基于配電物聯(lián)網(wǎng)的反竊電預(yù)警系統(tǒng)研究及應(yīng)用

許小卉 許妙琦 唐冬來 葉鴻飛 朱曉慶

摘? ?要：基于電力物聯(lián)網(wǎng)建設(shè)方向，結(jié)合大數(shù)據(jù)、人工智能深度機器學習技術(shù)，提出了基于配電物聯(lián)網(wǎng)的反竊電預(yù)警系統(tǒng)研究及應(yīng)用。通過配電臺區(qū)"變-線-相-戶"分段、分層的竊電臺區(qū)嫌疑分析，客戶用電負荷曲線的特征分析，精準鎖定竊電嫌疑用戶，提高供電單位竊電預(yù)警能力。首先，采用邊緣物聯(lián)代理技術(shù)采集用電特征數(shù)據(jù)，獲取電表的電氣數(shù)據(jù)及自動拓撲關(guān)系;其次，采用聚類、分層分析建立反竊電預(yù)警模型并結(jié)合專家診斷庫生成竊電嫌疑用戶清單;再其次，警電聯(lián)動應(yīng)用將竊電嫌疑用戶推送至公安偵辦系統(tǒng)，形成警電聯(lián)動體系，最后展望系統(tǒng)擴展對相關(guān)業(yè)務(wù)的支撐，旨在探討電網(wǎng)企業(yè)應(yīng)用反竊電預(yù)警系統(tǒng)的價值。

關(guān)鍵詞：配電物聯(lián)網(wǎng)終端;反竊電預(yù)警;竊電行為辨識

中圖分類號：TP393? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?文獻標示碼：A

文章編號：1003—6199（2020）02—0104—05

Abstract：Based on power iot construction direction，combined with large data depth，artificial intelligence，machine learning technology，put forward the power research and application of the early-warning system based on the distribution of the Internet of things。Through the distribution area " Transformer - line - phase - door" segmented，layered power suspected area analysis，customer characteristic analysis of electricity load curve，precision lock suspected power users，improve the capability of power supply unit power theft warning. Firstly，the edge coupling agent technology is used to collect electricity characteristic data and obtain the electrical data and automatic topological relationship of the electricity meter. Secondly，cluster analysis and stratification analysis are used to establish the early warning model of anti-electricity theft，and the list of suspected users of electricity theft is generated by combining the expert diagnosis database. Secondly，the combined application of alarm and electricity pushes suspected users to the public security investigation system to form a combined system of alarm and electricity. Finally，it looks forward to the support of the system expansion to related businesses，aiming to explore the value of the application of anti-alarm system for power grid enterprises.

Key words：distribution internet of things terminal;early warning against electric larceny;identification of stealing electricity

隨著社會經(jīng)濟發(fā)展與電力的關(guān)系越來越緊密，部分不法分子受經(jīng)濟利益驅(qū)使利用各種手段進行竊電，竊電現(xiàn)象屢禁不止[1]。伴隨著科學技術(shù)的發(fā)展，非接觸型干擾竊電、高頻高壓電源干擾竊電等新型竊電技術(shù)手段日益增多[2]，這些技術(shù)手段不但隱蔽性強，而且查處困難。現(xiàn)階段，反竊電工器具的智能化、信息化程度較低，直接影響反竊電作業(yè)效率和診斷準確度，致使竊電行為甄別與界定變得尤為困難[3]。

目前，竊電現(xiàn)象已是一個全球性的問題，不僅國內(nèi)較普遍，在國外一些發(fā)達國家也普遍存在。據(jù)統(tǒng)計，美國電力公司每年因竊電造成的經(jīng)濟損失大約為50億美元，我國供電企業(yè)因竊電造成的經(jīng)濟損失大約為200億元。竊電行為不僅損害了國家和供電企業(yè)的經(jīng)濟利益，而且擾亂了供用電秩序，嚴重影響了社會經(jīng)濟的正常發(fā)展[4]。同時，竊電還存在著線路短路、人員觸電等較大的安全隱患，影響著電網(wǎng)的安全運行[5]。據(jù)統(tǒng)計，近年來的觸電傷亡事故和火災(zāi)事故中，近25%是由于竊電造成短路而引發(fā)的。這些事故不僅對合法用戶的正常用電產(chǎn)生干擾，同時用戶的人身財產(chǎn)安全也得不到有效的保障。因此，如何精準辨識竊電行為，構(gòu)建快速、及時、高效的警電聯(lián)動反竊電機制等問題亟待解決。

