CN113361608A - 一种基于横向对比特征和神经网络的隐蔽窃电检测方法 - Google Patents

一种基于横向对比特征和神经网络的隐蔽窃电检测方法 Download PDF

Info

Publication number
CN113361608A
CN113361608A CN202110636023.1A CN202110636023A CN113361608A CN 113361608 A CN113361608 A CN 113361608A CN 202110636023 A CN202110636023 A CN 202110636023A CN 113361608 A CN113361608 A CN 113361608A
Authority
CN
China
Prior art keywords
neural network
features
extracting
users
power consumption
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202110636023.1A
Other languages
English (en)
Inventor
崔磊
邢宇峰
高飞
王健安
赵志诚
谢刚
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Taiyuan University of Science and Technology
Original Assignee
Taiyuan University of Science and Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Taiyuan University of Science and Technology filed Critical Taiyuan University of Science and Technology
Priority to CN202110636023.1A priority Critical patent/CN113361608A/zh
Publication of CN113361608A publication Critical patent/CN113361608A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/04Architecture, e.g. interconnection topology
    • G06N3/045Combinations of networks
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/21Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/211Selection of the most significant subset of features
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/21Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/24Classification techniques
    • G06F18/241Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供一种基于横向对比特征和神经网络的隐蔽窃电检测方法,包括如下步骤,根据训练集中用户用电量l计算每个社区的用电量为L,基于所得L,提取社区中用户的横向对比特征v,利用神经网络中全连接层进行特征提取,根据横向对比特征v,提取全局特征,根据一维原始用电数据,提取全局特征;根据二维原始用电数据提取用电数据的局部特征;基于提取的用户特征利用串联的方式融合特征向量,输入到神经网络全连接层进行训练,得到用于区分正常用户和异常用户的分类器;基于分类器对测试集进行实时分类。该方法可以检测降低自身电表读数并增加邻居电表读数同时模仿正常消费模式的隐蔽攻击,从而提供一个有效的窃电检测系统保证电力系统安全可靠运行。

