基于Transformer与单分类支持向量机的窃电时间识别方法

陈静; 王铭海; 刘煜寒; 江灏; 缪希仁; 林蔚青; 郑垂锭; 赵睿

doi:10.13335/j.1000-3673.pst.2024.0203

English Version Reader LoginJournal Login

您当前的位置：

首页 >

文章列表页 >

基于Transformer与单分类支持向量机的窃电时间识别方法

更新时间：2025-12-03

- 基于Transformer与单分类支持向量机的窃电时间识别方法
- Vol. 49, Issue 5, Pages: 2109-2118(2025)
- 作者机构：
  
  福州大学电气工程与自动化学院
- 作者简介：
- 基金信息：
- DOI：10.13335/j.1000-3673.pst.2024.0203
  CLC： TM73;TP181
- Published：2025
- 稿件说明：
移动端阅览
陈静, 王铭海, 刘煜寒, et al. 基于Transformer与单分类支持向量机的窃电时间识别方法[J]. 2025, 49(5): 2109-2118.
DOI：

陈静, 王铭海, 刘煜寒, et al. 基于Transformer与单分类支持向量机的窃电时间识别方法[J]. 2025, 49(5): 2109-2118. DOI： 10.13335/j.1000-3673.pst.2024.0203.

摘要

窃电量的追回是窃电检测的最终目的，准确的窃电时间识别是进行窃电量精确估算的重要依据。然而，现有窃电检测方法侧重于识别窃电行为，对窃电时间缺乏深入分析，亟需研究基于窃电用户自身计量数据的窃电时间识别模型，为窃电量的估算提供依据。针对窃电时间识别问题，提出一种基于Transformer与单分类支持向量机(one-classsupport vector machine

OCSVM)的半监督窃电数据分类方法。首先，对用户负荷数据按日进行切割，将窃电时间识别问题转化为窃电日负荷数据判别问题；然后，使用Transformer作为重构模型学习用户的正常用电模式与规律，以重构出基于用户日负荷数据的重构值；最后，将构造重构误差曲线作为OCSVM的输入，构造正常用电行为的决策边界，进而判别出窃电数据，以实现窃电时间识别。根据南方某省智能电表用户数据进行算例分析，验证了该方法的可行性和有效性，实验结果表明该方法具有较好的灵敏性和鲁棒性。

Abstract

关键词

Keywords

references

Shehzad Faisal,Javaid Nadeem,Aslam Sheraz,Umar Javaid Muhammad.Electricity theft detection using big data and genetic algorithm in electric power systems[J].Electric Power Systems Research,2022.

Takiddin Abdulrahman,Ismail Muhammad,Zafar Usman,Serpedin Erchin.Robust Electricity Theft Detection Against Data Poisoning Attacks in Smart Grids[J].IEEE TRANSACTIONS ON SMART GRID,2021.

Yining Yang,Yang Xue,Hui Cai,Boliang Pan,Jianyu Chen,Jing Li,Qian Guo.Electricity stealing time recognition method based on difference and K-means clustering[J].IOP Conference Series: Earth and Environmental Science,2021.

Long Huan,Chen Chang,Gu Wei,Xie Jihua,Wang Zheng,Li Guodong.A Data-Driven Combined Algorithm for Abnormal Power Loss Detection in the Distribution Network[J].IEEE Access,2020.

Schölkopf B,Platt J C,Shawe-Taylor J,Smola A J,Williamson R C.Estimating the support of a high-dimensional distribution.[J].Neural computation,2001.

李云峰,高云鹏,张蓬鹤,杨艺宁,陈康.多目标优化时域卷积神经网络的窃电行为高准确检测算法[J].电网技术,2024(08).

陈静,王铭海,江灏,缪希仁,陈熙,郑垂锭.Stacking相异模型融合的实验室异常用电行为检测[J].实验室研究与探索,2024(01).

王鹏,刘芬,刘林,邱凌,李自怀,吴远超,李自品.基于半监督学习时间序列回归算法的窃电量估算方法[J].武汉大学学报(工学版),2023(06).

