融合UMAP和自适应DPC的双层判据异常用电识别方法

王春鹏; 刘闯; 王顺江; 王艺博; 邰佳森; 向紫炜

doi:10.19421/j.cnki.1006-6357.2026.04.011

English Version Journal Login

您当前的位置：

首页 >

文章列表页 >

融合UMAP和自适应DPC的双层判据异常用电识别方法

更新时间：2026-04-25

- 融合UMAP和自适应DPC的双层判据异常用电识别方法
- Vol. 43, Issue 4, Pages: 83-94(2026)
- 作者机构：
  
  1. 现代电力系统仿真控制与绿色电能新技术教育部重点实验室(东北电力大学)
  2. 国网辽宁省电力有限公司
- 作者简介：
- 基金信息：
- DOI：10.19421/j.cnki.1006-6357.2026.04.011
  CLC： TM73
- Published：2026
- 稿件说明：
移动端阅览
王春鹏, 刘闯, 王顺江, et al. 融合UMAP和自适应DPC的双层判据异常用电识别方法[J]. 2026, 43(4): 83-94.
DOI：

王春鹏, 刘闯, 王顺江, et al. 融合UMAP和自适应DPC的双层判据异常用电识别方法[J]. 2026, 43(4): 83-94. DOI： 10.19421/j.cnki.1006-6357.2026.04.011.

摘要

针对现有异常用电识别方法在处理用户用电数据复杂结构特性和模型参数优化方面的局限性，提出一种融合均匀流形逼近与投影（uniform manifold approximation and projection

UMAP）降维和自适应密度峰值聚类（density peak clustering

DPC）的双层判据异常用电识别方法。该方法采用“特征提取—降维处理—聚类分析—异常识别”四阶段策略，通过聚类实现用电模式差异化用户的分类识别。在降维阶段，UMAP算法在保留数据复杂结构的同时具备高效计算性能，显著提升特征提取的检出率与精确率；在聚类阶段创新性地采用两阶段协同策略构建簇心评价指标，实现DPC算法对最优聚类中心的自适应搜寻；异常识别阶段引入双层判据机制，有效降低参数波动对模型性能的干扰。基于爱尔兰智能电表公开数据库的实验结果表明，所提方法较传统算法在异常用电识别精度上有明显提升，为复杂用电场景下的异常检测提供了高效解决方案。

Abstract

关键词

Keywords

references

Cai Qingyuan,Li Peng,Wang Ruchuan.Electricity theft detection based on hybrid random forest and weighted support vector data description[J].International Journal of Electrical Power and Energy Systems,2023.

Shi Junhao,Gao Yunpeng,Gu Dexi,Li Yunfeng,Chen Kang.A novel approach to detect electricity theft based on conv-attentional Transformer Neural Network[J].International Journal of Electrical Power and Energy Systems,2023.

Kaur Ramanpreet,Gabrijelčič Dušan.Behavior segmentation of electricity consumption patterns: A cluster analytical approach[J].Knowledge-Based Systems,2022.

Neale Adam,Kummert Michaël,Bernier Michel.Discriminant analysis classification of residential electricity smart meter data[J].Energy & Buildings,2022.

Haq Ejaz Ul,Huang Jianjun,Xu Huarong,Li Kang,Ahmad Fiaz.A hybrid approach based on deep learning and support vector machine for the detection of electricity theft in power grids[J].Energy Reports,2021.

Zhiying Feng,Jingjing Huang,W.H. Tang,Mohammad Shahidehpour.Data mining for abnormal power consumption pattern detection based on local matrix reconstruction[J].International Journal of Electrical Power and Energy Systems,2020.

Yu Tianqi,Wang Xianbin,Shami Abdallah.Recursive Principal Component Analysis-Based Data Outlier Detection and Sensor Data Aggregation in IoT Systems[J].IEEE Internet of Things Journal,2017.

王宣元,王泽森,孔帅皓,李奇,辛光明.基于密度峰值聚类的电力系统碳流追踪方法[J].电子设计工程,2025(21).

