摘 要：

竊電行為不僅會(huì)造成電網(wǎng)非技術(shù)性損耗增加，而且可能因操作不當(dāng)影響電網(wǎng)設(shè)備的運(yùn)行安全和竊電者的人身安全。針對(duì)當(dāng)前電網(wǎng)在竊電檢測(cè)方面存在的稽查難度大、檢測(cè)效率低等問題，設(shè)計(jì)了竊電監(jiān)測(cè)系統(tǒng)。配套監(jiān)測(cè)裝置可靈活安裝在供電線路上，使用電流互感器取能，實(shí)時(shí)采集線路電流，利用4G模塊將數(shù)據(jù)傳輸至云服務(wù)器，在上位機(jī)軟件中采用實(shí)值深度置信網(wǎng)絡(luò)（RDBN）算法對(duì)數(shù)據(jù)進(jìn)行分析。仿真和實(shí)驗(yàn)測(cè)試表明，RDBN算法對(duì)竊電狀態(tài)的識(shí)別準(zhǔn)確率達(dá)到98.15%，監(jiān)測(cè)系統(tǒng)能實(shí)時(shí)獲取并分析監(jiān)測(cè)數(shù)據(jù)，標(biāo)記可疑竊電線路，降低稽查難度，提高檢測(cè)效率。

關(guān)鍵詞：

非技術(shù)性損耗; 竊電檢測(cè); 電流互感器取能; 實(shí)值深度置信網(wǎng)絡(luò)

中圖分類號(hào)： TM73

文獻(xiàn)標(biāo)志碼： A

文章編號(hào)： 2095-8188（2024）05-0067-08

DOI：

10.16628/j.cnki.2095-8188.2024.05.009

Design of Electricity Theft Monitoring System Based on RDBN Deep Learning Algorithm

CHEN Zhiqian1， BAO Guanghai1， FANG Yandong2

（1.College of Electrical Engineering and Automation，F(xiàn)uzhou University， Fuzhou 350108， China;

2.Zhejiang Tianzheng Electric Co.，Ltd.， Leqing 528300， China）

Abstract：

Electricity theft not only leads to an increase in non-technical losses in the power grid，but also has the potential to impact the operational safety of power grid equipment and pose risks to the safety of individuals involved in power theft due to improper handling.The current power grid faces challenges in detecting electricity theft，including difficulty in inspections and low detection efficiency.In response to these issues，a power theft monitoring system is proposed.The associated monitoring device can be flexibly installed on power supply lines，utilizing a current transformer for power supply.It real-time collects current from the power line and transmits the data to a cloud server using a 4G module.The upper-level software employs the real-valued deep belief network （RDBN） algorithm for data analysis.Through simulation and experimental testing，the RDBN algorithm achieves a recognition accuracy of 98.15% for power theft states.The monitoring system can acquire and analyze monitoring data in real-time，mark suspicious power theft lines，reduce inspection difficulty，and improve detection efficiency.

Key words：

non-technical losses; detecting electricity theft; current transformer for power supply; real-valued deep belief network （RDBN）

0 引 言

電網(wǎng)在輸電和配電過程中的損耗可分為技術(shù)性損耗和非技術(shù)性損耗。非技術(shù)性損耗是指計(jì)量設(shè)備故障、用戶惡意的竊電行為以及賬單錯(cuò)誤導(dǎo)致的經(jīng)濟(jì)損耗［1］。其中，用戶惡意的竊電行為可能導(dǎo)致現(xiàn)有配電網(wǎng)過載，從而降低設(shè)備的預(yù)期壽命。供電的不可靠性和頻繁中斷，必然導(dǎo)致消費(fèi)者受到影響［2］。

在技術(shù)層面，竊電主要分為欠壓竊電和欠流竊電。欠壓竊電可通過比對(duì)電壓值來判斷，而欠流竊電更為隱蔽，較難從數(shù)據(jù)中直接分辨。目前電力公司主要檢測(cè)手段是現(xiàn)場(chǎng)稽查，技術(shù)手段相對(duì)簡(jiǎn)單。對(duì)于欠流竊電中用戶私自搭接、短接線路進(jìn)行竊電這種外在形式較明顯的行為，加大稽查力度能夠?qū)ζ溥M(jìn)行排查。但對(duì)于較為隱蔽的竊電方式則難以查處［3-5］，通過電表得到的數(shù)據(jù)不夠全面，效率也不高，且依賴于現(xiàn)場(chǎng)安裝的電表，檢測(cè)不夠靈活。

