夏 睿，高云鵬，朱彥卿，歐陽博，吳 聰

基于SE-CNN模型的竊電檢測方法研究

夏 睿，高云鵬，朱彥卿，歐陽博，吳 聰

(湖南大學(xué)電氣與信息工程學(xué)院，湖南 長沙 410082)

針對傳統(tǒng)電網(wǎng)現(xiàn)有竊電檢測僅用單一電量且實際數(shù)據(jù)集下檢測準確度低的問題，提出一種基于通道注意力網(wǎng)絡(luò)改進卷積神經(jīng)網(wǎng)絡(luò)模型的竊電行為檢測方法。首先建立一種包含用電量趨勢、線損增長率、終端告警多源數(shù)據(jù)融合的竊電評價指標體系，以此構(gòu)建用戶用電特征集。然后，基于通道注意力擠壓激勵網(wǎng)絡(luò)(squeeze and excitation networks, SENet)優(yōu)化卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network, CNN)模型，據(jù)此構(gòu)建自適應(yīng)通道注意力網(wǎng)絡(luò)改進卷積神經(jīng)網(wǎng)絡(luò)模型的竊電檢測方法。最后，利用南方電網(wǎng)數(shù)據(jù)集對提出方法的有效性與準確性進行驗證。實測結(jié)果表明，所提方法能有效實現(xiàn)實際電網(wǎng)情況下各類竊電行為準確檢測，建立的評價指標體系可更明顯表征竊電行為規(guī)律。構(gòu)建的竊電檢測模型可自適應(yīng)對特征通道重要程度調(diào)整，提升通道利用率。相比現(xiàn)有檢測方法，其具有更高準確度和更優(yōu)泛化性能。

竊電行為；改進卷積神經(jīng)網(wǎng)絡(luò)；注意力網(wǎng)絡(luò)；電量趨勢；線損

0 引言

電力傳輸過程中電力損失不可避免，用戶側(cè)的竊電行為是當前造成非技術(shù)性損失的主要原因[1-2]。每年因竊電造成的經(jīng)濟損失不僅在發(fā)展中國家影響巨大，在發(fā)達國家同樣嚴重[3]，對電力公司來說，會增加電網(wǎng)的運營成本，同時給電網(wǎng)安全運行帶來巨大的潛在風(fēng)險[4-6]。因此，研究如何對竊電用戶準確檢測，降低非技術(shù)損失，對于電力公司具有重大意義。

針對竊電檢測技術(shù)，近些年國內(nèi)外諸多學(xué)者做了大量的工作。傳統(tǒng)竊電檢測主要利用人工對可疑用戶進行稽查，但該方法效率低且人力和時間成本高。隨著智能電網(wǎng)的高速發(fā)展，基于能源互聯(lián)網(wǎng)的高級量測體系(Advanced Metering Infrastructure, AMI)在電網(wǎng)公司逐步建立，同時伴隨智能電表大面積應(yīng)用，可有效利用AMI下的智能電表數(shù)據(jù)對竊電行為展開研究分析[7]。機器學(xué)習(xí)因具有從大量歷史數(shù)據(jù)中挖掘其隱含的規(guī)律并對新數(shù)據(jù)預(yù)測或判斷的能力，已開始被應(yīng)用于竊電檢測領(lǐng)域[8]，其中無監(jiān)督學(xué)習(xí)可通過學(xué)習(xí)用戶用電數(shù)據(jù)內(nèi)在相似關(guān)聯(lián)屬性，自動提取用戶用電典型特征聚類正常用戶，找出離群點作為異常用戶[9-10]。文獻[11]提出基于集群點算法的竊電檢測模型，但由于無特征提取階段，且算法簡單，造成檢測準確度低。為解決以上問題，文獻[12]提出基于時間尺度負荷序列的特征提取，并采用基于網(wǎng)格的局部離群因子算法對竊電行為進行檢測，然而特征提取過程復(fù)雜且計算量大。文獻[13]提出生成對抗網(wǎng)絡(luò)生成逼真竊電樣本，增強竊電樣本多樣性，簡化建模過程，但無監(jiān)督學(xué)習(xí)方法對參數(shù)嚴重依賴，不適用于復(fù)雜電網(wǎng)環(huán)境和多種類竊電手段檢測[14]。

