需要在理论上不高于一定值，即线损率，若线损率超出一定值，则表明电力数据异常。通常，线损率可分为两类：理论线损率和统计线损率。理论线损率的计算公式为Pxs=WxsWg 100%（4）式中Pxs某长度铜制导线下的理论线损率。统计线损率的计算公式为Ptj=i=1nWg-j=1nWsi=1，j=1nWg 100%（5）式中Ptj统计线损率。（2）在该电力数据异常检测的约束条件内，依据组合事件可以判定电表开盖的记录参数。通过交流电压的异常判定值可以得到电压不平衡度以及测量时间的取值要求13-14。每隔 3 s 可以获取一次电力数据的离散采样值，计算公式如下：km=f=1nkf2mn（6）式中km测量仪器的电压不平衡度离散采样数值；kf某一时间周期内的采样值；mn该时间周期内的采样次数。此时可以依据离散采样值，获取电压不平衡度的近似方程式：Ku=SpSl 100%（7）式中Sp和Sl线电压与线短路容量。（3）交流电流异常可以依据功率参数的不同而确定，正常电力数据阈值一般不会低于 0.85，但是当用户的用电数据异常时，就可直接得到电流不平衡度的计算公式：Ec=Imax-IminImax（8）式中Ec电流不平衡度；Imax和Imin一段时间内的电流最大值与电流最小值15。结合三类电力数据的异常情况，可以通过电力数据获取电力企业异常用电的分类模型。1.3设计异常用电行为检测算法前面已对电力企业的数据进行预处理，补全了不完整的数据结构，然后通过这些电力数据建立了异常分类模型。在该模型中，可以通过历史用电数据设计电力企业的异常用电行为检测算法，如图 1所示。结合图 1 中的算法流程，首先需对电力数据进行预处理，并选择用电数据集，主要包括当前数据集和历史数据集16。然后通过二者共同评估电力异常曲线，若异常曲线达到检测阈值，则可以得到异常用电结果，否则为正常用电结果。此