發(fā)布時(shí)間：2019-04-09所屬分類：科技論文瀏覽：1次
摘 要： 摘要:相較過去大部分針對(duì)專變和公變的竊電檢測方法，文中針對(duì)群體數(shù)量龐大、竊電手段復(fù)雜多樣的低壓用戶進(jìn)行竊電行為的檢測分析。首先建立特征工程，然后基于卷積神經(jīng)網(wǎng)絡(luò)LeNet-5模型對(duì)日用電量數(shù)據(jù)進(jìn)行建模分析，篩選出異常用電模式，再采用雙層深度網(wǎng)絡(luò)對(duì)
摘要:相較過去大部分針對(duì)專變和公變的竊電檢測方法，文中針對(duì)群體數(shù)量龐大、竊電手段復(fù)雜多樣的低壓用戶進(jìn)行竊電行為的檢測分析。首先建立特征工程，然后基于卷積神經(jīng)網(wǎng)絡(luò)LeNet-5模型對(duì)日用電量數(shù)據(jù)進(jìn)行建模分析，篩選出異常用電模式，再采用雙層深度網(wǎng)絡(luò)對(duì)用戶信息、臺(tái)區(qū)線損、告警信息等數(shù)據(jù)進(jìn)行綜合分析。通過比對(duì)模型輸出的分級(jí)竊電嫌疑清單，本文方法對(duì)各類竊電模式有很好的查準(zhǔn)率，為精確抓獲竊電奠定了基礎(chǔ)。
關(guān)鍵詞:竊電行為檢測;深度學(xué)習(xí);卷積神經(jīng)網(wǎng)絡(luò);全連接網(wǎng)絡(luò);竊電嫌疑
竊電問題一直困擾著供電部門。傳統(tǒng)竊電排查方法是由供電所防竊電人員人工觀察所轄區(qū)域的臺(tái)區(qū)線損、用戶電量等，根據(jù)行業(yè)經(jīng)驗(yàn)和業(yè)務(wù)規(guī)則，確定竊電嫌疑清單，再結(jié)合現(xiàn)場摸排來捕捉竊電行為[1-2]，有諸多局限性。此外，當(dāng)前的竊電檢測方法主要是采用計(jì)量裝置防止竊電，缺乏實(shí)時(shí)監(jiān)控，檢測效果較差[3]。
結(jié)合業(yè)務(wù)規(guī)則和機(jī)器學(xué)習(xí)算法，通過對(duì)智能電表穿透采集得到的數(shù)據(jù)進(jìn)行全面的分析，從中尋找出存在竊電嫌疑的行為模式，成為一種新的方法[4-8]。相較過去針對(duì)專變和公變的竊電檢測方法，本文主要針對(duì)群體數(shù)量龐大、竊電手段復(fù)雜多樣的低壓用戶，對(duì)與竊電相關(guān)的因子進(jìn)行梳理，建立特征工程，對(duì)日用電量的時(shí)序數(shù)據(jù)建立5層卷積神經(jīng)網(wǎng)絡(luò)(CNN，ConvolutionalNeuralNetworks)模型，篩選出具有異常用電特征的模式，并輸出竊電嫌疑，再結(jié)合雙層全連接網(wǎng)絡(luò)對(duì)用戶檔案信息、臺(tái)區(qū)線損和異常告警信息進(jìn)行綜合分析建模，按月度輸出竊電嫌疑清單[9]。
1特征工程
竊電分類模型以月度為周期，分析每個(gè)用戶當(dāng)月的指標(biāo)數(shù)據(jù)，評(píng)估其竊電嫌疑。通過對(duì)業(yè)務(wù)規(guī)則和經(jīng)驗(yàn)的梳理，將竊電指標(biāo)分為以下四類:①用電量時(shí)序:日均電量、峰電量、谷電量;②用戶信息:行業(yè)分類(非居民用戶)、用電類別、城農(nóng)網(wǎng)標(biāo)識(shí)、合同容量、臺(tái)區(qū)容量、用戶數(shù)、歷史竊電數(shù);③臺(tái)區(qū)線損:月均線損率、最低線損率、最高線損率、高損天數(shù)(線損率大于9%)、月均線損電量、最低線損電量、最高線損電量、線損采集成功率;④異常告警:電能表停走異常、電壓斷相異常、電流不平衡異常、電能表開蓋事件、反向電量異常。其中用電量時(shí)序特征數(shù)據(jù)為每天一項(xiàng)，一個(gè)月共31項(xiàng)，其余均為每月一項(xiàng);位于相同臺(tái)區(qū)的用戶其臺(tái)區(qū)線損相同;異常告警是指當(dāng)前月份過去三個(gè)月內(nèi)的某類異常發(fā)生次數(shù);以上指標(biāo)均為每個(gè)人月一條，最終合并為建模數(shù)據(jù)。