隨著供電企業(yè)用電信息采集系統(tǒng)建設(shè)的逐步完善，文獻[6]中按15分鐘/次的頻率采集專變用戶的三相電流、三相電壓、功率、相位、電表開蓋、停電、復(fù)電等信息，專變用戶竊電的自動監(jiān)測分析已經(jīng)初見成效。文獻[7]但對于公變臺區(qū)的低壓用戶的竊電損耗研究甚少，一方面文獻[8]是因為低壓用戶使用的單相電能表每天只采集一個電量，一天采集一次，只能進行臺區(qū)線損的分析，對線損異常的臺區(qū)，難以精準定位到竊電用戶，需要到現(xiàn)場逐戶排查，工作量大，效率低;另一方面，文獻[9]低壓用戶數(shù)量龐大，用戶竊電量相對較少，監(jiān)測難度較大，長期以來重視程度不夠。雖然單個用戶竊電量較少，但數(shù)目較大，總量依然不可小覷，

上述文獻對反竊電預(yù)警中均未涉及到采用物聯(lián)網(wǎng)技術(shù)進行反竊電預(yù)警研究，隨著配電物聯(lián)網(wǎng)技術(shù)的迅猛發(fā)展，利用邊緣物聯(lián)代理采集低壓單相（三相）智能電表的電壓、電流、功率、功率因數(shù)等數(shù)據(jù)，開展反竊電工作。利用大數(shù)據(jù)技術(shù)、機器學習方法深度挖掘用戶海量用電數(shù)據(jù)，綜合分析線路、臺區(qū)線損數(shù)據(jù)以及居民用戶用電信息，構(gòu)建反竊電模型，精準辨識竊電行為，成為重要研究方向。

1? ?系統(tǒng)概述

基于配電物聯(lián)網(wǎng)技術(shù)的反竊電預(yù)警系統(tǒng)由用電特征數(shù)據(jù)采集、反竊電預(yù)警模型和警電聯(lián)動反竊電應(yīng)用三部分構(gòu)成，一是通過配電物聯(lián)網(wǎng)智能終端以15分鐘/次的頻率采集配電臺區(qū)總表、用戶戶表和分支開關(guān)側(cè)末端終端數(shù)據(jù)，實現(xiàn)了配電臺區(qū)“變-線-相-戶”的拓撲關(guān)系自動識別和電氣及計量數(shù)據(jù)的全采集，聚合與高效傳輸，以支撐反竊電應(yīng)用。二是采用孤立森林[10]及bootstrap抽樣法[11]（自助法）建立反竊電預(yù)警模型，通過“變-線-相-戶”電量、電流等數(shù)據(jù)分析，分級識別嫌疑用戶;三是建立警電聯(lián)動反竊電應(yīng)用，將竊電嫌疑用戶信息發(fā)送給公安機關(guān)，協(xié)助公安機關(guān)開展竊電行為查處，如圖1所示。

1.1? ?用電特征數(shù)據(jù)采集

首先，通過配電物聯(lián)網(wǎng)智能終端采集配電臺區(qū)用電特征數(shù)據(jù)。配電物聯(lián)網(wǎng)智能終端部署在配變側(cè)，是配電臺區(qū)的數(shù)據(jù)集中和計算處理中心，配電物聯(lián)網(wǎng)智能終端采集配電變壓器、臺區(qū)總表、末端終端、用戶智能電表等設(shè)備的數(shù)據(jù)，并進行“變-線-相-戶”關(guān)系自動拓撲、線損等應(yīng)用的邊緣計算;在線路側(cè)，利用末端智能終端采集分支線路側(cè)的電氣、計量數(shù)據(jù)，用于0.4kV線路分段、分層的線損計算;在用戶側(cè)，更換智能電表的本地通信模塊為微功率無線/載波的雙模模塊，用于分鐘級凍結(jié)電量、電流、功率等增量數(shù)據(jù)的高速本地傳輸;配電物聯(lián)網(wǎng)終端利用邊緣代理技術(shù)將本地匯集數(shù)據(jù)高速傳輸給反竊電預(yù)警模型，如圖2所示。