Description

一种基于横向对比特征和神经网络的隐蔽窃电检测方法
技术领域
本发明属于窃电检测领域,具体是涉及一种基于横向对比特征和混合深度神经网络的隐蔽窃电检测方法。
背景技术
随着高级计量基础设施(AMI)在居民社区中的普及,电力公司的供电效率、可持续性和可靠性得到了极大的提升。AMI在带来便利的同时也带来了安全风险。电力盗窃一直是电力公司密切关注的问题,它不仅给电力公司造成了巨额的经济损失,甚至给公共安全带来了严重威胁。根据最近的一项调查显示,在2014年,全球公用事业公司每年亏损高达960亿美元,其中电力盗窃为主要原因。恶意用户会通过物理攻击或网络攻击的方式入侵智能电表实施电力盗窃。因此,在广泛部署AMI的同时需要一个有效的窃电检测系统来保证电力系统安全可靠运行。
由于传统的检测方法依靠人工检测,非常费时和昂贵,因此基于电网数据的分析检测方法逐渐取代了传统的检测方法。现有基于电网数据的检测方法大致可以分为两类:基于一致性的方法和数据驱动的方法。基于一致性的方法利用额外的传感器或监控仪表来检测电力系统中的系统电压、电流等数据与潮流计算的一致性,但是安装大量的冗余设备会导致实施和维护成本过高,而数据驱动的方法在成本方面具有一定优势。数据驱动的方法利用机器学习来分析用户用电模式的异常,其中基于分类的算法因费用适中、准确率高而得到了广泛的应用。然而现在窃电检测技术仍存在许多挑战,一个主要的问题是研究所用数据集中攻击样本不足甚至不存在,目前研究中的大多数检测方法仅是基于一些简化的攻击方式来进行实验的。但是在实际应用中会存在许多更为复杂隐蔽的攻击方式,这些根据简化攻击所训练好的检测模型无法有效抵抗新型的隐蔽攻击。
发明内容
本发明的目的是提供一种基于横向对比特征和混合深度神经网络的隐蔽窃电检测方法,该方法可以检测降低自身电表读数并增加邻居电表读数同时模仿正常消费模式的隐蔽攻击,从而提供一个有效的窃电检测系统保证电力系统安全可靠运行。
为实现上述目的,本发明的技术方案是:一种基于横向对比特征和神经网络的隐蔽窃电检测方法,包括如下步骤,
步骤S1,根据训练集中用户用电量l计算每个社区的用电量为L,其中
Figure 841778DEST_PATH_IMAGE001
L为社区用电量,l为社区中单个用户用电量,R为实数矩阵,n为用户个数,m为用电天数;
步骤S2,基于所述步骤S1所得L,提取社区中用户的横向对比特征v,该特征表达式为:
Figure 385017DEST_PATH_IMAGE002
(1)
Figure 853170DEST_PATH_IMAGE003
(2)
其中,l被分成K段,
Figure 373013DEST_PATH_IMAGE004
表示每段时间的序号,
Figure 125068DEST_PATH_IMAGE005
表示每个时间段的长度;
步骤S3,利用神经网络中全连接层进行特征提取,根据步骤S2所述的横向对比特征v,提取全局特征
Figure 760580DEST_PATH_IMAGE006
,根据一维原始用电数据,提取全局特征
Figure 653712DEST_PATH_IMAGE007
;根据二维原始用电数据提取用电数据的局部特征
Figure 914929DEST_PATH_IMAGE008
步骤S4,基于所述步骤S3中提取的用户特征
Figure 209906DEST_PATH_IMAGE009
,利用串联的方式融合特征向量,输入到神经网络全连接层进行训练,得到用于区分正常用户和异常用户的分类器;
步骤S5,基于所述步骤S5训练得到的分类器对测试集进行实时分类。
所述一维原始用电数据为1034天中每个用户每天用电量的数据;所述二维原始用电数据为一维用电数据按周重新排列的数据。
所述分类器训练过程中,利用交叉熵损失函数对混合深度神经网络进行联合训练,优化模型。
现有基于分类的检测方法主要是基于用户用电的消费模式是否正常区分正常用户和恶意用户,而本发明方法一方面根据用户每日耗电值分析用户用电的全局特征和局部特征,对用户的用电数据进行了深度挖掘,不仅分析了用户自身用电数据的特征,而且分析了社区中攻击者与被攻击者之间和被攻击者与被攻击者之间的横向对比特征;另一方面,将广泛用于各种分类任务中的深度卷积神经网络应用到窃电检测中来。本发明既考虑了用户用电数据的深度特征,又充分利用了深度卷积神经网络的良好分类能力。本发明具有操作简单、鲁棒性强、检测进精度高等优点是一种用于智能电网中窃电检测的使用技术。
附图说明
图1是本发明提出的基于深度学习的混合检测模型的流程图。
图2是窃电用户用电数据横向对比特征。
图3是正常用户用电数据横向对比特征。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,以下结合具体实施例,并参照附图,对本发明进一步详细说明。
需要说明的是,在附图或说明书描述中,相似或相同的部分都使用相同的图号。附图中未绘示或描述的实现方式,为所属技术领域中普通技术人员所知的形式。应该指出,所描述的实例仅仅视为说明的目的,而不是对本发明的限制。
