基于注意力网络改进卷积神经网络的窃电行为检测方法技术

本发明专利技术提供一种基于注意力网络改进卷积神经网络的窃电行为检测方法，包括以下步骤：S1：对用户用电量的原始数据进行预处理；S2：将预处理后的数据建立包含用电量趋势下降指标、线损指标及告警类指标的窃电评价指标体系；S3：将窃电评价指标体系采用注意力网络改进卷积神经网络模型进行训练，以此判断用户是否疑似窃电。本发明专利技术通过建立窃电评价指标体系，提取电量趋势下降指标、线损指标以及与其窃电相关的终端报警类指标特征，可减少输入数据维度，更明显表征窃电行为规律；在卷积神经网络模型基础上引入了SKNets自适应注意力机制，使模型聚焦特征表达中更有效的特征通道、并抑制无效的特征通道，提升了模型的检测准确度。提升了模型的检测准确度。提升了模型的检测准确度。

【技术实现步骤摘要】
基于注意力网络改进卷积神经网络的窃电行为检测方法


[0001]本专利技术涉及电力负荷分析
，具体涉及一种基于注意力网络改进卷积神经网络的窃电行为检测方法。

技术介绍

[0002]电力传输过程中电力损失不可避免，用户侧的窃电行为是当前造成非技术性损失的主要原因。每年因窃电造成的经济损失不仅在发展中国家影响巨大，在发达国家同样严重，对电力公司来说，会增加电网的运营成本，同时给电网安全运行带来巨大的潜在风险。因此，研究如何对窃电用户准确检测，降低非技术损失，对于电力公司具有重大意义。
[0003]传统窃电检测主要利用人工对可疑用户进行稽查，但该方法效率低且人力和时间成本高。随着智能电网的高速发展，基于能源互联网的高级量测体系(Advanced Metering Infrastructure,AMI)在电网公司逐步建立，同时伴随智能电表大面积应用，可有效利用AMI下的智能电表数据对窃电行为展开研究分析，但现有方法准确率依然不高、检测效率低。

