一种检测和优先规范挂钩式非技术性损耗的地理空间方法

《Electric Power Systems Research》:A geospatial approach to detect and prioritize regularization of hook-based non-technical losses

【字体: 大 中 小 】 时间:2026年01月30日 来源:Electric Power Systems Research 4.3

编辑推荐:

  非法电力连接是非技术性损耗(NTL)的主要来源,尤其是在缺乏先进计量基础设施(AMI)的地区。这些连接增加了运营成本,降低了电网可靠性,并将经济负担转嫁给普通用户。研究人员提出了一种建筑级混合地理空间方法,用于检测和优先规范由挂钩式窃电引起的潜在秘密连接(PC

  
非法电力连接是非技术性损耗(NTL)的主要来源,尤其是在缺乏先进计量基础设施(AMI)的地区。这些连接增加了运营成本,降低了电网可靠性,并将经济负担转嫁给普通用户。研究人员提出了一种建筑级混合地理空间方法,用于检测和优先规范由挂钩式窃电引起的潜在秘密连接(PCC)。该方法结合了卫星图像、地理空间过滤、计算机视觉和人在环(HITL)验证,以识别和聚类不规则建筑,并基于其规范化的财务回报进行优先排序。使用巴西帕拉州的真实数据验证,该方法在超过10,000个检查点实现了平均83.05%的准确率,区域峰值达到94.%。DBSCAN等聚类算法根据地理和财务特征有效地对非法连接进行分组,从而更有效地分配现场操作。该框架可适应不同场景,支持大规模、数据驱动的非技术性损耗(NTL)缓解,改善收入恢复、电网安全和电价公平。
论文解读文章

**研究背景与问题**
非技术性损耗(NTL)是全球电力公司面临的重大挑战,尤其在缺乏先进计量基础设施(AMI)的地区,挂钩式窃电(直接连接电网)成为主要来源。这些非法连接不仅增加运营成本、降低电网可靠性,还将经济负担通过电价转嫁给普通用户。巴西国家电力局(ANEEL)在2024年报告了40.2 TWh的NTL,估计损失达19.6亿美元。在巴西广袤地区,由于计量基础设施有限,传统检测方法(如客户投诉和现场检查)缓慢且成本高昂。现有方法包括基于硬件(如专用监控设备)或人工智能(AI)的方案,但前者成本高,后者依赖训练数据且缺乏优先排序策略,难以指导大规模规范化行动。因此,研究人员提出一种混合地理空间方法,旨在检测和优先规范挂钩式窃电引起的潜在秘密连接(PCC),以提升收入恢复、电网安全和电价公平性。该论文发表在《Electric Power Systems Research》。

**研究开展与结论**
研究人员开发了一种三阶段混合方法,结合卫星图像、计算机视觉(CV)、地理空间处理、启发式规则、人在环(HITL)验证和机器学习(ML)聚类,用于识别和优先规范PCC。该方法在巴西帕拉州电力公司的实际数据上验证,覆盖超过10,000个现场检查点,平均准确率达83.05%,区域峰值达94.%。通过聚类算法(如DBSCAN和Mini-Batch K-Means)基于地理和财务特征(如内部收益率IRR)对PCC分组,有效指导现场操作分配。结论表明,该方法可扩展、适应不同场景,显著减少NTL,提升电网安全,并促进电价公平。

**主要关键技术方法**
研究人员采用以下关键技术方法:
1. **YOLOv8深度学习模型**:用于从卫星图像(50 cm/pixel RGB GeoTIFF格式)中提取建筑足迹,基于公开数据集(Buildings Instance Segmentation Dataset v2)在16,000个标注样本上微调,数据增强包括翻转、旋转、剪切、裁剪、颜色调整和遮挡。
2. **地理空间过滤**:结合建筑质心、计量设备位置和中压(MV)网络数据,通过距离阈值(α和β)和屋顶面积(τ)启发式规则筛选PCC,并按农村/非农村区域区分参数。
3. **人在环(HITL)验证**:包括质量分析师(QA)手动检查卫星图像和网络数据以修正误分类,随后进行现场检查(随机抽样,置信水平99%,误差2%),最终统计评估准确性。
4. **聚类算法**:评估密度类(DBSCAN、HDBSCAN)和分区类(K-Means、Mini-Batch K-Means、高斯混合模型GMM)算法,基于轮廓系数优化参数,并结合内部收益率(IRR)计算进行优先排序。样本队列来源:巴西帕拉州电力公司的实际数据,包括五个区域(东北、北、南、西、中心)。

**研究结果**
**3.1 Stage 1: 识别潜在秘密连接**
通过Google Open Buildings数据集(约487万建筑多边形)和YOLOv8模型(在扩展区域补充检测)提取建筑足迹。YOLOv8在30%置信度阈值下达到最佳平衡(F1-score=0.93,准确率=0.87)。地理空间过滤后,全州共识别279,257个潜在PCC(276,144来自Open Buildings,3,113来自YOLOv8模型),其中东北和南部区域数量最多。

**3.2 Stage 2: 优化潜在目标**
质量分析师(QA)通过手动检查卫星图像和网络数据,将PCC减少至171,950个(来自Open Buildings的168,837个和YOLOv8模型的3,113个)。现场验证在10,115个目标上进行,平均准确率为83.05%,其中西部区域准确率最高(95.02%),中心区域最低(60.65%)。此阶段通过HITL减少了误报和漏报。

**3.3 Stage 3: 聚类方法与优先排序计算**
对96,000个QA优化后的PCC进行聚类比较。DBSCAN在南部区域达到最高IRR(0.11131),但产生的簇数较少(2-15个),且许多点被归为离群值。Mini-Batch K-Means在东北部区域表现最佳(IRR=0.095),且运行时间短(10.05秒),能完整分配所有PCC。与专家定义的地面真值相比,分区类算法(如K-Means和Mini-Batch K-Means)的相似度指标(V-measure、NMI)优于密度类算法。DBSCAN适用于可忽略离群值的密度聚焦场景,而Mini-Batch K-Means在需要完整数据覆盖时更有效。

**讨论与结论**
讨论部分指出,该方法通过集成地理空间处理、计算机视觉和机器学习,成功解决了挂钩式窃电检测和优先排序问题,克服了传统现场检查成本高、数据有限等挑战。HITL验证提升了自动检测的准确性,现场验证(平均83.05%准确率)证实了大规模有效性。自动聚类基于IRR优化了检查路线,提高了效率。然而,YOLOv8模型在高置信度阈值下召回率下降(0.76),处理高分辨率图像计算成本高,且方法难以检测垂直建筑中的PCC。此外,算法依赖专业分析师,通用聚类忽略了地理细节(如街道网格)。未来需改进神经网络架构、减少人力依赖并增强垂直建筑检测能力。

**结论部分翻译**:
研究人员提出了一种混合方法,集成地理空间处理和机器学习,用于检测挂钩式PCC并优先排序规范化行动。总之,该方法结合卫星图像、微调后的YOLOv8模型和启发式地理空间过滤,随后通过HITL和现场验证,在10,000次检查中实现83%的准确率,在大型真实场景中展现出强大性能和鲁棒性。它支持个体和群体层面的决策,超越了现有相关工作。基于IRR的自动聚类和优先排序优化了规范化规划,降低了成本,提高了效率。实施该方法直接促进电价公平,通过减少NTL限制成本转嫁;同时提升电网安全性和可靠性,并改善公共安全。未来工作包括评估新型神经网络架构以提高检测精度和效率,验证方法在不同区域的可扩展性,并增强垂直建筑PCC检测能力。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号