潘駿,夏祥武,2,李梁,劉非文

(1. 上海電力大學電氣工程學院,上海市 200090;2. 中煤科工集團上海有限公司,上海市 200030;3. 國網(wǎng)上海市電力公司超高壓分公司,上海市 200063)

0 引 言

異常用電是指電力用戶通過對用電數(shù)據(jù)進行非法篡改引起的電力欺詐與能源盜竊行為,異常用電行為是配電網(wǎng)中非技術(shù)性損耗(non-technical loss, NTL)的主要原因,直接造成電網(wǎng)巨額的經(jīng)濟損失,危害電網(wǎng)的平穩(wěn)運行[1-6]。電力企業(yè)對異常用電檢測業(yè)務重視程度不斷加大,促使部分非法用電方法從對電能表的物理破壞轉(zhuǎn)變?yōu)榇鄹拇鎯?shù)據(jù)的數(shù)據(jù)攻擊[7-10],使得傳統(tǒng)的用電稽查手段面臨新的難題。隨著智能電網(wǎng)的發(fā)展,廣泛部署的高級量測架構(gòu)(advanced metering infrastructure, AMI)提供了海量的多維耦合用電數(shù)據(jù)[11-13],如何從信息耦合的電力數(shù)據(jù)中挖掘出潛在的異常用電用戶,提高現(xiàn)場稽查異常用電的準確性,是目前異常用電檢測的研究重點。

目前,異常用電檢測的技術(shù)可大致劃分為3類:基于線損分析、基于用電模式特征和基于潮流約束[14]。第一類方法將異常用電檢測問題描述成用電量與臺區(qū)線損間的關(guān)聯(lián)性分析[15-16]。此類方法理論研究較為完善,但缺乏對多元用電信息的運用,應用場景較為狹窄。

第二類方法基于數(shù)據(jù)驅(qū)動的方法,將不同于正常用戶用電模式特征的異常用戶區(qū)分出來。根據(jù)有無數(shù)據(jù)標簽,劃為有監(jiān)督和無監(jiān)督方法。有監(jiān)督學習是通過學習用電特征信息的分類器模型[17-19],以此區(qū)分正負樣本。同時為解決數(shù)據(jù)正負樣本不平衡問題,提出了基于Wasserstein生成對抗網(wǎng)絡的異常樣本過采樣方法[20]等異常檢測模型。這類方法檢測準確率較高,但依賴足量的標記樣本數(shù)據(jù),而完整的異常樣本標簽獲取成本較高。無監(jiān)督算法能從未標記的用電數(shù)據(jù)中學習潛在樣本分布對數(shù)據(jù)進行劃分,如文獻[21]提出了對用戶電量進行分簇計算離群度識別異常用電模式的方法,文獻[22]提出了對用戶電量進行編碼重構(gòu)的方法來校驗異常用電。這類方法通常從用戶歷史用電量角度制定電量的差異性指標來區(qū)分異常用戶,但受到用戶負荷隨機性和獨立性的影響。

第三類是考慮到電力網(wǎng)絡的狀態(tài)變量受潮流約束的影響,異常用電行為將導致系統(tǒng)狀態(tài)的不一致性[23-24]。大部分研究都是基于狀態(tài)估計的異常檢測方法[25-27],通過分析異常用電行為導致系統(tǒng)狀態(tài)的異常特征,比較電壓、功率的量測值與估計值的殘差進行異常檢測。這類方法有著較高的檢測精度,但依賴于精確的配網(wǎng)拓撲參數(shù)以及額外的儀表量測,限制了此類方法的使用范圍,僅適用于網(wǎng)絡拓撲參數(shù)完善的用電稽查場景。

