摘要: 长期以来窃电问题一直困扰着电力企业，它不仅损害了供电企业的合法权益，扰乱了正常的供用电秩序，而且给安全用电带来了威胁。通过机器学习随机森林算法，对电力用电数据进行分析处理，可以预测用户是否存在窃电行为。基于电力数据中用户用电量提取相关特征，提出了一种预测用户是否具有窃电行为的方法。对比多组实验数据，调节特征数量以及算法参数，以提高预测准确率和预测速度。
关键词：数据挖掘 ；用户行为分析；MATLAB；intellij idea；随机森林算法
- 研究的目的与意义
当今世界的科技实力飞速提升，人民生活水平提高，普通用户对日常用电的需求也逐渐增加。相对地，由于有些用户的一时贪念，也越来越多的出现窃电、偷电等异常用电问题。这种贪图利益的行为严重影响了企业对用户的正常供电模式，给企业和社会都造成了不可挽回的经济损失。从相关数据统计来看，因用电异常行为导致的损失已达上千万元。近年来，异常用电的手段从物理上的非法接线方式发展到了利用智能设备的高科技非法用电，方式更隐蔽，手段更专业，规模更庞大，给异常检测工作进一步增大了难度。另一方面，随着电力系统升级，智能电力设备的普及，许多大型国有发电企业已经可以实时收集海量的用户用电行为数据。因此，很多企业和国家都希望能够找到一个更加智能、快捷、高效的方法进行用电异常行为检测，以替代传统异常用电排查模式，用来降低人力物力的成本和时间。
二．国内外的研究概况
较早期的基于用电量的用户行为分析及事件识别办法是确定各个用电异常指标，确定每个异常指标的阈值，并对各个异常指标赋予不同的权重分值，累加后计算每个用户的窃电嫌疑系数。一般的用电异常指标简要来讲分为线损异常和瞬时量异常两类。根据这些异常设计窃电识别模型，通过计算嫌疑系数来识别窃电用户。然而对于这类设备故障及用户用电异常指标的检测，早期多采用的是现场检测方法，即技术人员到用电现场进行排查。这种处理方式极其耗费人力物力资源，效率低、效果差，即使部分地区实现了集中抄表也只能监测到日用电量，而无法获取到计量装置的电压、电流、功率等瞬时量数据。同时，这种方式还存在极大的人为因素，不利于电力行业的管理。
国内外许多专家学者对用户用电行为特征进行了大量研究。谢涛等人针对非法用电行为构建线性方程组数学模型，提出了基于智能电表的分布式检测方法。简富俊等人使用单类SVM无监督机器学习架构对电力用户负荷异常进行检测，在小样本、样本分类不均衡环境下提高检测的准确性。冯晓蒲等人使用典型算法模糊C均值对其进行聚类分析，得到负荷簇和负荷代表曲线，分析了属于各行业和电价类的用户负荷聚类结果。林嘉晖构建了适用于电网企业的用户行为分析系统并实现了部分经典的数据挖掘算法，能够对大量用户数据进行分析，挖掘出其中深层的关联规则，以辅助电网企业的市场营销决策并提高其客户服务水平。
近年来，一些基于数据挖掘技术和智能优化算法的异常检测方法也相继被提出，包括决策树，人工神经网络，负荷模式，SVM，OPF分类以及极限学习机。Cabral 等提出了一种基于粗糙集的基于用电量的用户行为分析事件识别统计方法。Nagi等提出一种基于改进SVM 的异常检测模型，并使用包含知识和专家意见的模糊推理系统。Ramos 等提出一种基于和声搜索算法和OPF 分类的混合特征选择算法，并成功应用到电力系统。Pereira 等提出一种利用电场算法训练多层感知机的人工神经网络方法。随着人工智能和整个科学技术在未来进一步发展，特别是深度神经网络计算的产生与应用，基于用电量的用户行为分析及事件识别将会成为一项长期的研究课题。
三．基于用电量的用户行为分析及事件识别的主要功能
作为一个用于分析用户行为和事件识别的系统的基本功能是使用算法来代替人工完成生活中需要完成的一系列任务，达到智能化。为了保证系统能够长期、安全、稳定、可靠、高效的运行，系统应该满足以下的性能要求。
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
