1、用戶異常用電行為不僅造成電力公司巨大的經(jīng)濟(jì)損失，還危害到了電網(wǎng)的安全運(yùn)行，所以一直以來(lái)是電力稽查的重點(diǎn)。傳統(tǒng)的異常用電檢測(cè)方法過(guò)于依賴人力排查，效率低下，而后發(fā)展的基于計(jì)量系統(tǒng)的異常檢測(cè)方法則誤報(bào)太多，實(shí)用性不足，需要發(fā)展新的技術(shù)。隨著用電信息數(shù)據(jù)越來(lái)越多地匯集到中心站，使得利用數(shù)據(jù)挖掘來(lái)辨識(shí)異常用電行為成為可能。本文在研究用戶行為和異常辨識(shí)方法的基礎(chǔ)上，構(gòu)建了配用電信息數(shù)據(jù)下的用戶異常用電行為辨識(shí)模型，實(shí)現(xiàn)了較高效率的異常用電行為辨識(shí)

2、。
　　用戶的用電行為可以使用負(fù)荷數(shù)據(jù)來(lái)描述，異常用電行為則表現(xiàn)為異常的用電負(fù)荷數(shù)據(jù)。引起異常用電數(shù)據(jù)的原因有技術(shù)性和非技術(shù)性兩種，以非技術(shù)性原因?yàn)橹?。常?jiàn)的異常用電行為由有欠壓法竊電、欠流法竊電、移相法竊電等，這些各種形式的竊電行為是檢測(cè)的首要目標(biāo)。
　　異常行為的辨識(shí)算法有基于密度估計(jì)的方法，基于重構(gòu)的方法和基于支持域的方法等，其中基于支持域方法中的SVDD（Support Vector Data Description

3、）算法以其靈活的數(shù)據(jù)描述能力和出色的推廣能力成為異常檢測(cè)領(lǐng)域的主流技術(shù)。因此本文將SVDD模型應(yīng)用在異常用電行為檢測(cè)中。SVDD算法基本思想是通過(guò)學(xué)習(xí)構(gòu)建一個(gè)超球體，并且要求該超球體盡可能多地包圍正常類樣本。超球構(gòu)建完成后，便可以通過(guò)檢測(cè)新的樣本是在超球內(nèi)部還是外部，來(lái)判定其是否異常。然而，經(jīng)典的SVDD模型在異常用電辨識(shí)的應(yīng)用中，由于用戶用電數(shù)據(jù)具有內(nèi)部分類的特性，導(dǎo)致其構(gòu)建的超球緊度特性不佳，影響了檢測(cè)精度。
　　針對(duì)該問(wèn)題，

4、本文構(gòu)建了改進(jìn)的SVDD異常用電行為辨識(shí)模型。改進(jìn)模型通過(guò)首先對(duì)用戶數(shù)據(jù)進(jìn)行預(yù)分類然后再使用SVDD模型檢測(cè)的方法，很好地解決了因?yàn)橛秒姅?shù)據(jù)分布特性帶給SVDD算法的不良影響。使用的預(yù)分類算法為自適應(yīng)FCM算法，該算法避免了主觀設(shè)定分類數(shù)引起的分類誤差，從而得到了最優(yōu)的分類。在實(shí)例中，結(jié)合了自適應(yīng)FCM算法的改進(jìn)SVDD模型，跟原有SVDD模型相比明顯增加了超球的緊度，表現(xiàn)出了更加優(yōu)良的檢測(cè)性能。通過(guò)改進(jìn)的SVDD異常辨識(shí)模型，可以令供