針對狀態(tài)估計方法受限于拓撲參數(shù)的問題,本文通過構(gòu)建神經(jīng)網(wǎng)絡等值潮流模型與潮流回溯機制,實現(xiàn)不依賴線路參數(shù)的關(guān)聯(lián)潮流感知,挖掘異常用電的殘差特征。提出的基于關(guān)聯(lián)潮流感知與高斯混合模型(associative power flow sensing and Gaussian mixture model, APFS-GMM)由2個部分組成:關(guān)聯(lián)潮流感知網(wǎng)絡和估計網(wǎng)絡。首先,基于潮流計算方程的配網(wǎng)電壓功率特征存在著相互關(guān)聯(lián)相互約束的物理聯(lián)系,挖掘出潮流方程兩端關(guān)聯(lián)約束的電壓與功率殘差特征。其中,在正向潮流映射中,將圖注意力(graph attention network, GAT)機制用于聚合目標節(jié)點與鄰居節(jié)點間的功率數(shù)據(jù),學習關(guān)聯(lián)潮流函數(shù)關(guān)系,實現(xiàn)不依賴于網(wǎng)絡參數(shù)的等值潮流計算;同時在潮流感知網(wǎng)絡中引入潮流回溯機制,通過動量迭代思想,不斷攻擊注入功率,使之回溯至與量測電壓相對應的回溯功率。然后,提取出映射電壓和回溯功率的殘差特征作為異常用電特征向量,設計基于高斯混合模型的估計網(wǎng)絡對構(gòu)造的異常用電特征向量計算異常概率能量,將處于低密度區(qū)域的用戶視為異常用電用戶。最后,與多種異常用電檢測模型對比表明,該模型在異常用電檢測問題上具有更優(yōu)的性能。

1 異常用電行為的建模分析

1.1 異常用電的電氣狀態(tài)量分析

異常用電行為將產(chǎn)生異常的電表量測數(shù)據(jù),傳統(tǒng)的數(shù)據(jù)驅(qū)動異常用電檢測方法是以用電量數(shù)據(jù)為基礎,分析用電曲線的異常波動特征進行檢測。

各場景下的用戶用電曲線如圖1所示,當用戶處于低谷用電量時,用戶的正常用電波動與異常用電行為將難以區(qū)分。

圖1 各場景下的用戶用電曲線

配電網(wǎng)是由電源節(jié)點、負荷節(jié)點和功率傳輸網(wǎng)絡構(gòu)成的物理拓撲。在同一個時間斷面上,由于電網(wǎng)的物理模型及潮流方程約束,各節(jié)點系統(tǒng)狀態(tài)具有一致性,狀態(tài)量間具有較強的非線性關(guān)聯(lián)[28]。

當系統(tǒng)正常運行時,任意節(jié)點i的節(jié)點電壓Vi和功率Si表達式為:

(1)

(2)

當系統(tǒng)中k點發(fā)生異常用電行為時,將異常負荷等效導納設為ΔYc,則任意節(jié)點i的異常用電后的節(jié)點電壓Vi′和異常用電后的功率S′i可以表示為:

(3)

(4)

由式(3)、(4)可知,系統(tǒng)發(fā)生異常未量測的功率分流時,該用戶節(jié)點的電壓和功率都會增加一個與異常用電負荷相關(guān)的變量,變量的變化特性與異常用電負荷性質(zhì)相關(guān)聯(lián)。

正常的用電負荷波動滿足系統(tǒng)的潮流約束,不會產(chǎn)生異常注入量,而異常用電行為產(chǎn)生的異常注入量即為量測值與狀態(tài)量之間的誤差。

1.2 異常用電行為分析

居民智能電表的電量計量是對電壓、電流的實時采樣計算,計量公式為:

W=∑Pmea,tΔtt=∑Vmea,tImea,tcosθmea,tΔtt

(5)

式中:Pmea,t、Vmea,t、Imea,t、θmea,t分別為t時刻電表量測的有功功率、相電壓、相電流和相角。

針對上述電能計量原理,用戶只需更改任意參量均能導致電能表慢轉(zhuǎn)、停轉(zhuǎn)乃至反轉(zhuǎn)[29]。實際營銷業(yè)務中的異常用電手法類型眾多,除了傳統(tǒng)的用電竊電,還包括新型光伏竊電,如用戶通過篡改光伏計量表來騙取新能源補貼。但究其原理大多可歸為針對智能電表的電流、電壓和功率因數(shù)等電氣狀態(tài)參量進行篡改,以達到變更計量電量的目的。