為克服無監(jiān)督學(xué)習(xí)方法對竊電檢測的不足，可采用基于有監(jiān)督學(xué)習(xí)方法檢測，該類方法需含有標簽的數(shù)據(jù)集進行訓(xùn)練，將訓(xùn)練好的模型對新用電數(shù)據(jù)進行分類(即是否為竊電)[15]。文獻[16-17]分別采用SVM和決策樹方法進行竊電行為檢測，為進一步提高檢測準確度，將AdaBoost和XGboost等集成學(xué)習(xí)方法應(yīng)用于竊電檢測領(lǐng)域[18-21]，但上述方法未對數(shù)據(jù)進行特征提取，無法找出用電數(shù)據(jù)時間序列特征，為此可采用神經(jīng)網(wǎng)絡(luò)[22-23]和LSTM[24-25]進行特征提取。卷積神經(jīng)網(wǎng)絡(luò)是當下應(yīng)用非常廣泛而且有效的深度學(xué)習(xí)方法，其廣泛應(yīng)用于圖像處理、語音識別以及自然語言處理等領(lǐng)域，在竊電領(lǐng)域應(yīng)用具有較高的準確率[26]。文獻[27]提出將CNN和隨機森林結(jié)合的新型混合模型對竊電進行檢測，但采用篡改公式對正常數(shù)據(jù)集模擬竊電行為無法完全應(yīng)用于真實復(fù)雜電網(wǎng)環(huán)境。文獻[28]提出一種將寬度和深度結(jié)合的卷積神經(jīng)網(wǎng)絡(luò)，采用國家電網(wǎng)數(shù)據(jù)集對竊電行為檢測，然而該數(shù)據(jù)集僅包含不同用戶日用電量的單一信息，其表征出的竊電行為所具有的特征不明顯，且模型訓(xùn)練前未對數(shù)據(jù)進行變換。目前大部分CNN模型均為空間維度通過增加網(wǎng)絡(luò)深度提升網(wǎng)絡(luò)性能[29-31]，但因其網(wǎng)絡(luò)層數(shù)增加，通道增多而造成模型訓(xùn)練時間增加，模型檢測效率低。

因此，本文針對實際電網(wǎng)情況下跨類雜糅用戶竊電行為的準確檢測，建立一種包含用電量趨勢、線損增長率、終端告警多源數(shù)據(jù)融合的竊電評價指標體系，以此建立用戶用電特征指標，構(gòu)建用戶用電特征集，基于CNN模型引入通道注意力網(wǎng)絡(luò)SENet對特征通道的重要程度進行調(diào)整，提升通道利用率，據(jù)此建立基于通道注意力網(wǎng)絡(luò)SENet的CNN模型的竊電檢測方法，并在此基礎(chǔ)上進行模型訓(xùn)練和測試，最后通過南方電網(wǎng)某地區(qū)實際用戶用電數(shù)據(jù)集對本文提出方法的準確性和有效性進行分析與驗證。

1 竊電評價指標構(gòu)建

在AMI體系下，通過智能電表采集電量、負荷在一定程度上能反映用戶竊電行為的某些規(guī)律，但需建立更符合電網(wǎng)實際情況的竊電檢測模型，有必要構(gòu)建新的具有更明顯特征的評估指標體系，以此建立用戶用電特征指標，獲得用戶用電特征集。構(gòu)建的新評價指標體系如圖1所示。

圖1 竊電評價指標體系

1.1 用電量趨勢下降指標

1.2 線損指標

1.3 告警類指標

為盡可能全面覆蓋各類疑似竊電方式，建模樣本數(shù)據(jù)還需考慮在AMI體系下，計量自動化系統(tǒng)出現(xiàn)的與疑似竊電行為相關(guān)的終端報警，其指標如表1所示，主要包括：“1”代表電壓缺相、“2”代表電壓斷相、“3”代表電流反極性、“4”代表電流不平衡、“5”代表最大需量復(fù)零，綜上以計算發(fā)生與疑似竊電相關(guān)的終端報警次數(shù)總和作為告警類指標。

表1 終端告警類指標

2 基于SE-CNN竊電行為檢測算法

2.1 卷積神經(jīng)網(wǎng)絡(luò)

為提取用戶用電數(shù)據(jù)時間序列特征，實現(xiàn)竊電用戶的準確識別，本文采用卷積神經(jīng)網(wǎng)絡(luò)進行竊電行為檢測。典型卷積神經(jīng)網(wǎng)絡(luò)由輸入層、卷積層(convolutional layer)、池化層(pooling layer)、全連接層(fully connected layer, FC)及輸出層組成[33]，其模型框架如圖3所示。

