常英賢　孫盼　樊靜雨　邵志敏

摘要：針對(duì)目前電力非技術(shù)檢測(cè)存在數(shù)據(jù)緯度高、不均衡等缺陷導(dǎo)致檢測(cè)性能較低的問題，提出了一種基于信息檢索及深度學(xué)習(xí)的電力系統(tǒng)非技術(shù)損耗檢測(cè)模型。首先，為提高數(shù)據(jù)多樣性，將電力數(shù)據(jù)進(jìn)行二維編碼。其次，提出了一種基于注意機(jī)制的電力二維數(shù)據(jù)特征提取網(wǎng)絡(luò)，從而提取電力二維數(shù)據(jù)深層特征，并將這些特征轉(zhuǎn)換為文本特征。最后，基于文本相似性度量，檢索特定異常數(shù)據(jù)，從而提高電力系統(tǒng)非技術(shù)損耗檢測(cè)精度。實(shí)驗(yàn)階段，以中國(guó)某電力公司提供的電力客戶數(shù)據(jù)集為例，與DenseNet121、InceptionV2、InceptionV3、MobileNet、ResNet50等模型進(jìn)行性能對(duì)比。結(jié)果表明，所提特征提取網(wǎng)絡(luò)在遞歸圖中性能最優(yōu)，前10平均精度為0.1898，前10平均召回率為0.0128。仿真結(jié)果進(jìn)一步驗(yàn)證了所提模型對(duì)電力系統(tǒng)安全管理及穩(wěn)定運(yùn)行提供了一定借鑒作用。

關(guān)鍵字：電力系統(tǒng)；非技術(shù)損耗；特征提取；二維編碼；卷積神經(jīng)網(wǎng)絡(luò)

中圖分類號(hào)：TP393文獻(xiàn)標(biāo)志碼：A文章編號(hào)：1001-2443（2023）06-0520-06

引言

隨著網(wǎng)絡(luò)、大數(shù)據(jù)、物聯(lián)網(wǎng)、通信技術(shù)［1-3］的不斷發(fā)展，電力系統(tǒng)每時(shí)每刻都在不停的接收新的信息。為此，可對(duì)這些海量數(shù)據(jù)進(jìn)行分析，從而推動(dòng)電力系統(tǒng)服務(wù)質(zhì)量提升。

一般情況下，電力系統(tǒng)中存在兩種類型的損耗［4］：技術(shù)損耗和非技術(shù)損耗。技術(shù)損耗是由線路、變壓器和其他設(shè)備中的電阻元件加熱引起的損耗；非技術(shù)損耗主要由竊電、電表故障或計(jì)費(fèi)錯(cuò)誤引起。目前，電力系統(tǒng)非技術(shù)損耗檢測(cè)中的應(yīng)用主要有兩種方案：基于數(shù)據(jù)統(tǒng)計(jì)［5］的方法和基于機(jī)器學(xué)習(xí)［6-8］的方法。統(tǒng)計(jì)方法的實(shí)施相對(duì)簡(jiǎn)單，但一個(gè)重要缺點(diǎn)是只能判斷低壓站發(fā)生了竊電，無(wú)法準(zhǔn)確定位非法用戶。如果要確定可疑用戶，需要手動(dòng)逐個(gè)檢查該區(qū)域的所有用戶，效率較低，對(duì)檢測(cè)過程中檢測(cè)人員的素質(zhì)提出了更高的要求。文獻(xiàn)［9］提出了一種新型的密集卷積神經(jīng)網(wǎng)絡(luò)和隨機(jī)森林模型，實(shí)現(xiàn)了電力用戶竊電行為的檢測(cè)。文獻(xiàn)［7］提出了一種基于SDAE和雙模型聯(lián)合訓(xùn)練的低壓用戶竊電檢測(cè)方法。盡管機(jī)器學(xué)習(xí)方法在圖像、信號(hào)等領(lǐng)域取得了良好的效果，但在NTL領(lǐng)域中實(shí)際使用時(shí)仍存在許多不足。首先，機(jī)器學(xué)習(xí)方法僅能針對(duì)特定問題，模型擴(kuò)展性有限。其次，輸入特征的質(zhì)量對(duì)檢測(cè)效果具有重要影響，然而特征的選取目前還仍未達(dá)成共識(shí)。

為改善上述問題，本文提出力一種基于信息檢索（Information retrieval，IR）機(jī)制的電力非技術(shù)損耗檢測(cè)方法。該方法卷積神經(jīng)網(wǎng)絡(luò)（Convolutional neural network，CNN）從客戶用電量數(shù)據(jù)中提取相關(guān)特征，然后將這些深層特征編碼為文本特征。使用已知竊電客戶的電力消耗數(shù)據(jù)作為查詢，最終檢索出其他可疑的非技術(shù)損耗行為。

1 模型介紹

本節(jié)對(duì)基于信息檢索方法的非技術(shù)性損失檢測(cè)相關(guān)理論及系統(tǒng)框架進(jìn)行介紹。

1.1 信息檢索技術(shù)