根據(jù)針對的電氣狀態(tài)量的區(qū)別,異常用電行為可分為如下3類[30]：

1)針對電壓參數(shù)的異常用電方法,如:欠壓法、光伏升壓法。其特征在于更改計量電能表的測量電壓,VmeaVrea。

2)針對功率參數(shù)的異常用電方法,如:欠流法、移相法、無表法和光伏升流法。其特征在于通過改變流經(jīng)電流、改變相位或繞表用電的方法,更改計量功率數(shù)值,PmeaPrea。

3)針對電壓、功率參數(shù)的異常用電方法,如:擴差法和市電改接法。其特征在于外力破壞、干擾和更改電表讀數(shù),電壓和功率電氣參數(shù)變化規(guī)律更為復雜。

綜上所述,當用戶側(cè)出現(xiàn)異常用電行為時,電表的量測功率和電壓將無法滿足基本的潮流約束。針對電表數(shù)據(jù)的感知校驗,能夠充分發(fā)現(xiàn)發(fā)生異常負荷分流后系統(tǒng)狀態(tài)產(chǎn)生的變化特征,適用于檢測上述多類型的異常用電行為。

考慮到用戶異常功率作為等值潮流方程的輸入量時,會引起關(guān)聯(lián)用戶的潮流計算電壓與量測電壓間的誤差,導致出現(xiàn)殘差污染的情況。對此,本文提出了基于GAT的潮流感知網(wǎng)絡,以注意力機制擬合關(guān)聯(lián)用戶的功率注入,提高用戶電壓擬合精度,同時在不改變感知網(wǎng)絡參數(shù)的條件下,通過動量攻擊法反向回溯與量測電壓對應的回溯功率,最終以相互關(guān)聯(lián)的正向映射電壓和反向回溯功率2個特征構(gòu)建異常用電的殘差特征。

2 基于關(guān)聯(lián)感知網(wǎng)絡的殘差特征提取

2.1 配電網(wǎng)潮流計算的局限性

電力系統(tǒng)中的節(jié)點電壓和注入功率需要滿足物理潮流約束,對于拓撲參數(shù)完整、導納矩陣完備的系統(tǒng),可建立如下的潮流物理方程:

F(P,Q,θ,V)=0

(6)

式中:P、Q分別為節(jié)點的注入有功和無功功率;θ、V分別為節(jié)點的電壓相角和幅值。

然而,我國中低壓配電網(wǎng)線路存在著長期運行與維護等情況,導致網(wǎng)架結(jié)構(gòu)脆弱、網(wǎng)架參數(shù)實際值與標記值存在偏差、臺區(qū)線路參數(shù)缺失等問題,難以構(gòu)建精確數(shù)學建模的物理潮流模型進行計算。

2.2 潮流映射可行性分析

我國中低壓配電網(wǎng)大多呈輻射狀結(jié)構(gòu),線路電阻較大,潮流非線性關(guān)系強,輻射狀配電網(wǎng)中的節(jié)點電壓分布情況與各節(jié)點功率分布相關(guān)聯(lián),其計算公式為:

(7)

式中:ΔVm為節(jié)點m的電壓變化量;N為節(jié)點注入功率發(fā)生變化的節(jié)點集合;ki,PV和ki,QV分別為第i個節(jié)點的有功功率變化量ΔPi和無功功率變化量ΔQi對第m個節(jié)點的電壓靈敏度系數(shù)。

由式(7)可知,P、Q對θ、V的偏導雅可比矩陣J=?F/?[θ,V],且系統(tǒng)正常運行狀態(tài)下J是可逆的,由隱函數(shù)存在定理可知,存在從P、Q到V的唯一函數(shù)映射[31]。同時,深度神經(jīng)網(wǎng)絡具有強大的非線性擬合能力,通過構(gòu)建神經(jīng)網(wǎng)絡等值潮流模型,利用大量的歷史量測數(shù)據(jù)擬合P、Q與V之間存在的潮流映射關(guān)系在理論上是可行的。

2.3 基于圖注意力網(wǎng)絡的映射電壓特征

電力系統(tǒng)本質(zhì)上是圖結(jié)構(gòu)的系統(tǒng),用電數(shù)據(jù)實質(zhì)是物理信息的耦合[32]?；趫D結(jié)構(gòu)的圖注意力網(wǎng)絡能利用鄰接矩陣的節(jié)點關(guān)聯(lián)信息,從空間上提取配電網(wǎng)結(jié)構(gòu)的關(guān)聯(lián)特征,通過注意力機制定義聚合函數(shù),為節(jié)點間的聚合信息重新設置權(quán)重,實現(xiàn)自適應地聚合鄰接節(jié)點的信息[33]。