圖3 卷積神經(jīng)網(wǎng)絡(luò)模型框架

卷積層為CNN的核心組成模塊，由一組平行特征圖(Feature Map)組成，通過卷積核(convolution kernel)對輸入特征圖進行卷積運算得到輸出特征圖，該特征圖中所有元素均通過同一個卷積核計算，即權(quán)值和偏置項共享。卷積運算為

池化層用于CNN降低特征圖的特征空間，減少冗余特征量，同時保留用電行為主要特征，通過減少計算參量以達到降維效果，防止過擬合現(xiàn)象，從而提高模型泛化能力。實際上池化操作是一種下采樣操作，其操作包括最大池化、均值池化、隨機池化等。CNN中最典型的池化操作為最大池化[33]，為保證用電特征的主要特征、降低參數(shù)量，本文采用最大池化進行計算，其將輸入特征劃分為若干矩形區(qū)域，對每個子區(qū)域輸出最大值，其輸出計算式為

全連接層將CNN中最后一個池化層的所有神經(jīng)元進行全連接操作，其模型可表示為

式中：為全連接層的輸入；為權(quán)值矩陣；為偏置向量。

2.2 自適應(yīng)注意力機制

在采用CNN網(wǎng)絡(luò)對竊電行為進行檢測時，存在無用信息被CNN網(wǎng)絡(luò)提取，而這些無用信息也會分布在特征圖的通道維度里，分散CNN網(wǎng)絡(luò)的“注意力”，嚴重影響竊電檢測的準確度。據(jù)此本文采用通道維度的自適應(yīng)注意力模塊SENet模型對CNN獲得特征表達進行有效融合，提高CNN模型的檢測性能，其結(jié)構(gòu)如圖4所示。

圖4 SENet模型

注意力機制的本質(zhì)在于模仿人類視覺注意力機制，忽略掉上下文不相關(guān)的信息，其被廣泛應(yīng)用于自然語言處理領(lǐng)域。神經(jīng)網(wǎng)絡(luò)中注意力機制常用于通道維度里，從大量的輸入信息里篩選重要信息再給這些信息分配不同的權(quán)值。如圖4所示，SE模塊(SENet簡稱)主要包括擠壓(Squeeze)以及激勵(Excitation)兩個操作，可適用于任何映射Ftr：→，輸入為∈?'×W′×C′，輸出∈?×W×C。SENet提出擠壓操作，即圖4中Fsq(?)，將一個通道上整個空間特征編碼為一個全局特征，其計算式為

激勵操作的目的為獲取特征通道之間的相關(guān)性，其需滿足兩個準則：第一是可學(xué)習(xí)到各通道間的非線性關(guān)系；第二點是學(xué)習(xí)的關(guān)系不是互斥的，因其允許多通道特征，而非one-hot形式。據(jù)此本文采用sigmoid形式的門控機制得到歸一化后的權(quán)重向量如式(10)所示。

2.3 SE-CNN竊電行為檢測

SE-CNN竊電行為檢測模型實驗流程如圖6所示，首先對AMI體系下智能電表采集的南方電網(wǎng)原始用戶用電數(shù)據(jù)進行預(yù)處理，其中包括缺失值的補值和離群值修復(fù)，另結(jié)合實際情況，居民節(jié)假日用電量與工作日相比明顯偏低，為盡可能達到較好的數(shù)據(jù)效果，過濾節(jié)假日用電數(shù)據(jù)；再提取在圖1構(gòu)建的竊電評價指標3類特征；在模型訓(xùn)練和分類階段，利用上述提取的特征作為數(shù)據(jù)輸入，通過2層卷積層與池化層提取出時間序列的關(guān)聯(lián)特征，再由SENet模塊對特征圖各通道賦予不同權(quán)值以對其重要性進行調(diào)整，其通過3個操作進行，具體實現(xiàn)如下。

圖5 SE-CNN竊電行為檢測模型

表2 SE-CNN模型參數(shù)設(shè)置

圖6 SE-CNN竊電檢測模型實驗流程圖

3) 聚合操作：使用Scale層把歸一化后的權(quán)重參數(shù)加權(quán)到每個通道的特征上，即將擠壓操作和激勵操作學(xué)習(xí)到的各個通道的激活值和的原始特征相乘，即圖4的Fscale(·,·)操作。

通過以上操作可讓SE模塊更專注于信息量大的通道特征，抑制無效特征，實現(xiàn)對局部區(qū)域進行通道上的特征融合，最后通過全連接層(即圖5中的FC層1和FC層2)操作與sigmoid分類器得出竊電行為檢測結(jié)果。

