應用DBN深度學習算法的電能計量反竊電技術研究

劉巖 袁瑞銘 鄭思達 楊曉坤 王玉君

摘 要：針對竊電問題嚴重阻礙建立公平、合理的用戶秩序的問題，基于云計算的智能電網大數據處理平臺SP-PPP （smart power system big data processing platform in cloud environment，SP-DPP），提出了融合自適應加權融合算法和深度置信網絡DBN（Deep Belief Networks，DBN）學習算法的反竊電系統，采用DBN逐層貪婪訓練算法對大數據進行處理，并利用雙層RBM結構，構建出DBN深度學習算法，對獲取的電能計量竊電信息進行歸一化處理，將獲取的宏觀高緯度數據信息轉換為容易識別和計算的低緯度數據。實驗表明，本研究的算法識別率高，穩定性能好。

關鍵詞：竊電;SP-DPP;自適應加權融合算法;深度置信網絡;逐層貪婪訓練算法

中圖分類號：TM561 ? ? ?文獻標識碼：A

Abstract：Aiming at the problem of electricity theft seriously hindering the establishment of a fair and reasonable user order，An anti-theft system that combines adaptive weighted fusion algorithm and deep belief network （Deep Belief Networks， DBN） learning algorithm is proposed based on Smart power system big data processing platform in cloud environment （SP-DPP），big data is processed by using DBN layer-by-layer greedy training algorithm， and a DBN deep learning algorithm is constructed by using the double-layer RBM structure， which can normalize the acquired electricity metering information and convert the acquired macro high-latitude data information into low-latitude data that is easy to identify and calculate. Tests show that the algorithm of this study has high recognition rate and good stability.

Key words：electricity theft; SP-DPP; adaptive weighted fusion algorithm; deep confidence network; layer-by-layer greedy training algorithm

竊電是指一些違法分子在供電或者用電期間，采用隱秘的盜竊手段非法使用電能，最終以很少的成本用電，或者無成本用電。在電力經濟技術發展的不斷推動下，各個行業都離不開電能，在人們生活和企業生產過程中具有舉足輕重的作用。因此，如果存在竊電行為，不僅給配電公司帶來巨大的損失，也會由于竊電手段造成配電線路處于高危險狀態，嚴重時，會導致漏電、失火，設置會危害人們的生命。因此，打擊竊電行為、防止竊電是建立公平、安全的用電行為的重要手段。

現有技術中，如文獻[1]雖然在表計及電路的原理上進行了改進，但是這手段仍舊是在改變電能表或者電能計量設備的硬件結構形式來防止竊電，這種方式雖然在一定程度上避免了竊電行為，但很難及時獲取竊電信息，防竊效率不高[1]。文獻[2]通過載波異常情況來監測竊電行為，雖然提高了竊電的警覺性，能夠及時獲取竊電信息，但是無法對獲取的數據進行分類，識別性能差[2]。文獻[3]通過離群點算法實現竊電的遠程監控，通過距離分類判斷，甄別出竊電用戶，但是該方法并行計算性能差，計算出的范圍比較寬，容易存在分類誤差[3]。

1 反竊電系統模型的構建

針對上文計算的不足，本研究提出深度置信網絡（Deep Belief Networks簡稱DBN）學習算法，以實現電能計量的反竊電。文獻[4-5]雖然也利用DBN技術，但是其更多地是對可見層、多個隱藏層和輸出層等網絡節點的設置方面進行的討論。在本研究設計中，采用了分布式網絡設計的模式，并在分布式網絡結構加入自適應加權融合算法模型，實現分布式DBN算法的融合，便于數據集中管理。其結構示意圖如圖1所示。通過采用該架構，不僅僅能夠保留竊電數據信息的原始特征特點，還能夠將原始數據的高緯度特點轉換成低緯度信息，有利于用戶研究、分析，提高了竊電數據分類效率，靈活性能好，本系統采用了云計算，使得大量的數據在幾秒內完成計算，提高了數據的處理效率。

本研究應用了基于云計算的智能電網大數據處理平臺SP-DPP（smart power system big data processing platform in cloud environment）實現防竊電電能信息的管理，應用DBN深度學習算法實現竊電信息學習、訓練，通過自適應加權融合算法模型對傳感器進行融合，分布式DBN深度學習算法訓練出的數據進行融合，便于進行數據管理[6-7]。

1.1 大數據平臺構建

該系統融合了SP-DPP云平臺，該平臺可以兼容多種IT相關功能，滿足客戶的多種需要。通過登錄界面一鍵訪問平臺。具有較強的存儲能力，該平臺能夠在電能表數據管理節點上調度，進而實現大數據的處理和分配。在對SP-DPP云平臺的結構進行設置時，可以將其分為幾個比較重要的模塊。比如大數據存儲與管理模塊、任務分配與調度模塊、大數據執行模塊和客戶端模塊等[8]，其架構如圖2所示。用戶可以根據具體使用的需要，通過可擴展模塊進行擴展使用。

1.2 數據融合算法

由于電能計量竊電數據來自多個傳感器設備，各個傳感器分布比較松散，需要對來自各個部位設置的數據信息進行統一，以便更好地對獲取的數據集中進行管理。因此，采用了自適應加權融合算法，其算法模型如圖3所示。

在上述實驗中，采用了4組不同的數據樣本，第一組數據的樣本數量為25萬個，第二組數據的樣本數量為29萬個，第三組數據的樣本數量為24萬個，第四組數據樣本的數量為28萬個。通過四組數據的驗證，分別應用文獻1、文獻2、文獻3以及貝葉斯模型作為對比分析，計算竊電信息識別率。由于這些算法均為成熟方法，其計算過程不再說明。然后將這幾種方法與DBN深度學習算法模型進行比較，對比竊電信息識別率，計算公式為：