圖注意力網(wǎng)絡通過構(gòu)建注入功率與電壓的潮流映射關(guān)系,繞過潮流計算對線路導納矩陣的需求,擬合潮流約束中功率、電壓變量間的函數(shù)關(guān)系,實現(xiàn)了不依賴于線路參數(shù)的等值潮流計算,其函數(shù)關(guān)系表示為:

V=gGAT(P,Q)

(8)

關(guān)聯(lián)信息聚合過程如圖2所示。具體而言,將配網(wǎng)中包含拓撲關(guān)聯(lián)信息的G(X,A)進行信息聚合,獲得具有數(shù)據(jù)關(guān)聯(lián)信息的嵌入特征向量X′。

圖2 電力系統(tǒng)關(guān)聯(lián)信息聚合過程示意圖

(9)

注意力系數(shù)aij經(jīng)過softmax歸一化的計算過程為:

(10)

式中:eij表示鄰居節(jié)點vj對目標節(jié)點vi的重要程度權(quán)重系數(shù)。

(11)

如式(11)將特征向量通過“‖”進行連接操作,然后輸入到單層前饋神經(jīng)網(wǎng)絡中,計算兩節(jié)點相關(guān)度,最后通過非線性激活函數(shù)LeakyReLU得到eij。如圖3所示,說明了圖注意力層中注意力運算的機制。

圖3 圖注意力運算原理

2.4 基于動量攻擊法的潮流回溯功率特征

基本迭代法(basic iterative method, BIM)作為一種基礎地迭代攻擊算法,通過多步迭代得到擾動,沿最優(yōu)方向修改輸入值,將多次迭代的樣本裁剪(Clip)到規(guī)定范圍內(nèi),獲取目標輸出值:

(12)

對抗攻擊算法常用于修改輸入圖像以影響目標分類能力,相應裁剪迭代值為整型。而功率回溯機制基于對抗攻擊以獲取目標輸出值的思想。

對此本文對基本迭代法的對抗攻擊過程進行了相應的改進,提出了一種基于動量攻擊法(momentum iterative method, MIM)的潮流回溯機制:

1)梯度更新引入動量迭代思想,在計算每次擾動過程中,將動量項整合到迭代攻擊中,通過梯度累加,確保了梯度更新方向的穩(wěn)定性,并刪除了符號函數(shù),來獲取潮流回溯功率:

(13)

(14)

式中:gt表示累計梯度;μ表示衰減因子。

2)由于功率回溯過程中僅在電壓幅值下引導學習,而缺乏電壓相角,潮流回溯功率P、Q可能不是唯一解。因此將注入功率解耦,僅考慮與用戶異常用電行為更相關(guān)的有功功率回溯,保持系統(tǒng)無功不變的情況下,使之回溯變化量累加至有功變化量上,具體如下:

(15)

3 基于APFS-GMM的異常用電檢測模型

APFS-GMM是一個用于異常用電檢測的深度學習模型,其模型框架的具體結(jié)構(gòu)如圖4所示。

圖4 APFS-GMM模型結(jié)構(gòu)

主要由關(guān)聯(lián)潮流感知網(wǎng)絡和估計網(wǎng)絡2個模塊組成。具體而言,利用低壓配電網(wǎng)末端用戶側(cè)智能電表所采集的功率與電壓數(shù)據(jù)和包含臺區(qū)拓撲信息的鄰接矩陣作為整個模型的輸入;在關(guān)聯(lián)潮流感知網(wǎng)絡中引入圖注意力機制聚合網(wǎng)絡節(jié)點的關(guān)聯(lián)特征,將功率特征映射到電壓上,實現(xiàn)功率-電壓的潮流映射;然后引入潮流回溯機制,通過對抗攻擊方式回溯潮流功率,構(gòu)成輸入輸出關(guān)聯(lián)的潮流感知模型;最后在基于高斯混合模型的估計網(wǎng)絡中,將提取出的關(guān)聯(lián)潮流約束誤差特征作為異常用電特征,計算概率密度矩陣作為網(wǎng)絡輸出,相對于給定閾值來檢測異常用電。