如图1所示,一种基于横向对比特征和神经网络的隐蔽窃电检测方法,包括如下步骤,
步骤S1,根据训练集中用户用电量l计算每个社区的用电量为L,其中
Figure 390221DEST_PATH_IMAGE001
L为社区用电量,l为社区中单个用户用电量,n为用户个数,m为用电天数;
步骤S2,基于所述步骤S1所得L,提取社区中用户的横向对比特征v,该特征表达式为:
Figure 82233DEST_PATH_IMAGE002
(1)
Figure 495942DEST_PATH_IMAGE003
(2)
其中,
Figure 957010DEST_PATH_IMAGE010
为社区用电量,
Figure 573805DEST_PATH_IMAGE011
为社区中单个用户用电量,l被分成K段,
Figure 753114DEST_PATH_IMAGE012
表示每段时间的序号,
Figure 716653DEST_PATH_IMAGE005
表示每个时间段的长度;
步骤S3,利用神经网络中全连接层进行特征提取。根据步骤S2所述的横向对比特征v输入到模块1,提取全局特征
Figure 360124DEST_PATH_IMAGE006
,根据一维原始用电数据输入到模块2,提取全局特征
Figure 632973DEST_PATH_IMAGE007
;对输入的一维原始用电数据按周重新排列为二维用电数据,二维用电数据可以较好的适用于卷积神经网络中的卷积核机制,然后根据二维原始用电数据提取用电数据的局部特征
Figure 548846DEST_PATH_IMAGE008
本实施例中如图2和图3所示分别为隐蔽窃电用户和正常用户的横向对比特征,可以观测到窃电行为发生在中间部分。尽管隐蔽窃电用户的用电数据表现为正常模式很难识别,但是通过横向对比特征我们可以捕获社区中用户之间的耗电相关性,用来检测窃电用户。
本实施例中如图1所示采用了三层卷积神经网络,且每个卷积层后面都加了一个池化层用以过滤次要特征,减少计算量。
步骤S4,如图1所示,基于所述步骤S3中提取的用户特征[
Figure 565343DEST_PATH_IMAGE009
,利用串联的方式融合特征向量,输入到神经网络全连接层进行训练,得到用于区分正常用户和异常用户的分类器。
步骤S5,基于所述步骤S5训练得到的分类器对测试集进行实时分类。
本实施例中,我们使用了国家电网发布的数据集,其中包含42372个用户1035天的消费值,每个用户都被标记为窃电或正常用户。我们从中随机选择了19600个用户包括1600名窃电用户和18000名正常用户作为传统攻击的数据集。然后我们选择了另外的20000名正常用户用来生成包含隐蔽攻击的数据集。最后我们将传统攻击的数据集和包含隐蔽攻击的数据集混合,其中80%作为训练集其余作为测试集。表1所示为本发明所提模型与现有检测模型的对比。
表1 本发明中检测模型与其它现有模型对比实验
Figure 751736DEST_PATH_IMAGE014
采用ROC曲线下方面积,准确率,召回率和平均准确率作为模型性能的评估指标,其定义分别为:
Figure 461066DEST_PATH_IMAGE015
, (1)
式中,
Figure 536338DEST_PATH_IMAGE016
表示用户i在预测得分排序中的秩,MN分别为正负样本数。其中得分排序是根据预测为正样本的概率从大到小排序。
Figure 107259DEST_PATH_IMAGE017
(2)
Figure 397426DEST_PATH_IMAGE018
(3)
式中,tp、tn、f p、f n表示真阳性、假阳性、真阴性和假阴性的数量。
Figure 526925DEST_PATH_IMAGE019
(4)
式中,
Figure 902543DEST_PATH_IMAGE020
表示在前
Figure 11575DEST_PATH_IMAGE021
名用户中正样本的数量,r表示序列中前R名用户包含正样本数量。
根据表1,可以得出本发明的检测结果优于对比方法的检测结果,这充分说明本发明所提方法能更充分利用用户的用电特征,提高窃电检测系统的准确性和鲁棒性。
综上所述,本发明提出一种基于深度学习的隐蔽窃电攻击检测方法,该方法采用深度卷积神经网络分类模型,模型中融合了用户用电数据的横向对比特征、全局特征和局部特征,在充分利用神经网络的分类能力的同时,深度挖掘了社区用电数据的相关性,使检测方法可以检测更为隐蔽的窃电攻击方式,提高了检测的准确性和鲁棒性,因而可用于智能电网中电力盗窃的检测。
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施例而已,并不用于限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。

