CN114595952A - 基于注意力网络改进卷积神经网络的窃电行为检测方法 - Google Patents
基于注意力网络改进卷积神经网络的窃电行为检测方法 Download PDFInfo
- Publication number
- CN114595952A CN114595952A CN202210191011.7A CN202210191011A CN114595952A CN 114595952 A CN114595952 A CN 114595952A CN 202210191011 A CN202210191011 A CN 202210191011A CN 114595952 A CN114595952 A CN 114595952A
- Authority
- CN
- China
- Prior art keywords
- electricity
- convolutional neural
- electricity stealing
- neural network
- index
- 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
Links
- 230000005611 electricity Effects 0.000 title claims abstract description 82
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 44
- 238000001514 detection method Methods 0.000 title abstract description 36
- 238000000034 method Methods 0.000 claims abstract description 34
- 238000011156 evaluation Methods 0.000 claims abstract description 18
- 238000012549 training Methods 0.000 claims abstract description 14
- 230000009467 reduction Effects 0.000 claims abstract description 10
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 238000012545 processing Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 150000001875 compounds Chemical class 0.000 claims description 4
- 230000006872 improvement Effects 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 230000003247 decreasing effect Effects 0.000 claims description 2
- 230000007246 mechanism Effects 0.000 abstract description 11
- 230000007423 decrease Effects 0.000 abstract description 9
- 230000006399 behavior Effects 0.000 description 20
- 239000011159 matrix material Substances 0.000 description 6
- 238000011176 pooling Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000002474 experimental method Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 210000003618 cortical neuron Anatomy 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 208000025174 PANDAS Diseases 0.000 description 1
- 208000021155 Paediatric autoimmune neuropsychiatric disorders associated with streptococcal infection Diseases 0.000 description 1
- 240000000220 Panda oleosa Species 0.000 description 1