3 實驗與分析

為驗證本文提出算法的有效性和準確性，實驗硬件為擁有64位6核的Intel Core i7-8750H CPU@2.20 GHz，深度學(xué)習(xí)框架采用TensorFlow和Keras。本文采用實驗數(shù)據(jù)為南方電網(wǎng)某市電網(wǎng)公司實際數(shù)據(jù)，該數(shù)據(jù)集包含從2009年1月1日至2014年12月31日共計6085個用戶每天用電量數(shù)據(jù)，該數(shù)據(jù)分為正常數(shù)據(jù)和竊電數(shù)據(jù)，且擁有竊電標簽(竊電為“1”，正常為“0”)。其中竊電用戶834個，占總用戶數(shù)的13.7%、該類樣本占比較小，數(shù)據(jù)集存在較為嚴重的不平衡，會影響模型的訓(xùn)練結(jié)果。本文采用隨機過采樣方法，通過復(fù)制少數(shù)類示例平衡數(shù)據(jù)，消除數(shù)據(jù)不平衡帶來的影響，預(yù)處理后樣本數(shù)據(jù)集詳細描述如表3所示，其總用戶數(shù)10 291個，竊電用戶5040個，占總用戶數(shù)的48.97%。

表3 預(yù)處理后南方電網(wǎng)數(shù)據(jù)集

3.1 評價指標構(gòu)建

南方電網(wǎng)實際數(shù)據(jù)分為正常用戶和竊電用戶兩類，竊電檢測本質(zhì)為二元分類問題。為衡量檢測方法的優(yōu)劣，可采用混淆矩陣進行驗證，其如表4所示。根據(jù)表4的混淆矩陣定義召回率(Recall)和1值，分別對應(yīng)式(12)和式(13)。

表4 竊電行為檢測中的混淆矩陣

AUC(Area Under ROC Curve)可通過ROC曲線下的各部分面積和求得，對于比較各分類器的分類性能，AUC值越大越好，當AUC=1時為理想分類器。AUC的計算式為

平均精度均值(Mean Average Precision, MAP)用于評估模型檢測性能。MAP@定義為在前個嫌疑度最高的用戶中，檢測模型正確識別為竊電用戶的平均精度均值，即

3.2 本文方法實驗與分析

本文提出SE-CNN竊電行為檢測方法的輸入項包括電量趨勢下降指標、線損類指標以及告警類指標，而輸出項為竊電標志。針對輸入項數(shù)據(jù)樣本進行數(shù)據(jù)劃分，隨機選取50%、60%、70%以及80%作為訓(xùn)練樣本(對應(yīng)50%、40%、30%以及20%數(shù)據(jù)作為測試樣本)，并分別進行4組實驗，基于本文方法在不同訓(xùn)練數(shù)據(jù)比例的實驗結(jié)果如表5所示。

由表5可知，本文提出基于SE-CNN竊電行為檢測方法在不同訓(xùn)練數(shù)據(jù)比例下各種評價指標均表現(xiàn)優(yōu)異，AUC值達到0.999以上。當訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)比例均為50%以下時，數(shù)據(jù)呈現(xiàn)出平衡狀態(tài)，此時評價指標多數(shù)略優(yōu)于其他訓(xùn)練數(shù)據(jù)比例，但各種訓(xùn)練數(shù)據(jù)比例下評價指標結(jié)果相差很小，甚至可以忽略，因此本文提出方法表現(xiàn)出良好的泛化性能，能適用于工程實際的復(fù)雜電網(wǎng)環(huán)境。

表5 SE-CNN方法的實驗結(jié)果

針對SE-CNN在實際電網(wǎng)數(shù)據(jù)下的檢測結(jié)果進行可視化展示如圖7所示，其中檢測樣本數(shù)為6174(占總用戶的60%)，預(yù)測正確的個數(shù)是6138，預(yù)測正確率高達99.417%，該模型在實際電網(wǎng)數(shù)據(jù)下檢測結(jié)果表現(xiàn)優(yōu)異。

圖7 SE-CNN模型預(yù)測竊電的混淆矩陣圖

為驗證注意力機制(SENet模塊)在CNN模型上的改進效果，通過南方電網(wǎng)數(shù)據(jù)集進行實驗測試，隨機選取60%數(shù)據(jù)作為訓(xùn)練樣本，其訓(xùn)練結(jié)果如圖8所示。圖8(a)為CNN模型下模型評價指標隨遍歷次數(shù)的增加而變化的情況，該模型需25次遍歷才能收斂；圖8(b)表示SE-CNN模型下模型評價指標隨遍歷次數(shù)的增加而變化的情況，從圖8中趨勢可見，當遍歷次數(shù)達到5次時就完全收斂，因此在CNN模型上添加注意力機制使得模型訓(xùn)練效率更高，有效提高模型的檢測性能。該模型算法的偽代碼圖如圖9所示，具體描述了該模型算法的工作流程。