Claims (3)

1.一种基于横向对比特征和神经网络的隐蔽窃电检测方法,其特征在于:包括如下步骤,
步骤S1,根据训练集中用户用电量l计算每个社区的用电量为L,其中
Figure 163145DEST_PATH_IMAGE001
L为社区用电量,l为社区中单个用户用电量,R为实数矩阵,n为用户个数,m为用电天数;
步骤S2,基于所述步骤S1所得L,提取社区中用户的横向对比特征v,该特征表达式为:
Figure 513355DEST_PATH_IMAGE002
(1)
Figure 275774DEST_PATH_IMAGE003
(2)
其中,l被分成K段,
Figure 896505DEST_PATH_IMAGE004
表示每段时间的序号,
Figure 289440DEST_PATH_IMAGE005
表示每个时间段的长度;
步骤S3,利用神经网络中全连接层进行特征提取,根据步骤S2所述的横向对比特征v,提取全局特征
Figure 126946DEST_PATH_IMAGE006
,根据一维原始用电数据,提取全局特征
Figure 630740DEST_PATH_IMAGE007
;根据二维原始用电数据提取用电数据的局部特征
Figure 666829DEST_PATH_IMAGE008
步骤S4,基于所述步骤S3中提取的用户特征
Figure 729200DEST_PATH_IMAGE009
,利用串联的方式融合特征向量,输入到神经网络全连接层进行训练,得到用于区分正常用户和异常用户的分类器;
步骤S5,基于所述步骤S5训练得到的分类器对测试集进行实时分类。
2.根据权利要求1所述的基于横向对比特征和神经网络的隐蔽窃电检测方法,其特征在于:所述一维原始用电数据为1034天中每个用户每天用电量的数据;所述二维原始用电数据为一维用电数据按周重新排列的数据。
3.根据权利要求1所述的基于横向对比特征和神经网络的隐蔽窃电检测方法,其特征在于:所述分类器训练过程中,利用交叉熵损失函数对混合深度神经网络进行联合训练,优化模型。
CN202110636023.1A 2021-06-08 2021-06-08 一种基于横向对比特征和神经网络的隐蔽窃电检测方法 Pending CN113361608A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110636023.1A CN113361608A (zh) 2021-06-08 2021-06-08 一种基于横向对比特征和神经网络的隐蔽窃电检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110636023.1A CN113361608A (zh) 2021-06-08 2021-06-08 一种基于横向对比特征和神经网络的隐蔽窃电检测方法

Publications (1)

Publication Number Publication Date
CN113361608A true CN113361608A (zh) 2021-09-07

Family

ID=77533055

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110636023.1A Pending CN113361608A (zh) 2021-06-08 2021-06-08 一种基于横向对比特征和神经网络的隐蔽窃电检测方法

Country Status (1)

Country Link
CN (1) CN113361608A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114218522A (zh) * 2021-12-02 2022-03-22 清华大学 基于信息传递熵的台区用户贡献度测算方法及窃电排查方法
CN114239725A (zh) * 2021-12-17 2022-03-25 四川大学 一种面向数据投毒攻击的窃电检测方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103187804A (zh) * 2012-12-31 2013-07-03 萧山供电局 一种基于不良电量数据辨识的台区用电监测方法
CN110045182A (zh) * 2019-01-04 2019-07-23 国网浙江省电力有限公司 一种基于阻抗计算的低压台区供电回路异常分析方法
CN110751264A (zh) * 2019-09-19 2020-02-04 清华大学 一种基于正交自编码神经网络的用电模式识别方法
CN111525697A (zh) * 2020-05-09 2020-08-11 西安交通大学 基于电流监测与线路拓扑分析的中低压配电网防窃电方法和系统
CN111967512A (zh) * 2020-08-07 2020-11-20 国网江苏省电力有限公司电力科学研究院 一种异常用电检测方法、系统和存储介质
CN112633412A (zh) * 2021-01-05 2021-04-09 南方电网深圳数字电网研究院有限公司 异常用电检测方法、设备及存储介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103187804A (zh) * 2012-12-31 2013-07-03 萧山供电局 一种基于不良电量数据辨识的台区用电监测方法
CN110045182A (zh) * 2019-01-04 2019-07-23 国网浙江省电力有限公司 一种基于阻抗计算的低压台区供电回路异常分析方法
CN110751264A (zh) * 2019-09-19 2020-02-04 清华大学 一种基于正交自编码神经网络的用电模式识别方法
CN111525697A (zh) * 2020-05-09 2020-08-11 西安交通大学 基于电流监测与线路拓扑分析的中低压配电网防窃电方法和系统
CN111967512A (zh) * 2020-08-07 2020-11-20 国网江苏省电力有限公司电力科学研究院 一种异常用电检测方法、系统和存储介质
CN112633412A (zh) * 2021-01-05 2021-04-09 南方电网深圳数字电网研究院有限公司 异常用电检测方法、设备及存储介质