3.1 關(guān)聯(lián)潮流感知網(wǎng)絡

本文為獲得具有代表性的異常用電差異性特征,根據(jù)異常用電行為引起的電表數(shù)據(jù)變化的特點,以關(guān)聯(lián)聚合的潮流映射網(wǎng)絡和動量迭代攻擊的潮流回溯網(wǎng)絡的相互作用,共同構(gòu)建了關(guān)聯(lián)潮流感知網(wǎng)絡,生成符合異常用電行為特點的誤差特征。

1)潮流映射網(wǎng)絡。

將拓撲連接信息編入潮流映射網(wǎng)絡中,通過在每個節(jié)點上執(zhí)行注意力機制,實現(xiàn)節(jié)點關(guān)聯(lián)電氣信息聚合,減小了潮流擬合的信息差,進一步提升了潮流擬合精度,引導網(wǎng)絡學習輸入功率與電壓間的非線性函數(shù)映射。

2)潮流回溯網(wǎng)絡。

為了更好地應對復雜多樣的異常用電手法引起的電氣量異常值,本文采用了一種動量迭代攻擊算法回溯功率,將用戶量測電壓Vmea定為輸出目標,通過不斷迭代對抗攻擊網(wǎng)絡的輸入功率,使網(wǎng)絡輸出的潮流映射電壓Vmap有效地逼近于用戶量測電壓Vmea。

在迭代對抗攻擊過程中,正常用戶的有功回溯在合理誤差范圍內(nèi),而使得異常用電用戶的潮流回溯有功差異不斷增大,從而提取出了與異常負荷相關(guān)的功率變化特征。

3.2 估計網(wǎng)絡

異常用電數(shù)據(jù)引起的電氣狀態(tài)量異變不符合潮流約束,難以完整進行潮流映射和潮流回溯的過程,產(chǎn)生的殘差特征將明顯偏離于正常用戶。本文基于GMM架構(gòu)設計了估計網(wǎng)絡,對異常用電殘差特征計算在高斯混合模型中的權(quán)重概率,從而完成異常用電檢測。

為了讓估計網(wǎng)絡同時學習到兩類關(guān)聯(lián)特征,對感知數(shù)據(jù)的電壓映射誤差ΔV和功率回溯誤差ΔP進行拼接(concatenate)生成殘差特征Z。將Z輸入估計網(wǎng)絡估計樣本的混合概率系數(shù)P∈RN×M。最后,根據(jù)模型的概率密度來計算竊電用戶的異常用電概率能量。具體計算步驟如下:

1)殘差特征Z的構(gòu)建:為了考慮每個樣本的映射誤差和回溯誤差,采用Euclidean距離和余弦距離計算誤差函數(shù),計算公式為:

(16)

(17)

式中:ZV、ZP分別為映射電壓誤差和回溯功率誤差;Cos(·)表示采用余弦距離計算誤差函數(shù);Euc(·)表示采用Euclidean距離計算誤差函數(shù)。

將2種計算誤差作為2個不同的特征分別級聯(lián)拼接構(gòu)造成最終的殘差特征Z：

Z=[ZV‖ZP]

(18)

2)混合概率系數(shù)P的計算:

P=softmax[MLP(Z,θm)]

(19)

式中:θm為估計網(wǎng)絡的參數(shù);MLP(Z,θm)為估計網(wǎng)絡的輸出特征;softmax為激活函數(shù)。

3)利用P計算估計網(wǎng)絡的參數(shù),計算公式為:

(20)

(21)

(22)

式中:φm、μm和Σm分別代表估計網(wǎng)絡的第m個分布的混合概率、均值和協(xié)方差。

4)樣本能量E(z)計算公式為:

(23)

估計網(wǎng)絡的輸出結(jié)果表示每個樣本服從于整體近似樣本分布的概率分布,它也是系統(tǒng)狀態(tài)量理論值和量測值的偏差與系統(tǒng)總體量測精度的偏離程度,可認為是異常用電的可能性。