圖8 遍歷次數(shù)下的模型評價指標圖

3.3 與現(xiàn)有方法對比分析

為驗證本文提出基于SE-CNN竊電行為檢測方法的有效性，本文分別采用SVM[16]、CART決策樹(Decision Tree)[17]、XGboost[19]、LM神經(jīng)網(wǎng)絡(luò)[22]和CNN[27]這5種基于機器學(xué)習(xí)的檢測模型進行比較。本文提出的基于SE-CNN竊電行為檢測及前述5種基于機器學(xué)習(xí)方法的輸入項包括電量趨勢下降指標、線損類指標以及告警類指標，而輸出項為竊電標志。針對輸入項數(shù)據(jù)樣本進行數(shù)據(jù)劃分，隨機選取60%和80%作為訓(xùn)練樣本(對應(yīng)40%和20%數(shù)據(jù)作為測試樣本)，并分別進行兩組實驗，兩組實驗數(shù)據(jù)下不同方法的實驗結(jié)果如表6所示。由表6可知，本文提出方法在實際電網(wǎng)數(shù)據(jù)下的各項評價指標均好于其他5種基于機器學(xué)習(xí)方法，而CNN方法在這5種方法中的大部分指標均優(yōu)于其他4種方法(如AUC在兩組數(shù)據(jù)下均達到0.9，MAP@100和MAP@200均大于0.929)。

當在CNN網(wǎng)絡(luò)上采用自適應(yīng)注意力模塊(本文采用SENet模塊)后，本文構(gòu)建的SE-CNN模型在CNN方法的基礎(chǔ)上各項指標均大幅提升，且均達到0.99以上，尤其是MAP@100和MAP@200這兩項指標均達到1。從兩組實驗數(shù)據(jù)在本文所提方法的實驗表現(xiàn)來看差距很小，因此同時可驗證本文方法的泛化性能表現(xiàn)優(yōu)越。為了進一步驗證本文提出的SE-CNN竊電行為檢測方法的有效性，在訓(xùn)練數(shù)據(jù)為60%的情況下，采用ROC曲線對所有方法的實驗結(jié)果進行可視化描述，不同方法的ROC曲線如圖10所示。在ROC空間坐標中，越靠近左上的ROC曲線意味著在同樣檢測命中率下造成的誤檢率越低，檢測效果越好，本文提出的基于SE-CNN竊電行為檢測方法AUC表現(xiàn)均優(yōu)于其他方法。本文提出的SE-CNN竊電行為檢測方法利用卷積神經(jīng)網(wǎng)絡(luò)基于卷積運算自動提取用戶用電數(shù)據(jù)高維深層特征；通過在卷積神經(jīng)網(wǎng)絡(luò)上添加SENet通道注意力模塊，使模型抑制其他無效特征，實現(xiàn)對局部區(qū)域通道上的特征融合，可更快達到擬合狀態(tài)。由此可見，本文提出方法相比于現(xiàn)有幾種機器學(xué)習(xí)方法具有更高的模型訓(xùn)練效率和識別準確度。

圖9 SE-CNN算法的偽代碼

表6 不同竊電檢測方法的結(jié)果

圖10 不同方法的ROC曲線

4 結(jié)論

本文提出了基于通道注意力網(wǎng)絡(luò)改進卷積神經(jīng)網(wǎng)絡(luò)模型的竊電行為檢測方法，實現(xiàn)了實際電網(wǎng)情況下竊電行為的準確檢測，實驗結(jié)果表明：通過建立竊電評價指標體系，提取電量趨勢下降指標、線損指標以及與其竊電相關(guān)的終端報警類指標特征，可減少輸入數(shù)據(jù)維度，更明顯表征竊電行為規(guī)律；在CNN模型基礎(chǔ)上引入了SENet自適應(yīng)注意力機制，使模型聚焦特征表達更有效的特征通道、并抑制無效的特征通道，提升了模型的檢測準確度；相比于現(xiàn)有檢測方法，本文提出方法的檢測精度更高、實用性強，表現(xiàn)出良好的泛化性能，為當前智能電網(wǎng)發(fā)現(xiàn)異常用電行為、稽查竊電用戶提供準確有效的檢測手段，降低企業(yè)運營成本，保證電網(wǎng)可靠安全運行。

[1] VIEGAS J L, ESTEVES P R, MELíCIO R, et al. Solutions for detection of non-technical losses in the electricity grid: a review[J]. Renewable and Sustainable Energy Reviews, 2017, 80: 1256-1268.