5 結(jié)論

本文建立了一種配電網(wǎng)網(wǎng)絡(luò)攻擊檢測(cè)模型，可基于信息檢索、電力二維數(shù)據(jù)特征提取網(wǎng)絡(luò)有效檢測(cè)電力中非技術(shù)損失，從而提高電力系統(tǒng)網(wǎng)絡(luò)攻擊檢測(cè)能力。該模型為電力系統(tǒng)安全管理及穩(wěn)定運(yùn)行提供了一定借鑒作用。

未來可對(duì)模型參數(shù)的優(yōu)化配置和規(guī)模進(jìn)行研究，從而進(jìn)一步降低系統(tǒng)運(yùn)行成本。

參考文獻(xiàn)

［1］ 毛龍燦，楊南.基于大數(shù)據(jù)背景的皮革人才培養(yǎng)優(yōu)化研究［J］.中國(guó)皮革，2021，50（9）：38-41.

［2］ 楊濤.互聯(lián)網(wǎng)時(shí)代下皮革行業(yè)電商物流體系研究分析［J］.中國(guó)皮革，2021，50（8）：82-85.

［3］ 鐘建栩，余少鋒，廖崇陽(yáng)，等.基于云計(jì)算的電力設(shè)備智能監(jiān)測(cè)系統(tǒng)［J］.云南師范大學(xué)學(xué)報(bào)（自然科學(xué)版），2022，42（3）：37-41.

［4］ 楊軍亭，張自強(qiáng)，馬振祺，等.基于智能預(yù)警的一體化配電網(wǎng)竊電風(fēng)險(xiǎn)預(yù)防分析［J］.信息技術(shù)，2021（12）：55-59.

［5］ 陳曦，宋純賀，王天然.大范圍低壓供電區(qū)電力消費(fèi)及竊電規(guī)律研究［J］.太原理工大學(xué)學(xué)報(bào)，2022，53（1）：71-79.

［6］ 肖丁，張玙璠，紀(jì)厚業(yè).基于多頭注意力機(jī)制的用戶竊電行為檢測(cè)［J］.計(jì)算機(jī)科學(xué)，2022，49（1）：140-145.

［7］ 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(cè)方法［J］.電測(cè)與儀表，2021，58（12）：161-168.

［8］ 林振智，崔雪原，金偉超，等.用戶側(cè)竊電檢測(cè)關(guān)鍵技術(shù)［J］.電力系統(tǒng)自動(dòng)化，2022，46（5）：188-199.

［9］ 蔡嘉輝，王琨，董康，等.基于DenseNet和隨機(jī)森林的電力用戶竊電檢測(cè)［J］.計(jì)算機(jī)應(yīng)用，2021，41（S1）：75-80.

Research on Power Grid Non-Technical Loss Detection Method Based on Information Retrieval and Deep Learning

CHANG Ying-xian 1， SUN Pan 2， FAN Jing-yu 1， SHAO Zhi-min 1

（1.State Grid Shandong Electric Power Company， Jinan 250001， China；2.Beijing CLP Puhua Information Technology Co.， LTD.， Beijing 100192， China）

Abstract： A Power system non-technical loss detection model based on information retrieval and deep learning is proposed to cope with the problem of low detection performance caused by high data latitude and imbalance in current power non-technical detection. Firstly， in order to improve the diversity of data， the power data is encoded in two dimensions. Secondly， a power 2D data feature extraction network based on attention mechanism is proposed to extract the deep features of power 2D data and convert these features into text features. Finally， based on the text similarity measure， specific abnormal data are retrieved， so as to improve the accuracy of power system non-technical loss detection. In the experimental stage， taking the power customer data set provided by a Chinese power company as an example， the performance is compared with DenseNet121， InceptionV2， InceptionV3， MobileNet， ResNet50 and other models. The results show that the performance of the proposed feature extraction network is the best in the recursive graph. The average accuracy of the top 10 is 0.1898 and the average recall rate of the top 10 is 0.0128. The simulation results further verify that the proposed model provides a certain reference for power system security management and stable operation.

Key words： power system; non technical losses; feature extraction; two dimensional coding; convolutional neural network

（責(zé)任編輯：馬乃玉）

收稿日期：2022-09-21

基金項(xiàng)目：電力物聯(lián)網(wǎng)移動(dòng)應(yīng)用安全分析關(guān)鍵技術(shù)研究項(xiàng)目（520626220019）.

作者簡(jiǎn)介：常英賢（1980—），男，山東濟(jì)寧市人，高級(jí)工程師，主要研究方向：數(shù)據(jù)管理，大數(shù)據(jù)應(yīng)用，企業(yè)數(shù)字化，雙碳.

引用格式：常英賢，孫盼，樊靜雨，等.基于信息檢索及深度學(xué)習(xí)的電網(wǎng)非技術(shù)損耗檢測(cè)方法研究［J］.安徽師范大學(xué)學(xué)報(bào)（自然科學(xué)版），2023，46（6）：520-525