CN118037316A - 一种基于负荷自适应的异常用电识别方法 - Google Patents
一种基于负荷自适应的异常用电识别方法 Download PDFInfo
- Publication number
- CN118037316A CN118037316A CN202410306694.5A CN202410306694A CN118037316A CN 118037316 A CN118037316 A CN 118037316A CN 202410306694 A CN202410306694 A CN 202410306694A CN 118037316 A CN118037316 A CN 118037316A
- Authority
- CN
- China
- Prior art keywords
- abnormal electricity
- domain
- user
- classifier
- load
- 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 117
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 100
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000012549 training Methods 0.000 claims abstract description 28
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 17
- 238000013528 artificial neural network Methods 0.000 claims abstract description 9
- 238000004519 manufacturing process Methods 0.000 claims abstract description 8
- 238000013527 convolutional neural network Methods 0.000 claims description 6
- 230000003044 adaptive effect Effects 0.000 description 5
- 238000001514 detection method Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于负荷自适应的异常用电识别方法,包括:指定高线损供电台区范围,制定用户网络拓扑;提取指定台区用户历史用电数据和历史查验结果,结合网络拓扑,制作有标注的源域训练数据集;提取指定台区用户当前月份的用电数据,结合网络拓扑,制作无标注的目标域训练数据集;以负荷自适应算法,训练确定适应当月负荷特点的神经网络分类器参数;根据获得的神经网络参数,输入待识别用户用电数据及网络拓扑,计算出待识别用户异常用电嫌疑度;根据实际情况,针对高嫌疑度用户采取现场查验。本方案提升了不同负荷场景下的异常用电识别准确率,以及供电网络的安全性和稳定性。
Description
技术领域
本发明涉及电力系统防异常用电技术领域,尤其涉及一种基于负荷自适应的异常用电识别方法。
背景技术
异常用电活动已经演变成电网运营中的一宗棘手难题,它对国家的电力供应体系带来了不容忽视的经济负担,并对电力供应的稳定性和可靠性构成了切实的风险。由于技术手段的不断革新,非法异常用电的方法越来越高科技、隐蔽,导致检测这些行为的难度显著增加。尽管目前采用的异常用电检测手段能在一定程度上识别出异常用电模式,但它们仍旧受到误报率高等问题的困扰,这催生了对于更为高效、准确的异常用电检测技术的需求。
目前的异常用电侦测流程通常基于电力数据采集和营销系统所提供的信息,通过分析电力用户的用电行为,尤其是失压、失流等异常现象,来识别可能存在的异常用电情况,并对可疑的用电户加以标记。此后,相关部门会进行现场核实以确认异常用电行为。这一基于传统数据分析的方法不仅耗时耗力,而且在准确性上也面临诸多挑战。另外,这种方法通常采用固定的报警阈值,并未能充分挖掘和利用用电数据,尤其是在面对多变的负荷条件时,其识别效果更是不尽人意。
鉴于此,近些年来,人们开始转向应用基于机器学习的技术来增强异常用电识别的能力,以期通过这些先进的数据分析技术来提高准确率并减轻工作人员的负担。这些技术中,一些研究者选择基于大量的历史用电数据来训练复杂的非线性模型,例如支持向量机,以期能更准确地进行异常用电的预测和识别。其他研究者则探索结合电力负荷的特征,利用统计学方法和机器学习算法如贝叶斯网络和随机森林,甚至是深度学习方法如一维卷积神经网络来提升异常用电的识别率。然而,即使是这些基于机器学习的方法,在不同电力负荷条件下,也面临着无法保持高准确率的挑战,显示出在实际应用中的限制和需要改进的空间。
发明内容
基于上述问题以及现有技术缺陷,本发明提出了一种基于负荷自适应的异常用电识别方法,实现在不同负荷条件下对异常用电的准确识别,具体技术方案如下。
一种基于负荷自适应的异常用电识别方法,包括以下步骤:
步骤S1:指定高线损供电台区范围,制定用户网络拓扑;
步骤S2:提取指定台区用户历史用电数据和历史查验结果,结合网络拓扑,制作有标注的源域训练数据集;
步骤S3:提取指定台区用户当前月份的用电数据,结合网络拓扑,制作无标注的目标域训练数据集;
步骤S4:以负荷自适应算法,训练确定适应当月负荷特点的神经网络分类器参数;