[2] 萬磊, 陳成, 黃文杰, 等. 基于BRB和LSTM網(wǎng)絡(luò)的電力大數(shù)據(jù)用電異常檢測方法[J]. 電力建設(shè), 2021, 42(8): 38-45.

WAN Lei, CHEN Cheng, HUANG Wenjie, et al. Power abnormity detection method based on power big data applying BRB and LSTM network[J]. Electric Power Construction, 2021, 42(8): 38-45.

[3] MASSAFERRO P, MARTINO J M D, FERNáNDEZ A. Fraud detection in electric power distribution: an approach that maximizes the economic return[J]. IEEE Transactions on Power Systems, 2020, 35(1): 703-710.

[4] 張承智, 肖先勇, 鄭子萱. 基于實值深度置信網(wǎng)絡(luò)的用戶側(cè)竊電行為檢測[J]. 電網(wǎng)技術(shù), 2019, 43(3): 1083-1091.

ZHANG Chengzhi, XIAO Xianyong, ZHENG Zixuan. Electricity theft detection for customers in power utility based on real-valued deep belief network[J]. Power System Technology, 2019, 43(3): 1083-1091.

[5] 招景明, 唐捷, 潘峰, 等. 基于SDAE和雙模型聯(lián)合訓(xùn)練的低壓用戶竊電檢測方法[J]. 電測與儀表, 2021, 58(12): 161-168.

ZHAO Jingming, TANG Jie, PAN Feng, et al. Detection method of electricity theft for low-voltage users based on SDAE and double-model joint training[J]. Electrical Measurement & Instrumentation, 2021, 58(12): 161-168.

[6] 武超飛, 孫沖, 劉廈, 等. 基于改進FCM聚類的竊電行為檢測[J]. 電力科學(xué)與技術(shù)學(xué)報, 2021, 36(6): 164-170.

WU Chaofei, SUN Chong, LIU Sha, et al. Detection of stealing electricity energy based on improved fuzzy C-means clustering[J]. Journal of Electric Power Science and Technology, 2021, 36(6): 164-170.

[7] RAZAVI R, GHARIPOUR A, FLEURY M, et al. A practical feature-engineering framework for electricity theft detection in smart grids[J]. Applied Energy, 2019, 238: 481-494.

[8] 保富, 黃祖源. 基于流計算的大客戶用能智能分析方法[J]. 電力系統(tǒng)保護與控制, 2021, 49(11): 148-154.

BAO Fu, HUANG Zuyuan. Intelligent analysis method for energy consumption of large customers based on stream computing[J]. Power System Protection and Control, 2021, 49(11): 148-154.

[9] 孫毅, 李世豪, 崔燦, 等. 基于高斯核函數(shù)改進的電力用戶用電數(shù)據(jù)離群點檢測方法[J]. 電網(wǎng)技術(shù), 2018, 42(5): 1595-1606.

SUN Yi, LI Shihao, CUI Can, et al. Improved outlier detection method of power consumer data based on Gaussian kernel function[J]. Power System Technology, 2018, 42(5): 1595-1606.

[10] 戶艷琴, 李海明, 劉念, 等. 面向能源互聯(lián)網(wǎng)終端用戶的異常數(shù)據(jù)檢測方法[J]. 電力建設(shè), 2021, 42(10): 19-27.

HU Yanqin, LI Haiming, LIU Nian, et al. Detection method of abnormal data for end users of energy internet[J]. Electric Power Construction, 2021, 42(10): 19-27.

[11] 程超, 張漢敬, 景志敏, 等. 基于離群點算法和用電信息采集系統(tǒng)的反竊電研究[J]. 電力系統(tǒng)保護與控制, 2015, 43(17): 69-74.

CHENG Chao, ZHANG Hanjing, JING Zhimin, et al. Study on the anti-electricity stealing based on outlier algorithm and the electricity information acquisition system[J]. Power System Protection and Control, 2015, 43(17): 69-74.

[12] 莊池杰, 張斌, 胡軍, 等. 基于無監(jiān)督學(xué)習(xí)的電力用戶異常用電模式檢測[J]. 中國電機工程學(xué)報, 2016, 36(2): 379-387.

ZHUANG Chijie, ZHANG Bin, HU Jun, et al. Anomaly detection for power consumption patterns based on unsupervised learning[J]. Proceedings of the CSEE, 2016, 36(2): 379-387.