技术实现思路

[0004]本专利技术的目的是针对现有技术存在的问题，提供一种基于注意力网络改进卷积神经网络的窃电行为检测方法，能够解决现有技术对窃电行为检测精度不够精确的技术问题。具体技术方案如下：
[0005]一种基于注意力网络改进卷积神经网络的窃电行为检测方法，包括以下步骤：
[0006]S1：对用户用电量的原始数据进行预处理；
[0007]S2：将预处理后的数据建立包含用电量趋势下降指标、线损指标及告警类指标的窃电评价指标体系；
[0008]S3：将窃电评价指标体系采用注意力网络改进卷积神经网络模型进行训练，以此判断用户是否疑似窃电。
[0009]进一步地，所述对用户用电量的原始数据进行预处理包括以下方式中的至少一种：
[0010]对原始数据进行过滤；
[0011]对离群值进行修复；
[0012]对原始数据进行缺失值处理。
[0013]进一步地，所述对原始数据进行过滤包括：剔除公用事业大用户的数据以及剔除因节假日用电量明显减少的居民假期用电的数据。
[0014]进一步地，所述对离群值进行修复采用的公式为：
[0015][0016]式中，x
i
为某用户在一个周期内的电力消耗值；NaN表示x
i
为非数值符号或0时的值。
[0017]进一步地，所述对原始数据进行缺失值处理采用的公式为：
[0018][0019]式中，avg(x)表示平均值，std(x)表示标准差。
[0020]进一步地，所述电量趋势下降指标计算步骤为：
[0021]设定第i天前后h天为统计窗口期，计算2h+1天内的用电量趋势下降情况，其中第i天用电量趋势为考虑前后h天的用电量斜率为：
[0022][0023]式中，k
i
表示第i天的电量趋势；f
l
为第l天的用电量；
[0024]若用户用电量趋势不断下降，认定该用户具有窃电嫌疑，计算2h+1天内当天比前一天用电量趋势为递减的天数：
[0025][0026]2h+1天内的电量趋势下降指标为：
[0027][0028]进一步地，所述线损指标为：
[0029][0030]式中，V
i1
为当天与前h天之间的线损率平均值，V
i2
为当天与后h天之间的线损率平均值，若V
i1
比V
i2
的增长率大于1％，则认为具有一定窃电嫌疑；
[0031]其中，线损率的计算公式为：
[0032][0033]式中，t
l
为线路线损率，s
l
为第l天的线路供电量，为线路上各用户总用电量。
[0034]进一步地，所述告警类指标为发生与疑似窃电相关的终端报警次数总和。
[0035]进一步地，所述发生与疑似窃电相关的终端报警包括：电压缺相、电压断相、电流反极性、电流不平衡和最大需量复零。
[0036]进一步地，所述注意力网络改进卷积神经网络模型表达式为：
[0037]P(Y＝1|x)＝δ(W(x)+b)；
[0038]其中，Y表示二分类标签，δ(
·
)为sigmoid激活函数，x分别代表特征值，W表示训练的权值，b为偏置。
[0039]与现有技术比，本专利技术的有益效果是：
[0040]本专利技术通过建立窃电评价指标体系，提取电量趋势下降指标、线损指标以及与其窃电相关的终端报警类指标特征，可减少输入数据维度，更明显表征窃电行为规律；在卷积神经网络模型(CNN)基础上引入了SKNets自适应注意力机制，使模型聚焦特征表达中更有效的特征通道、并抑制无效的特征通道，提升了模型的检测准确度；相比于现有检测方法，本文提出方法的检测精度更高、实用性强，表现出良好的泛化性能，本方法物理概念明确，算法思路清晰，分析计算层次分明且简便，可有效解决对任意用电用户疑似窃电行为的检测问题。
附图说明
[0041]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0042]图1为供电线路与用户的拓扑关系图；
[0043]图2为SKNets模型；
[0044]图3为本专利技术的实施流程图；
[0045]图4为南方电网数据集详细描述图表；
[0046]图5为窃电行为检测中的混淆矩阵图表；
[0047]图6为KNets
‑
CNN方法的实验结果；
[0048]图7为不同窃电检测方法的实验结果。
具体实施方式
[0049]下面结合附图对本公开实施例进行详细描述。
[0050]以下通过特定的具体实例说明本公开的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本公开的其他优点与功效。显然，所描述的实施例仅仅是本公开
一部分实施例，而不是全部的实施例。本公开还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本公开的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。基于本公开中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本公开保护的范围。
[0051]一种基于注意力网络改进卷积神经网络的窃电行为检测方法，包括以下步骤：
[0052]步骤一：对用户用电量的原始数据进行预处理。
[0053]对用户用电量的原始数据进行预处理包括以下方式中的至少一种：
[0054](1)对原始数据进行过滤。将赘余的数据进行过滤，剔除如银行、学校、政府部门等公用事业大用户本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于注意力网络改进卷积神经网络的窃电行为检测方法，其特征在于，包括以下步骤：S1：对用户用电量的原始数据进行预处理；S2：将预处理后的数据建立包含用电量趋势下降指标、线损指标及告警类指标的窃电评价指标体系；S3：将窃电评价指标体系采用注意力网络改进卷积神经网络模型进行训练，以此判断用户是否疑似窃电。2.根据权利要求1所述的基于注意力网络改进卷积神经网络的窃电行为检测方法，其特征在于，所述对用户用电量的原始数据进行预处理包括以下方式中的至少一种：对原始数据进行过滤；对离群值进行修复；对原始数据进行缺失值处理。3.根据权利要求2所述的基于注意力网络改进卷积神经网络的窃电行为检测方法，其特征在于，所述对原始数据进行过滤包括：剔除公用事业大用户的数据以及剔除因节假日用电量明显减少的居民假期用电的数据。4.根据权利要求2所述的基于注意力网络改进卷积神经网络的窃电行为检测方法，其特征在于，所述对离群值进行修复采用的公式为：式中，x
i
为某用户在一个周期内的电力消耗值；NaN表示x
i
为非数值符号或0时的值。5.根据权利要求2所述的基于注意力网络改进卷积神经网络的窃电行为检测方法，其特征在于，所述对原始数据进行缺失值处理采用的公式为：式中，avg(x)表示平均值，std(x)表示标准差。6.根据权利要求1所述的基于注意力网络改进卷积神经网络的窃电行为检测方法，其特征在于，所述电量趋势下降指标计算步骤为：设定第i天前后h天为统计窗口期，计算2h+1天内的用电量趋势下降情况，其中第i天用电量趋势为考虑前后h天的用电量斜率为：
...

【专利技术属性】
技术研发人员：卿柏元，陈珏羽，李金瑾，蒋雯倩，唐志涛，龙伟杰，颜丹丹，杨舟，林秀清，黄柯颖，韦杏秋，包岱远，陈俊，
申请(专利权)人：广西电网有限责任公司，
类型：发明
国别省市：