竊電信息識別率=總樣本數量-識別數據量總樣本數據量×100%（9）

下面對這幾種算法的穩定性進行測試，現在對6天內的數據進行綜合評估，以觀測算法模型的穩定性情況。所謂的穩定性，是指在DBN深度學習算法模型在外界干擾信息影響下以及測量狀態不同情況下所表現出的一種穩定性狀態[21-22]。這種狀態能夠反映測量特性隨時間的恒定程度。為了測量的方便，僅僅采用文獻3和貝葉斯模型進行對比分析，對比曲線圖如圖5所示。

在圖5中，橫坐標的單位為天，數據統計為6天的數據信息，縱坐標表示穩定度百分比，其單位為%，其中穩定度的計算公式如下所示。

穩定度%=最大測量值-最小測量值測試平均值×100%

因此，根據上述公式可以，計算出的數值越小，則表示穩定度越好，計算出的數值越大，則表示穩定度越差。根據6天的數據情況，DBN深度學習算法模型穩定性能較好。相對于其他算法，訓練較快，收斂時間較少，穩定性能好，識別率高。

4 結 論

針對越來越嚴重的竊電現象，提出了新型的電能計量反竊電技術。設計出基于DBN深度學習算法模型的反竊電系統，并應用了云計算的智能電網大數據處理平臺SP-DPP，實現數據的高容量存儲和高速處理，又應用了數據融合算法，實現數據的快速處理，文中利用DBN深度學習算法模型構建出多層神經網絡模型，對接收到的諸如圖像、文本、語音等竊電數據信息進行訓練、學習。通過試驗，本研究方案比文獻1、文獻2、文獻3以及貝葉斯模型的信息識別率較高，穩定度也好。

參考文獻

[1]楊體. 對電能表防竊電的分析[J].電力自動化設備，2002， 22（3）：84-85.

[2]青志明，張宏艷，龍漪瀾，等.基于載波異常監測的竊電行為判斷方法[J].科學技術與工程，2018， 18（20）： 251-256.

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

[4]李丹丹，葛冰玉，黃文雯，等.DBN深度學習算法在反竊電系統中的應用[J].電信科學， 2019， 5（2）： 119-123.

[5]李丹丹，葛冰玉，黃文雯，等.DBN深度學習算法在反竊電系統中的應用研究[D].數字中國 能源互聯—2018電力行業信息化年會論文集[D].2018： 413.

[6]李新國.基于深度學習的圖像分類及其在高光譜圖像中的應用研究[J].南京航空航天大學.2016， （3）：1-79.

[7]朱大立，金昊，吳荻，等. 基于數據流深度學習算法的Android惡意應用檢測方法[J].信息安全學報.2019（2）：57-72.

[8]李佳， 徐勝超. 基于云計算的智能電網大數據處理平臺[J].計算機工程與設計， 2018， 39（10）：81-87.

[9]吳文麗， 劉馨卉， 宋貴杰. 智能用電信息采集終端檢測裝置研究[J]. 自動化與儀表， 2015， 30（10）：71-75.

[10]蔡之鑫. DBN和MDBoost2在入侵檢測中的應用[J].計算機科學與技術， 2016（11）：1-65.

[11]李曉蕊. 基于DBN模型的鐵路異物侵限檢測算法研究[J]. 電子測量技術， 2018（12）：128-132.

[12]郜麗鵬， 李勇. 一種基于集成學習的DBN模型分類方法[J]. 哈爾濱商業大學學報（自然科學版）， 2019， 35（5）：75-79.

[13]張美娟. 基于深度學習的智能手機入侵檢測系統的研究[J].計算機科學與技術， 2016（1）：1-68.

[14]羅琳. 基于深度學習的語音情感識別方法的研究[J].信息與通信工程. 2016（3）：1-72.

[15]張雯， 王文偉. 基于局部二值模式和深度學習的人臉識別[J].計算機應用，2015，35（5）：1474-1478.

[16]楊佳駒. 基于MapReduce和深度學習的負荷分析與預測[J].電氣工程， 2016（3）：1-68.

[17]雷濤， 曠生玉， 楊玲，等. 基于深度學習的雷達輻射源型號識別方法[J]. 電子信息對抗技術， 2019， 34（4）：29-34.

[18]宋曉林， 王正杰， 等. 基于LabVIEW和Matlab綜合平臺的高精度多功能虛擬數字電能表的研究[J]. 陜西電力. 2015， 43（8）：24-26.

[19]郭婧， 徐中偉， 李麗梅. 基于TCSP的實時并發系統測試方法[J].高技術通訊.2015， 25（4）： 350-356.

[20]龍小強， 李捷， 陳彥如. 基于深度學習的城市軌道交通短時客流量預測[J]. 控制與決策，2019（8）：1589-1600.

[21]張文博，姬紅兵，王磊. 一種自適應權值的多特征融合分類方法[J]. 系統工程與電子技術，2013， 35（6）：1133-1137.

[22]琚玉建，謝紹斌，張薇. 基于自適應權值的數據報指紋特征識別與發現[J]. 計算機測量與控制，2014， 22（7）：2288-2290，2294.

[23]張文博，姬紅兵，王磊. 一種自適應權值的多特征融合分類方法[J]. 系統工程與電子技術，2013， 35（6）：1133-1137.