近年來，許多學(xué)者對(duì)反竊電開展了廣泛的研究。文獻(xiàn)［6］將窄帶物聯(lián)網(wǎng)技術(shù)與傳統(tǒng)電能計(jì)量表相結(jié)合，使智能三相電表具有防竊電和數(shù)據(jù)遠(yuǎn)傳功能，但在農(nóng)村地區(qū)，窄帶物聯(lián)網(wǎng)（NB-IoT）通信基站部署不完善，會(huì)出現(xiàn)信號(hào)未覆蓋的情況。文獻(xiàn)［7-8］采用某市真實(shí)用戶用電數(shù)據(jù)，基于反向傳播（BP）神經(jīng)網(wǎng)絡(luò)算法，在真實(shí)數(shù)據(jù)案例上以科學(xué)性和實(shí)用性提升了反竊電技術(shù)的信息化和智能化，但從結(jié)果來看，模型的準(zhǔn)確率還需進(jìn)一步提高。文獻(xiàn)［9-10］使用支持向量機(jī)的方法來分析用戶用電數(shù)據(jù)以進(jìn)行竊電檢測(cè)，為數(shù)據(jù)分析提供了有價(jià)值的參考，但支持向量機(jī)在面對(duì)大規(guī)模數(shù)據(jù)集時(shí)可能會(huì)受到計(jì)算資源和訓(xùn)練時(shí)間的限制。文獻(xiàn)［11-17］使用深度神經(jīng)網(wǎng)絡(luò)方法檢測(cè)竊電，神經(jīng)網(wǎng)絡(luò)在大規(guī)模數(shù)據(jù)集和復(fù)雜任務(wù)中表現(xiàn)出色，但為避免模型過擬合，通常需要更多的數(shù)據(jù)進(jìn)行訓(xùn)練。上述基于數(shù)據(jù)驅(qū)動(dòng)的機(jī)器學(xué)習(xí)方法準(zhǔn)確度較高、成本低，可以靈活選擇分析方法，其中實(shí)值深度置信網(wǎng)絡(luò)（RDBN）訓(xùn)練效率較其他深度神經(jīng)網(wǎng)絡(luò)模型高，實(shí)值輸入也能防止竊電特征提取的信息丟失，因此可選取該算法進(jìn)行數(shù)據(jù)分析。但目前主要竊電手段是使得電表不計(jì)或少計(jì)用電行為，對(duì)從電表獲得的數(shù)據(jù)進(jìn)行單獨(dú)分析可能無(wú)法獲得良好的檢測(cè)效果，并且不能有效查處竊電行為。構(gòu)建竊電監(jiān)測(cè)系統(tǒng)可以實(shí)現(xiàn)數(shù)據(jù)采集和分析一體化，實(shí)時(shí)采集數(shù)據(jù)分析，使用深度學(xué)習(xí)方法挖掘數(shù)據(jù)深層特征，有助于檢測(cè)出較為隱蔽的竊電行為。

因此，本文設(shè)計(jì)了一個(gè)具備數(shù)據(jù)采集、傳輸、分析及保存功能的竊電監(jiān)測(cè)系統(tǒng)，配套監(jiān)測(cè)裝置可靈活安裝在可疑區(qū)域的供電線路上，以電流互感器取能，實(shí)時(shí)采集電流，通過4G模塊將數(shù)據(jù)傳輸?shù)皆品?wù)器供上位機(jī)軟件訪問，在上位機(jī)軟件中使用RDBN算法對(duì)電流數(shù)據(jù)進(jìn)行判斷，將結(jié)果展示在軟件界面并保存，為人工稽查提供評(píng)判基礎(chǔ)。所設(shè)計(jì)系統(tǒng)能實(shí)時(shí)監(jiān)測(cè)電流并通過深度學(xué)習(xí)算法對(duì)數(shù)據(jù)進(jìn)行分析，判別精度較高，并能標(biāo)記出可疑竊電線路，提高竊電檢測(cè)效率。

1 方案設(shè)計(jì)

1.1 監(jiān)測(cè)裝置設(shè)計(jì)

本文設(shè)計(jì)的監(jiān)測(cè)系統(tǒng)如圖1所示。監(jiān)測(cè)系統(tǒng)由監(jiān)測(cè)裝置、云服務(wù)器和上位機(jī)軟件組成。

1.1.1 硬件設(shè)計(jì)

監(jiān)測(cè)裝置的硬件設(shè)計(jì)框圖如圖2所示。本文通過設(shè)計(jì)的監(jiān)測(cè)裝置來獲取線路電流數(shù)據(jù)，數(shù)據(jù)通過4G模塊傳輸?shù)皆品?wù)器，上位機(jī)軟件通過云服務(wù)器進(jìn)行數(shù)據(jù)訪問。