邹念,张颖,苏盛,魏梅芳,刘康,李彬.基于小时尺度周期特征自编码器的用户窃电识别方法[J].电网技术,2023(06).

陈静,郑垂锭,李桂敏,江灏,缪希仁.考虑行业关联度的工业用户用电异常识别研究[J].仪器仪表学报,2023(04).

游文霞,梁皓,杨楠,李清清,吴永华,李文武.基于重采样和混合集成学习的不平衡窃电检测[J].电网技术,2024(02).

杨挺,徐嘉成,叶芷杉,王军,卢利军.基于最优变换关联因子和优化平移分裂法的窃电检测[J].电网技术,2023(09).

刘钊瑞,高云鹏,郭建波,李云峰,顾德喜,文一章.基于深度自编码器高斯混合模型的窃电行为检测[J].电力系统保护与控制,2022(18).

游文霞,李清清,杨楠,申坤,李文武,吴泽黎.基于多异学习器融合Stacking集成学习的窃电检测[J].电力系统自动化,2022(24).

刘伟,马世乾,李云飞,孙冰.多源数据驱动的配电网网损精确分析方法[J].电力系统及其自动化学报,2022(11).

周赣,华济民,李铭钧,付佳佳,黄莉.基于图转换和混合卷积神经网络的窃电检测方法[J].电力系统自动化,2022(19).

刘康,李彬,薛阳,杨艺宁,徐英辉,刘爱国,苏盛.基于传递熵密度聚类的用户窃电识别方法[J].中国电机工程学报,2022(20).

缪希仁,林蔚青,肖洒,江灏,陈静,庄胜斌.基于条件互信息与LSTNet的特高压变压器顶层油温预测方法[J].电网技术,2022(07).

殷涛,苏盛,刘爱国,舒一飞,薛阳,杨艺宁.基于向前逐步回归的高损线路窃电检测[J].电网技术,2022(07).

白雅玲,周亚同,刘君.基于深度卷积嵌入聚类的日负荷曲线聚类分析[J].电网技术,2022(06).

高昂,郑建勇,梅飞,沙浩源,裘星,解洋,李轩,郭梦蕾,李丹奇.基于三元组孪生网络的窃电检测算法[J].中国电机工程学报,2022(11).

杜章华,苏盛,刘正谊,薛阳,杨艺宁,刘厦.基于生产经营状态识别的低误报率窃电检测二次筛查方法[J].电力系统自动化,2021(02).

游文霞,申坤,杨楠,李清清,吴永华,李黄强.基于AdaBoost集成学习的窃电检测研究[J].电力系统保护与控制,2020(19).

唐冬来,刘友波,熊智临,马铁丰,苏童.基于时空关联矩阵的配电台区反窃电预警方法[J].电力系统自动化,2020(19).

张承智,肖先勇,郑子萱.基于实值深度置信网络的用户侧窃电行为检测[J].电网技术,2019(03).

陈启鑫,郑可迪,康重庆,皇甫奋宇.异常用电的检测方法:评述与展望[J].电力系统自动化,2018(17).

谢伊玲,胡海云.智能电表环境下窃电量和追补电费估算方法研究[J].电工技术,2017(01).

翟莺鸽,辛洁晴,夏正侃.基于智能电表的窃电量和追补电费估算方法[J].华东电力,2014(04).

Views

521

下载量

CSCD

Alert me when the article has been cited

提交

Tools

Publicity Resources

基于域对抗迁移网络的短期电力负荷预测方法

基于半监督学习标签传播-极端随机树算法的光伏阵列故障诊断及定位

基于油中溶解气监测的变压器在线半监督故障诊断方法研究

基于小时尺度周期特征自编码器的用户窃电识别方法

面向电力调度知识建模的半监督实体识别方法

Related Author

陈熙

林蔚青

陈静

江灏

王铭海

刘煜寒

缪希仁

马志雄

Related Institution

国网福建省电力有限公司长乐区供电公司

长安大学电子与控制工程学院

国网山东省电力公司电力科学研究院

长沙理工大学电气与信息工程学院

国网湖南省电力有限公司技术技能培训中心

AI问答

⁰