[13] 王德文, 楊凱華. 基于生成式對抗網(wǎng)絡(luò)的竊電檢測數(shù)據(jù)生成方法[J]. 電網(wǎng)技術(shù), 2020, 44(2): 775-782.

WANG Dewen, YANG Kaihua. A data generation method for electricity theft detection using generative adversarial network[J]. Power System Technology, 2020, 44(2): 775-782.

[14] TAKIDDIN A, ISMAIL M, ZAFAR U, et al. Robust electricity theft detection against data poisoning attacks in smart grids[J]. IEEE Transactions on Smart Grid, 2021, 12(3): 2675-2684.

[15] MESSINIS G M, RIGAS A E, HATZIARGYRIOU N D. A hybrid method for non-technical loss detection in smart distribution grids[J]. IEEE Transactions on Smart Grid, 2019, 10(6): 6080-6091.

[16] NAGI J, YAP K S, TIONG S K, et al. Improving SVM-based nontechnical loss detection in power utility using the fuzzy inference system[J]. IEEE Transactions on Power Delivery, 2011, 26(2): 1284-1285.

[17] JINDAL A, DUA A, KAUR K, et al. Decision tree and SVM-based data analytics for theft detection in smart grid[J]. IEEE Transactions on Industrial Informatics, 2016, 12(3): 1005-1016.

[18] 游文霞, 申坤, 楊楠,等.基于AdaBoost集成學(xué)習(xí)的竊電檢測研究[J]. 電力系統(tǒng)保護與控制, 2020, 48(19): 151-159.

YOU Wenxia, SHEN Kun, YANG Nan, et al. Research on electricity theft detection based on AdaBoost ensemble learning[J]. Power System Protection and Control, 2020, 48(19): 151-159.

[19] YAN Z, WEN H. Electricity theft detection base on extreme gradient boosting in AMI[J]. IEEE Transactions on Instrumentation and Measurement, 2021, 70: 1-9.

[20] 陳鋼, 李德英, 陳希祥. 基于改進XGBoost模型的低誤報率竊電檢測方法[J]. 電力系統(tǒng)保護與控制, 2021, 49(23): 178-186.

CHEN Gang, LI Deying, CHEN Xixiang. Detection method of electricity theft with low false alarm rate based on an XGBoost model[J]. Power System Protection and Control, 2021, 49(23): 178-186.

[21] 巢政, 溫蜜. 一種基于SMOTE和XGBoost的竊電檢測方案[J]. 智慧電力, 2020, 48(11): 97-102.

CHAO Zheng, WEN Mi. Scheme for electricity theft detection based on SMOTE and XGBoost[J]. Smart Power, 2020, 48(11): 97-102.

[22] BUZAU M, TEJEDOR-AGUILERA J, CRUZ-ROMERO P, et al. Hybrid deep neural networks for detection of non-technical losses in electricity smart meters[J]. IEEE Transactions on Power Systems, 2020, 35(2): 1254-1263.

[23] 林曉靜, 劉文, 甘超飛, 等. 基于卷積神經(jīng)網(wǎng)絡(luò)與多維度電力大數(shù)據(jù)的信用評估系統(tǒng)[J]. 電測與儀表, 2021, 58(11): 101-106.

LIN Xiaojing, LIU Wen, GAN Chaofei, et al. Corporate credit assessment system based on convolutional neural network and multi-dimensional power big data[J]. Electrical Measurement & Instrumentation, 2021, 58(11): 101-106.

[24] 趙文清, 沈哲吉, 李剛. 基于深度學(xué)習(xí)的用戶異常用電模式檢測[J]. 電力自動化設(shè)備, 2018, 38(9): 34-38.

ZHAO Wenqing, SHEN Zheji, LI Gang. Anomaly detection for power consumption pattern based on deep learning[J]. Electric Power Automation Equipment, 2018, 38(9): 34-38.

[25] 張靜, 尚光偉, 龔正國, 等. 計及負荷分類及其需求響應(yīng)的配電網(wǎng)設(shè)備利用率提高方法[J]. 電網(wǎng)與清潔能源, 2021, 37(2): 50-56, 63.

ZHANG Jing, SHANG Guangwei, GONG Zhengguo, et al. An optimization method of distribution network equipment utilization considering load classification and demand response[J]. Power System and Clean Energy, 2021, 37(2): 50-56, 63.