綜上,APFS-GMM模型的損失函數(shù)為:

(24)

式中:第一項是關(guān)聯(lián)潮流感知網(wǎng)絡的殘差;第二項是估計網(wǎng)絡的預測能量;第三項是防止協(xié)方差矩陣不可逆的懲罰項。

4 算例分析

為了驗證APFS-GMM模型用于異常用電檢測的有效性,本節(jié)采用浙江省某典型示范區(qū)數(shù)據(jù)作為原始數(shù)據(jù),分析了包含20個臺賬明確的配電臺區(qū),用戶3 000余戶的用電數(shù)據(jù),其中包括3個商業(yè)用戶臺區(qū)、5個農(nóng)村用戶臺區(qū)和12個城鎮(zhèn)居民用戶臺區(qū)。該數(shù)據(jù)集包含了從2019年3月至2019年4月共50天,用電數(shù)據(jù)采集頻率為15 min,總計4 800組功率與電壓的樣本數(shù)據(jù)。為提供足夠的異常用電數(shù)據(jù),在上述用電數(shù)據(jù)中,根據(jù)文獻[14]模擬了異常用電行為篡改智能電表數(shù)據(jù)的特征,生成異常用電數(shù)據(jù),來驗證模型的有效性。本文提出的APFS-GMM模型在Pytorch-Geometric框架下實現(xiàn)。

4.1 評價指標選擇

異常用電檢測作為一個正負樣本不平衡的二分類問題,同時存在著嚴重的正負樣本不平衡問題,不能簡單地用準確率來評判模型的性能。為了評價模型的性能,本文參考異常檢測領(lǐng)域相關(guān)成果,本文采用準確率σACC、召回率Fr、F1指數(shù)F1-score和誤報率(false positive rate, FPR)kFPR作為評價指標以衡量模型的性能,上述評估指標(不包含誤報率)的值越大表示模型檢測性能越好。計算上述指標的依據(jù)來源為異常用電檢測的混淆矩陣,如表1所示。

表1 異常用電檢測混淆矩陣

將上述4種情況對應的用戶樣本數(shù)量設置為MTP、MTN、MFN和MFP。

采用準確率σACC、召回率Fr、F1指數(shù)F1-score和誤報率kFPR作為檢測性能指標:

(25)

(26)

(27)

(28)

4.2 網(wǎng)絡結(jié)構(gòu)和參數(shù)設置

對于關(guān)聯(lián)特征聚合的圖神經(jīng)網(wǎng)絡層數(shù)的選擇,注意力層太少面臨特征聚合效果不明顯,太大則面臨特征退化的問題。具體的層數(shù)選擇通過對比1—4層模型的訓練效果選擇最優(yōu)層數(shù)。注意力頭數(shù)的取值范圍為1～8,同樣根據(jù)訓練結(jié)果進行比選。

對于關(guān)聯(lián)感知的潮流映射任務,本文選擇均方差(mean squared error, MSE)YMSE作為衡量模型的性能。

(29)

本文固定其他網(wǎng)絡層的結(jié)構(gòu),通過比較圖注意力網(wǎng)絡電壓映射能力與異常檢測性能指標來確定GAT層的超參數(shù),實驗結(jié)果如圖5所示。

圖5 GAT層的實驗結(jié)果

由圖5(a)可知,僅單層的GAT網(wǎng)絡聚合關(guān)聯(lián)信息的能力較差,各項指標上檢測效果不佳,兩層的GAT網(wǎng)絡可以有效地聚合各鄰接節(jié)點間的關(guān)聯(lián),但隨著更多GAT層的加入,準確率、召回率、F1指數(shù)和FPR的性能指標隨之逐步下降,同時在電壓均方差上也是兩層的GAT網(wǎng)絡損失最小,性能最優(yōu),因此本模型采用兩層的GAT網(wǎng)絡層。根據(jù)圖5(b)可知,注意力頭數(shù)為4時,模型關(guān)聯(lián)感知性能最優(yōu),相應的電壓映射均方差最小,與此同時的異常檢測F1指數(shù)最優(yōu)。關(guān)聯(lián)感知網(wǎng)絡中圖注意力參數(shù)設置如表2所示。