1.1黑白名單構(gòu)造
實(shí)際竊電用戶在所有用戶中的占比極低，因此竊電行為數(shù)據(jù)為非平衡集。黑名單可從國網(wǎng)各個(gè)網(wǎng)省公司下屬的各地區(qū)分局獲得，其來源是現(xiàn)場人員通過摸排和取證確定的竊電用戶。將用戶被抓獲的當(dāng)月數(shù)據(jù)截取為黑名單，其余月份數(shù)據(jù)則丟棄。這是因?yàn)橛脩艨赡茉诒粰z測到之前的很長時(shí)間就開始竊電，而開始竊電的時(shí)間在客觀上未知的。白名單則難以確認(rèn)，因?yàn)樵诿看闻挪楹鬀]有記錄未竊電的用戶，且有的竊電行為具有時(shí)效性，沒有檢測到很可能是用戶及時(shí)隱藏了竊電證據(jù)。因此，白名單只能通過設(shè)定一些標(biāo)準(zhǔn)來大致篩選出來，以使得其中的黑名單噪聲盡量降低。根據(jù)過去經(jīng)驗(yàn)，線損長期保持高位的臺(tái)區(qū)更有可能存在竊電現(xiàn)象，反之線損健康的區(qū)域竊電則較少。參考國家電網(wǎng)對(duì)線損異常問題的考核標(biāo)準(zhǔn)，文中將單月每天線損率均小于9%的臺(tái)區(qū)中的用戶均劃定為白名單。
1.2用電量時(shí)序處理
線損指標(biāo)雖然可以用來大致識(shí)別臺(tái)區(qū)的用電健康情況，但是仍然沒有辦法定位到具體的用戶。用電量(包括日峰谷電量)作為用戶用電合理或異常的直接指標(biāo)，對(duì)于判斷任何方式的竊電都有指導(dǎo)性的作用。以日均用電量為指標(biāo)觀察黑名單用戶的用電趨勢。在檢測竊電前后(受理時(shí)間)，用電量呈現(xiàn)上升趨勢。這是因?yàn)樵谑芾頃r(shí)間前后用戶從竊電狀態(tài)向正常用電狀態(tài)發(fā)生了轉(zhuǎn)換，用電量恢復(fù)了正常。而研究者希望模型能夠在竊電行為一發(fā)生就能夠檢測到異常，即從竊電狀態(tài)向正常狀態(tài)轉(zhuǎn)換的各種下降趨勢，這里的處理方式是將黑名單的用電時(shí)序進(jìn)行翻轉(zhuǎn)。白名單不具有這種變化趨勢，則不需要進(jìn)行翻轉(zhuǎn)。
2模型構(gòu)建
2.1整體設(shè)計(jì)
本文將竊電特征分為兩部分，其中用電量時(shí)序共包含93個(gè)特征，其余部分包含20個(gè)特征。對(duì)于前者，采用卷積神經(jīng)網(wǎng)絡(luò)LeNet-5進(jìn)行學(xué)習(xí)，輸出0到1之間的竊電嫌疑，然后將該中間值與第二部分的特征合并，再采用雙隱含層的全連接網(wǎng)絡(luò)進(jìn)行訓(xùn)練，輸出最終的竊電嫌疑系數(shù)[10]。受到采集終端或傳輸線路的限制，竊電指標(biāo)數(shù)據(jù)中會(huì)存在一些漏采或錯(cuò)誤的項(xiàng)。同時(shí)，白名單中也會(huì)不可避免混雜著竊電用戶。相比傳統(tǒng)機(jī)器學(xué)習(xí)算法，卷積神經(jīng)網(wǎng)絡(luò)具有自動(dòng)提取特征的能力，且對(duì)噪聲的抗干擾能力也更強(qiáng)，因此對(duì)有海量數(shù)據(jù)的非線性問題具有更強(qiáng)的泛化能力[11]。