監(jiān)測(cè)裝置通過電能計(jì)量芯片采集線路電流信息，由實(shí)時(shí)時(shí)鐘芯片進(jìn)行計(jì)時(shí)。在通信方面，4G網(wǎng)絡(luò)具有實(shí)時(shí)數(shù)據(jù)傳輸、高通信質(zhì)量、低運(yùn)行成本以及廣泛的網(wǎng)絡(luò)覆蓋等優(yōu)勢(shì)，因此選擇4G網(wǎng)絡(luò)進(jìn)行數(shù)據(jù)傳輸。

監(jiān)測(cè)裝置安裝在供電線路上，對(duì)其直接供電不便，因此使用電流互感器進(jìn)行取能。由于線路電流變化范圍較寬泛，電流互感器取電電源易出現(xiàn)一次側(cè)電流較小時(shí)供能不足和一次側(cè)電流較大時(shí)輸出電壓失控的問題［18］。

考慮到上述問題，當(dāng)一次側(cè)電流較小時(shí)，添加1個(gè)鋰電池輔助供電模塊;當(dāng)一次側(cè)電流較大時(shí)，在電流互感器二次側(cè)回路設(shè)計(jì)過壓保護(hù)電路。由于裝置在戶外，為避免雷擊產(chǎn)生的瞬時(shí)大電壓，在電流互感器二次側(cè)并聯(lián)雙向瞬態(tài)電壓抑制（TVS）二極管。

電路硬件實(shí)物如圖3所示。監(jiān)測(cè)裝置包含下層的電源板和上層的4G模塊。

1.1.2 軟件設(shè)計(jì)

監(jiān)測(cè)裝置的軟件流程如圖4所示。主要包括數(shù)據(jù)獲取和傳輸兩部分。

為獲取對(duì)應(yīng)時(shí)刻的電流，單片機(jī)通過通用異步收發(fā)器（UART）通信獲取電能計(jì)量芯片的電流數(shù)據(jù)，讀取芯片相應(yīng)寄存器值得到電流有效值。單片機(jī)與實(shí)時(shí)時(shí)鐘芯片之間采用I2C通信，從實(shí)時(shí)時(shí)鐘寄存器獲得時(shí)間數(shù)據(jù)。最后單片機(jī)和4G模塊進(jìn)行UART通信，通過4G模塊的AT命令進(jìn)行交互，在成功建立網(wǎng)絡(luò)連接后，讀取電流和時(shí)間，將數(shù)據(jù)傳輸至云服務(wù)器供上位機(jī)軟件訪問獲取。

1.2 上位機(jī)軟件開發(fā)

為更加直觀地掌握供電線路信息，并進(jìn)行數(shù)據(jù)分析處理，基于Python語(yǔ)言以及PyQt工具包，開發(fā)了具備數(shù)據(jù)接收、展示、分析以及保存功能的上位機(jī)可視化軟件。數(shù)據(jù)的接收和展示依賴軟件搭載的設(shè)備安裝線路拓?fù)渥赃m應(yīng)繪制程序，根據(jù)設(shè)備安裝工單配置監(jiān)測(cè)裝置設(shè)備號(hào)，輸入安裝參數(shù)生成線路拓?fù)洌⒏鶕?jù)設(shè)備號(hào)在拓?fù)鋱D線路對(duì)應(yīng)位置顯示監(jiān)測(cè)數(shù)據(jù)。人為提取監(jiān)測(cè)電流數(shù)據(jù)特征較為困難，而RDBN不僅能解決低層網(wǎng)絡(luò)參數(shù)訓(xùn)練不足的問題，而且能夠有效提取數(shù)據(jù)中的潛在特征。因此在軟件中嵌入訓(xùn)練完畢的RDBN深度學(xué)習(xí)模型，對(duì)從云服務(wù)器獲取的數(shù)據(jù)進(jìn)行分析判斷，判斷結(jié)果展示在軟件界面中，并保存數(shù)據(jù)供后續(xù)查詢及取證。

2 實(shí)值深度置信網(wǎng)絡(luò)

2.1 基本原理

深度置信網(wǎng)絡(luò)（DBN）是一種深度學(xué)習(xí)模型，是由多個(gè)受限玻爾茲曼機(jī)（RBM）堆疊而成的模型，這種多層結(jié)構(gòu)使得DBN能夠獲取數(shù)據(jù)中的高層次抽象特征，對(duì)于復(fù)雜的數(shù)據(jù)結(jié)構(gòu)具有強(qiáng)大的表征能力。RDBN底層為實(shí)值型RBM，RDBN相對(duì)于傳統(tǒng)的DBN在處理實(shí)值數(shù)據(jù)方面具有一定的優(yōu)勢(shì)，其能夠更好地保留原始數(shù)據(jù)的連續(xù)性并進(jìn)行數(shù)據(jù)處理。