表2 關(guān)聯(lián)潮流感知網(wǎng)絡參數(shù)

估計網(wǎng)絡學習輸入殘差特征Z的分布特性,通過softmax激活函數(shù)輸出樣本的混合概率系數(shù)矩陣P。同時在網(wǎng)絡中添加Dropout層防止估計網(wǎng)絡發(fā)生過擬合[34]。最后,在CA-GMM中采用Adam優(yōu)化,批處理量為20,學習率為0.001,λ1=0.1,λ2=0.005,迭代次數(shù)為5 000,估計網(wǎng)絡結(jié)構(gòu)與參數(shù)如表3所示。

表3 估計網(wǎng)絡參數(shù)設置

4.3 異常用電檢測性能評估

4.3.1 GAT網(wǎng)絡潮流映射能力

為了驗證模型中圖注意力網(wǎng)絡的電壓映射能力的有效性,本文還嘗試了卷積神經(jīng)網(wǎng)絡(convolutional neural networks, CNN)和多層感知機(multilayer perceptron,MLP)這2種網(wǎng)絡作為潮流映射的神經(jīng)網(wǎng)絡,并與GAT模型進行對照,關(guān)聯(lián)感知網(wǎng)絡和估計網(wǎng)絡的其他模塊保持相同。CNN網(wǎng)絡采用文獻[31]的輸入構(gòu)成方式進行對比。

各模型經(jīng)過充分訓練后,采用城鎮(zhèn)居民用戶臺區(qū)4月1日到10日的960組數(shù)據(jù)作為驗證集,各模型的電壓擬合結(jié)果如圖6所示。

圖6 不同模型下電壓擬合誤差曲線

在潮流映射電壓擬合效果上,MLP網(wǎng)絡并不完全收斂,電壓映射誤差較大;CNN網(wǎng)絡通過提取鄰近節(jié)點的局部特征,具有相對有效的電壓映射能力;GAT網(wǎng)絡通過嵌入鄰接矩陣信息,提升了模型的感知視野,進一步聚合關(guān)聯(lián)節(jié)點的信息,提高了電壓映射能力,測試集上電壓映射誤差小于0.005,可以滿足異常用電檢測任務的性能要求。

4.3.2 殘差特征可視化

為了體現(xiàn)模型學習過程中殘差特征的嵌入質(zhì)量,本文選用tSNE工具對估計網(wǎng)絡的誤差特征輸入量進行可視化展示,結(jié)果如圖7所示。

圖7 基于tSNE的誤差特征可視化

APFS-GMM模型由于借助于鄰接矩陣提供的全局視野,進行了關(guān)聯(lián)特征聚合過程,提取到有效的電壓殘差特征,同時增加了回溯功率的殘差特征,將用電數(shù)據(jù)進行更有效地區(qū)分,從可視化圖中,異常樣本聚集明顯且能夠與正常樣本分離,為后續(xù)的異常檢測提供了有效的輸入特征。

4.3.3 與其他算法的對比

為了驗證APFS-GMM模型的異常用電檢測性能,選取浙江省某區(qū)域50個有異常用電記錄的臺區(qū)歷史用電數(shù)據(jù),根據(jù)異常用電方法(分壓法、分流法、移相法等)[14]和電力公司稽查確認的異常用電用戶案例為依據(jù),構(gòu)建相應的異常用電用戶數(shù)據(jù)作為驗證數(shù)據(jù)集,給予相應的異常用電用戶標簽,標簽只用于驗證模型結(jié)果,不參與模型訓練。將各種檢測方法按不同異常用電方法進行分類檢測,其異常用電檢測結(jié)果如表4所示。

表4 不同模型的異常用電行為檢測結(jié)果

由表4可知,與傳統(tǒng)的利用日用電量曲線等負荷時間序列的辨識方法相比,本文所提AFPS-GMM異常用電檢測模型的準確率σACC接近1,有很好的辨識效果,且誤報率kFPR十分接近0,較低的誤報率更有利于電力公司稽查效率的提高。相應的F1指數(shù)F1-score和召回率Fr都接近1,異常檢測性能表現(xiàn)具有一定的優(yōu)勢。APFS-GMM模型不會受到用戶負荷隨機波動與特殊用戶不尋常用電習慣的影響,所提出的差異性指標更符合異常用電行為特征。