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
YUFAN ZHANG: "Deep Attention-based Neural Network for Electricity Theft Detection", 《2020 IEEE 11TH INTERNATIONAL CONFERENCE ON SOFTWARE ENGINEERING AND SERVICE SCIENCE (ICSESS)》 *
YUFENG XING: "Non-Technical Losses Detection in Smart Grids: An Ensemble Data-Driven Approach", 《 2020 IEEE 26TH INTERNATIONAL CONFERENCE ON PARALLEL AND DISTRIBUTED SYSTEMS (ICPADS)》 *
ZIBIN ZHENG: "Wide and Deep Convolutional Neural Networks for Electricity-Theft Detection to Secure Smart Grids", 《IEEE TRANSACTIONS ON INDUSTRIAL INFORMATICS ( VOLUME: 14, ISSUE: 4, APRIL 2018)》 *
李桂清: "一种自适应产生超像素个数的道路图像分割算法", 《科学技术与工程》 *
熊霞: "基于台区识别和关联监测加权算法的窃电检测方法", 《计算机应用》 *
胡旻昊: "基于电力营销数据的用户行为特征分析及窃电识别方法研究", 《中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑)》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114218522A (zh) * 2021-12-02 2022-03-22 清华大学 基于信息传递熵的台区用户贡献度测算方法及窃电排查方法
CN114218522B (zh) * 2021-12-02 2024-04-09 清华大学 基于信息传递熵的台区用户贡献度测算方法及窃电排查方法
CN114239725A (zh) * 2021-12-17 2022-03-25 四川大学 一种面向数据投毒攻击的窃电检测方法
CN114239725B (zh) * 2021-12-17 2023-04-21 四川大学 一种面向数据投毒攻击的窃电检测方法

Similar Documents

Publication Publication Date Title
CN107070943B (zh) 基于流量特征图和感知哈希的工业互联网入侵检测方法
Wu et al. A network intrusion detection method based on semantic Re-encoding and deep learning
Javaid et al. An adaptive synthesis to handle imbalanced big data with deep siamese network for electricity theft detection in smart grids
Jongsuebsuk et al. Network intrusion detection with fuzzy genetic algorithm for unknown attacks
CN109858930B (zh) 基于关联图谱表征学习的线上交易欺诈检测方法
CN111901340B (zh) 一种面向能源互联网的入侵检测系统及其方法
CN113361608A (zh) 一种基于横向对比特征和神经网络的隐蔽窃电检测方法
CN110942109A (zh) 一种基于机器学习的pmu防御虚假数据注入攻击方法
CN102291392A (zh) 一种基于Bagging算法的复合式入侵检测方法
Ruan et al. An inertia-based data recovery scheme for false data injection attack
CN113283909B (zh) 一种基于深度学习的以太坊钓鱼账户检测方法
CN113094707B (zh) 一种基于异质图网络的横向移动攻击检测方法及系统
Guo et al. Learning to upgrade internet information security and protection strategy in big data era
Amin et al. Smart grid security enhancement by using belief propagation
Zhang et al. Network traffic anomaly detection based on ML-ESN for power metering system
CN117648652A (zh) 一种基于动态超图卷积神经网络的异常交通状态检测方法
CN116827656A (zh) 网络信息安全防护系统及其方法
CN104504332A (zh) 一种基于二次移动点策略的否定选择入侵检测方法
Zhang et al. A Step-Based Deep Learning Approach for Network Intrusion Detection.
CN102164140A (zh) 基于否定选择和信息增益的入侵检测方法
CN116260565A (zh) 芯片电磁侧信道分析方法、系统及存储介质
CN112804197B (zh) 基于数据还原的电力网络恶意攻击检测方法及系统
CN113542222B (zh) 一种基于双域vae的零日多步威胁识别方法
Abraham et al. Unauthorized Power Usage Detection Using Gradient Boosting Classifier in Disaggregated Smart Meter Home Network
CN112906709A (zh) 一种基于opd-s的信息融合算法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20210907