RDBN利用逐層貪婪學(xué)習(xí)算法對(duì)網(wǎng)絡(luò)的連接權(quán)重進(jìn)行優(yōu)化，即首先使用自下而上的無(wú)監(jiān)督逐層方式進(jìn)行特征量提取，然后使用自頂向下的監(jiān)督學(xué)習(xí)方法進(jìn)行反向微調(diào)，進(jìn)一步優(yōu)化分類器的性能［19］。

RDBN模型結(jié)構(gòu)如圖5所示。由圖5可知，RDBN模型由多個(gè)RBM堆疊而成，前一個(gè)RBM的輸出作為后一個(gè)RBM的輸入。

在典型的RBM中，可見層和隱藏層的單元通常采用二元狀態(tài)（0或1）來表示其激活狀態(tài)。RBM由可見層v和隱藏層h構(gòu)成，其特點(diǎn)是同層各單元之間不存在互聯(lián)且相互獨(dú)立。RBM結(jié)構(gòu)如圖6所示。

若RBM可見層v的節(jié)點(diǎn)數(shù)為n，隱藏層h的節(jié)點(diǎn)數(shù)為m，vi和hj分別代表可見層和隱藏層的第i個(gè)和第j個(gè)節(jié)點(diǎn)狀態(tài)，則RBM某一給定狀態(tài)（v，h）的能量函數(shù)為

E（v，hθ）=－∑ni=1∑mj=1Wijvihj－∑ni=1aivi－∑mj=1bjhj（1）

式中： θ——RBM模型參數(shù);

Wij——節(jié)點(diǎn)vi和hj的鏈接權(quán)重;

ai——可見層v對(duì)應(yīng)節(jié)點(diǎn)i的偏置;

bj——隱藏層h對(duì)應(yīng)節(jié)點(diǎn)j的偏置。

在RBM中，通常定義能量函數(shù)為負(fù)數(shù)，能量越低表示狀態(tài)的概率越高。θ可表示為

θ={Wij，ai，bj}（2）

根據(jù)能量函數(shù)，其可見層和隱藏層的聯(lián)合概率分布［20-22］為

p（v，hθ）=1Z（θ）e［－E（v，h|θ）］（3）

式中： Z——?dú)w一化因子。

其中，

Z（θ）=∑v，he－E（v，h|θ）（4）

激活函數(shù)選擇Sigmoid函數(shù)，則正向傳播時(shí)隱藏層的激活概率和重構(gòu)后的可見層的激活概率分別為

p（hj=1v）=11+e－（bj+∑ni=1Wijvi）（5）

p（v′i=1h）=11+e－（ai+∑mj=1Wijhj）（6）

RBM的預(yù)訓(xùn)練過程常用對(duì)比散度算法，其運(yùn)算效率較高，是基于能量函數(shù)的優(yōu)化技術(shù)，通過最小化能量函數(shù)來學(xué)習(xí)數(shù)據(jù)分布的模型。對(duì)比散度包含2個(gè)步驟：在正相位，根據(jù)給定的輸入數(shù)據(jù)，通過網(wǎng)絡(luò)傳播來計(jì)算可見層和隱藏層之間的相互作用，這個(gè)步驟用于計(jì)算模型當(dāng)前的輸出;在負(fù)相位，從隱藏層的樣本開始，再次傳播以重構(gòu)可見層，得到從隱藏層到可見層的樣本，然后從這些樣本中再次計(jì)算隱藏層的樣本，這樣的迭代也被稱為吉布斯（Gibbs）采樣。對(duì)比散度算法通過計(jì)算這2個(gè)階段的差異來最小化模型輸出與真實(shí)數(shù)據(jù)分布之間的距離。直接計(jì)算這些分布的差異較困難，因此使用對(duì)比散度作為近似方法，通過迭代過程不斷優(yōu)化模型參數(shù)，使模型的輸出盡可能地接近真實(shí)數(shù)據(jù)分布。