陈明,何雪梅,赵顺麟,饶旭妮,虞瑾.非参数核密度估计下台区线损异常数据辨识[J].电子设计工程,2025(03).

陈育培,朱斌.一种基于自适应RNN的居民异常用电行为智能检测方法[J].电力需求侧管理,2025(01).

陈静,王铭海,刘煜寒,江灏,缪希仁,林蔚青,郑垂锭,赵睿.基于Transformer与单分类支持向量机的窃电时间识别方法[J].电网技术,2025(05).

余向前,张磊,胡晓祥.基于CNN与Bi-LSTM的异常用电行为甄别算法研究[J].电子设计工程,2024(09).

王宁,郭梓昱,田淑珂,李可雨阳.基于融合特征t-SNE降维的控制图质量异常模式识别[J].系统工程理论与实践,2024(07).

赖健,许志浩,康兵,王宗耀,丁贵立,袁小翠.基于ISSA-SVC的配电网高损台区窃电检测方法研究[J].电力系统保护与控制,2024(12).

贾磊,龚正,吴海伟,耿文逸,王琚玮.基于改进PSO优化LSTM网络的典型用电负荷模式识别[J].电力需求侧管理,2024(01).

俞林刚,李铭,伍栋文,祝君剑,晏依.配电网拓扑参数未知场景下中压用户窃电检测方法[J].电网与清洁能源,2023(09).

刘迪迪,王洋,刘辉乾,李华强,朱庆东.基于ADASYN平衡化数据集的POA-SVM变压器故障诊断[J].电网与清洁能源,2023(08).

孔祥玉,马玉莹,赵鑫,梁博浩.基于多阶段递推数据分析的低压台区窃电检测方法[J].中国电机工程学报,2024(15).

王文森,贺馨仪,杨晓西,马庆华,董明.基于多参量数据回归分析的电力变压器状态监测方法[J].电网与清洁能源,2023(04).

宋玮琼,王立永,宋威,朱肖晶,穆毅凡,冯燕钧.基于设备运行状态检测与能量回归同步评估的居民非介入式负荷辨识算法研究[J].电测与仪表,2023(12).

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).

葛岳军,刘瑞,马立骏,马丽,毕凤娟.基于CNN-LSTM模型的电力盗窃行为识别技术研究[J].供用电,2022(09).

肖庆追,李捷,陈鹤峰,魏彩娥.基于组合模型的电力用户用电行为分层分类方法[J].电力系统及其自动化学报,2023(05).

李昂,韩萌,穆栋梁,高智慧,刘淑娟.多类不平衡数据分类方法综述[J].计算机应用研究,2022(12).

赵嗣芳,宋强,张艳明,张伟.基于改进DFA和LDA的永磁同步电机机械故障检测[J].北京理工大学学报,2023(01).

汪颖,杨维,肖先勇,张姝.基于去噪自编码器网络特征降维与改进小批优化K均值算法的海量用户用电行为聚类及分析[J].电力自动化设备,2022(06).

覃华勤,梁叶,钱奇,郭思佳,马先芹,郭崇慧.基于典型窃电用户相似性检索的窃电行为检测方法[J].电力系统自动化,2022(06).

林之岸,刘晟源,金伟超,林振智,宣玉华,谢天草.基于改进局部离群因子的低压用户用电隐患检测方法[J].电力系统自动化,2022(01).

赵天辉,张耀,王建学.基于空间密度聚类和异常数据域的负荷异常值识别方法[J].电力系统自动化,2021(10).

庄池杰,张斌,胡军,李秋硕,曾嵘.基于无监督学习的电力用户异常用电模式检测[J].中国电机工程学报,2016(02).

Views

下载量

CSCD

Alert me when the article has been cited

提交

Tools

Publicity Resources

用自适应补偿器提高电能计量系统的精确度

适应高比例新能源接入的配电网改进型自适应电流保护方法

Related Author

陈新亮

罗国敏

赵祎薇

吴梦宇

王亚鹏

Related Institution

江苏省电力试验研究所南京凤凰西街243号

北京交通大学

AI问答

⁰