Page 37 - 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 231

用电检测结果，验证了本文算法在实际用电数据
的检测环境中较其他几种常用算法具有更高的检
测精度和准确率，能够更好地检测出电力企业的
异常用电情况。

3 结语

本文提出了一种基于 STM32 的异常用电行

为检测算法。首先对电力用户初始数据进行了预
处理，获取了完整的电力数据，然后将所有电力数
据分级分区处理，建立异常电力数据分类模型，并
提出了相应的异常用电检测算法。
通过模型预测绝对误差曲线评价异常用电检
测精度，ROC 曲线评价异常用电检测准确度，分别

在不同的聚类簇数下不同检测方法的 D ROC （AUC）
值。试验结果表明，本文所提出的算法在相同条件
下得到的检测效果更好，准确度更高，为电力企业
针对异常用电行为的分析与决策提供了新思路。
参考文献：

［1］ 覃华勤，梁 叶，钱 奇，等 . 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 ，2022，46
.
（6）：58-65.
［2］ 赵 云，肖 勇，曾勇刚，等 . 一种相关性与聚类自适应融
合 技 术 窃 电 检 测 方 法［J］ 南 方 电 网 技 术 ，2021，15（9）：
.
69-74.
［3］ 刘 宣，唐 悦，卢继哲，等 . 基于概率预测的用电采集终
端电量异常在线实时识别方法［J］ 电力系统保护与控制，
.
2021，49（19）：99-106.
［4］ 王 威，王兰君 . 基于用电行为特征大数据的异常用户识
.
别模型研究与应用［J］ 电力大数据，2021，24（12）：19-26.
［5］ 户艳琴，李海明，刘 念，等 . 面向能源互联网终端用户的
图 3 异常用电检测结果 AUC 值
异常数据检测方法［J］ 电力建设，2021，42（10）：19-27.
.
源，分别在不同的聚类簇数下，测试异常用电的检 ［6］ 李国成，陆 俊，王 赟，等 . 基于 Bagging 二次加权集成的
.
测效果。通过图 3 可以看出，聚类簇数 k=5 时的 孤 立 森 林 窃 电 检 测 算 法［J］ 电 力 系 统 自 动 化 ，2022，46
（2）：92-100.
D ROC （AUC）值，明显小于聚类簇数 k=20 或者 k=
［7］ 万 磊，陈 成，黄文杰，等 . 基于 BRB 和 LSTM 网络的电
50时的 D ROC （AUC）值，可见聚类簇数越大，对异常 力大数据用电异常检测方法［J］ 电力建设，2021，42（8）：
.
用电的检测效果越好。同时，对比 4 种不同的检测 38-45.
［8］ 周春雷，董新微，季 良，等 . 基于时域特征检测用户用电
算法，在相同的数据集中，本文提出的基于 STM32
不确定性行为［J］ 科学技术与工程，2021，21（18）：7544-
.
的异常用电检测算法 D ROC （AUC）值明显高于其他
7550.
3种算法，表明本文算法的检测效果更好。 ［9］ 林之岸，刘晟源，金伟超，等 . 基于改进局部离群因子的低
.
通过上海某区域电力用户用电数据实例证明 压用户用电隐患检测方法［J］ 电力系统自动化，2022，46
（1） ：130-138.
了所提出算法的可行性。结合图 2 所得到的模型
［10］ 孙一浩，肖先勇，张文海，等 . 基于伪异常点辨识的关口电
预测绝对误差曲线对比结果和图 3 所得到的异常 能表计量数据异常研究［J］ 电网技术，2021，45（11）：4568-
.