預(yù)訓(xùn)練作為訓(xùn)練的首個(gè)階段，主要目的是在網(wǎng)絡(luò)開始學(xué)習(xí)任務(wù)之前初始化權(quán)重。雖然其能夠幫助網(wǎng)絡(luò)更快地收斂并找到一組較好的初始參數(shù)，但在某些情況下無(wú)法使網(wǎng)絡(luò)達(dá)到最佳狀態(tài)。微調(diào)是訓(xùn)練的第二階段，在預(yù)訓(xùn)練的基礎(chǔ)上微調(diào)網(wǎng)絡(luò)權(quán)重以改善性能。在微調(diào)中，先加載預(yù)訓(xùn)練得到的參數(shù)，常使用BP算法并利用更多的標(biāo)記數(shù)據(jù)進(jìn)行有監(jiān)督學(xué)習(xí)，這里使用訓(xùn)練獲得的參數(shù)來初始化網(wǎng)絡(luò)而不是隨機(jī)初始化，以避免訓(xùn)練過程中的局部最優(yōu)，獲得更高的預(yù)測(cè)精度［23］，可以更細(xì)致地調(diào)整網(wǎng)絡(luò)，使其更適應(yīng)特定任務(wù)，并在新數(shù)據(jù)上表現(xiàn)更好。通過使用大量標(biāo)記數(shù)據(jù)進(jìn)行微調(diào)，網(wǎng)絡(luò)可以學(xué)習(xí)更具體、更細(xì)致的特征，從而提高對(duì)新數(shù)據(jù)的泛化能力。

2.2 數(shù)據(jù)集的構(gòu)造

監(jiān)測(cè)系統(tǒng)設(shè)計(jì)完成后可以獲取線路的電流信息，該網(wǎng)絡(luò)模型需要事先使用數(shù)據(jù)集進(jìn)行模型訓(xùn)練，考慮到實(shí)際數(shù)據(jù)不易獲取，本文在Simulink中搭建4層仿真模型。Simulink模型如圖7所示。

Simulink仿真模型中使用受控電流源來模擬負(fù)載波動(dòng)，分別在干路和各支路上放置電流表來模擬本文設(shè)計(jì)的監(jiān)測(cè)裝置，考慮實(shí)際用電情況，使用該模型生成模擬數(shù)據(jù)并用其進(jìn)行模型訓(xùn)練。

2.2.1 數(shù)據(jù)來源

首先考慮監(jiān)測(cè)裝置的安裝位置。以圖7中第4層和I3裝置為例，若不在每條支路安裝監(jiān)測(cè)裝置，即去掉第4層的I41、I42、I43裝置，只依靠干路上I3裝置的監(jiān)測(cè)數(shù)據(jù)，此時(shí)無(wú)法檢測(cè)第4層各支路的竊電，因?yàn)槿魺o(wú)竊電支路T3，而正常使用N7中的某一負(fù)載與竊電T3接入的變化情況一致，則只依靠干路的裝置無(wú)法檢測(cè)，不能將其歸為竊電。但若在N7對(duì)應(yīng)支路安裝了監(jiān)測(cè)裝置I41，則能學(xué)習(xí)到此類負(fù)載接入的情況，當(dāng)竊電支路T3接入時(shí)理論上能夠?qū)ζ溥M(jìn)行區(qū)分。依靠各支路裝置的數(shù)據(jù)能夠檢測(cè)各支路有無(wú)竊電，若竊電支路的接入位置如圖7中T0，此時(shí)需根據(jù)干路上I3裝置的數(shù)據(jù)來判斷，通過對(duì)2種情況進(jìn)行分析，能夠確定最終發(fā)生竊電的位置，然后調(diào)出保存的歷史數(shù)據(jù)，安排人員稽查。

用電模型分析需考慮3種情況：一是竊電發(fā)生在某一層級(jí)的支路中，此時(shí)依靠支路安裝的監(jiān)測(cè)裝置進(jìn)行判別;二是竊電支路接在干路到各支路監(jiān)測(cè)裝置之間的線路上，此時(shí)需依靠干路的監(jiān)測(cè)裝置進(jìn)行判別;三是這幾個(gè)位置都發(fā)生竊電，此時(shí)依靠各自最近的監(jiān)測(cè)裝置分別進(jìn)行判別?？紤]到這3種情況，本文以I41、I42、I43和I3裝置的數(shù)據(jù)為例來分析。

竊電定位分析如表1所示。0為正常，1為竊電，根據(jù)表1可定位支路竊電段，且根據(jù)I3裝置數(shù)據(jù)的判別結(jié)果可判斷是否有額外的第4條支路。

I3裝置主要判斷第4層有無(wú)額外的竊電支路，其他3個(gè)裝置主要判斷各自支路有無(wú)額外竊電支路，分別采集正常和有竊電的數(shù)據(jù)，數(shù)據(jù)作好標(biāo)簽進(jìn)行模型訓(xùn)練。實(shí)際使用時(shí)將訓(xùn)練好的模型導(dǎo)入，定期將各自監(jiān)測(cè)裝置的歷史數(shù)據(jù)輸入模型進(jìn)行判別。