其次，通過配電物聯(lián)網(wǎng)智能終端和末端智能終端、智能電表的載波組網(wǎng)鏈路關(guān)系進行自動拓撲，通過“識別信號發(fā)送”、“戶表載波注冊”、“拓撲關(guān)系生成”自動獲得配電變壓器-0.4kV線路-相位-用戶的“變-線-相-戶”拓撲關(guān)系，在識別信號發(fā)送步驟中，安裝在臺區(qū)側(cè)的終端在已知相位上分別廣播發(fā)送HPLC臺區(qū)識別信號，識別信號包含時間戳及相位信息，在戶表載波注冊步驟中，戶表經(jīng)過零點時間檢測，識別相位后，通過HPLC向臺區(qū)智能終端主動注冊;在拓撲生成步驟中，臺區(qū)側(cè)智能終端通過高速載波輪詢已注冊的低壓戶表，并形“變-線-相-戶”關(guān)系，以支撐配電臺區(qū)分層、分級的線損計算。

然后，利用配電臺區(qū)末端終端、智能電表的小時電壓分布序列的樣本數(shù)據(jù)相關(guān)性分析算法，按天對末端終端、智能電表的電壓數(shù)據(jù)進行相關(guān)系數(shù)計算，得出一天內(nèi)所有末端終端、電表的小時電壓曲線之間的相關(guān)系數(shù)矩陣，如圖3所示。白色區(qū)域為相關(guān)系數(shù)高的區(qū)域，表面該區(qū)域的電表都屬于此配電變壓器，紅色區(qū)域的相關(guān)系數(shù)較低，表明紅色區(qū)域的智能電表在實際的拓撲結(jié)構(gòu)中可能是連接在其他變壓器下的。通過小時電壓分布序列精準校驗可以獲得準確的“變-線-相-戶”關(guān)系，解決工頻載波共用零線臺區(qū)串擾、高速載波識別邊緣用戶成功率低的問題。

最后，將配電物聯(lián)網(wǎng)智能終端采集配電臺區(qū)用電特征數(shù)據(jù)按照“變-線-相-戶”的拓撲關(guān)系結(jié)構(gòu)放置在反竊電預(yù)警模型的實時數(shù)據(jù)庫中。

1.2? ?反竊電預(yù)警模型

反竊電預(yù)警模型分為用電特征數(shù)據(jù)預(yù)處理、臺區(qū)線損計算和竊電分析三部分，如圖4所示。

首先，數(shù)據(jù)預(yù)處理進行用電特征數(shù)據(jù)清洗，配電物聯(lián)網(wǎng)智能終端以15分鐘/次的頻率采集的末端智能終端、用戶智能電表的海量數(shù)據(jù)受到噪聲數(shù)據(jù)、缺失數(shù)據(jù)的干擾。導致數(shù)據(jù)異常的情況還有數(shù)據(jù)傳輸錯誤、采集成功率低、測量不準確等，因此，用電特征數(shù)據(jù)中難免會出現(xiàn)0、缺失數(shù)據(jù)或正常范圍外的數(shù)據(jù)。因異常數(shù)據(jù)對于模型的建立有著很大的影響，所以，首先對海量用電特征數(shù)據(jù)進行有效的清洗。

數(shù)據(jù)清洗通過機器學習技術(shù)[12]，對海量用電特征數(shù)據(jù)中不符合要求的數(shù)據(jù)進行替換、剔除等，以確保對用戶的用電行為進行準確分析。

其次，通過高速載波（HPLC）技術(shù)進行0.4 kV線路理論線損分析，0.4 KV低壓配電網(wǎng)由于供電方式復(fù)雜，供電出線回路不同，沿線負荷分布沒有嚴格規(guī)律，各相負荷分配不平衡，本應(yīng)用采用改進等值電阻法計算理論線損，以獲得準確度較高的理論線損值，理論線損值計算公式如下所示：

N為配電變壓器低壓側(cè)出口結(jié)構(gòu)系數(shù)，單相兩線制取2，三相三線制取3，三相四線制取3.5;Ipj為平均電流（A）;K為配電變壓器出口負荷曲線形狀系數(shù)，根據(jù)負荷率和最小負荷率計算。理論線損計算完畢后，與實際線損進行比較，生成分鐘級線損偏差曲線。

