Page 35 - 电力与能源2023年第三期

黄 根，等：基于 STM32 的异常用电行为检测算法研究 229

于电阻导致的损耗。普通电路的线损电量计算公 式中 E c——电流不平衡度；I max 和 I min——一段
式为 时间内的电流最大值与电流最小值 ［15］ 。
（3） 结合三类电力数据的异常情况，可以通过电
W xs = W g - W s
式中 W xs——某片电力设备中，由铜导线导致的 力数据获取电力企业异常用电的分类模型。
线损电量； W g 和 W s——电力企业的供电量与经 1.3 设计异常用电行为检测算法
过损耗后所得到的售电量 ［11-12］ 。 前面已对电力企业的数据进行预处理，补全
线损电量与供电量之比需要在理论上不高于 了不完整的数据结构，然后通过这些电力数据建

一定值，即线损率，若线损率超出一定值，则表明 立了异常分类模型。在该模型中，可以通过历史
电力数据异常。通常，线损率可分为两类：理论线 用电数据设计电力企业的异常用电行为检测算
损率和统计线损率。理论线损率的计算公式为 法，如图 1 所示。

W xs
P xs = × 100% （4）
W g
式中 P xs——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
n n
∑ W g - ∑ W s
i = 1 j = 1
P tj = × 100% （5）
n
∑ W g
j
i = 1，= 1
式中 P tj——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： 图 1 算法流程

n 结合图 1 中的算法流程，首先需对电力数据
∑ k f 2
f = 1 进行预处理，并选择用电数据集，主要包括当前数
k m = （6）
m n ［16］
据集和历史数据集 。然后通过二者共同评估电
式中 k m——测量仪器的电压不平衡度离散采样
力异常曲线，若异常曲线达到检测阈值，则可以得
数值； k f——某一时间周期内的采样值；m n——该
到异常用电结果，否则为正常用电结果。此时的
时间周期内的采样次数。
检测算法，即为本文提出的基于 STM32 的异常用
此时可以依据离散采样值，获取电压不平衡
电行为检测算法。
度的近似方程式：
2 试验研究
S p
K u = × 100% （7）
S l
2.1 试验环境设置与试验数据来源
式中 S p 和 S l——线电压与线短路容量。
选取 Centos7 操作系统，使用 Python 进行数
（3）交流电流异常可以依据功率参数的不同
据 软 件 编 写 。 在 更 新 系 统 参 数 时 使 用 Adam 算
而确定，正常电力数据阈值一般不会低于 0.85，但
法，并利用 TCN 算法进行用户的用电行为异常检
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： 测。划分测试集与验证集，作为试验数据集的基
础分类，并通过测试集进行模型超参数的验证，设
I max - I min
E c = （8）
I max 定本试验内最长步数为 1 000。