- 235000016496 Panda oleosa Nutrition 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000003710 cerebral cortex Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000638 stimulation Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- General Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Game Theory and Decision Science (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种基于注意力网络改进卷积神经网络的窃电行为检测方法,包括以下步骤:S1:对用户用电量的原始数据进行预处理;S2:将预处理后的数据建立包含用电量趋势下降指标、线损指标及告警类指标的窃电评价指标体系;S3:将窃电评价指标体系采用注意力网络改进卷积神经网络模型进行训练,以此判断用户是否疑似窃电。本发明通过建立窃电评价指标体系,提取电量趋势下降指标、线损指标以及与其窃电相关的终端报警类指标特征,可减少输入数据维度,更明显表征窃电行为规律;在卷积神经网络模型基础上引入了SKNets自适应注意力机制,使模型聚焦特征表达中更有效的特征通道、并抑制无效的特征通道,提升了模型的检测准确度。
Description
技术领域
本发明涉及电力负荷分析技术领域,具体涉及一种基于注意力网络改进卷积神经网络的窃电行为检测方法。
背景技术
电力传输过程中电力损失不可避免,用户侧的窃电行为是当前造成非技术性损失的主要原因。每年因窃电造成的经济损失不仅在发展中国家影响巨大,在发达国家同样严重,对电力公司来说,会增加电网的运营成本,同时给电网安全运行带来巨大的潜在风险。因此,研究如何对窃电用户准确检测,降低非技术损失,对于电力公司具有重大意义。
传统窃电检测主要利用人工对可疑用户进行稽查,但该方法效率低且人力和时间成本高。随着智能电网的高速发展,基于能源互联网的高级量测体系(Advanced MeteringInfrastructure,AMI)在电网公司逐步建立,同时伴随智能电表大面积应用,可有效利用AMI下的智能电表数据对窃电行为展开研究分析,但现有方法准确率依然不高、检测效率低。
发明内容
本发明的目的是针对现有技术存在的问题,提供一种基于注意力网络改进卷积神经网络的窃电行为检测方法,能够解决现有技术对窃电行为检测精度不够精确的技术问题。具体技术方案如下:
一种基于注意力网络改进卷积神经网络的窃电行为检测方法,包括以下步骤:
S1:对用户用电量的原始数据进行预处理;
S2:将预处理后的数据建立包含用电量趋势下降指标、线损指标及告警类指标的窃电评价指标体系;
S3:将窃电评价指标体系采用注意力网络改进卷积神经网络模型进行训练,以此判断用户是否疑似窃电。
进一步地,所述对用户用电量的原始数据进行预处理包括以下方式中的至少一种:
对原始数据进行过滤;
对离群值进行修复;
对原始数据进行缺失值处理。
进一步地,所述对原始数据进行过滤包括:剔除公用事业大用户的数据以及剔除因节假日用电量明显减少的居民假期用电的数据。
进一步地,所述对离群值进行修复采用的公式为:
式中,xi为某用户在一个周期内的电力消耗值;NaN表示xi为非数值符号或0时的值。
进一步地,所述对原始数据进行缺失值处理采用的公式为:
式中,avg(x)表示平均值,std(x)表示标准差。
进一步地,所述电量趋势下降指标计算步骤为:
设定第i天前后h天为统计窗口期,计算2h+1天内的用电量趋势下降情况,其中第i天用电量趋势为考虑前后h天的用电量斜率为:
若用户用电量趋势不断下降,认定该用户具有窃电嫌疑,计算2h+1天内当天比前一天用电量趋势为递减的天数:
2h+1天内的电量趋势下降指标为:
进一步地,所述线损指标为:
式中,Vi 1为当天与前h天之间的线损率平均值,Vi 2为当天与后h天之间的线损率平均值,若Vi 1比Vi 2的增长率大于1%,则认为具有一定窃电嫌疑;
其中,线损率的计算公式为:
进一步地,所述告警类指标为发生与疑似窃电相关的终端报警次数总和。
进一步地,所述发生与疑似窃电相关的终端报警包括:电压缺相、电压断相、电流反极性、电流不平衡和最大需量复零。
进一步地,所述注意力网络改进卷积神经网络模型表达式为:
P(Y=1|x)=δ(W(x)+b);
其中,Y表示二分类标签,δ(·)为sigmoid激活函数,x分别代表特征值,W表示训练的权值,b为偏置。
与现有技术比,本发明的有益效果是:
本发明通过建立窃电评价指标体系,提取电量趋势下降指标、线损指标以及与其窃电相关的终端报警类指标特征,可减少输入数据维度,更明显表征窃电行为规律;在卷积神经网络模型(CNN)基础上引入了SKNets自适应注意力机制,使模型聚焦特征表达中更有效的特征通道、并抑制无效的特征通道,提升了模型的检测准确度;相比于现有检测方法,本文提出方法的检测精度更高、实用性强,表现出良好的泛化性能,本方法物理概念明确,算法思路清晰,分析计算层次分明且简便,可有效解决对任意用电用户疑似窃电行为的检测问题。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为供电线路与用户的拓扑关系图;
图2为SKNets模型;
图3为本发明的实施流程图;
图4为南方电网数据集详细描述图表;
图5为窃电行为检测中的混淆矩阵图表;
图6为KNets-CNN方法的实验结果;
图7为不同窃电检测方法的实验结果。
具体实施方式
下面结合附图对本公开实施例进行详细描述。
以下通过特定的具体实例说明本公开的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本公开的其他优点与功效。显然,所描述的实施例仅仅是本公开一部分实施例,而不是全部的实施例。本公开还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本公开的精神下进行各种修饰或改变。需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。基于本公开中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本公开保护的范围。
一种基于注意力网络改进卷积神经网络的窃电行为检测方法,包括以下步骤:
步骤一:对用户用电量的原始数据进行预处理。
对用户用电量的原始数据进行预处理包括以下方式中的至少一种:
(1)对原始数据进行过滤。将赘余的数据进行过滤,剔除如银行、学校、政府部门等公用事业大用户;为了分析更合理,过滤因节假日用电量明显减少的居民假期用电数据。
(2)对离群值进行修复。在原始数据中,发现存在一些错误值(即集群值),采用下式对离群值进行修复:
式中,xi为某用户在一个周期内的电力消耗值,一个周期为24小时;NaN表示xi为非数值符号或0时的值。
(3)对原始数据进行缺失值处理。电力部门从计量自动化系统抽取的用电原始用电数据,因为某些原因,如电气部分被损坏、电阻老化、传输和连接错误等,可能会存在缺失值,因此需对数据进行补插值。在此,采用均值方法进行缺失值处理。采用的公式为:
式中,avg(x)表示平均值,std(x)表示标准差。
步骤二:将预处理后的数据建立包含用电量趋势下降指标、线损指标及告警类指标的窃电评价指标体系。
(1)计算用电量趋势下降指标。一般情况下,正常用户用电趋势较为平稳,而窃电用户用电量从特定时刻开始出现明显的持续下降趋势。因此,可统计设定当天前后h天为统计窗口期,考虑该时段内的下降趋势,并使用通过电力的线性曲线拟合获得的斜率作为度量。若斜率随着时间持续下降,则用户成为窃电用户的可能性增加。
计算2h+1天内的用电量趋势下降情况,其中第i天用电量趋势为考虑前后h天的用电量斜率为:
若用户用电量趋势不断下降,认定该用户具有窃电嫌疑,则计算2h+1天内当天比前一天用电量趋势为递减的天数:
2h+1天内的电量趋势下降指标为:
(2)计算线损指标。在实际工程应用中,因企业任务波动、天气变化对办公用电的影响等,仅依靠用电量趋势下降指标容易造成误判,因此考虑增加线路的线损率作为用户线损率的参考值。线损率主要用于衡量供电线路损失的比例,为计算用户所属线路当天的线损率,本发明结合如图1所示线户拓扑关系图进行计算,该条线路上同时供给多个用户,若第l天的线路供电量为sl,线路上各用户总用电量为则线损率的计算公式为:
针对统计当天设定前后h天为统计窗口期,首先分别计算统计当天与前h天之间的线损率平均值Vi 1,和统计当天与后h天之间的线损率平均值Vi 2,若Vi 1比Vi 2的增长率大于1%,则认为具有一定窃电嫌疑,定义线损率指标为:
(3)设定告警类指标的窃电评价指标。为尽可能全面覆盖各类疑似窃电方式,建模样本数据还需考虑在AMI体系下,计量自动化系统出现的与疑似窃电行为相关的终端报警。主要包括:“1”代表电压缺相、“2”代表电压断相、“3”代表电流反极性、“4”代表电流不平衡、“5”代表最大需量复零,综上以计算发生与疑似窃电相关的终端报警次数总和作为告警类指标。
步骤三:将窃电评价指标体系采用注意力网络改进卷积神经网络模型进行训练,以此判断用户是否疑似窃电。