再其次，構(gòu)建臺區(qū)竊電辨識模型，以聚類算法對臺區(qū)竊電指標集進行聚類分析，找出有竊電嫌疑用戶的臺區(qū)。配電臺區(qū)若正常運行，臺區(qū)總線損、相線損、分段線損均處于一個比較穩(wěn)定的區(qū)間。臺區(qū)若出現(xiàn)竊電嫌疑用戶，就會造成線損的突變，竊電嫌疑用戶采用表前接電，就會造成相-戶電流不平衡;竊電嫌疑用戶采用移相法竊電，會導致臺區(qū)電壓、電流相位異常和功率因數(shù)異常波動[13]，通過臺區(qū)側(cè)的用電特征分析，可判斷該臺區(qū)是否存在竊電嫌疑用戶。

聚類算法將臺區(qū)總線損、相線損、分段線損、相-戶電壓、相-戶電流、相-戶功率因數(shù)構(gòu)建一個隸屬度矩陣，隸屬度表示一個對象隸屬于集合的程度，例如用戶電表電流x，屬于集合相電流A，記作u，其取值范圍是：[0，1]，u=1表示完全屬于集合A。設(shè)數(shù)據(jù)集X={x1，x2，…，xn}，將其劃分為c個簇，V={v1，v2，…，vn}表示聚類中心，聚類計算公式如下：

m為模糊加權(quán)指數(shù)，μij為第i個樣本隸屬于第j個簇的隸屬度，dij為第i個樣本與第j個簇的中心的距離。距離簇的中心的距離越近，則竊電嫌疑越大。

最后，構(gòu)建用戶竊電辨識模型，用戶常用的竊電手法有欠流法、欠壓法、移相法、無表法、高頻儀干擾等，不同的竊電手段會導致用戶不同的電氣參數(shù)發(fā)生異變，本應(yīng)用采用電壓不平衡、電流不平衡、日負荷特征曲線、功率因數(shù)不平衡率等特征指標構(gòu)建用戶竊電指標集，在構(gòu)建典型日負荷特征曲線方面，設(shè)某用戶第i天的負荷曲線數(shù)據(jù)為

一共獲取了n天的歷史數(shù)據(jù)，計算i天在時間點j的負荷權(quán)重，通過對相同時間點的負荷值進行加權(quán)平均就可以得到該用戶典型的日負荷曲線。

在用戶典型的日負荷曲線的基礎(chǔ)上，考慮所選電氣指標對于竊電嫌疑分析重要性不同，本應(yīng)用采用層次分析法（AHP）計算各指標權(quán)重[14]，按照電壓不平衡率、電流不平衡率、功率因數(shù)不平衡率、日負荷曲線異常率、電量同比結(jié)構(gòu)建立遞階層次結(jié)構(gòu)模型，其次對五個層次中的各級指標進行比較，構(gòu)建構(gòu)建判斷矩陣，再其次，通過矩陣一致性檢驗，計算最大特征值，計算公式為：

CI為竊電矩陣最大特征值，并與專家知識庫的相對重要程度指標進行優(yōu)化調(diào)整，從而輸出分級的竊電用戶清單。

1.3? ?警電聯(lián)動反竊電應(yīng)用

根據(jù)可靈活定制的反竊電專家策略和用戶行為軌跡分析用電異常情況進行綜合診斷，如具備竊電行為特征，將設(shè)為終端竊電嫌疑戶，由系統(tǒng)生成詳細的異常診斷報告書后發(fā)送至公安偵辦系統(tǒng)及相關(guān)辦案人員手機，辦案人員可根據(jù)診斷結(jié)論進行現(xiàn)場查證，最后，將查證結(jié)果反饋到案例庫，通過大數(shù)據(jù)技術(shù)訓練案例分析功能，持續(xù)改進用電異常屬性及判定策略。

2? ?系統(tǒng)應(yīng)用關(guān)鍵點

2.1? ?采用配網(wǎng)物聯(lián)網(wǎng)技術(shù)，改進采集模式，擴展電表采集數(shù)據(jù)類型及頻度

反竊電預(yù)警系統(tǒng)要求分鐘級采集智能電表的電流、電壓、電量凍結(jié)數(shù)據(jù)，而目前用電信息采集系統(tǒng)使用窄帶載波技術(shù)和輪詢的方式采集智能電表數(shù)據(jù)，數(shù)據(jù)采集效率低，速度慢，實現(xiàn)數(shù)據(jù)實時召側(cè)困難。以400戶的配電臺區(qū)為例，僅采集用戶電表電量一個數(shù)據(jù)項就需要2小時以上，已不滿足反竊電應(yīng)用分析需要。配電物聯(lián)網(wǎng)智能終端采用邊緣代理技術(shù)和高速載波（HPLC）/微功率無線雙模技術(shù)，多并發(fā)的采集用戶電表的分鐘級電流、電壓、電量等凍結(jié)數(shù)據(jù)[15]，突破了傳統(tǒng)用電信息采集技術(shù)輪序周期長、適應(yīng)性差的問題，為反竊電預(yù)警提供了有力的數(shù)據(jù)支撐。