2.2卷積神經(jīng)網(wǎng)絡(luò)
將采集的電力數(shù)據(jù)轉(zhuǎn)換成CNN處理的格式。CNN是由美國神經(jīng)生物學(xué)家Hubel和Wiesel首先提出的模仿人類大腦視覺原理的前饋神經(jīng)網(wǎng)絡(luò)。它在圖像識(shí)別方面有著非常廣泛的應(yīng)用，但通過配置，它也能在自然語言處理、時(shí)間序列預(yù)測方面發(fā)揮作用。CNN與普通的全連接網(wǎng)絡(luò)不同，引入了卷積層和池化層。卷積層用于提取特征，通過權(quán)值共享的方式工作，可大大減少全連接網(wǎng)絡(luò)的權(quán)值數(shù)量。
卷積層包括若干個(gè)卷積核，與輸入層局部連接，用于掃描圖像或時(shí)序，每個(gè)卷積核都能從輸入中識(shí)別出不同角度的特征。池化層相當(dāng)于濾波器，可對(duì)輸入進(jìn)行降采樣，保留數(shù)據(jù)顯著特征的同時(shí)降低了結(jié)果的維度。CNN大大降低了全連接網(wǎng)絡(luò)的復(fù)雜性，因此對(duì)于存在位移的高維度時(shí)序數(shù)據(jù)有很高的效率。LeNet-5是由YannLeCun在1998年提出的一種結(jié)構(gòu)簡單的CNN，它具有2個(gè)卷積層、2個(gè)池化層和3個(gè)全連接層，可用于高效地解決維度較少的時(shí)序預(yù)測問題。CNN包括輸入層，卷積層，池化層，全連接層和輸出層。
3實(shí)驗(yàn)與分析
3.1模型配置
本文采用深度學(xué)習(xí)框架DL4J(DeepLearningforJava)來實(shí)現(xiàn)深度學(xué)習(xí)模型。這是一套基于Java語言的深度學(xué)習(xí)工具包，可以高效地構(gòu)建、訓(xùn)練和部署各種深度網(wǎng)絡(luò)，同時(shí)支持GPU和Spark集成[12]。本文的DNN-2模型配置兩個(gè)隱含層，節(jié)點(diǎn)數(shù)分別為15和5。輸出層節(jié)點(diǎn)個(gè)數(shù)為2，輸出值為one-hot形式，兩個(gè)值分別代表樣本歸屬于正常和竊電類別的概率。LeNet-5的卷積核大小設(shè)置為3×1，通道數(shù)為3，分別對(duì)應(yīng)日均電量、峰電量、谷電量三個(gè)時(shí)間序列。
3.2實(shí)驗(yàn)結(jié)果與分析
實(shí)驗(yàn)數(shù)據(jù)來源于福建省用電采集系統(tǒng)，包括福建省2015-2017三年的用電、線損和告警數(shù)據(jù)。經(jīng)過清洗、篩選和歸一化后，共約90萬條。實(shí)驗(yàn)一首先對(duì)樣本全集采用十折交叉驗(yàn)證，訓(xùn)練集和測試集比例為7∶3。實(shí)驗(yàn)二以15、16年的樣本作為訓(xùn)練集，17年的作為測試集，以驗(yàn)證模型對(duì)未來數(shù)據(jù)的預(yù)測能力。最終模型輸出按照竊電嫌疑排序的分級(jí)清單，以及每級(jí)的竊電嫌疑下限，這樣方便業(yè)務(wù)人員根據(jù)不同竊電嫌疑級(jí)別采取不同的應(yīng)對(duì)措施。
模型的查準(zhǔn)率也在下降，說明模型對(duì)有把握的樣本有更好的預(yù)測準(zhǔn)確率，兩組實(shí)驗(yàn)的Top100竊電查準(zhǔn)率分別達(dá)到78%和83%。從效益和成本考慮，線上查準(zhǔn)率一般需要達(dá)到20%以上時(shí)比較適合去現(xiàn)場巡查。實(shí)驗(yàn)一的前6級(jí)結(jié)果符合需求，共檢測出565條竊電樣本，占測試集竊電總數(shù)的38.18%(查全率)，綜合查準(zhǔn)率為43.46%;實(shí)驗(yàn)二的前6級(jí)共檢測出473條竊電樣本，查全率為33.43%，綜合查準(zhǔn)率為36.38%。