步骤S5:根据获得的神经网络参数,输入待识别用户用电数据及网络拓扑,计算出待识别用户异常用电嫌疑度;
步骤S6:根据实际情况,针对高嫌疑度用户采取现场查验。
进一步,所述步骤S2具体包括:按照预设的比例,将正常用电用户和异常用电用户数据组成有标注源域训练数据集;在组成的有标注源域训练数据集中,异常用电用户的异常用电嫌疑度标注为1,正常用户的异常用电嫌疑度标注为0。
进一步,所述源域训练数据集的域标注为0,所述目标域训练数据集的域标注为1。
进一步,所述步骤S4负荷自适应算法基于对抗学习,通过反转梯度实现对不同负荷特点数据的对齐,包括前向传播步骤和反向传播步骤,所述前向传播步骤具体包括:
有标注的源域训练数据集通过由3层卷积神经网络组成的特征提取器、线性异常用电分类器和线性域分类器,分别得到源域用户数据的异常用电嫌疑度预测值和域预测值;
无标注的目标域数据集通过所述特征提取器和线性域分类器,得到目标域用户的域预测值;
根据得到的异常用电嫌疑度预测值和域预测值以及其真值,计算异常用电分类器和域分类器的损失,分别为Ly和Ld。
进一步,所述特征提取器参数为θf,所述线性异常用电分类器参数为θy,所述线性域分类器参数为θd。
进一步,所述反向传播过程包括:
根据前向传播得到的损失Ly,计算特征提取器和异常用电分类器的梯度,分别为和/>
根据前向传播得到的损失Ld,计算特征提取器和线性异常用电分类器的梯度,分别为和/>-λ为反向梯度系数。
进一步,所述梯度梯度和/>确保异常用电分类器能够准确分类异常用电用户和正常用电用户;所述梯度/>和/>被设置为对抗性梯度,使线性域分类器无法区分具有历史负荷特征的源域用户和当下负荷特征的目标域用户。
进一步,所述用户异常用电嫌疑度表示为0~1范围的数字,0表示最低异常用电嫌疑度,1表示最高异常用电嫌疑度。
本发明的有益效果:本发明提出了一种基于负荷自适应的异常用电识别方法,能充分利用用户历史用电数据,并结合当前负荷场景的无标注数据,对用户异常用电嫌疑度进行综合预测。通过负荷自适应算法,本发明有效提升了不同负荷场景下的异常用电识别准确率,为电网公司减少经济损失和人力物力消耗的同时,进一步提升了供电网络的安全性和稳定性。
附图说明
图1是本发明一种基于负荷自适应的异常用电识别方法流程示意图;
图2是本发明实施例中基于对抗学习的自适应算法网络架构图。
具体实施方式
为了对本发明的技术特征、目的和效果有更加清楚的理解,现对照附图说明本发明的具体实施方式。
为了弥补现有技术的缺陷,本发明提出一种基于负荷自适应的异常用电识别方法,以实现在不同负荷条件下对异常用电的准确识别,如图1所示,包括以下步骤:
步骤S1:指定高线损供电台区范围,制定用户网络拓扑;
步骤S2:提取指定台区用户历史用电数据和历史查验结果,结合网络拓扑,制作有标注的源域训练数据集;
步骤S3:提取指定台区用户当前月份的用电数据,结合网络拓扑,制作无标注的目标域训练数据集;
步骤S4:以负荷自适应算法,训练确定适应当月负荷特点的神经网络分类器参数;
步骤S5:根据获得的神经网络参数,输入待识别用户用电数据及网络拓扑,计算出待识别用户异常用电嫌疑度;
步骤S6:根据实际情况,针对高嫌疑度用户采取现场查验。
在本实施例中,步骤S2具体包括:按照预设的比例,将正常用电用户和异常用电用户数据组成有标注源域训练数据集;在组成的有标注源域训练数据集中,异常用电用户的异常用电嫌疑度标注为1,正常用户的异常用电嫌疑度标注为0。源域训练数据集的域标注为0,所述目标域训练数据集的域标注为1。
在本实施例中,步骤S4负荷自适应算法基于对抗学习,通过反转梯度实现对不同负荷特点数据的对齐,包括前向传播步骤和反向传播步骤,所述前向传播步骤具体包括:
有标注的源域训练数据集通过由3层卷积神经网络组成的特征提取器、线性异常用电分类器和线性域分类器,分别得到源域用户数据的异常用电嫌疑度预测值和域预测值;
无标注的目标域数据集通过所述特征提取器和线性域分类器,得到目标域用户的域预测值;
根据得到的异常用电嫌疑度预测值和域预测值以及其真值,计算异常用电分类器和域分类器的损失,分别为Ly和Ld。
特征提取器参数为θf,所述线性异常用电分类器参数为θy,所述线性域分类器参数为θd。
反向传播过程包括:
根据前向传播得到的损失Ly,计算特征提取器和异常用电分类器的梯度,分别为和/>
根据前向传播得到的损失Ld,计算特征提取器和线性异常用电分类器的梯度,分别为和/>-λ为反向梯度系数。
梯度梯度和/>确保异常用电分类器能够准确分类异常用电用户和正常用电用户;所述梯度/>和/>被设置为对抗性梯度,使线性域分类器无法区分具有历史负荷特征的源域用户和当下负荷特征的目标域用户。
在本实施例中,所述用户异常用电嫌疑度表示为0~1范围的数字,0表示最低异常用电嫌疑度,1表示最高异常用电嫌疑度
在一种实施例中,一种基于负荷自适应的异常用电识别方法,包括如下步骤:
S1:根据电网采集和营销系统数据,确定高线损台区范围,导出用户拓扑图。
S2:提取指定台区用户过去三个月的历史用电数据和历史查验数据。按照11:1的比例,将正常用户和异常用电用户数据组成有标注源域数据集。在组成的有标注源域数据集中,异常用电用户的异常用电标注为1,正常用户的异常用电标注为0。所有源域用户的域标注为0。
S3:提取指定台区用户当月的用电数据组成无标注目标域数据集。所有目标域用户的域标注为1。
S4:以负荷自适应算法,训练确定适应当月负荷特点的神经网络分类器参数。所述负荷领域自适应算法是基于对抗学习的领域自适应算法,如图2所示,其整体框架结构实现流程包括:
前向传播:1)有标注的源域数据集通过由3层卷积神经网络组成的特征提取器(参数为θf)、线性异常用电分类器(参数为θy)和线性域分类器(参数为θd),分别得到源域用户数据的异常用电预测值和域预测值;2)无标注的目标域数据集通过特征提取器(参数为θf)和域分类器(参数为θd),得到目标域用户的域预测值。3)根据前两步中得到的异常用电预测值和域预测值以及其真值,计算异常用电分类器和域分类器的损失为Ly和Ld。
反向传播:1)根据前向传播得到的损失Ly,计算特征提取器和异常用电分类器的梯度,分别为和/>2)根据前向传播得到的损失Ld,计算特征提取器和线性异常用电分类器的梯度,分别为/>和/>-λ为反向梯度系数;3)在反向梯度传播过程中,梯度/>和确保异常用电分类器能够准确分类异常用电用户和正常用户。梯度/>和/>被设置为对抗性梯度,目的是使域分类器无法区分具有历史负荷特征的源域用户和当下负荷特征的目标域用户。这种对抗性梯度的设置有助于实现特征提取器的负荷自适应。
S5:根据获得的自适应特征提取器参数θf和异常用电分类器参数θy,输入待识别用户用电数据,输出待识别用户异常用电嫌疑度。
步骤S6:从高到低排序识别用户异常用电嫌疑度,对前1%的用户进行现场查验。
在本实施例中,构建预测模型使用到的一些算法包括:卷积神经网络算法,反向梯度传播算法,对抗领域自适应算法。
本发明以上显示和描述了本发明的基本原理和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。
Claims (8)
1.一种基于负荷自适应的异常用电识别方法,其特征在于,包括以下步骤:
步骤S1:指定高线损供电台区范围,制定用户网络拓扑;
步骤S2:提取指定台区用户历史用电数据和历史查验结果,结合网络拓扑,制作有标注的源域训练数据集;
步骤S3:提取指定台区用户当前月份的用电数据,结合网络拓扑,制作无标注的目标域训练数据集;
步骤S4:以负荷自适应算法,训练确定适应当月负荷特点的神经网络分类器参数;
步骤S5:根据获得的神经网络参数,输入待识别用户用电数据及网络拓扑,计算出待识别用户异常用电嫌疑度;
步骤S6:根据实际情况,针对高嫌疑度用户采取现场查验。
2.根据权利要求1所述的一种基于负荷自适应的异常用电识别方法,其特征在于,所述步骤S2具体包括:按照预设的比例,将正常用电用户和异常用电用户数据组成有标注源域训练数据集;在组成的有标注源域训练数据集中,异常用电用户的异常用电嫌疑度标注为1,正常用户的异常用电嫌疑度标注为0。
3.根据权利要求2所述的一种基于负荷自适应的异常用电识别方法,其特征在于,所述源域训练数据集的域标注为0,所述目标域训练数据集的域标注为1。
4.根据权利要求1所述的一种基于负荷自适应的异常用电识别方法,其特征在于,所述步骤S4负荷自适应算法基于对抗学习,通过反转梯度实现对不同负荷特点数据的对齐,包括前向传播步骤和反向传播步骤,所述前向传播步骤具体包括:
有标注的源域训练数据集通过由3层卷积神经网络组成的特征提取器、线性异常用电分类器和线性域分类器,分别得到源域用户数据的异常用电嫌疑度预测值和域预测值;
无标注的目标域数据集通过所述特征提取器和线性域分类器,得到目标域用户的域预测值;
根据得到的异常用电嫌疑度预测值和域预测值以及其真值,计算异常用电分类器和域分类器的损失,分别为Ly和Ld。
5.根据权利要求4所述的一种基于负荷自适应的异常用电识别方法,其特征在于,所述特征提取器参数为θf,所述线性异常用电分类器参数为θy,所述线性域分类器参数为θd。
6.根据权利要求5所述的一种基于负荷自适应的异常用电识别方法,其特征在于,所述反向传播过程包括:
根据前向传播得到的损失Ly,计算特征提取器和异常用电分类器的梯度,分别为和
根据前向传播得到的损失Ld,计算特征提取器和线性异常用电分类器的梯度,分别为和/>-λ为反向梯度系数。
7.根据权利要求6所述的一种基于负荷自适应的异常用电识别方法,其特征在于,所述梯度梯度和/>确保异常用电分类器能够准确分类异常用电用户和正常用电用户;所述梯度/>和/>被设置为对抗性梯度,使线性域分类器无法区分具有历史负荷特征的源域用户和当下负荷特征的目标域用户。
8.根据权利要求1所述的一种基于负荷自适应的异常用电识别方法,其特征在于,所述用户异常用电嫌疑度表示为0~1范围的数字,0表示最低异常用电嫌疑度,1表示最高异常用电嫌疑度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410306694.5A CN118037316A (zh) | 2024-03-18 | 2024-03-18 | 一种基于负荷自适应的异常用电识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410306694.5A CN118037316A (zh) | 2024-03-18 | 2024-03-18 | 一种基于负荷自适应的异常用电识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118037316A true CN118037316A (zh) | 2024-05-14 |
Family
ID=91004052
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410306694.5A Pending CN118037316A (zh) | 2024-03-18 | 2024-03-18 | 一种基于负荷自适应的异常用电识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118037316A (zh) |