2.2? ?采用“變-線-相-戶”關(guān)系自動識別技術(shù)，實現(xiàn)竊電行為分層、分段判斷

配電物聯(lián)網(wǎng)智能終端采用邊緣代理技術(shù)與安裝在分支線路側(cè)的末端終端進行通信，生成變線拓撲關(guān)系;配電物聯(lián)網(wǎng)智能終端采用過零點相位識別技術(shù)，識別線路的三相及每相下掛接的用戶智能電表，完成“變-線-相-戶”關(guān)系的自動拓撲。實現(xiàn)了竊電行為分析分段、分層的計算和縮小竊電用戶的查找范圍。

2.3? ?采用聚類和層次分析法建立反竊電專家診斷庫，大幅提高竊電辨識準確性

采用FCM聚類算法對臺區(qū)竊電指標集進行聚類，在海量采集用戶的電流、電量等數(shù)據(jù)中不斷縮小異常臺區(qū)的范圍，避免全量數(shù)據(jù)進行建模分析，減少離群點檢測出的孤立森林算法對反竊電模型辨識精度的影響。在用戶負荷曲線分類中，對多個用戶的負荷曲線進行聚類，利用層次分析法（AHP）計算各指標權(quán)重，得出各樣本的竊電嫌疑指數(shù)，實現(xiàn)重大嫌疑、較大嫌疑、輕微嫌疑、無嫌疑四類用戶的判定，大幅提高了用戶竊電辨識的準確性，經(jīng)應(yīng)用驗證，竊電嫌疑判斷準確率由40%提高至95%，并輔助開展竊電損失定量。

2.4? ?建立警電聯(lián)動體系，提高竊電案件查處效率

貫通供電公司與公安機關(guān)的反竊電數(shù)據(jù)共享渠道，進一步強化防范和打擊涉電違法犯罪行為。在反竊電預(yù)警模型輸出的分級的竊電用戶清單后，將重點竊電嫌疑用戶通過接口的方式推送給公安偵辦系統(tǒng)，建立供電公司、公安機關(guān)的警電聯(lián)動反竊電體系，建立公安機關(guān)與供電公司聯(lián)勤機制、協(xié)調(diào)機制，形成竊電查處督辦事件，從而營造良好的供用電秩序和安全穩(wěn)定的電網(wǎng)運行環(huán)境，確保反竊電案件查處專項工作順利開展。

3? ?系統(tǒng)應(yīng)用展望

基于配電物聯(lián)網(wǎng)的反竊電預(yù)警系統(tǒng)建設(shè)改變了傳統(tǒng)反竊電排查方式，有效結(jié)合及借鑒國內(nèi)各供電公司反竊電工作知識庫，建立反竊電查處體系和警電聯(lián)動體系，形成統(tǒng)一反竊電管理機制，提高供電公司反竊電工作的管理水平;從原來大范圍摸索發(fā)現(xiàn)用戶不規(guī)范用電行為轉(zhuǎn)變?yōu)閷τ脩暨M行精準定位核查，由原來滯后異常響應(yīng)轉(zhuǎn)變?yōu)榭商崆胺治鲱A(yù)測的監(jiān)督管理機制。

開展基于配電物聯(lián)網(wǎng)的反竊電預(yù)警系統(tǒng)項目建設(shè)能夠有效地避免目前竊電行為給供電公司帶來的直接經(jīng)濟損失;能夠大幅度減少嫌疑用戶定位的數(shù)據(jù)分析工作，提升現(xiàn)場營銷稽查工作人員和公安機關(guān)的工作效率與精準度，從而減輕巡檢工作量，節(jié)約人力成本，提高供電公司效益。通過建立反竊電預(yù)警模型，為供電公司逐步加強反竊電工作提供了新的拓展，保障供用電雙方的經(jīng)濟利益得以提高。