上述結(jié)果表明，本文方法對(duì)黑名單中30%～40%具有明顯竊電特征的樣本具有很好的判斷能力，但對(duì)于其它樣本的分析能力不強(qiáng)，這可能是由于黑名單訓(xùn)練樣本不足以及白名單不可避免引入的噪聲，導(dǎo)致收集的竊電行為特征不夠豐富。實(shí)驗(yàn)二與實(shí)驗(yàn)一結(jié)果的差距較小，說明模型對(duì)跨年度數(shù)據(jù)仍然具有很強(qiáng)的泛化能力，排除了對(duì)相同年度數(shù)據(jù)過擬合的可能。
4結(jié)束語
本文針對(duì)低壓用戶的竊電行為，進(jìn)行特征工程構(gòu)建。結(jié)合兩種深度學(xué)習(xí)網(wǎng)絡(luò)，對(duì)用電量時(shí)序采用卷積網(wǎng)絡(luò)，對(duì)用戶信息、臺(tái)區(qū)線損、告警異常采用全連接網(wǎng)絡(luò)進(jìn)行分別訓(xùn)練。通過福建省三年歷史數(shù)據(jù)的實(shí)驗(yàn)結(jié)果表明，模型精準(zhǔn)定位了部分竊電用戶，相較傳統(tǒng)人為觀測或線下隨機(jī)摸排的方式，具有較大的改進(jìn)。
參考文獻(xiàn):
[1]王亞東，高巖，金鋒.智能電表數(shù)據(jù)分析及應(yīng)用綜述研究[J].信息技術(shù)，2015，39(2):64-68.
[2]曹敏，鄒京希，魏齡，等.基于RBF神經(jīng)網(wǎng)絡(luò)的配電網(wǎng)竊電行為檢測[J].云南大學(xué)學(xué)報(bào):自然科學(xué)版，2018，40(5):872-878.
[3]青志明，張宏艷，龍漪瀾，等.基于載波異常監(jiān)測的竊電行為判斷方法[J].科學(xué)技術(shù)與工程，2018，18(20):246-251.
[4]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.
[5]李端超，王松，黃太貴，等.基于大數(shù)據(jù)平臺(tái)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(hù)與控制，2018，46(5):143-151.
[6]曹崢，楊鏡非，劉曉娜.BP神經(jīng)網(wǎng)絡(luò)在反竊電系統(tǒng)中的研究與應(yīng)用[J].水電能源科學(xué)，2011，29(9):199-202.
[7]周文婷，顧楠，王濤，等.基于數(shù)據(jù)挖掘算法的用戶竊電嫌疑分析[J].河南科學(xué)，2015，33(10):1767-1772.
[8]張瑞.基于用電信息數(shù)據(jù)挖掘的智能反竊電研究與應(yīng)用[J].價(jià)值工程，2016，35(35):51-54.
[9]周飛燕，金林鵬，董軍.卷積神經(jīng)網(wǎng)絡(luò)研究綜述[J].計(jì)算機(jī)學(xué)報(bào)，2017，40(6):1229-1251.
相關(guān)期刊推薦：《計(jì)算機(jī)學(xué)報(bào)》雜志級(jí)別：科技統(tǒng)計(jì)源核心 北大核心 CSCD，主辦單位：中國技術(shù)經(jīng)濟(jì)學(xué)會(huì)，周期：旬刊，國內(nèi)統(tǒng)一刊號(hào)：11-4688/T，國際標(biāo)準(zhǔn)刊號(hào)：1671-1815。復(fù)合影響因子：2.906，綜合影響因子：1.528。