-
2024
- 2024-03-18 CN CN202410306694.5A patent/CN118037316A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Huang et al. | Electricity theft detection based on stacked sparse denoising autoencoder | |
CN109063723B (zh) | 基于迭代挖掘物体共同特征的弱监督图像语义分割方法 | |
WO2019237492A1 (zh) | 一种基于半监督学习的异常用电用户检测方法 | |
Li et al. | Semi-supervised semantic segmentation using adversarial learning for pavement crack detection | |
Aldegheishem et al. | Towards sustainable energy efficiency with intelligent electricity theft detection in smart grids emphasising enhanced neural networks | |
Karasulu et al. | Moving object detection and tracking by using annealed background subtraction method in videos: Performance optimization | |
Yeckle et al. | Detection of electricity theft in customer consumption using outlier detection algorithms | |
CN103020990B (zh) | 一种基于gpu的运动目标检测方法 | |
CN104992223A (zh) | 基于深度学习的密集人数估计方法 | |
CN113344346B (zh) | 基于非侵入式负荷分解的用电异常检测方法和系统 | |
Gao et al. | A hybrid ConvLSTM-based anomaly detection approach for combating energy theft | |
CN116824517B (zh) | 基于可视化的变电站运维安全管控系统 | |
CN113706547A (zh) | 一种基于类别同异性引导的无监督域适应语义分割方法 | |
Shi et al. | A novel approach to detect electricity theft based on conv-attentional Transformer Neural Network | |
CN113191419B (zh) | 一种基于轨迹关键点匹配及区域划分的暂降同源事件检测、类型辨识方法 | |
CN114266676A (zh) | 一种遗传优化Bagging异质集成模型的异常用电检测方法 | |
Liu et al. | Component detection for power line inspection using a graph-based relation guiding network | |
CN116612481B (zh) | 基于知识图谱和多元图像的电力设备缺陷识别方法及系统 | |
CN118037316A (zh) | 一种基于负荷自适应的异常用电识别方法 | |
Jia et al. | Dynamic thresholding for video anomaly detection | |
Yan et al. | Comparative study of electricity-theft detection based on gradient boosting machine | |
Liu et al. | A GCN-based adaptive generative adversarial network model for short-term wind speed scenario prediction | |
Qi et al. | Multigranularity semantic labeling of point clouds for the measurement of the rail tanker component with structure modeling | |
Ghaedi et al. | Improving Electricity Theft Detection using Combination of Improved Crow Search Algorithm and Support Vector Machine | |
Jianlong et al. | An improved faster r-cnn algorithm for electric equipment detection |
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 |