注意力机制的本质在于模仿人类视觉注意力机制,忽略掉上下文不相关的信息,其被广泛应用于自然语言处理里,如机器翻译、问答系统等。在神经网络里,注意力机制常用于通道维度里,从大量的输入信息里筛选出重要的信息然后给这些信息分配不同的权值,并根据对重要区域分配更大权重,占比更大的信息其更能突出关键特征。受人类大脑皮层中皮质神经元可根据受到的刺激动态调整其感受野的启发,在卷积神经网络(Convolutional NeuralNetworks,CNN)引入具有通道注意力机制的动态选择机制网络(Selective KernelNeural Networks,SKNets)以此建立SKNets-CNN模型,其为一种基于卷积核重要性不同的注意力机制,即不同的输入能得到具有不同重要性的卷积核,特征提取网络自动分辨不同特征通道重要程度,增强特征提取网络特性。SKNets采用一种动态选择机制使得每个神经元可根据输入信息的大小和尺度自适应地选择不同的感受野,这样神经网络的泛化性能更佳。SKNets不仅考虑了通道间的权重和不同块的卷积权重,而且结合了软注意力,在此基础上使用了减少参数的技巧。如图2所示为SKNets模型示意图,其网络主要分为三个部分:分裂、融合、选择,具体步骤如下:
(2)融合阶段:合并来自多个分支的信息流,以获得注意力权重的全局表示U。利用门控机制对上一层的输出选择性筛选,使每个分支都带有不同的信息流输入下层网络中的每一个神经元,对于分裂阶段中得到的U1和U2通过元素智能求和得到:
U=U1+U2。
将上述得到的卷积层U后,再采用全局平均池化操作得到sc:
通过全局平均池化层可统计卷积层每个通道携带的信息,然后再对sc特征输出全连接层得到z,得到降低特征维度提高网络效率,则z为:
z=Ffc(s)=δ(β(Ws))。
其中δ为ReLU函数,β为BatchNormalization数据归一化,W∈Rd×C。为了研究d对模型效率的影响,采用减少率r来控制其值:
d=max(C/r,L)。
其中,L表示d的最小值(一般情况下L=32)。
(3)选择阶段:经过融合操作,可自适应得到不同空间尺度的权重信息,则对z进行softmax函数可得到a和b权重通道特征层,分别为:
A,B∈RC×d,a和b分别为U1、U2的软注意力机制,Ac∈R1×d是A的第c行,ac是a的第c个元素。在两个分支的情况下,矩阵B是冗余的,因为a+b=1。则输出最终特征映射V得到各个卷积核注意力权重,表示为:
Vc=ac(U1)c+bc(U2)c,ac+bc=1,其中,V=[V1,V2,V3,…,Vc],Vc∈RH×W。
将训练的模型再通过池化层以及长度为2的全连接层得到CNN component(卷积神经网络部分)。池化层在CNN中用于对数据进行降维、降低信息冗余、控制神经网络的收敛(防止过拟合)。针对用电数据的特征,采用最大值池化(max pooling)操作,即取局部接受域中值最大的点。
将训练得到的模型通过sigmoid函数对用电用户进行分类,从而得出用户是否疑似窃电的结果。SKNets-CNN模型结果作为最终的预测结果:
P(Y=1|x)=δ(W(x)+b);
其中,Y表示二分类标签,δ(·)为sigmoid激活函数,x分别代表特征值,W表示训练的权值,b为偏置。
为了验证本文提出算法的有效性和准确性,模型实验平台基于64位拥有6核的Intel Core i7-8750H 2.20-GHz CPU,使用Python、Numpy、Pandas、TensorFlow和Keras。如图4所示的南方电网数据集详细描述图表,该数据集包含从2009年1月1日至2014年12月31日10291个用户中每天的用电量数据,将数据分为正常数据和窃电数据,并拥有是否窃电的标签(窃电为“1”,正常为“0”)。其中窃电用户占为48.97%。其中窃电用户占为48.97%。
在引入模型评价指标前,先介绍混淆矩阵。窃电行为检测本质上为二元分类问题,当算法完成对用户的分类后,需对检测方法准确性评估,混淆矩阵为衡量方法优劣的重要工具。混淆矩阵将所有被检测用户按照其实际归属和检测归属分为TP,FN,FP和TN这4类,TP和TN为模型检测下正确分类的部分,其比例越高说明检测效果越好。通过图5所示的窃电行为检测中的混淆矩阵图表定义召回率(Recall)及F1值,对应式:
式中,Recall表示在实际为正的样本中被预测为正样本的概率,F1表示使用调和平均结合召回率和精度的指标。
平均精度均值(Mean Average Precision,MAP)用于评估模型检测性能。MAP@N定义为在前N个嫌疑度最高的用户中,检测模型正确识别为窃电用户的平均精度均值,即:
式中,r代表在前N个嫌疑度最高的用户中窃电用户的数量;P@ki定义为:
针对输入项数据样本进行数据划分,随机选取50%、60%、70%以及80%作为训练样本(对应50%、40%、30%以及20%数据作为测试样本),并分别进行四组实验,基于本发明方法在不同训练数据比例的实验结果如图6所示。
由图6可知,本发明基于SKNets-CNN窃电行为检测方法在不同训练数据比例下各种评价指标均表现优异,AUC值达到0.999以上。当训练数据和测试数据比例均为50%下,数据呈现出平衡状态,此时评价指标多数略优于其他训练数据比例,但各种训练数据比例下评价指标结果相差很小,甚至可以忽略,因此本文提出方法表现出良好的泛化性能,能适用于工程实际的复杂电网环境。