竊電支路電流如圖8所示。竊電特征表現(xiàn)為斷續(xù)接入，每次接入會(huì)持續(xù)一段時(shí)間。

正常支路電流如圖9所示。正常用電時(shí)，接入負(fù)載具有隨機(jī)性，也會(huì)有負(fù)載沒接入的情況，使用受控電流源來模擬變化的負(fù)載。

正常+竊電支路電流如圖10所示。即使竊電支路電流較小，在竊電支路投切的時(shí)間段波形會(huì)有細(xì)微的抬升，但竊電發(fā)生的時(shí)間不定，在其他正常電流不為0的時(shí)刻波形變化不明顯，故引入深度學(xué)習(xí)自動(dòng)進(jìn)行特征提取。

2.2.2 數(shù)據(jù)預(yù)處理

設(shè)定Simulink仿真時(shí)間為4 s，仿真步長(zhǎng)為1 ms，每次運(yùn)行仿真共計(jì)獲得4 000個(gè)數(shù)據(jù)點(diǎn)，去除因有效值模塊初值設(shè)定引起的前20個(gè)空白的數(shù)據(jù)點(diǎn)后剩下3 980個(gè)數(shù)據(jù)點(diǎn)，從3 980個(gè)數(shù)據(jù)點(diǎn)中不同起點(diǎn)隨機(jī)抽取250次連續(xù)的2 880個(gè)時(shí)序數(shù)據(jù)，得到正常情況和竊電情況各250個(gè)時(shí)序數(shù)據(jù)樣本，將數(shù)據(jù)集擴(kuò)充進(jìn)行數(shù)據(jù)增強(qiáng)，得到不同起點(diǎn)的電流變化，提高網(wǎng)絡(luò)模型的泛化能力。

在MATLAB中編寫腳本控制仿真模型運(yùn)行10次，按上述步驟處理可得到不同情況下的電流數(shù)據(jù)并可將樣本擴(kuò)充10倍，得到5 000個(gè)時(shí)序數(shù)據(jù)樣本，共有4個(gè)監(jiān)測(cè)裝置的數(shù)據(jù)需要處理，最終得到20 000個(gè)時(shí)序數(shù)據(jù)樣本。

由于不同支路的電流大小存在差異，為讓模型學(xué)習(xí)到電流的變化規(guī)律并適用于不同的支路，在模型訓(xùn)練階段對(duì)樣本數(shù)據(jù)進(jìn)行了歸一化處理，之后將數(shù)據(jù)集保存為numpy格式供深度學(xué)習(xí)網(wǎng)絡(luò)加載和應(yīng)用。

2.3 參數(shù)設(shè)置和模型訓(xùn)練

RDBN深度學(xué)習(xí)算法的模型參數(shù)如表2所示。每個(gè)樣本有2 880個(gè)數(shù)據(jù)點(diǎn)，且做的是二分類任務(wù)，故輸入層神經(jīng)元個(gè)數(shù)為2 880，輸出層神經(jīng)元個(gè)數(shù)為2。

好的模型超參數(shù)可以有效提高網(wǎng)絡(luò)的準(zhǔn)確率，通過優(yōu)化算法來尋優(yōu)超參數(shù)，需在給定參數(shù)范圍內(nèi)迭代多次并選取驗(yàn)證集準(zhǔn)確率等指標(biāo)，來判斷是否獲得最優(yōu)超參數(shù)解，需要耗費(fèi)較長(zhǎng)的時(shí)間。

本文通過大量訓(xùn)練對(duì)批次大小、迭代次數(shù)、學(xué)習(xí)率等進(jìn)行經(jīng)驗(yàn)調(diào)參，最終將批次大小設(shè)定為64，RBM預(yù)訓(xùn)練迭代次數(shù)為50，整體微調(diào)迭代次數(shù)為200，學(xué)習(xí)率設(shè)定為0.000 1。

進(jìn)行異常檢測(cè)時(shí)，往往采用混淆矩陣來評(píng)價(jià)檢測(cè)效果，混淆矩陣中含有真陽(yáng)性（TP）、假陰性（FN）、假陽(yáng)性（FP）和真陰性（TN）。其中：TP和TN為正確分類的部分，比例越高說明檢測(cè)效果越好;FP為誤報(bào)，F(xiàn)N為漏報(bào)［24］?；煜仃嚾鐖D11所示。