[26] HE Y, MENDIS G J, WEI J. Real-time detection of false data injection attacks in smart grid: a deep learning-based intelligent mechanism[J]. IEEE Transactions on Smart Grid, 2017, 8(5): 2505-2516.

[27] LI S, HAN Y, YAO X, et al. Electricity theft detection in power grids with deep learning and random forests[J]. Journal of Electrical and Computer Engineering, 2019, 1-12.

[28] ZHENG Z, YANG Y, NIU X, et al. Wide and deep convolutional neural networks for electricity-theft detection to secure smart grids[J]. IEEE Transactions on Industrial Informatics, 2018, 14(4): 1606-1615.

[29] DESAI J P, MAKWANA V H. A novel out of step relaying algorithm based on wavelet transform and a deep learning machine model[J]. Protection and Control of Modern Power Systems, 2021, 6(4): 500-511.

[30] 鄭煒, 林瑞全, 王俊, 等. 基于GAF與卷積神經(jīng)網(wǎng)絡(luò)的電能質(zhì)量擾動分類[J]. 電力系統(tǒng)保護與控制, 2021, 49(11): 97-104.

ZHENG Wei, LIN Ruiquan, WANG Jun, et al. Power quality disturbance classification based on GAF and a convolutional neural network[J]. Power System Protection and Control, 2021, 49(11): 97-104.

[31] 劉佳翰, 陳克緒, 馬建, 等. 基于卷積神經(jīng)網(wǎng)絡(luò)和隨機森林的三相電壓暫降分類[J]. 電力系統(tǒng)保護與控制, 2019, 47(20): 112-118.

LIU Jiahan, CHEN Kexu, MA Jian, et al. Classification of three-phase voltage dips based on CNN and random forest[J]. Power System Protection and Control, 2019, 47(20): 112-118.

[32] TAKIDDIN A, ISMAIL M, NABIL M, et al. Detecting electricity theft cyber-attacks in AMI networks using deep vector embeddings[J]. IEEE Systems Journal, 2021, 15(3): 4189-4198.

[33] 周飛燕, 金林鵬, 董軍. 卷積神經(jīng)網(wǎng)絡(luò)研究綜述[J]. 計算機學(xué)報, 2017, 40(6): 1229-1251.

ZHOU Feiyan, JIN Linpeng, DONG Jun. Review of convolutional neural network[J]. Chinese Journal of Computers, 2017, 40(6): 1229-1251.

A detection method of electricity theft behavior based on an SE-CNN model

XIA Rui, GAO Yunpeng, ZHU Yanqing, OUYANG Bo, WU Cong

(College of Electrical and Information Engineering, Hunan University, Changsha410082,China)

There is a problem that the existing electricity theft detection of traditional power grids only uses a single amount of electricity and the detection accuracy is low under the actual dataset. Thus a method of electricity theft behavior detection based on a channel attention network improved convolutional neural network model is proposed. First,a multi-source data fusion electricity theft evaluation index system is established. This includes the trend of electricity consumption, the growth rate of line loss, and the terminal alarm, so as to construct the user's electricity consumption feature set. Then, the convolutional neural network (CNN) model is optimized based on the channel attention squeeze and excitation networks (SENet). Thus an electricity theft detection method based on an improved CNN model of the adaptive channel attention network is constructed. Finally, the dataset of the China Southern Power Grid is used to verify the validity and accuracy of the proposed method. Actual measurement results show that the proposed method can effectively realize the accurate detection of various electricity theft behaviors in the actual power grid situation, and the established evaluation index system can more clearly characterize the electricity theft behavior rules. The constructed electricity theft detection model can adaptively adjust the importance of feature channels to improve channel utilization. Compared with existing detection methods, it has higher accuracy and better generalization ability.

electricity theft behavior; improved convolutional neural network; attention network; electricity consumption trend; line loss

10.19783/j.cnki.pspc.220074

國家自然科學(xué)基金項目資助(51777061)；廣西電網(wǎng)科技項目資助(GXKJXM20200020)

This work is supported by the National Natural Science Foundation of China (No. 51777061).

2022-01-17；

2022-04-06

夏 睿(1991—)，男，博士研究生，研究方向為智能信息處理、人工智能在電力系統(tǒng)大數(shù)據(jù)中的應(yīng)用；E-mail: xiarui536@hnu.edu.cn

高云鵬(1978—)，男，通信作者，博士，教授，博士生導(dǎo)師，研究方向為智能信息處理、人工智能在電力系統(tǒng)大數(shù)據(jù)中的應(yīng)用。E-mail: gaoyp@hnu.edu.cn

(編輯 周金梅)