为验证本发明基于SKNets-CNN窃电行为检测方法的有效性,分别采用SVM、CART决策树、XGboost、LM神经网络和CNN这5种基于机器学习的检测模型进行比较。本文提出的基于SKNets-CNN窃电行为检测及前述5种基于机器学习方法的输入项包括电量趋势下降指标、线损类指标以及告警类指标,而输出项为窃电标志。针对输入项数据样本进行数据划分,随机选取60%和80%作为训练样本(对应40%和20%数据作为测试样本),并分别进行两组实验,两组实验数据下不同窃电检测方法的实验结果如图7所示。
由图7可知,本发明提出方法在实际电网数据下的各项评价指标均好于其他5种基于机器学习方法,而CNN方法在这5种方法中的大部分指标均优于其他4种方法(如AUC在两组数据下均达到0.9,MAP@100和MAP@200均大于0.929)。当在CNN网络上采用自适应注意力模块(本文采用SKNets模块)后,本文构建的SKNets-CNN型在CNN方法的基础上各项指标均大幅提升,且均达到0.99以上,尤其是MAP@100和MAP@200这两项指标均达到1。
由上述可以看出,本发明提出了一种基于注意力网络改进卷积神经网络(SKNets-CNN)的窃电检测模型,实现了实际电网情况下窃电行为的准确检测,实验结果表明:通过建立窃电评价指标体系,提取电量趋势下降指标、线损指标以及与其窃电相关的终端报警类指标特征,可减少输入数据维度,更明显表征窃电行为规律;在CNN模型基础上引入了SKNets自适应注意力机制,使模型聚焦特征表达中更有效的特征通道、并抑制无效的特征通道,提升了模型的检测准确度。该种基于注意力网络改进卷积神经网络(SKNets-CNN)的窃电检测模型在窃电检测领域明显优于其他的检测模型。相比常用的机器学习方法,本文提出方法的检测精度更高、实用性强,表现出良好的泛化性能,为当前智能电网发现异常用电行为、稽查窃电用户提供准确有效的检测手段,降低企业运营成本,保证电网可靠安全运行。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
以上仅为说明本发明的实施方式,并不用于限制本发明,对于本领域的技术人员来说,凡在本发明的精神和原则之内,不经过创造性劳动所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.基于注意力网络改进卷积神经网络的窃电行为检测方法,其特征在于,包括以下步骤:
S1:对用户用电量的原始数据进行预处理;
S2:将预处理后的数据建立包含用电量趋势下降指标、线损指标及告警类指标的窃电评价指标体系;
S3:将窃电评价指标体系采用注意力网络改进卷积神经网络模型进行训练,以此判断用户是否疑似窃电。
2.根据权利要求1所述的基于注意力网络改进卷积神经网络的窃电行为检测方法,其特征在于,所述对用户用电量的原始数据进行预处理包括以下方式中的至少一种:
对原始数据进行过滤;
对离群值进行修复;
对原始数据进行缺失值处理。
3.根据权利要求2所述的基于注意力网络改进卷积神经网络的窃电行为检测方法,其特征在于,所述对原始数据进行过滤包括:剔除公用事业大用户的数据以及剔除因节假日用电量明显减少的居民假期用电的数据。
8.根据权利要求1所述的基于注意力网络改进卷积神经网络的窃电行为检测方法,其特征在于,所述告警类指标为发生与疑似窃电相关的终端报警次数总和。
9.根据权利要求8所述的基于注意力网络改进卷积神经网络的窃电行为检测方法,其特征在于,所述发生与疑似窃电相关的终端报警包括:电压缺相、电压断相、电流反极性、电流不平衡和最大需量复零。
10.根据权利要求1所述的基于注意力网络改进卷积神经网络的窃电行为检测方法,其特征在于,所述注意力网络改进卷积神经网络模型表达式为:
P(Y=1|x)=δ(W(x)+b);
其中,Y表示二分类标签,δ(·)为sigmoid激活函数,x分别代表特征值,W表示训练的权值,b为偏置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210191011.7A CN114595952A (zh) | 2022-02-25 | 2022-02-25 | 基于注意力网络改进卷积神经网络的窃电行为检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210191011.7A CN114595952A (zh) | 2022-02-25 | 2022-02-25 | 基于注意力网络改进卷积神经网络的窃电行为检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114595952A true CN114595952A (zh) | 2022-06-07 |
Family
ID=81808017