由混淆矩陣可以得出模型的準(zhǔn)確率為Accuracy=TP+TNTP+TN+FP+FN=98.15%。

在統(tǒng)計(jì)學(xué)中常使用F1分?jǐn)?shù)來衡量二分類模型精確度，其兼顧了分類模型的精確率和召回率。本文模型的F1分?jǐn)?shù)為F1=TPTP+FN+FP2=0.980 9。

本文采用的RDBN網(wǎng)絡(luò)模型訓(xùn)練時(shí)間為365.6 s，加載容量為2 000的樣本預(yù)測(cè)時(shí)間為298 ms，得益于特有的預(yù)訓(xùn)練過程，每次迭代時(shí)間較短，訓(xùn)練速度較快。從準(zhǔn)確率和F1分?jǐn)?shù)來看，本文所采用的RDBN算法可以達(dá)到較高的竊電識(shí)別率。

3 實(shí)驗(yàn)分析

分析一個(gè)可能發(fā)生竊電的區(qū)域，假如其線路可簡(jiǎn)化為1路進(jìn)線和2路出線，在對(duì)應(yīng)位置安裝監(jiān)測(cè)裝置。實(shí)驗(yàn)線路圖如圖12所示。裝置11監(jiān)測(cè)干路電流，裝置21所在支路的負(fù)載為電阻箱，裝置22所在支路的負(fù)載為電熱水壺1。T23支路為本次實(shí)驗(yàn)所接入的模擬竊電支路，負(fù)載為電熱水壺2。

為與仿真條件保持一致，將裝置休眠時(shí)間間隔設(shè)為30 s，即每分鐘發(fā)送2次數(shù)據(jù)，每天有2 880個(gè)數(shù)據(jù)，數(shù)據(jù)包含采樣電流值以及對(duì)應(yīng)的時(shí)間戳和4G模塊的IMEI號(hào)，軟件會(huì)儲(chǔ)存并解析接收到的數(shù)據(jù)，定期將裝置的歷史數(shù)據(jù)處理后輸入后臺(tái)加載的深度學(xué)習(xí)算法模型，以判斷是否發(fā)生竊電，若有竊電發(fā)生則標(biāo)記出可疑竊電線路。

軟件界面正常狀態(tài)如圖13所示;軟件界面竊電狀態(tài)如圖14所示。圖中虛線段為接入的模擬竊電支路，實(shí)際只能獲得裝置11，對(duì)裝置21和裝置22的數(shù)據(jù)進(jìn)行分析，分析結(jié)果展示在軟件中。

實(shí)驗(yàn)電流記錄如表3所示。 從實(shí)驗(yàn)結(jié)果來看，安裝裝置后，正常狀態(tài)下在軟件界面拓?fù)鋱D對(duì)應(yīng)位置會(huì)展示各裝置監(jiān)測(cè)到的電流信息，而竊電支路接入后系統(tǒng)檢測(cè)算法判定裝置11的電流數(shù)據(jù)異常，并將裝置11所在線路進(jìn)行提醒該段線路下一級(jí)可能有竊電發(fā)生。

4 結(jié) 語(yǔ)

本文設(shè)計(jì)的竊電監(jiān)測(cè)系統(tǒng)使用電能計(jì)量芯片進(jìn)行電流采集，采用實(shí)時(shí)時(shí)鐘芯片進(jìn)行計(jì)時(shí)，通過監(jiān)測(cè)裝置搭載的4G模塊將采集數(shù)據(jù)上傳至云服務(wù)器，并結(jié)合可視化監(jiān)測(cè)軟件，利用RDBN深度學(xué)習(xí)算法對(duì)數(shù)據(jù)進(jìn)行處理和分析。該系統(tǒng)具有以下特點(diǎn)：

（1） 監(jiān)測(cè)裝置使用電流互感器取電，可靈活安裝在可疑區(qū)域的供電線上，所設(shè)計(jì)的電源電路能夠保證裝置穩(wěn)定運(yùn)行。

（2） 本文設(shè)計(jì)的監(jiān)測(cè)系統(tǒng)能實(shí)時(shí)監(jiān)測(cè)電流并通過深度學(xué)習(xí)算法對(duì)數(shù)據(jù)進(jìn)行分析，判別精度較高，能夠標(biāo)記出可疑竊電線路，縮小竊電稽查范圍，降低竊電稽查難度，提高檢測(cè)效率。

【參 考 文 獻(xiàn)】

［1］ 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.

［2］ 陳向群， 肖湘奇， 黃瑞， 等.配電網(wǎng)竊電檢測(cè)與預(yù)防策略［J］.湖南科技大學(xué)學(xué)報(bào)（自然科學(xué)版），2020，35（4）：56-66.

