Page 34 - 电力与能源2023年第三期

228 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， 据中缺失的部分，若不能补全，则需要将其清除，
以供电力企业工作人员分析决策、作出处理，对提 以减少大数据的总量。电力负荷数据的结构字
高供电服务水平和经济效益，同时促进企业的发 段如表 1 所示。
展与进步，有着相当重要的意义。为了及时有效 表 1 电力负荷数据结构字段
地获取电力数据信息，监测电力企业的用电情况， 序号 字段名称 字段符号 注释
1 编号 ID 电表号码
检测出异常数据，需要设计一种准确率较高的异
2 记录日期 Day 当日日期
常用电检测算法。 （包括年月日）
每日 12∶00
文献［1］通过分析典型异常电力数据提出了 3 当日电表示数 Today_Number
电表示数
一种以用户相似性检索为核心的检测模型，在相 前一日 12∶00
4 日前电表示数 Yesterday_ Number 电表示数
似度矩阵中，利用簇中心的电力用户，提取出有
24 h 内电量
5 当日电量使用 Consumption
疑似异常用电的窃电用户，并验证了该方法的有 使用情况
效性与可行性。文献［2］针对电力异常行为建立 依据表 1 所示的结构字段重新整理电力数据
了一个大的数据库，通过标记好的数据集与异常 后，可解决大部分的用户数据缺失问题，此时就可
电力信息，实现了较低维度数据的监测，在最大 以对异常值进行处理。当电能表检修或更新时，
互信息系数的基础上，以快速聚类算法，提出了 所有的电力数据均会从头开始，如果此时的电力
较强的正相关密度峰值，并测试了多种类型异常 数据没有被及时记录，或者中间存在时间差，导致

检测行为的有效性。文献［3］针对现有的异常电 电力记录失效，就会出现电力数据异常现象 ［5-7］ 。
力数据，通过概率预测算法，提出了基于离线预 在引入大量噪声后，补全数据的缺失值，并将观察
测模型的异常识别方法，采用贝叶斯推断模型， 到的变量全部填充成均值形式，计算公式如下：
结合电力实测数据与电力预测数据的相关性，设 | d a - d b |
p d = （1）
计了相应的检测方法，并验证了该方法的实用性 N t
式中 p d——某缺失时段的用电量均值；d a——
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 缺失时段之前的电表示数； d b——缺失时段之后
［8］
为检测算法。 的电表示数； N t——电力数据缺失的时间总数 。
依据式（1）填写电力企业所缺失的用电数据，
1 基于 STM32 设计的异常用电检测算法 对完整的负荷序列进行特征提取，此时用户电量

1.1 基于 STM32 提取电力异常数据特征 的均值为
n
在 STM32 的主控电路中，可以获取数据采集 ∑ x i
的外围电路，并得到更准确的电力企业异常用电 W m = i = 1 （2）
n i
数据。电力用户之间数据行为的不同，会直接导
式中 W m——用户电表中通过提取得到的电力
致符合序列的周期和阈值出现较大变化，且气候 数据； x i——某一周期内的特征提取数值；n i——
冷暖的改变、节日假期等时段与正常情况下的用 日用电量的表示数 ［9-10］ 。
电单位也存在不同之处 。此时的电力负荷内会 通过以上方法得到完整的电力企业用电数
［4］
有大量的无用噪声，不但会无意义地增加电力数 据，以此进行后续的异常用电检测。
据的总量，还会导致原始时间序列的异常数据检 1.2 建立电力数据异常分类模型

测与识别出现错误或遗漏，因此对电力数据进行 通过电力数据所能得到的用电异常情况，可
预处理，建立负荷数据的特征空间，减少维度异 以分为线损异常、交流电压异常、交流电流异常等
常，提取特征数据，是电力异常数据检测过程中的 多种类型。
必要程序。首先需要清洗电力负荷数据，补全数 （1）线损异常主要是电能在通过铜导线时由