4? ?結(jié)? ?論

基于配電物聯(lián)網(wǎng)的反竊電預(yù)警系統(tǒng)是國家電網(wǎng)公司“三型兩網(wǎng)”在電力物聯(lián)網(wǎng)配電臺區(qū)營銷稽查與反竊電預(yù)警管理目標的具體落實，開展大數(shù)據(jù)、人工智能深度機器學習等新技術(shù)的應(yīng)用落地，使國家電網(wǎng)公司反竊電工作實現(xiàn)智能化，從數(shù)據(jù)本身挖掘?qū)ζ髽I(yè)有價值的信息，以創(chuàng)新性的數(shù)據(jù)視角審視業(yè)務(wù)痛點，促進大數(shù)據(jù)、人工智能在電力行業(yè)的應(yīng)用。反竊電預(yù)警系統(tǒng)需要結(jié)合規(guī)章制度循序漸進，結(jié)合大數(shù)據(jù)、人工智能等技術(shù)的應(yīng)用，轉(zhuǎn)變工作方式，有效提升各級供電單位對竊電行為發(fā)生的預(yù)警能力，從而降低配電線損率，提高安全生產(chǎn)保障能力。

參考文獻

[1]? ? 黃朝凱，林銳濤，姚偉智，等. 基于準實時數(shù)據(jù)的反竊電在線監(jiān)測及診斷分析模型的研究[J]. 電子設(shè)計工程，2015，23（14）：155-159.

[2]? ? 張志，代燕杰，李琮琮，等. 高壓電擊干擾對智能電能表的影響研究[J]. 電測與儀表，2016，53（13）：70-74.

[3]? ? 黃令忠，李炳要，侯玉. 基于模擬技術(shù)的多用戶竊電甄別研究[J]. 信息系統(tǒng)工程，2019，（02）：136-138.

[4]? ? 竇健，劉宣，盧繼哲，等. 基于用電信息采集大數(shù)據(jù)的防竊電方法研究[J]. 電測與儀表，2018，55（21）：43-49.

[5]? ? 何國家，黃貴海，蔡慎軍，等. “智慧用電”——電氣火災(zāi)隱患排查治理新模式[J]. 中國安全生產(chǎn)，2017，（09）：34-36.

[6]? ? 趙俊鵬，呂孟玉，張洋瑞，等. 基于用電信息采集系統(tǒng)的反竊電風險評估研究與應(yīng)用[J] .河北電力技術(shù)，2019，38（01）：24-25.

[7]? ? 青志明，張宏艷，傅望，等. 基于電表數(shù)據(jù)的反竊電精準取證裝置研制[J]. 重慶工商大學學報（自然科學版），2018，35（05）：99-105.

[8]? ? 韓海安，弓俊才，郭易鑫，等. 基于采集大數(shù)據(jù)的智能應(yīng)用研究[J]. 山西電力，2018，（02） ：69-72.

[9]? ? 李端超，王松，黃太貴，等. 基于大數(shù)據(jù)平臺的電網(wǎng)線損與竊電預(yù)警分析關(guān)鍵技術(shù)[J]. 電力系統(tǒng)保護與控制，2018，46（5）：143-151.

[10]? 余翔，陳國洪，李霆，等. 基于孤立森林算法的用電數(shù)據(jù)異常檢測研究[J]. 信息技術(shù)，2018，（12）：88-92.

[11]? 呂書龍，劉文麗.基于Bootstrap思想的非參數(shù)檢驗p值的估計方法[J]. 福州大學學報（自然科學版），2018，46（01）：20-26.

[12]? 郝爽，李國良，馮建華，等. 結(jié)構(gòu)化數(shù)據(jù)清洗技術(shù)綜述[J]. 清華大學學報（自然科學版），2018，58（12）：1037-1050.

[13]? 簡富俊，曹敏，王磊，等. 基于SVM的AMI環(huán)境下用電異常檢測研究[J]. 電測與儀表，2014，（6）：64-69.

[14]? 劉盛，朱翠艷. 應(yīng)用數(shù)據(jù)挖掘技術(shù)構(gòu)建反竊電管理系統(tǒng)的研究[J]. 中國電力，2017，50（10）：181-184.

[15]? 呂軍，欒文鵬，劉日亮，等. 基于全面感知和軟件定義的配電物聯(lián)網(wǎng)體系架構(gòu)[J]. 電網(wǎng)技術(shù)，2018，42（10）：3108-3115.