［3］ 吳少雷， 肖堅(jiān)紅， 張波， 等.基于阻抗分析的居民用戶異常用電研判模型研究［J］.電器與能效管理技術(shù)，2019 （3）：30-34，67.

［4］ 王建元， 劉柯辰.基于經(jīng)驗(yàn)?zāi)B(tài)分解與多視角聚類的異常用電模式檢測(cè)［J］.電器與能效管理技術(shù)，2023（3）：73-80.

［5］ 曾靜， 婁冰， 呂娜， 等.基于多特征和LOF的用戶負(fù)荷突變檢測(cè)［J］.浙江電力，2023，42（2）：90-97.

［6］ 張銀建， 田亞南.基于NB-IoT以及ADE9078的智能數(shù)字遠(yuǎn)傳三相電表設(shè)計(jì)［J］.自動(dòng)化儀表，2019，40（7）：47-49，53.

［7］ 吳健， 林國(guó)強(qiáng)， 王曉慧， 等.基于神經(jīng)網(wǎng)絡(luò)算法的用戶竊電行為檢測(cè)模型研究［J］.電力信息與通信技術(shù)，2017，15（12）：36-40.

［8］ 李秋紅.基于改進(jìn)粒子群算法的前饋神經(jīng)網(wǎng)絡(luò)識(shí)別用戶竊電行為［J］.電氣技術(shù)，2022，23（11）：44-48.

［9］ 張麗娟， 保富.基于改進(jìn)SVM的電力用戶異常用電行為檢測(cè)方法研究［J］.電測(cè)與儀表，2022，59（12）：163-168.

［10］ 縣國(guó)成， 王永攀， 高俊， 等.基于ELM-SVM模型與電能計(jì)量大數(shù)據(jù)的竊電識(shí)別技術(shù)研究［J］.智慧電力，2022，50（9）：82-89.

［11］ JUNDE C， Y A N， WEIRONG C， et al.Data-driven intelligent method for detection of electricity theft［J］.International Journal of Electrical Power and Energy Systems，2023，148.

［12］ ZHAO Z Q， LIU Y N， ZENG Z X， et al.Privacy-preserving electricity theft detection based on blockchain［J］.IEEE Transactions on Smart Grid，2023，14（5）：4047-4059.

［13］ LELOKO J L， SHAMIN A， CHENG L.Electricity theft detection in smart grids based on deep neural network［J］.IEEE Access，2022（10）：39638-39655.

［14］ 成躍宇， 成國(guó)鋒.基于混合神經(jīng)網(wǎng)絡(luò)的配電網(wǎng)用戶竊電檢測(cè)方法［J］.浙江電力，2023，42（11）：96-103.

［15］ 董立紅， 肖純朗， 葉鷗， 等.一種基于CAEs-LSTM融合模型的竊電檢測(cè)方法［J］.電力系統(tǒng)保護(hù)與控制，2022，50（21）：118-127.

［16］ 姚誠(chéng)智， 馮小峰， 周東旭.檢測(cè)低壓用戶竊電的計(jì)及專家經(jīng)驗(yàn)的模糊聚類法［J］.廣東電力，2021，34（7）：60-70.

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

［18］ 王智博.電流互感器取電電源的研究與設(shè)計(jì)［D］.杭州：浙江大學(xué)，2015.

［19］ 劉炳南.基于DBN的配電網(wǎng)高阻接地故障識(shí)別［J］.電器與能效管理技術(shù)，2020 （8）：68-74.

［20］ 朱天怡， 艾芊， 李昭昱， 等.一種數(shù)據(jù)驅(qū)動(dòng)的用電行為分析模型研究［J］.電器與能效管理技術(shù)，2019（19）：91-100.

［21］ 王永明， 陳宇星， 殷自力， 等.基于大數(shù)據(jù)分析的電力用戶行為畫像構(gòu)建方法研究［J］.高壓電器，2022，58（10）：173-179，187.

［22］ 孫園園， 章文俊， 單鴻濤， 等.基于DBN的配電網(wǎng)可靠性分析［J］.制造業(yè)自動(dòng)化，2021，43（7）：64-67，86.

［23］ 陳子璇， 席燕輝， 沈銀.基于卡爾曼濾波和深度置信網(wǎng)絡(luò)的復(fù)合電能質(zhì)量擾動(dòng)分類［J］.電力系統(tǒng)保護(hù)與控制，2022，50（7）：81-90.

［24］ 金晟， 蘇盛， 薛陽(yáng)， 等.數(shù)據(jù)驅(qū)動(dòng)竊電檢測(cè)方法綜述與低誤報(bào)率研究展望［J］.電力系統(tǒng)自動(dòng)化，2022，46（1）：3-14.

收稿日期： 20240122