4.3.4 多目標異常用電檢測能力分析

為了驗證APFS-GMM模型在同時段出現(xiàn)多個異常用電用戶時的檢測性能。本文設置在不同用戶規(guī)模下,同時出現(xiàn)3、4、5、6和7個異常用電用戶時進行異常用電檢測,檢測結(jié)果如圖8所示。

圖8 多目標異常用電檢測結(jié)果

由圖8可知,當臺區(qū)內(nèi)同時段異常用電用戶數(shù)維持在3～4戶時,APFS-GMM模型以較高F1指數(shù)和較低誤報率檢測出相應的異常用戶;當用戶數(shù)攀升至5戶往上時,在小規(guī)模臺區(qū)的檢測性能相對可靠,但隨著檢測規(guī)模的擴大,相應檢測性能也有明顯下降。

為驗證在各類型臺區(qū)下的多目標檢測能力,選擇了3種不同類別用戶的臺區(qū)進行試驗,試驗結(jié)果如表5所示。

表5 不同類型臺區(qū)多目標檢測能力

其中最小F1-score與最大kFPR皆為異常用戶增多至9個時所對應的值,可以發(fā)現(xiàn)APFS-GMM的多目標檢測能力約為3個。同時異常用電行為用戶只占極少一部分,單個臺區(qū)同時段內(nèi)發(fā)生3個以上異常用戶的概率幾乎為0。在不同臺區(qū)下,APFS-GMM的多目標檢測能力的魯棒性均較為顯著。

4.3.5 APFS-GMM的拓撲變動適應性校驗

為了測試APFS-GMM在臺區(qū)拓撲變動情況的適應性,本文與文獻[31]的電壓擬合卷積模型從網(wǎng)絡拓撲變動方面進行對比驗證。

在臺賬明確的配電臺區(qū)中選用3號農(nóng)村用戶臺區(qū),APFS-GMM與擬合CNN模型在拓撲變動前進行充分訓練,學習相應的潮流映射過程,在仿真環(huán)境下將10、18號用戶改接入6號用戶所處支路重新計算潮流,同時15、25號用戶屬于異常用電用戶,測試結(jié)果如圖9所示。

圖9 拓撲變動下的異常用電檢測能力對比

在3號臺區(qū)中,將異常概率能量大于0.5的用戶視為異常用電用戶。拓撲變動前后,APFS-GMM通過更新鄰接矩陣,與擬合CNN依賴于相鄰用戶順序編號的輸入量對比,掌握了一定的拓撲變動信息,仍能準確地進行關(guān)聯(lián)潮流感知,具有較好的拓撲變動適應性。

5 結(jié) 論

為了從信息耦合的電力數(shù)據(jù)中挖掘出潛在的異常用電用戶,提高現(xiàn)場稽查異常用電的準確性,提出了針對智能電表數(shù)據(jù)感知校驗的異常用電檢測方法,得到如下結(jié)論:

1)分析了異常用電行為后系統(tǒng)狀態(tài)產(chǎn)生的變化特征,建立起異常用電與智能電表量測數(shù)據(jù)異常間關(guān)聯(lián)性,提高了方法的異常預警能力。

2)由于配電網(wǎng)異常用電行為產(chǎn)生的異常電氣數(shù)據(jù)存在耦合關(guān)聯(lián)性,本文提出了APFS-GMM模型進行異常用電檢測,重點研究了神經(jīng)網(wǎng)絡等值潮流模型與潮流回溯機制,實現(xiàn)了對用戶側(cè)潮流數(shù)據(jù)的關(guān)聯(lián)感知,挖掘了受潮流約束的異常用電關(guān)聯(lián)殘差特征進行異常檢測。

3)與其他方法相比較,APFS-GMM對電壓功率的異常用電特征進行關(guān)聯(lián)建模,提取出受潮流約束的關(guān)聯(lián)殘差特征,最大化保留了原始數(shù)據(jù)信息,在實際應用中適用于多種類型用戶臺區(qū)檢測,具有更好的準確率,對異常用電用戶可準確辨識,為配網(wǎng)異常用電檢測與分析提供了全新有效的方案。