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210191011.7A Pending CN114595952A (zh) | 2022-02-25 | 2022-02-25 | 基于注意力网络改进卷积神经网络的窃电行为检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114595952A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116976707A (zh) * | 2023-09-22 | 2023-10-31 | 安徽融兆智能有限公司 | 基于用电信息采集的用户用电数据异常分析方法及系统 |
-
2022
- 2022-02-25 CN CN202210191011.7A patent/CN114595952A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116976707A (zh) * | 2023-09-22 | 2023-10-31 | 安徽融兆智能有限公司 | 基于用电信息采集的用户用电数据异常分析方法及系统 |
CN116976707B (zh) * | 2023-09-22 | 2023-12-26 | 安徽融兆智能有限公司 | 基于用电信息采集的用户用电数据异常分析方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106650767B (zh) | 基于聚类分析和实时校正的洪水预报方法 | |
CN110852856B (zh) | 一种基于动态网络表征的发票虚开识别方法 | |
CN112098714A (zh) | 一种基于ResNet-LSTM的窃电检测方法及系统 | |
CN107944604A (zh) | 一种用于光伏功率预测的天气类型识别方法和装置 | |
CN110879377B (zh) | 基于深度信念网络的计量装置故障溯源方法 | |
CN108133225A (zh) | 一种基于支持向量机的覆冰闪络故障预警方法 | |
Cheng et al. | Enhanced state estimation and bad data identification in active power distribution networks using photovoltaic power forecasting | |
CN113469266B (zh) | 一种基于改进深度卷积神经网络的窃电行为检测方法 | |
CN109840633A (zh) | 光伏输出功率预测方法、系统和存储介质 | |
CN112464281B (zh) | 基于隐私分组和情感识别的网络信息分析方法 | |
Wang | A stock price prediction method based on BiLSTM and improved transformer | |
Yoon et al. | Deep learning-based method for the robust and efficient fault diagnosis in the electric power system | |
CN114595952A (zh) | 基于注意力网络改进卷积神经网络的窃电行为检测方法 | |
CN113762591B (zh) | 一种基于gru和多核svm对抗学习的短期电量预测方法及系统 | |
CN117674119A (zh) | 电网运行风险评估方法、装置、计算机设备和存储介质 | |
CN113344589A (zh) | 一种基于vaegmm模型的发电企业串谋行为的智能识别方法 | |
CN116776209A (zh) | 一种关口计量装置运行状态辨识方法、系统、设备及介质 | |
CN112232570A (zh) | 一种正向有功总电量预测方法、装置及可读存储介质 | |
CN115952928A (zh) | 一种短期电力负荷预测方法、装置、设备及存储介质 | |
CN115907198A (zh) | 一种长距离供热负荷智能预测系统 | |
CN115081551A (zh) | 基于K-Means聚类和优化RVM线损模型建立方法及系统 | |
Wang et al. | A Novel Multi‐Input AlexNet Prediction Model for Oil and Gas Production | |
Yan et al. | Comparative study of electricity-theft detection based on gradient boosting machine | |
Zhang et al. | An advanced hybrid forecasting system for wind speed point forecasting and interval forecasting | |
CN116756638B (zh) | 电动车用电负荷需求检测方法、装置、设备及存储介质 |
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 |